一种应用于保险的数据处理方法及装置与流程

1.本技术涉及数据处理技术领域，特别涉及一种应用于保险的数据处理方法、装置、计算机设备及存储介质。


背景技术：

2.随着社会经济的不断发展，人们的生活水平越来越高，越来越多的人开始重视保障类服务产品，而购买保险是首选的保障类服务之一。被保险人根据合同约定，向保险人支付保险费，保险人对于合同约定的可能发生的风险所造成的损失承担赔偿保险金。因而，在整个过程中涉及到多个场景需要进行风控评估。
3.现有技术中，在各个场景中进行风险评估时，一方面，通常是由业务员根据自己的既往经验针对具体的场景进行人工评估，主要依靠业务员个人的判断，主观性极强，最终得到的评估结果往往准确率较低，另一方面，通常评估的数据来源比较单一，信息具有一定局限性，无法综合评估整体的风险情况，评估效果较差。例如，在核保场景中，用户在对人身类保险投保时，保险公司通常需要根据用户的健康情况、身体素质等信息对用户的投保风险进行评估。保险公司在对用户的投保风险评估时，一般情况下主要是根据用户体检信息中的检查指标来对用户的投保风险进行评估。但是，用户的体检信息具有局限性，无法综合评估用户整体的投保风险情况，评估效果较差。
4.综上所述，亟需提出一种新的应用于保险的数据处理方法，以解决上述问题。


技术实现要素：

5.为解决上述一个或多个技术问题，本技术采用的技术方案是：
6.第一方面，提供了一种应用于保险的数据处理方法，该方法包括如下步骤：
7.获取多个渠道的待处理用户数据，对所述待处理用户数据进行归一化处理；
8.根据目标用户对应的预设标识对所述归一化处理后的待处理用户数据进行聚合处理，获取所述目标用户对应的特征数据；
9.利用预设特征模板以及所述特征数据计算所述目标用户的特征值；
10.根据所述特征值以及预设模型确定所述目标用户的风险等级。
11.进一步地，所述预设特征模板包括利用规则引擎定义的特征模板。
12.进一步地，根据所述特征值以及预设模型确定所述目标用户的风险等级后，所述方法还包括：
13.对所述风险等级进行复核，并根据复核结果对所述风险等级进行修正。
14.进一步地，所述方法还包括：
15.将修正后的所述风险等级作为训练数据对所述预设模型进行更新训练。
16.进一步地，所述预设模型包括基于预设机器学习分类算法以及预设数据集训练获取的模型，所述预设机器学习分类算法包括随机森林算法或支持向量机中的至少一种。
17.进一步地，所述目标用户的风险等级包括核保风险等级或理赔风险等级中的至少
一种。
18.进一步地，所述方法还包括产品推荐过程，包括：
19.获取目标用户的历史用户数据，根据所述历史用户数据生成所述目标用户的用户画像；
20.根据所述用户画像以及各产品的产品数据确定出符合所述目标用户的候选产品；
21.根据所述用户画像以及预设推荐模型从所述候选产品中确定出符合预设推荐规则的目标产品推荐给所述目标用户。
22.第二方面，提供了一种应用于保险的数据处理装置，所述装置包括：
23.第一处理模块，用于获取多个渠道的待处理用户数据，对所述待处理用户数据进行归一化处理；
24.第二处理模块，用于根据目标用户对应的预设标识对所述归一化处理后的待处理用户数据进行聚合处理，获取所述目标用户对应的特征数据；
25.特征计算模块，用于利用预设特征模板以及所述特征数据计算所述目标用户的特征值；
26.风险预测模块，用于根据所述特征值以及预设模型确定所述目标用户的风险等级。
27.第三方面，还提供了一种计算机设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，实现所述应用于保险的数据处理方法。
28.第四方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被执行时，实现所述应用于保险的数据处理方法。
29.本技术实施例提供的技术方案带来的有益效果是：
30.本技术实施例提供的应用于保险的数据处理方法、装置、计算机设备及存储介质，通过获取多个渠道的待处理用户数据，对所述待处理用户数据进行归一化处理，根据目标用户对应的预设标识对所述归一化处理后的待处理用户数据进行聚合处理，获取所述目标用户对应的特征数据，利用预设特征模板以及所述特征数据计算所述目标用户的特征值，根据所述特征值以及预设模型确定所述目标用户的风险等级，综合使用多种等技术，一方面通过利用多渠道数据源技术获取多个渠道的用户数据，避免用于评估的数据来源单一、信息具有一定局限性，无法综合评估整体的风险情况等问题，提高风险评估的效果，另一方面，通过利用规则引擎、机器学习等技术进行风险等级预测，减少人工评估的主观性，提高评估结果的准确率；
31.进一步地，所述预设特征模板包括利用规则引擎定义的特征模板，通过利用规则引擎灵活定义特征模板，以支持众多特征的随时增减变化；
32.进一步地，通过获取目标用户的历史用户数据，根据所述历史用户数据生成所述目标用户的用户画像，根据所述用户画像以及各产品的产品数据确定出符合所述目标用户的候选产品，根据所述用户画像以及预设推荐模型从所述候选产品中确定出符合预设推荐规则的目标产品推荐给所述目标用户，通过先根据用户画像筛选符合投保条件的候选产品，再利用模型针对候选产品进行推荐，提高推荐产品与用户需求的匹配率，从而可以提高用户的体验效果、挖掘出潜在的意向客户、提高业务人员的业务效率等。
附图说明
33.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
34.图1是本技术实施例提供的应用于保险的数据处理方法的流程图；
35.图2是本技术实施例提供的应用于保险的数据处理装置的结构示意图；
36.图3是本发明一个实施例提供的计算机设备的架构图。
具体实施方式
37.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
38.如背景技术所述，现有技术中，在保险的各个场景中进行风险评估时，一方面，根据既往经验针对具体的场景进行人工评估存在主观性强，容易导致评估结果准确率较低的问题，另一方面，存在由于评估的数据来源比较单一，信息具有一定局限性，导致无法综合评估整体的风险情况、评估效果较差的问题。
39.为解决上述问题，本技术实施例中创造性的提出了一种应用于保险的数据处理方法，通过综合使用多种等技术，一方面可以避免由于用于评估的数据来源单一、信息具有一定局限性，导致无法综合评估整体的风险情况等问题，提高风险评估的效果，另一方面，通过利用规则引擎、机器学习等技术进行风险等级预测，可以减少人工评估的主观性，提高评估结果的准确率。
40.下面将结合附图和各个实施例，对本技术的方案进行详细介绍。
41.实施例一
42.如图1所示，本技术实施例提供一种应用于保险的数据处理方法，该方法包括如下步骤：
43.s1：获取多个渠道的待处理用户数据，对所述待处理用户数据进行归一化处理。
44.具体的，众所周知，在保险领域，在合理授权的情况下，实际是可以通过多种渠道去获得被保人的多维度历史信息的，包括但不限于被保人的诊疗数据、财务数据、既往保单数据等。本发明实施例中，在整合数据时，通过从多渠道数据源获取多个渠道的用户数据作为待处理数据，以便后续使用统计方法，即机器学习，从数据中获得更具业务价值的信息，为核保、理赔、销售等保险场景服务。具体的，在获取多个渠道的待处理用户数据后，由于各个数据源的数据格式可能不同，因而还需要利用数据治理技术对待处理用户数据进行归一化处理，以便后续被基于机器学习的模型识别或便于查询等。例如，诊疗数据中存在同一疾病对应不同名称的情况，对其进行归一化处理后，使得同一疾病的名称统一。
45.s2：根据目标用户对应的预设标识对所述归一化处理后的待处理用户数据进行聚合处理，获取所述目标用户对应的特征数据。
46.具体的，本发明实施例中的预设标识为目标用户对应的唯一标识，包括但不限于
目标用户的身份证号码、手机号等，这里不做限制，可根据实际需求进行设置。利用目标用户对应的预设标识对归一化处理后的待处理用户数据进行唯一性聚合，获取目标用户对应的特征数据。
47.s3：利用预设特征模板以及所述特征数据计算所述目标用户的特征值。
48.具体的，本发明实施例中，针对不同的业务场景预先配置了不同的特征模版，特征模板中的特征可以是简单的特征，也可以是较为复杂的特征，还可以是预设规则的执行结果。
49.例如，在核保风控场景中，特征模板中的特征包括但不限于“被保人性别”，“被保人年龄”、“被保人社保缴纳年限”、“被保人是否购买过某代理人的产品并于30内退保”等。利用预设特征模板以及所述特征数据计算获得的所述目标用户的特征值包括但不限于“被保人性别＝女”、“被保人年龄＝35”、“被保人社保缴纳年限＝15”等。
50.在理赔风控场景中，首先需要通过规则引擎进行规则编写，并针对部分常用逻辑进行逻辑提炼。从业务场景来讲，预设规则可分为“免责”、“索赔行为异常”、“不合理诊疗”、“不合理用药”、“临床行为异常”等；从适用层面来讲，预设规则可分为通用规则、条款规则等，其中，通用规则所有保险产品皆需执行，条款规则区分保险产品执行；从输出情况来讲，预设规则需要区分“扣除总费用”、“扣除部分费用”、“仅提示”这三类规则。其次，将将预设规则的执行结果作为特征模板的特征参与到后续步骤的计算中。
51.s4：根据所述特征值以及预设模型确定所述目标用户的风险等级。
52.具体的，本发明实施例中，针对不同的业务场景还预先构建了不同预设模型，将步骤s3中计算得到的特征值作为预设模型的入参，得出风险结论，即风险等级。这里需要说明的是，实际应用中，可以根据实际需求设置不同的风险等级，例如，可以将风险等级设置为高、中、低三种。
53.作为一种较优的实施方式，本技术实施例中，所述预设特征模板包括利用规则引擎定义的特征模板。
54.具体的，由于保险各个场景中涉及的特征众多，且随时会需要进行增减，为解决该问题，本发明实施中，利用规则引擎灵活定义特征模板的特征，以便随时对特征模板中的特征进行增减。
55.作为一种较优的实施方式，本技术实施例中，根据所述特征值以及预设模型确定所述目标用户的风险等级后，所述方法还包括：
56.对所述风险等级进行复核，并根据复核结果对所述风险等级进行修正。
57.具体的，为了提高风险等级预测的准确率，本发明实施例中，在通过预设模型确定好目标用户的风险等级后，可以通过人工复核等方式对风险等级进行复核，若复核结果与预设模型确定的风险等级一致，则说明预设模型的输出没有误差，此时不做处理，若复核结果与预设模型确定的风险等级不一致，则说明预设模型的输出有误差，此时可以根据复核结果对风险等级进行修正，以得到正确的目标用户的风险等级。
58.作为一种较优的实施方式，本技术实施例中，所述方法还包括：
59.将修正后的所述风险等级作为训练数据对所述预设模型进行更新训练。
60.具体的，为了进一步优化模型的能力，从而提高风险等级预测的准确率，本发明实施例中，在对风险等级进行修正后，将修正后的风险等级以及相关数据更新到模型的训练
数据集中，将其作为训练数据对所述预设模型进行更新训练，以优化模型能力。
61.作为一种较优的实施方式，本技术实施例中，所述预设模型包括基于预设机器学习分类算法以及预设数据集训练获取的模型，所述预设机器学习分类算法包括随机森林算法或支持向量机中的至少一种。
62.具体的，为了降低人工评估的主观性，提高评估结果的准确率，本发明实施例中，在对目标用户进行风险等级评估时，采用了预设模型对特征值进行计算，以得到目标用户的风险等级。具体实施时，预设模型可以通过基于预设机器学习分类算法以及预设数据集训练获取，其中，预设机器学习分类算法包括但不限于随机森林算法、支持向量机等，这里不做限制，用户可以根据实际需求进行设置。
63.作为一种较优的实施方式，本技术实施例中，所述目标用户的风险等级包括核保风险等级或理赔风险等级中的至少一种。
64.具体的，如前文所述，在保险领域，涉及的业务场景种类很多，本发明实施例提供的数据处理方法可以适用于多个业务场景中，包括但不限于核保风控场景、理赔风控场景、保险产品推荐场景等。相对应的，根据特征值以及预设模型确定的目标用户的风险等级也可以包括核保风险等级或理赔风险等级等，这里不再一一赘述。
65.作为一种较优的实施方式，本技术实施例中，所述方法还包括产品推荐过程，包括：
66.获取目标用户的历史用户数据，根据所述历史用户数据生成所述目标用户的用户画像；
67.根据所述用户画像以及各产品的产品数据确定出符合所述目标用户的候选产品；
68.根据所述用户画像以及预设推荐模型从所述候选产品中确定出符合预设推荐规则的目标产品推荐给所述目标用户。
69.具体的，通常来讲，对于特定产品风控结论为高风险的人群，对于其他产品仍可投保。为了使得推荐产品更能符合目标用户的需求以及为相应产品挖掘出更多的潜在客户等目的，本发明实施例中，产品推荐过程中先根据用户画像筛选符合投保条件的候选产品，再利用模型针对候选产品进行推荐。
70.具体的，本发明实施例中，在进行产品推荐时，还可以设置区分新客户和老客户分别进行推荐。对于老客户可基于既往数据，在购买页面直接进行推荐，对于新客户可于产品购买后，或首次购买产品拒保后，利用所获得的的客户信息进行产品推荐。
71.作为一种较优的实施方式，本技术实施例中，所述方法还包括预设模型的训练过程。
72.具体的，本发明实施例中，针对不同的业务场景还预先构建了不同预设模型。
73.在核保风控场景中，模型构建过程如下：
74.1、特征定义：利用规则引擎灵活定义特征模板。由于特征众多，且可随时增减变化，故使用规则引擎灵活定义特征，以满足上述需求。特征可以是简单的特征，如“被保人性别”，“被保人年龄”，“被保人社保缴纳年限”等，也可以是较为复杂的特征，如“被保人是否购买过某代理人的产品并于30内退保”等，这里不再一一赘述。
75.2、数据标注：不同保险产品或保险产品大类(寿险、健康险、意外险等)，人工标注风险等级，包括但不限于高、中、低等。根据特征以及标注结果生成数据集。
76.3、数据划分：将上述步骤得到的数据集划分为训练集和测试集，训练集用于训练生成预设模型，测试集用于验证预设模型效果。其中，作为一种较优的示例，可将数据集中80％的数据作为训练集，20％的数据作为测试集。
77.4、模型训练：使用机器学习分类算法以及训练集训练得到预设模型，并利用测试集对预设模型进行验证，其中，机器学习分类算法可以是随机森林算法、支持向量机中的一种或多种融合。
78.5、模型调优：使用混淆矩阵及分类报告进行模型性能评估，并选择性能最优的模型及参数。
79.在理赔风控场景中，模型构建过程如下：
80.1、定义规则：通过规则引擎进行规则编写，并针对部分常用逻辑进行逻辑提炼，将规则执行结果作为模型特征。规则可以按照不同的角度进行分类，从业务场景分，分为“免责”、“索赔行为异常”、“不合理诊疗”、“不合理用药”、“临床行为异常”等；从适用范围分，分为通用规则、条款规则，通用规则所有保险产品皆执行，条款规则区分保险产品执行；从输出情况分，分为“扣除总费用”、“扣除部分费用”、“仅提示”等，这里不再一一赘述，用户可以根据自己的需求进行定义。
81.2、数据划分：根据规则及特征生成数据集。将数据集划分为训练集和测试集，训练集用于训练生成预设模型，测试集用于验证预设模型效果。其中，作为一种较优的示例，可将数据集中80％的数据作为训练集，20％的数据作为测试集。
82.3、模型训练：使用机器学习分类算法以及训练集训练得到预设模型，并利用测试集对预设模型进行验证，其中，机器学习分类算法可以是随机森林算法、支持向量机中的一种或多种融合。
83.4、模型调优：使用混淆矩阵及分类报告进行模型性能评估，并选择性能最优的模型及参数。
84.在保险产品推荐场景中，模型构建过程如下：
85.1、产品数据标注：对待售保险产品进行标准化定义。如：“险种＝医疗险”、“被保人年龄范围：18岁-60岁”等。
86.2、客户群体画像：利用无监督聚类算法，对已有客户人群进行分类，并对分类后客户人群进行人工标注。如，区分为标准体、次标体、老年人、青年人等。基于上述分类，可得出每一客户的标签属性。
87.2、数据集构建：将客户的标签作为入参，客户购买的保险产品做出参，构建数据集。
88.3、模型训练：基于随机森林算法等分类算法，使用上述数据集训练得到保险产品推荐模型。
89.实施例二
90.对应于上述实施例一，如图2所示，本技术实施例还提供了一种应用于保险的数据处理装置，其中，本实施例中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不再赘述。参照图2示，该装置包括：
91.第一处理模块，用于获取多个渠道的待处理用户数据，对所述待处理用户数据进行归一化处理；
92.第二处理模块，用于根据目标用户对应的预设标识对所述归一化处理后的待处理用户数据进行聚合处理，获取所述目标用户对应的特征数据；
93.特征计算模块，用于利用预设特征模板以及所述特征数据计算所述目标用户的特征值；
94.风险预测模块，用于根据所述特征值以及预设模型确定所述目标用户的风险等级。
95.作为一种较优的实施方式，本技术实施例中，所述装置还包括：
96.特征定义模块，用于利用规则引擎定义特征模板。
97.作为一种较优的实施方式，本技术实施例中，所述装置还包括：
98.结果校对模块，用于对所述风险等级进行复核，并根据复核结果对所述风险等级进行修正。
99.作为一种较优的实施方式，本技术实施例中，所述装置还包括：
100.模型更新模块，用于将修正后的所述风险等级作为训练数据对所述预设模型进行更新训练。
101.作为一种较优的实施方式，本技术实施例中，所述预设模型包括基于预设机器学习分类算法以及预设数据集训练获取的模型，所述预设机器学习分类算法包括随机森林算法或支持向量机中的至少一种。
102.作为一种较优的实施方式，本技术实施例中，所述目标用户的风险等级包括核保风险等级或理赔风险等级中的至少一种。
103.作为一种较优的实施方式，本技术实施例中，所述装置还包括：
104.产品推荐模块，用于获取目标用户的历史用户数据，根据所述历史用户数据生成所述目标用户的用户画像；根据所述用户画像以及各产品的产品数据确定出符合所述目标用户的候选产品；根据所述用户画像以及预设推荐模型从所述候选产品中确定出符合预设推荐规则的目标产品推荐给所述目标用户。
105.实施例三
106.对应上述实施例一和二，本技术还提供了一种计算机设备，包括：处理器和存储器，存储器上存储有可在处理器上运行的计算机程序，当计算机程序被处理器执行时，执行上述任意一个实施例提供的应用于保险的数据处理方法。
107.其中，图3示例性的展示出了计算机设备，具体可以包括处理器1510，视频显示适配器1511，磁盘驱动器1512，输入/输出接口1513，网络接口1514，以及存储器1520。上述处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，与存储器1520之间可以通过通信总线1530进行通信连接。
108.其中，处理器1510可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本发明所提供的技术方案。
109.存储器1520可以采用rom(read only memory，只读存储器)、ram(randomaccess memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1520可以存储用于控制电子设备运行的操作系统1521，用于控制电子设备的低级别操作的基本输入输出系统(bios)。另外，还可以存储网页浏览器1523，数据存储管理系统1524，以及设备标识信
息处理系统1525等等。上述设备标识信息处理系统1525就可以是本发明实施例中具体实现前述各步骤操作的应用程序。总之，在通过软件或者固件来实现本发明所提供的技术方案时，相关的程序代码保存在存储器1520中，并由处理器1510来调用执行。
110.输入/输出接口1513用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
111.网络接口1514用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
112.总线包括一通路，在设备的各个组件(例如处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，与存储器1520)之间传输信息。
113.另外，该电子设备还可以从虚拟资源对象领取条件信息数据库中获得具体领取条件的信息，以用于进行条件判断，等等。
114.需要说明的是，尽管上述设备仅示出了处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，存储器1520，总线等，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本发明方案所必需的组件，而不必包含图中所示的全部组件。
115.实施例四
116.对应于上述实施例一至三，本技术实施例还提供了一种计算机可读存储介质，其中，本实施例中，与上述实施例一至三相同或相似的内容，可以参考上文介绍，后续不再赘述。
117.所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如下步骤：
118.获取多个渠道的待处理用户数据，对所述待处理用户数据进行归一化处理；
119.根据目标用户对应的预设标识对所述归一化处理后的待处理用户数据进行聚合处理，获取所述目标用户对应的特征数据；
120.利用预设特征模板以及所述特征数据计算所述目标用户的特征值；
121.根据所述特征值以及预设模型确定所述目标用户的风险等级。
122.在一些实施方式中，本技术实施例中，所述计算机程序被处理器执行时，还可以实现与实施例一所述方法对应的步骤，可以参考实施例一中的详细描述，此处不作赘述。
123.通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
124.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部
分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
125.以上对本发明所提供的技术方案，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。