近年来的金融科技应用 保险领域的运用场景介绍 目前反欺诈中常用的场景稽核中心保险欺诈案例及场景运用分享金融科技驱动行业生态发生变革大数据、互联网+、人工智能、云计算、物联网、区块链等新兴技术的应用，从多个层面驱动保险传统价值链发生巨大变革。

大数据人工智能云计算互联网+区块链物联网近年来的金融科技应用 保险领域的运用场景介绍 目前反欺诈中常用的场景稽核中心保险欺诈案例及场景运用分享A人工智能客服、风控、投顾的标准配置云计算C支持保证新技术落地 G物联网衍生一系列创新型保险产品B区块链资金、信息安全、互信等平台D大数据营销、运营、客服、风控、决策、是数字化的智能化基石金融科技手段在保险领域的应用大部分。

保险行业内的增值税发票，自动识别增值税发票自动审计，让我们体验了人工智能审计技术的高效率。问题不 足，高德地图GIS应用为机构所在地，远离机构的异常分布网络爬虫技术网络爬虫：可以自动采集所有其能够访问到的互联网数据内容，大幅提高数据收集效率。大数据时代我们审计、理赔、包括其他运营的同事怎么样做反欺诈呢？我将通过一个案例，同时穿插方法进行介绍。案例介绍：太平稽核非现场监测部在对太平人寿实施非现场监测项目时发现:全系统中，A分公司、B分公司等理赔监测数据（理赔金额/保费金额）出现明显异常。定位风险？？

什么是描述性统计量分析？机构代码、保单号、保单号、复效时间、事故时间、赔付金额、是否调查、复查情况、签批说明、业务系列、承保日期、生效日期、保单状态、代理人、代理人所属营业组、代理人所属营业部、代理人所属营业区、案件号、就诊医院、签批说明、事故人、案件级别、案件类型、索赔类别、事故时间、报案时间、受理时间、立案时间、立案结论、立案人、审核决定日期、审核人、结案时间、理赔决定、签批人、签批人所在机构、案件状态、赔付金额、结案天数、案发至立案天数、报案至立案天数、过账ID、退费金额、退费帐户、付款方式、业务员佣金账号、理赔付费账号、理赔付费账户所有人、调查结论、是否调查衍生变量原变量赔付险种、住院天数、投保后出险天数、住院补贴赔付金额、医疗赔付金额、疾病分类、理赔次数、理赔总金额、住院总天数、调查阳性率。

第一步：描述性统计量分析最关键的一步，根据业务特点，我们得引进风险定位成功 描述性统计量分析后发现以下异常：1.A1、A2、B1等中支等理赔案件主要集中在某些代理人身上；2.A1、A2、B1等中支住院补贴赔付金额/医疗赔付金额>200%,3.A1、A2、B1等中支案件明显存在“小病长住”行为。如：痤疮住院20天，咳嗽住院28天等情况。需进一步查询。第一个问题环节给我们的思考与启示：从反欺诈的角度，一定阶段内理赔案均的大幅上升，调查率和阳性率的下降，赔付率的持续上升，出险率的上升都能从管理的角度提醒，告诉我们有可能情况，需要谨慎。这种基础性的数据分析是进一步强化管理的基石，也是反欺诈很好的切入口，尤其是在衍生数据（衍变量）上多做思考与分析。这就是反欺诈中最常用的：基础数据分析法。

第二步：目标的确认第二个问题环节：稽核人员发现，第一步A1中支数据中，在XX中心医院的住院客户达46名，案件60件，合计金额70万。经过查询发现，有几位客户是医院医生。我想知道剩下的这些人是不是医生或护士？我该怎么做呢？？我可能会回答：答案1：找同学，那个医院我有个同学，关系好，叫他拿通讯录；答案2：我去医务科，叫签署定点医院的护士去拿通讯录；答案3：去医院排档公开栏对照查。大数据时代了，我们也得跟上1.卫生局网上可以查到每个医护人员、资证书和所在医院；2.相关医院网页基本信息都有；3.用爬虫软件也行；医生、护士信息都有，有可能连行政、财务、后勤人员、安保人员都能查出来。

后期调查结论显示：40分钟后，使用爬虫软件数据及网页核实统计发现，该批案件全医院职工人员达38名，案件46件，合计涉及金额33.89万。我们要事半功倍第二个问题环节给我们的思考与启示：能使用一个庞大的数据库是理赔、核保人员的梦想，因为数据库中的有关数据很可能就和手头的案子切相关，有更多的“故事”可以挖掘或确认，相关的数据可以给调查人员提供进一步调查的线索。目前，保险行业协会逐步在建立一个全国联网的车险理赔数据库，如人身险共享数据库，也将提上议事日程。在没有更多共享数据库的情况下，我们自动自发，自己寻找公共数据库。