一、保險行業(yè)關(guān)于反欺詐的痛點及常見案例

保險行業(yè)欺詐問題日益嚴(yán)重，據(jù)統(tǒng)計，欺詐滲漏率已達(dá)到20%。保險欺詐的特征主要表現(xiàn)為形式多樣、手段專業(yè)化和主體團(tuán)伙化。該行業(yè)面臨的痛點包括發(fā)現(xiàn)難、確認(rèn)難和追償難。

• 發(fā)現(xiàn)難：隨著黑產(chǎn)和保險欺詐形式的多元化，欺詐行為變得越來越難以發(fā)現(xiàn)。
• 確認(rèn)難：在傳統(tǒng)金融行業(yè)中，為了服務(wù)好客戶，遇到風(fēng)險問題時無法直接從模型端阻攔。因此，需要通過更多的畫像來輔助業(yè)務(wù)人員發(fā)現(xiàn)欺詐或相關(guān)風(fēng)險，以提高模型行為的可解釋性。
• 追償難：由于保險理賠需求的特殊性，許多理賠案件在理賠完成后才發(fā)現(xiàn)存在風(fēng)險。此外，在追償歷史案件時，還需應(yīng)對時效問題。

下面介紹一下保險行業(yè)中高發(fā)領(lǐng)域的車險和健康險的含義及其識別方法。

1、車險

車險主要是團(tuán)伙類風(fēng)險。車險主要包括內(nèi)外部勾結(jié)、擺放現(xiàn)場、偽造交通事故風(fēng)險，為了對抗以上風(fēng)險，我們通常采用圖譜方式進(jìn)行防范。然而，對于低品質(zhì)修復(fù)套取高品質(zhì)配件、重復(fù)理賠類風(fēng)險，僅靠保險公司內(nèi)部數(shù)據(jù)可能還不足支援，需引入行業(yè)大數(shù)據(jù)做進(jìn)一步防范。此外，倒簽單、駕駛員酒駕調(diào)包、虛報盜搶類可以通過構(gòu)建風(fēng)險畫像、評分模型進(jìn)行識別。

2、健康險

健康險同樣存在團(tuán)伙類和僥幸個案類的風(fēng)險。對于團(tuán)伙類風(fēng)險，例如醫(yī)患勾結(jié)、冒名頂替等，我們可以通過圖譜方式進(jìn)行防范。對于僥幸個案類的風(fēng)險，如帶病投保、虛假理賠材料等，我們會用評分卡模型對理賠案件進(jìn)行打分，從而識別這種風(fēng)險。另外，對于過度醫(yī)療、濫用藥物以及夸大損失這類不合理醫(yī)療行為的風(fēng)險，我們會建立不合理醫(yī)療識別引擎，通過醫(yī)學(xué)圖譜結(jié)合費用預(yù)測模型進(jìn)行識別。

二、保險反欺詐核心能力建設(shè)方案

針對以上風(fēng)險，太平金科相應(yīng)地構(gòu)建了保險反欺詐的核心能力，主要包括以下三個方面：

1、欺詐識別核心引擎

我們積極探索前沿技術(shù)，如大數(shù)據(jù)、機(jī)器學(xué)習(xí)和AI算法，構(gòu)建保險欺詐識別核心引擎。

2、風(fēng)險評分、畫像、提示

我們的關(guān)注點在于如何讓引擎服務(wù)好業(yè)務(wù)人員，輔助他們發(fā)現(xiàn)風(fēng)險，而不是完全依靠模型來阻斷風(fēng)險。因此，我們需要將引擎能力轉(zhuǎn)化為一種評分、畫像和風(fēng)險提示的形式，以便業(yè)務(wù)人員能夠發(fā)現(xiàn)風(fēng)險并據(jù)此完成審案、核賠、質(zhì)檢等工作。

3、事中化識別與處置

為了解決事后發(fā)現(xiàn)風(fēng)險涉及追償難的問題，我們需要將引擎能力嵌入各個業(yè)務(wù)流程中，通過與業(yè)務(wù)全流程的融合，實現(xiàn)事中化發(fā)現(xiàn)風(fēng)險、對抗風(fēng)險的作用，從而實現(xiàn)早發(fā)現(xiàn)、早確認(rèn)和早追償。

三、保險反欺詐故事

下面介紹兩個保險反欺詐的案例，一個是車險團(tuán)伙欺詐，另一個是健康險團(tuán)伙欺詐。

首先，我們來看車險欺詐案例。我們的前端識別引擎發(fā)現(xiàn)了三個風(fēng)險：第一個是通過圖譜發(fā)現(xiàn)胡某駕駛不同車輛多次出險；第二個是通過圖像識別引擎使用以圖搜圖的方式，識別出胡某駕駛兩輛不同車子碰撞了同樣的石墩；第三個是通過評分模型根據(jù)案件已觸發(fā)的條件計算得到高風(fēng)險分?jǐn)?shù)預(yù)警。進(jìn)一步地，通過畫像引擎關(guān)聯(lián)該案件的標(biāo)記車、駕駛員、被保人以及相關(guān)歷史關(guān)聯(lián)案件，呈現(xiàn)給理賠業(yè)務(wù)員。從畫像可以看出，該理賠案件已經(jīng)關(guān)聯(lián)到了歷史的28個案件，擴(kuò)展到了17輛車，而且自然語言算法提示案件的出險人員都是姓胡。最后，我們會去調(diào)取一些外部數(shù)據(jù)，比如關(guān)聯(lián)銀保信的數(shù)據(jù)，同時將該團(tuán)伙擴(kuò)展到其他保險公司的歷史案件。經(jīng)以上操作發(fā)現(xiàn)，該團(tuán)伙涉及199個案件、9家保險公司。

接下來，我們看一個健康險欺詐案例，是關(guān)于代理人聯(lián)合醫(yī)院資源騙取津貼費的情況。我們可以通過圖譜中代理人與醫(yī)院的關(guān)聯(lián)情況、出險頻率、出險類型(骨折類、呼吸道類、背部疾病)就可以完成風(fēng)險識別和預(yù)警。

四、反欺詐核心能力平臺藍(lán)圖

目前，我們正在構(gòu)建反欺詐核心能力平臺，整體藍(lán)圖由數(shù)據(jù)基礎(chǔ)層、能力層、平臺層和產(chǎn)品層構(gòu)成。

1、數(shù)據(jù)基礎(chǔ)

我們將利用整個壽、財、養(yǎng)客戶及業(yè)務(wù)的數(shù)據(jù)、集團(tuán)的數(shù)據(jù)、外部行業(yè)的大數(shù)據(jù)來構(gòu)建數(shù)據(jù)基礎(chǔ)層。

2、能力層

能力層可以分成以下三個方面的能力：

（1）數(shù)字化

我們將直接使用底層集成的數(shù)據(jù)來構(gòu)建風(fēng)險畫像標(biāo)簽體系和知識圖譜，或者通過隱私計算對接各種行業(yè)大數(shù)據(jù)。同時，我們還將收集用戶實時數(shù)據(jù)，通過可穿戴設(shè)備和物聯(lián)網(wǎng)設(shè)備等手段來構(gòu)建我們的數(shù)字化能力；

（2）模型化

我們將對畫像標(biāo)簽進(jìn)行數(shù)據(jù)分析、大數(shù)據(jù)建模，構(gòu)建各種類型的模型來應(yīng)用于定價、核保、運營、理賠等業(yè)務(wù)環(huán)節(jié)，完成模型決策；

（3）智能化

我們將通過構(gòu)建圖像自動分類、影像數(shù)據(jù)結(jié)構(gòu)化、影像件重復(fù)理賠、圖像PS檢測、語音情緒識別和語音聲紋識別等能力來對抗欺詐風(fēng)險。

3、平臺層

在技術(shù)層面，我們的平臺提供了四個核心模塊：健康險風(fēng)險識別引擎、車險風(fēng)險識別引擎、財產(chǎn)險風(fēng)險識別引擎以及保險智能風(fēng)控平臺。

（1）健康險風(fēng)險識別引擎

主要負(fù)責(zé)賠付預(yù)測模型、理賠案件分層模型、圖譜反欺詐模型、不合理醫(yī)療行為識別模型和影像件風(fēng)險識別模型等任務(wù)。這些模型能夠幫助我們更好地評估和管理健康險風(fēng)險。

（2）車險風(fēng)險識別引擎

構(gòu)建了一個車險業(yè)務(wù)領(lǐng)域的風(fēng)險評分、畫像和提示的全流程體系。這個系統(tǒng)可以有效地評估車險欺詐風(fēng)險。

（3）財產(chǎn)險風(fēng)險識別引擎

關(guān)注相關(guān)企業(yè)風(fēng)險圖譜的構(gòu)建，同時還開展了物聯(lián)網(wǎng)(IoT)的風(fēng)險監(jiān)控和AI數(shù)字農(nóng)險的一些預(yù)研工作。這些功能有助于我們更好地評估和管理財產(chǎn)險風(fēng)險。

（4）保險智能風(fēng)控平臺

面向風(fēng)險定價環(huán)節(jié)、智能核保環(huán)節(jié)、賠付預(yù)測、風(fēng)險預(yù)警、賠中防滲漏和賠后風(fēng)險圖譜等多個方面。這個平臺可以幫助我們更有效地管理保險風(fēng)險，提高業(yè)務(wù)效率。

4、產(chǎn)品層面

我們?yōu)榭蛻籼峁┝?ldquo;核保”智能助手、“物聯(lián)”風(fēng)險管家和“理賠”保險分等服務(wù)。這些產(chǎn)品旨在賦能業(yè)務(wù)，而不是僅僅通過模型來完成阻斷。通過與業(yè)務(wù)公司的緊密合作，我們希望為客戶提供更優(yōu)質(zhì)的服務(wù)，共同應(yīng)對保險行業(yè)的挑戰(zhàn)。

五、車險風(fēng)險識別引擎

基于以上平臺，下面詳細(xì)介紹一下車險風(fēng)險識別引擎的構(gòu)建方法。

對于案件風(fēng)險的識別，首先，我們利用大數(shù)據(jù)機(jī)器學(xué)習(xí)建模能力，建立類似銀行用的評分卡模型對案件進(jìn)行評分預(yù)測。通過分析報案電話、標(biāo)的車和被保人的維度風(fēng)險評分，我們可以實現(xiàn)案件的分流，提高客戶服務(wù)體驗。

在查勘環(huán)節(jié)，車險分產(chǎn)品會提供給查勘人員關(guān)于當(dāng)前案件的風(fēng)險提示以及收集風(fēng)險信息的操作指引。查勘人員根據(jù)這些指引收集完信息后，這些信息可以用到后續(xù)的理賠環(huán)節(jié)，也可以作為風(fēng)險評分模型的新證據(jù)。我們的車險風(fēng)險識別引擎致力于簡化服務(wù)流程和理賠流程，因此，在沒有發(fā)現(xiàn)風(fēng)險的情況下，查勘人員可以快速查勘。但一旦發(fā)現(xiàn)預(yù)警風(fēng)險，查勘人員需針對性取證。例如，當(dāng)發(fā)現(xiàn)被保人出現(xiàn)多輛標(biāo)的車、駕駛員不是被保人等改變運營性質(zhì)的風(fēng)險時，我們會讓查勘人員在線下確認(rèn)標(biāo)的車的使用性質(zhì)，并做錄音取證。當(dāng)發(fā)現(xiàn)標(biāo)的車為8年的老舊車、近期已理賠多次等重復(fù)理賠風(fēng)險時，我們會把標(biāo)的車的歷史理賠圖像發(fā)給查勘人員，并通過車險分工具展示其歷史碰撞部位，讓查勘人員根據(jù)風(fēng)險提示去針對性拍照確認(rèn)是否為舊痕。如果發(fā)現(xiàn)有擺放現(xiàn)場嫌疑風(fēng)險，我們會讓查勘人員著重拍一些環(huán)境照，通過以圖搜圖的方式檢索是否有相似的環(huán)境照或碰撞物體。

對于團(tuán)伙類的風(fēng)險識別，我們先會構(gòu)建一個關(guān)聯(lián)圖譜，該圖譜是基于歷史上的報案手機(jī)號、標(biāo)的車、標(biāo)的駕駛員、作業(yè)人員和修理廠等信息的。然后，在關(guān)聯(lián)圖譜的基礎(chǔ)上，針對業(yè)務(wù)風(fēng)險點構(gòu)建關(guān)聯(lián)模式完成風(fēng)險挖掘。與互聯(lián)網(wǎng)行業(yè)通過端到端的圖神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)算法來阻攔理賠案件不同，我們更注重發(fā)現(xiàn)風(fēng)險模式。例如，我們可以通過關(guān)聯(lián)報案手機(jī)號、被保人、駛?cè)藛T、三者人員以及修理廠等信息，進(jìn)行后續(xù)針對性質(zhì)檢。

以報案手機(jī)號關(guān)聯(lián)模式為例，我們通過關(guān)聯(lián)歷史風(fēng)險案件并應(yīng)用以圖搜圖、以臉?biāo)涯樀募夹g(shù)來發(fā)現(xiàn)風(fēng)險。然而，如果我們在海量案件數(shù)據(jù)中直接使用以圖搜圖技術(shù)，可能會導(dǎo)致誤報率較高。為了解決這個問題，我們引入了圖譜的關(guān)聯(lián)模式。通過將關(guān)聯(lián)手機(jī)號劃分區(qū)域并縮小范圍，我們可以降低誤報率，提高召回率。

在AI算法應(yīng)用方面，我們使用度量學(xué)習(xí)方來完成人臉識別和圖像識別。針對我們自己的保險場景、查勘圖片及影像的特點，通過環(huán)境比對和特征抽取來提高效率。例如，對于相同環(huán)境中可能存在不同車輛的情況，我們通常采用語義分割技術(shù)對車輛進(jìn)行馬賽克或填充，然后再抽取環(huán)境的特征。對于石墩、電線桿、樹樁等交通路障，我們會針對性地進(jìn)行目標(biāo)檢測，并使用特征抽取算法提取相應(yīng)的特征。最后，我們將抽取的特征存儲到向量庫中進(jìn)行檢索。

通過將以圖搜索功能賦能給查勘人員，他們可以核查當(dāng)前理賠案件是否有歷史上的相似案件。這種方法不僅提高了工作效率，還有助于減少誤判和欺詐行為的發(fā)生。

為了進(jìn)一步提高車險識別的準(zhǔn)確性，我們還引入了外部大數(shù)據(jù)，如銀保信和車聯(lián)網(wǎng)的數(shù)據(jù)。此外，我們設(shè)計了一套評分機(jī)制，用于將外部大數(shù)據(jù)納入我們的畫像指標(biāo)中，以便進(jìn)行風(fēng)險預(yù)警。最后，我們通過雷達(dá)圖的方式展示分?jǐn)?shù)及其作為風(fēng)險提示的解讀。這種方式使得我們能夠更直觀地了解各項指標(biāo)的得分情況，并快速識別潛在的風(fēng)險。

六、健康險反欺詐引擎

基于我們的平臺，下面介紹一下健康反欺詐的構(gòu)建方式。

為了提高健康險反欺詐的準(zhǔn)確性，首先，我們從客戶維度、保單機(jī)構(gòu)維度、本案與過往維度、疾病維度和代理人維度構(gòu)建了一個健康險反欺詐的畫像指標(biāo)，健康險個案類反欺詐評分模型更側(cè)重于風(fēng)險標(biāo)簽的挖掘與構(gòu)建。事實上，保險領(lǐng)域欺詐案件的標(biāo)簽很少，更多的是拒付類標(biāo)簽。因此，我們根據(jù)歷史拒付情況和風(fēng)險標(biāo)簽畫像體系通過機(jī)器學(xué)習(xí)獲取評分卡模型。

相比于以前只根據(jù)醫(yī)學(xué)背景知識判斷反欺詐風(fēng)險，我們引入了大數(shù)據(jù)技術(shù)和大數(shù)據(jù)維度。通過學(xué)習(xí)拒付案例，讓模型可以學(xué)到客群維度、銷售人員維度指標(biāo)對拒賠的影響，將風(fēng)險標(biāo)簽呈現(xiàn)給作業(yè)人員。同時，我們將入?yún)⒁蜃討?yīng)用到運營環(huán)節(jié)去管理客戶和監(jiān)控銷售人員。

我們通過構(gòu)建畫像標(biāo)簽做評分卡模型的目的不是去找欺詐，而是輔助業(yè)務(wù)人員發(fā)現(xiàn)欺詐。我們不光是做核賠核保的風(fēng)險識別，還希望風(fēng)險識別的評分項可以作為運營指標(biāo)輔助業(yè)務(wù)進(jìn)行管理和監(jiān)控。

在構(gòu)建完圖譜后，我們會去圍繞手機(jī)號、醫(yī)院代理人、疾病類型、收款賬號去發(fā)現(xiàn)風(fēng)險集或風(fēng)險模式。

與端到端發(fā)現(xiàn)風(fēng)險模式不同的是，我們是通過模型算法發(fā)現(xiàn)某種風(fēng)險模式后，將其固定化為規(guī)則再應(yīng)用到線上。我們的目標(biāo)是發(fā)現(xiàn)更多的風(fēng)險模式，而不是通過圖算法直接端到端地預(yù)警案件的風(fēng)險。這是因為保險金融服務(wù)行業(yè)要求風(fēng)險的可解釋，我們不能僅根據(jù)風(fēng)險直接阻斷案件，而是要提供有理有據(jù)的風(fēng)險提示給相關(guān)作業(yè)人員。

我們對復(fù)雜的圖譜關(guān)系簡單抽象化后，可以將健康反欺詐模式簡單歸類為疾病類和事件類。在疾病類中，節(jié)點主要包括業(yè)務(wù)員、被保人、疾病和醫(yī)院。就診行為雷同模式的維度包括同時住院和出院；偽造單據(jù)模式的維度包括費用相似和掛床模式的維度包括住院時間的不合理；過度醫(yī)療模式的維度包括費用的不合理。

另外，對于時效性事件類，我們可以通過圖譜關(guān)聯(lián)方式去發(fā)現(xiàn)短期出險風(fēng)險和高頻出險風(fēng)險。

在健康險領(lǐng)域，我們也嘗試做了AI算法的應(yīng)用，除了以圖搜圖發(fā)現(xiàn)重復(fù)理賠的應(yīng)用場景外，我們還引用了OCR技術(shù)識別篡改風(fēng)險，如票據(jù)大小寫不一致、票據(jù)模板不一致等。

此外，我們還探索了影像造假PS檢測技術(shù)。在這個場景中，我們不追求召回率很高，而是希望查準(zhǔn)率很高，提升預(yù)警案件的調(diào)查成功率，來降低調(diào)查成本。由于保險行業(yè)的票據(jù)大多數(shù)過度壓縮，通過AI算法的手段去發(fā)現(xiàn)篡改區(qū)域是我們目前要突破的一個難點。

七、與業(yè)務(wù)流程深度融合的事中化風(fēng)險管理機(jī)制

盡管以上所述主要涉及的是技術(shù)手段，但我們的實際工作更著重于將這些技術(shù)手段嵌入到業(yè)務(wù)環(huán)境中。

以車險為例，在續(xù)保時，我們會根據(jù)歷史客戶建立的風(fēng)險指標(biāo)體系對客戶進(jìn)行評分，并提供風(fēng)險提示。出險時，我們通過情緒識別來判斷對方是否酒駕。在電話報案時，根據(jù)聲紋識別來判斷對方是否為修理廠人員或黑名單員。在查勘時，我們會使用評分模型。在定損時，我們通過環(huán)境照識別、PS檢測和以圖搜圖等手段進(jìn)行相關(guān)風(fēng)險預(yù)警。最后，我們通過知識圖譜的方式進(jìn)行事后質(zhì)檢。

總之，我們是面向服務(wù)類的，通過風(fēng)險產(chǎn)品的風(fēng)險評分和畫像提示來輔助作業(yè)人員識別風(fēng)險，而不是完全提供技術(shù)手段直接阻斷風(fēng)險。我們希望我們的能力體現(xiàn)在我們的產(chǎn)品中，讓業(yè)務(wù)人員通過我們的產(chǎn)品發(fā)現(xiàn)更多維度的畫像，并基于這些畫像輔助他們在現(xiàn)場發(fā)現(xiàn)風(fēng)險。

來源：DataFunTalk