以战略目标为导向的数字化转型思维探讨课件.pptx

1、以战略目标为导向的以战略目标为导向的数字化运营数字化运营思维探讨思维探讨 2019年10月分享提纲一数字化转型原理（4分钟）二全面数字化经营（2分钟）三常用模型与适用场景（4分钟）四模型解决业务痛点2案例（3分钟）五数字化转型N意识与理念（2分钟）一. 数字化转型的基本原理I.什么是数字化转型？II.为什么要数字化转型？III.数字化转型要从哪转到哪？一. 数字化转型的基本原理I.什么是数字化转型？数字化转型是利用最新的数字化技术和能力驱动商业模式创新，目的是实现业务的转型、创新和增长。（数据+业务逻辑分析、数据挖掘、人工智能=能力） 各种模式的电饭锅； 根据保障责任的定制化产品？（如何计费、

2、风控、保全、理赔、客服等？建设具有强大运营能力的大中台，以具备诸多小前台业务场景的运营能力）注：部分观点来自IDC中国副总裁兼首席分析师武连峰一. 数字化转型的基本原理II.为什么要数字化转型？1.中国经济增速下滑，对保险行业的挑战：经济增长点转变为追求服务品质，从配置不配置保险，变为配置什么样的保险，怎样配置保险。2.行业竞争不断加剧： 2021年，开放金融机构的外资股份占比限制，促使竞争升级； 2015年放开从业资格证的增员红利逐渐减少，粗放经营-精细化经营。3.用户需求越来越苛刻和个性化：京东上午9点下单，下午3点收货。注：部分观点来自IDC中国副总裁兼首席分析师武连峰一. 数字化转型的

3、基本原理III.转到哪：新体验、新沟通、新价格、 新速度、新服务、新模式。领导力创新：认识转型对人寿的价值；运营创新：提效率、降成本、优体验、创价值；资源创新：用IT整合资源（众包、云） ；体验创新：产品、服务 （to：客户+代理人）；盈利创新：数据带来收入。注：观点来自IDC中国副总裁兼首席分析师武连峰一. 数字化转型的基本原理战略目标：数字化、在线化、智能化，依托科技驱动、极致体验，迈向大健康产业生态体系。数字化转型的内涵：应用数字化技术和能力，建设具有强大商业模式运营能力的大中台， 实现业务运营模式的转型、创新和价值增长。数字化运营的外延：搭建具有支撑企业数字化转型的强大中台需要： 一套

4、认知体系、一套转型机制、一套业务模式。一. 数字化转型的基本原理一套认知体系：要管控，先认知，因此需要一套可视化监测平台。 追求方向：强大的数字化经营能力； 实现路径：全面量化各个环节过程KPI，以KPI优化为运营方向，通过大数据、AI等技术手段，持续优化过程KPI，以达到战略目标； 一. 数字化转型的基本原理一套转型机制：精益化经营机制 运营能力模块化：反欺诈、核保、承保、保全、调查、理赔等细粒度模块集合； 运营模块可配置：每个能力模块都能根据业务场景，定制化地快速配置； 业务场景拉模式：事业部或产品线需要新建运营能力，可拉取所需能力，个性配置；快速搭建智能化反欺诈、核保、承保、保全、调查、

5、理赔等能力，并与人工流程无缝衔接；一. 数字化转型的基本原理一套业务模式：围绕可视化监测平台、精益化经营机制，持续建设、优化，探索新的业务模式。二、全面数字化经营-流程数字化经营流程数据分与挖掘数据统计： 自动化报表数据分析： 经营分析报告数据挖掘：分类、聚类、推荐等智能算法：带病投保识别等人寿算法数据储与治理数据存储：准确、全面、实时数据建模：客户画像、自核模型、人核辅助决策模型等数据处理：收入校正、特征处理等应驱动经营与决策客户经营体系化：老客加保、转介绍，新人拉新客队伍经营终身化：甄选、培训、留存、绩优、流失产品营销精益化：个性产品快速拉取销售、承保、运营等能力运营两核智能化：突破时效、

6、效果、吞吐量管理决策科学化：内勤配置方案、财务风险识别.全生命周期数据集实时采集：运营、行为等重点集市：客户、队伍等外部接入：广接触、有选择数据驱动包括数据采集、存储、分析和应用，需强化数据分析挖掘能力，赋能业务部门实现：数据驱动包括数据采集、存储、分析和应用，需强化数据分析挖掘能力，赋能业务部门实现：客户经营体系化、客户经营体系化、队伍经营终身化、产品营销精益化、运营两核智能化、管理决策科学化队伍经营终身化、产品营销精益化、运营两核智能化、管理决策科学化。二. 全面数字化经营-商业数据挖掘过程数据挖掘：从大量的、不完全的、有噪声的、模糊的、随机的业务数据中，识别隐含的、有价值的知识的过程。

7、即：把业务痛点抽象为由数据表示的模型，再通过算法解决业务痛点，给出可行方案。问题定义问题定义模型选择模型选择算法实现算法实现应用应用落地落地痛点发现痛点发现哪些客户更像带病投保的？ 某家庭今年保费缺口是多少？ 各级机构该配置多少内勤？买了重疾险A的客户更容易加保哪类产品？代理人学什么课程更能提高产能？场景1：“怎么找出带病投保健康尊享的客户?” 场景2：“怎么按工作量给四级机构配置人力?”场景3：“怎么填补和校准客户的个人收入？”场景4：“哪些保险产品会被同时购买？”场景5：“怎么按业务员的阶段、知识体系和喜好推荐培训课程？”分类问题聚类问题回归问题关联分析推荐系统三.常用ML模型与适用场景

8、3.1 分类问题：“预测未来”业务痛点：场景1“怎么找出带病投保健康尊享的客户?” 提高中端医疗险承保后调查呈阳性占比；数据理解：X：个人、保单、营业部业绩、出险等；数值 Y：承保后调查呈阳性。0/1抽象定义：二值分类问题。模型构建：选用XGBoost；拉取数据，分训练集和测试集。模型评估：准确率、召回率。 总共100带病投保的，通过模型找出120人，其中 80人是真的，那么： 准确率=80/120*100%=66.7% 召回率=80/100*100%=80%三.常用ML模型与适用场景分类算法有哪些？ 3.2 聚类问题：“物以类聚”业务痛点：场景2“怎么按工作量给四级机构配置人力?” 不同市场

9、条件下应有不同规则，如何合理分组拟合；数据理解：业绩、外勤数、留存客户数、新契约客户数、营业部数； 抽象定义：聚类问题。模型构建：选用Kmeans算法；拉取数据，分训练集和测试集。模型评估：簇内距离、簇间距离；三.常用ML模型与适用场景 3.3 回归问题：Y是数值的分类问题业务痛点：场景3“怎么填补和校准客户的个人收入？” 2亿+客户，2000万+人有收入，一半不靠谱，年代久远；数据理解：X：地域、性别、工作类型、年龄、职级等； Y：收入数值（单位万元）抽象定义：回归问题。模型构建：选用XGboost算法；拉取数据，分训练集和测试集。模型评估：MSE均方误差、RMSE均方根误差、MAE平均绝对

10、误差；三.常用ML模型与适用场景 3.4 关联分析：啤酒与尿布的故事 沃尔玛在分析销售记录时，发现啤酒和尿布经常一起被购买，于是他们调整了货架，把两者放在一起，结果真的提升了啤酒的销量。业务痛点：场景4，哪些保险产品会被同时购买；年金、寿险、重疾、医疗、意外等；数据理解：客户同年共同购买的所有产品种类； 抽象定义：关联规则问题。模型构建：选用关联规则算法；拉取数据，分训练集和测试集。模型评估：准确率；三.常用ML模型与适用场景 3.5推荐系统业务痛点：场景5：“怎么给业务员推荐最合适的培训课程？” 根据职级阶段、知识体系和喜好，做千人千面的培训；数据理解：量化表示业务员生命旅程，知识体系，喜欢

11、学习； 标签化表示培训课程。抽象定义：推荐系统。模型构建：选用不同推荐算法；拉取数据，分训练集和测试集。 协同过滤、基于内容、混合算法等。模型评估：点击学习率三.常用ML模型与适用场景 1.图挖掘算法：随机游走、pagerank、异构信息网络； 2.知识图谱：知识表示、检索、推理等，如：智能问答； 3.NLP：分词、关键词、相似度计算、情感计算、文本分类； 4.CNN、RCNN、Fast-RCNN、Faster-RCNN、MaskRCNN；图像； 5.RNN、LSTM、Bi-LSTM、attention机制、Bert：时序、NLP； 6.GAN生成对抗网络和图像生成； 7.强化学习：DQN,A

12、lphaGo原理。三.常用ML模型与适用场景四. 模型解决业务痛点1-中端医疗险承保后调查模型1.目的初衷：严控带病投保、理赔高风险；风险主要来源分析（以中端医疗险为例）：人工核保出险率极低，可以忽略；亟待提升时效和吞吐能力。自动核保出险率较高，需要严控。因此，可通过正反两模型实现“严控风险前提下，减少人工工作量。”：建议1：自核规则中加入风险阈值，高风险转人工！建议2：人工审核部分加入低风险评分，低风险也过！四. 模型解决业务痛点1-中端医疗险承保后调查模型2.问题定义：承保后调查就是找“带病投保”。抽象为01二值分类问题；定义Y：带病投保为1，包括承保后调查阳性、理赔调查阳性、“未如实告知

13、”拒赔；其余为0。选取X：在数据库中查询、计算与问题相关的原始字段和衍生字段。四. 模型解决业务痛点1-中端医疗险承保后调查模型3.效果验证:2019年6月下调返回结果：*省阳性率19.2%(35/182)2019年7月数据平台返回结果：*省阳性率28.0%(56/200)*省阳性率39.5%(79/200)四.模型解决业务痛点1-中端医疗险承保后调查模型4.持续优化：难点样本不均衡字段合理性/可用字段收入数据不准确吸烟、饮酒不准确体检指标缺失解决方案过采样、欠采样，平衡样本不合理字段剔除未来增加其他来源的字段，正在尝试加入一些体检指标四. 模型解决业务痛点2-营业部风险量化方案一、营业部风险

14、画像项目目标： 本项目拟量化人寿营业部理赔风险画像，以承保、拒保、理赔等数据为基础，设计多维度风险画像，实时监测营业部各维度风险，给出预警提示。二、问题定义： 风险维度的量化以统计方法为主，结合按时序预测方法； 按医疗、寿险、意外、重疾预测之后3个月营业部风险，并按风险评分从高到低排序；三、数据需要与来源： 承保数据、拒保数据、理赔数据。四、解决方案建议：1.数据探查，产出：营业部风险量化方案：计划；2.风险标签，产出：营业部风险量化指标：直接反应营业部操作风险的指标；3.风险量化，产出：营业部风险量化评分：风险预测模型；4.风险预警，产出：营业部风险量化报告：按风险排序，提示主要风险。五、数

15、字化转型N意识与理念3个意识：发现：发现业务痛点的意识：战略-KPI-瓶颈；解决：数据+模型解决业务痛点的意识：一切问题皆可用数据和模型解决，但需讲究方式方法。落地：总分联合建模落地业务痛点解决方案的意识：分公司紧邻一线，更易发现痛点，总公司结合数据基础、模型能力构建解决方案，分公司试点方案。落地战略、实现共赢。四个理念：三化理念：在线化：多屏融合、以APP为主；数字化：业务过程、客户行为全记录；智能化：数据+模型beyond时间、效果、吞吐量瓶颈。模型万能理念：任何问题都能用数学模型解决，解决不了的那一定是方式方法没选好。数据完备性一般重要理念：数据就像钱，有多少钱干多少事。目前的痛点不是解

16、决数据多少的问题，而是解决先有模型的问题。即：数据和模型都不是一蹴而就的，数据需要持续积累，模型需要持续优化；目前要解决关键环节模型从无到有，之后再考虑从有到优。数据标准化一般重要理念：数据标准化对数据统计、业务分析很重要；而对建模来说，原始数据完整性、准确性更重要。因为模型的入参格式千差万别，需要特殊加工。五、数字化转型N意识与理念总结周虽旧邦，其命维新！创新三层次：机制创新：持续创新的组织机制；平台创新：迭代优化的运营平台；方案创新：业务痛点的解决方案；自建模型要考虑的三个问题：机制创新：业务与模型团队持续发现业务痛点，联合建模的组织机制；平台创新：成体系地从无到有，持续优化的模型中台；数据基础、快速建模工具；方案创新：针对每个业务痛点，给出更合理的解决方案；术的问题，我们能解决。感谢聆听！欢迎骚扰！