三个场景，用机器学习简化保险业务问题

面对繁杂的业务要素，机器学习有望成为推动保险高效实践的“救星”。

在实际索赔案例中，保险机构往往需要使用涉及个人、场景乃至其他影响因素的大量数据。如果再结合具体保险条款的限制，整个评判体系将变得更为复杂。此外，保险业务还划分为大量险种——人寿保险与汽车保险明显就不是一回事——其各自对应不同的数据与流程。面对如此繁杂的业务要素，机器学习（ML）有望成为推动保险高效实践的救星。

保险的本质是一种抵御风险的手段。保险业需要根据期望支出确定费率，借此获得较为正常的正收益。但这种对费率且支出的理解与设置，特别是维持盈利能力的方法，往往极为复杂，整个保险行业都希望机器学习技术能够及时“伸出援手”。这里需要强调的是，被寄予重望的是机器学习、而非人工智能（AI），这是因为人们普遍认为基于机器学习的统计工具在完成某些特定任务方面往往拥有超越神经网络、专家系统或者其他纯AI方案的效果。

下面，我们一起来看机器学习有望协助保险行业解决的三大基本问题。

>>> 保险承保

健康与人寿保险本身非常复杂，其具体设计需要涵盖个人健康状态、病情以及死亡风险等多种因素。保险承保方以往一直在使用一组评判因素，例如男性/女性、年龄以及是否吸烟等。另外，保险业务也与金融业务类似，往往也会结合邮政编码等指标出现“界定现象”——即无论客户愿意支付多高的保费，都得不到保险服务。

解决这些法律问题的必要性，意味着承保服务不仅涉及个人健康风险、同时也涉及法律风险。承保方需要进行分析，以排除可能引发法律风险的特定条款，并以此为基础维持稳定的可盈利资金池。

这也正是机器学习发挥作用的理想舞台。现代计算系统提供的充沛性能足以处理海量数据，复杂的回归分析则可执行聚类以进一步支撑分析体系。更重要的是，众多现有机器学习方法无需AI技术即可提供价值。

Traffk公司CEO兼联合创始人Paul Ford表示：“在保险承保业务方面，统计模型与程序代码正改善企业的分析能力。我们目前就在使用神经网络模型，但仍需要在训练/运行时长以及必要的准确性之间求取平衡，保证这类引擎拥有实际推广的价值。虽然后续情况可能有所变化，但目前来看我们的模型确实为客户提供了分析与盈利方面的提升。”

>>> 汽车理赔

保险程序的另一端自然是理赔问题。理赔的复杂性不仅困扰着被保险人，也给承保方带来了巨大的困扰。以汽车行业为例，保险公司需要了解不同维修选项以及可用零件需求，再考虑到汽车厂商与车型的庞大体系，相信大家能够体会到理赔评判的难度所在。

拿汽车理赔举例，仅基于常规维修成本进行估算明显远远不够。不同车型的计算方式不同；即使在同一类车型中，维修成本也将依保障范围与所在区域内的零件供应情况而有所区别。

对此，机器学习可以通过多种方式为理赔提供支持。此外，保险公司也完全可以在理赔流程中使用多种机器学习工具。

对于第一时间损失通知（FNOL），保险商需要尽快将事故或损坏评估结果通报给被保险人。如果能够快速评估总体损失，那么整个流程将变得更加简单高效。在损失评估方面，机器学习技术看似没什么直接作用，但往往会通过机器人流程自动化（RPA）来简化整个理赔流程。

而如果车辆存在其他损坏，甚至是某些无法快速判断的深层损失，则可以使用机器学习。最典型的工具当然是AI视觉方案，例如通过手动应用引导客户拍下车辆照片，借此供AI系统分析损坏情况，而后由后端AI系统映射至替换零件并做出估价。与被保险人相比，维修厂对于定损流程无疑更为熟悉，也能够回答承保方提出的更多具体问题，快速帮助保险公司得出准确的赔偿数额。

请注意，这里提到了两种不同方法。其中通过单一AI系统涵盖理赔流程中各个步骤的方案明显会过于复杂。Solera公司CTO Evan Davies表示：“最好能使用彼此独立的多个系统分别处理理赔、损坏识别与维修估算功能，借此提高整体效率。通过在理赔流程中引入多种机器学习方法，大家可以最大程度利用自动化技术带来的收益，保证熟练的技术人员能够专注于处理更复杂的案例。”

Evan Davies还提到，整个理赔流程往往会在很大程度上受到事故严重度或者具体保险类型的影响。轻微损坏与标准承保范围内的案例可以全面自动化完成，各方对于流程及赔付额度也一般没有过多争议。如前所述，这类情况并不需要AI技术的介入。在另一方面，对于评估周期较长的案例，则可由定赔员使用技术手段提高审查分析效率。这种方式有助于缩短客户获得赔付款项的周期，极大改善被保险人与承保商之间的长期合作关系。

>>> 欺诈识别

没错，欺诈活动是保险行业永远绕不开的大麻烦。遗憾的是，欺诈始终存在，长期困扰着包括保险业在内的众多行业。

需要强调的是，理赔分析的应用范围并不仅限于正确处置所有理赔请求。例如，保险公司可以通过聚类分析了解特定区域内的事故发生几率是否超出了正常水平，并据此推断是否存在有组织的欺诈行为。

对于潜在欺诈活动的分析，我们往往需要借助多种工具，而囊括统计数据、基于规则的方法乃至神经网络等因素的机器学习将在其中发挥重要作用。