这里是普通文章模块栏目内容页
【干货】Kyligence如何助力保险公司业财融合?

  不管是“全球新增的600亿万欧元保费中,中国市场占八成”的调研报告数据,还是“商车费改推动险企运用市场化手段降低商业车险费率水平,实现精准定价”,又或者是“运费险、航班延误险、手机碎屏险……”等小而美的创新险种不断涌现在我们的生活中,都在无声诉说着中国保险业正迎来百年发展的巅峰时刻。

  但是正如同夏洛蒂·勃朗特在《简爱》中所说的那样,希望与绝望、机遇与挑战总是并存。从早期通过粗放式促销迅猛发展的车险业务到商车费改倒逼保险企业精准定价服务高净值客户,从单一险种到互联网时代下保险行业“私人定制”时代来临,保险公司在业务经营、财务核算、风险管控等方面开始陷入困境,保险用户需求也开始呈现多样化、个性化和集成化交融共存的复杂局面,这对于保险公司的业务决策提出了更高的要求。

  新一年度,保险企业各分公司、支公司、营销部需要完成的规模保费目标是多少?如何才能准确的预估赔付率、计算赔付成本?如何通过大数据客户画像制定科学、合理的营销方案?是否需要新开险种带领企业异军突起? 在经营活动中,如何实现资源配置严格遵循“高赔低费,低赔高费”的原则,提升市场竞争力?

  要想解决这些问题,就必须打通业务和财务两类数据间的壁垒,建设业财大数据分析平台,实现业务财务一体化,也就是目前保险行业的热点话题——业财融合,只有这样,才能使财务人员掌握财务目标的同时了解企业的运作状况,对业务实施管控的同时也向业务部门提供服务,帮助企业实现有效的资源配置和价值创造。

  业财大数据分析平台建设的挑战

  从技术角度来看,业财分析平台需要提供保单级的多维分析能力,满足最小单位经营分析和预测,基于维度及指标细分,险企各级机构可清晰直观的剖析业务结构,筛选优质业务,结合具体业务目标及市场发展实际情况,有针对性的制定资源投放策略。不过,要建设这样的平台并不是一件简单的事情。

  传统保险企业使用的传统的数据仓库设施由于本身技术架构的局限性,无法满足海量业财数据的高效分析,无法实现保单级维度和指标的多维分析,存在分析维度和分析指标偏少,分析时效滞后、分析预见性差以及回溯分析困难的痛点。

  另一方面,传统数仓设施很难进行横向扩展,不支持高并发访问,企业不得不为不同业务条线建立烟囱式的分析平台,造成数据孤岛,不仅给企业带来了巨大的实施和运维成本负担,而且制约了业财融合的推进。

  当然,也有越来越多的保险企业建设了Hadoop大数据平台,并利用其廉价的存储硬件和强大的并行计算能力,存储和处理日益增长的海量业财数据,同时统一数据口径,提升数据质量。

  但是,当企业想要把这些数据提供给财务或业务部门进行多维分析时却遇到了巨大的挑战,例如缓慢的查询性能,与业务BI软件的兼容性差,数据权限管控复杂,高并发下系统变得不可用等。

  为了满足前端应用的需要,IT部门不得不将Hadoop上加工后的汇总数据搬移回数据仓库,Hadoop沦为ETL平台和历史数据存储区。除了数据仓库固有的局限性,混搭架构(参见下图)带来了许多新的问题,例如数据冗余与不一致,两个平台需要保存和维护两份数据,运维难度大;数据的搬移使得数据时效性变得更差,从T+1到T+2甚至T+3;另外,两个平台的总体拥有成本更高。

  ​​

【干货】Kyligence如何助力保险公司业财融合?

  Kyligence的解决方案

  如何解决和突破混搭架构的问题和挑战?Kyligence智能数据仓库解决方案给出了答案。

  在Hadoop集群上部署Kyligence公司开发的大数据OLAP平台,高效利用Hadoop分布式计算引擎MapReduce和Spark,批量预计算各主题场景的维度组合的分类、汇总统计数据,然后存储在Kyligence自带的可靠、专利的列式存储引擎中。同时,Kyligence向应用层提供支持ANSI SQL 2003接口的JDBC和ODBC驱动,无缝集成业务部门现有的BI前端工具,例如Cognos,Tableau,实现对BI前端的查询请求的快速响应。

  ​​

【干货】Kyligence如何助力保险公司业财融合?

  另外,由于预计算的机制,当业务场景需要支持高并发查询时,只需要线性扩展Kyligence查询节点即可提供稳定的高并发支持能力。为了保证查询性能,Kyligence支持将写和读集群分开部署,即读写分离部署(如下图所示),独立的大型共享型写集群能够提高Cube构建速度,独立的查询集群避免资源竞争,确保查询性能的稳定性。

#p#分页标题#e#

  作为企业级的产品,Kyligence也支持多租户的部署方式,满足不同业务部门对数据隔离和资源配置的要求,实现高可用,高可扩展的数据即服务平台。

  ​​

【干货】Kyligence如何助力保险公司业财融合?

  随着业务的发展和需求的变化,Kyligence提供的智能建模能力能够基于机器学习算法,自适应业务的查询模式,对历史查询进行自动加速优化,从而降低建模学习成本,进一步提升需求响应的效率。

  业财融合经典案例

  某国内TOP3财产和人寿保险公司为响应产险公司业财融合的规划和需求,于2017年建设并投产的业财一体化分析平台,基于Kyligence公司的企业级大数据OLAP引擎,多维统计分析报表查询响应时效从“半小时”级提升到“秒”级,大幅提升用户分析效率。

  同时,平台实现了40个维度、300个指标的分析规模,提供预算端定制报表40余张,以及数类灵活报表,实现了多维统计报表秒级响应,大大扩展了财务分析指标库及可用分析维度、分析口径,优化了财务分析与业务的相关性,提升了业务分析视角和分析深度水平,更好地支持业务管理层进行市场资源配置和成本预测。

  平台通过引入精算预期赔付率与细分销售跟单费用十个段,以及成本区间分析、费赔相关系数等指标,让业务、财务均能及时清楚地了解相关层级和维度的业务成本结构,明确赔付与费用投放的匹配关系,帮助各层级机构强化对资源配置的管理。同时深度挖掘业务信息,判断优劣质业务,将资源的投放倾向精细化,满足业务部门经营监控和资源投放调控需求。

  目前系统已开放给1000多个总分公司机构、4000多名分析用户使用,其中车险核心用户1000多人,全司平均使用率67次/人。截至2017年底,公司费赔相关系数为-0.85,环比2016年12月末-0.57,资源配置能力提升明显,有效解决分公司资源“往哪投、投得了、敢于投”的问题,并逐步推广成为产险公司精细化的成本管理平台,为企业实现业财融合奠定了坚实的基础。

收藏
0
有帮助
0
没帮助
0