<mark id="oztn4"></mark>
0
日前，雷鋒網醫健AI掘金志邀請騰訊微保數據智能中心負責人李羽，做客雷鋒網公開課，以“保險科技助力用戶增長”為題，介紹了互聯網用戶轉化和推薦體系在保險領域的技術實踐。
目前，微保平臺已經服務上億的微信用戶，自研平臺也已經接入36家保險公司，處理超過十億級別用戶會話、千億級別用戶行為。
但微保最開始做保險推薦和獲客的時候，也曾經歷迷茫試錯期。
李羽表示，微保一開始覺得保險推薦和其他互聯網領域情況類似，可以很容易上線獲得收益，但實際完全不是這么回事。
最開始半年的研發，微保做了三個模型版本升級、15次實驗，但只有一次推薦獲得收益，效果也僅僅只有1%左右。
這種情況下，微保做了大量分析和行業調研，才一步步找到保險和其他領域推薦的不同，其中差異主要包括SKU規模小、用戶認知差、產品復雜且限制多等等。
為了解決SKU規模小、產品復雜的問題，微保引入了組合的概念，將原來單個保險產品做成組合，產品形態上是多個產品組合融合成一種卡片，再輔助一些推薦理由，逐漸讓用戶產生共鳴，把原來30個保險種類擴展成上千個SKU組合。
針對用戶認知差的問題，微保重新定義了問題，從端到端建模更改為意愿度推薦模型，在用戶買或不買、點或不點之前，就進行用戶認知程度識別，按照認知層級推薦。在認知度模型實驗中，這種方法成功對10%的尾部用戶點擊率造成極大提升。
以下為李羽演講全文內容，雷鋒網做了不改變原意的編輯：
很高興有這個機會跟大家做些交流，也感謝主辦方雷鋒網(公眾號：雷鋒網)。今天我分享的題目是保險科技助力用戶增長的實踐，我叫李羽，是微保數據智能中心負責人。
首先，介紹一下微保，微保全稱是微民保險代理有限公司，由騰訊控股。
騰訊這幾年大概投資了幾百家公司，其中絕大多數都是投資公司，例如美團和滴滴，但也有少量控股公司，例如QQ音樂、閱文集團，當然微保也是其中之一。微保是在2017年9月，獲批的保險代理牌照，并在2018年1月正式上線產品。
微保作為騰訊的控股公司，自然也可以獲得很多獨家資源支持，例如微信錢包九宮格里保險服務入口就是騰訊對微保的重要支持之一。
在微保成立之前，就曾有很多保險公司希望和騰訊合作，騰訊自身也希望把自己的互聯網能力和保險行業做結合，但過去騰訊每個團隊都有自己的主營業務，對于保險的理解和使用并不那么深刻。
而微保出現之后，基本上就能解決這個問題。微保作為一個橋梁，一方面可以承載騰訊自身的互聯網能力，一方面也可以和保險公司攜手一起為用戶創造價值。
微保作為騰訊旗下互聯網保險服務平臺，目標就是基于騰訊生態體系服務C端用戶和保險公司。
我們認為科技的發展有兩種驅動方式，一種是熱點驅動，一種是需求驅動。
熱點驅動類似于為科技而科技，行業首先會出現一些比較熱門或比較前沿的技術，隨后大家開始跟進前沿技術，再往后才是落地場景的思考。
微保科技成立的第一天，就是致力于用科技創造價值，里面包含幾個目標：
首先，用戶面向誰；其次，用戶有哪些需求點，需要怎樣的價值點；之后，針對這些價值點或需求制定解決方案；最后，為解決方案尋找技術，落地實施。
這是微保科技服務C端用戶的數字地圖。
第一級是保險行業需要解決的問題，例如產品好嗎？服務好嗎？是否安全？
下一級是具體子問題，例如產品是不是一定很貴？保險這么復雜，需要購買什么樣的產品？后續需不需要理賠？針對這些現實問題，微保希望通過科技層面探索解決方案。
再下一級是幫助保險精算師設計更有效、更具有性價比的保險產品，達到風險識別和反欺詐，以及大數據精算定價能力。
這幾個環節的問題，都可以通過科技手段解決。
例如，在復雜市場里選擇保險產品？就可以通過保險科技幫助用戶更快速、更高效找到適配的保險產品。
保險教育層面，也可以通過搜索引擎推薦、知識圖譜、智能客服等手段，解決用戶購買過程中關于核保和核賠的問題與困惑。
保險賠付疑慮層面，也可以通過保險科技，讓服務更直接。微保在這方面已經嘗試做智能理賠問診、保單管家、一鍵退保等功能。
作為一個保險代理平臺，除了面向C端用戶，微保還面向再保公司，再保公司的述求集中在兩方面，一方面幫保險公司找到更多優質用戶，另外一方面幫助驅動用戶增長，降低風險成本。
在這種情況下，微保打造一些平臺或中臺區域，在to B領域跟保險公司合作，例如，個性化的風控平臺、BI平臺、投放平臺等。
綜合來看，微保雖然是一個互聯網保險公司，但很多情況下，都需要對保險有足夠的認知和理解，才可以利用一些互聯網、AI技術幫助C端用戶選擇更好的保險產品，幫助保險公司提升人力效率，做到更精細化的用戶運營，同時在這個過程中，也需要運營中臺、對話平臺、AI語音等技術。
剛才分享的都偏效果和效率，其實整個傳統保險投保流程，以及續保流程和用戶生命周期管理，都是一個很漫長的過程。
這張圖可以看到，具體實現非常復雜，甚至解決方案堆在一起就有幾十個格子圖。
當然，整個格子圖構造核心還是基于騰訊金融云和騰訊公有云等基礎設施；在騰訊云之上才是微保Paas層；再往上通過中臺或平臺服務，降低前端業務開發量，提升研發效率和智能化水平；最頂層則是基于中臺和平臺構建輕量級業務層，用中臺能力快速拼裝各種業務，支持服務用戶。
接下里，從保險獲客視角，介紹微保增長黑客的工作。
首先介紹一下增長黑客，增長黑客是一整套體系和方法，近年很多互聯網公司都在嘗試和研究將增長黑客應用在業務增長層面。
早期嘗試增長黑客實踐的案例就是 Facebook，以數據為指引的實驗方式，系統性在用戶在生命周期的各個階段，尋找當下最具性價比的機會來推動北極星指標（唯一指標）提升，也就是注重通過數據和實驗的方式驅動業務，發現業務中的增長點。
具體執行層面，需要橫跨市場、產品、工程、設計和數據等團隊，把所有人聚在一起，為了共同的目標做實驗、想方法，并通過快速迭代的方式達到目標。
我們可以發現，增長黑客需要的數字體系目標分為以下幾類：
數字化，通過數據方式甄別業務實際情況，改進策略效果；
實驗化，數據比對、核心數據的生成，實驗化都是重要的方法；
精細化，技術需要滿足用戶、運營或產品等不同群體、不同場景和不同策略的精細化訴求，推薦就是精細化的一個重要手段；
平臺化和中臺化，這部分主要因為增長技術體系構建和實現比較困難、保險業務鏈條比較長；
例如獲客就包括用戶購買首單和后續的加購，以及第二年的續保等等，如果里面每個鏈條、每個場景都做增長和相關技術搭建，那最后整個服務效率和效果一定差異巨大。所以需要很強的平臺化或中臺化設計，讓整個公司健康險產品服務鏈條統一。
在整個實際實踐過程中，還需要注意一些技術之外的問題，例如因為每個業務團隊對增長黑客的理解不同，大家對增長的方法論也不是特別熟悉，就需要在磨合過程中，增加一些機制來填補業務方和增長技術之間的空隙。
這是增長黑客的技術體系，主要包含三個層面：
底層是數據中臺，主要提供基礎和應用能力，包括可視化和多元分析，以及算法和畫像能力。
往上是增長平臺，可以圍繞增長數據化和實驗化做一些個性化實驗平臺、業務平臺，以及運營平臺。
最頂層是互聯網和人工服務場景，互聯網場景包括微信場景，運營場景，廣告投放場景，人工運營包括售前服務和售后服務。
接下來會重點介紹三點：保險領域的個性化推薦；互聯網服務場景的保險領域個性化推薦；人工服務場景和管家智能助手。
前面已經提到實驗化是增長體系重要一環，通過實驗平臺相關工作就可以理解這些工作開展方式，但前面介紹遺留了一個問題，就是整個增長技術體系和真正業務對接過程中存在的縫隙。
關于這個缺口的彌補，微保在實踐過程中采用了BP制度，通過BP制度深入和業務緊密綁定起來在一起，彌補業務和增長之間的缺口。
BP的工作核心就是把業務方提出的目標、假設、需求轉換成底層中臺或平臺來承接一些明確技術需求。
目前，微保內部主要有三種BP技術角色：業務分析BP、個性化BP、系統BP。
業務分析BP的核心工作就是發現和評估假設，做專題分析或用戶洞察，跟產品和業務方一起討論，要做哪些優化和優化進展。
個性化BP的核心工作則是把假設轉化為可執行的實驗，做具體增長策略和實驗設計，并配置實驗，解讀是否有效。
系統BP則是把前面的分析和實驗或者有效的策略，固化到系統層面和增長中臺。最后增長平臺就只需要把系統BP的需求轉化成平臺方案設計。
右邊這張圖是使用業務分析BP舉例說明BP的工作流程，每個大核心的業務都會有一對一的業務分析BP，深入到產品中跟產品一起討論需求或假設，再把需求和假設做排期，做相關開發，形成結論反饋到產品層。
前面大概介紹了微保增長技術體系，按照剛才的邏輯將展開三個點詳細跟大家交流。
推薦技術發展到現在，技術層面和算法層面都已經沒有特別大的挑戰。
微保一開始也覺得，很容易就可以做一個保險相關推薦，快速上線拿到收益，但實際完全不是這么回事。
最開始，我們一共做了三個模型版本升級，15次實驗，但只有一次推薦獲得收益，效果大概只有1%左右，整個過程經歷了半年的時間。
在這種情況下，微保開始做相關分析和行業調研，半年之后才逐漸找到保險產品推薦和其他領域推薦的差異。差異主要分為以下幾類：
第一種差異，SKU規模，電影或資訊領域等其他領域，通常SKU規模比較大，例如電影領域就有幾十萬候選推薦SKU，而保險領域則少之又少。調研發現，保險行業在售保險產品，甚至還不到1000種。而微保奉行的就是嚴選和定制策略，能上線的產品更少，大約在三十款左右。
第二種差異，產品復雜度和用戶認知。在電影或資訊領域，大家看電影標題或簡介就可以很容易理解其中所講述的故事和含義。而保險領域，因為產品復雜度高和存在大量的條款和計算公式，造成理解保險的時候，對于大多數用戶都是很難的一件事情。
第三種差異，產品限制。在電影或者資訊領域，不涉及黃色或者反動，大部分產品都沒有太多限制，可以正常做推薦。但保險領域要求非常多，有很多核保規則、地域限制，極大約束推薦過程中的策略生成。
第四種差異，關注頻率。資訊大家每天都會關注，但用戶即使已經購買保險，也不會經常去看自己的保單，關注頻率非常低。
第五種差異，行業經驗，電影、資訊、電子產品等行業都非常成熟，網上資料甚至開源代碼系統都非常多。但保險領域相對比較匱乏，微保調研了很久，也沒有找到適合行業解決方案。
這么多復雜問題情況下，意味著不能再遵循過去的方法和策略，需要提出新的解決方案。
按照增長黑客的方法論，在找到解決方案之前，我們需要做一些假設，以及針對假設做一些實驗，驗證新的增長思路，假設和猜想是否正確。
我們做了很多關于用戶的認知分析。用戶首次訪問微保之后，前三天付費占比只有不到一半，另外一大半的付費用戶是在第4天到第365天才成交，把觀察時間拉到更長，前三天成交的比例會進一步的下降。
總結發現，我們的用戶有一部分可能很快就買保險，而另一部分可能會過了很久才買，這個分析佐證了用戶認知差異的存在：首先，用戶準備度差異非常大；其次我們的推薦策略優化方向，還要考慮用戶準備度，讓用戶理解產品、記住微保。
在針對問題做了一系列分析后，我們產生了一些實踐思路或者假設，那么我們也通過一系列的實驗來驗證了這些假設：
第一點，重新定義建模目標，此前我們的工作都是端到端建模，把用戶直接扔到模型里面，讓模型自己學。
現在我們分開看這個問題，在識別用戶買或不買、點或不點之前，就去識別用戶認知程度，在認知程度基礎上決定推薦策略。建好了認知度模型后，我們針對模型打分尾部10%的用戶做了實驗，對這些用戶不展示產品，而展示一些教育內容或者健康活動。
最終實驗下來，我們發現整體保費和轉化率并沒有沒有影響，而最后10%用戶點擊率又有很大提升，這就證明認知度模型可以比較好的識別出用戶對保險的認知度。
第二點，嘗試降低產品復雜度，擴展item，引入更多非產品類item。
因為用戶的認知差異非常大，并不能為所有用戶都推薦高難度的產品，需要循序漸進。所以微保就做了贈險、教育類的文章，發現這比直接給用戶看產品更有效。
為此，微保引入組合的概念，把原來單個保險產品做成組合，在產品形態上是一個卡片的形態，那么單個產品用戶看起來沒有什么感覺，但多個產品組合在一起，再輔助一些推薦理由，就可以逐漸讓用戶產生共鳴，在引入卡片之后，還可以極大擴展SKU數量，原來30款產品，使用卡片組合之后，可以擴展成上千個SKU組合。
第三點，引入推薦理由元素幫助用戶理解，降低推薦產品復雜度，例如卡片標題、產品簡介、相關標簽。
第四點，降低試錯成本。數據驅動或實驗驅動本身就非常復雜，一旦實驗很慢或試測成本很高，就會導致難以為繼。
為此微保采取了兩個舉措，一方面加強人工規則表達能力，便于引入更多專家經驗，其中主要是因為整個行業發展這么多年，在人和人打交道過程中需要更多依靠人工去售賣，而保險專家有更多知識沉淀，這些知識可以通過加強規則表達，跟推薦引擎結合，減少試錯成本；
另外一方面，加強實驗系統建設，微保最開始階段整個實驗系統都比較笨拙，后續解決實驗系統跟保險行業結合的問題之后，產品時間并發度有極大的提升。
舉幾個推薦實驗實例，最左側是一個健康險相關組合卡片，左邊是個性化重疾卡片，可以看到卡片名介紹，底部有卡片文章相關的item，item可以根據用戶畫像做個性化定制。模型也會幫助專家選擇卡片名或卡片介紹的組合，這樣卡片上線之后，整體轉化率可以提升3.2%。
中間是健康險相關的長期保障卡片，主要實驗就是下面底部文章和信息變化。例如用戶看過產品，文章就變為什么患了重疾還需要健康保障。如果已經為家人投保，這篇文章就會變為“為什么越早夠買終身重疾越劃算？”
通過這一系列嘗試，長期保障卡片對首頁保費提升率造成很大提升，幫助首頁產生的保費提升了6%左右，終身重疾轉化率提升了77%。
右邊是小白用戶的案例，我們找了一些認知度低的用戶，首先不給他看產品，只在核心位置給他推薦專屬福利。
最終目標客群整體點擊率提升了23%，用戶30天轉化率也有大規模的提升。而我們讓目標用戶記住了微保之后，他們的30天轉化率提升了10%。
最后介紹微保推薦系統的整體結構圖。底層部分是數據能力層，包括外部聯合數據建模專區；
往上是系統層再往上是個性化推薦策略體系，我們把這個體系分為深度場景推薦、多產品推薦以及專家經驗推薦。
這樣分的本質原因在于，微保本身就是做推薦相關工作的同學還比較少。但微保需要做的推薦場景卻非常多，就需要有一部分同學首先服務好一些核心場景，跟場景相關的深度推薦，例如首頁場景、投保成功場景；另外一部分同學則專注在通用推薦上，更多推薦場景通過一個通用算法把它滿足起來。
很重要的專家推薦場景，則交給專家，把專家知識引入進來，建立一套體系幫助保險專家推薦。
下一步介紹智能助手怎么輔助提升人工效率和效果，幫助人工做增長工作。
保險產品的復雜性，導致了即使是互聯網保險平臺，也需要依賴人工客服來解決用戶的各種各樣的問題，而這些人工客服在互聯網場景下服務客戶的時候，又面臨各種各樣的問題。
例如用戶可能想要高效和專業的靠譜服務，如果是線下保險代理人在投保過程中，可以根據用戶的語態、語速、談吐、判斷需求和對保險的認知程度，并把自己心中之前最好的解決方案給到用戶。但互聯網保險往往都是隔空服務用戶，并不能完整及時的捕獲用戶的信息。也就很難高效并且合理地給出方案，服務好用戶。
怎么去解決這些問題？
微保是通過智能助手來幫助人工客服捕捉用戶意圖，給出回復建議的。微保的智能助手不是第一天就有一個完整的能力體系的，也是在具體客服、管家服務的支撐工作中，逐漸進行體系化規劃，構建工具，讓智能助手逐漸可以應用在各個服務環節。
例如接觸用戶環節、了解需求環節、滿足需求環節，數據驅動環節。再下一步，微保會把這些環節所解決的工具或能力沉淀成智能化解決方案。
首先，在了解需求階段。微保會把用戶在全站的行為和留下的數據做成用戶畫像標簽，讓客服更好理解用戶的對話訴求。
除了用戶畫像標簽，微保還根據用戶進線后的一些聊天行為、聊天時間間距抽取關鍵信息，判斷用戶形象、對保險了解程度，提高補充需求收集效率。
此次，滿足需求階段。微保會制定一些智能服務助手或智能核保智能理賠方案，給到人工客服，這樣用戶留下相關信息之后，就可以對他的需求做進一步洞察，例如發現用戶服務過程中產生的問題和機會，做產生相應的策略指導。
這張圖，從上到下發展展現了微保相關體系的規劃，下層有數據，往上是基礎技術，再往上是真正提高人效的場景。
這是具體應用場景的截圖。
微保目前累計已經服務2千萬次保險咨詢，幫助客服人員人均服務會話數提升1.5倍。
在人工智能助手服務場景，微保目前還處于打基礎、建設基礎能力的階段，還沒有完全按照增長方式運作起來，下一步會把之前累積的保險領域增長實踐方案跟人工服務場景結合起來，幫助人工服務場景做到數字化和實驗化。
最后介紹下微保AB實驗系統。
為什么要實驗驅動，本質原因是人會犯錯誤？國外一篇文章統計，普通人判斷AB策略好壞的正確率10%~20%，微軟5年經驗產品經理正確率是30%~40%，谷歌產品經理正確率在33%左右。如何減小犯錯誤的機會，就需要通過實驗驅動的方法。
另外一個原因是，人去判斷1%的變化，基本上判斷不出來的，但通過實驗系統，則比較容易判斷其中的變化。增長黑客也是非常強調實驗驅動的。
判斷1%的變化和提升是不是有價值？如果每天都做1%改進，累計一年就是37倍的提升，但如果每天做負向1%優化，一年下來指標就只剩下原來0.02了。
這是微保實驗系統框架，包括面向用戶、面向產品經理或者是面向數據分析師，主要界面是實驗管理平臺。
實驗管理平臺后端有兩個相關子系統做支撐，一個是實驗系統后臺，實驗系統后臺包括分流、分桶染色邏輯；另外一個是實驗配置邏輯，比較重要的模塊就是實驗分析。
很多公司可能在實驗分析方面投入比較少，但微保的實踐過程中發現，實驗分析非常重要，因為如果對實驗解讀不正確，就可能造成很多無用功，這種情況下不如去相信人的經驗。
接下來會對微保增長黑客實踐過程中遇到的一問題，進行一些回顧。
首先，就是互聯網保險領域流量比較小。微保雖然依托騰訊在保險領域流量已經非常大，但跟其它互聯網產業比，流量還比較小。
為此，微保主要通過預計算的方式來分層分桶，保證在實驗效率和實驗效果方面達到平衡。
其次，保險業務流程比較長，實驗場景也很多，以推薦為例，已經有28個實驗場景接進來。
早期的時候每個場景的上報數據都不一樣，給實驗科學性和可解讀性造成了巨大障礙，因此在這里強調，我們埋點的方案一定要體系化，需要有中臺或者平臺的視角來看待埋點。
另外業務流程長，需要我們保證用戶在多個場景下遇到的實驗策略是一致的。如果再某個場景下，給用戶說A，到另外一個場景，又給用戶說B，就無法讓用戶形成連貫的體驗了。
所以在整個推薦策略中，用戶染色策略和用戶的實驗策略必須全局化，保證全局統一。
再次，保險用戶轉化周期長。保險和其他商品有很大不同，通常需要設定長周期實驗指標，最初，微保曾把精力放在短周期實驗指標上，但用戶成分或行為發生變化的時候，短期實驗效果往往就會發生嚴重波動。
因此，我們設計了長周期的實驗觀察指標，也考慮了一些短期行為的長期價值，幫助我們更好的衡量實驗。
最后，就是要做到實驗結論科學可信，要有實驗分析模塊，數據出來后，至少要做假設檢驗。另外在實驗結論分析時還要避免辛普森悖論。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
