识别与风险相关联的因素的优化方向

核保是保险公司防范风险的一道防线，通过核保，可以将风险过大的保险标的剔除以保证承保标的和费率的匹配。传统的保险在进行核保时通常会从多个方面来进行审核，如通过业务员与保险标的的实际接触来进行判断，通过相关的检查（如要求被保险人进行体检），通过单证的审核。这些审核有的可能并不够客观，特别是在业务员的收入与销售保单的数量挂钩时，出于个人利益的考虑，业务员向保险公司谎报瞒报实情的案例不在少数。有的审核可能需要建立模型来寻找可能导致标的损失的风险因素，在我国实行询问告知，投保人在投保单中所填写的内容即是保险公司所要了解的风险因素，保险公司需要承担对风险因素失察的风险、投保人不如实告知的风险，对一些长期寿险即使投保人不实告知但只要超过2年保险公司仍然需要给付。

保险公司可使用借助大数据完成核保环节，分辨客户风险的大小。驾驶风险和饮食习惯的关系看起来不大，但一家澳大利亚保险公司却通过分析客户购物车的数据来判断车险客户的驾驶风险。经他们的分析发现饮用大量牛奶并食用大量红肉的客户驾驶风险较低，而食用大量意大利面和米饭并且在夜间开车和饮酒的客户驾驶风险高。

使用大数据技术识别风险，保险公司不再需要依赖事先建立损失和风险因素之间关系的模型，通过大量数据的分析找到一些相关性，最大限度地降低主观评价的影响。在英国发生过这样一件事情：纽约市政府的一个分析专家小组试图找到与建筑物火灾有关的因素。他们建立了一个数据库，这个数据库包含了纽约市内全部90 万座建筑物，并且在这个数据库中加入从建筑、税务、电力、卫生、警察等19 个部门所收集到的相关数据。经过对过去5年建筑物着火记录的比较分析，发现建筑物类型和建造年份是与火灾相关的因素，而令人吃惊的发现是获得外砖墙施工许可的建筑物与严重火灾的发生之间具有相关性。虽然专家小组所记录的建筑物的各种特征数据都不是火灾的直接原因，但这些特征与火灾存在相关性。

传统的火灾保险需要考察标的物所处的区域、周边环境、标的的结构、消防设施情况等风险因素，保险审核人员对每一项风险因素赋予一定的风险等级或评分，再根据设定的风险评估模型给出最终的风险系数，以此来衡量风险程度并进行定价。尽管看起来是较为科学的评定，但仅通过几个因素无法全面准确衡量标的的风险，在评分上也掺杂了人为主观因素。在大数据时代，不必探究因果关系，而主要从相关关系出发，只要分析标的物的各种特征与火灾的相关性，就可以给出较为客观的评价。(www.xing528.com)

退保率是反映保险公司业务管理风险高低的一个重要指标，识别与退保率相关的风险因素有助于改进业务，控制风险。虽然保险公司在对产品定价时会将退保率考虑进去，但如果实际退保率偏离预定退保率过高，则会影响保险公司的资产负债结构，破坏保险公司现金流，损害公司形象，同时，退保的往往是风险较低的人群，具有很大的逆选择性，会严重损害保险公司的利益。通常会认为退保率跟利率、失业率、居民收入和年龄等都有一定的关系。但具体到不同保险公司的不同保险产品的高退保率，风险因素就不一而论。曾经有保险公司利用大量数据研究其某款保险产品高退保率的原因。通过数据分析发现退保的保单存在几个特点：一是退保发生的时间集中在售出后的前两个月且多为销售人员自己购买的产品，二是退保集中在单张保费在一万元以内且大多产生于县级或乡镇级，三是保单的销售人员大多进入公司不到一年的时间。通过这些数据，公司进一步分析出退保原因：一是销售奖励制度设计不合理，公司为了鼓励销售，加大了奖励力度，销售人员发现“佣金＋销售奖励－退保损失”仍有结余，于是出现大量自保件退保。二是低保费的客户对产品收益感受不明显，容易选择退保，产品更适合向大中城市的中高收入人群销售。三是产品责任比较复杂，新入职的销售人员对产品了解不够透彻，不能在客户遇到问题时给予合理解答导致退保。通过大数据的辅助分析，保险公司得以对高退保率背后的原因进行深入挖掘，找到与之相关的风险因素，有针对性地采取措施，防止风险进一步扩大。

理赔之后，为了减少自身的损失，也为了维护法律秩序，让有责任的一方承担起自己应负的经济赔偿责任，保险公司特别是财产保险公司往往会努力通过代位求偿、再保险等来源获取最大的金额补偿。如今，大数据可以通过寻求与损失有关的风险因素来帮助理赔专员发现更多的追偿机会。美国曾经发生过这样的事情：保险公司注意到其承保的某些型号的SUV车辆有非常高的索赔率，不管是核保专员还是理赔专员都困惑于事故原因。通过研究相关的理赔数据，他们最终找到了这些型号的SUV 车辆翻车事故高发的原因，原来这些SUV车辆都配备了某种品牌的轮胎。于是，保险公司按照年份和车辆标识码从自己的数据库中调出已经赔付过的案例，并以此向生产这些轮胎的厂家进行追偿。当然，找到这样的风险关联因素后，相信保险公司在将来核保的时候可能又会将其考虑进核保要素中去。