京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据成互联网保险新利器 安全管理水平待提升
保险公司正通过借助人脸识别等科技条件为展业提供方便,对于应用大数据“改革”业务模式非常看重,但业内人士认为,虽然大数据有利于互联网保险发展,但行业大数据分析开展得相对较差,技术应用方面存在不均衡现象。目前,支撑互联网金融的大数据、云计算等新技术发展还不成熟,安全机制尚不完善,安全管理水平有待提升。
互联网技术革新付诸实践
保险公司正在借助技术为投保人提供更加便利的风险保障服务体验。弘康人寿发布的2016年互联网保险服务标准中,在保全环节引入人脸识别技术,通过后台比对身份证照片和公安部下的身份证认证中心照片智能比对,代替了人工认证。
弘康人寿相关负责人表示,人脸识别技术已经比较成熟,银行、券商等金融领域都有广泛应用,人脸识别服务可以看作是全自助服务中的优化创新,也是将更多的半自助和人工保全服务变为智能自助服务的解决方案。未来,弘康人寿预期将人脸识别应用到更加复杂的服务中,比如传统服务中需要派遣人工做生存调查的生存金领取等保全项目。
人保财险副总裁王和认为,大数据时代的到来,使得保险大规模、多样性、实时、潜在数据的获得及快速分析成为可能,保险价值主张将发生根本性变革。保险全面渗透到客户日常风险管理已成为可能,未来作为传统保险经营的核心环节,承保只是保险的前端和客户的触点界面,真正的核心价值体现在后端的专业化风险解决方案。
保险业权威机构通过对国内保险公司的调研发现,中国保险企业对于应用大数据“改革”业务模式都非常看重,而且也有不少企业已开展相关实践,且大多数未开展的险企也表示计划在3年内开展相关应用。在被调研的保险公司中,63%的车险经营公司已开展车联网应用,16%已开展平台生态圈实践。
华夏保险董事长李飞在“2016中国互联网保险大会”上提出,“互联网+”时代的保险业发展的两大趋势:一是互联网技术应用将大幅提高保险公司经营效率,降低管理成本,提升客户体验效果;二是互联网技术的发展,将带来客户消费行为和习惯的改变,推动商业保险模式的改变,催生行业的创新。
需提升技术应用能力
前述行业权威机构对中外保险机构开展调查研究发现,互联网技术对保险业的影响按深入程度可分为两类:一类是对传统保险价值链的升级再造,称之为“大数据改良”;另一方面是对传统产业边界的突破,称之为“大数据改革”。“改良”提升了保险业的服务能力、盈利水平和企业价值,而“改革”则有可能彻底改变人们对于保险业的固有印象。其中,大数据对传统保险价值链的改造与升级,主要体现在风险评估定价、交叉销售、客户关系管理、理赔欺诈检测、理赔预防和缓解等五个环节。
保监会原副主席魏迎宁表示,保险业开展大数据分析,可以发现不同群体的保险需求,有针对性地开发保险产品,减少风险的不确定性,精准定价。有了大数据分析,以前不可保的风险可以变成可保风险。同时,保险业也有条件进行大数据分析,因为保险业务的信息化和数据的集中管理使保险公司获取了大量的数据,再加上外部数据,数据规模十分庞大,但现在保险业大数据分析开展得相对较差。
数据也透露出行业在技术应用方面的不均衡。中国保险业在大数据应用方面的现状调查统计结果表明,保险公司对大数据应用于“改良”的现状中,最积极推进的为风险建模,占比达63%;其次为风险评估与定价、新客户获取、活动管理,占比均大于40%;在其它方面的应用占比尚较低,特别是索赔预防缓解方面,仅有11%的保险公司正在开展。分析人士认为,过去保险企业IT 技术的应用,侧重于通过数字技术拓展销售渠道,重点提升网销、电销及移动展业能力。未来,互联网技术将颠覆性地变革保险公司的基本商业模式。
复星保险集团执行总经理高立智认为,互联网保险防范风险的重点在销售误导和信息安全,全面、充分地信息披露和风险提示尤为重要。目前,支撑互联网金融的大数据、云计算等新技术发展还不成熟,安全机制尚不完善,安全管理水平有待提升。互联网保险的业务数据和客户个人信息全部电子化,信息安全若得不到有效保障,将有可能酿成业务数据和客户信息灭失、泄露的重大风险。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14