CN109242538A - 医保定价方法、装置、计算机设备和存储介质 - Google Patents
医保定价方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109242538A CN109242538A CN201810925039.2A CN201810925039A CN109242538A CN 109242538 A CN109242538 A CN 109242538A CN 201810925039 A CN201810925039 A CN 201810925039A CN 109242538 A CN109242538 A CN 109242538A
- Authority
- CN
- China
- Prior art keywords
- resolution
- user
- insures
- scheme
- amount
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000003745 diagnosis Methods 0.000 claims abstract description 43
- 230000006399 behavior Effects 0.000 claims description 49
- 239000000203 mixture Substances 0.000 claims description 44
- 238000004590 computer program Methods 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 abstract 1
- 239000000047 product Substances 0.000 description 37
- 230000036541 health Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000001225 therapeutic effect Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 229910052737 gold Inorganic materials 0.000 description 3
- 239000010931 gold Substances 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及大数据分析领域，特别涉及一种医保定价方法、装置、计算机设备和存储介质。所述方法包括：获取每个投保用户的就诊信息；将就诊信息输入训练好的理赔行为模型得到每个投保用户的第一理赔方案；计算每个投保用户的第一理赔方案对应的理赔金额；根据理赔金额计算投保用户所在的用户群体的年度理赔总额；根据年度理赔总额确定保险产品的价格。采用本方法能够根据对历史数据进行分析，训练得到理赔行为模型，从而模拟保险产品的潜在用户群体的理赔方案选择情况，使得最后的定价更为准确。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种医保定价方法、装置、计算机设备和存储介质。
背景技术
定价策略，是市场营销组合中一个十分关键的组成部分，由于保险产品的价格需要根据此保险产品在未来保期内的理赔情况来确定，而未来的理赔情况无法预测，因此保险定价成为保险行业中的难点。
传统地，在对医保进行定价时，通常是对上一年度的相似产品的历史理赔记录进行分析，然而，由于在实际理赔过程中可能存在骗保行为，且相似产品也不一定能够反映本投保产品的实际理赔情况，因而根据历史理赔记录得到的定价可能并不准确。
发明内容
基于此，有必要针对上述技术问题，提供一种能够定价准确的医保定价方法、装置、计算机设备和存储介质。
一种医保定价方法，所述方法包括：
获取每个投保用户的就诊信息；
将所述就诊信息输入训练好的理赔行为模型得到所述每个投保用户的第一理赔方案；
计算所述每个投保用户的第一理赔方案对应的理赔金额；
根据所述理赔金额计算所述投保用户所在的用户群体的年度理赔总额；
根据所述年度理赔总额确定所述保险产品的价格。
在其中一个实施例中，所述将所述就诊信息输入训练好的理赔行为模型得到所述每个投保用户的第一理赔方案之后，还包括：
从所述每个投保用户的第一理赔方案中选择每个投保用户对应的最优方案；
所述计算所述每个投保用户的第一理赔方案对应的理赔金额，包括：
计算所述最优方案对应的理赔金额。
在其中一个实施例中，所述将所述就诊信息输入训练好的理赔行为模型得到所述每个投保用户的第一理赔方案，包括：
将所述就诊信息输入训练好的理赔行为模型得到所述每个投保用户的第一理赔方案和所述第一理赔方案对应的历史报销次数；
获取历史报销次数对应的总报销次数；
计算所述第一理赔方案对应的历史报销次数在所述总报销次数中的占比作为所述每个投保用户对应的第一理赔方案的占比参数；
所述计算所述每个投保用户的第一理赔方案对应的理赔金额，包括：
计算所述每个投保用户对应的第一理赔方案的占比参数对应的理赔金额。
在其中一个实施例中，所述根据所述理赔金额计算所述投保用户所在的用户群体的年度理赔总额之后，还包括：
获取所述用户群体中的组成特征；
获取组成特征对历史用户群体的影响参数；
根据所述影响参数对所述用户群体的年度理赔总额进行调整。
在其中一个实施例中，所述影响参数的获取方式包括：
获取特征样本，所述特征样本包括特征数据和所述特征数据对应的特征理赔方案，计算所述特征理赔方案对应的特征理赔金额；
获取与特征样本对应的历史样本，所述历史样本包括样本数据和所述样本数据对应的第二理赔方案，计算所述第二理赔方案对应的第二理赔金额；
计算所述特征理赔金额和所述第二理赔金额的差值；
根据所述差值计算所述组成特征对历史用户群体的影响参数。
在其中一个实施例中，所述理赔行为模型的训练方式，包括：
获取训练理赔数据；
根据语义识别规则，从所述训练理赔数据中识别出历史投保用户的训练就诊数据和与所述训练就诊数据对应的理赔历史；
获取初始模型，在所述初始模型中建立所述历史投保用户的所述训练就诊数据和所述理赔历史之间的映射关系得到理赔行为模型。
一种医保定价装置，所述装置包括：
获取模块，用于获取每个投保用户的就诊信息；
模型分析模块，用于将所述就诊信息输入训练好的理赔行为模型得到所述每个投保用户的第一理赔方案；
理赔金额计算模块，用于计算所述每个投保用户的第一理赔方案对应的理赔金额；
总额计算模块，用于根据所述理赔金额计算所述投保用户所在的用户群体的年度理赔总额；
定价模块，用于根据所述年度理赔总额确定所述保险产品的价格。
在其中一个实施例中，所述装置还包括：
最优方案选择模块，用于从所述每个投保用户的第一理赔方案中选择每个投保用户对应的最优方案；
则所述总额计算模块，还用于计算所述最优方案对应的理赔金额。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
上述医保定价方法、装置、计算机设备和存储介质，通过训练好的理赔行为模型对每个投保用户的就诊信息进行分析，得到每个投保用户的理赔方案；然后根据每个投保用户的理赔方案，然后根据理赔方案计算出对应的理赔金额，统计用户群体中每个投保用户的理赔金额，计算出年度理赔总额，由用户群体的年度理赔总额来对此医保进行定价，模拟保险产品的潜在用户群体的理赔方案选择情况，使得最后的定价更为准确。
附图说明
图1为一个实施例中医保定价方法的应用场景图；
图2为一个实施例中医保定价方法的流程示意图；
图3为一个实施例中影响参数的获取方式的流程示意图；
图4为一个实施例中理赔行为模型的训练方式的流程示意图；
图5为一个实施例中医保定价装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的医保定价方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信。终端102向服务器104发送每个投保用户的就诊信息，服务器104通过训练好的理赔行为模型对每个投保用户的就诊信息进行分析，得到每个投保用户的理赔方案；然后根据每个投保用户的理赔方案，然后根据理赔方案计算出对应的理赔金额，统计用户群体中每个投保用户的理赔金额，计算出年度理赔总额，由用户群体的年度理赔总额来对此医保进行定价。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种医保定价方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S202，获取每个投保用户的就诊信息。
其中，投保用户是此投保产品定价时考虑的对象，由于在对投保产品进行定价时，通常此产品还未开始销售，故可以将潜在的购买用户作为此投保产品的投保用户；如上一年度购买了此产品或相似产品的用户。
就诊信息是反映此投保用户身体状况、或者此投保用户当前接收的治疗方案等的信息，如投保用户的门诊记录、或投保用户在购买保险产品时提供的其他诊断信息等。
具体地，服务器获取此投保产品的潜在投保用户的信息，并从中选取能够反映此投保用户健康状况的就诊信息。
可选地，当上述投保用户的就诊信息不完整时，可查看此投保用户是否在医保系统中有投保记录，若有，则将此投保用户投保记录中的信息作为此就诊信息的补充。
S204，将就诊信息输入训练好的理赔行为模型得到每个投保用户的第一理赔方案。
其中，理赔行为模型是根据历史理赔记录，训练出的能够根据投保用户的就诊信息获取对应的第一理赔方案的分析模型。对应地，第一理赔方案是根据理赔行为模型得到的此投保用户的就诊信息对应的理赔方案，如按照每个月理赔若干次，每次理赔金额占此投保用户医疗花费的比例等。
具体地，服务器获取投保用户的就诊信息后，根据训练好的理赔行为模型中的数据分析规则，为此投保用户模拟选择一个理赔方案，即第一理赔方案；如当就诊信息包含投保用户的治疗方案的信息时，可根据此治疗方案对应的医疗花费情况，为投保用户选择第一理赔方案；若就诊信息只为投保用户的健康数据，不包含治疗方案时，则可先分析此投保用户在保险产品的保期内可能产生花费的医疗项目，然后根据这些医疗项目来为投保用户选择第一理赔方案。
可选地，在服务器利用理赔行为模型为此投保用户选择第一理赔方案时，若此投保用户之前有过投保记录，可将此投保用户在以往投保记录中的理赔习惯作为理赔方案选择的考虑因素。
S206，计算每个投保用户的第一理赔方案对应的理赔金额。
具体地，服务器根据S104中得到的第一理赔方案，计算出在此投保产品的保期内，需要给投保用户赔偿的金额。如投保用户的就诊信息对应的第一理赔方案为每个月报销三次，每次报销比例为其医疗花费的80％，则可将此投保用户三次医疗花费总额的80％作为此第一理赔方案本月对应的理赔金额，若此投保产品的保期为一年，则可通过求和的方式等得到此投保用户一年内的理赔金额。
S208，根据理赔金额计算投保用户所在的用户群体的年度理赔总额。
其中，投保用户所在的用户群体是此保险产品的潜在用户群体，如某一城市的市民，或者某一年龄段的公民。
具体地，服务器根据每个投保用户的第一理赔方案对应的理赔金额，计算一年内需要给此保险产品的潜在的用户群体赔偿的总金额，即年度理赔金额。
可选地，可先通过每个投保用户的理赔金额，计算出此用户一年的理赔金额，然后对所有投保用户一年的理赔金额进行求和，得出此投保用户的集合的年度理赔金额，最后根据上述分析的投保用户的集合的人数在投保用户所在的用户群体的占比，计算出投保用户所在的用户群体的年度理赔总额。
S210，根据年度理赔总额确定保险产品的价格。
具体地，服务器根据对此保险产品的潜在用户群体的年度理赔总额，计算出平均每个投保用户的平均的年度理赔金额，结合在此保险产品的保期内的其他影响因素，如银行年利率的变动等，对保险产品进行定价，保证此保险产品的定价能够保证盈亏平衡。
上述医保定价方法，通过训练好的理赔行为模型对每个投保用户的就诊信息进行分析，得到每个投保用户的理赔方案；然后根据每个投保用户的理赔方案，然后根据理赔方案计算出对应的理赔金额，统计用户群体中每个投保用户的理赔金额，计算出年度理赔总额，由用户群体的年度理赔总额来对此医保进行定价，模拟保险产品的潜在用户群体的理赔方案选择情况，使得最后的定价更为准确。
在一个实施例中，上述医保定价方法中的步骤S204将就诊信息输入训练好的理赔行为模型得到每个投保用户的第一理赔方案之后，还可以包括：从每个投保用户的第一理赔方案中选择每个投保用户对应的最优方案。则步骤S206的计算每个投保用户的第一理赔方案对应的理赔金额，可以包括：计算最优方案对应的理赔金额。
具体地，将每个投保用户的就诊信息输入到理赔行为模型中后，模型可能会根据历史的理赔记录为此就诊信息匹配出多个第一理赔方案，服务器可从多个第一理赔方案中挑选出对投保用户而言报销金额最多的理赔方案，即此投保用户对应的最优方案。例如，若每个投保用户每月限定报销3笔诊断费用，而该投保用户当月有5次医疗花费；投保用户可以选择每次花费后就报销一笔，则只可以报销3次医疗花费，或者投保用户可以选择将此5次医疗花费作为一次性报销，则5次医疗花费都可以被报销；明显第二种理赔方案对投保用户而言报销金额最多，也最优惠，即将第二种理赔方案；在计算每个投保用户的第一理赔方案对应的理赔金额时，只需计算每个投保用户对应的最优方案的理赔金额即可。
上述实施例中，在对保险产品定价时，只需要选取每个投保用户对应的最优方案作为年度理赔总额的依据，对于每个投保用户而言的最优方案，即为对每个投保用户需要报销的最大金额，从而保证最终确定的保险产品的价格能够盈利；且只考虑每个投保用户的最优方案也可以减少后续的计算量。
在一个实施例中，将就诊信息输入训练好的理赔行为模型得到每个投保用户的第一理赔方案，包括：将就诊信息输入训练好的理赔行为模型得到每个投保用户的第一理赔方案和第一理赔方案对应的历史报销次数；获取历史报销次数对应的总报销次数；计算第一理赔方案对应的历史报销次数在总报销次数中的占比作为每个投保用户对应的第一理赔方案的占比参数。计算每个投保用户的第一理赔方案对应的理赔金额，包括：计算每个投保用户对应的第一理赔方案的占比参数对应的理赔金额。
具体地，第一理赔方案对应的历史报销次数是在训练理赔行为模型时，统计多个第一理赔方案每个在历史理赔记录中的报销次数；在将就诊信息输入训练好的理赔行为模型后，理赔行为模型输出此就诊信息对应的多个第一理赔方案，同时也输出每个第一理赔方案对应的历史报销次数。然后，服务器获取此就诊信息对应的所有的第一理赔方案的所有报销次数，即总报销次数。计算诊断信息对应的每个第一理赔方案的历史报销次数在所有的第一理赔方案的总报销次数中的占比，得到占比参数；例如，若在所有的投保用户中，有20％用户选择每次花费后就报销一笔，而50％选择将每月的花费一次报销，20％的用户选择每两次花费后报销一笔等理赔方案。计算投保用户对应的所有的第一理赔方案的分别对应的理赔金额，然后根据每个第一理赔方案的占比参数，对每个第一理赔方案对应的理赔金额乘以占比参数，再进行求和，得到所有的第一理赔方案对应理赔金额。
上述实施例中，除了选择最优方案之外，也可以根据历史记录中多个第一理赔方案的历史报销次数，计算出每一个理赔方案在总报销次数中被选择的占比参数，使得最终计算得出的用户群体的年度理赔总额更能够反映历史的报销情况，对保险产品的定价也更准确。
在一个实施例中，根据理赔金额计算投保用户所在的用户群体的年度理赔总额之后，还包括：获取用户群体中的组成特征；获取组成特征对历史用户群体的影响参数；根据影响参数对用户群体的年度理赔总额进行调整。
其中，组成特征是上述保险产品所针对的潜在用户的特征，如男女比例、年龄组成等。则影响参数是根据对历史报销记录中不同的组成特征对第一理赔方案的被选择情况造成的影响得到的参数，如在男生比例较高的人群中，选择每次花费后就报销一笔的比例，会明显高于女生比例较高的人群。
具体地，服务器可以根据保险产品所针对的潜在用户的特征，获取根据历史理赔记录中不同组成特征对应的投保用户群体在选择理赔方案时的倾向性，设定的影响参数。在计算此用户群体的年度理赔总额时将此影响参数考虑进去，对用户群体的年度理赔总额进行调整。
上述实施例中，通过投保用户群体的组成特征，分析其在选择理赔方案时的倾向性，提高计算效率，也提高了对此用户群体的年度理赔总额计算的准确性。
在一个实施例中，请参见图3，上述影响参数的获取方式，可以包括以下步骤：
S302，获取特征样本，特征样本包括特征数据和特征数据对应的特征理赔方案，计算特征理赔方案对应的特征理赔金额。
其中，特征样本是用于得到不同组成特征的用户群体的理赔方案的样本，可以是多个不同组成特征的用户群体的理赔记录。特征数据是此特征样本的组成特征，如一个都为女生的用户群体的样本，则特征数据为女生占比为100％；特征数据对应的理赔方案则是此组成特征的用户群体选择的理赔方案，即都为女生的用户群体选择的理赔方案。
具体地，服务器获取不同组成特征对应的用户群体，根据每一组成特征的用户群体选择的理赔方案，计算出对应的理赔金额，即特征理赔金额。
S304，获取与特征样本对应的历史样本，历史样本包括样本数据和样本数据对应的第二理赔方案，计算第二理赔方案对应的第二理赔金额。
其中，历史样本是各组成特征不明显的用户群体的理赔记录的样本，即男女比例均衡、各年龄段组成能够反映正常状况的用户群体的理赔记录。则样本数据为此历史样本中的组成特征的数据，第二理赔方案即为历史样本对应的用户群体的理赔方案选择情况。
具体地，服务器获取各组成特征不明显的用户群体的理赔记录的历史样本，根据此历史样本中的用户群体选择的第二理赔方案，计算出此第二理赔方案对应的第二理赔金额。
S306，计算特征理赔金额和第二理赔金额的差值。
具体地，服务器在通过步骤S302和步骤S304，分别获取到具有一定组成特征的用户群体的理赔方案选择和组成特征不明显的用户群体的理赔方案选择后，通过计算二者的差值，能够将组成特征对于用户群体的理赔方案选择的影响数值化。
S308，根据差值计算组成特征对历史用户群体的影响参数。
具体地，通过上述差值得到组成特征在历史理赔记录中对用户群体的影响情况，得出组成特征对历史理赔记录的用户群体选择的理赔方案造成的理赔金额的差值的影响参数。
上述实施例中，通过对历史理赔记录中，具有一定组成特征的用户群体和组成特征不明显的用户群体选择的理赔方案对应的理赔金额的差值，计算出对应的组成特征对历史用户群体的影响参数，将具有一定组成特征的用户群体对于理赔方案的选择转化为最终理赔金额上的影响参数，根据得到的影响参数对用户群体的年度理赔总额进行调整，能够获得更准确的年度理赔总额。
在一个实施例中，请参见图4，上述医保定价方法中的理赔行为模型的训练方式，可以包括以下步骤：
S402，获取训练理赔数据。
其中，训练理赔数据是用于训练理赔行为模型的数据，可以是上一年度该保险产品或相关产品的理赔数据，包括上一年度投保用户的身体状况，如门诊信息和报销的情况和金额等。
具体地，服务器获取用于训练理赔行为模型的训练理赔数据。
S404，根据语义识别规则，从训练理赔数据中识别出历史投保用户的训练就诊数据和与训练就诊数据对应的理赔历史。
其中，语义识别规则是用于从训练理赔数据中选取训练模型需要的数据的设定规则；可以是通过设定关键词的形式，使得服务器能够从训练理赔数据中提取用于反映投保用户的身体状况或者理赔方案的关键词；如疾病名称、治疗手段、报销次数和报销金额等。另外，此语义识别规则也可以通过NLP(NaturalLanguage Processing自然语言处理)技术识别训练理赔数据的文意，从中提取用于反映投保用户的身体状况或者理赔方案的数据。
具体地，服务器根据语义识别规则，从训练理赔数据中识别出能够反映历史投保用户的历史就诊信息的训练就诊数据，如历史投保用户的门诊信息等；并识别出能够反映此历史就诊信息对应的理赔方案的理赔历史，如用户选择的报销周期和报销金额等。
S406，获取初始模型，在初始模型中建立历史投保用户的训练就诊数据和理赔历史之间的映射关系得到理赔行为模型。
具体地，服务器建立历史就诊信息和与历史就诊信息对应的理赔历史之间的映射关系，此映射关系即为能够根据历史理赔记录训练出的能够根据用户的就诊信息获取对应的理赔方案的分析模型，即理赔行为模型。
上述实施例中，根据历史投保用户的投保记录训练理赔行为模型，能够更准确地模拟此保险产品的潜在用户群体的投保情况。
应该理解的是，虽然图2至图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2至图4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种医保定价装置，包括：获取模块100、模型分析模块200、理赔金额计算模块300、总额计算模块400和定价模块500，其中：
获取模块100，用于获取每个投保用户的就诊信息。
模型分析模块200，用于将就诊信息输入训练好的理赔行为模型得到每个投保用户的第一理赔方案。
理赔金额计算模块300，用于计算每个投保用户的第一理赔方案对应的理赔金额。
总额计算模块400，用于根据理赔金额计算投保用户所在的用户群体的年度理赔总额。
定价模块500，用于根据年度理赔总额确定保险产品的价格。
在一个实施例中，上述医保定价装置中还可以包括：
最优方案选择模块，用于从每个投保用户的第一理赔方案中选择每个投保用户对应的最优方案。
则上述总额计算模块400，还用于计算最优方案对应的理赔金额。
在一个实施例中，上述医保定价装置中模型分析模块200，可以包括：
方案获取单元，用于将就诊信息输入训练好的理赔行为模型得到每个投保用户的第一理赔方案和第一理赔方案对应的历史报销次数。
总报销次数获取单元，用于获取历史报销次数对应的总报销次数。
方案比例计算单元，用于计算第一理赔方案对应的历史报销次数在总报销次数中的占比作为每个投保用户对应的第一理赔方案的占比参数。
则上述总额计算模块400，还用于计算每个投保用户对应的第一理赔方案的占比参数对应的理赔金额。
在一个实施例中，上述医保定价装置还可以包括：
特征分析模块，用于获取用户群体中的组成特征。
影响参数获取模块，用于获取组成特征对历史用户群体的影响参数。
总额跳转模块，用于根据影响参数对用户群体的年度理赔总额进行调整。
在一个实施例中，上述医保定价装置，还可以包括：
特征样本获取模块，用于获取特征样本，特征样本包括特征数据和特征数据对应的特征理赔方案，计算特征理赔方案对应的特征理赔金额。
样本理赔金额计算模块，用于获取与特征样本对应的历史样本，历史样本包括样本数据和样本数据对应的第二理赔方案，计算第二理赔方案对应的第二理赔金额。
差值计算模块，用于计算特征理赔金额和第二理赔金额的差值。
影响参数计算模块，用于根据差值计算组成特征对历史用户群体的影响参数。
在一个实施例中，上述医保定价装置，还可以包括：
样本获取模块，用于获取训练理赔数据。
识别模块，用于根据语义识别规则，从训练理赔数据中识别出历史投保用户的训练就诊数据和与训练就诊数据对应的理赔历史。
模型训练模块，用于获取初始模型，在初始模型中建立历史投保用户的训练就诊数据和理赔历史之间的映射关系得到理赔行为模型。
关于医保定价装置的具体限定可以参见上文中对于医保定价方法的限定，在此不再赘述。上述医保定价装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储医保定价数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医保定价方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取每个投保用户的就诊信息；将就诊信息输入训练好的理赔行为模型得到每个投保用户的第一理赔方案；计算每个投保用户的第一理赔方案对应的理赔金额；根据理赔金额计算投保用户所在的用户群体的年度理赔总额；根据年度理赔总额确定保险产品的价格。
在一个实施例中，处理器执行计算机程序时实现的将就诊信息输入训练好的理赔行为模型得到每个投保用户的第一理赔方案之后，还可以包括：从每个投保用户的第一理赔方案中选择每个投保用户对应的最优方案；则处理器执行计算机程序时实现的计算每个投保用户的第一理赔方案对应的理赔金额，可以包括：计算最优方案对应的理赔金额。
在一个实施例中，处理器执行计算机程序时实现的将就诊信息输入训练好的理赔行为模型得到每个投保用户的第一理赔方案，可以包括：将就诊信息输入训练好的理赔行为模型得到每个投保用户的第一理赔方案和第一理赔方案对应的历史报销次数；获取历史报销次数对应的总报销次数；计算第一理赔方案对应的历史报销次数在总报销次数中的占比作为每个投保用户对应的第一理赔方案的占比参数；则处理器执行计算机程序时实现的计算每个投保用户的第一理赔方案对应的理赔金额，可以包括：计算每个投保用户对应的第一理赔方案的占比参数对应的理赔金额。
在一个实施例中，处理器执行计算机程序时实现的根据理赔金额计算投保用户所在的用户群体的年度理赔总额之后，还可以包括：获取用户群体中的组成特征；获取组成特征对历史用户群体的影响参数；根据影响参数对用户群体的年度理赔总额进行调整。
在一个实施例中，处理器执行计算机程序时实现的影响参数的获取方式，可以包括：获取特征样本，特征样本包括特征数据和特征数据对应的特征理赔方案，计算特征理赔方案对应的特征理赔金额；获取与特征样本对应的历史样本，历史样本包括样本数据和样本数据对应的第二理赔方案，计算第二理赔方案对应的第二理赔金额；计算特征理赔金额和第二理赔金额的差值；根据差值计算组成特征对历史用户群体的影响参数。
在一个实施例中，处理器执行计算机程序时实现的理赔行为模型的训练方式，可以包括：获取训练理赔数据；根据语义识别规则，从训练理赔数据中识别出历史投保用户的训练就诊数据和与训练就诊数据对应的理赔历史；获取初始模型，在初始模型中建立历史投保用户的训练就诊数据和理赔历史之间的映射关系得到理赔行为模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取每个投保用户的就诊信息；将就诊信息输入训练好的理赔行为模型得到每个投保用户的第一理赔方案；计算每个投保用户的第一理赔方案对应的理赔金额；根据理赔金额计算投保用户所在的用户群体的年度理赔总额；根据年度理赔总额确定保险产品的价格。
在一个实施例中，计算机程序被处理器执行时实现的将就诊信息输入训练好的理赔行为模型得到每个投保用户的第一理赔方案之后，还可以包括：从每个投保用户的第一理赔方案中选择每个投保用户对应的最优方案；则计算机程序被处理器执行时实现的计算每个投保用户的第一理赔方案对应的理赔金额，可以包括：计算最优方案对应的理赔金额。
在一个实施例中，计算机程序被处理器执行时实现的将就诊信息输入训练好的理赔行为模型得到每个投保用户的第一理赔方案，可以包括：将就诊信息输入训练好的理赔行为模型得到每个投保用户的第一理赔方案和第一理赔方案对应的历史报销次数；获取历史报销次数对应的总报销次数；计算第一理赔方案对应的历史报销次数在总报销次数中的占比作为每个投保用户对应的第一理赔方案的占比参数；则计算机程序被处理器执行时实现的计算每个投保用户的第一理赔方案对应的理赔金额，可以包括：计算每个投保用户对应的第一理赔方案的占比参数对应的理赔金额。
在一个实施例中，计算机程序被处理器执行时实现的根据理赔金额计算投保用户所在的用户群体的年度理赔总额之后，还可以包括：获取用户群体中的组成特征；获取组成特征对历史用户群体的影响参数；根据影响参数对用户群体的年度理赔总额进行调整。
在一个实施例中，计算机程序被处理器执行时实现的影响参数的获取方式，可以包括：获取特征样本，特征样本包括特征数据和特征数据对应的特征理赔方案，计算特征理赔方案对应的特征理赔金额；获取与特征样本对应的历史样本，历史样本包括样本数据和样本数据对应的第二理赔方案，计算第二理赔方案对应的第二理赔金额；计算特征理赔金额和第二理赔金额的差值；根据差值计算组成特征对历史用户群体的影响参数。
在一个实施例中，计算机程序被处理器执行时实现的理赔行为模型的训练方式，可以包括：获取训练理赔数据；根据语义识别规则，从训练理赔数据中识别出历史投保用户的训练就诊数据和与训练就诊数据对应的理赔历史；获取初始模型，在初始模型中建立历史投保用户的训练就诊数据和理赔历史之间的映射关系得到理赔行为模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种医保定价方法，所述方法包括：
获取每个投保用户的就诊信息；
将所述就诊信息输入训练好的理赔行为模型得到所述每个投保用户的第一理赔方案；
计算所述每个投保用户的第一理赔方案对应的理赔金额；
根据所述理赔金额计算所述投保用户所在的用户群体的年度理赔总额；
根据所述年度理赔总额确定所述保险产品的价格。
2.根据权利要求1所述的方法，其特征在于，所述将所述就诊信息输入训练好的理赔行为模型得到所述每个投保用户的第一理赔方案之后，还包括：
从所述每个投保用户的第一理赔方案中选择每个投保用户对应的最优方案；
所述计算所述每个投保用户的第一理赔方案对应的理赔金额，包括：
计算所述最优方案对应的理赔金额。
3.根据权利要求1所述的方法，其特征在于，所述将所述就诊信息输入训练好的理赔行为模型得到所述每个投保用户的第一理赔方案，包括：
将所述就诊信息输入训练好的理赔行为模型得到所述每个投保用户的第一理赔方案和所述第一理赔方案对应的历史报销次数；
获取历史报销次数对应的总报销次数；
计算所述第一理赔方案对应的历史报销次数在所述总报销次数中的占比作为所述每个投保用户对应的第一理赔方案的占比参数；
所述计算所述每个投保用户的第一理赔方案对应的理赔金额，包括：
计算所述每个投保用户对应的第一理赔方案的占比参数对应的理赔金额。
4.根据权利要求1所述的方法，其特征在于，所述根据所述理赔金额计算所述投保用户所在的用户群体的年度理赔总额之后，还包括：
获取所述用户群体中的组成特征；
获取组成特征对历史用户群体的影响参数；
根据所述影响参数对所述用户群体的年度理赔总额进行调整。
5.根据权利要求4所述的方法，其特征在于，所述影响参数的获取方式包括：
获取特征样本，所述特征样本包括特征数据和所述特征数据对应的特征理赔方案，计算所述特征理赔方案对应的特征理赔金额；
获取与特征样本对应的历史样本，所述历史样本包括样本数据和所述样本数据对应的第二理赔方案，计算所述第二理赔方案对应的第二理赔金额；
计算所述特征理赔金额和所述第二理赔金额的差值；
根据所述差值计算所述组成特征对历史用户群体的影响参数。
6.根据权利要求1所述的方法，其特征在于，所述理赔行为模型的训练方式，包括：
获取训练理赔数据；
根据语义识别规则，从所述训练理赔数据中识别出历史投保用户的训练就诊数据和与所述训练就诊数据对应的理赔历史；
获取初始模型，在所述初始模型中建立所述历史投保用户的所述训练就诊数据和所述理赔历史之间的映射关系得到理赔行为模型。
7.一种医保定价装置，其特征在于，所述装置包括：
获取模块，用于获取每个投保用户的就诊信息；
模型分析模块，用于将所述就诊信息输入训练好的理赔行为模型得到所述每个投保用户的第一理赔方案；
理赔金额计算模块，用于计算所述每个投保用户的第一理赔方案对应的理赔金额；
总额计算模块，用于根据所述理赔金额计算所述投保用户所在的用户群体的年度理赔总额；
定价模块，用于根据所述年度理赔总额确定所述保险产品的价格。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
最优方案选择模块，用于从所述每个投保用户的第一理赔方案中选择每个投保用户对应的最优方案；
则所述总额计算模块，还用于计算所述最优方案对应的理赔金额。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810925039.2A CN109242538A (zh) | 2018-08-14 | 2018-08-14 | 医保定价方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810925039.2A CN109242538A (zh) | 2018-08-14 | 2018-08-14 | 医保定价方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109242538A true CN109242538A (zh) | 2019-01-18 |
Family
ID=65070896
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810925039.2A Pending CN109242538A (zh) | 2018-08-14 | 2018-08-14 | 医保定价方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109242538A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978702A (zh) * | 2019-04-18 | 2019-07-05 | 太平洋医疗健康管理有限公司 | 大病商业补充医疗保险赔付率分析方法及系统 |
| CN110060166A (zh) * | 2019-03-13 | 2019-07-26 | 平安科技（深圳）有限公司 | 智能理赔方法、装置、计算机设备以及存储介质 |
| CN111524017A (zh) * | 2019-02-01 | 2020-08-11 | 天津幸福生命科技有限公司 | 理赔数据的审核方法、装置及介质 |
| CN114331595A (zh) * | 2021-12-15 | 2022-04-12 | 平安科技（深圳）有限公司 | 基于人工智能的产品推荐方法、装置、设备及存储介质 |
-
2018
- 2018-08-14 CN CN201810925039.2A patent/CN109242538A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111524017A (zh) * | 2019-02-01 | 2020-08-11 | 天津幸福生命科技有限公司 | 理赔数据的审核方法、装置及介质 |
| CN111524017B (zh) * | 2019-02-01 | 2023-09-22 | 北京懿医云科技有限公司 | 理赔数据的审核方法、装置及介质 |
| CN110060166A (zh) * | 2019-03-13 | 2019-07-26 | 平安科技（深圳）有限公司 | 智能理赔方法、装置、计算机设备以及存储介质 |
| CN109978702A (zh) * | 2019-04-18 | 2019-07-05 | 太平洋医疗健康管理有限公司 | 大病商业补充医疗保险赔付率分析方法及系统 |
| CN114331595A (zh) * | 2021-12-15 | 2022-04-12 | 平安科技（深圳）有限公司 | 基于人工智能的产品推荐方法、装置、设备及存储介质 |
| CN114331595B (zh) * | 2021-12-15 | 2024-06-11 | 平安科技（深圳）有限公司 | 基于人工智能的产品推荐方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109242538A (zh) | 医保定价方法、装置、计算机设备和存储介质 | |
| Patelis | Stock return predictability and the role of monetary policy | |
| Garcia et al. | The econometrics of option pricing | |
| Cassimon et al. | Incorporating technical risk in compound real option models to value a pharmaceutical R&D licensing opportunity | |
| CN110009471A (zh) | 财务凭证生成方法、装置、计算机设备和存储介质 | |
| CN109767345A (zh) | 基于信息匹配的产品推荐方法、装置、设备及存储介质 | |
| JP2004527053A (ja) | 同等の証書を同定する方法 | |
| CN109472585A (zh) | 基于数据分析的支付订单生成方法、装置、设备及介质 | |
| CN109118376A (zh) | 医疗保险保费定价方法、装置、计算机设备和存储介质 | |
| Almeida et al. | Nonparametric assessment of hedge fund performance | |
| CN110111208A (zh) | 保单数据处理方法、装置、计算机设备和存储介质 | |
| CN109191304B (zh) | 交易数据轧差处理方法、系统、计算机设备和存储介质 | |
| CN107783861A (zh) | 交易回滚方法、装置、存储介质和计算机设备 | |
| RU2678164C2 (ru) | Система и способ для определения торгового значения | |
| US8175900B2 (en) | Life insurance strategic value | |
| CN109377376A (zh) | 理财信息的对比方法及装置、存储介质、终端 | |
| CN110706087B (zh) | 凭证数据处理方法、装置、计算机设备和存储介质 | |
| Simaitis et al. | Smile and default: the role of stochastic volatility and interest rates in counterparty credit risk | |
| CN113344689A (zh) | 金融数据处理方法、装置和设备 | |
| Hsu et al. | A market making quotation strategy based on dual deep learning agents for option pricing and bid-ask spread estimation | |
| CN110135695A (zh) | 资产分配风险评估方法、装置、计算机设备和存储介质 | |
| CN109359865A (zh) | 产品评估方法、装置、计算机设备和存储介质 | |
| JP2022133829A (ja) | クーポン価値定量化プログラム、クーポン価値定量化方法、及び、クーポン価値定量化装置 | |
| Brueckner et al. | Optimal Sharing of Interest‐Rate Risk in Mortgage Contracts: The Effects of Potential Prepayment and Default | |
| CN110910255A (zh) | 基于家庭风险评测结果的产品匹配方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220525 Address after: 518048 China Aviation Center 2901, No. 1018, Huafu Road, Huahang community, Huaqiang North Street, Futian District, Shenzhen, Guangdong Province Applicant after: Shenzhen Ping An medical and Health Technology Service Co.,Ltd. Address before: Room 12G, Area H, 666 Beijing East Road, Huangpu District, Shanghai 200001 Applicant before: PING AN MEDICAL AND HEALTHCARE MANAGEMENT Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |