如何运用多维大数据反欺诈保险

1. 大数据在保险中的实时应用

大数据在保险中的实时应用
几十年来，保险业一直在努力处理交易和风险管理方面的数据。电信与数据融合的前沿趋势让保险公司对客户行为有了新的认知，而这被称之为“大数据”。数据具有广泛性、多样性的特点，特别是能将传统的关系型数据库管理技术推向极致，并且让人们越来越关注数据管理的新方法。大数据、分析和数据管理齐头并进；美国1.1万亿美元保险市场的各家公司正在争先恐后地开展自己的数据分析实践。
大数据的实时应用案例
大数据技术可以使公司评估非结构化数据由不可行变为可行。这里将介绍一些大数据技术在保险领域的应用案例。
欺诈识别
大数据已经帮助保险人做出了改变。而今他们超越了以索赔为中心和以人为中心的算法欺诈检测技术。这些技术侧重于分析索赔方、保险供应方和其他的信息来源（例如，同一个被保险人提交了多少份类似的索赔请求），并扩展到防火墙之外的数据源，以便基于外部信息分析（例如队列分析 - 使用一个人的社交圈子来分析相关个体之间的类似行为），这里考虑到的是一群互相联系的人而不仅仅是一个人。

在美国，每年健康保险欺诈给保险业带来大约700亿到2600亿美元的损失；欧盟也有300亿到1000亿美元的损失。
欺诈检测和预防主要通过两种方法实现：
基于实时数据分析的欺诈审计规则（基于历史数据的传统类型）
欺诈预测记分卡（基于实时数据的新类型）
客户关系管理(CRM)
所有的非结构化数据都可以提供给所有的保险公司，这可以成为“大数据分析”方法的基础。一些非结构化数据源包括:
客户线上文档
如果这些文档可以被轻松搜索到并且能汇集到企业的数据管理平台，那么保险公司就可以获得关于客户的大量信息，包括对非标准、非结构化的生命健康的医疗报告信息，以及再保险和大型商业财产保险部门的信息。
客户关怀通话记录
这些内容包含了客户来电自由形式的代表性评论，这些评论可以用来进行市场情绪调研，有助于形成策略和付诸实践，以提高客户的保留率，减少客户流失。
点击流数据
由面向客户的网站生成，可以分析这些数据，以发现显示客户倾向的浏览模式，尤其是当与呼叫中心记录相关的时候，找出那些客户在网络交互后立即呼叫的例子。

索赔管理
大数据也与索赔管理息息相关：运营商希望在索赔流程期间保存好图像、视频和文本标记(例如，来自警察检查员或拖车司机的汽车保险索赔的文本标记)。结合投保人和受益人几个实体(受益人、投保人、保险人)的汇总信息对非结构化数据的大数据分析变得尤为重要。
承保
在再保险和大型商业保险部门，大量的支持信息会作为信息提交的一部分(例如，损失历史、财产计划、车辆调度和董事的详细信息)。
大数据技术使保险公司能够快速地存储和访问任何数据，以便他们能够通过分析来突出异常、某种模式和部分重点——这是人工阅读文档时代非常困难的事情。自动化数据管理的能力，以及记录支持文档的能力，使保险公司能够创建风险和客户档案，这在整个公司中都是统一可审计的并且能够提供丰富的分析资料。

2. 对待保险诈欺有哪些对策

对待保险诈欺有以下对策：

1、加强保险反欺诈的宣传，让公众明白保险欺告冲诈是一种犯罪。

2、保险公司应加强核保核赔，从源头上堵住保险欺诈的发生。对于保险公司来讲，无论数额大小，骗保行为都需要高度警惕。

近日，银保监会也下发《关于运用大数据开展反保险欺诈工作的通知》，要以大数据技术为核心、行业联防与执法协作为助力，全面协同推进反保险欺诈工作。

3、保险行业应该联合采取反欺诈的行动，建立信息交换网络，让诈骗者无处藏身。

4、加强与其他行业的联手，特别是公、检袜祥歼、法的联手，狠狠打击保险诈骗犯罪活动；要加强保险法制建设，做到打击保险欺诈，有法可宴闷依，执法必严。

(2)如何运用多维大数据反欺诈保险扩展阅读

航延险成骗保高发险种

6月9日，南京市公安局破获一起航延险骗保案，犯罪嫌疑人李某从2015年至今，通过虚构行程并购买航延险，3年间共理赔近900次，涉案资金高达300余万元，目前李某已被采取刑事强制措施。

不久前，上海市同样宣布了一例航延险诈骗案的告破，累计抓获犯罪嫌疑人27名，涉案金额超过2000万元。

近年来，保险诈骗资金有小额化趋势，如车险、航延险、退货运费险等，对保险公司的反欺诈能力提出更高要求。

3. 大数据风控如何提高金融机构的反欺诈能力

大数据风控通过升级、丰富传统风控体系来提高金融机构的反欺诈能力。传统金融的风内控主要依据信容用属性强大的信息进行信用评分，来识别客户的还款能力和还款意愿，以此来决定是否放贷。互联网金融的大数据风控丰富传统风控的数据维度，通过数据关联分析来判断借款人的信用情况，借助模型来预测某些行为特征和信用风险之间的关系。正如华策数科智能评分产品，它是一种应用在信贷场景中，以分数的形式来衡量风险几率的技术手段，能够根据不同的场景采用不同的评分卡类型。
为了提高金融机构的反欺诈能力，华策数科智能评分产品在贷前的风险识别期采取的是风险类评分，它可以实现对未来一段时间内违约/逾期/失联概率的预测，通常评分越高越安全。而智能评分产品的反欺诈评分卡则通过评分形式，客观呈现个人信用状况，为客户实现快速决策提供风控支持。
由华策数科智能评分产品可见，互联网金融的大数据风控在一定程度上补充了传统风控数据维度不足的缺点，能够更加全面识别出欺诈客户，同时应用于风控模型中，评价客户的风险水平，提高企业的决策能力，并提升金融机构的反欺诈能力。

4. 反欺诈数据挖掘技术在医疗保险业的应用

一、项目背景

最近的新闻中都是用户在看似正常的消费或取款后，发现自己的卡却被盗刷了，这种现象就是欺诈交易。欺诈交易是存在于银行、保险、证券等各行各业的危害现象，给人们经济、生活带来较大损失和威胁。作为世界难题，发达各国纷纷辅以了强大的信息化管理系统,通过数据挖掘和人工智能辅助侦测、识别和评估欺诈交易，有效提高了反欺诈技术手段。

CRISP-DM，即跨行业数据挖掘标准流程（如下图），是迄今为止最流行的数据挖据流程参考模型。图中所示的各个大小节点之间的关联会有循环和粗略不一，过程并不是重点，关键是数据挖掘的结果最终能嵌入到业务流程，以提升业务效率和效益。

CRISP-DM和SPSS自有开发的SPSS Modeler契合度非常好, 支持严格设计、半试验研究、偏智能化的三大统计方法论,是全球最为出色的统计软件之一.本次以SPSS Modeler18为建模工具，利用非真实的医疗保险业数据（投保人信息、梁物模医疗机构信息表、索赔信息表、医疗橡缓诊断与处理信息表）作为内部业务数据、非真实的小额贷款数据作为第三方客户数据源，进行欺诈交易发现的数据挖掘建模和分析, 也相信于其他行业具有借鉴意义。

在CRISP-DM的商业理解阶段，首先对企业进行拥有资源、需求、风险、成本收益的形势评估，以便对数据挖掘目标的进行确定。

业务梳理的医疗保险欺诈风险分析如下：

1）国内医疗保险欺诈表现形式

主要有 : 冒名顶替 ( 即就医资格作假) ; 病因作假 ( 将非医保支付病种( 如车祸 、工伤、打架斗殴、自杀等 ) 改成医保支付病种); 夸大损失; 票据作假; 医疗文书作假; 住院床位作假( 即挂床住院 ) ; 编造虚假住院、门诊特殊病等有关资料“骗保” 。

2）欺诈的主体

在“第三方付费 ”的制度下 ,医务人员和被保险人可能合谋欺诈保险机构。

主要有三个角色：投保人、医疗机构、保险公司，发生欺诈的可能性来源有投保人、医疗机构。结合业务特征整理数据挖掘的目标和思路方向如下：

数据异常检测；

对投保人进行分类研究，使用用户画像，并结合外部数据对已有和潜在的客户进行欺诈评分预测；

对医疗机构信息的分类研究；

医疗索赔检测。

声明： 鉴于篇幅，本篇概为总揽，对具体的思路、算法将在今后做专题。

二、数据与模型分析

2.1数据异常检测

不少数据异常情况从业务逻辑来说是一件可以凭借经验直接判断的事情。比如某客户的索赔频率和额度在一段时间大量增加、投保人的支付金额和投保人医疗费用数据大小关系异常等，都可以视为疑似欺诈，相关过程不做技术展示了。

Benford定律和anomaly detection是审计、证券等行业运用比蚂仔较广泛的异常监测方法。所谓异常检测就是发现与大部分对象不同的对象，其实就是发现离群点。我们可以同时多种异常检测方法来提升发现欺诈交易的命中率。Benford定律的是个有点趣的定律，揭示了海量数据中首位数字分布特征：数据的第一位数字数字越大，出现的频率越低。通过聚类建模，以医疗机构编号、支付金额、索赔笔数等为输入变量：

我们可以得出当索赔阙值大于50 、聚类的距离阙值大于0.2的机构疑似欺诈报告：“医疗保健机构编号:10083642887,医疗保健机构细类: psychology,医疗保健机构索赔索赔数量 58”和“医疗保健机构编号: 10085843968,医疗保健机构细类: med trans,医疗保健机构索赔索赔数量 71”。

为扩大异常数据搜索范围，利用专门的异常检测方法Anomaly建模：

得到如下表中异常偏离指数大于1.5、Anomaly标记为“T” 的疑似欺诈投保人名单：

通过查看模型的结果，表中也展示出导致该条记录被视为异常值的3个最重要影响因子及影响指数，可以轻易看出包括DIAG诊断、Procere处理过程、MEDcode医疗措施在内的因子是导致疑似欺诈的重要因素。

经过欺诈部门审核完毕,可以比较两种算法的命中率。

2.2投保人的欺诈分析

包括：聚类迁移，欺诈评分，用户画像。

2.2.1客户的聚类迁移

通常来说，在较短时间内，不论是机构还是个人的状态、行为模式是较稳定的，不会发生太大的变化。如果对投保人所做的聚类细分，在一年甚至半年内有客户变换所在细分群组的话，可以提交疑似欺诈报告。聚类建模挑选几个关键输入变量（参考RFM模型），比如支付金额、支付笔数、保险条款分别对第一年和第二年进行聚类建模并作群组变换的标记，可以得到疑似欺诈名单。

在对客户的聚类分析中，可以发现一些记录数量很少的群组，在营销活动中常常被忽略，但在欺诈发现中却是值得引起注意的一个异常行为类群。

2.2.2欺诈评分：单分类器和集成学习（Ensemble Learning）

个人信用体系建设在发达国家已经非常成熟，众所熟悉的银行业就涉及到信用审批，额度确定，以及反欺诈等专业的应用。 美国银行业中每年八千亿美元的刷卡量中仅造成一个亿左右的损失，占总量的约0.02％，其成熟发展的数据挖掘技术成果斐然。

欺诈评分可以主要分三个步骤:变量转换,生成logsitic回归模型和评分转化。样本随机地分成两部分：一部分用于建立模型，另一部分用来对模型进行检验。变量的Bining(分箱)处理实际上对数据是有一定损失的，但出于以业务服务为出发点的需求，必须考虑到分箱变量对于业务人员来说更方便使用和理解。

输入logistics回归模型的是各个（分箱）变量的WOE值(weight of evidence) 。Woe值的计算公式：WOE=ln（好客户占比/怀客户占比）*100。

变量转换包含以下步骤：

1）剔除冗余变量（相关系数较大的变量保留其一即可）;

2）对连续变量的Bining处理和离散变量的类别归并处理；

3）IV值的计算和WOE值的计算，为提升预测能力，尽量筛选IV值大于等于0.02和小于等于0.05的变量。

上图是变量转换数据流的模型和输出的一部分，可以看出第一次输出表格，作为离散变量的信用卡数据还可以继续计算其违约率进行转换分类。

逐步法进行logistic回归建模后，还要利用统计方法对回归系数进行评分转化，评分转化步骤涉及到一个量表编制的业务量化过程，暂不详述。预测模型的检验可以用roc、k-s指标法等，评分卡检验需要反映出哪个分段是区分最大，选择ks指标法：

一般，KS>0.2即可认为模型有比较好的预测准确性。

回归是单分类器的基本常见算法之一，还可以用决策树C5.0建模。

查看C5.0模型可以得到客户发生欺诈的8条规则，根据这些规则可以了解发生欺诈交易之前的若干显著特征，从而发现客户的欺诈征兆，及早进行防范。在规则1中，可以看到年龄在27岁以下、持信用卡类型为“支票”、国籍是希腊、南斯拉夫的客户是发生欺诈交易的高风险的客户群之一。

单分类器虽然在过去广泛运用，但存在明显的不足。近些年来美国银行业大量采用了树形算法家族，目前接触较多的集成学习主要有2种：基于Boosting的和基于Bagging，新近的还有梯度递增树算法。这些集成学习方法避免了变量间的相互依存性问题，而且预测分析能力也逐步增强，适用范围广，在反欺诈和其他一些领域被证明效果非常好，是我们专业人士关注的方向。

Boosting算法的主要思想是在T次迭代中，每次迭代对分类错误的样本加大重采样权重，使得在下一次的迭代中更加关注这些样本。这样训练的多个弱分类器进行加权融合，产生一个最后的结果分类器，提高了该弱分类算法的准确率。我们使用boosting 设置50棵决策树迭代：

建模及结果：

2.2.3用户画像

近年比较热的用户画像，为的是公司追本溯源对客群有更多感性的认识，辅助市场部进行精准营销，并利用内部数据和外部（第三方）数据建立起大规模的数据仓库体系，成为公司的核心价值资源。用户通常具有人口统计学，社会群体特征，金融业务特征、个人兴趣爱好等等几大标签体系。通过对用户画像的研究，搭建客户的各类标签体系，可以帮助我们分分钟认识客户。

一般来说,银行具有丰富的交易数据、个人属性数据、消费数据、信用数据和客户数据，用户画像的需求较大也实践较早。目前很多社交兴趣爱好等信息来自于第三方补充。保险行业的产品是一个长周期产品，保险客户再次购买保险产品的转化率很高,对用户的画像也会是一个必要的过程。

根据业务经验和集成算法理论(当数据集较大时，可以分为不同的子集，分别进行训练，然后再合成分类器)，像银行业、电信业等大型公司的客户数据，我们可以首先根据客户价值(长尾理论)的高低分类，再分别对高价值客户、中低价值客户等建立可能不同类型的模型以实现更好的分类效果。针对每次不同而丰富的营销业务需求，第一步先从庞大的客户标签体系中构建出的标签特征子集，再通过进行LR（RANKING MODEL）等计算标签影响因子，进行标签的权重赋值，所得排名靠前的标签就是此项业务人员所需了解的目标用户的画像了，同时也能较准确地为市场部提供相应的营销客户名单，大大提升业务效率。

假定开头使用的anomaly数据异常检测结果为真实，增加投保人信息表中的客户属性:“是/否发生欺诈”并按结果分别标记，使用k-Means建模并输出各聚类群组的欺诈比例，查看得出结果报告：

从输出结果中，对于欺诈比例较高的的聚类，我们可以重点考察他们的群组特征标签，spss modeler中可以直接察看聚类特征的比较情况，得出聚类7的模型特征描述如下，实现了分分钟便认识欺诈交易的陌生人。

2.3医疗机构的分类研究

医疗机构的分类研究同样可以首先使用聚类迁移分析方法（同上投保人的聚类迁移法），国外的反欺诈技术已经深入结合到各机构的管理过程中了，并取得良好成效。

2.4医疗索赔的检测

医疗服务过程在各机构的处理方式上，通过人工审查欺诈是一件比较有难度和成本的事情。结合临床路径的概念和经验，借助数据挖掘技术建立模型，自动识别每一项特定医疗服务的系列特征，如防射疗程、化疗疗程度等，是推动医疗保险业欺诈发现重大进展。国内也开始了更多深入的研究与应用。

三、总结

5. 互联网保险企业反欺诈

一、互联网保险创新的现状
根据中国保险行业协会在2015年年初发布的《互联网保险行业发展报告》显示，针对经营互联网保险业务的公司分类，人身险公司有44家，财产险公司有16家，总体占全行业133家产寿险公司的45%。包括中国人保财险、泰康人寿、平安人寿、太平洋保险、天安财险等在内的多家险企已率先在线上跑马圈地，中国保险公司与互联网的深度融合已全面到来。
首先在监管层面，上个月，酝酿已久的《互联网保险业务监管暂行办法》终于由中国保监会发布，这标志着中国互联网保险业务基础监管规范的形成。《办法》以鼓励创新、防范风险和保护消费者权益为基本思路，从经营条件、经营区域、信息披露、监督管理等方面明确了互联网保险业务经营的基本规则；规定了互联网保险业务的销售、承保、理赔、退保、投诉处理及客户服务等保险经营行为应由保险机构管理负责；强化了经营主体履行信息披露和告知义务的内容和方式，着力解决互联网自主交易中可能存在的信息不透明、信息不对称等问题，以最大限度保护消费者的知情权和选择权。
其次在保险主体方面，早在2013年，中国人保就推出“掌上人保”，并号称是指尖上的保险；去年，以“理赔简单，就在天安”为口号的天安财险“车易赔”APP在全国上线；随后，“中国太保”“大地通保”、“泰康在线”等保险在线服务平台如雨后春笋般出现，可见，拼服务、拼体验已经成为各家保险主体竞争的主要方向。同时，各家保险公司在立足保险本身的同时，从渠道上也不断向外围延伸，分别与P2P平台、信用保证机构等开展不同程度的合作。以下是中国保险行业协会从服务创新、技术创新、渠道创新等三个方面对2014年60家提供互联网服务的产、寿险公司进行评价后的前15名榜单：
二、互联网保险创新背后的风险
应该说基于提升客户体验的互联网保险创新，方向是对的。互联网保险作为一个新兴的领域，发展空间巨大，但同时互联网保险创新也带来一系列风险和问题。从目前已经暴露的风险来看，主要包括保险产品创新异位、消费者投诉急剧增加、消费者道德风险敞口扩大、风险评估和控制不到位等。
（一）保险产品创新异位
自2013年底由“三马”投资的众安在线成立以来，带动了中国各大保险主体在保险产品上的创新热潮。盗刷险、高温险、退货险、喝麻险、世界杯足球流氓险等创新险种不断涌现，寿险公司也相继推出求关爱、爱升级、救生圈等所谓的基于微信平台的“扔捞”产品，名字一个比一个花哨，其中，不乏一些险种初具规模，但更多的是为创新而创新。如世界杯足球流氓险从头到尾就没卖出几份，导致本来就比较便宜的3元/份，到后期直接降价到1分钱/份，变成了一个十足的噱头。更有甚者，开发出雾霾险、赏月险、摇号险等，严重脱离保险的本质。
（二）消费者投诉急剧增加
据保监会近日公布的《关于2015年上半年保险消费者投诉情况的通报》显示，2015年上半年，中国保监会12378投诉维权热线全国转人工呼入总量157544件，同比上升40.24%。而其中，捆绑销售互联网产品的投诉占据一定比例，究其原因，很多保险主体互联网保险业务发展迅速，但管理和服务能力严重不足，片面注重销售前端网络化，后台运营管理却仍是传统思维，前端和后台不配套，买时容易退时难，从而导致消费者投诉。
（三）消费者道德风险敞口扩大
目前，各家保险主体在理赔服务上基本上都推出了简易赔付，即保险公司对于一定金额以下（2000-10000元不等）的保险事故实行简易赔付，消费者通过保险公司自己推出的APP平台，或拍照、或视频，将事故现场信息传输到保险公司后台，保险公司审核确认后立刻赔付，全程一般在5分钟左右时间完成。应该说这种做法极大地简化了理赔程序，缩短了理赔时间，方便了消费者。但是，客观地讲，我们也不得不面对当下国内的基本现状，国民的平均道德水准有待提高，修理厂、4S店有组织地批量造假，保险欺诈层出不穷，这些无疑都将保险公司的风险敞口无限扩大。
（四）风险评估和管理不到位
保险从本质上是风险转移的安排，应该有可量化的数据支撑，目前，很多产品的创新，缺少基本的费率厘定、成本测算等程序。同时，保险讲究的是大数法则，如果一款产品不能具备一定规模，赔付水平就会极不稳定，风险管理也就无从谈起。
三、互联网保险创新的风险管理
（一）保险产品创新：回归本质
保险，在法律和经济学意义上，是一种风险管理方式。因此，保险产品创新的基本原则和底线是创新的产品具有风险管理的可能性，即通过经验的积累和有效的管理措施能够降低保险标的风险。这也就是一般情况下地震、飓风等不可抗力不列入保险范围的根本原因，因为到目前为止，人类还无法通过自身的行为影响上述事件的发生。反观现在的保险产品创新，雾霾险也好，赏月险也罢，甚至是高温险，基本上都突破了上述这一基本原则。
之所以会出现现在这种情况，我想主要有两个方面原因，一是保险本身，在目前的保险市场上，规模产品的同质性非常严重，基本相同的条款，基本相同的费率，基本相同的服务，在这种情况下，产品创新的目标已经不再是客户的“需求”，而是客户的“眼球”。记得若干年前，有一个保险公司开发了一个险种叫“酒驾险”，从始至终没卖出一份保单，但公司从上到下都非常开心，因为这个产品在当时引起了包括新闻媒体、监管部门、同业公司以及消费者的极大关注，很好地提高了公司的知名度。二是与目前整个社会的大环境有关，当下，从集体到个体，在物质和经济的指挥下，每一个社会组织和细胞都在极力获取尽量多的资源，而忽视了资源本身的效用和价值。正像有一句话所说，走着，走着，忘记了出发的目的。
（二）保险风险管理：大数据为器
1.大数据在费率厘定中的应用。保单的费率设定是保险公司风险管理的源头，也是一项非常重要的工作，主要目的是使设定的费率对应于投保人的风险等级，风险越小，费率越低，尽量做到公平。确定费率较为关键的问题就是找出“影响赔付支出的风险因素或变量”，其实生命表就是“影响赔付支出的风险因素或变量”之一年龄的一个分类。再如，在车险定价中城市交通的拥挤程度、驾驶员的年龄、驾龄、性别、汽车的新旧程度等都可能是“影响赔付支出的风险因素或变量”，而这些因素或变量就是可以通过大量数据分析和处理来确定。
2.大数据在风险评估中的应用。在大数据时代，风险评估已经不仅仅局限于公司的历史数据、行业的历史数据，无论是风险特征的描述还是数据资源的获取都更加便利。首先在占据财产险市场70%以上份额的车险领域，保险公司可以获取三个层级数据来支撑风险评估，第一层级是核心层，包括公司和行业数据，第二层级是紧密层，包括车型、汽车零整比、二手车等数据；第三层级是外围移动层，包括利用车载传感设备收集驾驶员行为数据等。同时，对于保险公司的精算师来讲，更多、更广的数据获取，可以更精确地识别个体对象的潜在风险，建立更加有效的数据模型，不断改善和提高精算的精准程度，以帮助判断和评估风险以及风险准备金。
3.大数据在反理赔欺诈中的应用。在确保数据资源的情况下，通过完整的、多样化的数据（数据包括但不限于公司内部保单及理赔历史记录、行业数据、征信记录、公共社交网络数据、犯罪记录等），辅之以有效的算法和模型，来识别理赔中可能的欺诈模式、理赔人潜在的欺诈行为以及可能存在的欺诈链条，应该是未来反理赔欺诈的主要方向。而对于整个中国保险行业来讲，尽快建立起一套行业级的保险数据信息平台，是反理赔欺诈的关键。目前，上海、江苏等省市已经实现理赔信息数据共享，在这些地区反理赔欺诈行为的成效明显提高。
4.大数据在保险行业风险管理中应用之核心—数据整合。目前保险公司的数据有行业平台的同业数据、前端客户APP导入（或现场出单）数据，中端中介、渠道、理赔、呼叫数据，后端财务收付数据，另外，还有定价系统的汽车零配件数据、人事系统的人员数据、稽核审计风控系统的风控数据等，种类繁多和庞杂，因此，急需建立大数据平台进行数据整合，统一数据存储和传递标准，并将不同系统进行数据打通，再根据不同需要进行数据挖掘。
（三）保险风险控制：新技术应用
未来，新技术、新设备的应用将成为保险行业风险控制的主要途径。在承保环节，基于大数据基础的数据分析技术将在第一时间立体呈现保险标的各项数据和特征，为承保决策和政策提供第一手资料，从源头控制风险。在理赔环节，新技术、新设备同样将被广泛应用。在车辆保险领域，通过装载在车上的无线电子设备，运用通讯网络，实现对车辆、道路以及行车驾驶员进行静、动态信息提取和行为记录，从而监督行车驾驶员人的行为风险和道德风险，并进行出险前预防、出险中响应和出险后处理，从而使保险事故管理变被动为主动，降低理赔成本。在人寿保险领域，利用能够实时监控人体健康情况的可穿戴设备，来获取和细分不同群体、不同年龄的人体健康和生死概率，并适时向客户提供饮食、健身等方面的建议，从而降低投保人的医疗费用。在家庭财产险领域，通过智能家居系统对住宅进行远程监控并及时发现和缓解风险，当家中发生煤气泄漏或水管爆裂，可自动关掉阀门，从而减轻损失等。
任何事物的发展，都要有与之相对应的配套管理措施，互联网保险创新也不例外。今后相当长一段时间，互联网保险创新都将在路上，基于互联网保险创新的风险管理也必将亦步亦趋，紧紧跟随。

扩展阅读：【保险】怎么买，哪个好，手把手教你避开保险的这些"坑"

6. 保险科技如何在理赔中进行

保险理赔是保险业务中的一个重要环节，长期以来存在诸多痛点、难点，理赔难理赔慢理赔烦的问题，始终是保险消费者关注的焦点和揪心问题。近年来迅猛发展的保险科技正在不断实现与理赔流程的融合，促进了行业理赔效率持续提升，有效缓解了理赔工作中的诸多痛点、难点。
一、保险科技的运用极大地提升了客户的体验感和满意度。
通过引入大数据、人工智能、云计算等技术手段重塑保险理赔服务环节，可以实现理赔信息数字化采集和理赔全流程无纸化，从而使客户免于往来奔波和提供各类资料，极大地提升保险理赔体验。近年来，保险科技在保险理赔服务中扮演着越来越重要的角色，客户能够切实感受到保险理赔工作越来越贴心周到，客户感受到理赔更为便捷、赔付时间更短等。例如，蚂蚁保联合保险公司推出了一项高品质的理赔服务“安心赔”，可以理赔全流程协助用户，保证理赔申请简单快速，并确保理赔结论清晰公正。不仅提升了消费者的理赔体验，同时也帮助了保险公司降本增效。一是对消费者的理赔需求能“一管到底”，消费者对理赔有任何疑问，可随时发起咨询，并雹旁且可以线上完成理赔申请，如果对理赔结论不认可，可申请纠纷援助；二是理赔全流程的“速度保障”，与保险公司约定申请理赔的审核时效，当超过约定时效，可申请加急处理，同时还对医疗险、门诊险等不同的险种承诺具体时效。“安心赔”背后依托的是蚂蚁保独有的“理赔大脑”技术能力。运行数据显示，“理赔大脑”能识别最多107种医疗、理赔凭证，将保险产品的理赔核赔效能提升70%。“理赔大脑”系统由智能指引平台、智能互动报案、智能审核系统、智能调查系统、智能通知平台组成，全流程优化客户理赔体验。
二、保险科技促进保险行业理赔效率持续提升
2021年12月底中国保险行业协会发布的《保险科技“十四五”发展规划》(以下简称《规划》)提出，到2025年，我国保险科技要增强优质高效保险服务能力，推动行业理赔自动化率超过40%。数据显示，目前，保险行业平均理赔自动化率已达21.48%，精准快速理赔在科技赋能下初显成效。例如，2021年，中国人寿寿险公司氏逗智能化处理理赔案件超过1390万件，同比增长23%，智能化作业占比达70%，小额理赔时效0.13天；2021年，华安保险通过视频系统处理线上查勘定损案件28.4万件，同比增加3.8万件。视频查勘案件极速赔(赔款当天支付)占比超过30%。为了提升客户线上理赔服务体验，华安保险不断升级理赔作业中心，目前已实现智能调度、客户操作可视化、后台主动呼叫、OCR自动识别、相片智能分拣、案件信息一键转录等功能。
三、保险科技提升了保险行业反欺诈能力
保险欺诈一直是行业源核橡面临的巨大挑战之一。我国财险公司的综合赔付率均值约为60%，而每年保险行业因为欺诈导致的损失高达10%至15%。这不仅破坏了正常的保险展业活动，还侵犯了保险人和保险消费者的合法权益。以大数据、人工智能为代表的科技为保险行业提升风控能力带来了新契机。基于海量全方位的用户数据及第三方场景数据，通过建立实时的反欺诈规则引擎及关联图谱分析，保险公司能够甄别欺诈骗保行为，判断案件的真实程度。
2021年3月，银保监会发布《关于做好2021年大数据反保险欺诈工作的通知》及《大数据反保险欺诈手册》(2021版)，旨在运用大数据、人工智能等高科技手段对车险、意健险、农险、保证保险等重点领域的欺诈行为重拳出击。该措施对采用大数据等技术防范保险欺诈风险，遏制保险欺诈扩展的势头，维护市场秩序，保护保险公司和保险消费者权益，发挥了重要作用。
未来，人工智能、区块链、大数据、云计算等科技与保险价值链各环节的融合将进一步加深，保险业务流程逐步向数字化、线上化、智能化转变，从而有助于改善理赔经验、提升保险业务经营效率。目前，我国的保险理赔新科技运用仍处在起步阶段，未来，借助于更深层次地运用大数据、人工智能等技术，保险公司理赔服务效率和精准度将不断得到提升。而且，在保险科技的支持下，保险公司还将拥有更多更加智能化的客户服务工具，其服务范围和能力也将延伸到更多领域，从而让保险服务内涵变得更加丰富，让广大客户从保险服务中增加更多获得感和幸福感。

7. 如何应用大数据进行保险行业的数据分析

要分析，先采集。

对于保险行业来说，这个很有必要。

保险行业太大，太杂，因此信息量很大。

保险公司需要知道目前的行业发展情况，竞争对手的情况，产品公司的形象等，这些数据基本上来源于互联网的公开信息，论坛，贴吧，微信，微博等。

保险公司最为迫切的事情是：通过先进的信息采集技术，建立完善的舆情监测机制。

Web是一个巨大的资源宝库，目前页面数目已超过800亿，每小时还以惊人的速度增长，里面有你需要的大量有价值的信息，例如潜在客户的列表与联系信息，竞争产品的价格列表，实时金融新闻，供求信息，论文摘要等等。

可是由于关键信息都是以半结构化或自由文本形式存在于大量的HTML网页中，很难直接加以利用。

实施以后，能够获得大量的利益：

对目标网站进行信息自动抓取，支持HTML页面内各种数据的采集，如文本信息，URL，数字，日期，图片等
♦ 用户对每类信息自定义来源与分类-采3453舆情4533集-
♦ 可以下载图片与各类文件
♦ 支持用户名与密码自动登录
♦ 支持命令行格式，可以Windows任务计划器配合，定期抽取目标网站
♦ 支持记录唯一索引，避免相同信息重复入库
♦ 支持智能替换功能，可以将内容中嵌入的所有的无关部分如广告去除
♦ 支持多页面文章内容自动抽取与合并
♦ 支持下一页自动浏览功能
♦ 支持直接提交表单
♦ 支持模拟提交表单
♦ 支持动作脚本
♦ 支持从一个页面中抽取多个数据表
♦ 支持数据的多种后期处理方式
♦ 数据直接进入数据库而不是文件中，因此与利用这些数据的网站程序或者桌面程序之间没有任何耦合
♦ 支持数据库表结构完全自定义，充分利用现有系统
♦ 支持多个栏目的信息采集可用同一配置一对多处理
♦ 保证信息的完整性与准确性，绝不会出现乱码26禁止9盗用0
♦ 支持所有主流数据库：MS SQL Server, Oracle, DB2, MySQL, Sybase, Interbase, MS Access等

8. 如何利用大数据防范金融风险

1、征信大数据挖掘： 互联网海量大数据中与风控相关的数据。在数据原料方面，越来越多的互联网在线动态大数据被添加进来。 2、风控运营： 贷前营销：帆没 1、已有客户开发、新客户开发； 2、预审批、申请评分； 3、预审批，客户准入、预授信额度估算。 贷中审批： 1、欺诈甄别、反欺诈液此监测； 2、申请再评分； 3、授信审批； 4、贷款定价。 贷后管理： 1、行为评分模型； 2、额度管理； 3、风险预警、预态埋纳催收； 4、催收评分、催收策略。

9. 人工智能是如何应用于金融反欺/诈领/域的具体技/术和场景如何

一、什么是消费金融行业的反欺诈？

说起“反欺诈”，放在三年前提起或许还有很多人感到陌生，这种主要面向企业级的应用，通常深藏在银行、保险等金融行业的内部系统中，亦或者是各大互联网公司安全系统中，说起来总带着几分神秘感。

近些年，随着“互联网 金融”的迅速壮大，诞生出不少第三方公司，专门为金融机构提供风控和反欺诈服务， “反欺诈系统”这才在金融科技圈流传开来。

其实纵观整个金融服务业，尤其是借贷业，大家都面临着两种相同的风险：欺诈风险和信用风险。欺诈风险，主要指的是借贷申请人没有还款意愿；信用风险，主要指的是借贷申请人没有还款能力。在我国，放贷机构所承受的欺诈风险远超过信用风险。

对于这种情况，Maxent（猛犸反欺诈）的创始人张克曾说过："金融是一个'刀口舔血'的行业，风控是生命线。没有好的风控，金融机构很难生存下去。所以，金融业反欺诈的风控需求一直很强劲。"

二、数据 技术能否满足反欺诈系统？

面对形形色色的欺诈份子和欺诈手段，如何解决欺诈风险，成为众多借贷公司的头号问题。反欺诈作为一个业务，流程包括三个步骤：

1、检测（Detect）。 从技术层面来看，利用算法，自动检测异常，从数据层面来看，建立黑名单，及时发现风险；
2、响应（Response）。对异常行为采取阻断一次交易、拉黑或者其他方式；
3、预防（Prevention）。将异常行为收录入黑名单等，固化成规则，如果下次再有行为触碰到规则，系统会进行预设的响应。
举一个例子，银行的反欺诈方法是建立基于专家经验的规则体系，其运作模式是：将遇到的每一次欺诈的行为特点记录下来形成“规则”，下次再遇到此类行为规则体系会自动做出人工介入或拉黑的响应。

但是，通过黑名单进行反欺诈检测会随着时间的推移失效，失效的速度可能会很快。因为黑名单的记录是基于之前发生的欺诈行为数据，欺诈份子的手段和技术不断迭代更新时，并没有一种有效的途径去预测或预防下一次将会发生怎样的欺诈行为。

消费信贷的普遍特点是小额、分散，互联网消费信贷还具有高并发特点，单单使用传统的专家规则体系是很难对抗互联网消费信贷中的欺诈的，整个行业都在等待一种新的技术跟专家规则体系协同作战，这时，有人提到了人工智能。

三、人工智能与反欺诈

说起人工智能，美国政府曾发布过一份报告（美国总统行政办公室和白宫科技政策办公室，《为人工智能的未来做好准备（Preparing for the Future of Artificial Intelligence）》）做出解释，“一些人将人工智能宽泛地定义为一种先进的计算机化系统，能够表现出普遍认为需要智能才能有的行为。其他人则将人工智能定义为一个不管在真实环境下遭遇何种情况，都能合理解决复杂问题或者采取合理行动以达成目标的系统。”简单来说，人工智能让机器更加智能，使机器能够最大化自身的价值。

人工智能最重要的技术手段之一，就是机器学习。我们很容易联想到前段时间谷歌AlphaGo大胜围棋名家李世石的事情，这件事充分展现了大数据云时代机器学习的强大实力，机器学习也是人工智能近期取得的很多进展和商业应用的基础。

机器学习在反欺诈运用上同样十分流行，Forrester在其2015年的欺骗报告中曾指出，机器学习是一项阻止欺骗的发生，同时能保证快速决定的机制。如果说专家系统旨在模仿人类专家遵循的规则，识别拉黑曾经发生过欺诈行为，那么人工智能中的机器学习则依靠统计学方式自行寻找能够在实践中发挥功效的决策流程，分析大数据，进而预测用户行为。

国外已有科技人士对人工智能领域表示了高度关注，谷歌CEO桑达尔·皮查伊表示：“机器学习是一项颠覆性的核心技术，它促使我们重新思考我们做一切事情的方式。我们将这项技术应用于我们的所有产品，包括搜索、广告、YouTube或者Google Play。我们还处于发展初期，但你们终会看到我们将机器学习系统应用到所有领域。”

国内，金融科技公司京东金融也在投身于这场科技浪潮，以它为例，来看看人工智能在消费金融领域是如何实现反欺诈的。

四、从京东金融看人工智能的反欺诈实践

京东消费金融目前有两大核心模型体系，既有专家规则体系，又应用了人工智能，两大模型体系中与反欺诈直接相关的是“司南”和“天盾系统”：

1、数据驱动的模型体系——“四大发明”
2、技术驱动的风控体系——“四重天”

△来源：零壹财经

天盾系统应用了人工智能，是白条账户的风控安全大脑。主要用途是预测用户是否有欺诈风险，对账户进行分析来给予不同等级的防范处理。

天盾系统借鉴了交易监控系统的经验，针对注册、登录、激活、支付、修改信息等全流程，基于账户历史行为模式、账户关系网络、当前操作行为和设备环境，评估账户安全等级、环境安全等级、行为安全等级，防范账户被盗、撞库（指黑客通过收集互联网已泄露的用户和密码信息，生成对应的字典表，尝试批量登陆其他网站后，得到一系列可以登录的用户账户）、恶意攻击等风险，实现全流程风险监控，形成反欺诈网络，极大地增加了恶意用户作案成本。

京东金融既有内部生态体系产生的数据，也有不断扩充的外部数据，覆盖面广、维度多、实时更新，这为人工智能反欺诈奠定了强有力的基础。通过自动化风控系统，实现全流程风险监控，欺诈恶意份子作案成本不断提高。目前，京东金融风控系统累计拦截疑似欺诈申请数十万起，拦截高风险订单数亿元。

五、人工智能反欺诈的未来

人工智能将不断加强金融领域的智能化和反欺诈，通过人工智能技术反欺诈，将是未来发展的大趋势：

首先，欺诈者的行为在某些维度上与非欺诈者一定是有差异的，一个人如果伪造一部分信息，尚且比较容易，但是要伪造全部信息，一来十分非常困难，二来成本非常高。通过技术，将这种异样捕捉起来，进而识别用户的真正意图；

其次，商业市场变化很大，银行等大型机构仅仅利用自身的反欺诈团队人手和技术，专业水平有限，很难跟上外部变化，必定需要专业的第三方服务；

最后，反欺诈并不是单一的技术，它具有多元化的特点，市场上很难出现一家机构能将所有技术都做得很精，举一个例子：美国一家大型银行平均会使用30家反欺诈机构的技术，而电商平均会采用7家反欺诈机构的技术。大量的市场需求，促进反欺诈更进一步的发展。

可以大胆预测，未来，会有更多的金融科技公司将把在消费金融服务的数据、机器学习等实践经验对外输出，促进人工智能在反欺诈领域的应用。而这，就是柠檬一直在做的事，致力于提供消费金融领域大数据风控技术和综合解决方案，为金融企业提供个性化和产品化的大数据风控解决方案，通过资源整合，让金融机构提升风控效率、降低风控成本。