保险科技大数据应用实战:用户画像系统(下)

上一篇文章我们介绍了,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等三大要点;本文主要介绍互联网保险行业用户画像系统的具体实践经验,我们一起来了解一下。

保险科技大数据应用实战:用户画像系统(下)

继上篇,本篇继续介绍以下三点内容。

四、用户画像系统主要构成

五、用户画像系统在保险行业的应用

六、产品落地过程中踩的坑

四、用户画像系统构成

下面简单介绍一个完整的用户画像系统主要由哪几部分构成,分别有什么作用。

主要结构如下:

保险科技大数据应用实战:用户画像系统(下)

1、底层标签系统

用户画像的核心是用户标签,有了标签数据后才能进行各种条件的用户分析。而标签系统可以就理解为一个数据仓库,它专门从各业务系统、埋点数据系统、日志数据、外部系统等采集数据,经过ETL数据预处理后,按照标签的定义进行建模计算,得到标准统一且具有应用价值的数据标签。再保持一定的数据同步频率,按照数据服务的多种形式提供给使用方,比如可视化的管理后台,或者API接口的方式。

2、数据服务层

标签管理后台就是标签系统数据服务的主要呈现形式,它主要分为标签管理和用户分群管理。

标签管理的作用是对标签进行可视化管理和操作,主要包括标签的增删查改、上下架,应用方可以方便的查看已有的标签、标签的定义、标签值的数据分布等。

用户分群管理是建立精细化用户分类的数据单元。通过一定方式筛选出一批特定用户,比如通过标签进行自由组合或者直接导入用户,再基于这批用户进行相关的管理、分析和应用。比如设置专属的营销触达、用户标签数据的分析、作为数据方提供给外部调用等等。

3、数据应用层

数据应用层就是具体通过标签或分群去实现具体的业务目标。比如常见的单用户画像分析、用户分群画像分析、进行个性化推荐、精准营销等。

单用户画像数据其实就是一个账号的所有标签的标签值。当一个业务方应用时想知道一个用户的画像情况时,只需返回给他需要的标签值即可。

用户分群画像数据是创建的用户分群的标签数据集合,可以导出标签源数据进行自由分析,也可以按照一定模板,把分群数据制成直观的图标,便于业务方分析。

以上三部分只是简述,由于内容太多,而且行业里已经有很多相关文章从功能层面详细介绍了该系统,此处不再赘述,整个用户画像系统的主要结构已整理成如下脑图。

保险科技大数据应用实战:用户画像系统(下)

五、用户画像系统在保险行业的应用

用户画像系统搭建完成后,需要业务方和运营用起来,发现问题并不断迭代,持续帮助业务和运营实现目标,即上节提到的数据应用层。用户画像的应用主要包含下图中的几个方向。

保险科技大数据应用实战:用户画像系统(下)

再结合互联网保险行业的业务特性,主要的应用方式可以分为以下几类:

1、精准营销

有了精细化的标签后,便可以基于不同标签组合对用户进行分群,对不同特征组合的用户群进行更精准的内容营销,营销的内容由运营人员自定义,营销的方式可以是短信、微信、邮件、APP内消息、资源位弹窗等,从而提高营销的效果。
这一应用与大多数互联网产品的用户画像应用都类似,核心就是用户标签的自由组合。

2、销售辅助

由于保险产品的复杂性,互联网保险仍然有大量的订单由人工转化用户产生,在代理人或销售顾问跟用户沟通过程中,提前把用户的主要特征和需求通过单用户画像的方式提供给销售顾问,可以更好的帮助销售进行转化。
这样的应用方式同样适用于客服等人工介入流程,核心是提高人工环节用户的体验和促成效率。

3、分群用户画像分析

对于用户分群里这批用户的特征,可以通过分析标签值得到相应的结论,我们常见到的很多报告里对一批用户进行共性特征概括、年龄分布、价格分布等等,都是分群用户画像的数据分析应用。

最简单的做法是支持导出用户分群的标签值数据,然后再做二次加工分析制成图表。复杂的做法是直接在用户画像后台对用户分群通过图标的方式直观呈现数据情况。

4、风控反欺诈和自动核保

保险作为金融产品,有一个重要的业务环节就是反欺诈、反洗钱、反骗保。传统的线下保险,保险公司对用户的资料和数据知之甚少,有很多带病投保的用户,导致保险公司赔付率上升。于是线上销售的保险,保司公司会进行风控核保接口的限制拦截,但是保险公司其实还是缺少用户的数据,拦截率还是不够准确,要么就尺度太严格,多拦截了很多正常的用户。

对于保险中介平台,特别是数据非常多的大型平台,有着无可比拟的数据优势,通过底层的画像系统,把用户的标签进行很好的计算,就能帮助保险公司风控核保,甚至可以根据不同用户的情况自动匹配不同的承保方式(非标体承保时可能需提高价格),既能提高用户快速投保的体验,又能让保险产品实现千人千价销售。

5、辅助产品定制化

传统的保险生产流程是保险公司已经定好了产品形态和价格,再去找到合适的用户进行销售。但是如果可以通过用户画像系统,把标签数据类似的用户聚集起来,反向的找保险公司进行定制,便可以做到更精细化的产品定价和设计,这个思路跟电商里的C2M是一样的。

比如众安保险有一款针对甲状腺结节用户定制的保险《众安百万医疗优甲版》大概就是这个做法。

6、个性化推荐

个性化推荐在很多社交娱乐和电商中非常普遍,实现的就是千人千面,不断根据使用数据优化算法模型,再不断推荐相似的内容。而互联网保险行业里的个性化推荐是通过用户画像的标签数据分析出用户的保险需求,再去与对应的保险类型及产品做匹配,从而实现的较精准的产品推荐。

不过上文也提到,目前用户对保险个性化推荐结果的信赖度很低,而且很多平台可推荐的产品数量不多,实现该功能的人力成本也很高,因此整个行业里应用很少。

六、产品落地过程中踩的坑

对于业务或运营人员,只要知道用户画像的作用和应用方法即可,但对于具体负责该系统的产品经理,必须还要具备各个细节的落地经验,在具体实现过程中,往往会由于很多细节问题导致产品项目的推进缓慢,或者应用效果不佳。

结合我个人从0到1的实践经历,主要总结以下几点值得特别注意,供产品同行参考。

1、标签定义的尺度

1)哪些维度的数据不适合当做标签

不是一个具体的数据,而是一个数据集合。比如产品排行榜、最合适的5个产品。

2)哪些数据不适合当标签储存

经常变化、且数据量较大,可以业务在使用时再二次转化的数据。比如产品名称。

2、数据类型的再拆分,便于具体使用

一般情况下,数据类型只有 字符串、数值、布尔、集合。但在为了具体使用的方便,可以进一步拆分。比如数值数据类型还可以拆分为年龄、一般数值、日期等,这样在进行标签组合应用时,可以更方便的组合运算。

比如出生日期这个标签,在表里一般是以生日时间戳的数值形式储存,如果把一般数值类型转换成“年龄”数据类型储存,在标签使用时可以直接筛选“年龄=10”的用户;如果转化成具体的年月日的“日期”数据类型,标签使用时可以筛选“生日日期>具体某个年月日”的用户。

3、标签类型的定义

标签类型一般分为事实标签、模型标签、预测标签。

系统前期主要是定义事实标签和模型标签,让系统能够跑起来,让业务方用起来。不必为了做预测标签而做预测标签。

因为预测标签需要结合多个用户特征建立较复杂的算法模型,甚至还要对商品也打上标签,根据基于用户的协同过滤算法或基于商品的协同过滤算法,才能实现对用户喜好进行预测。这已经是推荐系统的范畴,而上文也提到,目前互联网保险行业对个性化推荐功能的依赖并不明显。

4、数据准确性的验证

数据上线后,如何进行数据准确性的校验非常关键,否则业务方是无法直接使用的。

数据准确性校验方法大概有几种:

1)标签数据与数据源进行对比

主要检查数据的完整性和准确性。

完整性指数据是否有缺失,比如有的标签数据在数据源中有值,但经过组合计算后,标签值为空。

准确性主要验证与数据源的数值是否一致,如果涉及到有小数点的标签要重点关注取整规则,是四舍五入、进一还是直接舍去。

2)用户覆盖率计算

用户覆盖度是从整体上看这些标签的标签值对用户的覆盖程度,一些个别异常覆盖度的标签要进行单独查验。

比如“性别”这个标签,标签值有 男、女、未知三种,按照正常逻辑,男、女的比例不会差距很大,如果发现男、女标签值比例为1:5,那数据可能计算出错了。

3)业务使用度

随着业务的发展,标签会越来越多。业务方对标签的使用程度也可以从侧面反应标签数据的质量。

如果在系统使用很久之后,发现一些标签从来没有被业务使用过,可以理解为使用度为0,那这个标签要么是定义有问题,不符合业务需求,需要修改定义或删除,要么是数据有异常,业务方不愿意使用,也需要重点检查。

结语

用户画像系统是大数据实践落地的一个基础系统,有了这个基础后,才能进行上层的精细化运营、数字化、智能化经营。保险行业目前仍处于线上化向智能化的过渡过程。不管是保险公司还是保险中介,利用好该系统都能更好的赋能业务、提升效率和用户体验,让保险行业进步到更智能的阶段。

相关阅读:

保险科技大数据应用实战:用户画像系统(上)

业界动态

好的品牌需要什么?向奶茶挥起重拳的乳茶?

2021-3-23 9:46:14

业界动态

母婴市场风起云涌,品牌如何抓住机遇破局营销?

2021-3-23 9:53:41

0 条回复 A文章作者 M管理员
    暂无讨论,说说你的看法吧
个人中心
购物车
优惠劵
今日签到
有新私信 私信列表
搜索