TWI785313B - 保險給付詐保風險評估系統及其方法 - Google Patents
保險給付詐保風險評估系統及其方法 Download PDFInfo
- Publication number
- TWI785313B TWI785313B TW109106353A TW109106353A TWI785313B TW I785313 B TWI785313 B TW I785313B TW 109106353 A TW109106353 A TW 109106353A TW 109106353 A TW109106353 A TW 109106353A TW I785313 B TWI785313 B TW I785313B
- Authority
- TW
- Taiwan
- Prior art keywords
- insurance
- risk
- fraud
- data
- cases
- Prior art date
Links
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Developing Agents For Electrophotography (AREA)
Abstract
提供一種保險給付詐保風險評估系統,包括:一伺服器、一風險因子輸出裝置以及一風險警告裝置。上述伺服器包括一保險資料庫。上述風險因子輸出裝置包括一比對量化模組以及一群體決策分析模組。上述風險警告裝置依據風險因子清單,預估詐保機率,當詐保機率大於等於門檻值時,產生保險給付詐保風險建議注意報告。
Description
本發明是有關於一種風險評估系統,特別是一種銀行內部用於評估要保人之保險給付詐保風險評估系統。
隨著保險詐欺案件屢見不鮮,且逐漸走向組織化、專業化,保險犯罪的行為人從投保之初即進行一連串精密策劃與安排,實施詐保案件不會僅有一件,有相互配合作業人員,例如社會案件:台大名醫偽開300張診斷書詐保7000萬,此案件為母女檔與醫生聯手,6年來開立約300份不實診斷證明書。
若不能有效針對保險詐欺案件進行有效的預警與抑制,保險金給付於保險詐欺案件上而非真正需要者,保險公司在考量損失率的狀況下,其結果常以提高保戶保險費用來因應,最終受害者也是多數善良的保險消費者,這對善良守法的保險消費者極不公平。
鑑於上述欲解決之問題及其原因,具體而言,本發明提供一種保險給付詐保風險評估系統,透過保險給付詐保風險評估系統,保戶在申請保險給付時,系統會分析保戶的詐保風險,當系統判斷為高風險的保險詐欺案件時,會詳列高風險事由、建議調查方向及尋求協助單位供保險給付調查者參考。
本發明為一種保險給付詐保風險評估系統,當一要保人向一銀行申請一保險時,使用該系統評估該保險之詐保風險,該系統包括一伺服器、一風險因子輸出裝置以及一風險警告裝置。上述伺服器,包括一保險資料庫,儲存一保險資料以及一案件歷史資料。上述風險因子輸出裝置包括一比對量化模組以及一群體決策分析模組。上述比對量化模組計算保險資料與案件歷史資料之間的相似性距離,當相似性距離大於等於第一門檻值時,產生比對結果,其中相似性距離為保險資料與案件歷史資料之相同特徵數量佔全部特徵數量之比值。上述群體決策分析模組依據保險資料以及比對結果,挑選多個風險因子,形成風險因子清單。上述風險警告裝置,依據風險因子清單,預估詐保機率,當詐保機率大於等於第二門檻值時,產生保險給付詐保風險建議注意報告。
依據又一實施例,其中保險資料包括要保人以及被保險人的資料,案件歷史資料包括保險給付案件以及保險詐欺案件的歷史資料。
依據又一實施例,其中該比對量化模組更包括一主動型比對模組以及一被動型比對模組。上述主動型比對模組隨時比對該案
件歷史資料,找尋該案件歷史資料中的該相似性距離大於等於該第一門檻值之案件並通知該銀行。上述被動型比對模組,當接收到評估請求時,立即啟動計算該保險資料與該案件歷史資料之間的該相似性距離。
依據又一實施例,其中該群體決策分析模組由複數個群體負責從案件歷史資料中,分析複數個風險因子清單來評估所對應之複數個績效指標,其中該些績效指標為該些群體所分析之正確率與誤判率之差值,選擇該些績效指標中最大值做為該風險因子清單。
依據又一實施例,其中該詐保機率為該些群體所預估之複數個詐保機率乘上複數個風險權重,其中該些風險權重為每一績效指標與全體績效指標之比值。
綜上所述,本發明是以比對保險資料與案件歷史資料之結果中挑選多個風險因子,形成風險因子清單,並依據風險因子清單來預估詐保機率。當詐保機率大於等於第二門檻值時,產生一保險給付詐保風險建議注意報告,建議調查人員調查方向與可尋求單位協助,提供相關聯絡資訊等,透過保險給付詐保風險評估系統協助保險業者有效偵測並預防保險詐欺案件的發生。
110:銀行
120:保險給付詐保風險評估系統
121:伺服器
122:保險資料庫
123:風險因子輸出裝置
124:比對量化模組
125:群體決策分析模組
126:風險警告裝置
200-211:步驟
為了讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂,所附附圖之說明如下:
圖1係繪示依據本發明之一實施例之一種保險給付詐保風險評估系統中各裝置、模組的關係架構圖。
圖2係繪示依據本發明之一實施例之一種保險給付詐保風險評估方法的流程示意圖。
請參閱圖1,圖1係繪示依據本發明之一實施例之一種保險給付詐保風險評估系統中各裝置、模組的關係架構圖。圖1的保險給付詐保風險評估系統銀行110以及保險給付詐保風險評估系統120。
上述保險給付詐保風險評估系統120包括伺服器121、風險因子輸出裝置123以及風險警告裝置126。
上述伺服器121包括保險資料庫122。上述保險資料庫122儲存保險資料以及案件歷史資料。上述保險資料包括要保人以及被保險人的資料。上述案件歷史資料包括保險給付案件以及保險詐欺案件的歷史資料。
根據本發明之另一實施例,保險資料例如可為個人基本資料、職業、年收入、DBR(無擔保負債比,公式為無擔保債務餘額/月收入)等等。
上述風險因子輸出裝置123包括比對量化模組124以及群體決策分析模組125。上述比對量化模組124會計算保險資料與案件歷史資料之間的相似性距離,當相似性距離大於等於第一門檻值時,
會產生比對結果。上述相似性距離為保險資料與案件歷史資料之相同特徵數量佔全部特徵數量之比值。
根據本發明之另一實施例,相似性距離為針對保險案件非日期型之特徵進行相似性分析,其中非日期型之特徵例如可為被保險人識別碼、要保人識別碼、投保單位家數等。
根據本發明之另一實施例,相似性距離公式如下:A與B非日期型特徵中相同特徵數/A所有非日期型特徵數
其中A為一筆保單資訊,B、C分別為其它一筆保單資訊,例如A的特徵為A={W,X,Y,Z,T}、B的特徵為B={D,C,Q,U,T}、C的特徵為C={W,X,Y,Z,P},計算A與B、A與C的相似性距離如下:A與B的相似性距離=(T相同,個數=1)/(W,X,Y,Z,T,個數=5)=1/5=0.2。
A與C的相似性距離=(W,X,Y,Z相同,個數=4)/(W,X,Y,Z,T,個數=5)=4/5=0.8。
根據本發明之另一實施例,A與B的相似性距離=0.2、A與C的相似性距離=0.8,相似性距離之第一門檻值假設為0.7,則代表A與C保單資訊具有高度相似性。
根據本發明之另一實施例,比對量化模組更包括主動型比對模組以及被動型比對模組。主動型比對模組會隨時比對案件歷史資料,找尋在案件歷史資料中是否有相似性距離大於等於第一門檻值之案件,並通知銀行。被動型比對模組為當接收到評估請求時,立即啟動計算保險資料與案件歷史資料之間的相似性距離。
根據本發明之另一實施例,比對量化模組不管是針對申請保險給付之保戶進行比對量化分析或是針對歷史保險給付案件進行比對量化分析,當比對量化結果異於常態時,都會產生比對結果,羅列保單資訊與比對量化差異結果供群體決策人員評估參考。
上述群體決策分析模組125會依據保險資料以及比對結果,挑選多個風險因子,形成風險因子清單。
根據本發明之另一實施例,群體決策分析模組125由多個群體決策人員負責從案件歷史資料中,分析多個風險因子清單來評估所對應之多個績效指標,其中績效指標為群體決策人員所分析案件歷史資料之正確率與誤判率之差值,選擇多個績效指標中的最大值做為評估某一案件之風險因子清單。
根據本發明之另一實施例,各群體決策人員根據背景、經歷從所有風險因子清單中挑選用以風險評估時使用之風險因子清單。各群體在群體決策支援分析中可得知其他群體決策人員挑選之風險因子清單,但無法得知其他群體之決策人員身分,透過群體決策支援分析可在任何場地任何時間從大量風險因子清單中找出風險因子清單。
根據本發明之另一實施例,績效指標係用以衡量群體決策分析模組中各群體決策人員正確與誤判詐保狀態數,績效指標使用兩個指標進行評估分別為正確率與誤判率。
根據本發明之另一實施例,正確率與誤判率公式如下:正確率:((TP2)+(TN2)/(TP+TN+FP+FN)
誤判率:((FP2)+(FN2))/(TP+TN+FP+FN)
績效指標例如可為正確率與誤判率之差值百分比,績效指標最佳狀況為1,績效指標最差狀況為-1。群體分析如下表1所示分為預測詐保案件與實際詐保案件,預測詐保案件為中各群體決策人員預測詐保案件,實際詐保案件為真實現實事件中詐保案件。其中TP,係指實際為詐保客戶,預測也為詐保客戶;FP係指實際為非詐保客戶,預測為違約詐保數;FN係指實際為詐保客戶,預測為非詐保客戶;TN係指實際為非詐保客戶,預測也為非詐保客戶。因此,理想狀態下為TP與TN越大越好,FP與FN越小越好,最佳狀況為預測違約案件精準與實際違約案件重疊,FP與FN為0。
根據本發明之另一實施例,例如群體決策分析模組之群體決策人員分別為A與B,在10個評估案件中,實際上有8個詐保客戶,有2個非詐保客戶。請參閱下表2,A群體決策人員評估會有7個詐保客戶,3個非詐保客戶;B群體決策人員評估會有4個詐保客戶,6個非詐保客戶。計算公式及結果如下:
A群體分析之正確率:((TP2)+(TN2)/(TP+TN+FP+FN)=0.882
A群體分析誤判率:((FP2)+(FN2))/(TP+TN+FP+FN)=0.008
A群體績效指標:(0.882-0.008)/(0.882+0.008)=0.982
B群體分析之正確率:((TP2)+(TN2)/(TP+TN+FP+FN)=0.625
B群體分析誤判率:((FP2)+(FN2))/(TP+TN+FP+FN)=0.125
B群體績效指標:(0.625-0.125)/(0.625+0.125)=0.667。
根據本發明之另一實施例,A群體決策人員的績效指標為0.982,B群體決策人員的績效指標為0.667。因為績效指標0.982>0.667,可知A群體決策人員所挑選之風險因子清單可較有效地正確辨識詐保客戶與非詐保客戶,故最終使用A群體決策人員所挑選之風險因子清單進行風險評估計算。
上述風險警告裝置126會依據風險因子清單,預估詐保機率,當詐保機率大於等於第二門檻值時,會產生保險給付詐保風險建議注意報告。
根據本發明之另一實施例,上述詐保機率可由專家評分卡法、區別分析法、邏輯斯迴歸分析法、類神經網路、智能專家分析法取得。
根據本發明之另一實施例,風險警告裝置126所預估之詐保機率為該些群體所預估之多個詐保機率乘上多個風險權重,其中風險權重為每一績效指標與全體績效指標之比值。
根據本發明之另一實施例,上述詐保機率機可由各群體評估之詐保機率機乘上各群體權重之百分比,風險權重為每一績效指標與全體績效指標之比值。例如:A群體評估之詐保機率為0.88
A群體的風險權重:0.982/(0.982+0.667)=0.60
B評估之詐保機率為0.75
B群體的風險權重:0.667/(0.982+0.667)=0.42
因此,最終詐保機率為:(0.88×0.60+0.75×0.42)/(0.60+0.42)=0.827。
請參閱圖2,圖2係繪示依據本發明之一實施例之一種保險給付詐保風險評估方法的流程示意圖。請同時參閱圖1-2,圖2的步驟200為開始。
在步驟201中,要保人向銀行110申請保險,銀行110向保險給付詐保風險評估系統120提出保險的評估請求。
在步驟202中,在伺服器121之保險資料庫122取得要保人之保險資料以及案件歷史資料。上述保險資料包括要保人以及被保險人的相關資料,上述案件歷史資料包括保險給付案件以及保險詐欺案件的歷史資料。
在步驟203中,風險因子輸出裝置123中的比對量化模組124計算保險資料與案件歷史資料之間的相似性距離,其中相似性距離為保險資料與案件歷史資料之相同特徵數量佔全部特徵數量之比值。
根據本發明之另一實施例,例如假設蓄意詐保之X先生,為了詐領保險金,特地投保多家保險公司醫療險,在保單生效日後一天提出骨折醫療保險給付,此時針對申請保險給付之保戶進行比對量化分析時蓄意詐保之X先生的保險給付案件就會保單特徵異於一般常見狀況而特別羅列出來並產生比對結果供風險評估人員參考。
根據本發明之另一實施例,比對量化模組124會隨時比對所有的案件歷史資料,找尋案件歷史資料中的是否有相似性距離大於等於第一門檻值之案件並通知銀行。
根據本發明之另一實施例,例如假設Y小姐為了詐領保險金,刻意跟對象結婚並在結婚後蓄意造成配偶死亡,領取保險給付金後,找尋下一個對象結婚繼續此動作,在所有相同保險種類之保單進行分析時因Y小姐頻繁因為喪偶請領保險給付金,會因為保險給付案件特徵頻繁出現而特別羅列出來並產生比對結果供群體決策人員參考。
在步驟204中,判斷相似性距離是否大於等於第一門檻值。若是,便會進入步驟205產生比對結果。接著,在步驟206中,風險因子輸出裝置123中的群體決策分析模組125會依據保險資料以及比對結果,挑選多個風險因子,形成一風險因子清單。
若上述相似性距離小於等於第一門檻值,則進入步驟207,風險因子輸出裝置123中的群體決策分析模組125會依據保險資料挑選多個風險因子,形成一風險因子清單。
根據本發明之另一實施例,例如某名醫偽開300張診斷書詐保7000萬案件,因相同醫師開立相同病患的診斷證明報告次數異於平均一般狀況,便會列出母女請領保險給付時間、次數、開立診斷證明醫院、醫生、保險給付事項。反之當比對量化值與平均值之間的差值小於第一門檻值時,表示符合一般保險給付之態樣,則不產生比對結果。
根據本發明之另一實施例,上述風險因子清單為由多個群體決策人員負責從案件歷史資料中分析多個風險因子清單來評估所對應之多個績效指標,其中績效指標為多個群體所分析之正確率與誤判率之差值,選擇績效指標中最大值做為評估某一案件之風險因子清單。
在步驟208中,依據上述風險因子清單,預估一詐保機率。
根據本發明之另一實施例,上述詐保機率可由專家評分卡法、區別分析法、邏輯斯迴歸分析法、類神經網路、智能專家分析法取得。
根據本發明之另一實施例,上述詐保機率為多群體所預估之多個詐保機率乘上多個風險權重,其中風險權重為每一績效指標與全體績效指標之比值。
在步驟209中,判斷上述詐保機率是否大於等於第二門檻值。若是,便會進入步驟210產生保險給付詐保風險建議注意報告。最後,步驟211為結束。
根據本發明之另一實施例,例如社會案件中之一的保險犯罪集團案,保險犯罪集團專門物色有酗酒習慣、身體狀況不佳之遊民或體弱多病之人先幫忙辦理結婚或以同居人身分幫其投保壽險及境外保單,被保險人均在投保後三、四個月後死亡,保險給付詐保風險評估系統在針對保險給付案件進行風險評估時會因為投保到請領保險金時間過短、保費遠大於收人等異於一般保險給付態樣的風險因子而
判斷為高保險詐欺案件,便會產生詐保風險建議注意報告,列出判斷高保險詐欺案件事由。
根據本發明之另一實施例,上述高保險詐欺案件事由例如可為投保到請領保險金時間過短、保費大於收入,相同類型案件近期發生次數過於頻繁等,並對保險給付案件調查人員進行預警,建議調查人員調查方向與可尋求單位協助,提供相關聯絡資訊等。
根據上述揭露之系統及方法,藉由比對量化歷史案件之結果以及保險給付詐保風險建議注意報告,協助保險業者有效偵測並預防保險詐欺案件的發生,降低非詐欺案件誤判詐欺的比率,調查人員花費時間在非詐欺案件時間越少,縮短人事成本以及增加發現詐欺案件的時間。
雖然本發明已實施方式揭露如上,然其並非用以限定本發明,凡熟悉該項技藝之人士其所依本發明之精神,在不脫離本發明之精神和範圍內,當可作各種之更動與潤飾,因此本發明之保護範圍當視後之申請專利範圍所界定者為準。
110:銀行
120:保險給付詐保風險評估系統
121:伺服器
122:保險資料庫
123:風險因子輸出裝置
124:比對量化模組
125:群體決策分析模組
126:風險警告裝置
Claims (6)
- 一種保險給付詐保風險評估系統,當一要保人向一銀行申請一保險時,使用該系統評估該保險之詐保風險,該系統包括:一伺服器,包括一保險資料庫,儲存複數個保險資料以及複數個案件歷史資料,其中該些保險資料包括要保人以及被保險人資料,該些案件歷史資料包括保險給付案件以及保險詐欺案件的歷史資料;以及一風險因子輸出裝置,包括:一比對量化模組,計算該些保險資料與該些案件歷史資料之間的一相似性距離,當該相似性距離大於等於一第一門檻值時,產生一比對結果,其中該相似性距離為該些保險資料與該些案件歷史資料之相同特徵數量佔全部特徵數量之比值,該比對量化模組包括:一主動型比對模組,隨時比對該些案件歷史資料,找尋該些案件歷史資料中的該相似性距離大於等於該第一門檻值之案件並通知該銀行並產生該比對結果;一被動型比對模組,當接收到評估請求時,立即啟動計算該些保險資料與該些案件歷史資料之間的該相似性距離;一群體決策分析模組,提供該些保險資料、該比對結果以及篩選複數個風險因子給一決策人員評估,並形成一風險因子清單,其中,該群體決策分析模組由複數個群體產生該些風險因子,且每一該些群體無法得知其他該些群體之身分;以及一風險警告裝置,依據該風險因子清單,預估一詐保機率,當該詐保機率大於等於一第二門檻值時,產生一保險給付詐保風險建議注意報告。
- 依據請求項1所述之一種保險給付詐保風險評估系 統,其中該群體決策分析模組由該些群體負責從該些案件歷史資料中分析複數個風險因子清單來評估所對應之複數個績效指標,其中該些績效指標為該些群體所分析之正確率與誤判率之差值,選擇該些績效指標中最大值做為該風險因子清單。
- 依據請求項1所述之一種保險給付詐保風險評估系統,其中該詐保機率為該些群體所預估之複數個詐保機率乘上複數個風險權重,其中該些風險權重為每一該些績效指標與全體績效指標之比值。
- 一種保險給付詐保風險評估方法,執行於複數個裝置及其所屬的至少一模組所組成的一系統,當一要保人向一銀行申請一保險時,使用該系統評估該保險之詐保風險,該方法包括:該系統透過一資料庫取得該要保人之複數個保險資料以及複數個案件歷史資料,其中該些保險資料包括要保人以及被保險人的資料,該些案件歷史資料包括保險給付案件以及保險詐欺案件的歷史資料;以一比對量化模組計算該些保險資料與該些案件歷史資料之間的一相似性距離,其中該相似性距離為該些保險資料與該些案件歷史資料之相同特徵數量佔全部特徵數量之比值;當該相似性距離大於等於一第一門檻值時,產生一比對結果;以一群體決策分析模組依據該些保險資料以及該比對結果,以該些保險資料、該比對結果篩選複數個風險因子,並形成一風險因子清單,其中該些風險因子由複數個群體所提供,且每一該些群體無法得知其他該些群體之身分;以一風險警告裝置依據該風險因子清單,預估一詐保機率;當該詐保機率大於等於一第二門檻值時,產生一保險給付詐保風險建議注意報告, 其中,該方法更包括隨時比對該些案件歷史資料,找尋該些案件歷史資料中的該相似性距離大於等於該第一門檻值之案件並通知該銀行,並產生該比對結果。
- 依據請求項4所述之一種保險給付詐保風險評估方法,其中該風險因子清單為由複數個群體負責從該些案件歷史資料中分析複數個風險因子清單來評估所對應之複數個績效指標,其中該些績效指標為該些群體所分析之正確率與誤判率之差值,選擇該些績效指標中最大值做為該風險因子清單。
- 依據請求項4所述之一種保險給付詐保風險評估方法,其中該詐保機率為該些群體所預估之複數個詐保機率乘上複數個風險權重,其中該些風險權重為每一該績效指標與全體績效指標之比值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109106353A TWI785313B (zh) | 2020-02-26 | 2020-02-26 | 保險給付詐保風險評估系統及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109106353A TWI785313B (zh) | 2020-02-26 | 2020-02-26 | 保險給付詐保風險評估系統及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202133091A TW202133091A (zh) | 2021-09-01 |
TWI785313B true TWI785313B (zh) | 2022-12-01 |
Family
ID=78777617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109106353A TWI785313B (zh) | 2020-02-26 | 2020-02-26 | 保險給付詐保風險評估系統及其方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI785313B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI809635B (zh) * | 2021-12-29 | 2023-07-21 | 國泰世紀產物保險股份有限公司 | 理賠詐欺偵防系統及利用所述系統評估保險理賠詐欺風險的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM534869U (zh) * | 2016-06-28 | 2017-01-01 | 國泰人壽保險股份有限公司 | 保險理賠詐欺偵測裝置 |
-
2020
- 2020-02-26 TW TW109106353A patent/TWI785313B/zh active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM534869U (zh) * | 2016-06-28 | 2017-01-01 | 國泰人壽保險股份有限公司 | 保險理賠詐欺偵測裝置 |
Also Published As
Publication number | Publication date |
---|---|
TW202133091A (zh) | 2021-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Viaene et al. | Insurance fraud: Issues and challenges | |
Gaitonde et al. | Interventions to reduce corruption in the health sector | |
US8290836B2 (en) | Identification and risk evaluation | |
US8504456B2 (en) | Behavioral baseline scoring and risk scoring | |
US20090248560A1 (en) | Assessment of risk associated with doing business with a party | |
US20170017760A1 (en) | Healthcare claims fraud, waste and abuse detection system using non-parametric statistics and probability based scores | |
US20090248465A1 (en) | Assessment of risk associated with doing business with a party | |
US20130036038A1 (en) | Financial activity monitoring system | |
US20050276401A1 (en) | Systems and methods for assessing the potential for fraud in business transactions | |
US20120109802A1 (en) | Verifying identity through use of an integrated risk assessment and management system | |
US20160364427A1 (en) | System and method for assessing data accuracy | |
WO2005048045A2 (en) | Fraud potential indicator graphical interface | |
US20090248559A1 (en) | Assessment of risk associated with doing business with a party | |
US7739189B1 (en) | Method and system for detecting loan fraud | |
EP4330903A1 (en) | Automated fraud monitoring and trigger-system for detecting unusual patterns associated with fraudulent activity, and corresponding method thereof | |
TWI785313B (zh) | 保險給付詐保風險評估系統及其方法 | |
Gathu | Effects of fraud risk management practices on net incurred medical claims in Kenyan insurance industry | |
Tusikov et al. | Threat and risk assessments | |
TWM603586U (zh) | 保險給付詐保風險評估裝置 | |
Huang et al. | Attention discrimination under time constraints: Evidence from retail lending | |
TWM588842U (zh) | 交易監控系統 | |
AU2012201419A1 (en) | Risk based data assessment | |
EP2138973A1 (en) | Assessment of risk associated with doing business with a party | |
EP3026615A1 (en) | System and method for enhancing credit and debt collection | |
Puteh et al. | The Common Types of Health Insurance Fraud among Insured and Healthcare Provider |