行业观察
健康险赔付率为什么一直在涨:一个被忽略的结构性问题
2022-2025 三年间,行业百万医疗赔付率从 63% 涨到 78%,综合成本率 92% → 97%。表面看是"医疗通胀 + 逆选择",但把行业公开数据 + 我们从访谈中拿到的样本拼在一起会发现更深的原因:静态健康告知捕捉不到用户"越保越差"的真实节奏。这篇文章基于行业公开数据 + VITA 与首批保司在洽谈中共享的样本数据,拆解赔付率上升的四个主要驱动因子,以及行为数据能修正的到底是哪一段。
保险科技、健康数据、机器学习、合规实践。
2022-2025 三年间,行业百万医疗赔付率从 63% 涨到 78%,综合成本率 92% → 97%。表面看是"医疗通胀 + 逆选择",但把行业公开数据 + 我们从访谈中拿到的样本拼在一起会发现更深的原因:静态健康告知捕捉不到用户"越保越差"的真实节奏。这篇文章基于行业公开数据 + VITA 与首批保司在洽谈中共享的样本数据,拆解赔付率上升的四个主要驱动因子,以及行为数据能修正的到底是哪一段。
加速度重放、GPS 漂移、心率与运动强度不匹配、能耗-步数比异常、设备指纹、行为节奏一致性 —— 每一层拦截什么样的作弊模式,以及分级处理原则。附一个真实案例:从 3 家健身房刷步数产业链拆出 1.4 万个作弊账号。
VP 与虚拟货币的边界、金融收益承诺的措辞陷阱、医疗建议的表达边界。这三条不是文案自查题,是产品设计问题。我们把每一条拆到具体功能层、UI 层、话术层,给出可执行的自查清单。金杜律师事务所提供合规意见背书。
行业内常见两条路:自建保司 vs 嵌入现有保司。中国市场为什么更适合"数据中台"这条第三条路?我们的判断依据、以及为什么放弃了两次投资人建议的"直保牌照 + 保司自营"路径。
监管报备时,评分模型必须"可解释"。纯 SHAP 会输出 40 多个特征贡献,产品端和监管端都读不懂。我们把 SHAP 输出重构为精算团队熟悉的 5 个业务因子桶,并给出中文说明。附一份可以直接给到监管的模型说明书模板。
行为激励型健康险在多个市场跑了 20 年以上,已经有相对稳定的机制经验。但每一条经验都建立在当地医保结构 + 健身文化 + 监管口径之上。哪些机制在中国可以直接用?哪些必须改?这篇文章拆到 12 个具体的机制点。
第一轮 240 → 160ms(索引);第二轮 160 → 120ms(热点分片);第三轮 120 → 95ms(边缘缓存);第四轮 95 → 89ms(批量预取)。每一轮的火焰图、trade-off 与踩过的坑。给正在做 SaaS API 的工程团队一份参考剖面。
"最小必要"不是文本口号,而是字段级设计。我们把 VITA 系统里的 60 多个字段做了三级分类,展示"服务必要"、"体验必要"、"运营必要"的判断标准。附一份《数据处理事项清单》模板。
初做健康行为建模的团队常踩的四个坑:被健身房用户样本带偏、时序特征忽略季节性、把"缺失即不健康"当成规律、模型上线后特征分布漂移不预警。每一个我们都用真实案例说清代价。
我们做过三次定价方案迭代:纯订阅 → 订阅 + 超量按调用 → 三档订阅 + 效果分成。每一版为什么变、客户接受度如何、销售周期变化多大。给早期 to B SaaS 一个可落地的定价演进路径。
不发广告、不发通稿。只发我们和客户一起踩过的实际问题、以及给出的解法。