一、项目背景及目标

对于绝大部分保险中介从业人员而言，持续的新契约成交是其收入的主要来源，而新契约主要来源于新客户参保和客户加保两种渠道。促成新客户成交，必须让客户对自己、公司、产品有足够了解，并认可保险的价值，同时还有一定的考虑周期，而对于营销过程的每一个环节都需要投入一定的人力、财力、物力支持。但随着中国寿险行业的发展，目前人身保险公司已近百家，中介从业人员已超800万人，市场竞争日趋白热化，在产品趋于同质化及保险信息获取媒介多样化的情况下，新客户的开拓不仅成本越来越高，且获取难度也越来越大。而对于原有客户，只要其对自己投保的产品及得到的服务足够满意，便会有机会进行再次投保以补充自己的保障缺口，同时对于中介从业人员而言，客户的开发可省掉新客户开拓中的大部分环节，不但成本低且成交率更高。但是，对于公司业务团队中的大部分人员而言，均缺乏判定客户有加保需求、挖掘其现有保障缺口及高效二次开拓的经验和能力。

为了实现辅助公司现有业务人员对客户的二次开拓，促进渠道的业绩成长，公司利用大数据结合机器学习算法搭建了“客户加保预测模型”，对现有客户进行加保预测，并将预测名单以标签形式推送给业务人员，以使其更有针对性的拜访客户，提升展业效能。

二、创新点

通过利用大数据结合机器学习算法分析客户加保的可能性，通过规则筛选出人员清单，从而赋能业务人员有针对性的开展保险业务。加保模型通过客户关系信息，客户消费信息，客户风险信息，保单类型信息，保单价值信息以及时间窗口信息等等方面，对客户的可能加保意愿进行全方位的衡量。通过训练获得模型后结合业务展业特点及客户关系进行微调，终提供加保标签供业务人员使用。

三、技术实现特点

1.数据准备

在数据准备过程中，首先经过抽象业务场景，通过人工经验快速确定可能涉及的数据范围（此范围宁多勿少）。之后对确定好的数据进行数据探查，因为在存储的数据中并不是所有数据的质量都达到使用标准，数据和特征工程的质量决定了模型的天花板，因此在这个过程中进行了反复的确定，以确定其在数学层、业务层均不存在问题。基础字段确定后在字段间进行数据衍生以生成符合指标的手段达到升维的目的。由于数据中不存在数据不均衡问题，且选择了决策树作为基学习器，以至于不需要对数据进行标准化以去除其量纲。完成所有步骤后对离散型变量进行哑变量转换，保证去除离散型变量内部的数字大小关系而确保模型正确性。

2.模型生成

在决策树类基学习器ID3、CART、C4.5中，C4.5是ID3的改良版，CART虽然运算性能好，但损失了一些准确性。因此使用C4.5作为加保模型的基学习器，同时为了提高其准确性，避免一个基学习器一手遮天，因此使用Adaboost对基学习器进行集成。另外在评价函数的选择中，由于加保这个行为能够给公司带来直接利润，所以宁可预测数量过多也不能错失机会。因此选用召回率作为模型的评判标准，此数值比精准率、准确率、F1数值都更加符合实际业务需求。

3.试点评估

在试点机构试运行一段时间返回数据之后，需要验证模型在实际使用过程中是否真的产生了效果。在验证阶段选用假设检验方法来验证有效性，目标指标选用的是各试运行机构的加保率变化作为目标指数。由于其为连续性变量且A/B测试为两组，同时其分布不明，因此选用了假设检验中的Mann–Whitney U检验。

四、项目过程管理

1.需求调研及分析阶段

此阶段为2019年8月至2019年9月，主要对公司当前的业务痛点进行调研及梳理，结合公司现有数据对业务渠道的赋能场景开展研讨，并对可实施项目逐一进行分析及汇报，终选定项目价值高、研发周期合理且实施方案全面的“客户加保预测模型”。

2.数据整合、模型搭建及内部验证阶段

此阶段为2019年9月至2020年2月，主要对公司客户的现有数据进行了梳理、清洗、整合，并尝试进行模型搭建，在过程中不断进行尝试、调整和检验，期间训练集使用 153万张保单，模型计算 3,000万亿次，决策树平均规则数量 682.3条，终实现预测名单准确率达到97%以上。

3.试点运行、全国推广

2020年2月公司挑选了三家分公司进行试点（江苏、四川、山东），并根据试点机构的反馈，逐步完善加保预测的相关配套工具（保障视图、互动消息、预测效果反馈），进一步为业务人员拜访客户提供有效的工具支持。截止2020年6月三家分公司试运行期间的加保率达到12.1%。

在试运行3个月后，公司对试点机构每家中支均进行了加保数据验证，统计其加保率的增长，终假设检验的置信度高于95%，故决定加保预测模型在2020年7月向全国进行推广。截止目前，加保预测效果的反馈中，有93.1%的人员对加保预测结果给出了肯定的反馈。

五、运营情况

消息推送：提供与客户互动的消息模板，业务人员可通过微信或短信将选定的消息推送可客户，建立初步沟通。

加保标签评价：收集业务人员对加保标签的评价情况，在了解业务人员对标签的认同度的同时，进一步对模型进行优化。

客户现有保障视图：在推送加保标签的同时，为业务人员提供客户在公司的保障情况，使业务人员对客户的保障有初步了解。

客户保障清单（规则中）：在保障视图的基础上，进一步为业务人员提供客户在公司的详细保障信息，助力业务人员对客户进行具体的保障梳理。

客户家庭保障树（规则中）：为业务伙伴提供加保客户的家庭保障结构图，是业务人员全面了解客户家庭的整体保障情况。

客户保障五维图（规则中）：对客户现有保障缺口进行计算，并推送给业务人员，协助其后续与客户的沟通。

六、项目成效

1.加保预测客户的转化情况

加保标签2月17日上线试运行至今，虽受疫情影响较大，但仍取得了较好的成绩：加保客户 5,478 位，承保件数 7,988 件，人均加保 1.5件；累计承保规模保费 3203.8万元，折合标准保费 2395.5万元。

2.业务团队对于加保预测模型的评价

全国推广1个多月后，业务团队对加保预测模型评价的肯定反馈率达到93.1%。从加保预测模型受益的业务人员感言：

加保标签给我们的服务安装上了GPS定位系统，让我们的服务有了精准定位。

打开了我的财富密码，对客户了解的越多，就越是能够深入的了解客户的需求。

利用数字化梳理客户，及时发现客户需求，让展业更便利，使精准销售拜访有理。

加保标签能够及时提醒自己对老客户服务，不断补足保额，是贴心的小助手，通过加保标签拜访客户时更有信心。

前期客户拜访没有目标，有了加保标签，目标更加明确的进行拜访，节省了更多时间，也促成了更多保费，是非常便利的展业工具。

加保标签能够一目了然的让我知道哪些客户有保障缺口，做客户信息整理很方便。

给我们提供了一套探明系统，让我们看到了客户保障缺口的黑洞。

通过加保标签梳理维护客户，解客户之所难，对客户的超值服务得到客户的认可。

七、经验总结

通过客户加保预测模型的搭建，在公司首次实现以大数据结合机器学习算法助力业务团队提升产能，使得更多职能部门、管理层、业务渠道深刻体会到科技赋能的效果及价值，并为公司数字化转型的道路夯实了基础。

后续公司将结合本次经验，搭建代理人及客户画像的理论框架原型，并依托理论框架对公司数据进行梳理及整合，之后利用公司现有的数据资源（自然属性、行为数据、结果数据、复核数据等），在业务人员的甄选、培育、绩效提升、组织发展、留存等方面；客户的服务、保障分析、销售线索、风险控制等方面，分步骤尝试自建全方位场景化赋能工具，提升团队的自助经营能力及客户满意度，为公司打造长远且稳健的核心竞争力。