《保险大数据创新与实践-百融金服》由会员分享，可在线阅读，更多相关《保险大数据创新与实践-百融金服（35页珍藏版）》请在金锄头文库上搜索。
1、保险大数据创新与实践保险大数据创新与实践目录CONTENTS PART 1 大数据助力洞察保险客户PART 2 大数据在保险行业创新与实践2.1 保险营销实践2.2 保险风控实践大数据发现寿险三个渠道的客户，价值存在明显差异高端较高端中端较低端低端 各渠道客户收入等级15% 3%15% 10%24% 13%32% 28%17% 29%23% 16% 46%14% 16%个险 网销 电销大数据发现寿险三个渠道的客户，消费偏好有差异各渠道客户电商品类消费意向7% 9% 9% 9% 9% 5%3% 2%1% 1%总体均值-1%-3% -1% -2% -1% -2% -7% -7% 个险网销电销母婴用
2、品 日用百货 美食特产 家用电器 运动户外 数码大数据发现女性保险客户与普通女性在保险有关兴趣爱好上有较大差异保险女性买什么？理财 旅游 母婴 鞋 珠宝看什么？新闻 历史 社区 母婴 交友 普通女性买什么？服饰 钟表 箱包 家居 母婴首饰看什么？财经 教育 文学 游戏 艺术大数据发现男性保险客户与普通男性在保险有关兴趣爱好上有较大差异保险男性 普通男性买什么？ 买什么？理财 汽车 文娱 数码 手机 网游 汽车 数码 手机 电脑办公看什么？ 看什么？军事 财经 社区 旅游 新闻 IT 军事 财经 历史 新闻大数据发现车主的保费比平均人群高出 2倍他们的保费比平均人群高出2倍!车主 总体保险客户大
3、数据发现爱消费的人保费比平均人群高出 2倍爱消费的人保费比平均保险人群高出2倍！ 2X高消费 较高消费 中消费 较低消费 低消费大数据发现年轻高端人士中，高保费客户与低保费客户在有关兴趣爱好有较大差异年轻高保费关注什么？家电 家居 理财 母婴家纺日用 汽车 数码 年轻低保费关注什么？钟表 运动 汽车 美食首饰 户外 餐饮教 医疗 手机育 保健大数据发现年长高端人群中，高保费客户与低保费客户在有关兴趣爱好也有较大差异 年长高保费 年长低保费关注什么？ 关注什么？文娱 母婴 旅游房产 汽车 生活 汽车 财经教育房产服务时尚 健康 收藏 历史 家电 手机 健康大数据发现客户购买后半年内是追加销售的最
4、好时机加保概率8x%6x%4x%2x%0%最近一次购买距今间隔：年 0.5 1 2 3 4 5大数据发现客户购买的保险产品类别有一定的规律加保概率 意外险购买次数与加保（保障类产品）概率的关系6x%4x%2x%0%购买次数 0 1 2 3 4+大数据发现普通和优秀代理人的明显差异 (1)电商/媒体品类上的总体活跃度 游戏信息品类上的活跃度54% 2.8%32% 1.6%普通代理人 优秀代理人 普通代理人 优秀代理人大数据发现普通和优秀代理人的明显差异 (2)社交帐号关注人数 社交帐号粉丝人数151 263155131普通代理人 优秀代理人 普通代理人 优秀代理人目录CONTENTS PART
5、1 大数据助力洞察保险客户PART 2 大数据在保险行业创新与实践2.1 保险营销实践2.1 保险风控实践寿险准客户潜力评估：有限的营销资源投入到最有可能转化的目标客户预测客户转化概率基于准客户的海量行为数据，建立预测模型识别其开发潜力识别客户差异化需求客户大数据洞察客户兴趣、偏好，为不同客群制定差异化营销策略机器学习 识别高价值客户通过外部大数据，识别高价值客户，全程个性化追踪 让更多用户买（提升转化率）让用户买更多（提升客均价值）寿险准客户潜力评估：“准客潜力评估”能更精准匹配销售策略获得赠险名单 基于名单属性和业务 开展外呼传 经验分配名单统模式大获得赠险名单 数据匹配数据 外部模 大数
6、据式 匹配海量数据 建模分析400350300250200150100500 0 25 50 75 100 机器学习建模 模型打分、排序制定差异化 开展外呼销售策略目标客户列表编号电话号码姓名住址1 85486643A XX街XX号2 97645756B XX街XX号3 59801486C XX街XX号4 21957216D XX街XX号5 59114637E XX街XX号6 96272059F XX街XX号7 60095245G XX街XX号8 57252087H XX街XX号9 54408928I XX街XX号10 51565770J XX街XX号11 48722611K XX街XX号12
7、 45879453L XX街XX号13 43036294M XX街XX号14 40193136N XX街XX号15 37349977O XX街XX号16 34506819P XX街XX号17 31663661Q XX街XX号 匹配名单和座席 匹配产品和话术寿险准客户潜力评估： 如何识别高意向客户3145岁的客户买保险的意愿更高赠险客户 成交客户0. 未知 1. 1820 2. 2125 3. 2630 4. 3135 5. 3640 6. 4145 7. 4650 8. 50+近12个月消费母婴用品、户外运动等的客户买保险的意愿更高赠险客户 成交客户男性比女性买保险的意愿更高赠险客户 成交客户
8、0. 未知 1. 男 2. 女近6个月申请过信用卡的客户保险的意愿更高赠险客户 成交客户本地生活 服装配饰 母婴用品 汽车用品 通讯 文化娱乐 鞋 运动户外未申请申请寿险准客户潜力评估： 如何识别高意向客户客户价值越低的客户，越偏向于购买电销寿险赠险客户 成交客户低价值高价值较高价值中价值较低价值寿险准客户潜力评估案例： “准客潜力评估” 实际效果分析该机构针对新赠险客户进行潜力评估，从而 模型分层效果对比（百产及转化率）：实现名单、座席、产品、话术的差异化匹配 1.5X 2.4XA类名单 1X 0.8X对照组 C 类名单 B 类名单 A 类名单B类名单 整体提升效果对比（百产）：C类名单 1
9、.3 倍对照组 测试组（随机挑选） （模型排序） 对照组 测试组整体用户画像：全方位了解客户是开展一切精准营销的基础VS基于自有数据的用户画像 结合大数据的用户画像用户画像：结合保险营销场景的全面画像户外出行 寿险相关偏好关注健康关注养老 投保对象偏好收入等级 为子女投保消费水平 为配偶投保价值水平是否有房、车 是否企业高管 互联网渠道年龄 人口属性 渠道偏好 银保渠道性别 地域教育 是否大额入账 是否生小孩是否黑名单 风险属性 近期需求 是否准备结婚违约记录 是否准备出行征信评分 兴趣爱好 关注品牌：iPhone 媒体偏好：财经新闻品类偏好：户外运动用户画像：大数据洞察不同类型客户画像标签“
10、保障型”客户 “储蓄型”客户 “投资理财型”客户 “高保费”客户 年轻的男性 不惑之年的男性 50岁以上的女性 不惑之年的男性 有婴幼儿子女一族 高价值、高消费 本地人 出生地与常住地是不同省 背井离乡 有房、有车 高价值与低价值 高价值、高消费 小微企业主 低消费水平 有车、有房 中价值、中消费 关注投资理财 关注户外出行、健康、 近期有大额入账医疗、教育及投资理财关注互联网渠道的客户关爱子女、配偶智能电销平台：基于大数据开展电销名单优化、分配、外呼全流程的效率提升名单优化 名单分配 名单外呼1.提升客户触达 2.客户分群 匹配 3.座席分群 4.智能外呼平台 快速过滤空号，错号，黑 针对客
11、户和坐席进行合理分群，并进行最 智能 offer库名单等无效号码 优匹配，提升销售成功率。 智能识别客户语音及问题，并推 大数据提升客户触达率 个性化 offer匹配 荐适合话术语音识别 语义分析A类座席B类座席 智能推荐 问题检索C类座席 知识库训练 智能弹屏D类座席智能电销平台：对客户进行进行分类，匹配坐席技能等级。提升名单产能123 车险客户智能客户分群 客户分类 1 客户分类 2 客户分类3最优化坐席匹配AI 销售助手 A 类坐席 B 类坐席 C 类坐席(高产能) (中产能) (低产能)转化率 高 低智能电销平台：个性化Offer推荐建立大数据预测模型，综合考虑客户购买概率和预期成交收
12、入，推荐最合适的 Offer组合：车损险产险 划痕险理赔管家大数据 深度学习客户 意外险大数据分析交叉销售 健康险基于客户的海量行为 家财险数据，建立预测模型识别其购买概率 购买概率 预期收入 Offer推荐组合80% 2000 160060% 300 1800% 300 0 75% 500 37520% 1000 20010% 100 10 闭环回馈训练模型智能电销平台：座席使用的个性化智能电销平台示意个性化话术推荐: 财务分析:根据客户问题和交互过程智能 分析客户选购 Offer与其预推荐匹配话术 测购买实力的差距个性化 Offer 推荐:基于客户的多维度行为数据，建立预测模型识别其开发潜
13、力，推荐Offer 购物车详情:列举客户当前选购的Offer详情目录CONTENTS PART 1 大数据助力洞察保险客户PART 2 大数据在保险行业创新与实践2.1 保险营销实践2.1 保险风控实践车险风险评分：大数据补充车险从人因子，更精准识别客户风险保险公司传统风险识别因子 从车因素 从人因素车型基础信息 客户基础信息 车价、车龄、品牌、车辆类型、历 年龄、性别、投保年限、居住城史赔付记录 市、车辆详细信息 安全装置、底盘型号、驾驶支持装置、稳定度、灵活度、 Customerspackage% Distance of Energy Brokers from Manchester Cen
14、tre30% 53%25% 24% 52%25% 51%20% % Custom e rs 50%Contribution as % of WP 16%15% 49%48%10%10% 7% 47%46%5% 4% 4% 4%2% 2% 45%0% 44%0-5 6-10 11-15 16-20 21-25 26-30 31-60 61-100 101-150 150Distance(Miles) Contributionasa% ofWP 客户多维度信息 信用情况、人口统计情况、消费情况、阅读习惯、兴趣爱好、大数据驱动下的风险识别因子 驾驶行为 国外成熟保险市场中，客户信用分已经是车险风险定
15、价的重要因子车险风险评分：车险赔付率模型识别准确性相比无模型提升3.3倍 赔付金额提升曲线数据集类型 Decile 数据条数 平均赔付金额 提升度1 34,554 555 362 34,554 618 403 34,554 754 494 34,554 880 57建模(35W) 5 34,554 1,044 686 34,554 1,181 777 34,554 1,403 928 34,554 1,635 1079 34,554 2,241 14610 34,554 5,003 3271 14,840 509 342 14,840 694 463 14,840 734 494 14,840 878 59验证(15W) 5 14,840 1,001 676 14,840 1,175 787 14,840 1,376 928 14,840 1,618 1089 14,840 2,267 151 添加百融因子构建赔付金额模型，前10%提升约3.3 倍10 14,840 4,721 315寿险核保风险控制：核保环节识别高风险客户，降低公司损失 保费收益人 长险短出工 核保风控 带病投保审 销售误导退保核寿险盈亏线保单生命周期 保单生命周期初期发生的出险
