[发明专利]保险欺诈侦测方法及系统

说明书

技术领域

本发明涉及大数据分布式计算分析技术领域，尤其涉及一种保险欺诈侦测方法及系统。

背景技术

在互联网+时代，传统的车险查勘理赔作业已基本实现互联网转型，作业时效、用户体验方面得到较大的提升，互联网拉动了车险市场的快速发展。然而规模并不是能否承保利润的决定性因素，经营效率、风险选择能力综合决定了是亏损还是盈利。2016年高达58％的平均赔付率造成80％的保险公司在车险领域亏损，赔付率高的原因主要由于承保时把关不严、定损理赔环节存在风险漏洞、风险识别能力薄弱。

现有的保险公司及各地方保监会、行业协会大多采用人工调查的方式，去规避欺诈、渗漏风险，压缩理赔水分。然而，人工调查存在以下缺点：

1)案件审计量大，审计工作难度高，且审计效率低，造成成本投入与产出的不对称；

2)依赖个人经验，审计调查门槛高，且人为判断与事实差别大，误判、漏判现象多；

3)只能基于数据表面分析，分析的深度、维度不足；

4)各保险公司之间的数据信息共享存在障碍，造成数据分析无法精确定位风险。

因此，人们需要一种能解决车险理赔反欺诈高成本、低效率问题的方法。

发明内容

本发明实施例所要解决的技术问题在于，提供一种保险欺诈侦测方法及系统，以使能降低车险理赔的风险及反欺诈的成本，提高车险理赔反欺诈的效率。

为了解决上述技术问题，本发明实施例提出了一种保险欺诈侦测方法，包括：

数据库构建步骤：根据预设的维修厂数据、车主黑名单数据、普通查勘案件数据、涉案电话数据及已结案的欺诈案件数据构建数据库；

风险规则库步骤：根据预设的风险规则，采用数据建模技术建立包含多个对应风险规则模型的风险规则引擎库，并根据数据库内的数据训练风险规则模型，根据训练结果修改对应的风险规则引擎库；

自定义规则库步骤：接收用户通过用户端上传设置的自定义规则信息，根据所述规则信息建立对应自定义规则模型的自定义规则引擎库；及

接收计算步骤：接收用户端上传的可疑案件数据，对所述案件数据进行隐蔽处理，同时将上传结果反馈至用户端；根据风险规则模型及自定义规则模型对处理后的案件数据进行规则运算，并将运算出的风险等级结果以及对应的案件风险分析报告传输反馈至用户端。

相应地，本发明实施例还提供了一种保险欺诈侦测系统，包括：

数据库构建模块：根据预设的维修厂数据、车主黑名单数据、普通查勘案件数据、涉案电话数据及已结案的欺诈案件数据构建数据库；

风险规则库模块：根据预设的风险规则，采用数据建模技术建立包含多个对应风险规则模型的风险规则引擎库，并根据数据库内的数据训练风险规则模型，根据训练结果修改对应的风险规则引擎库；

自定义规则库模块：接收用户通过用户端上传设置的自定义规则信息，根据所述规则信息建立对应自定义规则模型的自定义规则引擎库；及

接收计算模块：接收用户端上传的可疑案件数据，对所述案件数据进行隐蔽处理，同时将上传结果反馈至用户端；根据风险规则模型及自定义规则模型对处理后的案件数据进行规则运算，并将运算出的风险等级结果以及对应的案件风险分析报告传输反馈至用户端。

与现有技术相比，本发明实施例的有益效果为：有效解决保监会、地方行业协会不能够有效的对理赔市场、理赔政策进行清晰合理的调整与规范问题；有效解决中小型保险公司欺诈风险防范能力低，案件质量低，赔付率高的问题；有效解决中小保险公司专家团队力量薄弱，不能快速有效的对可能有风险的案件进行风险定性的问题。

本发明实施例通过提出一种保险欺诈侦测方法及系统，所述侦测方法包括数据库构建步骤、风险规则库步骤、自定义规则库步骤及接收计算步骤，通过构建风险规则引擎库及自定义规则引擎库来运算对应的案件数据，得出案件的风险等级结果，解决了车险理赔高风险、反欺诈高成本、低效率的问题，进而达到了采用大数据分布式的计算分析代替人工调查的技术效果。

附图说明

图1是本发明实施例的保险欺诈侦测方法的流程示意图。

图2是本发明实施例的自定义规则引擎库构建示意图。

图3是本发明实施例的理赔环节、因子选择的一部分示意图。

图4是本发明实施例的理赔环节、因子选择的另一部分示意图。

图5是本发明实施例的上传结果反馈示意图。