TWI810494B - 智能化異常風險偵測系統 - Google Patents
智能化異常風險偵測系統 Download PDFInfo
- Publication number
- TWI810494B TWI810494B TW109136638A TW109136638A TWI810494B TW I810494 B TWI810494 B TW I810494B TW 109136638 A TW109136638 A TW 109136638A TW 109136638 A TW109136638 A TW 109136638A TW I810494 B TWI810494 B TW I810494B
- Authority
- TW
- Taiwan
- Prior art keywords
- risk
- data
- probability
- insurance
- score
- Prior art date
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000010801 machine learning Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000003111 delayed effect Effects 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
- 238000004321 preservation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Landscapes
- Alarm Systems (AREA)
- Emergency Alarm Devices (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一種智能化異常風險偵測系統，包含一能與一使用者終端建立連線的電腦系統，該電腦系統包括一儲存單元、一顯示單元、及一處理單元。該儲存單元儲存分別對應不同保單交易異常態樣的多個監督式機器學習模型。該電腦系統接收來自該使用者終端且對應每一保險契約的每一保單交易資料，並儲存於該儲存單元。該處理單元針對每一該保險契約，將對應的該保單交易資料輸入每一該監督式機器學習模型，以獲得對應的多個風險機率，並根據該等風險機率排序而將對應的資料顯示於該顯示單元。每一該風險機率表示對應的該保險契約發生違失的可能性的高低。
Description
本發明是有關於一種智能化異常風險偵測系統，特別是指一種用於評估保單交易異常之風險的智能化異常風險偵測系統。
現有的保險公司大多是由公司的業務人員向客戶提供保險商品的說明、保單合約的簽訂、及理賠等服務。而保險公司為落實風險防阻，在各個作業上都有相關的內控機制，舉例來說，針對過往具有保單交易發生異常的業務員作較嚴謹的查核；以單一條件及門檻進行名單篩選出風險較高的保單交易；以均一控管的方式(如全面電訪或隨機抽檢)作查核等等。這些傳統的作法有的是命中機率低而無法有效偵測出交易異常，或者是需要耗費大量的人力物力才能取得有限的效果。因此，如何更有效率且更準確地評估保單交易異常的風險便成為一個待解決的問題。
因此，本發明的目的，即在提供一種用於評估保單交易異常之風險的智能化異常風險偵測系統。
於是，本發明提供一種智能化異常風險偵測系統，適用於一使用者終端，並包含一電腦系統。該電腦系統能與該使用者終端建立連線，並包括一儲存單元、一顯示單元、及電連接該儲存單元與該顯示單元的一處理單元。該儲存單元儲存多個監督式機器學習模型，每一該監督式機器學習模型對應一種保單交易異常態樣。
該電腦系統接收來自該使用者終端且對應每一保險契約的每一保單交易資料，並儲存於該儲存單元。該處理單元針對每一該保險契約，將對應的該保單交易資料輸入每一該監督式機器學習模型，以獲得對應的多個風險機率。每一該風險機率表示對應的該保險契約發生違失的可能性的高低。該處理單元能夠根據該等風險機率由高至低排序，以將對應該等保險契約的多個資料顯示於該顯示單元。
在一些實施態樣中，其中，該儲存單元儲存五個監督式機器學習模型，該五個監督式機器學習模型所對應的該等保單交易異常態樣分別是一挪用保費態樣、一不當招攬態樣、一簽名爭議態樣、一未親晤保戶態樣、及一生調不實態樣。
在一些實施態樣中，其中，該顯示單元所顯示且對應該等保險契約的該等資料包含多個要保人姓名、多個收費代號、多個服務人員、多個風險性、多個風險分數、多個保單數量、對應該挪用保費態樣的該等風險機率、對應該不當招攬態樣的該等風險機率、對應該簽名爭議態樣的該等風險機率、對應該未親晤保戶態樣的該等風險機率、及對應該生調不實態樣的該等風險機率。
在一些實施態樣中，其中，該處理單元以對應同一個該要保人姓名及同一個該服務人員的對應該挪用保費態樣的該風險機率、對應該不當招攬態樣的該風險機率、對應該簽名爭議態樣的該風險機率、對應該未親晤保戶態樣的該風險機率、及對應該生調不實態樣的該風險機率之其中最大者為該風險分數，並在判斷該風險分數大於一第一風險閥值時，決定該風險性為高，而在判斷該風險分數大於一第二風險閥值且小於等於該第一風險閥值時，決定該風險性為中，而在判斷該風險分數小於等於該第二風險閥值時，決定該風險性為低，該處理單元還能夠根據該等風險分數由高至低排序，以將對應該等保險契約的該等資料顯示於該顯示單元。
在另一些實施態樣中，其中，該顯示單元所顯示且對應該等保險契約的該等資料包含對應同一個業務員的多個要保人姓名、多個客戶身分證號碼、多個收費代號、多個風險性、及多個風險分數，該處理單元計算對應同一個該要保人姓名的對應該挪用保費態樣的該風險機率、對應該不當招攬態樣的該風險機率、對應該簽名爭議態樣的該風險機率、對應該未親晤保戶態樣的該風險機率、及對應該生調不實態樣的該風險機率之平均值，以等於對應的該風險分數，並在判斷該風險分數大於一第一風險閥值時，決定對應的該風險性為高，而在判斷該風險分數大於一第二風險閥值且小於等於該第一風險閥值時，決定對應的該風險性為中，而在判斷該風險分數小於等於該第二風險閥值時，決定對應的該風險性為低，該處理單元還能夠根據該等風險分數由高至低排序，以將對應該等保險契約的該等資料顯示於該顯示單元。
在另一些實施態樣中，其中，該顯示單元所顯示且對應該等保險契約的該等資料包含對應同一個要保人姓名的多個收費代號、多個服務人員姓名、多個服務人員身分證號碼、多個風險性、多個風險分數、多個保單數、對應該挪用保費態樣的該等風險機率、對應該不當招攬態樣的該等風險機率、對應該簽名爭議態樣的該等風險機率、對應該未親晤保戶態樣的該等風險機率、及對應該生調不實態樣的該等風險機率。
在一些實施態樣中，其中，該處理單元以對應同一個該服務人員的對應該挪用保費態樣的該風險機率、對應該不當招攬態樣的該風險機率、對應該簽名爭議態樣的該風險機率、對應該未親晤保戶態樣的該風險機率、及對應該生調不實態樣的該風險機率之其中最大者為該風險分數，並在判斷該風險分數大於一第一風險閥值時，決定該風險性為高，而在判斷該風險分數大於一第二風險閥值且小於等於該第一風險閥值時，決定該風險性為中，而在判斷該風險分數小於等於該第二風險閥值時，決定該風險性為低，該處理單元還能夠根據該等風險分數由高至低排序，以將對應該等保險契約的該等資料顯示於該顯示單元。
在另一些實施態樣中，其中，該保單交易資料包含一保單面向資料、一行為及關係面向資料、一要保人數面向資料、及一業務員面向資料。
在一些實施態樣中，其中，每一該監督式機器學習模型是以已知的發生違失及未發生違失的該等保單交易資料作為訓練資料，並以k折交叉驗證(k-fold cross validation)作驗證。
該五個監督式機器學習模型是分別以每一該保單交易資料的該保單面向資料、該行為及關係面向資料、該要保人數面向資料、及該業務員面向資料所包括的多個變數之其中部分者或全部作為輸入資料。
本發明的功效在於：藉由該電腦系統的該處理單元將每一該保險契約的每一該保單交易資料，輸入每一該監督式機器學習模型，以獲得對應的該等風險機率，進而評估該保險契約發生各種步態樣的違失的可能性的高低。
在本發明被詳細描述之前，應當注意在以下的說明內容中，類似的元件是以相同的編號來表示。
參閱圖1與圖2，本發明智能化異常風險偵測系統之一實施例，適用於一使用者終端9，並包含一電腦系統1。該電腦系統1能夠與該使用者終端9建立連線，並包括一儲存單元12、一顯示單元13、及電連接該儲存單元12與該顯示單元13的一處理單元11。該使用者終端9例如是一桌上型電腦或一行動裝置(如筆記型電腦、平板電腦或智慧型手機)，該電腦系統1例如是一個或多個伺服器主機或大型電腦主機，但都不以此為限。該儲存單元12例如是一磁碟機或一資料庫，該顯示單元13例如是一顯示器，該處理單元11例如是一中央處理器(CPU)。
該儲存單元12儲存多個監督式機器學習模型，每一該監督式機器學習模型對應一種保單交易異常態樣。在本實施例中，該儲存單元12共儲存五個監督式機器學習模型，分別是對應該保單交易異常態樣是一挪用保費態樣的一第一監督式機器學習模型121、對應該保單交易異常態樣是一不當招攬態樣的一第二監督式機器學習模型122、對應該保單交易異常態樣是一簽名爭議態樣的一第三監督式機器學習模型123、對應該保單交易異常態樣是一未親晤保戶態樣的一第四監督式機器學習模型124、及對應該保單交易異常態樣是一生調不實態樣的一第五監督式機器學習模型125。
該挪用保費態樣例如包含流用新契約保費、流用保全給付款、流用清償款、流用續期保費及偽造單據、收取躉繳保費以月繳投保、收取保費保單未成立、延遲報帳、私人關係借貸複雜、偽造文件、及冒辦保全事務等。該不當招攬態樣例如包含投保內容爭議(業務員保單內容告知不實)、招攬文宣不符(業務員使用非經公司核可之商品DM)、慫恿投保新契約(辦理解約、貸款、房貸、繳清、縮額、部分提領或透過續期保費再購新契約)、折減保費(退佣招攬)、掛件、利率比較、及未考量保戶經濟能力(未評估保戶財務適合度)等。該簽名爭議態樣例如包含保戶未親自簽名、代客戶簽名、及違反簽章規定等。該未親晤保戶態樣例如包含未親自會晤保戶。該生調不實態樣例如包含現症或既往症未告知、住院中投保、身高體重等外觀、生活習慣、學歷、婚姻狀況、電話、地址、經濟來源、收入、或認識時間填寫不實等。
該第一監督式機器學習模型121至該第五監督式機器學習模型125都是採用常用的機器學習演算法，且以已知的發生違失(即交易異常)及未發生違失(即交易正常)的多個保單交易資料作為訓練資料，並以k折交叉驗證(k-fold cross validation)作驗證。該第一監督式機器學習模型121至該第五監督式機器學習模型125是分別以每一該保單交易資料的一保單面向資料、一行為及關係面向資料、一要保人數面向資料、及一業務員面向資料所包括的多個變數之其中部分者或全部作為輸入資料。
該電腦系統1接收來自該使用者終端9且對應每一保險契約的每一該保單交易資料，並儲存於該儲存單元12。該處理單元11針對每一該保險契約，將對應的該保單交易資料分別輸入該第一監督式機器學習模型121至該第五監督式機器學習模型125，以獲得對應的五個風險機率。每一該風險機率表示對應的該保險契約發生對應該保單交易異常態樣的違失的可能性的高低。該處理單元11能夠根據該等風險機率由高至低排序，以將對應該等保險契約的多個資料顯示於該顯示單元13。
參閱圖1與圖2，圖2示例性地說明該顯示單元13所顯示的該等資料的一種態樣。該顯示單元13所顯示且對應該等保險契約的該等資料包含多個要保人姓名、多個收費代號、多個服務人員(即業務員)、多個風險性、多個風險分數、多個保單數量、對應該挪用保費態樣的該等風險機率、對應該不當招攬態樣的該等風險機率、對應該簽名爭議態樣的該等風險機率、對應該未親晤保戶態樣的該等風險機率、及對應該生調不實態樣的該等風險機率。要特別強調的是：圖2為簡單說明起見，僅以兩個要保人姓名為例作說明，但不以此作為數量的限制。
再者，該處理單元11以對應同一個該要保人姓名及同一個該服務人員的對應該挪用保費態樣的該風險機率、對應該不當招攬態樣的該風險機率、對應該簽名爭議態樣的該風險機率、對應該未親晤保戶態樣的該風險機率、及對應該生調不實態樣的該風險機率之其中最大者為該風險分數(如王小明的95%與王大明的65%)，並在判斷該風險分數大於一第一風險閥值時，決定該風險性為高，而在判斷該風險分數大於一第二風險閥值且小於等於該第一風險閥值時，決定該風險性為中，而在判斷該風險分數小於等於該第二風險閥值時，決定該風險性為低。該處理單元11還能夠根據該等風險分數由高至低排序(如圖2)，以將對應該等保險契約的該等資料顯示於該顯示單元13。此外，該處理單元11還以同樣的該兩個臨界值(即該第一風險閥值與該第二風險閥值)，判斷該五個風險機率所對應的風險性，並共同顯示於該五個風險機率的欄位中。在本實施例中，該第一風險閥值及該第二風險閥值分別是50%及25%，而在其他的實施例中，也可以分別是其他不同的數值，例如依照保險公司內控控管可乘載量(即電訪數)去調整該兩個風險閥值。
參閱圖1與圖3，圖3示例性地說明該顯示單元13所顯示的該等資料的另一種態樣。該顯示單元13所顯示且對應該等保險契約的該等資料包含對應同一個業務員的多個客戶姓名(即要保人姓名)、多個客戶身分證號碼、多個收費代號、多個風險性、及多個客戶風險分數(即風險分數)。要特別強調的是：圖3為簡單說明起見，僅以三個客戶姓名為例作說明，但不以此作為數量的限制。
再者，該處理單元11計算對應同一個該要保人姓名的對應該挪用保費態樣的該風險機率、對應該不當招攬態樣的該風險機率、對應該簽名爭議態樣的該風險機率、對應該未親晤保戶態樣的該風險機率、及對應該生調不實態樣的該風險機率之平均值，以等於對應的該風險分數(如19.0%、93.3%、83.0%)，並在判斷該風險分數大於該第一風險閥值(如50%)時，決定對應的該風險性為高，而在判斷該風險分數大於該第二風險閥值(如25%)且小於等於該第一風險閥值(如50%)時，決定對應的該風險性為中，而在判斷該風險分數小於等於該第二風險閥值(如25%)時，決定對應的該風險性為低。該處理單元11還能夠根據該等風險分數由高至低排序，以將對應該等保險契約的該等資料顯示於該顯示單元13。此外，圖3中的業務員風險分數等於該等客戶風險分數的平均值，如64.8%=(19.0%+93.3%+ 83.0%)/3。
參閱圖1與圖4，圖4示例性地說明該顯示單元13所顯示的該等資料的另一種態樣。該顯示單元13所顯示且對應該等保險契約的該等資料包含對應同一個要保人姓名的多個收費代號、多個服務人員姓名、多個服務人員身分證號碼、多個風險性、多個風險分數、多個保單數、對應該挪用保費態樣的該等風險機率、對應該不當招攬態樣的該等風險機率、對應該簽名爭議態樣的該等風險機率、對應該未親晤保戶態樣的該等風險機率、及對應該生調不實態樣的該等風險機率。要特別強調的是：圖4為簡單說明起見，僅以三個要保人姓名為例作說明，但不以此作為數量的限制。
再者，該處理單元11以對應同一個該服務人員的對應該挪用保費態樣的該風險機率、對應該不當招攬態樣的該風險機率、對應該簽名爭議態樣的該風險機率、對應該未親晤保戶態樣的該風險機率、及對應該生調不實態樣的該風險機率之其中最大者為該風險分數(如52.0%、25.0%、81.0%)，並在判斷該風險分數大於該第一風險閥值(如50%)時，決定該風險性為高，而在判斷該風險分數大於該第二風險閥值(如25%)且小於等於該第一風險閥值(如50%)時，決定該風險性為中，而在判斷該風險分數小於等於該第二風險閥值(如25%)時，決定該風險性為低。該處理單元11還能夠根據該等風險分數由高至低排序，以將對應該等保險契約的該等資料顯示於該顯示單元13。此外，該處理單元11還以同樣的該兩個臨界值(即50%與25%)，判斷該五個風險機率所對應的風險性，並共同顯示於該五個風險機率的欄位中。圖3中的客戶風險分數等於該等客戶風險分數之其中的最大值，如81.0%。
另外要特別補充說明的是：該智能化異常風險偵測系統在對每一該保單交易資料判斷出該風險機率後，還能夠針對屬於風險性為高的該保險契約，通知查核人員作進一步的驗證與查核，如電話訪問要保人，以有效率地找出並排除保單交易異常的狀況。
綜上所述，藉由該電腦系統1的該處理單元11將每一該保險契約的每一該保單交易資料，輸入每一該監督式機器學習模型，以獲得對應的該等風險機率，進而評估該保險契約發生各種步態樣的違失的可能性的高低，使得保險公司能夠對業務員與客戶間所留存的軌跡，作異常分析與機器學習建模而實現一種智能化異常風險偵測系統。此外，該智能化異常風險偵測系統還能夠以不同維度及圖像化方式呈現風險資訊與警示，而能有效掌握違失風險程度，進而落實風險防阻以確保客戶權益，故確實能達成本發明的目的。
惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。
1:電腦系統
11:處理單元
12:儲存單元
121:第一監督式機器學習模型
122:第二監督式機器學習模型
123:第三監督式機器學習模型
124:第四監督式機器學習模型
125:第五監督式機器學習模型
13:顯示單元
9:使用者終端
本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中：
圖1是一方塊圖，說明本發明智能化異常風險偵測系統的一實施例；
圖2是一示意圖，說明該實施例的一顯示單元所顯示的多個資料的一種態樣；
圖3是一示意圖，說明該實施例的該顯示單元所顯示的該等資料的另一種態樣；及
圖4是一示意圖，說明該實施例的該顯示單元所顯示的該等資料的另一種態樣。
1:電腦系統
11:處理單元
12:儲存單元
121:第一監督式機器學習模型
122:第二監督式機器學習模型
123:第三監督式機器學習模型
124:第四監督式機器學習模型
125:第五監督式機器學習模型
13:顯示單元
9:使用者終端
Claims (6)
- 一種智能化異常風險偵測系統，適用於一使用者終端，並包含：一電腦系統，能與該使用者終端建立連線，並包括一儲存單元、一顯示單元、及電連接該儲存單元與該顯示單元的一處理單元，該儲存單元儲存五個監督式機器學習模型，該五個監督式機器學習模型所對應的五種保單交易異常態樣分別是一挪用保費態樣、一不當招攬態樣、一簽名爭議態樣、一未親晤保戶態樣、及一生調不實態樣，該電腦系統接收來自該使用者終端且對應每一保險契約的每一保單交易資料，並儲存於該儲存單元，該處理單元針對每一該保險契約，將對應的該保單交易資料輸入每一該監督式機器學習模型，以獲得對應的多個風險機率，每一該風險機率表示對應的該保險契約發生違失的可能性的高低，該處理單元能夠根據該等風險機率由高至低排序，以將對應該等保險契約的多個資料顯示於該顯示單元，該顯示單元所顯示且對應該等保險契約的該等資料包含多個要保人姓名、多個收費代號、多個服務人員、多個風險性、多個風險分數、多個保單數量、對應該挪用保費態樣的該等風險機率、對應該不當招攬態樣的該等風險機率、對應該簽名爭議態樣的該等風險機率、對應該未親晤保戶態樣的該等風險機率、及對應該生調不實態樣的該等風險機率， 該處理單元以對應同一個該要保人姓名及同一個該服務人員的對應該挪用保費態樣的該風險機率、對應該不當招攬態樣的該風險機率、對應該簽名爭議態樣的該風險機率、對應該未親晤保戶態樣的該風險機率、及對應該生調不實態樣的該風險機率之其中最大者為該風險分數，並在判斷該風險分數大於一第一風險閥值時，決定該風險性為高，而在判斷該風險分數大於一第二風險閥值且小於等於該第一風險閥值時，決定該風險性為中，而在判斷該風險分數小於等於該第二風險閥值時，決定該風險性為低，該處理單元還能夠根據該等風險分數由高至低排序，以將對應該等保險契約的該等資料顯示於該顯示單元。
- 如請求項1所述的智能化異常風險偵測系統，其中，該顯示單元所顯示且對應該等保險契約的該等資料包含對應同一個業務員的該等要保人姓名、多個客戶身分證號碼、該等收費代號、該等風險性、及該等風險分數，該處理單元計算對應同一個該要保人姓名的對應該挪用保費態樣的該風險機率、對應該不當招攬態樣的該風險機率、對應該簽名爭議態樣的該風險機率、對應該未親晤保戶態樣的該風險機率、及對應該生調不實態樣的該風險機率之平均值，以等於對應的該風險分數，並在判斷該風險分數大於一第一風險閥值時，決定對應的該風險性為高，而在判斷該風險分數大於一第二風險閥值且小於等於該第一風險閥值時，決定對應的該風險性為中，而在判斷該風險分數小於等於該第二風險閥值時，決定對應的該風險性為低， 該處理單元還能夠根據該等風險分數由高至低排序，以將對應該等保險契約的該等資料顯示於該顯示單元。
- 如請求項1所述的智能化異常風險偵測系統，其中，該顯示單元所顯示且對應該等保險契約的該等資料包含對應同一個要保人姓名的該等收費代號、多個服務人員姓名、多個服務人員身分證號碼、該等風險性、該等風險分數、多個保單數、對應該挪用保費態樣的該等風險機率、對應該不當招攬態樣的該等風險機率、對應該簽名爭議態樣的該等風險機率、對應該未親晤保戶態樣的該等風險機率、及對應該生調不實態樣的該等風險機率。
- 如請求項3所述的智能化異常風險偵測系統，其中，該處理單元以對應同一個該服務人員的對應該挪用保費態樣的該風險機率、對應該不當招攬態樣的該風險機率、對應該簽名爭議態樣的該風險機率、對應該未親晤保戶態樣的該風險機率、及對應該生調不實態樣的該風險機率之其中最大者為該風險分數，並在判斷該風險分數大於一第一風險閥值時，決定該風險性為高，而在判斷該風險分數大於一第二風險閥值且小於等於該第一風險閥值時，決定該風險性為中，而在判斷該風險分數小於等於該第二風險閥值時，決定該風險性為低，該處理單元還能夠根據該等風險分數由高至低排序，以將對應該等保險契約的該等資料顯示於該顯示單元。
- 如請求項1所述的智能化異常風險偵測系統，其中，該保單交易資料包含一保單面向資料、一行為及關係面向資 料、一要保人數面向資料、及一業務員面向資料。
- 如請求項5所述的智能化異常風險偵測系統，其中，每一該監督式機器學習模型是以已知的發生違失及未發生違失的該等保單交易資料作為訓練資料，並以k折交叉驗證(k-fold cross validation)作驗證，該五個監督式機器學習模型是分別以每一該保單交易資料的該保單面向資料、該行為及關係面向資料、該要保人數面向資料、及該業務員面向資料所包括的多個變數之其中部分者或全部作為輸入資料。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW109136638A TWI810494B (zh) | 2020-10-22 | 2020-10-22 | 智能化異常風險偵測系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW109136638A TWI810494B (zh) | 2020-10-22 | 2020-10-22 | 智能化異常風險偵測系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202217722A TW202217722A (zh) | 2022-05-01 |
| TWI810494B true TWI810494B (zh) | 2023-08-01 |
Family
ID=82558544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW109136638A TWI810494B (zh) | 2020-10-22 | 2020-10-22 | 智能化異常風險偵測系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI810494B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160189303A1 (en) * | 2014-03-21 | 2016-06-30 | Gil Emanuel Fuchs | Risk Based Automotive Insurance Rating System |
| CN105279382B (zh) * | 2015-11-10 | 2017-12-22 | 成都数联易康科技有限公司 | 一种医疗保险异常数据在线智能检测方法 |
| CN108475393A (zh) * | 2016-01-27 | 2018-08-31 | 华为技术有限公司 | 通过合成特征和梯度提升决策树进行预测的系统和方法 |
| CN108596434A (zh) * | 2018-03-23 | 2018-09-28 | 卫盈联信息技术（深圳）有限公司 | 欺诈检测和风险评估方法、系统、设备及存储介质 |
| TW201944304A (zh) * | 2018-04-12 | 2019-11-16 | 香港商阿里巴巴集團服務有限公司 | 保險詐欺識別的資料處理方法、裝置、設備及伺服器 |
-
2020
- 2020-10-22 TW TW109136638A patent/TWI810494B/zh active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160189303A1 (en) * | 2014-03-21 | 2016-06-30 | Gil Emanuel Fuchs | Risk Based Automotive Insurance Rating System |
| CN105279382B (zh) * | 2015-11-10 | 2017-12-22 | 成都数联易康科技有限公司 | 一种医疗保险异常数据在线智能检测方法 |
| CN108475393A (zh) * | 2016-01-27 | 2018-08-31 | 华为技术有限公司 | 通过合成特征和梯度提升决策树进行预测的系统和方法 |
| CN108596434A (zh) * | 2018-03-23 | 2018-09-28 | 卫盈联信息技术（深圳）有限公司 | 欺诈检测和风险评估方法、系统、设备及存储介质 |
| TW201944304A (zh) * | 2018-04-12 | 2019-11-16 | 香港商阿里巴巴集團服務有限公司 | 保險詐欺識別的資料處理方法、裝置、設備及伺服器 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202217722A (zh) | 2022-05-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2555153A1 (en) | Financial activity monitoring system | |
| Okoye et al. | Forensic accounting and fraud prevention in manufacturing companies in Nigeria | |
| US7827045B2 (en) | Systems and methods for assessing the potential for fraud in business transactions | |
| Tennyson | Moral, social, and economic dimensions of insurance claims fraud | |
| Mangala et al. | Auditors’ perceptions of the effectiveness of fraud prevention and detection methods | |
| US10210576B2 (en) | Processing payment card transaction records to determine insurance fraud risk | |
| Gramling et al. | Internal auditors' assessment of fraud warning signs: Implications for external auditors | |
| WO2005048045A2 (en) | Fraud potential indicator graphical interface | |
| WO2013126281A1 (en) | Systems and methods for putative cluster analysis | |
| US8429050B2 (en) | Method for detecting ineligibility of a beneficiary and system | |
| Anbarasi et al. | Fraud detection using outlier predictor in health insurance data | |
| US20140025548A1 (en) | Automated anomaly detection for real estate transactions | |
| Prenzler | What works in fraud prevention: A review of real-world intervention projects | |
| Byrd et al. | Health care fraud: An introduction to a major cost issue | |
| US8566204B2 (en) | Method for detecting ineligibility of a beneficiary and system | |
| Qin et al. | How do moral hazard behaviors lead to the waste of medical insurance funds? An empirical study from China | |
| Khurjekar et al. | Detection of fraudulent claims using hierarchical cluster analysis | |
| TWI810494B (zh) | 智能化異常風險偵測系統 | |
| Ikono et al. | Meta-analysis of fraud, waste and abuse detection methods in healthcare | |
| TWM613398U (zh) | 智能化異常風險偵測系統 | |
| TWI785313B (zh) | 保險給付詐保風險評估系統及其方法 | |
| Aiken | Analyzing proactive fraud detection software tools and the push for quicker Solutions | |
| Lindley et al. | Fraud Against the Commonwealth 2009-10 Annual Report to the Government | |
| Chudgar et al. | An Empirical Analysis on Drivers that Contribute to Fraudulent Activity with Regard to Life Insurance Fraud. | |
| Smith et al. | Counting the costs of identity crime and misuse in Australia, 2018–19 |