大額保險(xiǎn)大數(shù)據(jù)智能反欺詐系統(tǒng)設(shè)計(jì)

須秋夢(mèng) 章民融

摘? 要： 為了更好地識(shí)別針對(duì)大額保險(xiǎn)的欺詐行為，總結(jié)了大額保險(xiǎn)的主要風(fēng)險(xiǎn)類型，明確了大額保險(xiǎn)反欺詐系統(tǒng)的主要構(gòu)建方向。基于Apriori算法提出了大額保險(xiǎn)大數(shù)據(jù)智能反欺詐系統(tǒng)模型，重點(diǎn)分析了數(shù)據(jù)統(tǒng)計(jì)識(shí)別、保險(xiǎn)欺詐規(guī)律挖掘、保險(xiǎn)欺詐行為識(shí)別。構(gòu)建的大額保險(xiǎn)大數(shù)據(jù)智能反欺詐系統(tǒng)經(jīng)實(shí)證運(yùn)行，結(jié)果表明，基于Apriori算法構(gòu)建的大額保險(xiǎn)大數(shù)據(jù)智能反欺詐系統(tǒng)能快速完成對(duì)大額保險(xiǎn)欺詐行為的有效識(shí)別。

關(guān)鍵詞： 大數(shù)據(jù)技術(shù); Apriori算法; 反欺詐系統(tǒng); 實(shí)踐

中圖分類號(hào)：TP311.52? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1006-8228（2021）07-117-03

Design of big data intelligent anti fraud system for large amount insurance

Xu Qiumeng， Zhang Minrong

（1. PICC Property and Casualty Company Limited Shanghai Branch， Shanghai 200010， China; 2. Shanghai Institute of Computing Technology）

Abstract： In order to better identify the fraud against large amount insurance， this paper summarizes the main risk types of large amount insurance， and defines the main construction direction of large amount insurance anti fraud system. A big data intelligent anti fraud system model for large amount insurance is proposed based on Apriori algorithm， focusing on the analysis of data statistical identification， insurance fraud rule mining， insurance fraud behavior identification. Empirical operation of the constructed big data intelligent anti fraud system for large amount insurance shows that the system based on Apriori algorithm can quickly complete the effective identification of the fraud behaviors against large amount insurance.

Key words： big data technology; Apriori algorithm; anti fraud system; practice

0 引言

大額保險(xiǎn)是指投保的保險(xiǎn)金額相對(duì)較大的人身保險(xiǎn)，通常保險(xiǎn)金額是在50萬(wàn)以上，投保時(shí)需要對(duì)其實(shí)施契約調(diào)查，充分掌握投保人的資產(chǎn)情況，明確投保人的投保動(dòng)機(jī)，身體健康情況等[1]。近年來，在中國(guó)經(jīng)濟(jì)飛速發(fā)展的影響下，國(guó)內(nèi)保險(xiǎn)行業(yè)迅速崛起，為廣大社會(huì)群體提供了健康保障。大額保險(xiǎn)作為保險(xiǎn)行業(yè)非常重要的一類產(chǎn)品，具有“避債、避稅、傳承”的作用，成為了高凈值人士投資理財(cái)?shù)臒衢T選擇，這使得大額保單量持續(xù)增加，保額也在不斷攀升。

本文擬根據(jù)大額保險(xiǎn)的特點(diǎn)，基于關(guān)聯(lián)規(guī)則挖掘算法的經(jīng)典算法Apriori算法，設(shè)計(jì)一套具有較高可行性的反欺詐系統(tǒng)，期望以此降低保險(xiǎn)運(yùn)營(yíng)成本，營(yíng)造一個(gè)良好的保險(xiǎn)行業(yè)環(huán)境。

1 大額保險(xiǎn)大數(shù)據(jù)智能反欺詐系統(tǒng)模型設(shè)計(jì)

本文從變量篩選、數(shù)據(jù)預(yù)處理、保險(xiǎn)欺詐規(guī)律挖掘和行為識(shí)別等方面，挖掘數(shù)據(jù)信息，基于Apriori算法建立大額保險(xiǎn)大數(shù)據(jù)智能反欺詐系統(tǒng)。

1.1 數(shù)據(jù)統(tǒng)計(jì)識(shí)別

1.1.1 變量選擇

變量篩選主要是從個(gè)人行為數(shù)據(jù)中選擇能夠反映個(gè)人信用的變量。因?yàn)榛ヂ?lián)網(wǎng)上個(gè)人行為種類繁多，有些變量能很好體現(xiàn)個(gè)人信用度，有些變量則對(duì)個(gè)人信用的影響不明顯。因此，我們需要選擇合適變量，才能夠準(zhǔn)確評(píng)價(jià)用戶的信用度[2]。

大額保險(xiǎn)用戶大致可分為以下幾個(gè)方面。

用戶數(shù)據(jù)：包括用戶的年齡，性別，婚姻，職業(yè)，教育程度，收入情況等。

信用數(shù)據(jù)：包括用戶在銀行的征信記錄，用戶在銀行或其他征信公司的征信記錄。

交易數(shù)據(jù)：包括用戶的交易金額，交易頻率，交易地點(diǎn)，交易賬戶等。

消費(fèi)數(shù)據(jù)：包括用戶的消費(fèi)時(shí)間，消費(fèi)地點(diǎn)，消費(fèi)習(xí)慣，消費(fèi)金額等。

社交數(shù)據(jù)：包括用戶的好友數(shù)量，好友的信用評(píng)級(jí)，好友的身份特征等。

除此之外變量之間可能存在一定聯(lián)系，共同反映用戶的某種特性，所以我們要盡量從多個(gè)維度來刻畫用戶的特征。

1.1.2 數(shù)據(jù)預(yù)處理

原始數(shù)據(jù)集常規(guī)情況下很難直接將其作為系統(tǒng)數(shù)據(jù)來源，針對(duì)該情況，必須對(duì)所收集到的數(shù)據(jù)作出相應(yīng)的處理，以確保建模和統(tǒng)計(jì)處理的相關(guān)要求。

1.2 保險(xiǎn)欺詐規(guī)律挖掘

保險(xiǎn)欺詐盡管花樣百出，但保險(xiǎn)公司有豐富的經(jīng)驗(yàn)和積累了豐富的數(shù)據(jù)，那么就能夠結(jié)合數(shù)據(jù)掌握其具體規(guī)律。目前，不少的保險(xiǎn)公司，針對(duì)大額保險(xiǎn)的欺詐處理，多以保險(xiǎn)人員個(gè)人的經(jīng)驗(yàn)為主，并從中總結(jié)出相應(yīng)的規(guī)律。

大額保險(xiǎn)所出現(xiàn)的欺詐行為分析指標(biāo)主要包括了欺詐特征、行為特征指標(biāo)兩個(gè)部分，抽取其中的一部分的指標(biāo)用來對(duì)Apriori算法進(jìn)行演示。

1.3 保險(xiǎn)欺詐行為識(shí)別

經(jīng)由保險(xiǎn)公司的信息系統(tǒng)數(shù)據(jù)庫(kù)來進(jìn)行數(shù)據(jù)的構(gòu)建，在對(duì)傳統(tǒng)分析模型進(jìn)行使用的過程中，結(jié)合Apriori算法數(shù)據(jù)關(guān)聯(lián)挖掘技術(shù)，對(duì)欺詐行為進(jìn)行分析、識(shí)別和評(píng)價(jià)。借助欺詐行為發(fā)生風(fēng)險(xiǎn)、可能性和成本、指數(shù)的分析，總結(jié)出一套相應(yīng)的欺詐風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果，并基于提出反欺詐風(fēng)險(xiǎn)管理策略與監(jiān)督管理體系。

考慮到保險(xiǎn)欺詐行為的識(shí)別業(yè)務(wù)的特殊性，如果將保險(xiǎn)欺詐的挖掘業(yè)務(wù)模式應(yīng)用與保險(xiǎn)欺詐行為的識(shí)別業(yè)務(wù)中是不可行的。為此，本文在進(jìn)行欺詐行為識(shí)別業(yè)務(wù)過程中，首先提出了先分布、然后再集中的流程處理模型。保險(xiǎn)欺詐行為的詳細(xì)識(shí)別業(yè)務(wù)模型如圖1所示。各個(gè)保險(xiǎn)公司首先將內(nèi)部數(shù)據(jù)庫(kù)中的業(yè)務(wù)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，所有的公司處理后的數(shù)據(jù)結(jié)構(gòu)應(yīng)該是一致的。

2 大額保險(xiǎn)大數(shù)據(jù)智能反欺詐系統(tǒng)實(shí)證分析

2.1 數(shù)據(jù)預(yù)處理及描述

本文基于Apriori算法構(gòu)建大額保險(xiǎn)大數(shù)據(jù)智能反欺詐新系統(tǒng)，具體的操作步驟如下。

首先掃描整張事務(wù)數(shù)據(jù)庫(kù)D，設(shè)置一個(gè)最小支持度Smin，根據(jù)最小支持度Smin產(chǎn)生第一個(gè)頻繁項(xiàng)集S1;由S1執(zhí)行連接和剪枝操作，產(chǎn)生候選項(xiàng)集的集合，并根據(jù)Smin產(chǎn)生頻繁項(xiàng)集S2;接下來再由S2產(chǎn)生S3;這樣的操作一直進(jìn)行下去，直到Sk成為空集時(shí)結(jié)束。

根據(jù)聚類分析中運(yùn)行效率高低的類別，所有的事務(wù)也可以分為五大類。對(duì)這五類數(shù)據(jù)分別使用Apriori算法，找到各自情況下的主要影響因素。所以頻繁項(xiàng)集的最小支持度滿足：

[Sminn

公式⑴中，[An]主要用于表示第n類運(yùn)行效率的事務(wù)集;[Sminn]主要用于對(duì)該事務(wù)集的頻繁項(xiàng)集的最小支持度進(jìn)行表示。

每個(gè)影響因素都產(chǎn)生五個(gè)“項(xiàng)”，假設(shè)最終數(shù)據(jù)產(chǎn)生的項(xiàng)為B1， B2，B3，B4， C1， C2，C3，D1，...，掃描整張數(shù)據(jù)表格，根據(jù)最小支持度Smin找到第一個(gè)頻繁項(xiàng)集的集合;在此基礎(chǔ)上，連接下一個(gè)項(xiàng)，產(chǎn)生含有兩個(gè)項(xiàng)的候選項(xiàng)集（例如：B1BC2，B1BC3，C2D2，...）;剪枝后根據(jù)最小支持度得出第二個(gè)頻繁項(xiàng)集的集合。以此類推，直到最后產(chǎn)生的頻繁項(xiàng)集是空集。最終，該算法一共得到五個(gè)頻繁項(xiàng)集。

該算法分別找出了可以欺詐行為風(fēng)險(xiǎn)高、較高、一般、較低、低的頻繁項(xiàng)集。在這些項(xiàng)集中，所有出現(xiàn)的疑似欺詐行為，都是導(dǎo)致大額保險(xiǎn)管理風(fēng)險(xiǎn)的主要影響因素。

2.2 大額保險(xiǎn)大數(shù)據(jù)智能反欺詐系統(tǒng)實(shí)證結(jié)果

2.2.1 系統(tǒng)主體業(yè)務(wù)流程

系統(tǒng)的主體業(yè)務(wù)流程分為四個(gè)階段：

Step1：數(shù)據(jù)抽取，系統(tǒng)通過把各個(gè)保險(xiǎn)公司的大額保險(xiǎn)業(yè)務(wù)數(shù)據(jù)集合起來并進(jìn)行預(yù)處理，然后把保單數(shù)據(jù)保存至汽車保險(xiǎn)反欺詐系統(tǒng)的中央數(shù)據(jù)庫(kù)。

Step2：數(shù)據(jù)加工，大額保險(xiǎn)反欺詐系統(tǒng)的核必系統(tǒng)通過這些數(shù)據(jù)進(jìn)行挖掘，發(fā)現(xiàn)其中的規(guī)律，并將規(guī)律與數(shù)據(jù)進(jìn)行保存。

Step3：數(shù)據(jù)查詢，當(dāng)各個(gè)保險(xiǎn)公司的業(yè)務(wù)員在建立保單時(shí)，需要通過大額保險(xiǎn)的反欺詐系統(tǒng)進(jìn)行風(fēng)險(xiǎn)分析，以確定該保單是否接受，當(dāng)投保人要求理賠時(shí)，可以根據(jù)分析結(jié)果來確定是否應(yīng)該賠付與賠付的具體額度。

Step4：數(shù)據(jù)保存，對(duì)于風(fēng)險(xiǎn)特別高的數(shù)據(jù)，業(yè)務(wù)員應(yīng)該保存到大額保險(xiǎn)反欺詐系統(tǒng)中。

2.2.2 試驗(yàn)結(jié)果

將已有的數(shù)據(jù)分別分為訓(xùn)練集和測(cè)試集兩個(gè)部分，訓(xùn)練集用于反向傳播訓(xùn)練系統(tǒng)，測(cè)試集用來檢驗(yàn)系統(tǒng)輸出的誤差與精度。將所有數(shù)據(jù)循環(huán)處理一次，時(shí)間在0.5s左右，此時(shí)的測(cè)試誤差約15%;循環(huán)處理100、1000、2000次系統(tǒng)的預(yù)測(cè)精度會(huì)有明顯的提升。最終將2000次循環(huán)后的結(jié)果等價(jià)為：運(yùn)行效率與其主要影響因素的定量關(guān)系。

將提取主要影響因素的訓(xùn)練結(jié)果（CNN4）、不提取主要影響因素的結(jié)果（CNN6）以及使用Apriori算法的結(jié)果放到一張表中進(jìn)行對(duì)比，結(jié)果見表1。

從表1對(duì)比結(jié)果來看，Apriori算法考慮全部影響因素的運(yùn)行效率預(yù)測(cè)值誤差為0.98%;而僅考慮主要影響因素的預(yù)測(cè)誤差0.71%，預(yù)測(cè)精度都很高，都可以很好地預(yù)測(cè)運(yùn)行效率值。

本系統(tǒng)已經(jīng)在某財(cái)險(xiǎn)的部分分公司與某保險(xiǎn)的部分分公司試運(yùn)營(yíng)，通過半年內(nèi)的152件減損與拒賠的案件的處理，總共為保險(xiǎn)公司減損或拒賠的金額達(dá)9638.84萬(wàn)元。

3 結(jié)束語(yǔ)

近年來，我國(guó)各個(gè)地區(qū)保險(xiǎn)欺詐事件的頻頻出現(xiàn)，且發(fā)生率日漸明顯。面對(duì)這種層出不窮的欺詐行為，保險(xiǎn)人士很難經(jīng)由個(gè)人經(jīng)驗(yàn)來進(jìn)行有效識(shí)別，但隨著大數(shù)據(jù)技術(shù)的發(fā)展，基于Apriori算法就能夠?qū)崿F(xiàn)對(duì)各項(xiàng)數(shù)據(jù)的關(guān)聯(lián)處理，從而快速完成對(duì)大額保險(xiǎn)欺詐行為的有效識(shí)別。為了能夠盡可能地減少欺詐案件，推動(dòng)社會(huì)資金的合理分配與保險(xiǎn)行業(yè)的正常發(fā)展，本文基于Apriori算法構(gòu)建起了大額保險(xiǎn)大數(shù)據(jù)智能反欺詐系統(tǒng)，較好的實(shí)現(xiàn)對(duì)現(xiàn)階段大額保險(xiǎn)欺詐行為的有效識(shí)別，但該系統(tǒng)還存在一定的局限之處，還需要借助數(shù)據(jù)挖掘技術(shù)對(duì)各項(xiàng)業(yè)務(wù)數(shù)據(jù)做進(jìn)一步的挖掘，提高系統(tǒng)運(yùn)作的有效性。

參考文獻(xiàn)（References）：

[1] 白浩，袁智勇，孫睿等.基于Apriori算法和卷積神經(jīng)網(wǎng)絡(luò)的配電設(shè)備運(yùn)行效率主要影響因素挖掘[J].電力建設(shè)，2020.41（3）：31-38

[2] 翟繼強(qiáng)，馬文亭，肖亞軍.Apriori-KNN算法的警報(bào)過濾機(jī)制的入侵檢測(cè)系統(tǒng)[J].小型微型計(jì)算機(jī)系統(tǒng)，2018.39（12）：2632-2635