在保险科技高速发展时代，很多保险公司早早涉足探索如何更好地利用科技赋能业务发展与创新。在探索过程中，基于其丰富的业务场景，保险公司发现若只是一昧地追求科技发展，而不去寻求完整的科技支持业务落地的解决方案，科技与保险业务将始终存在屏障，无法很好地实现共生共荣。
保险本是基于“大数法则”发展的行业，各种险种的精算、业务的拓展都离不开数据的支持。在保险科技与监管环境不断演变的当下，整体行业营收增长稍显乏力，科技公司带来的智能化应用为保险公司从风控端打开了新的发展思路。近日，《财资中国》专访了广微智能技术合伙人杨艳彬，请她聊一聊当前科技公司如何运用新兴智能化技术赋能，为保险行业增添发展新动力。
规则+算法：智能化助力风险管控
规则模型
规则模型鉴别出的风险类别往往是行业中大概率会发生的，但其缺陷在于覆盖面过于全面，从而导致风险识别精准度不高，无法被某些保险公司采纳使用。
算法模型
由于算法模型基于过去来预测未来，但保险公司的历史数据由于业务量大小不同会存在很大偏差，所以导致算法模型的推广与普及也存在一定局限性。
若将算法模型与规则模型相结合，可以借助规则模型扩大风险识别的覆盖面，为算法模型提供更丰富的风险因子特征值，再结合算法模型进行细化的精度调整，从而达到更全面、更精准的风险识别。从结合流程角度，保险公司可利用规则模型进行评分，再用算法模型进行二次评分，若发现企业内部未涉及过但在行业内出现过的新风险，可以把风险先进行识别标注，再进行人工审核。根据风险特质，如果是基于市场环境或者社会发展而出现的新风险，算法平台会根据其出现的频率进行标注，通过理赔反馈反向打标，若核实为新风险，便可纳入到算法体系中去辅助未来的计算。科技公司也可在此类模型迭代的过程中提高产品精准度，提供更全面的服务。
联邦学习：智能化守护数据安全
联邦学习，是一个让不同组织间数据可以互相合作的生态系统。保险公司作为数据拥有方，可将隐私数据进行加密处理。科技公司作为模型的训练者，在训练过程中也对使用的数据通过公钥进行加密，保障训练结果的交互，并可通过训练结果完成模型的更新迭代。
此外，联邦学习还能以总节点加若干子节点的形式集成呈现。科技公司作为服务商端拥有联邦学习系统的总节点，在不同保险公司端部署不同的子节点。在子节点搭建子模型，计算完后再进行结果的传输，回到总节点进行参数调整。这一集成的形式既解决了数据出库的问题，保障了数据隐私安全，也能助力科技公司通过在总节点的统一调配实现更高效服务。
特征定制：智能化打造专属模型
对于中小型保险公司，使用大数据与机器学习平台的难点之一是样本量不足。业务量的局限性导致中小型保险公司无法自行开展大数据分析与建模。而大数据与机器学习的样本量要求，与公司所处的生命周期相关。在公司发展初期阶段，业务的拓展对模型精度要求较高。后期随着其业务运营架构逐渐成熟化后，可以在现有标准训练模型的基础上，再根据不同客群与业务特征调整参数。对于中小保险公司来说，依托自身的数据量很难搭建出高精度模型，因此，构建此类训练模型需要科技公司的支持，借力科技公司的产品平台，在行业通用的基础模型上再根据此类保险公司的特征进行定制化建模，从而建立一套特定的、高适用的模型。
“大数法则”起家的保险公司，目前的突破点在于如何打破系统内各数据孤岛。而科技公司便是其中的纽带，凭借科技实力去做输出与散播，聚合行业内的数据，释放更大价值，助力保险公司业务实现多维度的扩展。在未来，杨艳彬表示保险公司的最终角色将是作为出单机构，把整体营销、风控都外包给第三方机构进行代理与调控。其核心职能将聚焦于如何为客户提供更好的产品与服务。而对于科技公司而言，它在生态圈中作为保险公司的服务者，未来将致力于借助智能化应用科技，结合保险业务场景，释放科技与保险融合的最大化价值。
评论 (0)