一直以来，保险公司致力于寻求提高运营效率的方法。加强风险评估与承保是保险经营的重要环节，尤其对于个人保险和中小型企业保险来说，保险公司更需谨慎评估。俗话说“要巧干，而不要苦干”，这句话正适用于承保的改进。对于保险公司来说，更“巧干”的工作方式是通过使用更多的数据、分析和机器学习来减少人工工作，实现降本增效。

根据麦肯锡近期发布的一份报告显示，数字化承保可以将赔付率提高三至五个百分点。保险公司要做到这一点并非易事，但可以通过一些实际举措来达成目标。而且，这无需开展一个为期多年的大型改造项目，而可以在日常工作中不断迭代，逐步改进运营。

第一步：多元化数据源助力提升风险评估精准度

利用不同的数据源可以更准确地了解风险，因为多元化数据源能够提供额外的行为洞察，同时提供总体风险程度评估。这种方法并不意味着需要大量数据源，而只需要正确的数据源即可，例如健身追踪器等替代数据源提供生活方式的指标。而将这些数据与每年的体检和就诊记录等较传统的信息相结合，就可以更好地洞察与健康、残疾和人寿保险有关的风险。基于远程信息处理的出行或汽车保险等物联网数据源可以实现高度个性化的保单定制。

现今市场上，有许多可以进一步改进承保的第三方数据选项，因此选择那些能为风险评估带来最大价值的数据十分重要。当下有许多保险公司十分关注位置及天气数据，以及图像和视频等。这些数据点完善了风险概况，并且能够改进对措辞和条件、特征以及费率方面的决策。根据风险偏好，这些新的数据集在承保过程中的权重可能或高或低，但当自动化部署日益增加，它们也可以成为另一辅助风险评估的数据点。 

将这些新的数据源纳入承保流程并不意味着一定需要进行为期多年的大规模基础设施改造。为了帮助保险公司在流程中更快地收集实时或批量的正确数据源，Cloudera支持通用数据分发（UDD）概念。简而言之，这种方法能够从任何地点收集并驻留数据，并进行分析，从而更快速地利用这些数据源来协助承保工作的进行。

第二步：扩展机器学习和人工智能以提高工作效率

在承保过程中获得更多的数据后，就可以使用机器学习和人工智能来大幅提高工作效率。在此，同样建议保险公司采用循序渐进、随用随学的分步式方法提高工作能力。启用机器学习和人工智能，首先要通过高质量的报告来更好地了解被保险人的风险、敞口和展望；接下来则是进行探索性、描述性的分析；最终通过机器学习和人工智能优化事件预测，并在必要时采取预防措施，以实现积极主动的预测性分析。

如下图所示，机器学习和人工智能的每个推进阶段都包含额外的数据源。

通过上图，不难发现有大量数据源可供选择，但比起繁多的种类，更重要的是需要关注能够提供最大价值的特定数据。改进后的承保会随着所选数据和所使用分析技术的成熟度而持续优化，例如可以评估地理位置、资产描述、天气数据和损失历史，并提供洞察以备未来的风险选择。应用地理位置属性可以进行更多限定的风险计算，因此交互式安全工作程序搭配上物联网数据跟踪可以改善风险画像。

在承保范围内，具体的业务用例将决定最具关联性的数据。风险评估和分类根据客户细分而变化，而客户细分根据相关实体分析而变化。保险公司需要优先明确目标，然后再采取最合适的数据源。

第三步：采用混合数据平台，一站式高效化数据运用

最后，如要在以上两步措施内改进承保，就需要采取战略性的数据方法—整合来自多家供应商的多种解决方案，或采用一个支持从数据收集到机器学习和人工智能等各种数据功能的混合数据平台。通过采用Cloudera Data Platform（CDP）混合数据平台，保险公司便可以轻松实施上述步骤，从数据中获得清晰且可执行的洞察。有效的承保、数字化、零接触理赔、客户服务等都需要基于灵活、现代化的方法，来管理客户档案和风险偏好变化。Cloudera将持续致力于帮助保险公司实现基础设施的现代化建设，助力客户更好地利用数据并逐步改善运营。