原创：基于机器学习的车险理赔风控模型

1.车险欺诈概述

保险欺诈不仅损害保险消费者的权益，同时造成保险服务资源浪费，增加保险公司的成本，破坏正常的市场秩序。

形成保险欺诈的原因很多，不仅有社会、经济、人性的因素，也牵涉到保险公司内部管理和社会法律环境等因素，我国绝大部分财产险公司，车险业务占比在70%以上，车险的经营具有链条长、涉及主体范围广、索赔便捷等特点，很容易成为恶意欺诈者的攻击对象。

当前，车险欺诈呈现多样化、团伙化和专业化等特点。车险欺诈的数量不断上升，且欺诈类型日益多样和隐蔽，比如通过伪造事故现场、车辆套牌、更换驾驶员、伪造理赔单等多种方式骗赔，进行车险欺诈；车主勾结同伙，修理厂勾结代理机构，保险公司内部人员与社会人员内外勾结，车主与医院联合造假；作案手法专业性越来越强，极具隐蔽性。

对车险查勘定损及理赔流程比较了解，作案现场布置的很有迷惑性，伪造的交通事故责任认定书及医院诊断证明材料以假乱真等。

据保监会统计数据分析，2016年车险欺诈占到理赔总额的10%-20%，约600亿元。我国车险欺诈索赔额占赔付总额比率远高于全球平均水平，因此，开展反欺诈研究刻不容缓。

2.基于机器学习的风控模型

在目前商车费改进一步深化的行业背景下，积极运用前沿大数据及AI技术，从事前承保业务筛选、事中理赔管理、事后理赔质检，通过智能化、模型化来提高车险理赔风控管理的综合能力，建立全覆盖、无死角的反欺诈风控体系。

2.1模型的构建

1）主要任务

根据历史案件数据及反欺诈数据，建立典型欺诈案件及特殊案件识别模型。接到客户报案后，触发模型生成表示案件欺诈风险等级的红黄蓝标识。根据案件的红黄蓝标识，进行差异化调度。实现以“经营客户”为理念差异化理赔服务方式。

2）本项目实施方法

结合理赔过程中涉及到的数据特征以及项目应用场景的精确度要求，选择xgboost算法，通过机器学习反复进行算法参数调优，最终构建出满足实际需要的工程模型，以快速、准确地识别出欺诈及特殊案件。

3）建模的流程

如下图所示：

4）机器学习的应用

机器学习的核心是特征工程和模型训练，下面从这两个方面阐述机器学习的应用。

特征工程

本项目从承保、报案、理赔三个方面出发，结合理赔业务知识，经过数据的整合、清洗、交叉、衍生共生成300+个特征，经过特征重要性的排序筛选出重要变量。

模型训练

XGBoost是近几年应用机器学习领域内一个强有力的武器

–执行速度：确实比其他Gradient Boosting实现快

–模型性能：在结构化数据集上，在分类／回归／排序预测建模上表现突出

在Kaggle和KDD等一些数据科学竞赛平台上的优胜方案中多数使用了Xgboost算法。

本项目采用Xgboost算法，经过不断的迭代训练，最终确定最优参数组合：

模型中决策树的数量n_estimators=500

每棵树的深度max_depth=4

学习速率learning_rate=0.05

L2正则化项的权重reg_lambda=5

2.2模型的应用

1）模型使用前：

模型使用前，接到客户报案后发出调度的指令，需经过查勘员现场查勘才识别案件风险，本可以一键理赔的案件却走了较繁琐的理赔流程，这样增加了公司的运营成本，另一方面也可能流失现有客户，对公司业务造成损失。

2）模型使用后：

接到客户报案后，直接触发模型，从而生成表示案件欺诈风险等级的红黄蓝标识。然后根据案件的红黄蓝标识进行差异化调度，对不同标识的案件作出不同的调度指令，实现了以“经营客户”为理念的差异化理赔服务方式；以去中间化为措施差异化理赔流程；以管理资源为核心提高资源利用率，打造“透明理赔”的服务模式。如下图所示：

3.总结

在整个体系中对于案件的风险等级的准确判别至关重要，是后续配置相关理赔业务流程的基础。在本项目中，引入机器学习算法，利用现有数据资源建立风险评分模型来识别案件风险，一改传统做法中案件风险识别依赖查勘员个人经验所带来的低效、不准确、标准不统一等等不足，极大地提高了保险公司理赔服务水平。

作者：丁奎云阳光产险

注：数据阳光原创，转载请注明出处

数据阳光｜改变未来