【51CTO.com快譯】利用機(jī)器學(xué)習(xí)成果推動(dòng)業(yè)務(wù)績(jī)效提升的作法在過去18個(gè)月中已經(jīng)得到廣泛認(rèn)可，而我們也一直在同各類保險(xiǎn)機(jī)構(gòu)探討這項(xiàng)技術(shù)所能帶來的應(yīng)用潛力和價(jià)值。

[[182744]]

首先，機(jī)器學(xué)習(xí)必將改變保險(xiǎn)公司的經(jīng)營方式。長久以來，保險(xiǎn)公司的核心任務(wù)在于預(yù)測(cè)未來事件，并評(píng)估這些事件的價(jià)值/影響。這一評(píng)估過程通過預(yù)測(cè)模型實(shí)現(xiàn)——特別是索賠損失的預(yù)測(cè)與定價(jià)。而隨著大數(shù)據(jù)及新型數(shù)據(jù)源的出現(xiàn)，傳感器/遠(yuǎn)程信息處理、外部數(shù)據(jù)源、數(shù)字化(交互)、社交與網(wǎng)絡(luò)(情緒傾向)等領(lǐng)域中的數(shù)據(jù)技術(shù)應(yīng)用將讓保險(xiǎn)業(yè)務(wù)擁有更可觀的運(yùn)營空間。

機(jī)器學(xué)習(xí)如今已經(jīng)成為保險(xiǎn)公司的一類重要工具，被廣泛應(yīng)用于核心價(jià)值鏈內(nèi)以了解風(fēng)險(xiǎn)、索賠與客戶體驗(yàn)情況。帶來的更為靈活/復(fù)雜的模型可幫助保險(xiǎn)公司提升預(yù)測(cè)準(zhǔn)確性。不過相較于傳統(tǒng)統(tǒng)計(jì)方法，機(jī)器學(xué)習(xí)需要強(qiáng)大的數(shù)據(jù)分析能力，同時(shí)有能力計(jì)算看似無關(guān)的結(jié)構(gòu)化、半結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)集。

舉例來說，基于機(jī)器學(xué)習(xí)的數(shù)據(jù)模型現(xiàn)在可分析：

結(jié)構(gòu)化數(shù)據(jù): 損失類型、損失金額與醫(yī)師身份等。

文本: 筆記、日記、醫(yī)療費(fèi)用、事故報(bào)告、存款、社交數(shù)據(jù)與發(fā)票等。

空間圖表: 事故地點(diǎn)、工作地點(diǎn)、各方關(guān)系(醫(yī)師、索賠人、維修設(shè)施)等。

時(shí)間序列: 事件/行動(dòng)序列、索賠日期、事故日期、事件/行動(dòng)持續(xù)時(shí)間等。

如今，保險(xiǎn)公司擁有遠(yuǎn)超以往的承保/債權(quán)票據(jù)與記錄(非結(jié)構(gòu)化數(shù)據(jù))評(píng)估能力，同時(shí)也可以高效地處理各類標(biāo)準(zhǔn)化文件。

定價(jià)風(fēng)險(xiǎn)、定損以及欺詐監(jiān)控等工作對(duì)于機(jī)器學(xué)習(xí)方案而言非常重要。保險(xiǎn)公司引入機(jī)器學(xué)習(xí)算法，主要用于處理風(fēng)險(xiǎn)相似性分析、風(fēng)險(xiǎn)傾向與溢價(jià)評(píng)估。另外，也被廣泛應(yīng)用于索賠頻率/嚴(yán)重性、管理費(fèi)用、代位追償(一般性保險(xiǎn))、訴訟與欺詐的核定。

機(jī)器學(xué)習(xí)中***影響力的用例在于從以往索賠審計(jì)中學(xué)習(xí)經(jīng)驗(yàn)，從而確保以往問題能夠被保險(xiǎn)公司發(fā)現(xiàn)并借此汲取絕對(duì)值。索賠審計(jì)長久以來一直以人工方式完成，但如今機(jī)器學(xué)習(xí)技術(shù)能夠貫穿整個(gè)生命周期強(qiáng)化評(píng)估能力，并通過持續(xù)處理提升自身能力。

此類索賠處理算法也可用于監(jiān)控及檢測(cè)欺詐活動(dòng)。不過，***的限制因素在于保險(xiǎn)公司實(shí)際掌握的索賠欺詐案例/實(shí)例數(shù)量。這也是決定傳統(tǒng)與機(jī)器學(xué)習(xí)模型實(shí)際成效的基本條件。

很多保險(xiǎn)公司會(huì)問，機(jī)器學(xué)習(xí)能否明顯降低欺詐率。我的答案是，機(jī)器學(xué)習(xí)能夠切實(shí)影響到各類早期識(shí)別技術(shù)，或者說“反欺詐”技術(shù)。其中的關(guān)鍵要素在于減少誤報(bào)，并利用機(jī)器學(xué)習(xí)算法以確定哪些索賠存在潛在欺詐可能。

保險(xiǎn)公司可以通過兩種技術(shù)應(yīng)用方式降低欺詐活動(dòng)數(shù)量：欺詐的早期識(shí)別以及在欺詐調(diào)查工作中投入時(shí)間資源。由此帶來的索賠支付速度提升也將令客戶獲得更高滿意度。

利用機(jī)器學(xué)習(xí)技術(shù)，保險(xiǎn)公司將能夠把索賠數(shù)據(jù)(無論其具體類型)加載至巨大的存儲(chǔ)庫內(nèi)，即所謂“數(shù)據(jù)湖”。在欺詐檢測(cè)工作中，索賠審計(jì)、日志與文件將成為發(fā)現(xiàn)欺詐活動(dòng)的關(guān)鍵所在，具體流程包括：

學(xué)習(xí)階段: 進(jìn)行數(shù)據(jù)訓(xùn)練或者從欺詐性索賠與真實(shí)索賠中進(jìn)行學(xué)習(xí)。具體包括預(yù)處理(標(biāo)準(zhǔn)化、降維、圖像處理、航空?qǐng)D像等)、學(xué)習(xí)(監(jiān)督、非監(jiān)督、最小化等)以及錯(cuò)誤分析(精度、召回、過度擬合、測(cè)試/交叉驗(yàn)證等)。

預(yù)測(cè)階段: 正式使用來自學(xué)習(xí)階段的模型并應(yīng)用于新數(shù)據(jù)，而后部署以實(shí)現(xiàn)欺詐檢測(cè)與標(biāo)記。

持續(xù)學(xué)習(xí)階段: 不過利用新數(shù)據(jù)與行為進(jìn)行模型校準(zhǔn)是實(shí)現(xiàn)成功的關(guān)鍵所在。

除了機(jī)器學(xué)習(xí)，保險(xiǎn)公司也在越來越多地利用圖像分析機(jī)制以獲取欺詐模式的可視化能力。

亦有很多保險(xiǎn)公司將圖像分析與Apache Spark/GraphX加以配合，其可同時(shí)利用神經(jīng)網(wǎng)絡(luò)與社交網(wǎng)絡(luò)實(shí)現(xiàn)欺詐性索賠分析。這類方案能夠有效降低傳統(tǒng)評(píng)估中過高的誤報(bào)率。

圖像分析技術(shù)能夠幫助大家理解數(shù)據(jù)關(guān)系并用于調(diào)查個(gè)別索賠欺詐案例，最終讓保險(xiǎn)公司更快實(shí)現(xiàn)欺詐模式可視化。

原文標(biāo)題：Machine Learning and Its Impact On the Future for Insurance，原文作者：Cindy Maike

【51CTO譯稿，合作站點(diǎn)轉(zhuǎn)載請(qǐng)注明原文譯者和出處為51CTO.com】