CN116777638A - 基于数据画像的车险理赔风险的识别方法和装置 - Google Patents
基于数据画像的车险理赔风险的识别方法和装置 Download PDFInfo
- Publication number
- CN116777638A CN116777638A CN202310640535.4A CN202310640535A CN116777638A CN 116777638 A CN116777638 A CN 116777638A CN 202310640535 A CN202310640535 A CN 202310640535A CN 116777638 A CN116777638 A CN 116777638A
- Authority
- CN
- China
- Prior art keywords
- damage
- target
- assessment
- data
- loss
- 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 44
- 230000008439 repair process Effects 0.000 claims abstract description 117
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 230000002776 aggregation Effects 0.000 claims abstract description 11
- 238000004220 aggregation Methods 0.000 claims abstract description 11
- 239000003973 paint Substances 0.000 claims description 29
- 239000003795 chemical substances by application Substances 0.000 claims description 24
- 238000012423 maintenance Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003384 imaging method Methods 0.000 claims description 11
- 230000006735 deficit Effects 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 7
- 238000005507 spraying Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供了一种基于数据画像的车险理赔风险的识别方法和装置、电子设备及存储介质，涉及计算机技术领域。该方法响应于针对目标案件的定损单数据进行车险理赔风险的识别请求，获取目标案件的定损单数据对应的目标修理厂、目标定损员以及目标核损员；在多个修理厂、多个定损员以及多个核损员各自的画像数据中，查找目标修理厂、目标定损员以及目标核损员各自的画像数据；基于目标修理厂、目标定损员以及目标核损员各自的画像数据，通过多维度聚合计算得到预设的一个或多个指标的当前数值；根据预设的一个或多个指标的当前数值，识别目标案件的定损单数据是否存在理赔风险。本实施例能够快速准确地识别理赔风险，很好地管控定损或核损中的风险。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种基于数据画像的车险理赔风险的识别方法和装置、电子设备及存储介质。
背景技术
随着社会经济的发展，车辆的保有量越来越多，导致车辆理赔案件量逐年提升。而传统的车险定损及核损以人工处理的方式为主，在车险查勘定损阶段，有定损员现场拍照定损并将案件图像及定损结果一并上传到保险公司的综合处理平台，或有车主自行拍照上传案件图像后由定损员通过查阅案件图像进行定损，之后核损员再次查阅图像对定损结果进行复核，核实定损信息及损伤程度处置是否合理。这样，在面对大量车辆理赔案件时，效率较低，无法保证业务处理的时限要求，不能很好地管控定损中的风险，给保险公司理赔带来损失。因此，亟需解决这一技术问题。
发明内容
鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的基于数据画像的车险理赔风险的识别方法和装置、电子设备及存储介质。所述技术方案如下：
第一方面，提供了一种基于数据画像的车险理赔风险的识别方法，包括：
响应于针对目标案件的定损单数据进行车险理赔风险的识别请求，获取所述目标案件的定损单数据对应的目标修理厂、目标定损员以及目标核损员；
在多个修理厂、多个定损员以及多个核损员各自的画像数据中，查找目标修理厂、目标定损员以及目标核损员各自的画像数据；
基于目标修理厂、目标定损员以及目标核损员各自的画像数据，通过多维度聚合计算得到预设的一个或多个指标的当前数值；
根据所述预设的一个或多个指标的当前数值，识别所述目标案件的定损单数据是否存在理赔风险。
在一种可能的实现方式中，获取所述目标案件的定损单数据对应的目标修理厂、目标定损员以及目标核损员，包括：
从所述目标案件的定损单数据中提取表示修理厂字段的字段值，作为目标修理厂；
从所述目标案件的定损单数据中提取表示定损员字段的字段值，作为目标定损员；
从所述目标案件的定损单数据中提取表示核损员字段的字段值，作为目标核损员。
在一种可能的实现方式中，在多个修理厂、多个定损员以及多个核损员各自的画像数据中，查找目标修理厂、目标定损员以及目标核损员各自的画像数据之前，所述方法还包括：
获取历史定损数据；
根据所述历史定损数据分别对修理厂、定损员以及核损员进行画像，得到多个修理厂、多个定损员以及多个核损员各自的画像数据。
在一种可能的实现方式中，根据所述历史定损数据分别对修理厂、定损员以及核损员进行画像，得到多个修理厂、多个定损员以及多个核损员各自的画像数据，包括：
根据所述历史定损数据中修理厂的维修数据、定损员的定损数据、核损员的核损数据以及包括车型、配件、工时、辅料的定损单数据，分别对修理厂、定损员以及核损员进行画像，得到多个修理厂、多个定损员以及多个核损员各自的画像数据。
在一种可能的实现方式中，所述预设的一个或多个指标包括下列中的一项或多项：
修理厂维度下的过户车维修占比、换件喷漆比、车均漆量比、常换件更换比、车均换件量比、车均工时量比；
定损员维度下的换件喷漆比、车辆漆量比、常换件更换比、车均换件量比、车均工时量比、同类件更换比；
核损员维度下的核减率、案均核损金额、日均核损量。
在一种可能的实现方式中，根据所述预设的一个或多个指标的当前数值，识别所述目标案件的定损单数据是否存在理赔风险，包括：
将所述预设的一个或多个指标的当前数值与各自的指标阈值进行比较，得到比较结果；
根据所述比较结果，识别所述目标案件的定损单数据是否存在理赔风险。
在一种可能的实现方式中，根据所述预设的一个或多个指标的当前数值，识别所述目标案件的定损单数据是否存在理赔风险之后，所述方法还包括：
若识别所述目标案件的定损单数据存在理赔风险，则生成表示所述目标案件的定损单数据存在理赔风险的提示信息。
第二方面，提供了一种基于数据画像的车险理赔风险的识别装置，包括：
获取模块，用于响应于针对目标案件的定损单数据进行车险理赔风险的识别请求，获取所述目标案件的定损单数据对应的目标修理厂、目标定损员以及目标核损员；
查找模块，用于在多个修理厂、多个定损员以及多个核损员各自的画像数据中，查找目标修理厂、目标定损员以及目标核损员各自的画像数据；
计算模块，用于基于目标修理厂、目标定损员以及目标核损员各自的画像数据，通过多维度聚合计算得到预设的一个或多个指标的当前数值；
识别模块，用于根据所述预设的一个或多个指标的当前数值，识别所述目标案件的定损单数据是否存在理赔风险。
在一种可能的实现方式中，所述获取模块还用于：
从所述目标案件的定损单数据中提取表示修理厂字段的字段值，作为目标修理厂；
从所述目标案件的定损单数据中提取表示定损员字段的字段值，作为目标定损员；
从所述目标案件的定损单数据中提取表示核损员字段的字段值，作为目标核损员。
在一种可能的实现方式中，所述装置还包括画像模块，用于：
获取历史定损数据；
根据所述历史定损数据分别对修理厂、定损员以及核损员进行画像，得到多个修理厂、多个定损员以及多个核损员各自的画像数据。
在一种可能的实现方式中，所述画像模块还用于：
根据所述历史定损数据中修理厂的维修数据、定损员的定损数据、核损员的核损数据以及包括车型、配件、工时、辅料的定损单数据，分别对修理厂、定损员以及核损员进行画像，得到多个修理厂、多个定损员以及多个核损员各自的画像数据。
在一种可能的实现方式中，所述预设的一个或多个指标包括下列中的一项或多项：
修理厂维度下的过户车维修占比、换件喷漆比、车均漆量比、常换件更换比、车均换件量比、车均工时量比；
定损员维度下的换件喷漆比、车辆漆量比、常换件更换比、车均换件量比、车均工时量比、同类件更换比；
核损员维度下的核减率、案均核损金额、日均核损量。
在一种可能的实现方式中，所述识别模块还用于：
将所述预设的一个或多个指标的当前数值与各自的指标阈值进行比较，得到比较结果；
根据所述比较结果，识别所述目标案件的定损单数据是否存在理赔风险。
在一种可能的实现方式中，所述装置还包括提示信息生成模块，用于：
若所述识别模块识别所述目标案件的定损单数据存在理赔风险，则生成表示所述目标案件的定损单数据存在理赔风险的提示信息。
第三方面，提供了一种电子设备，该电子设备包括处理器和存储器，其中，所述存储器中存储有计算机程序，所述处理器被配置为运行所述计算机程序以执行上述任一项所述的基于数据画像的车险理赔风险的识别方法。
第四方面，提供了一种存储介质，所述存储介质存储有计算机程序，其中，所述计算机程序被配置为运行时执行上述任一项所述的基于数据画像的车险理赔风险的识别方法。
借由上述技术方案，本申请实施例提供的基于数据画像的车险理赔风险的识别方法和装置、电子设备及存储介质，该方法可以响应于针对目标案件的定损单数据进行车险理赔风险的识别请求，获取目标案件的定损单数据对应的目标修理厂、目标定损员以及目标核损员；在多个修理厂、多个定损员以及多个核损员各自的画像数据中，查找目标修理厂、目标定损员以及目标核损员各自的画像数据；基于目标修理厂、目标定损员以及目标核损员各自的画像数据，通过多维度聚合计算得到预设的一个或多个指标的当前数值；根据预设的一个或多个指标的当前数值，识别目标案件的定损单数据是否存在理赔风险。可以看到，本申请实施例通过大数据分析，分别勾画出修理厂、定损员及核损员的画像，并基于修理厂、定损员及核损员的画像计算得到预设的一个或多个指标的当前数值，基于这些数值判断车险理赔中是否存在理赔风险，可以快速准确地识别理赔风险，很好地管控定损或核损中的风险。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1示出了本申请实施例提供的基于数据画像的车险理赔风险的识别方法的流程图；
图2示出了本申请实施例提供的基于数据画像的车险理赔风险的识别装置的结构图；
图3示出了本申请另一实施例提供的基于数据画像的车险理赔风险的识别装置的结构图；
图4示出了本申请实施例提供的一种电子设备的结构图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。
为了解决上述技术问题，本申请实施例提供了一种基于数据画像的车险理赔风险的识别方法，如图1所示，该基于数据画像的车险理赔风险的识别方法可以包括以下步骤S101至S104：
步骤S101，响应于针对目标案件的定损单数据进行车险理赔风险的识别请求，获取目标案件的定损单数据对应的目标修理厂、目标定损员以及目标核损员。
步骤S102，在多个修理厂、多个定损员以及多个核损员各自的画像数据中，查找目标修理厂、目标定损员以及目标核损员各自的画像数据。
步骤S103，基于目标修理厂、目标定损员以及目标核损员各自的画像数据，通过多维度聚合计算得到预设的一个或多个指标的当前数值。
该步骤中，修理厂的画像数据可以包括过户车维修量、换件喷漆量、车均漆量、常换件更换量、车均换件量、车均工时量等等；定损员的画像数据可以包括换件喷漆量、车辆漆量、常换件更换量、车均换件量、车均工时量、同类件更换量等等；核损员的画像数据可以包括核减量、案均核损金额、日均核损量等等，需要说明的是，此处列举仅是示意性的，并不对本实施例进行限制。
这里，预设的一个或多个指标可以根据实际需求来设置，具体可以如修理厂维度下的过户车维修占比、换件喷漆比、车均漆量比、常换件更换比、车均换件量比、车均工时量比等等；定损员维度下的换件喷漆比、车辆漆量比、常换件更换比、车均换件量比、车均工时量比、同类件更换比等等；核损员维度下的核减率、案均核损金额、日均核损量等等。
步骤S104，根据预设的一个或多个指标的当前数值，识别目标案件的定损单数据是否存在理赔风险。
本申请实施例通过大数据分析，分别勾画出修理厂、定损员及核损员的画像，并基于修理厂、定损员及核损员的画像计算得到预设的一个或多个指标的当前数值，基于这些数值判断车险理赔中是否存在理赔风险，可以快速准确地识别理赔风险，很好地管控定损或核损中的风险。
本申请实施例中提供了一种可能的实现方式，上面步骤S101中获取目标案件的定损单数据对应的目标修理厂、目标定损员以及目标核损员，具体可以包括以下步骤A1至A3：
步骤A1，从目标案件的定损单数据中提取表示修理厂字段的字段值，作为目标修理厂；
步骤A2，从目标案件的定损单数据中提取表示定损员字段的字段值，作为目标定损员；
步骤A3，从目标案件的定损单数据中提取表示核损员字段的字段值，作为目标核损员。
本实施例可以根据修理厂字段、定损员字段及核损员字段，分别提取目标修理厂、目标定损员及目标核损员，准确且高效。
本申请实施例中提供了一种可能的实现方式，步骤S102在多个修理厂、多个定损员以及多个核损员各自的画像数据中，查找目标修理厂、目标定损员以及目标核损员各自的画像数据之前，还可以包括以下步骤B1和B2：
步骤B1，获取历史定损数据；
步骤B2，根据历史定损数据分别对修理厂、定损员以及核损员进行画像，得到多个修理厂、多个定损员以及多个核损员各自的画像数据。
在历史定损数据中，可以包括修理厂的维修数据、定损员的定损数据、核损员的核损数据以及包括车型、配件、工时、辅料的定损单数据等等，从而可以根据历史定损数据分别对修理厂、定损员以及核损员进行画像，得到多个修理厂、多个定损员以及多个核损员各自的画像数据。
本申请实施例中提供了一种可能的实现方式，上面步骤B2中根据历史定损数据分别对修理厂、定损员以及核损员进行画像，得到多个修理厂、多个定损员以及多个核损员各自的画像数据，具体可以包括以下步骤B21：
步骤B21，根据历史定损数据中修理厂的维修数据、定损员的定损数据、核损员的核损数据以及包括车型、配件、工时、辅料的定损单数据，分别对修理厂、定损员以及核损员进行画像，得到多个修理厂、多个定损员以及多个核损员各自的画像数据。
本实施例可以根据历史定损数据中修理厂的维修数据、定损员的定损数据、核损员的核损数据以及包括车型、配件、工时、辅料的定损单数据，分别对修理厂、定损员以及核损员进行画像，得到多个修理厂、多个定损员以及多个核损员各自的画像数据，以便于后续通过多维度聚合计算得到预设的一个或多个指标的当前数值，进而识别目标案件的定损单数据是否存在理赔风险。
本申请实施例中提供了一种可能的实现方式，上面步骤S104中根据预设的一个或多个指标的当前数值，识别目标案件的定损单数据是否存在理赔风险，具体可以包括以下步骤C1和C2：
步骤C1，将预设的一个或多个指标的当前数值与各自的指标阈值进行比较，得到比较结果；
步骤C2，根据比较结果，识别目标案件的定损单数据是否存在理赔风险。
在本实施例中，预设的一个或多个指标中的各个指标设置有指标阈值，可以将预设的一个或多个指标的当前数值与各自的指标阈值进行比较，得到比较结果，进而根据比较结果，识别目标案件的定损单数据是否存在理赔风险。举例来说，预设的一个或多个指标包括修理厂维度下的过户车维修占比和换件喷漆比，如果过户车维修占比大于指标阈值80％，且换件喷漆比大于指标阈值90％，则识别出目标案件的定损单数据存在理赔风险，具体可能是换件喷漆虚增。需要说明的是，此处列举仅是示意性的，并不对本实施例进行限制。
本申请实施例中提供了一种可能的实现方式，在步骤S104中根据预设的一个或多个指标的当前数值，识别目标案件的定损单数据是否存在理赔风险之后，还可以包括以下步骤D1或D2：
步骤D1，若识别目标案件的定损单数据存在理赔风险，则生成表示目标案件的定损单数据存在理赔风险的提示信息。
步骤D2，若识别目标案件的定损单数据不存在理赔风险，则生成表示目标案件的定损单数据不存在理赔风险的提示信息。
本实施例可以根据识别目标案件的定损单数据是否存在理赔风险的情况，提供相应的提示信息，方便用户查阅。
以上介绍了图1所示实施例的各个环节的多种实现方式，下面将通过具体实施例对本申请实施例的基于数据画像的车险理赔风险的识别方法做进一步说明。
首先，构建人厂画像分析模型。
1)修理厂画像，可以包括过户车维修量、换件喷漆量、车均漆量、常换件更换量、车均换件量、车均工时量等等。
2)定损员画像，可以包括换件喷漆量、车辆漆量、常换件更换量、车均换件量、车均工时量、同类件更换量等等。
3)核损员画像，可以包括核减量、案均核损金额、日均核损量等等。
这里，对修理厂、定损员以及核损员进行行为分析，对修理厂各配件的维修方式进行统计评估，后采用交替最小二乘法进行维修方式偏好打分预测，计算各项指标在全部修理厂间的分位数。对定损员和核损员的定损核损方式同样进行偏好评估及省级分位数计算，通过对各项指标的评定作为画像标签，准确和高效地对修理厂、定损员以及核损员进行画像。
其次，根据实际需求来设置预设的一个或多个指标。
1)修理厂维度下的人厂关联度、过户车维修占比、换件喷漆比、车均漆量比、常换件更换比、车均换件量比、车均工时量比等等。
例如，人厂关联度，是指修理厂中某定损员送修该修理厂案件占该定损员所有案件比例，同时和全省平均值对比；该修理厂修理该定损员案件占该修理厂所有案件比例，同时和全省平均值对比。
换件喷漆比，是指修理厂换件大于等于4、1到3个数量的案件；喷漆大于等于4、1到3的数量案件，占本厂所有案件的比率，同时和全省平均值做参考对比。
过户车维修占比，是指该修理厂修理的过户车数量占修理车辆总数百分比，同时和全省平均值进行对比。
2)定损员维度下的换件喷漆比、车辆漆量比、常换件更换比、车均换件量比、车均工时量比、同类件更换比等等。
例如，换件喷漆比，是指某定损员定损案件中换件大于等于4、1到3的案件占比；喷漆大于等于4、1到3的案件数量，占本人总案件的比率，同时和全省平均值做参考对比。
车均换件量比，是指定损员每车平均换件量以及平均换件金额，以及和全省平均值的对比。
3)核损员维度下的核减率、案均核损金额、日均核损量等等。
例如，核损员核减率，是指核损员核减金额占核损总金额比率，以及和全省平均值对比。
案件核损金额，是指核损员核损平均案金额，以及全省平均值对比。
然后，通过多维度聚合计算得到预设的一个或多个指标的当前数值。这里的多维度聚合运算是将数据根据不同维度进行分类分组，然后计算每个分类下的汇总值或统计指标。
最后，根据预设的一个或多个指标的当前数值，识别目标案件的定损单数据是否存在理赔风险。
这里，预设的一个或多个指标中的各个指标设置有指标阈值，可以将预设的一个或多个指标的当前数值与各自的指标阈值进行比较，得到比较结果，进而根据比较结果，识别目标案件的定损单数据是否存在理赔风险。举例来说，预设的一个或多个指标包括修理厂维度下的过户车维修占比和换件喷漆比，如果过户车维修占比大于指标阈值80％，且换件喷漆比大于指标阈值90％，则识别出目标案件的定损单数据存在理赔风险，具体可能是换件喷漆虚增。需要说明的是，此处列举仅是示意性的，并不对本实施例进行限制。
通过画像依据修理厂、定损员信息和核损员信息指出提示类风险，如是否存在喷漆等工时虚增。
模型一，规则模型：采用对指标阈值调控、特殊规则的制定等方式，进而判断各配件是否存在风险并给予对应风险规则提示。
模型二，聚类模型：通过对案件中的指标进行数字矩阵转换并与历史数据进行距离计算。选出最近的K个邻居进行风险投票，K为正整数，例如K＝5，相近的五个案件中都未存在某配件，则该配件为虚增风险等。
本申请实施例通过大数据分析，分别勾画出修理厂、定损员及核损员的画像，并基于修理厂、定损员及核损员的画像计算得到预设的一个或多个指标的当前数值，基于这些数值判断车险理赔中是否存在理赔风险，可以快速准确地识别理赔风险，很好地管控定损或核损中的风险。
需要说明的是，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。实际应用中，上述所有可能的实施方式可以采用结合的方式任意组合，形成本申请的可能的实施例，在此不再一一赘述。
基于上文各个实施例提供的基于数据画像的车险理赔风险的识别方法，基于同一发明构思，本申请实施例还提供了一种基于数据画像的车险理赔风险的识别装置。
图2是本申请实施例提供的基于数据画像的车险理赔风险的识别装置的结构图。如图2所示，该基于数据画像的车险理赔风险的识别装置具体可以包括获取模块210、查找模块220、计算模块230以及识别模块240。
获取模块210，用于响应于针对目标案件的定损单数据进行车险理赔风险的识别请求，获取所述目标案件的定损单数据对应的目标修理厂、目标定损员以及目标核损员；
查找模块220，用于在多个修理厂、多个定损员以及多个核损员各自的画像数据中，查找目标修理厂、目标定损员以及目标核损员各自的画像数据；
计算模块230，用于基于目标修理厂、目标定损员以及目标核损员各自的画像数据，通过多维度聚合计算得到预设的一个或多个指标的当前数值；
识别模块240，用于根据所述预设的一个或多个指标的当前数值，识别所述目标案件的定损单数据是否存在理赔风险。
本申请实施例中提供了一种可能的实现方式，所述获取模块210还用于：
从所述目标案件的定损单数据中提取表示修理厂字段的字段值，作为目标修理厂；
从所述目标案件的定损单数据中提取表示定损员字段的字段值，作为目标定损员；
从所述目标案件的定损单数据中提取表示核损员字段的字段值，作为目标核损员。
本申请实施例中提供了一种可能的实现方式，如图3所示，上文图2展示的装置还可以包括画像模块310，用于：
获取历史定损数据；
根据所述历史定损数据分别对修理厂、定损员以及核损员进行画像，得到多个修理厂、多个定损员以及多个核损员各自的画像数据。
本申请实施例中提供了一种可能的实现方式，所述画像模块310还用于：
根据所述历史定损数据中修理厂的维修数据、定损员的定损数据、核损员的核损数据以及包括车型、配件、工时、辅料的定损单数据，分别对修理厂、定损员以及核损员进行画像，得到多个修理厂、多个定损员以及多个核损员各自的画像数据。
本申请实施例中提供了一种可能的实现方式，所述预设的一个或多个指标包括下列中的一项或多项：
修理厂维度下的过户车维修占比、换件喷漆比、车均漆量比、常换件更换比、车均换件量比、车均工时量比；
定损员维度下的换件喷漆比、车辆漆量比、常换件更换比、车均换件量比、车均工时量比、同类件更换比；
核损员维度下的核减率、案均核损金额、日均核损量。
本申请实施例中提供了一种可能的实现方式，所述识别模块240还用于：
将所述预设的一个或多个指标的当前数值与各自的指标阈值进行比较，得到比较结果；
根据所述比较结果，识别所述目标案件的定损单数据是否存在理赔风险。
本申请实施例中提供了一种可能的实现方式，如图3所示，上文图2展示的装置还可以包括提示信息生成模块320，用于：
若所述识别模块识别所述目标案件的定损单数据存在理赔风险，则生成表示所述目标案件的定损单数据存在理赔风险的提示信息。
基于同一发明构思，本申请实施例还提供了一种电子设备，包括处理器和存储器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述任意一个实施例的基于数据画像的车险理赔风险的识别方法。
在示例性的实施例中，提供了一种电子设备，如图4所示，图4所示的电子设备400包括：处理器401和存储器403。其中，处理器401和存储器403相连，如通过总线402相连。可选地，电子设备400还可以包括收发器404。需要说明的是，实际应用中收发器404不限于一个，该电子设备400的结构并不构成对本申请实施例的限定。
处理器401可以是CPU(Central Processing Unit，中心处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器401也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线402可包括一通路，在上述组件之间传送信息。总线402可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器403可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器403用于存储执行本申请方案的计算机程序代码，并由处理器401来控制执行。处理器401用于执行存储器403中存储的计算机程序代码，以实现前述方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
基于同一发明构思，本申请实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述任意一个实施例的基于数据画像的车险理赔风险的识别方法。
所属领域的技术人员可以清楚地了解到，上述描述的系统、装置、模块的具体工作过程，可以参考前述方法实施例中的对应过程，为简洁起见，在此不另赘述。
本领域普通技术人员可以理解：本申请的技术方案本质上或者该技术方案的全部或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中，其包括若干程序指令，用以使得一电子设备(例如个人计算机，服务器，或者网络设备等)在运行所述程序指令时执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，实现前述方法实施例的全部或部分步骤可以通过程序指令相关的硬件(诸如个人计算机，服务器，或者网络设备等的电子设备)来完成，所述程序指令可以存储于一计算机可读取存储介质中，当所述程序指令被电子设备的处理器执行时，所述电子设备执行本申请各实施例所述方法的全部或部分步骤。
以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：在本申请的精神和原则之内，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脱离本申请的保护范围。
Claims (10)
1.一种基于数据画像的车险理赔风险的识别方法，其特征在于，包括：
响应于针对目标案件的定损单数据进行车险理赔风险的识别请求，获取所述目标案件的定损单数据对应的目标修理厂、目标定损员以及目标核损员；
在多个修理厂、多个定损员以及多个核损员各自的画像数据中，查找目标修理厂、目标定损员以及目标核损员各自的画像数据；
基于目标修理厂、目标定损员以及目标核损员各自的画像数据，通过多维度聚合计算得到预设的一个或多个指标的当前数值；
根据所述预设的一个或多个指标的当前数值，识别所述目标案件的定损单数据是否存在理赔风险。
2.根据权利要求1所述的方法，其特征在于，获取所述目标案件的定损单数据对应的目标修理厂、目标定损员以及目标核损员，包括：
从所述目标案件的定损单数据中提取表示修理厂字段的字段值，作为目标修理厂；
从所述目标案件的定损单数据中提取表示定损员字段的字段值，作为目标定损员；
从所述目标案件的定损单数据中提取表示核损员字段的字段值，作为目标核损员。
3.根据权利要求1或2所述的方法，其特征在于，在多个修理厂、多个定损员以及多个核损员各自的画像数据中，查找目标修理厂、目标定损员以及目标核损员各自的画像数据之前，所述方法还包括：
获取历史定损数据；
根据所述历史定损数据分别对修理厂、定损员以及核损员进行画像，得到多个修理厂、多个定损员以及多个核损员各自的画像数据。
4.根据权利要求3所述的方法，其特征在于，根据所述历史定损数据分别对修理厂、定损员以及核损员进行画像，得到多个修理厂、多个定损员以及多个核损员各自的画像数据，包括：
根据所述历史定损数据中修理厂的维修数据、定损员的定损数据、核损员的核损数据以及包括车型、配件、工时、辅料的定损单数据，分别对修理厂、定损员以及核损员进行画像，得到多个修理厂、多个定损员以及多个核损员各自的画像数据。
5.根据权利要求1或2所述的方法，其特征在于，所述预设的一个或多个指标包括下列中的一项或多项：
修理厂维度下的过户车维修占比、换件喷漆比、车均漆量比、常换件更换比、车均换件量比、车均工时量比；
定损员维度下的换件喷漆比、车辆漆量比、常换件更换比、车均换件量比、车均工时量比、同类件更换比；
核损员维度下的核减率、案均核损金额、日均核损量。
6.根据权利要求5所述的方法，其特征在于，根据所述预设的一个或多个指标的当前数值，识别所述目标案件的定损单数据是否存在理赔风险，包括：
将所述预设的一个或多个指标的当前数值与各自的指标阈值进行比较，得到比较结果；
根据所述比较结果，识别所述目标案件的定损单数据是否存在理赔风险。
7.根据权利要求6所述的方法，其特征在于，根据所述预设的一个或多个指标的当前数值，识别所述目标案件的定损单数据是否存在理赔风险之后，所述方法还包括：
若识别所述目标案件的定损单数据存在理赔风险，则生成表示所述目标案件的定损单数据存在理赔风险的提示信息。
8.一种基于数据画像的车险理赔风险的识别装置，其特征在于，包括：
获取模块，用于响应于针对目标案件的定损单数据进行车险理赔风险的识别请求，获取所述目标案件的定损单数据对应的目标修理厂、目标定损员以及目标核损员；
查找模块，用于在多个修理厂、多个定损员以及多个核损员各自的画像数据中，查找目标修理厂、目标定损员以及目标核损员各自的画像数据；
计算模块，用于基于目标修理厂、目标定损员以及目标核损员各自的画像数据，通过多维度聚合计算得到预设的一个或多个指标的当前数值；
识别模块，用于根据所述预设的一个或多个指标的当前数值，识别所述目标案件的定损单数据是否存在理赔风险。
9.一种电子设备，其特征在于，包括处理器和存储器，其中，所述存储器中存储有计算机程序，所述处理器被配置为运行所述计算机程序以执行权利要求1至7中任一项所述的基于数据画像的车险理赔风险的识别方法。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被配置为运行时执行权利要求1至7中任一项所述的基于数据画像的车险理赔风险的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310640535.4A CN116777638A (zh) | 2023-06-01 | 2023-06-01 | 基于数据画像的车险理赔风险的识别方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310640535.4A CN116777638A (zh) | 2023-06-01 | 2023-06-01 | 基于数据画像的车险理赔风险的识别方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116777638A true CN116777638A (zh) | 2023-09-19 |
Family
ID=87992191
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310640535.4A Pending CN116777638A (zh) | 2023-06-01 | 2023-06-01 | 基于数据画像的车险理赔风险的识别方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116777638A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117670036A (zh) * | 2023-11-14 | 2024-03-08 | 平安科技(上海)有限公司 | 定损机构的质量描述方法、装置、计算机设备及存储介质 |
-
2023
- 2023-06-01 CN CN202310640535.4A patent/CN116777638A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117670036A (zh) * | 2023-11-14 | 2024-03-08 | 平安科技(上海)有限公司 | 定损机构的质量描述方法、装置、计算机设备及存储介质 |
| CN117670036B (zh) * | 2023-11-14 | 2024-07-02 | 平安科技(上海)有限公司 | 定损机构的质量描述生成方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115330275B (zh) | 一种退役电池的梯次利用方法及装置 | |
| CN110096430B (zh) | 第三方sdk准入测试方法、装置、终端及存储介质 | |
| CN113822488B (zh) | 融资租赁的风险预测方法、装置、计算机设备及存储介质 | |
| CN116777638A (zh) | 基于数据画像的车险理赔风险的识别方法和装置 | |
| WO2019136915A1 (zh) | 定损理赔方法、服务器及计算机可读存储介质 | |
| CN113837596A (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| CN112950344A (zh) | 数据评估方法、装置、电子设备及存储介质 | |
| CN114706961A (zh) | 目标文本识别方法、装置及存储介质 | |
| CN116977093A (zh) | 基于聚类的车险理赔风险的识别方法和装置、电子设备 | |
| CN115577983B (zh) | 基于区块链的企业任务匹配方法、服务器及存储介质 | |
| CN111402068A (zh) | 基于大数据的保费数据分析方法、装置及存储介质 | |
| CN116468547A (zh) | 一种基于数据挖掘的信用卡资源分配方法及系统 | |
| CN116562894A (zh) | 车险理赔欺诈风险识别方法、装置、电子设备及存储介质 | |
| CN113435746B (zh) | 用户工作量的评分方法、装置、电子设备及存储介质 | |
| CN115809930A (zh) | 基于数据融合匹配的反欺诈分析方法、装置、设备及介质 | |
| CN115545235A (zh) | 恢复供电方法、装置、计算机设备和存储介质 | |
| CN115660451A (zh) | 基于rpa的供应商风险预警方法、装置、设备及介质 | |
| CN113159537B (zh) | 电网新技术项目的评估方法、装置和计算机设备 | |
| CN114022045A (zh) | 一种区域经济发展水平确定方法、装置及终端设备 | |
| CN115222549A (zh) | 风险评估处理方法、装置、计算机设备及存储介质 | |
| CN114925895A (zh) | 维修器材预测方法、终端及存储介质 | |
| CN112598446A (zh) | 配件定价方法、系统、设备及存储介质 | |
| CN112085612A (zh) | 车辆全损检测方法、装置、终端设备及存储介质 | |
| CN111754103A (zh) | 企业风险画像方法、装置、计算机设备和可读存储介质 | |
| CN117423175B (zh) | 一种车辆诊断数据展示方法、装置、诊断仪及介质 |
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 |