中国太平洋人寿保险股份有限公司科技赋能中心数智服务部总经理 孙谷飞

  随着信息技术的迅猛发展和互联网的普及，数据已成为当今社会最宝贵的资源之一。《“十四五”数字经济发展规划》提出，立足不同产业特点和差异化需求， 推动传统产业全方位、全链条数字化转型，提高全要素生产率。保险公司作为金融服务行业的重要组成部分，拥有大量的客户数据和业务信息。当前，中国保险业正从规模扩张转向质量提升，行业生态和市场格局正加速重构，科技在保险业扮演着越来越重要的角色。中国太平洋人寿保险股份有限公司(以下简称“太保寿险”)积极推进数字化转型，始终坚持从客户角度出发， 探索科技与保险服务场景的融合，以数智化创新加快赋能业务转型。

  近年来，太保寿险聚集和引入了大量专业人才，在融合创新的过程中，发现了许多保险业数智化建设的特有问题，并对解决方案进行了探索。同样进行数智化建设，为何互联网公司相对更成功?我们从团队组建伊始便在思考这一问题，经过近些年的实践，愈发认识到保险公司必须结合行业实际找到适合自身特点的数智化建设道路。

一、保险行业数智化建设的特点

  1. 线下业务环节多，时间跨度大，数据获取、保存难度大

  数据的获取、保存是数智化建设的基础。从业务上看，有别于互联网业务，寿险业务流程长，且保留了较多线下环节，数据获取难度更大，服务周期可长达数十年，不同时期沉淀的数据质量参差不齐，不管是数据的保存还是使用，难度通常比互联网公司要大很多。

  2. 烟囱系统多，历史包袱重，数据链路复杂，维护成本高

  从系统架构上看，保险公司烟囱系统多，大的系统重构比较少，很容易造成数据孤岛;随着大数据技术的演变，不同时期的数据系统使用了不同的技术进行开发，导致数据口径、加工链路、数据来源不统一。此外，自研能力的缺失和外包研发人力的不稳定，也加剧了保险公司数据链路的复杂性，使其系统维护成本飙升。

  3. 建设起步早，但多点状投入，应用深度有限

  从建设历程来看，传统金融企业数字化建设起步早，但体系化程度较低。图1 展示了太保寿险数字化建设历程，图2 展示了太保寿险数据智能发展路径。从BI 到AI，太保寿险在数据智能应用领域不断深入，且在每一个节点均有相应的投入，但数据智能发展依然处于起步阶段，对数据智能的应用深度仍比较有限。

图1 太保寿险数字化建设历程(截至2017 年底)

图2 太保寿险数据智能发展路径(截至2020 年底)

二、保险行业数智化建设面临的困境和出路

  站在业务方的角度，数智化建设面临三个难题：数据资产管理何时见成效?经营分析需求何时能够满足?决策智能化何时能深入?

  这些问题并非引入解决方案、系统平台就能轻松解决，保险公司需要从数据、平台、应用等方面全方位重构整个数据体系。

  为此，太保寿险正在构建数据智能应用体系新蓝图(如图3 所示)。在这一蓝图中，数据体系有三个定位： 现代化的数据/AI 应用加工厂、不断积累的数据仓库和不断优化的产品中心，可为用户提供快、准、好的使用体验。

图3 太保寿险数据智能应用体系新蓝图

  近两年，太保寿险正是以这一蓝图来推进数字化建设。首先，在数据资产方面，将所有的数据统一入湖，分层建模，集中建设，改变以往烟囱式的建设模式。其次，围绕数据中台建设，打造数据管理、数据流通、数据价值和数据研发四个体系：数据管理体系形成一张数据资产地图，助力公司摸清现状与薄弱环节，评估治理效果与投入方向;数据流通体系进行数据分类分级，在安全的前提下减少流通成本;数据价值体系针对AI 建模和报表开发实现体系化管理，围绕业务场景提升数据产品可用性与易用性;数据研发体系对数据的研发、命名及使用工具进行规范，降低沟通成本，提升研发效率。

三、体系化数字化基建的落地实践

  1. 体系化的数据资产管理

  (1)业务痛点：数据难找、难用、难信

  数据资产的业务痛点可以总结为难找、难用、难信。一方面，数据分散在各个系统，很难完整了解其现状;另一方面，取数之后往往才会发现问题，需要多次沟通才能满足需求。运动式的数据治理方式治标不治本。从业务运营的角度看，需要有一个完整的体系来对数据资产管理投入产出比进行衡量。

  (2)解决方案：体系化前置管理

  数据资产管理不能搞“运动战”，要从以往的被动管理走向主动管理，只有体系化的数据资产管理才能有效提升数据质量。针对数据资产，应进行体系化前置管理(如图4 所示)，构建主动服务、前置布局、体系化管理和专业化运作的体系。

图4 体系化前置管理示意

  在推进数据资产管理的过程中，保险公司需要注意以下几个问题：一是数据治理一定要跟数据仓库本身的建设节奏保持一致，两者不能各自为战;二是要有一张数据家底地图，指明有哪些数据，质量怎么样，并围绕这张图与业务部门一起制定每年的治理目标，形成数据治理的投入方案;三是要“以用促管”，推进数据治理和数据资产投资;四是要善于利用平台化工具。目前， 太保寿险已在数据治理平台沉淀了超过1000 条规则， 这些规则每天自动运行，及时发现并推动问题的解决。

  2. 体系化的经营分析应用建设

  (1)业务痛点：指标口径存在二义性，经营管理缺乏有效工具

  各机构、各部门均基于自己的业务领域进行分析，导致不同部门得出的数据结论并不相同，难以从机构经营的全局视角看到一份权威准确的数据结论。此外，数据报表往往都是静态的，难以深入探查背后成因，如需进一步分析，往往需要业务人员人工取数、加工、处理、校准并形成结论，基本都是事后分析，难以在第一时间发现并解决业务问题。

  (2)解决方案：长航驾驶舱数据应用体系

  为提升经营数据的准确性、及时性、便捷性、可阅读性，太保寿险规划打造了公司级经营管理数据应用——长航驾驶舱，从三个方面改变了以往静态报表的形成方式。在经营检视方面，先按机构层级与用户角色确定共通的指标，从指标内部逐层展开，确保上下口径一致、数据同源，按各自权限范围查看数据。在经营分析方面，将数据分析逻辑进行系统化沉淀，输出归因分析结论。如针对13 个月继续率这个核心指标，通过梳理该指标的影响因子，形成多维归因分析结论，便于用户迅速定位异动原因。在经营管理方面，将数据问题快速转化为管理动作，发现数据异常后，可以追踪转发给干系人，并附言告知对方需要做什么样的后续处理;对方收到信息后，可以直接看到相关数据的变化趋势，带着问题进行分析，让管理的动作在系统中沉淀下来，无需等到周会和月会，实现了日常主动管理。

  不同层级、不同角色的管理人员需求不一，难以用一款产品来满足所有数据需求，因此，需要将驾驶舱扩展为一套应用体系。公司级应用的定位是各级机构管理层基于公司经营视角，跨条线横向经营检视与分析，关注趋势变化与目标达成;条线级应用的定位是供各级机构条线业务管理人员掌握本条线业务情况、热点活动追踪情况，侧重过程监控与管理。

  此外，在功能的通用性上，太保寿险沉淀了很多平台层次的能力，包括数据下钻、交叉、追踪等，都是通过公用的平台进行支撑，从而可以把更多的精力放到业务和数据上，比如数据的准确性、业务指标逻辑如何拆解以及归因、预测等。

  3. 体系化的智能决策模型建设

  (1)业务痛点：现有模型黑盒运作、研发周期长、效果不透明

  以往直接采购外部供应商模型的形式存在三个痛点：一是核心知识产权未掌握在自己手中，难以形成积累;二是建模的成本较高，且周期很长，难以快速适应市场变化;三是模型效果不透明，难以进行客观评估。这就导致模型在实施过程中本末倒置，只关注模型交付，将模型上线视为最终目的，未形成体系化的评估体系。

  (2)解决方案：体系化的模型建设，自主可控，快速迭代

  体系化的智能决策模型建设可以实现三个目标：一是梳理并管理智能化场景，将模型融入业务场景;二是完善模型管理机制，沉淀模型资产;三是通过模型能力持续提升业务效果。体系化的智能决策模型可以根据最新数据和历史积累按周重新训练并快速上线。体系化的智能决策模型如图5 所示。

  首先，实现历史模型的白盒化，巩固已有的模型资产。白盒化的价值在于能掌握模型所有必要的知识，理解模型构建逻辑，并能复现复用。

图5 体系化的智能决策模型示意

  其次，根据对象进行分类组织和管理，将特征数据分成客户特征、代理人特征、理赔特征等，并将有价值的特征数据统一存放于特征库，形成数据资产。

  再次，将建模能力变成可复用的能力，从数据的存储和清洗、特征的监控和更新，到建模可配置、可查看，再到统一、便捷、低代码服务化平台的构建，使决策服务在统一的决策平台中落地和管理。

  最后，形成完善的效果评估体系和机制，保障模型的持续优化，具体表现为上线回收模型效果数据的工具，对模型效果进行定期追踪和评估，实现评估口径的标准化，并线上化相关指标等。

  保险公司要实现数智化转型，其路漫漫，可以选择简单的方式，比如按需做烟囱式的报表，运动战式的数据治理，或者把模型外包给外部供应商，这些也是行业内较为普遍的做法，但如果想要真正实现数智化建设的目标，充分发挥数据智能对业务的赋能和促进作用，并最终形成公司的竞争优势，唯一的解题之法就是“选择难而正确的体系化之路”。

  在公司科技战略规划蓝图的指引下，太保寿险将继续沿着体系化的道路，深入推进公司数智化转型各项工作。

  从数据到价值，从看见到预见，未来可期。

原标题：要选择难而正确的体系化之路——对太保寿险数据智能体系建设实践的思考