CN112381656A - 一种针对保单的自动核保方法、装置及电子设备 - Google Patents

一种针对保单的自动核保方法、装置及电子设备 Download PDF

Info

Publication number
CN112381656A
CN112381656A CN202011241240.2A CN202011241240A CN112381656A CN 112381656 A CN112381656 A CN 112381656A CN 202011241240 A CN202011241240 A CN 202011241240A CN 112381656 A CN112381656 A CN 112381656A
Authority
CN
China
Prior art keywords
policy
underwriting
data
short
insurance
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
CN202011241240.2A
Other languages
English (en)
Inventor
鞠芳
唐辉
王岱峥
刘莹
张洪涛
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.)
China Life Insurance Co Ltd China
Original Assignee
China Life Insurance Co Ltd China
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 China Life Insurance Co Ltd China filed Critical China Life Insurance Co Ltd China
Priority to CN202011241240.2A priority Critical patent/CN112381656A/zh
Publication of CN112381656A publication Critical patent/CN112381656A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Technology Law (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本说明书一个或多个实施例提供一种针对保单的自动核保方法、装置及电子设备，所述方法包括：基于经过标注的历史保单核保数据生成训练样本数据；以所述训练样本数据作为输入对机器学习模型进行训练，得到核保模型；从待核保保单的保单数据中提取所述输入特征；将所述输入特征输入所述核保模型，得到所述保单的短期出险概率；在所述保单的短期出险概率大于或等于预先设定的阈值时，确定所述保单核保不通过；在所述保单的短期出险概率小于所述阈值时，确定所述保单核保通过。本方法能够实现对于保单短期出险的情况及时准确的预测，同时大幅度降低核保系统中人工维护的成本。

Description

一种针对保单的自动核保方法、装置及电子设备
技术领域
本说明书一个或多个实施例涉及保险技术领域，尤其涉及一种针对保单的自动核保方法、装置及电子设备。
背景技术
核保是保险公司对风险进行控制的第一个环节，也是主要环节。现有的核保系统，主要由自动核保规则和人工核保两部分组成，其中自动核保规则多参考投、被保人的经济、健康等方面的指标和情况做硬性的评估，人工部分主要依靠专家经验辅助体检、补充资料、调查等手段来对投保保单风险进行评估，并给予结论。
现有的自动核保规则主要依靠历史的情况总结而来，多数采用规则引擎配置实现。对于命中不同规则的保单采取不同的人工核保动作或直接给予非标准体的核保结论，对于没有触发核保规则的保单自动核保通过成为标准体投保。
一般而言，出险日期与投保日期距离太短，存在很高的欺诈风险，需要重点进行风险防控。现有的核保规则对案件的评估效果主要依靠硬性的指标统计，相对僵化，另外现有规则的调整多依靠人工，调整的方法相对僵化、滞后，且存在较高的人工成本，因而对于保单在现有规则下保单短期出险的情况不能及时、准确的预测，同时存在较高的人工成本。
发明内容
有鉴于此，本说明书一个或多个实施例的目的在于提出一种针对保单的自动核保方法、装置及电子设备解决对于保单短期出险的情况不能及时、准确的预测的问题。
基于上述目的，本说明书一个或多个实施例提供了一种针对保单的自动核保方法，包括：
基于经过标注的历史保单核保数据生成训练样本数据；其中，所述训练样本数据中历史保单承保后短期出险的核保数据被标注为正样本，历史保单承保后非短期出险的核保数据被标注为负样本；
以所述训练样本数据作为输入对机器学习模型进行训练，得到核保模型；
从待核保保单的保单数据中提取所述输入特征；
将所述输入特征输入所述核保模型，得到所述保单的短期出险概率；
在所述保单的短期出险概率大于或等于预先设定的阈值时，确定所述保单核保不通过；
在所述保单的短期出险概率小于所述阈值时，确定所述保单核保通过。
基于同一发明构思，本说明书一个或多个实施例还提供了一种针对保单的自动核保装置，包括：
数据标注模块：被配置为基于经过标注的历史保单核保数据生成训练样本数据；其中，所述训练样本数据中历史保单承保后短期出险的核保数据被标注为正样本，历史保单承保后非短期出险的核保数据被标注为负样本；
核保模型建立模块：被配置为以所述训练样本数据作为输入对机器学习模型进行训练，得到核保模型；
自动核保模块：被配置为从待核保保单的保单数据中提取所述输入特征；将所述输入特征输入所述核保模型，得到所述保单的短期出险概率；在所述保单的短期出险概率大于或等于预先设定的阈值时，确定所述保单核保不通过；在所述保单的短期出险概率小于所述阈值时，确定所述保单核保通过。
基于同一发明构思，本说明书一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一项所述的方法。
从上面所述可以看出，本说明书一个或多个实施例提供的保单智能核保方法，实现对保单短期出险的情况及时、准确的预测，有效的改善了人工调整自动核保规则的滞后、僵化问题，同时降低核保系统使用维护工作中的人工工作量。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书一个或多个实施例的针对保单的自动核保方法流程图；
图2为本说明书一个或多个实施例的针对保单的自动核保装置结构示意图；
图3为本说明书一个或多个实施例的电子设备结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
如背景技术所述，现有的核保方法是有自动核保规则和人工核保两部分组成，核保规则对案件的评估效果主要依靠硬性指标，对于核保规则的变化依靠人工进行调整，因而不能对业务情况的变化快速响应，依靠人工对核保规则进行调整存在较高的人工成本。
有鉴于此，本说明书一个或多个实施例提供了一种针对保单的自动核保方法，参考附图1，所述方法包括：
步骤S101：基于经过标注的历史保单核保数据生成训练样本数据；其中，所述训练样本数据中历史保单承保后短期出险的核保数据被标注为正样本，历史保单承保后非短期出险的核保数据被标注为负样本。
步骤S102：以所述训练样本数据作为输入对机器学习模型进行训练，得到核保模型；
本步骤中，所述机器学习模型包括：随机森林、Xgboost分类算法或Wide&Deep算法。所述输入特征包括：保单的类别、投保时间、出险日期距保单生效日时间、投保用户已有保单数量、业务员既往保单情况比例。
需要说明的是，所述机器学习模型不限制于上述三种，也可选择决策树、隐马尔科夫模型等；输入特征的选择的范围为保单、客户、营销员以及产品，可根据需要选择上述范围内的数据作为所述输入特征，对所述输入特征中的一个输入特征进行删减或增加，比对增减前后核保模型的误差变化情况对所述输入特征进行筛选，提高所述核保模型的效果。
其中，随机森林算法是一种被广泛应用的套袋(bagging)集成分类算法，在多种分类场景中都能取得较好的分类效果。它在以决策树为基学习器构建bagging集成的基础上，进一步在决策树的训练过程中引入了随机特征选择，因此具有更强的防止过拟合能力，进一步降低方差。
XGBoost算法是一种高级的boosting集成分类算法。XGBoost算法中，每个模型的建立是为了使得之前的模型的残差往梯度方向下降，最终结合所有的基模型进行分类。此外，由于XGBoostt可以支持并行计算，因此在训练速度上具有一定的优势。
Wide&Deep算法旨在使得训练得到的模型同时获得记忆能力和泛化能力。该算法分为两个部分：第一个为Wide端，实际上Wide端就是一个广义的线性模型；第二个为Deep端，实际上Deep端是一个前馈神经网络。训练过程联合两部分同时进行，并将两个模型的结果加权和作为最终的预测结果。
进一步的，以所述训练样本数据作为输入对机器学习模型进行训练包括：
从所述训练样本数据中提取与保单、投保用户以及业务人员相关的数据；
对所提取的数据进行清洗；
从经过清洗的数据中提取输入特征；
将所述输入特征输入所述机器学习模型，得到所述保单的短期出险概率；
根据所述保单的短期出险概率与对所述样本数据的标注结果确定所述机器学习的误差；
并根据所述误差调整所述机器学习的参数；具体的，通过贝叶斯优化方法根据所述误差调整所述机器学习的参数；
贝叶斯优化，其优势在于“有目的性”的调整参数，它通过高斯过程回归计算前面n个点的后验概率分布，得到模型的每一组超参数在取值点的期望均值和方差，其中均值代表在该点对应的超参数下，模型取得的期望效果，均值越大表示模型最终效果有可能越大；方差表示了效果不确定性，方差越大表示这个点取得效果的不确定性越大。
重复上述操作直至达到预先设定的迭代次数或者所述机器学习模型收敛。
作为一个可选的实施例，以所述训练样本数据作为输入对机器学习模型进行训练还包括：
基于经过标注的历史保单核保数据生成测试样本数据，且所述测试样本数据与训练样本数据按照预先设置的比例进行划分；其中，所述测试样本数据中历史保单承保后短期出险的核保数据被标注为正样本，历史保单承保后非短期出险的核保数据被标注为负样本；具体的，上述预先设置的比例可设置为：测试样本数据与训练样本数据之比为8:2或者7:3。
从所述测试样本数据中提取与保单、投保用户以及业务人员相关的数据；
对所提取的数据进行清洗；
具体的，上述对所提取的数据进行清洗包括：通过盖帽法对异常值进行处理，采用中位数或者众数对空值进行处理，利用极值法或标准差法对数据进行标准化操作。
从经过清洗的数据中提取输入特征；
将所述输入特征输入所述机器学习模型，得到所述保单的短期出险概率；
将所述保单的短期出险概率与对所述测试样本数据的标注结果进行对比得到所述测试结果；
根据所述测试结果和评估指标验证模型，其中所述评估指标是通过误差函数计算得到的误差；
对于不同的机器学习模型通过受试者工作特征(ROC)曲线与准确召回率(PRC)曲线下面积，或者根据F分数(F-score)、查准率以及查全率确定效果最好的核保模型。
步骤S103：从待核保保单的保单数据中提取所述输入特征。
步骤S104：将所述输入特征输入所述核保模型，得到所述保单的短期出险概率。
步骤S105：在所述保单的短期出险概率大于或等于预先设定的阈值时，确定所述保单核保不通过。
本步骤中，上述确定所述保单核保不通过，可以实施多种业务动作。例如，对核保不通过保单中的被保险人历史健康情况进行调查或者抽体检，发现有患重疾历史或者体检结果中存在危险项，则可以具体采取加费、拒保等措施。
需要进一步说明的是，所述保单不仅限于健康险保单，可根据不同险种对于核保不通过的保单进行调查等相应的动作。
步骤S106：在所述保单的短期出险概率小于所述阈值时，确定所述保单核保通过。
基于上述实施例所提出的方法，该方法提供了一种自动核保的快捷途径，保险公司通过上述核保模型对保单进行有价值的决策判断，减少大量人工参与的过程，提高工作效率的同时降低人力成本。
作为一个可选的实施例，所述方法进一步包括：对所述训练样本数据的正样本和负样本中占比低的类别进行采样，增加所述占比低的类别的样本数量。
具体的，可通过第三方采样库(imbalanced-learn)开发包中采样方法对占比低的正样本或负样本进行采样操作。
由此可见，本说明书一个或多个实施例提供的一种针对保单的自动核保方法，基于历史核保数据通过机器学习算法建立核保模型，核保模型可以通过实际业务数据进行快速迭代训练，对业务情况的变化快速响应，能够实现对未核保的保单进行自动核保。本方法对于保单短期出险及时进行预测，提高核保系统的风险的控制能力，同时提升相关工作人员对于保单的业务情况的响应速度，大幅度降低人工工作量。
需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，与上述实施例方法相对应的，本说明书一个或多个实施例还提供了一种针对保单的自动核保装置。
参考图2，所述保单的智能核保装置，包括：
数据标注模块201：被配置为基于经过标注的历史保单核保数据生成训练样本数据；其中，所述训练样本数据中历史保单承保后短期出险的核保数据被标注为正样本，历史保单承保后非短期出险的核保数据被标注为负样本。
核保模型建立模块202：被配置为以所述训练样本数据作为输入对机器学习模型进行训练，得到核保模型；其中，所述核保模型的输入为从保单数据中提取的具有物理或统计意义的输入特征；所述核保模型的输出为保单的短期出险概率。
自动核保模块203：被配置为从待核保的保单中提取所述输入特征；将所述输入特征输入所述核保模型，得到所述保单的短期出险概率；在所述保单的短期出险概率大于或等于预先设定的阈值时，确定所述保单核保不通过；在所述保单的短期出险概率小于所述阈值时，确定所述保单核保通过。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的针对保单的自动核保方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本说明书一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的针对保单的自动核保方法。
图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的针对保单的自动核保方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种针对保单的自动核保方法，包括：
基于经过标注的历史保单核保数据生成训练样本数据；其中，所述训练样本数据中历史保单承保后短期出险的核保数据被标注为正样本，历史保单承保后非短期出险的核保数据被标注为负样本；
以所述训练样本数据作为输入对机器学习模型进行训练，得到核保模型；
从待核保保单的保单数据中提取输入特征；
将所述输入特征输入所述核保模型，得到所述保单的短期出险概率；
在所述保单的短期出险概率大于或等于预先设定的阈值时，确定所述保单核保不通过；
在所述保单的短期出险概率小于所述阈值时，确定所述保单核保通过。
2.根据权利要求1所述的方法，其中，以所述训练样本数据作为输入对机器学习模型进行训练包括：
从所述训练样本数据中提取与保单、投保用户以及业务人员相关的数据；
对所提取的数据进行清洗；
从经过清洗的数据中提取输入特征；
将所述输入特征输入所述机器学习模型，得到所述保单的短期出险概率；
根据所述保单的短期出险概率与对所述样本数据的标注结果确定所述机器学习的误差；
并根据所述误差调整所述机器学习的参数；
重复上述操作直至达到预先设定的迭代次数或者所述机器学习模型收敛。
3.根据权利要求2所述的方法，其中，所述方法进一步包括：
基于经过标注的历史保单核保数据生成测试样本数据，且所述测试样本数据与训练样本数据按照预先设置的比例进行划分；其中，所述测试样本数据中历史保单承保后短期出险的核保数据被标注为正样本，历史保单承保后非短期出险的核保数据被标注为负样本；
从所述测试样本数据中提取与保单、投保用户以及业务人员相关的数据；
对所提取的数据进行清洗；
从经过清洗的数据中提取输入特征；
将所述输入特征输入所述机器学习模型，得到所述保单的短期出险概率；
将所述保单的短期出险概率与对所述测试样本数据的标注结果进行对比得到所述测试结果；
根据所述测试结果和评估指标验证模型，其中所述评估指标是通过误差函数计算得到的误差；
对于不同的机器学习模型通过受试者工作特征ROC曲线与准确召回率PRC曲线下面积，或者根据F分数F-score、查准率以及查全率确定核保模型。
4.根据权利要求2所述的方法，其中，所述根据所述误差调整所述机器学习的参数包括：通过贝叶斯优化方法根据所述误差调整所述机器学习的参数。
5.根据权利要求2或3所述的方法，其中，所述对所提取的数据进行清洗包括：通过盖帽法对异常值进行处理，采用中位数或者众数对空值进行处理，利用极值法或标准差法对数据进行标准化操作。
6.根据权利要求1-3中任意一项所述的方法，其中，所述机器学习模型包括：随机森林、Xgboost分类算法或Wide&Deep算法。
7.根据权利要求1-3中任意一项所述的方法，其中，所述输入特征包括：保单的类别、投保时间、出险日期距保单生效日时间、投保用户已有保单数量、业务员既往保单情况比例。
8.根据权利要求1所述的方法，其中，所述方法进一步包括：对所述训练样本数据的正样本和负样本中占比低的类别进行采样，增加所述占比低的类别的样本数量。
9.一种针对保单的自动核保装置，包括：
数据标注模块：被配置为基于经过标注的历史保单核保数据生成训练样本数据；其中，所述训练样本数据中历史保单承保后短期出险的核保数据被标注为正样本，历史保单承保后非短期出险的核保数据被标注为负样本；
核保模型建立模块：被配置为以所述训练样本数据作为输入对机器学习模型进行训练，得到核保模型；
自动核保模块：被配置为从待核保保单的保单数据中提取所述输入特征；将所述输入特征输入所述核保模型，得到所述保单的短期出险概率；在所述保单的短期出险概率大于或等于预先设定的阈值时，确定所述保单核保不通过；在所述保单的短期出险概率小于所述阈值时，确定所述保单核保通过。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任意一项所述的方法。
CN202011241240.2A 2020-11-09 2020-11-09 一种针对保单的自动核保方法、装置及电子设备 Pending CN112381656A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011241240.2A CN112381656A (zh) 2020-11-09 2020-11-09 一种针对保单的自动核保方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011241240.2A CN112381656A (zh) 2020-11-09 2020-11-09 一种针对保单的自动核保方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN112381656A true CN112381656A (zh) 2021-02-19

Family

ID=74578161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011241240.2A Pending CN112381656A (zh) 2020-11-09 2020-11-09 一种针对保单的自动核保方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112381656A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109410071A (zh) * 2018-09-17 2019-03-01 平安科技（深圳）有限公司 核保数据处理方法、装置、计算机设备和存储介质
CN109523412A (zh) * 2018-11-14 2019-03-26 平安科技（深圳）有限公司 智能核保方法、装置、计算机设备及计算机可读存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109410071A (zh) * 2018-09-17 2019-03-01 平安科技（深圳）有限公司 核保数据处理方法、装置、计算机设备和存储介质
CN109523412A (zh) * 2018-11-14 2019-03-26 平安科技（深圳）有限公司 智能核保方法、装置、计算机设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN112884092B (zh) Ai模型生成方法、电子设备及存储介质
CN109242135B (zh) 一种模型运营方法、装置、及业务服务器
US20190180379A1 (en) Life insurance system with fully automated underwriting process for real-time underwriting and risk adjustment, and corresponding method thereof
CN113792825A (zh) 一种用电信息采集设备故障分类模型训练方法及装置
CN108364106A (zh) 一种报销单风险预测方法、装置、终端设备及存储介质
WO2021004324A1 (zh) 资源数据的处理方法、装置、计算机设备和存储介质
CN109816509A (zh) 评分卡模型的生成方法、终端设备及介质
CN113837596B (zh) 一种故障确定方法、装置、电子设备及存储介质
CN110888625B (zh) 基于需求变更和项目风险对代码质量进行控制的方法
US11580425B2 (en) Managing defects in a model training pipeline using synthetic data sets associated with defect types
CN113822366A (zh) 业务指标异常检测方法及装置、电子设备、存储介质
WO2017071369A1 (zh) 一种预测用户离网的方法和设备
CN116561542B (zh) 模型的优化训练系统、方法以及相关装置
CN111199469A (zh) 用户还款模型生成方法、装置及电子设备
CN113591393A (zh) 智能变电站的故障诊断方法、装置、设备和存储介质
RU2607977C1 (ru) Способ создания модели объекта
CN112766402A (zh) 算法选择方法、装置和电子设备
CN116915710A (zh) 流量预警方法、装置、设备及可读存储介质
CN112801315A (zh) 电力二次设备的状态诊断方法、装置及终端
CN111222769A (zh) 一种年报数据质量评价方法、装置、电子设备及存储介质
KR20210091591A (ko) 원천 기술의 평가 방법을 포함하는 전자 장치
CN112381656A (zh) 一种针对保单的自动核保方法、装置及电子设备
Malhotra et al. A neuro-fuzzy classifier for website quality prediction
CN113449923A (zh) 一种多模型标的物行情预测方法和装置
CN112732549A (zh) 基于聚类分析的测试程序分类方法

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