大数据和人工智能「撬动」保险数字化，从养老保险和财产保险的角度看过去，路径或许大不相同。
近日，在上海举行的外滩大会上，长江养老保险股份有限公司总经理徐勇和中国大地财产保险股份有限公司总裁陈勇就各自讲述了不同保险赛道中的技术应用之道。
徐勇表示，大数据在养老金资产管理中的应用实践，主要集中在受托资产配置、投研资讯研究、投资经理画像等场景，对数字化建设的探索使得委托人和投资经理的定位都更加清晰。
陈勇则分享了大数据和AI在保险定价、风控、营销服务、理赔等重点环节的优化细节，例如在技术加持下，进行网络退运险等产品创新。
以下为徐勇和陈勇的全场演讲，雷锋网AI金融评论做了不改变原意的编辑如下：
徐勇：三大场景智能化，打破养老金资管困局
首先介绍一下长江养老：我们是中国太保集团旗下的养老金公司，2007年5月份成立，由11家央企和上海地方国资共同发起设立，定位是专注养老金保险主业，聚焦长期资金管理，服务三支柱的社会保障体系。目前已涵盖政府养老金、单位养老金、个人养老金三大领域，拥有养老金管理领域全牌照。截至2020年7月，其管理资产规模已突破1万亿。
长江养老目前拟定了1+2+3+N的战略，以客户为中心，通过数据和留存两轮驱动，建设面向客户、合作伙伴和员工的数字化终端，并打造受托、投研、风控、运营等多方面的数字化能力。
近年来，我们结合业务场景在大数据、人工智能、区块链等技术应用方面不断探索和创新，涵盖了智能支配、智能投研、智能风控、精准营销、智能客户等场景，加快生成以数字化科技驱动为主的养老金管理模式发展的新模式，助推养老资产管理能够实现高质量的持续健康发展。
2020年，我们持续推进进一步加强数字化科技对业务的赋能，重点是在受托资产配置、投研资讯研究、投资经理画像和绩效考核等领域来进一步加大探索和运用，建设了智能受托、智能投研、智能绩效管理多个平台。这次我们也来分享在长江养老探索数字化建设的过程中，具体的三个应用场景。
场景一：智能受托的资产配置
这个应用有它特殊的背景，因为年金基金是我们国家社会养老保障体系重要组成部分，在这个管理模式当中，作为受托人的我们，处在核心的管理位置，承担了为受托人实现基金安全运营和保值增值的重大责任。
但现阶段，国内养老金资管行业普遍存在一些痛点：委托人对自己的管理目标其实不清晰，或者说他难以用量化手段来进行清晰描述。比如受托人对委托人的风险，收益的特征怎么样加以量化，更清晰地来运用到管理工作上去。
又比如不同的委托人，资产配置需求应该是多样化，过去的方法和手段面对现在的委托人，个性化需求不断增强和丰富的前景下，很难匹配;投保人的风格也比较难量化和精准识别——管理投保人也是我们受托人的工作责任之一。
同时，国内养老金资管行业规模快速增长，专业化管理要求和科技发展，这三种驱动因素相互叠加成一种巨大发展的推动力量。在行业高速发展的背景下，如何解决这样一些痛点，客观上成为行业关注焦点。
为此，我们结合自身受托业务的场景，探索将大数据和人工智能技术引入资产配置领域，通过人工智能的模型构建，大数据的回撤和专家经验相结合的方法，在第一期的研发当中成功验证了新型支配模型的有效性。整体风险收益的特征表现良好，证明我们可以通过大数据和算法模型精准的量化和匹配委托人的资产配置需求，并结合市场数据进行动态调整，已经获得一定的超额投资收益。
场景二：智能投研
我们知道，资本市场瞬息万变，投资者需要通过对各类新闻海量信息进行收集、处理和分析，预测未来市场的走向，做出投资决策，因此咨询信息对投资者风控有至关重要的价值，包括辅助投资者快速捕捉热点事件和甄别投资机会，准确洞察企业关联关系，及时获取风险预警等多方面的体现。
但是在信息大爆炸的时代，咨询数据的价值提取客观上存在诸多的难点，比如数据来源分析，需要我们通过大量的时间和精力和资源去收集浏览和查询。
其次，信息数据反映的事件往往是缺乏分类，重要的事件信息经常被淹没在信息海洋当中，错看、漏看可能会导致我们不能够及时识别风险，出现踩雷。
第三，全网数据量巨大，缺乏对信息整体概览，使我们很难有效识别资产风险的分布状况。
第四，多个信息背后往往存在事件关联，在信息智能化整个水平不够高的水平，往往凭投资者的经验去识别不同事件背后的关联性，会难以发现潜在的企业关联的风险。
我们结合大数据和人工智能技术给出了智能投研的解决方案，主要包括四个方面：
第一，我们建设了数据分析和训练平台，通过人工智能的算法可以对揭露的信息进行识别，快速筛选投资机会和风险信息。
第二，把内部和外部海量资讯数据接入这个平台，通过这个平台可以对各类数据做全天候24小时的监控，通过分类去从过滤，得到我们所关注的高价值信息。
第三，长江养老将以上的数据和算法平台与我们的投资与分工的业务系统进行整合，结合场景可视化来展现全网整体的资讯情况，辅助投资人员通过全局视野实现投资热点整体的掌控。
在整个系统建设过程当中通过大数据的处理建立企业知识图谱，知识风险穿透发现潜在的企业关联信息。这张图就是我们整体的平台架构，从下而上包括了数据层、技术服务层和咨询应用层，整个架构融合了大数据、人工智能、自然语言处理和知识图谱等多个技术，并和长江养老具体的投研风控的业务场景来紧密结合。
基于这样一个平台，我们构建了金融大数据平台来全面采集海量数据，实现资讯自动精准分类，并可视化展现各类投资热点，助力公司的投研风控团队，全面准确快捷获取资讯信息，甄别投资机会和识别风险事件。整体上，我们感觉依靠AI加数据的科技驱动，确实有效提升了科研的风控能力。
场景三：投资经理的画像
作为一家养老金资管公司，在当前市场态势下，我们一直思考一个问题：如何沉淀和固化优秀投资经理的能力。
这也是行业面临的普遍性的挑战。我们认为对优秀投资经理的能力固化和沉淀，包括了如何评估投资经理的投研和风控能力，包括如何洞察投资经理的投资风格，包括如何对不同投资经理进行绩效考核和排名。这些问题也是养老金投资机构遇到的难题，很长时间没有有效的手段去加以解决。
我们的管理方案，是对投资经理既往数据进行挖掘和分析的绩效评估量化，根据对投资经理历史数据，包括对管理规模7天收益基准持仓的分析计算，从多个方面描述投资经理特点。
例如投资风格偏好，也可能是大盘加持，也可能是中盘，也可能小盘成长，行业的配置也可能白酒、家电、TMT军工等各方面，当然也有个股选择以及择时能力、风控能力和历史业绩这样一些因素。
通过多维度对投资经理的标签化，较为客观准确的来刻画投资经理的个人经验、投资能力和历史业绩。
整体上通过对海量投资数据的采集、处理和分析运用，实现对投资经理历史业绩的归因和投资风格的洞察，帮助公司精准有效筛选投资经理以及匹配管理的产品，并进行多维度的绩效考核排名，实现体系化和规模化的投资管理能力的提升。
我们也发现，当投资绩效系统2.0版本上线以后，不管是公司经营管理的分管投研的领导，还是投资部，包括所有投资经理都非常频繁使用。
客观上投资经理有自己的价值和风格，但是他有时候其实也未必自己能够很准确把握和描述来表达他自己的偏好，所以他借助这样一个系统其实也很大帮助他自己更好的来规划归因、总结和提升自己的投资问题，同时来丰富和优化自己的投资风格。
陈勇：产品+营销+流程+理赔的大数据创新应用
数字经济时代的变化正在重塑我们的保险行业，我们认为主要有以下四个方面：以客户为中心，线上化的迁移，数字化的驱动，智能化的经营。
新的趋势将以客户为中心逐步在打造线上化、数字化和智能化，通过科技驱动经营。在新形势下，新挑战下，中国大地保险数字化应用主要聚焦在以下四个方面：
产品端，利用大数据进行产品的智能的设计，精准的定价以及风控。
营销端，主要是基于客户大数据客户画像，实现智能销售与服务。
应用端，利用人工智能等科技提升公司的应用效率。
理赔端，理赔端是通过智能理赔提升客户体验和欺诈风险的识别能力。
产品智能方面的数字化应用
通过大数据进行产品创新，我们有三架马车并驾齐驱：
第一，与多家保险公司广泛合作，借助相关领域的专业优势，研发我们的创新产品。
第二，通过大数据分析建模，实现精准的定价。
第三，引入各类的风险溯及，比如说像银行征信，健康医疗、社保互联网金融等多类溯及进行智能化的风控。
网络退运险，是我们典型的大数据创新产品。2019年公司承保网络退运数订单数达到13亿笔，日承保的峰值超过1亿笔。这得益于三大能力：
第一，通过大数据来记录和处理客户、商家、帐户终端设备退货物流，覆盖业务全生命周期海量溯及轨迹，实现了承保、理赔全流程的线上化的管控。
第二，通过机器学习，不断完善C端客户的用户画像，实现了千人千面的定价;同时对B端客户，建立了商家逆选择的风险模型，实现B端产品动态化的调节定价。
第三，建立自动核保核赔引擎，异常客户的名单库，高风险客群等智能风险的模型，实现全方位的智能风控。
营销智能方面的数字化应用
通过大数据分析，我们最大限度的来满足客户的需求，通过客户画像、客户的偏好、客户的行为分析以及价值贡献实现客户需求的精准推送。
在客户洞察方面，我们建立了客户画像平台，基于一千家客户的特征，构建了200个以上的标签，分析客户支撑我们的销售承保理赔等多项服务。
从实践来看，精准的客户画像能够有效提升销售能力，为存量车险客户实现1+N多产品的交叉销售。
我们通过大数据构建了精准的推荐模型取得了良好的效果，例如通过车+财、车+人、车+X等在存量客户中挖掘出具有高需求的人群，并进行精准的投放，这个销售成功率和短线恢复率分别提升了60%和20%。
在客户服务方面，大数据建模能够支持精准的服务，提升客户的黏性，识别客户的服务偏好内容，互动偏好的时间，进行精准投放，客户的活跃力平均提高了20%。
智能运营方面的数字化应用
近两年我们不断的扩大RPA技术在业务流程中的应用，实现业务流程自动化和智能化，主要是这三个场景：车险查询检索等前端;理赔对帐等财务共享中心;薪资审核发放等人力资源。
目前我们上线的机器人有30个，处理了97个流程，每月节约了人力超越了5千个小时，通过机器人大量减少了我们人力的投入。
机器人也广泛用于多个业务场景，比如客户咨询，通过机器人为客户咨询提供的服务累计超过400万次。通过机器人的运用弥补人力不足，客户服务也实现了标准化，提升了客户的体验感。
我们还搭建了图像智能中台，通过技术赋能业务的发展，比如说引入了OCR技术，提高了录单的效率，录单的时间现在缩短到2秒，利用图像识别技术也减少了我们在人工分类以及检查的工作量。采用人脸识别和生命技术，解决了客户的身份认证等等问题。
智慧理赔方面的数字化应用
通过对理赔数据的监控，利用各种模型工具智能化实施，进行自动预警，业务干预，提供业务协调、调度、归因分析进行业务决策和指挥。
我们搭建了基于客户画像的智慧理赔系统，支持客户自主理赔，首先应用大数据、人工智能等技术对案件进行智能的分类，提升了对低风险的小额案件可以实现一件报案，一件索赔，一件视频，一件理赔。
理赔手续也随之简化，从报案到拿到赔款的全流程可以缩短至25分钟，做到让数据多跑路，让客户少跑路、不跑路。
大数据的应用也有助于提升理赔端，特别是智能反欺诈的能力，我们做了诸多探索，也取得了一定的成效。
首先自建了人伤的数据库，整合了车险和意健险(人身意外伤害险和健康险的综合)的人伤信息，含十大智库，数据覆盖面达到85%以上。
其次，构建了基于神经网络的反欺诈系统，对模型高评分的案件进行实时的风险提醒，欺诈案件有效检出率超过20%。
另外，利用社交网络关联的技术，我们自建了SNA反欺诈模型，进行团伙欺诈风险的识别，到目前为止所识别欺诈团伙累计超过300个。
大数据的保险应用，未来还有很多场景有待于继续挖掘、细化和升级，像是基于客群的细分，产品的升级，基于客户个人的需求精准服务，基于客户销售人员的精准画像，对传统渠道的赋能。
