互联网+时代，大数据改良与改革中国保险业_Age_CHN_Aug_2015.pdf

2015年8月邓俊豪、何大勇、胡莹、陈本强、程轶、石得、张耀丽邓俊豪、何大勇、胡莹、陈本强、程轶、石得、张耀丽互联网+时代，互联网+时代， 大数据改良与改革中国保险业大数据改良与改革中国保险业（摘自转型与发展：从保险大国到保险强国2015）（摘自转型与发展：从保险大国到保险强国2015）目 录内容概览内容概览1. 战略意义1. 战略意义1.1 大数据为器，推动保险行业转型与变革1.2 展望2020，中国保险迎来黄金发展期2. 创新机会 2. 创新机会 2.1 改良：对保险价值链的升级和再造 2.2 变革：突破产业边界，创新业务模式3. 能力建设3. 能力建设3.1 开拓数据来源3.2 建立许可和信任3.3 商业应用场景构建3.4 数据分析及建模3.5 数据存储和整合3.6 组织建设3.7 专注的数据人才3.8 治理和文化4. 实施路径4. 实施路径4.1 对保险公司的建议4.2 对监管机构的期望4.3 对其他参与者的建议12346 6 1624243032333537394042424345波士顿咨询公司2015年8月互联网+时代，互联网+时代， 大数据改良与改革中国保险业大数据改良与改革中国保险业（摘自转型与发展：从保险大国到保险强国2015）（摘自转型与发展：从保险大国到保险强国2015）内容概览内容概览中国是全球最重要的新兴保险市场， 但中国保险行业仍处于初期发展阶段， 保险深度与密度 等指标均低于世界平均水平， “ 大而不强” 是现阶段的主要特征。 新常态的经济发展、 监管变化和技 术动力同时驱动中国保险行业发展， 中国保险行业迎来黄金发展期， 推进中国从保险大国向保险 强国转变。 在所有驱动因素中 ， 技术动力影响最为迅猛， 而其中大数据对保险行业的影响最具颠覆 性、 革命性， “改良” 与 “改革” 并重， 是建设现代保险服务业的重要抓手。大数据可以有效改造与升级传统保险价值链， 我们称之为 “改良” 。 波士顿咨询公司 （BCG） 的研究表明， 最重要的 “改良效应” 发生在风险评估与定价、 交叉销售、 防止客户流失、 理赔欺诈 检测、 及理赔预防与缓解五大环节。 大数据对保险行业不但有改良之功， 还助力险企突破创新， 对 此， 我们称其为 “改革” 。 目前， 大数据作为 “催化剂” 在车联网、 可穿戴设备、 智能家居和平台生态 圈构建方面起重要作用。为了更好地驾驭大数据对保险行业的改良及改革， 保险公司需要从数据获取、 应用和组织三 大方面构建包括开拓数据来源、 建立许可与信任、 构建商业应用场景、 数据分析与建模、 数据存储 与整合、 组织建设、 专注的数据人才、 治理和文化在内的八项专业能力。为了对国内险企在大数据 “改良” 及 “改革” 应用现状及能力建设方面进行摸底调查， 中国 保险行业协会委托BCG向国内19家知名保险公司发放访谈问卷进行调研。 根据问卷反馈， 我 们发现： 改良：改良： 在被调研公司中 ， 63%的保险公司已将大数据应用于欺诈检测方面， 47%的保险公司已 在风险评估与定价方面展开实践， 对于大数据在交叉销售、 防止客户流失方面的实践分别都 达到了32%， 但在索赔预防和缓解方面， 多数公司还处于观望、 摸索阶段。 改革：改革： 车联网应用受到了较多财产险企业的重视， 在被调研的8家财产险公司中 ， 有5家已开展 车联网实践， 占比达63%； 绝大部分险企对于大数据在平台生态圈、 智能家居保险与监测服 务、 穿戴式设备健康服务等领域的尝试尚未开始， 仅16%的险企已开始实践平台生态圈， 8家 财产险公司中仅有1家开展了智能家居领域的实践， 而穿戴式设备则尚未有险企予以应用， 不 过大多数险企都表示计划在3年内对这些新技术应用予以实践。 能力建设：能力建设： 大部分险企已经在数据存储与整合上取得进展， 在开拓数据来源方面也对内部数互联网+时代，大数据改良与改革中国保险业2波士顿咨询公司2015年8月据做了初步整合。 但在建立许可与信任、 商业应用场景构建、 数据分析与建模的能力培养等方 面仍处于初级阶段， 对于组织建设、 专注的数据人才、 治理和文化的能力培养等方面同样存有 较大的提升空间。基于大数据对保险行业的改良与改革趋势、 能力要求、 及中国险企现状， 我们建议保险公司、 监管机构和其他参与者， 从意识、 策略、 能力等方面有针对性、 有步骤地进行规划和行动。 保险公司应当在诊断现有能力的前提下 ， 制定自身的大数据策略， 并着手构建核心能力， 以积 极试错， 寻求在数据应用方面的突破。 监管机构当积极推动消费者保护、 相关立法、 行业平台等基础设施建设、 以及监管创新。 对于保险生态体系内的其他参与者而言， 可积极探寻行业内空白机会， 创新业务模式， 通过竞 合策略， 实现多方共赢。1. 战略意义1. 战略意义前言前言改革开放以来， 中国保险行业开始全面复苏， 在经历了30多年的恢复与发展阶段后， 中国已经 成为全球最重要的新兴保险市场2014年全国保费收入突破2万亿大关， 同比增长17.5%； 保险 行业总资产突破10万亿， 仅次于美国和日本， 位列全球第三。目前， 中国保险行业仍处于初期发展阶段， “ 大而不强” 是现阶段的主要特征。 从保险深度看， 2013年我国保险深度为4.35%， 位居全球第46位， 而世界平均水平是6.5%， 发达国家和地区普遍 在8%以上。 保险业在国民经济相关领域的覆盖程度较低， 行业发展相对滞后。 从保险密度看， 由 于我国的消费结构和理财习惯， 全社会运用保险机制的主动性不够、 保险意识还不强， 保险密度长 期处于较低水平， 我国保险密度2013年为255美元/人， 全球排名第61位。 与发达国家相比， 中国保 险行业至少存在着近十倍的发展空间 （美国保险密度3872美元/人， 是中国的15倍； 日本保险密度 4339.7美元/人， 是中国的17倍） 。未来， 中国经济将呈现新常态的发展态势， 增速放缓与结构调整同步， 带动社会可支配收入 和保险意识的不断提升， 是中国保险行业持续健康发展的经济与社会基础。 监管政策的变化， 将直接改变保险的行业规则和业务结构， 是驱动未来行业发展的政策动力。 以大数据、 移动互 联、 社交媒体、 云计算为基础的数字化技术， 为保险业务模式和运营模式的改变提供了技术可行 性。本文将重点从技术推动的角度， 解读大数据如何改良与改革中国保险业， 推进中国从保险大 国到保险强国的转变。互联网+时代，大数据改良与改革中国保险业3波士顿咨询公司2015年8月1.1 大数据为器， 推动保险行业转型与变革1.1 大数据为器， 推动保险行业转型与变革全球范围内， 保险行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， 正在加速影响着保险行业的日常运作： 互联网不断渗透：互联网不断渗透： 预计到2017年， 全球互联网用户数将超过33亿人。 互联网的应用及使用面 的拓宽， 为保险公司开发直销渠道提供了 更多的可能。 智能手机与移动设备的渗透：智能手机与移动设备的渗透： 预计到2018年， 全球智能手机用户数将超过23亿， 移动互联网 技术具有更加频繁、 碎片化、 社交化的应用特征， 用户对智能移动设备的依赖度越来越高， 对 保险行业也提出了新的要求。 社交网络的发展：社交网络的发展： 截至2013年9月， 社交网络用户 占互联网用户比例达73%， 消费者正在以越 来越多的方式使用社交网络。 计算和带宽成本不断下降：计算和带宽成本不断下降： 每隔18个月， 相同硬件成本将带来一倍以上的计算及存储能力增长 （摩尔定律） 。 云时代的到来：云时代的到来： 云提供了灵活的IT架构以及更优的成本结构， 海量数据的存储与计算也有赖于 云的支撑。 物联网促进了设备互联的爆发：物联网促进了设备互联的爆发： 全球智能设备出货量自2006年起保持40%以上增长， 物联网 推动了 一系列新型的保险模式， 例如基于使用的车险定价。 大数据蓬勃发展：大数据蓬勃发展： 大数据技术自2011年起飞速发展， 为保险行业带来了 “改良” 与 “变革” 式发 展机遇， 同时对可保风险池造成了重大的结构性影响。在所有的新技术中 ， 大数据对保险行业的影响最具颠覆性。首先明确什么是大数据？首先明确什么是大数据？ 在这个问题上， 业界最新的定义方式是 “3V” ， 即数量 （Volume） 、 速度 （Velocity） 、 多样性 （Variety） ， “3V” 的定义专注于对数据本身的特征进行描述。 我们认为，我们认为， 成就大数据的关键点在于 “第4个V” ， 即价值 （Value） 。成就大数据的关键点在于 “第4个V” ， 即价值 （Value） 。 当 “数量” （Volume） 庞大、 实时 “速度” （Velocity） 传输、 “种类” （Variety） 多样的全量数据通过某种手段得以利用并创造出商业 “价值” （Value） ， 而且能够进一步推动商业模式的变革时， “大数据” 才真正诞生。 因此， 我们不妨这样对 大数据进行阐述： “大数据是通过获取、 分析和解释规模巨大、 格式复杂的数据， 从而推动业务价大数据是通过获取、 分析和解释规模巨大、 格式复杂的数据， 从而推动业务价 值创造方式的变革值创造方式的变革” 。 （参阅图1）谈及大数据对保险行业的影响， 保险精算理念首当其冲谈及大数据对保险行业的影响， 保险精算理念首当其冲大数据直接冲击 了基于大数法则 的传统精算理论， 加之物联网、 实时风险评估技术的运用， 极有可能改变传统保险的可保风险池 并使之缩小。波士顿咨询公司2015年8月互联网+时代，大数据改良与改革中国保险业4我们用 “改良” 与 “变革” 来形容大数据对保险商业模式的影响。我们用 “改良” 与 “变革” 来形容大数据对保险商业模式的影响。 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。 另外， 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， Usage Based Insurance） ， 以及平台化的生 态圈， 并带来大量的跨界竞争与颠覆场景。 （参阅图2）因此， 我们称大数据为驱动中国保险行业变革、 从保险大国到保险强国的利器。1.2 展望2020， 中国保险迎来黄金发展期1.2 展望2020， 中国保险迎来黄金发展期在政策推动和技术革新的双重作用下 ， 中国保险业即将迎来黄金发展期。 在此背景下 ， 我们 对2020年中国保险行业做出了 “大胆预测” ， 未来市场将呈现与大数据密切相关的四个方面的主要 特征。特征一： 可保风险池转移并缩小特征一： 可保风险池转移并缩小全球范围内， 物联网和相关传感器的应用可能会改变汽车保险 （车载信息技术） 、 家财保险甚 至寿险销售和服务的方式， 借助相关技术保险公司可以实时评估风险， 可能直接导致可保风险池会 缩小。 我们预测， 在全球范围内， 将车载信息技术应用到汽车保险中 ， 同时将智能家居设备应用到家 庭保险中 ， 可能带来300亿到540亿美元的保费削减。?1 1? ?V?BCG? ? ? ? ? ? ? ?GigaZetaTera Peta Exa?波士顿咨询公司2015年8月互联网+时代，大数据改良与改革中国保险业5未来， 还有可能出现更多的对保险行业具有杀伤性、 颠覆性的技术， 让可保风险池短期内大幅 度缩小。 例如， 无人驾驶汽车技术的成熟， 将极大范围内减少车辆事故的发生。 但是与此同时， 一些新的风险类别正在抬头， 比如网络风险， 有可能弥补传统风险缩小带来的 损失。 根据瑞士再保险公司的评估， 诸如黑客攻击、 网络欺诈、 客户隐私泄露这类互联网风险正以 每年10%-15%的速度不断增长， 10年后有可能超越航空业风险池。特征二： 保险产品将更加多元化特征二： 保险产品将更加多元化首先， 在 “新国十条” 的推动下 ， 政策性保险业务将得到长足发展， 收益领域在于健康险、 养 老险、 农业险等具有保障属性的保险种类。其次， 物联网及大数据分析技术日趋成熟， 国内将出现基于使用的保险计划 （UBI， Usage Based Insurance） ， 预测UBI保险将在车险和健康险领域率先出现。最后， 保险公司产品创新力度加强， 将有更多的长尾保险产品出现， 如古董车保险。特征三： 互联网保险将成为下一个热点特征三： 互联网保险将成为下一个热点如同互联网对传统银行的冲击， 下一个互联网与金融行业融合的场景可能会发生在保险领 域。 我们认为存在三种互联网保险的形态：?2 2?“ “?”?“”?“?” ”?BCG? ? ? ? ? ? ? ? ? ? ? ? ?123456789?波士顿咨询公司2015年8月互联网+时代，大数据改良与改革中国保险业6形态一： 互联网渠道。形态一： 互联网渠道。 保险公司更加注重互联网、 移动互联在营销与服务中的作用， 将有更多的 保险产品置于 互联网渠道进行销售， 可以是第三方代销平台 ， 也可以加大自有网络销售平台建设。形态二： 互联网化的保险产品。形态二： 互联网化的保险产品。 消费者在网络上产生的大量行为数据被用于需求与风险分析， 进而设计定制化的保险产品与服务， 如个性化、 定制化、 组合化保险。形态三： P2P保险新模式。形态三： P2P保险新模式。 国内市场可能会出现P2P保险平台模式， 颠覆传统的保险产品与理 赔交付方式。特征四： 生态系统建设初露端倪特征四： 生态系统建设初露端倪数字生态系统的趋势不可阻挡。 我们并不认为保险公司是生态系统的天然寄主 （主动推动 者） ， 因此保险公司将面临越来越多的跨界竞争者和搅局者， 与保险公司展开竞争与合作。我们预测， 这种情况可能会发生在以下场景中： 互联网巨头利用自身流量和数据优势， 进一步渗入到保险产品制造环节， 如众安在线； 汽车产业链、 健康产业链中可能会形成一股力量， 替代现有的保险产品与服务； 龙头企业在产业链中提供自保服务， 可能发生在整车厂或有实力的4S经销集团中。另外， 保险行业将出现更多的行业共享数据平台， 满足保险公司在价值链各环节的数据与分析 需求。2. 创新机会2. 创新机会2.1 改良： 对保险价值链的升级和再造 2.1 改良： 对保险价值链的升级和再造 大数据对保险价值链的影响体现在方方面面， 这种对传统保险能力的改造与升级作用， 我们 称之为 “改良” 。 根据BCG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、 及理赔预防与缓解。 我们将从这五个方面对大数据的应用 及案例进行具体阐述。 （参阅图3）2.1.1 风险评估与定价2.1.1 风险评估与定价行业观点行业观点大数据为保险风险评估与定价带来了前所未有的创新， 主要体现在三个方面：波士顿咨询公司2015年8月互联网+时代，大数据改良与改革中国保险业7 风险特征的描述被极大丰富风险特征的描述被极大丰富在大数据时代， 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， 基 于使用的定价模式已逐渐被领先保险公司运用在产品创新中 ， 除获得车型数据、 汽车零整比数据、 二手车数据以外， 保险公司还使用车载传感设备收集驾驶员行为风险， 开发基于使用的车险计划 （UBI， Usage Based Insurance） 。 在人寿保险领域， 保险公司利用可穿戴设备 （如： Jawbone推 出的Up、 Apple推出的HealthKit） 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进行分析， 有助于识别消费者潜在 风险， 这一模式已广泛应用在银行等其他金融领域。 例如， 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。 国内拍拍贷与全国十几家权威机构合作获取信息 （公安部、 工商局、 法院、 银行信用等） ， 并将申请人互联网上的碎片信息进行拼凑 （人口统计、 社交媒体与关系、 网 络行为等） ， 对用户信用进行综合评估。 我们预测， 保险行业未来很可能会出现类似的风险评估方 案， 以扩充传统的风险数据源。 大数据分析将改变传统的保险精算理论大数据分析将改变传统的保险精算理论保险是经营风险的学科， 其关键要素在于精算， 基于统计学的大数法则是精算理论的核心。 传?3 3?BCG? 1?/? ? ?1?HRIT?123 45波士顿咨询公司2015年8月互联网+时代，大数据改良与改革中国保险业8统精算理论中 ， 精算师通过掌握与某项风险相关的暴露数据， 运用大数法则对数据进行建模与分 析， 寻找其中的规律， 辅以假设， 对未来的风险进行判断， 进而设计相应的保险产品。现如今， 精算师可以运用大数据分析软件， 对海量数据进行回归分析， 精确的识别和确认个 体对象的潜在风险， 这种思维与传统精算思维存在着很大的不同。 我们不认为传统精算理论将被 大数据颠覆， 但大数据的确可以帮助改造传统精算方法， 产生一种将大数据方法融合在精算理论之产生一种将大数据方法融合在精算理论之 中的、 演进的保险精算方法。中的、 演进的保险精算方法。 分析产品绩效， 优化定价体系分析产品绩效， 优化定价体系大数据还能帮助保险公司优化定价体系。 定价原因往往会导致价值流失， 比如在价格方面过于 “一刀切” 、 当客户停止购买其中一种产品后还在延续捆绑折扣、 不能及时更新定价、 销售团队在提 供折扣方面缺乏纪律性等。 而大数据分析可以帮助险企及时、 精准地发现问题并予以纠正， 从而防 止价值流失。案例分享案例分享 车险领域车险领域一家澳大利亚保险公司通过分析客户的购物筐数据来预测驾驶风险。 分析显示， 饮用大量牛 奶并食用大量红肉的客户存在较低的驾驶风险， 而食用大量意大利面和米饭并在夜间开车和饮酒的 客户则是高风险客户 。美国前进保险公司 （Progressive） 利用车联网设备， 收集驾驶时间、 地点、 速度、 急刹车等驾 驶数据， 来判断驾驶行为中存在的风险， 设计 “从用” 的个性化UBI车险产品。 寿险领域寿险领域某寿险公司通过发放穿戴式设备， 收集消费者各项身体数据， 监控投保人身体状况， 对身体 健康者提供低保费激励， 鼓励其改善身体状况的活动， 帮助降低风险。英国保险公司英杰华集团 （Aviva） 运用网络数据来为保费设定提供支持。 网络数据分析有效 帮助该公司识别出申请者的潜在健康隐患及风险， 其准确程度不亚于验血和尿检。2.1.2 交叉销售2.1.2 交叉销售行业观点行业观点在激烈的市场竞争中 ， 交叉销售是客户价值最大化， 促进业务协同的最重要手段。 成功开展交 叉销售的前提在于客户细分与洞察， 只有精确了解客户及其关键需求， 交叉销售的准确率才能得到波士顿咨询公司2015年8月互联网+时代，大数据改良与改革中国保险业9大幅度提升。 不妨回答几个关键问题： 客户是谁？ 关键的愿望是什么？ 客户需要什么？ 不满意之处又 是什么？ .在洞悉客户需求的基础上， 保险集团可从挖掘现有客户价值和促进客户资源共享两个 方面积极开展交叉销售。 挖掘现有客户价值。 挖掘现有客户价值。 保险集团通常鼓励交叉销售， 例如： 允许寿险代理人销售财产险或理 财产品， 由各个渠道深度挖掘自有的客户资源， 实现价值最大化。 在这种情况下， 首先要了 解客户 ， 一系列问题由此产生： 最具潜力的客户是谁？ 潜在需求是什么？ 偏好怎样的交互方 式？ 数据部门可利用大数据分析工具， 回答上述问题， 为开展交叉销售提供必要的技术支 持。 具体而言， 险企需要建设分析型客户关系管理平台 （ACRM） ， 以对客户数据进行统一 管理并建立客户分析模型。 这有助于发挥共享与集约优势， 避免专业公司各自为战。 在此情 况下， 保护客户数据的隐私性是一个不可回避的问题， 通常的解决方案是建立严格的数据 保护制度。 综合拓展， 促进客户资源在不同经营主体之间的共享。综合拓展， 促进客户资源在不同经营主体之间的共享。 尽管这一模式相对简单， 但其效果却不 容忽视。 BCG研究发现， 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。 在综合拓 展模式下 ， 交叉销售的关键成功要素不再是技术本身， 而是监管政策是否支持， 以及不同的经 营实体间能否达成一致的、 合理的利益分配制度。案例分享案例分享 统一客户信息是基础统一客户信息是基础过去几年间， 以中国人民财产保险、 中国人寿、 中国平安、 太平洋保险、 中国太平为代表的综合 型保险集团， 纷纷完成了统一客户信息系统 （CIF） 的建设， 实现了客户数据在技术层面的集中与共 享。 为下一步分析型客户关系管理系统建设奠定了基础， 为开展客户迁移和交叉销售创造了 条件。 客户洞察能力是核心客户洞察能力是核心中国平安从产险起家， 目前已成为横跨保险、 银行、 投资、 互联网金融 （围绕 “医、 食、 住、 行、 玩” 的互联网平台生态圈） 四大板块的综合型金融集团。 平安利用 “一账通” 使平安的保险客户、 银 行客户、 投资客户可通过一个账户获得全方位的综合金融服务， 促进旗下各新老业务板块开展客户 迁徙， 推动交叉销售。在技术层面， 平安正在分三步建设基于大数据的客户洞见系统， 以描绘客户状况， 进而有针对 性地开展交叉销售。首先， 整合一切客户接触点， 实现客户数据的互联互通。 已完成包括95511呼入、 销售代表、 柜 面、 理赔、 调查、 远程机在内的渠道数据整合。 未来， 还将与互联网金融公司、 以及百度、 阿里、 腾 讯等进行客户数据和渠道合作。波士顿咨询公司2015年8月互联网+时代，大数据改良与改革中国保险业10其次， 收集一切客户信息， 包括： 人口统计信息： 性别、 年龄、 收入、 婚姻等 交易信息： 投保、 理赔、 理财、 支付、 积分等 生活行为： 购房、 购车、 社交、 渠道偏好、 互动频率、 兴趣爱好等再次， 搭建IT支撑平台， 其客户洞见系统包括三个层面的核心能力： 客户信息系统： 数据源、 信息分析、 经营管理、 客户服务 客户信息分析模型： 客户识别、 倾向性分析、 客户分群 客户洞见应用能力： 精准营销、 精准服务、 经营管理决策建议基于上述在客户洞察方面的努力， 平安集团积极开展交叉销售， 并取得良好成效。 其年报显 示， 2014年上半年， 集团累计迁徙客户304万人次， 各子公司合计新增客户量中28%来自客户迁 徙。2.1.3 防止客户流失2.1.3 防止客户流失行业观点行业观点保险公司可通过大数据整合客户线上和线下相关行为， 除客户投诉、 理赔和支付等内部数据 之外， 将社交网络信息、 人口结构数据等外部数据与内部数据进行结合， 运用保险分析模型计算客 户价值、 预测客户行为等， 着手制定有针对性的客户挽留策略与运营方案， 从而留住最好的客户 ， 促 进险企盈利。 （参阅图4）具体而言， 大数据技术可应用于环境分析、 价值分析、 流失分析和购买分析等方面， 以有效支 持客户挽留策略的制定。 环境分析：环境分析： 保险公司可以根据自身业务骨干的流动、 竞争对手策略、 市场波动、 客户满意度等四 个指标数据进行动态管理， 密切跟踪公司自身、 客户和外部市场的变化情况， 积极培育和挖掘 客户需求， 不断创新增值服务手段， 防止不利情况的持续恶化， 把客户流失风险控制在萌芽状 态。 价值分析：价值分析： 通过大数据分析手段综合考虑客户信息、 险种信息、 既往出险情况、 销售人员信息 等， 对客户进行细化分类， 分析客户价值与期望， 得出高质量用户群， 做好重点的客户关系维 护 ， 减少流失可能。波士顿咨询公司2015年8月互联网+时代，大数据改良与改革中国保险业11 流失分析：流失分析： 筛选出影响客户退保或续期的关键因素， 分析客户可能的流失原因， 并通过这些因 素建立预测模型， 对客户的退保概率或续期概率进行估计， 找出高风险流失客户 ， 及时预警并 制定挽留策略， 提高保单续保率。 购买分析：购买分析： 通过大数据挖掘算法识别客户的购买习惯， 推荐契合度较高的一个或多个产品， 引导客户购买多个产品， 提高客户黏性； 提供个性化服务， 进而提高客户满意度， 减少流失可 能。案例分享案例分享美国前进保险公司 （Progressive Insurance） 在进行数据研究分析时发现， 理赔周期越短， 理赔费用也随之减少。 因此， 公司投资三千多万美元建设 “自动理赔管理系统” ， 以加速解决客户理 赔问题。 使用新系统后， 不但大大缩短了前进保险公司的理赔周期， 使其从保险业平均理赔周期的 42天缩短为只需6天， 而且显著提高了客户的满意度， 客户流失率下降三分之二， 续保率达到了90% 以上。太平洋保险的网销渠道利用专业数据分析工具ominiture， 在商业险报价、 交强险报价、 提 交核保、 核保通过、 在线支付等关键环节， 于后台植入监控工具， 对输入框和按钮进行控件级的行 为监控， 记录各个页面的客户访问情况； 并通过客户调研、 坐席回访等方式收集大量真实的客户声?4 4?BCG? ? ? ? ?, ?波士顿咨询公司2015年8月互联网+时代，大数据改良与改革中国保险业12音； 建立客户全视图数据库， 通过大数据技术对客户流失原因进行分析， 并对解决方案的实际效果 进行跟踪评估， 以高效挽留客户 。2.1.4 欺诈检测2.1.4 欺诈检测行业观点行业观点欺诈是影响赔付的一个重要因素。 借助大数据手段， 保险公司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。 险企可以通过设定关键问题， 利用海量数据进行验证， 找出可能的答案。 以理赔分析为 例， 常见的关键问题包括： 事故造成的实际损害有多大？ 事故发生的时间和地点？ 事故人员的医疗诊 断情况？ 车辆型号、 车价、 年龄、 事故中的人数等？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。 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。 （参阅图5）?5 5?BCG? ? ?3 3? ? ? ? ? ? ? ? ? ?/? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?&&?波士顿咨询公司2015年8月互联网+时代，大数据改良与改革中国保险业13案例分享案例分享美国一家汽车保险公司Allstate Corporation通过大数据分析识别出欺诈规律， 从而大幅减少欺 诈理赔支出。 该公司通过大数据整合理赔数据、 理赔人数据、 网络数据和揭发者数据， 将所有理赔请求 首先按照已有的欺诈模式自动处理， 接下来可疑的理赔请求将被特别调查部门 （Special Investigation Unit） 人工审阅， 经过自动化和人工两个监测过程检测出更多欺诈行为， 同时减少 了 人工工作。 大数据成 功帮助Allstate将车险诈骗案减少 了30%， 误报率减少 了50%， 整个索赔成本降低了2-3%。另一家世界著名的数据库LexisNexis则利用理赔、 政府数据和犯罪记录监测出大量欺诈行 为。 该数据库通过关联大量美国保险公司理赔数据、 第三方保险公司的历史理赔数据， 按照关系匹 配官方数据 （如婚姻记录） 和犯罪记录， 自动整合理赔人的犯罪记录及相关人记录， 通过算法监测 欺诈行为及欺诈网络。 通过大数据检测发现， 超过20%的理赔请求属于欺诈、 重叠或不当， 而且存 在医疗机构介入汽车保险欺诈网络的情况。2.1.5 索赔预防和缓解2.1.5 索赔预防和缓解行业观点行业观点赔付会直接影响保险企业的利润， 对于赔付的管理也一直是保险公司的关注点。 而赔付中的 “异常值” （即超大额赔付） 是赔付率升高的主要驱动因素之一。 大数据能够为险企及时、 高效地采 取干预措施提供良好的支持。以某海外保险公司的工伤补偿为例， 不到20%的 “异常值” 带来了超过80%的赔付费用。 但是， 这些高额赔付的案例往往早有端倪， 如果能够及早干预就可以在很大程度上控制事态的发展。 比 如， 利用数据分析技术， 自动跟踪、 关注伤者的疾病发展过程并及时建议跟进治疗以避免慢性疾病 的发生， 并尽早建议用人单位进行工作调整以减少误工等。大数据模型在索赔预防和缓解中 ， 可通过设定关键问题， 并运用海量数据做验证， 以开展事件 模式分析和理赔人分析。 例如事件模式分析， 常见的关键问题包括： 事故细节？ 治疗、 诊断细节？ 整 合治疗和诊断复杂度？ 所需用到的数据资源涵盖： 理赔历史数据、 医疗保险数据、 医疗账单等。 数据 源越丰富、 数据质量越高， 则数据建模分析结果越具有可信度。 目前， 该模式在国内应用的主要挑 战在于如何全面使用保险及相关产业数据， 如医疗机构的发票和单据。 （参阅图6）案例分享案例分享美国利宝互助 （Liberty Mutual） 保险集团通过结合内部、 第三方和社交媒体数据进行早期 异常值检查， 及时采取干预措施， 从而使平均索赔费用下降了20%。 该集团的预测模型使用了约1.4 亿个数据点， 其中既包括了客户的个人数据 （健康状况、 人口特征、 雇主信息等） ， 也包括了集团的内 部数据 （过往的理赔信息和已经采取的医疗干预信息等） 。 此外， 这个模型可以随着新数据的加入 而不断进行调整， 以提升其准确性。波士顿咨询公司2015年8月互联网+时代，大数据改良与改革中国保险业142.1.6 中国保险业利用大数据 “改良” 的现状2.1.6 中国保险业利用大数据 “改良” 的现状通过访谈和调研， 我们对中国保险公司在大数据改良应用方面的现状进行了了解和总结分析， 完成了对中国保险行业的大数据现状的初步摸底。从大数据主要应用方面来看， 中国保险公司对大数据应用的重视程度与BCG的研究保持一 致。 如图7所示， 其中红色部分是BCG认为重要的大数据应用， 除此之外， 中国险企对大数据在客户 细分、 风险建模、 新产品开发等方面也比较看重。 （参阅图7）而根据调研， 中国险企对这些大数据应用于 “改良” 的现状中 ， 最积极推进的项目为风险建模， 占比达63%； 其次为风险评估与定价、 新客户获取、 活动管理， 占比均大于40%； 在其他方面的应用 占比尚较低， 特别是索赔预防和缓解方面， 仅有11%的险企正在开展。 （参阅图8） 风险评估及定价风险评估及定价目前， 国内保险企业一致看好大数据在风险评估及定价方面的应用， 并已经着手探索。 保险定 价基于大数法则， 物联网、 大数据的开发会使保险公司更多考虑行为数据， 细化风险评估维度， 由 产品型营销逐步过渡到需求型营销。 多数保险公司表示可能在未来三年内建立大数据平台， 逐步丰 富客户个人信息， 整合社会医疗、 犯罪记录、 财务信息等， 为开发新产品及差异化定价奠定基础。?6 6?BCG?