越来越多的创业公司看到了C端收费的难度，转攻保险公司，试图以帮助保险公司降低风险、节省费用为出发点，让保险公司最终掏钱。在转型路上比较多的有两类公司，一种是以数据为出发点，通过分析和模型来评估风险；另一种则是慢病管理，希望从疾病入手，影响治疗流程和效果，最终达到控费效果。

　　这两类公司面临的共同问题有两个。一是操作模式个性化程度较高，意味着操作成本会变高，而适应人群有限。二是对支付方来说，直接经济效益并不明确。

　　那么，支付方到底愿意为什么样的模式服务？美国市场是否有成熟经验可以借鉴？而在中国这个医疗保险尚未真正开始发展的市场，保险还未出现量的飞跃，怎么能够支撑起后续嫁接的服务？目前现阶段市场条件下，什么才是有可能和保险公司契合的模式？

　　数据分析对保险的意义有这样一个案例可以参照。三年前成立的保险公司Clover Health定位老年人市场，核心产品是Medicare补充计划，在Medicare的基础之上，不设医院网络的限制，并在处方药上增加保障。作为一家新型保险公司，Clover Health试图通过数据分析来寻找差异化竞争点。Clover Health的创始团队有较强的数据分析能力，希望能通过对会员就诊中的疾病化验、治疗、用药等数据进行深入分析，推算出有风险的用户并更好地做好干预措施。

　　Clover Health花了3年时间，将会员数从190人增加到7000人，其业务范围目前只在新泽西州。这个模式进行业务发展的成本非常高。除了需要地区扩张在运营和销售上的费用（这一点和其他保险公司类似），进行数据分析加干预的模式也是成本极高的，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。

　　总结来说，对于一家创业公司来说，要用现在的客户量来支撑这些干预是很难的，更何况健康干预的效果很难直接用数字来衡量，很难将干预的效果关联到病人康复的程度以及节约医疗费用的金额上去。

　　那么是不是有可能把这种数据分析的能力嫁接到已经成熟的保险公司上，也就是已经有很大会员数量的公司上？这取决于数据分析的提示性效应和后期干预所需的专业程度。即便保险公司愿意向第三方公开自己会员的疾病数据（事实上这种可能性很小），数据的提示性效应也很难转化为直接的行动。因为这种数据风险模型大多都是将用户归类，分为某些病种，风险高低等，而后期的直接干预仍然有赖于设计专业的疾病管理项目。这是一整套流程设计，比如对心脏病康复者的干预，涉及到和出院的衔接，让护士通过电话询问病人，配合远程跟踪手段，定期回访，追踪用药并评估风险，和医院合作提供紧急反应通道等。这需要非常专业的医疗运营团队去做，而且个性化程度较高，投入并不低，很难单独支撑一个创业模式产生盈利。

　　事实上，用户大都是短视的，他们对购买保险的考虑是保障范围，能够为他们覆盖多少过去可能需要自费的部分，尤其对Clover Health所针对的老年人客户来说，他们更关心多少处方药现在被保险计划包含，而不会去考量疾病干预能为他们治疗糖尿病省多少钱。

　　小结：

　　因此，对于购买者来说，保险的本质仍然是保障，数据分析和疾病干预更多是保险公司端处于营销、费用控制目的所进行的项目，是一种服务的辅助手段，在缺乏优质保障和会员基数的情况下，靠数据分析作为噱头并不能直接带来用户对保障的接受度，进而做大量。

　　如果数据分析作为单独的第三方服务，想要卖给保险公司，则面临这样几个尴尬之处。首先，用户数据尤其是疾病数据是保险公司的核心资产，通过第三方去分析的安全性低，不是首选方式。第二，数据分析得出的结果，比如高风险人群以及风险点，必须转化为后续的行动，这种行动涉及到结合临床治疗的服务，比如健康跟踪和意见，专业的疾病控制计划，用药干预等。这些项目的涉及需要及其专业的医学能力，以及和医院、医生结合的通道。尤其是通道并不容易建立。

　　由此看来，数据分析作为保险的控费手段，其意义是长期的，但是也无法直接体现在数字上，因此是一种辅助的手段，难以单独支撑一个创业板块。

　　系列预告

　　（二）疾病管理

　　（三）保险公司为什么买单（美国经验）

　　（四）中国健康险市场的特点及可能需要的服务