一、金融科技的发展趋势

       自2009年以来，全球对金融科技的投资已超过800亿美元，其中大部分投资是在过去五年内完成的。

       银行业是投资金融科技的第一个行业，但最近保险业或保险科技（InsureTech）一直处于金融科技活动的前沿，保险业对金融科技的需求更大。传统银行和保险公司通过吸取金融科技初创企业的类似技术和创新文化，同时投资于金融科技初创企业并与之合作，来积极改变自身。

       金融危机之后，美国的金融科技迅速发展起来，美国的银行业开始寻找新的盈利机会，通过引入金融科技降低成本。美国的金融市场比较大和成熟，变化相对较慢，中国在金融科技的很多地方要走在美国前面。

       全球的金融投资大致可分为支付（Payments）、投资（Investing）、借贷（Lending）和保险（Insurance）四个领域。其中，在支付领域，中国要领先于美国，其规模超出美国10倍，所以未来在支付领域，美国的成长机会更大。在投资领域，美国的资产管理行业有5%以上的资产由AI、量化技术等管理，未来将有越来越多的钱被机器控制。在借贷领域，以消费者借贷为主，金融科技虽然已有发展，但面临很多挑战，其成长开始放慢。在保险领域，保险业金融科技近两年发展较快，美国保险业历史悠久，改变较困难，前期动作缓慢，保险公司的负债期限较长，保险公司需要做出的变动也不大。

二、金融科技对寿险流程的影响

       寿险产品的业务流程可分为产品推广（Product Development）、营销和顾客体验（Marketing and Customer Experiences）、承保（Underwriting）、理赔（Claims）、IT和运营（IT and Operations）五个环节。不同的金融科技对每个环节的影响是不同的。考虑如下四个金融科技技术在保险环节的应用情况：机器自动化（Robotic Automation）、先进的分析技术（Advanced Analytics）、人工智能或机器学习（AI/Machine Learning）、区块链和分布式账本（Blockchains and DLT）。

       1. 以前美国保险公司很多基础的工作都交给中国、印度及其他中南亚地区做，如今，一些较为低等的工作都由机器自动化（Robotic Automation）完成。

        2. 一些先进的分析技术（Advanced Analytics），如模型分析、回归分析等，主要应用于市场营销和承保环节。美国目前的承保环节非常复杂，而先进的分析技术可以缩短承保的流程，其对风险的评估也更加准确。

        3. 人工智能（AI）或机器学习（Machine Learning）在市场营销寻找潜在客户方面的作用非常大。

        4. 区块链（Blockchains）和分布式账本（DLT）主要应用于理赔以及IT和运营环节。

三、金融科技加速寿险保单承保

       美国有缩减承保流程的趋势。传统承保人寿保险单的流程包括提取体液和身体检查，如血液和尿液样本，其过程至少需要三周到一个月。而数字化（或加速的）承保（Digital or Accelerated Underwriting）这一新流程不涉及抽取任何体液，相反，它仅仅依靠大数据分析便可以评估被保险人的风险，大大加速了承保的过程。

       目前美国卖财产保险较为简单，但卖人寿保险耗时长久。在数字化承保流程中，汽车和旅行保险等财产险要优先于人寿保险。人寿保险单因其期限长而存在重大风险，任何风险建模错误都需要很长时间才能被发现，而且代价非常高昂。在人寿保险中，终身（Whole Life）保险最为复杂，而定期（Term Life）寿险只提供有限期限的保险，如20年、30年左右。然而终身保单提供永久性的保护，因此，终身保险的承保更加困难，也更加昂贵。

四、自然语言生成（NLG）在提高效率方面具有巨大潜力

       自然语言生成（Natural Language Generation，NLG）已经存在了一段时间，但它在金融方面的应用是最近才发生的事。NLG使计算机能够根据数据集以自然语言（如英语、中文或任何其他书面人类语言）的方式编写文本。在美国，许多简单的新闻或体育文章现在都是用NLG技术编写的。

       在银行或保险公司，很大一部分资源被用于数据分析和报告。举个例子，风险管理构成了金融机构重要的运营成本，典型的风险管理部门有以下三个关键流程：数据输入（Data Inputs）、风险管理分析建模（Risk Management Analytics Models）、风险分析和报告（Risk Analysis and Reporting）。通常，风险管理人员中有很大一部分被分配到风险分析和报告中，而NLG在输入数据后可以自动生成报告，这大大降低了风险分析和报告的成本。除此之外，NLG还可以进行个性化设置，以模拟人声。

五、金融科技面临的潜在挑战

       在过去几年中，保险科技（InsureTech）一直是美国最热门的投资领域。但在认识到金融科技巨大潜力的同时，还必须牢记其带来的潜在挑战和陷阱。尤其是在保险业，传统上，保险公司对技术的变化往往反应迟缓，因此带来了更大的破坏机会。

      1. 监管不确定性（Regulatory Uncertainties）。监管在美国尤其具有挑战性，因为监管机构对其规则不明确或对市场变化反应迟缓。如果监管不批准，很多金融科技的发展将被限制，例如在寿险中使用种族、肤色等数据。

      2. 雷声大雨点小（Many thunders, not enough rains）。关于大数据、替代数据和机器学习的影响力有很多炒作，然而，目前没有任何一家能够独立盈利的保险科技公司。

      3. 机器学习和人工智能的局限性（Limitations of Machine Learning and AI）。与工业或制造业数据不同，金融市场数据（如股票价格）是众所周知的难以建模的数据，因为这些数据是非常动态化的。此外，机器学习或人工智能技术本质是更复杂的统计回归技术，与其他回归分析一样，容易出现代价高昂的错误。

      4. 替代数据没有魔力（No Magic in Alternative Data）。所谓可提供进一步视角的替代数据不断激增，然而，有些替代数据的价值尚不明确。例如，基于Twitter或其他社交媒体的股市情绪数据在2018年底动荡的市场条件下表现非常不佳。