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

第二章大數(shù)據(jù)及其在保險(xiǎn)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(xiǎn)中的具體應(yīng)用一二三大數(shù)據(jù)給保險(xiǎn)行業(yè)帶來(lái)的機(jī)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(jī)構(gòu)Gartner對(duì)其的定義是：“大數(shù)據(jù)”是需要新處理模式才能具有更強(qiáng)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(zhǎng)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(jià)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(jià)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(cè)，數(shù)據(jù)一直都在以每年50%的速度增長(zhǎng)，也就是說(shuō)每?jī)赡昃驮鲩L(zhǎng)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(chǔ)在數(shù)據(jù)庫(kù)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(cè)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(diǎn)擊流–Twitter/

Blog

/

SNS–Wiki3.處理速度快從數(shù)據(jù)的生成到消耗，時(shí)間窗口非常小，可用于生成決策的時(shí)間非常少1秒定律：這一點(diǎn)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(jià)值密度低價(jià)值密度低，商業(yè)價(jià)值高以視頻為例，連續(xù)不間斷監(jiān)控過(guò)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(jià)值繼續(xù)裝ing三、大數(shù)據(jù)的應(yīng)用大數(shù)據(jù)無(wú)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(huì)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(xiǎn)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(xiǎn)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(xiǎn)中的應(yīng)用三大數(shù)據(jù)在財(cái)產(chǎn)保險(xiǎn)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(shí)中間層后進(jìn)行清洗、轉(zhuǎn)換、集成，最后加載到數(shù)據(jù)倉(cāng)庫(kù)或數(shù)據(jù)集市中，成為聯(lián)機(jī)分析處理、數(shù)據(jù)挖掘的基礎(chǔ)；或者也可以把實(shí)時(shí)采集的數(shù)據(jù)作為流計(jì)算系統(tǒng)的輸入，進(jìn)行實(shí)時(shí)處理分析數(shù)據(jù)存儲(chǔ)和管理利用分布式文件系統(tǒng)、數(shù)據(jù)倉(cāng)庫(kù)、關(guān)系數(shù)據(jù)庫(kù)、NoSQL數(shù)據(jù)庫(kù)、云數(shù)據(jù)庫(kù)等，實(shí)現(xiàn)對(duì)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(chǔ)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(jì)算框架，結(jié)合機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘算法，實(shí)現(xiàn)對(duì)海量數(shù)據(jù)的處理和分析；對(duì)分析結(jié)果進(jìn)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(jià)值和學(xué)術(shù)價(jià)值的同時(shí)，構(gòu)建隱私數(shù)據(jù)保護(hù)體系和數(shù)據(jù)安全體系，有效保護(hù)個(gè)人隱私和數(shù)據(jù)安全分布式存儲(chǔ)分布式處理GFS\HDFSBigTable\HBaseNoSQL（鍵值、列族、圖形、文檔數(shù)據(jù)庫(kù)）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(shí)例：數(shù)據(jù)倉(cāng)庫(kù)2.2.2大數(shù)據(jù)在保險(xiǎn)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(xiǎn)中的應(yīng)用三大數(shù)據(jù)在財(cái)產(chǎn)保險(xiǎn)中的應(yīng)用三、大數(shù)據(jù)在財(cái)產(chǎn)保險(xiǎn)中的應(yīng)用

根據(jù)BCG的研究大數(shù)據(jù)對(duì)財(cái)產(chǎn)保險(xiǎn)價(jià)值鏈有一定的“改良效應(yīng)”，最重要的發(fā)生在五個(gè)環(huán)節(jié)，即：風(fēng)險(xiǎn)評(píng)估與定價(jià)、交叉銷售、客戶流失管理、理賠欺詐檢測(cè)、理賠預(yù)防與緩解。三、大數(shù)據(jù)在財(cái)產(chǎn)保險(xiǎn)中的應(yīng)用（一）風(fēng)險(xiǎn)評(píng)估與定價(jià)。

保險(xiǎn)是經(jīng)營(yíng)風(fēng)險(xiǎn)的學(xué)科，其關(guān)鍵要素在于精算，基于統(tǒng)計(jì)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(guò)掌握與某項(xiàng)風(fēng)險(xiǎn)相關(guān)的暴露數(shù)據(jù)，運(yùn)用大數(shù)法則對(duì)數(shù)據(jù)進(jìn)行建模與分析，尋找其中的規(guī)律，輔以假設(shè)，對(duì)未來(lái)的風(fēng)險(xiǎn)進(jìn)行判斷，進(jìn)而設(shè)計(jì)相應(yīng)的保險(xiǎn)產(chǎn)品?，F(xiàn)如今，精算師可以運(yùn)用大數(shù)據(jù)分析軟件，對(duì)海量數(shù)據(jù)進(jìn)行回歸分析，精確的識(shí)別和確認(rèn)個(gè)體對(duì)象的潛在風(fēng)險(xiǎn)，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(cái)產(chǎn)險(xiǎn)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(jìn)的保險(xiǎn)精算方法。三、大數(shù)據(jù)在財(cái)產(chǎn)保險(xiǎn)中的應(yīng)用車險(xiǎn)案例

一家澳大利亞保險(xiǎn)公司通過(guò)分析客戶的購(gòu)物筐數(shù)據(jù)來(lái)預(yù)測(cè)駕駛風(fēng)險(xiǎn)。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(xiǎn)，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(xiǎn)客戶。

美國(guó)前進(jìn)保險(xiǎn)公司（Progressive）利用車聯(lián)網(wǎng)設(shè)備，收集駕駛時(shí)間、地點(diǎn)、速度、急剎車等駕駛數(shù)據(jù)，來(lái)判斷駕駛行為中存在的風(fēng)險(xiǎn)，設(shè)計(jì)“從用”的個(gè)性化UBI車險(xiǎn)產(chǎn)品。三、大數(shù)據(jù)在財(cái)產(chǎn)保險(xiǎn)中的應(yīng)用（二）交叉營(yíng)銷。

保險(xiǎn)集團(tuán)通常鼓勵(lì)交叉銷售，例如：允許壽險(xiǎn)代理人銷售財(cái)產(chǎn)險(xiǎn)或理財(cái)產(chǎn)品，由各個(gè)渠道深度挖掘自有的客戶資源，實(shí)現(xiàn)價(jià)值最大化。在這種情況下，首先要了解客戶，一系列問(wèn)題由此產(chǎn)生：最具潛力的客戶是誰(shuí)？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(wèn)題，為開展交叉銷售提供必要的技術(shù)支持。具體而言，險(xiǎn)企需要建設(shè)分析型客戶關(guān)系管理平臺(tái)（ACRM），以對(duì)客戶數(shù)據(jù)進(jìn)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(shì)，避免專業(yè)公司各自為戰(zhàn)。在此情況下，保護(hù)客戶數(shù)據(jù)的隱私性是一個(gè)不可回避的問(wèn)題，通常的解決方案是建立嚴(yán)格的數(shù)據(jù)保護(hù)制度。

過(guò)去幾年間，以中國(guó)人民財(cái)產(chǎn)保險(xiǎn)、中國(guó)人壽、中國(guó)平安、太平洋保險(xiǎn)、中國(guó)太平為代表的綜合型保險(xiǎn)集團(tuán)，紛紛完成了統(tǒng)一客戶信息系統(tǒng)（CIF）的建設(shè)，實(shí)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(cái)產(chǎn)保險(xiǎn)中的應(yīng)用（三）客戶流失管理。

財(cái)產(chǎn)保險(xiǎn)公司可以根據(jù)自身業(yè)務(wù)骨干的流動(dòng)、競(jìng)爭(zhēng)對(duì)手策略、市場(chǎng)波動(dòng)、客戶滿意度等四個(gè)指標(biāo)數(shù)據(jù)進(jìn)行動(dòng)態(tài)管理，密切跟蹤公司自身、客戶和外部市場(chǎng)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(xiǎn)控制在萌芽狀態(tài)。通過(guò)大數(shù)據(jù)分析手段綜合考慮客戶信息、險(xiǎn)種信息、既往出險(xiǎn)情況、銷售人員信息等，對(duì)客戶進(jìn)行細(xì)化分類，分析客戶價(jià)值與期望，得出高質(zhì)量用戶群，做好重點(diǎn)的客戶關(guān)系維護(hù)，減少流失可能。案例：

美國(guó)前進(jìn)保險(xiǎn)公司（ProgressiveInsurance）在進(jìn)行數(shù)據(jù)研究分析時(shí)發(fā)現(xiàn)，理賠周期越短，理賠費(fèi)用也隨之減少。因此，公司投資三千多萬(wàn)美元建設(shè)“自動(dòng)理賠管理系統(tǒng)”，以加速解決客戶理賠問(wèn)題。使用新系統(tǒng)后，不但大大縮短了前進(jìn)保險(xiǎn)公司的理賠周期，使其從保險(xiǎn)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(dá)到了90%以上。太平洋保險(xiǎn)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(xiǎn)報(bào)價(jià)、交強(qiáng)險(xiǎn)報(bào)價(jià)、提交核保、核保通過(guò)、在線支付等關(guān)鍵環(huán)節(jié)，于后臺(tái)植入監(jiān)控工具，對(duì)輸入框和按鈕進(jìn)行控件級(jí)的行為監(jiān)控，記錄各個(gè)頁(yè)面的客戶訪問(wèn)情況；并通過(guò)客戶調(diào)研、坐席回訪等方式收集大量真實(shí)的客戶聲音；建立客戶全視圖數(shù)據(jù)庫(kù)，通過(guò)大數(shù)據(jù)技術(shù)對(duì)客戶流失原因進(jìn)行分析，并對(duì)解決方案的實(shí)際效果進(jìn)行跟蹤評(píng)估，以高效挽留客戶。三、大數(shù)據(jù)在財(cái)產(chǎn)險(xiǎn)中的應(yīng)用（四）欺詐檢測(cè)。

大數(shù)據(jù)模型可以自動(dòng)識(shí)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(xiǎn)企可以通過(guò)設(shè)定關(guān)鍵問(wèn)題，利用海量數(shù)據(jù)進(jìn)行驗(yàn)證，找出可能的答案。以理賠分析為例，常見的關(guān)鍵問(wèn)題包括：事故造成的實(shí)際損害有多大？事故發(fā)生的時(shí)間和地點(diǎn)？事故人員的醫(yī)療診斷情況？車輛型號(hào)、車價(jià)、年齡、事故中的人數(shù)等？同時(shí)，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(guò)復(fù)雜的算法與分析識(shí)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(xiǎn)公司數(shù)據(jù)、醫(yī)療保險(xiǎn)數(shù)據(jù)、事故統(tǒng)計(jì)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(guó)一家汽車保險(xiǎn)公司AllstateCorporation通過(guò)大數(shù)據(jù)分析識(shí)別出欺詐規(guī)律，從而大幅減少欺詐理賠支出。該公司通過(guò)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(qǐng)求首先按照已有的欺詐模式自動(dòng)處理，接下來(lái)可疑的理賠請(qǐng)求將被特別調(diào)查部門（SpecialInvestigationUnit）人工審閱，經(jīng)過(guò)自動(dòng)化和人工兩個(gè)監(jiān)測(cè)過(guò)程檢測(cè)出更多欺詐行為，同時(shí)減少了人工工作。大數(shù)據(jù)成功幫助Allstate將車險(xiǎn)詐騙案減少了30%，誤報(bào)率減少了50%，整個(gè)索賠成本降低了2-3%。

世界著名的數(shù)據(jù)庫(kù)LexisNexis則利用理賠、政府?dāng)?shù)據(jù)和犯罪記錄監(jiān)測(cè)出大量欺詐行為。該數(shù)據(jù)庫(kù)通過(guò)關(guān)聯(lián)大量美國(guó)保險(xiǎn)公司理賠數(shù)據(jù)、第三方保險(xiǎn)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(dòng)整合理賠人的犯罪記錄及相關(guān)人記錄，通過(guò)算法監(jiān)測(cè)欺詐行為及欺詐網(wǎng)絡(luò)。通過(guò)大數(shù)據(jù)檢測(cè)發(fā)現(xiàn)，超過(guò)20%的理賠請(qǐng)求屬于欺詐、重疊或不當(dāng)，而且存在醫(yī)療機(jī)構(gòu)介入汽車保險(xiǎn)欺詐網(wǎng)絡(luò)的情況。三、大數(shù)據(jù)在財(cái)產(chǎn)險(xiǎn)中的應(yīng)用（五）索賠預(yù)防和緩解。

賠付會(huì)直接影響財(cái)產(chǎn)險(xiǎn)企業(yè)的利潤(rùn)，對(duì)于賠付的管理也一直是財(cái)產(chǎn)險(xiǎn)企業(yè)的關(guān)注點(diǎn)。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(dòng)因素之一。大數(shù)據(jù)能夠?yàn)殡U(xiǎn)企及時(shí)、高效地采取干預(yù)措施提供良好的支持。

美國(guó)利寶互助（Liberty

Mutual）保險(xiǎn)集團(tuán)通過(guò)結(jié)合內(nèi)部、第三方和社交媒體數(shù)據(jù)進(jìn)行早期異常值檢查，及時(shí)采取干預(yù)措施，從而使平均索賠費(fèi)用下降了20%。該集團(tuán)的預(yù)測(cè)模型使用了約1.4億個(gè)數(shù)據(jù)點(diǎn)，其中既包括了客戶的個(gè)人數(shù)據(jù)（基本信息、人口特征、雇主信息等），也包括了集團(tuán)的內(nèi)部數(shù)據(jù)（過(guò)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(gè)模型可以隨著新數(shù)據(jù)的加入而不斷進(jìn)行調(diào)整，以提升其準(zhǔn)確性。

2.3大數(shù)據(jù)在健康險(xiǎn)中的應(yīng)用案例美國(guó)案例：

科技的跨界發(fā)展使美國(guó)的健康險(xiǎn)行業(yè)重新進(jìn)行資源整合，逐漸衍生出專業(yè)的健康險(xiǎn)公司，在2015年成立的CloverHealth（以下簡(jiǎn)稱Clover）將大數(shù)據(jù)技術(shù)與健康護(hù)理相結(jié)合，并在近兩年獲得了行業(yè)內(nèi)投資機(jī)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(guó)聯(lián)邦政府的醫(yī)療照顧保險(xiǎn)覆蓋范圍內(nèi)，而且經(jīng)常進(jìn)出醫(yī)院的問(wèn)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(hù)理，從而減少他們的醫(yī)療費(fèi)用和理賠費(fèi)用，同時(shí)大數(shù)據(jù)技術(shù)輔助降低量化風(fēng)險(xiǎn)。據(jù)該公司數(shù)據(jù)統(tǒng)計(jì)，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(xiǎn)公司在實(shí)現(xiàn)自身盈利的同時(shí)，也幫助節(jié)約了公共醫(yī)療資源，所以初期就收到了美國(guó)政府的支持。傳統(tǒng)的商業(yè)醫(yī)療保險(xiǎn)和患者溝通最多的售后是在理賠環(huán)節(jié)，不會(huì)用數(shù)據(jù)來(lái)改善患者的身體狀況，健康管理服務(wù)也是近幾年健康險(xiǎn)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(shí)驗(yàn)室進(jìn)行患者健康數(shù)據(jù)研究，建立醫(yī)療資料庫(kù)，搜集患者的檢查病歷和保險(xiǎn)公司的索賠結(jié)果，運(yùn)用軟件模型進(jìn)行信息整合，找出患者的問(wèn)題所在，從而有針對(duì)性的對(duì)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(wèn)訪,clover公司通過(guò)大數(shù)據(jù)分析技術(shù)對(duì)特殊帶病群體客戶進(jìn)行慢性病管理，通過(guò)一段時(shí)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(kuò)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(fèi)咨詢服務(wù)，定期梳理用戶數(shù)據(jù)，對(duì)其進(jìn)行預(yù)防護(hù)理服務(wù)、免費(fèi)上門檢查服務(wù)等。

國(guó)內(nèi)案例：平安健康大數(shù)據(jù)。

平安健康大數(shù)據(jù)平臺(tái)運(yùn)用AI及大數(shù)據(jù)技術(shù)，對(duì)數(shù)據(jù)進(jìn)行清洗和整理，將有用的信息提取出來(lái)，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(gè)良性循環(huán)。平安健康大數(shù)據(jù)平臺(tái)結(jié)構(gòu)上可以分為五個(gè)部分：數(shù)據(jù)清洗（DataClean）、充實(shí)（Enrich）、產(chǎn)品構(gòu)建（ProductBuilder）、高級(jí)建模（AdvancedModeling）和洞察（Insight）。第一部分，DataClean包括臨床自然語(yǔ)言處理、SCLP自動(dòng)ICD填充工具以及基于中文的診斷、藥品和程序的編碼庫(kù)等工具，它是信息的分類整合。第二部分，Enrich是指運(yùn)用DEG、ACG、DRG、ClinicalInsight等分組工具和臨床分析方法對(duì)信息進(jìn)行再加工。第三部分，ProductBuilder是指產(chǎn)品創(chuàng)意的實(shí)時(shí)測(cè)試。第四部分，AdvancedModeling包括預(yù)測(cè)模型和定價(jià)模型兩部分，前者利用機(jī)器學(xué)習(xí)模型（GBM）可以預(yù)測(cè)理賠，后者將GBM模型轉(zhuǎn)化為主要定價(jià)因子。第五部分，Insi