利用大数据提升自动核保效率教育课件.ppt

利用大数利用大数据提升自据提升自动动核保效率核保效率PPT讲讲座座大数据大数据应用提升用提升风险识别能力能力在当前的低利率在当前的低利率环境下，人身境下，人身险公司公司销售售长期期储蓄型蓄型产品会承担品会承担较大的利率大的利率风险。为了追求了追求稳定的利定的利润，越来越多的公司，越来越多的公司转而而销售更多的保障型售更多的保障型产品。然而品。然而此此类产品利品利润较为微薄，保微薄，保险公司在降低公司在降低产品价格争品价格争夺市市场的同的同时需守住死差需守住死差益底益底线以保以保证预期利期利润。因此提升。因此提升风险识别能力将成能力将成为保保险公司公司竞争的重要手争的重要手段，而在此段，而在此过程中，大数据程中，大数据应用或将成用或将成为突突围关关键。保保险险公司大数据公司大数据应应用有先天用有先天优势优势过去，保去，保险公司公司虽然然拥有一定体量的内部数据，但数据有一定体量的内部数据，但数据质量往往参差不量往往参差不齐，并且大部分数据并未被分析使用，大数，并且大部分数据并未被分析使用，大数据分析的价据分析的价值尚未被挖掘。尚未被挖掘。随着大数据随着大数据时代的到来，保代的到来，保险公司不公司不仅可以收集可以收集储存更多存更多的内部数据，信息的透明化使得保的内部数据，信息的透明化使得保险公司可接触到更公司可接触到更为庞大的外部数据。大的外部数据。在数据体量大幅增在数据体量大幅增长的同的同时，数据，数据质量也将有量也将有显著的提升，著的提升，越来越多越来越多结构化的内部与外部数据将构化的内部与外部数据将为大数据分析搭建广大数据分析搭建广阔的舞台。的舞台。保保险公司未来决策将基于更多的数据分析公司未来决策将基于更多的数据分析人身人身险公司公司对于大数据的于大数据的应用有巨大用有巨大发展潜力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。保保险险公司公司各个各个经营经营环节均可均可运用大数据分析技运用大数据分析技术术运用大数据提升核保效率的案例分析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。大数据大数据分析技分析技术应用于寿用于寿险/健康健康险核保中的核保中的场景景大数据大数据分析技分析技术在寿在寿险/健康健康险核保中的核保中的应用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。大数据分析大数据分析应应用于寿用于寿险险/健康健康险险自自动动核保的模型算法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。大数据分析大数据分析应应用于寿用于寿险险/健康健康险险自自动动核保的模型算法核保的模型算法大数据分析大数据分析应应用于寿用于寿险险/健康健康险险自自动动核保的模型算法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。大数据分析大数据分析应应用于寿用于寿险险/健康健康险险自自动动核保的模型算法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、纯风险保费预测模型，都是广义线性模型的一种具体实现。除了广义线性模型以外，还有一种适合于寿险/健康险自动核保模型的回归模型是广义相加模型（Generalized Additive Model,GAM）。广义相加模型是在广义线性模型基础上的更进一步拓展，其因变量和广义线性模型一样可为指数分布族的任何分布。广义相加模型不同于广义线性模型之处在于其自变量与因变量的关系。广义线性模型要求自变量与因变量的期望值之间的关系是线性的，而广义相加模型自变量与因变量之间的关系可以是任意光滑的曲线或曲面（一般要求二阶可导），并通过惩罚系数控制曲线或曲面的平滑度。大数据分析大数据分析应应用于寿用于寿险险/健康健康险险自自动动核保的模型算法核保的模型算法广义线性模型更多的适用于自变量为离散变量的情况。当自变量是连续变量并且与因变量之间存在非线性相关关系，或者多个自变量之间存在复杂的自相关与交互作用时，广义线性模型的拟合效果并不好，往往只能通过对连续变量分段，将其转化为离散变量处理，模型拟合结果较为粗糙。在这些情况下，广义相加模型更能发挥其优势。SAS、R等统计软件均可支持广义线性模型和广义相加模型的拟合。寿寿险险/健康健康险险自自动动核保核保预测预测模型如何建模模型如何建模在寿险/健康险自动核保预测模型建模的过程中，首先需要明确因变量，如模型拟对早期出险进行预测，则需在训练数据集中挑选出早期出险的记录做出标记。然后根据核保经验，结合现有数据，选取备选自变量及可能存在的交互作用。在这一过程中，核保人的核保经验尤为重要，将大大提高模型拟合的效率及结果的合理性和可解释性。在数据允许的情况下，也不妨尝试一些传统核保中未曾考虑的因素，例如在交叉销售时，可将其他险种的一些核保/定价因素作为寿险/健康险核保的备选自变量进行考虑。寿寿险险/健康健康险险自自动动核保核保预测预测模型如何建模模型如何建模随后，通过对训练数据集的一维分析并将数据以可视化方式呈现，初步分析备选自变量与因变量的关系，纳入预测模型中进行拟合。在模型算法上，使用逻辑回归模型，对风险发生的概率（因变量=1）进行评估，并通过自变量筛选和模型比较以确定最优的自动核保预测模型。最后模型检验有助于了解预测模型的准确性。从数据分析的经验来看，保单相关信息（保额、保障范围等）、投保人相关信息（是否新客户）、被保险人相关信息（收入水平、婚姻状况等）、代理人相关信息（机构等级、职级等）均在寿险/健康险自动核保预测模型中呈现出一定的显著性。寿寿险险/健康健康险险自自动动核保核保预测预测模型模型中的中的建模建模因子因子将自将自动动核保核保预测预测模型植入到原自模型植入到原自动动核保系核保系统统，系，系统优统优化后化后可达到如下效果可达到如下效果：免体检保额普遍提高；整体体检率有所下降；在保持人工核保比例基本不变的前提下，体检效率提高至少5倍以上。由上可见，大数据分析可运用于人身险公司经营管理中的各个环节。在大数据的时代，要想利用大数据为公司保驾护航并且创造价值，首先需要从构建一体化的信息系统技术平台做起。在此基础上，对数据进行的采集、累积和整合，将成为公司重要的核心技术资产。最后，日益更新迭代的数据分析模型和可视化技术使得大数据分析触手可及。