持续地按照一种路径“追求卓越”，往往陷入“追求平庸”的曲线。
近年来，很多保险公司车险经营盛极而衰，第一增长曲线已到尽头，需要跨越鸿沟，找到第二增长曲线。
第二增长曲线的原理适用于企业，其本质更适用于产品。产品的不断创新推动企业的第二增长曲线。
我是车险人，从车险定价产品的角度，谈谈产品创新的价值。
看图说话：
用超级定价保的风险评分，把车辆分成十组，评分由低到高，赔付率高低差了3.1倍。
01
风险区分度牛！如何做到的呢？
一、车险定价分为规定动作和自选动作：如同体操比赛，规定动作比的是基本功，选手得分差异不大，自选动作比的是最拿手的本事，得分差异巨大。冠军选手都有自己拿手的绝活，单靠基本功的选手只能打打酱油。
二、车险规定动作：就是传统定价模型，风险评估因子包括：出险次数、品牌车型、车龄、性别、年龄、地区、险别组合......巴拉巴拉一大堆。这些因子对车辆风险影响很大，但各保险公司已研究透彻，所以定出的车险价格大同小异，同质化严重。传统模型是基础标配，但无助于保险公司取得相对竞争优势。
三、车险自选动作：就是使用新的因子，这就是自己的绝活，创新的因子能看到别人看不到的风险，定出区别于他人的价格，自然吸引了低风险的好业务，屏蔽了高风险的差业务。
目前，很多保险公司只有规定动作，还没有拿手的自选动作，只能在低水平上转圈圈。
近日与一家互联网保险公司的高管聊天，他们大胆使用了一些新的风险因子，传统定价模型+外挂风险标签，依靠拿手的自选动作，今年车险经营逆势上扬，效益规模双双提升。第一增长曲线成功转化为第二增长曲线。
02
道理简单，如何实现呢？
新的标签因子有很多，它们都会或多或少的影响到赔付率，包括：行驶里程、驾驶习惯、交通违章、车主风险、职业特征、消费习惯、性格特征、经济能力、网络行为、作息时间......
然而，哪些标签对风险影响较大呢？哪些能拿来应用呢？且听我一一道来。
1、哪些标签对风险影响大呢？
行驶里程、驾驶习惯、交通违章、车主风险，这四类因子对风险影响最大，其他因子影响较小。
2、哪些标签能拿来应用呢？
行驶里程、车主风险，这两类信息可以通过授权或法律规定的合规方式获取。行驶里程覆盖1.2亿台私家车，占比达到60%；车主风险覆盖1.5亿车主，占比达到了75%。
驾驶习惯数据的获取需要依赖车载设备，目前安装车载设备的轿车约万台，占比仅15%，且数据基本掌握在主机厂手中。
交通违章的获取依赖于交管部门，目前仅有少数省市可以应用。
综合1/2，行驶里程、车主风险这二类信息，既可通过合规渠道获取，又对风险影响很大，自然最有价值。我们看看二类信息的价值如何？再来看看它们融合之后的价值又如何？
结果会有惊喜！
03
先来看行驶里程
下图显示，车辆历史年化里程对赔付率的影响最直接、最有效，高低分组的赔付率差异2.3倍。
国内车辆的平均行驶里程约1.5万公里，开的少的一年仅仅几千公里，开的多的一年几万公里，保费却一样。怪不得欧美国家早就有里程保险，不考虑里程高低的车险定价，实际是低里程车主为高里程车主买单，显失公平。但同时也给国内车险里程定价，保留了一片蓝海。
A公司知晓里程数据，就可以吸引更多的低里程车辆，比如：只保平均里程公里以下的车辆（占比63%），年均可以降到公里；
B公司没有里程数据，保险的车辆里程是平均数公里。
A、B两家公司的承保车辆，行驶里程差了公里，赔付率起始就差了10个百分点，很可惜，B公司输在了起跑线上。
04
再来看看车主风险因素
有研究显示，涉及车主的风险因素对赔付率的影响也很大，高低分组的赔付率差异1.8倍。
个人风险状况对车辆赔付率的影响，用因果关系分析也许并不直观，但用相关关系去分析，结果是客观存在的。
在美国车险市场，个人的风险评分对于车险风险识别的有效性已经被充分验证，并被广泛应用在定价中。风险评分差的人群的保费相比平均风险评分人群保费高出30%-%。
05
行驶里程与车主风险因素相恋了
我们把行驶里程与车主风险二类信息融合，以赔付率为目标变量建模，风险区分效果更上一层楼，“超级定价保”诞生了！
再看一遍图。
高低风险分组的赔付率差异3.1倍。这是中国最最领先、最最有效的风险定价模型外挂，最牛的自选动作，没有之一，想当冠军少不了它。
搞定“超级定价保”的是二家科技公司：云险和同盾，云险专注行驶里程多年，同盾研究风险管理多年，二家公司志同道合，年相聚，“超级定价保”孕育出生了。
探求车险第二增长曲线的同学们，想试试吗？
联系我们。
预览时标签不可点收录于话题#个上一篇下一篇