CN113781247A - 协议数据推荐方法、装置、计算机设备及存储介质 - Google Patents
协议数据推荐方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113781247A CN113781247A CN202111095854.9A CN202111095854A CN113781247A CN 113781247 A CN113781247 A CN 113781247A CN 202111095854 A CN202111095854 A CN 202111095854A CN 113781247 A CN113781247 A CN 113781247A
- Authority
- CN
- China
- Prior art keywords
- score
- risk
- agreement
- data
- calculating
- 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 57
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000009826 distribution Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 206010037660 Pyrexia Diseases 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例属于人工智能技术领域,应用于智慧医疗领域中,涉及一种协议数据推荐方法、装置、计算机设备及存储介质,包括基于训练数据训练广义线性定价模型,获得目标广义线性定价模型;将接收的当前周期内的各协议公司的待评估画像数据输入至目标广义线性定价模型,获得风险协议费用,基于风险协议费用计算风险理赔评分;基于风险理赔评分计算各协议公司的当前周期评分,基于目标广义线性定价模型计算下一个周期内每个客户的客户风险评分,在所述客户风险评分高于客户阈值时,向对应的客户推荐当前周期评分低于评分阈值的协议公司和协议数据。目标广义线性定价模型可存储于区块链中。本申请提升计算机协调配置客户和协议数据之间的效率。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及协议数据推荐方法、装置、计算机设备及存储介质。
背景技术
随着计算机技术的不断发展,计算机技术已经广泛应用于各个领域中。目前,协议数据分配平台对于向客户分配协议数据时,大多是采用根据年龄和性别作为区分进行客户的风险预估,并分配协议数据给客户,以实现平台中各个提供协议数据的协议公司之间的风险平衡,对协议数据签订双方进行协调配置。
但是,这种方式无法对客户准确且合理性的分析,难以准确预估客户风险,计算机对于客户与协议数据之间的协调配置效果差、效率低。
发明内容
本申请实施例的目的在于提出一种协议数据推荐方法、装置、计算机设备及存储介质,提升计算机的协调配置客户和协议数据之间的效率。
为了解决上述技术问题,本申请实施例提供一种协议数据推荐方法,采用了如下所述的技术方案:
接收训练数据并构建广义线性定价模型,基于训练数据训练所述广义线性定价模型,获得目标广义线性定价模型,其中,所述训练数据包括客户画像数据和医疗理赔数据;
接收当前周期内各协议公司的待评估画像数据,将所述待评估画像数据输入至所述目标广义线性定价模型中,获得输出的风险协议费用,并基于所述风险协议费用计算所述待评估画像数据的风险理赔评分;
基于所述风险理赔评分计算各协议公司的当前周期评分,基于所述目标广义线性定价模型计算下一个周期内每个客户的客户风险评分,在所述客户风险评分高于客户阈值时,向对应的客户推荐所述当前周期评分低于评分阈值的协议公司和对应的协议数据。
进一步的,所述基于所述风险协议费用计算所述待评估画像数据的风险理赔评分的步骤包括:
基于所述风险协议费用计算所述待评估画像数据的预估赔付率;
获取历史预估赔付率,基于所述预估赔付率和所述历史预估赔付率计算所述风险理赔评分。
进一步的,所述基于所述预估赔付率和所述历史预估赔付率计算所述风险理赔评分的步骤包括:
确定所述历史预估赔付率和所述预估赔付率之间的分布情况,建立分布图,并将所述分布图发送至用户;
接收用户回复的所述分布图的赔付率区间,并基于所述赔付率区间计算赔付刻度;
基于所述赔付刻度计算初始风险理赔评分,获取预设的低于赔付率区间的评分和高于赔付率区间的评分,将所述低于赔付率区间的评分、高于赔付率区间的评分和所述初始风险理赔评分之间的中值作为所述风险理赔评分。
进一步的,所述赔付率区间包括区间上限值和区间下限值,其中,所述区间上限值大于区间下限值,所述基于所述赔付率区间计算赔付刻度的步骤包括:
获取预设的评分区间,基于所述评分区间计算分数刻度;
基于如下公式计算所述赔付刻度:
赔付刻度=(区间上限值/区间下限值)^(1/分数刻度)-1。
进一步的,所述基于所述风险协议费用计算所述待评估画像数据的预估赔付率的步骤包括:
获取所述待评估画像数据携带的真实协议费用;
将所述风险协议费用除以所述真实协议费用,获得所述预估赔付率。
进一步的,所述基于所述风险理赔评分计算各协议公司的当前周期评分的步骤包括:
分别计算各协议公司所对应的风险理赔评分的平均值,作为对应的协议公司的当前周期评分。
进一步的,所述构建广义线性定价模型的步骤包括:
接收线性预估模型,将预设的对数联结函数加入所述所述线性预估模型中,获得所述广义线性定价模型。
为了解决上述技术问题,本申请实施例还提供一种协议数据推荐装置,采用了如下所述的技术方案:
一种协议数据推荐装置,包括:
训练模块,用于接收训练数据并构建广义线性定价模型,基于训练数据训练所述广义线性定价模型,获得目标广义线性定价模型,其中,所述训练数据包括客户画像数据和医疗理赔数据;
输入模块,用于接收当前周期内各协议公司的待评估画像数据,将所述待评估画像数据输入至所述目标广义线性定价模型中,获得输出的风险协议费用,并基于所述风险协议费用计算所述待评估画像数据的风险理赔评分;
推荐模块,用于基于所述风险理赔评分计算各协议公司的当前周期评分,基于所述目标广义线性定价模型计算下一个周期内每个客户的客户风险评分,在所述客户风险评分高于客户阈值时,向对应的客户推荐所述当前周期评分低于评分阈值的协议公司和对应的协议数据。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现上述的协议数据推荐方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现上述的协议数据推荐方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请通过基于客户画像数据和医疗理赔数据训练广义线性定价模型,实现能够准确的预测出风险协议费用,加强预测的相关性并提高预测的准确性。根据目标广义线性定价模型计算出各个协议公司的风险理赔评分,进而确定出各协议公司的风险理赔评分。向客户风险评分较高的客户推荐整体理赔风险的评分较低的协议公司,以实现对客户的合理性分析及智能对客户和协议数据之间的协调配置,从而提升计算机的协调配置客户和协议数据之间的效率。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的协议数据推荐方法的一个实施例的流程图;
图3是根据本申请的协议数据推荐装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
附图标记:200、计算机设备;201、存储器;202、处理器;203、网络接口;300、协议数据推荐装置;301、训练模块;302、输入模块;303、推荐模块。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的协议数据推荐方法一般由服务器/终端设备执行,相应地,协议数据推荐装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的协议数据推荐方法的一个实施例的流程图。所述的协议数据推荐方法,包括以下步骤:
S1:接收训练数据并构建广义线性定价模型,基于训练数据训练所述广义线性定价模型,获得目标广义线性定价模型,其中,所述训练数据包括客户画像数据和医疗理赔数据。
在本实施例中,本申请的广义线性定价模型也称为大数据定价模型。基于训练数据训练所述广义线性定价模型,直到模型收敛且因子显著性检验通过,获得目标广义线性定价模型。目标线性定价模型具体为:其中,βj为训练后获得的系数值,xij指该目标线性定价模型的自变量,Yi即为需要解释并预测的因变量。训练过程具体包括:客户画像数据包括但不仅限于性别、年龄、病种等多维度数据,例如,还包括地区、参保险种、交互自变量(如:性别和年龄之间的交互因子)以及衍生自变量(如:上年出险次数与上年承保信息之间的关系)。广义线性定价模型(GLM)的核心是回归,在回归中,通过自变量的变化来解释并预测因变量的变化。
本申请在对训练数据的选择过程中,是基于医疗理赔数据对训练数据进行选择的。即通过对训练数据进行选择,实现医疗理赔数据的密度函数符合指数分布族中的Tweedie(P=1.5)分布。在概率论和统计学中,指数分布族是一些有着特殊形式的概率分布的集合,包括许多常用的分布,如正态分布、指数分布、伯努利分布、泊松分布、gamma分布、beta分布等等。在1<p<2时,Tweedie分布是泊松和伽马的复合分布。需要说明的是,医疗理赔数据为逐人逐条的理赔数据,且每条医疗理赔数据相互独立,每条医疗理赔数据中包括多个维度的理赔金额情况,例如:某条医疗理赔数据包括:医保花2万,一万免赔额,50%保险支付比例。通过对医疗理赔数据中的多个维度的理赔金额情况进行加工计算处理,获得理赔金额。具体的加工计算方式可以为:(医保花费-免赔额)×保险支付比例。需要说明的是,本申请的加工计算方式为多种,对于加工计算的具体过程,可以根据医疗理赔数据中所包含的理赔金额情况选择对应的加工计算方式。将该理赔金额作为对应的用户画像数据的标签。通过将训练数据进行分组并将每组中的数据的数量作为该组的权重,同时计算每组的期望值(即平均值μi),基于该期望值(μi)和权重训练所述广义线性模型。具体的,ηi=g(μi),其中,ηi=∑jxijβj。最终获得目标广义线性模型:
在本实施例中,协议数据推荐方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式接收训练数据。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
具体的,所述构建广义线性定价模型的步骤包括:
接收线性预估模型,将预设的对数联结函数加入所述所述线性预估模型中,获得所述广义线性定价模型。
在本实施例中,线性预估模型:ηi=∑jxijβj,,其为诸参数β1,…,βp的线性函数,本申请的联结函数为对数联结函数。加入对数联结函数的广义线性定价模型(GLM)与一般线性模型的区别点主要在于:由于联结函数的引入,GLM不仅可以用于解释自变量X与因变量Y之间线性关系的场景,也可以解释其他函数关系,譬如指数关系(以吃药退烧为例,吃一片退烧0.1度,两片退烧0.4度),上例中ηi=g(μi)中的g()即为联结函数。
S2:接收当前周期内各协议公司的待评估画像数据,将所述待评估画像数据输入至所述目标广义线性定价模型中,获得输出的风险协议费用,并基于所述风险协议费用计算所述待评估画像数据的风险理赔评分。
在本实施例中,接收当前周期内各协议公司的待评估画像数据,基于目标广义线性定价模型确定出待评估画像数据的风险协议费用,进而基于风险协议费用计算出风险理赔评分。具体的,根据上述的通过对医疗理赔数据中的多个维度的理赔金额情况进行加工计算处理,获得理赔金额。在对所述广义线性定价模型的训练过程中,理赔金额即作为客户画像数据的标签,用以训练该广义线性定价模型。在实际应用过程中,通过将待评估画像数据输入至训练获得的目标广义线性定价模型中,即获得对应的理赔金额,作为所述风险协议费用。
具体的,基于所述风险协议费用计算所述待评估画像数据的风险理赔评分的步骤包括:
基于所述风险协议费用计算所述待评估画像数据的预估赔付率;
获取历史预估赔付率,基于所述预估赔付率和所述历史预估赔付率计算所述风险理赔评分。
在本实施例中,确定传输待评估画像数据的协议公司,并获取该协议公司对应的的协议数据的类型。基于该协议数据的类型获取对应的历史预估赔付率。其历史预估赔付率由目标广义线性模型根据历史数据计算得出。基于该历史预估赔付率,计算该协议公司的风险理赔评分。本申请通过风险理赔评分的计算,将预估赔付率映射到评分体系上,其中,评分体系可以为百分制评分体系,使得在实际应用中更加有利于公司用户的理解。其中,评分越高则风险越高。
此外,对于预估赔付率来说,在过度阶段,即各协议公司的真实出单保费基本无差异时,可以使用预估赔付率做出多种应用方式包括业务品质监控、费用异化以及客户维护。其中业务品质监控为根据预估赔付率的大小确定业务品质的质量。费用异化为本申请的方法应用于平台方,平台方根据各协议公司的预估赔付率的总和的不同可分配给其不同品质的业务,具体的:判断该预估赔付率的总和所处的业务区间,基于该业务区间确定相关联的对应的业务,将该业务分配给对应的协议公司。客户维护为根据个人客户的预估赔付率的差异,给予其不同的服务或优惠政策。
其中,所述基于所述预估赔付率和所述历史预估赔付率计算所述风险理赔评分的步骤包括:
确定所述历史预估赔付率和所述预估赔付率之间的分布情况,建立分布图,并将所述分布图发送至用户;
接收用户回复的所述分布图的赔付率区间,并基于所述赔付率区间计算赔付刻度;
基于所述赔付刻度计算初始风险理赔评分,获取预设的低于赔付率区间的评分和高于赔付率区间的评分,将所述低于赔付率区间的评分、高于赔付率区间的评分和所述初始风险理赔评分之间的中值作为所述风险理赔评分。
在本实施例中,本申请基于所述历史预估赔付率和所述预估赔付率建立分布图,基于分布图确定合适的赔付率上下限区间,即区间上限值和区间下限值。具体的,将所述分布图发送至用户,接收用户终端回复的分布图的赔付率区间。本申请中将分布图发送至用户可以为将分布图输出至用户终端的显示设备或以邮件等方式发送给用户。以百分制的评分体系,赔付率区间为[10%,100%]为例:采用等比刻度,赔付刻度=(100%/10%)^(1/98)-1=2.38%,其中,^表示次方,上述公式也可以写成当赔付率区间发生变化时,式中“(100%/10%)”的数值随之改变。风险理赔评分=Median{预设的低于区间下限值的评分(即低于赔付率区间的评分),预设的高于区间上限值的评分(即高于赔付率区间的评分),int[log(预估赔付率/区间下限值)/log(1+赔付刻度)]+2}。在设定预付赔付率低于区间下限值(10%)的为1分,高于区间上限值(100%)的为100分时,风险理赔评分=Median{1,100,int[log(预估赔付率/区间下限值)/log(1+赔付刻度)]+2}。例如:某待评估画像数据的风险协议费用为70元,真实协议费用为159元,则对应的预估赔付率=70/159=44%,将预估赔付率44%代入上式中,则评分=Median{1,100,65}=65分,其中,Median表示取中位数(即中值)。
进一步的,所述赔付率区间包括区间上限值和区间下限值,其中,所述区间上限值大于区间下限值,所述基于所述赔付率区间计算赔付刻度的步骤包括:
获取预设的评分区间,基于所述评分区间计算分数刻度;
基于如下公式计算所述赔付刻度:
赔付刻度=(区间上限值/区间下限值)^(1/分数刻度)-1。
在本实施例中,分数刻度=评分区间上限值-评分区间上限值-1。具体的:在百分制中,评分区间为1至100,则分数刻度为100-1-1=98。在评分区间为300-750时,分数刻度为750-300-1=449。
此外,所述基于所述风险协议费用计算所述待评估画像数据的预估赔付率的步骤包括:
获取所述待评估画像数据携带的真实协议费用;
将所述风险协议费用除以所述真实协议费用,获得所述预估赔付率。
在本实施例中,考虑到目标广义线性定价模型结果为连续性变量,且具有一定的敏感性,为更方便后续使用,故将定价模型结果输出的风险保费与该业务真实出单保费(譬如159元)相除得到某张保单的预估赔付率。
S3:基于所述风险理赔评分计算各协议公司的当前周期评分,基于所述目标广义线性定价模型计算下一个周期内每个客户的客户风险评分,在所述客户风险评分高于客户阈值时,向对应的客户推荐所述当前周期评分低于评分阈值的协议公司和对应的协议数据。
在本实施例中,客户风险评分为基于预先接收到的目标客户数据计算得到。在保险场景中,本申请的协议公司指保险公司,协议数据指保单。在无干涉投保初期,经一周后统计结果如下:
在下一个周期内,通过目标广义线性定价模型,基于客户风险理赔评分,向客户推荐协议公司和协议数据,具体的:在所述客户风险评分高于客户阈值时,向对应的客户推荐所述当前周期评分低于评分阈值的协议公司和对应的协议数据;在所述客户风险评分低于或等于客户阈值时,向对应的客户推荐所述当前周期评分高于或等于评分阈值的协议公司和对应的协议数据,以达到动态平衡。本申请的目标是达到各协议公司之间在同一个周期内的平均保单评分相同或相近。后续周期内的协议公司和协议数据的推荐方式同上。本申请的向对应的客户推荐当前周期评分高于评分阈值的协议公司的方式为将该协议公司在用户的前端页面中设定为针对该用户的首个默认推荐协议公司。例如:一个客户风险评分为30分的客户,确定该30低于客户阈值,将该客户分配至当前周期评分高于评分阈值的A协议公司,即对于该客户的前端页面默认为A协议公司为首个默认推荐协议公司,同时A协议公司由于引入了30分这样的低风险评分人群,从而降低了其平均风险评分,进而降低了其整体的风险。通过上述方式,不断动态调整协议公司间的平均评分差异,最终达到预期水平,例如:
本申请的各协议公司的平均风险理赔评分是一个周期计算一次,周期默认以周为一周期。在计算机闲暇时,也可以实时计算,即每次推荐协议公司和协议数据后均计算一次。本申请的业务场景切入点为减少不同风险的客户随机选择不同协议公司合作,而对协议公司可能造成的差异较大的经营结果的情况。
具体的,所述基于所述风险理赔评分计算各协议公司的当前周期评分的步骤包括:
分别计算各协议公司所对应的风险理赔评分的平均值,作为对应的协议公司的当前周期评分。
在本实施例中,每个协议公司上传有多个待评估画像数据,则对应有对个风险理赔评分。通过计算该风险理赔评分的平均值,确定该协议公司的当前周期评分。
本申请通过基于客户画像数据和医疗理赔数据训练广义线性定价模型,实现能够准确的预测出风险协议费用,加强预测的相关性并提高预测的准确性。根据目标广义线性定价模型计算出各个协议公司的风险理赔评分,进而确定出各协议公司的风险理赔评分。向客户风险评分较高的客户推荐整体理赔风险的评分较低的协议公司,以实现对客户的合理性分析及智能对客户和协议数据之间的协调配置,从而提升计算机的协调配置客户和协议数据之间的效率。
需要强调的是,为进一步保证上述目标广义线性定价模型的私密和安全性,上述目标广义线性定价模型还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请可应用于智慧医疗领域中,用于平衡各个医疗理赔公司之间的理赔风险,从而推动智慧城市的建设。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
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,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图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,其可以以其他的顺序执行。而且,附图的流程图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,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他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。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种协议数据推荐装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的协议数据推荐装置300包括:训练模块301、输入模块302以及推荐模块303。其中:训练模块301,用于接收训练数据并构建广义线性定价模型,基于训练数据训练所述广义线性定价模型,获得目标广义线性定价模型,其中,所述训练数据包括客户画像数据和医疗理赔数据;输入模块302,用于接收当前周期内各协议公司的待评估画像数据,将所述待评估画像数据输入至所述目标广义线性定价模型中,获得输出的风险协议费用,并基于所述风险协议费用计算所述待评估画像数据的风险理赔评分;推荐模块303,用于基于所述风险理赔评分计算各协议公司的当前周期评分,基于所述目标广义线性定价模型计算下一个周期内每个客户的客户风险评分,在所述客户风险评分高于客户阈值时,向对应的客户推荐所述当前周期评分低于评分阈值的协议公司和对应的协议数据。
在本实施例中,本申请通过基于客户画像数据和医疗理赔数据训练广义线性定价模型,实现能够准确的预测出风险协议费用,加强预测的相关性并提高预测的准确性。根据目标广义线性定价模型计算出各个协议公司的风险理赔评分,进而确定出各协议公司的风险理赔评分。向客户风险评分较高的客户推荐整体理赔风险的评分较低的协议公司,以实现对客户的合理性分析及智能对客户和协议数据之间的协调配置,从而提升计算机的协调配置客户和协议数据之间的效率。
在本实施例的一些可选的实现方式中,上述训练模块301进一步用于:接收线性预估模型,将预设的对数联结函数加入所述所述线性预估模型中,获得所述广义线性定价模型。
输入模块302包括第一计算子模块和第二计算子模块,其中,第一计算子模块用于基于所述风险协议费用计算所述待评估画像数据的预估赔付率;第二计算子模块用于获取历史预估赔付率,基于所述预估赔付率和所述历史预估赔付率计算所述风险理赔评分。
第二计算子模块包括分布图建立单元、第一计算单元和第二计算单元,其中,分布图建立单元用于确定所述历史预估赔付率和所述预估赔付率之间的分布情况,建立分布图,并将所述分布图发送至用户;第一计算单元用于接收用户回复的所述分布图的赔付率区间,并基于所述赔付率区间计算赔付刻度;第二计算单元用于基于所述赔付刻度计算初始风险理赔评分,获取预设的低于赔付率区间的评分和高于赔付率区间的评分,将所述低于赔付率区间的评分、高于赔付率区间的评分和所述初始风险理赔评分之间的中值作为所述风险理赔评分。
所述赔付率区间包括区间上限值和区间下限值,其中,所述区间上限值大于区间下限值,第一计算单元包括第一计算子单元和第二计算子单元,所述第一计算子单元用于获取预设的评分区间,基于所述评分区间计算分数刻度;第二计算子单元用于基于如下公式计算所述赔付刻度:赔付刻度=(区间上限值/区间下限值)^(1/分数刻度)-1。
第一计算子模块包括获取单元和第三计算单元,其中,获取单元用于获取所述待评估画像数据携带的真实协议费用;第三计算单元用于将所述风险协议费用除以所述真实协议费用,获得所述预估赔付率。
在本实施例的一些可选的实现方式中,上述推荐模块303进一步用于:分别计算各协议公司所对应的风险理赔评分的平均值,作为对应的协议公司的当前周期评分。
本申请通过基于客户画像数据和医疗理赔数据训练广义线性定价模型,实现能够准确的预测出风险协议费用,加强预测的相关性并提高预测的准确性。根据目标广义线性定价模型计算出各个协议公司的风险理赔评分,进而确定出各协议公司的风险理赔评分。向客户风险评分较高的客户推荐整体理赔风险的评分较低的协议公司,以实现对客户的合理性分析及智能对客户和协议数据之间的协调配置,从而提升计算机的协调配置客户和协议数据之间的效率。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备200包括通过系统总线相互通信连接存储器201、处理器202、网络接口203。需要指出的是,图中仅示出了具有组件201-203的计算机设备200,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。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器201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201可以是所述计算机设备200的内部存储单元,例如该计算机设备200的硬盘或内存。在另一些实施例中,所述存储器201也可以是所述计算机设备200的外部存储设备,例如该计算机设备200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(Flash Card)等。当然,所述存储器201还可以既包括所述计算机设备200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201通常用于存储安装于所述计算机设备200的操作系统和各类应用软件,例如协议数据推荐方法的计算机可读指令等。此外,所述存储器201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202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202通常用于控制所述计算机设备200的总体操作。本实施例中,所述处理器202用于运行所述存储器201中存储的计算机可读指令或者处理数据,例如运行所述协议数据推荐方法的计算机可读指令。
所述网络接口203可包括无线网络接口或有线网络接口,该网络接口203通常用于在所述计算机设备200与其他电子设备之间建立通信连接。
在本实施例中,本申请能够准确的预测出风险协议费用,加强预测的相关性并提高预测的准确性。通过向客户风险评分较高的客户推荐整体理赔风险的评分较低的协议公司,以实现对客户的合理性分析及智能对客户和协议数据之间的协调配置,从而提升计算机的协调配置客户和协议数据之间的效率。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的协议数据推荐方法的步骤。
在本实施例中,本申请能够准确的预测出风险协议费用,加强预测的相关性并提高预测的准确性。通过向客户风险评分较高的客户推荐整体理赔风险的评分较低的协议公司,以实现对客户的合理性分析及智能对客户和协议数据之间的协调配置,从而提升计算机的协调配置客户和协议数据之间的效率。
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。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种协议数据推荐方法,其特征在于,包括下述步骤:
接收训练数据并构建广义线性定价模型,基于训练数据训练所述广义线性定价模型,获得目标广义线性定价模型,其中,所述训练数据包括客户画像数据和医疗理赔数据;
接收当前周期内各协议公司的待评估画像数据,将所述待评估画像数据输入至所述目标广义线性定价模型中,获得输出的风险协议费用,并基于所述风险协议费用计算所述待评估画像数据的风险理赔评分;
基于所述风险理赔评分计算各协议公司的当前周期评分,基于所述目标广义线性定价模型计算下一个周期内每个客户的客户风险评分,在所述客户风险评分高于客户阈值时,向对应的客户推荐所述当前周期评分低于评分阈值的协议公司和对应的协议数据。
2.根据权利要求1所述的协议数据推荐方法,其特征在于,所述基于所述风险协议费用计算所述待评估画像数据的风险理赔评分的步骤包括:
基于所述风险协议费用计算所述待评估画像数据的预估赔付率;
获取历史预估赔付率,基于所述预估赔付率和所述历史预估赔付率计算所述风险理赔评分。
3.根据权利要求2所述的协议数据推荐方法,其特征在于,所述基于所述预估赔付率和所述历史预估赔付率计算所述风险理赔评分的步骤包括:
确定所述历史预估赔付率和所述预估赔付率之间的分布情况,建立分布图,并将所述分布图发送至用户;
接收用户回复的所述分布图的赔付率区间,并基于所述赔付率区间计算赔付刻度;
基于所述赔付刻度计算初始风险理赔评分,获取预设的低于赔付率区间的评分和高于赔付率区间的评分,将所述低于赔付率区间的评分、高于赔付率区间的评分和所述初始风险理赔评分之间的中值作为所述风险理赔评分。
4.根据权利要求3所述的协议数据推荐方法,其特征在于,所述赔付率区间包括区间上限值和区间下限值,其中,所述区间上限值大于所述区间下限值,所述基于所述赔付率区间计算赔付刻度的步骤包括:
获取预设的评分区间,基于所述评分区间计算分数刻度;
基于如下公式计算所述赔付刻度:
赔付刻度=(区间上限值/区间下限值)^(1/分数刻度)-1。
5.根据权利要求2所述的协议数据推荐方法,其特征在于,所述基于所述风险协议费用计算所述待评估画像数据的预估赔付率的步骤包括:
获取所述待评估画像数据携带的真实协议费用;
将所述风险协议费用除以所述真实协议费用,获得所述预估赔付率。
6.根据权利要求1所述的协议数据推荐方法,其特征在于,所述基于所述风险理赔评分计算各协议公司的当前周期评分的步骤包括:
分别计算各协议公司所对应的风险理赔评分的平均值,作为对应的协议公司的当前周期评分。
7.根据权利要求1所述的协议数据推荐方法,其特征在于,所述构建广义线性定价模型的步骤包括:
接收线性预估模型,将预设的对数联结函数加入所述所述线性预估模型中,获得所述广义线性定价模型。
8.一种协议数据推荐装置,其特征在于,包括:
训练模块,用于接收训练数据并构建广义线性定价模型,基于训练数据训练所述广义线性定价模型,获得目标广义线性定价模型,其中,所述训练数据包括客户画像数据和医疗理赔数据;
输入模块,用于接收当前周期内各协议公司的待评估画像数据,将所述待评估画像数据输入至所述目标广义线性定价模型中,获得输出的风险协议费用,并基于所述风险协议费用计算所述待评估画像数据的风险理赔评分;
推荐模块,用于基于所述风险理赔评分计算各协议公司的当前周期评分,基于所述目标广义线性定价模型计算下一个周期内每个客户的客户风险评分,在所述客户风险评分高于客户阈值时,向对应的客户推荐所述当前周期评分低于评分阈值的协议公司和对应的协议数据。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的协议数据推荐方法的步骤。
10.一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上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的协议数据推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095854.9A CN113781247A (zh) | 2021-09-18 | 2021-09-18 | 协议数据推荐方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095854.9A CN113781247A (zh) | 2021-09-18 | 2021-09-18 | 协议数据推荐方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113781247A true CN113781247A (zh) | 2021-12-10 |
Family
ID=78851996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111095854.9A Pending CN113781247A (zh) | 2021-09-18 | 2021-09-18 | 协议数据推荐方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781247A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390587A (zh) * | 2018-04-18 | 2019-10-29 | 苏宁易购集团股份有限公司 | 一种客户评价方法和系统 |
CN111179051A (zh) * | 2019-12-16 | 2020-05-19 | 北京淇瑀信息科技有限公司 | 金融目标客户确定方法、装置及电子设备 |
CN111695084A (zh) * | 2020-04-26 | 2020-09-22 | 北京奇艺世纪科技有限公司 | 模型生成方法、信用评分生成方法、装置、设备及存储介质 |
CN112330412A (zh) * | 2020-11-17 | 2021-02-05 | 中国平安财产保险股份有限公司 | 一种产品推荐方法、装置、计算机设备及存储介质 |
CN112801393A (zh) * | 2021-02-05 | 2021-05-14 | 中国银行保险信息技术管理有限公司 | 基于转移因子的车险风险预测方法、装置及存储介质 |
-
2021
- 2021-09-18 CN CN202111095854.9A patent/CN113781247A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390587A (zh) * | 2018-04-18 | 2019-10-29 | 苏宁易购集团股份有限公司 | 一种客户评价方法和系统 |
CN111179051A (zh) * | 2019-12-16 | 2020-05-19 | 北京淇瑀信息科技有限公司 | 金融目标客户确定方法、装置及电子设备 |
CN111695084A (zh) * | 2020-04-26 | 2020-09-22 | 北京奇艺世纪科技有限公司 | 模型生成方法、信用评分生成方法、装置、设备及存储介质 |
CN112330412A (zh) * | 2020-11-17 | 2021-02-05 | 中国平安财产保险股份有限公司 | 一种产品推荐方法、装置、计算机设备及存储介质 |
CN112801393A (zh) * | 2021-02-05 | 2021-05-14 | 中国银行保险信息技术管理有限公司 | 基于转移因子的车险风险预测方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN107622432A (zh) | 商户评价方法及系统 | |
CN112287244A (zh) | 基于联邦学习的产品推荐方法、装置、计算机设备及介质 | |
CN112508118B (zh) | 针对数据偏移的目标对象行为预测方法及其相关设备 | |
CN107368499B (zh) | 一种客户标签建模及推荐方法及装置 | |
CN112529477A (zh) | 信用评估变量筛选方法、装置、计算机设备及存储介质 | |
CN112925911A (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
CN112085378A (zh) | 资源分配方法、装置、计算机设备及存储介质 | |
CN112150291A (zh) | 智慧金融产品推荐系统 | |
CN113837631B (zh) | 员工评价方法、装置、电子设备及可读存储介质 | |
CN111506876A (zh) | 一种数据预测分析方法、系统、设备及可读存储介质 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN116402625A (zh) | 客户评估方法、装置、计算机设备及存储介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN115526659A (zh) | 基于调查问卷的数据分析方法、装置、设备及存储介质 | |
CN115578170A (zh) | 一种财务批量制证方法、装置、设备及存储介质 | |
CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
CN113781247A (zh) | 协议数据推荐方法、装置、计算机设备及存储介质 | |
CN115545088A (zh) | 模型构建方法、分类方法、装置和电子设备 | |
CN114048330A (zh) | 风险传导概率知识图谱生成方法、装置、设备及存储介质 | |
CN112084408A (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
CN110362981A (zh) | 基于可信设备指纹判断异常行为的方法及系统 | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN108628861B (zh) | 用于推送信息的方法和装置 | |
CN114219664A (zh) | 产品推荐方法、装置、计算机设备及存储介质 |
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: 20220523 Address after: 518000 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. |