利用大数据提升自动核保效率解读.pptx

利用大数据提升 自动核保效率 2016年12月 大数据应用提升风险识别能力 在当前的低利率环境下，人身险公司销售长期储蓄型产品会承担较大的利率风险。为了追求稳定的利润，越来越多的公司转而销售更多的保障型产品。然而此类产品利润较为微薄，保险公司在降低产品价格争夺市场的同时需守住死差益底线以保证预期利润。因此提升风险识别能力将成为保险公司竞争的重要手段，而在此过程中，大数据应用或将成为突围关键。 保险公司大数据应用有先天优势 过去，保险公司虽然拥有一定体量的内部数据，但数据质量往往参差不齐，并且大部分数据并未被分析使用，大数据分析的价值尚未被挖掘。 随着大数据时代的到来，保险公司不仅可以收集储存更多的内部数据，信息的透明化使得保险公司可接触到更为庞大的外部数据。 在数据体量大幅增长的同时，数据质量也将有显著的提升，越来越多结构化的内部与外部数据将为大数据分析搭建广阔的舞台。 保险公司未来决策将基于更多的数据分析 人身险公司对于大数据的应用有巨大发展潜力 从保险行业来看，财产险公司在大数据应用方面走在较为前端，最广为人知的应用即为商业车险定价及核保。 反观人身险公司对于大数据的应用，目前尚停留在较为初级的阶段，尤其是对于保单层面的各类大数据分析，有巨大发展潜力。 人身险公司通过深挖内部与外部数据，在销售、承保、定价、理赔等各个环节应用大数据技术建立精准的商业预测模型，可提升人身险公司商业决策的科学性，使公司在未来市场变革中保持核心竞争力。 保险公司各个经营环节均可运用大数据分析技术 运用大数据提升核保效率的案例分析 以常见的寿险/健康险核保为例，为防范逆选择风险，传统核保手段包括体检以及人工核保。由于人工成本较高，人身险公司运用自动核保结合“免体检额+抽检”的核保方式较为常见。但是，目前业界使用的自动核保规则往往只使用保额、被保险人年龄、机构等级、健康告知等少量因素判断客户是否需要体检，且判别标准较为主观，没有对风险进行更精确的多维度量化分析。从历史经验来看，整体体检结果阳性比例偏低，体检效率较差。且随着社会经济的发展，免体检保额逐渐不适应民众整体收入水平的提高，客户投保体验效果有待改善。 因此，利用大数据分析技术，建立寿险/健康险自动核保预测模型，精确防范逆选择风险，提高免体检保额，增强客户体验是人身险公司未来实现差异化经营的一个行之有效的手段。 大数据分析技术应用于寿险/健康险核保中的场景 大数据分析技术在寿险/健康险核保中的应用 对于数据累积较为丰富的寿险公司而言，通过对历史数据的分析，可以建立不同类型的高风险预测模型，例如早期出险模型，拒保预测模型以及非标体预测模型。 通过充分挖掘投保人、被保险人、代理人、机构的各类信息，高风险人群的特征得以刻画。将这些预测模型的预测结果转换成风险评分纳入现有自动核保规则，将有效提高保险公司的风险识别能力。 当然，要实现这一目标，离不开大量历史数据的累积、先进预测模型的开发，以及数字及一体化核保理赔系统的建设。 大数据分析应用于寿险/健康险自动核保的模型算法 就模型算法而言，预测模型主要由回归预测模型以及机器学习预测模型组成。 前者较后者的优势在于可解释性强，易于业务人员理解。 但是在高质量的大数据环境下，后者的预测效果通常较好。 对于中国保险行业目前的发展现状来讲，尤其是在寿险/健康险领域，核保、理赔以及定价的数据累积量尚未达到高质量的大数据级别，与互联网行业的大数据不可同日而语。使用回归模型是寿险/健康险自动核保较为合适的起点。 大数据分析应用于寿险/健康险自动核保的模型算法 大数据分析应用于寿险/健康险自动核保的模型算法 在回归模型中，广义线性模型（Generalized Linear Model, GLM）是财产险公司目前在车险定价等量化分析工作中的主要方法。由于广义线性模型在保险业的使用历史较长，接受程度较高，并且了解相关模型技术的从业人员较为广泛，使其成为寿险/健康险的核保建模的首选算法。 广义线性模型是一种灵活性很高的模型，是线性回归模型的延伸。不同于在线性回归模型中因变量需服从正态分布，广义线性模型的因变量可服从指数分布族的任何分布（包括normal, binomial, Poisson, gamma, negative binomial, Tweedie等）。且因变量的期望值并不局限于自变量的线性预测值，而是通过联接函数使自变量的线性预测值对因变量的期望值产生影响。该联接函数的结构也非常多元化，如恒等、对数、Logit等都可以作为联接函数。 大数据分析应用于寿险/健康险自动核保的模型算法 由于广义线性模型结构的灵活性，因此在精算以及量化分析领域具有很高的适用性。无论是预测欺诈事件的逻辑回归模型，还是车险定价中的频率预测模型、案均预测模型