《保險科技》課件-第二章 大數(shù)據(jù)及其在保險領(lǐng)域中的應(yīng)用

第二章大數(shù)據(jù)及其在保險領(lǐng)域中的應(yīng)用提綱大數(shù)據(jù)的基本概念大數(shù)據(jù)在保險中的具體應(yīng)用一二三大數(shù)據(jù)給保險行業(yè)帶來的機遇和挑戰(zhàn)2.1大數(shù)據(jù)的基本概念目錄一大數(shù)據(jù)的定義二大數(shù)據(jù)的特征三大數(shù)據(jù)的應(yīng)用大數(shù)據(jù)，或稱巨量數(shù)據(jù)，研究機構(gòu)Gartner對其的定義是：“大數(shù)據(jù)”是需要新處理模式才能具有更強的決策力、洞察發(fā)現(xiàn)力和流程優(yōu)化能力的海量、高增長率和多樣化的信息資產(chǎn)”。大數(shù)據(jù)技術(shù)就是從各種類型的數(shù)據(jù)中，快速獲得有價值信息的能力。一、大數(shù)據(jù)的定義生活中的大數(shù)據(jù)4V特征1234VolumeVarietyVelocityValue價值密度低二、大數(shù)據(jù)特征1.數(shù)據(jù)量大根據(jù)IDC作出的估測，數(shù)據(jù)一直都在以每年50%的速度增長，也就是說每兩年就增長一倍（大數(shù)據(jù)摩爾定律）人類在最近兩年產(chǎn)生的數(shù)據(jù)量相當(dāng)于之前產(chǎn)生的全部數(shù)據(jù)量2.數(shù)據(jù)類型繁多大數(shù)據(jù)是由結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)組成的10%的結(jié)構(gòu)化數(shù)據(jù)，存儲在數(shù)據(jù)庫中90%的非結(jié)構(gòu)化數(shù)據(jù)，它們與人類信息密切相關(guān)科學(xué)研究–基因組–LHC

加速器–地球與空間探測企業(yè)應(yīng)用–Email、文檔、文件–應(yīng)用日志–交易記錄Web

1.0數(shù)據(jù)–文本–圖像–視頻Web

2.0數(shù)據(jù)–查詢?nèi)罩?點擊流–Twitter/

Blog

/

SNS–Wiki3.處理速度快從數(shù)據(jù)的生成到消耗，時間窗口非常小，可用于生成決策的時間非常少1秒定律：這一點也是和傳統(tǒng)的數(shù)據(jù)挖掘技術(shù)有著本質(zhì)的不同4.價值密度低價值密度低，商業(yè)價值高以視頻為例，連續(xù)不間斷監(jiān)控過程中，可能有用的數(shù)據(jù)僅僅有一兩秒，但是具有很高的商業(yè)價值繼續(xù)裝ing三、大數(shù)據(jù)的應(yīng)用大數(shù)據(jù)無處不在，包括金融、汽車、零售、餐飲、電信、能源、政務(wù)、醫(yī)療、體育、娛樂等在內(nèi)的社會各行各業(yè)都已經(jīng)融入了大數(shù)據(jù)的印跡大數(shù)據(jù)客戶畫像保險領(lǐng)域應(yīng)該如何利用大數(shù)據(jù)？思考：2.2.1大數(shù)據(jù)在保險中的具體應(yīng)用目錄一大數(shù)據(jù)技術(shù)原理二大數(shù)據(jù)在健康險中的應(yīng)用三大數(shù)據(jù)在財產(chǎn)保險中的應(yīng)用一、大數(shù)據(jù)技術(shù)原理大數(shù)據(jù)技術(shù)的不同層面及其功能技術(shù)層面功能數(shù)據(jù)采集利用ETL工具將分布的、異構(gòu)數(shù)據(jù)源中的數(shù)據(jù)如關(guān)系數(shù)據(jù)、平面數(shù)據(jù)文件等，抽取到臨時中間層后進行清洗、轉(zhuǎn)換、集成，最后加載到數(shù)據(jù)倉庫或數(shù)據(jù)集市中，成為聯(lián)機分析處理、數(shù)據(jù)挖掘的基礎(chǔ)；或者也可以把實時采集的數(shù)據(jù)作為流計算系統(tǒng)的輸入，進行實時處理分析數(shù)據(jù)存儲和管理利用分布式文件系統(tǒng)、數(shù)據(jù)倉庫、關(guān)系數(shù)據(jù)庫、NoSQL數(shù)據(jù)庫、云數(shù)據(jù)庫等，實現(xiàn)對結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化海量數(shù)據(jù)的存儲和管理數(shù)據(jù)處理與分析利用分布式并行編程模型和計算框架，結(jié)合機器學(xué)習(xí)和數(shù)據(jù)挖掘算法，實現(xiàn)對海量數(shù)據(jù)的處理和分析；對分析結(jié)果進行可視化呈現(xiàn)，幫助人們更好地理解數(shù)據(jù)、分析數(shù)據(jù)數(shù)據(jù)隱私和安全在從大數(shù)據(jù)中挖掘潛在的巨大商業(yè)價值和學(xué)術(shù)價值的同時，構(gòu)建隱私數(shù)據(jù)保護體系和數(shù)據(jù)安全體系，有效保護個人隱私和數(shù)據(jù)安全分布式存儲分布式處理GFS\HDFSBigTable\HBaseNoSQL（鍵值、列族、圖形、文檔數(shù)據(jù)庫）NewSQL（如：SQL

Azure）MapReduce大數(shù)據(jù)兩大核心技術(shù)第一步數(shù)據(jù)清洗01第二步數(shù)據(jù)管理02第三步數(shù)據(jù)分析03大數(shù)據(jù)的使用大數(shù)據(jù)使用實例：數(shù)據(jù)倉庫2.2.2大數(shù)據(jù)在保險中的具體應(yīng)用目錄一大數(shù)據(jù)技術(shù)原理二大數(shù)據(jù)在健康險中的應(yīng)用三大數(shù)據(jù)在財產(chǎn)保險中的應(yīng)用三、大數(shù)據(jù)在財產(chǎn)保險中的應(yīng)用

根據(jù)BCG的研究大數(shù)據(jù)對財產(chǎn)保險價值鏈有一定的“改良效應(yīng)”，最重要的發(fā)生在五個環(huán)節(jié)，即：風(fēng)險評估與定價、交叉銷售、客戶流失管理、理賠欺詐檢測、理賠預(yù)防與緩解。三、大數(shù)據(jù)在財產(chǎn)保險中的應(yīng)用（一）風(fēng)險評估與定價。

保險是經(jīng)營風(fēng)險的學(xué)科，其關(guān)鍵要素在于精算，基于統(tǒng)計學(xué)的大數(shù)法則是精算理論的核心。傳統(tǒng)精算理論中，精算師通過掌握與某項風(fēng)險相關(guān)的暴露數(shù)據(jù)，運用大數(shù)法則對數(shù)據(jù)進行建模與分析，尋找其中的規(guī)律，輔以假設(shè)，對未來的風(fēng)險進行判斷，進而設(shè)計相應(yīng)的保險產(chǎn)品?，F(xiàn)如今，精算師可以運用大數(shù)據(jù)分析軟件，對海量數(shù)據(jù)進行回歸分析，精確的識別和確認(rèn)個體對象的潛在風(fēng)險，這種思維與傳統(tǒng)精算思維存在著很大的不同。尤其是承保保額較大的財產(chǎn)險品種，大數(shù)據(jù)的確可以幫助改造傳統(tǒng)精算方法，產(chǎn)生一種將大數(shù)據(jù)方法融合在精算理論之中的、演進的保險精算方法。三、大數(shù)據(jù)在財產(chǎn)保險中的應(yīng)用車險案例

一家澳大利亞保險公司通過分析客戶的購物筐數(shù)據(jù)來預(yù)測駕駛風(fēng)險。分析顯示，飲用大量牛奶并食用大量紅肉的客戶存在較低的駕駛風(fēng)險，而食用大量意大利面和米飯并在夜間開車和飲酒的客戶則是高風(fēng)險客戶。

美國前進保險公司（Progressive）利用車聯(lián)網(wǎng)設(shè)備，收集駕駛時間、地點、速度、急剎車等駕駛數(shù)據(jù)，來判斷駕駛行為中存在的風(fēng)險，設(shè)計“從用”的個性化UBI車險產(chǎn)品。三、大數(shù)據(jù)在財產(chǎn)保險中的應(yīng)用（二）交叉營銷。

保險集團通常鼓勵交叉銷售，例如：允許壽險代理人銷售財產(chǎn)險或理財產(chǎn)品，由各個渠道深度挖掘自有的客戶資源，實現(xiàn)價值最大化。在這種情況下，首先要了解客戶，一系列問題由此產(chǎn)生：最具潛力的客戶是誰？潛在需求是什么？偏好怎樣的交互方式？數(shù)據(jù)部門可利用大數(shù)據(jù)分析工具，回答上述問題，為開展交叉銷售提供必要的技術(shù)支持。具體而言，險企需要建設(shè)分析型客戶關(guān)系管理平臺（ACRM），以對客戶數(shù)據(jù)進行統(tǒng)一管理并建立客戶分析模型。這有助于發(fā)揮共享與集約優(yōu)勢，避免專業(yè)公司各自為戰(zhàn)。在此情況下，保護客戶數(shù)據(jù)的隱私性是一個不可回避的問題，通常的解決方案是建立嚴(yán)格的數(shù)據(jù)保護制度。

過去幾年間，以中國人民財產(chǎn)保險、中國人壽、中國平安、太平洋保險、中國太平為代表的綜合型保險集團，紛紛完成了統(tǒng)一客戶信息系統(tǒng)（CIF）的建設(shè)，實現(xiàn)了客戶數(shù)據(jù)在技術(shù)層面的集中與共享。為下一步分析型客戶關(guān)系管理系統(tǒng)建設(shè)奠定了基礎(chǔ)，為開展客戶遷移和交叉銷售創(chuàng)造了條件。三、大數(shù)據(jù)在財產(chǎn)保險中的應(yīng)用（三）客戶流失管理。

財產(chǎn)保險公司可以根據(jù)自身業(yè)務(wù)骨干的流動、競爭對手策略、市場波動、客戶滿意度等四個指標(biāo)數(shù)據(jù)進行動態(tài)管理，密切跟蹤公司自身、客戶和外部市場的變化情況，積極培育和挖掘客戶需求，不斷創(chuàng)新增值服務(wù)手段，防止不利情況的持續(xù)惡化，把客戶流失風(fēng)險控制在萌芽狀態(tài)。通過大數(shù)據(jù)分析手段綜合考慮客戶信息、險種信息、既往出險情況、銷售人員信息等，對客戶進行細化分類，分析客戶價值與期望，得出高質(zhì)量用戶群，做好重點的客戶關(guān)系維護，減少流失可能。案例：

美國前進保險公司（ProgressiveInsurance）在進行數(shù)據(jù)研究分析時發(fā)現(xiàn)，理賠周期越短，理賠費用也隨之減少。因此，公司投資三千多萬美元建設(shè)“自動理賠管理系統(tǒng)”，以加速解決客戶理賠問題。使用新系統(tǒng)后，不但大大縮短了前進保險公司的理賠周期，使其從保險業(yè)平均理賠周期的42天縮短為只需6天，而且顯著提高了客戶的滿意度，客戶流失率下降三分之二，續(xù)保率達到了90%以上。太平洋保險的網(wǎng)銷渠道利用專業(yè)數(shù)據(jù)分析工具ominiture，在商業(yè)險報價、交強險報價、提交核保、核保通過、在線支付等關(guān)鍵環(huán)節(jié)，于后臺植入監(jiān)控工具，對輸入框和按鈕進行控件級的行為監(jiān)控，記錄各個頁面的客戶訪問情況；并通過客戶調(diào)研、坐席回訪等方式收集大量真實的客戶聲音；建立客戶全視圖數(shù)據(jù)庫，通過大數(shù)據(jù)技術(shù)對客戶流失原因進行分析，并對解決方案的實際效果進行跟蹤評估，以高效挽留客戶。三、大數(shù)據(jù)在財產(chǎn)險中的應(yīng)用（四）欺詐檢測。

大數(shù)據(jù)模型可以自動識別出理賠中可能的欺詐模式、理賠人潛在的欺詐行為以及可能存在的欺詐網(wǎng)絡(luò)。險企可以通過設(shè)定關(guān)鍵問題，利用海量數(shù)據(jù)進行驗證，找出可能的答案。以理賠分析為例，常見的關(guān)鍵問題包括：事故造成的實際損害有多大？事故發(fā)生的時間和地點？事故人員的醫(yī)療診斷情況？車輛型號、車價、年齡、事故中的人數(shù)等？同時，要確保數(shù)據(jù)資源，數(shù)據(jù)越完整、越多樣，則越有可能通過復(fù)雜的算法與分析識別可能的欺詐行為。必要的數(shù)據(jù)包括：理賠歷史記錄、保單信息、其他保險公司數(shù)據(jù)、醫(yī)療保險數(shù)據(jù)、事故統(tǒng)計數(shù)據(jù)、征信記錄、犯罪記錄、社交網(wǎng)絡(luò)數(shù)據(jù)等。案例：

美國一家汽車保險公司AllstateCorporation通過大數(shù)據(jù)分析識別出欺詐規(guī)律，從而大幅減少欺詐理賠支出。該公司通過大數(shù)據(jù)整合理賠數(shù)據(jù)、理賠人數(shù)據(jù)、網(wǎng)絡(luò)數(shù)據(jù)和揭發(fā)者數(shù)據(jù)，將所有理賠請求首先按照已有的欺詐模式自動處理，接下來可疑的理賠請求將被特別調(diào)查部門（SpecialInvestigationUnit）人工審閱，經(jīng)過自動化和人工兩個監(jiān)測過程檢測出更多欺詐行為，同時減少了人工工作。大數(shù)據(jù)成功幫助Allstate將車險詐騙案減少了30%，誤報率減少了50%，整個索賠成本降低了2-3%。

世界著名的數(shù)據(jù)庫LexisNexis則利用理賠、政府?dāng)?shù)據(jù)和犯罪記錄監(jiān)測出大量欺詐行為。該數(shù)據(jù)庫通過關(guān)聯(lián)大量美國保險公司理賠數(shù)據(jù)、第三方保險公司的歷史理賠數(shù)據(jù)，按照關(guān)系匹配官方數(shù)據(jù)（如婚姻記錄）和犯罪記錄，自動整合理賠人的犯罪記錄及相關(guān)人記錄，通過算法監(jiān)測欺詐行為及欺詐網(wǎng)絡(luò)。通過大數(shù)據(jù)檢測發(fā)現(xiàn)，超過20%的理賠請求屬于欺詐、重疊或不當(dāng)，而且存在醫(yī)療機構(gòu)介入汽車保險欺詐網(wǎng)絡(luò)的情況。三、大數(shù)據(jù)在財產(chǎn)險中的應(yīng)用（五）索賠預(yù)防和緩解。

賠付會直接影響財產(chǎn)險企業(yè)的利潤，對于賠付的管理也一直是財產(chǎn)險企業(yè)的關(guān)注點。而賠付中的“異常值”（即超大額賠付）是賠付率升高的主要驅(qū)動因素之一。大數(shù)據(jù)能夠為險企及時、高效地采取干預(yù)措施提供良好的支持。

美國利寶互助（Liberty

Mutual）保險集團通過結(jié)合內(nèi)部、第三方和社交媒體數(shù)據(jù)進行早期異常值檢查，及時采取干預(yù)措施，從而使平均索賠費用下降了20%。該集團的預(yù)測模型使用了約1.4億個數(shù)據(jù)點，其中既包括了客戶的個人數(shù)據(jù)（基本信息、人口特征、雇主信息等），也包括了集團的內(nèi)部數(shù)據(jù)（過往的理賠信息和已經(jīng)采取的醫(yī)療干預(yù)信息等）。此外，這個模型可以隨著新數(shù)據(jù)的加入而不斷進行調(diào)整，以提升其準(zhǔn)確性。

2.3大數(shù)據(jù)在健康險中的應(yīng)用案例美國案例：

科技的跨界發(fā)展使美國的健康險行業(yè)重新進行資源整合，逐漸衍生出專業(yè)的健康險公司，在2015年成立的CloverHealth（以下簡稱Clover）將大數(shù)據(jù)技術(shù)與健康護理相結(jié)合，并在近兩年獲得了行業(yè)內(nèi)投資機構(gòu)的大額融資。Clover公司的目標(biāo)客戶為中老年人和殘障人員，這部分群體也在美國聯(lián)邦政府的醫(yī)療照顧保險覆蓋范圍內(nèi)，而且經(jīng)常進出醫(yī)院的問診數(shù)據(jù)比較集中，該公司能夠從大數(shù)據(jù)分析和模型算法入手，盡可能的讓用戶在住院治療之前享受他們的健康護理，從而減少他們的醫(yī)療費用和理賠費用，同時大數(shù)據(jù)技術(shù)輔助降低量化風(fēng)險。據(jù)該公司數(shù)據(jù)統(tǒng)計，該公司業(yè)務(wù)覆蓋地區(qū)的用戶住院率和再次住院率明顯降低，該保險公司在實現(xiàn)自身盈利的同時，也幫助節(jié)約了公共醫(yī)療資源，所以初期就收到了美國政府的支持。傳統(tǒng)的商業(yè)醫(yī)療保險和患者溝通最多的售后是在理賠環(huán)節(jié)，不會用數(shù)據(jù)來改善患者的身體狀況，健康管理服務(wù)也是近幾年健康險公司才有的增值服務(wù)，clover公司由傳統(tǒng)的疾病治療模式轉(zhuǎn)變?yōu)榧膊☆A(yù)防模式，專門建立實驗室進行患者健康數(shù)據(jù)研究，建立醫(yī)療資料庫，搜集患者的檢查病歷和保險公司的索賠結(jié)果，運用軟件模型進行信息整合，找出患者的問題所在，從而有針對性的對客戶預(yù)防保健，比如電話督促患者每日用藥、登門拜訪、術(shù)后問訪,clover公司通過大數(shù)據(jù)分析技術(shù)對特殊帶病群體客戶進行慢性病管理，通過一段時間的增值服務(wù)應(yīng)用，使原本不可保的群體變得可保一定程度上擴大了投保群體范圍；除此之外，clover公司提供了更多的優(yōu)惠服務(wù)，比如線下免費咨詢服務(wù)，定期梳理用戶數(shù)據(jù)，對其進行預(yù)防護理服務(wù)、免費上門檢查服務(wù)等。

國內(nèi)案例：平安健康大數(shù)據(jù)。

平安健康大數(shù)據(jù)平臺運用AI及大數(shù)據(jù)技術(shù)，對數(shù)據(jù)進行清洗和整理，將有用的信息提取出來，以標(biāo)準(zhǔn)化的形式呈現(xiàn)，并且以技術(shù)反哺，使得數(shù)據(jù)的輸入端也更加標(biāo)準(zhǔn)化，形成一個良性循環(huán)。平安健康大數(shù)據(jù)平臺結(jié)構(gòu)上可以分為五個部分：數(shù)據(jù)清洗（DataClean）、充實（Enrich）、產(chǎn)品構(gòu)建（ProductBuilder）、高級建模（AdvancedModeling）和洞察（Insight）。第一部分，DataClean包括臨床自然語言處理、SCLP自動ICD填充工具以及基于中文的診斷、藥品和程序的編碼庫等工具，它是信息的分類整合。第二部分，Enrich是指運用DEG、ACG、DRG、ClinicalInsight等分組工具和臨床分析方法對信息進行再加工。第三部分，ProductBuilder是指產(chǎn)品創(chuàng)意的實時測試。第四部分，AdvancedModeling包括預(yù)測模型和定價模型兩部分，前者利用機器學(xué)習(xí)模型（GBM）可以預(yù)測理賠，后者將GBM模型轉(zhuǎn)化為主要定價因子。第五部分，Insi