新光人寿揭露制定AI策略的方法和资料模型架构，反映在其预测分析应用

新光人寿保户关系部资深协理廖晨旭昨揭露新光人寿AI发展和现况。他表示，新光人寿目前在保险领域应用的AI场景，包括客户生命周期管理、产品规划、业务员管理、核保和理赔，进一步来说则有保单理赔风险系统、核保风险预测模型系统和智能客服。

廖晨旭认为，保险业之所以会投资AI技术，是因其能改善直通式处理（Straight Through Processing，STP），像是电子签章、数位内容管理和自动化整合等流程，而借助机器人流程自动化（RPA）、机器学习和开源AI技术，不只能降低保险业STP成本，还可以简化程序。

也因为这些优点，各国保险业也已逐步应用AI技术，范围涵盖了市场行销与通路优化、核保、客服，以及理赔和人才招募等。而知名金融保险调研顾问机构West Monroe Partners在2017年释出的报告中更指出，51％的全球保险公司将高阶分析技术应用于理赔，这也点出了保险业优先考量的AI应用场景。

而新光人寿也不例外。廖晨旭指出，风险控管和理赔也是新光人寿的发展要点。他也进一步说明，新光人寿现阶段的AI应用领域，除了有客户生命周期管理、产品规划之外，业务员管理、核保和理赔等风控场景也是新光人寿的着重点。

廖晨旭也大方分享了新光人寿制定AI策略的方法，引用国外知名AI管理学者Ajay Agrawal制作的表格，明列出执行流程和资料训练两大线路。在执行流程这条线路中，得先厘清想用AI解决什么问题，先预测做决策时所需的资料，再判断AI模型出现的不同结果或错误，最后列出评量任务成功的指标。而在资料训练这条线路中，则有输入资料、训练和回馈3个步骤，要找出预测算法所需的资料、执行算法需要的资料，以及如何用结果来改善算法。这个设计AI服务方法的成效，也反映在新光人寿的风控和理赔等AI应用上。

至于新光人寿的资料模型架构，则由“资讯管理系统”、“预测分析”、“报表及仪表板”等3大部分组成。资讯管理系统的基底为营运系统，包括了核保管理系统、理赔管理系统和其他系统，这些系统的资料可分别向上进入场景资料模型或资料仓储，输出后再进入“预测分析”中的分析资料市集，比如理赔及核保分析、客户及行销分析等，而资料仓储的资料，则会进入属于商业智慧资料市集的报表及仪表板。

在这样的资料模型架构下，新光人寿进行了不少分析预测应用。以先前推出新光人寿推出的保单理赔风险系统为例，新光人寿透过分析保户过去5年来的理赔资料，建立了好人模型与坏人模型，一个是要筛选出低风险保户来加速理赔过程，另一个则是要筛选出理赔诈欺高风险的保户。坏人模型会寻找过去保险诈欺的特征，比如密集投保、高额投保或跨区就医等，再加以评分。只要分数超过75分，系统就会显示警示，提醒查核人员注意。

而好人模型则是筛选出低风险保户，但由于涉及保险理赔金，该模型预测率需达到与人工相同的90％才能上线。有了保单理赔风险系统的运行经验，新光人寿也在今年初推出核保风险预测模型系统，另也规划将此类预测模型的应用范围，延伸至业务人员管理。

廖晨旭也指出，新光人寿在智能理赔方面，除了运用理赔风险模型，也正研究区块链技术，希望透过区块链资讯共享和不被窜改的特性，连结医疗院所的诊断资讯，来作为保险理赔依据。

而文字智能客服小新，也是个新光人寿发展智能理赔的关键助力。小新的前身是语音辨识系统，将来客电话语音同步转换为文字，再进一步分析客人问题与偏好。后来，新光人寿借助自然语意分析、机器学习技术与保险专业知识库，让小新客服正式上线，来回答关于保险商品、保费和保户服务等问题。

廖晨旭谈到新光人寿导入AI的成功关键，不外乎是资料、人才和技术。但他认为，“技术对我们来说，倒不那么在乎，”反而是人才和品质良好的资料，才是关键。

最后，他也提到了新光人寿在发展金融科技服务，甚至是在进行数位转型时，所遇到风险问题，像是在开拓数位通路时，会产生线上与线下的通路结构冲突；而当公司决定发展新领域、引进新人才时，也会产生内部新、旧员工职务安排的冲突。不过，“投资效益的冲突，是最严重的”廖晨旭指出，当公司要执行一AI专案、送进预算审议委员会时，最常遇到“这个专案会带来什么效益？”的问题，而这个问题，往往难以肯定地回答。也因此，他认为创新与投资效益，其实需要另一种衡量方式。文◎王若朴