保险是一种常见的风险管理方式，可以将一个实体潜在损失的风险向一个实体集合的平均进行转嫁。因此在实际投保当中，保费、保额和可保风险往往是客户关心的重点。
其中，保费和可保风险通常有明确的文字说明和计算方式，但保额的制定并没有固定的方法。一般由保险代理人对客户做保险咨询服务，然后对保额进行设置。要么以客户预算为导向，要么依据代理人个人经验进行评估。
无论哪种方式都没有关注到客户真实的风险敞口，背离了风险管理的初衷。从长期利益来看，风险系数很高。具体体现在以下几方面：
险种没有个性化配置，千人一面；
方案未考虑客户家庭组成因素；
保额以预算及销售利益为导向，背离保险购买初衷；
客户无法建立对销售的信任等；
收展员业务水平参差不齐，方案设计不合理无法打动客户；
以寿险定价为例，传统的寿险核心只考虑了性别、年龄两个维度。然而，中国人口结构变化将推动寿险产品做出变革。相对单一的维度很难满足教育程度不断提高、核心家庭不断变小、新生儿变少以及老年人口占比持续增加等的现实。
天云数据“保险缺口测算”解决方案服务优势：
• 根据客户完整家庭信息进行个性化计算，保证结果准确性；
• 基于人工智能的规则+模型计算，提高准确度，具有可解释性；
• 实时输出缺口额度与投保方案，提升客户体验、信任度；帮助销售人员把握最佳销售时机；
• SaaS服务、私有化部署、企业微信功能组件；
• 销售人员使用企业微信账户，方便企业管理以及沉淀客户资源。
天云数据“保险缺口测算”解决方案，依靠300+特征维度
天云数据通过机器学习的方式弥补了传统缺口计算方法的诸多不足。AI缺口计算采用一亿五千万真实保单数据作为机器学习数据集，构建重疾率预测模型。
使用大规模分布式机器学习建模，支撑更高维度的客户特征，模型训练使用的特征包括客户省份、所在城市、家庭资产、家庭负债、性别、家庭角色、年龄、职业、收入、过往投保记录、社保情况等，还引入上至18人的家庭其他人员基本信息，整体测算依靠300+特征维度，大大提高了模型的个性化服务能力，以家庭为单位提供更全面的投保缺口计算服务。
同时使用决策引擎Gaea，将行业专家经验封装为保险需求模型并与机器学习模型进行融合，给出各类险种的具体推荐保额。
还以寿险定价来说：
通常我们做一个项目就要建立一个模型，通过程序员一行一行的写代码，多少个程序员写出多少行代码，几乎就决定了有多少个模型可以产生，增加维度就要响应地增加程序员。按照这条路走下去，想要实现寿险个性化营销，单产品定价部门慢慢就变成了劳动密集型行业，且不说组织消耗、行业沉淀和知识服务成本，调动一个大部门都不再是灵活的事情。
天云数据“保险缺口测算”解决方案，将业务决策逻辑从系统逻辑中抽离出来，使两种逻辑独立于彼此。非技术业务人员就可以直接管理业务规则，使受限于流程的业务实现决策自动化。
天云数据“保险缺口测算”解决方案，千人千面的保险决策支持
天云数据“保险缺口测算”解决方案，它输入人工定义的业务规则，即“在某种条件下执行某动作” 这种范式，然后以‘如果……那么……’的形式对模型调用进行科学配置：比如我们做客户的重疾需求预测，我们可以配置“如果年收入小于X万元，并且年龄小于xx，并且为x性，则重疾需求保额为XX”等一系列规则来实现，这样业务分析人员无需IT支持就可以快速部署和实施业务规则和决策。[92]
实际上是一系列风控规则的集合，就是将Know How技术方案融会贯通发挥到极致，进而通过三个维度为金融机构提供高价值服务：
首先是专家经验的沉淀，将专家经验程序化、标准化，便于继承和调用。
其次引入AI技术训练获得模型，形成数据驱动加专家经验的完整分析系统。
最后输出的是知识包，不仅可以为企业生产系统供给决策支持，还可以反过来作为企业管理其专家系统的工具。
天云数据“保险缺口测算”解决方案，在专家经验沉淀的基础之上，利用AI模型进行更多维度的评估，在性别、年龄基础上，结合医疗支出、收入损失、赡养抚养、家庭负债等保险精算方法，实现了千人千面的保险决策支持，定制出更科学的保障计划。更重要的是可直接对接至代理人所使用的APP或企业微信，在与客户交流的过程中快速进行用户信息的录入、缺口计算、规划展示，并提供相关话术助力完成销售目标。
