- 1 -- 1 -
보험사, Big Data에 답을 묻다!
- 비즈니스 상상력이 필요한 때 -
2014. 10. 1
김욱 상무

- 2 -- 2 -
Big Data하면 생각나는 것들...
BIG BROTHER
영화, 마이너리티 리포트
2054년 워싱턴 _ “프리크라임 시스템”
DATA IS THE NEW OIL

- 3 -- 3 -
요즘 가장 Hot한 이슈들…
소셜
클라우드
컴퓨팅
빅 데이터
New
비즈니스
모델
5가지 기술은 비즈니스 전반에 변화를 가져올 것!
사물
인터넷
모바일

- 4 -- 4 -
Gartner의 IT 10대 전략기술 발표에도…
2011년 2012년 2013년 2014년
1 클라우드 컴퓨팅 미디어 태블릿 그 이후 모바일 대전 다양한 모바일 기기 관리
2
모바일웹
/ 미디어 태블릿
모바일 중심
애플리케이션과 인터페이스
모바일 앱
& HTML5
모바일 앱과
어플리케이션
3
소셜 커뮤니케이션
및 협업
상황인식과
소셜이 결합된 사용자 경험
퍼스널 클라우드 만물 인터넷
4 비디오 사물 인터넷 사물 인터넷
하이브리드 클라우드와
서비스 브로커로서의 IT
5 차세대 분석
앱스토어와
마켓 플레이스
하이브리드 IT &
클라우드 컴퓨팅
클라우드
/ 클라이언트 아키텍쳐
6 소셜 분석 차세대 분석 전략적 빅 데이터 퍼스널 클라우드의 시대
7 상황인식 컴퓨팅 빅 데이터 실용분석 소프트웨어의 정의
8 스토리 지급 메모리 인메모리 컴퓨팅 인메모리 컴퓨팅 웹 스케일 IT
9 유비쿼터스 컴퓨팅 저전력 서버 통합 생태계 스마트 머신
10
패브릭기반 컴퓨팅 및
인프라스트럭처
클라우드 컴퓨팅 앤터프라이즈 앱스토어 3D 프린팅
Source : Gartner IT Symposium

- 5 -- 5 -
Big Data, 경쟁사들은 어떻게 활용하고 있을까?
92% Big Data 자사 비즈니스 적용 성과 만족 비율
< 현재 Big Data 활용 분야 >
20%
33%
37%
53%
57%
운영비용 절감
신종상품/서비스 개발
고객관계관리 강화
고객 맞춤형 상품/서비스 제공
고객 행동 분석
Source : Accenture, “Big Success With Big Data” April 2014 _ C 레벨 응답자 n=1,007명 대상

- 6 -- 6 -
Big Data, 향후 어느 분야에 가장 많은 영향을 줄까?
89% Big Data의 향후 기업 비즈니스 방식 변화 촉진 예상 비율
< 향후 5년간 Big Data가 가장 많은 영향을 미칠 분야 >
27%
47%
56%
58%
63%
비즈니스의 근본적 변화
프로세스 최적화
운영조직 변화
상품개발 재디자인
고객관계관리 변화
Source : Accenture, “Big Success With Big Data” April 2014 _ C 레벨 응답자 n=1,007명 대상

- 7 -- 7 -
Big Data, 검색 트렌드(2007.1~2014.9)
빅데이터 <한글 검색>
Big data <영문 검색>
• 2012년부터 검색 지속 상승
• 2014년부터 검색 답보
NAVER 트렌드

- 8 -- 8 -
소셜에서 Big Data는?
• 소셜 검색 (전체, 트위터, 블로그)
• 소셜 인사이트 (탐색어 맵, 추이, 여론)
1. 연관어 : 본방사수,
2. 다양한
3. 새로운
4. 크다
5. 고민
6. 가치창출
분류 : 중립
중립
중립
중립
부정
긍정
§ [#엠카운트다운비긴스] 9/25(목) #WINNER 편 빅데이터 SNS 투표가 오늘 5시까지 진행…
SOCIAL metrics

- 9 -- 9 -
요즘 보험사들의 고민은?
“Big Data는
고민 해결을 위한
하나의 방법”
시장 성장 정체
(보험가입율 %)
규제 강화
(RBC, IFRS 등)
수익구조 악화
(ROE, 보험사기)
새로운 경쟁자 출현
(산업간 경계 모호)

- 10 -- 10 -
Big Data, 활용전에 개념부터 이해하고 공유해야…
“ 보다 향상된 의사 결정, 비즈니스 통찰력 또는 프로세스 최적화를 위해
새롭고 혁신적인 형태의 처리를 요하는 대용량, 고속, 다양성의 특성을 지닌 정보자산 “
Source : Gartner, ‘The Impotance of ‘Big Data’ : A Definition”
Value
Volume
(규모)
Velocity
(속도)
Veracity
(정확성)
Variaty
(다양성)

- 11 -- 11 -
Big Data, 어떻게 활용하지?
“비즈니스의 고민과 Big Data의 정의에 답이 있다”
고민 정의
• 시장 성장 정체
• 수익 구조 악화
• 새로운 경쟁자 출현
• 규제 강화
“ 어떻게 활용 ”
• 향상된 의사결정
• 비즈니스 통찰력
• 프로세스 최적화
• 정보 자산화
▪
▪
▪

- 12 -- 12 -
보험사에 적용 가능한 Big Data 활용 분야는?
고객/시장
• 고객 / 시장 이해
- Micro-segmentation
• 고객 경험 차별화
- Customization
• 고객 관계 관리
• 시장에 대한 통찰력
- 신 상품/서비스 개발
▪
▪
▪
수익성
• 언더라이팅
- 역선택 방지
- 유병자, 간편 인수
• 클레임
- 보험사기 방지
• 자원 배분 효율화
• 모니터링/투명성
프로세스
• 영업채널 리쿠르팅
- Pool 확대
• 영업채널 활동관리
- 정착↑& 탈락↓
• 가입-유지-지급단계
프로세스 개선
• 의사 결정 프로세스
▪
▪
▪
▪
▪
▪
“ 현업의 비즈니스 상상력 ”

- 13 -
활용사례 _ ① 고객 Segmentation
고객 세분화 모델링 Loan Needs 예측 모델링
고객현황 분석 잠재고객등급 도출
최근 대출, 이용건수, 이용금액, 대출가능금액,
타사 신용대출 여부, 고객 프로파일 등
90개 항목 분석
A3 : 한도소진율 90% 미만 &
가능금액 1,000만 이상
A2 : ----------------------------
A1 : ----------------------------
B2 : 최근 1년내 실행 有
B1 : --------------------------
---------------------------
C3 : 보안카드 등록이력 有
C2 : ---------------------------
C1 : ---------------------------
A1 A2 A3
B1 B2
C1 C2 C3
잠재고객 등급
60만(16.1%)
(이용율 20.4%)
13만(3.6%)
(이용율 14.2%)
300만(80.4%)
(이용율 0.9%)
이용군(A)
경험군(B)
미경험군(C)
고객의 보험계약대출 잠재 니즈 분석을 통한 타깃고객 마케팅
* 이용율 : 향후 3개월간 대출이용 확률
현재고객 등급
현재등급 / 잠재등급 Matrix로 총 8개의 잠재고객군 개발
36만(9.6%)
(2.0%)
5만(1.4%)
(24.0%)
5만(1.3%)
(24.0%)
대출이용확률 예측
고객/세대 프로파일, 보험상품정보, 가입정보,
보험계약 대출정보, 신용대출 정보, 중도인출 등
336개 항목 분석
[성과] C3 고객군 대출 이용율이 기존 2% → 18% 수준으로 확대 (2013.12)

- 14 -- 14 -
활용사례 _ ② 고객 관계 관리
고객참여 건강관리 프로그램 ‘Vitality’를 통해 고객 이탈 방지, 사망률 감소 등
데이터
[ 성과 ]
회 사 제휴처
Healthy
Food
Healthy
Gear
Healthy
Care
Gym
건강체크 정보
피트니스,
다이어트 정보
프로그램 신청
건강나이 측정
‘Vitality Point’ 지급 구매 정보
1
2 고객 구매
※ 제휴상품 최대 25% 할인
※ 위험률 변동분 보험료 Repricing 반영
1. 고객 이탈율 52%P 감소
2. 고객 사망률 34%P 감소
※ 실행 3년이후 ‘Vitality’ 프로그램 미참여자 대비
※ 항공, 문화, 레저 활동 포인트 사용에
따라 최대 85%까지 할인
3
4
Vitality Point
고 객

- 15 -- 15 -
미래에는 보험사가 고객의 행동을 통제하게 된다?
“자율 감시 사회”로의 진화 예견
“ 보험회사들은 고객들에게 보험료를 납입하도록
요구할 뿐만 아니라
위험에 처할 확률을 최소한으로 줄이기 위해서
지켜야 하는 기준을
고객이 잘 지키고 있는지도 감시해야 한다.
보험회사는 점차 전 지구적으로 통용되는 규범이나
기준을 강요하게 될 것이다.
- 중 략-
다시 말해서 보험회사가 제시하는 규범은
결국 사회적으로 적절하다고 통용되는
행동양식의 기준으로 자리잡을 것이다. “
자크 아탈리, 프랑스 미래학자

- 16 -- 16 -
고객
회사 MIB1)
적정 사망/장해
보장 제공
매월 건강체크
검진정보 통보
검진 소견 및
건강관리 조언
1) MIB : Medical Information Bureau(건강정보원)
[ 성과 ]
§ 프로그램 참여자(HIV 감염자)의
감염수치 15% 개선 효과
§ 신규 시장(피보험자) 확대
※ 프로그램 참여자를 연간 50%씩
확대하여 2016년까지 30만명의
신규시장(피보험자) 확보 계획
엄격한 검진관리 중에 있는
① HIV(면역결핍) 감염자
② 당뇨 질환자
※ 기존 거절체 고객
건강 체크 중단 시
→ 보장금액 삭감 또는
최초 경고 이후
계약 해지
활용사례 _ ③ 언더라이팅 + 신규시장 창출
언더라이팅 리스크 분석 강화로 신규 시장(유병자) 시장 확대

- 17 -
High
Risk
Low
Risk
심사자
노하우
(저위험 판단)
심사 기준
(위험크기별)
심사자
노하우
(고위험 판단)
신계약
청약
보험금
청구
“위험 분류→측정 → 평가(Scoring)“ [ 보험 심사 활용 ]
성,연령,
치료내역
…
신체적
직업,
근무환경
...
환경적
역선택경험,
보험사기 여부
...
도덕적
소득규모,
신용상태
…
재정적
위험정보 위험평가 모델 (KIROS)
통계 데이터 심사 데이터
저위험
계약/청구건
중위험
계약/청구건
고위험
계약/청구건
§ 심사자 등급별 배분(U1~U6) / 자동승낙
→ 위험의 크기에 따라 저숙련~고숙련
언더라이터 자동 배분
§ 방문 확인 판단
→ 방문확인조사 필요건 자동 분류
§ 유사 Case 심사 지원정보 자동 제공
[ 부당보험금 지급방지 활용 ]
§ 심사처 분류 : 현지 심사/본사 심사
(고난이도 건 본사 심사)
§ 고위험 청구건 자동 조사 의뢰
§ 통합 SCORE 기준 심사 물량 조절
§ 유사 Case 심사 지원 정보 자동 제공
활용사례 _ ④ 언더라이팅, 클레임
언더라이팅 업무효율 개선, 위험률차손익 개선
외부Data

- 18 -- 18 -
공정A 공정B 공정C
0.3분 4.9분 1.8분
[전체건수]
47,344건
평균 4.9분
[ 전결건수 ]
35,344건(74.7%
)
[ 소요시간 ]
3.2분
[ 문의건수 ]
12,010건(25.3%)
[ 소요시간 ]
9.9분
건수 코드
1,359 코드A
655 코드B
579 코드C
262 코드D
188 코드E
… …
12,010
[ 목표 설정 ]
하위 심사자 대상 문의건 과다항목
선정 및 재교육, 가이드 개선 등의
후속조치로 상위 2개코드의 문의
횟수를 절반으로 감소시킴.
[ 개선 효과 ]
1,359건 +655건 : 총건수
▲ 50% : 문의 감소
× 6.7분 : 1건당 효과
=6,744분 : 총 절감효과
약 3배
6.7분 차
상위 심사자
문의 및 확인
심사자 본인
전결처리
☞ 지급 처리 효율화로
연간 9억원의 비용 절감
분석대상 프로세스 선정
(코드 적용 업무)
로그분석에 의한
평균소요시간 분석
특정 공정부분
심화 분석
개선 포인트 발견과 효과 산출
코드별 횟수 분석
1
2
3
4
5
활용사례 _ ⑤ 프로세스 개선 자원 배분 효율화
시스템 로그분석으로 지급사무 프로세스 개선 및 비용 절감
Source : 2014 IBM 보험미래전략 세미나

- 19 -
활용사례 _ ⑥ 프로세스 개선 지급심사 자동화
진단서로부터 질병 코드 분류 심사자의 노하우 반영
심사자
판단
데이터
의료사전
청구서
진단서
청구
접수
진단명,
급부금 등
자동 산정
계약
정보
지급
심사
최종
확인
심사
결과
의료사전
조정
시스템
축적
자동
코드화
의사 소견란
문장 및 수기입력
텍스트 마이닝
§ 수술,진단명 등을
추출하여 자동 코드화
§ 지급사유에 해당할
가능성 있는 정보의 추출
80만 어휘로 구성된
메이지야스다의
고유 용어 사전과
3,500개의 지급관련
키워드로 구성
[ 성과 ]
§심사자가 변경한 내용을
의료사전에 반영
§ 심사 결과의 경향을 분석하여
데이터 축적
2일내 지급처리 비율이 50%에서 80%로 30%P 향상, 지급누락 예방
진단서 텍스트 마이닝을 통한 지급심사 효율 개선
입력
지원
고객
지급
Source : 2014 IBM 보험미래전략 세미나
자동지급
대상
심사자
판정

- 20 -- 20 -
기계약
고객
기계약
고객
예측
모델
예측
모델
후보자
FP
활동가능성
우수FP
가능성
AA1 상 중
AA2 상 중상
AA3 중상 중하
AA4 상 상
… … …
점포단위 배분
리크루팅
우선 대상자
리크루팅
활동 수행
Feedback
적성 FP후보자 예측모델 적용 프로세스
분석을 통해 Target 패턴과의 유사성을 수치로 예측
데이터
패턴분석
73.1
예측점수 산출
Target Group
X
XX X
X
X
XX X
계약자
상품
계약유지
지급/ 약대
접촉
후보변수
[ 기대 효과 ]
§ 우수FP 리쿠르팅을 위한
프로세스 체계화
§ 우수FP 후보 Pool 확대예측
모델
예측
모델
활용사례 _ ⑦ 영업채널(FP) 리쿠르팅
영업현장의 적성 FP 리쿠르팅 고민 해결 모색

- 21 -- 21 -
보험계약 청약
(진단 대상)
소변
검사
혈액
검사
유 진단
U/W
Rating
승낙 or 거절
무 진단
[ 리스크 예측 ]
데이터 모델링을 통해
진단 절차없이 가입고객의
신체적 위험 리스크를 예측,
이를 심사기준에 적용
[ 개선 효과 ]
§ 진단비용 절감
§ 고객 가입 편의성 증대
[ 신뢰성 검증 ]
6만건의 실제 진단대상 게약과
비교검증을 통해 검진 측정치
결과보다 모델링의 신뢰성이
더 높은 것으로 판단
리스크 예측
모델링 적용
활용사례 _ ⑧ 가입 프로세스
유진단 계약의 무진단 가입으로 비용 절감 및 고객 편의성 증대
소변
검사
혈액
검사

- 22 -- 22 -
기업의 비즈니스
요구에 대한
정의 및 확인
필요한
데이터의
준비
데이터
분석모델의
구축
모델링 검증 작업을
거쳐
실제 적합성 확인
1
2 3
4
Big Data를 제대로 활용하기 위해서는…
• Big Data 활용에 대한 의사결정 -> 활용범위, 활용방법, 의사결정 프로세스
• Top Down 및 현업 주도의 프로젝트 추진 및 운영 -> Governance
• Big Data 전문가 양성, 확보 -> 자체 양성, 외부 영입
선행
검토
이슈

- 23 -- 23 -
Thank You!
“Big Data, 잘 쓰면 약, 못 쓰면 독”
BIG DATA 관련 사진

- 24 -- 24 -
End Of Document