保险承保环节的关键因素大数据的应用方式

1.传统承保环节的程序

传统保险公司的承保首先要由投保人发出投保申请，通过填写投保单的方式向保险公司如实告知自己的情况，据以作为订立合同的要约以及保险公司判定被保险人风险状况的依据。收到投保申请后，保险公司需要对投保单进行审核，决定是否予以承保。

在对投保单进行审核时，首先是自动核保。保险公司的计算机核保系统会设置一些核保条件，比对客户投保单的内容，如果符合系统设置的要求，会自动通过核保，反之，则拒绝承保。自动核保可以减少人工、核保速度快、错误少。尽管如此，在一些条件下人工介入也必不可少。人工核保通常有两级，人工一级核保是对自动核保无法判断的风险进行判断，对符合一定特征的高风险业务则需要提交人工二级核保审核，如累计风险保额超过标准、健康告知异常，有过往病史、保费占家庭收入比重过高等都属于高风险业务。图5.1 是人工介入核保流程中最理想的情况，需要经过3 个步骤完成。图5.2 是人工介入核保流程中最不理想的情况，需要经过8 个步骤完成。

图5.1　人工介入核保流程最理想的情况

图5.2　人工介入核保流程最不理想的情况

核保的效率跟很多因素有关。保险公司业务规模的扩大带来的保单流量增大会增加核保工作，影响核保效率；出单人员流动性大会造成新来员工对要素审核准确性把握不足而影响核保效率；自动核保、人工一核保级、人工二级核保3 个核保层级复杂的路径往来设置会导致核保效率低下；自动核保规则设置过于严格会使人工核保工作增加而降低效率。自动核保作为核保的第一个层次，其对核保的效率影响最为直接。自动核保规则的设置往往是依据历史统计结果进行的，如对车险的核保，设置的因素可能会包括车辆的使用性质、车型、车辆使用年限和历史赔付率等。基于这些因素，计算机核保系统做出判定该投保属于标准件还是非标准件。如果设置不科学，要么就会使非标准件过多，加大人工核保的数量，影响效率；要么就会使承保过于宽松，增加风险的可能性。

2.大数据在核保流程中可应用的模式

将大数据运用到核保环节中，可以优化保险流程、控制核保风险。大数据在整个核保流程中有以下3 种应用模式。

（1）为核保信息的收集和整理提供技术支持

大数据可以为传统核保流程中的核保信息的收集和整理提供技术支持。传统的投保流程中，保险公司除了从投保单中收集被保险人的情况，还会通过业务人员、被保险人周边走访等方式直接或间接了解被保险人信息。互联网和大数据技术可以改变获取信息的方式，降低信息的收集成本，提高效率。

在数据互联互通后，保险公司可以不再局限于本企业的数据，还可以利用全行业数据乃至全社会数据。如被保险人累计风险保额的多少是核保的关键因素，保险公司能够获取该被保险人在本公司的累计风险保额，却不容易获得其在其他保险公司的风险保额。当保险行业数据共享之后，保险公司获得被保险人在全行业的累计风险保额就不再是难事，能够给出更准确的核保意见。(www.xing528.com)

另外，保险公司还可以通过一些能够方便获得的关联数据的审核来替代原有数据的审核，提升核保效率。如保险公司通常会担忧高额保件的投保人在后续的缴费中会存在困难，或是在将来有可能会出现骗赔，因此在审核高额保件时通常会需要投保人提供一些个人收入证明、个人资产证明等。客户准备这些文件需要耗费相当的精力，降低了客户体验，而且由客户来提供这些证明也存在造假的可能性，对一开始就存有不良意图的客户来说尤其如此。如果保险公司把让客户主动提供证明的程序变为自己主动寻找相关证据来证明客户的状况，会极大方便客户的同时也保证了信息的真实性。利用行业内部的数据，保险公司可以通过投保人的车险数据获知其名下的车辆数量、价值的高低、更换的频率，可以通过投保人的家财险数据获知其名下的房屋及室内财产价值。利用第三方数据，可以通过投保人的征信记录了解投保人拥有的信用卡数量、额度、有无逾期，通过电商平台数据可以知道投保人的年度消费额度。这些都可以作为衡量投保人经济状况的依据。

（2）确定影响核保的关键因素

大数据可以帮助保险公司有效确定核保环节中的关键因素。关于投保人及被保险人的信息非常多，对风险起决定性作用的有关信息才是需要审核的关键。保险公司可以采用大数据技术，对海量的信息进行筛选，甄别出与各险种出险率有关的关键要素，将这些少量的关键问题询问设计进投保单中，减少投保人填写投保单所需的时间，优化投保程序。当然，由于保险公司掌握了客户相关的数据库，只通过这些关键数据便可了解到基于保险标的的各种情况。而客户由于减少了输入的数据量，投保的方便程度大大提高。

另外，随着时代的变化，传统的核保因素也可能会发生改变，将来可以把一些新的因素引入核保中。美国律商联讯公司就做过这样的尝试，将居住地址、电话和水电煤气记录、教育历史、职业证书、抵押、判决等非传统数据引入赔付率预测模型中，结果发现效能提升了30%。只要找到相关关系，一些看起来与赔付没有因果关系的因素也可以用在核保中起到重要作用。美国联邦贸易委员会的一份报告证实，信用好的消费者，其未来的索赔率较低。保险公司可以把客户的信用记录、生活消费方式、位置信息等考虑进核保的因素中去。而这些信息在大数据时代下都可以被量化并且能够取得。

（3）建立智能化核保

通过大数据分析建立模型，保险公司可以实现智能化核保，将前台处理变为后台处理。再加上如今功能更加全面的计算系统能够对收集的数据进行快速地计算和处理，效率比人工处理高出很多倍，能缩短客户等待的时间、有效地降低成本。

传统的自动核保往往只使用一些少量的因素来判断风险，超出这些因素以外的就需要人工审核。人工审核成本较高，但效果却不一定好。例如寿险公司通常会用“免体检额＋抽检”的方式核保。从体检的整体结果来看，通过简单的自动核保筛选出来的客户体检阳性比例偏低，体检效率偏低。

如果保险公司累积了丰富的历史数据，就可以通过建立不同类型的高风险预测模型，并将这些模型的预测结果转换成风险评分纳入自动核保规则中，通过智能化的核保缩减人工核保的工作量，提高核保效率和准确度。从模型的算法来看，主要可以分为回归预测模型和机器学习预测模型。回归预测模型需要预先设定模型自变量间的交互作用，预测的结果稳定，可解释性强，易于理解，建模数据规模灵活，适合于在数据积累不够丰富的情况下运用。回归模型中的广义线性模型在保险业的使用时间比较长，接受程度较高，是目前财产保险公司车险定价等量化分析工作及寿险的核保建模的首选模型。由于广义线性模型更多地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，或自变量间存在相互关系时，采取广义相加模型能有更好的拟合效果。在大数据条件下，机器学习模型能够发挥更好的作用。

机器学习模型在数据规模小、质量差的条件下容易产生过度拟合，但如果数据量足够大，可以有效检测出模型因子之间复杂的结构关系而不需要预先设定自变量之间的相互关系，模型算法稳定，预测效果较好。一些大中型保险公司的历史累积数据较多，可以率先引入这类模型优化核保程序。常见的机器学习模型包括决策树、神经网络、支持向量机和随机森林等。以车险的决策算法为例，可以以所有与风险有关的历史信息为依据。这些信息可以包括客户信息、标的信息、历史投保信息、历史理赔信息、行为信息和风险信息等。每类信息下又包括各种数据，如客户信息中可以包括投保人年龄、学历、婚姻状况、职业等，标的信息可以包括车辆的型号、颜色、号牌和配置等，历史投保信息包括各个险种多年的保额、保费和折扣等数据。把这些数据都作为变量，以风险水平作为预测目标。用历年的数据形成整个模型训练的数据，训练的结果用来对投保单进行评分，预测该投保单申请通过后未来1 年的赔付率。通过算法会生成类似图5.3 中的决策树。决策树会给出每一分支的测算概率，如果某一特定客户群的风险大大超过了平均风险水平，就着重审核这一群组客户的风险。如此一来，即使是涉及的变量非常多，只要有足够大量的数据，都可以通过不断地训练选出与风险最相关的因素。在保持风险水平不变的情况下，可以提高自动核保的比例，从而降低人工核保的成本，提升客户的满意度。

保险公司实现自动核保由来已久，各保险公司可以根据自身情况对自动化系统运行规则予以定制和修改。大数据维度的增加也会使得自动核保朝着更精细化和准确化的方向发展。平安保险公司通过建模，已经可以实现车险95%以上自动核保，寿险70% ～80%自动核保。太平人寿保险公司超过60%的新保单申请能被自动处理，整体核保处理速度及容量大幅度提高。目前其承保部门平均处理一份保单申请仅需0.2 秒，24 小时便可以处理432 000 份保单申请，相当于2 000 名员工一天工作量的总和。

图5.3　车险赔付率预测决策树