文章图片

在弄清楚这些问题之后 ， 鲸探并不是直接着手去解决 ， 而是将其贴上标签（投保、咨询、退保、理赔、续保等）、生成图表（意图排行榜、客户分群图、情绪晴雨表、舆情云图等）供各个部门（如销售、客诉）参考 。 至于下一步该怎么做 ， 就由人来决定了 。 这种新的人机合作方式帮众安将投诉率降低了 30% ， 也让业务实现了「从名单到客户」的转变 。
这种排兵布阵透露的是作为一家 AI 应用公司的众安对于投入产出比的考量 。 该公司首席数据官段朝阳谈到 ， 「在 AI 应用场景的选择上 ， 市场中出现了一些比较极端的状况 ， 一种状况是大家都在集中去做非常难的、复杂的场景 ， 比如完全无人驾驶的汽车 ， 或者完全用机器去替代人 ， 去跟客户互动 ， 这个是需要非常大的投入去做的」 。 在他看来 ， 「分清技术的边界、理论的边界和实际应用的边界」非常重要 ， 这使得众安选择了「合适的、投产高的点去切入」 。 鲸探就是一个很好的例子 。

文章图片

众安保险首席数据官段朝阳 。
打破人与机器的次元壁
在完成人与机器的排兵布阵之后 ， 企业还有一件事要做 ， 就是打破二者之间的次元壁 。
计算机诞生之初 ， 普通人虽然也能享受技术进步带来的变革成果 ， 但却很难直接与其交互 ， 参与到价值的创造中去 。 AI 落地初期也面临这一挑战 。
为了打破这一次元壁 ， 人们做了很多努力 ， 低代码就是其中比较流行的一种 。
低代码并不是一个新概念 ， 20 年前就已经有了类似的模式 。 进入「数智化」时代 ， 企业内部需求越来越丰富多变 ， 这一概念又收获了新的关注 。 但由于行业场景多且复杂 ， 很难有一个通用的平台能覆盖所有行业、满足所有用户需求 。 众安所在的互联网保险行业更是如此 。
在众安内部 ， 对低代码需求最迫切的场景就是数据分析 。 因为很多时候 ， 他们的业务人员不仅要求知道发生了什么 ， 还要知道为什么发生（归因） ， 以及未来会怎样（预判） 。 这种「从看见到预见」的分析需求是非常重的：每条业务线上的每个环节可能都有不同的分析需求 ， 不同的管理层级关注的数据维度也各不相同 。 但是 ， 有能力承接这些需求的分析师数量是有限的 。 如果能将这种与机器沟通的能力扩展至每个业务人员 ， 分析效率将大大提升 。
于是 ， 他们便自己搭建了一个名为「集智」的低代码平台 。 它允许业务人员以拖、拉、拽的方式创建自己的数据分析框架 ， 减轻了对数据分析师的强依赖 。 为了提高它的易用性 ， 开发人员还在刚刚发布的集智 2.0 版本中新增了轻部署、多终端可用的特性 ， 并预设了十大场景的模板 ， 使得业务人员只需要通过简单的四步就可以生成数据模型和可视化看板 。 借助这一平台 ， 众安内部的数据分析效率提升了 50% ， 人力成本降低了 40% 。

文章图片

在众安 ， 类似的重新定义人与机器关系的应用还有很多 ， 它们以及与之配套的算法、平台、保障共同构成了一个大框架——众安数智化赋能方法论 4633 。 在这套方法论中 ， 算法层囊括的是一个一个的原子能力 ， 是未经封装的机器 。 平台将这些机器打包成模块 ， 供业务层以搭积木的形式调用 ， 从而实现加增量（获客、加复购、挖掘用户价值）、减损赔（风险控制）、优运营（提升运营决策效率）、拓市场（为业务创造新产品 ， 如新险种）的应用价值 。 更重要的是 ， 这套方法论以及其中的产品（包括鲸探、集智）不止应用于众安内部 ， 还通过轻咨询服务、平台建设、模型应用三个维度面向行业输出 。