当前位置: 首页 > 学术研究 > 实务探讨

大数据分析方法在反保险欺诈中的应用场景及存在的挑战

2019-12-09 116 文章来源:中国太平洋人寿保险股份有限公司吉林省分公司 赵嵩

保险欺诈被公认为是保险业发展的重大阻碍,侵蚀保险公司的偿付能力,增加行业的潜在风险,触及保险法律制度的根基。据国际保险监督官协会的测算,全球每年的保险欺诈金额约占保险业赔款总额10%-20%。由于保险欺诈的存在,广大保险消费者需要为一些险种额外支付10%-20%的保险费。我国保险业起步晚、发展速度快,致使保险欺诈案件层出不穷。本文紧紧围绕大数据分析方法在反保险欺诈中的实践应用,探讨它的应用效果及存在的挑战。

 

一、保险欺诈的概念

 

依据保监〔2018〕24号《反保险欺诈指引》,明晰保险欺诈的含义:指假借保险名义或利用保险合同谋取非法利益的行为,主要包括保险金诈骗类欺诈行为、非法经营保险业务类欺诈行为和保险合同诈骗类欺诈行为等。

本文所称保险欺诈仅指保险金诈骗类欺诈行为,主要包括故意虚构保险标的骗取保险金;编造未曾发生的保险事故,编造虚假的事故原因或者夸大损失程度骗取保险金;故意制造保险事故骗取保险金的行为等。

 

二、国内外保险欺诈的现状

 

纵观全球,英美两国保险欺诈识别和反保险欺诈工作做得最好,基本可将保险赔付中的平均欺诈率控制在保费收入的10%以下,某些风控完善的保险公司可以将这一比例控制在5%以内。

随着我国保险业的快速发展,保险欺诈数量也逐年上升,相比而言,我国保险业受欺诈影响的状况较严重。据统计,我国保险欺诈违法犯罪产生的赔付支出已经达到年保费总收入的10%-30%,一些风险管控不力的保险产品则高达50%,远超全球平均欺诈赔付率15%。

 

三、大数据分析在反保险欺诈中的应用

 

(一)大数据,探寻线索侦破专家

大数据分析以公开报道案例为素材,通过提炼总结保险欺诈案件发案规律,利用大数据智能化手段对形形色色的保险欺诈案件进行识别,为预防和遏制保险欺诈提出遏制预防方案。

以河南嵩县保险欺诈案为研究案例。2016年9月至2017年12月,王某蓄谋作案,寻找同村及邻村多人作为投保人投保重疾保险,并为其垫付保险费,用手中留有的既往胃癌及脑梗塞住院病历为模板伪造住院病历六份,并以虚假病历材料为理赔依据,骗取重疾保险金共计7.2万元。

以此案为研究素材,按照实施保险欺诈作案筹划属于蓄谋已久型,诈骗者在投保环节已经在策划实施保险诈骗,为他人垫付保费,最终利用模板伪造住院病历诈骗保险理赔款。

本起保险欺诈案,从每个单独案件情况看,保额偏低、保单已过两年抗辩期、分散投保,不容易引起注意,隐蔽性强。诈骗者自认为骗取保险金把握较大,多次施实诈骗行为得逞。

但是,利用大数据智能化手段将每一个单独案件信息经过大数据运算得出与之相关联的多个案件图谱就会发现欺诈线索。本案最终破获即为经过大数据运算后发现诈骗者为多个不同被保险人代办理赔业务,理赔案件极为异常,通过对出险客户地址、赔款金额、理赔记录和重疾病种等信息进行智能化分析,侦测到异常赔案信息。对异常赔案信息进行人工调查,最终侦破这起保险欺诈案件。

(二)大数据,智能决策风控助手

保险公司本身就积累有海量数据,使其具有了大数据的天然属性。借助大数据处理信息,可以发掘出具有更强决策依据力、未来判断力及流程优化能力的高价值信息。

各家保险公司依托于保险公司内部数据建立的智能决策风控助手可以镶嵌在承保、理赔两个端口系统,将承保、理赔信息与历史数据比较并进行多维度分析,通过量化风险程度为案件的风险性评分,对承保、理赔业务进行全面风险监测。具体可以包括历史赔付、申请人或被保险人信息与公安系统信息不一致、短期内出险、出险原因可能存在责任免除事项等标签。评分低于风险标准的可以自动审核通过,极大地优化了审核作业时效和成本。对于评分高于风险标准的则需要转人工审核。审核人员可以根据智能助手的提示,有的放矢调整审核重心,对风险业务进行更深入缜密的审理和判断。

太保集团的智能风控模型是以集团大数据平台为基础,汇集了太保寿险、产险和健康险IDS数据,并通过与监管、行业、第三方平台合作,探索引进如黑名单、特殊人员名单、征信记录等客户信息数据,建立数据特征化标签、专家经验规则和预测模型,全景展现风险点和关系网,根据风险评分和风险图谱实施差异化理赔、调查流程,完善理赔风控体系。这种模型内嵌于理赔作业系统中,在立案和初审环节触发风险测评,作业人员可实时查看详细的风险提示报告,并对风险报告的准确性进行反馈,模型将对反馈内容再次学习,动态管理不断提高模型准确性。以某地区一件理赔案件为例:被保险人出险后申请理赔,审核人员根据客户提供的索赔材料进行客户身份校验,未发现异常。立案后,通过智能风控助手提示“本案被保险人姓名与身份证件号在公安系统中不一致”。经核查,被保险人在申请理赔前一个月改名,本次使用未更换的身份证申请理赔。智能决策风控助手的提示,可以帮助发现人工操作难以关注到的隐蔽问题,有效规避潜在风险。

(三)太平洋寿险“人工智能+大数据”双轮驱动

语音情绪识别反欺诈模型:人工智能驱动下的识别手段。语音情绪识别反欺诈模型是将AI技术植入到报案电话、调查中,并在审核环节通过对人的情绪变化及心理特征进行多维度、多层级的分析,在立案环节进入多特征反欺诈评分,最终在审核环节进行反欺诈风险提示。2019年4月,太保寿险正式上线语音情绪识别反欺诈模型,经过声音信号处理、数据预处理、模式匹配、识别情绪、输出结果5个环节,作为调查辅助手段应用于案件调查,帮助调查人员定位案件疑点和线索,提升反保险欺诈能力。

 

四、大数据分析方法在反欺诈工作应用中存在的不足

 

(一)保险公司之间的数据共享机制缺失,反欺诈未形成合力

保险市场竞争较为激烈,客户信息是各保险公司的“核心利益”,天然排斥共享。单纯某一家或几家公司的反欺诈卓有成效,并不能有效遏制保险欺诈行为,反而导致保险欺诈行为可以方便地在不同的公司之间“游动”。目前省保险行业协会正在为各会员公司搭建反欺诈平台系统,解决信息不畅通的壁垒。

(二)反欺诈思维方法缺失,反欺诈工作成果欠佳

各家保险公司积累的大量基础数据一直处于休眠状态,并未得到有效利用。在开展反欺诈工作中,较大比例的反欺诈案件依靠客户或第三方的举报获得线索,少部分根据工作人员的经验判断来进行调查核实。保险公司传统风险排查模型维度简单,实操中费时、费力且命中率不高。

(三)行业未形成集中的反欺诈处理中心,各自为战

受制于信息不对等,存在各自为战的不利局面,无力识别跨区域、跨机构的欺诈风险。多数保险公司对于反欺诈工作部署未明确统一的职能部门,很多公司将反欺诈工作落实到合规部门,日常执行却是理赔管理部,使反欺诈的基础信息整合、协调工作不力。

 

五、大数据分析方法应用展望

 

(一)加大行业内合作,搭建共享数据信息

行业间应该建立数据信息平台,对于承保、理赔的特定信息内容进行交互共享,可参照的风险数据足够多,才能进行有效的风险排查。同时,定期组织反欺诈案例的学习,分享各家保险公司的反欺诈经验。只有提高行业整体反欺诈水平,才能真正有效打击保险欺诈。

(二)手段持续更新,建立动态风控模型

随着信息传播速度加快和覆盖面加宽,保险欺诈手段也在不断地更新中。因此,反欺诈技术也应持续更新。具体体现在人员素质的持续提升和技术应用的不断学习。一方面,专业素质过硬、业务经验丰富的审核人员在业务受理过程中可以凭借专业敏感度判断欺诈风险点,并有针对性地调整审核重心,有效避免欺诈风险的发生。保险公司应当通过培训或考核等方式,激励员工保持不断学习的动力,通过建立信息化平台、技术升级等方式帮助员工快速积累经验。另一方面,开发智能风控模型,弥补人工审核中的主观问题,并依靠人工审核经验反馈结果实现模型决策的动态升级。

(三)防止信息泄露,加强客户信息保护

客户信息安全是大数据技术应用的基石。如果在反欺诈工作中发生客户信息泄露的问题,将使保险公司失去客户的信任,商誉会受到无法弥补的损失。因此,保险公司在使用大数据推进反欺诈工作时,也要加强网络信息安全建设。行业间数据共享平台更应对数据要求进行斟酌,非必要信息无需填报,最大限度降低客户信息泄露的可能性。