[发明专利]一种理赔反欺诈风控方法及装置

说明书

本申请实施方式公开了一种理赔反欺诈风控方法及装置，其中，理赔反欺诈风控方法包括：实时获取当前理赔案件每个处理阶段的数据信息；对所述当前理赔案件的数据信息进行特征提取，获得当前理赔案件的特征信息；确定与所述当前理赔案件相关的保单、车辆、客户的历史行为数据；将所述当前理赔案件的特征信息及与所述当前理赔案件相关的保单、车辆、客户的历史行为数据进行加工，获得组合数据；将所述组合数据输入至风险预测模型，对所述当前理赔案件进行欺诈风险预测。

技术领域

本申请涉及数据挖掘技术领域，特别涉及一种理赔反欺诈风控方法及装置。

背景技术

在目前商业保险改革进一步深化的行业背景下，保险公司对理赔反欺诈都极为重视。但在现有理赔反欺诈体系中，欺诈风险识别依赖规则和人工经验，风险控制缺乏时效性，无法动态跟踪案件进展。并且，案件风险识别依赖规则和查勘员个人经验所带来的低效、不准确、标准不统一等等问题。

发明内容

本申请实施方式的目的是提供一种理赔反欺诈风控方法及装置，基于机器学习算法建立风险预测模型，利用该风险预测模型对理赔案件就那些欺诈风险预测，弥补现有的理赔反欺诈技术的短板。

为实现上述目的，本申请实施方式提供一种理赔反欺诈风控方法，包括：

实时获取当前理赔案件每个处理阶段的数据信息；

对所述当前理赔案件的数据信息进行特征提取，获得当前理赔案件的特征信息；

确定与所述当前理赔案件相关的保单、车辆、客户的历史行为数据；

将所述当前理赔案件的特征信息及与所述当前理赔案件相关的保单、车辆、客户的历史行为数据进行加工，获得组合数据；

将所述组合数据输入至风险预测模型，对所述当前理赔案件进行欺诈风险预测。

优选地，所述风险预测模型的建立步骤包括：

对历史理赔案件的各阶段的数据信息结合理赔业务知识进行处理，获得各阶段的特征变量；

对所述特征变量采用XGBoost算法进行迭代训练，获得各阶段的最优参数组合；

根据各阶段的最优参数组合建立理赔案件各阶段的风险预测模型。

优选地，所述风险预测模型包括：风险评分子模型和风险类型识别子模型。

优选地，还包括：

获取历史理赔案件的数据信息，定期加工所述历史理赔案件的数据信息，获得历史理赔案件的历史行为特征信息。

优选地，对所述当前理赔案件进行欺诈风险预测的步骤包括：

根据所述风险评分子模型对所述组合数据处理，获取所述当前理赔案件的各处理阶段的风险评分；

根据所述风险类型识别子模型对所述组合数据处理，获取所述当前理赔案件的各处理阶段的风险类型；

根据所述当前理赔案件的各处理阶段的风险类型及对应的风险评分进行风险预测。

优选地，对所述当前理赔案件进行欺诈风险预测的步骤还包括：

提供风险点提示。

对应地，为实现上述目的，本申请实施方式提供一种车险理赔反欺诈风控装置，包括：

实时数据获取单元，用于获取当前理赔案件每个处理阶段的数据信息；

特征提取单元，用于对所述当前理赔案件的数据信息进行特征提取，获得当前理赔案件的特征信息；

匹配单元，用于确定与所述当前理赔案件相关的保单、车辆、客户的历史行为数据；