【Circle】資料探勘真的跟你想的不一樣|數位時代 BusinessNext

很多趨勢大師都說未來的技術是決定在語意網路與資料探勘，雖然這兩種技術是兩回事，但有其共同點，更重要的是要解決的問題是一樣的。

但說真的，有多少人去了解資料探勘真正的意涵呢?他跟一般的統計因子分析的方法到底有甚麼不同呢?或者說該如去設計應用或實作出來呢?許多人還停留在一知半解與道聽途說的狀態，以及語意網路真的可以帶給我們生活模式的不一樣呢?在這邊來嘗試著作一些解答…

很多人聽到資料探勘，就會說天氣比較熱的話，冷飲賣得比較好就是種資料探勘的例子，當然說這件事是資料探勘很有問題，因為這樣的描述是一種因子分析，是一種條件判斷，就像是買過哈利波特的人，會買奇幻文學會比沒買哈利波特的人機率高，這邊的"買過哈利波特"就是一種條件。

雖然說有些人認為資料探勘，就是不再以個人的背景(Profile)資訊去判斷，例如年齡，性別，收入，學歷等等固定的因子來決定的差異， ****

傳統的行銷學有兩種方法，一種是找到對象，而這對象用的就是背景資訊去篩選定義，只是這背景選項再多也是相當有限，即使把年齡級距分得再細，收入階級分得再多，地區切割的更密，怎樣還是有相同的人，雖然如何區分兩個背景資料相同的人，但事實上他們要的東西不一樣，在傳統行銷並不重要，因為真正的重點是把透過廣告去"加強"商品的型像，讓每一個人想要你的商品，這才是對的另一種切入點.

雖然說這種方式導致單向度的社會，但在資源的應用與實務上，本來就不可能用太多資源去做市場區隔，更何況當面對每一個人不同的須求，最簡單，花最少資源，賺越多的錢就是給你最暢銷的商品，若你不買單就想辦法說服你這是你要的商品，你是甚麼樣的人並不重要，而你買了之後發現這東西可能不是真正你想要的，你買下的是商品背後的"標價虛榮"，以及你以為獲得的情境，其實不然。

透過資料探勘可以做到的是超過傳統行銷學想像的，利用各種行為去計算出關係與距離，就可以知道人與人之間的關係，商品與商品之間的關係，這種方法進一步的還可以算出每一個人對每一個商品的購買機率，因此當你進入商場或網路商城，就可以知道你會買甚麼東西是做得到的。

但拉回來說，我們都知道一個好的店長對於回頭消費的顧客當他出現時，心理就會有個譜，他會買甚麼東西都瞭如指掌，這比任何資料探勘還要更準，只是這前提是要熟的客戶與小的商場，當商品變多，客戶變多就做不到了，目前而言，資料探勘能做到的事，事實上人都做得到，甚至更好，但一個好的店長是相當少見，甚至他也只能了解幾十到幾百個客戶就了不起了，此時資料探勘就會在這邊發揮效用。

而往往因為無法達到這樣的要求，或者是開發者本來就不知道這樣的演算法，而選擇用統計式或條件式(Rule-BasedorCondition-Base)來做出這樣的輔助決策系統，當然好壞的演算法做出來的準確度有差，甚至有時候須要為了整個企業智慧(BusinessIntelligence)做一段時間的調校才能夠準，所以有時不是做得好不好的問題，而是做得出來與否的問題。

不得不否認的，用條件式就以達到2~3成的準確率，若是列出10個有2~3個準確也就很夠了，因此就聽到Cubie的Tempo說，他們當時想利用DataMining 做朋友推薦，但因為沒有時間就先做條件式的，而效果已經足夠了，這句話代表他很了解資料探勘的好處與困難，也知道與一般條件篩選式與之間的差異。而資料探勘就是從統計因子分析的2~3成的準確率變成7~8成，雖然說效果多了2~5倍，但須要的時間，資源的成本就高很多，若這是只是個推薦朋友的話，或許用統計條件就夠了，若這個是在大型電子商務的商品推薦的話，這就是很重要的工具與決勝點了。

**** ，因為一個好的資料探勘使用者輔助系統，不只可以算出未來的銷售狀況，立即改善TurnOverRate迴轉率，也可以提升立即滿足度，讓庫存降低與出貨率提高，這件事小商店靠店長算就夠了，但大型電子商務若沒有引進這樣的系統就或跟別家產生差距。

相對的若能夠依每一個登入的使用者推薦個人購買機率高的商品，而不是用無差異的廣告行銷，甚至把分眾打散成個人，把每一個人都當成一個獨立獨特的個體，而不是用統計的幾種模型去套用，此時不只讓商品找到對的人，也讓人找到對的商品，降低溝通成本以及錯誤購買率，提升消費者購物經驗，這才是資料探勘DataMining對未來行銷最大的影響。

轉自Circle ****

當許多企業還在討論 AI 能做什麼，富邦人壽更關注：AI 如何被第一線同仁使用？而這也是「理賠智慧助理」能從黑客松發想、走進理賠現場，成為真實工作夥伴的原因。

為什麼富邦人壽會選擇從最複雜、也最不易標準化的環節–理賠–切入、嘗試將AI從「回答問題的工具」轉變成進入核心營運流程的「決策輔助夥伴」？

保險理賠為何難以AI化？答案藏在大量非結構化資訊裡

相較於客服問答或行政流程，理賠工作最大的挑戰在於資訊高度分散且缺乏標準格式：從診斷證明、病理報告、手術紀錄到醫療收據，每份文件不同醫院格式都不同，內容還充滿專業醫療術語；理賠人員不僅必須理解文件內容，還需要同步比對保單條款、法規要求以及醫學知識，才能做出適當判斷。

更複雜的是，就算是相同疾病或手術名稱，不同案件背景也可能導致不同理賠結果，因此，理賠長期被視為高度依賴專業經驗與人工判斷的工作，很難透過傳統自動化工具處理。

近年來，隨著理賠案件量持續增加、醫療技術快速演進，以及新舊世代交替帶來的人才培育壓力，如何兼顧理賠品質、作業效率與知識傳承，成為刻不容緩的議題。

富邦人壽開始思考：如果AI無法取代專業判斷，是否能先協助理賠人員更快掌握資訊、縮短搜尋時間，讓專業人才把時間投入在更高價值的分析與決策工作？這個想法在富邦集團導入微軟Copilot Studio並舉辦黑客松活動後獲得實踐機會，理賠團隊將構想轉化為可驗證的AI提案，並在主管支持與跨部門合作下，於2026年1月正式導入理賠現場。

「黑客松讓我們有機會快速驗證想法，也讓AI應用從概念走向實際場景。」富邦人壽理賠部資深襄理郭乃瑀如是說道。

數位時代為此特別專訪富邦人壽黑客松獲獎團隊「ClaimAIngels」的成員，深入了解這項 AI 專案如何從創新提案一路走進理賠第一線，成為同仁日常工作的決策輔助夥伴。

AI成功落地的關鍵，不只是模型，還有資料與流程重建

從創意發想到實際上線，最大的挑戰不是技術，而是如何讓AI真正符合第一線需求。

富邦人壽理賠部資深襄理林庭樂指出，團隊一開始便深入訪談理賠同仁，發現大家真正需要的並不是AI幫忙做決定，而是協助整理資訊，因此將理賠智慧助理專案聚焦於三大領域：手術等級建議、病理報告判讀輔助，以及國外醫療文件翻譯與摘要，目標是協助同仁降低資料蒐集與查詢時間，讓理賠同仁可以快速掌握案件重點。

但要做到這一步，必須先建立可信任的資料基礎。

由於醫療資料來源眾多且格式不一，團隊投入大量時間整理歷史案件、建立醫療名詞對應關係、標註資料來源與判斷依據，並透過跨部門討論及醫師顧問協作，逐步建立一致的判讀標準。林庭樂表示：「這項工作看似基礎，卻是AI能否提供可靠建議的關鍵，更重要的是，它讓過去散落在資深同仁腦中的經驗知識，逐漸轉化為可被組織保存與運用的數位資產。」

富邦人壽理賠部專員陳子聆便感受到明顯改變。她說：「過去遇到新的手術名稱，往往需要花費一到兩個小時查閱條款、搜尋歷史案例並向資深同仁請教，現在，透過理賠智慧助理協助，資料搜尋時間縮短50%以上，能將更多心力放在案件分析與專業判斷上。」

理賠部理賠審核科資深襄理王羽藍則形容，理賠智慧助理更像是一位隨身秘書。她說：「它會先幫我們整理案件重點，也能提醒是否遺漏重要資訊。無論是判讀國內外醫療文件、核對醫療收據，或分析病理報告內容，都能快速提供參考依據，讓我們把時間投入更重要的專業決策。」

除了資料基礎建設，金融業導入 AI 的另一個關鍵挑戰是風險與合規。

因應金融監理要求以及個資保護需求，團隊在設計理賠智慧助理時建立多層防護機制與使用護欄，並持續優化提示詞設計，以降低AI幻覺、資料外洩與誤判風險，確保AI始終在可控範圍內運作。

不過，對富邦人壽而言，上線並不代表結束，而是優化的開始。

團隊發現，理賠智慧助理初期使用率表現亮眼，但隨著時間推移逐漸下降，為了找出原因，團隊同仁與第一線理賠同仁召開多場討論會議，讓其了解，生成式 AI 並非一次建置完成就能長期發揮效益，必須持續蒐集使用回饋、改善建議，進而調整功能設計。

郭乃瑀表示：「根據同仁回饋，團隊目前正規劃新增實支實付手術給付比例分析等功能，目標是讓AI更貼近實際工作流程、滿足使用者需求。」

從單一專案到組織能力，理賠智慧助理帶來的真正改變

隨著理賠智慧助理逐步成為理賠同仁的日常工作夥伴，其帶來的影響也不再侷限於效率提升，而是開始擴散至組織文化與創新模式的改變。

郭乃瑀表示，過去AI專案多半由資訊部門主導，但這次經驗讓大家發現，真正了解痛點的人其實是第一線同仁，因為只有其最清楚哪些流程最耗時、哪些資訊最難取得，以及哪些環節最適合導入AI。「隨著理賠智慧助理成果逐漸顯現，愈來愈多部門開始主動詢問專案推動經驗，如資料整理、風險控管、流程設計與使用者導入等做法，加速 AI 創新在組織內部的擴散與落地。」

對富邦人壽而言，理賠智慧助理並不只是單一 AI 工具，而是一次工作方式與文化的改變：從第一線提出需求、跨部門共同打造，到持續優化與回饋機制，AI 不再只是科技部門的工具，而逐漸成為工作現場的一部分，也讓數位轉型成為一種持續發生的創新能力。