淺析大數據分析在保險反欺詐領域的應用

梁曉攀　中國人民財產保險股份有限公司鄭州監察稽察中心

淺析大數據分析在保險反欺詐領域的應用

梁曉攀中國人民財產保險股份有限公司鄭州監察稽察中心

專業的大數據分析公司將很快孵化并形成產業鏈，越來越多的大數據分析技術、分析工具將不斷涌現，大數據分析的﹃門檻﹄將大大降低，保險公司可以方便地應用大數據行業的發展成果開展反欺詐工作。

近年來，我國保險業發展迅速，融入人們生活的方方面面，然而保險欺詐這一“伴生頑疾”數量也隨之快速上升，且類型更加復雜、多變，難以識別和發現。惡意欺詐的存在，制約了保險服務社會的功能，也嚴重損害了保險消費者享有的正常權益。由于目前保險公司反欺詐控制體系的薄弱，使得保險欺詐并未得到遏制，反而勢頭有所上升。監管機構和部分保險公司面對不利局面，采取了成立反欺詐中心、垂直管理反欺詐工作等措施，來打擊、遏制保險欺詐，但是由于主、客觀方面條件的制約，反欺詐工作的進展并不理想。

面對洶涌而來的大數據時代，保險公司的反欺詐工作應如何開展？能否借助于大數據分析的方法有效地遏制、打擊保險欺詐這一“頑疾”？

一、保險行業反欺詐工作存在的問題

（一）對反欺詐工作的重要性認識程度不夠，基礎投入不夠

國際保險監督官協會（IAIS）的經驗數據顯示，保險行業欺詐金額約占總賠付金額的10%～20%，但是多數保險公司在人力資源配備中，對于反欺詐專業人員的配置比例低于10%，且隨著層級逐漸向下延伸，專業人員在基層分支機構配置的數量呈現遞減趨勢或未配置專職人員的情況。

（二）未形成全國集中的反欺詐處理中心，各自為戰

多數保險公司對于反欺詐工作的部署，未明確統一的職能部門，在不同機構、不同層級均有反欺詐工作的負責部門。反欺詐工作的基礎信息整合、協調工作不力。如筆者在調研中發現，某保險公司在承保、理賠部門收集、整理的黑、灰名單信息等風險數據，并未與反欺詐部門共享，未發揮信息整合作用。另外，受制于不同的層級或機構的反欺詐部門，存在各自為戰的不利局面，對于跨區域、跨機構的欺詐風險無力識別。

（三）大數據分析的思維方式缺失，反欺詐工作成果欠佳

保險公司在開展反欺詐工作中，較大比例的反欺詐案件依靠客戶或第三方的舉報獲得線索；少部分通過對固定類型或符合簡單風險類型的案件進行抽檢、判斷；也有少部分根據工作人員的經驗判斷來進行調查核實。保險公司積累的大量基礎數據，卻處于“沉睡狀態”，并未被有效地分析，挖掘其中隱含的關聯關系，從中發現反欺詐工作線索。

（四）傳統風險控制體系維度簡單，逐漸弱化

在傳統的反欺詐風險控制體系中，保險公司大多通過程序化固定的風險模型來排查可能存在的欺詐風險。由于風險維度簡單，樣本數量有限，與實際的欺詐風險場景匹配較差，在實踐操作中，費時、費力且命中率不高。由于使用效果不如人意，導致傳統的風險控制體系，陷入一個逐漸弱化的尷尬境地。

（五）保險公司之間的數據共享機制缺失，反欺詐工作未形成合力

目前，我國保險市場主體較多，競爭較為激烈，客戶的保險信息是各主體的“核心利益”，天然排斥共享。于是保險欺詐行為可以方便地在不同的保險主體之間“游動”，從保險反欺詐能力較強的公司流向反欺詐能力較弱的公司。單純某一家或幾家公司的反欺詐工作卓有成效，并不能有效遏制保險欺詐行為，反而會給其他反欺詐能力較弱的公司帶來困擾和損失。

二、大數據分析的特點和優勢

（一）大數據的基本概念

2011年6月，麥肯錫公司發布了“大數據”的報告，對“大數據”的影響、關鍵技術和應用等做了詳盡的分析，“大數據”這一概念開始進入人們的視野。

百度百科認為，大數據是指無法在可承受的時間范圍內用常規軟件工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力來適應海量、高增長率和多樣化的信息資產。

IBM公司總結了大數據的5V特點，即Volume（大量）、Velocity（高速）、Variety（多樣）、Value（價值）、Veracity（真實性）。

而今，雖然人們對于“大數據”的概念和認知并不統一，但是越來越多的企業開始通過應用“大數據”分析的方式，開發拓展新業務，創新運營模式。

（二）大數據分析的特點和優勢

一是采用所有數據的方法，擴大樣本范圍。大數據分析，不再使用傳統的抽樣調查，而采用對所有數據進行的方法，即“樣本=總體”，對數據進行深度分析，挖掘出海量數據中潛藏的價值。

二是通過關聯關系，實現“預測”的功能。通過采用不同的數據挖掘方法，對結構化和非結構化的數據進行整合、分析，探索、發現、挖掘數據之間潛藏的關聯聯系，以此來實現“預測”功能。

三是能夠實現數據的再利用，充分發揮數據價值。改變傳統數據資源的“一次性”使用方式，多次使用數據，發揮更多的作用。就像舍恩伯格所說，大數據的真實價值就像漂浮在海洋中的冰山，第一眼只能看到冰山的一角，絕大部分都隱藏在表面之下。全球零售業巨頭沃爾瑪的“啤酒+尿布”促銷手段，就是沃爾瑪通過對消費者購物行為數據的重復使用、分析得出的結果，是大數據分析的成功應用案例。

三、大數據分析方法在防范保險欺詐中的應用

（一）獲取海量的數據，作為分析的基礎

從“啤酒+尿布”的案例，我們可以看出，要想在防范保險欺詐中使用大數據分析方法，首先需要采集海量的數據。這需要保險公司去匯總、收集所轄不同層級、不同分支機構在經營中產生的所有相關數據。層級越高效果越好，總公司層級的數據采集，能夠有效避免受制于層級、分支機構所造成的數據不準確問題。如果保險行業之間共享數據，會使得分析結果更加精準。

（二）對數據進行加工整理，統一標準、口徑

由于采集到的海量數據，這些包含文本、語音記錄、圖片等半結構或非結構數據容易出現數據混雜的問題，甚至對于同一種問題，由于分屬不同的分支機構，涉及地域、人文差異，也會出現多樣化的描述。需要利用文本挖掘（text data mining）、圖片挖掘等數據分析工具，對數據、文本、照片格式等內容進行特征抽取、文本或圖片的分類、聚類等操作，統一標準、口徑，為深入分析做準備。

（三）進行數據分析，構建動態的欺詐風險模型

首先，對獲取的數據抽取關鍵風險場景要素，如出險時間、出險地點、駕駛人員、報案人電話號碼、事故類型、損失部位、賠償金額、領款人賬號、電話等要素，獲得基礎數據。

其次，對于上述數據進行多維度分析，發現關聯關系?？梢砸灶I款人、損失部位、修理地點、事故地點、同一組照片等維度進行分析，發現關聯關系。某公司反欺詐工作人員在對數據分析中發現一個有趣的關聯關系：A號小轎車（三者車，未在公司投保），多次與公司承保的不同車輛（多為大貨車）在高速公路上發生交通事故，且賠款金額相近，每次事故的時間大概在晚上8時左右，出險地點涉及多個城市。多起事故的相同點只有一個，那就是發生事故的高速公路是相同的，分析人員繼續分析，發現A號小轎車是沿高速公路從南到北，不停尋找時機，故意剮蹭大貨車，重復索賠。車輛欺詐風險和高速公路之間竟然也有關聯關系，而在這之前，很少被人們所注意到。

分析人員根據這條線索推測，A號車很有可能繼續實施欺詐行為，而欺詐行為很有可能發生在高速公司前方的甲市！分析人員隨即向甲市發送欺詐風險預警，果然不久，包含有A號車作為三者車的報案信息就出現了。

再次，風險聚合，構建動態的欺詐風險模型。傳統的風險控制體系，由于涉及不同的層級、不同的分支機構，欺詐風險從每一個分支機構所獲得的信息來看，可能并無異常，大數據分析方法實現了風險聚合，結合數據分析所發現的關聯關系，構建出欺詐風險模型，及時向分支機構發出欺詐風險預警；同時結合分支機構的實際運用結果，及時修改、完善，真正實現模型的動態調整，反欺詐能力必然大幅提升。

四、大數據分析方法應用中存在的問題及建議

目前我國大數據分析應用處于初期階段，數據標準不規范、行業協作缺少、第三方部門支持不夠、敏感信息保護不力、相關人才儲備不足、缺少法律法規等問題，都制約了大數據分析方法的推廣和應用，需要從以下幾個方面來推動：

（一）規范數據標準，提高數據可用程度

大數據分析涉及的數據龐雜、混亂，數據的整合難度較大，在數據整合中容易出現結果偏差，耗費不必要的資金成本。因此，保險公司應從源頭制定嚴格的數據標準，規范數據分類，盡量實現結構化數據的規范、統一；對于非結構化的文本、圖片應規范明確統一的質量特征，如文本邏輯性、照片類型等標準，降低數據整理難度，提高數據可用性。

（二）加大行業協作，推動數據共享

大數據分析需要海量的數據基礎，各保險公司在反欺詐工作中，應當避免各自為戰、“管中窺豹”，跨越“競爭壁壘”，實現數據共享，提升行業的反欺詐水平，有效打擊保險欺詐?；蛘咭员ｋU監管部門或行業協會設立的反欺詐中心為平臺，采集、分析相關數據，向各保險公司發送欺詐預警信息，以此來推動行業反欺詐工作。

（三）深化第三方合作，強化數據支持，互利共贏

一是加強合作，獲取數據支持。大數據時代，政府是最大的數據資源擁有者，保險公司應深化與政府職能部門的合作，獲取豐富的“基礎數據”，強化數據支持。如加強與交通管理部門的合作，獲得事故現場“第一手資料”，有效鑒別事故真實情況。二是結果反饋，互利共贏。保險公司應加強與銀行等大型金融機構的合作，一方面獲取相關人員的征信情況等金融信息，鑒別欺詐分析；另一方面對于確定的欺詐人員、企業信息向銀行等金融機構共享，達到共贏的局面。

（四）加強敏感信息保護，防范信息泄露風險

大數據時代，信息泄露風險顯著增加，各種信息泄露帶來了惡劣的社會影響。保險公司應從源頭加強數據信息保護，一方面建立系統的數據保護機制、預警機制、應急機制，時刻做好信息安全防范工作；另一方面在數據信息的應用中，嚴格遵守國家政策、法規，避免濫用信息，侵害消費者權益。

（五）大力引進大數據分析人才，提高分析能力

一是通過加強對現有數據分析人員的培訓或與高等院校合作等方式，大力引進大數據分析人才，彌補人力不足的現狀；二是加強以Hadoop為核心的生態環境、內存數據庫、NoSQL數據庫等新技術和工具的學習、使用，提高分析能力，盡快轉化為“產出”，提升行業反欺詐工作水平。

（六）完善法律法規，使大數據分析“合法”

目前，我國關于大數據行業，缺少專門的法律、政策。在基本的防范信息泄露或惡意使用、濫用數據等底線外，保險公司在正常使用大數據分析中，應如何使用數據才能合法？如與第三方的數據交換、共享等，應該遵守哪些規則？這些都需要國家盡早完善專門的法律法規，明確相應的使用規范，使大數據分析真正“合法”。

未來，隨著法律制度的逐漸完善和政府部門加大對大數據分析的資金扶持，一批專業的大數據分析公司將很快孵化并形成產業鏈，越來越多的大數據分析技術、分析工具將不斷涌現，大數據分析的“門檻”將大大降低，保險公司可以方便地應用大數據行業的發展成果開展反欺詐工作；或者委托專業的大數據分析公司從事反欺詐工作，在減輕企業的成本壓力的同時，大大提升反欺詐工作成效。