浅析大数据分析在保险反欺诈领域的应用

梁晓攀中国人民财产保险股份有限公司郑州监察稽察中心

近年来，我国保险业发展迅速，融入人

们生活的方方面面，然而保险欺诈这一“伴

生顽疾”数量也随之快速上升，且类型更加

复杂、多变，难以识别和发现。恶意欺诈的

存在，制约了保险服务社会的功能，也严重

损害了保险消费者享有的正常权益。由于

目前保险公司反欺诈控制体系的薄弱，使得

保险欺诈并未得到遏制，反而势头有所上

升。监管机构和部分保险公司面对不利局

面，采取了成立反欺诈中心、垂直管理反欺

诈工作等措施，来打击、遏制保险欺诈，但是

由于主、客观方面条件的制约，反欺诈工作

的进展并不理想。

面对汹涌而来的大数据时代，保险公司

的反欺诈工作应如何开展？能否借助于大

数据分析的方法有效地遏制、打击保险欺诈

这一“顽疾”？

一、保险行业反欺诈工作存在的问题

（一）对反欺诈工作的重要性认识程度

不够

不够，基础投入不够

国际保险监督官协会（IAIS）的经验数据

显示，保险行业欺诈金额约占总赔付金额的

10%~20%，但是多数保险公司在人力资源配

备中，对于反欺诈专业人员的配置比例低于

10%，且随着层级逐渐向下延伸，专业人员在

基层分支机构配置的数量呈现递减趋势或

未配置专职人员的情况。

（二）未形成全国集中的反欺诈处理中

心

，各自为战

专

业

的

大

数

据

分

析

公

司

将

很

快

孵

化

并

形

成

产

业

链

，

越

来

越

多

的

大

数

据

分

析

技

术

、

分

析

工

具

将

不

断

涌

现

，

大

数

据

分

析

的

﹃

门

槛

﹄

将

大

大

降

低

，

保

险

公

司

可

以

方

便

地

应

用

大

数

据

行

业

的

发

展

成

果

开

展

反

欺

诈

工

作

。

34

2016年11月·上海保险

多数保险公司对于反欺诈工作的部署，未明确统一的职能部门，在不同机构、不同层级均有反欺诈工作的负责部门。反欺诈工作的基础信息整合、协调工作不力。如笔者在调研中发现，某保险公司在承保、理赔部门收集、整理的黑、灰名单信息等风险数据，并未与反欺诈部门共享，未发挥信息整合作用。另外，受制于不同的层级或机构的反欺诈部门，存在各自为战的不利局面，对于跨区域、跨机构的欺诈风险无力识别。

（三）大数据分析的思维方式缺失大数据分析的思维方式缺失，反欺诈工作成果欠佳

保险公司在开展反欺诈工作中，较大比例的反欺诈案件依靠客户或第三方的举报获得线索；少部分通过对固定类型或符合简单风险类型的案件进行抽检、判断；也有少部分根据工作人员的经验判断来进行调查核实。保险公司积累的大量基础数据，却处于“沉睡状态”，并未被有效地分析，挖掘其中隐含的关联关系，从中发现反欺诈工作线索。

（四）传统风险控制体系维度简单传统风险控制体系维度简单，逐渐弱化

在传统的反欺诈风险控制体系中，保险公司大多通过程序化固定的风险模型来排查可能存在的欺诈风险。由于风险维度简单，样本数量有限，与实际的欺诈风险场景匹配较差，在实践操作中，费时、费力且命中率不高。由于使用效果不如人意，导致传统的风险控制体系，陷入一个逐渐弱化的尴尬境地。

（五）保险公司之间的数据共享机制缺失，反欺诈工作未形成合力

目前，我国保险市场主体较多，竞争较为激烈，客户的保险信息是各主体的“核心利益”，天然排斥共享。于是保险欺诈行为可以方便地在不同的保险主体之间“游动”，从保险反欺诈能力较强的公司流向反欺诈能力较弱的公司。单纯某一家或几家公司

的反欺诈工作卓有成效，并不能有效遏制保险欺诈行为，反而会给其他反欺诈能力较弱的公司带来困扰和损失。

二、大数据分析的特点和优势

（一）大数据的基本概念

2011年6月，麦肯锡公司发布了“大数据”的报告，对“大数据”的影响、关键技术和应用等做了详尽的分析，“大数据”这一概念开始进入人们的视野。

百度百科认为，大数据是指无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。

IBM 公司总结了大数据的5V 特点，即Volume （大量）、Velocity （高速）、Variety （多样）、Value （价值）、Veracity （真实性）。

而今，虽然人们对于“大数据”的概念和认知并不统一，但是越来越多的企业开始通过应用“大数据”分析的方式，开发拓展新业务，创新运营模式。

（二）大数据分析的特点和优势一是采用所有数据的方法，扩大样本范围。大数据分析，不再使用传统的抽样调查，而采用对所有数据进行的方法，即“样本=总体”，对数据进行深度分析，挖掘出海量数据中潜藏的价值。

二是通过关联关系，实现“预测”的功能。通过采用不同的数据挖掘方法，对结构化和非结构化的数据进行整合、分析，探索、发现、挖掘数据之间潜藏的关联联系，以此来实现“预测”功能。

三是能够实现数据的再利用，充分发挥数据价值。改变传统数据资源的“一次性”使用方式，多次使用数据，发挥更多的作用。就像舍恩伯格所说，大数据的真实价值就像漂浮在海洋中的冰山，第一眼只能看到

冰山的一角，绝大部分都隐藏在表面之下。全球零售业巨头沃尔玛的“啤酒+尿布”促销手段，就是沃尔玛通过对消费者购物行为数据的重复使用、分析得出的结果，是大数据分析的成功应用案例。

三、大数据分析方法在防范保险欺诈中的应用

（一）获取海量的数据获取海量的数据，作为分析的基础从“啤酒+尿布”的案例，我们可以看出，要想在防范保险欺诈中使用大数据分析方法，首先需要采集海量的数据。这需要保险公司去汇总、收集所辖不同层级、不同分支机构在经营中产生的所有相关数据。层级越高效果越好，总公司层级的数据采集，能够有效避免受制于层级、分支机构所造成的数据不准确问题。如果保险行业之间共享数据，会使得分析结果更加精准。

（二）对数据进行加工整理对数据进行加工整理，统一标准统一标准、、口径

由于采集到的海量数据，这些包含文本、语音记录、图片等半结构或非结构数据容易出现数据混杂的问题，甚至对于同一种问题，由于分属不同的分支机构，涉及地域、人文差异，也会出现多样化的描述。需要利用文本挖掘（text data mining ）、图片挖掘等数据分析工具，对数据、文本、照片格式等内容进行特征抽取、文本或图片的分类、聚类等操作，统一标准、口径，为深入分析做准备。

（三）进行数据分析进行数据分析，构建动态的欺诈风险模型

首先，对获取的数据抽取关键风险场景要素，如出险时间、出险地点、驾驶人员、报案人电话号码、事故类型、损失部位、赔偿金额、领款人账号、电话等要素，获得基础数据。

其次，对于上述数据进行度分析，发现关联关系。可以以领款人、损失部位、修理地点、事故地点、同一组照片等维度进

35

SHANGHAI INSURANCE MONTHLY ·NOV 2016行分析，发现关联关系。某公司反欺诈工作

人员在对数据分析中发现一个有趣的关联

关系：A号小轿车（三者车，未在公司投保），

多次与公司承保的不同车辆（多为大货车）

在高速公路上发生交通事故，且赔款金额相

近，每次事故的时间大概在晚上8时左右，出

险地点涉及多个城市。多起事故的相同点

只有一个，那就是发生事故的高速公路是相

同的，分析人员继续分析，发现A号小轿车

是沿高速公路从南到北，不停寻找时机，故

意剐蹭大货车，重复索赔。车辆欺诈风险和

高速公路之间竟然也有关联关系，而在这之

前，很少被人们所注意到。

分析人员根据这条线索推测，A号车很

有可能继续实施欺诈行为，而欺诈行为很有

可能发生在高速公司前方的甲市！分析人

员随即向甲市发送欺诈风险预警，果然不

久，包含有A号车作为三者车的报案信息就

出现了。

再次，风险聚合，构建动态的欺诈风险

模型。传统的风险控制体系，由于涉及不同

的层级、不同的分支机构，欺诈风险从每一

个分支机构所获得的信息来看，可能并无异

常，大数据分析方法实现了风险聚合，结合

数据分析所发现的关联关系，构建出欺诈风

险模型，及时向分支机构发出欺诈风险预

警；同时结合分支机构的实际运用结果，及

时修改、完善，真正实现模型的动态调整，反

欺诈能力必然大幅提升。

四、大数据分析方法应用中存在的

问题及建议

目前我国大数据分析应用处于初期阶

段，数据标准不规范、行业协作缺少、第三方

部门支持不够、敏感信息保护不力、相关人

才储备不足、缺少法律法规等问题，都制约

了大数据分析方法的推广和应用，需要从以

下几个方面来推动：

（一）规范数据标准

规范数据标准，提高数据可用程度

大数据分析涉及的数据庞杂、混乱，数据

的整合难度较大，在数据整合中容易出现结

果偏差，耗费不必要的资金成本。因此，保险

公司应从源头制定严格的数据标准，规范数

据分类，尽量实现结构化数据的规范、统一；

对于非结构化的文本、图片应规范明确统一

的质量特征，如文本逻辑性、照片类型等标

准，降低数据整理难度，提高数据可用性。

（二）加大行业协作

加大行业协作，推动数据共享

大数据分析需要海量的数据基础，各保

险公司在反欺诈工作中，应当避免各自为

战、“管中窥豹”，跨越“竞争壁垒”，实现数据

共享，提升行业的反欺诈水平，有效打击保

险欺诈。或者以保险监管部门或行业协会

设立的反欺诈中心为平台，采集、分析相关

数据，向各保险公司发送欺诈预警信息，以

此来推动行业反欺诈工作。

（三）深化第三方合作

深化第三方合作，强化数据支持

强化数据支持，

互利共赢

一是加强合作，获取数据支持。大数

据时代，是最大的数据资源拥有者，保

险公司应深化与职能部门的合作，获

取丰富的“基础数据”，强化数据支持。如

加强与交通管理部门的合作，获得事故现

场“第一手资料”，有效鉴别事故真实情

况。二是结果反馈，互利共赢。保险公司

应加强与银行等大型金融机构的合作，一

方面获取相关人员的征信情况等金融信

息，鉴别欺诈分析；另一方面对于确定的欺

诈人员、企业信息向银行等金融机构共享，

达到共赢的局面。

（四）加强敏感信息保护

加强敏感信息保护，防范信息泄露

风险

大数据时代，信息泄露风险显著增加，

各种信息泄露带来了恶劣的社会影响。保

险公司应从源头加强数据信息保护，一方面

建立系统的数据保护机制、预警机制、应急

机制，时刻做好信息安全防范工作；另一方

面在数据信息的应用中，严格遵守国家政

策、法规，避免滥用信息，侵害消费者权益。

（五）大力引进大数据分析人才

大力引进大数据分析人才，提高分

析能力

一是通过加强对现有数据分析人员的

培训或与高等院校合作等方式，大力引进大

数据分析人才，弥补人力不足的现状；二是

加强以Hadoop为核心的生态环境、内存数据

库、NoSQL数据库等新技术和工具的学习、

使用，提高分析能力，尽快转化为“产出”，提

升行业反欺诈工作水平。

（六）完善法律法规

完善法律法规，使大数据分析“合法

合法””

目前，我国关于大数据行业，缺少专门

的法律、。在基本的防范信息泄露或恶

意使用、滥用数据等底线外，保险公司在正

常使用大数据分析中，应如何使用数据才能

合法？如与第三方的数据交换、共享等，应

该遵守哪些规则？这些都需要国家尽早完

善专门的法律法规，明确相应的使用规范，

使大数据分析真正“合法”。

未来，随着法律制度的逐渐完善和

部门加大对大数据分析的资金扶持，一批专

业的大数据分析公司将很快孵化并形成产

业链，越来越多的大数据分析技术、分析工

具将不断涌现，大数据分析的“门槛”将大大

降低，保险公司可以方便地应用大数据行业

的发展成果开展反欺诈工作；或者委托专业

的大数据分析公司从事反欺诈工作，在减轻

企业的成本压力的同时，大大提升反欺诈工

作成效。SIM

36