
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
CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14