保觀(guān) |聚焦保險創(chuàng )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(shù)，打造了一套私域化運營(yíng)的模式，開(kāi)創(chuàng )了在互聯(lián)網(wǎng)上售賣(mài)長(cháng)期健康險的一套玩法，為用戶(hù)家庭智能輸出最優(yōu)保障的配置方案，并打造了聚焦家庭成長(cháng)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(chǎn)家庭用戶(hù)打造最合適的教育內容矩陣。

如今數字化的程度越來(lái)越高，未來(lái)整個(gè)發(fā)展趨勢屬于信息化、數字化以及智能化。在保險發(fā)展過(guò)程中，數字化的應用也越來(lái)越成熟。

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

來(lái)源：人人都是產(chǎn)品經(jīng)理

近日，我們連線(xiàn)了譜藍聯(lián)合創(chuàng )始人、CMO陶杰鵬，共同探討了保險業(yè)務(wù)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(wèn)題提出了十分寶貴的意見(jiàn)，并以譜藍為例分析了因果推斷數據分析法對保險銷(xiāo)售的有效賦能，也給我們帶來(lái)了一些十分有價(jià)值的思考，本文的主要內容也來(lái)自該場(chǎng)直播。

沒(méi)有無(wú)價(jià)值的數據

目前市場(chǎng)上的保險產(chǎn)品幾乎已經(jīng)能覆蓋大多數的用戶(hù)需求，但隨著(zhù)社會(huì )經(jīng)濟及居民收入水平的不斷進(jìn)步，用戶(hù)對保險認知的不斷上升，各種客觀(guān)風(fēng)險因素的影響，用戶(hù)對保險的需求在不斷變化，行業(yè)也需要對用戶(hù)變化的需求實(shí)現精準識別。

對客戶(hù)需求的分析有賴(lài)于數據的支持，我們以譜藍為例。

與以銷(xiāo)售產(chǎn)品為目的的傳統保險銷(xiāo)售理念相比，譜藍一直都專(zhuān)注于規劃思維及理念，注重Life Time Value（LTV，用戶(hù)生命周期價(jià)值），幫助客戶(hù)解決其家庭財務(wù)問(wèn)題，幫助客戶(hù)在財務(wù)方面做人生規劃，把LTV帶給客戶(hù)，并運營(yíng)出LTV的商業(yè)價(jià)值。所以譜藍與客戶(hù)溝通時(shí)，不會(huì )聚焦在產(chǎn)品上，更多時(shí)候是在做理念建設，把保險真正的功能、意義、價(jià)值傳遞給客戶(hù)。

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

經(jīng)過(guò)長(cháng)時(shí)間的觸達，啟發(fā)了客戶(hù)理財的思維，當客戶(hù)通過(guò)平臺進(jìn)一步進(jìn)行了解時(shí)，實(shí)際已經(jīng)有了初步的信任，在用戶(hù)了解的過(guò)程中利用不同的話(huà)術(shù)與內容進(jìn)行引導，采集很多數據的同時(shí)為客戶(hù)進(jìn)行保險規劃，最后才到達銷(xiāo)售環(huán)節。

在理財理念的指導下，譜藍可以了解客戶(hù)人生規劃里不同的目標，比如孩子多少歲、客戶(hù)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(hù)解決了健康險的問(wèn)題之后，就能通過(guò)溝通過(guò)程中積累下來(lái)的數據進(jìn)行分析，并挖掘出客戶(hù)還有什么人身問(wèn)題、家庭的財務(wù)問(wèn)題等，提供相應的規劃服務(wù)，最后落地變成選擇產(chǎn)品，這樣不斷深耕客戶(hù)，私域化地運營(yíng)去提升整個(gè)LTV。

目前整個(gè)行業(yè)已經(jīng)累積了不少的數據，但實(shí)際發(fā)揮出價(jià)值的數據卻很有限，于是行業(yè)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(wú)用的，但陶老師認為所有的數據都是有價(jià)值的。

第一，采集數據的框架本身就是圍繞著(zhù)幫助客戶(hù)提供服務(wù)這一核心業(yè)務(wù)去構建的，所以在采集數據時(shí)，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(guò)不同的觸點(diǎn)、手段及方式去獲取，這種情況下所有采集回來(lái)的數據都是有價(jià)值的。

第二，擁有大量數據的公司卻不能發(fā)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(méi)有真的在系統里，所以在不斷更新迭代時(shí)，同一家公司建立了不同的數據庫，所有的數據沒(méi)有貫穿到一個(gè)大的體系，導致數據雖多，但數據跟數據之間無(wú)法連接起來(lái)，這才導致這些數據“無(wú)用”。

第三，部分公司在前期為了追求規模擴張，在某個(gè)板塊使用了外包或流量產(chǎn)品，但在這種情況下，如果一開(kāi)始沒(méi)有規劃好數據的對接及承載，那一部分的數據就會(huì )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(shí)，這些數據就相當于是“無(wú)用”的。陶老師分享當譜藍在展業(yè)運營(yíng)時(shí)，會(huì )與合作方提出收回數據，并在此之前會(huì )討論清楚數據最終的存儲位置。

第四，許多公司各個(gè)部門(mén)都是相對獨立的，這導致了數據也相對獨立，公司很少會(huì )從整個(gè)業(yè)務(wù)流程去分析，但是譜藍會(huì )對每位客戶(hù)的每個(gè)節點(diǎn)不斷進(jìn)行追蹤，將整個(gè)體系貫穿起來(lái)進(jìn)行分析，從整體上對比找到出現的問(wèn)題并解決。

所以實(shí)際上來(lái)說(shuō)沒(méi)有無(wú)用的數據，只有沒(méi)有被好好利用的數據。

因果推斷法的有效賦能

目前整個(gè)保險業(yè)采集到的數據并不少，那么各企業(yè)應該如何利用好數據，通過(guò)數據分析有效賦能保險銷(xiāo)售呢？很多公司都有著(zhù)與自身業(yè)務(wù)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(jìn)行了分析說(shuō)明。

以往大部分公司都采用傳統的協(xié)同過(guò)濾法，但大數據相關(guān)性的分析是沒(méi)有因果的，無(wú)法進(jìn)行追溯，如果在做業(yè)務(wù)的時(shí)候，只是因為相關(guān)性高來(lái)做出判斷，很難會(huì )起到一個(gè)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(yè)務(wù)是能起到很大幫助的，也比協(xié)同過(guò)濾法對業(yè)務(wù)更有幫助。

以培訓新人時(shí)期，對客戶(hù)意愿的判別為例。協(xié)同過(guò)濾法通過(guò)數據相關(guān)性來(lái)進(jìn)行判別，推測客戶(hù)的高中低意愿，但據成交的客戶(hù)與算法得出的結果做比對驗證時(shí)，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(yè)務(wù)員采集完與客戶(hù)溝通的數據后，因果推斷法能對客戶(hù)的意愿做出判斷，在之后的培訓過(guò)程中，還能比對出未成交客戶(hù)具體是因為業(yè)務(wù)員的能力不足還是客戶(hù)本身的問(wèn)題。

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

同時(shí)，陶老師提出了因果模型的三個(gè)特征：一是便易性，因果分析對比于協(xié)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(xié)同過(guò)濾法往往是概率事件，很難追溯，但因果的整個(gè)模型卻可以追溯到很多內容；三是可解釋性，通常協(xié)同過(guò)濾法機器給出的結果不可解釋?zhuān)@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(gè)因果模型可以從每一個(gè)環(huán)節來(lái)拆分解釋。

很多因果關(guān)系是很多樣、很復雜的，因果在保險領(lǐng)域也才剛剛起步，從實(shí)際保險業(yè)務(wù)的角度講，想要得出關(guān)于客戶(hù)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(shí)，自然就會(huì )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(gè)過(guò)程中會(huì )出現一個(gè)問(wèn)題，比如家長(cháng)把大量的錢(qián)都投入在教育機構，當需要配置教育金的時(shí)候，可能沒(méi)有足夠的資金去購買(mǎi)，這時(shí)該客戶(hù)對業(yè)務(wù)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(jìn)行分析，找到對于有小孩的家庭有一個(gè)長(cháng)期規劃的客戶(hù)，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(gè)數據，他也同樣在因果模型里，這時(shí)對小孩的教育金反倒會(huì )有正面的影響。

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

總的來(lái)說(shuō)，不管是協(xié)同過(guò)濾法還是因果推斷法，都是希望通過(guò)數據分析能夠有效地賦能保險銷(xiāo)售，傳統的協(xié)同過(guò)濾法可能即將被淘汰，但因果推斷法在整個(gè)統計上來(lái)說(shuō)也還屬于一個(gè)相對較新的算法，譜藍的初期成效顯而易見(jiàn)，但整個(gè)行業(yè)還是需要更加成熟、有效的方法促進(jìn)其快速發(fā)展，我們期待更多、更好的算法能一起協(xié)同發(fā)力，更高效地解決保險業(yè)的銷(xiāo)售問(wèn)題。

點(diǎn)擊“閱讀原文”，購買(mǎi)保險短視頻課程

本文首發(fā)于微信公眾號：保觀(guān)。文章內容屬作者個(gè)人觀(guān)點(diǎn)，不代表和訊網(wǎng)立場(chǎng)。投資者據此操作，風(fēng)險請自擔。