何为大数据？大数据(Big Data)，指的是所涉及的数据量规模巨大到无法通过目前主流软件工具，在合理时间内达到获取、管理、处理、并整理成为帮助企业经营决策的资讯。大数据的 “大”并不是指单纯的数据节点的绝对数量，而是指相对于传统的随机样本数据而言。因此，大数据就是指不用随机分析法这样的捷径，而采用所有数据的方法。确定大数据的四个维度即“4V”：数量（Volume）、多样性（Variety）、速度（Velocity）和精确性（Veracity）。

根据IBM商业价值研究院与牛津大学赛德商学院的调研结果，两个重要趋势使得大数据时代与之前有着显著的区别：

1.进入数字时代，产生了大量的新型实时数据。其中，非结构化数据占据了很大一部分，包括流数据、地理空间数据和传感器产生的数据，这些数据并不能完美地适用于传统的、结构化的、关系型数据仓库。

2.当前先进的分析技术（ Analytics）使得各组织能够以从前无法达到的复杂度、速度和准确度从数据中获得洞察力。

必须强调的是，大数据分析（Big Data & Analytics）的本质是企业对数据的使用方法将发生根本性的改变：数据和分析将成为创意活动和新想法的重要参考，成为创新本身的核心部分，成为业务决策的重要依据，如右图所示：

随着互联网与信息数据的快速发展，大数据分析对于任何一个企业而言已经变得至关重要，如何将大数据分析应用于企业决策和经营，是每一个企业必须要考虑的问题。在保险行业，企业拥有海量的各种类型的客户数据，通过大数据分析驱动企业精准化运营，是保险企业转型的必由之路。

利用大数据分析的几个应用场景

在大数据分析的支持下，保险企业将有可能真正实现“以客户为中心”，把客户分为成千上万种，每个客户都有个性化的解决方案及量身定做的服务，这样保险企业就重构了商业模式。

大数据分析的技术已经不是主要问题，最大的挑战是企业如何确定适用大数据分析的应用场景。从目前看，保险企业利用大数据分析实现转型的几个关键应用场景包括产品定价和核保、市场营销和销售、客户服务和理赔运营。除了直接面对客户的场景，保险企业在内部运营包括财务、HR及偿付能力和风险管理上也同样可以通过大数据分析来提升运营效率。

1.产品定价和核保 （Pricing & Underwriting）

大数据分析可以帮助保险企业挖掘分析由各种渠道包括Telematics产生的各种类型的数据并基于此制定精准的针对每个客户的产品定价和核保模型。

以车险为例，保险企业可以利用Telematics与大数据分析，将客户所有相关数据（包括每一次维修、每一次驾驶路线、每一次事故影响、每一天汽车部件的状态甚至客户的每一个驾驶习惯等）收集起来进行实时分析。由于每一个客户的数据都是独特的，因此，保险企业完全可以根据分析结果给出量身定做的保险解决方案，包括保障内容和保费定价。在没有大数据分析之前，这是完全不可能实现的，保险企业只能采用行业惯例，将所有车险客户进行简单分类，如连续两年没有出险的、过去一年没有出险的、过去一年出险一次和过去一年出险一次以上的。只有利用通过大数据分析得到的客户洞察，保险企业才能真正实现以客户为中心，提供真正意义上的“个性化解决方案和定价”。

美国领先的保险公司Progressive（美国前进保险公司）推出了汽车保险Snapshot计划。Snapshot从车辆中安装的一个移动设备获取数据，该设备记录了客户的驾驶行为，包括驾驶时间、行驶里程，行驶路况，启动和制动的次数等。Progressive利用分析技术对这些数据进行分析，获取到客户的多维度个性化洞察，并据此制定了真正量身定做的保险解决方案，保费也是基于客户驾驶行为和预期驾驶结果来计算，而不是根据传统的大数法则来计算。

2.市场营销和销售（Marketing & Sales）

在中国保险企业宣传模式比较同化的背景下，传统的市场营销推广手段存在着投入大但效率低的严重问题。在大数据分析时代，保险企业的营销推广可以利用多种互动渠道与准客户进行交互，理解准客户的具体情况和潜在需求，然后进行针对性的保险品牌宣传和产品服务推荐，真正实现“在合适的时候，通过合适的渠道，接触到合适的客户”。

具体而言，保险企业在营销推广方面，可以借助大数据分析，根据各种维度，如年龄、行为、财务状况和保险需求等对潜在客户进行分类，对不同客户群制定个性化的精准定向市场营销策略。精准定向的市场营销不仅更加有效，还会让客户感到贴心。与之相比，传统的宣传单轰炸式的营销方式显得生硬，效率也低。因此，精准定向营销也是改变保险业形象的必由之路。

在新的CAMS（C-云计算；A-大数据分析； M-移动；S-社交媒体）环境下，大数据分析是增强保险企业竞争力的有力武器。通过大数据分析，保险企业可以了解准客户的情况及偏好，并准确预测准客户的购买行为，在极有可能成为客户的人群中重点开展销售活动，包括新的销售（Customer Acquisition），交叉销售(Cross-Sell)及追加销售(Up-Sell)等。

法国责任保险的领军企业GMF，通过分析3亿的潜在客户资料，极大的推进新客户获取、交叉销售和追加销售的成功率，并且建立了客户全生命周期的价值模型。 GMF的客户数据分析策略包括将其自身的企业数据库与第三方的数据如地区统计数据及人口统计数据整合，然后建立一个专门统一的大数据分析平台，使用 1500多个变量进行不同纬度的分析，找出各种场景下的相关关系并制定针对性的营销推广策略。

国内保险企业在利用大数据分析提升销售成功率方面较为成功的一个案例就是招商信诺电销对信用卡客户的数据分析，其主要思路就是通过持卡人的行为数据分析，建立客户购买保险产品倾向性的模型，以提高电销的成功率。另外一个较为成功的案例是中国平安建立的客户价值分群体系和客户大数据分析平台，助力平安集团不同子公司之间的交叉销售。

3.客户服务（Customer Services）

客户服务的本质是通过提供优质的售后服务，降低客户流失率，在挽留老客户的同时，争取吸引第一足球网：的新客户。其中，挽留客户是客户服务的重中之重。优化客户挽留方案，就是通过大数据分析以提高客户的续保率，尽最大可能保留住高价值的老客户。现在由于市场竞争激励，保险公司的前置销售成本非常高，个别渠道的佣金甚至超过首期保费，续保率对保险企业的作用不言而喻。尤其是对于已经拥有一定规模的保险企业，在竞争日益激烈的市场上，如何保留住自己的客户，是一个非常重要的战略问题。

大数据分析对于保险企业优化客户挽留方案有着举足轻重的作用。保险公司可以在已有客户的数据基础上，整合客户信息、险种信息、销售人员信息等结构化数据及通过社交媒体收集的客户交互信息等非结构化数据，建立数据分析模型，筛选出影响客户退保的关键因素，对客户的退保概率或续期概率进行估算，识别出高风险脱保客户，并制定个性化的客户挽留举措，尽可能降低客户的流失率。

Nationwide Insurance（美国全国保险公司），是美国最大的金融保险服务公司之一，提供金融和保险的各种服务，如资产管理、储蓄、人寿保险等。该公司近年来通过实施大数据分析转型项目来提高客户留存率并取得积极的效果。该公司利用收集到的各个交互渠道的信息对所有客户进行定期分析，并基于影响客户留存率的多个维度对客户进行打分（Scoring），针对识别出来的高风险脱保客户推行量身定做的挽留方案。正如该公司客户信息管理副总裁Kathy Koontz指出的那样，“当我们主动联系客户的时候，我们的服务人员已经掌握了客户的最新动态及其最关切的问题，我们可以向这些客户证明公司真正了解他们、在意他们并希望与他们长期合作。我们推行的挽留方案是真正基于客户的潜在诉求的，因此也是最能打动他们的。”“通过大数据分析项目，我们看到客户挽留增加了1.5%至2%，而每个增加的百分点都在赢利的基础上回报给公司数千万美元”。

4.理赔运营 （Claims Operation）

据统计，保险公司2/3 的费用花在理赔处理和赔款支付上，如何优化理赔处理流程和有效识别理赔欺诈是每一个保险企业必须要重视的问题。利用大数据分析，保险企业可以优化端到端的理赔处理流程、损失预防和理赔欺诈识别。

现在各家保险公司都在激烈的市场竞争中不断提高自己的服务时效，但对理赔运营来说，提高理赔时效，精简理赔流程对于某些客户来说就是实施保险欺诈的机会。如何兼顾效率与风险监管，成为保险业关注的问题，这方面大数据数据分析可发挥其作用。

同时，利用大数据分析可以极大提高理赔运营操作效率、提升客户体验。在大数据时代，保险企业可以实时获得客户的出险信息，并及时主动地向保险客户提供理赔等服务。例如，某客户在高速公路上驾车出险，通过Telematics保险企业就能及时获得报案信息，在客户没有向保险公司提出理赔申请之前，主动地向客户提供理赔服务，真正做到贴心服务。

通过大数据分析，保险企业能够利用既往的经验数据，寻找影响保险欺诈最为显著的因素及这些因素的取值区间，建立保险欺诈识别模型。理赔人员可轻松运用数据分析结果，给每个理赔案件进行“欺诈评分”，快速将理赔案件依照滥用欺诈可能性进行分类处理，根据分数高低快速支付理赔金或决定勘查。同时，智能勘查可以提供给理赔人员明确的追查方向及医院地理信息系统，协助理赔人员找出异常就诊状况。

作为南非最大的短期险供应商，Santam同样曾面临保险欺诈的困扰，欺诈损失曾经占到Santam客户每年保费的6%至10%（欺诈导致的成本上升通过以更高保费的形式转移到客户身上）。同时，为了应对可能的欺诈，Santam不得不放慢理赔处理速度，通常的索赔至少需要三个工作日才能完成，这严重影响了Santam良好的客户服务声誉。通过使用先进的大数据分析解决方案，Santam有能力及早发现欺诈，依据已经确定的风险因素评估每个索赔案件，并且将索赔划分成若干个风险类别，不同的类别进行不同方式的处理。借助该系统，Santam不仅节省了数百万美元的保险欺诈损失，而且还显著提升了低风险案件的理赔处理时效，绝大多数正常的索赔案件在不到一个小时即可处理完成。大数据、预测分析和风险划分帮助Santam公司成功的优化理赔流程并防范理赔欺诈。

如何推动大数据分析转型项目

1. 夯实基础

作为实施大数据分析转型的第一步，保险公司需要分析企业内部和外部所有可获得的数据源。通常来讲，可以从四个维度进行分析，即内部数据，外部数据，结构化数据和非结构化数据，见下图：

在移动互联时代，保险企业可以采集到的大数据来源更加多样化，如企业网站、社交媒体、Telematics、OBD设备、第三方数据等。所有的数据来源构成了保险企业的重要“资产”，即整合的大数据库。

对于各种类型的数据，保险企业需要进行有效的收集和管理。同时，为了后期能最大化数据的使用，保险企业必须要制定相应的数据标准，确保各种类型数据的准确性、一致性和可转换性。

在分析了保险企业可以获得的各种数据之后，保险企业应该根据自身情况，分析未来希望增强的分析能力。通常而言，大数据分析能力包括查询与报表、数据挖掘、数据可视化、预测建模、优化、模拟仿真、自然语言文本、地理空间分析、流分析、视频分析和语音分析等。

同时，保险企业应在企业内部营造无所不在的分析文化，培训或者招聘有分析思维和能力的大数据分析人才充实到所需的各个岗位。保险企业必须要明白，虽然数据和技术也是不可或缺的，但是真正使得企业取得成功的关键是企业员工要建立大数据分析的创新思维观念及企业内部无所不在的分析文化。

2. 制定规划

保险企业应该根据自身业务需求和挑战制定大数据分析的蓝图，包括保险企业内部的大数据愿景、战略和要求。各个业务线的需求和IT实施路线图之间做到协调非常关键，有助于实现第一足球网：企业如何利用大数据分析改进业务指标的一致理解。

有效的蓝图通过确定大数据分析适用的关键业务场景，规定如何使用大数据分析的业务流程要求，以及包含实现该蓝图所需要的数据、工具和硬件的架构，从而定义了企业内大数据的范围。

在大规模实施大数据分析转型之前，保险企业应该在企业内部就如何利用大数据应对各种业务挑战进行持续讨论，包括制定和量化业务投资回报分析，创建企业层面的转型路径图。路径图需要考虑企业目前的数据、分析技术和技能，然后确定从何处开始，以及如何制定与企业的业务战略相匹配的转型计划。

在确定了转型路径图之后，保险企业可以根据实践情况，选择某个领域，如市场营销和销售，进行概念验证测试（PoC），以确认与实施大数据举措相关的要求，并且达到预期回报。

3. 逐步完善

保险企业在明确了企业级的大数据分析蓝图之后，根据制定的转型实施路径图，分阶段分步骤的建立并完善大数据分析平台，包括直接与客户接触的核心业务链，如产品定价和核保、市场营销和销售、客户服务及理赔运营等，也包括企业内部运营领域，如财务管理、HR及偿付能力与风险管理等。同时，整个转型需要配合组织和流程变革，并需要进一步夯实企业内部的分析文化。只有这样，保险企业才能真正实现大数据分析驱动的业务转型。

总之，保险企业应该充分利用大数据分析带来的契机，制定大数据分析战略、蓝图和实施路径图，分步骤分阶段的在各个情景下应用大数据分析，通过大数据分析驱动保险企业真正的向“以客户为中心”转型。

夯实基础

● 分析企业内部和外部所有可获得的数据源

● 分析企业预期要强化的大数据分析能力

● 强化企业内部的数据分析文化，招聘及培训大数据分析人员

制定规划

● 制定企业的大数据发展战略

● 制定企业大数据发展的未来蓝图

● 制定企业大数据转型的实施路径图

● 根据业务需求和挑战，选择场景实验大数据分析举措（PoC），以验证价值和要求

逐步完善

● 在PoC的基础上，按照确定的实施路径图，在与客户接触的应用场景中实施大数据分析项目

● 在企业运营领域实施大数据分析项目（财务、HR及偿付能力与风险管理）

● 完善大数据分析平台，支持各个业务线运作