一种针对保单理赔的自动核赔方法及相关设备

本说明书一个或多个实施例涉及保险技术领域，尤其涉及一种针对保单理赔的自动核赔方法及相关设备。

保险公司的保单在赔付过程中存在一定程度的欺诈行为，例如带病投保、伪造出险经历等。通过商业调查的方式开展反欺诈工作效果较好，但投入大、耗时长、成本高。

当前针对保单主要采用人工审核配合规则筛选的方式进行，一般是由系统进行规则匹配，通过规则对案件的风险水平进行核算，如果风险水平较高，则提醒人工审核人员重点关注。系统使用的规则通常是由保单理赔领域的相关专家总结而成，这会导致规则不能与当前的业务情况同步，出现一定程度的滞后情况，理赔时效低，因而无法对保单进行有效核赔。

有鉴于此，本说明书一个或多个实施例的目的在于提出一种针对保单理赔的自动核赔方法及相关设备，以解决因规则不能与当前的业务情况同步，出现一定程度的滞后情况，理赔时效低，因而无法对保单进行有效核赔的问题。

基于上述目的，本说明书一个或多个实施例提供了一种针对保单理赔的自动核赔方法，包括：

提取业务系统数据库中历史保单理赔申请信息以及与所述历史保单理赔申请欺诈认定结果，得到历史理赔数据；

提取客户画像数据和营销员画像数据；

根据历史理赔数据与所述客户画像数据、营销员画像数据进行连接生成训练样本数据；

利用所述训练样本数据对机器学习模型进行训练，得到核赔模型；

将待核保单理赔数据输入所述核赔模型中，得到所述核赔模型输出的保单理赔欺诈概率；

将所述保单理赔欺诈概率与预先设置的第一阈值和第二阈值进行比较，当所述保单理赔欺诈概率小于第一阈值时，判定核赔为非欺诈；当所述保单理赔欺诈概率大于第二阈值时，判定所述核赔为欺诈；当所述保单理赔欺诈概率大于等于第一阈值、小于等于第二阈值时，判定所述核赔为存疑。

基于同一发明构思，本说明书一个或多个实施例还提供了一种针对保单理赔的自动核赔装置，包括：

数据提取模块：被配置为提取业务系统数据库中历史保单理赔申请信息以及与所述历史保单理赔申请欺诈认定结果，得到历史理赔数据；提取客户画像数据和营销员画像数据；

关联数据模块：被配置为根据历史理赔数据与所述客户画像数据、营销员画像数据进行连接生成训练样本数据；

构建核赔模型模块：被配置为利用所述训练样本数据对机器学习模型进行训练，得到核赔模型；

自动核赔模块：被配置为将待核保单理赔数据输入所述核赔模型中，得到所述核赔模型输出的保单理赔欺诈概率；将所述保单理赔欺诈概率与预先设置的第一阈值和第二阈值进行比较，当所述保单理赔欺诈概率小于第一阈值时，判定核赔为非欺诈；当所述保单理赔欺诈概率大于第二阈值时，判定所述核赔为欺诈；当所述保单理赔欺诈概率大于等于第一阈值、小于等于第二阈值时，判定所述核赔为存疑。

基于同一发明构思，本说明书一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一项所述的方法。

基于同一发明构思，本说明书一个或多个实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一所述方法。

从上面所述可以看出，本说明书一个或多个实施例提供的一种针对保单理赔的自动核赔方法及相关设备，通过实际业务数据对核赔模型的审核标准进行快速训练，使业务情况可以实时同步到核赔工作中，解决了现有方法出现一定程度的滞后问题，提高了理赔时效，实现对保单进行有效地核赔。

为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书一个或多个实施例的针对保单理赔的自动核赔方法流程图；

图2为本说明书一个或多个实施例的针对保单理赔的自动核赔装置结构示意图；

图3为本说明书一个或多个实施例的电子设备结构示意图。

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。

需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。

如背景技术部分所述，现有针对保单理赔的核赔方法多采用人工审核赔合规则筛选的方式进行，申请人在实现本公开的过程中发现，现有的核赔方法存在的问题在于：规则与当前的业务情况不同步，出现一定程度的滞后情况，无法完全满足当下的风险管理需求，并且规则的制定和案件的审核需要大量的人工进行参与，极大地增加了核赔工作的成本。

有鉴于此，本说明书一个或多个实施例提供了一种针对保单理赔的自动核赔方法，通过保单的历史理赔信息、相应保单的欺诈认定结果、客户画像数据以及营销员画像数据对机器学习模型进行训练，进而得到核赔模型，将待核赔的保单输入所述核赔模型中，完成对待核赔保单的自动核赔。

以下，通过具体的实施例来详细说明本说明书一个或多个实施例的技术方法。

参考图1，本说明书一个实施例的针对保单理赔的自动核赔方法，包括以下步骤：

步骤S101：提取业务系统数据库中历史保单理赔申请信息以及与所述历史保单理赔申请欺诈认定结果，得到历史理赔数据。

在本说明书的实施例中，所述历史理赔数据包括：保单信息、投保人身份标识(ID)、被保人ID、营销员ID以及欺诈认定；具体的，可选择在SQL数据库中编写执行命令select*from claims的语句，并提取出如数据表A所示的数据：

数据表A

保单信息 投保人ID 被保人ID 营销员ID 欺诈认定 CII-24-1000 00001 00002 10001 1 AI-48-50W 00003 00004 10002 0

上述数据表A中，保单信息CII-24-1000中CII表示保险类别为重疾险，24表示保险期限为24个月，1000表示保险金额为1000元；保单信息AI-48-50W中，AI表示保险类别为意外险，48表示保险期限为48个月，50W表示保险金额为50万元；投保人ID00001、00003表示对应保单的身份标识号码；被保人ID00002、00004表示对应保单的被保人的身份表示号码；营销员ID10001、10002表示办理相应保单的营销员身份标识号码；欺诈认定1、0分别表示欺诈和未欺诈。

需要说明的是，所述数据表中的数据可根据需求进行相应的调整。

步骤S102：提取客户画像数据和营销员画像数据。

本步骤中，所述客户画像数据包括：投保人ID、投保人特征、被保人ID、被保人特征；所述营销员画像数据包括：营销员ID、营销员特征；

其中，在本说明书的一些实施例中，上述投保人特征可以包括：投保人基础特征、投保人个人特征以及投保人社会特征。上述被保人特征可以包括：被保人基础特征、被保人个人特征以及被保人社会特征。上述营销员特征可以包括：营销员基础特征、营销员个人特征以及营销员社会特征。

具体的，可选择在SQL数据库中编写执行命令select*from cuntmer/saler语句，并提取出如数据表B、数据表C中的数据：

数据表B

数据表C

营销员ID 营销员基础特征 营销员个人特征 营销员业务特征 10001 25 L Ⅱ 10002 32 L Ⅲ

上述数据表B、数据表C中，所述投保人ID、被保人ID以及营销员ID与数据表A中一致；所述营销员基础特征、投保人基础特征与被保人基础特征设置为年龄(单位：岁)；所述营销员个人特征、投保人个人特征与被保人个人特征设置为高级神经活动类型：兴奋型(E)、活泼型(L)、安静型(Q)、抑制型(I)；投保人社会特征、被保人社会特征设置为年薪收入(单位：万元)，并将其由低到高划分为10个等级：1以下、1-3、3-8、8-15、15-30、30-50、50-100、100-1000、1000-10000、10000以上；将10个等级从低到高用数字1～10表示；营销员业务特征设置为工龄(单位：年)，由少至多分为5个等级：1以上，3以上、6以上、13以上、19以上，分别用Ⅰ、Ⅱ、Ⅲ、Ⅳ、V表示。

需要说明的是，所述客户画像数据与营销员画像数据可依据实际业务情况，进行相应的设置。

步骤S103：根据历史理赔数据与所述客户画像数据、营销员画像数据进行连接生成训练样本数据。

作为一个可选的实施例，本步骤可通过在SQL数据库中执行命令：

select*from A join B on A.投保人ID＝B.投保人ID

join B on A.被保人ID＝B.被保人ID

join C on A.营销员ID＝C.营销员ID

得到数据表D，并提取所述数据表D中的数据，即样本数据，用于挖掘欺诈理赔申请规律。

数据表D

上述数据表D中，保单信息、投保人ID、被保人ID、营销员ID以及欺诈认定与数据表A中一致；投保人特征包括：投保人基础特征、投保人个人特征以及投保人社会特征；被保人特征包括：被保人基础特征、被保人个人特征以及被保人社会特征；营销员特征包括：营销员基础特征、营销员个人特征以及营销员业务特征。

步骤S104：利用所述训练样本数据对机器学习模型进行训练，得到核赔模型。

本步骤中，所述核赔模型应用的是XGboost算法模型或随机森林算法模型，核保模型中将保单信息、投保人特征、被保人特征以及营销员特征作为核赔模型训练的特征列，欺诈认定作为核赔模型训练的目标列。具体的，可以通过在SQL数据库中执行命令：xgboosting.trian(D.特征,D.欺诈认定)；

需要说明的是，所述核赔应用的机器学习模型不限制于上述两种，可使用其他算法进行核赔模型的构建，例如，逻辑回归、支持向量机或GDBT算法。

进一步的，执行命令：xgboosting.savemodel()将已完成训练的核赔模型进行保存。

步骤S105：将待核保单理赔数据输入所述核赔模型中，得到所述核赔模型输出的保单理赔欺诈概率。

本步骤中，所述待核保单理赔数据包含：保单信息、投保人ID、被保人ID、营销员ID以及对应的投保人特征、被保人特征和营销员特征；当核赔模型训练完成后，例如，给出一个待核赔保单的保单信息、投保人ID、被保人ID、营销员ID、投保人特征、被保人特征以及营销员特征，并输入所述核保模型中，核保模型将输出预测的相应保单理赔申请为欺诈的概率。

步骤S106：将所述保单理赔欺诈概率与预先设置的第一阈值和第二阈值进行比较，当所述保单理赔欺诈概率小于第一阈值时，判定核赔为非欺诈；当所述保单理赔欺诈概率大于第二阈值时，判定所述核赔为欺诈；当所述保单理赔欺诈概率大于等于第一阈值、小于等于第二阈值时，判定所述核赔为存疑。

本步骤中，当保单被判定为非欺诈、欺诈以及存疑时，可分别进入后续理赔结算、人工审核、发起调查等业务环节。具体的，当判定为非欺诈时，可直接对客户进行赔付；判定为欺诈时，核对结果后可拒绝对客户进行赔付；判定为存疑时，可选择进入调查阶段；例如，调查客户的财务情况、短时间购买保险件数、有无骗保史以及医疗记录和住院记录等内容，进一步判定是否欺诈。

由此可见，本说明书一个或多个实施例提供的一种针对保单理赔的自动核赔方法，通过提取历史理赔数据并与客户画像数据、营销员画像数据进行连接生成训练样本数据，利用训练样本数据对机器学习模型进行训练，得到核赔模型。训练好的核赔模型具有对理赔申请是否欺诈的分辨能力，可对待核赔保单进行有效的核赔，提高了核赔工作的时效性，同时也降低了核赔工作的成本与人力占用。

需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

基于同一发明构思，与上述实施例方法相对应的，本说明书一个或多个实施例还提供了一种针对保单理赔的自动核赔装置。

参考图2，所述针对保单理赔的自动核赔装置，包括：

数据提取模块：被配置为提取业务系统数据库中历史保单理赔申请信息以及与所述历史保单理赔申请欺诈认定结果，得到历史理赔数据；提取客户画像数据和营销员画像数据。

关联数据模块：被配置为根据历史理赔数据与所述客户画像数据、营销员画像数据进行连接生成训练样本数据。

构建核赔模型模块：被配置为利用所述训练样本数据对机器学习模型进行训练，得到核赔模型。

自动核赔模块：被配置为将待核保单理赔数据输入所述核赔模型中，得到所述核赔模型输出的保单理赔欺诈概率；将所述保单理赔欺诈概率与预先设置的第一阈值和第二阈值进行比较，当所述保单理赔欺诈概率小于第一阈值时，判定核赔为非欺诈；当所述保单理赔欺诈概率大于第二阈值时，判定所述核赔为欺诈；当所述保单理赔欺诈概率大于等于第一阈值、小于等于第二阈值时，判定所述核赔为存疑。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

上述实施例的装置用于实现前述任一实施例中相应的针对保单理赔的自动核赔方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述实施例方法相对应的，本说明书一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的针对保单理赔的自动核赔方法。

图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

上述实施例的电子设备用于实现前述任一实施例中相应的针对保单理赔的自动核赔方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述实施例方法相对应的，本说明书一个或多个实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的针对保单理赔的自动核赔方法。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的针对保单理赔的自动核赔方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。