一种保险经营数据的基线预警与归因建议生成系统及方法与流程

本发明涉及人工智能与保险数据处理，尤其涉及一种保险经营数据的基线预警与归因建议生成系统及方法。

背景技术：

1、随着保险行业数字化转型不断深入，经营数据分析正从简单的结果呈现向深层因果挖掘转变。业务管理者不仅需要了解指标变化的结果，更希望快速洞察变化背后的驱动因素，并获得针对性的管理建议。然而，现有归因分析体系在支撑这一需求时存在诸多不足。

2、当前业内普遍采用的手工分析模式高度依赖业务人员的个人经验。分析人员通常借助电子表格进行手动筛选和简单的同比环比计算来判断指标异动原因，这种方式缺乏标准化的算法支撑，分析结论因人而异，难以沉淀为统一的方法论，归因结果的客观性和可复现性难以保障。

3、与此同时，传统分析工具通常仅支持单一维度的数据切片，无法沿产品、渠道、人员、客户等多个维度进行自动化递归下钻。分析人员需要在不同报表间反复切换比对，才能逐步缩小范围，难以快速定位真正引发指标变化的根因维度组合，分析效率受到明显制约。此外，保险经营指标类型多样，绝对值型指标如保费收入、比率型指标如成本率、复合型指标如赔付率等，其归因计算逻辑各不相同，需要分别采用连环替代法、对数平均迪氏指数法或加权平均法等不同算法，但现有系统未能建立统一的方法选择机制，无法根据指标特性自动适配最优算法。

4、更为突出的是，现有商业智能系统虽能提供数据看板和基础预警功能，但预警触发后仍需人工介入进行二次分析，从发现问题到定位原因之间存在显著的时间滞后，基线预警与归因分析相互割裂。在结果呈现层面，传统归因成果多以零散表格形式存在，缺乏结构化的分析报告和基于数据洞察的管理建议，分析人员完成数据计算后仍需手动整理文字报告，工作量大且时效性差。尽管大语言模型技术为经营分析带来了新的可能性，但现有方案多将其作为简单问答工具使用，未能实现大语言模型的推理编排能力与标准化归因算法的深度融合，用户难以通过自然语言灵活描述分析需求并自动完成从数据查询、归因计算到报告生成的全流程闭环。

5、因此，亟需提供一种技术方案解决上述问题。

技术实现思路

1、为解决上述技术问题，本发明提供了一种保险经营数据的基线预警与归因建议生成系统及方法。

2、第一方面，本发明提供一种保险经营数据的基线预警与归因建议生成系统，该系统的技术方案如下：

3、数据采集与预警模块，用于根据预设基线阈值规则计算基期保险经营数据与本期保险经营数据之间的指标变化率，在所述指标变化率大于预设阈值时生成归因触发信号；

4、场景配置注册模块，用于构建因子归因场景配置模型和维度归因场景配置模型，所述因子归因场景配置模型包含指标公式和分组维度参数，所述维度归因场景配置模型包含分析模式参数，所述分析模式参数包含独立分析模式和递归下钻模式，所述因子归因场景配置模型和所述维度归因场景配置模型分别对应有场景标识；

5、ai智能体编排模块，用于根据所述归因触发信号或用户输入的自然语言归因分析请求，调用归因分析技能指导文件获取归因分析流程指引，根据所述归因分析流程指引和所述场景标识，加载对应的所述因子归因场景配置模型或所述维度归因场景配置模型，输出工具调用指令；

6、归因计算模块，用于接收所述工具调用指令，根据所述因子归因场景配置模型或所述维度归因场景配置模型调用对应的归因算法对所述基期保险经营数据和所述本期保险经营数据执行归因计算，输出归因计算结果；当加载的配置模型为所述维度归因场景配置模型且所述分析模式参数为所述递归下钻模式时，对所述归因计算结果中贡献度最高的维度节点进行下一层级维度的归因计算；

7、结果输出模块，用于根据所述归因计算结果，生成贡献度矩阵和归因分析报告，并将所述归因计算结果输入大语言模型生成管理建议。

8、本发明的一种保险经营数据的基线预警与归因建议生成系统的有益效果如下：

9、本发明的系统通过预设基线阈值规则自动监测保险经营指标变化并生成归因触发信号，借助场景配置注册对指标公式、分组维度及分析模式进行标准化建模，由ai智能体编排根据触发信号或自然语言请求自动加载适配配置并调用对应归因算法，在递归下钻模式下沿贡献度最高的维度节点逐层深入定位根因，最终将归因计算结果输入大语言模型自动生成贡献度矩阵、结构化分析报告及针对性管理建议，解决了手工分析依赖经验、多维度根因定位困难、不同指标算法适配混乱、预警与归因相互割裂、报告整理时效性差的问题，实现了保险经营数据异常监测、根因定位、报告生成与管理建议输出的全流程自动化与标准化，提升了经营分析的客观性、时效性与决策支撑能力。

10、在上述方案的基础上，本发明的一种保险经营数据的基线预警与归因建议生成系统还可以做如下改进。

11、在一种可选的方式中，所述基期保险经营数据包括上期同期经营数据、去年同期经营数据或预设目标值经营数据中的至少一种；所述预设基线阈值规则包含变化率阈值和变化量阈值，所述数据采集与预警模块具体用于：

12、在所述指标变化率大于所述变化率阈值或所述指标变化量大于所述变化量阈值时生成所述归因触发信号。

13、采用上述可选方式的有益效果为：进一步将基期数据扩展至上期同期、去年同期及预设目标值等多种参照基准，并同时设置变化率与变化量两类阈值进行异动判定，使预警触发条件更加灵活，能够覆盖不同经营分析场景下的监测需求。

14、在一种可选的方式中，所述因子归因场景配置模型还包含因子变量名列表和因子顺序配置信息，所述因子变量名列表用于标识所述指标公式中的各因子变量，所述因子顺序配置信息用于确定各所述因子变量在执行因子贡献度计算时的替代顺序。

15、采用上述可选方式的有益效果为：进一步在因子归因场景配置中增加因子变量名列表与替代顺序配置，使各因子在指标公式中的标识与计算顺序得以标准化管理，便于针对不同业务指标灵活调整归因计算逻辑。

16、在一种可选的方式中，所述归因计算模块具体用于：

17、从所述指标公式中提取每个因子变量名，并将每个因子变量名映射为表达式引擎可识别的别名；

18、根据所述因子顺序配置信息，将每个因子变量的基期值或本期值代入所述指标公式计算指标值；

19、按照所述因子顺序配置信息依次将每个因子变量的值从基期值替换为本期值，计算每次替换后的指标值，根据每次替换后计算得到的所述指标值确定每个因子变量的贡献度，输出所述归因计算结果。

20、采用上述可选方式的有益效果为：进一步通过将因子变量映射为表达式引擎可识别的别名，并按照配置顺序自动完成基期值到本期值的逐次替代与指标值计算，使因子贡献度的量化过程形成规范化自动执行链路。

21、在一种可选的方式中，所述归因计算模块具体用于：

22、根据连环替代法计算第i个因子变量的贡献度，所述贡献度的公式为：

23、

24、其中，表示第i个因子变量的贡献度，表示将前i个因子变量的值替换为本期值、其余因子变量保持基期值时代入所述指标公式计算得到的指标值，表示将前i-1个因子变量的值替换为本期值、其余因子变量保持基期值时代入所述指标公式计算得到的指标值；

25、将每个因子变量的贡献度按照绝对值由大至小排序，并计算每个因子变量的贡献占比，所述贡献占比为所述因子变量的贡献度绝对值与所有因子变量贡献度绝对值之和的比值。

26、采用上述可选方式的有益效果为：进一步采用连环替代法精确计算各因子变量的贡献度，并按照绝对值大小进行排序与占比分析，使业务人员能够直观识别对指标波动影响程度最大的核心驱动因素。

27、在一种可选的方式中，所述归因计算模块具体还用于：

28、在对数均值迪氏指数法被选择时，根据以下公式计算第i个因子变量的贡献度：

29、

30、其中，表示根据所述对数均值迪氏指数法计算得到的第i个因子变量的贡献度，表示将各因子变量的本期值代入所述指标公式计算得到的本期指标值，表示将各因子变量的基期值代入所述指标公式计算得到的基期指标值，表示第i个因子变量的本期值，表示第i个因子变量的基期值；

31、在所述指标公式的指标类型为比率型指标时，根据加权平均法将所述基期保险经营数据与所述本期保险经营数据之间的指标变化量分解为水平效应分量和结构效应分量。

32、采用上述可选方式的有益效果为：进一步引入对数均值迪氏指数法与加权平均法，分别适用于乘法型指标与比率型指标的归因分解，使不同类型经营指标均能匹配到科学合理的算法模型。

33、在一种可选的方式中，所述递归下钻模式包含第一层级下钻和至少一个下一层级下钻；

34、所述归因计算模块具体用于：在所述递归下钻模式下，在完成第一层级维度的归因计算后获取各维度节点的贡献度，将贡献度数值最大的维度节点确定为待下钻维度节点，对所述待下钻维度节点按照下一层级维度进行归因计算，直至达到预设下钻深度或当前层级各维度节点的贡献度均小于预设贡献度阈值；

35、所述ai智能体编排模块具体用于：在所述归因分析流程指引中识别所述自然语言归因分析请求所指定的下钻层级数和贡献度筛选策略，将所述下钻层级数作为所述预设下钻深度，将所述贡献度筛选策略中的贡献度阈值作为所述预设贡献度阈值。

36、采用上述可选方式的有益效果为：进一步支持递归下钻模式下的多层级维度分析，并能够根据自然语言请求中指定的下钻深度与贡献度筛选条件自动执行逐层追踪，使根因定位从宏观维度延伸至微观节点。

37、第二方面，本发明提供一种保险经营数据的基线预警与归因建议生成方法，该方法的技术方案如下：

38、根据预设基线阈值规则计算基期保险经营数据与本期保险经营数据之间的指标变化率，在所述指标变化率大于预设阈值时生成归因触发信号；

39、构建因子归因场景配置模型和维度归因场景配置模型，所述因子归因场景配置模型包含指标公式和分组维度参数，所述维度归因场景配置模型包含分析模式参数，所述分析模式参数包含独立分析模式和递归下钻模式，所述因子归因场景配置模型和所述维度归因场景配置模型分别对应有场景标识；

40、根据所述归因触发信号或用户输入的自然语言归因分析请求，调用归因分析技能指导文件获取归因分析流程指引，根据所述归因分析流程指引和所述场景标识，加载对应的所述因子归因场景配置模型或所述维度归因场景配置模型，输出工具调用指令；

41、接收所述工具调用指令，根据所述因子归因场景配置模型或所述维度归因场景配置模型调用对应的归因算法对所述基期保险经营数据和所述本期保险经营数据执行归因计算，输出归因计算结果；当加载的配置模型为所述维度归因场景配置模型且所述分析模式参数为所述递归下钻模式时，对所述归因计算结果中贡献度最高的维度节点进行下一层级维度的归因计算；

42、根据所述归因计算结果，生成贡献度矩阵和归因分析报告，并将所述归因计算结果输入大语言模型生成管理建议。

43、本发明的一种保险经营数据的基线预警与归因建议生成方法的有益效果如下：

44、本发明的方法通过预设基线阈值规则自动监测保险经营指标变化并生成归因触发信号，借助场景配置注册对指标公式、分组维度及分析模式进行标准化建模，由ai智能体编排根据触发信号或自然语言请求自动加载适配配置并调用对应归因算法，在递归下钻模式下沿贡献度最高的维度节点逐层深入定位根因，最终将归因计算结果输入大语言模型自动生成贡献度矩阵、结构化分析报告及针对性管理建议，解决了手工分析依赖经验、多维度根因定位困难、不同指标算法适配混乱、预警与归因相互割裂、报告整理时效性差的问题，实现了保险经营数据异常监测、根因定位、报告生成与管理建议输出的全流程自动化与标准化，提升了经营分析的客观性、时效性与决策支撑能力。

45、第三方面，本发明的一种电子设备的技术方案如下：

46、包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，所述处理器执行所述程序时实现如本发明的保险经营数据的基线预警与归因建议生成方法的步骤。

47、第四方面，本发明提供的一种计算机可读存储介质的技术方案如下：

48、计算机可读存储介质中存储有指令，当计算机可读存储介质读取所述指令时，使所述计算机可读存储介质执行如本发明的保险经营数据的基线预警与归因建议生成方法的步骤。

49、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。