大数据及人工智能在保险行业的应用

1、科技赋能保险大数据及人工智能在保险行业的应用大数据整体应用框架01大数据整体应用框架3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模型支撑 大数据+模型算法+AI4800+模块，涵盖个

2、人资质、消费、黑灰名单等多种维度外部大数据聚类、LDA、CDA等。根据用户特征进行分群。同一客群内部具有相同特征。无监督学习集成学习、神经网络、深度学习等。掌握多种算法，支持定制化模型。监督学习保单数据、代理人信息数据等商保公司自有数据客户异常风险提示客户群体反欺诈反欺诈规则用户画像评分/规则/模型产品模型支撑 整体建模流程简介5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：去伪存真信息值(IV)筛选基尼(Gini)值筛选单变量分析数据初步筛选：化繁为简相关性(Correlation)检验共线性(Multi-Collinarity)检验变量检验：减少对模型的干扰粗分箱根据业务调整分箱连

3、续型/类别型变量值转化（WOE转化）数据分段：体现变量价值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模型产生与调整模型建立主要分为：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大数据寿险两核风控02寿险两核风控整体应用框架7123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：个人有效定位个人投保反欺诈筛查个人投保财务筛查个人信息核验综合海量数据与保险机构内部数据，构建两核风险评分模型两核风险评分运用两核标签数据集，形成：个人财务画像个人健康画像个人两核画像两核风险筛查 总体应用流程8客户身份核验反欺诈核验两核风险评分通过人工预警结案、归档投保/

4、理赔客户身份核验反欺诈核查2两核风险评分3YESYESNONOYESNO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，辅助人工核保两核风控模型初步身份、信息真实性校验9身份证二要素验证运营商三要素验证银行卡三/四要素验证身份证有效期验证（活体检验）地址信息核查单位验证银行卡多笔交易校验身份证/银行卡OCR识别车险风险评分03传统车险精选模型传统精算模型从人因子缺乏从车因子主导历史赔付推测￥信用评分社交关系收支等级出行频率个性化精准化从人因子电商消费车险风险评分优势 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

5、司主动定价，合理控制风险保费信用风险数据银行/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个人资质数据收入等级收入稳定性无业时长行业公司规模管理等级客户行为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易消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车险理赔风险管理04业务规则筛查个案欺诈排查2事中调查团伙欺诈排查3机器学习社交网络分析报案注：百融数据支持API对接实时查询安全可疑预警理赔风险管理 车险智能反欺诈风控体系查勘核赔

6、事后侦测反欺诈决策系统审计调查保险公司底层数据 + 外部大数据平台线索模型能力数据能力理赔风险管理 必须具备的大数据运用能力个案欺诈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。团伙欺诈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。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理赔风险管理 - 识别车险理赔各环节中的个案欺诈风险稽核理赔报案现场/远程查勘核损核赔运用车险大数

7、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、提升理赔效率事中反欺诈事后反欺诈报案反欺诈模型查勘反欺诈模型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，识别欺诈风险根据风险级别实现差异化理赔资源配置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提示高风险案件，对于核损、核赔起到提示、预警作用应用场景结案后，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稽核反欺诈模型提示高风险案件，提升事后调查、追索的效率理赔风险管理 - 利用SNA算法识别团伙欺诈已成为行业共识 职业型欺诈机会型欺诈职业型欺诈主导者通常以诈

8、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。解决方案社交关系网络算法大数据AI 与寿险营销05寿险大数据营销核心-客户潜在价值评估1901.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01.A类销售02.B类销售

9、03.C类销售对应地，将销售人员进行分级分层，优化名单资源分配优化销售任务、优化名单资源分配在客户投保、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业务目标客户潜在价值评估建模选择20用户价值商品消费偏好金融相关行为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吃货母婴旅游运动服饰文娱阅读旅游汽车健康非银信贷信贷风险历史欺诈用户标签维度3000+汇总的待选大数据变量保单数据代理人信息数据代理人类型性别、年龄常推广险种代理人学历保险金额保险费保险期限出险情况某寿险公司自有业务数据维度120+已有客户数据变量数据融合、缺失值处理、相关性

10、分析、入模筛选最终有总计18个入模变量*，其中：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、）加保模型使用客户潜在价值评估模型效果评估21示例运用实际加保结果，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有效性实际验证22A类名单B类名单C类名单测试组（模型排序）对照组（随机挑选）模

11、型分层效果对比（转化率）：整体提升效果对比（转化率）：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1X0.8X3.2X1.5XX倍示例人工智能客服06人工智能语音机器人简介24百小融利用语音技术实现人机交互语义理解NLU机器学习ML语音合成TTS对话管理DM5轮支持超过5轮的精准回答交互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，保证沟通全流程智能语音机器人特点25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

12、置，保证工作合理安排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新契约回访 整体方案视图26业务系统新契约客户客户基本身份信息、保单信息归类名单自动外呼新契约回访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)回访结果全程录音A、B类回访C类回访智能外呼机器人外呼任务外呼名单导入回访录音问题件问题修改回访时间结果导出回访录音A类回访B类回访人工坐席A智能外呼平台新契约回访 支持对回访客户进行活体检验，确保回访真实有效27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。精准判断两张

13、人脸是否是同一个人，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。检测图片或视频流中的人脸并返回人脸框坐标。支持储存检测到的人脸数据。人脸检测人脸关键点人脸属性人脸对比人脸识别技术续期收费管理 业务痛点以及可行解决策略28312电销渠道续收难由于电销渠道名单来源众多，各渠道名单质量参差不齐，导致续收管理困难无法联系客户客户联系方式错误，无法联系到客户续收效率低电销坐席成本高、招聘难待续收的号码进行验真，提升拨打效率直接对验真结果为假的数据进行寻回，提升触发率验真、寻回服务对电销渠道名单，进行用户画像，分析客户行为、资质运用大数据，对客