课程简介
针对保险、财务咨询等核心业务的产品经理、技术研发人员、数据分析专员等专业人士的实战课程。课程围绕 AI 核心技术与保险场景适配、AI 产品设计与迭代、客户反馈数据分析、业务价值评估、Agent 智能营销以及用户体验创新等模块展开。通过深度解析 LLM、Agent 等技术原理，结合实战案例与工作坊演练，帮助学员掌握从技术适配到业务落地的全流程能力，推动 AI 技术在保险科技领域的创新应用，提升区域市场竞争力。
目标收益
1.掌握 LLM、Agent 等核心 AI 模型技术原理与保险场景适配逻辑，能精准匹配保险软件开发、数据处理等业务需求；
2.熟练运用 AI 产品设计方法论，实现 AI 与保险应用、财务咨询系统、数据处理工具的深度集成与创新；
3.建立 AI 业务价值评估体系，驱动客户反馈数据等多源信息转化为商业增量，支撑亚太多市场业务优化；
4.掌握 AI 型团队搭建与效能评估方法，构建适配友邦 IT 部门的 AI 赋能组织模式，布局长期技术竞争力；
5.落地客户反馈数据分析实操方案，快速响应保险客户个性化需求，实现产品定制化开发，增强友邦保险区域市场竞争力。
培训对象
产品经理、技术研发人员、数据分析专员、项目管理人员、业务对接负责人（覆盖保险应用开发、数据处理、财务咨询系统等核心业务）
课程大纲
| 模块一：AI 核心技术与保险科技场景适配 |
一、AI产品经理需掌握的LLM技术要点 1.LLM 三大主流架构深度解析：ChatGPT（上下文全量注入）、Claude（工具按需检索）、Gemini（结构化文档 + 条件激活）的技术特性与产品哲学 2.保险场景关键 AI 技术：Agent 智能体、小模型应用、回归 / 聚类算法的适用边界 3.AI 技术当前局限与发展趋势：幻觉问题、数据依赖、合规风险，精准踩中保险科技迭代节点 二、保险科技核心场景 AI 适配逻辑 三、AI 技术当前局限与发展趋势：幻觉问题、数据依赖、合规风险，精准踩中保险科技迭代节点 Agent提高任务完成率的最新技术：SFT |
| 模块二：AI产品设计与迭代实战 |
一、AI产品经理工作流程变化 二、四步完成AI产品的深度集成与创新 2.1 步骤一，AI新的需求挖掘 （1）工具:利用AI客户旅途找到新的AI在业务流程中机会点 案例：网商银行AI需求挖掘 案例：TurboTax如何在财税领域客服AI幻觉实现创新落地 （2）竞品分析 竞品分析：保险科技 AI 产品创新案例（智能核保、个性化保单推荐） 【工作坊】挖掘 3 个高价值 AI与产品的深度集成与创新的需求 2.2 步骤二：需求分析与决策 （1）方法论：阿里千问值得不值得用AI做的判断的四象限判断法 （2）可行性评估：值得不值得AI做、用哪种AI方式做？小模型、回归、聚类？哪种大模型选型） 案例：保险行业智能助理 三、需求排序 1.工具：KANO 模型（结合保险行业竞争特性）+ 需求价值量化公式（成本、效率、业务增量） 2.案例：通义千问 AI 场景落地优先级排序（迁移保险科技场景）3.实操：对工作坊挖掘的需求进行排序与价值量化 四、产品方案设计 1.提出模型需求 （1）明确模型输入和输出 （2）确定业务指标和预期 2.效果跟踪 （1）了解实现方式 （2）提供数据标注 （3）跟进实验结果 （4）多源数据验证 3.效果优化：基于客户反馈数据迭代优化，快速响应个性化需求，实现产品定制化生产 （1）收集BadCase （2）配合算法工程师调整参数、训练模型、提升指标 案例：智能保险营销产品方案设计、财务咨询系统 AI 功能迭代案例 【工作坊】基于产品设计教具，设计你的产品 |
| 模块三：客户反馈数据分析与产品定制化实战 |
一、AI 驱动客户反馈数据深度分析方法论 1.保险客户反馈数据类型：文本（咨询记录、投诉内容）、结构化数据（满意度评分、业务办理偏好） 2.AI 分析工具与技术：LLM 文本语义分析、聚类算法需求分类、情感分析模型 3.全流程：数据采集（合规前提下）→ 清洗标注→ 智能分析→ 需求提取→ 优先级排序 案例：某头部保险通过客户反馈 AI 分析实现理赔流程优化、产品条款个性化调整 二、快速响应个性化需求的产品迭代机制 1.敏捷迭代框架：AI 需求快速验证→ 最小可行产品（MVP）上线→ 客户反馈收集→ 快速迭代 2.定制化生产实现路径：标准化模块 + AI 动态适配功能（如不同区域客户的保单展示形式、缴费方式） 3.跨部门协同：IT 研发、业务对接、客户服务团队的需求响应闭环 三、实战演练：客户反馈数据分析与产品优化 素材：模拟友邦亚太地区客户反馈数据集（含不同市场需求差异） 任务 1：使用 AI 工具分析数据，提炼 3 类核心个性化需求 任务 2：设计产品定制化功能方案，明确 AI 技术实现路径 成果展示：各组汇报分析结果与产品优化方案，讲师点评 |
| 模块四：AI业务价值评估体系和系统评测 |
一AI时代和传统价值评估的不同 二、AI时代指标评估体系：业务-产品-技术 1.AI对业务价值增量的短、中和长期指标预估（量化） 2.AI业务北极星指标制定的三原则以及误区 3.AI业务指标监控体系：衡量落地策略的好坏 3.1任务类指标体系 3.2对话类指标体系 4.数据驱动优化 4.1异常分析的三个维度 4.2对话分析的三个维度 5.AI成本计算方式 案例：智能客服业务价值完整评估路径 5.AI构建信任的评估体系：CAIR 【工作坊】搭建基于你业务的测评体系 |
| 模块五：Agent智能营销实战 |
一、智能体核心认知 1.智能体工作原理与核心能力：自主决策、流程自动化、多工具协同 2.B 端 vs C 端智能体在保险场景的差异：B 端（内部数据处理、流程审批）、C 端（客户咨询、保单管理） 二、保险科技 Agent 落地关键要素 1.三大核心：清晰的业务流程映射、精准的场景触发机制、安全的数据交互 2.产品框架：工作流设计、自主工作模块、工具模块、记忆模块（适配客户偏好记忆） 3.适配场景：智能核保、跨市场客户服务、财务咨询自动化、保单续约提醒 三、案例与实操：保险 Agent 产品设计 案例：保险营销自动化 Agent 落地难点与里程碑 四、迭代优化实战：保险行业Agent根据调用返回结果自主反思 【工作坊】：设计 “客户需求智能响应 Agent”（含工作流、工具集成、记忆模块设计） |
| 模块六：AI产品设计落地：AI驱动下的用户体验创新实战 |
一、 AI技术革新引领设计新范式：DO+Chat不断拓展人机交互带宽 1. 蚂蚁AI体验设计框架RICH 2.基于微软和互联网大厂总结的AI赋能用户体验的设计挑战 案例：蚂蚁 3.蚂蚁总结的CUI和GUI应用场景以及优缺点 3. AI体验未来的四大发展前景 二、行业最新体验评估指标：CAIR 1.如何提高用户对AI结果的信心 方法论：大厂总结的解释时机+解释内容+交互形式 【独家总结】可解释与信任构建的三种交互方式 2.提高成功的价值 3.错误的成本 4.纠正难度 案例：金融行业或者你所在的行业基于CAIR进行优化 5.体验指标优化五大原则 三、AI未来在产品设计和体验的展望 |
| 模块七：构建AI型团队组织 |
一、AI型团队组织搭建的核心原则 二、AI型团队搭建的三种组织方式以及应用场景 三、AI组织落地的常见四大问题 四、AI型团队效能评估体系设计和传统评估体系的异同 保险团队AI型团队未来发展趋势 |
|
模块一：AI 核心技术与保险科技场景适配 一、AI产品经理需掌握的LLM技术要点 1.LLM 三大主流架构深度解析：ChatGPT（上下文全量注入）、Claude（工具按需检索）、Gemini（结构化文档 + 条件激活）的技术特性与产品哲学 2.保险场景关键 AI 技术：Agent 智能体、小模型应用、回归 / 聚类算法的适用边界 3.AI 技术当前局限与发展趋势：幻觉问题、数据依赖、合规风险，精准踩中保险科技迭代节点 二、保险科技核心场景 AI 适配逻辑 三、AI 技术当前局限与发展趋势：幻觉问题、数据依赖、合规风险，精准踩中保险科技迭代节点 Agent提高任务完成率的最新技术：SFT |
|
模块二：AI产品设计与迭代实战 一、AI产品经理工作流程变化 二、四步完成AI产品的深度集成与创新 2.1 步骤一，AI新的需求挖掘 （1）工具:利用AI客户旅途找到新的AI在业务流程中机会点 案例：网商银行AI需求挖掘 案例：TurboTax如何在财税领域客服AI幻觉实现创新落地 （2）竞品分析 竞品分析：保险科技 AI 产品创新案例（智能核保、个性化保单推荐） 【工作坊】挖掘 3 个高价值 AI与产品的深度集成与创新的需求 2.2 步骤二：需求分析与决策 （1）方法论：阿里千问值得不值得用AI做的判断的四象限判断法 （2）可行性评估：值得不值得AI做、用哪种AI方式做？小模型、回归、聚类？哪种大模型选型） 案例：保险行业智能助理 三、需求排序 1.工具：KANO 模型（结合保险行业竞争特性）+ 需求价值量化公式（成本、效率、业务增量） 2.案例：通义千问 AI 场景落地优先级排序（迁移保险科技场景）3.实操：对工作坊挖掘的需求进行排序与价值量化 四、产品方案设计 1.提出模型需求 （1）明确模型输入和输出 （2）确定业务指标和预期 2.效果跟踪 （1）了解实现方式 （2）提供数据标注 （3）跟进实验结果 （4）多源数据验证 3.效果优化：基于客户反馈数据迭代优化，快速响应个性化需求，实现产品定制化生产 （1）收集BadCase （2）配合算法工程师调整参数、训练模型、提升指标 案例：智能保险营销产品方案设计、财务咨询系统 AI 功能迭代案例 【工作坊】基于产品设计教具，设计你的产品 |
|
模块三：客户反馈数据分析与产品定制化实战 一、AI 驱动客户反馈数据深度分析方法论 1.保险客户反馈数据类型：文本（咨询记录、投诉内容）、结构化数据（满意度评分、业务办理偏好） 2.AI 分析工具与技术：LLM 文本语义分析、聚类算法需求分类、情感分析模型 3.全流程：数据采集（合规前提下）→ 清洗标注→ 智能分析→ 需求提取→ 优先级排序 案例：某头部保险通过客户反馈 AI 分析实现理赔流程优化、产品条款个性化调整 二、快速响应个性化需求的产品迭代机制 1.敏捷迭代框架：AI 需求快速验证→ 最小可行产品（MVP）上线→ 客户反馈收集→ 快速迭代 2.定制化生产实现路径：标准化模块 + AI 动态适配功能（如不同区域客户的保单展示形式、缴费方式） 3.跨部门协同：IT 研发、业务对接、客户服务团队的需求响应闭环 三、实战演练：客户反馈数据分析与产品优化 素材：模拟友邦亚太地区客户反馈数据集（含不同市场需求差异） 任务 1：使用 AI 工具分析数据，提炼 3 类核心个性化需求 任务 2：设计产品定制化功能方案，明确 AI 技术实现路径 成果展示：各组汇报分析结果与产品优化方案，讲师点评 |
|
模块四：AI业务价值评估体系和系统评测 一AI时代和传统价值评估的不同 二、AI时代指标评估体系：业务-产品-技术 1.AI对业务价值增量的短、中和长期指标预估（量化） 2.AI业务北极星指标制定的三原则以及误区 3.AI业务指标监控体系：衡量落地策略的好坏 3.1任务类指标体系 3.2对话类指标体系 4.数据驱动优化 4.1异常分析的三个维度 4.2对话分析的三个维度 5.AI成本计算方式 案例：智能客服业务价值完整评估路径 5.AI构建信任的评估体系：CAIR 【工作坊】搭建基于你业务的测评体系 |
|
模块五：Agent智能营销实战 一、智能体核心认知 1.智能体工作原理与核心能力：自主决策、流程自动化、多工具协同 2.B 端 vs C 端智能体在保险场景的差异：B 端（内部数据处理、流程审批）、C 端（客户咨询、保单管理） 二、保险科技 Agent 落地关键要素 1.三大核心：清晰的业务流程映射、精准的场景触发机制、安全的数据交互 2.产品框架：工作流设计、自主工作模块、工具模块、记忆模块（适配客户偏好记忆） 3.适配场景：智能核保、跨市场客户服务、财务咨询自动化、保单续约提醒 三、案例与实操：保险 Agent 产品设计 案例：保险营销自动化 Agent 落地难点与里程碑 四、迭代优化实战：保险行业Agent根据调用返回结果自主反思 【工作坊】：设计 “客户需求智能响应 Agent”（含工作流、工具集成、记忆模块设计） |
|
模块六：AI产品设计落地：AI驱动下的用户体验创新实战 一、 AI技术革新引领设计新范式：DO+Chat不断拓展人机交互带宽 1. 蚂蚁AI体验设计框架RICH 2.基于微软和互联网大厂总结的AI赋能用户体验的设计挑战 案例：蚂蚁 3.蚂蚁总结的CUI和GUI应用场景以及优缺点 3. AI体验未来的四大发展前景 二、行业最新体验评估指标：CAIR 1.如何提高用户对AI结果的信心 方法论：大厂总结的解释时机+解释内容+交互形式 【独家总结】可解释与信任构建的三种交互方式 2.提高成功的价值 3.错误的成本 4.纠正难度 案例：金融行业或者你所在的行业基于CAIR进行优化 5.体验指标优化五大原则 三、AI未来在产品设计和体验的展望 |
|
模块七：构建AI型团队组织 一、AI型团队组织搭建的核心原则 二、AI型团队搭建的三种组织方式以及应用场景 三、AI组织落地的常见四大问题 四、AI型团队效能评估体系设计和传统评估体系的异同 保险团队AI型团队未来发展趋势 |
近期公开课推荐
