CN112001806A - 一种基于大数据的信息数据处理和分析方法 - Google Patents

一种基于大数据的信息数据处理和分析方法 Download PDF

Info

Publication number
CN112001806A
CN112001806A CN202011018334.3A CN202011018334A CN112001806A CN 112001806 A CN112001806 A CN 112001806A CN 202011018334 A CN202011018334 A CN 202011018334A CN 112001806 A CN112001806 A CN 112001806A
Authority
CN
China
Prior art keywords
insurance
risk
accident
settlement
time interval
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
Application number
CN202011018334.3A
Other languages
English (en)
Inventor
易程杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Lianwo Information Technology Co ltd
Original Assignee
Shenzhen Lianwo Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Lianwo Information Technology Co ltd filed Critical Shenzhen Lianwo Information Technology Co ltd
Priority to CN202011018334.3A priority Critical patent/CN112001806A/zh
Publication of CN112001806A publication Critical patent/CN112001806A/zh
Pending legal-status Critical Current

Links

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种基于大数据的信息数据处理和分析方法，包括：建立财险理赔数据库、寿险理赔数据库和其它财产理赔数据库，各险种理赔数据库中存入有往期各险种理赔申请数据，各险种理赔数据库包括各险种正常理赔数据库和各险种骗保理赔数据库，往期各险种理赔申请数据中的骗保行为理赔申请数据单独存入各险种骗保理赔数据库中；各险种理赔服务器用于接收寿险理赔申请数据，并将所接收的各险种理赔申请数据与各险种骗保理赔数据库中的数据进行对比，根据对比结果进行骗保风险分析，并进行骗保风险级别划分，理赔审查员根据风险级别由高到低进行选择命令执行单，选择人力资源能够完成数量的命令执行单进行执行审查。

Description

一种基于大数据的信息数据处理和分析方法
技术领域
本发明涉及保险数据处理和分析技术领域，特别是涉及一种基于大数据的信息数据处理和分析方法。
背景技术
保险理赔，是指在保险标的发生保险事故而使被保险人财产受到损失或人身生命受到损害时，或保单约定的其它保险事故出险而需要给付保险金时，保险公司根据合同规定，履行赔偿或给付责任的行为，是直接体现保险职能和履行保险责任的工作。简单的说，保险理赔是保险人在保险标的发生风险事故后，对被保险人提出的索赔请求进行处理的行为。在保险经营中，保险理赔是保险补偿职能的具体体现。保险理赔分为寿险理赔和财险理赔两种，由于车险的特殊性和普遍性，应将车险理赔从财险理赔中单独分离出来。
保险理赔中难免会出现不法分子进行骗保的行为，目前对于骗保行为的识别很难，为了避免由于骗保而导致的损失，通常需要对每个理赔申请都按照理赔程序进行审查。这些审查通常是由人工完成的，当出现理赔申请大量集中出现时，受人力所限，为了在合理的期限内结案，审查就很难实现全覆盖，难免会出现骗保成功的情况，这样就会给保险公司造成不必要的损失。
发明内容
本发明的目的在于提供一种基于大数据的信息数据处理和分析方法，可以使得有限的理赔审查人员能针对性的集中对更高风险骗保案件进行取证审查，可有效提高理赔审查人员的有效工作效率，减小因骗保行为给保险公司造成的损失。
本发明是这样实现的：一种基于大数据的信息数据处理和分析方法，包括：
建立大数据库，所述大数据库包括财险理赔数据库和寿险理赔数据库，其中财险理赔数据库分为车险理赔数据库和其它财产理赔数据库，所述寿险理赔数据库、车险理赔数据库和其它财产理赔数据库分别与寿险理赔服务器、车险理赔服务器和其它财产理赔服务器交互相连；
所述寿险理赔数据库中存入有往期寿险理赔申请数据，所述寿险理赔数据库包括寿险正常理赔数据库和寿险骗保理赔数据库，往期寿险理赔申请数据中的骗保行为理赔申请数据单独存入寿险骗保理赔数据库中；所述寿险理赔服务器用于接收寿险理赔申请数据，并将所接收的寿险理赔申请数据与寿险骗保理赔数据库中的数据进行对比，根据对比结果进行骗保风险分析，并进行骗保风险级别划分，对比相似度越高，则风险级别越高，然后生成委派理赔审查员进行取证审查的命令执行单，命令执行单上显示风险级别，理赔审查员根据风险级别由高到低进行选择命令执行单，选择人力资源能够完成数量的命令执行单进行执行审查；
所述车险理赔数据库中存入有往期车险理赔申请数据，所述车险理赔数据库包括车险正常理赔数据库和车险骗保理赔数据库，往期车险理赔申请数据中的骗保行为理赔申请数据单独存入车险骗保理赔数据库中；所述车险理赔服务器用于接收车险理赔申请数据，并将所接收的车险理赔申请数据与车险骗保理赔数据库中的数据进行对比，根据对比结果进行骗保风险分析，并进行骗保风险级别划分，对比相似度越高，则风险级别越高，然后生成委派理赔审查员进行取证审查的命令执行单，命令执行单上显示风险级别，理赔审查员根据风险级别由高到低进行选择命令执行单，选择人力资源能够完成数量的命令执行单进行执行审查。
所述其它财产理赔数据库中存入有往期其它财产理赔申请数据，所述其它财产理赔数据库包括其它财产正常理赔数据库和其它财产骗保理赔数据库，往期其它财险理赔申请数据中的骗保行为理赔申请数据单独存入其它财产骗保理赔数据库中；所述其它财产理赔服务器用于接收其它财产理赔申请数据，并将所接收的其它财产理赔申请数据与其它财产骗保理赔数据库中的数据进行对比，根据对比结果进行骗保风险分析，并进行骗保风险级别划分，对比相似度越高，则风险级别越高，然后生成委派理赔审查员进行取证审查的命令执行单，命令执行单上显示风险级别，理赔审查员根据风险级别由高到低进行选择命令执行单，选择人力资源能够完成数量的命令执行单进行执行审查。
进一步的，风险级别划分为至少五个级别，依次为最高风险级别、高风险级别、较高风险级别、中风险级别和低风险级别，其中最高风险级别的对比相似度在80％及其以上，高风险级别的对比相似度在60％-80％之间，较高风险级别的对比相似度在 40％-60％之间，中风险级别的对比相似度在20％-40％之间，低风险级别的对比相似度在20％以下。
进一步的，所述寿险理赔服务器上传的理赔申请数据至少包括事故原因、事故医院、保单号和理赔金额，对所述寿险理赔服务器上传的理赔申请数据进行大数据风险分析，得到对应的高风险事故原因、高风险事故医院和高风险保单号对应的保险购买人和保险受益人；将所述高风险事故原因、高风险事故医院和高风险保单号对应的保险购买人、保险受益人返回至寿险理赔服务器，以使得所述寿险理赔服务器在接收到携带所述高风险事故原因、高风险事故医院和高风险保单号对应的保险购买人、保险受益人的理赔申请数据时，生成委派理赔审查员进行取证审查的命令，并将所述命令发送至寿险理赔服务器终端；
所述车险理赔服务器上传的理赔申请数据至少包括事故原因、事故地点、保单号和理赔金额，对所述车险理赔服务器上传的理赔申请数据进行大数据风险分析，得到对应的高风险事故原因、高风险事故地点和高风险保单号对应的车牌号、保险购买人和保险受益人；将所述高风险事故原因、高风险事故地点和高风险保单号对应的车牌号、保险购买人、保险受益人返回至车险理赔服务器，以使得所述车险理赔服务器在接收到携带所述高风险事故原因、高风险事故地点和高风险保单号对应的车牌号、保险购买人、保险受益人的理赔申请数据时，生成委派理赔审查员进行取证审查的命令，并将所述命令发送至车险理赔服务器终端；
所述其它财险理赔服务器上传的理赔申请数据至少包括事故原因、事故地点、保单号和理赔金额，对所述财险理赔服务器上传的理赔申请数据进行大数据风险分析，得到对应的高风险事故原因、高风险事故地点和高风险保单号对应的保险购买人和保险受益人；将所述高风险事故原因、高风险事故地点和高风险保单号对应的保险购买人、保险受益人返回至财险理赔服务器，以使得所述财险理赔服务器在接收到携带所述高风险事故原因、高风险事故地点和高风险保单号对应的保险购买人、保险受益人的理赔申请数据时，生成委派理赔审查员进行取证审查的命令，并将所述命令发送至其它财险理赔服务器终端。
进一步的，对所接收到的寿险理赔服务器上传的理赔申请数据中的事故原因、事故医院和保单号对应的保险购买人、保险受益人进行存档和次数累计，设定第一时间区间和第一时间区间内的第一出险次数，当同一事故原因在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将此类事故原因定义为一级高风险事故原因；当同一事故医院在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将这个事故医院定义为一级高风险事故医院；当同一保险购买人或保险受益人在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将这个保险购买人或保险受益人定义为一级高风险保险关联人。
进一步的，设定第二时间区间和第二时间区间内的第二出险次数，所述第二出险次数与第二时间区间的比值大于所述第一出险次数与第一时间区间的比值，当同一事故原因在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将此类事故原因定义为二级高风险事故原因；当同一事故医院在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个事故医院定义为二级高风险事故医院；当同一保险购买人或保险受益人在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个保险购买人或保险受益人定义为二级高风险保险关联人。
进一步的，对所接收到的车险理赔服务器上传的理赔申请数据中的事故原因、事故地点和保单号对应的车牌号、保险购买人、保险受益人进行存档和次数累计，设定第一时间区间和第一时间区间内的第一出险次数，当同一事故原因在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将此类事故原因定义为一级高风险事故原因；当同一事故地点在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将这个事故地点定义为一级高风险事故地点；当同一车牌号在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将这个车牌号定义为一级高风险车牌号；当同一保险购买人或保险受益人在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将这个保险购买人或保险受益人定义为一级高风险保险关联人。
进一步的，设定第二时间区间和第二时间区间内的第二出险次数，所述第二出险次数与第二时间区间的比值大于所述第一出险次数与第一时间区间的比值，当同一事故原因在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将此类事故原因定义为二级高风险事故原因；当同一事故地点在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个事故地点定义为二级高风险事故地点；当同一车牌号在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个车牌号定义为二级高险车牌号；当同一保险购买人或保险受益人在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个保险购买人或保险受益人定义为二级高风险保险关联人。
进一步的，对所接收到的其它财险理赔服务器上传的理赔申请数据中的事故原因、事故地点和保单号对应的保险购买人、保险受益人进行存档和次数累计，设定第一时间区间和第一时间区间内的第一出险次数，当同一事故原因在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将此类事故原因定义为一级高风险事故原因；当同一事故地点在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将这个事故地点定义为一级高风险事故地点；当同一保险购买人或保险受益人在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将这个保险购买人或保险受益人定义为一级高风险保险关联人。
进一步的，设定第二时间区间和第二时间区间内的第二出险次数，所述第二出险次数与第二时间区间的比值大于所述第一出险次数与第一时间区间的比值，当同一事故原因在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将此类事故原因定义为二级高风险事故原因；当同一事故地点在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个事故地点定义为二级高风险事故地点；当同一保险购买人或保险受益人在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个保险购买人或保险受益人定义为二级高风险保险关联人。
进一步的，设定寿险理赔金额，当所接收到的寿险理赔服务器上传的理赔申请数据中的理赔金额大于设定的寿险理赔金额时，生成委派理赔审查员进行取证审查的命令，并将所述命令发送至寿险理赔服务器终端；设定车险理赔金额，当所接收到的车险理赔服务器上传的理赔申请数据中的理赔金额大于设定的车险理赔金额时，生成委派理赔审查员进行取证审查的命令，并将所述命令发送至车险理赔服务器终端；设定其它财险理赔金额，当所接收到的其它财险理赔服务器上传的理赔申请数据中的理赔金额大于设定的其它财险理赔金额时，生成委派理赔审查员进行取证审查的命令，并将所述命令发送至财险理赔服务器终端。
与现有技术相比，本发明的有益效果是：可以使得有限的理赔审查人员能针对性的集中对更高风险骗保案件进行取证审查，可有效提高理赔审查人员的有效工作效率，减小因骗保行为给保险公司造成的损失。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的叙述，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在叙述中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
本发明实施例中，
一种基于大数据的信息数据处理和分析方法，其特征在于，包括：
建立大数据库，大数据库包括财险理赔数据库和寿险理赔数据库，其中财险理赔数据库分为车险理赔数据库和其它财产理赔数据库，寿险理赔数据库、车险理赔数据库和其它财产理赔数据库分别与寿险理赔服务器、车险理赔服务器和其它财产理赔服务器交互相连；
寿险理赔数据库中存入有往期寿险理赔申请数据，寿险理赔数据库包括寿险正常理赔数据库和寿险骗保理赔数据库，往期寿险理赔申请数据中的骗保行为理赔申请数据单独存入寿险骗保理赔数据库中；寿险理赔服务器用于接收寿险理赔申请数据，并将所接收的寿险理赔申请数据与寿险骗保理赔数据库中的数据进行对比，根据对比结果进行骗保风险分析，并进行骗保风险级别划分，对比相似度越高，则风险级别越高，然后生成委派理赔审查员进行取证审查的命令执行单，命令执行单上显示风险级别，理赔审查员根据风险级别由高到低进行选择命令执行单，选择人力资源能够完成数量的命令执行单进行执行审查；
车险理赔数据库中存入有往期车险理赔申请数据，车险理赔数据库包括车险正常理赔数据库和车险骗保理赔数据库，往期车险理赔申请数据中的骗保行为理赔申请数据单独存入车险骗保理赔数据库中；车险理赔服务器用于接收车险理赔申请数据，并将所接收的车险理赔申请数据与车险骗保理赔数据库中的数据进行对比，根据对比结果进行骗保风险分析，并进行骗保风险级别划分，对比相似度越高，则风险级别越高，然后生成委派理赔审查员进行取证审查的命令执行单，命令执行单上显示风险级别，理赔审查员根据风险级别由高到低进行选择命令执行单，选择人力资源能够完成数量的命令执行单进行执行审查。
其它财产理赔数据库中存入有往期其它财产理赔申请数据，其它财产理赔数据库包括其它财产正常理赔数据库和其它财产骗保理赔数据库，往期其它财险理赔申请数据中的骗保行为理赔申请数据单独存入其它财产骗保理赔数据库中；其它财产理赔服务器用于接收其它财产理赔申请数据，并将所接收的其它财产理赔申请数据与其它财产骗保理赔数据库中的数据进行对比，根据对比结果进行骗保风险分析，并进行骗保风险级别划分，对比相似度越高，则风险级别越高，然后生成委派理赔审查员进行取证审查的命令执行单，命令执行单上显示风险级别，理赔审查员根据风险级别由高到低进行选择命令执行单，选择人力资源能够完成数量的命令执行单进行执行审查。
本实施例中，风险级别划分为五个级别，依次为最高风险级别、高风险级别、较高风险级别、中风险级别和低风险级别，其中最高风险级别的对比相似度在80％及其以上；高风险级别的对比相似度在60％-80％之间，包含60％，不包含80％；较高风险级别的对比相似度在40％-60％之间，包含40％，不包含60％；中风险级别的对比相似度在20％-40％之间，包含20％，不包含40％；低风险级别的对比相似度在20％以下。
本发明的工作原理：当单位时间内申请的理赔案件较少时，人力资源充足，可以对所有的理赔案件进行现场取证审查，确保不会发生骗保损失；当单位时间内申请的理赔案件较多，而人力资源不足以在规定时间内完成全部理赔案件的现场取证审查时，理赔审查员根据风险级别由高到低选择命令执行单进行执行，如此便可以使得有限的理赔审查人员能针对性的集中对更高风险骗保案件进行取证审查，可有效提高理赔审查人员的有效工作效率，减小因骗保行为给保险公司造成的损失。
寿险理赔服务器上传的理赔申请数据至少包括事故原因、事故医院、保单号和理赔金额，对寿险理赔服务器上传的理赔申请数据进行大数据风险分析，得到对应的高风险事故原因、高风险事故医院和高风险保单号对应的保险购买人和保险受益人；将高风险事故原因、高风险事故医院和高风险保单号对应的保险购买人、保险受益人返回至寿险理赔服务器，以使得寿险理赔服务器在接收到携带高风险事故原因、高风险事故医院和高风险保单号对应的保险购买人、保险受益人的理赔申请数据时，生成委派理赔审查员进行取证审查的命令，并将命令发送至寿险理赔服务器终端。
车险理赔服务器上传的理赔申请数据至少包括事故原因、事故地点、保单号和理赔金额，对车险理赔服务器上传的理赔申请数据进行大数据风险分析，得到对应的高风险事故原因、高风险事故地点和高风险保单号对应的车牌号、保险购买人和保险受益人；将高风险事故原因、高风险事故地点和高风险保单号对应的车牌号、保险购买人、保险受益人返回至车险理赔服务器，以使得车险理赔服务器在接收到携带高风险事故原因、高风险事故地点和高风险保单号对应的车牌号、保险购买人、保险受益人的理赔申请数据时，生成委派理赔审查员进行取证审查的命令，并将命令发送至车险理赔服务器终端。
其它财险理赔服务器上传的理赔申请数据至少包括事故原因、事故地点、保单号和理赔金额，对财险理赔服务器上传的理赔申请数据进行大数据风险分析，得到对应的高风险事故原因、高风险事故地点和高风险保单号对应的保险购买人和保险受益人；将高风险事故原因、高风险事故地点和高风险保单号对应的保险购买人、保险受益人返回至财险理赔服务器，以使得财险理赔服务器在接收到携带高风险事故原因、高风险事故地点和高风险保单号对应的保险购买人、保险受益人的理赔申请数据时，生成委派理赔审查员进行取证审查的命令，并将命令发送至其它财险理赔服务器终端。
如此使得低风险级别的理赔申请案件可以再次进行细分，先对各理赔服务器终端上传的理赔案件数据进行记录和大数据分析，得到低风险级别理赔申请案件中的高风险事故原因、高风险事故地点、高风险保险购买人以及高风险保险受益人，如此，根据各类理赔服务器终端接收到的委派理赔审查员进行取证审查的命令进行理赔审查员的调度，即可达到优先对携带有高风险事故原因、高风险事故地点、高风险保险购买人以及高风险保险受益人的理赔申请数据所对应的低风险级别理赔申请案件进行人员取证审查的目的。由于通常低风险级别的理赔申请案件的数量较多，如此可以优先对低风险级别的理赔申请案件中具有高诈骗风险的理赔案件进行取证审查，可有效减小骗保损失。
对所接收到的寿险理赔服务器上传的理赔申请数据中的事故原因、事故医院和保单号对应的保险购买人、保险受益人进行存档和次数累计，设定第一时间区间和第一时间区间内的第一出险次数，当同一事故原因在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将此类事故原因定义为一级高风险事故原因；当同一事故医院在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将这个事故医院定义为一级高风险事故医院；当同一保险购买人或保险受益人在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将这个保险购买人或保险受益人定义为一级高风险保险关联人。设定第二时间区间和第二时间区间内的第二出险次数，第二出险次数与第二时间区间的比值大于第一出险次数与第一时间区间的比值，当同一事故原因在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将此类事故原因定义为二级高风险事故原因；当同一事故医院在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个事故医院定义为二级高风险事故医院；当同一保险购买人或保险受益人在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个保险购买人或保险受益人定义为二级高风险保险关联人。当同一保险购买人或保险受益人在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个保险购买人或保险受益人定义为二级高风险保险关联人；当同一时期内携带高风险事故原因、高风险事故医院、高风险保险购买人或者高风险保险受益人的理赔申请数据的寿险理赔案件过多时，优先对携带二级高风险事故原因、二级高风险事故医院、二级高风险保险购买人或者二级高风险保险受益人的理赔申请数据的寿险理赔案件进行取证审查。
对所接收到的车险理赔服务器上传的理赔申请数据中的事故原因、事故地点和保单号对应的车牌号、保险购买人、保险受益人进行存档和次数累计，设定第一时间区间和第一时间区间内的第一出险次数，当同一事故原因在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将此类事故原因定义为一级高风险事故原因；当同一事故地点在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将这个事故地点定义为一级高风险事故地点；当同一车牌号在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将这个车牌号定义为一级高风险车牌号；当同一保险购买人或保险受益人在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将这个保险购买人或保险受益人定义为一级高风险保险关联人。设定第二时间区间和第二时间区间内的第二出险次数，第二出险次数与第二时间区间的比值大于第一出险次数与第一时间区间的比值，当同一事故原因在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将此类事故原因定义为二级高风险事故原因；当同一事故地点在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个事故地点定义为二级高风险事故地点；当同一车牌号在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个车牌号定义为二级高险车牌号；当同一保险购买人或保险受益人在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个保险购买人或保险受益人定义为二级高风险保险关联人。当同一时期内携带高风险事故原因、高风险事故地点、高风险车牌号、高风险保险购买人或者高风险保险受益人的理赔申请数据的财险理赔案件过多时，优先对携带二级高风险事故原因、二级高风险事故地点、二级高风险车牌号、二级高风险保险购买人或者二级高风险保险受益人的理赔申请数据的车险理赔案件进行取证审查。
对所接收到的其它财险理赔服务器上传的理赔申请数据中的事故原因、事故地点和保单号对应的保险购买人、保险受益人进行存档和次数累计，设定第一时间区间和第一时间区间内的第一出险次数，当同一事故原因在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将此类事故原因定义为一级高风险事故原因；当同一事故地点在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将这个事故地点定义为一级高风险事故地点；当同一保险购买人或保险受益人在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将这个保险购买人或保险受益人定义为一级高风险保险关联人。设定第二时间区间和第二时间区间内的第二出险次数，第二出险次数与第二时间区间的比值大于第一出险次数与第一时间区间的比值，当同一事故原因在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将此类事故原因定义为二级高风险事故原因；当同一事故地点在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个事故地点定义为二级高风险事故地点；当同一保险购买人或保险受益人在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个保险购买人或保险受益人定义为二级高风险保险关联人。当同一时期内携带高风险事故原因、高风险事故地点、高风险保险购买人或者高风险保险受益人的理赔申请数据的其它财险理赔案件过多时，优先对携带二级高风险事故原因、二级高风险事故地点、二级高风险保险购买人或者二级高风险保险受益人的理赔申请数据的其它财险理赔案件进行取证审查。
设定寿险理赔金额，当所接收到的寿险理赔服务器上传的理赔申请数据中的理赔金额大于设定的寿险理赔金额时，生成委派理赔审查员进行取证审查的命令，并将命令发送至寿险理赔服务器终端；设定车险理赔金额，当所接收到的车险理赔服务器上传的理赔申请数据中的理赔金额大于设定的车险理赔金额时，生成委派理赔审查员进行取证审查的命令，并将命令发送至车险理赔服务器终端；设定其它财险理赔金额，当所接收到的其它财险理赔服务器上传的理赔申请数据中的理赔金额大于设定的其它财险理赔金额时，生成委派理赔审查员进行取证审查的命令，并将命令发送至财险理赔服务器终端。对理赔金额大的理赔案件，优先委派案件审查员进行取证审查，也具有减小保险公司损失的效果。
以上所述仅为本发明的优选实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于大数据的信息数据处理和分析方法，其特征在于，包括：
建立大数据库，所述大数据库包括财险理赔数据库和寿险理赔数据库，其中财险理赔数据库分为车险理赔数据库和其它财产理赔数据库，所述寿险理赔数据库、车险理赔数据库和其它财产理赔数据库分别与寿险理赔服务器、车险理赔服务器和其它财产理赔服务器交互相连；
所述寿险理赔数据库中存入有往期寿险理赔申请数据，所述寿险理赔数据库包括寿险正常理赔数据库和寿险骗保理赔数据库，往期寿险理赔申请数据中的骗保行为理赔申请数据单独存入寿险骗保理赔数据库中；所述寿险理赔服务器用于接收寿险理赔申请数据，并将所接收的寿险理赔申请数据与寿险骗保理赔数据库中的数据进行对比，根据对比结果进行骗保风险分析，并进行骗保风险级别划分，对比相似度越高，则风险级别越高，然后生成委派理赔审查员进行取证审查的命令执行单，命令执行单上显示风险级别，理赔审查员根据风险级别由高到低进行选择命令执行单，选择人力资源能够完成数量的命令执行单进行执行审查；
所述车险理赔数据库中存入有往期车险理赔申请数据，所述车险理赔数据库包括车险正常理赔数据库和车险骗保理赔数据库，往期车险理赔申请数据中的骗保行为理赔申请数据单独存入车险骗保理赔数据库中；所述车险理赔服务器用于接收车险理赔申请数据，并将所接收的车险理赔申请数据与车险骗保理赔数据库中的数据进行对比，根据对比结果进行骗保风险分析，并进行骗保风险级别划分，对比相似度越高，则风险级别越高，然后生成委派理赔审查员进行取证审查的命令执行单，命令执行单上显示风险级别，理赔审查员根据风险级别由高到低进行选择命令执行单，选择人力资源能够完成数量的命令执行单进行执行审查。
所述其它财产理赔数据库中存入有往期其它财产理赔申请数据，所述其它财产理赔数据库包括其它财产正常理赔数据库和其它财产骗保理赔数据库，往期其它财险理赔申请数据中的骗保行为理赔申请数据单独存入其它财产骗保理赔数据库中；所述其它财产理赔服务器用于接收其它财产理赔申请数据，并将所接收的其它财产理赔申请数据与其它财产骗保理赔数据库中的数据进行对比，根据对比结果进行骗保风险分析，并进行骗保风险级别划分，对比相似度越高，则风险级别越高，然后生成委派理赔审查员进行取证审查的命令执行单，命令执行单上显示风险级别，理赔审查员根据风险级别由高到低进行选择命令执行单，选择人力资源能够完成数量的命令执行单进行执行审查。
2.根据权利要求1所述的一种基于大数据的信息数据处理和分析方法，其特征在于，风险级别划分为至少五个级别，依次为最高风险级别、高风险级别、较高风险级别、中风险级别和低风险级别，其中最高风险级别的对比相似度在80％及其以上，高风险级别的对比相似度在60％-80％之间，较高风险级别的对比相似度在40％-60％之间，中风险级别的对比相似度在20％-40％之间，低风险级别的对比相似度在20％以下。
3.根据权利要求2所述的一种基于大数据的信息数据处理和分析方法，其特征在于，所述寿险理赔服务器上传的理赔申请数据至少包括事故原因、事故医院、保单号和理赔金额，对所述寿险理赔服务器上传的理赔申请数据进行大数据风险分析，得到对应的高风险事故原因、高风险事故医院和高风险保单号对应的保险购买人和保险受益人；将所述高风险事故原因、高风险事故医院和高风险保单号对应的保险购买人、保险受益人返回至寿险理赔服务器，以使得所述寿险理赔服务器在接收到携带所述高风险事故原因、高风险事故医院和高风险保单号对应的保险购买人、保险受益人的理赔申请数据时，生成委派理赔审查员进行取证审查的命令，并将所述命令发送至寿险理赔服务器终端；
所述车险理赔服务器上传的理赔申请数据至少包括事故原因、事故地点、保单号和理赔金额，对所述车险理赔服务器上传的理赔申请数据进行大数据风险分析，得到对应的高风险事故原因、高风险事故地点和高风险保单号对应的车牌号、保险购买人和保险受益人；将所述高风险事故原因、高风险事故地点和高风险保单号对应的车牌号、保险购买人、保险受益人返回至车险理赔服务器，以使得所述车险理赔服务器在接收到携带所述高风险事故原因、高风险事故地点和高风险保单号对应的车牌号、保险购买人、保险受益人的理赔申请数据时，生成委派理赔审查员进行取证审查的命令，并将所述命令发送至车险理赔服务器终端；
所述其它财险理赔服务器上传的理赔申请数据至少包括事故原因、事故地点、保单号和理赔金额，对所述财险理赔服务器上传的理赔申请数据进行大数据风险分析，得到对应的高风险事故原因、高风险事故地点和高风险保单号对应的保险购买人和保险受益人；将所述高风险事故原因、高风险事故地点和高风险保单号对应的保险购买人、保险受益人返回至财险理赔服务器，以使得所述财险理赔服务器在接收到携带所述高风险事故原因、高风险事故地点和高风险保单号对应的保险购买人、保险受益人的理赔申请数据时，生成委派理赔审查员进行取证审查的命令，并将所述命令发送至其它财险理赔服务器终端。
4.根据权利要求3所述的一种基于大数据的信息数据处理和分析方法，其特征在于，对所接收到的寿险理赔服务器上传的理赔申请数据中的事故原因、事故医院和保单号对应的保险购买人、保险受益人进行存档和次数累计，设定第一时间区间和第一时间区间内的第一出险次数，当同一事故原因在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将此类事故原因定义为一级高风险事故原因；当同一事故医院在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将这个事故医院定义为一级高风险事故医院；当同一保险购买人或保险受益人在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将这个保险购买人或保险受益人定义为一级高风险保险关联人。
5.根据权利要求4所述的一种基于大数据的信息数据处理和分析方法，其特征在于，设定第二时间区间和第二时间区间内的第二出险次数，所述第二出险次数与第二时间区间的比值大于所述第一出险次数与第一时间区间的比值，当同一事故原因在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将此类事故原因定义为二级高风险事故原因；当同一事故医院在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个事故医院定义为二级高风险事故医院；当同一保险购买人或保险受益人在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个保险购买人或保险受益人定义为二级高风险保险关联人。
6.根据权利要求3所述的一种基于大数据的信息数据处理和分析方法，其特征在于，对所接收到的车险理赔服务器上传的理赔申请数据中的事故原因、事故地点和保单号对应的车牌号、保险购买人、保险受益人进行存档和次数累计，设定第一时间区间和第一时间区间内的第一出险次数，当同一事故原因在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将此类事故原因定义为一级高风险事故原因；当同一事故地点在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将这个事故地点定义为一级高风险事故地点；当同一车牌号在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将这个车牌号定义为一级高风险车牌号；当同一保险购买人或保险受益人在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将这个保险购买人或保险受益人定义为一级高风险保险关联人。
7.根据权利要求6所述的一种基于大数据的信息数据处理和分析方法，其特征在于，设定第二时间区间和第二时间区间内的第二出险次数，所述第二出险次数与第二时间区间的比值大于所述第一出险次数与第一时间区间的比值，当同一事故原因在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将此类事故原因定义为二级高风险事故原因；当同一事故地点在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个事故地点定义为二级高风险事故地点；当同一车牌号在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个车牌号定义为二级高险车牌号；当同一保险购买人或保险受益人在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个保险购买人或保险受益人定义为二级高风险保险关联人。
8.根据权利要求3所述的一种基于大数据的信息数据处理和分析方法，其特征在于，对所接收到的其它财险理赔服务器上传的理赔申请数据中的事故原因、事故地点和保单号对应的保险购买人、保险受益人进行存档和次数累计，设定第一时间区间和第一时间区间内的第一出险次数，当同一事故原因在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将此类事故原因定义为一级高风险事故原因；当同一事故地点在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将这个事故地点定义为一级高风险事故地点；当同一保险购买人或保险受益人在设定的第一时间区间内累加的出险次数大于设定的第一出险次数时，将这个保险购买人或保险受益人定义为一级高风险保险关联人。
9.根据权利要求8所述的一种基于大数据的信息数据处理和分析方法，其特征在于，设定第二时间区间和第二时间区间内的第二出险次数，所述第二出险次数与第二时间区间的比值大于所述第一出险次数与第一时间区间的比值，当同一事故原因在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将此类事故原因定义为二级高风险事故原因；当同一事故地点在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个事故地点定义为二级高风险事故地点；当同一保险购买人或保险受益人在设定的第二时间区间内累加的出险次数大于设定的第二出险次数时，将这个保险购买人或保险受益人定义为二级高风险保险关联人。
10.根据权利要求3所述的一种基于大数据的信息数据处理和分析方法，其特征在于，设定寿险理赔金额，当所接收到的寿险理赔服务器上传的理赔申请数据中的理赔金额大于设定的寿险理赔金额时，生成委派理赔审查员进行取证审查的命令，并将所述命令发送至寿险理赔服务器终端；设定车险理赔金额，当所接收到的车险理赔服务器上传的理赔申请数据中的理赔金额大于设定的车险理赔金额时，生成委派理赔审查员进行取证审查的命令，并将所述命令发送至车险理赔服务器终端；设定其它财险理赔金额，当所接收到的其它财险理赔服务器上传的理赔申请数据中的理赔金额大于设定的其它财险理赔金额时，生成委派理赔审查员进行取证审查的命令，并将所述命令发送至财险理赔服务器终端。
CN202011018334.3A 2020-09-24 2020-09-24 一种基于大数据的信息数据处理和分析方法 Pending CN112001806A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011018334.3A CN112001806A (zh) 2020-09-24 2020-09-24 一种基于大数据的信息数据处理和分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011018334.3A CN112001806A (zh) 2020-09-24 2020-09-24 一种基于大数据的信息数据处理和分析方法

Publications (1)

Publication Number Publication Date
CN112001806A true CN112001806A (zh) 2020-11-27

Family

ID=73474886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011018334.3A Pending CN112001806A (zh) 2020-09-24 2020-09-24 一种基于大数据的信息数据处理和分析方法

Country Status (1)

Country Link
CN (1) CN112001806A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114817681A (zh) * 2022-04-28 2022-07-29 北京辰行科技有限公司 一种基于大数据分析的金融风控系统及其管理设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114817681A (zh) * 2022-04-28 2022-07-29 北京辰行科技有限公司 一种基于大数据分析的金融风控系统及其管理设备
CN114817681B (zh) * 2022-04-28 2023-04-07 广州市华商小额贷款股份有限公司 一种基于大数据分析的金融风控系统及其管理设备

Similar Documents

Publication Publication Date Title
Raghunandan et al. Do socially responsible firms walk the talk?
US8255244B2 (en) System and method for insurance underwriting and rating
Karpoff et al. On the determinants and importance of punitive damage awards
Krishnan et al. Litigation risk and auditor resignations
Flagg et al. Predicting corporate bankruptcy using failing firms
Marciukaityte et al. Governance and performance changes after accusations of corporate fraud
Alexander et al. New evidence on the origins of corporate crime
Lin et al. The determinants of auditor switching from the perspective of corporate governance in China
Cho et al. Role of auditor in agency conflict and corporate governance: Empirical analyses of Taiwanese firms
CN111144697A (zh) 数据处理方法、装置、存储介质及电子设备
CN109508797A (zh) 基于区块链的车险理赔方法及相关设备
Wei et al. Detecting fraud in Chinese listed company balance sheets
CN112001806A (zh) 一种基于大数据的信息数据处理和分析方法
CN102089780A (zh) 用于追踪、监视及报告产权保险单的偿清的系统及方法
US20120089527A1 (en) Method, apparatus and computer program product for monitoring compliance in reporting unclaimed property
CN110782163A (zh) 企业数据处理方法和装置
An et al. Regime shift and the post-crisis world of mortgage loss severities
Kramer et al. Why strikes occur: Evidence from the capital markets
Charoenwong et al. Hidden non-performing loans in China
CN112150296A (zh) 一种信息数据处理和分析方法
Li et al. The value of bankruptcy court in financial distress: evidence from Chinese bond market
US20040078330A1 (en) Method and apparatus for auditing billing accounts
Tucker et al. Carrying little sticks: Is there a ‘deterrence gap’in employment standards enforcement in Ontario, Canada?
Biswas et al. Mortgage losses under alternative property disposition approaches: Deed-in-Lieu, short sales, and foreclosure sales
Yang et al. Corporate non‐financial misconduct and accounting conservatism

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201127

WD01 Invention patent application deemed withdrawn after publication