风险定价能力为什么是保险行业的核心竞争力
去年刚回国创业的时候有个事让我很疑惑，我们中国只有80几家财险公司， 但是美国有2600多家，而且美国成立公司没有注册资本这回事，在监管最严的加州，申请一家财产保险公司最低要求是100万到260万美元之间，但迫于各种原因，我们中国的保险科技公司却要去拿保险经纪牌照，差不多要5000万的资本要求，这么高的门槛，对整个行业的生态来讲是非常不利的，尤其是车险这个领域。
高的资金需求——目前是20亿左右，会迫使投资人不顾一切的做大规模来求回报，这也是前几年保险市场乱象的一个根本原因。降低门槛，让大家容易进入，自由竞争，反而能促使各自寻找细分市场，小而美的活着，也可以更好的服务客户。另外，人家有2600多家公司，一家保险科技公司开发一套价值10万的软件卖给其中小几百家公司就可以活得很好；但是在中国的市场上你花很大的代价开发一套软件去促进行业效率提升，却只有80几家潜在客户，很不利于科技公司和保险公司的存活和发展。
我原先并不是保险行业的人，之前在美国的时候是做科研的，研究的是医药行业的数据模拟分析，后来进入工业界一直是做互联网与大数据的咨询，其中有一些保险行业的客户。第一次是在2015年的时候，帮保险公司做理赔的AI自动化的处理，包括自动化的信息提取和填补等。第一次接触保险的定价是因为美国的一家寿险公司的项目，他们卖寿险尤其是长期的寿险一般都会需要验血，通过血液检测的结果来判断你的健康情况然后出价格。这个周期很长，一般需要3个星期左右才会有验血的结果出来。 这家公司就找我们让我们用消费数据做一个模型看是否可以替代验血的结果，这是我第一次接触到保险的定价，也对此产生了一些兴趣。
那个项目是怎么做的呢？美国有三大征信公司，他们手里几乎有每一个人的信用卡的消费数据，我们帮他做了一套模型，用个人消费行为的数据去预测去替代验血，做到寿险的快速核保和定价。
怎么做到车险呢？2015年的时候我们监管开始搞费改的试点，中国德勤这边，我现在的合伙人赵昕带团队帮平安做中国第一套一车一价的系统，需要中美之间的合作，然后就一发不可收拾的陷在这个坑里（笑）。后来我们在2016年初决定出来创业的时候就选择了保险这个方向，我们主要的事情就是数据的整合跟加工——整合保险行业没有的，但对于评定风险来说又特别重要的数据，再通过模型生成很多保险公司可以直接使用的数据产品，同时再开发一系列的软件来帮保险公司做更好的决策，其中包括车险对不同的客户群体，具体的价格应该如何制定。通过数据产品与软件产品来服务保险公司。
七炅这家公司是2016年6月在上海成立的，一开始做的是特种车的保险，帮三一重工开发了中国第一个物联网保险产品。他们在车上装了很多的传感器，用传感器数据结合维修情况来判断每一辆车的损坏风险有多大，这是第一个被保监会批准为UBI保险产品。咱们乘用车做UBI的很多，但是至今没有产品正式批准。
做完这个项目以后,去年初的时候蚂蚁金服想把个人消费金融数据应用到车险风险评估上，开发一个‘车险分’产品，像芝麻信用分一样的。我们有幸参加了这个项目，给了他们一些指导，把这个产品做出来。可以说是中国第一个“从人”的因素比较系统性地应用在车险的风险评定上。
去年5月份的时候，我们正式决定进入传统车险这一块市场，并开发了两款产品。第一个是“洞察.车辆风险查询系统”，保险公司输入一个车牌号码，我们根据大数据分析进行一个风险评级。 第二就是“远见.车险业务政策分析和决策系统”，如何结合监管的很复杂的政策，以及保险公司自己的业务目标等等一系列的限制条件，将风险科学合理的转换为最终的价格。就像银行知道你的信用分以后，给你多少利率类似的。 在这上面我们开发了一套软件，让保险公司科学制定价格政策。 可以说这两款产品结合在一起可以可以把中国财产保险公司的定价水平拉到跟平安、人保差不多的水平上面去。今年主要的研发放在差异化定价上——利用我们的大数据然后去帮这些中小保险公司去寻找他们跟这些大保险公司的差异化的地方应该在哪里。
风险这个东西有巨型的，大型的、小型的，这两天讲的场景化的保险一般是偏向小型的保险，感觉是心理上的舒缓和安慰，比如你买的鲜花拿到手里是烂的，买了货要付退货费等等，他不会让你家破人亡，但是心里不爽，这个产品可以让你心里有点安慰；稍微大一点这种大型的可以是生命中不可承受之重，你出了车祸，得了疾病可能导致对家庭动荡，一两百万花出去，这个是生命中不可承受的；像巨型的地震海啸给整个国家或者大区域的造成攻击。 保险要来帮助分摊这些风险的话最基础的就是要对风险的成本进行一个科学评估，当你对风险成本没有充分了解，盲目去承担是非常危险的。
过去几年中国资本市场上很多的大佬对保险的风险成本不太清楚，所以搞了很多的寿险的产品，长期的这种寿险产品其实他的风险是非常难控的，而且他是一个长期的负债。我们过去两年保险市场很多的乱象跟资本市场对保险的逻辑缺乏了解有非常大的关系。大家都学巴非特，但是巴非特选择车险，车险的风险是非常可控预期，他是短期负债，他知道拿这种钱投资别的公司是很安全的。
风险定价能力为什么是保险行业的核心竞争力?
除了小型的风险，小型的风险除了基本的精算，他没有风险区分的需求。比如像航班延误险一样，那种保险平均10块钱的话，你卖8块还是12块意义不是很明显。但是对大型的风险一般来说就要对个体进行细微的风险区分，一般来说保险公司会把他所有的客户按照预测出来的风险排序分组，这个对保险公司的竞争他是非常重要的。
这里两条线代表的就是两家保险公司的风险定价能力，这条白色的相对弱一点，像那些低风险的客户倾向于跑到蓝色的公司去，因为他通过数据和模型能力可以挑出风险比较低的客户，来提供更加优惠的保费，长此以往就会越来越有竞争力。就跟银行一样，贷款需要多少利率才可以承担违约风险——这同样是挑信用好的客户能力。
但是这是不是意味着数据和模型能力越强的保险公司可以垄断整个市场，其实也不是。因为风险是有不确定性的，并没有一个真正的上帝预测你的风险绝对高还是低，他是基于大量的统计样本出来的结果，因为它的不确定性，保险公司需要集合一群人来，也就是用大数法则来分摊风险。具体的业务表现一个人他在不同的保险公司风险评级是可以不一样的。
我的印象里面好像每一年的车险车主出事的概率都在20%，也就是说80%的车主一年下来都不会出事，没有任何事故发生，连着三年的话基本有50%的车主连着3年都不会出事，从结果上看这些客户都是低风险的客户，但是在模型计算的时候大量的客户会被归类到不同的风险级别里面去。 假设我们只用一个变量来把所有客户按照风险等级分为三类，一个客户在这家保险公司是最高风险，但是在另一家公司里面他有可能是属于最低风险。
例如，车险行业里常用的最重要的一个因子是历史出险次数(NCD)，NCD系数越高意味着这个司机开车风险越高，但实际我们知道去年出险几次的司机很可能今年是不出事故的。另一家公司说我不用这个赔付次数因子，我用职业来分风险等级行不行？按职业类别把风险等级也分为三类。一个教师去年出了三次险，按NCD系数他是高风险，但按职业他就是低风险。因此不同的保险公司用不同的数据因子和模型，同一个客户在风险预测里面可能出现不同的结果。
那什么是第三代风险定价系统？
第一代的风险定价——我这里时间的划分不是特别精准，但是基本可以反映中国的一个情况，在2015年保监会决定第二次费改试点之前，各家保险公司的定价监管说了算的。到现在互联网大数据的时代，我们第三代的定价系统尤其是当费改越来越往前走的时候有必要结合人、车、环境这些因素来评估一个人开车的风险，这样才会更精准。不仅仅如此，对于中小公司来讲，在做这个基于大数据模型的定价最好还要考虑竞争对手的定价策略，分析自己的优势跟劣势在哪里，这样可以做到千人千面的定价，然后每家保险公司可以找到自己的优势定位。
在过去一年多当中，我们收集整理了差不多中国2.4亿车主的数据，还有2亿辆车的数据，300个城市的道路交通情况包括天气等等数据。有了这么多数据以后，可以做一些什么样的事情？具体来说，首先第一个可以帮助保险公司做以前或者现在竞争对手不太敢做的，比如说货车车险传统上是保险公司的一个老大难的问题。 现在很多公司按吨位来区分风险，两吨以上的就是风险比较高，不保。这也导致在一些省份，高吨位的车辆要跑到外省买保险，但是我们作为保险行业的人士来讲所有的风险都是可保的，只要你对他的风险成本有一个比较靠谱的估计。
我们用这些数据，结合一些货运企业的信息做了比较创新的一个模型，去评定每一辆货车的风险等级，这样子就可以帮助我们的合作伙伴做传统大保险公司不太敢做的业务，像平安在货车业务上一直很谨慎，就要因为他们比较看重风险管理但又没有可靠手段评价货车风险，那对于中小保险公司来说，只要有合适的定价能力，货车就是一个优势机会。我们的模型目前已经经过10多家保险公司的验证，风险预测和实际历史赔付的吻合程度相当高。
我们同时还采集了大概有36家保险公司，覆盖了348万辆车的769万次的报价数据，去分析这些公司报价的差异性。虽然说保监会对行业的费改还是限在比较窄的幅度上，但我们发现不同公司的报价策略还是有比较大的差异性。 这家公司是老三家里的一家，它在比较旧的车上面就采取相对比较保守的态度；另外这家是一家区域性的保险公司，比较小，在四川那边，虽然它占中国车险份额应该是只有0.4%左右，但是它在四川这个地区业务量相对它的体量来说大了不少，这是它在特定地域里面的品牌和影响力的一个体现；第三家公司是排名前十的财险公司，它对年轻人驾驶员就比较保守，因为年轻驾驶员一般风险比较高，它一般不太去碰。 总的分析下来一个结果就是各家保险公司在定价上其实是有一个比较大的差异性的。
这里是我们反向工程各家保险公司的报价策略的一个结果。在传统的定价维度上，比如年龄和车价这些因素，各家保险公司的差异点都在哪里？相关变量属性，在高风险区域上面，像车价30万以上的车，25岁以下的驾驶员，新车这些高风险的维度上面各家公司的报价差异还是蛮大的。我们做了一个矩阵，每个单元格对应于一个业务细分小组，去看各家保险公司报价（包括价格和费用）的对比，最后从这些数据分析和结果去看各家保险公司应该如何做差异化的定价策略。 可以基于大量的报价数据去反向工程各家保险公司的定价策略，如果把前面老三家或者老两家的保险公司的定价策略摸透，再用一些新的数据变量去做风险的预测和细分，之后然后再和各家保险公司去做对比，从竞争对手的报价策略去找到一些业务自己有比较大的优势。
如果你的竞争对手在最后出价的价格政策只用了5个变量做业务单元细分，像这一个细分单元小组，如果加上一个数据变量把这个细分单元作为一个进一步细分的话，你看你给客户的定价你就可以定到49%(相对于保监会的基准价)，但是你的竞争对手如果用了5个变量，他的折扣最多只能达到55%，你比他多出6个点的优势，这就是利用更多数据维度可以创造出来的定价优势。
另外，我们可以从一开始就跟竞争对手用不同的数据维度，去做这种基于风险的业务细分，做完了以后你可以一个格子一个格子跟竞争对手比，可以发现哪一个业务小组里面相对更有优势，然后在营销、渠道上都可以全面的配合。
比如说你有足够的能力在25岁以下别人都不敢碰，然后你就找渠道解决这个问题。这一批人群通常被定义为高风险，刚好在当前监管允许的范围内，他的定价实际上有足够的空间幅度，让各家保险公司去竞争的，其中大部分并没有打到价格底线上面去，如果你有足够的数据去把这些人细分，找出其中低风险的，就能获得优势，而避免面对面的恶性价格/佣金竞争。这就是我们目前在行业里面，用我们的技术手段和我们的数据，在行业里推广的一个理念。
最后我想花一分钟时间，提出一个问题。保险一开始是这种互助的形式，大家凑在一起，把钱给发生重大灾难的人，慢慢商业化以后有了各种技术能力来做产品的差异化定价等等。有一些差异化有利于整个行业的发展，同时又有正面的社会意义，比如车险，开车10年都不出险的司机为什么要补贴那种开车天天三天两头撞的司机，让这些高风险的人多出一点保费可以倒逼他谨慎驾驶。但是在另一个险种里面，比如说健康险，你在商业的角度上来说，你保一辈子都不会生病的人最好，经常生病的我不要，包括我们现在这几年健康险越来越多以后，带病投保或者说你生了大病以后第二年给不给你续保等等。 比如现在很著名的互联网保险公司推出的百万医疗，大家提出一个疑问就是我如果今年生了病，第二年我还能不能续保，在商业的角度讲他知道你生病概率高，他是偏向不给你续保的，但是在道德的角度，有病的人更需要保险，于是问题来了——这种道德逻辑跟商业逻辑相背离的情况应该怎么处理？这是我们值得思考的一个问题，尤其是在中国的这种政治体制以及社会环境下面，我觉得健康险越往前发展对于这个问题答案就越来越重要。
感谢大家。
