《保险科技》课件-第二章 大数据及其在保险领域中的应用

第二章大数据及其在保险领域中的应用提纲大数据的基本概念大数据在保险中的具体应用一二三大数据给保险行业带来的机遇和挑战2.1大数据的基本概念目录一大数据的定义二大数据的特征三大数据的应用大数据，或称巨量数据，研究机构Gartner对其的定义是：“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产”。大数据技术就是从各种类型的数据中，快速获得有价值信息的能力。一、大数据的定义生活中的大数据4V特征1234VolumeVarietyVelocityValue价值密度低二、大数据特征1.数据量大根据IDC作出的估测，数据一直都在以每年50%的速度增长，也就是说每两年就增长一倍（大数据摩尔定律）人类在最近两年产生的数据量相当于之前产生的全部数据量2.数据类型繁多大数据是由结构化和非结构化数据组成的10%的结构化数据，存储在数据库中90%的非结构化数据，它们与人类信息密切相关科学研究–基因组–LHC

加速器–地球与空间探测企业应用–Email、文档、文件–应用日志–交易记录Web

1.0数据–文本–图像–视频Web

2.0数据–查询日志/点击流–Twitter/

Blog

/

SNS–Wiki3.处理速度快从数据的生成到消耗，时间窗口非常小，可用于生成决策的时间非常少1秒定律：这一点也是和传统的数据挖掘技术有着本质的不同4.价值密度低价值密度低，商业价值高以视频为例，连续不间断监控过程中，可能有用的数据仅仅有一两秒，但是具有很高的商业价值继续装ing三、大数据的应用大数据无处不在，包括金融、汽车、零售、餐饮、电信、能源、政务、医疗、体育、娱乐等在内的社会各行各业都已经融入了大数据的印迹大数据客户画像保险领域应该如何利用大数据？思考：2.2.1大数据在保险中的具体应用目录一大数据技术原理二大数据在健康险中的应用三大数据在财产保险中的应用一、大数据技术原理大数据技术的不同层面及其功能技术层面功能数据采集利用ETL工具将分布的、异构数据源中的数据如关系数据、平面数据文件等，抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础；或者也可以把实时采集的数据作为流计算系统的输入，进行实时处理分析数据存储和管理利用分布式文件系统、数据仓库、关系数据库、NoSQL数据库、云数据库等，实现对结构化、半结构化和非结构化海量数据的存储和管理数据处理与分析利用分布式并行编程模型和计算框架，结合机器学习和数据挖掘算法，实现对海量数据的处理和分析；对分析结果进行可视化呈现，帮助人们更好地理解数据、分析数据数据隐私和安全在从大数据中挖掘潜在的巨大商业价值和学术价值的同时，构建隐私数据保护体系和数据安全体系，有效保护个人隐私和数据安全分布式存储分布式处理GFS\HDFSBigTable\HBaseNoSQL（键值、列族、图形、文档数据库）NewSQL（如：SQL

Azure）MapReduce大数据两大核心技术第一步数据清洗01第二步数据管理02第三步数据分析03大数据的使用大数据使用实例：数据仓库2.2.2大数据在保险中的具体应用目录一大数据技术原理二大数据在健康险中的应用三大数据在财产保险中的应用三、大数据在财产保险中的应用

根据BCG的研究大数据对财产保险价值链有一定的“改良效应”，最重要的发生在五个环节，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。三、大数据在财产保险中的应用（一）风险评估与定价。

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。尤其是承保保额较大的财产险品种，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中的、演进的保险精算方法。三、大数据在财产保险中的应用车险案例

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。三、大数据在财产保险中的应用（二）交叉营销。

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。

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。三、大数据在财产保险中的应用（三）客户流失管理。

财产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。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。案例：

美国前进保险公司（ProgressiveInsurance）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。三、大数据在财产险中的应用（四）欺诈检测。

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。案例：

美国一家汽车保险公司AllstateCorporation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（SpecialInvestigationUnit）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%。

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。三、大数据在财产险中的应用（五）索赔预防和缓解。

赔付会直接影响财产险企业的利润，对于赔付的管理也一直是财产险企业的关注点。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。

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（基本信息、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。

2.3大数据在健康险中的应用案例美国案例：

科技的跨界发展使美国的健康险行业重新进行资源整合，逐渐衍生出专业的健康险公司，在2015年成立的CloverHealth（以下简称Clover）将大数据技术与健康护理相结合，并在近两年获得了行业内投资机构的大额融资。Clover公司的目标客户为中老年人和残障人员，这部分群体也在美国联邦政府的医疗照顾保险覆盖范围内，而且经常进出医院的问诊数据比较集中，该公司能够从大数据分析和模型算法入手，尽可能的让用户在住院治疗之前享受他们的健康护理，从而减少他们的医疗费用和理赔费用，同时大数据技术辅助降低量化风险。据该公司数据统计，该公司业务覆盖地区的用户住院率和再次住院率明显降低，该保险公司在实现自身盈利的同时，也帮助节约了公共医疗资源，所以初期就收到了美国政府的支持。传统的商业医疗保险和患者沟通最多的售后是在理赔环节，不会用数据来改善患者的身体状况，健康管理服务也是近几年健康险公司才有的增值服务，clover公司由传统的疾病治疗模式转变为疾病预防模式，专门建立实验室进行患者健康数据研究，建立医疗资料库，搜集患者的检查病历和保险公司的索赔结果，运用软件模型进行信息整合，找出患者的问题所在，从而有针对性的对客户预防保健，比如电话督促患者每日用药、登门拜访、术后问访,clover公司通过大数据分析技术对特殊带病群体客户进行慢性病管理，通过一段时间的增值服务应用，使原本不可保的群体变得可保一定程度上扩大了投保群体范围；除此之外，clover公司提供了更多的优惠服务，比如线下免费咨询服务，定期梳理用户数据，对其进行预防护理服务、免费上门检查服务等。

国内案例：平安健康大数据。

平安健康大数据平台运用AI及大数据技术，对数据进行清洗和整理，将有用的信息提取出来，以标准化的形式呈现，并且以技术反哺，使得数据的输入端也更加标准化，形成一个良性循环。平安健康大数据平台结构上可以分为五个部分：数据清洗（DataClean）、充实（Enrich）、产品构建（ProductBuilder）、高级建模（AdvancedModeling）和洞察（Insight）。第一部分，DataClean包括临床自然语言处理、SCLP自动ICD填充工具以及基于中文的诊断、药品和程序的编码库等工具，它是信息的分类整合。第二部分，Enrich是指运用DEG、ACG、DRG、ClinicalInsight等分组工具和临床分析方法对信息进行再加工。第三部分，ProductBuilder是指产品创意的实时测试。第四部分，AdvancedModeling包括预测模型和定价模型两部分，前者利用机器学习模型（GBM）可以预测理赔，后者将GBM模型转化为主要定价因子。第五部分，Insi