“AI+BI”智能秘书:重塑寿险数智经营新范式

中国平安人寿保险股份有限公司科技研发部总经理   贾金鹏

中国平安人寿保险股份有限公司科技研发部架构与数据管理团队副总经理   朱晟

北斗ChatBI智能决策平台建立在寿险数据中台这一强大的基座之上，以场景大模型为认知基础，融合Multi-Agent协同架构、垂域知识库、知识图谱、预测决策与检索增强生成（RAG）等前沿技术，形成统一数据的资产底座、协同智能的AI架构，以及垂域专属的智能理解这三大核心能力，构建起覆盖“看数据、定问题、找原因、推策略、追溯变”的五维智能闭环，让每一位管理者和运营人员都能随时随地与数据对话，将“人人都是数据分析师”，从口号变成现实。

基于数据治理三大理论，形成《平安人寿数据管理实践指南》，打造业界领先的“1-2-2-1”企业级数据治理体系（如图1）。首先，全面整合寿险内部、集团跨业务单元及外部监管、中保信等多源异构脱敏数据，形成“1”大数据底座。其次，采用“以用促治”和“以评促管”的“2”种策略，解决数据质量问题的同时，也满足监管合规要求。第三，围绕健全保障机制、规划管理活动“2”大重点，如元数据管理、数据开发、数据标准等重点工作，最终达成纳管数十万张数据表，建成覆盖数万项统一指标、标签的“1”套标准化数据资产体系，实现跨域数据的统一建模、口径归一与集中治理。通过系统化的数据资产管理和高质量的数据供给机制，构建支撑智能决策的坚实数据基础，为上层应用提供权威、可信、可持续的数据服务，全面释放数据要素的潜在价值。

图1 “1-2-2-1”企业级数据治理体系图

图2 AI智能决策架构图

平台核心技术突破集中在对保险业务场景的深度适配与精准理解。在自然语言转SQL（Text2SQL）这一关键能力上，北斗ChatBI通过融合思维链推理、动态校准与保险语义中台，在寿险复杂查询场景中的意图识别准确率较主流通用大模型提升9个百分点，资源消耗却不足其40%，实现“高精度、低开销”的极致平衡。

这一优势源于平台自研的四大核心技术支柱：

· 垂域知识库驱动：以业务规则经验为指导，构建客户、代理人、绩效、运营四大专业语义体系，内嵌精算逻辑、基本法规则、保单结构、产品介绍等上千项业务知识，汇聚业务俚语、同义词、指标口径等元数据数十万条，确保对“NBEV”“活动率缺口”“续期达成率”等专业表述精准解析。

· Multi-Agent智能协同：设计多智能体框架，将保险场景复杂分析任务（如风险预警、销售分析等）拆解为意图识别、数据提取、根因分析、报告生成等多个子任务，明确依赖关系；集成400+垂域工具与6+高性能小模型（风险预测、客户分群等），实现大小模型协同决策；通过动态调度降低大模型调用频率（5次/任务），减少推理资源成本，大幅提升响应效率与结果可靠性。通过大小模型协同方式，任务处理时长缩短40%，业务准确率提升20%，有效避免幻觉问题，专业可靠性增强25%。

· 知识图谱赋能归因分析：构建10+业务场景的经营分析知识图谱，整合10000+实体与百万级关系链，自动穿透“区域业绩下滑”背后的深层动因，如代理人脱落、客户流失、产品结构失衡等，生成可视化归因路径。同时设计500份思维链模板，标准化复杂问题推理路径，通过检索增强（RAG）动态调用知识图谱中的实时指标与历史数据，补足模型上下文，从而显著提升业务数据洞察能力，支持复杂问题的快速定位与决策优化。

· 智能预警与策略推荐：基于覆盖2.7亿个实体与千亿关系链的动态金融知识图谱，研发了混频自适应建模框架及基于图注意力机制与层级过滤技术的网络优化方法，构建了业界首个亿级金融风险传导网络，实现了宏-中-微观时序经济金融指标的精准预警与动态推演，为企业经营研判及风险管理提供了强有力支持。同时，依托自研行业大模型，深度融合保险业务逻辑与历史决策案例，自动生成可落地、可解释的策略建议，显著提升决策的科学性与执行力。两大能力协同联动，推动企业从“被动响应”向“主动干预”跃迁，全面构筑智能化经营新优势。

北斗ChatBI已深度嵌入寿险全业务链条，成为贯穿前中后台的“智能秘书”，在寿险智能经营、智能运营、智能服务、智能管理等场景中释放显著效能。下面重点阐述业绩预测与投诉分析两大场景。

1.业绩预测：从“事后总结”到“事前预判”

平台基于NBEV历史趋势、寿险内部数据（如代理人数量、客户数量等）与利率指数、宏观经济等外部变量，集成时间序列算法、规则拆解法、公式归集法等多种算法，构建动态预测模型（如图3），支持“下月保费达成率预测”“明日NBEV业绩预测”等前瞻性分析。管理层可提前识别风险、调整策略，实现由被动响应向主动干预转变。某分公司应用后，季度目标偏差率下降37%，策略调整时效提升60%。

图3 业绩预测示例图

2.投诉分析：从“模糊感知”到“精准洞察”

北斗ChatBI以自然语言交互重构经营分析范式，用户通过口语化指令如“展示某机构客户投诉上涨原因”，即可秒级触发多维分析（如图4-7）：

· 动态指标穿透：联动产品、人力、品质等数据域，自动下钻至机构/团队/个人层级；

· 智能预警推送：基于历史数据、客户生命周期与行为预测，主动提示异常指标及高投诉客户风险，赋能业务人员提前化解干预，减低投诉风险；

· 归因报告生成：针对异常指标，自动关联产品结构、培训强度、抖音投诉搜索指数等因子，生成涵盖投诉场景核心结论、驱动要素分析、问询指标穿透等三大主题归因报告。

图4 用户问数功能图

图5 归因分析功能图

图6 杜邦拆解功能图

北斗ChatBI带来的不仅是单点效率的改善，更是组织能力的整体跃升：

· 降本增效：减少数据开发与采集人力，报表生成时间从小时级降至分钟级，人力释放30%以上。

· 决策提速：关键经营决策响应周期缩短，显著增强市场敏捷性与竞争力。

· 创新驱动：ChatBI的应用帮助企业实现了从传统数据分析模式向智能化、自动化转型，降低了数据分析门槛，显著提升了企业的核心竞争力。

北斗ChatBI的成功实践为金融业提供了可复制的智能化范式。其轻量化架构、低代码配置与模块化设计，支持向个险/银保/社金等渠道快速输出能力，并通过统一语义层打破数据孤岛，成为数字化转型的“基础设施级”产品。

下面是北斗ChatBI与通用Text2SQL/ChatBI技术的对比。通用ChatBI产品一般具备数据查询、追加追问、智能图表展示、趋势预测、波动归因、数据解读等功能，非常适合轻量级的自助数据查询和临时分析。但在寿险对行业语义理解、复杂数据口径、业务闭环要求高的企业经营场景中，北斗ChatBI展现出更显著的优势和可复制性，尤其在行业理解深度、数据与知识融合、因果归因与策略落地、治理与审计方面。

具体来看：

· 行业语义与复杂口径：通过“场景大模型+行业知识注入+指标口径库”的技术组合，能够原生理解业务意图并精准锁定指标口径，大幅减少人工维护成本。

· 归因与诊断能力：采用“归因Agent+规则/知识库+RAG+因果/优化工具”的架构，支持进行跨业务领域的深度归因分析，并得出可解释的业务结论。

· 预测与经营决策：预测能力由“策略/优化Agent”驱动，紧密结合业务要素和执行系统，能够将预测结果直接转化为可下发的具体经营动作，实现从分析到决策的闭环。

未来，随着大模型技术持续演进，AI+BI的融合将进入一个“AI原生”阶段。在这一阶段，大模型在行业语义理解上将更加精准，能够实现对复杂场景的多维度推演；其应用边界也将从寿险向健康管理、财富规划、养老保障等全生命周期服务广泛拓展；同时，通过与金融同业及医疗健康等领域的深度协同，将共同构建起跨领域的智能化生态体系。