京公网安备 11010802034615号
经营许可证编号:京B2-20210330
保险业大数据运用何以“从0到1”
众所周知,保险业正处于科技推动变革的阶段,以互联网、移动社交网络、云计算和大数据为代表的数字化技术,正加速影响着保险业的日常运作。
“在所有的新技术中,大数据对保险行业的影响最具颠覆性。”波士顿咨询公司与中保协近日联合发布的《互联网+时代,大数据改良与改革中国保险业》指出,一方面,大数据分析将“改良”传统保险行业的日常运作,这种影响体现在价值链的方方面面,以风险评估与定价、交叉销售、客户流失管理、理赔欺诈检测及理赔预防与缓解为重点;另一方面,大数据与互联网还将“颠覆”传统的保险业务边界与商业模式,如基于使用的保险(UBI)以及平台化的生态圈,并带来大量的跨界竞争与颠覆场景。
事实上,大数据对保险价值链的影响体现在方方面面,根据波士顿咨询的研究,最重要的“改良效应”发生在五个环节,即风险评估与定价、交叉销售、客户流失管理、理赔欺诈检测、理赔预防与缓解。
就风险评估与定价方面而言,在大数据时代,风险特征的描述被极大丰富,数据资源的获取也将越发便利。在车险领域,除获得车型数据、汽车零整比数据、二手车数据以外,险企还使用车载传感设备收集驾驶员行为风险,开发UBI车险;在寿险领域,险企利用可穿戴设备能够实时监控人体健康情况(运动量、睡眠、心跳等),弥补了生命表对于洞察细分群体的人体健康及生死概率的能力不足。
值得一提的是,对来自互联网和社交媒体的非结构化数据分析,有助于识别消费者潜在风险。如美国ZestFinance通过对贷款申请人超过1万条的互联网数据进行分析,为银行贷款、信用卡及保险提供高质量的担保评估,使得违约率比行业平均水平低60%左右。而中国平安相关负责人日前也透露,未来旗下的前海征信将会联手保险机构,帮助识别投保人的潜在风险,以进行精准定价、识别欺诈。
而对于最大化客户价值、促进业务协同的最重要手段,交叉销售也能在大数据时代被提质增效。鉴于只有细分与洞察客户,精确了解其关键需求,才能大幅提升交叉销售的准确率。波士顿咨询公司认为,险企需要建设分析型客户关系管理平台,以对客户数据进行统一管理并建立客户分析模型,发挥共享与集约优势,避免专业公司各自为战。而对于业务结构不均衡的集团,更适合由强势业务带动弱势业务发展,如果能够实现客户资源跨法律实体共享,至少可以挖掘10%~20%的潜在市场价值。
此外,借助大数据手段,险企还可以显著提升反欺诈的准确性和及时性。大数据模型可以自动识别出理赔中可能的欺诈模式、理赔人潜在的欺诈行为以及可能存在的欺诈网络。同时,要确保数据资源,数据越完整、越多样,则越有可能通过复杂的算法与分析识别可能的欺诈行为,其中必要的数据包括理赔历史记录、保单信息、其他保险公司数据、医疗保险数据、事故统计数据、征信记录、犯罪记录、社交网络数据等。
值得注意的是,虽然险企都非常看重对大数据的应用,但是正如中国平安董事长马明哲近日在该公司半年报沟通会上所言,“不是人人都有大数据,99%的公司包括互联网企业拥有的只是信息,还不能说是大数据”。
马明哲坦言,要在互联网上判断一个人的全貌,必须掌握其3600种不同因子的数据,尽管中国平安有20多家金融公司,拥有超过7亿用户的多维度信息和数据,包含几百个因子,但也是冰山一角而已。所谓大数据,必须有足够大的量和频率,要有多样性,用户的消费数据、社交数据、日常行为数据等,并且能够智能互联、动态分析,否则只是局部的资料而已。
在波士顿咨询调研的险企中,63%的车险公司已开展车联网应用,16%已开展平台生态圈实践。波士顿咨询指出,相比欧美市场,在中国推广UBI车险似乎“有些尴尬”,考虑到国内车险整体盈利堪忧,若以更优惠的价值作为切入点,很可能造成更大程度上的行业亏损。除非险企能够利用车联网更好地选择风险、识别理赔欺诈并提供增值服务,追求在综合成本率和客户满意度方面的质量提升。
而对于目前穿戴式设备在健康险中的应用,目前国内险企普遍采取观望态度,虽然认为可穿戴设备未来发展潜力巨大,但法律风险及伦理风险巨大,亟须相关法律法规进一步完善,因此相比人体健康数据,险企更希望获得来自医疗、体检机构的电子病例,用于理赔关联和产品定价。
不过,当前险企一致看好垂直平台生态圈,认为互联网时代险企势必与各行各业开展多项合作、提供一揽子服务,共同构建数字化保险的平台生态圈。对此,波士顿咨询公司建议,目前生态圈建设难度较大、周期较长,涉及商业模式改良及资源整合等众多难题,尚需险企勇于投入、耐心求索。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在构建前向神经网络(Feedforward Neural Network,简称 FNN)时,“隐藏层数目设多少?每个隐藏层该放多少个神经元?” 是每个 ...
2025-10-29这个问题切中了 Excel 用户的常见困惑 —— 将 “数据可视化工具” 与 “数据挖掘算法” 的功能边界混淆。核心结论是:Excel 透 ...
2025-10-29在 CDA(Certified Data Analyst)数据分析师的工作中,“多组数据差异验证” 是高频需求 —— 例如 “3 家门店的销售额是否有显 ...
2025-10-29在数据分析中,“正态分布” 是许多统计方法(如 t 检验、方差分析、线性回归)的核心假设 —— 数据符合正态分布时,统计检验的 ...
2025-10-28箱线图(Box Plot)作为展示数据分布的核心统计图表,能直观呈现数据的中位数、四分位数、离散程度与异常值,是质量控制、实验分 ...
2025-10-28在 CDA(Certified Data Analyst)数据分析师的工作中,“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21