保险大数据环境数据治理研究.docx

保险大数据环境数据治理研究
［摘要］
随着保险数据规模的急剧增长，如何依靠数据治理策略，有效地降低保险大数据的维护成本，进而充分彰显保险数据的实际价值，已成为保险领域的热门研究话题。本文在对当前保险行业数据系统缺陷分析的基础上，给出了保势［3］。数据治理的概念越来越受到了国家、行业、企业的多方关注，目前已然成为大数据生态产业中的重要构成因素。本文从实际应用考虑，将大数据治理系统的主要构成绘制于图1所示。从图1中可以看出，保险数据治理本身就是一个系统性问题，为了能够更高效率地取得保险大数据的治理效果，保险数据治理的步骤应当按照四字方针执行，即：管、梳、治、用。其中，“管”对应的是保险数据治理最重要的任务——数据的管理；“梳”是数据的梳理；“治”是对保险数据进行质量与安全性的全面监控；“用”则是最高层级的治理，保险企业挖掘数据本身的价值，将其应用于提升企业效益等等方面［4］。图1数据治理框架
（一）数据管理
数据管理是数据治理的核心功能。通过对数据的管理，包括对原始数据的类型分析，不同渠道获取的数据间关联关系、异质数据的整合与存储、数据计算等等，为实现对保险大数据有效治理提供基础保障。
（二）数据梳理
在数据管理的基础上，需要对系统中数据进行有效梳理。梳理数据的目的在于发挥和提升数据的应用价值。通过标准化的数据梳理，使得保险企业工作人员能够高效且方便地进行数据查找、数据筛选、数据分析，形成规范化的数据字典。
（三）数据监控
数据监控，本质上也可以称之为数据质量的监控，通过设定相应的系统访问权限、存储过程中规范约束控制与处理、系统隐私与漏洞发现等环节，实现对保险数据治理系统的实时监控［5］。其目的在于维护数据治理系统的稳定与安全，确保系统数据的规范性、准确性、安全性等。
（四）数据应用
数据应用环节，其实是数据治理下数据质量的验证环节，也可以看成是数据治理之后数据价值的有效体现途径。数据应用给保险企业带来的具体效益表现在：（1）使得杂乱无章的原始数据规范化、可视化以及规律化，便于企业管理人员统计分析，提升工作人员工作效率；（2）使得数据挖掘能够有效推进，促进保险企业高效发现潜在的市场；（3）人工智能算法能够在数据治理的框架下发挥更好的预测功能，使得企业规划与决策更加可靠。图2展示了数据管理、数据梳理、数据监控、数据应用四者的关联关系图。
二、人工智能在保险大数据治理框架中的应用前景分析
人工智能理论方法与数据治理的关系是相辅相成的。系统通过数据治理，使得产生的数据质量更高且格式统一，从而为人工智能的相关模型提供更高质量的输入，为人工智能实际应用提供保障［6］。另一方面，人工智能的相关模型与算法也能够用于优化数据治理的相关功能，本文在这一节主要对人工智能相关算法在数据管理和数据监控方面的应用进行展望分析。
（一）人工智能算法在数据管理方面的应用分析
正如前面所讨论的，数据管理的目的在于发现数据间的关联关系，以便实现更为规范化的数据管理功能。这其中数据模型是数据管理的核心基础。通过一个稳定且可靠的数据模型，能够有效地挖掘出保险企业各种业务间的关联关系。这一类数据模型本质上就是人工智能理论中的相关模型的本体，如概念模型、逻辑模型等。一种典型的应用场景就是通过知识图谱的方式形象生动地展示实体及实体间的关系结构图。
（二）人工智能算法在