大数据技术本质目的是从海量数据中挖掘有价值的信息，也是目前保险科技领域应用度最深的技术。本文主要介绍大数据技术应用落地之一的用户画像系统，以及在保险行业中的搭建思路和具体应用。
本文主要内容：
- 保险行业痛点
- 保险科技的主要技术与落地环节
- 保险行业用户画像系统搭建思路
- 用户画像系统主要构成
- 用户画像系统在保险行业的应用
- 产品落地过程中踩的坑
本篇为本文上篇，主要介绍前三点内容。
一、保险行业痛点
聊大数据在保险行业的具体落地前，先来看看这个行业有哪些痛点，才能理解技术要如何应用。
保险企业方面，对用户不了解、粗放式经营，产品很多是标准化的大礼包组合，导致产品贵、销售时投放不精准、并不一定符合用户需求。保险企业也销售效率低，综合成本高。
用户方面，购买流程体验差，被销售误导后买到不合适自己的产品就感觉被骗了， 理赔困难，对保险信任度低。
虽然保险需求对于用户来说属于低频，但对绝大部分人却是刚需的。目前全球国家的平均保险深度（保费/GDP）达7%，日本9%，美国11%，中国香港19%，中国台湾19%，而整个中国作为目前全球第二大经济体，大陆的保险深度仅有4%，只有世界平均水平一半多，与发达国家相比差之甚远，还有很大的进步空间。主要原因还是目前整体国民的理财和风险意识还处在普及过程中，不同群体用户对保险的个性化需求还没有得到满足。
一边是行业问题的亟待解决，一边是信息技术的不断进步，组合在一起，保险科技就成了解决行业问题的重要驱动力之一，保险行业也因此进入了一个高速信息化改造的时代。
二、保险科技的主要技术与落地环节
保险作为一种产品，从生产到销售再到使用（理赔），从业务上主要分为以下四个大环节：
产品设计环节、营销环节、投核保环节、理赔服务环节
而保险科技运用的技术主要分以下五类：
云计算、大数据、人工智能、物联网、区块链
技术与业务环节的组合就会衍生出不同具体的落地项目，具体如下：
来源：2020年中国保险科技行业研究报告-艾瑞咨询
来源：2020保险创新发展研究报告-亿欧
本文主要聚焦大数据技术的具体落地，从上述两份行业报告中可以看出，目前保险科技落地的技术中，大数据是最为成熟应用范围最广的，在保险业务的各个环节均可得到应用。
过去的保险行业，获取用户数据的方式有限，只能通过局部的问卷调查了解用户需求，产品的定价也大多是参照全国平均寿命等较为笼统的数据报告。
而互联网保险由于接触用户的方式得到了极大的提升，对用户的了解也更加深入。
保险科技的大数据应用则是把这些散落在各处的用户相关数据进行整理，对应的进行更精细化的保险产品定价设计，以及与用户实际需求进行更精准的匹配，从而实现了保险企业的降本增效，也为用户提供了真正符合需求的产品。
三、保险行业用户画像系统搭建思路
用户画像系统是大数据落地应用的底层基础系统，要想充分了解用户、对不同需求用户群体产品的差异化设计、营销环节精细化运营，以及个性化推荐等，都要基于画像系统的标签数据。除此之外，对于保险行业独有的业务特点，也需要重点考虑进去。
关于搭建保险行业用户画像系统的思路，我个人整理了以下几个方向：
1、企业数据现状分析
是否需要开始搭建大数据平台，要做到什么程度，取决于当前企业的数据化程度。对于如何评估企业的数据化程度，可以参照数据管理能力成熟度模型DMM，一共分为5个层次，如果到了第二层次，就需要开始着手搭建标准化的数据平台。
不过该模型属于数据界较为通用的的模型，对于我所在的互联网保险企业，我个人从以下几个具体的方向进行了评估。
1）企业是否有足够多的产品和服务？
2）用户的属性层次是否多样复杂？
3）企业用户体量是否到达一定规模？
4）企业是否数据孤岛效应明显，多业务线数据难统一？
5）企业销售效率是否有较大提升空间？
以上问题的答案都为是，因此搭建用户画像这样的大数据基础系统比较符合当前公司发展阶段的需要。
2、保险行业的业务特点
用户画像系统其实是大数据实践较为通用的底层系统，在互联网行业其实已经非常成熟，对于很多电商、视频、社交平台早已经实现，很多实现千人千面的推荐系统也是基于用户画像的标签数据。
但是这并不意味着在互联网保险行业做用户画像系统就只需要生搬硬套。如何与保险行业结合、为企业降本增效、为用户提供更好的服务和产品才是最重要的，因此首先需要分析保险行业的业务特点。
保险行业的业务特点会直接影响用户画像系统的标签定义以及后续的应用。我总结为以下几个特点：
1）低频、大额
相比于日用品、买菜、服装、家用电器等电商，保险和房车类似，属于低频的产品类型，平均单笔金额几千、上万元，对很多用户来说属于大额支出。这决定了保险的销售首先要解决是的首单成交率，而不是复购，也不是用户活跃度。
2）决策流程长
低频大额同时也导致的用户的决策流程较长，比如购买一款重疾险，用户一般都会货比三家，希望选择性价比高且最合适自己的产品，冲动消费的较少。这也决定了很多电商里抓住用户贪便宜、攀比、炫耀的心理，来做游戏化的活动营销的玩法并不适合保险行业。
3）人工依赖程度较高
由于保险产品条款、责任的复杂性，很多用户没有自助理解并完成下单的能力，需要代理人这样的角色介入帮助用户。这决定了个性化推荐功能在保险行业的应用有很大的局限性，因为不管你推荐模型多么科学多么复杂，用户都无法直接信任机器推荐的结果。
4）盈利模式单一
由于保险产品的定价是标准统一的（银保监会报备），不能使用一般的电商价格促销玩法，互联网保险中介平台的盈收绝大部分都来源于保险公司的佣金结算。
3、互联网保险行业用户画像的侧重点
基于以上的保险行业业务特点，在设计用户画像系统时，要考虑如何帮助到业务，可以从以下几个重点方向思考：
1）用户行为数据的量化
保险销售的前提是分析用户真正需要什么，再把对应的产品顺利卖给用户。要想了解用户的保险需求，首先要把用户的行为进行量化，比如产品浏览、活动参与、下单、核保、理赔等行为数据，再通过完善的数据指标体系转化成用户的保险需求。这也是互联网保险相对线下保险的优势，可以不直接与用户对话询问，通过各种数据记录分析总结出用户的需求，用同一套逻辑实现对所有用户的需求分析，不需要人工一对一沟通。
2）提升销售效率
这里的销售效率既包含的用户自助了解产品并完成投保的过程，也包括人工介入辅助用户了解产品并完成投保的过程。
自助投保部分，比如通过用户已有数据能够帮助用户实现快速完成核保，提高下单流程体验。甚至当数据足够丰富时，可以实现自动核保，让用户的保险下单过程像点外卖一样简单快速。
人工销售辅助部分，则是通过用户特征标签，辅助销售人员了解客户的需求特点和保险意向，提高沟通和转化的效率。
3）提升LTV
保险行业里用户的LTV可以理解为这个用户的所有家庭成员的保险需求。
保险需求按照保险类型区分主要有四类：重疾、医疗、寿险、意外。
通过用户画像的数据标签，把用户各个成员的不同保险需求进行量化，分析用户的保障缺口，并通过相关精准活动、营销把合适的产品填补对应的缺口，从而实现提升用户的LTV，同时也提升了整体销售保费。
而一些不太适合互联网保险行业的侧重方向：
为了精准产品推荐而建立复杂的算法模型、提升用户的活跃度、提升复购率、产品价格玩法。
4、标签需求的拆解思路
用户画像的核心是标签系统，只有定义好了标签，后续的应用才会产生好的效果。基于上述对保险行业业务特点的分析设计用户画像的标签时，还需着重注意以下两点：
- 首先要定义正确的业务目标，然后逐步拆解成可以落地的标签，这样才能避免创建很多对业务并没有太大作用的标签，也避免浪费开发资源。
- 在定义标签时还要尽量按照MECE原则，让标签之间相互独立，完全穷尽，不要让两个概念有重叠、边界相对模糊的标签产生。
举个例子，有一个目标叫提升首单转化率，可以按照如下思路先拆解目标，再从最小目标维度对应的设计数据标签。这样在做相关运营活动时，这些数据标签可以辅助运营计划的精细化程度，也可以通过追踪标签的数据变化评估运营效果。
未完待续…
下篇将主要讲产品层面具体落地的内容，敬请期待~
