保险业构建商业智能系统的三个关键问题

自1980年恢复国内保险业务以来，中国的保险业保持了持续快速、健康发展的良好势头，业务规模不断扩大。特别是近几年来，新的市场主体不断涌现，随着我国保险市场的逐步开放，已经有越来越多的外资保险公司进驻国内市场，市场竞争日趋激烈。同时，从国内保险业信息化建设看，基本实现了业务、财务数据的大集中，已积累了大量的数据。面对日益激烈的市场竞争，国内保险业迫切需要由以前的粗放式经营向精细化管理转变，迫切的需要以数据为基础做出科学的决策，数据大集中也为数据的分析利用提供了基础条件。因此，商业智能应用得到了快速发展，成为保险业IT应用的一个热点。但是，现阶段保险行业在构建商业智能系统时，有几个问题应引起重视。
　　数据标准化建设要先行

　　商业智能应用，数据标准化建设要先行。数据标准化主要是指标的标准化。对数据指标的认识，保险公司各个部门由于管理目标不同，赋予指标的含义也并不相同，例如保费收入指标，销售管理部门、财务部门、统计部门可能对其理解存在很大的差异，这样往往引起管理上的歧义。标准化就是要消除这种歧义，消除同一指标在不同系统、不同部门之间的不一致性，在企业范围内建立统一一致的数据，一个指标只能有一种解释，一个核算口径。

　　在进行标准化建设时，注意参考I-AA/IIW、ACORD等国际上已有的保险行业标准，与行业接轨，这样在未来可最大程度的保护既有的投资。同时，中国保监会已经开始行业的标准化建设工作，计划在今年年底完成保险术语标准化，在进行标准化建设时可充分利用该成果。

　　持续的数据质量改进

　　数据质量是数据的生命，只有高质量的数据才能发挥出数据的价值，低质量的数据会使管理者做出错误的决策，正如谚语所说：“Garbage in，Garbage out”(进去的是垃圾，出来的也是垃圾)。现阶段，保险行业的数据质量不够理想。造成数据质量不高的原因有很多，例如业务流程不规范、核心业务系统技术缺陷、人为操作疏忽、数据补录、手工数据未上机、核算口径不统一等。这些低质量的数据不能真实的反映业务情况，严重影响系统的推广使用。

　　对此需要优先开发用于数据质量控制的模块，根据数据探查规则发现数据质量问题，对数据质量的偏离程度进行估算和展示，对超过预订范围的予以警示，由此促进在流程、规范等各个方面的改进，逐步提升数据质量。商业智能系统应与核心业务系统等生产型系统形成良好的互动，一方面核心业务系统等生产型系统是商业智能系统的数据源，另一方面，商业智能系统暴露出的数据质量问题应能反馈到生产型系统中去，促进生产型系统流程的改进，提升数据质量。数据质量的提升是一个长期的过程，应贯穿商业智能系统建设的始终。

　　分步实施、逐步见效，迭代开发方式

　　商业智能系统是数据分析型应用，这类应用的需求在项目初期一般都不清晰，建设周期通常比较长，投入比较大。并且，数据模型是商业智能系统的核心，目前国内保险行业还没有成熟的、完整的数据模型，国外虽然有IBM的IIW，NCR的FS-LDM等成熟的逻辑数据模型，但这些国外的数据模型目前在国内还没有完整的客户化经验。因此，商业智能系统的建设不可能一蹴而就，需要整体规划，分步实施。在分步实施的每个阶段，采用迭代的开发方式，快速的开发出原型，不断的和用户交互，保证开发出的系统是用户真正想要的系统。

　　分步实施的核心思想是在整体规划的基础上将总的开发任务化整为零，分解为各类应用的迭代开发。分步实施的基础是整体规划，这样可以保证系统的完整性，分步实施的每个阶段之间能很好的衔接。逐步见效的核心是通过有计划的、逐步发布已开发的功能，帮助用户解决某类问题，这里必须要强调发布的功能一定要能帮助用户解决一类问题。这样做的一个重要目的就是将项目开发的成果及时提供给业务人员使用，帮助业务人员早日了解系统应用，培养管理人员使用系统进行分析的习惯，为系统全面上线后，争取用户接受时间。另一个更重要的目标是向企业业务部门展示项目进展情况和发展方向，促使系统的自我优化能力，通过对每次迭代应用成果反馈意见的分析，可以获取更全面、更深入的需求来完善下一步的迭代实施内容，并保持项目的发展不偏离预期目标。

转载：感谢您对网站平台的认可，以及对我们原创作品以及文章的青睐，非常欢迎各位朋友分享到个人站长或者朋友圈，但转载请说明文章出处。