我们是否可以根据日常信息预测死亡率?

拥有众多数据的公司,如保险公司、银行或零售商等,在预测模型的帮助下,有机会简化其针对优质客户的核保过程。

今年早些时候福布斯网站上刊载了一篇有趣的文章,介绍美国超市Target如何在一位少女的父亲发现之前,就预测出这位少女已经怀孕了。Target选定诸如无香型肥皂和棉球等25种左右的产品进行分析,从而计算出购物者的“怀孕预测”数值。他们还发现,对孕妇预产期的估算可以精确到很小的时间范围内,并根据这一信息在孕妇的具体怀孕阶段寄发针对性的优惠券。

这个相当有趣的故事说明,超市使用智能数据已有了一段时间。

YouTube和iTunes也在使用智能数据,它们根据个人的下载历史来推荐视频或歌曲。一家在线约会网站还设计了一种程序公式,基于个人偏好及在该网站上的浏览习惯来推荐可能的“匹配对象”。

那么所有这些与保险业又有什么关系呢?财产保险公司已在利用智能数据为客户提供相关的产品服务,例如根据信用记录提供车险报价。然而寿险业在这一领域的发展却尚显不足。

如果根据日常信息就可以预测死亡率,情况将会怎样呢?

瑞士再保险全球加速承保负责人Paul Hately最近前往澳大利亚,介绍预测性承保。他认为预测性承保将会改变寿险业的“游戏规则”。

“预测性承保利用有关消费者的智能数据得出其健康状况的结论,” Paul指出,“前提是先要找出生活方式与死亡率之间存在怎样的关联,然后建立一个预测模型,从而改变承保过程。” 例如,瑞士再保险的一家保险合作伙伴就根据预测模型的评分,将“优质潜在客户”的承保过程从调查30多个健康问题简化至一个“入选/排除”的选择。

为达到这一目标,需要有两套删除了个人信息的数据源进行比较,  即描述个人健康(风险)的数据,如最终承保决定,以及独立的描述性数据,如银行账户或积分卡信息。然后对这些数据进行分析,找出其相关性。所发现的与健康相关的因素被称为“预测因素”(predicto),并结合预测性变量建立起一个计算方法,然后就可以计算出每个客户申请寿险时给予标准费率的可能性有多高。

Paul表示:“传统承保是在投保申请人中识别出不健康的少数群体,而预测性承保则使得我们能够接近尚未申请投保的大部分健康群体。”

任何有关客户的信息都有可能预测其健康状况。Paul认为 “数据自己会说话”,而且一些不太显眼的生活方式,如使用取款机的频率,也会具有预测性。

表1显示,英国的一家银行保险公司发现,其客户群中年龄大于40岁且每月使用取款机少于15次的人,在申请投保寿险时比年龄小于40岁且使用取款机多于15次的人更有可能被评点或被拒保。



表1:上月取款机提现情况(英国银行保险公司)

Paul指出:“通过降低寿险销售的主要障碍,即冗长的承保过程、完成申请书所需的费用和时间,预测性承保模式可能成为提供寿险的一种新方式。与全面承保产品相比,不仅客户对承保过程的满意度提高了,同时价格不会提高。”

表2显示了预测性承保方式与一些现有的全面承保产品的对比情况。

类别

典型的书面申请 – 全面承保

瑞士再保险预测性承保

问题数量

20+

1-5个勾选框

完成问卷所需时间

可达45分钟

<1分钟

销售点接受程度

可达40%

身体健康者为100%

保证理赔支付

可达70%

可达100%

所提供的产品数量

很多

1

顾问/非顾问式销售

顾问式

非顾问式

未披露风险

显著降低


表2: 传统承保和预测性承保申请对比

在过去12个月中,瑞士再保险已与英国的两家银行保险公司一起开发并推出预测性承保产品,在这一领域创造了优秀的业绩记录。银行利用信用记录对贷款进行预批,所以这种技术延伸至寿险业是很自然的发展。

Paul还提出:“如果你认为核保妨碍了销售,而且你的核保程序足够严格,同时你拥有足够数量和质量的数据来建立预测模型,那么这种预测模型就可能适合你。”

2012年5月