Page 12 - SPARK Xpress Q4

SPARK Xpress 2021 N0.04

新光人壽與元富證券 2. 元富證券 - 建構「投資能力推薦」模型 : 發掘調額潛在客群觸動投資動能

率先以 AutoML 發展數據創新 -POC 案例 客戶進行投資交易時，若想要調整交易額度以符合所需下單規模，傳統調

額審查作業會需要由證券評估客戶資產財力、交割風險與交易量等面向進行

今年首次由新光金控數數部與人壽市場行銷部、證券數位金融部及經紀 審核。本次透過 AutoML 工具快速生成 300 多種模型創建，準確率落在 75%

部共同協作，以科技賦能驅動創新，運用 AutoML 進行預測性分析試驗，分 區間，供未來實際落地的指引方向，以建立迅速察覺顧客的交易情形變化所

別為人壽 - 提高保險再購機會及證券 - 投資能力推薦以觸動投資動能，其說 需額度推薦模型，並進一步將業務決策運用在模型產出結果。依據客戶分層，

明如下 : 規畫差異化的經營策略，主動推薦客戶調整額度，讓客戶掌握投資機會。

1. 新光人壽 -「保險再購」預測模型 : 準確度及再購率大幅提升

透過機器學習，可以提供交易額度的預測數值
新光人壽運用 AutoML 內建的上百種模型，透過自動排名模型優劣的功

能，不僅可快速瞭解不同的演算法，分別對原始數據做了哪些不同的預處理
歷史資料面向 AutoML 產出應用
或特徵工程，更能夠從 Model Blueprint 快速釐清哪些演算法與參數組合來

配適歷史資料。整體來看，訓練時間、預測準確性與應用延伸性方面皆可帶 基本資料
建議調整額度與原因

來明顯的助益，人壽透過現行 300 多萬保戶建置保險再購機器學習模型，蒐 交易資料
「客戶分群」與
集包含保戶基本資料、往來會員註記、投保之保單險種與繳納保費收入等多
「差異化經營」
種面向資料範圍，運用監督式機器學習方法創建 AI 模型以預測客戶未來再
庫存水位
購保險的機率，準確度由 40.25% 提升到 89.83%。 風險違約

優質客群 虧損客群
Machine Learning 專屬額度 階梯式控管

圖 4：資料來源 數位數據暨科技發展部整理。

針對 AI 應該用在公司哪方面才能創造最大的商業價值 ? 未來在金融場域

裡，從行銷、營運、風險控管、既有客戶促動與作業流程自動化等主題，業

務單位在決定應用的方向後，優先測試於增加商業價值的應用案例，建立一

個實驗性環境將機器學習模型整合進公司既有作業流程，用以快速建立原形

(prototype)，以便推廣至其他提案或跨單位應用。最終，AI 應用不僅要創造

一個終生學習的文化，更需要讓組織團隊願意接受並導入最新的機器學習技

術來幫助公司目標成長，同時，管理階層也透過提倡數據導向的決策模式，

使數據資料在企業內部進行有效的使用，以發揮數據更大價值。
圖 3：資料來源 數位數據暨科技發展部整理。
12 13