航空延误保险产品介绍及经验分享
摘要
公开数据显示,2011年至2016年,航延险保费收入由2200万元增长至约9.5亿元,5年间增长近46倍。从机票转化率来看,2016年机票量为4.88亿,以件均价格20元计算,2016年航延险保单量约0.47亿,机票向航延险的平均转化率约为10%。2017年以来,这一比例更是大幅增长,最多的7月、8月,甚至超过50%。 本文从航延险的产品形态介绍,到基本的数据统计及定价策略,并结合一些国内外市场情况的统计来向读者多维度地阐述航延险的特点。同时以慕尼黑再保险与天气科技一同开发的动态航延险为例,将一些经验分享给读者。 慕再航延险产品具备以下特点: 以大数据为基础,通过机器学习算法建立预测模型。 模型定期自动更新,将延误趋势、偏离度等进行不断优化。 固定保费,动态计算保额。结合天气因素、机场交通状况、历史航班延误等信息。 保额呈阶梯型增长,延误时间越长,可以获得的保赔付越高; 一整套完备的风险管控机制,极大程度上杜绝“薅羊毛”行为。比如针对极端天气和历史出险情况制定相应核保规则。 航延险特点 从保险产品的角度,航延险有以下几个特点: 判赔简明清晰,因此盈亏情况比较透明,方便公司管理层进行决策。 判赔理赔都可以自动完成,减少理赔费用。 投保人有可能提前获取航班的延误信息,进而投保获取高额赔款(“薅羊毛”行为)。 海内外市场 中国市场航延险保费规模及发展趋势 海外市场航延险产品形态 海外市场航延险的产品形态与国内相比大同小异,比如安联在马来西亚对于国内飞机延误超过30分钟赔付50RM(令吉),保费10RM(令吉);Chubb在欧美和澳洲均上线了可供客户自由选择起赔时间的航延险,从延误30分钟到90分钟分为几档,保费根据所选起赔时间点不同而不同。 另外,由于航空公司本身会对某些原因造成的延误做赔偿,但是由于理赔流程繁琐,市场上开始出现一些公司代消费者做理赔的现象,代价是公司会收取理赔款中的一部分费用做为佣金。 产品形态 目前市场上的航延险可以根据三种方式进行分类: 数据及模型 1) 模型数据 2) 国内航空客运情况统计 3) 机器学习模型 结合多种算法,决策树、随机森林、Xgboost等模型,并进行参数优化,寻找最优模型。 从变量重要性角度,起飞时间,起降机场,预计飞行时间,温度,风速,降雨量等都是影响延误概率的重要因素。 定价策略 定价策略遵循精算定价模型: 毛保费 = 纯风险保费 + 费用 + 利润 其中,纯风险保费通过机器学习模型的预测概率以及保额计算得出。 定价中同时应该考虑为保额保费设置上下限。具体数值需要基于历史数据以及模型预测结果进行反复模拟测算。 在目标赔付率、费用率、利润率、预测延误概率等指标测算制定的过程中,需要结合历史数据进行模拟测算,需要关注(包括但不限于以下几点): 测算后的预期赔付率是否满足公司制定的目标赔付率; 整体保额的分布是否满足公司销售预期; 整体保费的分布是否满足公司销售目标; 最高保额是否超过公司风险限额; 基于现有保费和保额分布,未来预期的销售量; 考虑模拟极端情景下的赔付结果; 慕再航延险产品 慕再思韬同天气科技合作,在2018年启动动态航延险产品研发。 该款产品以航空公司数据为中心,结合机场交通、天气情况等多维度大数据作为基础,使用决策树、随机森林、Xgboost等多种机器学习算法进行数据挖掘。并配套完备的核保及风控规则。 笔者在这里将这款产品在研发、上线过程中的一些经验分享给读者,希望能够提供一些启示。 产品形态 在研发产品形态的过程中,将保费设置在一个相对较低的水平。同时按照延误时间分为几个等级,随着延误等级的提高,保额也呈非线性增长。 风险管控 航延险近几年赔付情况一直不是很好的一个原因就是“黑产”,即通过预先知道的航班信息,来骗取高保额的行为。 慕再动态航延险产品从三个方面来进行风险管控: 模型更新 利用大数据优势,定期爬取航班数据,使用机器学习模型不断迭代,优化模型结果。 定期比较模型预测延误概率与实际延误概率的偏差率,对某些特定航线、航班进行有针对性的调整,降低偏差率。