大数据及人工智能在保险行业的应用（30页 PPT）.pptx

科技赋能保险

大数据及人工智能在保险行业的应用

大数据整体应用框架

数据标签

•底层800+个模块，超过10,000个字段，覆盖全国超过8亿人口

•涵盖个人资质、消费、黑灰名单等多种维度

•底层数据实时更新

大数据整体应用框架

数据存储：

多维度海量数据，为后续数据

标签、模型、产品提供基础

数据模型

•营销、风控模型，覆盖多种业务场景

•客制化规则集，个性化数据模型服务

数据产品

•两核风险筛查

•智能语音机器人

……

3

模型支撑-大数据+模型算法+AI

外部大数据

无监督学习

聚类、LDA、CDA等。根据用户特征进行分群。同一客群内部具有相同特征。

监督学习

集成学习、神经网络、深度学习等。掌握多种算法，支持定制化模型。

评分/规则/模型产品

•客户异常风险提示

•客户群体反欺诈

•反欺诈规则

•用户画像

……

800+模块，涵盖个人资质、消费、

黑灰名单等多种维度

商保公司自有数据

保单数据、代理人信息数据等

4

模型支撑-整体建模流程简介

•相关性(Correlation)检验

•共线性(Multi-Collinarity)检验

•信息值(IV)筛选

•基尼(Gini)值筛选

•单变量分析

•粗分箱

•根据业务调整分箱

•连续型/类别型变量值转化（WOE转化）

模型建立主要分为：数据准备、初步筛选、变量检验、数据分段、模型产生和调整五大步骤

•优先选择业务变量

•清理解释性差变量

•通过逐步回归筛选

•评估与调整

变量检验：

减少对模型的干扰

数据初步筛选：化繁为简

数据分段：

体现变量价值

5

大数据寿险两核风控

3

•综合海量数据与保险机构内部数据，构建两核风险评分模型

2

运用两核标签数据集，形成：

•个人财务画像

1

•个人投保反欺诈筛查•个人信息核验

•个人投保财务筛查

•个人健康画像

寿险两核风控整体应用框架

个人有效定位

基于海量数据集，对个人存在的投保过程中存在的问题进行有效定位：

个人两核画像

两核风险评分

7

NO

客户身份核验

YES

NO

反欺诈核查2

YES

3两核风险评分

NO

YES

结案、归档

两核风险筛查-总体应用流程

客户身份核验

反欺诈核验

两核风险评分

流程化核保程序，输出核保评分，辅助人工核保

投保/理赔

两核风控模型

预警

人工

通过

8

初步身份、信息真实性校验

身份证有效期验证

（活体检验）

身份证/银行卡OCR识别

银行卡三/四要素验证

银行卡多笔交易校验

运营商三要素验证

身份证二要素验证

地址信息核查

单位验证

9

车险风险评分

从人因子缺乏

从车因子主导

历史赔付推测

传统车险精选模型

个性化

精准化

传统精算模型

从人因子

收支等级

信用评分

社交关系

电商消费

出行频率

￥

车险风险评分优势-数据来源丰富

结合第三方大数据平台，能够基于海量用户的电商消费，财务信用，信贷申请，黑灰名单等方面的数据积累，帮助车险公司主动定价，合理控制风险保费

与市场其他车险分相比，

车险风险评分数据涵盖维度更广

相较于目前市场上其他更基于电商交易消费推出的车险分数据，车险风险分能更多的从个人信用风险，财务收入稳定性，职业状况等方面来评估，提供更加全面的用户特征画像

•银行/非银机构借贷记录

•借贷黑名单

•公安不良记录

•法院不良记录

•收入等级

•收入稳定性

•无业时长•行业

•公司规模

•管理等级

信用风险数据

•电商消费等级

•电商消费频次

•电商浏览频次

•重点关注品类

客户行为数据

车险理赔风险管理

保险公司底层数据+外部大数据平台

反欺诈决策系统

理赔风险管理-车险智能反欺诈风控体系

3团伙欺诈排查

社交网络分析

模型能力

数据能力

注：百融数据支持API对接实时查询

机器学习

•整合历史全量理赔案件，描绘出人、车和案件的关系网络。通过关系网络发现非正常网络（团伙欺诈），并判断新进理赔案件是否属于某团伙。

•基于历史欺诈案件样本，结合

大数据和机器学习模型挖掘欺

诈案件和欺诈车主特征，判断

新进理赔案件是否为疑似