TWI829984B - 建構保單風險評估模型的方法及電腦系統 - Google Patents
建構保單風險評估模型的方法及電腦系統 Download PDFInfo
- Publication number
- TWI829984B TWI829984B TW109143183A TW109143183A TWI829984B TW I829984 B TWI829984 B TW I829984B TW 109143183 A TW109143183 A TW 109143183A TW 109143183 A TW109143183 A TW 109143183A TW I829984 B TWI829984 B TW I829984B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- time series
- policy
- module
- policyholder
- Prior art date
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000000284 extract Substances 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 37
- 238000009795 derivation Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 9
- 230000002123 temporal effect Effects 0.000 claims description 3
- 239000000047 product Substances 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 208000028399 Critical Illness Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一種建構保單風險評估模型的方法,從每一個保戶的歷史資料中擷取出非時序特徵資料和時序特徵資料,且根據每一個保戶的時序特徵資料產生至少一排除時序的結構化保單資料,並且使每一個保戶的與保戶個人相關的時序資料在時序上連續;並根據每一個保戶之在時序上連續之與保戶個人相關的時序資料,產生至少一與時序有關的趨勢資料;然後利用該等保戶的該等非時序特徵資料、該至少一排除時序的結構化保單資料、在時序上連續的該等與保戶個人相關的時序資料以及該至少一與時序有關的趨勢資料訓練一保單風險評估模型。
Description
本發明是有關於一種評估模型的訓練方法,特別是指一種建構保單風險評估模型的方法及電腦系統。
保險風險指尚未發生的、能使保險對象遭受損害的危險或事故,如自然災害、意外事故、生病或事件等,且被視為保險風險的事件通常具有可能性和偶然性。因此,若保險公司仔細檢視一保戶過往的歷史資料,例如所購買的保單商品資料和理賠資料等,通常可從中發現過往發生理賠事項的一些蛛絲馬跡和徵兆,並可藉此判斷保戶之保單未來發生理賠的風險(機率),且可據此儘早訂定日後針對該保戶的服務面向或進一步提供客製化的保險商品;但保險公司的保戶人數眾多,難以用人工一一檢視每個保戶過往的歷史資料並對其保單風險做出評價,除了耗費人力外,也會產生評估標準因人而異的不一致的問題。因此,若能應用人工智慧訓練出一保單風險評估模型,則可解決前述耗費人力評估保單風險的問題,且可以一致的標準來量化保單風險。
因此,本發明的目的,即在提供一種建構保單風險評估模型的方法及電腦系統,使得由前述方法和電腦系統建構出來的保單風險評估模型能取代人工作業以評估保單風險,且能以一致的標準來量化保單風險,並具有良好的
精準度及穩健程度。
於是,本發明一種建構保單風險評估模型的方法,由一電腦系統執行並包括:該電腦系統的一儲存單元儲存複數個保戶的歷史資料,每一個保戶的歷史資料包含一非時序相關資料及一時序相關資料;該電腦系統的一特徵擷取模組從每一個保戶的歷史資料其中的該非時序相關資料中擷取出複數個非時序特徵資料,並從該時序相關資料中擷取出複數個時序特徵資料,該等時序特徵資料包含複數個與保戶個人相關的時序資料以及複數個與保單相關的時序資料;該電腦系統的一時序資料結構化模組根據每一個保戶的該等與保單相關的時序資料產生至少一排除時序的結構化保單資料;該電腦系統的一斷序資料處理模組判斷每一個保戶的該等與保戶個人相關的時序資料在時序上不連續時,根據該等與保戶個人相關的時序資料產生至少一衍生時序資料,並將該至少一衍生時序資料加入該等與保戶個人相關的時序資料中,以使該等與保戶個人相關的時序資料在時序上連續;該電腦系統的一特徵衍生模組根據每一個保戶之在時序上連續的該等與保戶個人相關的時序資料,產生至少一與時序有關的趨勢資料;及該電腦系統的一訓練模組利用該等保戶的該等非時序特徵資料、該至少一排除時序的結構化保單資料、在時序上連續的該等與保戶個人相關的時序資料以及該至少一與時序有關的趨勢資料訓練一保單風險評估模型,使完成訓練的該保單風險評估模型能評估一保單並給予一風險分數。
在本發明的一些實施態樣中,該非時序相關資料是與時間點無關的保戶個人資料或保單資料,該時序相關資料是與時間點有關的保戶個人資料或
保單資料,該至少一排除時序的結構化保單資料包含購買保單的次數以及累計的保額,該至少一與時序有關的趨勢資料包含BMI變化趨勢、職業變動趨勢、理賠趨勢及投保趨勢。
在本發明的一些實施態樣中,該特徵擷取模組、該時序資料結構化模組、該斷序資料處理模組、該特徵衍生模組及該訓練模組是儲存於該儲存單元中,且能被該電腦系統的一處理單元讀取並執行的軟體程式。
在本發明的一些實施態樣中,該特徵擷取模組、該時序資料結構化模組、該斷序資料處理模組、該特徵衍生模組及該訓練模組是整合在該電腦系統的一特殊應用積體電路晶片或一可程式邏輯電路裝置中。
在本發明的一些實施態樣中,該特徵擷取模組、該時序資料結構化模組、該斷序資料處理模組、該特徵衍生模組及該訓練模組是被燒錄在該電腦系統的一微處理器中的韌體。
此外,本發明實現上述方法的一種建構保單風險評估模型的電腦系統,包括一儲存單元及一處理單元;該儲存單元中儲存複數個保戶的歷史資料,每一個保戶的歷史資料包含一非時序相關資料及一時序相關資料;該處理單元與該儲存單元電耦接,並包含一特徵擷取模組、一時序資料結構化模組、一斷序資料處理模組、一特徵衍生模組及一訓練模組;其中該特徵擷取模組從每一個保戶的歷史資料其中的該非時序相關資料中擷取出複數個非時序特徵資料,並從該時序相關資料中擷取出複數個時序特徵資料,該等時序特徵資料包含複數個與保戶個人相關的時序資料以及複數個與保單相關的時序資料;該時序資
料結構化模組根據每一個保戶的該等與保單相關的時序資料產生至少一排除時序的結構化保單資料;該斷序資料處理模組判斷每一個保戶的該等與保戶個人相關的時序資料在時序上不連續時,根據該等與保戶個人相關的時序資料產生至少一衍生時序資料,並將該至少一衍生時序資料加入該等與保戶個人相關的時序資料中,以使該等與保戶個人相關的時序資料在時序上連續;該特徵衍生模組根據每一個保戶之在時序上連續的該等與保戶個人相關的時序資料,產生至少一與時序有關的趨勢資料;該訓練模組利用該等保戶的該等非時序特徵資料、該至少一排除時序的結構化保單資料、在時序上連續的該等與保戶個人相關的時序資料以及該至少一與時序有關的趨勢資料訓練一保單風險評估模型,使完成訓練的該保單風險評估模型能評估一保單並給予一風險分數。
本發明之功效在於:藉由訓練該保單風險評估模型的資料除了既有從保戶之歷史資料中擷取的該等非時序特徵資料外,還有從保戶的該等與保單相關的時序資料轉換而來的該(或該等)排除時序的結構化保單資料、時序上連續的該等與保戶個人相關的時序資料以及從保戶之時序上連續的該等與保戶個人相關的時序資料中衍生出來之與時序有關的趨勢資料,增加了訓練資料的複雜度和多樣性,藉此提升完成訓練的該保單風險評估模型的精準度及穩健程度,而使保單經由該保單風險評估模型評估後產生的該風險分數能更精準地預測保單的風險程度。
2:建構保單風險評估模型的電腦系統
21:儲存單元
22:處理單元
221:特徵擷取模組
222:時序資料結構化模組
223:斷序資料處理模組
224:特徵衍生模組
225:訓練模組
226:保單風險評估模型
S1~S6:步驟
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是本發明建構保單風險評估模型的方法的一實施例的主要流程;圖2是本發明建構保單風險評估模型的電腦系統的一實施例主要包含的模組方塊示意圖;圖3是本實施例舉例說明一保戶之與保單相關的時序資料;及圖4是本實施例舉例說明一保戶的身高體重資料。
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,是本發明建構保單風險評估模型的方法的一實施例的流程步驟,本方法是由圖2所示的一建構保單風險評估模型的電腦系統2(以下簡稱電腦系統)執行,該電腦系統2可以是單一電腦裝置或是由多個電腦裝置組成,並主要包括一儲存單元21及一處理單元22以及其它電腦所需的相關零組件等。該儲存單元21預先儲存複數個保戶,例如上百萬個保戶的歷史資料,每一個保戶的歷史資料包含一非時序相關資料及一時序相關資料;其中,該非時序相關資料是與時間點無關的保戶個人資料或保單資料,例如保戶的個人基本資料、教育程度、曾得過的疾病、首次投保年齡、職業類別...等等以及保戶曾購買的保險商品等通常不會隨時間變動的資料;該時序相關資料是與時間點有關的保戶個人資料或保單資料,例如保戶的身高體重變化資料、過往的理賠記錄、投保保單年度等通常會隨時間變化的資料。
該處理單元22包含一特徵擷取模組221、一時序資料結構化模組222、一斷序資料處理模組223、一特徵衍生模組224及一訓練模組225;具體而言,上述該些模組可被程式化而以程式軟體的方式實現並儲存在該儲存單元21中,並可被該處理單元22(例如中央處理器)讀取並載入該處理單元22中,而被該處理單元22執行以完成圖1所示的流程步驟,但不以此為限;上述該些模組也可以被整合在該電腦系統2的一特殊應用積體電路(Application-specific integrated circuit,縮寫為ASIC)晶片或一可程式邏輯裝置(Programmable Logic Device,縮寫為PLD)中,而使該特殊應用積體電路晶片或該可程式邏輯電路裝置能完成圖1所示的流程步驟。且該特殊應用積體電路晶片或該可程式邏輯電路裝置即為本實施例的該處理單元22;或者上述該些模組也可以是被燒錄在該電腦系統2的一微處理器中的韌體,且該微處理器執行該韌體能完成圖1所示的流程步驟,而該微處理器即為本實施例的該處理單元22。
藉此,為了建構保單風險評估模型,首先,如圖1的步驟S1,該儲存單元21中需預先儲存該等保戶的歷史資料,然後,如圖1的步驟S2,該特徵擷取模組221讀取該儲存單元21中的每一個保戶的歷史資料,以從每一個保戶的歷史資料包含的該非時序相關資料中擷取出複數個非時序特徵資料,例如保戶的現在年齡、首次投保年齡、過去投保附約張數、最近一次購買保險商品間隔天數、教育程度等,以做為訓練模型的變數;該特徵擷取模組221並從每一個保戶的歷史資料包含的該時序相關資料中擷取出複數個時序特徵資料,該等時序特徵資料包含複數個與保戶個人相關的時序資料以及複數個與保
單相關的時序資料,該等與保戶個人相關的時序資料例如是保戶近5年或近10年來每年的身高體重變化、近5年或近10年來職業的變化、近5年或近10年來每年住院的天數...等等;該等與保單相關的時序資料例如是保戶近5年或近10年來購買的保險商品、購買的時間點和保額、近5年或近10年來理賠的保險商品和理賠的時間點等。
接著,如圖1的步驟S3,該時序資料結構化模組222根據該特徵擷取模組221擷取出來之每一個保戶的該等與保單相關的時序資料產生至少一排除時序的結構化保單資料;舉例來說,假設某一保戶之與保單相關的時序資料如圖3所示,其中顯示該保戶在三個不同的時間點分別購買了三種保險商品以及每一種保險商品的保額;但這樣分散的資料不能做為訓練模型的資料,因為要提供給模型進行訓練的變數有其需求的資料格式,因此,該時序資料結構化模組222需要將具有時間順序關係之與保單相關的時序資料彙整成單一個變數才能做為訓練模型的資料,因此,圖3所示之與保單相關的時序資料經過該時序資料結構化模組222處理後,將產生至少一排除時序的結構化保單資料,例如統計出圖3所示之一段時間內購買保險商品的次數以及每一保險商品累計的保額,則購買保險商品的次數和每一保險商品累計的保額即可做為訓練模型的變數。
接著,如圖1的步驟S4,該斷序資料處理模組223判斷該特徵擷取模組221擷取出來之每一個保戶的該等與保戶個人相關的時序資料在時序上是否連續,若時序資料不連續,則根據該等與保戶個人相關的時序資料產生至
少一衍生時序資料,並將該至少一衍生時序資料加入該等與保戶個人相關的時序資料中,以使該等與保戶個人相關的時序資料在時序上連續,以使時序上連續的該等與保戶個人相關的時序資料可產生用以訓練模型的變數;舉例來說,假設想要以保戶的身高體重的變化做為訓練模型的變數,但如圖4所示,某一保戶的身高體重資料可能由於保險公司與保戶並非高頻率往來或是因為過往資料收集不完整,以致保戶的身高體重資料並未被逐年記錄於保戶資料中而造成部分時間點有資料中斷的情況;因此,該斷序資料處理模組223在判斷該保戶的身高體重資料不連續(斷序)時,根據該保戶的身高體重資料產生至少一衍生時序資料,例如圖4所示,已知該保戶僅有2011、2015和2016年的身高和體重資料,該斷序資料處理模組223可將不同完整程度、不連續的資料以補合理值、標註資料可信程度、標註資料遺失等方式,產出該保戶在2011~2016年之間的結構化身高體重資料,因此時序上連續的該保戶的身高體重資料即可呈現出在時序上的連續變化而可做為訓練模型的變數或是特徵衍生模組224可用的資料。值得一提的是,上述步驟S3、S4也可以同時進行或者交換順序進行,亦即先執行步驟S4,再執行步驟S3。
然後,如圖1的步驟S5,該特徵衍生模組224根據該斷序資料處理模組223處理後的每一個保戶之時序上連續的該等與保戶個人相關的時序資料以及原本時序上就已經連續而不需要經過該斷序資料處理模組223處理的每一個保戶之該等與保戶個人相關的時序資料,產生至少一與時序有關的趨勢資料做為訓練模型的變數;例如該特徵衍生模組224可根據上述保戶時序上連續
的該保戶的身高體重資料產生該保戶的一BMI變化趨勢(斜率)、過往身高的一平均值或不同年度身高的斜率等做為訓練模型的變數,因此,該特徵衍生模組224同樣可以上述舉例的處理方式,根據保戶的例如近5年或近10年來每年住院的天數產生一住院天數趨勢、一理賠趨勢及/或一投保趨勢,根據保戶的例如近5年或近10年來職業的變化產生一職業變動趨勢及/或一職業風險等級趨勢等,並以該住院天數趨勢、該理賠趨勢及/或該投保趨勢、該職業變動趨勢及/或該職業風險等級趨勢做為訓練模型的變數。
最後,如圖1的步驟S6,該訓練模組225利用上述該等保戶的該等非時序特徵資料、該至少一排除時序的結構化保單資料、時序上連續的該等與保戶個人相關的時序資料以及該至少一與時序有關的趨勢資料,訓練一保單風險評估模型226,讓該保單風險評估模型226藉由人工智慧累積經驗及深度學習,使完成訓練的該保單風險評估模型226能評估保戶的一保單並給予一風險分數。值得一提的是,該特徵擷取模組221可以被設計成針對不同面向的風險,例如死亡、住院、重疾、手術等四個面向,從保戶之歷史資料中擷取不同面向所需的該等非時序特徵資料和該等時序特徵資料供該時序資料結構化模組222、該斷序資料處理模組223及該特徵衍生模組224應用,以產生針對不同面向的該等保戶的該等非時序特徵資料、該至少一排除時序的結構化保單資料、時序上連續的該等與保戶個人相關的時序資料以及該至少一與時序有關的趨勢資料,再由該訓練模組225利用上述針對不同面向的該等保戶的該等非時序特徵資料、該至少一排除時序的結構化保單資料、時序上連續的該等與保戶
個人相關的時序資料以及該至少一與時序有關的趨勢資料,訓練出針對不同面向的多個不同的保單風險評估模型226,藉此,則可藉由針對不同面向的不同的保單風險評估模型226分別評估並量化保戶之保單在不同面向的風險。
藉此,由於訓練該保單風險評估模型226的資料除了既有從保戶之歷史資料中擷取的該等非時序特徵資料外,還有從保戶的該等與保單相關的時序資料轉換而來的該(或該等)排除時序的結構化保單資料、時序上連續的該等與保戶個人相關的時序資料以及從保戶之時序上連續的該等與保戶個人相關的時序資料中衍生出來之與時序有關的趨勢資料,增加了訓練資料的複雜度和多樣性,藉此能提升完成訓練的該保單風險評估模型226的精準度及穩健程度,而使保單經由該保單風險評估模型226評估後產生的該風險分數能更精準地預測保單的風險程度,以供保險公司後續做為相關的應用,例如核保風險控管、客戶健康風險管理、保險商品推薦等,確實達到本發明的功效與目的。
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。
S1~S6:步驟
Claims (10)
- 一種建構保單風險評估模型的方法,由一電腦系統執行並包括:該電腦系統的一儲存單元儲存複數個保戶的歷史資料,每一個保戶的歷史資料包含一非時序相關資料及一時序相關資料;其中,該非時序相關資料是與時間點無關的保戶個人資料或保單資料,該時序相關資料是與時間點有關的保戶個人資料或保單資料;該電腦系統的一特徵擷取模組從每一個保戶的歷史資料其中的該非時序相關資料中擷取出複數個非時序特徵資料,並從該時序相關資料中擷取出複數個時序特徵資料,該等時序特徵資料包含複數個與保戶個人相關的時序資料以及複數個與保單相關的時序資料;該電腦系統的一時序資料結構化模組根據每一個保戶的該等與保單相關的時序資料產生至少一排除時序的結構化保單資料;其中,每一個保戶的該等與保單相關的時序資料經過該時序資料結構化模組處理,將具有時間順序關係之該等與保單相關的時序資料彙整成單一個變數,而產生該至少一排除時序的結構化保單資料;該電腦系統的一斷序資料處理模組判斷每一個保戶的該等與保戶個人相關的時序資料在時序上不連續時,根據該等與保戶個人相關的時序資料產生至少一衍生時序資料,並將該至少一衍生時序資料加入該等與保戶個人相關的時序資料中,以使該等與保戶個人相關的時序資料在時序上連續;該電腦系統的一特徵衍生模組根據每一個保戶之時序上連續的該等與保戶個人相關的時序資料,額外衍生出與原本的保戶個 人相關的時序資料屬性完全不同之至少一與時序有關的趨勢資料;及該電腦系統的一訓練模組利用該等保戶的該等非時序特徵資料、該至少一排除時序的結構化保單資料、在時序上連續的該等與保戶個人相關的時序資料以及該至少一與時序有關的趨勢資料訓練一保單風險評估模型,使完成訓練的該保單風險評估模型能評估一保單並給予一風險分數。
- 如請求項1所述的建構保單風險評估模型的方法,其中,該至少一排除時序的結構化保單資料包含購買保單的次數以及累計的保額,該至少一與時序有關的趨勢資料包含BMI變化趨勢、職業變動趨勢、理賠趨勢及投保趨勢。
- 如請求項1所述的建構保單風險評估模型的方法,其中該特徵擷取模組、該時序資料結構化模組、該斷序資料處理模組、該特徵衍生模組及該訓練模組是儲存於該儲存單元中,且能被該電腦系統的一處理單元讀取並執行的軟體程式。
- 如請求項1所述的建構保單風險評估模型的方法,其中該特徵擷取模組、該時序資料結構化模組、該斷序資料處理模組、該特徵衍生模組及該訓練模組是整合在該電腦系統的一特殊應用積體電路晶片或一可程式邏輯電路裝置中。
- 如請求項1所述的建構保單風險評估模型的方法,其中該特徵擷取模組、該時序資料結構化模組、該斷序資料處理模組、該特徵衍生模組及該訓練模組是被燒錄在該電腦系統的一微處理器中的韌體。
- 一種建構保單風險評估模型的電腦系統,包括: 一儲存單元,其中儲存複數個保戶的歷史資料,每一個保戶的歷史資料包含一非時序相關資料及一時序相關資料;其中,該非時序相關資料是與時間點無關的保戶個人資料或保單資料,該時序相關資料是與時間點有關的保戶個人資料或保單資料;及一處理單元,其與該儲存單元電耦接,並包含一特徵擷取模組、一時序資料結構化模組、一斷序資料處理模組、一特徵衍生模組及一訓練模組;其中該特徵擷取模組從每一個保戶的歷史資料其中的該非時序相關資料中擷取出複數個非時序特徵資料,並從該時序相關資料中擷取出複數個時序特徵資料,該等時序特徵資料包含複數個與保戶個人相關的時序資料以及複數個與保單相關的時序資料;該時序資料結構化模組根據每一個保戶的該等與保單相關的時序資料產生至少一排除時序的結構化保單資料;其中,每一個保戶的該等與保單相關的時序資料經過該時序資料結構化模組處理,將具有時間順序關係之該等與保單相關的時序資料彙整成單一個變數,而產生該至少一排除時序的結構化保單資料;該斷序資料處理模組判斷每一個保戶的該等與保戶個人相關的時序資料在時序上不連續時,根據該等與保戶個人相關的時序資料產生至少一衍生時序資料,並將該至少一衍生時序資料加入該等與保戶個人相關的時序資料中,以使該等與保戶個人相關的時序資料在時序上連續;該特徵衍生模組根據每一個保戶之在時序上連續的該等與保戶個人相關的時序資料,額外衍生出與原本的保戶個人相關的時序資料屬性完全不同之至少一與時序有關的趨勢資料; 該訓練模組利用該等保戶的該等非時序特徵資料、該至少一排除時序的結構化保單資料、在時序上連續的該等與保戶個人相關的時序資料以及該至少一與時序有關的趨勢資料訓練一保單風險評估模型,使完成訓練的該保單風險評估模型能評估一保單並給予一風險分數。
- 如請求項6所述的建構保單風險評估模型的電腦系統,其中,該至少一排除時序的結構化保單資料包含購買保單的次數以及累計的保額,該至少一與時序有關的趨勢資料包含BMI變化趨勢、職業變動趨勢、理賠趨勢及投保趨勢。
- 如請求項6所述的建構保單風險評估模型的電腦系統,其中該特徵擷取模組、該時序資料結構化模組、該斷序資料處理模組、該特徵衍生模組及該訓練模組是儲存於該儲存單元中,且能被該電腦系統的該處理單元讀取並執行的軟體程式。
- 如請求項6所述的建構保單風險評估模型的電腦系統,其中該特徵擷取模組、該時序資料結構化模組、該斷序資料處理模組、該特徵衍生模組及該訓練模組是整合在該電腦系統的一特殊應用積體電路晶片或一可程式邏輯電路裝置中,且該特殊應用積體電路晶片或該可程式邏輯電路裝置即為該處理單元。
- 如請求項6所述的建構保單風險評估模型的電腦系統,其中該特徵擷取模組、該時序資料結構化模組、該斷序資料處理模組、該特徵衍生模組及該訓練模組是被燒錄在該電腦系統的一微處理器中的韌體,且該微處理器即為該處理單元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109143183A TWI829984B (zh) | 2020-12-08 | 2020-12-08 | 建構保單風險評估模型的方法及電腦系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109143183A TWI829984B (zh) | 2020-12-08 | 2020-12-08 | 建構保單風險評估模型的方法及電腦系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202223813A TW202223813A (zh) | 2022-06-16 |
TWI829984B true TWI829984B (zh) | 2024-01-21 |
Family
ID=83062647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109143183A TWI829984B (zh) | 2020-12-08 | 2020-12-08 | 建構保單風險評估模型的方法及電腦系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI829984B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102713960A (zh) * | 2009-08-17 | 2012-10-03 | 大都会人寿保险公司 | 保险承保的在线系统和方法 |
US20150294420A1 (en) * | 2014-04-14 | 2015-10-15 | Biosignia, Inc. | Systems, methods, and computer program products that facilitate life insurance underwriting with incomplete data |
US20160196391A1 (en) * | 2009-12-31 | 2016-07-07 | David F. Peak | System for Mobile Device Enabled Biometric Monitoring |
CN107403384A (zh) * | 2016-05-18 | 2017-11-28 | 平安科技(深圳)有限公司 | 保险推荐方法和装置 |
TW201814629A (zh) * | 2016-10-13 | 2018-04-16 | 方建強 | 自動化投保方案推薦方法及其系統 |
CN108921707A (zh) * | 2018-06-05 | 2018-11-30 | 中国平安人寿保险股份有限公司 | 核保处理方法、装置、计算机设备和存储介质 |
CN109670974A (zh) * | 2018-12-14 | 2019-04-23 | 中国平安人寿保险股份有限公司 | 一种风险监控方法及装置、电子终端 |
CN109785175A (zh) * | 2019-02-13 | 2019-05-21 | 平安科技(深圳)有限公司 | 保险承保控制方法、装置、计算机设备及存储介质 |
TWM613003U (zh) * | 2020-12-08 | 2021-06-11 | 國泰人壽保險股份有限公司 | 建構保單風險評估模型的電腦系統 |
-
2020
- 2020-12-08 TW TW109143183A patent/TWI829984B/zh active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102713960A (zh) * | 2009-08-17 | 2012-10-03 | 大都会人寿保险公司 | 保险承保的在线系统和方法 |
US20160196391A1 (en) * | 2009-12-31 | 2016-07-07 | David F. Peak | System for Mobile Device Enabled Biometric Monitoring |
US20150294420A1 (en) * | 2014-04-14 | 2015-10-15 | Biosignia, Inc. | Systems, methods, and computer program products that facilitate life insurance underwriting with incomplete data |
CN107403384A (zh) * | 2016-05-18 | 2017-11-28 | 平安科技(深圳)有限公司 | 保险推荐方法和装置 |
TW201814629A (zh) * | 2016-10-13 | 2018-04-16 | 方建強 | 自動化投保方案推薦方法及其系統 |
CN108921707A (zh) * | 2018-06-05 | 2018-11-30 | 中国平安人寿保险股份有限公司 | 核保处理方法、装置、计算机设备和存储介质 |
CN109670974A (zh) * | 2018-12-14 | 2019-04-23 | 中国平安人寿保险股份有限公司 | 一种风险监控方法及装置、电子终端 |
CN109785175A (zh) * | 2019-02-13 | 2019-05-21 | 平安科技(深圳)有限公司 | 保险承保控制方法、装置、计算机设备及存储介质 |
TWM613003U (zh) * | 2020-12-08 | 2021-06-11 | 國泰人壽保險股份有限公司 | 建構保單風險評估模型的電腦系統 |
Also Published As
Publication number | Publication date |
---|---|
TW202223813A (zh) | 2022-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ibanez et al. | How scheduling can bias quality assessment: Evidence from food-safety inspections | |
CN111145844B (zh) | 综合医疗监管平台 | |
JP6066826B2 (ja) | 分析システム及び保健事業支援方法 | |
Soto | Health economic evaluations using decision analytic modeling: principles and practices—utilization of a checklist to their development and appraisal | |
CN111738549A (zh) | 食品安全风险评估方法、装置、设备及存储介质 | |
De Jong et al. | Measuring state TANF policy variations and change after reform | |
Bach et al. | Case representation and similarity assessment in the self back decision support system | |
CN114419528A (zh) | 异常识别方法、装置、计算机设备及计算机可读存储介质 | |
CN112801805A (zh) | 基于深度自监督神经网络的医保小卡欺诈检测方法及系统 | |
CN109711424A (zh) | 一种基于决策树的行为规则获取方法、装置及设备 | |
Lehohla | Census 2011: population dynamics in South Africa | |
CN107247666A (zh) | 一种基于特征选择和集成学习的软件缺陷个数预测方法 | |
JP2016200955A (ja) | 情報処理装置、プログラム、推定方法 | |
CN113707337A (zh) | 基于多源数据的疾病预警方法、装置、设备及存储介质 | |
TWI829984B (zh) | 建構保單風險評估模型的方法及電腦系統 | |
TWM613003U (zh) | 建構保單風險評估模型的電腦系統 | |
Shaghaghi et al. | evision: Influenza forecasting using cdc, who, and google trends data | |
CN109493958A (zh) | 一种随访计划制定方法、装置、服务器及介质 | |
CN113657550A (zh) | 基于分层计算的患者标记方法、装置、设备及存储介质 | |
Egana-delSol et al. | COVID-19’s Impact on the Labor Market shaped by Automation: Evidence from Chile | |
Zurn et al. | Planning for human resources for health: human resources for health and the production of health outcomes/outputs | |
CN113011596A (zh) | 一种模型自动更新方法、装置、系统及电子设备 | |
Deb et al. | Incorrect attribute value detection for traffic accident data | |
JP6843109B2 (ja) | 医療用のデータ構造 | |
Jimainal et al. | The effect of business support from business incubator towards the performance of entrepreneurs in the early start-up companies in Malaysia with the moderating effect of risk-taking propensity |