论文部分内容阅读
摘 要：保险作为金融业三大支柱之一，维护保险消费者合法权益、规范保险销售行为、促进保险市场健康、稳定发展是保险公司重要的经营原则。今年6月，中国保监会发布的《保险销售行为可回溯管理暂行办法》（以下简称《办法》）中对保险公司质量检测管理的制度、团队、系统、质检比例及问题件整改时限等方面都提出了明确的要求。但实际保险销售过程中人工质量检测效率低、覆盖面小、准确率低、检测面单一等问题始终存在。以调研公司为例，质量检测团队人力160人，但质检比例仅为2%，质检件准确率仅为73%，检测标准随着工作人员认识的不同而不同，准确率很难提高。同时，工作价值被局限，仅针对合规问题开展检查，无法进一步对现有数据进行分析，提出对规范销售、客户价值挖掘等方面的建议。
论文综述了现在国内外市场在规范保险销售行为中的技术应用现状，在此基础上探索将智能语音识别（ASR）、自然语言处理（NLP）、大数据挖掘等技术赋能保險销售。通过科技赋能释放原有人力投入，完全通过系统自动完成，无需人工介入;通过对语音内容、客户信息、销售坐席行为数据等多维度形成了组合化的应用场景，从而帮助公司更加高效地开展管理销售工作;通过对客户数据的聚类、归纳与分析，形成客户热点问题统计、业务趋势分析，进而挖掘客户、产品等有价值信息。
关键词：科技赋能;保险;规范销售;聚类;数据挖掘
第一章 引言
1.1研究背景与意义
中国保监会发布的《保险销售行为可回溯管理暂行办法》（以下简称《办法》）中规定：保险公司应建立视听资料质检体系，制定质检制度，建立质检信息系统，配备与销售人员岗位分离的质检人员，对成交件视听资料按不低于30%的比例在犹豫期内全程质检。保险公司在质检中发现视听资料不符合本办法要求的，应当自发现问题之日起15个工作日内整改。而目前实际情况是质量检测工作效率低、覆盖面小、准确率低。虽在国内大型保险公司均已开始尝试应用科技手段赋能，但应用功能、使用程度方面有着较大的差异，大部分保险公司所谓的科技赋能还仅仅停留在质量检测过程中将语音文件转换成文本格式，通过人工查阅的方式去规范保险销售管理。在此基础上，作者尝试将云计算、人工智能技术的发展，智能语音识别（ASR）、自然语言处理（NLP）、大数据挖掘等技术融合，科技赋能保险销售全流程，从而解决保险销售流程中部分节点工作效率低等问题。另一方面，科技赋能后对客户数据的聚类、归纳与分析，形成客户热点问题统计、业务趋势分析，进而挖掘客户、产品等有价值信息，为营销管理提供数据支撑。
第二章 文献综述
2.1国内外研究现状
针对规范保险销售，国内外主要依托的是智能语音识别（ASR）、自然语言处理（NLP）等技术。其中，智能语音识别技术主要于20世纪90年代前期，国外许多著名的大公司如IBM、苹果、AT&T和NTT开始进行研究与投资。我国语音识别技术的研究水平基本与国外同步，在汉语语音识别技术上更具特点与优势。通过智能语音识别技术将非结构化的语音信息转换为结构化的索引，实现对海量录音文件、音频文件的知识挖掘和快速检索。但应用到实际工作中功能、使用程度方面有着较大的差异，大部分保险公司还是仅仅停留在将语音文件转换成文本格式，通过人工查阅的方式实现质检管理，科技在保险销售全流程中的应用并不多。
2.2技术相关理论及模型建立
作者主要考虑了当前热门的三大技术，即智能语音识别（ASR）、自然语言处理（NLP）和大数据挖掘。通过智能语音识别技术将非结构化的语音信息转换为结构化的索引，实现对海量录音文件、音频文件的知识挖掘和快速检索。应用自然语言处理技术，整合大数据、知识图谱、机器学习、语言学等技术和资源，实现人与计算机之间用自然语言进行有效通信。利用大数据分析对数据进行聚类、归纳与分析，通过标准化的流程和工具对数据进行处理，将数据可视化，并深入数据内部，挖掘其价值。依托这三大技术建立研究模型，一方面，通过科技手段将销售作业的过程和结果转化为可识别的信息数据，同时建立标准作业模型和风险监测模型形成风险问题监控网，可识别的信息数据通过问题监控网过滤后自动生成问题清单;另一方面，通过对客户数据的聚类、归纳与分析，形成客户热点问题统计、业务趋势分析，进而挖掘客户、产品等有价值信息，为营销管理提供数据支撑。
第三章 实证分析
3.1实证数据总结
1、技术模型减少人力成本投入，上线后质量检测环节人力缩减78%。
2、该技术模型解决传统人工销售流程部分节点存在的不足，提高质检准确率到90%，规范销售检测比例提高至50%。
3、该技术模型挖掘商业机会，成功开发了合规类、销售质量类和销售效率类共三大类34项关键点的检测。
4、该技术模型通过对客户数据的聚类、归纳与分析，形成客户热点问题统计、业务趋势分析，进而挖掘客户、产品等有价值信息。
第四章 研究结论与展望
4.1研究结论
通过该技术模型，使得保险销售行为更为规范，节省人力，进一步挖掘数据价值，充分为保险销售全流程赋能。
1、减少人力成本投入，通过新技术应用，缩减公司中后台运营成本压力，提高保险公司在同类市场的竞争能力。
2、提供商业机会挖掘，对客户的数据开展分析与挖掘，有效分析客户需求，挖掘商业机会和金融服务的潜力。
3、后续可将该技术模型应用到对舆情分析、市场调研、商机挖掘、辅助经营策略优化等诸多经营领域，实现科技赋能的升级。
4.2研究创新
技术模型是综合了当前热门的三大技术，即智能语音识别（ASR）、自然语言处理（NLP）和大数据挖掘。通过智能语音识别技术将非结构化的语音信息转换为结构化的索引，实现对海量录音文件、音频文件的知识挖掘和快速检索。应用自然语言处理技术，整合大数据、知识图谱、机器学习、语言学等技术和资源，实现人与计算机之间用自然语言进行有效通信。利用大数据分析对数据进行聚类、归纳与分析，通过标准化的流程和工具对数据进行处理，将数据可视化，并深入数据内部，挖掘其价值，是将科技更为充分地应用到保险销售全流程中地一次探索。
4.3研究不足与展望
1、技术模型所涉及的智能语音识别（ASR）、自然语言处理（NLP）和大数据挖掘等新技术的使用，在应用过程中或许存在尚未发现的风险问题。
2、技术模型的应用，目前仅作为公司内部资料管理，无法对外发送，暂时没有得到行业方面的认可，期待后期技术模型开发完善将其应用到整个行业的销售行为中。
论文综述了现在国内外市场在规范保险销售行为中的技术应用现状，在此基础上探索将智能语音识别（ASR）、自然语言处理（NLP）、大数据挖掘等技术赋能保險销售。通过科技赋能释放原有人力投入，完全通过系统自动完成，无需人工介入;通过对语音内容、客户信息、销售坐席行为数据等多维度形成了组合化的应用场景，从而帮助公司更加高效地开展管理销售工作;通过对客户数据的聚类、归纳与分析，形成客户热点问题统计、业务趋势分析，进而挖掘客户、产品等有价值信息。
关键词：科技赋能;保险;规范销售;聚类;数据挖掘
第一章 引言
1.1研究背景与意义
中国保监会发布的《保险销售行为可回溯管理暂行办法》（以下简称《办法》）中规定：保险公司应建立视听资料质检体系，制定质检制度，建立质检信息系统，配备与销售人员岗位分离的质检人员，对成交件视听资料按不低于30%的比例在犹豫期内全程质检。保险公司在质检中发现视听资料不符合本办法要求的，应当自发现问题之日起15个工作日内整改。而目前实际情况是质量检测工作效率低、覆盖面小、准确率低。虽在国内大型保险公司均已开始尝试应用科技手段赋能，但应用功能、使用程度方面有着较大的差异，大部分保险公司所谓的科技赋能还仅仅停留在质量检测过程中将语音文件转换成文本格式，通过人工查阅的方式去规范保险销售管理。在此基础上，作者尝试将云计算、人工智能技术的发展，智能语音识别（ASR）、自然语言处理（NLP）、大数据挖掘等技术融合，科技赋能保险销售全流程，从而解决保险销售流程中部分节点工作效率低等问题。另一方面，科技赋能后对客户数据的聚类、归纳与分析，形成客户热点问题统计、业务趋势分析，进而挖掘客户、产品等有价值信息，为营销管理提供数据支撑。
第二章 文献综述
2.1国内外研究现状
针对规范保险销售，国内外主要依托的是智能语音识别（ASR）、自然语言处理（NLP）等技术。其中，智能语音识别技术主要于20世纪90年代前期，国外许多著名的大公司如IBM、苹果、AT&T和NTT开始进行研究与投资。我国语音识别技术的研究水平基本与国外同步，在汉语语音识别技术上更具特点与优势。通过智能语音识别技术将非结构化的语音信息转换为结构化的索引，实现对海量录音文件、音频文件的知识挖掘和快速检索。但应用到实际工作中功能、使用程度方面有着较大的差异，大部分保险公司还是仅仅停留在将语音文件转换成文本格式，通过人工查阅的方式实现质检管理，科技在保险销售全流程中的应用并不多。
2.2技术相关理论及模型建立
作者主要考虑了当前热门的三大技术，即智能语音识别（ASR）、自然语言处理（NLP）和大数据挖掘。通过智能语音识别技术将非结构化的语音信息转换为结构化的索引，实现对海量录音文件、音频文件的知识挖掘和快速检索。应用自然语言处理技术，整合大数据、知识图谱、机器学习、语言学等技术和资源，实现人与计算机之间用自然语言进行有效通信。利用大数据分析对数据进行聚类、归纳与分析，通过标准化的流程和工具对数据进行处理，将数据可视化，并深入数据内部，挖掘其价值。依托这三大技术建立研究模型，一方面，通过科技手段将销售作业的过程和结果转化为可识别的信息数据，同时建立标准作业模型和风险监测模型形成风险问题监控网，可识别的信息数据通过问题监控网过滤后自动生成问题清单;另一方面，通过对客户数据的聚类、归纳与分析，形成客户热点问题统计、业务趋势分析，进而挖掘客户、产品等有价值信息，为营销管理提供数据支撑。
第三章 实证分析
3.1实证数据总结
1、技术模型减少人力成本投入，上线后质量检测环节人力缩减78%。
2、该技术模型解决传统人工销售流程部分节点存在的不足，提高质检准确率到90%，规范销售检测比例提高至50%。
3、该技术模型挖掘商业机会，成功开发了合规类、销售质量类和销售效率类共三大类34项关键点的检测。
4、该技术模型通过对客户数据的聚类、归纳与分析，形成客户热点问题统计、业务趋势分析，进而挖掘客户、产品等有价值信息。
第四章 研究结论与展望
4.1研究结论
通过该技术模型，使得保险销售行为更为规范，节省人力，进一步挖掘数据价值，充分为保险销售全流程赋能。
1、减少人力成本投入，通过新技术应用，缩减公司中后台运营成本压力，提高保险公司在同类市场的竞争能力。
2、提供商业机会挖掘，对客户的数据开展分析与挖掘，有效分析客户需求，挖掘商业机会和金融服务的潜力。
3、后续可将该技术模型应用到对舆情分析、市场调研、商机挖掘、辅助经营策略优化等诸多经营领域，实现科技赋能的升级。
4.2研究创新
技术模型是综合了当前热门的三大技术，即智能语音识别（ASR）、自然语言处理（NLP）和大数据挖掘。通过智能语音识别技术将非结构化的语音信息转换为结构化的索引，实现对海量录音文件、音频文件的知识挖掘和快速检索。应用自然语言处理技术，整合大数据、知识图谱、机器学习、语言学等技术和资源，实现人与计算机之间用自然语言进行有效通信。利用大数据分析对数据进行聚类、归纳与分析，通过标准化的流程和工具对数据进行处理，将数据可视化，并深入数据内部，挖掘其价值，是将科技更为充分地应用到保险销售全流程中地一次探索。
4.3研究不足与展望
1、技术模型所涉及的智能语音识别（ASR）、自然语言处理（NLP）和大数据挖掘等新技术的使用，在应用过程中或许存在尚未发现的风险问题。
2、技术模型的应用，目前仅作为公司内部资料管理，无法对外发送，暂时没有得到行业方面的认可，期待后期技术模型开发完善将其应用到整个行业的销售行为中。