新光人壽導入關聯網路分析技術,來揪出疑似詐保的業務員。其中,正常的業務員,其關聯網路圖有如煙花,而可疑的業務員,則如蜘蛛網般。

圖片來源: 

SAS

新光人壽數位服務發展部資深協理廖晨旭今(18日)揭露自家業務員防詐欺作法,今年初正式啟動AI關聯網路分析(SNA)調查平臺,以過去10年累積的時序性資料,來訓練AI模型,再透過專家知識和大數據分析結果,設定警示分數、篩選出可疑的業務員。目前,新光人壽已利用這個工具,找出數十件個案,相關單位也正深入調查中。

防不勝防,拍板導入新方法來抓內賊

新光人壽對新技術並不陌生,自2013年以來,陸續研發了AI理賠風險的好人和壞人模型、核保風險模型、保障資產計算引擎等。但這樣還不夠,廖晨旭指出,新光人壽近幾年偶有業務員侵占保費或詐保,不僅損害商譽,也影響業務運作,「光是單一個案,就會造成上千萬元損失。」

不過,要找出詐保業務員,仍有許多挑戰,比如不知道該從哪位業務員調查、查案時間動輒數個月,也不知道嫌疑業務員是否有共犯,或有其他受害者。特別的是,稽核單位往往是接到客訴後,才啟動調查,無法在出現異常的當下,先發制人。

為解決這個問題,廖晨旭團隊也在過去兩年,評估市面上的工具;後來,他相中能找出個體間微妙關係的關聯網路分析技術,能點出人與人、事和物的關係,並在去年中,導入SAS關聯網路分析AI平臺,來打造業務員防詐欺模型。

利用10年資料訓練模型,一張圖告訴你詐欺關鍵

為訓練模型,雙方首先梳理了新光人壽過去10年的資料,包括在職和已離職的業務員資料、客戶資料、保單、電子郵件、電話等,總量約40GB。廖晨旭也解釋,會將時間拉長至10年,是因為許多詐保案件,都是經過數年才爆發,而「這段時間內的時序性資料,可反映出詐保的特徵。」

在訓練模型的同時,團隊也訂定了系統警示風險分數;除了參考廠商提供的國外保險公司的異常值,新光人壽也利用內部專家知識,來設定閾值。另一方面,團隊也透過隨機森林、梯度提升等機器學習模型,來加強系統預測能力。
就緒之後,系統一旦偵測到可疑特徵,就會根據風險分數高低,產生警示儀表板。此外,儀表板中還包括了警示評分卡,詳列了可疑的行為,並按照風險高低來排序(如下圖)。

另一方面,系統也會呈現可疑業務員的關聯網路圖。廖晨旭表示,有別於正常業務員的煙火狀網路圖,可疑業務員的關聯網路圖有如蜘蛛網,「關聯點非常多,」而查核人員可從這些點中,找出相關的人、事、物,再進行深度分析。「對我們的幫助非常大,」他說。

1天內找出可疑手法,另也揪出詐欺新手法

在實際應用上,新光人壽團隊也利用這個系統,在1天內就找出業務員的阻絕式詐欺手法。所謂阻絕式手法,是指利用假保單等方式,來阻絕保戶與壽險公司的聯繫,比如填寫假手機號碼、Email或聯絡地址等。

而就內部疑似詐保的蛛網關聯網路圖來看,圖中節點包含了帳卡號、地址、電話號碼、要保人、保單、Email和業務員等資訊,其中,同樣地址和電話的點,可連結到7位不同姓氏的要保人。也就是說,這7人共用一組電話和地址,「可推測是其中6人的地址和電話遭竄改,團隊也能進一步調查,是否其他保戶權益受損,還是是業務員的共犯行為。」他強調,過往在尋找時,需耗費1至2個月,但現在只需要1天。

另一方面,在執行專案的過程中,廖晨旭和團隊也發現新的詐欺手法。他指出,業務員詐欺樣態少量多樣,重複性低,而且有經驗的業務員,會用不同方式來規避已知的警示規則。

比如,為避免公司地址一再出現,業務員會稍微修改地址。不過,這個做法,一樣可透過關聯網路分析,從中找出關聯。

這套系統自今年1月正式上線至今,已找出數十名可疑業務員,新光人壽業務品質控管團隊,也正調查這些個案。廖晨旭指出,這套系統的部署,也呼應了金管會保險局在去年12月時,公告的新保險業務員挪用侵占內控規定,要求保險業者,在今年具備相應的管理措施。

接下來,新光人壽團隊希望將過去開發的AI理賠風險評分模型,整合關聯網路分析調查,多一道程序來把關理賠是否正當。此外,團隊也打算整合核保風險評分模型,利用關聯網路分析,來調查新戶是否有不當企圖。文◎王若樸

 


Advertisement

更多 iThome相關內容