
大数据助推健康险驶上快速路
随着我国经济发展进入新常态,天生逐利的资本都在积极探寻下一个“风口”。鉴于我国生活水平的不断提升,民众对健康险产品的需求将逐渐增大;而大数据技术运用的日益成熟,也将为社会方方面面带来或大或小的变化。于是各路资本闻风而来,希望占据健康险和大数据“风口”的一席之地。那么,当健康险遇到大数据,又会碰撞出什么火花?
健康险的发展之迅猛是业内外有目共睹的。保监会最新统计数据显示,今年前7个月,健康险业务原保险保费收入2743.89亿元,同比大幅增长94.05%,十分亮眼。同时,健康险原保费收入占整个保险业原保费收入的比例,也由去年底的9.93%升至今年前7个月的13.17%。
根据川财证券发布的研报,预计到2020年,我国大健康产业规模将达8万亿元。健康险市场将进入全面增长,基本医疗保险制度缺陷为商业健康险创造了巨大空间,预计到2020年,商业健康保险保费有望达到5000亿元至7000亿元,与财险、寿险成为并列的三大业务板块,年均复合增长率22%。而波士顿咨询集团和慕尼黑再保险公司则估计,按保费计算,到2020年,我国健康险市场规模将会达到1.1万亿元,较去年的2400亿元翻两番。
不过,要搭乘上商业健康险发展的快车,还面临一些实际阻碍。清华大学经济管理学院教授、中国保险与风险管理研究中心主任陈秉正表示,我国健康险业发展仅30余年,相对于人体健康变化的周期而言显得短暂,在疾病发生率、医疗费用支出率、平均余命等历史资料积累方面显得不足,数据基础薄弱。国家层面的人口健康数据应用平台处于论证阶段,省级层面的健康信息平台在陆续建设中,但仅限于卫生系统内部使用,保险业没有全行业共享的信息数据系统,与保单相关的大量医疗信息只记录在病历和赔付档案里,因此数据利用率低。
这一系列数据运用的问题导致健康险产品设计不够科学、定价不太精准、获客遇困难、医疗费用难管理、道德风险和骗保现象时有发生,直接影响了我国健康险的经营和发展。
“必须在合适的位置、在合适的时间、跟合适的人、推荐合适的健康险产品。”北京大数医达科技有限公司创始人邓侃指出,在不同时机,用户的诉求是不同的。
购买健康险的最佳时机是用户有征兆可能会患病的时候,而不是已经患病了以后。没有患病的恐惧,用户就不会有强大动机去买健康险。由于用户猜测可能会患病的时候,一般会进行医疗咨询,因此用户咨询的时候就是推荐保险的“合适的时间”。而医疗咨询最方便的方式就是在网上咨询,所以在移动互联网大流量的入口提供免费医疗咨询,顺势推荐健康险,就把握住了“合适的位置”。
邓侃直言,大数据能够提供医疗咨询,并借此收集用户的健康状况和病情,从而精准推荐健康险,向“合适的人”推荐“合适的健康险产品”。
医疗大数据最重要的数据来源是医院的病历。通过对病历做数据挖掘,可以整理出体征、症状、化验指标、影像检查标志物与疾病之间的关联关系,还有与药品和手术等治疗手段之间的关联关系,用于医疗咨询,并且能够基于患者的体征和症状,核对诊断过程中所做的化验和检查,实现诊断和治疗全过程的核保。
相关资料显示,国外在医疗大数据方面成就比较突出的三个企业,第一个是IBM Dr Watson,其计划在癌症领域针对某几个疾病,收集高质量的病历,并对它们进行数据挖掘,同时对相关论文做智能语义分析,双管齐下细分这几个疾病的病程,更精细地推荐各种治疗方案;第二个是Google旗下的DeepMind,该公司跟英国卫生部合作收集了全英国170万份病历,针对常见病,研发家庭医生电脑助手,实现常见病的标准化诊断和治疗;第三个是Flatiron Healthcare,它的主业是从全球各地收集病历,目前首要目标是收集癌症病历,由于各地医院的病历格式不统一、语义用词不规范,所以计划把全球的病历烫平整理,实现全球病历的互联互通。
我国的大数据应用领域也在逐渐发展,并且受到各路资本的追捧,金融大数据服务企业广东万丈金数日前宣布完成B轮融资,在短短一年内两次被资本市场所认可。在成立5年多的时间里,万丈金数已经打造出“数据+技术+服务”的大数据融合应用闭环。以企业级数据管理平台(E-DMP)为核心,打通企业内部和外部数据,线上和线下数据,PC端和移动端数据;通过万丈金数云平台及完善的用户行为采集分析体系,实现企业大数据循环动态增长。通过完整的大数据循环自生系统,帮助金融企业实现更精准的获客、更智慧的数据运营、更强大的数据管理。
截至目前,我国已经有不少初显成效的健康险大数据运用案例。太保安联健康通过与阿里健康合作,将后者的大数据、风控引擎和人脸识别防作弊等技术融入理赔环节,形成行业控费的双保险安全体系。众安保险在健康险产品上连接了相应的服务,与筛查检测机构合作,用来识别风险;与健康管理相关平台开展合作,开发“糖小贝”产品;与可穿戴式设备合作,推出“步步保”产品,鼓励用户用走路步数换取保费,帮助用户管理自己的健康;联合芝麻信用,提升医疗保险理赔响应速度等。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25