行稳致远，保险企业数智化转型制胜策略

麦肯锡全球董事合伙人、中国区保险咨询业务负责人吴晓薇：

在内外部环境不断影响下，中国保险行业开始告别旧模式。经过30年高速扩张后，增长瓶颈已经到来，而新业务模式还未完全成型。保险企业应当更加苦练“内功”，由“粗放型”的业务增长转变成为“精细化”的效益提升，我们认为建设数字化能力是这种转变的关键。同时，从《“十四五”数字经济发展规划》、《银行保险业数字化转型的指导意见》到最近成立的国家数据局，国家也在通过一系列顶层设计与政策不断支持企业深化数字化应用，保险企业更应抓住这一契机，深度融合业务、数据和技术，持续深入推进以数据驱动的数字化转型，这是拉动保险企业高质量发展的重要引擎。

麦肯锡全球董事合伙人徐炜：

随着数字化在社会各个方面的加速渗透，以数据为基础要素的新经济形态正在全方位重塑保险价值链。传统保险企业面临数字化原生企业的“场景+数据”和传统企业“硬件平台+数据”的冲击，在此背景下，数字化转型成为传统保险企业应对竞争的利器。但在此过程中却面临诸多挑战，我们认为成功的数字化转型必然是战略、业务、技术、数据和组织的有机统一。

展望2030，保险行业将从事后“评估与服务模式”加速向“可预测、个性化和生态化模式”转变。数据能帮助险企更好了解客户，进而打造更具有吸引力的产品和服务；此外数据也能帮助险企显著提升运营效率，因此险企数智化转型势在必行。

立足当下，国内险企数字化转型尚处于起步阶段，需直面业务和技术两方面的挑战。就业务层面而言，险企往往缺乏基于业务战略的数据治理与应用策略，以及业务端在数据驱动的转型中参与度不够。就技术层面而言，其瓶颈在于缺乏兼具业务知识与技术能力的复合型数据人才。行稳方能致远，为充分挖掘数据资产的业务价值，我们建议险企遵循“公司战略导向、业务场景构建、数据治理配套和敏捷方式推进”的原则，体系化打造数据驱动型保险企业。本文基于麦肯锡的行业实践与研究，将围绕险企数智化转型的必要性、挑战及解决方案三方面展开论述，希望为保险企业提供制胜未来的破局思路。

展望未来，险企数智化转型势在必行

展望2030，保险行业将从事后“评估与服务模式”加速向“可预测、个性化和生态化”、甚至是“预估和预防模式”转变。在现有“评估与服务模式”下，个人提供数据用于评估其自身风险，保险公司则根据预先测算好的风险偏好与服务水平对个人风险进行选择与定价等。而未来，在“可预测、个性化和生态化” 模式下，保险公司需要更多利用第三方数据，主动和更精细化评估、预判个人风险，并据此为客户提供个性化、甚至可能随着个人行为变化而动态优化的产品与服务（见图1）。

线上化与自动化建设为数智化转型奠定基础

近年，各大保险企业纷纷加速推进以线上化和自动化为核心的数字化转型。预计到2025年，行业线上客户占比将超过60%，承保自动化率将达到70%，核保自动化率将达到80%，理赔自动化率将超过40%。这一过程也将生成大量高质量的业务数据，为险企进一步数智化转型奠定了基础。

大数据应用试点与推广初见成效

与线上化和自动化建设同步，险企也在积极围绕保险业务价值链，推进大数据应用试点与推广，且已经初见成效。在数智化转型项目中，险企借助人工智能技术，体系化落地实施保险大数据用例，实现了5%-15%的新业务增长、交叉销售与向上销售提升5-10倍，退保率下降10%-20%（见图2）。

在保险业务端，大数据应用在寿险和财产险均能创造价值，但各有侧重。对寿险而言，目前大数据应用主要分布在渠道和销售领域，能促进保费增长、提升运营效率。在促进保费增长上，险企可基于多渠道数据分析用户画像，深入了解用户需求，为客户提供更加精准的产品和个性化服务，并通过智能获客、询报价助手（如预报价、保险方案推荐、报价材料推荐）、免核产品智能推荐等功能，提高渠道销售成功率。在提升运营效率方面，险企可聚焦承保、保单管理和核保理赔等环节实现降本增效。例如，某寿险公司将产品方案与客户数据融合，根据客户类型差异，自动生成千人千面的寿险定制计划书视频，并在短视频中以差异化内容、画面和声音，帮助客户更直观理解方案，极大提高了代理人展业效率。

对财产险而言，目前大数据应用的价值主要是提升中后台核保核赔效率，以及打造风险管控一体化解决方案。例如，在提升核保理赔效率方面，车险企业可基于自身收集的数据，结合第三方海量数据进行智能理算，并基于LBS（位置服务）、OBD（车载自诊断系统）构建大数据整体画像模型，从车辆历史轨迹以及驾驶人行为等维度进行精细化定价与理赔，以及打造防控车险欺诈的智能体系。

国家从规划和政策层面助力险企数智化转型

与其他金融同业相比，保险企业主要以中低频交易为主，所以在进行数智化转型时普遍需要解决数据质量不高和数据全面性不足两大问题。但近年来，国家通过在顶层设计与政策层面不断鼓励数据要素流通与数据应用建设，为保险行业数智化转型提供了契机。

在数据要素流通层面，国务院在《“十四五”数字经济发展规划》和《要素市场化配置综合改革试点总体方案》中明确提出要加快数据要素市场化流通，并计划在2025年前，在数据要素市场化配置基础制度建设探索上取得积极进展。我们相信届时保险企业能够通过各种数据服务方式弥补和加强数据基础，为保险企业数据驱动转型注入更多动力。

在数据应用建设层面，银保监会陆续发布加快数据应用建设的指导意见和管理办法，不断提升对保险企业大数据应用的政策支持力度，包括通过《银行保险监管统计管理办法》，引导银行保险机构不断提高数据分析能力，开展数据分析和挖掘应用；通过《关于银行业保险业数字化转型指导意见》，鼓励金融企业大力推进个人金融服务数字化转型，充分利用科技手段开展个人金融产品营销和服务，扩展线上渠道、丰富服务场景，加强线上线下业务协同，提高数据应用能力，全面深化数据在业务经营、风险管理、内部控制中的应用，提高数据加总能力，激活保险企业数据要素潜能。

立足当下，直面险企数智化转型挑战

虽然大部分险企已意识到大数据应用所带来的巨大业务价值，但数智化转型成效并不尽如人意。麦肯锡调查显示，仅27%的险企有明确且可持续的数智化转型蓝图；仅33%的险企能较好地将来自（大）数据的洞见，融入到日常业务流程中并持续创造业务价值；其结果就是仅有17%的险企认为其实现了最初的转型目标。究其根因，我们认为主要在于战略设计、用例试点与推广以及基础能力建设三大方面有待改善（见图3）。

战略设计上数据与业务衔接不紧密

国内大部分险企的数智化转型往往面临投资巨大、技术领先，但是业务价值和获得感偏低的问题。过去几年，头部险企在数据领域的相关投入逐年攀升，主要体现在以下三个方面：其一是除自研外，耗费巨资引入了一系列大数据技术产品和服务；其二是以合资或购买的方式，与国内科技巨头合作共建保险行业大数据应用；其三在人员方面，为了承接这些技术在险企内部落地，头部保险机构相继成立数据部门或科技子公司，规模普遍超过百人，甚至数百人。

通过大量投入，头部险企建立起的大数据技术能力丝毫不亚于全球领先同业。在基础数据库领域，国内大型险企已基本采用或正在建设分布式、云化的大数据基础平台，有些保险机构还拥有多套先进技术平台，以满足不同类型数据应用需求。在商业智能领域，国内主流保险企业纷纷搭建商业智能平台，以期通过监控关键指标，进一步精细化公司经营策略。在算法平台领域，目前国内主流保险企业与多家人工智能公司合作，积极引入先进的人工智能算法，或通过自建人工智能部门，构建企业创新能力。

但当险企将这些先进技术应用到具体业务场景时，业务端对此的获得感和参与度并不强。究其原因在于转型往往由科技部门主导，缺乏业务部门参与且与业务战略衔接不够紧密，与业务端的应用需求存在一定差距，导致类似数据应用场景在落地过程中，未能与业务端充分协作。此外，在进行数据应用创新的过程中，没有明确评估和量化业务场景创新对业务带来的价值，导致转型成功的标准与业务端的感受不一致。

用例试点与推广过程中缺乏变革管理

在进行大量的数据应用场景建设后，险企后续的可持续运营与变革管理成为转型难点。我们认为，数智化转型的关键在于“转型”。包括险企在内的一众领先金融机构在推进大数据用例时，常常发现即使基于业务战略制定数据战略，其落地过程也是困难重重、进退维谷。这往往是由于机构没有充分意识到“转型”所需的变革管理并为之做足准备，包括业务模式和终端用户习惯改变等。

以前文提到的营销价值环节的大数据用例落地为例，从基于用户画像标签进行保险产品匹配，到通过不同渠道分流触达客户并同步优化营销路径等场景，均需要将大数据嵌入到现有业务流程中，并对其进行持续优化。更进一步来说，大数据应用部署还将促使原有运营模式向数据驱动的运营模式转变，同时带来业务重构。实践表明，成功的数智化转型，需要在变革管理上投入两倍于技术开发的时间

基础能力建设不足，缺乏体系化人才引进与培养方案

由于数智化转型的关键在于业务经营模式“转型”，这意味着我们不仅仅需要技术型人才（如数据工程师、数据科学家和前端应用工程师）来进行数据清洗、开发统计模型和算法、开发数据产品等，还需要内嵌业务的数据治理人员，以确保数据治理与安全；更需要大数据用例开发和变革管理团队，来确保业务价值最大化以及转型的成功推进。目前，我们看到大部分险企往往只注重技术型人才的培养，而忽视了对业务侧数据人才（包括数据治理、数据用例开发与变革管理）的培养，从而导致大量数智化转型因为“最后一公里”而前功尽弃。

行稳致远，险企数智化转型制胜策略

面对保险行业转型机遇以及眼前挑战，基于行业实践，我们提出由“顶层设计”、“场景试点与推广”及“基础能力建设”组成的制胜策略，助力国内领先险企成功推进数智化转型（见图4）。

顶层设计：基于业务战略，明确险企数智化转型愿景与战略方向

夫未战而庙算胜者，得算多也；未战而庙算不胜者，得算少也。——《孙子兵法》

数智化转型顶层设计应以业务战略为出发点，明确险企整体数智化转型愿景与战略方向。通过制定中长期战略，帮助管理者明确转型各阶段和各价值环节的预期投入、产出以及产出模式，同时帮助管理者初步了解数据应用现状与潜在价值提升点，以确保在建设应用数据能力和数据资产时，能与有形业务价值联系起来，合理化产出预期，辅助管理者初步判断投入优先级。以某国际领先险企为例（见图11），其公司战略将科技定位为公司核心竞争力之一；与之相对应，该险企将打造“数据驱动的世界一流保险公司”作为数智化转型愿景。

数据应用场景试点与推广：以价值为导向，从业务旅程出发构建数据应用场景，实现从试点到规模化推广

数据和业务场景犹如鱼和水，数据价值变现也只有和业务场景相结合才能真正体现出来。

真正的数据驱动型转型，应是数据技术和业务场景的双向融合。从业务旅程出发构建数据应用场景是行之有效的融合方式。端到端业务旅程是险企客户、代理人、相关人员等多方与企业互动，共同完成一系列活动的流程。以客户为中心，明确业务旅程及各场景目标，并在此基础上构建数据应用场景，可以解决常见业务痛点，实现业务价值最大化。我们建议由业务部门引领，构建“数据+业务经验”双轮驱动的数据用例试点与推广闭环。该闭环的构建可分为场景规划、场景试点以及场景推广和变革管理三个阶段。

场景规划“三步走”：构建经营地图、识别业务场景、优先级排序

首先，构建经营地图，即围绕业务主题，构建基于业务旅程视角的经营地图。经营地图包含业务旅程、目标和场景三部分。险企可立足于自身业务旅程，明确阶段性经营目标，并设计相应业务场景。具体而言，业务旅程视角下的经营地图设计，需要由业务部门和数据部门以敏捷方式共同创建，这样才能准确反映企业在某一业务主题下的经营全景。在此基础上构建的数据应用场景，更容易嵌入到实际业务活动中。并且，险企通过设定经营目标，能准确评估数据应用场景有效性。下图是客户视角下的经营地图构建（见图5）。险企至少要构建基于客户视角、渠道视角和管理者视角的三类经营地图。

其次，识别有价值的业务场景。险企可根据业务重点和宏观业务发展目标，识别关键业务场景，并进一步细分场景，基于应用场景的潜在价值，赋予不同应用场景不同优先级。在完成优先级初筛后，险企可根据已有数据完善程度与业务紧迫性，判断应用场景成熟度。最后，结合业务应用场景可行性评估，综合识别出有价值、能落地的业务应用场景。

场景试点：关注技术能力建设和场景落地保障

首先，识别场景下的数据和技术能力需求。险企可根据细分场景，明确支持场景实现的数据基础和分析模型，再通过将数据分类，明确不同应用场景的数据需求。基于应用场景的目标，险企可进一步明确应用场景的相应分析技术模型，如关键数据基础、商业智能和高级分析等。

其次，确认场景落地保障。大数据应用落地作为数据驱动的核心，保障其具备相应落地基础是从业务端构建数据应用场景的重要环节。在此环节中，险企需要确保业务流程通畅、数据充分、平台工具易用、反馈机制敏捷，以及建立共赢的协作与激励机制等关键要素。以客户价值模型在营销活动中促活的应用为例，险企通过大数据应用赋能原有业务旅程，从而提高营销效率（见图6）。

规模化推广与变革管理

大数据用例的规模化推广，往往需要终端用户的日常行为与意识也随之发生转变。例如在某险企大数据精准营销案例中，当模型将潜在客户名单、可能感兴趣的产品、相应销售话术推荐给代理人时，代理人需要认可这一推荐并加以跟进，以不断提升自身销售技能和转化率。为了支撑这一转变，险企的营销业务流程需要从战略制定、战略执行、前端管理和后端追踪激励进行端到端优化，使大数据驱动的精准营销更好融入到原有营销体系中（见图7）。

基础能力建设：打造数据架构与治理、数据组织与人才和敏捷交付模式

数据问题往往不在数据本身；数据问题只是一面镜子，左边反映的是企业战略与业务管理问题，右边反映的是数据架构与治理、数据组织与人才等基础能力建设问题。

数据架构与治理

数据架构设计应实现四大数据治理目标，即提升数据可信度、数据应用大众化、提升数据开放度和自动化水平。提升数据可信度指建立数据资产目录和所有者模型，以明确数据治理责任，进而打造单一数据源，并围绕数据全生命周期进行管控。数据应用大众化指在符合企业数据安全政策的前提下，确保相关工作人员可以更容易地在任何地点、时间或设备上采集、提供和应用数据。提升数据开放度强调通过API等技术，使外部数据更容易地融入内部数据平台。提升自动化水平则需要尽可能实现数据采集、提供与应用各环节的自动化。

为实现上述目标，险企可考虑参考图8中的示例设计自身数据架构。该示例通过在数据提取、转换、发布和分析阶段提供相应数据处理支持，提升险企数据自动化水平。

在数据应用大众化和提升数据开放度方面，强调在创建、互动两大环节为业务部门和公司层面的数据应用提供支持；在数据可信度提升上，则着重强调数据支持与数据治理。有效的数据治理除了需要公司管理层自上而下推动、以及业务部门主导外，在实际工作中将数据治理机制与业务管理、IT研发流程相融合是关键。譬如某保险企业将数据管控要求与客户标签管理业务场景相结合。该企业基于既有、相对独立的标签管理流程，找出并设计对应管控节点，实现了在该应用场景下的数据治理工作。

数据组织与人才培养

在数据组织上，险企可打造“联邦制”数据组织架构，即在公司层面与业务部门层面均建立数据团队。公司层面的数据团队定位为大数据卓越中心，负责制定公司数据治理政策，打造公司级数据平台，制定公司数据人才战略，并为业务部门提供与培养核心数据人才（例如数据架构师、数据科学家和设计师等）。。

在数据人才上，公司需要培养多元化的数据人才，才能确保转型有效推进。以数据应用落地实施场景为例，其需要业务人员体系化地描述自身业务需求，然后由数据翻译官将其翻译为数据应用需求，紧接着是数据科学家、数据工程师与可视化分析师等专业人才负责落地实施。

敏捷交付模式：采用敏捷方式建设和运营数据能力

数据能力的建设和运营与传统IT系统有着极大不同，其更容易受到前端业务场景变化的影响，有着典型的VUCA（即易变性、不确定性、复杂性、模糊性）特点。鉴于传统的建设和运营模式将导致较高试错成本，并延长交付周期，因此我们建议险企采用敏捷方式推动企业建立自身运营数据能力，以满足数据应用需求、优化资源配置、提高数据应用迭代效率，从而降低企业运营成本。以敏捷方式建设险企内部数据应用的案例，可分为构思、验证、场景建设、原型试点和推广五大环节（见图22）。该敏捷方式可以统筹协同业务、数据和开发人员，以较低成本推动高价值、高可行性的应用落地实施。

综上所述，我们建议险企采用“先总后分，双轮驱动”的方式，设计自身数智化转型旅程。险企应在转型旅程伊始进行顶层设计，以明确公司整体数智化转型愿景与蓝图等，随后同步推进大数据用例试点与推广，并建设相应的基础配套能力，确保在最短时间实现业务价值最大化。

结语

展望2030，数据驱动、以客户为中心的“数智化”展业模式，将成为国内保险行业主流。抓住契机，持续不断深化推进数智化转型，是险企抢占未来竞争高地的关键，这也符合国家发展高质量数字化经济的战略指引。基于国内领先保险企业在这一转型过程中已经取得的成绩与面临的挑战，我们提出了数智化转型制胜策略，涵盖“顶层设计、用例试点与推广和基础能力建设”三大方面，以期助力险企加速数智化转型进程。

潮平两岸阔，风正一帆悬，让我们共同迎接保险业数智化时代！

点击此处，获取《行稳致远，保险企业数智化转型制胜策略》白皮书全文。

总编：

Bernhard Kotanko是麦肯锡全球资深董事合伙人、亚洲保险咨询业务负责人，常驻香港分公司；

曲向军是麦肯锡全球资深董事合伙人、中国区金融机构咨询业务负责人，常驻香港分公司；

卜览是麦肯锡全球资深董事合伙人、中国区数字化业务负责人，常驻上海分公司。

作者：

吴晓薇是麦肯锡全球董事合伙人、中国区保险咨询业务负责人，常驻北京分公司；

徐炜是麦肯锡全球董事合伙人、常驻上海分公司；

晏超是麦肯锡全球副董事合伙人，常驻上海分公司；

张永刚是麦肯锡全球副董事合伙人，常驻上海分公司；

邵奇是麦肯锡资深项目经理，常驻上海分公司。