UBI：大数据解锁车险改革新姿势

在这两种UBI的实现形式中，PAYD是相对简单的一种：利用车载GPS硬件设备，记录车主的行驶里程并自动传输相关信息给保险公司，依据里程数制定保费价格。南非Hollard Insurance是最早推出PAYD产品的保险公司。该产品的主要目标群体是驾驶里程少的司机，而设计模式类似于手机月度套餐方案，收费划分为Drive500，Drive1000，Drive1500以及不限里程的DriveMax等多个方案。但PAYD这种模式的主要缺点是未将被保险人的驾驶习惯考虑在内，比如急刹车频率等。

PHYD：更为严谨的UBI解决方案

PHYD是更加复杂的UBI产品，通过包含GPS、加速度感应器、OBD（车载诊断系统）模块的车载硬件设备来收集更多的行车风险因子，除了里程数据外，还包括驾驶人的实际驾驶时段、地段、具体驾驶行为等信息。利用这些大数据，可以更为精准地评估车主的行车风险系数。如美国第一大财险公司State Farm推出的车联网产品包含驾驶反馈程序，通过加速、刹车和转弯这三个变量给司机打分，差异化定价的同时还能够帮助客户监控自身的驾驶行为。

美国第四大车险公司Progressive Insurance在1998年推出了第一款PHYD的UBI产品。从那时起，UBI技术迎来了天翻地覆的变化。2012年，Progressive Insurance承保的UBI车险保单总保费收入超过10亿美元。预计到2020年，全美车险市场UBI保险产品的渗透率将超过25%，带来超过300亿美元保费收入。2011年，UBI保险在欧洲已经超过百万用户，预计未来10年欧洲市场的UBI保险保费将会达到500亿欧元。

当UBI保险产品在发达保险市场变得越来越普遍，扩张到其他国家的保险市场是必然的趋势，如加拿大、亚太地区、南非以及拉美市场等。同时随着车联网硬件设备成本的不断降低，采用PHYD产品形态的UBI产品将会获得更大的增速。

大数据来临时的机遇与挑战

保险行业从形成的那天起，就是带着以数据采集和分析为核心基因的行业。在过去，保险公司的历史数据主要还是限于自身的承保系统（保单管理）、理赔系统（赔案管理）和财务系统（财务数据）。但到了今时今日的数据爆炸性增长的年代，互联网、车联网的快速发展，保险的商业模式也随之而演变成为纷繁复杂的大数据行业。

就车险行业而言，首先，车联网产生的数据量是巨大的。车载硬件设备在每一秒都会产生一条数据，这条数据可包含日期、时间、速度、经度、纬度、加速度或减速度、累计里程数以及耗油量等。取决于开车频率高低以及行程长短，一个客户一年的秒级的数据记录大约会从5M到15M（而传统模式可能仅为一条记录数据）。若客户量到达了10万，这就意味着一年产生的数据量将达到TB量级！

除数据量爆炸性增长外，保险公司还需应对不同车联网硬件设备以及相应的不同数据格式。比如2009年，美国第五大财险公司Liberty Mutual为营业团车启动车联网项目时，至少使用了来自五家不同硬件设备供应商的数据。

保险公司主要使用硬件设备包括：嵌入式导航系统，比如通用的安吉星；OBD设备，比如Progressive Snapshot；营业车车载盒子；以及智能手机。每种硬件设备都有各自的优点，但同时也都存在一些缺点，比如硬件成本以及数据丢失和失真导致的数据质量问题等。

建议：

保险公司在应对UBI带来的海量存储数据时，必须要制定公司数据管理策略。数据管理策略应该建立标准的、统一的解决方案，相关工具以及方法，同时制定数据管理流程来管理公司核心资产-UBI数据。同时数据管理策略应该考虑灵活性以及可扩展性，需要考虑数据潜在的增长，以减少未来在数据过滤、合并、布局方面额外付出的成本。

数据管理策略关键考虑4个方面：

1）数据整合-提升整个组织内准确的UBI信息的流转；

2）数据质量-确保信息的完整性和准确性；

3）数据访问-管理企业内数据使用及访问；

4）统一数据-创建准确的、统一的数据视图及口径。

如何找出高风险客户

谁是高风险客户？是一个每年行驶仅8000公里的都市上班族？还是每年行驶里程超过30000公里，但大多数都是在高速公路上的区域销售经理？研究表明，交通事故发生率与行驶里程之间是相关的；但通过比较2008年英国不同道路类型的事故数据，又发现高速公路每公里事故风险比其他道路类型每公里的事故风险低80%。所以，如果没有UBI数据和大数据精算技术，我们是很难判断谁是高风险客户的。

面对通过车联网收集的这些海量数据，保险公司如何知道哪些变量是具有可预测性的，哪些变量能够很好预测驾驶行为、可以很好预判理赔损失呢？

保险公司同时还面临另一个问题，那就是达到多少的数据量才能得出统计学意义上的可信结果？通常业内一般都认为至少需要10000车年以上。

建议：

实现变革的其实不是UBI技术，而是车险公司本身！只有通过对驾驶行为数据的深度挖掘及分析，保险公司才能够构建精准的UBI定价模型，才能够评估和衡量车联网提供的成百上千的新变量是否有效。首先可以利用一些传统的仍然有效的统计学工具，例如，保险公司可以从相关系数矩阵（如下图示例）快速识别出哪些变量是具有相关性的，以及各变量之间的相关程度。

其次，保险公司不能仅仅依赖于传统的统计方法来分析UBI数据，考虑到UBI数据量比较大，保险公司应该考虑能够支持海量数据分析、数据挖掘的专业性工具。

来自数据模型的挑战

汽车保险在很多国家都带有强制性（比如交强险以及费率管制），从而造成了汽车保险市场同质化竞争的激烈性，使很多中小保险公司长期处于亏损之中，原因就是汽车保险的定价并没有与个体真实风险相匹配。比如（在不考虑车型因素情况下）：

• 一个年行驶里程5万公里的客户和年行驶里程5千公里的客户支付同样的保费；

• 一名谨慎驾驶的老司机与一名喜欢飙车的年轻司机支付同样的保费；

• 在欧洲，虽然男性司机的风险是女性司机风险的3倍，但他们仍然支付相同的保费。

UBI车险彻底打破了上述不合理的现象，还给车主一个公平的保费，也帮助保险公司有效地控制了风险，改善了盈利状况。虽然很多反对者担心UBI所带来的隐私问题，但有一点大家都是认同的：UBI车险提高了定价的透明度；通过UBI系统，被保险人了解到他们的保费是如何计算的，同时他们知道好的驾驶行为是被认可的。

UBI使得保险公司能够向个人客户展示其驾驶行为信息，并鼓励、促使客户驾驶更安全。驾驶行为信息可以通过驾驶行为仪表盘以及KPI指标的方式展示。例如英国保险公司- Young Marmalade的UBI产品，当客户驾驶行为出现恶化，风险指示颜色进入红色区域，公司会及时给客户发送预警邮件。

UBI还为汽车保险提供很多种定价的可能性，如基于实时数据来实时定价等。未来的车险甚至可以做到按月度使用情况来支付保费，不是基于半年或全年基准，类似于水电煤话费等公用性付费。

上述创新都是基于UBI大数据精算模型，模型精准与否直接决定了UBI产品的成败。车联网数据中可能影响UBI的变量很多，但是，UBI定价模型中使用太多的变量信息本身也存在着较大的风险，因为这些变量本身就是相互作用、错综复杂，在未搞清楚他们之间具有统计意义的关系之前贸然将其撮合，必将导致预测结果的偏差，所谓失之毫厘谬以千里。例如，英国保险公司- Norwich Union，在2006年发布首款的PAYD产品，由于其定价结构太复杂，从而增加了客户财务的不确定性。

建议：

利用UBI数据来实现个性化的定价和提供实时风险信息看起来简单，但要真正地实现落地，是比较复杂的，需要非常专业和高效的分析能力。

UBI的梦想会在中国实现么？

中国的商业基础已经把UBI所需的技术和环境全搞定了。车载硬件设备以及数据存储技术已经足够成熟，成本也低廉；互联网翻天覆地、日新月异的发展为UBI的推广提供了充足的动力。UBI成功的核心条件只剩下了行业内的三个因素：

1. 保险公司是否有足够的降价空间

中国车险业的中介费用相当高，保险公司有空间去降价；保险公司把给渠道的费用给到消费者，用20%的差价吸引客户，客户一定会更容易接受UBI；

2. 保险公司现有风险识别能力是否足够充分识别客户

中国的保险公司在过去十年里从人因素几乎没有积累。UBI的引入将会是技术上的跨越，对风险识别的能力一定会有一个极大的提升，保险公司没有理由拒绝；

3. 法律法规是否允许

目前商业车险费率改革正在如火如荼地进行中，虽然这次改革离放开自主定价权还有不小的差距，但可以看出中国保监会的态度是力推改革的。UBI也许是中国车险市场份额板结化之前留给各家保险公司最后的机会。

[上一条]：大数据及UBI技术在车险中的应用场景分析

[下一条]：互联网车险的未来会是UBI吗？