Zi 字媒體

你能像購買牙膏和瓶裝水一樣，輕鬆購買一個20年期50萬美元的人壽保險單嗎？答案當然是「不能」。我們還達不到這個程度，但人工智慧（AI）和機器學習在人壽保險行業的應用已經發生了翻天覆地的變化。AI的功能性簡直是為人壽保險而生的。保險行業由於各種各樣具有細微差別的保單細節，多年的歷史數據以及其急需要改造的獨特的銷售流程，因此擁有大量複雜的數據集。AI通常是通過自然語言處理（NLP）的鏡頭來操作—當有人詢問保險報價，網路平台諮詢，甚至提交保險理賠文件時，都由NLP接管。在購買前期階段，AI機器人可以幫助人們了解他們的保險需求，回答有關他們的財務狀況的問題，並幫助客戶堅定購買的信心。但前提是，它必須可以提供非常複雜且個性化的服務才能真正奏效，否則客戶可能會收到「抱歉，我不明白你的問題」的回應。AI在該領域的另一個重要應用是在保險購買的體驗中採取個性化的方法：根據具體的客戶資料和投入量度身定製和購買過程，最終達到可以避免在不相關問題和步驟上浪費時間。基於機器的演算法承保隨著更多的數據和經驗的出現，機器學習技術可以迭代排列，以便獲得在只有擁有更多的申請者之後才能看到數據點之間的微妙模式和關係。它可以超越人的分析去發現大多數人會忽略掉的錯綜複雜的細節。這種基於機器的過程在人壽保險客戶申請保單的過程中為他們提供更多層次的信息價值。例如，因為它更高的準確性，可以當下快速的提供保險範圍決策，並提供更具競爭力的定價，從而降低風險。目前以機器為基礎的承保還是有一定限制的。機器學習主要應用於可以根據其接收的數據輸入和承保規則作出準確決定的情況下。但是，對於更複雜的案例，或者需要從大量的現場分析中才能得到解決的案例時，這時候機器還是被編程為應該將分析轉交給人類進行更徹底的審查。當需要手動人工審查時，機器可以以結構化的方式縮少冗雜細節，使承保經紀人能夠更快專註在重點細節上。數據：人壽保險的基礎要理解人壽保險中的機器學習，您必須考慮作出決定所需的數據，並確認其正確性。這是分析和迭代最複雜的數據集之一，因為它需要長達30年才能看到承保決策的正確性與否的直接結果。人壽保險機器學習的數據主要有兩類：申請人信息和外部數據來源。在申請過程中獲得有關客戶的深度資料是非常有必要的。這是機器學習應用在比較一個人的健康史，生活方式選擇，職業以及他們隨後對人壽保險的風險等信息。為了創建一個明確的比較，該模型需要承保決策的歷史結果，第三方數據集以及承保規則。例如，我們的演算法承保平台使用的規則是累積15年約100萬申請人的歷史數據。結合行業標準的第三方數據源和申請人信息，模型才能知道如何來做決策。您可能會問，「通過日常活動，社交和各種其他數據集，為什麼不去探索新的數據源？」答案：從客戶和技術的角度來看，更多的數據並不是一件好事。如果您要求客戶提供更多數據，那麼您必須為他們正在處理的信息提供更多的價值。您還必須確保合法合理地收集，分析和處置該數據。從機器的角度來看，太多的示例場景的數據點太多可能會為機器在做正確的「重要」決定時創建太多變數。關鍵在於平衡更多數據的需求，增加精度和價值。未來方向隨著越來越多的公司尋求部署AI技術，重點應該是客戶價值，這是最重要的。如果正確使用，機器學習是可以減少收集數據的需求，而不僅僅是提出確定死亡率所需的問題，並最終作出決定。雖然通過Al訂購人壽保險可能並不實際，但完全以機器為導向過程的財務保險的想法並不遙遠。托德·羅傑斯（ToddRodgers）是Haven Life的首席技術官，Haven Life是一家專註於改善人壽保險購買體驗的創業公司。