刍议大数据背景下保险企业风险控制

扫描分享

本文共字，预计阅读时间。

在数据应用呈现爆炸式发展的时代背景下，科技发展正在改变着金融机构与消费者或投资对象之间的传统关系格局。信息技术的发展使消费者获得了更多的知情权和选择权；而各种数据的积累和使用将使得金融机构能容易获取丰富的客户数据或投资数据，用以提升营销或投资策略。在这一时代背景下，保险行业如何引领潮流，把握大数据商机，特别是在大数据应用于风险控制领域，将决定其未来竞争力水平的高低。

一、大数据与保险

维基百科把大数据定义为，“无法在容许的时间内用常规软件工具对其内容进行抓取、管理和处理的数据集合，大数据规模的标准是持续变化的，当前泛指单一数据集的大小在几十TB和数PB之间。” 中国人民银行副行长李东荣就曾撰文指出，“是否拥有和控制数据的规模以及运用数据的能力，已成为衡量企业乃至国家核心竞争力强弱的重要标志。”可见，如何实现大量数据的有效挖掘，并使数据商业化，是大数据的核心意义所在。

（一）大数据对于保险行业的意义

保险业基于大数法则、以精算为核心，自诞生之日起就是通过数据来经营风险。所以在各行各业都在研究大数据应用，保险行业更不能忽视。

实际上，从保险企业利润的三大来源，即死差、利差、费差来看保险行业运营大数据的场景，几乎可以覆盖保险企业的全部利润来源。无论是展业承保，客户的一切信息都可以囊括其中，通过对客户数据进行收集分析后，可以实现精准营销，同时可以挖掘存量客户需求，开发新的业务增长点。通过大数据，还能在风险定价、资金投资领域实现更多有益探索，实现风险保费的个性化定制以及保险公司资金投放的更高收益。

此外，在保险行业传统运营模式下，保险机构评估客户的财务状况、消费能力、消费意愿或保险标的可保风险的能力不强，导致部分产品定位、功能及定价与市场需求偏离。在大数据时代背景下，保险市场竞争将更加多元化，不仅有内部的经营主体参与市场竞争，而且产业边际更趋于模糊。即包括其他金融机构、互联网企业等等其他主体将以各种方式参与到保险市场成为合作伙伴或潜在竞争者（当然在金融分业监管的情况下，非保险企业不会直接在保险市场与保险企业直接竞争）。在这样新的市场格局下，大数据的理念和技术，使传统保险企业有能力通过自身的个性化经营或产品策略来应对新的挑战和机遇。

（二）寿险业务在大数据时代背景下的发展路径

目前寿险行业与大数据对接的方式，主要是通过数据分析来实现精准营销及提升客户体验等方面。但笔者认为，目前寿险行业最大的弊病实际上是过多资源投放与营销渠道，传统的代理人渠道及银保渠道沟通及营销成本居高不下，而作为核心业务的产品设计却无法得到有效的资源投放，市场上大量的同质化寿险产品造成了局部市场过剩又进一步推动了营销成本高企。传统的营销模式，恰恰无法顾及最需要风险支持的人群，反而将越来越多的产品倾斜往所谓的高现价新型产品，进一步导致寿险产品越来越背离其本质。

笔者认为，寿险业所应当重点关注的长尾理论所说的传统营销渠道顾及不了的人群，目前已有部分保险企业在这一方面做出了有益的尝试，根据浙江保监局与某电商网站联合进行调研，发现55.2%的电商卖家没有参加基本社保，45%的网店员工没有参加基本社保;除社保外，购买过商业保险的卖家、店员比例更仅为27%，其根本原因在于原有商业保险产品设计、成本及繁琐的理赔难以符合电商创业者的需求。而随后某寿险企业与该电商网站合作上线的“乐业保”平台，其主要针对就是上述人群即该网站上的卖家群体，其产品包括每月10元即可获得10万元保障的癌症及身故保障，以及每月仅需10元即可获得3000元的门诊津贴保障等。而其投保流程非常简便，基本上只要填妥被保人信息即可，之所以投保核保环节如此简单，就是因为电商卖家在网站上已经存在大量的行为数据，通过这样的数据可以分析出他们大概的生活背景。而险企通过获取这些数据从而实现为产品定价以及快速核保、理赔。未来市场在细分、产品在细分，需求在碎片化，像乐业保这种依靠第三方积累的大数据而产生的面向特定人群所提供的模块化产品将是今后寿险公司可以积极尝试的途径。

（三）财险业务在大数据时代背景下的发展路径

财险企业对大数据的需求同样不容小觑。财险的承保标的种类纷繁复杂，而且财险企业而言，绝大部分业务是短期业务，保费收入与赔付成本之间的时间差距明显小于寿险企业，绝大部分险种的赔款现金流久期小于1，所以财险企业通过大数据来确保承保利润的迫切性也应甚于寿险企业。而承保利润则被包括风险定价、赔付率在内的多种制约因素所影响，如何在保险标的种类多、风险异质性大、风险影响因素多的情况下实现承保利润，大数据技术是互联网时代背景下一个重要的手段。

在财险领域内，由互联网企业及保险企业共同发起设立的某在线财险公司在通过大数据的运用满足了长尾人群的特殊需求。该公司的产品嵌入某电商网站的物流、支付、消保乃至融资等多个环节。具体产品包括：保障物流环节的退货运费险，保障消费者利益同时缓解卖家资金压力的参聚险，保障资金交易安全的支付宝账户安全险，还有保障借款人本息安全的招财宝借款保证险等。据报道，该险企的在产品设计时，将模型、定价等元素的产品雏形交给电商企业用户数据池中测试，电商企业再把测试结果反馈给险企；而在运营环节，业务处理系统与电商网站业务系统实现嵌入式对接，相关承保、理赔业务数据可直接从电商网站后台提取并导入险企核心系统，实现自动化投保和理赔申请；在核保和核赔的风险判断环节，险企也利用与电商网站的核心系统中的各项数据进行自动化风险判断，降低人工干预，提高处理效率。从上述案例中，可见大数据的应用可以实现在互联网应用场景下对财险产品细分、海量、高频、碎片化的特定需求，从而形成长尾效应。

二、大数据背景下的保险业发展所面临的特殊风险

（一）数据不足及数据壁垒风险

保险业务的开展及风控主要基于大数法则，而随着自然及经济环境的变化，所亟需的产寿险业务数据、风险数据乃等历史数据都较少的情况下，只能依据保守数据或经验进行产品设计、展业与风控，这样导致业务无法全面铺开。而反过来，展业开展过慢过少，又会对数据的积累、分析、提取、总结形成制约。

此外，虽然险企在承保、理赔等过程中会产生大量数据，但是囿于行业信息共享平台的缺失，除了监管机关或行业协会统计调研而得到一些数据外，其他较为具体的数据几乎没有共享机制，大量的关键数据只能在各险企内部流动，阻碍了行业对大数据的运用，事实上形成了新的数据壁垒。

（二）风险异质性风险

风险异质性是指保险标的风险具有显著差异，判断不同的保险标的风险定价及承保与否所可以依据数据之间可能具有很大的非相关性。比如同样是企业财产险，一家钢铁企业的经营数据、风险制约因素乃至财务报表与一家水产养殖企业是完全不同的。再比如保证保险可能涉及企业融资、又可能涉及个人消费，即使是同样的企业融资或个人消费领域，所承保的债务主体的信用、资质也不一,所有这些都会造成承保的风险种类及产生风险的可能性不一致,因而造成风险定价难度非常大。此外，定价过程中所必须涉及的保险金额，即保险人在某一保单中对被保险人承担损失赔偿的最高责任限额如何确定，也因风险异质性而存在不同，而保险金额的确定也同时影响了保险费率的厘定。

有些新的保险产品由于还没有大规模的推广，其风险精算、费率测试更多的是依靠单个保险机构的经验，缺乏行业数据的支持。其次,影响保险保额损失率的因素很多,包括区域自然环境、宏观经济环境乃至行业周期等等，这些因素基本都缺乏规律可循,具有很大的不确定性,而且当某一风险因素发生后，除了产生直接的损失外,往往还会引发其他风险因素的并发。在这种情况下，风险的异质性将导致风险保额的厘定、费率的厘定极其困难。

（三）非相关数据的影响

数据分析由来已久，保险精算实际上就是对数据进行多维度精确分析，但之所以大数据越来越备受瞩目，主要是因为一方面数据存储和数据运算能力在不断提高，使人类对数据的处理能力具有更广阔的想象空间和落实手段；另一方面，可数据化的对象越来越多，过去只有数字，而现在文字、图像、视音频等都是数字化的。“要讲大数据，必然是海量的不同维度数据的相关性分析，对于本身具备相关性的数据，顶多称为数据优化罢了。”

可见，大数据的意义在于从海量多维数据中寻找其相关性，进而推演行为方式的可能性。而推演前提是具有尽可能多的非相关数据，所以其数据收集成本和分析成本都很必然很高，同时还因为海量数据中的相关性很难确定，很可能是在穷尽测试及分析手段后发现数据中根本不具备相关性，导致投入和产出经常极不对称。而在保险行业所需要的大数据中，非相关数据的影响尤其不容小觑。例如在目前汽车保险索赔模型的研究中，多会采取建立在年龄、性别、区域等间接风险因素上的泊松风险回归模型，但实际上驾驶员的情绪、技术、好胜心理和驾驶知识才是决定风险的根本直接因素，但这些因素目前在现实中还无法得到。所以当前的车险费率的厘定缺乏必要的相关数据，而所依据的驾驶人历史数据是否能正确表示实际风险变化值得商榷。

三、大数据与保险企业风险控制措施结合的思路

（一）强化行业数据共享，消除数据壁垒

数据的积累对保险产品的设计、定价及风控至关重要，基于上文所述的数据不足及数据壁垒等风险，险企应当根据自己当期的技术能力来拓宽数据来源渠道，同时强化行业数据的共享。2014年1月15日，中国保险行业首家大数据公司——中国保险信息技术管理有限责任公司（以下简称“中国保信”）对外宣布正式成立。中国保信的成立有助于统一建设、运营和管理保险信息共享平台，为保险公司之间及保险业与其他行业之间的信息交互提供支持。在行业已经成立大数据主体的利好下，监管机关、行业协会应当加快设计相关配套制度，使险企在建立产品设计、核保核赔时可以互相交换（或购买）所需要的风险数据信息，充分利用大数据的相关关系来打破信息孤岛。

此外，在互联网对经济生活影响日甚形态下，网络开放特性使得数据来源的维度可以更多，险企在对不同地区、不同行业的被保险人或保险标的进行的基础数据收集整理，可以探索接入更多的官方或民间数据库，例如信贷领域内借款保证保险，就可以探索获取征信部门、工商部门向社会公开的信用信息，还应该尝试实时获得法院被执行人记录、公安机关违法犯罪等司法执法数据的能力。从而确保失信人员能够为险企所识别。

（二）完善数据分析模型，降低数据噪音

传统保险精算所依赖的标的物损失记录、技术资料、疾病发生率、生命表等历史数据的维度还是相对单一的。在大数据时代背景下，险企应当加大对更新传统的机遇经验核保定价模型的研究投入，使更多维、更全面的数据能够导入模型中，实现由概率事件、因果解决预测模型，到相关性预测模型的转变，同时解决风险同质化带来的定价模型偏差问题。在模型研发时，应当考虑在数据收集及分析时，如何实现对数据的“降噪”，即剔除虚假数据及无用数据。数据分析的前提在于进入数据库的数据信息应当是真实可靠的，险企内部通过展业、承保及理赔等过程获得的数据信息如何保障其真实性，通过其他数据来源采集、整理的数据信息又如何保证其真实性，这几乎是险企数据分析及数据运用部门永恒的问题。

在数据模型的完善过程中，有关“降噪”的方法方式可以包括善于利用主流的数据分析软件均能够实现的数据简约功能，即通过人工先验判断将无用数据去除（包括去除记录与去除字段）。此外就是强化对关联规则的挖掘，包括将连续型数据的不同分段归纳为类别数据以及通过以广义线性模型对各类别数据指标取值的重新组合优化为数据模型提供较为精确的变量，实现“降噪”目的。

（三）转变风险管理模式，创新风控模式

传统的保险行业风险管理模式，即通过出售保险产品获取保费来接受客户的风险转嫁，在当前不断增大的社会风险总量与日益复杂的社会风险结构面前已经越来越不能满足社会需求。在大数据时代背景下，应当考虑将保险行业所独有的风险数据优势及风险识别能力优势与新技术结合，将被动、单一的损害赔偿模式转变为主动、全面的风险管理模式。即由险企通过对大数据的分析挖掘，提炼出保险标的风险影响要素、风险预防措施等，为客户提供风险预测、防灾防损技术指导、保险标的风险查验等主动的管理服务，从减轻风险损失向减少风险发生转变，从处理存量风险向促进风险减量转变，将主动风险管理作为承保之后全服务过程的主线，为客户提供全方位管理服务。而在主动风险管理过程中，由于全面介入了客户的风险管理流程，那么所得到的反馈数据将更为真实、可靠、及时和全面，反馈到数据库中后，又能为数据分析模型提供更为精确的变量。

在大数据时代背景下，保险行业作为经营风险的商业机构应当巩固既有的优势，从行业自身的特色来挖掘分析数据，特别是继承和发扬保险业长期积累下来的风险防范的经验做法，结合当下发展迅猛的互联网技术及数据挖掘分析技术，通过整合内外部数据，进一步推动全社会风险管理。而如何通过数据的关联性构建新的数据模型，通过数据模型的商业化落地实现风险管理模式创新，需要理论部门和实务部门的共同努力，同时监管机关也应当加强数据统计调研的顶层设计，从制度层面推动险企数据挖掘的优化和变革。

参考文献：

陈宇.风吹江南之互联网金融[M]，东方出版社，

李东荣.大数据时代的金融人才培养[J]，中国金融，2013(24).

宋毅、杨晶晶、何唐兵.保险爱上大数据[N]，中国经营报，2013-11-30.

禹晴. 要警惕大数据带给保险业的潜在挑战[N],中国保险报，2014-10-23