收藏本页 打印 放大 缩小
0

保险业如何应对大数据挑战

发布时间:2017-02-21 10:28:39    作者:汪一峰    来源:中国保险报·中保网

□汪一峰

大数据不仅是IT产业的一次创新与变革,更是作为一场技术革命将我们引入数据化驱动时代,它对很多行业的经营决策、销售管理、客户分析等方面产生了颠覆性影响,传统的理念因它而重构、我们的生活因它而改变。尤其是在以大型互联网、电商企业为代表的新型产业,大数据历经发展,形成了成熟的应用模式,取得了巨大的成功与收益。与之相比,保险作为传统金融业,在大数据浪潮中,如何做到认识自身、应对挑战?笔者在这里谈一点粗浅的看法。

一、相比互联网电商,保险业在大数据应用方面存在短板

笔者认为,互联网、电商企业在大数据方面的成功,一方面得益于规划布局较早;另一方面得益于经营模式灵活、数据资源丰富、创新技术应用等新型产业的独特优势。与之相比,保险业的大数据起步较晚,且作为传统金融业,存在自身特有的短板。

(一)以产品为驱动的传统营销模式与以客户为中心的数据化分析存在冲突

大数据让企业掌握市场发展态势,帮助企业更好了解客户需求,在它的影响下,营销过程不仅是为了追求当前利润,更是在推动客户资源向客户资产转变。与之相比,保险业的营销在很大程度上还秉承从自身产品出发的传统理念,部分公司甚至一味追求保费规模,忽略客户实际需要,将“好营销员能把梳子卖给和尚”奉为成功标准。以某保险公司的电销中心为例,总公司统一向坐席提供客户资料清单,但清单信息较为简单,主要限于姓名、年龄、电话等,未对客户的实际保险需求、购买力等要素作进一步分类分析,这使得坐席对客户缺乏深入了解,销售行为相对盲目,有的清单甚至将几天前已拒绝购买的客户再次列入同样产品的营销范围。与互联网、电商深入了解客户需求,以客户为中心,进行个性化准确营销相比,保险业的营销过于粗放,故而成功率低下(有的电销中心不足1%),由此引发的退保与投诉往往不在少数。可以说,这种传统的营销模式与大数据提倡的数据化驱动有明显冲突,可谓背道而驰。

(二)公司积累的大量数据对于大数据应用而言价值不高

保险业属数据密集型产业,数据积累速度较快,以一家中型业务规模的产险公司为例,开业7年来,公司数据存量超过50TB(主要包含各类业务、财务系统数据,电销、呼叫中心的音像资料,承保理赔产生的影像资料等),且每年的数据增量在5TB以上。有人说,保险业拥有大量数据,为大数据应用提供了良好基础。笔者认为,目前,保险业积累的数据主要基于传统的业务经营模式,来源于承保、缴费、理赔等环节,其中产生的客户资料、缴费记录等信息,有很大的重复性,可作为身份识别、账户凭证使用,但对于深入了解客户个性化特征与需求则显不足;大量的出险理赔资料虽然记录了保险标的发生的风险,但往往限于单一的个体事件,偶发性较强,缺乏连续性与规律性,仅凭它们难以开展深度的风险内因挖掘。与互联网对大数据的要求相比,保险业现有数据在频度、活性、获取实时性等方面都明显不足。如果参考大数据的“4V”定义标准,保险数据满足了量大(Volume),但更新速度慢、结构单一、活性不足,无法满足多样性(Variety)与高速(Velocity),故而价值(Value)有限。同时,保险业的数据分析主要还局限在结构化数据记录,非结构化数据的应用挖掘尚待起步,对大量的录音、影像资料,目前还无法加以有效利用。以行业车险平台为例,虽然实现了公司间信息共享,汇聚了大量数据计算费率因子,但只是针对系统结构化数据,未能通过物联网(车联网)建立智能数据网络、未能对车辆进行实时监控,数据分析的精确性与个性化程度还有很大的提高空间。综上所述,保险业虽然积累了大量的数据信息,但与互联网大数据相比,只能是“数据大”,远未满足“大数据”的要求。

(三)保险业与客户的互动不足,数据源受限

“BAT”、亚马逊等互联网企业在大数据应用方面取得了巨大成功,上述企业均通过网络与客户深层次互动,及时、全面掌握客户信息,成为大数据应用的良好基础。笔者认为,与之相比,保险业在这方面有自身不足:一是保险合同与产品服务的格式化、同质化现象较为明显,这限制了客户的选择,影响了互动空间。二是保险以大数法则为基础,公司对客户的定义侧重于群体标准化,有时易忽视对个体客户的分析与追踪。三是与互联网电商提供的消耗型商品不同,客户不可能定期或经常性购买保险产品,因而借助网络与公司交流互动的频度自然也大大降低。四是客户普遍反映,保险公司的网站缺乏吸引力,产品说明过于专业化,难以理解,这为客户互动设置了门槛。针对上述问题,有公司也尝试通过网页、微信公众号等平台,提供报案、查询等功能,以便加强对客户的服务跟踪与信息收集,或是通过调研问卷的形式,加深对市场的了解,但与大型互联网、电商企业相比,保险公司在与客户的互动中显得较为被动,数据获取的频度较低,覆盖面较小,准确性较弱,数据获取方式传统固化,难以形成稳定、长期的数据获取渠道,且有的模式过于依赖人工操作(如问卷调查),效率较为低下。

(四)数据孤岛现象存在,限制了大数据应用的发展

大数据应用的基础是数据源,解决数据源的关键之一就是数据的开放与共享,否则,大数据市场就会狭隘,很多创新与应用也无法实现。因此,大数据特别强调消除“数据孤岛”。而保险业长期存在数据孤岛现象,主要表现为以下三个方面:一是公司内部的数据孤岛,不同系统、部门有不同的利益冲突与关注点,在信息共享的完整性、时效性上都会反映出来,如公司的客服部门属运营序列,他们提供的关于风控的信息,有的并未在前端业务部门系统中及时体现并形成必要的控制条件。二是行业内部的数据孤岛。保险以大数法则为基础,如能实现公司间数据共享,大大有利于经营管理。但目前,公司间尚未完全开通数据共享通道。2016年,某省一位投保人在多家保险公司投保意外险,保单累计上百份。事后引起行业重视并耗费大量资源处理解决,此事很大程度就是利用了不同公司之间存在数据隔离的弊端。三是行业间的数据孤岛。除车险平台外(与交管部门形成一定规模的数据交互),保险业跨行业数据共享的成功案例并不多(如与医疗卫生部门的数据共享尚未开展),绝大部分公司还只是对自身已有的业务数据进行分析挖掘,这在很大程度上影响了分析的深度与效果。目前,很多保险公司已意识到这一问题,有的希望通过与互联网、电商的合作来获取客户信息,消除数据孤岛,但由于缺乏异业平等合作互利模式(其他行业一般不愿单方面提供数据),尚未出现有代表性的成功案例。

(五)对大数据认识不全面,过度偏向于信息化

大数据应用是对海量、种类繁多的数据(包含结构化、非结构化)进行深入挖掘分析,得出结论,帮助企业经营管理决策。可以说,大数据价值最终体现的是为业务服务,因而必须始终围绕业务需求。如果将大数据应用看作单纯的信息化项目,忽略以业务为导向,就可能局限于基础建设,一味强调技术方案(一般的IT技术人员从他们的角度与背景出发,可能更重视数据中心建设、海量数据存储、数据分析技术方案等问题,而难以提出全面的业务目标与规划),不仅影响项目实施的效率,结果也可能是得到一堆零碎、杂乱的数据,对业务决策产生不了实质性帮助,无法体现大数据的真正价值。这样的认识误区在保险业中并非不存在,有公司就曾在数据挖掘分析项目中,由于缺乏业务条线的参与、支持,产生的报表与结果实用性不足,最后只能废置。与一般的IT项目相比,大数据以客户分析、经营管理、决策支持为目的,模型更为复杂、涉及面更广、投入更大、周期更长,公司必须保证业务、管理、企划等多个部门的深度参与,打破以往他们在项目中处于从属地位、只充当验收者和使用者的惯例,将他们的位置前移,在项目前期建设中,参与数据源选择、数据质量把控、数据分析建模等多个环节,与技术部门一起成为大数据的设计者与管理者。

二、保险业如何应对大数据挑战

与互联网、电商巨头相比,我们不能否认保险业在大数据应用方面的不足,但只要找准自身定位与发展模式,保险业完全可以积极应对大数据挑战,将其作为推动行业发展的巨大机遇。笔者以为,以下方面可供思考。

(一)寻找适合自身的大数据应用模式

大数据给很多企业带来了重大变革,有的企业凭借规划布局早、客户资源广、技术实力强等优势,实现了华丽转身,如IBM就从传统的IT制造业转向信息咨询业。作为金融业三大支柱之一,保险业对社会经济有较强的稳定器作用,不可能做根本性的变革,但可以结合行业特点与发展需要,寻找适合自己的定位。笔者认为,以下应用模式可加以关注:一是借助大数据,拉近与客户的距离,开展客户个性化特征分析,同时提升数据分析对业务的管控力度,建立全新的、更为精准的风险管理模式。二是保险业以大数法则为基础,不可能为每个客户提供个性化的保险产品,但可通过挖掘客户需求,提供个性化的附加性增值服务,这不仅有助于开辟新的业务增长点,还能改善客户体验,提升客户忠诚度,推动客户资源向客户资产转变。三是寻找适合自身的盈利模式,部分保险公司(尤其是中小公司)受限于技术实力、客户资源,如单纯依靠自身,难以很快建立成熟的大数据平台,对于他们来说,尝试与互联网电商、物联网、电子地图等行业合作不失为一种选择,这里的合作不是单纯购买数据或技术,而是要建立商业合作模式,在共同盈利的基础上形成联盟,借助他人的数据平台与资源,真正参与、利用大数据,推动公司逐步从产品驱动模式向数据驱动模式成功转型。

(二)借助互联网、移动终端,拓展数据获取渠道

数据是大数据应用的源头,保险业如果单纯依靠传统的人力手段(如营销员团队)来积累数据,与互联网电商企业相比,就好像冷兵器民兵与机械化部队的对决。可尝试跳出传统数据收集模式的局限,借助互联网与手机移动终端的高速发展,以网络为桥梁,拓展数据渠道,攫取高频度、高活性,体现客户个性化特征的数据。一是通过公司网站、微信公众号等媒介,增强与客户的互动,立足客户视角,将专业的保险条款以客户感兴趣的通俗化形式(如视频、动画等)表达出来,避免因专业门槛影响互动。二是借鉴Apple、小米等公司的成功经验,强调客户参与度,可在网站、微信开辟专栏,将保险合同的要素设计成不同的模块,允许客户自由组合,形成自己需要的保险产品,让客户不仅是消费者,也是产品设计者。当然,这里的设计只是一种虚拟化展示,但通过这种方式,可以让客户得到全新的、感性的体验,同时也让公司真正了解市场与客户的需求,为产品创新提供动力。三是加强与互联网、电商的合作,如保险公司在网络销售运费险就是例子,这里的合作目的不仅是为了开发新的业务渠道,更重要的是参与网络化经营服务,借助电商平台,与客户建立沟通的桥梁,获取客户在网络上的活动信息,拓展数据源,为大数据应用提供基础。

(三)探索大数据新技术在保险业的应用

有了互联网、分布式计算、非结构化数据分析等众多技术的飞速发展,才让大数据成为现实,它的成功与进步依赖技术的支持与创新。“BAT”、亚马逊等互联网巨头无不是技术的先进者。保险业要想建立自己的大数据,必须重视新技术的探索与运用。笔者以为,以下方面值得关注:一是物联网技术。智能电网就是成功案例,以智能电表为数据终端,收集供需双方的数据,通过分析,制定决策,改善关键绩效指标,实现数字化驱动。保险业涉及社会各个领域,不可能一下子建立覆盖所有业务的物联网应用,但可以车险业务为切入点,与电子地图供应商等行业合作,建立车联网,使承保车辆成为移动数据源,实时获取客户信息,在此基础上进行数据挖掘分析,一方面,可加强风险实时监控能力,实现对车险费率更准确的个性化定价;另一方面,可通过车联网植入增值型服务(如餐饮、旅游、娱乐等),开拓新的业务增长点,增强服务客户的能力,同时建立大数据异业联盟。二是非结构化数据分析技术。目前,大部分保险公司的数据分析主要还局限于结构化数据,对非结构化数据(如呼叫中心的录音、理赔的影像文件等)的应用分析几乎空白。而非结构化数据占公司数据总量的大部分,且可能蕴藏大量信息(如呼叫中心的电话录音对客户的个人化特征、理赔影像文件对保险标的的风险特征均可能有所反映),如不能充分利用,不仅大大限制了数据量,且使得数据分析局限于二元关系型数据库模式,缺乏灵活性、广泛性以及发展空间,无法与真正的互联网大数据相提并论。目前,保险业已认识到车联网、非结构化数据分析等新技术的重要性,有些具备实力的大公司也开始这方面的探索应用。

(四)借助中保信的力量,消除数据孤岛

数据聚合度不够,是大数据应用中常见的瓶颈,要推动大数据发展,必须打破数据孤岛,加强数据的共享与聚合。笔者认为,保险公司内部的数据孤岛可以通过部门间合作、系统优化等途径加以解决,如何打破公司之间以及行业之间的数据孤岛,才是难点所在。中保信公司将是解决上述问题的重大助力。作为整个保险业的信息枢纽、产业基地与数据平台,中保信拥有保险业大数据应用的天然优势。目前,它已将原来由22个省组成的全国性车险平台和其余13个省级地方行业协会独立运行的车险平台统筹为一个集中体系,实现了行业的车险数据共享。未来,该体系如果融合车联网,实现移动终端数据获取,并开展对非结构化数据的分析,提升数据挖掘的广度与深度,不难与互联网、电商巨头们的大数据应用并驾齐驱。作为行业的数据平台,中保信还可在车险的基础上,将行业数据聚合扩展到其他保险产品(如意外险等),建立行业的客户信息库,进一步打破公司之间的数据孤岛。中保信在各地的信息平台,则可借助已有的基础架构,整合行业数据资源,寻找跨行业合作机会,如可尝试与医疗卫生、社会信用体系等部门开辟数据共享通道,变行业的私有数据为公用数据,从而逐步打破行业间的数据孤岛。同时值得一提的是,中保信还可为中小保险企业的大数据应用创造机会。作为行业的信息枢纽与产业基地,中保信完全有能力在大数据应用中充当战略领跑者的角色,中小公司作为参与者,可加入中保信的数据平台,分享大数据的成果,他们的参与也将增强行业大数据建设的力量,推动行业大数据应用的完善。

(五)明确目标,建立全新的大数据人才团队

大数据建设不能单纯依靠IT技术人员来完成,还需要数据科学家、业务骨干、销售精英、投资专家以及其他多元化人才的共同参与。大数据应用取得成功的互联网、电商,都不是依赖全才的个人(很难想象有个人能精通各类知识),而是拥有包罗各类人才的团队。这点值得保险业借鉴。目前,有的大型保险集团已设立了专门的大数据部门,组织了包含各类专业人才、具备相当数量规模的大数据团队(如某保险集团成立的数据分析与洞见部,拥有技术人员、数据建模师、数据科学家等各类专家人才超过70人,且有相应的大数据业务支持团队给予配合)。当然,对于有的中小公司而言,可能暂时不具备这样的条件,但也必须清楚认识到,大数据不仅仅是IT技术部门的职责,公司必须找准自身在大数据应用中的方向、模式与目标,由此逐步打造多元化人才队伍,才能避免在大数据浪潮中因等待而错失良机,不在数据化驱动的社会发展中落后。