保险反欺诈再出重拳,同盾为险企升级科技武器

(ChinaIT.com讯)据《中国银行保险报》报道,今年以来北京银保监局、北京市公安局经侦总队、北京保险行业协会等单位联合开展保险犯罪领域专项打击行动。

截至目前,北京警方共破获伪造交通事故、伪造医疗票据等各类保险诈骗案件170余起,涉案金额1200余万。

媒体还公布了这样一起典型案例:董某彬、赵某盛两个团伙分别“假扮”驾驶员、投保人、被保险人等不同角色,在北京海淀区,虚构伪造交通事故230余起,并以此为名向保险公司报案,累计骗取理赔款370余万元。北京警方和银保监局等部门经过细致侦查,一举端掉两个犯罪团伙。

作为金融、保险等领域风险管理专家,同盾科技保险科技专家表示,随着近年来保险业快速增长,保险欺诈手法呈现出团伙化、专业化、虚拟化特点,并有向黑产化发展的趋势,严重破坏保险领域金融秩序。数据显示,由于保费占比高、金额大,车险和健康险这两大险种成为保险欺诈的高发区,而涉及车险的欺诈案件在全国保险欺诈发案数量中的占比近8成。

今年3月,银保监会在《关于做好2021年大数据反保险欺诈工作的通知》中提出,要紧抓数据核心,提高大数据反欺诈有效性。在保险行业风控环节发挥着关键作用的大数据技术,成为行业应对欺诈行为的有力武器。

同盾保险科技专家表示,车险规模大,理赔链条漫长,提高车险业务的盈利能力是各家险企关注和研究重点。“同盾科技基于人工智能、大数据等技术提出保险理赔解决方案,结合理赔数据和从人数据,有效识别控制车险理赔欺诈风险,帮助保险公司通过智能分析决策提升利润、效率、客户满意度。”

1
高效分析利用已有数据,化乱为异
 

  • 了解数据异常的背后逻辑。异常数据背后往往隐藏了欺诈风险,例如操作人员故意录入错误信息、颠倒车牌号、车架号等,以此来规避系统的风险排查;

  • 回归业务,结合业务特点和业务常识,清洗加工异常数据。如微信报案默认手机号修正,修理厂代报案筛查,车牌号、车架号相似匹配,零件名称归类,品牌、车系、零件名称等大量不标准数据清洗归类;

  • 文本数据处理技术,针对保险理赔场景下,大量人工录入的文本信息,建立车险理赔场景下的分词库,训练车险理赔场景下趋于行业标准的词向量,扩充数据风险模型的建模维度。

2
监督/半监督结合模式,化异为用

机器学习模型相较于原来的逻辑回归等算法模型,可以有效提升模型识别的精准度,但保险理赔欺诈概率低,原有反欺诈识别能力弱,历史欺诈标签偏少,机器学习的y标签缺失。针对这一特点采用监督学习和半监督学习结合的模式,如把业务强的特征区分的异常案件,作为黑标签的一种。采用树融合模型,有效识别风险案件,借助以上方法,同盾科技开发的几套模型产品,召回率和准确率较原有模式均有明显提升。

3
引入知识图谱等新技术,化繁为简

把同盾云图-知识图谱的处理技术结合到理赔场景中,通过用图数据找出异常结构,再结合行业经验,抽取成为知识图谱的风控规则,整个过程完全自动化,省去市场上常见图谱产品复杂的数据关联;同时相较于常规的数据分析算法,对于发现团伙性欺诈的效果大幅提升。在多家保险公司的实际应用中,帮助他们发现原来人工和自有模型未能识别的欺诈团伙,从根本上改变了外部理赔环境。

4
引入人数据,小样本扩展为大数据

欺诈的本质,大多是由人产生的。国外较多案例已证明,人的信用与保险理赔的风险有直接关联。把人的信用维度和其互联网行为相关数据引入,能大幅扩展反欺诈模型识别能力。借助同盾在从人数据的维度的积累,解决保险行业数据量少的问题,有效帮助保险公司提升原有反欺诈模型能力。

5
组合不同风险主体,高效识别风险

针对保险理赔业务中驾驶员、查勘员、定损员、修理厂、医院等不同风险主体,结合业务场景处理不同维度数据,同时建立不同的业务模型及规则。不仅可以有效识别外部风险主体,还能对查勘员、定损员等内部角色操作风险进行识别。

同时,高效锁定内部人员与外部团伙的关联,把欺诈的内部漏洞堵上。比如出现的内部查勘人员问题,一般是与外部修理厂等串通的结果,在同盾产品“智能反欺诈反渗漏”风险名单模块,可以通过对数据的分析,找到查勘员与修理厂组合的异常数据,例如在某案例中,查勘员在处理某修理厂案件时,关键的3项数据特征与其正常处理案件明显不同,最终锁定内部和外部的相关风险人员。

6
定向化开发模型,全流程有效管控

针对保险理赔业务链条较长,在报案、查勘、定损、理算等关键环节建立不同风险模型,进行有效识别风险,在事中及时对风险案件进行管控。例如将欺诈模型分别匹配到报案、查勘、定损、理算等环节,将统一的模型匹配不同的场景,定向化开发多个模型,从而增加模型应用的解释力和识别精准度。

7
与定价、风控联动,反哺承保

1.风险客群识别

保险公司在核保、定价阶段结合理赔业务对投/被保人、报案人、驾驶员、伤员及赔款支付人的风险分值进行综合评估,辅助完善保险公司核保模型。例如加入从人因子的智车分,在承保端有效筛选风险,可以帮助保险公司提升核保模型的准确性,实现对风险最高的1%人群识别的覆盖。

图:从人风险有效识别风险最高的1%人群

2.风险渠道筛选

联合建模可以实现高风险渠道的识别,不同渠道进行差异化管理,对于高风险渠道来源的业务从源头进行管控,同时为渠道成本的精细化管理提供决策依据。

从整体来看,车险理赔的特点与互联网、金融等大数据应用成熟领域有明显的差异,需要把技术能力与保险场景做深度融合,通过业务与数据共同驱动,才可有效提升保险公司在理赔反欺诈上的能力,超越原有的依赖经验与简单数据分析的规则模型,不断地自我学习进化,从而适应复杂的市场变化。

 

ChinaIT.com 网站文章仅限于提供更多信息,不代表本网站立场观点。如需转载,请注明来源 。转载之文章来源于互联网,如有版权问题,请与我们联系:content@chinait.com。

扫码关注ChinaIT小程序,随时掌握最新IT资讯