[发明专利]理赔案件分流方法、装置、设备及存储介质

说明书

本发明涉及人工智能技术，公开了一种理赔案件分流方法、装置、设备及存储介质，该方法包括：基于历史理赔保单的历史保单数据、历史理赔数和风险评分进行模型训练得到风险评分模型；获取当前保险案件的对应的案件信息，并输入风险评分模型中，得到第一风险评分，案件信息包括场景标签信息和保险数据；基于场景标签信息从规则引擎中匹配对应的决策规则，并将保险数据输入的决策规则中，得到风控调整因子；基于风控调整因子对第一风险评分进行调整，得到第二风险评分，并根据第二风险评分对当前保险案件进行案件分流。本方法在构建风险评分模型后，配合规则引擎，避免理赔场景刚出现时案件数据量和纬度较少导致风险模型的预测准确度较低的技术问题。

技术领域

本发明涉及人工智能领域，尤其涉及一种理赔案件分流方法、装置、设备及存储介质。

背景技术

随着经济的发展和人民生活水平的提高，保险业得到了蓬勃的发展，尤其是车险市场，吸引着众多保险公司的涌入。与此同时，保险理赔问题也越来越受到大众的关注，关于保险理赔的投诉不断、理赔中体现的理赔难、保险欺诈问题也屡见不鲜，如何缩短理赔时效、提升理赔服务水平、提高客户满意度、提升保险品牌忠诚度成为众多保险公司首要考虑的问题。传统的保险理赔需要经历客户报案、查勘、定损、核价核损、单证收集、支付结案阶段，其中体现的繁琐、低效的流程降低了赔付速度，所以受到广泛的“诟病”。然而随着保险行业数字化转型的深入运用，理赔流程也发生了巨大改变，依托互联网技术，关于车险理赔管控已经取得了一定成果，但是在实际应用中还是存在一些问题，无法有效适应市场环境，管理流程的漏洞、法律的空子等都在一定程度上增加了理赔道德风险，因此对于理赔案件风险的识别和管控至关重要。

在现有技术中，通过历史数据构建模型后对当前的理赔案件进行风险识别可以达到较好的结果，但前提条件是，历史数据包括的维度和数据量要求较高，然而，在一个理赔场景刚出现的阶段，历史的高风险案件比较少，信息不充分，容易导致构建的风险模型的准确度降低，对理赔案件的管控能力较差。

发明内容

本发明的主要目的在于解决现有的风险模型在理赔场景刚出现时案件数据量和纬度较少导致风险模型的预测准确度较低的技术问题。

本发明第一方面提供了一种理赔案件分流方法，包括：获取历史理赔保单的历史保单数据和历史理赔数据，以及所述历史理赔保单的历史风险评分；将所述历史保单数据和历史理赔数据进行数据预处理，并基于数据预处理后的历史保单数据和历史理赔数据和所述历史风险评分进行模型训练得到风险评分模型；获取当前保险案件的对应的案件信息，并将所述当前保险案件输入所述风险评分模型中，得到所述当前保险案件的第一风险评分，其中，所述案件信息包括场景标签信息和保险数据；基于所述场景标签信息从预设的规则引擎中匹配所述当前保险案件对应的决策规则，并将所述保险数据输入的决策规则中，得到风控调整因子；基于所述风控调整因子对所述第一风险评分进行调整，得到第二风险评分，并根据所述第二风险评分对所述当前保险案件进行案件分流。

可选的，在本发明第一方面的第一种实现方式中，所述将所述历史保单数据和历史理赔数据进行数据预处理，并基于数据预处理后的历史保单数据和历史理赔数据和所述历史风险评分进行模型训练得到风险评分模型包括：根据预设的分类维度，将所述历史保单数据和所述历史理赔数据划分为N个特征群，其中，所述N为大于或等于二的自然数；通过预设的数据挖掘方法，从所述特征群中筛选M个特征，并将所述M个特征作为所述历史理赔保单的风险因子，其中，所述M为大于或等于二的自然数；基于LightGBM回归算法将所述风险因子作为自变量，将所述历史风险评分作为因变量构建风险评分模型。

可选的，在本发明第一方面的第二种实现方式中，所述数据挖掘方法包括相关性分析和主成分分析，所述通过预设的数据挖掘方法，从所述特征群中筛选M个特征，并将所述M个特征作为所述历史理赔保单的风险因子包括：对所述特征群中所有特征进行相关性分析，得到所有特征的第一特征权重；对所述特征群中所有特征进行归因分析，得到所有特征的第二特征权重；基于所述第一特征权重和第二特征权重，从所述特征群中筛选M个特征，并将所述M个特征作为所述历史理赔保单的风险因子。