AI大數(shù)據(jù)分析驅(qū)動保險業(yè)數(shù)位轉(zhuǎn)型

陳素金管會於2021年12月21正式宣布，智慧保險的重心是「決策數(shù)位轉(zhuǎn)型」，而AI大數(shù)據(jù)分析則是最核心的險業(yè)對AI大數(shù)據(jù)分析技術(shù)與應(yīng)用有全AI大數(shù)據(jù)分析是工業(yè)4.0

日益成熟AI大數(shù)據(jù)分析科技，容位決策大腦」，解決企業(yè)痛點，從強電影宇宙系列《鋼鐵人》，搭配數(shù)位決策大腦「賈維斯」(JustARatherVeryIntelligentSystem，簡稱JARVIS)，其是1.位決策大腦」，借助AI大數(shù)據(jù)分析工

析需依賴精算/數(shù)據(jù)分析師(DA)/資料科學(xué)家(DS)、需要人工判斷與監(jiān)控、需在選擇AI大數(shù)據(jù)平臺時，首重能(OT)使用，上手簡單並且態(tài)資訊、使用自然語言方式即問即答(即對話式數(shù)據(jù)分析)、有視覺化儀表板單位可自行操作NoCod”、有洞見(Insight)輔助決策與即視監(jiān)控示警，能1.資料(Data)是數(shù)位經(jīng)濟新能源，立數(shù)位化作業(yè)與完善數(shù)據(jù)治理機制，臺灣保險業(yè)很多仍是紙本作業(yè)，所謂「沒有Data，就沒有AI」，當(dāng)務(wù)之急是要建構(gòu)「資訊架構(gòu)」(InformationArchitecture，簡稱IA)，系統(tǒng)化蒐集數(shù)司各單位各自擁有數(shù)據(jù)，彼此沒有整營運模式無法放棄，新的系統(tǒng)無法融數(shù)據(jù)治理不是IT問題，而是營運問(OT)承擔(dān)管理責(zé)任，而且必須有唯一的數(shù)據(jù)所有者(Owner)。衡量一個企業(yè)數(shù)

資料探勘步驟，首先是商業(yè)理解(BusinessUnderstanding)，根據(jù)商業(yè)需後是資料理解(DataUnderstanding)，對資料進行蒐集、識別與熟悉，再者是準備資料(DataPreparation)，對資料進行清理，建立模型(Modeling)，評估(Evaluation)是否所建立模型有達成預(yù)設(shè)目標(biāo)，最後是發(fā)佈(Deployment)使用，大數(shù)據(jù)具有資料量龐大(Volume)、資料變動速度快(Velocity)、資料多樣性(Variety)與資料真實性(Veracity)的4V(DataLake)ETL工具，進行清洗、集市中，成為聯(lián)機分析處理（On-LineAnalyticalProcessing，簡稱OLAP）與資料探勘的基礎(chǔ)，ETL常用的三種工具是Datastage,Informatica,Kettle。一致、沒有可對應(yīng)ID欄位的數(shù)據(jù)，可透過建立資料的主數(shù)據(jù)(Master2.以供跨部門共同使用，減少合併時混或極端值，可移除、留空、補眾數(shù)/平均數(shù)/有意義值、或?qū)?shù)轉(zhuǎn)換等處理。大家較熟知的Garner「數(shù)據(jù)分析成熟度」，是依據(jù)「困難度」(Difficulty)與價值(Value)，分為以下四個階段：(一)描述性分(Descriptive能幫助回答已經(jīng)發(fā)生的事件(Whathappened)？偏重過去資料分析，是屬於後見之明(Hindsight)。依據(jù)歷史資料有助於發(fā)展KPI指標(biāo)，所(二)診斷性分(Diagnostic可幫助回答事件為什麼會發(fā)生(Whydidithappen)？可協(xié)助辨識

(三)預(yù)測性分(Predictive可幫助回答未來會發(fā)生什麼(Whatwillhappen)？是屬於洞察力(Insight)，利用歷史資料去辨識趨生，使用技術(shù)包括統(tǒng)計與機器學(xué)(四)指示性分(Prescriptive可幫助回答應(yīng)採取什麼行動去達成所欲目標(biāo)(Howcanwemakeithappened)？依賴機器學(xué)習(xí)策略在龐大資料中找出其型態(tài)(Pattern)，趨向優(yōu)化，是有先見之明的遠見3慧，大多落於上述第一~二階段，AI大數(shù)據(jù)分析，則較能涵蓋第一~四階段，(根因/分群/異常/關(guān)聯(lián)分析)，以及商業(yè)智慧(BusinessIntelligence,簡稱BI)Windows-based應(yīng)用程式、Web-based應(yīng)用程式到Cloud-based的雲(yún)端應(yīng)用程式，結(jié)合資料科學(xué)，包括統(tǒng)計、資料探勘、R/Python/Matlab、AutoML、AI等，再整從早期技術(shù)導(dǎo)向(TechnicalBI)的資訊專家(IT)，逐步走向自助型(Self-serviceBI)的分析人員(DA)。近年“LowCode”與“NoCode”盛行，無需統(tǒng)計與程式技用者(End-userBI)的OT目前有些保險公司仍是使用Excel來製作報表，AI大數(shù)據(jù)與Excel的主要差異處：Excel是產(chǎn)生報表、小數(shù)據(jù)分與簡單問題分析，而AI大數(shù)據(jù)則是探戰(zhàn)情室、進階統(tǒng)計與AI機器深度學(xué)習(xí)、與複雜問題分析，從傳統(tǒng)強調(diào)視覺化Analytics)，即AI+BI的ABI，可以做到「詢問資料」(AskData)(Explaindata)。

績效指標(biāo)(KeyPerformanceIndicators,簡稱KPI)或關(guān)鍵風(fēng)險指(KeyRiskIndicators,簡稱KRI)來進行營運管理。4.KPI業(yè)建立過去、現(xiàn)在與未來360度視角的透過最新自然語言NoCode的AI分析、差異分析與分群分析?等，可2.需要管理業(yè)務(wù)、產(chǎn)品、各單位、各通路等多項KPI指標(biāo)，難以分析各部門KPI透過統(tǒng)整資料庫，簡化製作圖表及報表，透過KPI的相關(guān)因素，快速找出問題快速串連各部門KPI指標(biāo)，降低80%時間成本查找KPI異常原因每天專人利用Excel製作並發(fā)送業(yè)績報表，每月管理會議需等候相關(guān)單位提供資料，不即時，不完整，透過動態(tài)戰(zhàn)情室/應(yīng)用程式即時多元分析角度，包括業(yè)績總覽、KPI、通路分析、結(jié)構(gòu)分析、異常分析、同業(yè)分析、排報表效率與品質(zhì)提升90%，減少化各單位/各通路的動態(tài)業(yè)GoogleAnalytics的數(shù)據(jù)分析，無法協(xié)助行銷團利用AI分群法再用PCA降維發(fā)現(xiàn)，將目標(biāo)客戶可針對不同特徵族群做精準行銷依賴經(jīng)驗設(shè)定核保規(guī)則篩選客戶，可能會遺漏一些利用AI非監(jiān)督式學(xué)習(xí)，找出核保未知的風(fēng)險因車險理賠案件量大，靠人工審查，難即時預(yù)防人為價格不透明，無法了解是透過示警與異常分析，可即時找出問題個案處/異/趨勢分析等，可顯示提供即時預(yù)警系統(tǒng)，降低審查人人力忙於數(shù)據(jù)計算，依賴歷史的靜態(tài)資料與單一維可自動統(tǒng)計，提供未來趨勢與預(yù)測，更多維度人工作業(yè)比重高，存在一定比率的錯誤和漏判，較缺乏對績效管理與前瞻性導(dǎo)入AI大數(shù)據(jù)平臺的動態(tài)數(shù)據(jù)探勘，釋放更多報表效率與品質(zhì)提升90%，減少需人工透過Excel進行資料整理及產(chǎn)出報表，無法做時間序列分析與部位細部風(fēng)險分析，超限警示需人工比對，缺乏整合性盤中整合各交易系統(tǒng)，利用增強分析即問即答，提供風(fēng)險細部分析，透過釘板自動生成超限警示通報，並自動生成每日90%人工檢視龐雜資料，交易分散於不同系統(tǒng)，傳統(tǒng)報表不夠即時，缺乏彈性，樣態(tài)門檻採用rule-based，整合各類客戶背景風(fēng)險與交易資料，增強分析即問即答，提供風(fēng)險與金流分析演算法，輔助審案作業(yè)效率提升85%。AI傳統(tǒng)依賴過去歷史資料分析，是落後觀點(BackwardLooking)，無法依據(jù)即時資訊做更精準的前瞻式預(yù)測(ForwardLooking)，將會被AI大數(shù)據(jù)分析技術(shù)所導(dǎo)入AI大數(shù)據(jù)平臺，能輔助建立導(dǎo)入AI大數(shù)據(jù)平臺可優(yōu)化決策，少走彎路少犯錯誤，能發(fā)展決策型組高決策速度和品質(zhì)，讓資源更有效配

依據(jù)2019年IDC的DataReadiness90%。(DataReadinessIndex,簡稱DRI)是採多維度衡量，包括組織(Organization)、人員技能(Skills)、流程(Process)、科技(Technology)和治理(Governance)。DRI落後(Lagging的企業(yè)，是指業(yè)務(wù)決策是根據(jù)經(jīng)驗，團隊從精選報告中審查數(shù)據(jù)驅(qū)動的見解，只限少數(shù)個人5.(DRIvs.DRI6.vs.vs.或?qū)ｉT團隊積極使用數(shù)據(jù)，業(yè)務(wù)數(shù)據(jù)留在標(biāo)準控制的孤立系統(tǒng)中，存在數(shù)據(jù)安全、隱私和質(zhì)量問題。DRI發(fā)展中(Developing)的企業(yè)，是指數(shù)據(jù)有時被臺和工具來分析歷史數(shù)據(jù)並能管理不同面向的數(shù)據(jù)治理。DRI領(lǐng)先(Leading)的企業(yè)，是指數(shù)據(jù)被視為成功的關(guān)鍵差異化因素，團隊擁有端到端的數(shù)據(jù)分析技能，可以從原始數(shù)據(jù)中提取見近乎即時地提供數(shù)據(jù)以協(xié)助大規(guī)模的

使用者與數(shù)據(jù)互動，建立了一個完善框架來全面、持續(xù)地解決數(shù)據(jù)安