保险业多渠道数据采集与分析

        保险电商平台智能化转型关键是数据分析能力的建设。基础数据服务平台的建设包括主数据、操作型数据存储和数据仓库的建设，数据流转与数据时效的设计等。在此基础上，通过打造基于主题域的数据集市，建立数据分析模型，并统一与应用系统的接口，从而将数据建模分析的结果应用到业务发展中。例如，网销和电销通过存量数据、渠道数据、赠险数据、在线预约数据等进行有针对性的二次开发。保险客户关怀与洞察是提升保险公司客户体验和销售成功率的重要基础。通过企业级客户统一视图、操作性与分析性客户关系管理系统的建立，为保险客户经理提供有针对性的营销计划建议，并为管理层提供产品研发和市场定位等策略性建议。其关键技术包括数据选择、数据模型建立、分析模型建立与训练、模型解释与模型应用等，在与保险业务的集成过程中不断发展保险公司的数据分析能力，实现从客户群到针对单个客户的个性化销售与服务。

        1.5 保险业多渠道整合
        凯捷和欧洲金融管理营销协会（Efma）日前联合发布的第六份年度世界保险报告（WIR 2013）指出，全球平均仅有30%的保险客户从保险公司获得了良好客户体验，保险公司需要解决多渠道整合和客户体验的问题。就早期应用率而言，移动设备和社交媒体渠道在保险公司中得到了迅速应用。这些分销渠道可以帮助保险公司提供更出色的客户服务并提高运营效率。WIR 2013报告指出，保险行业的重点正从单纯削减成本和提升运营效率转向建立稳定持续的收入增长策略和品牌忠诚度战略，同时还要降低不断攀升的客户获取成本。保险公司会将重点放在多渠道整合战略上，高度关注如何利用移动设备、互联网和社交媒体等低成本销售渠道。对于全球接受调查的50%以上的保险公司，移动设备和社交媒体将是今后两年内的优先发展渠道。客户体验可反映整个客户的生命周期，而客户满意度只是产品和服务是否达到或超过客户期望值的某一时刻的衡量指标。

        大多数保险公司将移动设备视为一个重要客户接触点，帮助提升整体客户体验（特别是在报价、理赔和客户关系管理等领域），而不是一个简单的附加销售渠道。虽然在线渠道现在成为保险客户从事各种活动的首选渠道，例如查找最佳价格和比较保单的保障范围，但在获得品牌信任方面，客户仍然偏向于物理分销网络（代理人和经纪人）。保险公司在移动设备渠道上进行投资的五大原因包括：随时/随地/在任何设备上满足客户需求；跟上竞争形势；降低客户服务成本；客户日益增加的智能手机应用率；增加交叉销售/向上销售机会。另外、社交媒体也为保险公司提供了全新方式，帮助他们增加市场渗透率，提高其客户保留或获取策略的效率。全球大多数保险公司（59%）已经在利用社交媒体，但只有极少数公司将其整合到整体企业范围CRM策略中，导致效果不佳。将社交媒体策略与传统CRM整合在一起，能够建立“社交型CRM”，增强保险公司良好的客户体验和品牌主张。

2 数据分析与处理

        实时数据不仅可以帮助企业进行定价，而且可以更好地评估风险。此外，数据还将为新服务与新产品提供基础，从而帮助保险企业进行自身重塑。深入分析客户数据将是保险企业未来的主要任务。市场反应敏捷的保险企业将转而使用基于云的实时分析法，应用外部且非结构化的持续不断地大数据流来决定承保和定价，而不是根据历史数据进行估计，这有助于保险企业的风险评估更加准确，低风险客户提供定价更优的合同，以及降低风险管理和持续风险评估的成本。

        目前比较新的海量数据实时分析工具有EMC的Greenplum、SAP的HANA等。但面对海量数据，传统的ETL工具往往彻底失效，主要原因是数据格式转换的开销太大，在性能上无法满足海量数据的采集需求。而目前绝大多数保险从业人员及保险IT服务公司，还仅仅停留在移动互联网和电子商务这种接入层面，对于中间应用和基础设施层面可能产生的重大变化缺乏全面的认识，采用sharding和hadoop等技术部署分布式数据库、云计算、大数据等方案的保险行业还屈指可数。

        2.1 企业级数据仓库在保险业的应用
        大数据时代，数据的多样性令我们分析起来会面临更大的困难和挑战。而在这样的情况下，新技术的发展和成熟，将为保险业数据分析和数据挖掘提供强大的技术支撑。保险业，根据各个主题域或者线条，可对数据做相应的分类。比如，对于当事人主题域，保险关系线条做数据划分，就可以有投保人、被保人、受益人不同角色的客户数据。对客户数据的分析，主要是对客户群体的偏好、潜在客户群体、市场公关对客户的影响、是否有适当的产品将提供给潜在客户等；产品领域，对应产品数据的分析：产品的定价基数的合理性、产品的效益、产品的测算等；在理赔、保全、风险等各个领域都有对应的数据，能够去做理赔质量、给领测算、服务质量、客户保持、赔案规律、出险率、欺诈防范等一些列的数据分析。这些数据来自不同的业务系统，但最终会集中到中央的企业级数据仓库系统中。

        Greenplum企业级数据仓库解决方案的一个核心的功能是，它采用了“无共享”的开放平台的MPP架构，此架构是为BI和海量数据分析处理而设计。目前，最普遍的关系数据库管理系统（如Oracle或Microsoft SQL Server），都是利用“共享磁盘”架构来实现数据处理，会牺牲单个查询性能和并行性能。而使用Greenplum 数据库提供的MPP架构，数据在多个服务器区段间会自动分区，而各分区拥有并管理整体数据的不同部分；所有的通信是通过网络互连完成，没有磁盘级共享或连接，使其成为一个“无共享”架构。Greenplum数据库提供的MPP架构为磁盘的每一个环节提供了一个专门的、独立的高带宽通道，段上的服务器可以以一个完全并行的方式处理每个查询，并根据查询计划在段之间有效地移动数据。因此，相比普通的数据库系统，该系统提供了更高的可扩展性。

        2010年4月到2011年5月，中信银行信用卡中心实施了EMC Greenplum数据仓库解决方案。实施EMC Greenplum解决方案之后，建立了以数据仓库为核心的分析平台，实现业务数据的集中和整合，以支持多样化和复杂化的数据分析，比如卡、账户、客户、交易等主题的业务统计和联机分析处理，提升了卡中心的业务效率，实现了近似实时的商业智能（BI）和秒级营销，运营效率得到全面提升。2011年11月到2012年6月中国太保集团也实施了企业数据仓库从oracle平台到greenplum平台的迁移项目。迁移后的数据仓库消除了业务系统应用的瓶颈问题，同时greenplum海量并行的计算方式对集市、报表、商业智能、数据挖掘等应用提供了高效、快捷、有力的支撑。

        2.2 大数据技术在保险业的应用
        大数据的本质是解决预测问题，大数据的核心价值就在于预测。而保险业经营的核心也是基于大数法则和概率的预测。大数据时代，结构和非结构数据的问题日益明显。未来可能需要处理大量的非结构数据，对处理能力是一个非常大的挑战。大数据时代，是保险业数据质量管理和客户关系管理、数据挖掘的时代。

        大数据的价值被越来越多的企业所认可，大数据技术通过采集、积累、挖掘分析人们在互联网和通信网上的种种行为信息，根据现在和历史的行为数据、借助数字模型能够相当准确地推断和预测未来的行为。对于保险产品的设计来说，保险产品开发离不开市场相关数据和各种风险测算评估，保险产品定价基于大数法则，所以离不开历史数据的积累；对于销售服务来说，为了实现以客户为中心的经营模式，保险公司首先需要搜集客户的信息，挖掘潜在客户资源，通过客户分群制定针对性的营销和服务策略；对于战略决策来说，为了使保险企业能够把握企业经营管理的脉搏，面对市场做出快速反应，公司管理层需要持续的了解公司的经营状况、风险敞口、同业的信息等，这就需要准确、及时和完整的数据作为后盾，并在此基础上形成能够支撑公司管理层的信息视图。

        随着市场竞争的不断加剧，客户在选择保险企业和保险产品的过程中占据了越来越主动的地位，因此保险企业需要通过不断提高客户的满意度获取和留住更多的客户。提高客户满意度。不是单纯通过价格战以及所谓的客户增值服务就可以实现的，企业必须了解打动客户的究竟是什么，并在执行过程中通过提高员工产能来实现成本效益的最优。保险行业在大数据量处理和分析方面开始了积极的尝试。几乎所有的保险公司都在开始对大数据量存储、分析等方面进行规划和实施。保险行业有着自身业务上的特殊性，比如保险的交易，尤其是寿险需要确保数据的延续性、准确性和完整性。保险行业进行数据大集中建设，统一全国的客户数据和业务系统的版本，这已经是大势所趋。这意味着数据的分布会呈现T字型，即绝大多数的数据都集中在最上层的数据中心里。大数据并不是靠单一的一个产品（如Hadoop，或者nosql数据库）或者一个技术方案能够解决全部的问题，它需要一整套的解决方案，要融合很多传统的、新型的技术。完整的解决方案应该是一个新的数据管理和应用平台。这个平台当中包含了很多不同的产品和功能模块，以及融合多种传统的或者新型的技术。目前保险业，大数据主要采用分布式数据库技术进行数据的保存。分布式数据库是位于不同地点的许多数据库通过网络互相连接、共同组成一个完整全局的大型数据库。分布式数据库系统通常使用较小的计算机系统，每台计算机中都有DBMS 的一份完整拷贝副本，并具有自己局部的数据库，位于不同地点的许多计算机通过网络互相连接，共同组成一个完整的、全局的大型数据库。

首页 上一页 1 2 3 4 下一页 尾页

扫码即可手机
阅读转发此文