保險科技：讓保險公司利用數據重新建立競爭優勢|數位時代 BusinessNext

哪個產業的決策是數據導向的？保險業絕對是其中之一；大多數保險公司擁有大量數據，但試圖將數據應用於營運時，卻面臨巨大的挑戰。保險業需要採取一些行動，才能解決這種困境。

推薦閱讀：保險科技浪潮來襲，從小孩「被退貨」看市場新商機

考量歷史數據的數量和價值，第一優先的任務，是將已儲存在資料庫中數十年與精算、保單、理賠和詐保相關的數據釋放出來，為未來進行承保、定價、作業處理、產品開發、偽冒防制等業務時，提供有利的参考資訊。在理想狀況下，這些歷史數據幾乎可以無限地利用時間和資源進行數據挖掘、搬移、儲存、資料挖掘、資料倉儲和分析，這種運用資料的方式將會很有效。

然而，任何保險公司都沒有無限的資源和時間，可投入在舊數據中尋找有價值的資訊，特別是眼前還有許多其他緊急的問題或商機要處理；此外，當市場上新保單銷售數字的持續下降，以及所有事物都朝向「亞馬遜化（Amazonification）」（即滿足客戶對即時、簡易的線上購物體驗的期望）加速發展時，企業對客戶的深入了解，以及有效運用數據來優化獲取客戶（customer acquisition）、提供個人化體驗、簡化購買流程的時代與壓力已經到來，而且無處不在。

面對如此艱困的環境，解決之道是什麼？這裡提供3種因應策略：

策略1：不要眷戀歷史資料，重新蒐集數位數據

根據摩根史坦利（Morgan Stanley）和波士頓企管顧問（BCG）共同發表的報告〈Reinventing Life Insurance Agency Distribution Globally〉指出：缺乏效率是保險業面臨的主要挑戰，特別是「老派作風的銷售流程」，既繁瑣且與要求數位體驗的客戶期望不符。 歷史或過時的數據不會隨處可見，但競爭優勢可以無處不在。基於這個論述，建議保險公司採取「數據轉傳（dataforward）」的思維，向前看而不往回看。

最好、簡單的方法是：重新開始。 透過乾淨的數據集和現代技術重新發展以數據驅動的策略，保險公司不僅可擺脫傳統數據的泥沼，且可充分利用人工智慧和機器學習等先進技術，以建立競爭優勢。此外，現代消費者多已透過線上與保險公司進行互動，因此可經由良好設計的數據蒐集方式，來深入了解客戶在搜尋什麼商品？真正的需求是什麼？這類的作法對吸引和轉換潛在客戶、設計和交付更好的產品與服務至關重要。

策略2：蒐集高質量數據，建構查詢和運用數據的能力

保險公司要能在2020年代取得成功的關鍵：「擁有高質量的數據（quality data）」以及「擁有查詢（query）和運用（use）數據的能力」。

而最快且有效的方法是提供數位化的服務體驗，同時使用現代技術從頭開始建構建全新、乾淨的數據集。但有兩個問題須先釐清：

什麼樣的數位服務體驗，可以產生最有價值的數據？
保險公司應該自行建構或向外採購所需的技術。

無論保險公司是何種商業模式，舉凡那些訪客瀏覽過公司的網站、訪客來自何處、以及訪客在搜尋或瀏覽什麼等行為相關的數據都是無價的。透過這些互動所產生的洞見（insights）將可為許多決策提供参考依據，最終都有機會使潛在客戶和保險顧問以更容易地與公司進行業務往來。

保險公司可以根據業務需求，也可以由其他類型的數據獲得更多有價值的數據。例如，與理賠和保單相關的數據便可應用在精算和審核，以便找出共通性及改善產品、定價和預防詐欺。精準的保單定價將會直接影響利潤，因此，將內、外部數據與預測分析工具結合使用，可使保險公司能夠快速地回應市場需求，同時能夠偵測出潛在的詐欺行為。根據BCG的分析，相較於能更了解客戶需求而驅動客戶購買商品的競爭對手，無法適應新的定價模式與破壞式的定價技術的保險公司將會喪失競爭優勢。

未來，根據即時數據（fresh data）收費的按需型保單（on-demand policy）應有機會爭取到目前尚未購買保險或保險保障範圍不足的消費族群，既能增加新的營收來源，也能降低獲客成本。

策略 3：與保險科技業者合作以快速建立競爭優勢

進行全面的「自行建構」與「向外購買」的分析，可以協助保險公司進行多面向的比較，包含成本與效益、開發以數據為中心的解決方案、或與供應商合作之間的成本等；但是有些項目是難以量化的，例如錯失的機會成本和用戶體驗也應併入考量，特別是市場上充滿著許多與現有保險者競逐相同市場的數位原生型的市場破壞者，這些考量尤其重要。

但許多保險公司是否能做出決策，只取決於一個問題：公司是否擁有或可以僱用的資料科學家、資訊專家、客戶體驗專家等專業人員，能在公司內部執行數據分析的任務？ 顯然，大部分的保險公司都缺乏這些人才。

目前較為可行的解決方案是與保險科技業者合作，要比公司獨立開發要快速、風險更低且更容易成功。此外，保險科技新創業者還可提供現代化的基礎架構、持續的創新、定期的軟硬體更新、取得先進的技術與人才等益處，這些資源可幫助保險公司持續聚焦於原本擅長的銷售保單和客戶服務等領域。

保險公司原來擁有的數據不會消失，且仍具有價值；短期來說，重新開始建構數位數據是正確的解決方案；舊有的平台可進行現代化改良，舊的數據可往後台搬移，當有新的數據產生時可一併投入使用。隨著時間演進，當保險公司擁有合併數據來源（包括第三方的數據源）以及根據多元數據集產生新洞見的能力時，未來將可創造更多的商機及優勢。

詳細內容，請參考：「Insurtech: An opportunity for insurers to start fresh with data」 / By Jean-Nicholas Hould / Digital Insurance / Feb 03, 2020

責任編輯：陳建鈞

《數位時代》長期徵稿，針對時事科技議題，需要您的獨特觀點，歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw，文長至少800字，請附上個人100字內簡介，文章若採用將經編輯潤飾，如需改標會與您討論。

（觀點文章呈現多元意見，不代表《數位時代》的立場

「過去我們教育教導學生如何從數據中找出標準答案，但在生成式AI的時代，標準答案往往是最廉價的。」臺大EiMBA執行長李家岩一語道破了這波商業典範轉移的核心。他認為，當資訊獲取邊際成本趨近於零，企業的競爭優勢已不再是單純的「掌握資訊」，而是「如何設計讓 AI 與人共同創造價值的流程」。這不只是一句口號，而是一場正在被驅動的轉型。從課程設計的邏輯重組，到學生創業專題的實戰演練，臺大EiMBA正將校園打造成一個允許失敗、快速驗證的「人機共創實驗場」。

告別標準答案，當教授變成「學習架構師」

「我們不再只是教導知識，而是設計學習。」李家岩指出，臺大EiMBA的課程正在經歷結構性的轉變。現在的教授角色更像是一位「學習架構師（Learning Architect）」，他們的任務不是單向輸出，而是設計出高強度的挑戰與情境，讓學生在解決問題的過程中，自然地將 AI 納入決策迴路。

以今年新開設的「雙軸轉型與人工智慧」課程為例，這並非傳統的技術概論課，而是場關於商業邏輯的壓力測試。學生不再只是繳交一份靜態的商業計畫書，反而被要求運用生成式 AI 輔助設計商業模式畫布（Business Model Canvas），甚至利用Vibe Coding技術讓不懂程式語言的商管學生，也能透過自然語言與提示工程，快速生成互動式的原型與操作介面來模擬市場反應。這項技術打破了傳統「文組企劃、理組執行」的藩籬，讓創意能即時轉化為可執行的程式碼。在這個過程中，AI 扮演的角色並非代筆的秘書，而是將概念具現化的加速器，以及最嚴厲的邏輯質疑者。

「這是我在課程中學到最深刻的一課，」臺大EiMBA二年級生、寵物百分百用戶體驗暨品牌行銷中心負責人鐘紫瀕分享道。身處近200人新創組織的高階主管，她坦言最初員工對 AI 充滿敬畏，甚至恐懼被取代。但在 EiMBA 的課堂上，她發現 AI 真正的價值在於「攻防」與「鏡像」。「老師設計了一種『沙漏式』的提問邏輯，迫使我們把策略餵給AI後，必須面對它無情的反問。」鐘紫瀕回憶，「這個市場假設有數據支持嗎？」、「你的競爭壁壘在哪裡？」這種高強度的追問，都是AI在對學員提出的挑戰，迫使她必須思考得比AI更深、更遠。「以前我們忙著找答案，現在我們學會如何設計出『連 AI 都沒想過的好問題』。AI就像一面鏡子，映照出我們思考邏輯上的盲點。」

數位孿生實戰，將「感覺」轉化為「數據決策」

除了策略層面的思維激盪，AI 在營運端的落地應用，更是讓許多直覺型創業者經歷了一場痛苦卻必要的轉型。臺大EiMBA一年級生、赤赤子設計師林宏諭對此感觸良多。

身處傳統服裝產業，過去他的經營模式多仰賴美感與經驗，「以前做決策就是憑感覺，甚至忙不過來時，連縫扣子這種小事我都自己跳下去做。」但在李家岩講授的「雙軸轉型與人工智慧」課堂上，他被迫面對冰冷的數據與流程，而這正是李家岩強調的「數位孿生（Digital Twin）」素養。

在虛擬世界中建立一個與真實工廠或商業流程一模一樣的模型，利用AI進行模擬與預測，是現代智慧製造的核心。對林宏諭而言這意味著必須將腦中抽象的「職人經驗」轉化為AI讀得懂的 SOP。「那段過程就像是被老師架著刀子往前走，非常痛苦，」林宏諭形容，為了讓 AI 能協助優化流程，他必須把每一個步驟定義清楚，無法再用「大概」、「憑感覺」含糊帶過。

雖然煎熬但成果是豐碩的。當感性的創意被裝進理性的數據框架後，林宏諭發現自己的決策不再是賭博，而是可被驗證的科學。「現在AI不僅幫我理清思緒，更像是團隊的外掛大腦。我開始能鼓勵員工使用AI釋放重複性勞動，讓大家能準時下班，去做更有價值的事。」這正是課程希望帶給學員的轉變，從「事必躬親的管理者」進化為「善用工具的跨域系統設計者」。

跨域共創，打破同溫層的「破壁效應」

如果說AI是另一位虛擬組團員那麼課堂上原本的同學們，就是來自多重宇宙的戰友。這裡匯聚了醫師、網紅、工程師、律師與傳產二代，如此多元的背景在AI的催化下，產生奇妙的化學反應。

李家岩特別提到了榮獲霍特獎（Hult Prize）肯定的「RiiVERSE」團隊。這個由臺大管院 EiMBA 與 GMBA 學生組成的團隊，成員涵蓋了時尚、行銷與創新創業等不同領域。他們利用舊衣回收再製技術，打造出循環經濟的生態圈。「這就是我們強調的跨域共創。」李家岩解釋，在過去，不同領域的專業人士溝通成本極高，但現在，AI成為了通用的翻譯機與黏著劑。

「AI不僅降低了技術門檻，讓文組生也能做Prototype，更讓理組生也能懂得商業敘事。」在這樣的環境下，創新不再是單打獨鬥，而是像RiiVERSE團隊一樣，結合理性與感性，共同回應全球永續（ESG）的艱鉅挑戰。

為了內心的狂熱，動手去做

然而，隨著AI涉入決策越來越深，一個核心問題浮現：在演算法能預測趨勢、生成文案甚至編寫程式的時代，人類領導者的價值還剩下什麼？「我們教的不是被AI取代，而是擴增智慧。」李家岩眼神堅定地說。他強調，未來的領導者必須具備三項關鍵特質：AI素養、跨域系統設計能力，以及科技人文的反思力。

其中最關鍵的，是懂得界定「自主邊界（Autonomous Boundary）」。領導者必須清楚判斷：哪些決策該放手讓 AI 自動化？哪些時刻必須保留人類的溫度與價值判斷？「例如在智慧工廠中，AI 可以預測機台何時需要維修保養，但『什麼樣的風險可以接受』、『我們要解決什麼社會問題』，這些涉及價值觀的決策，永遠需要人類來定奪。」李家岩補充道。

在李家岩眼中，真正的創新往往不是來自同類型人才的討論，而是從不同背景、不同世界觀的碰撞中誕生。「一個人能看到的只是片段，跨域合作才能讓問題完整。」他再次提到。對他而言，EiMBA 想培養的不是知道最多的人，而是能讓「各種智慧」一起工作的人。在AI與人類智慧並存的年代，領導者最重要的能力，不是掌握所有答案，而是打造一個能讓答案自然生成的組織環境。「未來需要的領導者是能整合技術與人、懂得跨域系統思考、也能『擇人(含機器人)而任勢』的人。」李家岩說，而這群充滿創業創新的管理者也將在未來商業戰場上奏出人機協作的新樂章。