當前位置: 首頁 > 學術研究 > 實務探討

大數據分析方法在反保險欺詐中的應用場景及存在的挑戰

2019-12-09 140 文章來源:中國太平洋人壽保險股份有限公司吉林省分公司 趙嵩

保險欺詐被公認為是保險業發展的重大阻礙,侵蝕保險公司的償付能力,增加行業的潛在風險,觸及保險法律制度的根基。據國際保險監督官協會的測算,全球每年的保險欺詐金額約占保險業賠款總額10%-20%。由于保險欺詐的存在,廣大保險消費者需要為一些險種額外支付10%-20%的保險費。我國保險業起步晚、發展速度快,致使保險欺詐案件層出不窮。本文緊緊圍繞大數據分析方法在反保險欺詐中的實踐應用,探討它的應用效果及存在的挑戰。

 

一、保險欺詐的概念

 

依據保監〔2018〕24號《反保險欺詐指引》,明晰保險欺詐的含義:指假借保險名義或利用保險合同謀取非法利益的行為,主要包括保險金詐騙類欺詐行為、非法經營保險業務類欺詐行為和保險合同詐騙類欺詐行為等。

本文所稱保險欺詐僅指保險金詐騙類欺詐行為,主要包括故意虛構保險標的騙取保險金;編造未曾發生的保險事故,編造虛假的事故原因或者夸大損失程度騙取保險金;故意制造保險事故騙取保險金的行為等。

 

二、國內外保險欺詐的現狀

 

縱觀全球,英美兩國保險欺詐識別和反保險欺詐工作做得最好,基本可將保險賠付中的平均欺詐率控制在保費收入的10%以下,某些風控完善的保險公司可以將這一比例控制在5%以內。

隨著我國保險業的快速發展,保險欺詐數量也逐年上升,相比而言,我國保險業受欺詐影響的狀況較嚴重。據統計,我國保險欺詐違法犯罪產生的賠付支出已經達到年保費總收入的10%-30%,一些風險管控不力的保險產品則高達50%,遠超全球平均欺詐賠付率15%。

 

三、大數據分析在反保險欺詐中的應用

 

(一)大數據,探尋線索偵破專家

大數據分析以公開報道案例為素材,通過提煉總結保險欺詐案件發案規律,利用大數據智能化手段對形形色色的保險欺詐案件進行識別,為預防和遏制保險欺詐提出遏制預防方案。

以河南嵩縣保險欺詐案為研究案例。2016年9月至2017年12月,王某蓄謀作案,尋找同村及鄰村多人作為投保人投保重疾保險,并為其墊付保險費,用手中留有的既往胃癌及腦梗塞住院病歷為模板偽造住院病歷六份,并以虛假病歷材料為理賠依據,騙取重疾保險金共計7.2萬元。

以此案為研究素材,按照實施保險欺詐作案籌劃屬于蓄謀已久型,詐騙者在投保環節已經在策劃實施保險詐騙,為他人墊付保費,最終利用模板偽造住院病歷詐騙保險理賠款。

本起保險欺詐案,從每個單獨案件情況看,保額偏低、保單已過兩年抗辯期、分散投保,不容易引起注意,隱蔽性強。詐騙者自認為騙取保險金把握較大,多次施實詐騙行為得逞。

但是,利用大數據智能化手段將每一個單獨案件信息經過大數據運算得出與之相關聯的多個案件圖譜就會發現欺詐線索。本案最終破獲即為經過大數據運算后發現詐騙者為多個不同被保險人代辦理賠業務,理賠案件極為異常,通過對出險客戶地址、賠款金額、理賠記錄和重疾病種等信息進行智能化分析,偵測到異常賠案信息。對異常賠案信息進行人工調查,最終偵破這起保險欺詐案件。

(二)大數據,智能決策風控助手

保險公司本身就積累有海量數據,使其具有了大數據的天然屬性。借助大數據處理信息,可以發掘出具有更強決策依據力、未來判斷力及流程優化能力的高價值信息。

各家保險公司依托于保險公司內部數據建立的智能決策風控助手可以鑲嵌在承保、理賠兩個端口系統,將承保、理賠信息與歷史數據比較并進行多維度分析,通過量化風險程度為案件的風險性評分,對承保、理賠業務進行全面風險監測。具體可以包括歷史賠付、申請人或被保險人信息與公安系統信息不一致、短期內出險、出險原因可能存在責任免除事項等標簽。評分低于風險標準的可以自動審核通過,極大地優化了審核作業時效和成本。對于評分高于風險標準的則需要轉人工審核。審核人員可以根據智能助手的提示,有的放矢調整審核重心,對風險業務進行更深入縝密的審理和判斷。

太保集團的智能風控模型是以集團大數據平臺為基礎,匯集了太保壽險、產險和健康險IDS數據,并通過與監管、行業、第三方平臺合作,探索引進如黑名單、特殊人員名單、征信記錄等客戶信息數據,建立數據特征化標簽、專家經驗規則和預測模型,全景展現風險點和關系網,根據風險評分和風險圖譜實施差異化理賠、調查流程,完善理賠風控體系。這種模型內嵌于理賠作業系統中,在立案和初審環節觸發風險測評,作業人員可實時查看詳細的風險提示報告,并對風險報告的準確性進行反饋,模型將對反饋內容再次學習,動態管理不斷提高模型準確性。以某地區一件理賠案件為例:被保險人出險后申請理賠,審核人員根據客戶提供的索賠材料進行客戶身份校驗,未發現異常。立案后,通過智能風控助手提示“本案被保險人姓名與身份證件號在公安系統中不一致”。經核查,被保險人在申請理賠前一個月改名,本次使用未更換的身份證申請理賠。智能決策風控助手的提示,可以幫助發現人工操作難以關注到的隱蔽問題,有效規避潛在風險。

(三)太平洋壽險“人工智能+大數據”雙輪驅動

語音情緒識別反欺詐模型:人工智能驅動下的識別手段。語音情緒識別反欺詐模型是將AI技術植入到報案電話、調查中,并在審核環節通過對人的情緒變化及心理特征進行多維度、多層級的分析,在立案環節進入多特征反欺詐評分,最終在審核環節進行反欺詐風險提示。2019年4月,太保壽險正式上線語音情緒識別反欺詐模型,經過聲音信號處理、數據預處理、模式匹配、識別情緒、輸出結果5個環節,作為調查輔助手段應用于案件調查,幫助調查人員定位案件疑點和線索,提升反保險欺詐能力。

 

四、大數據分析方法在反欺詐工作應用中存在的不足

 

(一)保險公司之間的數據共享機制缺失,反欺詐未形成合力

保險市場競爭較為激烈,客戶信息是各保險公司的“核心利益”,天然排斥共享。單純某一家或幾家公司的反欺詐卓有成效,并不能有效遏制保險欺詐行為,反而導致保險欺詐行為可以方便地在不同的公司之間“游動”。目前省保險行業協會正在為各會員公司搭建反欺詐平臺系統,解決信息不暢通的壁壘。

(二)反欺詐思維方法缺失,反欺詐工作成果欠佳

各家保險公司積累的大量基礎數據一直處于休眠狀態,并未得到有效利用。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,少部分根據工作人員的經驗判斷來進行調查核實。保險公司傳統風險排查模型維度簡單,實操中費時、費力且命中率不高。

(三)行業未形成集中的反欺詐處理中心,各自為戰

受制于信息不對等,存在各自為戰的不利局面,無力識別跨區域、跨機構的欺詐風險。多數保險公司對于反欺詐工作部署未明確統一的職能部門,很多公司將反欺詐工作落實到合規部門,日常執行卻是理賠管理部,使反欺詐的基礎信息整合、協調工作不力。

 

五、大數據分析方法應用展望

 

(一)加大行業內合作,搭建共享數據信息

行業間應該建立數據信息平臺,對于承保、理賠的特定信息內容進行交互共享,可參照的風險數據足夠多,才能進行有效的風險排查。同時,定期組織反欺詐案例的學習,分享各家保險公司的反欺詐經驗。只有提高行業整體反欺詐水平,才能真正有效打擊保險欺詐。

(二)手段持續更新,建立動態風控模型

隨著信息傳播速度加快和覆蓋面加寬,保險欺詐手段也在不斷地更新中。因此,反欺詐技術也應持續更新。具體體現在人員素質的持續提升和技術應用的不斷學習。一方面,專業素質過硬、業務經驗豐富的審核人員在業務受理過程中可以憑借專業敏感度判斷欺詐風險點,并有針對性地調整審核重心,有效避免欺詐風險的發生。保險公司應當通過培訓或考核等方式,激勵員工保持不斷學習的動力,通過建立信息化平臺、技術升級等方式幫助員工快速積累經驗。另一方面,開發智能風控模型,彌補人工審核中的主觀問題,并依靠人工審核經驗反饋結果實現模型決策的動態升級。

(三)防止信息泄露,加強客戶信息保護

客戶信息安全是大數據技術應用的基石。如果在反欺詐工作中發生客戶信息泄露的問題,將使保險公司失去客戶的信任,商譽會受到無法彌補的損失。因此,保險公司在使用大數據推進反欺詐工作時,也要加強網絡信息安全建設。行業間數據共享平臺更應對數據要求進行斟酌,非必要信息無需填報,最大限度降低客戶信息泄露的可能性。