保险业的数据智能化之旅
https://www.thoughtworks.com/zh-cn/insights/blog/data-strategy/data-intelligence-of-insurance
导读
本系列希望通过4个篇章的分享，带领读者探索和践行保险行业数据智能发展的旅程：
1、序言篇：探索保险业务发展与数据智能的关系
探索保险行业面临的问题，聚焦主要领域场景，以及数据智能在这些领域可以做什么。
2、整体方案篇：探索保司如何构建数据智能体系
探索保险公司需要具备的数据能力，以及如何搭建预期的数据智能整体解决方案框架。
3、基础能力篇：探索保司如何建立数据基础能力
详细拆解构建数据智能解决方案框架的五个基础能力——规划、治理、平台、创新能力整合，并探讨如何构建持续的运营能力，以保障保司数据体系的管理和应用。
4、应用建设篇：探索保司业数融合应用如何释放数据价值
通过挖掘业务场景，探索创新数据应用，推动数据智能与业务的融合，在营销、风控、运营等领域，逐步形成数据驱动业务的新模式，释放数据价值，助力不同领域的业务发展。
序言篇：探索保险发展与数据智能的关系
保险行业历经多年的高速发展后，目前面临新的增长瓶颈，尽管各项数据在2022年均有所回升，但整体趋势仍然是放缓的。与此同时，保司提出了提效增质的诉求，保险行业数字化投入持续增长，逐步进入到以数据为主要生产要素的数智化时代。
作为数字化发展最新阶段的数智化建设，其特点是通过数据驱动业务，通过数据实现智能化，将数据作为生产要素，提升科技应用的创新能力，提升业务决策效率。
图1：中国保险业数字化发展阶段
而保险公司的数智化建设路径，以信息化、数字化等阶段的建设为基础，更加注重数据要素的参与和创新，以更精准的识别客户需求，识别业务风险，识别一线能力诉求为目标，开展以数据为驱动要素的能力建设。
因此，数智化建设的目标是数据、技术与业务的深度整合，提升数据驱动业务发展的能力，而基础则是构建数据智能体系，它包括数据基础能力和数据创新应用能力的结合。
下面我们从保司面临的发展问题出发，逐步探索保司数智化发展：
一、保险行业普遍面临的问题及场景
经过多年粗放型的发展和无序的市场竞争，传统保险公司面临的经营问题日益凸显，2020年是一个拐点，从这一年开始保费增长幅度下降明显，部分是出自监管原因，更多还是因为传统保险公司缺乏应对新的市场环境和需求的能力。
图2：数据来源于《国家金融监管总局官网》
主要体现在：
- 高成本：渠道佣金、管理费用成本高昂
- 低频率：与客户接触频率低、关系薄弱
- 高风险：保险欺诈手段多样、赔付虚高
- 高流动：代理人队伍管理难、流失率高
图3：保险行业痛点，数据来自于《保险行业智能风控白皮书》
这四大挑战是众多保险公司承保亏损、经营困难的关键因素，而同时由于缺乏对客户体验的关注，引发了许多客户的不满。
在挑战面前，保险公司若无法快速转型，将面临互联网（如众安）、主机厂（如比亚迪财险最近成立）等跨行业主体的冲击与颠覆，同时保险行业内部也将更加集聚化，经营方面更是难上加难；行业变局已开始酝酿，若不能更快速识别客户需求、更高效地服务客户、更个性化地为客户定制需求和服务，将可能被抛弃。
这些问题的解决，最终还是要回归到保险的几个核心场景，营销、风控、运营：
1、营销：如何提升营销精准度，更精准地识别客户，更好地服务客户；
2、风控：如何提升对风险的识别能力，更早、更准、更有效的地识别欺诈风险；
3、运营：如何提升运营效率，以降低成本，减少人员流动，提升客户体验；
从行业上看，这三个场景是保险行业最常见的数据应用场景，行业内也有这方面的解决方案，比如《保客复购大数据营销方案》、《保险大数据风控体系》等；
聚焦这3个核心场景，数据智能的核心在于通过“数据要素+智能决策”来为业务决策提供依据和效率，比如通过大数据营销更加精准地识别客户需求；通过智慧风控或者理赔机器人更加快速有效地识别理赔风险，利用数据+机器学习算法预测代理人脱落的可能性，从而加强管理和支撑，保障团队的稳定和高效；
可以看到，要解决行业内的典型挑战和困难，从数据和智能的角度，有一些潜在的机会点。下面我们将详细分解保险行业的核心场景。
二、数据智能在保险行业的核心场景：营销、风控和运营
1、营销领域的业务目标与数据赋能
目标：
1、通过提升精准营销成功率，提升产能，降低人员成本
2、通过营销运营，私域运营，提升客户交互频率
面临的核心问题：
保险客户范围不断拓宽，挖掘真实的保险需求难上加难，对于如何识别、转化、管理，保险营销及营销团队面临五大痛点：
图4：保险营销痛点
数据可以做什么：
1、客户洞察：利用大数据标签快速描绘客户，利用数据洞察客户所处的保险生命周期，利用知识图谱等技术识别客户关系等，最终目的是通过尽可能多的数据，洞察客户，精准定位客户需求。
2、私域营销：以数据运营为基础，利用APP、小程序、公众号、甚至企业微信等社群营销工具帮助代理人经营客户，提升客户与公司的接触频率。
3、定制化产品：基于大数据，差异化，快速定制产品，精准触及客户需求，提供定制化产品。
实际上这三点是相辅相成的：针对客户的精准分析洞察，需要有触点（APP、公众号、小程序，直播等）来运营，同时又需要有定制化的核心产品让消费者买单。
场景示例（假设某平台卖保险场景）：
- 平台：有你的基本信息、金融消费信息、支付信息、购物信息甚至运动健康信息
- 触发点：你浏览了某个关于重疾险文宣
- 洞察客户：后台根据你的信息生成的客户画像
- 营销方案：推荐一款适合你的重疾产品，推送一个讲解重疾险的直播（如果换成保险公司，那就是保司自己的APP）
- 方案的背后实为内容和产品的个性化定制：这个产品可能是保险公司为了它的客户定制款（如果是保司，那可能就是针对自己的潜在目标客户定制的产品）。
2、风控领域的业务目标与数据赋能
目标：
精准快速识别风险，提升公司在核保、理赔、运营等领域的风险识别能力和解决能力，降低风险。
面临的核心问题：
保险公司面临的风险来自业务风险、财务风险、资金运用风险等诸多方面，而业务风险中的承保和理赔两项风险尤为突出。承保风险来自于对经济环境、市场环境、投保人等风险的把控不足；理赔风险则主要来自被保险人、从业人员和第三方服务商的欺诈与渗透。
保险两大风险业务涉及的问题如下：
1、承保端，面临产品定价、代理人套利、客户行为等风险；
2、理赔端，面临骗赔欺诈、团伙欺诈、人员专业能力、数据质量等风险。
图5：保险风控痛点
数据可以做什么：
1、对于客户欺诈：通过健康、信用、保险行为、网络行为等多维度数据，构建反欺诈风险体系，更早、更准、更高效地发现欺诈行为，及时止损。
场景示例-智能核保：
核保的时候，保司希望识别风险，客户则希望客户体验好；
因此，当客户投保的时候，如果保司能够了无痕迹的识别客户的潜在风险，并定制相应的风险防范措施，且让客户无感，就能够既保障了客户体验又提升了风控效率。
智能风控系统这么做：通过风控系统，查询医疗监控数据、行业投保行为数据，甚至信用评分数据，而如果客户有发生过疾病诊疗或者信用存在相应风险，风控系统就会进行预警，同时按照风险等级，采取相应的风控措施，精细化管理，一方面拒绝风险，一方面又保障客户体验，不一刀切的拒绝，而是采取分类应对策略。
2、对于团伙欺诈：通过大数据技术，帮助识别客户的社交关系，识别客户与客户、客户与代理人、代理人与代理人等之间的关系，识别团伙欺诈，及时止损；
场景示例-团伙套利 ：
保司拥有数据：代理人、客户的投保、理赔行为数据，有联系方式、地址等地理位置数据，同时有投保、受益、买卖关系数据，以及APP行为数据等，再引入行业数据，外部社交数据等；
基于此，可以构建一张知识图谱：
构建以关系类型为依据的各类业务数据的关联关系网络，覆盖客户、保单、账户和投保人、被保人、受益人、亲属、同地址、同电话的关系，形成业务全景关系网络知识图谱；
识别关系和异常并及时预警：
这种团伙，需要快速出单和退单，造假手段必然存在相似性，比如联系方式的重叠和交叉，比如代理人和客户间的关系等；
模型从识别代理人、客户之间的特殊关系和异常点，来发现团伙欺诈的潜在可能，并进行分类分级，重点排查。
综上：我们可以按如下方式构建预警体系：
图6：预警体系
3、运营领域的业务目标与数据赋能
目标：
通过提升一线营销员、客户经理的效率、提供产能工具，提升产能，提高留存。
运营其实与营销、风控有很多交叉，本章重点看如何运营代理人或者帮助保司的银行客户经理、代理人等。
面临的核心问题：
1、增员难：新人增员也越来越难，且增员的质量难保障，无论是能力还是稳定性都不好判断；
2、效率低：针对一线销售（代理人、客户经理、中介等）的管理难度大，或者给予的支持严重不足；
数据可以做什么：
1、增员应该从海选到高效，所以需要识别好的代理人，借助于外部数据、过往业绩数据，以及大数据预测技术，重塑代理人评价体系，帮助公司更好的识别优质代理人，做到有效增员；
2、数据运营下沉，通过可视化、AI智能等技术的一线化，数据直接前置到一线，利用“小数据”帮助代理人更加理解客户，与客户更好地互动，收集更多的数据，形成数据的运营闭环，提升一线运营客户的能力。
注：小数据是指服务于代理人的客户数据，量小但维度丰富，且通过工具提升分析效率
三、数据智能体系化是解决问题的关键钥匙
综上，数字化转型在今天是各行各业的必经之路，数据智能是驱动业务发展的金钥匙，从保险行业的实际问题来看，我们需要从产品运营、人海战术的传统模式逐步走到精细化、客户运营的新模式，而这种转变要求我们更加了解客户，更多维度的理解客户，更多的选择给到客户，这背后都需要数据来支撑；那么对于保险公司来说，如何充分采集数据、充分的利用数据，充分的将数据转化为资产，并进一步转化为业务洞察、客户洞察、风险洞察是关键。
数字化转型是从战略层面要求企业升级作业模式，更快速的响应客户需求，而数据智能体系则是从操作层面、数据层面、基础层面帮助企业打造数字化的基础，通过数据智能预测需求、通过数据智能预测风险，通过数据智能提升运营效率。
接下来，我们看看数据智能体系之于保险公司是怎样。
整体方案篇：探索保司如何构建数据智能
上一篇提到数据智能体系是解决保险行业业务发展的关键。那么，保司该如何构建相关的数据能力并充分利用数据智能帮助业务发展呢？
一、保司应具备的数据能力
针对营销、风险、营运不同领域面临的问题，保险公司都处在探索数字化的进程中，而如何做到从业务数据化到数据业务化，并最终实现数据驱动发展，是各保险公司共同追寻的。
从数据层面，大家需要思考的是如何把数据战略与业务战略结合，如何构建数据体系，如何将数据价值映射到业务场景来实现创新发展，以及如何保障数据体系和生态的持续运营。
保司过去以业务和组织驱动为主，与大多数非数字原生企业一样，保司存在基础能力建设不足，缺乏体系化人才引进与培养方案等问题。
但数据能力建设不是一蹴而就的，通常需要有自己的数据战略指导未来一段时间的数据能力执行，逐步构建数据能力体系，并通过智能创新将数据价值体现出来。同时，经过多年实践表明，数据能力不可能通过一个或者几个项目建成，而是需要有持续运营的能力，持续的提升数据质量和服务能力，不断的释放数据能力。
基于过去服务的不同行业和公司，Thoughtworks 从数据平台、数据治理、AI创新、数据产品等不同类型合作的总结，认为企业数据能力的建立和面临的问题主要体现在如下几个方面：
图7:企业数据能力的建立以及主要解决的数据发展问题
- 远见卓识：首先应当建立公司的数据战略，通过梳理业务场景与数据能力的规划，明确未来3-5年的方向以及未来一年重点投入的场景。
- 基础能力：构建数据服务的能力，统一数据资产，建立数据服务能力，能够在公司内部提供可信赖的数据产品服务。
- 体现价值：识别并落地创新业务场景是数据智能实现价值的最终手段，以场景为驱动，以数据为基础，创新地使用数据赋能业务，帮助业务发展。
- 贵在坚持：数据的任何投入都不是一次尝试或者一个项目能解决的，数据涉及的业务范围，系统范围都比较广，只有不断的持续运营才能带来数据资产的价值提升。
二、Thoughtworks 保险数据智能解决方案全景
以保司业务场景和数据能力为轴线，把保险公司的数据能力分为两层：
- 基础能力底座：通过数据平台汇集数据，通过数据分析挖掘价值，并应用到场景中，通过数据治理进行全域的数据质量提升和管理能力提升，通过数据产品服务，将数据能力封装成API或产品，更加高效地对外提供服务。
- 业务领域创新：从数字化营销、数字化风控、数字化运营三个方面来开展。生意的本质是获取收入，不断的销售获取保单，是公司的核心。金融的本质是风险控制，只有将风险管控到最合适的水平，才能将订单最终转化为收入，永续经营。而以客户为中心是数字化的核心，不断的提高数字化运营水平，提升客户体验，提升代理人效能，是数字化运营的追求。
图8：保司数据领域应具备两层能力：数据底座和创新应用
数据能力底座包括四大模块：
首先是数据平台，通过基础平台的形式，整合、清洗数据，并通过面向场景的专题数据平台点对点地服务客户、风险等专业领域的业务需求，主动提供数据能力；
其次是数据战略和治理，需要持续了解公司的数据管理现状，从标准、质量、数据安全、生命周期、数据资产目录等方面进行体系化、持续化地治理，保障数据的质量，为后续的数据服务提供保障；
第三个是数据产品服务，数据能力从面向业务的可视化、分析应用、面向分析师的数据资产目录，面向管理运维的DataOps都应该以产品或者API的标准化服务形式对外提供服务，以支撑可持续的运营，标准化的服务和计价，有效评价成本效益；
第四个是数据分析能力，从传统的数据分析、机器学习，到知识图谱，需要不断丰富集成分析应用的基础能力，为创新应用提供能力支撑；
而在数据创新应用这层，则主要是面向场景，在营销、风控、运营三大领域，需要精准的识别到场景及价值，结合场景开展服务；比如：
- 在营销领域，帮助公司找到合适的细分客群，针对保客、孤儿单、新客户等开展不同的专题能力建设。
- 在风控领域，则是专注于欺诈和洗钱风险，不断细分场景，构建快速识别，快速处理的能力。
- 在运营领域，应该面向客户和代理人两条线，精细化的服务代理人，帮助代理人提升效率，提供更多可视化、实时、更多维度的数据服务；同时不断提升客户体验，包括从智能客服，智能核保，智能理赔、智能APP等方面提升响应客户的能力和效率。
三、保司构建数据智能体系应注意
保险行业经历近几年的阵痛，在代理人管理、以客户为中心等维度对数字化转型进行了不断的探索；但是，保险公司体量各不相同，面临的痛点有类似也有不同。
保险公司需要结合自身现状，制定适合自己的数据发展规划，并选择合适的落地场景和模块，一步一步进行探索和迭代，从而逐步建立数据体系，以稳定的数据基础能力，支撑不断丰富的数据创新应用，从而协助和促进业务的不断发展，真正实现数据业务化，提升数据价值。
前面介绍了保司如何逐步构建数据智能体系，总结就是：3要1警惕
- 要有数据战略，以公司业务发展战略为指引，梳理重点场景，并梳理需要的基础能力，规划3-5年的数据战略，并有清晰的1年计划，重点建设项目等；
- 要创新，数字化与传统IT的不同在于除了支撑基本的系统需求、数据需求之外，需要找到合适的场景，以场景为驱动，利用先进的数据智能帮助保司在某些场景比别人更先一步，提升客户体验，优化业务流程等；
- 要变现，变现是说数据最终成为资产是看变现的能力，这要从三个方面，一要具备基础能力，这需要公司能够允许做一些基础设施，包括平台、数据治理等；二是要具备场景梳理能力，能够找到最合适的业务场景；三是要具备应用能力，能够通过不断的探索，利用基础能力，让数据展现出业务价值。
警惕数据与业务的割裂，避免为了数字化而数字化，为了数据智能而数据智能，一定要能够短期内见到一定的价值，这就要求精益和敏捷，一方面，需要投入一定的基础建设，借鉴先进经验，另一方面，要在一部分的项目和工作上快速见到某些切片场景的价值，保障数据能力的持续运营和不断的价值释放。
下一篇章更加详细的分析数据智能体系的基础能力底座部分。
基础能力篇、探索保司如何建立数据基础能力体系
整体思路：
1、基础能力底座的框架
我们认为数据基础能力底座是数据智能服务公司服务业务的基石，最终是希望通过数据中台体系对外提供数据能力，而其中至少包含5个大的模块：
1、数据规划，整体规划数据基础能力体系，从而尽量有序推进，有的放矢的高优先级落地。
2、通过数据治理，建立管理体系，持续优化提升数据。
3、数据中台基础部分的建设，主要是大数据平台及相关能力的落地，如治理能力、安全能力等。
4、数据中台应用部分的建设，通过数据应用产品，对外提供数据能力，包括CDP、风控平台以及可视化分析等不同的数据产品。
5、通过数据运营，保障数据的持续集成和交付，包括DataOPS面向数据管理的交付运维和专题数据分析，面向业务的可持续需求应对和主动解决。
图9:保司数据能力底座
上图的五大能力板块是数据能力底座的关键组成，我们通过五块版图的拼接完成数据能力底座的建设；
2、方法：价值驱动，场景牵引的数智化转型体系
Thoughtworks 结合战略思维，设计思维和精益思维，提出了精益数据体系。构建战略为中心的数据能力，打造数智化企业。
基于精益和敏捷的思想，我们希望透过具体的场景驱动，不断的迭代，验证，形成数智体系，所谓的数智化，就需要能够持续的运营和交付，不断的产生价值，因此我们形成如下的整体方法：
图10:企业数智化转型建设方法
结合整体框架和精益数据建设的方法，按照如下五个步骤来建设数据基础能力体系（按照精益的思想，以场景入手，自顶向下和自底向上的结合进行，小步快走）
第一步，数据规划：精益数据探索
数据中台和企业级的数据体系建设，从数据探索和规划开始，既可以做企业级的规划（重投入，周期长），也可以从轻量级的数据探索开始，基于场景，先启动先探索：
我们经过多年数据项目的总结，形成精益数据探索的方法，一般路径如下：
1、价值场景的探索，以精益的思想找到场景切片：
- 通过交流培训，宣贯数据智能的理解，及一般数据方法论
- 与业务沟通，达成愿景的一致
- 试图去勾画公司的数据全景
- 发现业务场景，并识别优先级
2、识别价值场景及需要的数据及产品：
- 高优先级场景的细化探索
- 数据源分析，发现问题和方向
- 方法、工具、算法选型
- 实验，论证可行性
3、蓝图设计，在架构、治理、产品、运营多维度进行设计：
- 蓝图架构设计，体系是什么样
- 从产品、平台、治理、运营多个层面设计架构
4、规划路径，基于蓝图，制定逐步建设的实际路径：
- 执行路径设计，路线图
- 项目群设计，里程碑划定
- 交付明细计划及资源安排
图11:数据规划探索一般路径示意
第二步，治理能力提升：精益数据治理
数据治理是近年来从政府到企业都在关注的，数据越来越多，也越来越难管理，如何将数据变成资产？
数据治理天生见效慢，工作繁杂，周期长，我们借助精益的思想，设计一套精益数据治理的方法，尝试尽可能将传统的自顶向下和以场景切片结合的方式，更快速的见到效果，并逐步的迭代，从而实现持续的治理和运营；
精益数据治理，基于数据生命周期管理，形成3*3架构：
纵向：按事前规划、事中管控、事后监控三步走，采用精益切片数据工作方法，自底向上统合各部门逐步开展治理工作；
横向：从保障域、治理域、技术域3大领域，以制度、流程、组织、规范为核心的保障域为数据治理提供基础保障；以数据标准、数据质量、数据安全、生命周期管理、数据资产目录等为治理内容和标的，最终提炼数据管理效率和能力；以数据治理平台（元数据管理、数据标准管理、生命周期管理等）为落地，部署保障域、和治理域的内容，提升数据治理效率，并能够形成可持续的治理机制，实现全链路的监控和留痕，实现更多自动化的效率，避免人工的需求太多导致的不可持续：
图12:精益数据治理架构
第三步，数据中台基础的逐步建成：数据能力的整合与开放
其实整个数据体系与数据中台重叠度很高，这部分更强调的是数据能力的整合以及API服务的逐步形成，强调的是在数据和技术层面将数据资产、治理能力、数据安全、运维能力以及数据服务能力在系统中落地，透过不同能力的有机整合，形成服务于业务场景的能力体系：
图13:数据中台架构示例
数据中台的概念其实“千人千面”，但是其核心是将数据能力整合、治理，形成高可用、高质量的数据服务并可持续的对外赋能。
本文的数据中台更偏数据偏技术一些，将数据相关各种能力平台、工具有机整合一起，形成一个整体，强调的是体系的建立。
第四步，数据中台创新应用部分的建设：面向业务的能力整合
场景1:营销能力提升，以营销为驱动的客户数据体系
CDP的理念随着Martech的盛行而逐步被大家接受，并逐步从互联网拓展到传统行业，它的核心是：通过对客户数据的整合和应用，提升客户营销的能力和效率，为“以客户为中心”的保险经营目标打下坚实基础：
CDP的核心是：
1、客户的OneID实现
2、客户360及丰富的标签
3、千人千面的推荐及营销决策
保司可以基于自身的数据能力现状和需求进行CDP的建设，下图为示例：
图14:以客户为中心的CDP营销数据中台架构
场景2:风控能力提升，保险风控体系的建立
智慧风控中台的应用架构，三个核心：
1、以数据为基础；
2、以模型算法为引擎；
3、透过一站式API对外提供场景化的智慧风控服务。
图15:智慧风控体系架构
第五步：持续的数据运营
数据运营包括前端的分析应用能力，以支撑业务分析决策，也包括后端的运营分析能力，以支撑数据管理，为数据价值提供基础保障。
- 数据治理运营，以数据服务、数据资产、数据处理、数据质量、数据安全等为抓手，为数据应用和价值提供保障和量化分析支撑
- 数据分析运营以指标标签分析、可视化分析、机器学习和AI为抓手，直接为经营分析，业务运营服务，通过数据分析团队专题化的为业务提供服务
图16:数据运营示例
场景1: 通过DataOps持续推进数据体系的完善和稳定
- DataOps：是结合流程、工具、组织架构于一体的数据工作方法
- DataOps的工作内容：贯穿从数据开发、到数据服务、再到数据运营的整个过程，通过引入自动化手段，减少人工成本，全链路监控保障数据平台稳定可靠，持续运营。
图17:持续的数据运营，DataOps服务架构
场景2: 通过专题数据分析持续直面业务需求
图18:数据分析团队配置示例
通过数据分析团队，面对专题化的业务分析需求，或是主动的驱动业务发展，或是被动的响应业务需求，支持业务发展。
团队的主要角色是数据科学家、数据分析师和业务分析师，面向不同的需求，以及需求的不同阶段，从caseBYcase的场景化解决，到逐渐提炼为产品需求，并部署到中台体系，常态化的提供服务。
应用建设篇：探索保司业数融合应用释放数据价值
数据智能应用体系架构
数据应用能力是与业务直接联系的，与基础能力相辅相成，有了良好的数据基础能力，往往事半功倍。
如前文所介绍的，保险行业主要应用在营销、风控和运营，通过对保险业务及数据应用的梳理，逐步构建数据应用创新体系：
图19:数据智能应用体系
下面从场景梳理、精准营销、客户运营、智慧风控等几个方面举例探讨数据智能应用能力的建设和探索：
No1、场景梳理
从营销、销售、服务、理赔、管理决策、人力财务、风险精算等多个业务领域出发，梳理各领域个性化的分析场景；
同时，从客户管理、产品管理、渠道管理等基本管理维度，梳理保险行业通用的分析场景，如客户偏好，客户关系，产品定价，产品需求等。
图20:如何识别数据场景（某保司场景梳理）
No2、大数据精准营销
保险的精准营销，重点是在合适的时间找到目标客群的匹配产品，一般路径是：
1、找到痛点或者需求点，比如特定客群的需求；
2、针对业务划分的客群进行洞察分析，更加了解客户
3、设计营销策略和活动
4、执行和评估，迭代推进
图21:保司大数据营销一般路径示例
No3、客户运营（B2A2C）
精准营销是一次次的活动，而大部分客户需要长期运营，用户画像和标签是运营的基础，通过客群的精细化运营深度挖掘客户需求和经营客户：
首先是以数据为基础，建立客户标签体系，可以CDP为基础构建用户画像体系：
图22:用户画像示例
其次，鉴于公域流量越来越贵以及获客难度越来越大，各大保司越来越重视私域流量的经营；为了提高私域客户粘度和接触频率，保险公司越来越多的进行线上经营，通过APP/小程序/公众号/视频号/直播等进行引流和生态运营，我们需要建立ToC增长运营体系，以数据运营为基础，支撑用户运营，活动运营，产品运营、数字化营销和生态化运营：
图23:私域客户运营体系示例
No4、数据智慧风控
保险的风控主要在于反欺诈和反洗钱，而欺诈场景又是五花八门，对于这两大风控场景，大数据都可以基于业务导向，一方面是引入更多的数据识别，另一方面通过数据分析模型进行识别手段的创新和效率的提升：
反欺诈
保险欺诈是保司日益增长的风险来源，不但是欺诈笔数的增长，更在于欺诈手段的丰富，只有借助于大数据，通过精准识别，自动化识别，预测识别的方式，才能防患于未然，提升保司风险管理水平。
保险反欺诈着重在风险特征的不断完善，模型中枢的不断健壮，安全高效的利用外部数据产品和不断丰富数据API服务四个要素，通过构建这四方面能力建立完善的反欺诈能力，帮助识别客户骗保，团伙套利等欺诈行为。
图24:保险反欺诈体系要素
反洗钱
保险的洗钱风险也比较高，通过长险短做、团险个做随意退保等方式带来的洗钱风险日益增长，另外，投资理财新型保险产品为大量转移资金和隐藏交易痕迹提供了便利而带来的洗钱风险。
保司的的反洗钱体系，从客户、产品、交易三个维度出发，重在以数据为基础建立评分体系和预测模型，快速精准识别洗钱风险。
图25:反洗钱的三个核心维度
综述
1. 数据应用的目标是价值的提升
应用建设的目标是数据价值的释放和提升，数据智能应用通过在营销、风控、运营3个方向的投入，提升保险客户在三大领域的能力，从而提升客户体验，获取更多客户，提升保司风控效率及运营能力，实现数据价值的更大范围的释放。
2. 数据应用应持续创新，关注新的能力与业务场景的结合
首先是业务上的创新，既要跟上业务的创新步伐，又能够数据驱动，输出业务创新的场景；
其次是技术上的创新，通过新的技术变革，比如最近的大模型，提升在营销、风控、运营等领域的执行效率和精准度。
附录参考：
免责声明：本文内容仅表明作者本人观点，并不代表Thoughtworks的立场