如何運用多維大數據反欺詐保險

1. 大數據在保險中的實時應用

大數據在保險中的實時應用
幾十年來，保險業一直在努力處理交易和風險管理方面的數據。電信與數據融合的前沿趨勢讓保險公司對客戶行為有了新的認知，而這被稱之為「大數據」。數據具有廣泛性、多樣性的特點，特別是能將傳統的關系型資料庫管理技術推向極致，並且讓人們越來越關注數據管理的新方法。大數據、分析和數據管理齊頭並進；美國1.1萬億美元保險市場的各家公司正在爭先恐後地開展自己的數據分析實踐。
大數據的實時應用案例
大數據技術可以使公司評估非結構化數據由不可行變為可行。這里將介紹一些大數據技術在保險領域的應用案例。
欺詐識別
大數據已經幫助保險人做出了改變。而今他們超越了以索賠為中心和以人為中心的演算法欺詐檢測技術。這些技術側重於分析索賠方、保險供應方和其他的信息來源（例如，同一個被保險人提交了多少份類似的索賠請求），並擴展到防火牆之外的數據源，以便基於外部信息分析（例如隊列分析 - 使用一個人的社交圈子來分析相關個體之間的類似行為），這里考慮到的是一群互相聯系的人而不僅僅是一個人。

在美國，每年健康保險欺詐給保險業帶來大約700億到2600億美元的損失；歐盟也有300億到1000億美元的損失。
欺詐檢測和預防主要通過兩種方法實現：
基於實時數據分析的欺詐審計規則（基於歷史數據的傳統類型）
欺詐預測記分卡（基於實時數據的新類型）
客戶關系管理(CRM)
所有的非結構化數據都可以提供給所有的保險公司，這可以成為「大數據分析」方法的基礎。一些非結構化數據源包括:
客戶線上文檔
如果這些文檔可以被輕松搜索到並且能匯集到企業的數據管理平台，那麼保險公司就可以獲得關於客戶的大量信息，包括對非標准、非結構化的生命健康的醫療報告信息，以及再保險和大型商業財產保險部門的信息。
客戶關懷通話記錄
這些內容包含了客戶來電自由形式的代表性評論，這些評論可以用來進行市場情緒調研，有助於形成策略和付諸實踐，以提高客戶的保留率，減少客戶流失。
點擊流數據
由面向客戶的網站生成，可以分析這些數據，以發現顯示客戶傾向的瀏覽模式，尤其是當與呼叫中心記錄相關的時候，找出那些客戶在網路交互後立即呼叫的例子。

索賠管理
大數據也與索賠管理息息相關：運營商希望在索賠流程期間保存好圖像、視頻和文本標記(例如，來自警察檢查員或拖車司機的汽車保險索賠的文本標記)。結合投保人和受益人幾個實體(受益人、投保人、保險人)的匯總信息對非結構化數據的大數據分析變得尤為重要。
承保
在再保險和大型商業保險部門，大量的支持信息會作為信息提交的一部分(例如，損失歷史、財產計劃、車輛調度和董事的詳細信息)。
大數據技術使保險公司能夠快速地存儲和訪問任何數據，以便他們能夠通過分析來突出異常、某種模式和部分重點——這是人工閱讀文檔時代非常困難的事情。自動化數據管理的能力，以及記錄支持文檔的能力，使保險公司能夠創建風險和客戶檔案，這在整個公司中都是統一可審計的並且能夠提供豐富的分析資料。

2. 對待保險詐欺有哪些對策

對待保險詐欺有以下對策：

1、加強保險反欺詐的宣傳，讓公眾明白保險欺告沖詐是一種犯罪。

2、保險公司應加強核保核賠，從源頭上堵住保險欺詐的發生。對於保險公司來講，無論數額大小，騙保行為都需要高度警惕。

近日，銀保監會也下發《關於運用大數據開展反保險欺詐工作的通知》，要以大數據技術為核心、行業聯防與執法協作為助力，全面協同推進反保險欺詐工作。

3、保險行業應該聯合採取反欺詐的行動，建立信息交換網路，讓詐騙者無處藏身。

4、加強與其他行業的聯手，特別是公、檢襪祥殲、法的聯手，狠狠打擊保險詐騙犯罪活動；要加強保險法制建設，做到打擊保險欺詐，有法可宴悶依，執法必嚴。

(2)如何運用多維大數據反欺詐保險擴展閱讀

航延險成騙保高發險種

6月9日，南京市公安局破獲一起航延險騙保案，犯罪嫌疑人李某從2015年至今，通過虛構行程並購買航延險，3年間共理賠近900次，涉案資金高達300餘萬元，目前李某已被採取刑事強制措施。

不久前，上海市同樣宣布了一例航延險詐騙案的告破，累計抓獲犯罪嫌疑人27名，涉案金額超過2000萬元。

近年來，保險詐騙資金有小額化趨勢，如車險、航延險、退貨運費險等，對保險公司的反欺詐能力提出更高要求。

3. 大數據風控如何提高金融機構的反欺詐能力

大數據風控通過升級、豐富傳統風控體系來提高金融機構的反欺詐能力。傳統金融的風內控主要依據信容用屬性強大的信息進行信用評分，來識別客戶的還款能力和還款意願，以此來決定是否放貸。互聯網金融的大數據風控豐富傳統風控的數據維度，通過數據關聯分析來判斷借款人的信用情況，藉助模型來預測某些行為特徵和信用風險之間的關系。正如華策數科智能評分產品，它是一種應用在信貸場景中，以分數的形式來衡量風險幾率的技術手段，能夠根據不同的場景採用不同的評分卡類型。
為了提高金融機構的反欺詐能力，華策數科智能評分產品在貸前的風險識別期採取的是風險類評分，它可以實現對未來一段時間內違約/逾期/失聯概率的預測，通常評分越高越安全。而智能評分產品的反欺詐評分卡則通過評分形式，客觀呈現個人信用狀況，為客戶實現快速決策提供風控支持。
由華策數科智能評分產品可見，互聯網金融的大數據風控在一定程度上補充了傳統風控數據維度不足的缺點，能夠更加全面識別出欺詐客戶，同時應用於風控模型中，評價客戶的風險水平，提高企業的決策能力，並提升金融機構的反欺詐能力。

4. 反欺詐數據挖掘技術在醫療保險業的應用

一、項目背景

最近的新聞中都是用戶在看似正常的消費或取款後，發現自己的卡卻被盜刷了，這種現象就是欺詐交易。欺詐交易是存在於銀行、保險、證券等各行各業的危害現象，給人們經濟、生活帶來較大損失和威脅。作為世界難題，發達各國紛紛輔以了強大的信息化管理系統,通過數據挖掘和人工智慧輔助偵測、識別和評估欺詐交易，有效提高了反欺詐技術手段。

CRISP-DM，即跨行業數據挖掘標准流程（如下圖），是迄今為止最流行的數據挖據流程參考模型。圖中所示的各個大小節點之間的關聯會有循環和粗略不一，過程並不是重點，關鍵是數據挖掘的結果最終能嵌入到業務流程，以提升業務效率和效益。

CRISP-DM和SPSS自有開發的SPSS Modeler契合度非常好, 支持嚴格設計、半試驗研究、偏智能化的三大統計方法論,是全球最為出色的統計軟體之一.本次以SPSS Modeler18為建模工具，利用非真實的醫療保險業數據（投保人信息、梁物模醫療機構信息表、索賠信息表、醫療橡緩診斷與處理信息表）作為內部業務數據、非真實的小額貸款數據作為第三方客戶數據源，進行欺詐交易發現的數據挖掘建模和分析, 也相信於其他行業具有借鑒意義。

在CRISP-DM的商業理解階段，首先對企業進行擁有資源、需求、風險、成本收益的形勢評估，以便對數據挖掘目標的進行確定。

業務梳理的醫療保險欺詐風險分析如下：

1）國內醫療保險欺詐表現形式

主要有 : 冒名頂替 ( 即就醫資格作假) ; 病因作假 ( 將非醫保支付病種( 如車禍 、工傷、打架斗毆、自殺等 ) 改成醫保支付病種); 誇大損失; 票據作假; 醫療文書作假; 住院床位作假( 即掛床住院 ) ; 編造虛假住院、門診特殊病等有關資料「騙保」 。

2）欺詐的主體

在「第三方付費 」的制度下 ,醫務人員和被保險人可能合謀欺詐保險機構。

主要有三個角色：投保人、醫療機構、保險公司，發生欺詐的可能性來源有投保人、醫療機構。結合業務特徵整理數據挖掘的目標和思路方向如下：

數據異常檢測；

對投保人進行分類研究，使用用戶畫像，並結合外部數據對已有和潛在的客戶進行欺詐評分預測；

對醫療機構信息的分類研究；

醫療索賠檢測。

聲明： 鑒於篇幅，本篇概為總攬，對具體的思路、演算法將在今後做專題。

二、數據與模型分析

2.1數據異常檢測

不少數據異常情況從業務邏輯來說是一件可以憑借經驗直接判斷的事情。比如某客戶的索賠頻率和額度在一段時間大量增加、投保人的支付金額和投保人醫療費用數據大小關系異常等，都可以視為疑似欺詐，相關過程不做技術展示了。

Benford定律和anomaly detection是審計、證券等行業運用比螞仔較廣泛的異常監測方法。所謂異常檢測就是發現與大部分對象不同的對象，其實就是發現離群點。我們可以同時多種異常檢測方法來提升發現欺詐交易的命中率。Benford定律的是個有點趣的定律，揭示了海量數據中首位數字分布特徵：數據的第一位數字數字越大，出現的頻率越低。通過聚類建模，以醫療機構編號、支付金額、索賠筆數等為輸入變數：

我們可以得出當索賠闕值大於50 、聚類的距離闕值大於0.2的機構疑似欺詐報告：「醫療保健機構編號:10083642887,醫療保健機構細類: psychology,醫療保健機構索賠索賠數量 58」和「醫療保健機構編號: 10085843968,醫療保健機構細類: med trans,醫療保健機構索賠索賠數量 71」。

為擴大異常數據搜索范圍，利用專門的異常檢測方法Anomaly建模：

得到如下表中異常偏離指數大於1.5、Anomaly標記為「T」 的疑似欺詐投保人名單：

通過查看模型的結果，表中也展示出導致該條記錄被視為異常值的3個最重要影響因子及影響指數，可以輕易看出包括DIAG診斷、Procere處理過程、MEDcode醫療措施在內的因子是導致疑似欺詐的重要因素。

經過欺詐部門審核完畢,可以比較兩種演算法的命中率。

2.2投保人的欺詐分析

包括：聚類遷移，欺詐評分，用戶畫像。

2.2.1客戶的聚類遷移

通常來說，在較短時間內，不論是機構還是個人的狀態、行為模式是較穩定的，不會發生太大的變化。如果對投保人所做的聚類細分，在一年甚至半年內有客戶變換所在細分群組的話，可以提交疑似欺詐報告。聚類建模挑選幾個關鍵輸入變數（參考RFM模型），比如支付金額、支付筆數、保險條款分別對第一年和第二年進行聚類建模並作群組變換的標記，可以得到疑似欺詐名單。

在對客戶的聚類分析中，可以發現一些記錄數量很少的群組，在營銷活動中常常被忽略，但在欺詐發現中卻是值得引起注意的一個異常行為類群。

2.2.2欺詐評分：單分類器和集成學習（Ensemble Learning）

個人信用體系建設在發達國家已經非常成熟，眾所熟悉的銀行業就涉及到信用審批，額度確定，以及反欺詐等專業的應用。 美國銀行業中每年八千億美元的刷卡量中僅造成一個億左右的損失，占總量的約0.02％，其成熟發展的數據挖掘技術成果斐然。

欺詐評分可以主要分三個步驟:變數轉換,生成logsitic回歸模型和評分轉化。樣本隨機地分成兩部分：一部分用於建立模型，另一部分用來對模型進行檢驗。變數的Bining(分箱)處理實際上對數據是有一定損失的，但出於以業務服務為出發點的需求，必須考慮到分箱變數對於業務人員來說更方便使用和理解。

輸入logistics回歸模型的是各個（分箱）變數的WOE值(weight of evidence) 。Woe值的計算公式：WOE=ln（好客戶佔比/懷客戶佔比）*100。

變數轉換包含以下步驟：

1）剔除冗餘變數（相關系數較大的變數保留其一即可）;

2）對連續變數的Bining處理和離散變數的類別歸並處理；

3）IV值的計算和WOE值的計算，為提升預測能力，盡量篩選IV值大於等於0.02和小於等於0.05的變數。

上圖是變數轉換數據流的模型和輸出的一部分，可以看出第一次輸出表格，作為離散變數的信用卡數據還可以繼續計算其違約率進行轉換分類。

逐步法進行logistic回歸建模後，還要利用統計方法對回歸系數進行評分轉化，評分轉化步驟涉及到一個量表編制的業務量化過程，暫不詳述。預測模型的檢驗可以用roc、k-s指標法等，評分卡檢驗需要反映出哪個分段是區分最大，選擇ks指標法：

一般，KS>0.2即可認為模型有比較好的預測准確性。

回歸是單分類器的基本常見演算法之一，還可以用決策樹C5.0建模。

查看C5.0模型可以得到客戶發生欺詐的8條規則，根據這些規則可以了解發生欺詐交易之前的若干顯著特徵，從而發現客戶的欺詐徵兆，及早進行防範。在規則1中，可以看到年齡在27歲以下、持信用卡類型為「支票」、國籍是希臘、南斯拉夫的客戶是發生欺詐交易的高風險的客戶群之一。

單分類器雖然在過去廣泛運用，但存在明顯的不足。近些年來美國銀行業大量採用了樹形演算法家族，目前接觸較多的集成學習主要有2種：基於Boosting的和基於Bagging，新近的還有梯度遞增樹演算法。這些集成學習方法避免了變數間的相互依存性問題，而且預測分析能力也逐步增強，適用范圍廣，在反欺詐和其他一些領域被證明效果非常好，是我們專業人士關注的方向。

Boosting演算法的主要思想是在T次迭代中，每次迭代對分類錯誤的樣本加大重采樣權重，使得在下一次的迭代中更加關注這些樣本。這樣訓練的多個弱分類器進行加權融合，產生一個最後的結果分類器，提高了該弱分類演算法的准確率。我們使用boosting 設置50棵決策樹迭代：

建模及結果：

2.2.3用戶畫像

近年比較熱的用戶畫像，為的是公司追本溯源對客群有更多感性的認識，輔助市場部進行精準營銷，並利用內部數據和外部（第三方）數據建立起大規模的數據倉庫體系，成為公司的核心價值資源。用戶通常具有人口統計學，社會群體特徵，金融業務特徵、個人興趣愛好等等幾大標簽體系。通過對用戶畫像的研究，搭建客戶的各類標簽體系，可以幫助我們分分鍾認識客戶。

一般來說,銀行具有豐富的交易數據、個人屬性數據、消費數據、信用數據和客戶數據，用戶畫像的需求較大也實踐較早。目前很多社交興趣愛好等信息來自於第三方補充。保險行業的產品是一個長周期產品，保險客戶再次購買保險產品的轉化率很高,對用戶的畫像也會是一個必要的過程。

根據業務經驗和集成演算法理論(當數據集較大時，可以分為不同的子集，分別進行訓練，然後再合成分類器)，像銀行業、電信業等大型公司的客戶數據，我們可以首先根據客戶價值(長尾理論)的高低分類，再分別對高價值客戶、中低價值客戶等建立可能不同類型的模型以實現更好的分類效果。針對每次不同而豐富的營銷業務需求，第一步先從龐大的客戶標簽體系中構建出的標簽特徵子集，再通過進行LR（RANKING MODEL）等計算標簽影響因子，進行標簽的權重賦值，所得排名靠前的標簽就是此項業務人員所需了解的目標用戶的畫像了，同時也能較准確地為市場部提供相應的營銷客戶名單，大大提升業務效率。

假定開頭使用的anomaly數據異常檢測結果為真實，增加投保人信息表中的客戶屬性:「是/否發生欺詐」並按結果分別標記，使用k-Means建模並輸出各聚類群組的欺詐比例，查看得出結果報告：

從輸出結果中，對於欺詐比例較高的的聚類，我們可以重點考察他們的群組特徵標簽，spss modeler中可以直接察看聚類特徵的比較情況，得出聚類7的模型特徵描述如下，實現了分分鍾便認識欺詐交易的陌生人。

2.3醫療機構的分類研究

醫療機構的分類研究同樣可以首先使用聚類遷移分析方法（同上投保人的聚類遷移法），國外的反欺詐技術已經深入結合到各機構的管理過程中了，並取得良好成效。

2.4醫療索賠的檢測

醫療服務過程在各機構的處理方式上，通過人工審查欺詐是一件比較有難度和成本的事情。結合臨床路徑的概念和經驗，藉助數據挖掘技術建立模型，自動識別每一項特定醫療服務的系列特徵，如防射療程、化療療程度等，是推動醫療保險業欺詐發現重大進展。國內也開始了更多深入的研究與應用。

三、總結

5. 互聯網保險企業反欺詐

一、互聯網保險創新的現狀
根據中國保險行業協會在2015年年初發布的《互聯網保險行業發展報告》顯示，針對經營互聯網保險業務的公司分類，人身險公司有44家，財產險公司有16家，總體佔全行業133家產壽險公司的45%。包括中國人保財險、泰康人壽、平安人壽、太平洋保險、天安財險等在內的多家險企已率先在線上跑馬圈地，中國保險公司與互聯網的深度融合已全面到來。
首先在監管層面，上個月，醞釀已久的《互聯網保險業務監管暫行辦法》終於由中國保監會發布，這標志著中國互聯網保險業務基礎監管規范的形成。《辦法》以鼓勵創新、防範風險和保護消費者權益為基本思路，從經營條件、經營區域、信息披露、監督管理等方面明確了互聯網保險業務經營的基本規則；規定了互聯網保險業務的銷售、承保、理賠、退保、投訴處理及客戶服務等保險經營行為應由保險機構管理負責；強化了經營主體履行信息披露和告知義務的內容和方式，著力解決互聯網自主交易中可能存在的信息不透明、信息不對稱等問題，以最大限度保護消費者的知情權和選擇權。
其次在保險主體方面，早在2013年，中國人保就推出「掌上人保」，並號稱是指尖上的保險；去年，以「理賠簡單，就在天安」為口號的天安財險「車易賠」APP在全國上線；隨後，「中國太保」「大地通保」、「泰康在線」等保險在線服務平台如雨後春筍般出現，可見，拼服務、拼體驗已經成為各家保險主體競爭的主要方向。同時，各家保險公司在立足保險本身的同時，從渠道上也不斷向外圍延伸，分別與P2P平台、信用保證機構等開展不同程度的合作。以下是中國保險行業協會從服務創新、技術創新、渠道創新等三個方面對2014年60家提供互聯網服務的產、壽險公司進行評價後的前15名榜單：
二、互聯網保險創新背後的風險
應該說基於提升客戶體驗的互聯網保險創新，方向是對的。互聯網保險作為一個新興的領域，發展空間巨大，但同時互聯網保險創新也帶來一系列風險和問題。從目前已經暴露的風險來看，主要包括保險產品創新異位、消費者投訴急劇增加、消費者道德風險敞口擴大、風險評估和控制不到位等。
（一）保險產品創新異位
自2013年底由「三馬」投資的眾安在線成立以來，帶動了中國各大保險主體在保險產品上的創新熱潮。盜刷險、高溫險、退貨險、喝麻險、世界盃足球流氓險等創新險種不斷涌現，壽險公司也相繼推出求關愛、愛升級、救生圈等所謂的基於微信平台的「扔撈」產品，名字一個比一個花哨，其中，不乏一些險種初具規模，但更多的是為創新而創新。如世界盃足球流氓險從頭到尾就沒賣出幾份，導致本來就比較便宜的3元/份，到後期直接降價到1分錢/份，變成了一個十足的噱頭。更有甚者，開發出霧霾險、賞月險、搖號險等，嚴重脫離保險的本質。
（二）消費者投訴急劇增加
據保監會近日公布的《關於2015年上半年保險消費者投訴情況的通報》顯示，2015年上半年，中國保監會12378投訴維權熱線全國轉人工呼入總量157544件，同比上升40.24%。而其中，捆綁銷售互聯網產品的投訴占據一定比例，究其原因，很多保險主體互聯網保險業務發展迅速，但管理和服務能力嚴重不足，片面注重銷售前端網路化，後台運營管理卻仍是傳統思維，前端和後台不配套，買時容易退時難，從而導致消費者投訴。
（三）消費者道德風險敞口擴大
目前，各家保險主體在理賠服務上基本上都推出了簡易賠付，即保險公司對於一定金額以下（2000-10000元不等）的保險事故實行簡易賠付，消費者通過保險公司自己推出的APP平台，或拍照、或視頻，將事故現場信息傳輸到保險公司後台，保險公司審核確認後立刻賠付，全程一般在5分鍾左右時間完成。應該說這種做法極大地簡化了理賠程序，縮短了理賠時間，方便了消費者。但是，客觀地講，我們也不得不面對當下國內的基本現狀，國民的平均道德水準有待提高，修理廠、4S店有組織地批量造假，保險欺詐層出不窮，這些無疑都將保險公司的風險敞口無限擴大。
（四）風險評估和管理不到位
保險從本質上是風險轉移的安排，應該有可量化的數據支撐，目前，很多產品的創新，缺少基本的費率釐定、成本測算等程序。同時，保險講究的是大數法則，如果一款產品不能具備一定規模，賠付水平就會極不穩定，風險管理也就無從談起。
三、互聯網保險創新的風險管理
（一）保險產品創新：回歸本質
保險，在法律和經濟學意義上，是一種風險管理方式。因此，保險產品創新的基本原則和底線是創新的產品具有風險管理的可能性，即通過經驗的積累和有效的管理措施能夠降低保險標的風險。這也就是一般情況下地震、颶風等不可抗力不列入保險范圍的根本原因，因為到目前為止，人類還無法通過自身的行為影響上述事件的發生。反觀現在的保險產品創新，霧霾險也好，賞月險也罷，甚至是高溫險，基本上都突破了上述這一基本原則。
之所以會出現現在這種情況，我想主要有兩個方面原因，一是保險本身，在目前的保險市場上，規模產品的同質性非常嚴重，基本相同的條款，基本相同的費率，基本相同的服務，在這種情況下，產品創新的目標已經不再是客戶的「需求」，而是客戶的「眼球」。記得若干年前，有一個保險公司開發了一個險種叫「酒駕險」，從始至終沒賣出一份保單，但公司從上到下都非常開心，因為這個產品在當時引起了包括新聞媒體、監管部門、同業公司以及消費者的極大關注，很好地提高了公司的知名度。二是與目前整個社會的大環境有關，當下，從集體到個體，在物質和經濟的指揮下，每一個社會組織和細胞都在極力獲取盡量多的資源，而忽視了資源本身的效用和價值。正像有一句話所說，走著，走著，忘記了出發的目的。
（二）保險風險管理：大數據為器
1.大數據在費率釐定中的應用。保單的費率設定是保險公司風險管理的源頭，也是一項非常重要的工作，主要目的是使設定的費率對應於投保人的風險等級，風險越小，費率越低，盡量做到公平。確定費率較為關鍵的問題就是找出「影響賠付支出的風險因素或變數」，其實生命表就是「影響賠付支出的風險因素或變數」之一年齡的一個分類。再如，在車險定價中城市交通的擁擠程度、駕駛員的年齡、駕齡、性別、汽車的新舊程度等都可能是「影響賠付支出的風險因素或變數」，而這些因素或變數就是可以通過大量數據分析和處理來確定。
2.大數據在風險評估中的應用。在大數據時代，風險評估已經不僅僅局限於公司的歷史數據、行業的歷史數據，無論是風險特徵的描述還是數據資源的獲取都更加便利。首先在占據財產險市場70%以上份額的車險領域，保險公司可以獲取三個層級數據來支撐風險評估，第一層級是核心層，包括公司和行業數據，第二層級是緊密層，包括車型、汽車零整比、二手車等數據；第三層級是外圍移動層，包括利用車載感測設備收集駕駛員行為數據等。同時，對於保險公司的精算師來講，更多、更廣的數據獲取，可以更精確地識別個體對象的潛在風險，建立更加有效的數據模型，不斷改善和提高精算的精準程度，以幫助判斷和評估風險以及風險准備金。
3.大數據在反理賠欺詐中的應用。在確保數據資源的情況下，通過完整的、多樣化的數據（數據包括但不限於公司內部保單及理賠歷史記錄、行業數據、徵信記錄、公共社交網路數據、犯罪記錄等），輔之以有效的演算法和模型，來識別理賠中可能的欺詐模式、理賠人潛在的欺詐行為以及可能存在的欺詐鏈條，應該是未來反理賠欺詐的主要方向。而對於整個中國保險行業來講，盡快建立起一套行業級的保險數據信息平台，是反理賠欺詐的關鍵。目前，上海、江蘇等省市已經實現理賠信息數據共享，在這些地區反理賠欺詐行為的成效明顯提高。
4.大數據在保險行業風險管理中應用之核心—數據整合。目前保險公司的數據有行業平台的同業數據、前端客戶APP導入（或現場出單）數據，中端中介、渠道、理賠、呼叫數據，後端財務收付數據，另外，還有定價系統的汽車零配件數據、人事系統的人員數據、稽核審計風控系統的風控數據等，種類繁多和龐雜，因此，急需建立大數據平台進行數據整合，統一數據存儲和傳遞標准，並將不同系統進行數據打通，再根據不同需要進行數據挖掘。
（三）保險風險控制：新技術應用
未來，新技術、新設備的應用將成為保險行業風險控制的主要途徑。在承保環節，基於大數據基礎的數據分析技術將在第一時間立體呈現保險標的各項數據和特徵，為承保決策和政策提供第一手資料，從源頭控制風險。在理賠環節，新技術、新設備同樣將被廣泛應用。在車輛保險領域，通過裝載在車上的無線電子設備，運用通訊網路，實現對車輛、道路以及行車駕駛員進行靜、動態信息提取和行為記錄，從而監督行車駕駛員人的行為風險和道德風險，並進行出險前預防、出險中響應和出險後處理，從而使保險事故管理變被動為主動，降低理賠成本。在人壽保險領域，利用能夠實時監控人體健康情況的可穿戴設備，來獲取和細分不同群體、不同年齡的人體健康和生死概率，並適時向客戶提供飲食、健身等方面的建議，從而降低投保人的醫療費用。在家庭財產險領域，通過智能家居系統對住宅進行遠程監控並及時發現和緩解風險，當家中發生煤氣泄漏或水管爆裂，可自動關掉閥門，從而減輕損失等。
任何事物的發展，都要有與之相對應的配套管理措施，互聯網保險創新也不例外。今後相當長一段時間，互聯網保險創新都將在路上，基於互聯網保險創新的風險管理也必將亦步亦趨，緊緊跟隨。

擴展閱讀：【保險】怎麼買，哪個好，手把手教你避開保險的這些"坑"

6. 保險科技如何在理賠中進行

保險理賠是保險業務中的一個重要環節，長期以來存在諸多痛點、難點，理賠難理賠慢理賠煩的問題，始終是保險消費者關注的焦點和揪心問題。近年來迅猛發展的保險科技正在不斷實現與理賠流程的融合，促進了行業理賠效率持續提升，有效緩解了理賠工作中的諸多痛點、難點。
一、保險科技的運用極大地提升了客戶的體驗感和滿意度。
通過引入大數據、人工智慧、雲計算等技術手段重塑保險理賠服務環節，可以實現理賠信息數字化採集和理賠全流程無紙化，從而使客戶免於往來奔波和提供各類資料，極大地提升保險理賠體驗。近年來，保險科技在保險理賠服務中扮演著越來越重要的角色，客戶能夠切實感受到保險理賠工作越來越貼心周到，客戶感受到理賠更為便捷、賠付時間更短等。例如，螞蟻保聯合保險公司推出了一項高品質的理賠服務「安心賠」，可以理賠全流程協助用戶，保證理賠申請簡單快速，並確保理賠結論清晰公正。不僅提升了消費者的理賠體驗，同時也幫助了保險公司降本增效。一是對消費者的理賠需求能「一管到底」，消費者對理賠有任何疑問，可隨時發起咨詢，並雹旁且可以線上完成理賠申請，如果對理賠結論不認可，可申請糾紛援助；二是理賠全流程的「速度保障」，與保險公司約定申請理賠的審核時效，當超過約定時效，可申請加急處理，同時還對醫療險、門診險等不同的險種承諾具體時效。「安心賠」背後依託的是螞蟻保獨有的「理賠大腦」技術能力。運行數據顯示，「理賠大腦」能識別最多107種醫療、理賠憑證，將保險產品的理賠核賠效能提升70%。「理賠大腦」系統由智能指引平台、智能互動報案、智能審核系統、智能調查系統、智能通知平台組成，全流程優化客戶理賠體驗。
二、保險科技促進保險行業理賠效率持續提升
2021年12月底中國保險行業協會發布的《保險科技「十四五」發展規劃》(以下簡稱《規劃》)提出，到2025年，我國保險科技要增強優質高效保險服務能力，推動行業理賠自動化率超過40%。數據顯示，目前，保險行業平均理賠自動化率已達21.48%，精準快速理賠在科技賦能下初顯成效。例如，2021年，中國人壽壽險公司氏逗智能化處理理賠案件超過1390萬件，同比增長23%，智能化作業佔比達70%，小額理賠時效0.13天；2021年，華安保險通過視頻系統處理線上查勘定損案件28.4萬件，同比增加3.8萬件。視頻查勘案件極速賠(賠款當天支付)佔比超過30%。為了提升客戶線上理賠服務體驗，華安保險不斷升級理賠作業中心，目前已實現智能調度、客戶操作可視化、後台主動呼叫、OCR自動識別、相片智能分揀、案件信息一鍵轉錄等功能。
三、保險科技提升了保險行業反欺詐能力
保險欺詐一直是行業源核橡面臨的巨大挑戰之一。我國財險公司的綜合賠付率均值約為60%，而每年保險行業因為欺詐導致的損失高達10%至15%。這不僅破壞了正常的保險展業活動，還侵犯了保險人和保險消費者的合法權益。以大數據、人工智慧為代表的科技為保險行業提升風控能力帶來了新契機。基於海量全方位的用戶數據及第三方場景數據，通過建立實時的反欺詐規則引擎及關聯圖譜分析，保險公司能夠甄別欺詐騙保行為，判斷案件的真實程度。
2021年3月，銀保監會發布《關於做好2021年大數據反保險欺詐工作的通知》及《大數據反保險欺詐手冊》(2021版)，旨在運用大數據、人工智慧等高科技手段對車險、意健險、農險、保證保險等重點領域的欺詐行為重拳出擊。該措施對採用大數據等技術防範保險欺詐風險，遏制保險欺詐擴展的勢頭，維護市場秩序，保護保險公司和保險消費者權益，發揮了重要作用。
未來，人工智慧、區塊鏈、大數據、雲計算等科技與保險價值鏈各環節的融合將進一步加深，保險業務流程逐步向數字化、線上化、智能化轉變，從而有助於改善理賠經驗、提升保險業務經營效率。目前，我國的保險理賠新科技運用仍處在起步階段，未來，藉助於更深層次地運用大數據、人工智慧等技術，保險公司理賠服務效率和精準度將不斷得到提升。而且，在保險科技的支持下，保險公司還將擁有更多更加智能化的客戶服務工具，其服務范圍和能力也將延伸到更多領域，從而讓保險服務內涵變得更加豐富，讓廣大客戶從保險服務中增加更多獲得感和幸福感。

7. 如何應用大數據進行保險行業的數據分析

要分析，先採集。

對於保險行業來說，這個很有必要。

保險行業太大，太雜，因此信息量很大。

保險公司需要知道目前的行業發展情況，競爭對手的情況，產品公司的形象等，這些數據基本上來源於互聯網的公開信息，論壇，貼吧，微信，微博等。

保險公司最為迫切的事情是：通過先進的信息採集技術，建立完善的輿情監測機制。

Web是一個巨大的資源寶庫，目前頁面數目已超過800億，每小時還以驚人的速度增長，裡面有你需要的大量有價值的信息，例如潛在客戶的列表與聯系信息，競爭產品的價格列表，實時金融新聞，供求信息，論文摘要等等。

可是由於關鍵信息都是以半結構化或自由文本形式存在於大量的HTML網頁中，很難直接加以利用。

實施以後，能夠獲得大量的利益：

對目標網站進行信息自動抓取，支持HTML頁面內各種數據的採集，如文本信息，URL，數字，日期，圖片等
♦ 用戶對每類信息自定義來源與分類-采3453輿情4533集-
♦ 可以下載圖片與各類文件
♦ 支持用戶名與密碼自動登錄
♦ 支持命令行格式，可以Windows任務計劃器配合，定期抽取目標網站
♦ 支持記錄唯一索引，避免相同信息重復入庫
♦ 支持智能替換功能，可以將內容中嵌入的所有的無關部分如廣告去除
♦ 支持多頁面文章內容自動抽取與合並
♦ 支持下一頁自動瀏覽功能
♦ 支持直接提交表單
♦ 支持模擬提交表單
♦ 支持動作腳本
♦ 支持從一個頁面中抽取多個數據表
♦ 支持數據的多種後期處理方式
♦ 數據直接進入資料庫而不是文件中，因此與利用這些數據的網站程序或者桌面程序之間沒有任何耦合
♦ 支持資料庫表結構完全自定義，充分利用現有系統
♦ 支持多個欄目的信息採集可用同一配置一對多處理
♦ 保證信息的完整性與准確性，絕不會出現亂碼26禁止9盜用0
♦ 支持所有主流資料庫：MS SQL Server, Oracle, DB2, MySQL, Sybase, Interbase, MS Access等

8. 如何利用大數據防範金融風險

1、徵信大數據挖掘： 互聯網海量大數據中與風控相關的數據。在數據原料方面，越來越多的互聯網在線動態大數據被添加進來。 2、風控運營： 貸前營銷：帆沒 1、已有客戶開發、新客戶開發； 2、預審批、申請評分； 3、預審批，客戶准入、預授信額度估算。 貸中審批： 1、欺詐甄別、反欺詐液此監測； 2、申請再評分； 3、授信審批； 4、貸款定價。 貸後管理： 1、行為評分模型； 2、額度管理； 3、風險預警、預態埋納催收； 4、催收評分、催收策略。

9. 人工智慧是如何應用於金融反欺/詐領/域的具體技/術和場景如何

一、什麼是消費金融行業的反欺詐？

說起「反欺詐」，放在三年前提起或許還有很多人感到陌生，這種主要面向企業級的應用，通常深藏在銀行、保險等金融行業的內部系統中，亦或者是各大互聯網公司安全系統中，說起來總帶著幾分神秘感。

近些年，隨著「互聯網 金融」的迅速壯大，誕生出不少第三方公司，專門為金融機構提供風控和反欺詐服務， 「反欺詐系統」這才在金融科技圈流傳開來。

其實縱觀整個金融服務業，尤其是借貸業，大家都面臨著兩種相同的風險：欺詐風險和信用風險。欺詐風險，主要指的是借貸申請人沒有還款意願；信用風險，主要指的是借貸申請人沒有還款能力。在我國，放貸機構所承受的欺詐風險遠超過信用風險。

對於這種情況，Maxent（猛獁反欺詐）的創始人張克曾說過："金融是一個'刀口舔血'的行業，風控是生命線。沒有好的風控，金融機構很難生存下去。所以，金融業反欺詐的風控需求一直很強勁。"

二、數據 技術能否滿足反欺詐系統？

面對形形色色的欺詐份子和欺詐手段，如何解決欺詐風險，成為眾多借貸公司的頭號問題。反欺詐作為一個業務，流程包括三個步驟：

1、檢測（Detect）。 從技術層面來看，利用演算法，自動檢測異常，從數據層面來看，建立黑名單，及時發現風險；
2、響應（Response）。對異常行為採取阻斷一次交易、拉黑或者其他方式；
3、預防（Prevention）。將異常行為收錄入黑名單等，固化成規則，如果下次再有行為觸碰到規則，系統會進行預設的響應。
舉一個例子，銀行的反欺詐方法是建立基於專家經驗的規則體系，其運作模式是：將遇到的每一次欺詐的行為特點記錄下來形成「規則」，下次再遇到此類行為規則體系會自動做出人工介入或拉黑的響應。

但是，通過黑名單進行反欺詐檢測會隨著時間的推移失效，失效的速度可能會很快。因為黑名單的記錄是基於之前發生的欺詐行為數據，欺詐份子的手段和技術不斷迭代更新時，並沒有一種有效的途徑去預測或預防下一次將會發生怎樣的欺詐行為。

消費信貸的普遍特點是小額、分散，互聯網消費信貸還具有高並發特點，單單使用傳統的專家規則體系是很難對抗互聯網消費信貸中的欺詐的，整個行業都在等待一種新的技術跟專家規則體系協同作戰，這時，有人提到了人工智慧。

三、人工智慧與反欺詐

說起人工智慧，美國政府曾發布過一份報告（美國總統行政辦公室和白宮科技政策辦公室，《為人工智慧的未來做好准備（Preparing for the Future of Artificial Intelligence）》）做出解釋，「一些人將人工智慧寬泛地定義為一種先進的計算機化系統，能夠表現出普遍認為需要智能才能有的行為。其他人則將人工智慧定義為一個不管在真實環境下遭遇何種情況，都能合理解決復雜問題或者採取合理行動以達成目標的系統。」簡單來說，人工智慧讓機器更加智能，使機器能夠最大化自身的價值。

人工智慧最重要的技術手段之一，就是機器學習。我們很容易聯想到前段時間谷歌AlphaGo大勝圍棋名家李世石的事情，這件事充分展現了大數據雲時代機器學習的強大實力，機器學習也是人工智慧近期取得的很多進展和商業應用的基礎。

機器學習在反欺詐運用上同樣十分流行，Forrester在其2015年的欺騙報告中曾指出，機器學習是一項阻止欺騙的發生，同時能保證快速決定的機制。如果說專家系統旨在模仿人類專家遵循的規則，識別拉黑曾經發生過欺詐行為，那麼人工智慧中的機器學習則依靠統計學方式自行尋找能夠在實踐中發揮功效的決策流程，分析大數據，進而預測用戶行為。

國外已有科技人士對人工智慧領域表示了高度關注，谷歌CEO桑達爾·皮查伊表示：「機器學習是一項顛覆性的核心技術，它促使我們重新思考我們做一切事情的方式。我們將這項技術應用於我們的所有產品，包括搜索、廣告、YouTube或者Google Play。我們還處於發展初期，但你們終會看到我們將機器學習系統應用到所有領域。」

國內，金融科技公司京東金融也在投身於這場科技浪潮，以它為例，來看看人工智慧在消費金融領域是如何實現反欺詐的。

四、從京東金融看人工智慧的反欺詐實踐

京東消費金融目前有兩大核心模型體系，既有專家規則體系，又應用了人工智慧，兩大模型體系中與反欺詐直接相關的是「司南」和「天盾系統」：

1、數據驅動的模型體系——「四大發明」
2、技術驅動的風控體系——「四重天」

△來源：零壹財經

天盾系統應用了人工智慧，是白條賬戶的風控安全大腦。主要用途是預測用戶是否有欺詐風險，對賬戶進行分析來給予不同等級的防範處理。

天盾系統借鑒了交易監控系統的經驗，針對注冊、登錄、激活、支付、修改信息等全流程，基於賬戶歷史行為模式、賬戶關系網路、當前操作行為和設備環境，評估賬戶安全等級、環境安全等級、行為安全等級，防範賬戶被盜、撞庫（指黑客通過收集互聯網已泄露的用戶和密碼信息，生成對應的字典表，嘗試批量登陸其他網站後，得到一系列可以登錄的用戶賬戶）、惡意攻擊等風險，實現全流程風險監控，形成反欺詐網路，極大地增加了惡意用戶作案成本。

京東金融既有內部生態體系產生的數據，也有不斷擴充的外部數據，覆蓋面廣、維度多、實時更新，這為人工智慧反欺詐奠定了強有力的基礎。通過自動化風控系統，實現全流程風險監控，欺詐惡意份子作案成本不斷提高。目前，京東金融風控系統累計攔截疑似欺詐申請數十萬起，攔截高風險訂單數億元。

五、人工智慧反欺詐的未來

人工智慧將不斷加強金融領域的智能化和反欺詐，通過人工智慧技術反欺詐，將是未來發展的大趨勢：

首先，欺詐者的行為在某些維度上與非欺詐者一定是有差異的，一個人如果偽造一部分信息，尚且比較容易，但是要偽造全部信息，一來十分非常困難，二來成本非常高。通過技術，將這種異樣捕捉起來，進而識別用戶的真正意圖；

其次，商業市場變化很大，銀行等大型機構僅僅利用自身的反欺詐團隊人手和技術，專業水平有限，很難跟上外部變化，必定需要專業的第三方服務；

最後，反欺詐並不是單一的技術，它具有多元化的特點，市場上很難出現一家機構能將所有技術都做得很精，舉一個例子：美國一家大型銀行平均會使用30家反欺詐機構的技術，而電商平均會採用7家反欺詐機構的技術。大量的市場需求，促進反欺詐更進一步的發展。

可以大膽預測，未來，會有更多的金融科技公司將把在消費金融服務的數據、機器學習等實踐經驗對外輸出，促進人工智慧在反欺詐領域的應用。而這，就是檸檬一直在做的事，致力於提供消費金融領域大數據風控技術和綜合解決方案，為金融企業提供個性化和產品化的大數據風控解決方案，通過資源整合，讓金融機構提升風控效率、降低風控成本。