大数据应用于健康险的挑战

大数据用于健康险是市场热议的话题，但什么样的数据对保险最有价值？以什么形式嫁接大数据和保险能够体现其效果？市场的经验是什么？大数据对保险的作用是补充还是颠覆？

首先是大数据的来源问题。保险公司很难得到全面的用户数据，如果仅基于理赔数据来做分析，会面临几方面问题。第一是数据不全面。理赔数据中所包含的患者医疗信息只是医疗数据的一部分，尤其在诊断信息上，理赔数据只包含简单的诊断结论，缺乏详细的诊断方案

且理赔数据只包含保险公司与医疗机构有支付关系的项目，一些项目没有涵盖其中。

第二个问题是数据不连续性。即使在美国这样成熟的商业保险市场，团体用户两三年换保险公司也很常见，个人用户则可能因为价格、保障面等多方面因素，更频繁地更换保险公司。由于之前理赔数据的缺乏，保险公司无法保证连续的数据来推断用户或者团体的风险。

第三，数据滞后。理赔数据有几个月的滞后，无法反应当下的情况，如果保险公司要基于此做出干预，则无法准确判断用户当下的健康状况和所需的行动。如果只是根据历史数据进行趋势分析，则可能在某个节点上缺乏最接近的几个月的数据而造成数据不全。

从以上三个方面来看，用理赔数据来做大数据分析有相当大的缺陷。如果要用理赔数据来分析用户风险并定位到单个用户或团体，用户进行健康干预以及未来医疗费用预测，则面临的问题是数据不连续、不全面以及滞后所导致的无法显示个体或团体健康问题全貌。如果要以这些数据为基准去推算疾病风险、开支增长趋势，并用于产品设计，则所用的数据也并不全面，且很可能不能反映当下的趋势。

其次，大数据需要以什么样的方式用于保险。美国商保公司Clover Health对用户给出不同的风险系数，进而进行干预，比如致电用户提醒其检查。但这种干预模式有两个难点。一是成本很高。核心原因就是干预的过程是一个个性化过程。比如对一个心脏病患者，在不同阶段的干预需求不一样，而对于不同种类疾病的用户，干预等于建立一套新的疾病管理流程，所需成本相当高。此外，数据分析可以通过一套系统和模型来进行，而后续方案的设计则需要人工投入，尤其是专业投入，成本也相当大，对于一家会员人数本身就不高，且理赔率很高的小型保险公司，要维护这样的数据分析业务压力很大。

二是干预的效果到底有多少，目前无论是大保险公司还是Clover Health这样宣称以大数据见长的新型保险公司，都没有成熟模式来量化干预的效果。而且从以往的经验来看，保险公司主导的干预办法由于缺乏医生和医疗机构的直接参与，在干预上有很多脱节点，效果并不好。用户的病情有不同的阶段，而不同阶段所需要的健康管理者是不一样的，比如刚出院需要密切跟踪阶段需要主治医生的直接介入，而之后可能更需要的是护理者来关注其恢复情况，等病情稳定后，则转给家庭医生进一步随访。如果没有这些服务者的参与动力，仅凭保险公司的团队无法保证干预效果，对于直接控制费用的效果的体现则更加难。

因此，从上面两方面的原因来看，保险公司用理赔数据来进行大数据分析和干预的办法，还没有能够直接体现到费用控制的效果上，这一方面是因为保险公司理赔数据本身用于分析有很大缺陷，另一方面是干预的过程由于缺乏医疗服务者直接参与而难以看到效果。

事实上，有助于体现用户真正健康风险，并能够做出有效干预的数据是来自服务方为主的数据，这些数据的来源主要是电子病历，其中包括了比理赔数据更详细的诊疗数据，还有检查、用药数据，以及病患的手术史、过敏史、用药副作用等用户数据。

保险公司本身的理赔数据做大数据分析有相当大的缺陷，且效果也很难体现。真正有意义的医疗大数据是医疗服务机构的病历数据，这些数据有助于体现用户实时的健康状况，花费变化，健康风险指数变化，并基于这些更为精准的数据，可以进行未来花费、风险的预测，以及设计并执行干预模式。由医疗机构作为干预的执行方会更为有效。 

由此得出的结论是，大数据对于保险公司确实有意义，但必须明确两点：

大数据的来源是什么，理赔数据并不是最有效的数据源，更有价值的数据源是病历数据，其更为连贯，而且全面。

大数据分析所得出的结论需要怎样运用，在干预的时候必须要医疗服务方参与才能体现效果，而要医疗服务方有动力参与其中，必须有政策来引导支付方，从而逼迫服务方产生管理病人费用的动力才行。

在这两点必须的要求下，可以看到大数据在保险中的运营必须满足很多条件，而其中数据的来源、干预模式是最核心的，要满足这两点需要庞大的用户基数，和医疗机构的合作关系，以及足够的财力来搭建团队，并不是小保险公司适合做的。

同时，大数据业务是作为传统保险业务来更好地控制风险、控制长期开支、以及完善用户管理的一种手段，是一种传统业务的补充，并不能作为一种颠覆传统保险模式的手段。