由反保险欺诈日常监控数据勾勒出欺诈画像的理论研究

郭向红 熊小萍 赵少彪

中国平安人寿四川分公司

中国保险行业经过十几年的发展，各家保险公司均有较为丰富的反保险欺诈经验与大规模分析模型。但有的保险公司还是缺少对反保险欺诈工作重视。保险公司需将反保险欺诈工作纳入到各项经营活动和管理环节之中，加大反保险欺诈资源的投入，加强保险欺诈风险管理，建立欺诈风险预警机制，建设反保险欺诈信息系统，开展防范欺诈风险培训工作，完善举报奖励制度。

新型保险犯罪行为在如今的信息时代，层出不穷地扰乱保险市场，在反保险欺诈风控工作者面前耍着花招。反保险欺诈信息库与预警机制需要随着时代变化，随着犯罪类型的变化而改变。现有反保险欺诈工作中，除了大量典型性保险欺诈风险预警模型，还有很多需要日常数据监测指标，大致包含以下几个方面指标，风控工作者一般通过指标的异常数据来判断风险，进行欺诈识别。指标如下：

1.药品费占比过低指标；2.一年内多次理赔出险指标；3.同业务员医院科室指标；4.同营业组医院科室指标；5.同客户意外出险指标；6.津贴险赔付占比过高指标。

还有很多其他指标，在此就不一一列举，本文研究的是基于反保险欺诈日常监测指标，建立画像信息分析，对相关数据进行分析。

因为无论新型保险犯罪类型如何变化，欺诈行为都是由于人来筹谋，实施和进行的，所以在本次重点关注与研究的对象不是具体的理赔案件，不是理赔案件的性质，而是人。人物画像非常重要，其中人物画像三对象为：业务员，客户，医院科室。我们通过日常数据分析，要得到具体的业务员画像，客户画像，医院科室画像。让我们通过数据与画像去清楚的识别这到底是一个怎样的业务员、客户、是一个怎样的科室。

每一个理赔案件都会关联到业务员、客户和医院科室这三个关键对象。除此之外，需要关注要素还有：营业组、营业组主管、营业部课、部课长、营业区、代办业务员、代办业务员所在营业组、客户、客户所关联的投被保人、主治医生和住院医生等。这些要素最终都会回归到我们一直在提的三大对象：业务员、客户和医院科室。

如何建立三对象的人物画像呢，以“津贴险赔付占比过高指标”为例来说明，“津贴险赔付占比过高指标”会关注津贴险赔付占总体赔付金额过高的案件，标识为阳性。如果是阳性案件，三对象即被标注，如果风控人员使用Excel进行日常统计，每个要素标注得分1分，即业务员某XX1分，客户某XX1分，某医院。如果会用python等程序，就进行程序语言标注。这里还有强调一个附加条件，每一个被标识为阳性的理赔案件，均筛查其是否获利，如何筛查——保险公司给付金额+先期给付金额-账单金额，如果结果是正数，那标识有获利；如果结果是负数或等于零，那表示未获利。如果获利，三对象获利得分均加上1分。

每月对公司日常监测指标进行人物画像得分统计，每一个指标算一个维度，多维度进行统计。这样一来，我们可以清晰地看到某业务员、某客户和某医院科室在哪个维度得分最高，哪个维度急需关注。其中人物画像中三对象除“医院科室”涉及的理赔案件较多外，其中“业务员”与“客户”涉及的案件均较少。业务员画像建议在时间维度上以月为单位，调取近一年的数据。客户画像建议在时间维度上以月为单位，调取近三年数据。除此之外，这三对象还可以新增“拒保案件得分”，分析拒保原因，去丰富其人物画像，便于我们更好的认识该要素。最后大致可形成以下图片（以业务员画像为例）：

各保险公司根据自己管理设定维度警戒值，如业务员、客户、医院科室达到设定的警戒值，就会弹出提示，风控工作人员根据警戒的程度进行理赔案件调取，对相关案件进行三对象串联研究分析，看案件是否调查，是否涉及与其他两个要素集中情况，是否异常。最后分类处理与管控，或重点约谈、面访、上报黑名单或灰名单、制定查房计划、上报行协或公安机关等。

标注值 平均值 警戒值药品费占比过低指标得分 指数1 指数2 指数3同客户意外出险指标得分 … … ……………

画像得分高的三对象，以业务员画像为例，集理赔案件异常，或业务品质有问题，或存在虚假理赔案件；或日常客户经营管理不规范，存在教唆客户挂床等行为；或展业渠道有异常，投保客户存在带病投保未如实告知，并采用相应手段规避调查人员调查工作问题于一体。构建得分高的人物画像，直观展示业务员典型特征，对集中人力物力进行理赔案件核实，对业务员与得分高的客户相关性分析，对业务员与相对应医院是否存在勾结，提供虚假理赔材料分析等具有重要作用。