京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据产生大结果:保险赔付率预测模型效能提升高达30%
1月8日,2016中国(杭州)“互联网+”金融大会,来自律商联讯风险信息公司(LexisNexis Risk Solutions)的保险业务首席执行官 Bill Madison进行了“大数据在保险行业的应用和探索”的精彩演讲。Bill指出,若想在当今的大数据时代充分挖掘数据价值,我们必须首先明确自身的战略诉求,再借助海量数据资源、大数据技术、关联和分析能力、以及行业专长满足个性化的诉求。
公共记录引入保险市场 赔付率预测模型效能提升高达30%
近年来,核心的银行征信数据已经发生了变化,除了消费者行为的改变和数据明细程度的提升,还产生了一些全新的数据字段,为消费者风险评估带来了许多有价值的新洞见。面对不断演变的数据来源,律商联讯长期致力于扩展消费者风险分析维度,从全球超过1万3千多个数据源采集了500亿条消费者和企业记录,为保险和金融服务等行业积累了海量的数据资源,其中包括:历来的居住地址和住址稳定性,电话和水电煤气记录,职业证书,教育历史,破产、抵押、判决和驱逐等数据。
除了丰富的公共记录和第三方数据资源以外,律商联讯通过建立保险行业共享型数据平台,为行业引入了一个全新的数据成分,完善了为以保险为中心的消费者金融视图。
律商联讯将这些非传统数据引入保险市场,生成独特的变量和行业风险评分,与传统征信数据一起用于风险定价和承保决策,帮助保险行业利用数据优化工作流程,更好地评估风险,从而提升从展业到理赔、覆盖客户完整保险生命周期的各个环节的工作效率。
如下图所示,掌握的数据越多,保险赔付风险模型的预测能力就越强。每增加一个数据集,我们都能看到模型的预测准确度获得显著提升——改良后的信用记录,加上公共记录,再加上保险赔付历史,可以在传统信用记录的基础之上带来30%的模型效能提升。
如何使大数据应用切实可行
律商联讯的大数据战略远远超过了数据或数据技术本身,40年的行业积累使得律商联讯能够在吃透行业的基础上进行数据关联和分析,并利用行业专长提供以客户为中心的解决方案。
律商联讯总结多个国际市场运营经验后发现:保险公司拥有一套自己的工作流程,从初期的保险展业开始,直至为客户提供理赔服务。在这个保险生命周期中,保险公司每次与消费者接触的节点,都是一次获取知识的节点,有机会更进一步地了解消费者。律商联讯希望在每一个工作节点,都可以为保险公司提供与消费者个人相关的信息和洞见,帮助保险公司更好地理解风险。为了实现这一目标,律商联讯在美国及多个海外市场建立了与保险公司之间的单一数据管道,将数据和分析产品在每一个相关工作节点推送给保险公司,充分满足其各个节点的风险信息需求。
Bill最后总结到,数据问题其实很简单:数据越大越好。更多的数据和更好的关联能够为我们带来更加丰富的个体档案,以及更加完整、准确的个体间关系。借助足够多的数据,我们就能够掌握每一个客户的切实可行的个性化洞见,为每一个客户定制完全贴合其需求的产品和服务。只有这样,大数据才能真正凸显其价值所在。
律商联讯风险信息公司(简称:律商联讯)是一家全球领先的风险信息服务提供商,向保险、医疗健康、法律、金融服务等行业及政府机构提供风险预测、评估及管理服务。律商联讯是励讯集团(RELX Group,原名励德爱思唯尔集团Reed Elsevier)的全资子公司。励讯集团是世界最大的专业信息解决方案提供商之一,在科技、医学、风险、法律和商业信息等领域为120多个国家的客户服务。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16