CN110610431B - 基于大数据的智能理赔方法及智能理赔系统 - Google Patents
基于大数据的智能理赔方法及智能理赔系统 Download PDFInfo
- Publication number
- CN110610431B CN110610431B CN201910754450.2A CN201910754450A CN110610431B CN 110610431 B CN110610431 B CN 110610431B CN 201910754450 A CN201910754450 A CN 201910754450A CN 110610431 B CN110610431 B CN 110610431B
- Authority
- CN
- China
- Prior art keywords
- risk
- case
- claiming
- historical
- settlement
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012550 audit Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 3
- 230000036541 health Effects 0.000 description 8
- 238000011835 investigation Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000013058 risk prediction model Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例提供一种基于大数据的智能理赔方法，包括：根据接收到的理赔请求信息获取待理赔案件信息；识别待理赔案件的理赔类型；根据理赔类型从历史理赔数据库中获取与所述理赔类型一致的历史理赔案件的信息；利用风险系数模型确定与理赔类型一致的历史理赔案件的信息的历史风险系数与待理赔案件的风险系数；根据历史风险系数、待理赔案件的风险系数及预设算法计算待理赔案件的风险分值并预测待理赔案件的风险程度；及根据风险程度，确定与待理赔案件匹配的预设于理赔作业数据库中的预设规则，并发送理赔信息至理赔终端，以使理赔终端根据理赔信息进行理赔。通过本发明实施例，可以提高风险预测结果的准确度以及理赔服务质量。
Description
技术领域
本发明实施例涉及大数据领域，尤其涉及一种基于大数据的智能理赔方法、智能理赔系统、计算机设备及可读存储介质。
背景技术
随着保险行业竞争越来越激烈以及客户服务意识越来越强，传统理赔服务主要有人工经验进行风险管控，作业效率太低且风险案件渗漏率高，其已经无法满足客户及保险公司的需求，故，极致、快速、精准的闪赔及差异化服务需求越来越迫切。
然，服务的提升必然伴随着成本的上升，而风险管控和极致、快速、精准的闪赔又是相互矛盾的关系。在这种情况下，如何平衡风险管控和保险理赔服务的关系显得尤为重要。
传统的机器学习只能根据业务的不同，通过利用同一类型业务的离线历史数据，提前计算好相应的风险系数，然后通过应用程序接口（Application Interface，API）与数据库进行数据交换，此种方式并不能保证风险数据的准确性和时效性。
故，本发明旨在解决如何在保证风险管控的前提下，通过利用同一类型业务的离线历史数据及实时数据建立的风险预测模型，提高保险理赔服务质量的问题。
发明内容
有鉴于此，有必要提供一种基于大数据的智能理赔方法、智能理赔系统、计算机设备及计算机可读存储介质，能够提高风险预测结果的准确度，实现低风险案件预配、直赔和闪赔，中风险案件快赔以及高风险案件调查后慎赔，能够极大的提高保险理赔服务质量。
为实现上述目的，本发明实施例提供了一种基于大数据的智能理赔方法，所述方法包括：
接收理赔终端发送的待理赔案件的理赔请求信息；
根据所述理赔请求信息从集中理赔作业系统中获取待理赔案件信息；
根据所述待理赔案件信息识别所述待理赔案件的理赔类型；
根据所述理赔类型从历史理赔数据库中获取与所述理赔类型一致的历史理赔案件的信息；
利用风险系数模型确定与所述理赔类型一致的历史理赔案件的信息的历史风险系数；
利用所述风险系数模型确定所述待理赔案件的风险系数；
根据所述历史风险系数、所述待理赔案件的风险系数及预设算法计算所述待理赔案件的风险分值；
根据所述风险分值预测所述待理赔案件的风险程度；
根据所述风险程度，确定与所述待理赔案件匹配的预设于理赔作业数据库中的预设规则，并发送理赔信息至所述理赔终端，以使所述理赔终端根据所述理赔信息进行理赔。
可选地，所述利用风险系数模型确定与所述理赔类型一致的历史理赔案件的信息的历史风险系数的步骤之前，还包括：
从所述历史理赔案件的信息中抓取风险特征因子，其中，所述风险特征因子通过信息价值或证据权重的方式进行抓取；
通过机器学习的方法计算所述风险特征因子不同取值时的风险系数；及
根据所述风险系数训练所述风险系数模型。
可选地，所述从所述历史理赔案件信息中抓取风险特征因子的步骤，包括：
根据所述历史理赔案件的信息统计所述多个因素分别发生理赔的数量；
根据所述数量分别计算各个因素的理赔率；
将所述各个因素的理赔率与预设理赔率分别进行比较；及
当所述理赔率高于所述预设理赔率时，确定与所述理赔率对应的因素为所述风险特征因子。
可选地，所述根据所述历史风险系数、所述待理赔案件的风险系数及预设算法计算所述待理赔案件的风险分值的步骤，包括：
根据数据库中预先存储的风险系数及分值对照表，分别获取与所述各个风险特征因子的风险系数对应的分值；
根据所述风险系数及所述分值分别计算所述历史理赔案件的第一风险分值和所述待理赔案件的第二风险分值，所述预设方式为：，其中，所述S表示所述第一风险分值或所述第二风险分值，所述/>表示所述历史理赔案件或所述待理赔案件中第i个风险特征因子的风险系数，所述/>表示与所述第i个风险系数对应的分值，所述i表示第i个风险特征因子，所述i为整数，所述n表示抓取出的所述风险特征因子的个数；
赋予所述历史理赔案件第一权重及所述待理赔案件第二权重，其中，所述第一权重低于所述第二权重；
根据所述第一权重及所述第二权重，将所述第一风险分值及所述第二风险分值进行加权计算以获取所述风险分值。
可选地，所述根据所述风险分值预测所述待理赔案件的风险程度的步骤，包括：
将所述风险分值与数据库中预先存储的分值风险程度表中的分值进行匹配；及
根据匹配结果，将与所述风险分值对应的风险程度输出，以获取所述风险程度。
可选地，所述根据所述风险程度，确定与所述待理赔案件匹配的预设于理赔作用数据库中的预设规则，并发送理赔信息至理赔终端，以使所述理赔终端根据所述理赔信息进行理赔的步骤，包括：
将风险程度为低的第一案件通过理赔作业系统进行自动理赔；
将风险程度为中的第二案件发送至第一用户终端，以使所述第一用户终端的第一用户对所述第二案件进行审核以完成对所述第二案件的理赔；及
将风险程度为高的第三案件发送至第二用户终端，以使所述第二用户终端的第二用户对所述第三案件进行审核以完成对所述第三案件的理赔，其中，所述第二用户终端的权限比所述第一用户终端的权限高。
为实现上述目的，本发明实施例还提供了一种智能理赔系统，包括：
接收模块，用于接收理赔终端发送的待理赔案件的理赔请求信息；
获取模块，用于根据所述理赔请求信息利用大数据获取历史理赔案件信息，其中，所述历史理赔案件信息包括多个因素；
获取模块，用于从集中理赔作业系统中获取待理赔案件信息；
识别模块，用于根据所述待理赔案件信息识别所述待理赔案件的理赔类型；
所述获取模块，还用于根据所述理赔类型从历史理赔数据库中获取与所述理赔类型一致的历史理赔案件的信息；
确定模块，用于利用风险系数模型确定与所述理赔类型一直的历史理赔案件的信息的历史风险系数，并利用所述风险系数模块确定所述待理赔案件的风险信息；
计算模块，用于根据所述历史风险系数、所述待理赔案件的风险系数及预设算法计算所述历史理赔案件的风险分值；
预测模块，用于根据所述风险分值预测所述待理赔案件的风险程度；及
理赔模块，用于根据所述风险程度，确定与所述待理赔案件匹配的预设于理赔作业数据库中的预设规则，并发送理赔信息至所述理赔终端，以使所述理赔终端根据所述理赔信息进行理赔。
可选地，所述智能理赔系统还包括训练模块，还用于：
从所述历史理赔案件的信息中抓取风险特征因子，其中，所述风险特征因子通过信息价值或证据权重的方式进行抓取；
通过机器学习的方法计算所述风险特征因子不同取值时的风险系数；及
根据所述风险系数训练所述风险系数模型。
可选地，所述训练模块，还用于：
根据所述历史理赔案件的信息统计所述多个因素分别发生理赔的数量；
根据所述数量分别计算各个因素的理赔率；
将所述各个因素的理赔率与预设理赔率分别进行比较；及
当所述理赔率高于所述预设理赔率时，确定与所述理赔率对应的因素为所述风险特征因子。
可选地，所述训练模块，还用于：
根据数据库中预先存储的风险系数及分值对照表，分别获取与所述各个风险特征因子的风险系数对应的分值；及
根据所述风险系数及所述分值分别计算所述历史理赔案件的第一风险分值和所述待理赔案件的第二风险分值，所述预设方式为：，其中，所述S表示所述第一风险分值或所述第二风险分值，所述/>表示所述历史理赔案件或所述待理赔案件中第i个风险特征因子的风险系数，所述/>表示与所述第i个风险系数对应的分值，所述i表示第i个风险特征因子，所述i为整数，所述n表示抓取出的所述风险特征因子的个数；
可选地，所述预测模块，还用于：
赋予所述历史理赔案件第一权重及所述待理赔案件第二权重，其中，所述第一权重低于所述第二权重；
根据所述第一权重及所述第二权重，将所述第一风险分值及所述第二风险分值进行加权计算以获取风险分值。
可选地，所述预测模块，还用于：
将所述风险分值与数据库中预先存储的分值风险程度表中的分值进行匹配；及
根据匹配结果，将与所述风险分值对应的风险程度输出，以获取所述风险程度。
可选地，所述理赔模块，还用于：
将风险程度为低的第一案件通过理赔作业系统进行自动理赔；
将风险程度为中的第二案件发送至第一用户终端，以使所述第一用户终端的第一用户对所述第二案件进行审核以完成对所述第二案件的理赔；及
将风险程度为高的第三案件发送至第二用户终端，以使所述第二用户终端的第二用户对所述第三案件进行审核以完成对所述第三案件的理赔，其中，所述第二用户终端的权限比所述第一用户终端的权限高。
为实现上述目的，本发明实施例还提供了一种计算机设备，所述计算机设备存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被处理器执行时实现如上所述的基于大数据的智能理赔方法的步骤。
为实现上述目的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如上所述的基于大数据的智能理赔方法的步骤。
本发明实施例提供的基于大数据的智能理赔方法、智能理赔系统、计算机设备及计算机可读存储介质，通过接收理赔终端发送的待理赔案件的理赔请求信息，根据所述理赔请求信息从集中理赔作业系统中获取待理赔案件信息，根据所述待理赔案件信息识别所述待理赔案件的理赔类型，并根据所述理赔类型从历史理赔数据库中获取与所述理赔类型一致的历史理赔案件的信息，然后利用风险系数模型确定与所述理赔类型一致的历史理赔案件的信息的历史风险系数和所述待理赔案件的风险系数，根据所述历史风险系数、所述待理赔案件的风险系数及预设算法计算所述待理赔案件的风险分值，根据所述风险分值预测所述待理赔案件的风险程度，最后，根据所述风险程度，确定与所述待理赔案件匹配的预设于理赔作业数据库中的预设规则，并发送理赔信息至所述理赔终端，以使所述理赔终端根据所述理赔信息进行理赔。本发明保证了在风险管控的前提下，综合历史理赔案件的信息以及待理赔案件信息预测所述待理赔案件信息的风险程度，提高了风险预测结果的准确度，实现了低风险案件预赔、直赔和闪赔，中风险案件快赔以及高风险案件调查后慎赔，极大的提高了保险理赔服务质量。
附图说明
图1为本发明实施例一之基于大数据的智能理赔方法的步骤流程图。
图2为本发明实施例二之基于大数据的智能理赔方法的步骤流程图。
图3为本发明实施例三之计算机设备的硬件架构示意图。
图4为本发明实施例四之智能理赔系统的程序模块示意图。
附图标记：
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
实施例一
参阅图1，示出了本发明实施例一之基于大数据的智能理赔方法的步骤流程图。可以理解，本方法实施例中的流程图不用于对执行步骤的顺序进行限定。需要说明是，本实施例以计算机设备2为执行主体进行示例性描述。具体如下：
步骤S100，接收理赔终端发送的待理赔案件的理赔请求信息。
示例性地，当用户在理赔终端发起理赔请求时，计算机设备2接收所述理赔请求的理赔请求信息。
步骤S102，根据所述理赔请求信息从集中理赔作业系统中获取待理赔案件信息。
示例性地，所述待理赔案件信息的因素至少包括：投保人、被保人、保单、险种、保费、业务员及网络（例如：金管家），所述业务员包括业务员核保品质及核保产能。
步骤S104，根据所述待理赔案件信息识别所述待理赔案件的理赔类型。
在一较佳实施例中，根据所述待理赔案件信息的因素识别所述待理赔案件的理赔类型。例如：根据被保人的年龄及险种识别所述待理赔案件的理赔类型，若年龄为60岁，险种为健康险，则识别出的理赔类型为老年健康险。
步骤S106，根据所述理赔类型从历史理赔数据库中获取与所述理赔类型一致的历史理赔案件的信息。
示例性地，若待理赔案件的理赔类型为老年健康险，则获取理赔类型同为老年健康险的历史理赔案件的信息。
步骤S108，利用风险系数模型确定与所述理赔类型一致的历史理赔案件的信息的历史风险系数。
步骤S110，利用所述风险系数模型确定所述待理赔案件的风险系数。
需要说明的是，在实际操作中，所述历史风险系数为所述历史理赔案件的所有风险系数的统称，可以包括多个风险系数，其中，所述风险系数的个数需根据从所述历史理赔案件的信息中抓取的风险特征因子的个数决定。所述待理赔案件的风险系数为所述待理赔案件的所有风险系数的统称，也可以包括多个风险系数。在本实施例中，所述历史风险系数与所述待理赔案件的风险系数以一个风险系数为例进行说明。
步骤S112，根据所述风险系数、所述待理赔案件的风险系数及预设算法计算所述待理赔案件的风险分值。
在一较佳实施例中，所述计算机设备2预设有风险系数及分值对照表，风险系数越高，则对应的分值越高。例如：风险系数为0.1，对应的分值为10；风险系数为0.3，则对应的分值为30。历史理赔案件中退保风险经IV方式抓取出的风险特征因子为保费，且保费的取值为10万，结合保费为10万的风险系数为0.1，按照如下公式计算出对应的分值：，其中，所述S表示所述历史理赔案件的分值，所述/>表示所述历史理赔案件中第i个风险特征因子的风险系数，所述/>表示与所述第i个风险系数对应的分值，所述i表示第i个风险特征因子，所述i为整数，所述n表示抓取出的所述风险特征因子的个数。由于该退保风险只有一个风险特征因子保费，则风险分值S=0.1*10=1。
具体地，若从集中理赔作业系统中获取的待理赔案件信息中提取出风险特征因子业务员核保品质，通过机器学习，计算出所述待理赔案件核保业务员的风险系数为0.3，经过查找所述风险系数及分值对照表，该风险系数对应的分值为30，经过公式计算，得出所述待理赔案件的风险分值S=0.3*30=9。
在一较佳实施例中，当计算出第一风险分值和第二风险分值后，赋予所述历史理赔案件第一权重，并赋予所述待理赔案件第二权重，其中，所述第一权重低于所述第二权重。然后，根据所述第一权重及所述第二权重，将所述第一风险分值及所述第二风险分值进行加权计算以获取所述待理赔案件的风险分值。例如：赋予所述历史理赔案件权重为0.3，赋予所述待理赔案件权重为0.7，上述实施例中计算出的历史理赔案件的风险分值为1，计算出的待理赔案件的风险分值为9，经过加权计算0.3*1+0.7*9=6.6，得出风险分值为6.6。
步骤S114，根据所述风险分值预测所述待理赔案件的风险程度。
在另一较佳实施例中，所述闪赔系统预设有待理赔案件的风险分值及风险程度对照表，若风险分值<10，则风险程度为低；若风险分值>=10且风险分值<40，则风险程度为中；若风险分值>40，则风险程度为高。当计算出的风险分值为6.6时，所述待理赔案件的风险程度的预测结果为低。
步骤S116，根据所述风险程度，确定与所述待理赔案件匹配的预设于理赔作业数据库中的预设规则，并发送理赔信息至所述理赔终端，以使所述理赔终端根据所述理赔信息进行理赔。
具体地，所述预设规则为：将风险程度为低的第一案件通过集中理赔作业系统进行自动理赔，将风险程度为中的第二案件发送至第一用户终端，以使所述第一用户终端的第一用户对所述第二案件进行审核以完成对所述第二案件的理赔，将风险程度为高的第三案件发送至第二用户终端，以使所述第二用户终端的第二用户对所述第三案件进行审核以完成对所述第三案件的理赔，其中，所述第二用户终端的权限比所述第一用户终端的权限高。当计算出所述待理赔案件的风险分值为6.6时，所述待理赔案件的风险程度的预测结果为低，则所述待理赔案件执行自动理赔。
需要说明的是，所述第一用户终端及所述第二用户终端均设置有相应的审核权限，所述第二用户终端的审核权限高于所述第一用户终端的审核权限。例如：所述第一用户为普通作业人员，所述第二用户为专家，所述普通作业人员对所述风险程度为中的案件进行书面资料核对，当核对完成时即可完成对所述风险程度为中的案件的审核，专家需对所述风险程度为高的案件进行深度调查，并在调查完成后完成对所述风险程度为高的案件的审核。
实施例二
参阅图2，示出了本发明实施例二之基于大数据的智能理赔方法的步骤流程图。本发明实施例二除了包括实施例一中的步骤S100~S116之外，还包括步骤S200~S204。
步骤S200，从所述历史理赔案件的信息中抓取风险特征因子，其中，所述风险特征因子通过信息价值（Information Value，IV）或证据权重（Weight of Evidence，WOE）的方式进行抓取。
具体地，若所述历史理赔案件信息中某一信息的信息价值越大，则该信息即为风险特征因子。
在一较佳实施例中，所述从所述历史理赔案件信息中抓取风险特征因子的步骤包括：根据所述历史理赔案件信息统计所述多个因素分别发生理赔的数量，然后，根据所述数量分别计算各个因素的理赔率，并将所述各个因素的理赔率与预设理赔率分别进行比较，最后，当所述理赔率高于所述预设理赔率时，确定与所述理赔率对应的因素为所述风险特征因子。
示例性地，当统计出身故保险理赔率为30%、保费为10万的理赔率为25%、保费为20万的理赔率为25%及教育险的理赔率为22%时，预设理赔率为20%时，则确定身故保险、保费为10万、保费为20万及教育险为风险特征因子。
步骤S202，通过机器学习的方法计算所述风险特征因子不同取值时的风险系数。
示例性地，若身故保险为风险特征因子，所述身故保险包括保一年、保两年及保多年等。当身故保险保一年时，统计身故保险保一年的数量，将所述身故保险保一年的数量除以所述身故保险发生理赔的数量，进而计算身故保险保一年的风险系数。需要说明的是风险特征因子风险越高，其对应的风险系数越大。
步骤S204，根据所述风险系数训练所述风险系数模型。
举例说明，历史理赔案件中退保风险经IV方式抓取，抓取出的风险特征因子包括保费及险种，保费包括10万以及20万，险种包括身故保险及教育险，通过机器学习，计算出的风险系数分别为：保费为10万的风险系数为0.1，保费为20万的风险系数为0.2，身故保险的风险系数为0.3，教育险的风险系数为0.2。根据该些风险特征因子及不同取值时的风险系数训练出风险预测模型。
通过本发明实施例，综合历史理赔案件信息以及待理赔案件信息预测所述待理赔案件信息的风险程度，提高了风险预测结果的准确度，实现了低风险案件预赔、直赔和闪赔，中风险案件快赔以及高风险案件调查后慎赔，极大的提高了保险理赔服务质量。
实施例三
请参阅图3，示出了本发明实施例三之计算机设备的硬件架构示意图。计算机设备2包括，但不仅限于，可通过系统总线相互通信连接存储器21、处理22以及网络接口23，图2仅示出了具有组件21-23的计算机设备2，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器21至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器21可以是所述计算机设备2的内部存储单元，例如该计算机设备2的硬盘或内存。在另一些实施例中，所述存储器也可以是所述计算机设备2的外部存储设备，例如该计算机设备2上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（FlashCard）等。当然，所述存储器21还可以既包括所述计算机设备2的内部存储单元也包括其外部存储设备。本实施例中，所述存储器21通常用于存储安装于所述计算机设备2的操作系统和各类应用软件，例如智能理赔系统20的程序代码等。此外，所述存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器22在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制所述计算机设备2的总体操作。本实施例中，所述处理器22用于运行所述存储器21中存储的程序代码或者处理数据，例如运行所述智能理赔系统20等。
所述网络接口23可包括无线网络接口或有线网络接口，该网络接口23通常用于在所述计算机设备2与其他电子设备之间建立通信连接。例如，所述网络接口23用于通过网络将所述计算机设备2与外部终端相连，在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网（Intranet）、互联网（Internet）、全球移动通讯系统（Global System of Mobile communication，GSM）、宽带码分多址（WidebandCode Division Multiple Access，WCDMA）、4G网络、5G网络、蓝牙（Bluetooth）、Wi-Fi等无线或有线网络。
实施例四
请参阅图4，示出了本发明实施例四之智能理赔系统的程序模块示意图。在本实施例中，智能理赔系统20可以包括或被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本发明，并可实现上述基于大数据的智能理赔方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序本身更适合于描述智能理赔系统20在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能：
接收模块200，用于接收理赔终端发送的待理赔案件的理赔请求信息。
示例性地，当用户在理赔终端发起理赔请求时，所述接收模块200接收所述理赔请求的理赔请求信息。
获取模块201，用于根据所述理赔请求信息从集中理赔作业系统中获取待理赔案件信息。
示例性地，所述待理赔案件信息的因素至少包括：投保人、被保人、保单、险种、保费、业务员及网络（例如：金管家），所述业务员包括业务员核保品质及核保产能。
识别模块202，用于根据所述待理赔案件信息识别所述待理赔案件的理赔类型。
在一较佳实施例中，识别模块202根据所述待理赔案件信息的因素识别所述待理赔案件的理赔类型。例如：根据被保人的年龄及险种识别所述待理赔案件的理赔类型，若年龄为60岁，险种为健康险，则识别出的理赔类型为老年健康险。
所述获取模块201，还用于根据所述理赔类型从历史理赔数据库中获取与所述理赔类型一致的历史理赔案件的信息。
示例性地，若待理赔案件的理赔类型为老年健康险，则所述获取模块201获取理赔类型同为老年健康险的历史理赔案件的信息。
确定模块203，用于利用所述风险系数模型确定与所述理赔类型一致的历史理赔案件的信息的历史风险系数，并利用所述风险系数模型确定所述待理赔案件的风险系数。
需要说明的是，在实际操作中，所述历史风险系数为所述历史理赔案件的所有风险系数的统称，可以包括多个风险系数，其中，所述风险系数的个数需根据从所述历史理赔案件的信息中抓取的风险特征因子的个数决定。所述待理赔案件的风险系数为所述待理赔案件的所有风险系数的统称，也可以包括多个风险系数。在本实施例中，所述历史风险系数与所述待理赔案件的风险系数以一个风险系数为例进行说明。
计算模块204，用于根据所述风险系数、所述待理赔案件的风险系数及预设算法计算所述待理赔案件的风险分值。
可选地，所述智能理赔系统20还包括训练模块207，用于根据数据库中预先存储的风险系数及分值对照表，分别获取与所述各个风险特征因子的风险系数对应的分值；及将所述风险系数及所述分值，按照所述预设方式计算所述第一分值，所述预设方式为：，其中，所述S表示所述历史理赔案件的分值，所述/>表示所述历史理赔案件中第i个风险特征因子的风险系数，所述/>表示与所述第i个风险系数对应的分值，所述i表示第i个风险特征因子，所述i为整数，所述n表示抓取出的所述风险特征因子的个数。
在一较佳实施例中，数据库中预先存储有风险系数及分值对照表，风险系数越高，则对应的分值越高。例如：风险系数为0.1，对应的分值为10；风险系数为0.3，则对应的分值为30。历史理赔案件中退保风险经IV方式抓取出的风险特征因子为保费，且保费的取值为10万，结合保费为10万的风险系数为0.1，按照如下公式计算出对应的分值：，其中，所述S表示所述历史理赔案件的分值，所述/>表示所述历史理赔案件中第i个风险特征因子的风险系数，所述/>表示与所述第i个风险系数对应的分值，所述i表示第i个风险特征因子，所述i为整数，所述n表示抓取出的所述风险特征因子的个数。由于该退保风险只有一个风险特征因子保费，则所述历史理赔案件的第一风险分值S=0.1*10=1。
具体地，若从集中理赔作业系统中获取的待理赔案件信息中提取出风险特征因子业务员核保品质，通过机器学习，所述计算模块204计算出所述待理赔案件核保业务员的风险系数为0.3，经过查找所述风险系数及分值对照表，该风险系数对应的分值为30，经过公式计算，得出所述待理赔案件的第二风险分值S=0.3*30=9。
在一较佳实施例中，当所述计算模块204计算出第一风险分值和第二风险分值后，赋予所述历史理赔案件第一权重，并赋予所述待理赔案件第二权重，其中，所述第一权重低于所述第二权重。然后，根据所述第一权重及所述第二权重，将所述第一风险分值及所述第二风险分值进行加权计算以获取所述待理赔案件的风险分值。例如：赋予所述历史理赔案件权重为0.3，赋予所述待理赔案件权重为0.7，上述实施例中计算出的历史理赔案件的第一风险分值为1，计算出的待理赔案件的第二风险分值为9，经过加权计算0.3*1+0.7*9=6.6，得出风险分值为6.6。
预测模块205，用于根据所述第一风险分值及所述第二风险分值预测所述待理赔案件的风险程度。
在另一较佳实施例中，所述闪赔系统预设有待理赔案件的风险分值及风险程度对照表，若风险分值<10，则所述预测模块205预测风险程度为低；若风险分值>=10且风险分值<40，则风险程度为中；若风险分值>40，则所述预测模块205预测风险程度为高。当计算出的风险分值为6.6时，所述待理赔案件的风险程度的预测结果为低。
理赔模块206，用于根据所述风险程度，确定与所述待理赔案件匹配的预设于理赔作业数据库中的预设规则，并发送理赔信息至所述理赔终端，以使所述理赔终端根据所述理赔信息进行理赔。
可选地，所述训练模块207，还用于从所述历史理赔案件信息中抓取风险特征因子，其中，所述风险特征因子通过信息价值或证据权重的方式进行抓取。
具体地，若所述历史理赔案件信息中某一信息的信息价值越大，则该信息即为风险特征因子。
在一较佳实施例中，所述训练模块207还用于根据所述历史理赔案件信息统计所述多个因素分别发生理赔的数量，然后，根据所述数量分别计算各个因素的理赔率，并将所述各个因素的理赔率与预设理赔率分别进行比较，最后，当所述理赔率高于所述预设理赔率时，确定与所述理赔率对应的因素为所述风险特征因子。
示例性地，当统计出身故保险理赔率为30%、保费为10万的理赔率为25%、保费为20万的理赔率为25%及教育险的理赔率为22%时，预设理赔率为20%时，则所述训练模块207确定身故保险、保费为10万、保费为20万及教育险为风险特征因子。
可选地，所述训练模块207，还用于通过机器学习的方法计算所述风险特征因子不同取值时的风险系数。
示例性地，若身故保险为风险特征因子，所述身故保险包括保一年、保两年及保多年等。当身故保险保一年时，统计身故保险保一年的数量，将所述身故保险保一年的数量除以所述身故保险发生理赔的数量，所述训练模块207进而计算身故保险保一年的风险系数。需要说明的是风险特征因子风险越高，其对应的风险系数越大。
示例性地，所述训练模块207，还用于根据所述风险系数训练所述风险预测模型。
举例说明，历史理赔案件中退保风险经IV方式抓取，抓取出的风险特征因子包括保费及险种，保费包括10万以及20万，险种包括身故保险及教育险，通过机器学习，计算出的风险系数分别为：保费为10万的风险系数为0.1，保费为20万的风险系数为0.2，身故保险的风险系数为0.3，教育险的风险系数为0.2。根据该些风险特征因子及不同取值时的风险系数，所述训练模块207训练出风险预测模型。
可选地，所述理赔模块206，还用于将风险程度为低的第一案件通过理赔作业系统进行自动理赔；将风险程度为中的第二案件发送至第一用户终端，以使所述第一用户终端的第一用户对所述第二案件进行审核以完成对所述第二案件的理赔；及将风险程度为高的第三案件发送至第二用户终端，以使所述第二用户终端的第二用户对所述第三案件进行审核以完成对所述第三案件的理赔，其中，所述第二用户终端的权限比所述第一用户终端的权限高。当计算出所述待理赔案件的风险分值为6.6时，所述待理赔案件的风险程度的预测结果为低，则所述待理赔案件执行自动理赔。
需要说明的是，所述第一用户终端及所述第二用户终端均设置有相应的审核权限，所述第二用户终端的审核权限高于所述第一用户终端的审核权限。例如：所述第一用户为普通作业人员，所述第二用户为专家，所述普通作业人员对所述风险程度为中的案件进行书面资料核对，当核对完成时即可完成对所述风险程度为中的案件的审核，专家需对所述风险程度为高的案件进行深度调查，并在调查完成后完成对所述风险程度为高的案件的审核。
通过本发明实施例，能够提高风险预测结果的准确度，实现低风险案件预配、直赔和闪赔，中风险案件快赔以及高风险案件调查后慎赔，能够极大的提高保险理赔服务质量。
本发明还提供一种计算机设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器（包括独立的服务器，或者多个服务器所组成的服务器集群）等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器、处理器等。
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储智能理赔系统20，被处理器执行时实现实施例一、二的基于大数据的智能理赔方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (4)
1.一种基于大数据的智能理赔方法，其特征在于，包括：
接收理赔终端发送的待理赔案件的理赔请求信息；
根据所述理赔请求信息从集中理赔作业系统中获取待理赔案件信息；
根据所述待理赔案件信息识别所述待理赔案件的理赔类型；
根据所述理赔类型从历史理赔数据库中获取与所述理赔类型一致的历史理赔案件的信息；
利用风险系数模型确定与所述理赔类型一致的历史理赔案件的信息的历史风险系数；
利用所述风险系数模型确定所述待理赔案件的风险系数；
根据所述历史风险系数、所述待理赔案件的风险系数及预设算法计算所述待理赔案件的风险分值；
根据所述风险分值预测所述待理赔案件的风险程度；及
根据所述风险程度，确定与所述待理赔案件匹配的预设于理赔作业数据库中的预设规则，并发送理赔信息至所述理赔终端，以使所述理赔终端根据所述理赔信息进行理赔；
其中，所述利用风险系数模型确定与所述理赔类型一致的历史理赔案件的信息的历史风险系数的步骤之前，还包括：
从所述历史理赔案件的信息中抓取风险特征因子，其中，所述风险特征因子通过信息价值或证据权重的方式进行抓取；
通过机器学习的方法计算所述风险特征因子不同取值时的风险系数；及
根据所述风险系数训练所述风险系数模型；
其中，所述从所述历史理赔案件信息中抓取风险特征因子的步骤，包括：
根据所述历史理赔案件的信息统计多个因素分别发生理赔的数量；
根据所述数量分别计算各个因素的理赔率；
将所述各个因素的理赔率与预设理赔率分别进行比较；及
当所述理赔率高于所述预设理赔率时，确定与所述理赔率对应的因素为所述风险特征因子；
其中，所述根据所述历史风险系数、所述待理赔案件的风险系数及预设算法计算所述待理赔案件的风险分值的步骤，包括：
根据数据库中预先存储的风险系数及分值对照表，分别获取与各个风险特征因子的风险系数对应的分值；
根据所述风险系数及所述分值分别计算所述历史理赔案件的第一风险分值和所述待理赔案件的第二风险分值，预设方式为：，其中，S表示所述第一风险分值或所述第二风险分值，/>表示所述历史理赔案件或所述待理赔案件中第i个风险特征因子的风险系数，/>表示与所述第i个风险系数对应的分值，i表示第i个风险特征因子，i为整数，n表示抓取出的所述风险特征因子的个数；
赋予所述历史理赔案件第一权重及所述待理赔案件第二权重，其中，所述第一权重低于所述第二权重；
根据所述第一权重及所述第二权重，将所述第一风险分值及所述第二风险分值进行加权计算以获取所述风险分值；
其中，所述根据所述风险分值预测所述待理赔案件的风险程度的步骤，包括：
将所述风险分值与数据库中预先存储的分值风险程度表中的分值进行匹配；及
根据匹配结果，将与所述风险分值对应的风险程度输出，以获取所述风险程度；
其中，所述根据所述风险程度，确定与所述待理赔案件匹配的预设于理赔作用数据库中的预设规则，并发送理赔信息至理赔终端，以使所述理赔终端根据所述理赔信息进行理赔的步骤，包括：
将风险程度为低的第一案件通过理赔作业系统进行自动理赔；
将风险程度为中的第二案件发送至第一用户终端，以使所述第一用户终端的第一用户对所述第二案件进行审核以完成对所述第二案件的理赔；及
将风险程度为高的第三案件发送至第二用户终端，以使所述第二用户终端的第二用户对所述第三案件进行审核以完成对所述第三案件的理赔，其中，所述第二用户终端的权限比所述第一用户终端的权限高。
2.一种智能理赔系统，其特征在于，包括：
接收模块，用于接收理赔终端发送的待理赔案件的理赔请求信息；
获取模块，用于根据所述理赔请求信息从集中理赔作业系统中获取待理赔案件信息；
识别模块，用于根据所述待理赔案件信息识别所述待理赔案件的理赔类型；
所述获取模块，还用于根据所述理赔类型从历史理赔数据库中获取与所述理赔类型一致的历史理赔案件的信息；
确定模块，用于利用风险系数模型确定与所述理赔类型一直的历史理赔案件的信息的历史风险系数，并利用所述风险系数模块确定所述待理赔案件的风险信息；其中，所述利用风险系数模型确定与所述理赔类型一致的历史理赔案件的信息的历史风险系数的步骤之前，还包括：从所述历史理赔案件的信息中抓取风险特征因子，其中，所述风险特征因子通过信息价值或证据权重的方式进行抓取；通过机器学习的方法计算所述风险特征因子不同取值时的风险系数；及根据所述风险系数训练所述风险系数模型；其中，所述从所述历史理赔案件的信息中抓取风险特征因子的步骤，包括：根据所述历史理赔案件的信息统计多个因素分别发生理赔的数量；根据所述数量分别计算各个因素的理赔率；将所述各个因素的理赔率与预设理赔率分别进行比较；及当所述理赔率高于所述预设理赔率时，确定与所述理赔率对应的因素为所述风险特征因子；
计算模块，用于根据所述历史风险系数、所述待理赔案件的风险系数及预设算法计算所述历史理赔案件的风险分值；其中，所述根据所述历史风险系数、所述待理赔案件的风险系数及预设算法计算所述待理赔案件的风险分值的步骤，包括：根据数据库中预先存储的风险系数及分值对照表，分别获取与各个风险特征因子的风险系数对应的分值；根据所述风险系数及所述分值分别计算所述历史理赔案件的第一风险分值和所述待理赔案件的第二风险分值，预设方式为：，其中，S表示所述第一风险分值或所述第二风险分值，/>表示所述历史理赔案件或所述待理赔案件中第i个风险特征因子的风险系数，/>表示与所述第i个风险系数对应的分值，i表示第i个风险特征因子，i为整数，n表示抓取出的所述风险特征因子的个数；赋予所述历史理赔案件第一权重及所述待理赔案件第二权重，其中，所述第一权重低于所述第二权重；根据所述第一权重及所述第二权重，将所述第一风险分值及所述第二风险分值进行加权计算以获取所述风险分值；
预测模块，用于根据所述风险分值预测所述待理赔案件的风险程度；其中，所述根据所述风险分值预测所述待理赔案件的风险程度的步骤，包括：将所述风险分值与数据库中预先存储的分值风险程度表中的分值进行匹配；及根据匹配结果，将与所述风险分值对应的风险程度输出，以获取所述风险程度；及
理赔模块，用于根据所述风险程度，确定与所述待理赔案件匹配的预设于理赔作业数据库中的预设规则，并发送理赔信息至所述理赔终端，以使所述理赔终端根据所述理赔信息进行理赔；其中，所述根据所述风险程度，确定与所述待理赔案件匹配的预设于理赔作用数据库中的预设规则，并发送理赔信息至理赔终端，以使所述理赔终端根据所述理赔信息进行理赔的步骤，包括：将风险程度为低的第一案件通过理赔作业系统进行自动理赔；将风险程度为中的第二案件发送至第一用户终端，以使所述第一用户终端的第一用户对所述第二案件进行审核以完成对所述第二案件的理赔；及将风险程度为高的第三案件发送至第二用户终端，以使所述第二用户终端的第二用户对所述第三案件进行审核以完成对所述第三案件的理赔，其中，所述第二用户终端的权限比所述第一用户终端的权限高。
3.一种计算机设备，其特征在于，所述计算机设备存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被处理器执行时实现如权利要求1中所述的智能理赔方法的步骤。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如权利要求1中所述的智能理赔方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910754450.2A CN110610431B (zh) | 2019-08-15 | 2019-08-15 | 基于大数据的智能理赔方法及智能理赔系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910754450.2A CN110610431B (zh) | 2019-08-15 | 2019-08-15 | 基于大数据的智能理赔方法及智能理赔系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110610431A CN110610431A (zh) | 2019-12-24 |
| CN110610431B true CN110610431B (zh) | 2023-10-27 |
Family
ID=68890226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910754450.2A Active CN110610431B (zh) | 2019-08-15 | 2019-08-15 | 基于大数据的智能理赔方法及智能理赔系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110610431B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11803792B2 (en) * | 2020-08-18 | 2023-10-31 | Nb Ventures, Inc. | Risk management |
| CN112634064A (zh) * | 2020-12-02 | 2021-04-09 | 北京健康之家科技有限公司 | 理赔智能审核方法及装置、系统、存储介质 |
| CN112927092B (zh) * | 2021-04-12 | 2024-05-14 | 平安科技（深圳）有限公司 | 理赔趋势预测方法、装置、设备及存储介质 |
| CN113177660B (zh) * | 2021-04-28 | 2022-07-15 | 平安科技（深圳）有限公司 | 驾驶意图预测与处理方法、装置、设备及存储介质 |
| CN113344437B (zh) * | 2021-06-29 | 2023-02-03 | 中国平安人寿保险股份有限公司 | 理赔业务处理方法、装置、计算机设备和存储介质 |
| CN113469826B (zh) * | 2021-07-22 | 2022-12-09 | 阳光人寿保险股份有限公司 | 一种信息处理的方法、装置、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107871285A (zh) * | 2017-12-06 | 2018-04-03 | 和金在线（北京）科技有限公司 | 一种健康保险赔欺诈及滥用的侦测方法和系统 |
| CN109409648A (zh) * | 2018-09-10 | 2019-03-01 | 平安科技（深圳）有限公司 | 理赔风控方法、装置、计算机设备及存储介质 |
| CN109472706A (zh) * | 2018-09-26 | 2019-03-15 | 平安健康保险股份有限公司 | 理赔风控方法、装置、计算机设备和存储介质 |
| CN109492095A (zh) * | 2018-10-16 | 2019-03-19 | 平安健康保险股份有限公司 | 理赔数据处理方法、装置、计算机设备及存储介质 |
| CN109859059A (zh) * | 2019-01-17 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 保险理赔方法、装置、计算机设备及存储介质 |
| CN109919783A (zh) * | 2019-01-31 | 2019-06-21 | 德联易控科技(北京)有限公司 | 车险理赔案件的风险识别方法、装置、设备及存储介质 |
| WO2019149021A1 (zh) * | 2018-02-01 | 2019-08-08 | 阿里巴巴集团控股有限公司 | 理赔业务的数据处理方法、装置、电子设备、服务器 |
-
2019
- 2019-08-15 CN CN201910754450.2A patent/CN110610431B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107871285A (zh) * | 2017-12-06 | 2018-04-03 | 和金在线（北京）科技有限公司 | 一种健康保险赔欺诈及滥用的侦测方法和系统 |
| WO2019149021A1 (zh) * | 2018-02-01 | 2019-08-08 | 阿里巴巴集团控股有限公司 | 理赔业务的数据处理方法、装置、电子设备、服务器 |
| CN109409648A (zh) * | 2018-09-10 | 2019-03-01 | 平安科技（深圳）有限公司 | 理赔风控方法、装置、计算机设备及存储介质 |
| CN109472706A (zh) * | 2018-09-26 | 2019-03-15 | 平安健康保险股份有限公司 | 理赔风控方法、装置、计算机设备和存储介质 |
| CN109492095A (zh) * | 2018-10-16 | 2019-03-19 | 平安健康保险股份有限公司 | 理赔数据处理方法、装置、计算机设备及存储介质 |
| CN109859059A (zh) * | 2019-01-17 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 保险理赔方法、装置、计算机设备及存储介质 |
| CN109919783A (zh) * | 2019-01-31 | 2019-06-21 | 德联易控科技(北京)有限公司 | 车险理赔案件的风险识别方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110610431A (zh) | 2019-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110610431B (zh) | 基于大数据的智能理赔方法及智能理赔系统 | |
| CN110349039B (zh) | 投诉风险评估方法、系统、计算机设备及可读存储介质 | |
| WO2019041518A1 (zh) | 电子装置、保险案件理赔审核方法、系统及计算机可读存储介质 | |
| CN111881158B (zh) | 一种管理报表数据处理方法、装置、计算机系统及可读存储介质 | |
| CN109345417B (zh) | 基于身份认证的业务人员的在线考核方法及终端设备 | |
| CN106530089A (zh) | 保险理赔额度的获取方法及服务器 | |
| CN110503566B (zh) | 风控模型建立方法、装置、计算机设备及存储介质 | |
| CN110503564B (zh) | 基于大数据的保全案件处理方法、系统、设备及存储介质 | |
| CN113344437B (zh) | 理赔业务处理方法、装置、计算机设备和存储介质 | |
| CN110163457A (zh) | 一种业务指标的异常定位方法和装置 | |
| CN111340584A (zh) | 一种资金方的确定方法、装置、设备及存储介质 | |
| CN110941644B (zh) | 保单数据生成方法、装置、设备及存储介质 | |
| CN112148880A (zh) | 一种客服对话语料聚类方法、系统、设备及存储介质 | |
| CN114139931A (zh) | 企业数据评估方法、装置、计算机设备及存储介质 | |
| CN112613974A (zh) | 一种风险预警方法、装置、设备及可读存储介质 | |
| CN110852893A (zh) | 基于海量数据的风险识别方法、系统、设备及存储介质 | |
| CN114817518B (zh) | 基于大数据档案识别的证照办理方法、系统及介质 | |
| CN115293915A (zh) | 一种业务数据的校验方法、装置、设备及存储介质 | |
| CN114840660A (zh) | 业务推荐模型训练方法、装置、设备及存储介质 | |
| CN113781247A (zh) | 协议数据推荐方法、装置、计算机设备及存储介质 | |
| CN107545347A (zh) | 用于防控风险的属性确定方法、装置及服务器 | |
| CN111932196A (zh) | 案件处理方法、装置、设备及可读存储介质 | |
| CN110533449A (zh) | 数据推荐方法、装置、设备及存储介质 | |
| CN115759733B (zh) | 基于业务事件的用户违约风险确定方法、装置、介质及设备 | |
| CN109785174A (zh) | 识别高欺诈风险的方法和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |