Loading
0

如何利用大数据和机器学习进行智能核保

当前,保险业的智能核保需求在朝着多样化、个性化方向发展,大数据人工智能、机器学习等先进的科技成为保险发展内在要求和新的驱动力。

近年来,随着中国经济的高速发展,人们的衣食住行方式都发生着重大变化,伴随生活水平的提高,人们的需求层次也在逐渐提高,各类需求朝着个性化方向发展。在此背景下,保险的需求也在朝着多样化、个性化方向发展,相对应的保险行业传统的产品驱动模式必将朝着定制化、智能化方向发展,这对保险行业智能核保业务而言即是机遇又是挑战。

机遇主要是变革带来了很多新的场景以及新的保险需求,挑战主要是保险风险特征越来越复杂多样,风险的传播速度也加快。这就要求保险行业要抓住机遇,发挥经济“助推器”和“稳定器”的作用。同时,又要以新思维、新技术来加强对风险的控制。

而与此同时,保险业自身也处在发展和变革的过程中,随着“偿二代”的实施,对保险公司的风险管理提出了更高的要求,而在业务发展层面,传统业务中车险、寿险,大保险公司依靠规模效用来摊薄经营成本。中小保险公司在传统业务领域很难与大型保险公司抗衡,必须通过模式创新、产品创新、服务创新等方式走创新发展的道路。于是,大数据和人工智能等先进的科技成为保险发展的内在要求和新的驱动力。

“大数据+人工智能”全面助力智能核保各个环节

在移动互联、客户细分、消费升级的共同作用下,大数据人工智能已经成为保险公司捕捉未来成功的关键。从一张保单的生命周期来看,投保、核保、运营、理赔等几个环节都与大数据和人工智能密不可分。

关于投保,随着社会的发展、技术的进步,投保的方式越来越注重便捷和效率,网上的投保和支付比重越来越大。而在互联网上存在大量的黑客恶意攻击、盗卡盗刷、薅羊毛等欺诈风险,如果对这些风险不加以防范,保险公司的系统就有可能遭到攻击瘫痪、客户账户资金受到损失,客户信息遭到泄露,保险公司营销成本被一扫而空,这种情况下对保险公司的技术要求、安全要求也就越来越高。互联网的黑产呈现的特点是专业化、全网流窜化、传播高速化。为了防范这些黑产的攻击,第一需要专业的技术工具,比如像设备指纹、IP画像、机器行为识别;第二是建立联防联控的机制;第三是搭建风险模型。

其次是智能核保,此阶段需要对投保人的不良信息进行筛查,对有过欺诈或失信行为的人加以拒保。另外可以训练风险定价模型,对于高风险客户通过提高保费增加欺诈或逆选择客户的成本。

对于运营,这个阶段会存在客户回访的环节,如果用传统的人工拨打电话的方式,成本太高,可以通过智能语音外呼的方式,根据客户的不同情况以及不同的手机在网状态选择拨打方式及话术。

最后是理赔,这个阶段涉及标的(车、房、企业、货物等)状况,案件所涉及的相关人员的信用状况、经济状况、行为偏好、位置轨迹、关系图谱等方方面面的信息。单纯的公司内部数据已经无法满足车险反欺诈的要求,所以必须要对行业内、外部数据做融合,结合这些数据再进行模型训练,通过模型的方式筛查出疑似欺诈的高风险案件,再进行重点审核和调查。

大数据智能风控在多种智能核保业务场景的应用

据了解,在整个互联网场景里,目前意外险、健康险占有很大的比重,并且健康险还出现了一些爆款产品。但是在这些业务中,存在一部分逆选择甚至欺诈或者道德风险,比如有些投保人,在申请单上填写了高收入,但实际上却相去甚远,而且投保了高额的健康险,这就存在很大的欺诈嫌疑。对于这类行为,我们可以通过多维度不良信息筛查,在投保阶段将其拒保,避免欺诈行为的发生。

当然,车险反欺诈是一个老生常谈的话题,以前的小剐小蹭随着费率改革报案量越来越少,但理赔渗漏或大额案件欺诈行为仍然是车险的一大顽疾。针对这类问题,从理赔层面可以使用复杂网络的技术来做理赔反作弊分析,将案件相关人员之间的相互勾结进行筛查。另外,还可以将事后调查升级为事前防控,在核保阶段就对一些高风险业务进行一些筛查,一旦发现这笔业务的相关人员涉嫌网络欺诈、失信等行为将按照核保规则将其拒保。

在车险定价方面,在从车的因子的基础上还可以增加从人、从驾驶行为、从位置轨迹的定价因子,做更加精准的定价。在车险市场回归理性的过程中,真正差别化、精准的定价必将成为一个趋势,大数据分析可以发挥的作用会越来越大。

随着很多线下场景搬到线上,关于非车财涉及的场景就非常丰富了,通过数据的融合可以把现实投保场景和虚拟场景结合起来,对于营销的切入点的增加以及对风险的评估的全面性和准确性都会有很大的提升。

最后是寿险,虽然当前理财型产品的发展受到一些控制,但这部分业务仍然处于较快发展过程中。其实,之所以要对理财型产品进行控制,主要也是为了让客户的实际需求和理财类产品不同的风险状况得到更好的匹配,否则会积累大量的投资风险,对金融稳定性造成不良影响。为此,我们对理财型产品的营销需要做到精准化,而不是通过过度推销积累风险。要进行精准化的营销,首先要对客户做一个多维度、全息的画像。通过对客户的收入状况、行为偏好、风险偏好、风险承受能力等维度的分析,给客户推荐更适合的寿险理财型产品。其次,由于寿险产品相对复杂,从客户最初接触到最终成单往往需要不断得沟通,如何提高沟通效率并且降低成本是我们需要考虑的重要问题,在沟通方式上,可以采取智能外呼、智能投顾机器人的方式,提高效率且降低成本的同时,还能避免人工情绪化的弱点,降低服务门槛。

保险和大数据、人工智能融合关键在行业和数据

对于保险行业来讲,从大数据和人工智能两个方面需要关注两个融合,首先是行业的融合,其次是数据的融合。

行业的融合具体指,怎么能把保险行业跟大数据和人工智能行业实现有效的融合,这里对保险公司提出了一个挑战,我们怎么样能够利用大数据,以及人工智能的技术,来促进业务的增长。不管是从反欺诈风险防控方面,还是从精准营销获客方面,这对保险公司来说,在行业融合里都有很大的挑战。

第一,大数据等科技型公司在保险行业做大数据和人工智能,需要对保险行业有极深的了解,即行业洞察,需要知道保险公司的发展战略是什么,他们的挑战是什么,他们的痛点在哪里;

第二,有了行业的洞察之后,还要有针对行业的算法,大数据分析专家需要知道用什么样的模型算法来解决保险公司的问题;

第三是数据,这个是实施大数据和人工智能的基础,有这样的数据之后,才能有相应的模型、算法来解决保险公司遇到的情况;

第四是团队,实施大数据和人工智能,对团队要求的特质,主要是应对前面三方面挑战的能力,需要既能洞察行业及业务情况,又能利用大数据等技术手段解决行业的难点痛点的综合型的人才。

数据融合,保险公司的数据怎么样能够跟大数据、人工智能的创业公司实现有效的融合,才能够创造出1+1大于2,甚至大于3这样的有效动能,来驱动保险公司业务的发展。比如,保险公司有自己体系内大量客户的数据,但是如果有一个新的客户来的时候,怎么样能够有效地知道这个客户的风险,怎么样勾勒出这个用户的画像,来更好地实现销售。比如,既有的客户在互联网里,在其他保险公司里,在互联网金融里有什么样的行为,有什么样的特质,多维度的画像是怎么样的,怎么样对既有的客户实现沉默客户的激活,来达到我们增加保费的目的。

综上,从整个保险行业来看有两个融合,一是行业的融合,也就是保险公司跟大数据、人工智能创业公司的融合;二是数据的融合,保险公司内部对外部的数据,以及创业公司数据的融合。

新科技助力保险业智能核保业务的未来

当前,我们正从一个时代进入另一个时代,因此,面临的不再是一种“周期性”的变化,而是“坐标系”的转换,“今非昔比”和没有“公约数”将成为重要特征。几乎每一个行业需要回答的一个问题是:如何面对未来?保险行业也不例外。

首先是机器学习,这是一门研究计算机模拟或实现人类的学习方法,深度学习、无监督模型是机器学习中的一些方法和形式。著名的AlphaGo就是使用深度学习打败人类思考的典型案例,其最大的优点是,在博弈的过程中可以实现根据对手的情况不断自我学习。在实际保险业务中,市场情况变化越来越快,尤其在反欺诈领域,道高一尺、魔高一丈,我们与欺诈分子会展开不断的博弈,模型修正和调优的周期非常短,通过机器学习的方式可以有效解决高频业务的风险控制。除此之外,智能投顾、机器人客服也是可以用机器学习的方法,通过与客户沟通交流的过程不断学习、修正模型,达到灵活服务的目的。

其次是区块链技术,在比特币盛行的过程中引人关注。在以往的业务、交易系统的架构中,往往采取的是数据集中的方式,但这样会产生很多作弊、系统攻击、信息泄露等问题,尤其是在黑客攻击技术增强,数据变得越来越敏感的时代,信息、数据的传输和融合变得很艰难。而区块链技术可以既做到数据共享,又避免因为数据集中造成的作弊、泄露等问题。比如在意外险反欺诈领域,会出现投保人在多平台恶意投保的情况,通过区块链技术可以实现多平台投保查询的功能,杜绝以往多平台、高保额欺诈案件的发生。

目前,大数据以及人工智能行业帮助保险公司智能核保业务发展前景非常广阔,抓住黄金机遇期成为保险公司实现突围的关键。同时,挑战与机遇并存,最大的挑战就是如何打破数据孤岛,这也是前面提到的行业融合及数据融合最关键的部分,也就是说如果大数据及人工智能能够驱动我们保险公司的发展,一定要打破公司与公司之间数据的孤岛,一定要打破保险行业跟其他行业之间的数据孤岛,一定要整合保险行业的整个行业资源,加上大数据和人工智能创业公司的模型、算法以及技术资源,实现数据和能力的整合,打破数据孤岛之后才能够真正实施大数据及人工智能战略,才能够让保险公司借助所有行业的融合,以及创业公司的人才、技术等各方面的优势,促进整个业务的发展。