揭开保险大数据应用落地的迷局

王波

当前，大数据战略已上升为国家战略。作为高度数据依赖型产业，保险业具有大数据的天然属性。各保险公司也纷纷开展大数据相关的研究和项目应用，快速推动着保险行业大数据应用能力的提升。然而对保险业内大数据从业人员来说，大数据战略的落地还面临着诸多难解的迷局。高层领导对大数据基础建设成果的“无感”；在业务为主导的环境下，数据人的话语权不高，往往和业务人员一样有着数据的价值是什么的困惑、面对着数据人成本高而产出少的质疑；数据人如何让业务方领导理解陌生的数据专业概念，量化业务数据应用项目的价值，不再孤军奋战，空怀一身技术苦寻落地应用场景无果，仰天惆怅。

数据分析、数据挖掘、大数据分析、数据平台的数据概念及差异

首先，业务部门人员大多并不理解数据人员是做什么的，或者简单理解成和公司信息技术部门原有的开发报表、临时提数的IT人员没什么区别。这需要先从数据分析、数据挖掘、大数据分析、数据平台等几个概念说起。

数据分析指的是广泛地使用数据，统计与定量分析方法，利用解释与预测的模型，以及注重事实的管理方法来制定决策和行动方案。根据分析的复杂程度，分为描述型数据分析和预测型数据分析。概念很枯燥，通俗来说，用户在业务上的一系列行为所产生的数据，在实际业务场景分析需求下，结合数据与分析方法去找到因果关联，从而解释当前业务表象。这是我们通常所指的数据分析，即描述型数据分析，包括报表、即时查询、分析预警等。

数据挖掘是从海量数据中找到有意义的模式或知识，涉及到神经网络、决策树、关联分析、线性回归等诸多算法。通俗来说，在哀定的用户数据积累后，业务部门所关心的不仅仅是“数据可视化、用数据说话”的能力，更多希望获得“用数据与模型去解决业务问题”，实现数字化运营的能力。通过数据挖掘解决业务痛点，这是数据挖掘的意义。

大数据分析是在大数据时代基础技术平台处理能力得到极大提升，可以突破以往的数据分析思维，在数据维度、数据量、数据快速更新、解决复杂数据计算能力、以及模型训练的完整性上，能够让你从更全面的角度去重新认识用户，获取到更精准的信息。这是大数据分析的价值！

数据分析、数据挖掘、大数据分析的区别可从“解决问题的深度”和“数据思维的广度”两方面来理解。

数据平台是公司大数据建设的战略基础工程。数据平台的建设规划，避免重复建设和资源浪费；已有数据如何整合，消除数据孤岛；新的数据用什么标准采集；什么样的数据可以开放共享；复杂数据处理的快速响应；如何实现数据的便利查询和利用；如何保障数据的安全等。

认识大数据的价值和效益

中国工程院院士李国杰院士在《对大数据的再认识》的报告中提到，大数据是典型的通用技术，理解通用技术要采用“蜜蜂模型”：蜜蜂的效益主要不是自己酿的蜂蜜，而是蜜蜂传粉对农业的贡献。还有一个家喻户晓的寓言可以一定程度上说明大数据的价值：一位老农民临终前告诉他的3个儿子，他在他家的地下埋藏了一罐金子，但没有讲埋在哪里。他的儿子们把家里所有的地都深挖了一遍，没有挖到金子，但由于深挖了土地，庄稼收成特别好。同样，数据收集、分析的能力提高了，没有发现什么普适的规律或出人意料的新知识，或许就是因为大数据项目实施的价值收益，更多地体现在不可量化方面。

在具体业务应用场景的数据应用项目上，对业务痛点进行数据建模，可直接量化收益。如：保费提升，减少人力成本支出等，这类项目更容易落地。进一步考虑，如果公司计划引入大数据应用，面对市场上众多的大数据技术应如何选择？

保险公司大数据应用建设策略

大数据及人工智能技术在企业落地需要较大的前期投入，对技术的过高预期可能导致新技术实际应用的冻结。作为以赢利为最终目的企业，既不能不计成本地投入各种大数据项目，期待全面开花，也不能对抗技术潮流固步自封，否则可能是大部分项目烂尾或者企业被时代淘汰。我们需要有策略地开展大数据项目，保持企业的竞争力。个人认为，按照公司发展阶段、业务形态、技术成熟度、人才储备、投入产出比等维度来考量，对不同的数据应用项目可采用不同策略：跟随、引进、探索、关注。

跟随策略：通常是行业内大公司已应用，效果显著，通用性较强。这类项目整体方案成熟度高，自有人才或第三方技术人才充足，投入产出比高，项目实施难度不大。如：语音质检、人脸识别技术应用于客户身份识别。

引进策略：在金融行业应用较好，有第三方服务商提供技术方案，应用场景相似。如：智能客服机器人。

探索策略：與公司业务相关的个性化应用或热点技术趋势，不同公司业务模式、信息系统和数据基础等存在明显差异，项目实施难度和投入不同，这类项目可采取分步骤试点实施。如：精准营销、智能核保、产品个性化定价、智能风控。

关注策略：新技术新趋势，但未有成熟的落地案例，侧重于研究，为公司数据及科技相关战略制定做准备。如：机器学习，个人保险智能管家。

数据人如何摆脱业务瓶颈

（一）深入业务前线，调研业务目前的痛点需求，尝试抽象出具体数据建模需求，列出优先级和复杂度。

（二）从小事做起，尽可能服务好业务方，培养业务人员对自己的信任感和依赖性，让他们在未来面对数据的那一刻，最先想到的是你。

（三）营造数据氛围，定期进行大数据知识和应用案例培训或宣讲等活动，让业务方养成用数据说话、以数据思维思考的习惯。

（四）学会量化工作的价值，试着将工作亮点展现出来，杜绝埋头苦干，定期进行汇报和反馈。

数据应用项目的成功要素绝不仅是技术一流，别陷入数据和算法之中，而是理清业务需求，先把实际业务服务好。在这个过程中会发现，所需要的技术并没有那么困难，这样才有更多资源去挑战更复杂的场景。

大数据的落地是一项系统工程，需要数据人共同努力向前推动。未来，值得期待！