大數(shù)據(jù)分析在人身險欺詐風險管控中的探索

史 程 泰康人壽總公司運營中心

通過模型訓練讓機器智能化，實現(xiàn)流程的線上化、數(shù)字化，代替線下流程，減少人工，降低成本，提高效率，其巨大的優(yōu)勢和巨大的商業(yè)價值促使各行各業(yè)的投保公司，積極開始建設(shè)屬于自己的大數(shù)據(jù)應(yīng)用及人工智能體系，尤以阿里巴巴、騰訊、美團、滴滴、360等擁有明顯大數(shù)據(jù)資源優(yōu)勢的頭部互聯(lián)網(wǎng)企業(yè)為代表。當前，區(qū)塊鏈、人臉識別、OCR、NLP、RPA、精準預(yù)測模型等基于大數(shù)據(jù)技術(shù)的商業(yè)化運用，已經(jīng)逐步成熟，作為對數(shù)據(jù)極為敏感的金融領(lǐng)域，大數(shù)據(jù)所能帶來的巨大價值，無用多言，所有金融類頭部公司，無不把數(shù)字化、線上化、智能化作為開始顛覆傳統(tǒng)的商業(yè)及實現(xiàn)運營管理模式再造的開端。大數(shù)據(jù)推動的產(chǎn)業(yè)升級和流程變革帶來的巨大競爭壓力，迫使對數(shù)據(jù)高度敏感的保險、銀行、信托等金融機構(gòu)必須流程重塑，轉(zhuǎn)型升級，在業(yè)務(wù)全流程積極引大數(shù)據(jù)和人工智能技術(shù)，實現(xiàn)傳統(tǒng)線下業(yè)務(wù)員流程和大數(shù)據(jù)的高度結(jié)合與平衡。通過構(gòu)建精準的大數(shù)據(jù)風險預(yù)測模型，對于在業(yè)務(wù)中存在巨大信息不對稱，經(jīng)營風險的保險行業(yè)來說，便成了一個極具吸引力的打造公司核心實力的關(guān)鍵切入點。

從人身保險和財產(chǎn)保險的整體應(yīng)用來看，由于財產(chǎn)險，特別是車險的自身特點，更容易實現(xiàn)底層數(shù)據(jù)的標準化，同時車險行業(yè)的承保、理賠信息的整合和共享程度更好，建設(shè)也更早一些，所以財產(chǎn)險領(lǐng)域，特別是車險在大數(shù)據(jù)風險識別模型的應(yīng)用上要較為領(lǐng)先。2016年“全國車險反欺詐信息系統(tǒng)”正式上線，面向各市場主體提供保險欺詐線索識別和風險預(yù)警功能，初步實現(xiàn)了行業(yè)車險欺詐信息的交互共享。車險基于大數(shù)據(jù)的風險管控和反欺詐效果凸顯。而人身保險以人的健康和壽命作為對象，其經(jīng)營的風險更加復(fù)雜多樣，健康信息的存在巨大的不對稱性，逆選擇和道德風險極高，同時，我國的公民個人信息管理較為分散，數(shù)據(jù)呈現(xiàn)碎片化，尤其是公民健康數(shù)據(jù)和醫(yī)療數(shù)據(jù)雖然近些年已經(jīng)取得了巨大的進展，但底層數(shù)據(jù)依然標準化程度較低，分布較散，非常不利于數(shù)據(jù)分析和智能化技術(shù)的應(yīng)用，大數(shù)據(jù)分析技術(shù)雖然能夠?qū)崿F(xiàn)一定程度的從非結(jié)構(gòu)化數(shù)據(jù)中提取關(guān)鍵信息。但很多欺詐的關(guān)鍵信息都是主觀性較強的非結(jié)構(gòu)化數(shù)據(jù)，比如第三方鑒定報告，無法實現(xiàn)批量分析。大數(shù)據(jù)分析在人身保險風險管控領(lǐng)域的應(yīng)用還比較滯后。

保險公司可以整合、打通、搭建一個集合內(nèi)外部數(shù)據(jù)的集市，實現(xiàn)數(shù)據(jù)字段的標準化，數(shù)據(jù)輸出的模塊化，通過不同模塊的組合，適應(yīng)多種場景的應(yīng)用。一個數(shù)據(jù)豐富，維度多樣的系統(tǒng)可以提升偶發(fā)、新發(fā)的欺詐行為和案件的識別概率。風險預(yù)測模型等技術(shù)可以批量深入分析欺詐實例，通過篩選欺詐風險因子，進一步迭代優(yōu)化風險識別模型，提升模型的準確性。大數(shù)據(jù)解決方案可以幫助建立覆蓋保單全生命流程的風險管控體系，幫助企業(yè)審視全流程風險，逐步實現(xiàn)風險管控前端化，改善客戶感受，降低風控成本。通過組織內(nèi)部信息的有效打通和關(guān)聯(lián)，全流程視角能夠獲得更好的欺詐檢測效果。保險欺詐可以載多個流程節(jié)點同時發(fā)生：承保、理賠、調(diào)查、續(xù)期、保全或者與員工行為相關(guān)的欺詐或外部欺詐。一個整合了內(nèi)外部數(shù)據(jù)源的風險識別模型可以起到更好的風險預(yù)測功能。

保險公司能夠?qū)⒁延械膬?nèi)部數(shù)據(jù)和引入的外部數(shù)據(jù)相結(jié)合，尋找影響保險欺詐最為顯著的因素及這些因素的權(quán)重和取值區(qū)間，建立預(yù)測模型，快速的進行欺詐案件分類和調(diào)查審核流程管控，并為理賠調(diào)查人員的調(diào)查方向提供線索，讓理賠審核人員根據(jù)欺詐風險評分的高低迅速審核處理賠案件，極大提高理賠的時效性，同時，通過大數(shù)據(jù)技術(shù)給線下調(diào)查人員提供明確的調(diào)查方向和線索，避免調(diào)查人員完全依靠個人主觀經(jīng)驗判斷風險，實現(xiàn)精準發(fā)起調(diào)查任務(wù)，指導(dǎo)調(diào)查人員獲取異常記錄。這種方式可以極大地提高欺詐風險識別的準確性和效率，同時還可以為保險公司節(jié)省大量的人力成本。筆者供職的泰康人壽作為國內(nèi)的頭部險企，在人身險領(lǐng)域一直積極嘗試及推動大數(shù)據(jù)分析建模及機器學習。

一、前端認知核保

泰康人壽開發(fā)的認知核保系統(tǒng)，將人工智能與醫(yī)學知識、保險業(yè)務(wù)緊密結(jié)合，打造AI體檢數(shù)據(jù)采集引擎和AI核保決策引擎，使核保更便捷，風控更有效。體檢數(shù)據(jù)采集疫情以客戶體檢報告影像為輸入，自動定位、識別健康數(shù)據(jù)，依據(jù)自然語言和醫(yī)學語義使其結(jié)構(gòu)化，自動識別異常體檢項目；核保決策引擎構(gòu)建可解釋算法模型，預(yù)測客戶健康風險，并且結(jié)合投保產(chǎn)品特征評估承包風險，輸出核保結(jié)論解釋。該核保系統(tǒng)支持超過10類常見疾病患病風險的預(yù)測，準確率近80%，同時也將核保環(huán)節(jié)人工審核的效率提升超過25%。

二、客戶風險信息平臺

兩核風控是壽險行業(yè)最重要的風控環(huán)節(jié)之一，但實際工作中存在著大量簡單重復(fù)性操作步驟，如跨系統(tǒng)數(shù)據(jù)查詢時的信息復(fù)制與填充，日常格式化數(shù)據(jù)報表的制作等，消耗了大量的工作時間。隨著近年來外部數(shù)據(jù)平臺的陸續(xù)接入，已有全國同業(yè)的兩核風險數(shù)據(jù)、覆蓋十余省的醫(yī)療數(shù)據(jù)模型等客戶風險信息數(shù)據(jù)實現(xiàn)了遠程線上查詢，為兩核風控提供了更快速、更全面的審核依據(jù)。但在實際工作中，外部數(shù)據(jù)模型查詢面臨著查詢?nèi)肟诜稚ⅰz索條件復(fù)雜等多種問題。為解決上述問題，高效利用醫(yī)療大數(shù)據(jù)資源，進一步提升兩核環(huán)節(jié)線上化、智能化水平，泰康人壽利用機器人流程自動化與人工智能技術(shù)，建設(shè)了服務(wù)于兩核風控的“客戶風險信息平臺”，實現(xiàn)統(tǒng)一、便捷的風險模型數(shù)據(jù)查詢。極大提升了兩核效率，優(yōu)化了兩核人員的使用體驗。

三、兩核大數(shù)據(jù)模型

泰康人壽持續(xù)探索新技術(shù)、新科技在保險領(lǐng)域的應(yīng)用，在行業(yè)中率先將大數(shù)據(jù)與人工智能技術(shù)應(yīng)用于兩核風控板塊，開發(fā)了兩核大數(shù)據(jù)模型、反欺詐模型、內(nèi)部審計模型等多個應(yīng)用于核保、理賠、調(diào)查板塊風控工具，在應(yīng)用中發(fā)揮了良好效果，更加有力地捍衛(wèi)了公司和客戶的利益。

大數(shù)據(jù)模型是利用既往積累的大量數(shù)據(jù)信息對未知結(jié)果進行預(yù)測的方式，建模過程主要包含數(shù)據(jù)標準化，建立數(shù)據(jù)庫，確定目標結(jié)果，篩選相關(guān)因子，生成模型，模型自主學習優(yōu)化等。其中生成模型的過程需要使用大數(shù)據(jù)算法，這也是大數(shù)據(jù)建模最關(guān)鍵的環(huán)節(jié)之一。

目前成熟的大數(shù)據(jù)算法有很多種，例如：決策樹算法、隨機森林算法、邏輯回歸、樸素貝葉斯等。每次建模需根據(jù)數(shù)據(jù)字段類型、數(shù)據(jù)字段數(shù)量、目標結(jié)果等因素選擇適合的算法，以達到最優(yōu)的預(yù)測結(jié)果。

兩核風控板塊應(yīng)用有以下幾種大數(shù)據(jù)模型：

(一)兩核大數(shù)據(jù)模型：根據(jù)大量核保、理賠信息，選取10余項投保、理賠時的關(guān)鍵字段，使用邏輯回歸算法預(yù)測核保、理賠結(jié)果的模型應(yīng)用。用于識別客戶風險等級，具有核保階段高風險客戶攔截，核保階段低風險客戶無需體檢，理賠階段高風險客戶攔截等多種應(yīng)用場景，減少人工審核量，降低體檢成本的同時抵御客戶風險。

(二)反欺詐模型：使用XGBoost算法在承保后出險前階段識別已承保客戶的欺詐風險，具有不影響業(yè)務(wù)承保，時效要求寬松，全流程持續(xù)風控等優(yōu)秀。該模型應(yīng)用后有效提高了提調(diào)精度，提升了工作效果。

(三)審計模型：為防范內(nèi)部人員風險建立的審計模型，根據(jù)工作行為記錄識別個人及案件違規(guī)風險。

保險行業(yè)發(fā)展迅速，保費規(guī)模不斷擴大，隨著“保險姓保”的政策逐漸落地，保障性產(chǎn)品，健康險的增加速度迅猛，保險欺詐及各種濫用、套利問題，在信息非對稱化下保不斷地擴大，在大數(shù)據(jù)技術(shù)的支撐下，互聯(lián)網(wǎng)保險市場的發(fā)展?jié)摿Σ粩啾环糯螅ｋU欺詐的風險敞口成倍放大。保險反欺詐一直都是保險公司關(guān)注的重點，很多公司在大數(shù)據(jù)及人工智能的應(yīng)用也進行了嘗試。例如平安集團、弘康人壽等保險公司利用只能圖像技術(shù)進行人臉識別實現(xiàn)更快數(shù)投保，防范風險騙保等行為，螞蟻金服同樣利用智能圖像技術(shù)推出了車險理賠輔助工具定損寶，幫助保險公司快速處理車輛理賠定損，避免虛假理賠。同時各大保險公司都在利用人工智能的學習算法分析自身現(xiàn)有數(shù)據(jù)或結(jié)合醫(yī)療、交通及公安等各類大型數(shù)據(jù)源進行欺詐理賠的識別，進而形成否符合自身特點的動態(tài)反欺詐模型，加大對欺詐案件的防空力度。其中保險業(yè)大數(shù)據(jù)一般有以下幾個來源：

一是保險公司自身建立數(shù)據(jù)庫。保險公司的數(shù)據(jù)庫是自身經(jīng)營的歷史和現(xiàn)實的記錄，主要針對的是自有客戶、準客戶和已流失客戶的承保和理賠信息，以及公司產(chǎn)品設(shè)計信息、保險標的風險查勘信息、出險記錄、防災(zāi)防損記錄和客戶服務(wù)等信息。這些信息除了監(jiān)管部門要求上報的以外，都是保險公司內(nèi)部使用的，屬于商業(yè)秘密，具有較強的封閉性、專業(yè)性和秘密性。保險公司可以通過數(shù)據(jù)挖掘和分析等方式，對自身數(shù)據(jù)庫信息進行充分利用。

二是保險行業(yè)自主建立數(shù)據(jù)庫。為加強保險行業(yè)信息共享，經(jīng)國務(wù)院批準，由中國保監(jiān)會依法實施管理，2018年6月意健險風險管理系統(tǒng)試運行，7月正式向行業(yè)推出“守護者”系列數(shù)據(jù)服務(wù)，一期產(chǎn)品包含4款數(shù)據(jù)產(chǎn)品，8個應(yīng)用場景2020年意健險風險管理系統(tǒng)二期產(chǎn)品，包含6款數(shù)據(jù)產(chǎn)品，7大類場景，協(xié)助保險公司管控風險、提高效率、降低成本、改善服務(wù)。

三是與第三方合作利用大數(shù)據(jù)。隨著移動互聯(lián)網(wǎng)的發(fā)展，線上線下的不斷融合，出現(xiàn)了一大批掌握巨量信息的平臺機構(gòu)，如阿里、騰訊、百度等。同時，也催生了需要信息的公司與這些平臺合作的機會。

科技改變?nèi)祟惿睿髷?shù)據(jù)及人工智能技術(shù)的應(yīng)用對各行各業(yè)產(chǎn)生了顛覆性的深遠的影響。當前，大數(shù)據(jù)技術(shù)，智能化、區(qū)塊鏈等在保險行業(yè)的應(yīng)用日益廣泛，逐漸形成新的保險體系。通過新科技技術(shù)與保險行業(yè)的融合，改善傳統(tǒng)保險的服務(wù)模式，保險行業(yè)同時也能夠不斷推出符合時代要求的產(chǎn)品與服務(wù)，降低企業(yè)成本，優(yōu)化產(chǎn)業(yè)結(jié)構(gòu)。■