虎嗅注：虎嗅会员第30期圆桌主人杨威，是十一贝的创始人&CEO、去哪儿执行副总裁。2008年加入刚创立三年的去哪儿网，2011年任去哪儿副总裁，2014年任执行副总裁，命脉部门机票事业群CEO 。
作为智能化保险决策平台，十一贝通过数学建模科学合理地决策，实现消费者、产品、服务商的“三元匹配”。也就是说，通过数学模型的分析结果，向服务商提供更合理的客群客户群体，同时也让消费者找到最适合自己的产品。
整个分享，杨威准备翔实、思路清晰，从去哪儿的运营故事到大数据的分析策略，都深入浅出地说明，配合有真实的操作细节和例子，是难得的一线实操企业真诚分享。
全文11905个字，建议阅读时间25分钟，值得拿小本本记笔记哦～
2003，我在航空公司做项目经理，实施了很多IT和管理工程，我们认为这个行业会有信息枢纽，能有效的连接需求方和供给方。2005年，我们根据需求动态地调整定价、包括渠道投放和产品投放，并反过来调整已经固化的服务能力，做到个性化营销。2008年，信息枢纽就看得到雏形了。
而后，我看中去哪儿的轻业务模型的理念，就跳槽去哪儿并负责机票业务，做出了后来一系列产品。“互联网+”模型下的供给侧改革，是政府在2015年提出的。 2016年7月份，趁着趋势我建立了十一贝，携程和去哪儿是主要投资方，而我们的团队独立运作控制这家公司。
第一阶段是去哪儿和携程的交易完成后。我们决定在原场景化的保险业务之外，拓展独立的保险营销业务，基于消费者人群的生命周期价值去做展业，十一贝就此成立。我们当时认为，切入点可能是信息枢纽，接下来做全自动的交易平台和服务体系。
后来，我们扩展业务，形成大数据，使十一贝在业务定位上为保险AI公司，但本身并不提供AI服务，而是通过AI的能力，和整个保险行业的公司一起经营客户。到目前为止，我们在营销领域证明了数据的价值，也证明了数学模型（AI系统）能够改善从业人员的工作质量，提高服务的满意度，也拿到了较好的商业成果。
第二阶段，在营销之外，我们开始锁定参与到客群的业务。因为客群本身我们已经做了深度画像，所以能做到比较高质量的分析。在这个基础上，重新跟保险公司一起进入到客群的产品定制，然后进入到专项的保障服务业务这个领域。
目前，十一贝的合作伙伴非常多，国内就有190多个保险的持牌法人机构，包括财险寿险再保险公司、资金管理公司、养老管理公司等。十一贝和他们有许多商业上的合作和往来。
如何从无意义的数据中找到有趣的关联？
这里有一点非常重要——交易闭环。
搭建一个好的结构，能把业务过程中形成大量的数据和内容，变成数据模型的基础资料。比如旅游，使用权的转移和资金流的转移，两个转移同时发生，最后使用权到底有没有被使用，背后其实是人流的信息和权益的释放。
必须强调的是，数据要从无意识中获得，要从传感器自动化方式中自动产生，而不应该让工作人员或者他人主动提供；更不要为了它改变业务。我们会有一系列的依据，来判断你需要什么样的产品。所处人生阶段的不同，会导致消费者需求与风险都发生变化。我们会通过数据的观测来发现变化。
在大数据里面，有一个关键点就是高质量的样本。最有效的高质量样本，就是基于资金流和权益的转移所产生的数据。所以只要你有样本，你就能做相关分析；你没有启动样本，就什么也做不了。我会通过你信息的变化，去捕捉到你的风险和需求是会改变的。这样我就实现了对一个客户的生命周期的观测。
处理这种数据并不难，目前十一贝有一个独创的处理方式，基本上所有的东西只要是格式化的（目前我不处理那种非格式化信息），甚至不需要标准化，都能海量处理。普通的员工就可以做，并且工作效率非常高。我们会处理很多个不同的业务线，从数据库里面进到模型里应用，所以差不多一天能做完100个结构。
我们通过大量的数据拟合，最后发现一个规律：资产和个人的现金流的两个维度，在每个不同的阶段，基本上可以判定你需要什么，不需要什么。此后我的营销团队，在跟你的对话里面，就不会去碰对你完全没有价值的东西。
大家看今日头条的推送，总觉得比在百度上面看到的好，其实就是这个问题，它会通过你的人群特征和你过往的兴趣点，给你重新注入内容。
消费者里面有的人是传播特征，有的是孔雀型等等。我们会通过大量的数据进行判断，比如给消费者打了个电话，录音会帮助判断性格，和他今天的情绪状况，准确率达90%以上。通过两个人给同一个消费者进行15秒的录音，对他进行性格特征画像的比对，能做到96%左右的可靠性。
判断这个也不会很困难，每一种不同的性格特征，都会有共性。当然通过音频改造，可以让工作人员在你面前展现得更有魅力一些。高德导航就用林志玲的声音，实现了和百度的差异化。中间有一批人对这个事情很受用——直播行业早就在应用了。我们也会通过历史上大量的样本，去找音频特征里哪些要被去掉，哪些要被强化，做些微调。
做AI要建立正向的样本体系
缺少闭环数据，百度极有可能在未来被拉开差距
今天我们用各种导航工具出行，是否遇到过导航把你带到一个不存在目的地的地方？我有次半夜去买药，导航把我带去了两个地方，结果都没有药店。
做导航也很费劲，需要安排大量的人去审核每一个POI（Point of Interface，多系统合路平台 ），核查新增的POI是否真实有效，以及哪些POI是过期的。按照中国的发展速度，地图里的总POI大概三年要更新100%。也就是一个月的错误率是3%。更可怕的是非常毁口碑的负面传播，比如你赶着开会，导航却把你导到河对岸，你的心态肯定不好，从而对这个产品做出负评价并传播。
现在导航确定POI的真实有效性，有两个阶段。
第一阶段导航公司想办法搜集信息。于是出现了大量的地图测绘公司和搜集POI的劳务公司。
第二阶段消费者反馈阶段。就刚才的例子，我到了河对岸，发现地点不正确，打开另一家导航，输入同样目的地导航出发，到达目的地就证明第一家导航的POI是错的。这时候，你可以让使用者向你反馈，或者通过对使用者无意识中产生的两个行为动作数据进行加工处理，把它固化下来。再比如药店不存在的例子，就可以用微信支付宝的大数据解决。当发现药店的老板支付宝和微信不再活跃的时候，我是否可以判定，极有可能这个药店已经关门了？
现在已经有数据清理的能力了，非常高质量的样本就能形成闭环。因为你会发现资金流被锁定了，不光是有地理位置信息或者其他信息。所以我估计，百度在未来的地图业务上，很可能会快速地被拉开差距。原因是中国的资金流体系，是被支付宝和微信两家公司所掌控的，也就意味着他们能有非常高精度的数据，来证明这个体系中信息的正确和错误。
未来极可能做到，今天这个药店关门，三天之后开了一个新店，老板换了个新支付宝或者微信开始收款了，而数据马上能发现这里有了变化。时间周期能够缩短到三天左右，可能我就会发现店面更换这个问题，从而更改地图的POI。这就是怎么样用大数据去改变我们的内容、服务能力、工作方式方法。从而进一步拓展，地图又放大海量消费者的行程，和效率（生活效率工作效率），在它的辅助下其他数据的收集也得到了大幅度提升，从而形成了一个正向循环。
一个决策，让延误险的市值1年翻了100倍
再分享一个已经大获成功的航班延误险的案例。2012年中国航班延误险总交易额不到1000万，在这1000万中，招行出售占比70%，还基本都是给自己的金卡客户的。然而，除了招行之外，市场上没有一家公司会去做这个业务。原因很简单，它保单的价格很低，却有很高赔付率，以及咨询话费，人工审核资料，让航空公司开证明等一系列高成本的运作和复杂的过程令人望而却步。
30元钱一个保单，其实光接咨询电话一项钱就花光，赔付是全赔，还有10％的高投诉。并且基本上赔付都会吵起来，因为以航班起飞为准，鉴定赔付标准，要求消费者去找航空公司开延误证明，航空公司当然不愿意开。赔付以起飞时间为准，而不同的理解有不同的起飞时间，因此一系列的问题随之产生。我们通过大量的自动化的数据处理，整合全行业的信息，最后确立了两个唯一时间点的标准：
第一是消费者买票时的计划到达时间；
第二是飞机到达目的地机场的落地时间。
确立标准线后，保险公司可以承诺落地赔付，还能避开最焦虑时刻，起飞延误时找保险公司没用，落地时间延误了就直接赔付。消费者心理变好，也就没有咨询和投诉了。后面根据数据，为避免逆向选择，有更灵活的改动。这是特别大也有意思的案例，2013年我们推出这个业务后，当年整个行业（航班延误险）就达到了10亿保费。
所以我们说旅游业里面的趋势，就是除了信息枢纽，要进一步形成决策中心。
腾讯用数据参与决策，2月1000亿放贷的金融价值
大家要认清，决策会比以前的信息枢纽更重要。
实际上这个起点在搜索引擎诞生时就有了，搜索引擎并不创造内容，只是把问题和内容重新组织。现在的今日头条，就已经是基于个体信息的重新组织。无论是消费者享受服务的过程、企业运营过程、营销过程等大量的场景下，决策要比单纯提供、陈列或高效交换信息的层次更高。
宏观环境来讲，例如电信运营商的管道化（运营商的精细化流量经营），本质上就是这个过程。但是为什么活下来的几家大的支付公司，大家并没有认为他们管道化呢？以前大家认为支付是B2B，其实未来也是个管道。2011年，我跟快钱的人沟通的时候，明确过这个判断——如果有用户，就不会管道化，反过来，有用户才会真正地拥有对整个产业进行决策的能力。
未来的支付一定是做决策的。比如微立贷，就是基于腾讯的支付体系和社交系统，最后建立了一个新的业务模型。他在里面对每个人进行了不同的授信额度。在9亿用户里只开了4000多万人，但2个月就实现了1000多亿的放贷。它的日利在万三到万五之间，跟信用卡逾期是相等的。所以说腾讯通过这种数据参与决策，最后能够在金融业务上发挥出来很大的价值。
优化总有尽头，能循环的样本库是关键
在大数据路程中，大家特别要记住，建立自我循环。
所有的数据分析业务，在相当长一个周期里，都遇到过一个特别大的障碍。今年一个数据方法给你做了优化，明年想再收钱，你愿意给吗？十几年前，我参与过深圳盐田码头的堆场优化项目。第一年，我们帮助码头实现了管理的高效运转，提高了吞吐量，码头多挣了几百万。第二年，对方要求，在第一年的效率基础上，我还得提高吞吐量，按提高部分的比例分成。这时候码头管理已经从一个随机事件，转换成一个可控事件，但利润还是有。第三年，对方要求以第二年为基础，利润只够车马费了，放弃。
再看今天这种大数据公司，前段时间很火的AI，很多公司数博士人头，一个博士1000万，30个就3亿。但是要明白，如果真的想把这件事干的很好，要注意怎么样建立自我循环。本质上来讲，只提供一套方式方法，长期价值是非常低的。如果能通过这个方法，最终获得自己的内容，并且在内容参与中，服务能力或者效果能进一步提升，那你除了干这份辛苦活儿，就可以永久性地掌握该内容所带来的贡献。所以建立有效的自我循环，就是我越跑我样本量越大，我样本量越大，我参与的决策质量越高，参与的决策质量越高，越多人愿意让我跑。如果不能进到这个循环里头，还数人头，数博士数给估值，或者数博士想着拿投资，我认为都是比较危险的。
大家可以参考一下前段时间很流行的人脸识别，只要建立了人脸的图像库和证件库的公司，现在都是很值钱的，可以数人头卖钱。但没有建立这个库的，已经是竞争到了白热化的阶段。因为模型的提升有它的周期性特点，不能一直高速地成长，终有一天会逼近极限。大数据模型的极限往往到来的都非常快，因为它的演进速度和迭代周期很短，所以高速增长就代表你的空间很狭窄。
这个时候如果你的模型比较得当的话，你就有可能在这个过程中不停地反转，自己掌控的内容也会越来越多。在AI里面我们称它为样本，我所掌控的优质样本是能不能让整个决策变得更好的关键所在。
大数据如何促进保险业务发展？
拒绝大数法则，展开信息化
这个问题很复杂，我从风险管理这个角度简单讲。保险行业有个大数法则，在这之下有全局定价，带来的后果是逆向选择。比如，我的健康状况比你的健康状况更好，面对一个同样定价的保单，相同年龄下我们的购买意愿是不同的，相对说是风险高的人更愿意买。在典型统计学意义下，最后会导致保险的风险定价越来越高。因为投保人群其实相对风险更高。保险公司的经营质量会亏损，为抵消逆向选择带来的高赔付，接着调更高的价格，市场又变小，优质的用户效用变低，最终这个市场走到消亡，并且可能周期很短，不会很长时间。
从信息化网络捕捉数据，成为条件核算的基本现实
现在讲大数据或者人工智能，在保险的业务里，不要再讲笼统的统计学意义的大数法则，能看清楚的一定先看清楚，基于确定性承认中间的随机性、条件概率。不要总说这个地方不需要确定性，甚至很多保险行业的精算师，都非常反感这个确定性。事实上到今天，社会就已经实现了信息化网络化，之后的结果就是有非常多确定性的东西，可以被低成本地捕捉到，它就应该变成你做条件概率核算的一个基本现实，不要去抵触它。
我7月份一次性见了40个精算师，只有7个人愿意先信息化，再承认大数法则。后来和另外一个教授讨论，得出了一个结论，不是他们意识不到，更多的不愿意承认。精算师都认为自己梳理逻辑非常好，但都不屑于做信息化的工作，他们也没能力真正地去处理这种大规模的信息流。
在数据中找到相对优势，进行决策
今天反过来大家会发现十一贝的展业路径很清晰，我从整个产业里面，整个社会竞争力最弱的人群，但也是基数最大的人群开始着手寻找我们的位置。而不是上来就跟大家讲说我要做产品，我要做资产管理。
我认为其实你找到比较优势，在这个比较优势成立的条件下，你能不能通过交换获得更多的资源，符合这个条件就够了。然后看你可以交易的对象规模足不足够大，决策权足不足够散，如果这些都符合标准，我认为也许你就可以做得非常非常不错了，当然这也是我们做了两轮之后的一个收获。
保险的未来之争：建立样本壁垒
保险的未来之争，就是数据壁垒的建立。很多成熟的发达国家，比如说你买车险，买不同的车，就能在市场上找到不同的保险公司去做承保。而现在中国几乎所有的车，所有的保险公司都可以承保。当然特斯拉目前只有人保能保，一年可能在特斯拉上要亏好几亿人民币，做1亿保单，赔2亿多的修理费。
为什么国外市场可以针对明确的用户提供有区隔的产品，而中国没有？有一个重要的原因，国外车险公司都是经过赔钱，攒了某一个细分的车型、人群，或某一个局部的市场，把数据变成独有的，于是这家公司就建立了壁垒。新公司想进来就要掏钱买数据，旧公司可以精确地定价，让你新进入的人卖的客人全亏，能赚的客人一个都没卖到。
例如，我是做野马的老牌保险提供商，我很清楚那些野马车主过去的数据。你新进来跟我一样卖野马，收到好的我可以把价格打得比你低，所有我涨价的，如果你愿意低价收，随便你收，最后赔付率一定是100%。你愿意不愿意花时间和金钱，陪着我玩好几年，直到你的数据基本上支持你，慢慢地建立决策能力，甚至只是贴近我的决策水平。所以我有数据，你没数据，我们俩的决策数据差10%，就意味着你要想办法把我获得这个数据过程中，所有支付的成本，还要再赔好多倍重新涨回来。
这也是我们对十一贝未来的业务非常有信心的重要原因，就是我有大量的活跃人群，大量的数据。等对手把模型做出来开始做的时候，我却已经有效率优势，人群扩展速度很快。对手想追我的时候，可能拿很多数据都不行，除了买下我以外，就只能陪我在市场上做决策。但是你不知道我看似失误的那一瞬，到底是给你挖了个坑，还是让你占了个便宜，真相只有我知道。
数据驱动精细化运营策略
有人好奇延误险是怎么做的，我们建立了风险分层。风险分层意味着，这个航班我卖给你，只能拿到10%的佣金。但是我同样卖给他的另一个航班，可能拿到50%的佣金。
原因是说，我认为在你这边，赔付概率高，所以我会把给自己留的保费（我们叫老保费、净保费、风险保费），让净保费和风险保费逼近。我跟保险公司签合同的时候，会签很多合同，比如说我跟你签10%的佣金率，跟他签是40%的佣金率。但是不能让公司最后净保费不够赔付了，否则就不能继续合作了。
我们会做一个判断，你的延误率和他的延误率不同，我会把你的单子派给他，因为你是高延误概率，我少要点佣金，但是我好歹还是边际贡献（销售收入减去变动成本后的余额）。他的延误概率相对来讲比较低，然后保费价格相同，我就会把它导给另外一个给我更高佣金的客人。其实在这个中间完成了一次歧视性定价，我在找整个的市场最大化，边际贡献最大化。
歧视性定价：赚钱和大规模不共存
对一个技术型的自动化公司来讲，我没有什么边际成本，只要能盈亏平衡的我都可以卖。这是电商逻辑，为什么电商公司要评SKU（Stock Keeping Unit ，库存量单位），也就是商品的丰富度，在这里我不需要拒绝任何投保人，不一定是最大的比例，但能同时保证我整个市场赚到了最多的钱。
所以，这个大家可以自行理解。我们原来讲所有的歧视定价，包括水费都有阶梯定价，有5元钱一吨的水，也有更贵的水。电费也有阶梯定价，在家庭里，我们很难感受到这种阶梯定价的存在，但在很多企业里面，已经在承受不同时段的阶梯定价了。
提高基本险：保障服务质量
我们在正确的时间通过正确的渠道，把正确的信息或产品，交易到一个正确的消费者手里，大概是四个正确，就能保障我提供的服务，不一定质量有多好，但是我的基本标准会很高。
大家可以参考网易严选，它没有特别好，毛利率高也比淘宝贵很多。但是，很多人依然成为它的忠实粉丝，原因就是它的底线比淘宝高。因为在网易严选里面最低于我心理预期的东西，也能达到我的基本要求，不是买来之后就直接扔掉的。但在淘宝上买，你搞不清楚好坏，坏的东西最后只能扔掉。淘宝购物时的震荡非常严重，而网易严选有个基本的标准线。我们作为一个理性的公司，寻求我们的基准线平均值要高，尤其是底线要设高。
细分人群：不同风险不同价，避免流逝市场
我们会根据消费者的高密集度同类消费者，让保险公司针对该人群单独定价，这件事情我刚才讲过了，精算就是一个信息化可以做到确定性之上，再做所谓概率性定价，再去做大数法则，这个时候我们就会把人群细分。细分之后，有一群人就是非常低风险的，但是我们也能给他做出打动他的足够低的价格，最后这个市场不会因为我们的错误定价形成流失。
优化内部结构：量化数据进行风险判断，提高效率
从航旅纵横的案例来说，在航班延误里，有一个特别有意思的特征：一架飞机两个地方直飞延误率是很低的，但是中间经转，碰上北上广深等高客流地点，延误率非常高。坐飞机时，前序航班经常性改动，就是很典型的其实按照原来航班联线的计划导致的高延误。国航重排座位代号，是为什么呢？为了换飞机的时候，不要给你换座位号。因为一旦我把这个座位号给你了，你会锁定一个特征，比如靠窗或靠走道，如果说换飞机的时候，我需要给你换座位号，登机整个过程就一团糟了。所以说宽体机窄体机我尽量保障到大部分人都不会有变化。
通过把航程和载重量化成数据，变成约束条件。2006年，我们实现了快速换算，看剩下的飞机能不能调，对客户满意度和机组回飞有没有影响。最典型的是铁路停开，我们就能快速地，调有更多座位的飞机，在临时的紧俏航线上加60个座位。一个座位能卖1000多元，所以花点时间做一点调整，大概就能拿到6万元钱利润。所以这些都是可以通过数据联通，进行内部优化而带来收益。
热门险的门道
车险：商业险里的小险种的门道
关于车险还有很多地方会做错，比如划痕险一定不用买，是一个基本不能索赔的怪市场。它几百元钱一年的保障，如果理赔，明年你的保费要大幅度上涨，赔2000基本涨1000。但市场存在需求，结果就是4S店，修理厂以买年卡这种预付费形式卖美容修复。市场上也存在恶性竞争，保险业退出了这个市场，而4s店，修理厂等卖的汽车美容卡也没有保障。
碎屏险：有消费者逆向选择的系统性偏差
哪些是要小心，不能随便碰呢？涉及到有系统性偏差的随机事件，比如小米、苹果卖的碎屏险。碎屏险是行为的逆向选择。有些人会在手机用到快一年的时候，故意把电池搞坏，最后去换新电池的；手机屏有道划痕了，索性把它摔烂了，去换块新的。这些人的认知是，反正保险也买了，到一年后换块新屏很划算的。这种东西，不是真正的随机，其实消费者是有一定的可控性的，是很容易发生系统性偏差的随机事件。
所以碎屏险后来走了另外一条路，当然是保险公司在中间赚了一笔钱，配件的价格快速下降，但实际上保险公司也破坏了，包括小米，他们破坏了一个基本原则，是做风险补偿，而不是让你没有风险。碎屏险变成了，你拿来修的时候，还得付100元钱，这样赔付率立马下去了。你买手机的时候付200满一年的保单，不管什么时候拿过来修，1000多元钱你自己要付100，这个问题一瞬就解决了。保险会涉及到一些特别具体的产品，都是经过一系列的技术和方法，然后改变了一些指标，成果还是不错的。
以上就是我分享的内容，谢谢大家。
提问环节
Q1：具体的个案是如何迭代地修正模型？在其中如何运用正反案例？
杨威：其实没有大家想象得复杂，人工智能里面降维，减少决策因素是很容易，但升维很难。我们其实走了捷径，让保险公司的人跟我们一起做业务，你们随便提数据，我先求并集，之后拿数据一提炼，马上知道哪些因素是不相关的，哪些是相关的。
每新加一个公司进来，就要重新给提一次。当然，他给我的数据和我的决策结果，最后我会反馈到它的业务效率上去。所以它就形成了一种持续的迭代，他们更愿意把他们挖空心思能想到的东西都想到。AI里面总归要考虑信息维度，信息维度越低，运算效率越高，信息维度高，不代表决策质量高。我就不停地去提炼这个模型。
里面的正样本、反样本，其实我们都用。但就我个人觉得，阿里有些时候扎得不够深，比如之前阿里做过的人工智能的核保（风险选择）核赔（事故查勘），他们主要是核赔。人工智能核赔的东西，跟他们的专家、资深的核赔分析师达到了同样的水平。可是没人想到过做增量部分容易得到行业用户；做成本控制这个减法，容易得到整个行业的抵触吗？而你抽了行业至关重要的决策环节，又不给他带来增量，那么大家就会抵抗到最后一天。最后一天我会说，我是输给全市场了，其他人都接受了，我才接受；如果做增量的公司，有人接受了，我马上就会追。这是一个很大的差异。
在这之中他的壁垒是什么？他在成本端，意味着极限就是这项工作不要钱。本质上除了技术以外，没有别的门槛，样本只要相对有点规模的保险公司都有。你有10万个样本，我有1万个样本，可能我也能做出95%的质量来。我为什么要把这个决策权交给一个第三方公司呢？这很值得各位思索。
Q2：营销必须是搭在您的销售入口做的，但对于传统的财险寿险，由于消费频次太低了，逻辑上说是很难在互联网上形成入口的，还是传统打电话和门面方式，您怎么判断这个趋势？
杨威：我问两个问题，第一，你做事情在乎以什么方式交易吗？未来应该首先是买方顾问，所以应该是经纪人业务。第二是服务顾问，只有你不讨厌他，才会愿意长期使用，才能达到你所期望的价值。
这个人到底提供了什么价值？我们把它分清楚：
第一，他要了解你；
第二，把你的风险抽取出来；
第三，给你一个保单和方案；
第四，告诉你这个方案是由谁的产品，以什么样的方式来满足你；
第五，交易过程。
这5个环节中任何一环有没有一个点技术可以做得比人漂亮？如果有就做它好了。
我们不纠结他以什么样的手段产生交易，更多在于机器能不能帮助人做决策，做到提高这个人最终的服务水平和质量，让他获得更高的收益能力，如果他获得了，离开机器他还能不能维持这个值？如果不能维持这个值，就证明了这个机器的价值。你只要做出价值来，怎么分钱，我相信你有一系列的分法。没有那么在意的。
今天的快递小哥，每个人手上都有智能设备。而顺丰价差高的地方在哪里？在它的运营方案上。没有这张网，这个运营方案没有用。有了这个运营方案，你让这张网竞争力变高了，这个时候他们俩之间产生的累积就建立了门槛，其他人就追不上去。关键不在于传统险要不要扭转这个通路，而在于是不是帮助他做这个事，提高成功率，形成正向循环。
Q3：您现在的产品怎么在车险领域帮助别人提高成功率的，能举例吗？
杨威：我们在车险上做得不多，更认为它是一个对人群、车的属性进行高度集中之后，建立服务网络才有效的险种。比如说你是一家保险公司，我可能跟你一起想办法把北京的日产车主全保下来，之后再一起开修理厂去，到这个时候才有用。但这些都不是保险公司的事，也是我们实验环节中不成功的一条。
因为我的用户基数比较大，在单一市场单一车型，能够聚集到的用户群其实还是规模比较高的。在这个情况下，我和保险公司现在也刚刚开始在做这种比较深度的合作。相对于其他业务速度慢很多。
很多人说车险产品最纠结，卖越多越赔钱。我们是倒过来，只卖一半，不是卖了挣钱的，而是卖在一个集中的人群，和一个集中的车型上。然后你过去把修理厂给买了，你就挣钱了。现在的这种社会化的服务结构是挣不了钱的，但是你自己把北京这几家日产的修理店全给买了，你一定要赚钱的。因为你的钱在服务过程中其实被浪费了，你把服务链一封闭，就解决了。
当然历史上开修理厂的公司都是亏钱的。单一开修理厂这一环的公司都是亏钱的。但那时没有现在的这种社会化的高效物流体系，每个修理厂都要备各种各样的件，一遇到车型换代，就是一大堆废铁，很多修理厂最后都是这么倒的。而今天的物流速度已经达到四个小时可以解决，只需要备一个仓库。
民航里通用仓库的案列更多，2005年我们实现了航空公司机务的库存打通，飞到上海就用上海的航材库；飞到西安，用西安的南航基地的航材库。并且实现了航材的高速跨城运输，坏了也有20个城市的航材库，可以几小时内运过来。这个时候有一个基础：
首先，我得知道，谁手里有这个航材；
第二，我们必须签一个互换服务协议：交换的物件，到底是以市场价格交易，还是我必须采购一个还给你。
这些东西都是一系列的联网工程，这个联网实现之后，全国各家公司的航材库基本上都降了接近70%了。现在也能用到车险上。
Q4：现在十一贝大数据的车险做的比较少，是不是由于数据不够？
杨威：不是这个原因，是佣金问题。保险行业里的佣金，最后会有一部分反哺到消费者那的。走线下会涉及到大量的税务问题，所以我们不愿意做车险业务。我们对自己的要求是一定要遵章守法，不能干任何违法的事情。但是整个车险行业，普遍上营销员之间是漏税的。整个链条上总能找到一两个人在这里面有税务纠葛，其中一定是出了问题。但是你管不了，这个社会上胆子大的人太多。比如说卖给他一个5000元的车险保单，就算我以促销，以各种方式给他优惠，我也是要交税的。但是走线下的那帮人，大家可以中间不交税。
Q5：作为大数据公司，如何管理一大堆数学博士等人才的工作？
杨威：实话实说，就是不管了，我只跟他们确认一件事情，我们的目标到底是什么。你需要反复地确认目标，尽管可能连追结果都做不到。剩下的就是你信任不信任他的勤勉和奉献精神，你团队的氛围，大家是不是以解决问题为目标等等。这些都是HR要管的，他判断完，我就只需要不停地确认，说我们到底要干什么。
当然有时候我会跟他们拆细分的目标，有时候可能不拆目标，这个看个人和公司具体业务。
Q6：十一贝现在主要做的业务跟旅游有关系吗？
杨威：没有，我们现在场景化的业务是历史上继承下来，规模已经比较大的产品化的，征税也不错的业务。除了场景化的业务之外，我们非常大的一块是独立经纪人，独立保险人的业务。这个业务目前做得最主要的是属于健康类，和家庭的责任保险，社险重疾，主要做这两大类。比如我们的一个产品名称叫守护家园，如果说你遇到什么问题，你的房子不会被银行给收走，这样你的爱人、子女和生活品质可能受到的影响就会非常小。这种保单是我们目前做得最多的。
评论