金融保险行业大数据整体解决方案 智慧保险大数据平台建设方案.pptx

金融保险行业大数据整体解决方案 智慧保险大数据平台建设方案.pptx

《金融保险行业大数据整体解决方案 智慧保险大数据平台建设方案.pptx》由会员分享，可在线阅读，更多相关《金融保险行业大数据整体解决方案 智慧保险大数据平台建设方案.pptx（42页珍藏版）》请在冰豆网上搜索。

,智慧保险大数据平台整体解决方案,e.,大数据在保险行业的机遇与挑战,e.,针对保险行业的大数据解决方案,保险及金融行业的成功案例介绍,金融保险客户实施大数据的建议路径,12,34,大数据在保险行业的机遇与挑战,e.,01,保险科技价值链,e.,数据上链破除数据孤岛,数据挖掘机器学习,用户画像精准营销核保核赔风险管理,客户服务,2区块链,6基因检测,AI,3,1大数据,云计算,4,5物联网,医疗数据,感知识别（AI）,UBI三方数据,客户数据库,流程自动化,评估模型,决策系统,e.,前瞻性可扩展,开放性,构架和平台统一、技术先进、安全高效服务器和计算节点可扩展、数据结构可扩展、ETL处理可扩展、平台接口可扩展初次建设时选择开源版本（Apache）或者更贴近开原版本的商业版本（CDH）高性能在硬件资源有限的情况下，应尽可能地支持尽量多的数据服务需求，还能承受用户峰值时间段压力,稳定性安全性,数据模型的稳定性、系统运行的稳定性防止数据服务体系的数据资源被恶意修改和盗取防止数据在传输过程中被截留和篡改,运维涉及硬件设备、Hadoop平台、应用系统,易维护,从实际需求出发，前期从单一需求的最小规模集群起步，以最小投入解决问题，后期再做扩充,实用性,高可用,ETL功能组件、数据预处理层的数据模型、租金复用、硬件部署等方面的高可用建设企业级一体化的监控和管理平台，后期便于更好地统一管理和维护,统一部,大数据平台架构设计基础要素,。

e.,大数据是人工智能存在的基石。

多来源、多类型的大数据可以从不同角度进行逼近真实的描述，而利用算法可以挖掘数据之间的多层次关联关系。

其中过程数据（同“用户行为数据”）对AI意义重大。

一个优秀的人工智能模型需要千万级的数据样本。

因此，在数据方面，企业需加强对用户每一个行为及其结果的记录意识。

用户行为数据是机器学习的基础，如果想让机器学到最新的、即时的用户行为，形成持续的反馈闭环的人工智能系统是机器智能提升的前提另外，机器能够容易理解的反馈数据需要符合被标记标签的性质。

企业应该建立数字化、不间断的反馈数据闭环，将实时数据进行反馈，使模型具备自我进化能力。

算法是人工智能决定效率提升的关键因素。

人工智能能够实现大量无法统计的规则会被机器自主发现和抓取，从而充分挖掘“长尾用户”的行为规律，提高机器学习模型预测的精准度。

这就需要超高维度的算法。

求。

超高维度的算法，首先须要原始数据的绝对值很大，这对于大数据的分布式存储、处理技术具有较高要其次，利用万亿级的海量特征进行机器学习特征处理、模型训练以及线上服务，需要成千上万个节点进行协同工作，这对算法及系统的要求是全方位的。

高性能、大规模的计算资源是人工智能技术在实际应用中的必备条件。

在人工智能实际的业务场景中，动辄数十亿级别的数据，会给计算框架带来严峻的考验。

构建高维度机器学习框架，确保在大数据的场景下，计算能力随数据量增加呈线性增长，实现系统时间成本与计算成本的可控。

目前机器还不具备主动、自发定义任务的能力，因此，清晰、明确的任务目标就是人工智能得以有效应用最为关键的先决条件。

优化、明确业务问题需要企业业务专家的深度参与：

一方面从业务出发，需要在业务专家和技术专家共同对企业资源进行评估与组织，最终将商业目标转化为机器可理解的数据挖掘目标；二是从技术出发，将公司的运营指标和人工智能适用的指标进行结合。

存在问题,采取措施,保险公司构建商业AI能力的核心要素BRAIN,e.,准备数据,分析处理,数据建模,价值应用,数据接入,数据处理,特征处理,模型训练,模型评估,模型应用,数据源,待评估数据,样本数据,测试数据,算法,模型,应用,数据分析特征,优化特征,增量测试数据优化算法,其他场景,整理,分析,模型训练,迭代训练,迁移,标签,易使用交互式的图形化界面能快速的完成任务问题转化和建模,过程的定义,多功能多语言支持Python、R、SQL等多功能语言和用户习惯的使用方式,数据科学家/业务专家,高效率提供多种系统化实验，并提供自动的优化和调参功能,团队协作为不同的团队角色提供针对性的功能和与之对应的协作方式，同时提供不同角色的培训服务,高效能,自主知识产权的专利算法和计算框架提供高效的计算能力和精准的应用效果,高扩展性提供多语言的SDK，帮助开发者在此基础上完成二次开发和扩展使用,开发者/系统工程师,快速定制作为通用开发平台，开发者可快速依托平台的组件库和架构完成专属的人工智能业务系统的定制和对接高处理能力,大规模分布式的底层架构，满足高业务复杂度和数据量的存储和处理需求,模型全生命周期管理,业务专家：

利用大数据和机器学习获得提升关心：

模型效果、与业务结合、可解释性数据科学家：

处理数据&模型调研关心：

算法、灵活性、可扩展性、性能系统管理人员：

维护大量数据流&线上模型服务关心：

资源使用、一致性、可管理性,e.,人工智能参与人员的角色,以用户为中心建设互联网保险,e.,客户获取客户转化,01：

建设思路客户服务客户挽回,战略&规划明确并聚焦目标,分析&洞察全方位深入分析,应用&营销&交互多渠道协同，数据应用,客户体验建设可靠信任关系,获取服务,02：

建设目标,03：

业务规划,保险行业发展大数据的难点,e.,数据多整合困难,客户多分析困难,需求多应用困难,数据来源的多样性数据类型的复杂性数据特征的多元化数据处理方法的差异化组织内部数据的分散性数据共享机制的缺乏,怎么识别客户全方位的特征？

怎样有效细分客户？

怎样提取客户的共同需求？

怎样利用不同模型/算法生成客户多样化标签？

怎样进行客户行为偏好分析？

如何与客户实时交互如何及时响应客户的需求如何提供满意的客户体验如何降低客户流失如何控制客户维系成本如何对客户进行精准营销,大数据管理平台,e.,应用平台,大数据采集业务数据汇集系统,用户行为数据采集系统,互联网公开数据抓取系统,大数据清洗业务数据清洗系统,用户行为数据清洗系统,互联网公开数据清洗系统,大数据标准化用户多重ID归一化系统,商品归一化系统,大数据结构化,用户标签管理系统,商品标签管理系统,管理平台,基础平台,数据全生命周期管理,大数据操作系统（BD-OS）可视化数据操作平台业务流程全生命周期管理业务价值挖掘建模,数据访问资源管控分布式存储（磁盘及内存）数据接入,（,限,安全监认控证配权置,及,ACL）报警,安装及云服务,在线营销门店营销会员营销全网市场支持系统支持系统支持系统监控系统,舆情管家商情管家,用户洞察系统,自动化营销引擎（BME）,大数据分析引擎（BAE）,媒体网站电子商城移动商城媒体网站个性化个性化个性化个性化系统系统系统系统个性化推荐引擎（BRE）,针对保险行业的大数据解决方案,e.,02,以用户为中心建设互联网保险,e.,客户获取客户转化,客户服务,客户挽回,战略&规划明确并聚焦目标,分析&洞察全方位深入分析,应用&营销&交互多渠道协同，数据应用,客户体验建设可靠信任关系,获取服务,环,为保险企业提供端到端的整体解决方案,e.,转化服务,外部数据,内部数据,01：

海量多源异构数据的整合,e.,第一方数据,实时用户行为采集内容：

用户行为轨迹数据格式：

自定义、高度灵活独特优势：

实时、跨站、跨浏览器、跨设备、,日志数据采集内容：

Txt、CSV、Excel、XML、Word、PDF、Socket独特优势：

支持非结构化数据、实时、高效,数据探头系统,业务系统数据采集内容：

CRM、信用卡等业务系统数据数据格式：

关系型数据库独特优势：

灵活、易扩展、高操控性数据桥接系统,日志收集系统,抓取系统抓取内容：

媒体资讯、贴吧、微博、搜索引擎、数据格式：

将HTML转换为格式化数据（Json）独特优势：

精确的流量控制、JS引擎、模拟登录、模拟用户行为、功能全面、操作简单,互联网开放数据,SDK/API/接口采集内容：

央行征信、银联交易等合作方数据数据格式：

可支持各种第二方数据格式独特优势：

支持多种数据格式，按需采集，灵活、易扩展,合作方数据,大数据平台,01：

海量多源异构数据的整合,e.,第一方数据,独特优势：

灵活、易扩展、高,实时用户行为采集内容：

用户行为轨迹,数据格式：

自定义、高度灵活,览器、跨设备、,Socket,实时、高效,日志数据采集内容：

Txt、CSV、Excel、,据（Json）,数据探头系统,数据桥接系统,抓取系统抓取内容：

媒体资讯、贴吧、微博、搜索引擎、,易等合作方数据,数据格式,独特优势：

支持多种数据格式，,SDK/API/接口采集内容：

央行征信、银联交,合作方数据,大数据平台,全网画像：

9大维独度特优势：

实时、跨站、跨浏,500+子维度,1,100万+用户标签,5.5亿+操用控性户日活跃,4,000+,万UV：

XML、W日ord活、跃P访DF次、：

3,700万,PV1.2,日：

支活持跃非结：

构化数亿据、,独特优势日推荐次数：

6,000万,2/,并发推荐：

万次秒,日志单收次集响应系时统间：

200ms,数据格式：

将H2T1M大L转类换为格式化数,4,000+,子类,独特优势：

精确4的00流+量商控品制标、J签S引维度,全面、操作简单100万+商品标签数互联网开放数据,1亿+商品,全网画像擎：

、模拟登录、模拟用户行为、功能,1,000万+媒体,标签：

20大数类据格式：

可支持各种第二方,1,000+,子类,200+按媒需体采标集，签灵维活度、易扩展,业第务三系统方数数据据采集内容：

CRM、信用卡等业务系统数据数据格式：

关系型数据库,客户盘点：

1,500+,e.,互联网企业客户,02：

跨渠道用户ID归一,e.,03：

用户画像,e.,客户基本信息客户收入支出信息,客户持有产品客户渠道使用,客户历史交易客户资金往来,.,客户风险等级,事实标签,用户画像标签,原始数据,预测标签,模型标签,统计分析,03：

用户画像,e.,客户持有产品,客户风险等级,事实标签,预测标签,模型标签,人口属性,.,.,用户画像标签人群属性违约概率,.,人口属性产品购买偏好用户关联关系,模型预测,建模分析,用户流交失概易率信息,用户近基期需于求现有各个业务系统和渠道.产生的数据,原始客户行为偏客好户信基本息信息,数据包含客户即客时户偏收入好支分出析信息和长期偏好分析，客形户渠道使用成客户兴趣偏好标签,客户社会关系网统计分析,客户历客史交户易交互信息,客户资基金往于来分析客户对内对外的各.类.数据，形成完整的客户交互标签,人口统计学人口标属签性基本属性，消源费于能现力有客户基本信息以及外部数据源,性别,家庭住址,工作单位用户价值渠道使用偏好用户满意度,年龄,收入和支出用户兴趣爱好用户活跃度用户风险评分,交易流水,.产品和.服.务,购买历史,近期金融产品需求,未来服务预,资金往来期趋势,账户历史趋势客户行为产品客购户买意次见数偏好反馈,客户沟通记录,（邮件/短信/QQ）,客户讨论倾向,渠道使用频率投客诉户次态数度和观点,基于企业业务需求、场景构建标签，划分主题、颗粒度等,e.,04：

商业建模,e.,分类聚类算法,预测算法相似度计算推荐算法文本挖掘算法,模型一：

客户细分模型挖掘高价值客户，提升非付费客户到付费客户的转化率,e.,客户分类,描述,实现步骤,高价值客户可定义为：

1、件均保费高的期缴保单客户,1、抽取A公司高价值客户和非高价值客户两个数据样本,2、保单数排名前矛的客户2、分析两个样本的群体特征，找出高价值客户群相,高价值客户画像对高价值客户进行画像，归纳总结高价对非高价值客户群的区别，并进行画像,值客户群体特征，从现有客户中挖掘有3、根据画像结果，按照营销跟进并根据效果进行持潜力的客户，使其转化为高价值客户续优化,通过分析付费客户和非付费客户，画付费像两