合众人寿：身故类案件反欺诈模型在理赔全流程的应用

来源：2022第三届中小金融机构数智化转型优秀案例评选

获奖单位：合众人寿

荣获奖项：风控创新优秀案例奖

一、项目方案

1.项目背景

为防范化解保险欺诈风险，加强重点领域打击力度，也为了持续建设大数据反保险欺诈工作，提高欺诈风险识别能力，我司IT与业务部门合作共同建立了专门针对身故类案件的反欺诈模型，并在业务部门主导下将此模型逐步应用于理赔全流程环节之中，取得了良好的效果。

2.项目目标

其一，运用内部数据，通过对身故案件的出险人和申请人的各项行为表现进行梳理，筛选出欺诈敏感行为，再进一步融合业务人员的知识经验，运用IT的算法建模技术，建立身故异常行为检测模型，实现对身故类欺诈风险的识别。评估模型效果的的基本目标是将欺诈风险的阈值设立在评分最高前5%时，通过历史数据评估，可以检测出欺诈案件。挑战目标是将欺诈风险的阈值设立在评分最高前3%时，通过历史数据评估，可以检测出欺诈案件。

其二，符合高风险案件评定标准的应进一步对异常特征做出智能提示。针对审核中案件的模型评分理应先试运行一段时间，确定模型效果稳定后才能应用到核心业务系统中。

其三，模型上线后需定期检视运行效果，若出现问题需要业务方与IT共同合作克服解决。

3.实施方案

本项目按业务流程可分为三个部分：

其一，在案件立案后的审核中环节应用模型，位于审核池中的案件材料已大致收集齐全，模型将会给审核池中的每一个身故类案件打上评分，按照业务指定的方法厘定高风险案件的评分阈值，若符合高风险案件的评定，模型同时会提示出导致案件高风险的具体异常特征，并且将相关风险排查的提示发送给理赔业务人员，避免关键信息的遗漏。

其二，在结案后环节应用模型，由于疫情期间理赔调查工作的开展变得困难，为了促使理赔相关业务人员更加便利地了解具有欺诈风险的案件，我司自主开发了“合众人寿欺诈风险分析平台”，并在此基础上进一步开发了模型应用方面的数据交互可视化页面，帮助业务人员快速获取高风险案件的重点信息。

其三，在模型效果监测环节，根据业务指定的不同方法按照固定频率来检视评定模型的效果稳定性，当模型效果变差时将相关信息实时提示给IT和业务人员，促使问题迅速被提示发现并解决。

4.技术方案

本项目涉及的技术主要有三个方面：

其一，在模型的线下建立和线上开发方面，使用 R 语言工具 Rstudio和 Rstudio Server 来建立模型和调用模型结果。

其二，在交互可视化页面的开发方面，使用开源结合自主设计的前端开发框架来实现快速高效开发。

其三，在模型评分结果实时调用方面，使用开源结合自主设计的后端开发框架来实现实时部署，使得主要信息能在0.5秒以内在各个系统之间高速传递和接收。

二、创新点

本项目中的理赔反欺诈模型已申请国家发明专利，并且已经进入“审中-实审”状态，相关的公开（公告）号是“CN113643142A”。

保险公司在保险理赔环节一方面追求缩短理赔时效来提升服务质量，另一方面需进行理赔调查来防止欺诈。为了达到量与质的均衡，需要事前预警也需要事后追查，因而需要建立风控方法来补全理赔欺诈风控体系。已有保险公司申请了基于区块链技术、图计算技术及LR(逻辑回归)/MLP(多层感知机)、基于图像识别等理赔反欺诈的方法。而我司建立的身故类案件反欺诈模型，主要针对案件维度的欺诈，搜集客户从投保、核保、续期、理赔等多业务环节的行为特征，给所有身故类案件作出异常评分，运用异常检测(孤立森林)算法来建模，模型所使用的特征全都是本公司相关人员创新定义的，相当于将我司理赔相关业务人员数十年理赔审核、调查的经验融入模型之中，且后期经过许多次精益求精的调整，模型整体效果卓著。

三、技术实现特点

本项目所使用的技术主要涉及R语言、JavaScript语言等。

其一，模型的建立、开发、部署等均使用R语言来开发，其中建模所调用的主要算法为孤立森林算法，模型离线运行部分的部署直接使用R完成，模型实时调用部分的部署选用plumber框架完成。

其二，项目相关平台基于Java语言和JavaScript语言来开发，整体采用前后端分离架构。后端部分使用SpingBoot框架实现微服务架构部署，进而实现平台秒级扩缩容，有效应对业务高峰。后端与业务系统的交互采用发送RabbMQ消息的方式，降低了系统的耦合度。前端部分使用VueJS框架进行组件化开发，使代码编写量大大减少，提升业务需求的开发上线效率，提升用户体验。

其三，分布式服务框架采用业界流行的微服务，服务能够自治、自动容错，并且支持服务的限流降级，服务间支持快速同步调用。

四、项目过程管理

本项目实施周期大致分为以下几个阶段：

其一，需求探查与分析阶段，实施周期约为4个月，此阶段主要是IT与业务一起反复磨合、精益求精地调整模型使得效果稳定且精准。

其二，功能开发及模型开发部署、测试阶段，实施周期约为3个月。

其三，模型实时调用功能开发部署阶段，实施周期约为1个月。

其四，运营维护阶段，模型上线后需要长期固定频率的运维来确保效果稳定，不计入项目实施周期内。

五、运营情况

本项目已在我司总公司及各分公司理赔、审核等业务上全面推广应用，系统运行良好，业务方将本项目相关平台作为风险管理工具来使用。近几年受到疫情的影响，各机构做实地调查的难度增加，业务方通过使用本项目相关功能，仅2020年通过高风险案件的并案调查便查获10件欺诈案件。总公司理赔业务部门定期向机构做风险提示并将高风险案件下发机构，机构通过对相关销售渠道和业务员进行反欺诈宣传、座谈等措施，使得高风险案件占比逐年下降。

六、项目成效

项目上线后，针对审核中的身故类案件进行评分，共计提示29件高风险案件，其中2件不予受理、退回受理，5件拒赔，4件比例赔付或协议赔付，共计挽损36万。

七、经验总结

本项目是 IT 部门与业务部门长期合作、共同完成的成果，其中模型所使用的特征来源于业务人员近十几年参与理赔审核、调查等工作所总结的经验知识。在将这些业务经验知识融入机器学习类算法模型的过程中，IT人员与业务人员共同花费了大量的时间和精力去磨合特征的计算逻辑、涵盖的业务范围、模型精准程度等等方面，最终成功针对保险金欺诈建立风险筛查模型，使得不同类型欺诈案件风险充分暴露出来。正是由于模型特征来源于业务经验，模型除了给出评分还可以对高风险案件的主要风险特征作出智能提示，且提示内容契合案件审核及调查人员的工作思路，为后续工作提供真正实质性的帮助。

金融机构在数智化转型的过程中，无可避免地会尝试使用和挖掘已有数据的价值，但也必须将数据付诸行动，数据才会产生价值。而在付诸行动的过程中，也就是在项目建设的过程中，有两点经验至关重要。

其一，不管是建立模型还是提供系统功能，最终目的都是要融入业务环节中去应用，因此在项目确立之初便需要制定出明确、清晰、合理的项目目标，包括业务方和IT均需要充分了解现有业务现状、已有数据的质量、建模的难度、模型效果优良的标准，模型结果将如何与业务环节相结合，所预测的结果将如何追踪验证等等。整个项目从头至尾须围绕实际应用来实施，这样项目上线后才能获得业务方上下一致的认可。

其二，大数据反保险金欺诈是一项极有挑战且需要长期推进的工作，业务方和IT均需了解此项工作无法一蹴而就、一步到位，因此将项目目标合理分解十分重要。而随着科技发展，保险欺诈的手段也层出不穷，因此基于已运行项目的效果监测也十分重要，在项目实施过程中同步开发固定频率的自动化监测功能十分必要。

更多金融科技案例和金融数据智能优秀解决方案，请登录数字金融创新知识服务平台-金科创新社官网案例库、选型库查看。