CN112634064A - 理赔智能审核方法及装置、系统、存储介质 - Google Patents
理赔智能审核方法及装置、系统、存储介质 Download PDFInfo
- Publication number
- CN112634064A CN112634064A CN202011402794.6A CN202011402794A CN112634064A CN 112634064 A CN112634064 A CN 112634064A CN 202011402794 A CN202011402794 A CN 202011402794A CN 112634064 A CN112634064 A CN 112634064A
- Authority
- CN
- China
- Prior art keywords
- user
- risk
- report information
- risk assessment
- value
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种理赔智能审核方法及装置、系统、存储介质,该方法包括:获取用户提交的报案信息,并对该报案信息进行文本处理以得到文本形式的报案信息,并基于规则引擎对所述文本形式的报案信息进行筛选以得到目标报案信息,利用在先构建的风险评估模型对所述目标报案信息进行风险评估,并得到相应的风险预测值。进一步地,可以根据该风险预测值的风险等级进行相应的操作,如该风险评估模型可以给出用户报案是否予以赔偿。通过上述方案,可以大大减轻人工审核工作人员的工作强度,并且提高审核结果的准确性。
Description
技术领域
本发明涉及机器学习技术领域,尤其涉及一种理赔智能审核方法及装置、系统、存储介质。
背景技术
随着互联网的发展和人民生活水平的提高,互联网保险被大众的接受度越来越高,经历此次疫情,使得人们更加重视保险的作用。越来越多的投保带来了越来越多的理赔,如何高效处理用户的报案给我们审核人员带来了一定的压力。
传统的保险领域会设置一个理赔系统,用户报案过来,会有初审人员收集资料,再提交给审核人员,审核人员根据自己系统里的报案列表审核案件,审核没有问题的案件再提交给签批人员。完全依赖人工处理每一个案件,随着案件量的增多,会造成案件积压,处理效率降低,前端带来的用户体验降低,后端可能因为处理案件疲劳导致失误,人力成本也会随之增加。
发明内容
本发明实施例提供一种理赔智能审核方法及装置、系统、存储介质,可该理赔智能审核方法可以获取用户提交的报案信息,并对该报案信息进行文本处理以得到文本形式的报案信息,并基于规则引擎对所述文本形式的报案信息进行筛选以得到目标报案信息,利用在先构建的风险评估模型对所述目标报案信息进行风险评估,并得到相应的风险预测值。进一步地,可以根据该风险预测值的风险等级进行相应的操作,如该风险评估模型可以给出用户报案是否予以赔偿。通过上述方案,可以大大减轻人工审核工作人员的工作强度,并且提高审核结果的准确性。
第一方面,本发明实施例提供一种理赔智能审核方法,包括:
获取用户的报案信息,并对所述报案信息进行文本化处理以得到文本形式的报案信息;
基于规则引擎对所述文本形式的报案信息进行筛选以得到目标报案信息;
利用构建的风险评估模型对所述目标报案信息进行风险评估,并得到相应的风险预测值;以及
根据所述风险预测值的风险等级执行对应反馈操作。
进一步地,通过以下步骤构建所述风险评估模型:
对所述用户的用户属性信息进行数据分析处理,以得到用户样本数据集;
构建风险评估初始模型;
从所述用户样本数据集中选取训练数据集,利用所述训练数据集对所述风险评估初始模型进行训练,以得到训练后的风险评估初始模型;以及
从所述用户样本数据集中选取测试数据集,利用所述测试数据集对所述训练后的风险评估初始模型进行评估,根据评估结果确定是否对所述评估后的所述风险评估初始模型进行优化调整,进而得到所述风险评估模型。
进一步地,所述用户属性信息包括:用户信息、平台行为和历史报案信息;
所述对所述用户的用户属性信息进行数据分析处理,以得到用户样本数据集包括:
根据所述历史报案信息,确定用户风险评估值;
从所述用户属性信息中提取一个或多个用户特征,并根据所述一个或多个用户特征的特征信息确定所述一个或多个用户特征对应的特征值;以及
基于所述用户风险评估值、所述一个或多个用户特征以及所述一个或多个用户特征对应的特征值,生成所述用户样本数据集。
进一步地,所述从所述用户属性信息中提取一个或多个用户特征包括:
选择IV值大于设定值的有效特征。
进一步地,所述利用所述训练数据集对所述风险评估初始模型进行训练,以得到训练后的风险评估初始模型包括:
通过将所述训练数据集中的所述一个或多个用户特征对应的特征值作为所述风险评估初始模型的输入,将所述训练数据集中的所述用户风险评估值作为所述风险评估初始模型的输出,对所述风险评估初始模型进行训练,以确定所述一个或多个用户特征对应的权重值,从而得到所述经过训练后的风险评估初始模型。
进一步地,所述利用所述测试数据集对所述训练后的风险评估初始模型进行评估,根据评估结果确定是否对所述评估后的所述风险评估初始模型进行优化调整,进而得到所述风险评估模型包括:
将所述测试数据集中的所述一个或多个用户特征对应的特征值输入至所述经过训练后的风险评估初始模型,得到所述训练后的风险评估初始模型输出的用户风险评估值;
将所述测试数据集中的用户风险评估值与所述风险评估初始模型输出的用户风险评估值进行比较,根据比较结果计算所述训练后的风险评估初始模型的输出结果准确率;
若所述输出结果准确率大于或等于设定准确率,则无需对所述训练后的风险评估初始模型进行优化调整,并将所述训练后的风险评估初始模型作为所述风险评估模型;
若所述输出结果准确率小于设定准确率,对所述训练后的风险评估初始模型进行优化调整,并将优化调整后的风险评估初始模型作为所述风险评估模型。
进一步地,所述规则引擎的筛选规则包括:理赔诉求金额小于设定金额。
进一步地,所述利用构建的风险评估模型对所述目标报案信息进行风险评估,并得到相应的风险预测值包括:
获取所述目标报案信息中的一个或多个用户特征的特征值;
将获取的所述一个或多个用户特征的特征值输入所述构建的风险评估模型,以计算所述目标报案信息对应的用户风险评估值,并根据所述用户风险评估值确定对应的所述风险预测值。
进一步地,所述根据所述用户风险评估值确定对应的所述风险预测值包括:
通过以下公式计算所述风险预测值:
A=P×K
其中,A表示所述风险预测值,P表示所述用户风险评估值,K表示放大系数。
进一步地,所述根据所述风险预测值的风险等级执行对应反馈操作包括:
若所述风险预测值大于第一阈值,则确定所述用户为第一风险用户,并在所述用户的报案信息中添加第一风险用户标签;
若所述风险预测值小于第二阈值,则确定所述用于为第二风险用户,并在所述用户的报案信息中添加第二风险用户标签;
若所述风险预测值处于所述第一阈值和所述第二阈值之间,则确定所述用户为第三风险用户,并在所述用户的报案信息中添加第三风险用户标签。
进一步地,所述根据所述风险预测值的风险等级执行对应反馈操作包括:
若所述用户为第一风险用户,对所述用户的报案信息执行第一操作,所述第一操作包括执行赔付操作;
若所述用户为第二风险用户,对所述用户的报案信息执行第二操作,所述第二操作包括执行拒赔操作;以及
若所述用户为第三风险用户,对所述用户的报案信息执行第三操作,所述第三操作包括在所述用户的报案信息中添加待人工审核标签。
进一步地,在所述用户的报案信息执行第三操作之后,还包括:
建立待审核任务,所述待审核任务中包括已添加待人工审核标签的所述用户的报案信息以及审核期限信息;
并将所述待审核任务分配给相应工作人员的任务系统中。
第二方面,本发明实施例还提供一种理赔智能审核装置,包括:
处理器和存储器,所述存储器用于存储至少一条指令,所述指令由所述处理器加载并执行时以实现上述第一方面提供的所述理赔智能审核方法。
第三方面,本发明实施例还提供一种理赔智能审核系统,包括:
文本处理模块,用于获取用户的报案信息,并对所述报案信息进行文本处理以得到文本形式的报案信息;
筛选模块,用于基于规则引擎对所述文本处理模块提供的所述文本形式的报案信息进行筛以选得到目标报案信息;
风险评估模块,用于构建风险评估模型,并利用构建的风险评估模型对所述目标报案信息进行风险评估,并得到相应的风险预测值;
审核模块,用于根据所述风险预测值的风险等级执行对应反馈操作。
第四方面,本发明实施例还提供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第一方面提供的理赔智能审核方法。
通过上述技术方案,可以筛选用户提交的报案信息,并对该报案信息进行文本处理以得到文本形式的报案信息,并基于规则引擎对所述文本形式的报案信息进行筛选以得到目标报案信息,利用在先构建的风险评估模型对所述目标报案信息进行风险评估,并得到相应的风险预测值。进一步地,可以根据该风险预测值的风险等级进行相应的操作,如该风险评估模型可以给出用户报案是否予以赔偿。通过上述方案,可以大大减轻人工审核工作人员的工作强度,并且提高审核结果的准确性。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例提供的理赔智能审核方法的流程图;
图2为本发明一个实施例提供的构建风险评估模型的流程图;
图3为本发明一个实施例提供的理赔智能审核装置的结构示意图;
图4为本发明一个实施例提供的理赔智能审核系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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例,都属于本发明保护的范围。
图1为本发明实施例提供的理赔智能审核方法的流程图,如图1所示,上述理赔智能审核方法包括以下步骤:
步骤101:获取报案信息,并对所述报案信息进行文本化处理以得到文本形式的报案信息,基于规则引擎对所述文本形式的报案信息进行筛选以得到目标报案信息。
步骤102:利用构建的风险评估模型对所述目标报案信息进行风险评估,并得到相应的风险预测值。
步骤103:根据所述风险预测值的风险等级执行对应反馈操作。
本发明实施例可以通过构建的风险评估模型对目标报案信息进行风险评估,并得到相应的风险预测值。进一步地,可以根据该风险预测值的风险等级进行相应的操作,如该风险评估模型可以给出用户报案是否予以赔偿。通过上述方案,可以大大减轻人工审核工作人员的工作强度,并且提高审核结果的准确性。
图2为本发明一个实施例提供的构建风险评估模型的流程图,如图2所示,上述构建风险评估模型的流程包括以下步骤:
步骤201:对所述用户属性信息进行数据分析处理,以得到用户样本数据集。
步骤202:构建风险评估初始模型。
步骤203:从所述用户样本数据集中选取训练数据集,利用所述训练数据集对所述风险评估初始模型进行训练,以得到训练后的风险评估初始模型。
步骤204:从所述用户样本数据集中选取测试数据集,利用所述测试数据集对所述训练后的风险评估初始模型进行评估,根据评估结果确定是否对所述评估后的所述风险评估初始模型进行优化调整,进而得到所述风险评估模型。
上述步骤201中的用户属性信息包括:用户信息、平台行为、历史报案信息。
用户信息:性别,年龄,注册地等。
水滴平台行为:水滴筹,水滴互助平台的关注与访问情况,水滴保险平台投保信息等
报案信息:报案时间,投保时间,材料等
上述步骤201中的对所述用户属性信息进行数据分析处理,以得到用户样本数据集包括:
根据所述历史报案信息,确定用户风险评估值;
从所述用户属性信息中提取一个或多个用户特征,并根据所述一个或多个用户特征的特征信息确定所述一个或多个用户特征对应的特征值;以及
基于所述用户风险评估值、所述一个或多个用户特征以及所述一个或多个用户特征对应的特征值,生成用户样本数据集。
上述从所述用户属性信息中提取一个或多个用户特征包括:选择IV值(information value,信息值)大于设定值的有效特征。IV值选择为哪个变量为结果变量提供了更多的判断信息,在本实施例中,IV值大于0.02,说明该变量对结果有很好的解释性。
上述步骤203中从所述用户样本数据集中选取训练数据集,利用所述训练数据集对所述风险评估初始模型进行训练,以得到训练后的风险评估初始模型包括:
通过将所述训练数据集中的所述一个或多个用户特征对应的特征值作为所述风险评估初始模型的输入,将所述训练数据集中的所述用户风险评估值作为所述风险评估初始模型的输出,对所述风险评估初始模型进行训练,以确定所述一个或多个用户特征对应的权重值,从而得到所述经过训练后的风险评估初始模型。
上述步骤204中的利用所述测试数据集对所述训练后的风险评估初始模型进行评估,根据评估结果确定是否对所述评估后的所述风险评估初始模型进行优化调整,进而得到所述风险评估模型包括:
将所述测试数据集中的所述一个或多个用户特征对应的特征值输入至所述经过训练后的风险评估初始模型,得到所述训练后的风险评估初始模型输出的用户风险评估值;
将所述测试数据集中的用户风险评估值与所述风险评估初始模型输出的用户风险评估值进行比较,根据比较结果计算所述训练后的风险评估初始模型的输出结果准确率;
若所述输出结果准确率大于或等于设定准确率,则无需对所述训练后的风险评估初始模型进行优化调整,并将所述训练后的风险评估初始模型作为所述风险评估模型;
该步骤中,设定准确率可以为90%或95%等,具体可以根据实际需要进行设置,本发明实施例对此不作限制。
若所述输出结果准确率小于设定准确率,对所述训练后的风险评估初始模型进行优化调整,并将优化调整后的风险评估初始模型作为所述风险评估模型。
其中模型训练及评估包括:
(1)模型训练
在该阶段通过对于原始数据划分训练集和测试集,对于训练数据,应用LightGBM算法构建用户风险评分模型。模型训练成功以后,应用测试数据对于算法评估,如果算法模型效果显著,则存储算法模型;如果算法模型效果不显著,则返回进行进行模型训练。通过对于训练参数不断优化调整,使模型效果达到最优。
在一个具体的实施例中,模型训练阶段主要分为三个步骤:
(a)首选将数据划分为训练集和和测试集,取70%数据作为训练集,30%数据作为测试集;
(b)将训练数据集进行模型训练;
(c)调整LightGBM算法的几个主要的参数max_depth=3,num_leaves=5,bagging_freq=6,bagging_fraction=0.01,算法模型给出的结果是一个0-1之间的小数。通过不断优化算法参数,通过lightGBM算法模型
通过不断优化算法参数,得到用户特征的权重,即特征重要值,如下所示,需要说明的是,这里仅为优化过程中的一种情况。
在一个具体的实施例中,各个特征如下:
have_claim--之前是否赔付过特征值11
baoan_wait--报案时间和等待时间差,特征值88
risk_level---疾病严重等级,特征值28
is_cancel_contract--初审标记解约情况,特征值49
is_reject--初审标记是否拒赔,特征值91
section_complete--材料完整性,特征值74
material--材料阳性,特征值31
history--历史赔付金额,特征值17
this_dduct--本次抵扣免赔额特征值11
算法效果评估:
这里使用AUC值和学习曲线对于算法评估。
一个完美的分类器的AUC为1.0,而随机猜测的AUC值为0.5。,学习曲线:训练集和测试集的均方误差越接近,说明拟合效果越好。学习曲线体现了模型相对于训练集和测试集两类数据的均方误差,测试集和训练集随着样本增多误差趋于一致就是表现良好。
在根据图2示出的实施例得到所述风险评估模型后,可以利用该风险评估模型对用户的报案信息进行风险评估。
在通过风险评估模型对用户的报案信息进行风险评估前还包括上述步骤101:获取用户的报案信息后,对该报案信息进行文本处理,例如,通过OCROCR文本特征提取技术将报案信息转化为文本格式,以得到文本形式的报案信息。进而可以基于规则引擎对上述文本形式的报案信息进行筛选,以得到目标报案信息,其中,所述规则引擎的筛选规则包括:理赔诉求金额小于设定金额。即,经过上述操作后,可以得到理赔诉求金额小于设定金额的文本形式的报案信息。
上述步骤102可以利用构建的风险评估模型对目标报案信息进行风险评估,并得到相应的风险预测值包括:获取所述目标报案信息中的一个或多个用户特征的特征值;将获取的所述一个或多个用户特征的特征值输入所述构建的风险评估模型,以计算所述目标报案信息对应的用户风险评估值,并根据所述用户风险评估值确定对应的所述风险预测值。
上述根据用户风险评估值确定对应的所述风险预测值包括:
通过以下公式计算所述风险预测值:
A=P×K
其中,A表示所述风险预测值,P表示所述用户风险评估值,K表示放大系数,具体地,计算得到该用户风险评估值为0-1之间的数值,通过放大系数将用户风险评估值放大K倍,以得到相应的风险预测值,其中,该放大系数K可以为800。
上述根据所述风险预测值的风险等级执行对应反馈操作包括:
若所述风险预测值大于第一阈值,则确定所述用户为第一风险用户,并在所述用户的报案信息中添加第一风险用户标签;例如,该第一阈值可以为700,即,确定计算得到的风险预测值是否大于700,若是,则可以在对应用户的报案信息中添加第一风险用户标签。
若所述风险预测值小于第二阈值,则确定所述用于为第二风险用户,并在所述用户的报案信息中添加第二风险用户标签;例如,该第二阈值可以为200,即,确定计算得到的风险预测值是否小于200,若是,则可以在对应用户的报案信息中添加第二风险用户标签。
若所述风险预测值处于所述第一阈值和所述第二阈值之间,则确定所述用户为第三风险用户,并在所述用户的报案信息中添加第三风险用户标签。确定计算得到的风险预测值是否大于200且小于700,若是,则可以在对应用户的报案信息中添加第三风险用户标签。
在根据上述操作在用户的报案信息中添加上述风险用户标签(第一、第二或第三风险用户标签)后,可以进一步对上述已添加风险用户标签的报案信息进行审核,其中可以进行人工审核也可以进行机器审核。其中,若采取人工审核,审核人员可以参考报案信息中的风险用户标签进行审核操作,避免用户长时间进行审核操作导致的审核准确率低下的问题。若采用机器审核的方式,则可以根据以下方式继续进行审核操作:
上述步骤103中的根据所述风险预测值的风险等级执行对应反馈操作包括:
若所述用户为第一风险用户,对所述用户的报案信息执行第一操作,所述第一操作包括执行赔付操作;
若所述用户为第二风险用户,对所述用户的报案信息执行第二操作,所述第二操作包括执行拒赔操作;以及
若所述用户为第三风险用户,对所述用户的报案信息执行第三操作,所述第三操作包括在所述用户的报案信息中添加待人工审核标签。
在用户的报案信息执行第三操作之后,即,用户的报案信息中添加了待人工审核标签后,还包括:建立待审核任务,所述待审核任务中包括已添加待人工审核标签的所述用户的报案信息以及审核期限信息;并将所述待审核任务分配给相应工作人员的任务系统中。
本发明一个实施例还提供一种理赔智能审核装置,图3示出了本发明一个实施例提供的理赔智能审核装置的结构示意图,如图3所示,该装置可以包括:
处理器301和存储器302,所述存储器302用于存储至少一条指令,所述指令由所述处理器301加载并执行时以实现图1至图2所示实施例提供的理赔智能审核方法。
本发明一个实施例还提供一种理赔智能审核系统,图4为本发明一个实施例提供的理赔智能审核系统的结构示意图,如图4所示,该系统可以包括文本处理模块401、筛选模块402、风险评估模块403以及审核模块404。
文本处理模块401用于获取用户的报案信息,并对所述报案信息进行文本处理以得到文本形式的报案信息,具体地,可以通过OCROCR文本特征提取技术将报案信息转化为文本格式。
该筛选模块402用于基于规则引擎对上述文本处理模块401提供的文本形式的报案信息进行筛选以得到目标报案信息,其中,所述规则引擎的筛选规则包括:理赔诉求金额小于设定金额。
该风险评估模块403用于构建风险评估模型,并利用构建的风险评估模型对所述目标报案信息进行风险评估,并得到相应的风险预测值。具体地,可以利用构建的风险评估模型对所述目标报案信息进行风险评估,并得到相应的风险预测值包括:获取所述目标报案信息中的一个或多个用户特征的特征值;将获取的所述一个或多个用户特征的特征值输入所述构建的风险评估模型,以计算所述目标报案信息对应的用户风险评估值,并根据所述用户风险评估值确定对应的所述风险预测值。
通过以下公式计算所述风险预测值:
A=P×K
其中,A表示所述风险预测值,P表示所述用户风险评估值,K表示放大系数,具体地,计算得到该用户风险评估值为0-1之间的数值,通过放大系数将用户风险评估值放大K倍,以得到相应的风险预测值,其中,该放大系数K可以为800。
该审核模块404用于根据所述风险预测值的风险等级执行对应反馈操作。
具体地,若所述风险预测值大于第一阈值,则确定所述用户为第一风险用户,并在所述用户的报案信息中添加第一风险用户标签;例如,该第一阈值可以为700,即,确定计算得到的风险预测值是否大于700,若是,则可以在对应用户的报案信息中添加第一风险用户标签。
若所述风险预测值小于第二阈值,则确定所述用于为第二风险用户,并在所述用户的报案信息中添加第二风险用户标签;例如,该第二阈值可以为200,即,确定计算得到的风险预测值是否小于200,若是,则可以在对应用户的报案信息中添加第二风险用户标签。
若所述风险预测值处于所述第一阈值和所述第二阈值之间,则确定所述用户为第三风险用户,并在所述用户的报案信息中添加第三风险用户标签。确定计算得到的风险预测值是否大于200且小于700,若是,则可以在对应用户的报案信息中添加第三风险用户标签。
在根据上述操作在用户的报案信息中添加上述风险用户标签(第一、第二或第三风险用户标签)后,可以进一步对上述已添加风险用户标签的报案信息进行审核,其中可以进行人工审核也可以进行机器审核。其中,若采取人工审核,审核人员可以参考报案信息中的风险用户标签进行审核操作,避免用户长时间进行审核操作导致的审核准确率低下的问题。若采用机器审核的方式,则可以根据以下方式继续进行审核操作:
若所述用户为第一风险用户,对所述用户的报案信息执行第一操作,所述第一操作包括执行赔付操作;
若所述用户为第二风险用户,对所述用户的报案信息执行第二操作,所述第二操作包括执行拒赔操作;以及
若所述用户为第三风险用户,对所述用户的报案信息执行第三操作,所述第三操作包括在所述用户的报案信息中添加待人工审核标签。
在用户的报案信息执行第三操作之后,即,用户的报案信息中添加了待人工审核标签后,还包括:建立待审核任务,所述待审核任务中包括已添加待人工审核标签的所述用户的报案信息以及审核期限信息;并将所述待审核任务分配给相应工作人员的任务系统中。
本发明的另一个实施例提供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图1至图2所示实施例提供的理赔智能审核方法。
需要说明的是,本发明实施例中所涉及的终端可以包括但不限于个人计算机(Personal Computer,PC)、个人数字助理(Personal Digital Assistant,PDA)、无线手持设备、平板电脑(Tablet Computer)、手机、MP3播放器、MP4播放器等。
可以理解的是,所述应用可以是安装在终端上的应用程序(nativeApp),或者还可以是终端上的浏览器的一个网页程序(webApp),本发明实施例对此不进行限定。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种理赔智能审核方法,其特征在于,所述方法包括:
获取用户的报案信息,并对所述报案信息进行文本化处理以得到文本形式的报案信息;
基于规则引擎对所述文本形式的报案信息进行筛选以得到目标报案信息;
利用构建的风险评估模型对所述目标报案信息进行风险评估,并得到相应的风险预测值;以及
根据所述风险预测值的风险等级执行对应反馈操作。
2.根据权利要求1所述的方法,其特征在于,所述规则引擎的筛选规则包括:理赔诉求金额小于设定金额。
3.根据权利要求1所述的方法,其特征在于,所述利用构建的风险评估模型对所述目标报案信息进行风险评估,并得到相应的风险预测值包括:
获取所述目标报案信息中的一个或多个用户特征的特征值;
将获取的所述一个或多个用户特征的特征值输入所述构建的风险评估模型,以计算所述目标报案信息对应的用户风险评估值,并根据所述用户风险评估值确定对应的所述风险预测值。
4.根据权利要求3所述的方法,其特征在于,所述根据所述用户风险评估值确定对应的所述风险预测值包括:
通过以下公式计算所述风险预测值:
A=P×K
其中,A表示所述风险预测值,P表示所述用户风险评估值,K表示放大系数。
5.根据权利要求4所述的方法,其特征在于,所述根据所述风险预测值的风险等级执行对应反馈操作包括:
若所述风险预测值大于第一阈值,则确定所述用户为第一风险用户,并在所述用户的报案信息中添加第一风险用户标签;
若所述风险预测值小于第二阈值,则确定所述用于为第二风险用户,并在所述用户的报案信息中添加第二风险用户标签;
若所述风险预测值处于所述第一阈值和所述第二阈值之间,则确定所述用户为第三风险用户,并在所述用户的报案信息中添加第三风险用户标签。
6.根据权利要求5所述的方法,其特征在于,所述根据所述风险预测值的风险等级执行对应反馈操作包括:
若所述用户为第一风险用户,对所述用户的报案信息执行第一操作,所述第一操作包括执行赔付操作;
若所述用户为第二风险用户,对所述用户的报案信息执行第二操作,所述第二操作包括执行拒赔操作;以及
若所述用户为第三风险用户,对所述用户的报案信息执行第三操作,所述第三操作包括在所述用户的报案信息中添加待人工审核标签。
7.根据权利要求6所述的方法,其特征在于,在所述用户的报案信息执行第三操作之后,还包括:
建立待审核任务,所述待审核任务中包括已添加待人工审核标签的所述用户的报案信息以及审核期限信息;
并将所述待审核任务分配给相应工作人员的任务系统中。
8.一种理赔智能审核装置,其特征在于,所述装置包括:
处理器和存储器,所述存储器用于存储至少一条指令,所述指令由所述处理器加载并执行时以实现如权利要求1-7中任意一项所述理赔智能审核方法。
9.一种理赔智能审核系统,其特征在于,所述系统包括:
文本处理模块,用于获取用户的报案信息,并对所述报案信息进行文本处理以得到文本形式的报案信息;
筛选模块,用于基于规则引擎对所述文本处理模块提供的所述文本形式的报案信息进行筛以选得到目标报案信息;
风险评估模块,用于构建风险评估模型,并利用构建的风险评估模型对所述目标报案信息进行风险评估,并得到相应的风险预测值;
审核模块,用于根据所述风险预测值的风险等级执行对应反馈操作。
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如权利要求1-7任意一项所述的理赔智能审核方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011402794.6A CN112634064A (zh) | 2020-12-02 | 2020-12-02 | 理赔智能审核方法及装置、系统、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011402794.6A CN112634064A (zh) | 2020-12-02 | 2020-12-02 | 理赔智能审核方法及装置、系统、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112634064A true CN112634064A (zh) | 2021-04-09 |
Family
ID=75307774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011402794.6A Pending CN112634064A (zh) | 2020-12-02 | 2020-12-02 | 理赔智能审核方法及装置、系统、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112634064A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408423A (zh) * | 2016-11-25 | 2017-02-15 | 泰康保险集团股份有限公司 | 用于风险评估的方法、系统及构建风险评估系统的方法 |
CN107871284A (zh) * | 2017-11-22 | 2018-04-03 | 平安科技(深圳)有限公司 | 风险理赔的评估方法及装置 |
CN108256720A (zh) * | 2017-11-07 | 2018-07-06 | 中国平安财产保险股份有限公司 | 一种保险理赔风险评估方法及终端设备 |
CN108257024A (zh) * | 2017-04-14 | 2018-07-06 | 平安科技(深圳)有限公司 | 一种理赔案件处理方法和装置 |
CN108765176A (zh) * | 2018-06-04 | 2018-11-06 | 中国平安人寿保险股份有限公司 | 保险理赔案件处理方法、装置、计算机设备及存储介质 |
CN109658256A (zh) * | 2018-10-11 | 2019-04-19 | 平安科技(深圳)有限公司 | 风险控制方法、装置、设备及可读存储介质 |
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 |
CN110223182A (zh) * | 2019-04-29 | 2019-09-10 | 上海暖哇科技有限公司 | 一种理赔风控方法、装置及计算机可读存储介质 |
CN110610431A (zh) * | 2019-08-15 | 2019-12-24 | 中国平安人寿保险股份有限公司 | 基于大数据的智能理赔方法及智能理赔系统 |
CN110866832A (zh) * | 2019-09-30 | 2020-03-06 | 北京健康之家科技有限公司 | 一种风险控制方法、系统、存储介质及计算设备 |
CN111179092A (zh) * | 2019-11-15 | 2020-05-19 | 泰康保险集团股份有限公司 | 一种保险理赔方法、装置、电子设备及存储介质 |
-
2020
- 2020-12-02 CN CN202011402794.6A patent/CN112634064A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408423A (zh) * | 2016-11-25 | 2017-02-15 | 泰康保险集团股份有限公司 | 用于风险评估的方法、系统及构建风险评估系统的方法 |
CN108257024A (zh) * | 2017-04-14 | 2018-07-06 | 平安科技(深圳)有限公司 | 一种理赔案件处理方法和装置 |
CN108256720A (zh) * | 2017-11-07 | 2018-07-06 | 中国平安财产保险股份有限公司 | 一种保险理赔风险评估方法及终端设备 |
CN107871284A (zh) * | 2017-11-22 | 2018-04-03 | 平安科技(深圳)有限公司 | 风险理赔的评估方法及装置 |
CN108765176A (zh) * | 2018-06-04 | 2018-11-06 | 中国平安人寿保险股份有限公司 | 保险理赔案件处理方法、装置、计算机设备及存储介质 |
CN109658256A (zh) * | 2018-10-11 | 2019-04-19 | 平安科技(深圳)有限公司 | 风险控制方法、装置、设备及可读存储介质 |
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 |
CN110223182A (zh) * | 2019-04-29 | 2019-09-10 | 上海暖哇科技有限公司 | 一种理赔风控方法、装置及计算机可读存储介质 |
CN110610431A (zh) * | 2019-08-15 | 2019-12-24 | 中国平安人寿保险股份有限公司 | 基于大数据的智能理赔方法及智能理赔系统 |
CN110866832A (zh) * | 2019-09-30 | 2020-03-06 | 北京健康之家科技有限公司 | 一种风险控制方法、系统、存储介质及计算设备 |
CN111179092A (zh) * | 2019-11-15 | 2020-05-19 | 泰康保险集团股份有限公司 | 一种保险理赔方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108833458B (zh) | 一种应用推荐方法、装置、介质及设备 | |
Malito | Measuring corruption indicators and indices | |
CN107146160B (zh) | 投保客户健康状况分析方法及服务器 | |
CN113269359B (zh) | 用户财务状况预测方法、设备、介质及计算机程序产品 | |
CN112396211B (zh) | 一种数据预测方法及装置、设备和计算机存储介质 | |
CN111275338A (zh) | 一种企业欺诈行为的判定方法、装置、设备及存储介质 | |
CN112801773A (zh) | 企业风险预警方法、装置、设备及存储介质 | |
CN110634060A (zh) | 一种用户信用风险的评估方法、系统、装置及存储介质 | |
CN113409150A (zh) | 经营风险及信用风险评估方法、装置及计算机存储介质 | |
CN115130887B (zh) | 水库大坝环境影响评价方法和装置、电子设备和存储介质 | |
CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
CN112308704A (zh) | 数据评估方法、装置、电子设备及存储介质 | |
CN116091113A (zh) | 营销模型数据处理方法、系统及计算机可读存储介质 | |
CN117010762A (zh) | 数据评估方法、装置、计算机设备和存储介质 | |
CN107862599B (zh) | 银行风险数据处理方法、装置、计算机设备和存储介质 | |
CN114218077A (zh) | 一种软件的质量评价方法、装置、设备及可读存储介质 | |
CN109977977B (zh) | 一种识别潜在用户的方法及对应装置 | |
CN113723747A (zh) | 分析报告生成方法、电子设备及可读存储介质 | |
CN107644042B (zh) | 软件程序点击率预估排序方法及服务器 | |
CN117132383A (zh) | 一种信贷数据处理方法、装置、设备及可读存储介质 | |
CN116955182A (zh) | 异常指标分析方法、设备、存储介质及装置 | |
CN112634064A (zh) | 理赔智能审核方法及装置、系统、存储介质 | |
KR101927317B1 (ko) | 부채 관리 능력 평가 방법 및 장치 | |
KR101478935B1 (ko) | 리스크-프로파일 생성 장치 | |
CN114971240A (zh) | 一种阅读行为风险评估处理方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210409 |
|
RJ01 | Rejection of invention patent application after publication |