大数据分析在保险行业风险管理中的作用分析

　　摘要：在中国保险行业进入快速发展的时代之后，无论是行业规模还是市场竞争力都取得了重要的突破，但保险行业也同样面临着一些潜在的隐患，尤其是风险控制成为互联网背景下的主要工作之一。大数据可以从不同来源收集关键信息，给保险行业的发展创造至关重要的用例参考，在数据信息庞大的时代下，应用大数据手段做好风险防控能够给今后的风险预测和风险评估提供关键的技术支持。

　　引言

　　大数据风险控制的数据来源广，且数据类型多样化，能够采取多种类型的算法来更新客户信息、财产信息和消费信息等。与此同时，大数据风险控制在模型构建的过程当中，还可以完成数据的实时输入和实时计算，提升企业的风险识别能力，并且保障多维度数据采集能力。与传统风控相比，大数据风险管理在模型构件上使用的数据维度层级存在明显差异，通过机器进行决策之后也能降低风险管理成本。

　　1. 大数据风险管理的基本特性

　　1.1 特征

　　大数据风险管理能够在海量数据的基础之上，通过模型构建的方式对用户群体进行划分，不断地整合互联网数据和企业数据等完成量化风控。大数据分析支持下的风险管理和风险控制时效性强，而且算法多样化，能够基于社会行为和人际交往行为将各类文字信息、图片信息和视频信息作为分析主体。其中客户行为数据是风险管理的主要数据来源，能够帮助内部主体收集多维度数据且丰富不同颗粒度的小微数据，使这类模型结果更加接近客户群体的真实风险水平。虽然大数据风险管理在本质上和传统风险管理保持相同，所使用的建模原理和方法论也维持一致，不过主要区别在于数据量和模型构建的数据维度层级存在差异，在运行逻辑方面也存在特殊的因果关系，并且新时期的风险管理不再过度依赖人工，而能够基于智能算法和大数据分析通过机器完成决策过程。

　　1.2 核心理论

　　大数据支持下的保险行业风险管理涉及的理论主要包含两个方面：

　　首先是长尾理论，长尾理论能够激发用户的隐形需求，让一些冷门的产品变得不再冷门，关注消费者的不同需求爱好，深度挖掘市场信息，提供更多有价值和有特色的产品内容，其在不同行业已经得到了实践和验证。

　　其次是logsitic回归模型理论，通过分析逻辑模型参数来对事件概率进行评估，目的在于找到原始预测变量的布尔组合预测信息，有助于降低目前保险行业当中的信息不对称程度，增强风险控制能力。例如在当前的银行领域，就有很多银行利用大数据风险管理技术来进行业务改进，并且以此为基础建立社交信息数据库，利用算法来判定用户的需求方向。

　　2. 大数据分析在保险行业风险管理当中的作用

　　2.1 提升对风险管理工作的重视程度

　　我国作为全球第二大保险市场，从保险业的经营情况当中可了解到每一年的保费都呈现出不断上升的趋势，保险市场具有巨大的发展前景和潜力。但是和发达国家相比，我国的保险深度和密度普遍较低，行业发展处于明显的滞后状态。原因在于保险业快速发展的时代背景下，我国保险行业的赔款和给付金额同时处于增加趋势，所以保险领域需要分析如何有效对客户群进行风险管理以降低支出，让保险行业转向高质量的发展道路。

　　在大数据技术人工智能的帮助之下走科技创新道路，能够明确保险行业的经营原理和经营特征，在多年的经营过程当中积累大量的客户数据。例如大数据分析技术的应用能够帮助保险公司精确预测客户所需要的保险需求和保险服务，并且降低保险产品在研发过程当中的风险成本和承保成本，提供更具差异化的风险定价服务，这对提升营销效率意义重大。

　　此外，在人力成本方面，风险管理作为保险的核心业务之一，应用大数据分析技术展开更加科学的风险定价和风险管理之后，能够降低风险成本，并且让大量的风险管理信息反向服务于保险业内部。经济的快速发展和人们可支配收入的增加使得现代人群的保险意识不断提升，对于保险服务的需求量随之增加，现代保险业务需求也呈现出典型的多样化和智能化特性。

　　基于场景化的各类保险产品伴随着用户的定制要求拓展了其传播速度，各类新制度的实施也促进了保险业对保险本身的重视程度。从行业内部的企业发展过程来看，大数据无疑给保险行业风险管理带来了根本性的变革，依托精准的产品开发结果来分析客户行为习惯获取结构化数据之后，对保险的市场需求的把握变得更加敏锐，所以可以以此为基础研发出成本更低但满足客户期望的产品类型和定价方案。此外，还可以借助大数据技术对不同风险项目进行筛选和评估，做好精准营销激发客户的风险意识，积极融入大数据思维做好数据化和系统化管理。例如在文本挖掘和语音识别等技术的帮助之下，客户本身的性格特点、思维习惯等海量的行为数据可以作为增值服务和理赔服务过程当中的主要参考对象。未来在客户为主的宗旨下，保险行业天然的大数据特征可以结合中国保险业的实际发展情况，立体描绘保险行业全新的风险管理模式和生态系统模式，基于品牌要求和销售计划重新确定决策管理方案，抓住市场利基客户实现产品的精准投放，关注客户群体的显性需求和隐性需求乃至未来潜在需求。

　　2.2 获得客户的关键信息

　　大数据分析可以在获取信息方面扮演非常重要的角色，由于大数据本身可以从不同来源获取关键数据，所以保险行业的内部发展能够利用这些数据完成智能化评估。比如在医疗保险方面，借助数据库智能工具和数据库信息，可以将用户的健康情况传递到保险公司的数据库当中，向被保险人提供专业的服务。与此同时，借助这些数据信息也能回答客户所提出的常见问题，改善客户体验并做好欺诈检测。

　　公司内部可以根据过去客户提出的索赔以及历史信息来启动对客户的行为调查，正如在某些人身保险当中，保险公司可以关注客户的投保时间和投保比例以及潜在事故的倾向性，做好反欺诈和信用评价工作。在投保环节直接利用大数据平台来建立风险评估模型，对某些高风险客户进行筛选，一些可能对保险公司产生附加值的客户可以选择拒保或提升保费的方式提供专项业务。而在承保运营环节大数据分析风控模式更加关注对保险客户的信息动态反馈，然后根据客户的不同情况来做好人工介入与核心审查。需注意的是，在某些互联网场景下，还要考虑可能产生的健康风险或道德风险，尤其是在某些医疗服务当中，投保人如果隐瞒病情或完成信息造假必然产生未知的道德风险。对此，保险公司需利用大数据分析系数来从多维度筛查客户的不良信息，及时发现高风险客户发生欺诈行为的产生。

　　2.3 大数据风控

　　大数据风控的作用在于规范现有的保险流程、预防保险消费欺诈，如恶意重复投保、骗取多余保费等。早在2013年阿里巴巴和中国平安等公司就共同组建了众安在线财险保险公司，目的在于确保互联网的安全运行融合各类大数据和网络保险内容，为网络用户提供安全交易和服务咨询模式。而在车险方面，人保财险在2014年就采取了基于大数据的车联网保险系统，免费向车主提供SIM卡然后记录车主的驾驶行为数据和驾驶习惯，将这类关键信息作为变量因子和风险定价模型判定依据。而阿里巴巴集团下的蚂蚁金服车险分利用海量的大数据信息和数据建模技术对每一名用户展开画像风险分析，当风险越低时，评分则会越高。与传统的信息判定相比，这种分数能够应用人工智能手段对人员展开精准评估，而非对车辆展开评估，也能从根源上避免理赔规则不标准而导致的理赔矛盾。又例如，在移动端进行投保时OCR技术可以提供更加智慧而高效的解决方案，只需要扫描身份证，就可以精确提取证件信息，辅以人脸识别检测来快速提取出用户的身份认证结果，对接的数千个数据源和毫秒级搜索技术能够完成对于数据的有机挖掘和整合。

　　3. 基于实证分析的保险行业风险管理与大数据风险控制

　　3.1 保险客户模型跟踪

　　在保险客户风险模型当中可以划分不同的自变量和因变量。以车险为例，自变量包括车辆种类、人员特征以及驾驶行为，而车辆种类又可以被划分为二元变量，包括小型轿车、大型SUV、货车等；因变量则包括性别、年龄、车辆使用年限、车辆购置价格、连续投保时间等。当收集了行驶里程刹车情况等关键数据之后，就可以给不同车主提供差异化的保费，并判断用户是否具有良好的驾驶频率和驾驶强度，丰富车险定价因子，提供个性化和精准化的车险服务。此外，还可以采用计算机图片识别技术来绘制某些受损车辆的3D图像，一旦车辆发生严重事故时，就可以通过摄像机扫描现场图片，构建三维模型，记录结构化数据之后再对车辆进行定损。在增值服务方面可以参考一些其他国家的运营措施，例如美国的一些汽车，保险公司就可以通过软件包来反馈车主的驾驶信息，建立高度精准的用户行为，将用户的驾驶行为数据与其他正常行为数据进行比较，构建差异化模型，精确评估当发生事故时是否保持正常的状态。

　　在健康险领域当中，当前国内和一些保险公司已经利用了可穿戴技术和活动追踪器，为客户提供不同类型的服务，判断客户是否有需要改善的不健康行为。这一点在某些老年群体的健康保险当中可扮演非常关键的角色。这种对身体活动进行测量的仪器，可以评估老年人可能产生的疾病风险乃至死亡风险，呈现出主体的健康状况和健康行为。正如中国太平洋保险子公司太平洋医疗健康发布了移动健康管理服务品牌，并且建立了健康互动保单计划，基于可穿戴的智能健康设备和客户体质数据，引导投保人养成健康的生活习惯。例如，当用户完成某种健康行为时，就会获得对应的健康奖励，以此为基础刺激用户长期保持健康习惯的趋向。本质上看这种客户模型跟踪的作用在于研究健康行为和个体变量之间的差异。判断不同影响因素和疾病风险之间的关联性，其预测效果往往基于普遍因素和相关因果关系的分析结果，表明大数据能够了解用户的实际需求，打破传统的低频运作模式，拓宽大数据的应用场景。

　　从本质上看，此类行为所采取的技术手段是对于用户的实时追踪和健康数据的获取，包括健康管理在内的各类行业数据都可以提供关键的数据信息。健康险作为我国多层次医疗保障体系当中的关键组成部分，实现数据互通和共享是未来的主要发展趋势，并且以数据为支撑建立健康保障体系之后，能够推动健康险在保障体系当中的功能实现。

　　3.2 保险风控

　　现代社会保险越来越成为人们生活当中的刚需，而保险公司也会建立对应的大数据风控系统。例如在互联网在线投保时，某些客户在填完相关信息之后却出现无法投保产品的结果，涉及的产品类型也越来越多。出现此类现象的主要原因在于现有的大数据风控系统会对被保人的风险程度进行判定，如果风险偏高那么投保系统就会进行拦截。以风险管理为例，根据用户的健康数据、理赔记录和互联网行为等多个层次的信息进行综合评估，如果分数异常，那么就无法投保。这里仍然以前文提到的健康险为例，个人健康数据以及过往就诊记录在保险评分权重方面占比较高，是否申请过保险理赔等理赔记录的评分权重相对一般，互联网行为以及是否搜索过与疾病有关的信息，在评分权重方面占比较低。

　　这表明在大数据平台和大数据分析模式之下，保险公司会重点监控用户的医疗记录。如果用户曾经在肿瘤科或心脑血管科室就诊，则表明用户可能产生高额的医疗费用，所以再根据疾病记录自动匹配健康规则与核保规则。

　　无论基于哪种算法，保险公司都会采取有效的风控机制。除此之外，部分企业也以此为基础建立了基于大数据的风险监控分析系统，包含大数据采集模块、信息模块、分类评估模块、评估要素模块等各种不同的组成部分。被确认的风险评定信息通过对比模块能够快速地传递至动态评估模块，利用决策树或逻辑回归等分类方式将信息重合部分做好归类。在这方面，保险企业可以参考某些贷款平台或银行风控系统的运作方式，分析主体的固定资产与流动资产数据负债总额数据、资质异常或税务信息异常数据、诉讼数据等，确定风险评定值以及动态变化的区间，并且该数据会被传递至数据分类模块当中，完成数据信息的筛选和预警。

　　结语

　　本次研究围绕大数据支持下的风险管控的基础内容，对大数据分析在保险行业的风险管理应用展开了分析评估。为了充分分析大数据分析手段的应用价值，在后续的研究当中，保险行业内部应该在加强数据收集的基础之上完成内部数据的整合，实现数据的互联互通，打破数据孤岛状态。尤其是在数据收集方面要加强数据的广度和深度，保障数据采集效率并利用最有效的指标对各类风险信息进行预测。这样一来才能提升数据信息的利用价值，对各类风险因子做出判定，基于不同的影响因素建立回归模型，应用至保险预测问题。

　　参考文献：

　　[1]董淼.大数据时代下互联网保险的发展研究[J].当代经济,2016,(21):46-47.

　　[2]朱静.财险公司共同保险业务内部控制模式的构建[J].商业会计,2018, (11):98-100.

　　[3]侯旭华,刘洋芷.互联网保险公司财务优势与风险探析——以众安保险为例[J].会计之友,2018,(3):112-115.

　　[4]李雅.探讨我国保险公司风险管理层面存在的问题及对策[J].市场周刊(理论研究),2017,(11):30,34.

　　[5]孙庆文,薛昭宇.保险公司风险管理面临的问题及对策研究[J].财富生活, 2020,(6):168,170.

　　[6]许辰杰.保险公司风险管理与内部控制评析[J].中国管理信息化,2020, (4):20-21.

　　作者简介：韩滢，资深数据产品经理，数据分析、数据科学等。