[发明专利]个人风险定价方法及系统

说明书

本公开涉及一种个人风险定价方法及系统，其中，所述个人是现有或潜在的理赔客户，所述方法包括数据准备阶段、模型训练阶段、模型实施阶段，其中，数据准备阶段包括以下步骤：从医疗理赔大数据中获取与理赔客户风险相关的数据，包括理赔客户的个人信息和就诊信息，就诊信息包括就诊费用信息；从数据中提取训练GBM模型所需的特征，形成数据集。其中，模型训练阶段包括以下步骤：将数据集中的部分数据作为训练集，输入GBM模型的训练器，进行训练；生成训练完毕的GBM模型。其中，模型实施阶段包括以下步骤：采集理赔客户的当前理赔数据，并提取GBM模型所需的特征；将特征输入GBM模型，生成识别结果，识别结果包括理赔客户未来可能产生的就诊费用。

技术领域

本发明涉及基于互联网应用的保险服务技术领域，尤其涉及一种个人风险定价方法及系统。

背景技术

目前，健康险产品定价方式相对简单，主要依赖行业对标，再保险报价，结合简单的宏观风险分析。这种方法不能有效地反映出不同人群的风险特质，不能支持差异化定价。

此外，目前存在相当数量的医保欺诈行为，而现有技术对于医保欺诈缺乏有效的科学鉴别手段，严重影响了医保基金的收支平衡，侵害了广大参保人的利益、乃至公众利益。

因此，为了实现个人差异化服务、并抑制上述不良现象，存在开发高效精准的个人风险定价模型的需要。

发明内容

考虑到现有技术的上述问题，发明人做出了本发明，其主要基于客户理赔的风险识别，将机器学习技术融入保险业务流程，相比于人工审核，大大提高了识别速度，且保证了足够的准确率。

具体地，本发明基于人工智能算法，通过对医疗大数据以及商保理赔数据的分析和洞察，进行案件模式识别、风险预测、理赔决策证据提示、合理诊疗方式归纳、医疗费用预测等，并且可以通过机器学习的认知和算法对历史经验进行学习，实现模型的自动优化和迭代。

根据本发明的实施例，提供了一种个人风险定价方法，其中，所述个人是现有或潜在的理赔客户，其特征在于，所述方法包括数据准备阶段、模型训练阶段、模型实施阶段，

其中，所述数据准备阶段包括以下步骤：

步骤A1、从医疗理赔大数据中获取与理赔客户风险相关的数据，包括理赔客户的个人信息和就诊信息，所述就诊信息包括就诊费用信息；

步骤A2、从所述数据中提取训练GBM模型所需的特征，形成数据集，

其中，所述模型训练阶段包括以下步骤：

步骤B1、将所述数据集中的部分数据作为训练集，输入GBM模型的训练器，进行训练；

步骤B2、生成训练完毕的GBM模型，

其中，所述模型实施阶段包括以下步骤：

步骤C1、采集理赔客户的当前理赔数据，并提取GBM模型所需的特征，

步骤C2、将特征输入所述GBM模型，生成识别结果，识别结果包括所述理赔客户未来可能产生的就诊费用，并根据所述未来可能产生的就诊费用来确定针对所述理赔客户的产品定价。

根据本发明的实施例，其中，训练GBM模型所需的特征包括：

所述理赔客户的人口学特征、地理特征、就诊时间特征、医疗特征、费用特征；

通过计算获得的二次数据，包括所述理赔客户的就诊频率、就诊费用随时间的分布、时间段总花费、费用构成比例。

根据本发明的实施例，其中，所述GBM模型的训练器是XGBoost。

根据本发明的实施例，其中，所述与理赔客户风险相关的数据还包括所述理赔客户的风险级别，