三个创新保险公司案例


@案例


英国保险公司insurethebox案例

请问:车险应该怎么买才合理?
一辆车几乎不开,每年要交几千块钱保险费,你觉得合理吗?我觉得不合理。
保险的本质,是“同质风险分担”。我的车几乎不开,和每天开30公里上下班,所遇到的不是“同质风险”。
那车险应该怎么买呢?
现在的车险,是按照年来买的。这不合理。一年中,每个人上路的次数显然不同。不按年来买,那按天来买吗?也不合理,因为每天每个人上路的次数、时间长短也不一样。
那应该按什么买呢?按公里数来买。开车距离多的人,就应该多交保费。所以,未来的车险,可能不是在电话里买,而是在加油站买:师傅,给我加200公里的油,顺便加200公里的保险。
问题来了,这个做法听上去很开脑洞,但我怎么知道每个人每天开多少公里呢?这就要依靠大数据了。
英国有家保险公司叫InsuretheBox。购买它家的保险,它就会在你的车里装一个OBD设备(On Board Diagnostic Device,车载诊断系统),检测你的行车数据,其中包括开了多少公里。
然后,InsuretheBox就可以这样卖保险了:这3000公里先充给你,拿去用,用完了再来充。如果你的行车记录非常好,每个季度我再送你一点里程作奖励。
可是为什么传统的保险公司不这么做呢?因为它们只掌握“社会统计数据”。上海每年会出多少起交通事故?65岁以上的老人得老年痴呆症的概率是多少?这就是社会统计数据。再厉害的精算师,基于社会统计数据,也得不出针对个人的最优保险定价。
可是,按公里数付费,也不合理吧?那些把车开到四叉路口,打着左转向灯却向右转的人,就应该多交钱吧?
没错。按照公里数付费还不够,每公里按照开车习惯定价,才是最合理的。
这就是“个性化的大数据”赋能的UBI车险(Usage Based Insurance,基于用量的保险)。
有一天,我买车的原厂打电话给我:您的车险要到期了,在别人那里每年7000元的保险费,在我这里,2000元就够了。
为什么啊?因为我们原厂拥有数据。根据数据显示,您的开车习惯特别好,而且基本不开。
我一听特别高兴。赶快打电话给我一个朋友,他和我同一天在同一家4S店提的同一款车。我朋友听完后,也立刻打电话给车厂的客服,说我要买保险,就是刘润那个,2000元的那个。
客服小姑娘一查,说:对不起,您买的话有点贵,要1.2万元。
我朋友听完,一口鲜血喷在屏幕上:为什么啊?
她说:因为你经常漂移。
我朋友非常生气,说:那我不买还不行嘛。于是他继续在原来的保险公司买。
然后,渐渐地,那些开车习惯好,又不怎么开车的车主,会越来越多地被拥有“个性化大数据”的原厂拉走。那原来的保险公司呢?因为好用户都走了,它们只好提高保费,慢慢失去竞争力。


美国保险公司Progressive

美国有家保险公司叫Progressive,它早已开始“每公里定价”。它的定价,基于三个数据。

  • 第一,你平常与前车保持的距离。
    这个数据,通过车载雷达和OBD设备可以记录。后车如果追尾前车,不管什么原因,后车全责。所以如果你习惯离前车太近,那保费必须要高一些。

  • 第二,你每月踩急刹车的次数。
    一个人什么时候才会踩急刹车?一定是遇到险情的时候。这次是刹住了,那下次呢?一个经常急刹车的人,嗯,保费也必须高一些。

  • 第三,你每月凌晨4点开车的次数。
    这是为什么呢?因为一个人一天中什么时候最疲劳?凌晨3~4点。不管你是蹦迪回来,还是去上早班,这时候都特别容易出事故。所以,经常凌晨4点开车的,保费也必须再贵一些。
    Progressive公司用三个简单的数据,为每个人的保险做了差异化定价。


新西兰P2P保险公司Peer Cover

Peer Cover邀请用户成为“联合创始人”。联合创始人可以根据Peer Cover上的现有产品(比如手机险、葬礼险、车险等),创建自己的“赔偿团体”。每个人都能成为联合创始人,并且编写这个“赔偿团体”的条款,只要其他加入者同意。
比如,我这个赔偿团体,只保障手机掉到浴缸里的情况。这样,PeerCover上就出现了很多各不相同的小小的保险产品。这个赔偿团体,就成为独立于保险公司这个超级节点的一个“P2P对等网络”。
一个会员填写了索赔单,说自己的手机掉到浴缸里了,不是泳池,是浴缸,并上传了照片。这时,只要赔偿团队确认,并同意了这位会员的索赔,系统根据他们自己约定的条款进行支付。
更有趣的是,用户还可以随时加入和随时退出赔偿团队。如果退出时,这个“P2P对等网络”还没有发生索赔,甚至可以拿回全额。
这就是基于“P2P对等网络”的万物可保。只要有足够的人想投保同样的东西,不管是什么东西,甚至猫猫狗狗都是可以的。
你闭上眼睛想一想,当全球想投保“哈士奇”的人通过“P2P对等网络”聚在一起互助的时候,还有保险公司什么事。
去中心型商业时代的机遇,就是不强求自上而下的秩序,而鼓励自下而上的涌现。


摘自 刘润《商业通识30讲》19|信息对等:每个人都是时代的中心 20|信用科技:大数据,人工智能搭建的信用基础设施

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 216,591评论 6 501
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,448评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 162,823评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,204评论 1 292
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,228评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,190评论 1 299
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,078评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,923评论 0 274
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,334评论 1 310
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,550评论 2 333
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,727评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,428评论 5 343
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,022评论 3 326
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,672评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,826评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,734评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,619评论 2 354

推荐阅读更多精彩内容