A6工作室魏然

创新分享

11月20日,云险创始人邓东旭,参加了分子实验室组织的保险科技创业周活动,与大家分享了云险公司的产品“公里保”,演讲的内容整理分享如下。

大家好,我是云险公司的创始人邓东旭,介绍一个产品“公里保”,用于车辆的风险分类及车险定价,再具体说,基于车辆的历史里程,预估下一年的行驶里程及车险赔付率。

01

z01

里程与赔付率的关系

一台车,跑的多风险就高,跑的少风险就低,出租车车险价格大约是私家车的四倍,就是这个道理,但如何用数据量化呢?
看下面这张图,横坐标是年行驶里程,纵坐标是赔付率,年行驶1.5万公里的车是平均水平,赔付率也是平均水平58%,行驶4千公里的车赔付率是33%,而行驶里程4万的车赔付率是110%,高低相差3.3倍。
保险公司都有自己的风险定价模型,这是考量保险公司经营水平的核心能力。传统模型主要有五类因子:从车、从人、区域、险种组合、NCD,核心是从车、从人的因子。这儿有一张表,来自于美国的数据公司,它形象地表述了单一因子对赔付率的影响力,行驶里程、品牌车型、排量、车龄、性别、年龄等等,哪个因子影响力最大呢,里程!
可以说,“里程”这根黄色的柱子,是车辆风险的第一因子,对赔付率影响最大,这也是里程保险在欧美快速发展的原因。而在国内,监管部门尚未批准里程保险产品上市,也没有便利采集车辆里程的方法,所以国内定价模型普遍没有采用里程这个第一因子。

02

z01

里程保险的发展趋势

1、传统的里程保险需要车载设备,插在OBD接口处的一个盒子,采集车辆里程、驾驶行为数据,传输给保险公司,并以此作为定价的依据。盒子的成本约300元、安装运营是个问题,还涉及客户隐私,所以里程保险发展有一定局限。但即使如此,欧美国家的里程保险份额也占到了10%左右,意大利达到14%。中低里程约50%的好车主能够享受价格优惠,他们才是里程保险的目标客户群。
2、再来看美国的两家公司,一个是估值10亿美金的Metro mile,另一个是估值36亿美金的Root insurance。M采用车载设备的传统模式,记录保险期限内的车辆数据,支持低里程车辆的保费优惠。而R采用APP模式,安装在车主手机上,在承保前2-3周的时间内,记录测试车辆数据,找出低风险的车主,以低于5折的优惠价格承保。
二者的差异有二点:一是车载设备与APP的区别,二是事中判断风险和事前预估风险的区别。显然R优于M,不知这是否估值差距3.6倍的原因。
3、我们云险公司做的“公里保”,既不需要M的车载设备,也不需要R的APP,通过历史里程预估下一年的里程,进而预估车辆赔付风险。
4、目前,国内已有六家保险公司设计了里程保险产品,并通过了中保协的专业评审,只待银保监会的审批/备案。前不久银保监会下发了车险产品备案制的征求意见,被认为是车险进一步市场化的信号。也许里程保险在中国诞生之初就跨过了车载设备&APP。

03

z01

公里保的特点

1、输入车的VIN码,即可输出“公里保”风险评分,十分简单。
2、查得率高达60%+,可覆盖1.1亿辆私家车,而车载设备/APP覆盖率受局限,国内的车联网公司安装数量不超过百万。
3、查询成本低,仅仅几块钱。而车载设备成本数百元,Root insurance的APP依托于社交推广,奖励成本30美金。
4、风险区分能力强,评分高低车辆的赔付率相差2.4倍。
上述特点,可能助力“类里程保险/里程因子”在中国车险行业快速成长。

04

z01

历史行驶里程=未来行驶里程?

说到这儿,大家会有个疑问,车的历史里程真可以准确预估未来的里程吗?
一个人要贷款,必须事先评估他的历史信用,再决定是否贷款,因为人的信用是有惯性的。同样道理,车辆风险评估也是这样,私家车主用车习惯是稳定的。
我们用下图的数据说明,选取ABC三组各300台私家车,每一组车在2016年的平均里程分别是7780km、14449km、22801km,分别代表低、中、高里程,观察它们在2017年、2018年的行驶里程变化情况(见下图)。
私家车主的用车习惯超级稳定,每一组车辆的里程偏差均小于3%。基于历史里程可以非常准确地预测未来里程,进而应用到风险定价中。

05

z01

保险公司的数据验证

最近我们分别与11家保险公司合作,数据验证“公里保”模型评分的价值,保险公司的车险部、精算部从三个角度做出专业评估。以下数据均为保险公司验证的真实数据。
1、模型评分与赔付率、出险率的关系
下图,评分分为10组后,高低赔付率相差2.4倍。
下图,评分分为10组后,高低出险率相差2.2倍。
2、模型评分与传统定价系数之间的关联性
以NCD(无赔款优待)系数为例,数据交叉分析,见下图。
(1)连续三年未出险,车险价格可以享受0.6的折扣系数,这是传统模型中最好的业务,但通过公里保模型评分,依然可以区分出,第二年出险概率分布为13.6%—23.1%,而23.1%已经和所有车辆的平均出险率23.3%相当;
(2)上年出险2次以上,车险价格会上浮1.25倍以上,这是传统意义上最差的业务,公里保模型评分出险概率分布为23.2%—48.7%,而23.2%与和所有车辆的平均出险率23.3%相当。
(3)公里保评分可以进一步细分传统模型中的“差业务”,挑出其中的好业务,反之亦然。
(4)另外,我们对“NCD”、“自主核保系数”、“渠道系数”、“车龄”等做了关联性分析,公里保评分与它们的相关性系数均小于0.12,评分可以作为一个相对独立的风险因子与现有现有模型结合,进一步提升风险识别的精准性。
3、用残差分析,评估“公里保”对现有定价模型的提升程度,见下图。
(1)相关性:按照公里保模型评分分组,每组的真实赔付率随评分的上升而上升(红线表示),而现有定价模型的预期赔付率基本为一条直线(绿线表示),说明评分与现有定价模型基本没有相关性;
(2)残差:公里保评分为10-33的低风险车辆,传统定价模型预估偏高7.9%;而公里保评分81-100的高风险的车辆,传统定价模型预估偏低18.5%,评分具有显著的提升效果。

06

z01

美国里程保险的定价

再来看一下中美二国车险定价的差异,我们选取奥迪Q5/中年男性车主,中国选上海平安车险,美国选加州Metro mile里程保险,险种都保的比较全,数据均来自二家公司的官网。
平安的价格与里程无关,价格表现为一条红色的直线,Metro mile的价格随里程上升而上升,表现为一条绿色的斜线,双方价格形成了明显的剪刀差。中国的车险定价未考虑里程,实际是好车主为差车主买单。

07

z01

公里保与里程保险对比

同一思路下的两种实现方式,公里保识别里程风险,是传统定价模型的重要补充。



08

z01

公里保定位于新因子的风险模型

公里保定价模型,一是聚焦新因子,定位于传统定价模型的补充;二是以里程为核心因子,逐步增加辅助因子,为中国未来的里程保险打下基础。
这些新的辅助因子主要包括:
高速数据,包括:里程、夜间行驶、超速等;
网约车识别,中国专职网约车近1000万辆,其中大部分是以私家车形式存在,赔付风险是私家车的2倍以上,有效识别网约车并控制承保,赔付率可下降2个百分点以上;
二手车、大事故车、水淹车、人员风险等标签

09

z01

云险公里保产品的合作伙伴

1、保险公司,应用于风险定价,合理制定市场费用政策。特别是中小公司,风险定价能力普遍较弱,公里保可以助力定价能力显著提升;
2、保险代理公司,以往与保险公司协商代理费用比例,主要的条件是保费规模,现在可以评估业务质量,分类制定代理费用政策,由销售转为“销售+定价”;
3、精算咨询公司、保险科技公司,我们可以联合起来,用数据/科技的力量助推车险行业发展。



A6工作室