Scott Stephenson：保险大数据的实践与展望

2016年11月20日，由中国保险行业协会（以下简称中保协）和复星集团联合主办的首届全球互联网保险创新论坛在沪召开。美国Verisk Analytics董事长Scott Stephenson作了“21世纪保险行业分析”的演讲。现将发言主要内容进行摘编，仅供参考。（以下内容根据录音整理，未经本人确认）

一、创新数据分析的两个路径和三大条件

创新数据分析有两个路径：一是大数据技术、云计算平台的广泛应用。两个月前，我们为新加坡银行搭建了数据交易系统。根据新加坡法律要求，数据不能离开本国，因此我们在新加坡做项目落地，并选择与亚马逊开展合作。通过借助其大数据技术和云计算平台，我们能够实现更低的成本、更高的效率和更强大的计算能力，最终仅花费一周时间便打造出新加坡银行需要的计算能力与服务需求。如果我们自己单干，可能要花几个月时间，而且成本可能要贵10倍。二是技术全球化与服务本土化的紧密结合。我们在推广新技术时，必须立足本地市场实际、以本地数据集为基础，通过相关技术为本地客户做定制和微调，给客户带来更好的附加值。

创新数据分析有三个必要条件：一是思想上谋求创新。很多人希望今天就重复昨天已经做过的事情，但作为领导层，就必须要有勇于创新的主观动力和带领团队持续创新的实际举措。二是资金上加大投入。在过去几年，我们研究开发方面的支出翻了一番，大多数都用于雇佣高水平的全职数据科学家并提供研发资金支持，这是实现创新的基础条件。三是方式方法上灵活机动。一方面，可以对已有流程进行改进。与客户携手、帮助其打造嵌入式、定制化的解决方案，从而实现在细节中创新、在微调中前行。另一方面，可以从零打造全新的解决方案。然后我们自己也可以采用其他不同的方式，把定制化的创新成果转换为更普适的模式，对其进行推广并实现商业化变现。

二、做数据分析需要思考六个问题

一是要实施前瞻性预判。数据工程师在设计品框架、数据结构和解决方案时，要预计到新的数据、信息和需求的到来。二是要采取差异化分析。不断发掘多样化的分析方法，确保方法总是能够处于前沿地位。三是要推进开放式研发。吸纳合作伙伴参与到开发过程中，并将客户也作为联合开发的伙伴。四是要打造ETL链条。ETL即提取（extract）、转换（transform）、加载（load）。目前全世界可能有PB级（1PB=220GB）的数据量，但未来可能达到ZB级（1ZB=240GB）的数据量，那么针对这些数据流而建立起高效的ETL流程就越来越至关重要。五是要推出可视化产品。六是要构建使用价值关系，展示使用价值。

三、未来的数据分析有四大趋势

一是技术创新迭代加速。在当代世界，速度是非常重要的。对任何一个提案，如果完成开发项目时间窗口超过6个月，高管就要提出疑问了。并且，要坚持快速迭代，快速获得进展。现在我们有非常好的工具支持加速开发，慢则落后。

二是机器学习技术崛起。当今世界是数据爆炸的时代，越来越多的数据可获得，因为摩尔定律和计算的单位成本在降低，包括网络的单位成本。在过去，解析数据的任务由专家来完成；但现在，机器学习能够让数据本身就解释它的意义。

三是物联网技术蓬勃发展。现在一台新车作为移动计算终端，可能有50个微处理器，车辆上发生的计算就生成了海量数据，一旦车主同意联网，就能构成网上数据流量，进行分析。现在这种情况已经在发生，未来数据交换量会远远超过现在。

四是无人驾驶技术+ Uber拼车模式+动力总成电气化的三重颠覆，将改变汽车保险业。随着无人驾驶技术的兴起，对个人的汽车索赔频率和数量将会有明显的下降。随着Uber拼车模式的成功，大量数据会逐步产生于经营拼车的机构。随着动力系统的技术革命，未来电动车的里程数也将与日俱增，而在里程增加的情况下售后也会受到进一步影响。