数字智慧方案5163丨大数据及人工智能在保险行业的应用

科技赋能保险大数据及人工智能在保险行业的应用01大数据整体应用框架数据产品：将数据、规则、模型，与具体金融业务场景进行结合，开发相应产品数据系统：保险营销系统、数据决策引擎等数据处理：标准化：清洗、驱虫、分析、汇总特征工程：衍生、降维

数据标签•底层800+个模块，超过10,000个字段，覆盖全国超过8亿人口•涵盖个人资质、消费、黑灰名单等多种维度•底层数据实时更新大数据整体应用框架

数据存储：多维度海量数据，为后续数据标签、模型、产品提供基础

数据模型•营销、风控模型，覆盖多种业务场景•客制化规则集，个性化数据模型服务

数据产品•

两核风险筛查•智能语音机器人……模型支撑-大数据+模型算法+AI 外部大数据无监督学习聚类、LDA、

CDA等。根据用户特征进

行分群。同一客群具有相同特征。监督学习集成学习、神经网络、深度学习等。

掌握多种算法，支持定制化模型。评分/规则/模型产品•客户异常风险提示•客户群体反欺诈•

反欺诈规则•

用户画像……800+模块，涵盖个人资质、消费、黑灰名单等多种维度商保公司自有数据保单数据、代理人信息数据等模型支撑-整体建模流程简介

•缺失值填充•极端值处理•标准变量衍生•业务变量衍生数据准备：

去伪存真•相关性(Correlation)检验•共线性(Multi-

Collinarity)检验•信息值(IV)筛选•基尼(Gini)值筛选•单变量分析•

粗分箱•根据业务调整分箱•连续型/类别型变量值转

化（WOE转化）模型建立主要分为：数据准备、初步筛选、变量检验、数据分段、模型产生和调整五大步骤•优先选择业务变量•清理解释性差变量•通过逐步回归筛选•评估与调整变量检验：减少对模型的干扰模型产生与调整数据初步筛选：

化繁为简数据分段：体现变量价值02大数据寿险两核风控3

•综合海量数据与保险机构数据，构建两核风险评分模型

2

运用两核标签数据集，形成：•

个人财务画像

1

•个人投保反欺诈筛查•

个人信息核验•个人投保财务筛查•

个人健康画像寿险两核风控整体应用框架

个人有效定位基于海量数据集，对个人存在的投保过程中存在的问题进行有效定位：个人两核画像两核风险评分NO客户身份核验YESNO反欺诈核查

2YES3

两核风险评分NOYES结案、归档两核风险筛查-总体应用流程

客户身份核验反欺诈核验两核风险评分多维度考察客户，

控制投保

风险流程化核保程序，

输出核保

评分，

辅助人工核保投保/理赔两核风控模型预警人工通过初步身份、信息真实性校验

身份证有效期验证（活体检验）身份证/银行卡OCR识别银行卡三/四要素验证银行卡多笔交运营商三要素验证身份证二要素验证地址信息核查单位验证03车险风险评分从人因子缺乏从车因子主导历史赔付推测传统车险精选模型

个性化精准化传统精算模型从人因子收支等级信用评分社交关系电商消费出行频率￥车险风险评分优势-数据来源丰富

结合第三方大数据平台，能够基于海量用户的电商消费，

财务信用，信贷申请，黑灰名单等方

面的数据积累，帮助车险公司主动定价，合理控制风险保费与市场其他车险分相比，

车险风险评分数据涵盖维度更广相较于目前市场上其他更基于电商交费推出的车险分数据，车险风险分能更多的从个人信用风险，财务收入稳定性，职业状况等方面来评估，提供更加全面的用

户特征画像•

银行/非银机构借贷记录•

借贷黑名单•

公安不良记录•

法院不良记录•

收入等级•

收入稳定性•

无业时长

•

行业•

公司规模•

管理等级

信用风险数据个人资质数据•

电商消费等级•

电商消费频次•

电商浏览频次•

重点关注品类

客户行为数据04车险理赔风险管理保险公司底层数据+外部大数据平台反欺诈决策系统2

个案欺诈排查业务规则筛查理赔风险管理-车险智能反欺诈风控体系3

团伙欺诈排查社交网络分析事中调查事后侦测模型能力数据能力报案预警线索可疑安全审计查勘

核赔调查机器学习•整合历史全量理赔案件，描绘出人、车和案件的关系网络。通过关系网络发现非正常网络（团伙欺诈），并判断新进理

赔案件是否属于某团伙。•基于历史欺诈案件样本，结合大数据和机器学习模型挖掘欺诈案件和欺诈车主特征，判断新进理赔案件是否为疑似欺诈案件。模型技术能力：特征提取、文本挖掘、机器学习、社交网络分析、关系图谱理赔风险管理-必须具备的大数据运用能力优秀的理赔风险管理，兼具个案欺诈和团伙欺诈侦测模型的技术能力个案欺诈团伙欺诈应用场景在查勘阶段，将现场收集到的信息转为结构化数据，建立模型识别欺诈风险应用场景结案后，整合报案、查勘、定损环节的各类信息，建立

模型识别欺诈风险运用车险大数据+外部大数据平台+数据挖掘技术，识别车险理赔各环节中的欺诈风险，减少理赔渗漏、提升理赔效率应用场景在报案阶段，根据报案时

间、地点、报案人等信息

建立模型，识别欺诈风险提示高风险案件，对于核损、核

赔起到提示、预警作用理赔风险管理-识别车险理赔各环节中的个案欺诈风险提示高风险案件，提升事后

调查、追索的效率根据风险级别实现差异化

理赔资源配置报案反欺诈模型查勘反欺诈模型

稽核反欺诈模型

现场/远程查勘

理赔报案自

核损核赔事后反欺诈

稽核事中反欺诈理赔风险管理-利用SNA算法识别团伙欺诈已成为行业共识

◆

车险欺诈呈现“

团体作案”趋势。犯罪团伙多利用小额快赔案件多次作案；保险公司仅利用单一案件信息进

行调查

，侦测团伙作案难度大◆

利用社交网络关系（SNA）算法、知识图谱算法等侦测团伙欺诈，

已成为金融业的统一共识。职业型欺诈主导者通常以

诈骗保险赔款为生、团伙

作案，具有丰富的理赔业

务经验，甚至不乏保险从业人员内外勾结作案。欺诈行为基于真实的出险

案件，此类欺诈通常有熟

悉保险理赔业务的人员（如中介、修理厂、理赔

人员）指点甚至直接参与职业型欺诈机会型欺诈解决方案社交关系网络算法05大数据AI与寿险营销01.A类销售02.B类销售03.C类销售对应地，将销售人员进行分级分层，优化名单资源分配寿险大数据营销核心-客户潜在价值评估

业务目标在客户投保、加保阶段，对客户的潜在价值进行评估。针对不同价值的客户，提供差异化销售策略，以提升整体销售情况01.超优客户02.优等客户03.普通客户构建客户潜在价值评估模型，对客户进行分级分层保单数据•保险金额•

代理人类型•保险费•

性别、年龄•保险期限•

常推广险种••出险情况……•

代理人学历••

12个入模变量来自用户价值标签，占模型贡献率的60%

（如：年购买力等级、年消费等级、高价值评估

……）•6个入模变量来自用户商品消费、申请行为等标签，总计占模型贡献度40%（如：金融相关行为、健康关注度、……）客户潜在价值评估建模选择

某寿险公司自有业务数据维度120+已有客户数据变量…年购买力等级年消费等级房产/车主评估

高价值评估航旅客户评估……数据融合、缺失值处理、相关性分析、入模筛选

……加保模型使用•

非银信贷•

信贷风险

•

历史欺诈

•

……•

吃货•

母婴

•

旅游

•

运动

•

服饰代理人信息数据最终有总计18个入模变量*，其中：金融相关行为商品消费偏好3000+汇总的待选大数据变量…文娱阅读

旅游汽车

健康……用户价值用户标签维度••

•

•

•

•••

•

•

•

•……运用实际加保结果，验证模型有效性•

与业务方进行沟通，在建模数据提取过程中，合理保留一定批次，作为模型有效性理论验证样本•

通过对比验证样本，和建模样本的模型表现，通过计

算KS、AUC

，psi等，来验证模型的有效性客户潜在价值评估模型效果评估

模型分层效果对比（转化率）：3.2X1.5X1X对照组

C类名单

B类名单A类名单整体提升效果对比（转化率）：X倍对照组

测试组整体针对新赠险客户进行潜力评估，从而实现名单、座席、产品、话术的差异化匹配C类名单对照组（随机挑选）测试组（模型排序）客户潜在价值评估模型有效性实际验证

A类名单B类名单0.8X06人工智能客服90%

自动语音识别技术，准确率超过90%80%

智能语义理解技术（上下文、情感）准确率达到80%

打断

智能语音打断识别，保证沟通全流程人工智能语音机器人简介

语义理解NLU机器学习ML对话管理DM语音合成TTS百小融——利用语音技术实现人机交互支持超过5轮的精准回答交互5轮智能语音机器人特点

策略选择通过策略自拟定配置、针对不

同场景提供不同策略多维度统计多维度数据统计，通话时长、关键词分析、多轮对话分析自我优化NLP技术应用，深度学习、人

工神经网络训练机器人灵活配置自拟定时间，灵活配置，保证工作合理安排客群细分根据语义分析判断客户意向，

对回访结果进行正确划分.------------⃞外呼任务C类回访A、

B类回访A类回访归类名单客户基本身份信息、保单信息人工坐席A新契约回访-整体方案视图

完成回访并

确认无误(A)完成回访但

存在问题(B)未完成回访(C)智

能

外

呼

平

台

新契约客户业

务

系

统智能外呼机器人回访录音回访录音问题件问题修改回访时间外呼名单导入结果导出自动外呼回访结果

全程录音新契约回访B类回访新契约回访-支持对回访客户进行活体检验，确保回访真实有效

精准判断两是否是同一个人，并返回置信度分数和相应的阈值，以便评估相似度。可定制更贴合各场景的解决方案。精准定位并返回最多

106个高精度关键点，让您的应用可以进行人脸贴纸、3D

动画模型等复杂变换操作。获取精准的人脸属性信息，包括年龄、性别、表情、头部姿态、

眼睛状态、人种等。检测图片或视频流中的人脸并返回人脸框