如何为AI实现数据准备就绪：LIMRA、微软和UCT专家为保险公司提供的实用建议

如果你今天从零开始创办一家保险公司，我保证人工智能将会渗透到你的整个价值链中。它可能会成为你很多流程中的核心元素。

人寿保险中的人工智能应用场景

保险业正处于人工智能（AI）驱动的重大变革之中。许多保险公司已经开始使用AI来推动重要的流程，这些流程对效率、客户参与和决策产生了重大影响。常见的强大应用场景包括：

增强客户体验：保险公司使用AI来更好地了解客户，努力了解如何改善他们的体验。AI可以定制化交互、自动化任务和改善风险评估。这些结果显然会导致客户体验更加高效和积极。

改善决策：AI可以分析大量数据来识别模式和趋势，从而实现更好的承保、理赔和欺诈检测。保险公司还在研究他们的保险产品，并询问如何使用分析来使产品更加连接和数字化。

提高效率：AI可以自动化重复性任务，释放人类员工的时间和精力，让他们专注于更复杂的活动，并改善员工体验。

Gen AI技术相对较新，因此我们目前看到的部署主要集中在低垂果上。它们是内部面向的应用场景，许多应用场景都围绕着使用商业应用程序来改善客户（间接）和员工（直接）的体验。“目前最常见的问题之一是，如何创建一个类似Chat GPT的体验，让员工可以输入提示并立即获得有用的和可用的响应，并且是在安全的环境中，并且利用我们的数据？

“出生于模拟”的挑战：遗留系统数据孤岛

虽然AI提供了令人兴奋的机会，但保险公司面临着实现其潜力的挑战，因为它们的遗留系统和数据管理实践的质量参差不齐。

大多数保险公司都是成熟的企业，具有数十年的历史。它们绝不是“出生于数字”。这意味着它们在数据方面没有从一张白纸开始。

全球的人寿保险和年金公司都在进行“数字化”的旅程，其中混合（遗留模拟和第一代数字）数据收集/转换方法正在与纯粹的数字存储和使用模型相遇。这确实创造了一个有趣的复杂性，因为这两种方法在保险公司内部共存。

这为那些“出生于模拟”的人创造了一个挑战。

分析、AI、LLM和其他新数据驱动的应用程序需要一致和高质量的数据。遗憾的是，这不是大多数公司面临的情况。他们没有完美格式化的数据，可以在实时中普遍使用。更有可能，数据结构、收集和可访问性会随着时间的推移而演变。一些公司称之为“沼泽”，因为可能有各种格式和结构随着时间的推移而演变。并且其中的大部分将被困在遗留的PAS和CRM和ERP系统中，这些系统随着时间的推移而被添加到IT环境中。

这意味着为了为未来的数字应用程序打下基础，公司必须找到一种方法来现代化他们的数据并使其准备好用于新用途。保险公司必须有一个数据现代化计划，说明如何访问、清理、转换和迁移积累了几十年的遗留数据。

传统的保险公司经常面临：

数据质量：遗留系统通常包含不一致和格式不良的数据，这会阻碍依赖于干净和组织良好的数据的AI应用程序。数据现代化：现代化数据基础设施和治理实践对于成为更“数据准备”的AI集成至关重要。数据孤岛：许多保险公司有多个遗留的政策管理系统，使得难以实时访问数据，有效地将公司的大部分数据囚禁起来。

保险公司的AI准备路线图

在保险业，准备数据用于商业智能（BI）和人工智能（AI）项目是一项战略性任务。大部分数据可以与最小的变化实现双重使用，但在AI领域，必须应用独特的考虑（有时对用于BI用途的相同数据）。为了确保向数据驱动决策的无缝过渡，保险公司必须采取具体措施：

愿景和战略：将AI作为使能技术明确地与您的业务目标和期望的业务成果联系起来。制定一个时间框定的、现实的计划，并执行该计划。然后，一切都源于此：您的员工、您的流程。并且请记住，AI可能是一种高度先进的技术，但最终，它仍然是一种工具。

它是关于数据集成——跨系统和实现业务目标。不要为特定原因创建数据集，分散在不同的孤岛中。

不要以技术为主导。以您的业务战略和您试图解决的业务问题为主导。

愿意参与“策略”！由于您自己的个人和组织学习，会发生转变。我们必须愿意根据新的发现和经验来纠正我们的根本理解，我们组织对这些强大新应用场景的需求和使用。

监管和优先顺序

监管影响战略，特别是在保险公司需要思考如何优先考虑AI项目时。

我目前正在与客户合作的事情之一是帮助他们了解他们应该优先考虑哪些方面。我们是一个高度监管的行业。这不会改变。AI的目的是增强，而不是做出决定。目前，它的目的是使事情变得更容易。因此，优先考虑监管和隐私考虑的应用场景可能不是安全的起点。一个很好的例子是使用生成式AI的客户面向聊天机器人，它依赖于客户数据来提升体验。我们目前还没有看到太多客户这样做。相比之下，如果是内部应用场景，例如提高联系中心代表、索赔处理人员或承保人员的生产力，您可能会从那里开始。这就是我们目前看到的大多数客户部署的地方；帮助他们的员工在工作中更加高效和有效。

数据不仅仅是一个IT项目——业务单位合作至关重要

信息技术（IT）和业务之间的强大合作对于制定数据需求的全面理解至关重要，这是有效AI部署的基石。企业两端的洞察力整合确保数据项目不仅在技术上可行，而且还与企业的总体目标密切相关，从而增强了AI项目的相关性和影响力。

数据不仅仅是一个IT项目——业务单位合作至关重要信息技术（IT）和业务之间的强大合作对于制定数据需求的全面理解至关重要，这是有效AI部署的基石。企业两端的洞察力整合确保数据项目不仅在技术上可行，而且还与企业的总体目标密切相关，从而增强了AI项目的相关性和影响力。

数据项目的敏捷性这些项目还必须足够灵活，以适应不断变化的客户期望和监管格局。需要持续的沟通和数据策略的细化，以快速应对新出现的趋势和挑战。对保险公司系统拓扑学的混合共存的商业和技术理解将使数据项目更加敏捷，并且在快速扩展的未来状态下具有更强的治理模式。合作方法确保数据项目与业务目标保持一致，使AI项目更加有效和结果导向。

同样，投资于可扩展和灵活的云基础设施可以增强您在市场条件变化和AI能力演变时的敏捷性。数字互动和实时分析的需求推动了数据量的指数级增长，这需要基础设施不仅能够容纳这种增长，还要以一种成本有效和敏捷的方式进行。

数据项目的可扩展性云计算解决方案提供了管理这些不断增长的数据量所需的可扩展性和灵活性，为AI项目所需的敏捷性提供了基础。这种基础设施可以无缝地扩展数据存储和处理能力，确保保险公司可以利用AI应用程序所需的大量数据，而不会受到物理硬件限制的阻碍。虽然扩展比以往任何时候都更容易（在云技术世界中），但这些决定必须以目的和价值为基础，以避免“过度支出”和侵蚀薄弱的预算/利润率。

数据治理建立全面数据治理框架为确保数据完整性、上下文和安全性提供了基础，这对于AI技术的成功部署和运行至关重要。强大的数据治理框架为管理AI系统依赖的庞大和复杂的数据集提供了基础，确保组织内的数据准确、一致定义和安全管理。制定结构化的方法来处理和治理非结构化数据是许多保险公司面临的新挑战。

数据管理角色该框架的核心是明确定义与数据管理相关的角色和职责。明确定义的数据组织图确保您的整体数据策略将在组织中管理得足够高，以提供适当的监督，同时确保在团队和项目中，数据的整个生命周期，从创建和存储到访问和删除，都得到适当管理。

数据访问和所有权政策治理框架还应详细说明数据访问控制和数据所有权政策。这些措施保护敏感信息免受未经授权的访问，确保数据仅在需要时访问，并以负责任的方式使用。访问控制和所有权政策还有助于确定数据使用的界限，确保遵守监管合规性，并遵守道德准则。

一个结构良好的数据治理框架保护组织的数据免受内部和外部威胁的侵害，创建了一个单一的真相来源，并为有效利用AI技术提供了坚实的基础。该框架使保险公司能够利用AI的力量，同时保持最高标准的数据完整性和安全性。

数据素养的重要性作为基础能力数据素养在其核心是区分好数据和坏数据的能力。数据质量完全取决于管理数据的人。因此，数据素养必须在AI素养之前——这在整个组织中都是如此。

这现在被认为是任何数字化业务的核心竞争力。如果您没有在数据素养上进行适当的投资，您将面临越来越差的数据质量，因为与数据打交道的前线人员无法理解或解释数据使用的上下文。结果是，坏数据将渗透并感染您的AI模型。

因此，作为一个一般原则，关注数据质量，但也优先改善数据素养，通过持续学习计划为您的员工提供区分好数据和坏数据所需的技能。投资于AI素养倡议，以便他们了解如何与机器学习程序合作，以及他们使用数据做出的决定对训练这些算法的影响。

例如，数据素养对AI素养的影响，我与一位分析师交谈，他开始在组织中实施智能文档处理。一旦它投入生产，人们就必须开始手动分类和分类不同的文档。他很惊讶，因为第一天，他们发现大约40％的所有文档都被错误分类，他们不知道为什么。

准备数据用于AI的过程

大多数保险公司已经开始了他们的数据现代化之旅。他们可能正在从遗留源中提取数据，并将其放入新的存储机制中，以清理和现代化数据，并做出改善客户和客户体验或生成报告的改变。陷阱是为您的AI数据方法/策略采用“一刀切”的方法。保险公司必须以不同的方式看待他们的数据，以实现这种令人惊叹的技术带来的惊人结果。

数据评估和现代化准备数据用于AI应用程序的第一步是进行广泛的数据现代化。在这一步中，目标是评估数据质量、修复不一致性、缺口或错误，同时标准化格式和结构（在适当的情况下）。这可能包括通过工作方式来增强数据，并将代码值转换为“真正的商业语言”。

使数据表示方式和上下文化选择/存储更加一致，可以更高效地通过AI算法进行数据集成和处理。这一统一性对于AI系统至关重要，它们可能需要一致和结构化的数据集来有效学习和产生有意义的输出。

数据聚合数据聚合技术从各种来源收集信息，并将其合并为一个统一的数据集。对于AI来说，这个综合视图是无价的，为AI分析提供了一个反映广泛变量和场景的综合数据集。这不仅提高了生成的见解的质量，还增强了AI模型对新、未见数据的学习能力。

数据迁移

数据迁移是指将数据从多个来源策略性地移动和合并到一个中央存储库中，例如能够为复杂的AI算法提供数据的现代政策管理系统。

这个过程对于确保AI模型可以访问一个综合和多样化的数据集至关重要，这可以增强它们学习、识别模式和做出准确预测的能力。

有效地迁移数据需要精心规划，以确保数据完整性和一致性，包括将来自不同格式和结构的数据映射到AI系统可以轻松处理的统一格式中。此外，数据迁移项目也是制定如何最好地清理和规范化数据以删除重复和不一致的机会，这些可能会扭曲AI分析和结果。目标是创建一个丰富、干净和结构化的数据集，使AI模型能够高效和有效地运行，最终推动更明智的决策和创新。

通过仔细的数据迁移，组织可以充分利用他们的数据资产，为AI驱动的转型和竞争优势奠定基础。

数据集成

数据集成是解决访问数据被困在遗留孤岛中的问题的重要解决方案，适用于不想进行数据迁移或尚未实现“PAS理想国”（单一政策管理系统）的保险公司。

集成涉及使用工具从遗留平台中提取和转换数据，以便在需要时与需要实时访问信息的应用程序或解决方案共享。例如，代理和客户自助门户需要实时访问所有客户政策，无论它们存储在具有API连接的现代PAS上还是存储在旧主机上。数据集成使门户能够从任何遗留系统调用政策数据以供代理或客户查看。集成可以是“双向”的，例如，如果客户想更改他们的地址，他们可以在门户上进行更改，然后更新的数据可以返回到原始PAS。

这种方式，数据集成为保险公司提供了对关键数据的完全访问权限，提供了360度的客户视图，并且实时进行。这没有大型企业解决方案和相关的潜在风险和成本（一次性设置/持续）。

集成对于人寿保险公司有许多高价值的用途。它们使快速部署高级分析和AI成为可能，这些分析和AI可以将原始数据转化为改善决策的见解。

它们还使得将遗留数据源连接到模块化的新应用程序成为可能，这些应用程序可以在微服务架构上构建。这样，保险公司可以构建由API驱动的、实时数据解锁的遗留孤岛的小型应用程序生态系统。这些应用程序是可扩展的，可以构建以增强保险公司在承保、理赔等各个领域的能力。

元数据

实施强大的元数据管理是最后一块拼图。在AI领域，元数据不仅提供有关数据的上下文，还提供有关数据的血统、质量和AI模型中使用的参数。有效的元数据管理支持更大的数据透明度，并促进数据科学家、开发人员和业务分析师之间的合作。它确保所有利益相关者都对数据的起源、特征和约束有清晰的了解，这对于成功开发、部署和维护AI模型至关重要。

利用这些数据现代化实践，使保险公司能够在正确的时间访问正确的数据，并确保数据可用于新兴分析和AI用例。

总结

参与AI的开发，因为在3到5年内，它将成为主流。这意味着您需要今天就开始思考和工作，如何管理它将带来的变化。“AI能力和员工在角色增强AI时将拥有的新能力将需要新的思维方式、新的员工和组织中的新技能。因此，请准备好快速演变和适应。

保险公司非常了解并渴望利用高级分析和AI提供的潜在好处，但他们面临着为新用例准备数据的真正挑战。他们继续努力应对遗留系统，这些系统将历史政策数据存储在孤岛中，并且数据管理实践的质量很差。

通过系统地解决这些步骤，保险公司可以为BI和AI项目奠定坚实的基础，确保数据成为推动组织内决策的战略资产。

请注意，中文版本是由 AI 辅助翻译的，因此可能存在细微错误。

作者

Ai Base Network (ABN), ABN ASIA由具有深厚学术背景的人员创立，他们在美国、荷兰、匈牙利、日本、韩国、新加坡和越南等国家有工作经验。ABN Asia是学术界和技术相遇的地方。凭借我们领先的解决方案和优秀的软件开发服务，我们帮助企业提升水平，走向全球舞台。我们的承诺：更快。更好。更可靠。在大多数情况下：也更便宜。

无论您需要IT服务、数字咨询、现成软件解决方案，还是想向我们发送招标要求（RFPs），都请随时与我们联系。您可以通过[email protected]与我们联系。我们随时准备为您提供所有技术需求的帮助。