本文主要包括“智能投顧”這個投資顧問到底智能嗎、馬格維茨的投資組合理論、國內的智能保險顧問與用戶在既有服務中存在轉化障礙、智能保顧能夠爲用戶帶來的價值、存在的問題、能取代代理人嗎六部分。

思考三個問題：

1. 什麼是智能投顧？什麼是智能保顧？
2. 當前大熱的智能投顧真的智能嗎？智能保顧呢？
3. 有沒有企業可以真正做大智能投顧保顧？

以下是正文：

接上篇：服務核心所需的能力規劃 | 互聯網平臺建設系列（九），每一個版本的演化都離不開橫向支撐體系的場景創新和縱向深度拓展體系的場景創新。

綜述

在V1.0版本，我們會集中分享五個典型的場景，橫向爲創新型金融產品“續期寶”、創新型增值服務“在線智能問診”兩個非常經典的場景；縱深方面，會集中分享創新型服務“智能分發”、創新型服務“場景智能串接”和智保險需求的能分析（本篇）三個場景。場景的分享無法窮盡，更無法解決所有企業所有的問題，僅做引子。

下圖爲創新型分享的基本線路圖：

我們平臺的定位是“懂我的保險管家”，既然是懂我，怎麼能沒有保險需求的智能分析，這一篇，就是關於智能保險顧問的一些嘗試。在正式開始之前，必須瞭解兩個概念：智能投顧、智能保顧。雖然我們是講保險顧問，但是理解清楚投資顧問，對應的保險顧問也就基本清楚了。

1. 智能投顧：即所謂的機器人理財，是虛擬機器人基於客戶自身理財需求，通過算法和產品來完成以往人工提供的理財顧問服務。
2. 智能保顧：即所謂的機器人推薦保險，是基於客戶自身的保險需要，通過算法和產品來完成保險顧問的服務，這個服務以往是人來實現的。

之所以把這兩個放在一起講，是因爲本質上是一個東西。

正文分爲上下篇，上篇包括“智能投顧”這個投資顧問到底智能嗎、馬格維茨的投資組合理論、國內的智能保險顧問與用戶在既有服務中存在轉化障礙、智能保顧能夠爲用戶帶來的價值、存在的問題、能取代代理人嗎六部分；下篇包括怎麼做、應用方向和發展方向三個方面。

01 “智能投顧”這個投資顧問到底智能嗎？

從 AlphaGo 開始，人工智能就成了最時髦的名詞，很多機構都說自己要爲客戶提供智能投顧業務，然後打着智能投顧的名頭來募資，智能投顧這個名詞聽上去非常地時髦。

智能投顧是根據大數據來對每個客戶進行動態的風險測評，然後再根據每個客戶的風險偏好推薦最合身的證券投資組合。其實這背後的金融理論一點也不科幻，一點也不尖端，這就是1952年馬格維茨提出的投資組合理論（Portfolio Theory），馬格維茨憑這個理論在1990年拿了諾貝爾獎。

這個理論其實說的就是如何根據每個人的風險偏好，在千萬個證券裏面計算出你的最優投資組合。看上去，現在我們個人的數據沉澱這麼多，大數據的計算能力這麼強，這個模式在理論上好像是可以成立的。但是你要考慮到，這對金融服務機構有非常高的要求。

• 首先得擁有海量的個人實時數據，即優質數據。
• 其次，企業要擁有極強的大數據分析能力，即切實可行的算法。
• 最後，還必須有大量的像行爲金融學、心理學、計算機編程方面的高級的專業人士。

現在放眼市場上，有幾個機構能夠做到？像騰訊、阿里、平安等少數幾家超級企業，可能具備這個潛質，但是仍然需要很長很長的時間去挖掘數據，理解人性，修正模型。其實就算這幾家企業真正地能做到智能投顧，還路漫漫其修遠兮。

至於絕大部分號稱智能投顧的公司，完全不具備以上條件。都想不出他們能拿出什麼智能，又怎麼做你的投資顧問。所以，我覺得智能投顧現在很大程度上還停留在一個噱頭的階段。

另外一個特別容易掉進去的坑是很多人把機器人選股和智能投顧給混淆起來。其實機器人選股根本就不屬於智能投顧這個範疇裏面，它屬於我們金融裏的量化交易。

而量化交易策略，其實是隨時需要跟蹤調試的。目前完全的機器化、程序化的效果並不好。比如大家最津津樂道的，美國市場中首支應用人工智能選股的基金“阿爾法狗”——AIEQ，就在2017年10月的時候，在上市的一個月之內，大幅地跑輸了標普500指數，也就是美國的大盤指數。

更重要的是，如果這個事放到中國市場靠不靠譜？

中國市場變化快，規律不穩定，小概率事件時常發生，這種脫離了人工監測的機器人選股，風險是極其大的。遠的不說，就說今年以來的金融嚴監管，幾乎所有的量化策略都失靈了，尤其是最近兩個季度，很多量化基金的絕對收益在1%到2%之間，比你的銀行存款都要低得多。

所以說，很多機構說的什麼智能投顧、機器人選股，很多時候就是營銷的噱頭。希望你對這智能投顧和機器人選股這兩個概念要有一個清醒的認識。

02 馬格維茨的投資組合理論

提到智能投顧，就不得不說馬格維茨的投資組合理論。美國經濟學家馬考維茨(Markowitz)1952年首次提出投資組合理論（Portfolio Theory)，並進行了系統、深入和卓有成效的研究，他因此獲得了諾貝爾經濟學獎。

該理論包含兩個重要內容：均值-方差分析方法和投資組合有效邊界模型。

在發達的證券市場中，馬科維茨投資組合理論早已在實踐中被證明是行之有效的，並且被廣泛應用於組合選擇和資產配置。但是，我國的證券理論界和實務界對於該理論是否適合於我國股票市場一直存有較大爭議。

從狹義的角度來說，投資組合是規定了投資比例的一攬子有價證券，當然，單隻證券也可以當作特殊的投資組合。人們進行投資，本質上是在不確定性的收益和風險中進行選擇。投資組合理論用均值-方差來刻畫這兩個關鍵因素。

1. 所謂均值，是指投資組合的期望收益率，它是單隻證券的期望收益率的加權平均，權重爲相應的投資比例。當然，股票的收益包括分紅派息和資本增值兩部分。
2. 所謂方差，是指投資組合的收益率的方差。我們把收益率的標準差稱爲波動率，它刻畫了投資組合的風險。

人們在證券投資決策中應該怎樣選擇收益和風險的組合呢？

這正是投資組合理論研究的中心問題。投資組合理論研究“理性投資者”如何選擇優化投資組合。所謂理性投資者，是指這樣的投資者：他們在給定期望風險水平下對期望收益進行最大化，或者在給定期望收益水平下對期望風險進行最小化。

因此把上述優化投資組合在以波動率爲橫座標，收益率爲縱座標的二維平面中描繪出來，形成一條曲線。這條曲線上有一個點，其波動率最低，稱之爲最小方差點（英文縮寫是MVP）。這條曲線在最小方差點以上的部分就是著名的（馬格維茨）投資組合有效邊界，對應的投資組合稱爲有效投資組合。

投資組合有效邊界一條單調遞增的凸曲線，如果投資範圍中不包含無風險資產（無風險資產的波動率爲零），曲線AMB是一條典型的有效邊界。A點對應於投資範圍中收益率最高的證券。

如果在投資範圍中加入無風險資產，那麼投資組合有效邊界是曲線AMC。C點表示無風險資產，線段CM是曲線AMB的切線，M是切點。M點對應的投資組合被稱爲“市場組合”。如果市場允許賣空，那麼AMB是二次曲線；如果限制賣空，那麼AMB是分段二次曲線。在實際應用中，限制賣空的投資組合有效邊界要比允許賣空的情形複雜得多，計算量也要大得多。

在波動率－收益率二維平面上，任意一個投資組合要麼落在有效邊界上，要麼處於有效邊界之下。因此，有效邊界包含了全部（帕雷託）最優投資組合，理性投資者只需在有效邊界上選擇投資組合。

馬克維茨投資組合理論的基本假設爲：

1. 投資
2. 者是風險規避的，追求期望效用最大化；
3. 投資者根據收益率的期望值與方差來選擇投資組合；
4. 所有投
5. 資者處於同一單期投資期。馬克維茨提出了以期望收益及其方差(E，δ2)（注：2代表平方）確定有效投資組合。

不知道你看出來沒有，這套模型存在至少四個問題：

1. 當證券的數量較多時，基本輸入所要求的估計量非常大；
2. 數據誤差帶來的解的不可靠性；
3. 輸人數據的微小改變會導致資產權重的很大變化從而導致解的不穩定性；
4. 重新配置的高成本。

實際情況是什麼呢？市場是極其不理性的，特別是中國的市場，同時由於缺乏人、政治等大量的起到決定性左右的數據，從目前在中國市場的應用來看，基本是無效的。

03 國內的智能保險顧問，與用戶在既有服務中存在轉化障礙

過去的2017年堪稱是智能保顧的元年。各種保保們精靈們層出不窮，市場上出現的智能保顧除了保險需求分析，還可以自主爲用戶提供風險評測、保險知識問答、保險產品對比和推薦等服務等等。但是，真正體驗過的用戶就會發現，目前市場上的幾款所謂“智能保顧”功能不夠齊全，尚未真正實現“智能”，而且能客觀公正代表用戶需求的並不多。

（1）國內概況

目前市場是知名度比較高的智能保顧包括衆安精靈、太保阿爾法、微信風險評測、車車科技的阿保保險等，其中衆安精靈是2018年五月份最新發布的，太保阿爾法去年發佈時層轟動一時，獲取440萬的流量0轉化，螞蟻慧小保現在已經淡出，微信只做風險評估等等。從市場大熱到目前一片寂靜，不禁讓人唏噓。

（2）興起之因

智能保顧之所以能在保險圈興起，根源在於用戶需求，保險公司服務效率跟不上，加之近年全球保險市場上有高達7成的用戶對既有保險服務感到不滿，究其原因無外乎：

• 對保險公司的不信任，根據EY會計事務所的調查，用戶對於保險業的信賴程度持續降低，2014年已經低於銀行、汽車經銷商、電商以及超市。
• 其二是來自於互聯網普及促使用戶行爲改變，現今的用戶對於保險服務的期待是簡單、便利而且快速的，根據AXA針對千禧世代所做的調查，有34%希望通過在線渠道與保險公司互動，有8%不希望與保險公司有任何接觸。事

實上這樣的變化也不再侷限於年輕族羣，E*Trade近期的報告顯示，25-34、35-54以及55歲以上三個年齡層當中，願意一定程度使用自動化或是在線工具獲取投保建議者皆佔多數。

（3）轉化之礙

根據倍比拓諮詢在項目中所做的調研，既有的保險服務可分成四大階段，各環節都存在用戶無法被順利轉化的障礙，我們將用戶心理障礙和智能投顧的價值，投放到簡單的消費決策流程模型中。（消費者購買決策，是一個系統的決策活動過程，包括從問題的認知，從而進行需求的確定、購買動機的形成、購買方案的抉擇和實施、購後評價等環節，後面會有詳細的篇章進行介紹）

可以清晰的看到：

需求觸發階段：國內用戶風險及保險意識淡薄

受制於過去經濟體制、思想及生活方式等影響，國內用戶的風險意識淡薄，若非遭遇意外或是人生狀態變化，幾乎不會自主產生投保動機，多數仍傾向依賴政府、家人或民間互助等傳統方法分散風險，甚至存在僥倖心理，未做任何防範措施。

初步篩選階段：想買卻不會買的困境

有鑑於保險產品種類多、同構型高且內容複雜，用戶即便產生風險意識，也經常因爲缺乏保險知識，在篩選階段產生兩大障礙：其一是自我需求不明確，不清楚哪種風險對自己影響最大；其二是面對品牌衆多且保障內容不盡相同的產品，不知道如何決定最符合自身當前需求的保險方案。

深入理解階段：缺乏可信任的專家

當用戶產生短名單後，通常會到網點或打電話做深入瞭解，然而，傳統的保險公司以銷售爲導向，銷售顧問比起用戶需求更在意業績，經常從對自身有利的角度出發推薦產品，長期下來用戶對於銷售顧問產生懷疑及不信任，在這樣的情況下自然很難做出最終購買決策。

售後服務階段：保障不完善的問題

根據保監會公佈數字，至2014年爲止中國人均保障保單不足0.5份，與發達國家人均5份以上相比遠遠不足，可見國內保戶多數未有完整的保障，我們發現導致此結果的原因是多數用戶不清楚保障是否足夠，想了解又怕被銷售顧問推銷，而在申辦後趨向消極。

智能保顧能夠爲用戶帶來的價值

洞察各階段的轉化障礙後，智能保顧的價值在國內市場可以體現於保險流程中的初步篩選、深入理解及售後服務階段：

（1）初步篩選階段：教育用戶

有鑑於國內用戶普遍缺乏風險及保險概念，智能保顧在初步篩選階段應該被賦予教育的意涵。首先通過個人化的風險分析及預測，幫助用戶具象化潛在需求，建立對保險的基礎認知，接下來，通過保單建議及優先排序，幫助用戶瞭解最適合當前需要的保險方案以及篩選邏輯，增加用戶的信心及判斷力，等同於運用科技快速地普及保險概念及相關知識。

但是，同時也要深刻認識到，智能保險顧問教育用戶的能力是非常有限的，而往往通過智能保顧進行諮詢的人，恰恰是已經多少有所瞭解的人。

（2）深入理解階段：弭平用戶與保險公司之間的不信任

有鑑於國內用戶對保險公司及銷售顧問有一定程度的偏見，諮商相關建議時經常產生疑慮，而降低了投保意願。智能保顧在此階段作爲輔助工具，可增加銷售顧問提供建議時的專業度及可信度，弭平用戶與保險公司之間的不信任。

（3）售後階段：幫助保戶完善人生保障

智能保顧延伸到售後階段，可以針對已購有保單的人羣提供缺口分析。根據既有保單及基本信息的輸入，爲用戶進行未來風險預測及保障完整度評估，分析結果包含缺乏以及多購的險種類型，讓用戶可以進一步作調整，完善人生的保障。

（4）未來預期：全鏈路管理用戶的保險需要

如果數據、算法成熟，智能保顧很可能從保險教育到理賠全鏈路管理用戶的保險需要。更重要的是，智能投顧和保顧很可能走到一起，成爲智能理財顧問。

05 智能保險顧問真的能取代銷售人員？

保險市場，從另外一個維度劃分，可以分爲長短險。這裏的長險產品，除了繳費期間超過1年以外，每年期交保費也不少於1000元。從這個劃分角度，你會發現一個有趣的現象：短線互聯網化速度快、準、狠且動輒千萬級銷量。而另一端的長險，在互聯網端的表現卻極爲慘淡，依然靠800萬代理人隊伍撐起一片天。

美團史上有一個非常重要的發展決策，就是幹嘉偉的加入，定調了B端不做互聯網廣告，不大量補貼，而是招兵買馬發展線下隊伍，進行全量的地推。現在看這個，從馬雲那複製了銷售經驗的幹嘉偉，又將此成功的複製到了美團。

回顧壽險頭部企業的發展壯大歷史，都伴隨着銷售隊伍的增長，很容易看出來，短險銷售很像是C端互聯網化，長險很像是B端的互聯網化，前者好產品、好服務、好運營就會出成績，也就是互聯網所謂的產品、流量、轉化率。後者依然要依賴強大的地推團隊。

因此，智能保顧中短期是無法取代代理人隊伍，反而會更加依賴代理人隊伍，成爲賦能代理人隊伍的應用，纔是目前階段其該有的角色定位。

06 存在的問題

智能投顧和智能保顧目前的發展狀況，是受限於整體市場發展環境，近期依然難有突破，主要原因集中在：

（1）數據不足

當前市場的有效性數據是嚴重不足的，無論是想車車科技這種小型創業公司，還是像阿里、騰訊這樣的大型企業，所擁有的數據，依然無法支撐起智能投顧和智能保顧所需的足夠量的數據。

（2）算法不足

除了擁有數據，企業還要具備強大的大數據分析能力，這裏面最爲關鍵的部分就是算法。人類世界的算法，在過去幾十年間已經長期停滯不前了。如果誰能創造性的發現、發明一套算法解決當前人工智能領域諸多問題，或將徹底改變世界科技的格局，創造新的巨頭。

（3）模型不成熟

一個人在某個場景下怎麼決策，我們首先要將其抽象爲一個模型。目前來看，模型的進展也並不順利。馬格維茨的投資組合理論模型距今已經近70年了。想象一下，無論是一個好的算法，還是一套模型，其難度不亞於重新發現宇宙中另一個地球。

（4）保險產品不夠豐富、不夠人性化和不夠互聯網化

智能保顧終極目標還是保險銷售，機器人推薦保險的前提是，保險知識庫中有足夠的險種可供選擇，這些保險可以滿足用戶個性化、人性化、家庭化的需求。實際上，國內外保險市場的保險服務類別不但不豐富，還相當的單一。就算數據、模型和算法方面都得到的巨大的突破，機器人也將面臨着無保險可推薦的尷尬。

另外一個是，傳統的保險公司雖然有一定數量的保險備案，但是這些都是停留在傳統紙面上的保險，無法進行互聯網渠道的展示、銷售和後續的保單管理。所有這一切，都急需我們的保險公司提高自身的數字化能力。

總結：火候未到，路漫漫其修遠兮

（1）當前智能保顧是有一定價值的

初步篩選階段被賦予教育的意涵、深入理解階段可以彌平用戶與保險公司之間的不信任、售後階段可以幫助保戶完善人生保障。智能保顧模式的日益發展，使得保險公司可以用科技樹立公正、專業形象，同時也將爲保險業的數字轉型帶來機會與創新。

（2）保險需求激增，智能保顧依然在短期內難解用戶之需

保險是複雜的，很多用戶都深有同感，尤其是保險條款，看不懂、算不清、猜不透。一個用戶從不熟悉保險產品到其購買保險後出險，需要了解的知識、碰到的疑惑會很多，比如已經有社保了，還該不該買商業保險?線上買還是線下買?該買哪家公司的產品等等。當然還有保險理賠，很多人對保險有誤解，就是因爲理賠時可能會遇到種種“刁難”，覺得理賠條款設置了各種陷阱，自己看也看不懂。

對於用戶的保險需求，傳統代理人很難站在客觀、公正的角度爲用戶提供服務，因爲大部分代理人是銷售利益驅動，爲了銷售而銷售。而用戶真正需要的是能夠從用戶利益出發的保險顧問，保險經紀人的身份可以很好地匹配用戶的需求，然而傳統的保險顧問服務也面臨很大挑戰：

• 一方面保險的專業性很強，保險產品的種類、數量很多，一個保險顧問很難全面瞭解市場上大部分產品；
• 另一方面，隨着移動互聯網的發展，用戶對服務的預期也越來越高，用戶希望獲得的是無時不在的智能保險顧問服務。

（3）代理人依然是保險教育的關鍵，所以培養高素質代理人羣體，依然決定着中短期保險業發展方向。

（4）智能保顧道路依然漫長，目前看專注做保顧的只有阿爾法。

上篇完，希望你有所思考。下篇以阿爾法爲例，討論智能保顧的落地和未來。

參考文獻：

1. 微信公衆號“大數據金融雜誌”
2. 馬格維茨投資組合理論

相關閱讀

保險公司互聯網平臺建設綜述 | 互聯網平臺建設系列（一）

顛覆式創新，左右平臺經濟時代競爭的主要力量 | 互聯網平臺建設系列（二）

平臺建設規劃的三種思路 | 互聯網平臺建設（四）

基於險企傳統資源優勢的“一核三環”規劃 | 互聯網平臺建設（五）

保險公司互聯網平臺的戰略定位 | 互聯網平臺建設系列（六）

名稱，決定了平臺的發展願景 | 互聯網平臺建設系列（七）

平臺建設的根節與基礎保障 | 互聯網平臺建設系列（八）

服務核心所需的能力規劃 | 互聯網平臺建設系列（九）

創新型金融產品“續期寶” | 互聯網平臺建設系列（十）

服務創新產品“在線智能問診” | 互聯網平臺建設（十一）

創新型服務“智能推薦” | 互聯網平臺建設（十二）

作者：李有龍，公衆號：IAB物智鏈

本文由 @李有龍 原創發佈於人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基於CC0協議