BCG洞察:数据如何才能真正成为健康险的生产要素?

越来越多的健康险企业认识到数据应用是健康险企业专业化发展的基石和建立竞争优势的核心要素之一。然而,中国健康险公司过去普遍对数据治理与应用的关注度与投入不足、基础薄弱;部分领先的健康险企业开始布局,但升级之路仍面临诸多挑战,包括治理无从下手、投资犹豫不决、数据质量不足、组织支撑不力、实施管理困难等。为了帮助提升中国健康险企业数据治理能力,BCG 针对国内健康险企业数据治理挑战提出四招秘籍和开展数据治理项目的七大成功要素 帮助国内健康险企业成功解锁数据的巨大商业价值。

健康险数据治理的价值

成功的数据治理体系建设经常是 “CEO 工程,需要企业自上而下重视数据治理、持续投入并且下决心变革,而前提是对数据应用价值的充分认可。对于健康险企业,海外广泛的经验证明,数据应用可以在产品开发、营销、理赔管理、资产管理、服务管理等方面带来价值:

  • 产品开发:主要用于数据辅助风控规则设定与产品定价,也用于新产品设计和市场洞察。
  • 营销:主要通过给客户的个性化二次营销及防止客户退保来提升销售额,也可以通过数据分析优化营销活动规划、客户分层及获客效率。
  • 理赔管理:主要用于防止骗保,预测及规避高赔付案件。
  • 资产管理:主要用于风险管控模型。
  • 服务管理:主要用于优化医疗机构合作网络,降低或者控制医疗健康服务的费用支出;以及优化健康服务管理,通过个性化的健康和疾病管理计划提升健康险用户的健康水平、控制健康险理赔费用支出。

鉴于数据应用的巨大价值,欧美成熟市场的健康险企业均有专门的数据团队或分公司。

案例

以某全球健康险企业为例,BCG 与其携手走过 18 个月数据治理,成功提升净利润水平。

企业背景:某欧洲领先的健康险公司,主营业务为医疗健康保险、养老保险及退休金计划等产品和服务。公司的保险业务拥有上千万个人投保客户和 40 万家企业客户。

发展痛点及需求:在业务的发展过程中,该企业面临着理赔诈欺难以识别、健康管理需求难以预测、营销转化率不足等挑战,公司希望成为一家数据驱动的公司,强化其数据管理洞察能力和优化业务运营能力。BCG 18 个月的合作中,帮助该企业建立起一套数据治理与应用的体系基础,并通过三个用例实现净利润的显著提升。

健康险数据治理的六大痛点

尽管已有众多健康险企业意识到数据的潜在价值,但国内企业在实际数据治理过程中却频频受阻,收效甚微BCG 根据对行业企业的观察和调研总结了六个关键痛点:

  1. 治理无从下手:缺乏对自身数据治理现状的全面了解。企业内不同层级、不同部门对数据治理的现状和具体的挑战认识不足或存在不同的见解。在这种情况下仓促推进数据治理项目,容易导致资源投入的错配或浪费。
  2. 投资犹豫不决:缺乏对数据治理潜在成效的认知和共识。在大规模投入前对数据的定位和治理的目标没有统一的定义。企业在数据治理初期信心满满、投入巨大;但经过长时间治理却没有产生可量化的成效,企业上上下下对数据治理失去耐心和决心,便搁置项目甚至放弃投入。
  3. 数据质量不足:关键医疗健康数据缺失或数据质量低。健康险的日常运营涉及大量来源复杂、非结构化且低质量的医疗健康数据,若不能有效整合并确保数据的质量,将无法基于数据生产出有价值的洞察以提升业务运营能力。
  4. 组织支撑不力:数据治理权责不清、部门 / 业务间缺乏协同。数据治理不只是数据团队及 IT 团队的任务,需要所有的数据生产、使用、运营、管理等各方参与。职责不明确、协同合作标准和流程缺失,导致数据使用方无符合要求的数据可用、数据生产方无足够的资源完成对数据的优化。
  5. 标准和工具:数据治理体系的实施,要落到数据标准建设,并利用好相应的技术工具和平台。数据治理体系设计完成后,需要制定数据资产的分级分类体系,明确质量标准,利用好主数据管理、元数据管理、数据质量分析和审计工具,面向各种分析应用场景,提供高质量的数据准备。当数据在使用中发生问题时,数据质量提升的纠正性活动能形成闭环。
  6. 数据文化薄弱:各方在数据应用上缺乏互相了解。业务部门不了解和相信数据,而数据团队对业务了解较少,业务部门和数据团队应该增进对彼此的了解,形成公司内部挖掘数据应用价值的氛围。

健康险数据治理的四招通关秘籍

针对当前健康险企业在数据治理方面面临的挑战,BCG 基于对健康险数据治理现状的深度观察,结合全球领先实践,提炼出健康险数据治理的四招通关秘籍

秘籍一:全面诊断

系统性对标最佳实践,找到差距和优化方向

数据治理的挑战方方面面,企业在正式开展数据治理之前应对自身数据治理的现状进行系统性评估。

数据治理评估绝不局限在是否拥有足够的 IT 系统、建立了什么数据库这样的技术问题。BCG 的数据能力评估模型自上而下包括 7 大方面:数据治理的愿景和价值认知、数据应用的用例挖掘、数据分析能力基础、数据治理体系建设、数据治理技术平台基础、数据治理合作生态建设、变革管理。在开展评估时,就各指标评级由高到低从落后最佳实践分成 5 档进行评分,最终的评分可进行行业内对标或跨行业对标,让企业明晰自身的主要挑战和所处的位置。

具体到数据治理体系建设方面,可分为 6 大维度,以数据治理体系和能力评估这一维度为例,包含 4 个子类,21 个关键指标。通过了解自身数据治理能力与最佳实践的差距所在,结合对数据治理体系的期望,企业才能明确自身数据治理的核心问题和优化改造的方向。

秘籍二:以用促治

优选核心用例迅速产生量化价值,锻炼基本能力

通过跑通 2 5 个核心用例,企业可以更早获得速赢,增强整个组织数据治理的信心和积极性,作为基础将数据治理的成功进行复制。以用促治的目的是快速产生价值,因此企业应避免过早引入复杂的流程和工具。初期的用例选择应符合以下特点:

  • 重视程度高:公司管理层充分认同在某个领域数据可以带来业务机会或解决目前业务痛点。
  • 机会价值大:一旦数据用例实现,能带来较大的财务回报。
  • 可行性高:该用例所要求的数据有一定基础,不需要过于复杂的整治。
  • 全面性足:为实现该用例涉及到多个数据域,确保以用促治的工作不局限在某个部门内,而涉及的数据治理的能力建设不会过于简单。

案例

前述的欧洲健康险企业开展了系统的用例筛选,最终确定了三大核心用例,并为每个用例测算了潜在的量化价值,该公司在数据治理项目上的投资得到了公司上下的一致认可和支持,项目也得以快速推进。试点实施的三个月内即获得了明确的商业回报。

  • 用例 1:改善病假骗保行为识别能力
    通过算法分析医疗信息、被保人信息和历史病假骗保案例,提升风控模型的预测能力。在 3 个月的试点实施期内,与以往相比,企业识别出了 2 倍以上的骗保案例。
  • 用例 2:精准预测健康管理需求,提升住院服务使用率
    通过算法分析历史医疗报销记录、住院记录和被保人信息,精准预测用户的住院服务需求。在 3 个月的试点实施期内,通过该住院风险预测模型,住院服务需求的预测精准度提高了 4 倍,大大提升了健康服务的认知度和使用率。
  • 用例 3:提升营销活动 / 销售转化率
    对营销互动相关数据加以分析,通过人工智能识别高潜力客户,通过 A/B 测试营销活动的有效性,在 3 个月内提升营销转化率。

秘籍三:奠定基础

建设基本数据管理体系,全面提升数据质量

在以用促治的同时,健康险企业也要同步奠定基本的数据治理基础,包括盘点数据资产和制定数据治理规范。

  • 数据资产盘点与数据字典:数据是企业资产的观念越来越得到重视。虽然医疗健康数据的可及性和质量挑战重重,但健康险企业自身已经拥有许多有价值的数据,系统性地理清这些数据是数据治理的基础。企业首先需要从业务角度来规划出数据域,基于数据域,企业可以确认相关数据实体的当前状态,即数据是否可得 / 可用和数据目前存在何处。基于数据域的识别和总结,企业可以描绘出完整的数据图谱,形成企业的数据字典,对自身数据的可得性、完整性有一个全面的了解。对于健康险企业来说,可分为 6 大数据域——客户数据域、产品数据域、营销数据域、保单与运营数据域、代理人数据域、企业信息数据域。在某欧洲领先健康险企业的数据治理中,在 6 数据域下细分了 18 个子域,并定义了 1 万个左右数据实体。
  • 制定数据治理政策:数据治理政策包括数据定义、数据安全与隐私条款、数据质量标准、元数据管理等。这些数据治理政策可以帮助企业将数据治理发展愿景转化为组织内部的行动指引,为后续更细化的数据治理流程提供指导并加强员工对数据治理基本规则的理解和认识。

秘籍四:组织变革

70% 投向组织建设、变革管理和流程重塑

数据治理不是单纯的 IT 项目,70% 的数据治理工作应花在组织建设、变革管理及流程重塑上。

首先,企业应设立数据治理的关键职能,包括数据委员会、首席数据官(CDO 或数据治理总监)、数据域负责人、数据管理员、数据保管员。

  • 数据委员会:明确数据治理目标和策略,监督各项治理任务执行进度,对主要问题做决策。
  • 首席数据官:推动数据治理框架的制定和管理,确立治理优先级,协调落地实施。
  • 数据域负责人:产生数据的相关部门配备的管理数据团队 / 负责人,负责本数据域的内容和质量,为外部数据域提供协助。
  • 数据管理员:把业务需求转化为数据内容和质量的需求,向 CDO 和数据委员会提出数据治理和用例方案,协调各部门间达成共识,追踪相关数据治理任务的完成情况。
  • 数据保管员:负责从技术上实现数据需求,定义、开发、管理数据模型技术环境及其相关技术规范,保障数据在存储、传输和应用中的安全和合规性。

这些关键职能职位并不单独存在,而是与原有的组织体系充分融合。比如:数据委员会应由 CEO 挂帅、CDO 牵头、主要业务部门领导和 CTO 参与。而首席数据官通常是一个新设立的职位,应是一名高层管理人员,根据公司的实际情况,可向 CTO 汇报或直接向 CEO 汇报。在每个关键的职能或业务板块配置相应的数据域负责人和数据管理员。数据保管人一般可设置于 IT 团队中。

案例

数据治理的成功,很大程度上取决于这些数据治理相关方有规范的流程进行协作,以下是某欧洲健康险企业数据治理的工作流程,这样的流程可以保证业务需求有效转化为数据治理需求,而数据治理需求可以从公司得到足够的资源,实施过程也可以得到公司高层的持续关注。

开展数据治理项目的七大成功要素

BCG 根据为数百家国内外企业提供数据治理服务的经验,总结出七大成功开展数据治理项目的关键因素。

  1. 双管齐下的工作部署:可部署两个工作组同步推进奠定基础以用促治。这两个工作团队紧密协作,建立迭代和执行的体系,并投入充分时间培养敏捷意识,快速汲取经验教训,持续改善,为广泛的规模化实施奠定基础。
  1. 资金预算保障:CEO(或有同等决策权的领导层)为主要资金赞助者,需设有专门预算,通过有阶段性关卡的资金流程,确保投资回报率;试点成果的额外价值也能够提供一定的资金支持。
  2. 确保业务驱动:数据治理最终应解决业务问题,需要从业务需求出发。因此,数据治理项目很难单独由 IT 部门去推动。业务部门是数据的产生者和使用者,应积极推动数据治理项目,而 “数据域负责人” 和“数据管理员”这样的职位也应由业务团队的人员担任。
  3. 重视变革管理:设立数据治理的相关职能、流程和文化很难一蹴而就,因此变革管理就尤为重要。初期工作主要集中在 CDO 办公室和 IT 部门,工作推进还相对容易;一旦企业开始真正落地用例,跨部门的沟通、培训、宣贯非常关键,如举办 “数据日” 等企业整体的宣传活动,以及组织相关团队定期开展分享、团建等。
  4. 明确各部门的职责:数据治理初期 CDO 应承担主要职责(因此也应保证 CDO 办公室有足够的人员配备),随着用例的落地,数据域负责人和数据管理员应承担更多的责任。大体上 CDO 主要为数据治理能力成熟度相关 KPI 负责,而数据域负责人和数据管理员主要为数据质量相关 KPI 负责,一些成功的企业把这些 KPI 纳入相关人员的年度考核中。
  5. 规划详尽的落地路线图:编制详尽的落地工作清单和时间表,确保转型的顺利实施和投资回报;尽早决定各用例对 IT 架构、数据及数字化平台的选择,确保数字系统的一致性和可靠性。
  6. 建设好数据管理平台:数据管理平台是介于数据源和数据分析应用之间的技术平台,在国内也常被称为 “数据中台”。无论是数据标准制定,提升数据质量的加工、转化,还是面向分析的数据准备的服务打包,以及数据质量分析、数据资产评估等,都在整合的数字化平台上操作。
结语

数据治理的重要性和价值目前已经获得了行业的广泛认可,然而数据治理的成功并非一蹴而就,希望 BCG 提出的 “四大秘籍”和 “七大成功要素” 能为国内健康险企业开展高效的数据治理提供参考,最终成功解锁数据的巨大商业价值。

感谢支持199IT
我们致力为中国互联网研究和咨询及IT行业数据专业人员和决策者提供一个数据共享平台。

要继续访问我们的网站,只需关闭您的广告拦截器并刷新页面。
滚动到顶部