保觀 |聚焦保險創新

(資料圖片)

公司介紹：

譜藍是?家第三方的理財規劃公司，基于“大數據挖掘+智能算法”的技術，打造了一套私域化運營的模式，開創了在互聯網上售賣長期健康險的一套玩法，為用戶家庭智能輸出最優保障的配置方案，并打造了聚焦家庭成長教育的知識付費平臺“飛慕課”，從理財、親子育兒、健康生活等方面為中產家庭用戶打造最合適的教育內容矩陣。

如今數字化的程度越來越高，未來整個發展趨勢屬于信息化、數字化以及智能化。在保險發展過程中，數字化的應用也越來越成熟。

尤其在保險銷售上，傳統的CRM（客戶關系管理）逐漸轉向SCRM（社會化客戶關系管理），更強調社交性和互動性，而且SCRM借助社交工具和大數據技術，能夠不斷豐富和完善用戶的標簽，更加了解消費者，從而提供更加符合用戶需要的產品或服務。

來源：人人都是產品經理

近日，我們連線了譜藍聯合創始人、CMO陶杰鵬，共同探討了保險業務中數據應用的盲區與方法，陶老師對于數據應用主要存在的問題提出了十分寶貴的意見，并以譜藍為例分析了因果推斷數據分析法對保險銷售的有效賦能，也給我們帶來了一些十分有價值的思考，本文的主要內容也來自該場直播。

沒有無價值的數據

目前市場上的保險產品幾乎已經能覆蓋大多數的用戶需求，但隨著社會經濟及居民收入水平的不斷進步，用戶對保險認知的不斷上升，各種客觀風險因素的影響，用戶對保險的需求在不斷變化，行業也需要對用戶變化的需求實現精準識別。

對客戶需求的分析有賴于數據的支持，我們以譜藍為例。

與以銷售產品為目的的傳統保險銷售理念相比，譜藍一直都專注于規劃思維及理念，注重Life Time Value（LTV，用戶生命周期價值），幫助客戶解決其家庭財務問題，幫助客戶在財務方面做人生規劃，把LTV帶給客戶，并運營出LTV的商業價值。所以譜藍與客戶溝通時，不會聚焦在產品上，更多時候是在做理念建設，把保險真正的功能、意義、價值傳遞給客戶。

前期譜藍把CFP（國際金融理財師）的理念通過公眾號做成內容進行傳播，不斷地傳遞給客戶，通過內容為客戶講解正確的理財理念。

經過長時間的觸達，啟發了客戶理財的思維，當客戶通過平臺進一步進行了解時，實際已經有了初步的信任，在用戶了解的過程中利用不同的話術與內容進行引導，采集很多數據的同時為客戶進行保險規劃，最后才到達銷售環節。

在理財理念的指導下，譜藍可以了解客戶人生規劃里不同的目標，比如孩子多少歲、客戶期許的退休年齡等，將采集到的數據集中在體系的系統里，為客戶解決了健康險的問題之后，就能通過溝通過程中積累下來的數據進行分析，并挖掘出客戶還有什么人身問題、家庭的財務問題等，提供相應的規劃服務，最后落地變成選擇產品，這樣不斷深耕客戶，私域化地運營去提升整個LTV。

目前整個行業已經累積了不少的數據，但實際發揮出價值的數據卻很有限，于是行業內很多人認為一部分數據是有作用的，還有一部分數據是無用的，但陶老師認為所有的數據都是有價值的。

第一，采集數據的框架本身就是圍繞著幫助客戶提供服務這一核心業務去構建的，所以在采集數據時，并不是為了采集數據而采集數據，而是需要自身去設定數據，通過不同的觸點、手段及方式去獲取，這種情況下所有采集回來的數據都是有價值的。

第二，擁有大量數據的公司卻不能發揮數據的作用，是因為很多公司的數據中都有寄存的歷史數據，這些歷史數據并沒有真的在系統里，所以在不斷更新迭代時，同一家公司建立了不同的數據庫，所有的數據沒有貫穿到一個大的體系，導致數據雖多，但數據跟數據之間無法連接起來，這才導致這些數據“無用”。

第三，部分公司在前期為了追求規模擴張，在某個板塊使用了外包或流量產品，但在這種情況下，如果一開始沒有規劃好數據的對接及承載，那一部分的數據就會變成一座孤島，在某種情況下，當孤島數據與其它數據鏈接不上時，這些數據就相當于是“無用”的。陶老師分享當譜藍在展業運營時，會與合作方提出收回數據，并在此之前會討論清楚數據最終的存儲位置。

第四，許多公司各個部門都是相對獨立的，這導致了數據也相對獨立，公司很少會從整個業務流程去分析，但是譜藍會對每位客戶的每個節點不斷進行追蹤，將整個體系貫穿起來進行分析，從整體上對比找到出現的問題并解決。

所以實際上來說沒有無用的數據，只有沒有被好好利用的數據。

因果推斷法的有效賦能

目前整個保險業采集到的數據并不少，那么各企業應該如何利用好數據，通過數據分析有效賦能保險銷售呢？很多公司都有著與自身業務較匹配的數據分析方法，陶老師以譜藍的“因果推斷”法為例為我們進行了分析說明。

以往大部分公司都采用傳統的協同過濾法，但大數據相關性的分析是沒有因果的，無法進行追溯，如果在做業務的時候，只是因為相關性高來做出判斷，很難會起到一個預測性的作用。但譜藍的因果推斷法則需要找到原因，因為因果存在于人的邏輯，在數據的背后，因果邏輯對業務是能起到很大幫助的，也比協同過濾法對業務更有幫助。

以培訓新人時期，對客戶意愿的判別為例。協同過濾法通過數據相關性來進行判別，推測客戶的高中低意愿，但據成交的客戶與算法得出的結果做比對驗證時，準確率僅達到60%，是很不靠譜的。

而用因果推斷法的模型則能把準確率提高到80%以上，并且在一名新業務員采集完與客戶溝通的數據后，因果推斷法能對客戶的意愿做出判斷，在之后的培訓過程中，還能比對出未成交客戶具體是因為業務員的能力不足還是客戶本身的問題。

相比于需要用大量的數據去佐證的協同過濾法，因果推斷法需要的數據量相對較少，更適合在數據沒有足夠多的情況下去做此類建模。

同時，陶老師提出了因果模型的三個特征：一是便易性，因果分析對比于協同算法對于數據量需求大福降低，提升了算法落地的便性；二是透明性，協同過濾法往往是概率事件，很難追溯，但因果的整個模型卻可以追溯到很多內容；三是可解釋性，通常協同過濾法機器給出的結果不可解釋，這種情況下，就容易出現算法給出的結果與人的認知不一樣，但整個因果模型可以從每一個環節來拆分解釋。

很多因果關系是很多樣、很復雜的，因果在保險領域也才剛剛起步，從實際保險業務的角度講，想要得出關于客戶保險消費的一些結論，陶老師表示行為的數據非常重要。

比如做教育金時，自然就會想到和一些補習社的父母去溝通，推薦教育金保險，但在這個過程中會出現一個問題，比如家長把大量的錢都投入在教育機構，當需要配置教育金的時候，可能沒有足夠的資金去購買，這時該客戶對業務的幫助是微乎其微的。

所以各機構可以去抓取其他的數據，對于這些數據用不同的邏輯進行分析，找到對于有小孩的家庭有一個長期規劃的客戶，自身年輕，對小孩的教育、自身的養老、理財等都有一定規劃，當找到這樣的一個數據，他也同樣在因果模型里，這時對小孩的教育金反倒會有正面的影響。

原因就是該客戶思考的是長期的事情，而不是補習等短期的事情，這一點也就是因果模型可解釋性會存在的地方，找到的數據，套入模型，得出來的結果是能夠被解釋的。如果客戶有考慮到自己的養老，他也就會考慮到孩子18年之后要讀大學的那筆費用，但如果客戶只是看著眼前的“需求”每天補課，那最終的結果就會導致有購買教育金等意愿，但已經沒有完成意愿的能力了，最后的結果就會在銷售端體現出來。

總的來說，不管是協同過濾法還是因果推斷法，都是希望通過數據分析能夠有效地賦能保險銷售，傳統的協同過濾法可能即將被淘汰，但因果推斷法在整個統計上來說也還屬于一個相對較新的算法，譜藍的初期成效顯而易見，但整個行業還是需要更加成熟、有效的方法促進其快速發展，我們期待更多、更好的算法能一起協同發力，更高效地解決保險業的銷售問題。

點擊“閱讀原文”，購買保險短視頻課程

本文首發于微信公眾號：保觀。文章內容屬作者個人觀點，不代表和訊網立場。投資者據此操作，風險請自擔。