□朱南军
保险欺诈行为,一直是保险理赔风险控制的重要内容,而车险欺诈是保险欺诈的高发领域,在保险欺诈案件中占比近70%左右。而在车险理赔中,小额案件占比超过70%,平均支付周期仍需11天左右,保险公司基于成本控制和客户服务的考量,期望对于大量的小额案件,能够快速出险、快速结案,以减少人力投入。但是车险领域欺诈案件高发,部分客户法制观念淡薄,甚至觉得保险机构的钱不赚白不赚,导致了在正常理赔的案件中充斥着大量欺诈案件。如何平衡快速理赔的时间需求与保险公司的反欺诈风控要求,这就需要更新的技术突破与创新,为保险机构提供有效的解决方案。
保险公司目前使用的理赔风控技术,主要有规则引擎和统计模型两种。规则引擎是利用业务专家的理赔调查经验,编写具体的规则条件。其优势是技术成熟,处理速度快,只要追加规则即可实现处理能力扩展;劣势是需要大量的专家编写并不断更新规则,上千条规则才能完整覆盖欺诈风险。统计模型则是对历史案件的特征进行数值分析,并用统计方法构建反欺诈模型。优势是技术成熟,构造简单快速;劣势则是由于采用传统的数理统计方法,对数据处理能力有限,精准度偏低,在应用过程中造成大量审核和调查人力的浪费。
人工智能车险理赔风控技术,是将深度学习作为核心技术的新一代人工智能风控方法,相较保险机构传统的反欺诈技术,是一个重要的突破。深度学习技术得益于其复杂模型的构建能力,能够处理更高维度的数据,挖掘更复杂的数据关联关系。在车险风控中,深度学习能够选择更多、更有效字段构建车险风控模型,更精准地区分正常及欺诈案件。随着技术的发展,人工智能及时在图像分类及自然语言处理上取得了重大突破,能够充分挖掘图片及文本中案件的细节,为车险风控模型更精准的区分正常及欺诈案件提供有效帮助。从目前市场中的一些实践来看,人工智能反欺诈技术精准度远高于传统技术方案,并且还有很大的提升空间。可以确定:人工智能反欺诈将是未来反欺诈技术的重要发展方向。
人工智能技术自诞生以来,历经60余年的发展,一直探索技术方向和应用。2006年深度学习技术的诞生将人工智能技术推向了新的阶段。深度学习技术是对人类神经系统的模仿,将信息的处理分解到各个神经元中,逐级计算分析,因而能够处理复杂的信息,给出更精准结果。以深度学习为代表新一代人工智能是风控技术最重要的突破口。保险机构在开展车险业务过程中,积累了大量的数据。通常一个车险系统的数据库字段超过2万个,传统的反欺诈技术无法从如此众多且繁杂的字段中,筛选、提取、分析并以此构建模型。深度学习得益于其复杂模型的构建能力,能够分析数据之间的更复杂的关联关系,因而能够优选有效字段,并使用更多更有效的字段构建车险风控模型。以深度学习技术为核心构造的理赔风控算法模型,同样可以通过对过往案件的学习,形成精准的案件风险判定能力,从而发现打击车险欺诈行为。
传统的反欺诈技术实现主要是规则及统计建模。和传统的反欺诈技术相比。人工智能反欺诈技术具有以下优势:
更快的迭代速度。传统反欺诈技术在应用过程中存在效果衰减问题,需要不断更新规则或重新建模才能跟上案件欺诈的变化,耗费大量人力成本和时间成本。而人工智能技术只需要保险机构能够积累车险欺诈案件及处理结果,就能从历史案件中学习到新的案件特征,从而实现自身模型的迭代。进一步,这样过程还可以完全自动化,实现人工智能模型的持续监控和定期更新。
更高的精准度。传统技术发现的车险案件,最终能够实现减损的比例通常在10%左右,即使是将规则引擎和统计建模结合,其减损比例仅为15%左右。由于人工智能模型能够挖掘出案件信息中更为复杂的数据关联,因而具有更高的精准度。以目前的人工智能反欺诈模型应用效果看,其实际减损比例能达到25%以上,并能发现传统技术中遗漏的案件,对传统技术有很好的提升效果。
更强的处理能力。传统技术只能处理查勘现场填写的标准字段,人工智能技术能够处理的信息更为丰富。诸如查勘描述这样的文本描述信息,车辆及周边环境的照片信息,甚至报案的语音信息,人工智能技术都能从中提取特征构建反欺诈模型。因此,人工智能技术能够覆盖更为完备的信息,有更强的处理能力。
人工智能给车险理赔带来的效益主要在两个方面:一是快速理赔效益。以一个中型保险公司测算,每年车险理赔案件预期为200万笔,依照30%的快赔比例,可以实现60万笔案件快速理赔,以每笔案件节约查勘成本200元计算,一年仅查勘成本一项就可以节约成本1亿2000万元左右。另一个是反欺诈减损效益。同样测算一个中型保险公司每年车险理赔案件预期为200万笔。如果查勘反欺诈模型的触发率1%,准确率为25%,预期一年可发现欺诈案件5000笔,以平均理赔金额8000元计算,一年可实现减损4000万元。
从保险机构的应用而言,人工智能技术的应用还在不断探索的过程中。人工智能反欺诈模型的应用能够为后续人工智能技术与保险业务结合起到良好的示范作用。同时,人工智能技术的应用可以从事中反欺诈,逐渐向事后审计,事前承保风控等环节扩展,最终形成人工智能技术风控闭环,打造车险风控全流程智能化覆盖,全面提升风控技术水平。目前,人工智能技术仍处于快速发展阶段,新技术和新方案日新月异,以人工智能为核心的科技公司层出不穷。保险机构在深入分析业务需求基础上,深挖自身技术潜力,扩展外部技术合作,进一步扩展人工智能应用领域和深度,最终实现业务全面智能化,提升保险业服务水平。
(作者系北京大学经济学院风险管理与保险学系副教授)
□朱南军
保险欺诈行为,一直是保险理赔风险控制的重要内容,而车险欺诈是保险欺诈的高发领域,在保险欺诈案件中占比近70%左右。而在车险理赔中,小额案件占比超过70%,平均支付周期仍需11天左右,保险公司基于成本控制和客户服务的考量,期望对于大量的小额案件,能够快速出险、快速结案,以减少人力投入。但是车险领域欺诈案件高发,部分客户法制观念淡薄,甚至觉得保险机构的钱不赚白不赚,导致了在正常理赔的案件中充斥着大量欺诈案件。如何平衡快速理赔的时间需求与保险公司的反欺诈风控要求,这就需要更新的技术突破与创新,为保险机构提供有效的解决方案。
保险公司目前使用的理赔风控技术,主要有规则引擎和统计模型两种。规则引擎是利用业务专家的理赔调查经验,编写具体的规则条件。其优势是技术成熟,处理速度快,只要追加规则即可实现处理能力扩展;劣势是需要大量的专家编写并不断更新规则,上千条规则才能完整覆盖欺诈风险。统计模型则是对历史案件的特征进行数值分析,并用统计方法构建反欺诈模型。优势是技术成熟,构造简单快速;劣势则是由于采用传统的数理统计方法,对数据处理能力有限,精准度偏低,在应用过程中造成大量审核和调查人力的浪费。
人工智能车险理赔风控技术,是将深度学习作为核心技术的新一代人工智能风控方法,相较保险机构传统的反欺诈技术,是一个重要的突破。深度学习技术得益于其复杂模型的构建能力,能够处理更高维度的数据,挖掘更复杂的数据关联关系。在车险风控中,深度学习能够选择更多、更有效字段构建车险风控模型,更精准地区分正常及欺诈案件。随着技术的发展,人工智能及时在图像分类及自然语言处理上取得了重大突破,能够充分挖掘图片及文本中案件的细节,为车险风控模型更精准的区分正常及欺诈案件提供有效帮助。从目前市场中的一些实践来看,人工智能反欺诈技术精准度远高于传统技术方案,并且还有很大的提升空间。可以确定:人工智能反欺诈将是未来反欺诈技术的重要发展方向。
人工智能技术自诞生以来,历经60余年的发展,一直探索技术方向和应用。2006年深度学习技术的诞生将人工智能技术推向了新的阶段。深度学习技术是对人类神经系统的模仿,将信息的处理分解到各个神经元中,逐级计算分析,因而能够处理复杂的信息,给出更精准结果。以深度学习为代表新一代人工智能是风控技术最重要的突破口。保险机构在开展车险业务过程中,积累了大量的数据。通常一个车险系统的数据库字段超过2万个,传统的反欺诈技术无法从如此众多且繁杂的字段中,筛选、提取、分析并以此构建模型。深度学习得益于其复杂模型的构建能力,能够分析数据之间的更复杂的关联关系,因而能够优选有效字段,并使用更多更有效的字段构建车险风控模型。以深度学习技术为核心构造的理赔风控算法模型,同样可以通过对过往案件的学习,形成精准的案件风险判定能力,从而发现打击车险欺诈行为。
传统的反欺诈技术实现主要是规则及统计建模。和传统的反欺诈技术相比。人工智能反欺诈技术具有以下优势:
更快的迭代速度。传统反欺诈技术在应用过程中存在效果衰减问题,需要不断更新规则或重新建模才能跟上案件欺诈的变化,耗费大量人力成本和时间成本。而人工智能技术只需要保险机构能够积累车险欺诈案件及处理结果,就能从历史案件中学习到新的案件特征,从而实现自身模型的迭代。进一步,这样过程还可以完全自动化,实现人工智能模型的持续监控和定期更新。
更高的精准度。传统技术发现的车险案件,最终能够实现减损的比例通常在10%左右,即使是将规则引擎和统计建模结合,其减损比例仅为15%左右。由于人工智能模型能够挖掘出案件信息中更为复杂的数据关联,因而具有更高的精准度。以目前的人工智能反欺诈模型应用效果看,其实际减损比例能达到25%以上,并能发现传统技术中遗漏的案件,对传统技术有很好的提升效果。
更强的处理能力。传统技术只能处理查勘现场填写的标准字段,人工智能技术能够处理的信息更为丰富。诸如查勘描述这样的文本描述信息,车辆及周边环境的照片信息,甚至报案的语音信息,人工智能技术都能从中提取特征构建反欺诈模型。因此,人工智能技术能够覆盖更为完备的信息,有更强的处理能力。
人工智能给车险理赔带来的效益主要在两个方面:一是快速理赔效益。以一个中型保险公司测算,每年车险理赔案件预期为200万笔,依照30%的快赔比例,可以实现60万笔案件快速理赔,以每笔案件节约查勘成本200元计算,一年仅查勘成本一项就可以节约成本1亿2000万元左右。另一个是反欺诈减损效益。同样测算一个中型保险公司每年车险理赔案件预期为200万笔。如果查勘反欺诈模型的触发率1%,准确率为25%,预期一年可发现欺诈案件5000笔,以平均理赔金额8000元计算,一年可实现减损4000万元。
从保险机构的应用而言,人工智能技术的应用还在不断探索的过程中。人工智能反欺诈模型的应用能够为后续人工智能技术与保险业务结合起到良好的示范作用。同时,人工智能技术的应用可以从事中反欺诈,逐渐向事后审计,事前承保风控等环节扩展,最终形成人工智能技术风控闭环,打造车险风控全流程智能化覆盖,全面提升风控技术水平。目前,人工智能技术仍处于快速发展阶段,新技术和新方案日新月异,以人工智能为核心的科技公司层出不穷。保险机构在深入分析业务需求基础上,深挖自身技术潜力,扩展外部技术合作,进一步扩展人工智能应用领域和深度,最终实现业务全面智能化,提升保险业服务水平。
(作者系北京大学经济学院风险管理与保险学系副教授)