文 胡晓磊
随着保险科技在车险反欺诈领域应用的不断深入，许多产险公司在车险理赔系统中布置了风控模型、规则或工具，为风险识别提供了技术支持，这其中就包含关系图谱。
关系图谱是车险保险反欺诈领域中应用工具之一，其聚焦团伙类共发性风险。主要针对共性特殊案件，它依据各案件中人车之间共性信息关联，连接成网络；再通过人工质检的方式锁定。当前多数公司布置在已决环节，作为已决反欺诈的辅助质检工具，个别公司关联布置在未决环节，但仅为查勘结束后端。
1
-Insurance Today-
关系图谱的基本分类
关系图谱是基于图数据库建立关系的一种网络图。通过数据抽取和转换，图计算引擎对数据进行查询和分析，实现秒级数据运算和数据可视化，并以图谱的形式展示给用户的图形分析工具。用户可以基于已建好的图谱进行查询、分析和探索。
车险反欺诈关系图谱在应用中，主要针对共性特征案件，它依据各案件中，人车之间共性信息关联，连接成网络；再通过人工质检的方式锁定。关系图谱按照网络中“人、车、物”风险关系可分为两类，即显性关系和隐性关系：
在显性关系中，包含人员、车辆和电话信息、物损信息四类。其中“人”主要包含事故的被保险人、标的驾驶员（标的/三者）、伤者（标的/三者）、支付人；“车”包含标的车、三者车；物损信息参照物损类型区分（取决与系统维护物损类型字段）；电话号码包含报案人、驾驶员（标的/三者）、被保险人（一般在承保留存）。
隐性关系包含车辆维修厂、查勘定损员信息、物损所有人信息三类。
2
-Insurance Today-
影响关系图谱应用效果的主要因素
考虑到关系图谱工具的查询“共性”特征，当前多数公司布置在已决环节，做为已决反欺诈的辅助质检工具，个别公司关联布置在未决环节，但仅为查勘结束后端。经实践验证，关系图谱工具应用限制多，应用场景少，总结以下四点问题：
（一）对底层数据真实性要求高
关系图谱是对事故中，人车物存在关联关系的一种可视化展示工具，对数据的真实性依赖度非常高。如果在查勘、定损端存在人为因素错误录入问题，就会导致关联关系连接错误。例如车险查勘节点的三者信息录入，因无法获取三者车辆或驾驶员准确信息，查勘员会采取虚假信息录入，对图谱影响最大的是套用以往案件的驾驶员信息，会出现“同一驾驶员驾驶不同车辆出险”的错误网络。当前业内三者（包含人伤）、修理厂信息有效率普遍不高，各家系统对人员、车辆信息仅存在简单数量、位次规则校验，缺少验真类验证方式，是形成问题的主要因素。
（二）对数据存量的需求高
关系图谱需要的数据量越多，构成网络的概率越高，这对多数小公司来说，会导致发现率低，可应用效费比差。
（三）缺少精准获取与智能推送
据笔者了解，业内多数应用关系图谱的公司，在图谱页面配置了对人车物的检索功能，个别公司设置风险检索规则，并配置了“区域围栏”，依据围栏圈出的案件，进行筛查质检。从当前质检效果来看，关系图谱检出有效率不高，真正意义的团伙，无法通过网络自动检索定向推动到质检人工作台。质检人员只能通过关键信息查询方式，被动检索图谱，这相当于给质检人N把箱子钥匙，但无法告知哪个箱子里有“宝贝”。
（四）缺少联合OFR有效应用场景
众所周知CFR-OFR是一个管理闭环，关系图谱工具如何在闭环中发挥应用最大化，当前还是比较棘手的问题。问题不是能否布置在未决端及哪个环节，而是基于反欺诈技术构架如何有效整合，智能输出效果最大化问题。关系图谱由于由于应用场景化小、触发率低，又是被动触发方式，在反欺诈体系建设中还无法发挥更大的作用。
3
-Insurance Today-
提升关系图谱应用效能的解决方案
解决关系图谱在反欺诈应用的局限性，笔者认为在单一公司视角下，应从解决问题本源入手，提升图谱智能化输出与扩大应用场景才是关键。
（一）搭建基于人车物团伙画像的数据模型
谈到回归解决问题本源，应当检视基于人车物的团伙画像是否清晰准确。首先确定人车物关联关系定义团伙基础画像，针对画像特征进行分类，设定风险因子配置因子风险级别（依据本公司承保及风险特征确定），据此建立图谱风险模型。依据各类别团伙共性差异及画像特征，还可定向配置因子建立子模型（例如：基于10吨以上货车风险特点的货车风险模型、基于伤残案件黄牛特征的人伤黄牛风险模型、基于及损失关联度的隐损套件风险模型等等）。数据模型的搭建不仅可以准确定义风险团伙，而且为图谱的智能化输出提供有效支撑。
（二）智能图谱机器人
1.多维智能输出
智能化输出应遵循MIRI法则（米利法则），即MIRI=MODEL+INTELLIGENT+REGULATION+INTERACTIVE。在模型输出中，通过各区域风险特征，调整子模型与公共模型校验案件顺序。应遵循子模型优先原则，依据保险车辆基本信息或案件类型分类优先流入子模型后，再流入公共模型中，确保模型输出效果。
建模后需配置“区域围栏”规则，分别布置在模型前、后两端，布置在前端，可以增加模型的定向输出有效性。例如隐性关系条件，可配置围栏规则“团伙中案件在同一非合作修理厂”，再如依据老旧车/中高端车团伙风险，可配置车价、车龄或车型的围栏规则，做为模型输出的限制条件。布置在模型后端，可以设置对案件基本数量、触发规则数量的限制条件，提升输出的精准性。例如可增加基本数量限制的“五案七人”滤网限制，即输出网络必须满足至少存在5笔案件，涉及案件人员不少于7人。限制条件可包含但不限于人、车、物、案的四个维度中。限制规则应建立在数据实践最大效能的基础上，才能为模型输出效果提供保证。
2.智能机器人关键要素
搭建图谱模型+规则后，针对公司内各机构风险差异化问题，可以增加人机互动编程功能，并为质检人员定向查询支持。
①人机互动编程
依据模型因子，配置图谱编程管理页面，编程页面可以ILOG编程框架为蓝本，针对人、车、物关联关系，配置可选择的因子+触发数量筛选项，配置多因子组合关联关系（包含、互斥、叠加等）选择，并定义团伙输出名称。
②风险鉴别报告
以团伙中存在高频骨干人员名称及角色、车辆身份及角色为基础编写团伙风险案件鉴别报告模板，按照高风险因子关联关系，锁定风险类型，描述团伙骨干在不同案件中的关联关系，定性内部人员参与度，修理厂参与度等。
③智能质检审核页面
当前车险案件审核页面均是针对单一案件的审核，针对团伙案件，单一案件审核页面不能提供多维数据信息与关联案件同步质检支持，存在共性团伙漏检等诸多问题。基于图谱案件共性特征，应修改审核页面，增加团伙风险名称、风险鉴别报告、关联案件风险识别信息字段，配置团伙标识点选/添加，多案共检等功能，提升团伙类案件检出效果。
（三）黑名单库的维护与关联应用
黑名单数据库应用较为普遍，但部分公司数据库存储信息不清晰，未能准确定义收存案件类型及字段规则。会出现数据重复维护问题，而且关键数据缺失，将导致数据有效性不高。例如拒赔案件筛选规则中，对主观故意类的性质区分不清晰，涉及换驾类与拼凑类案件全部入库；对人员角色、修理厂风险类型的缺少基本定义标识等。然而黑名单数据库对图谱网络意义重大，它是提升真实性校准效果的倍增器。所以在维护现有黑名单中，应增加在SIU、CFR审核环节的角色及风险识别字段，并据此确定分类和流入规则，在审核后自动归类黑名单库中。同时黑名单分类数据字段，可以选择成为图谱模型因子，也可以编写成为图谱规则，做为图谱团伙的具象标识，以提升识别效果。
（四）依托行业共建
欺诈团伙的一大特征是流动性强，中小公司由于数据存量少，时长不能聚焦锁定，这需要通过行业力量来整合资源。银保信作为保险数据存储公司，可通过关系图谱工具，为行业公司提供风险检索与智能推送功能，再联合各地行业协会、司法部门建立“反欺诈联查”组织。行业反欺诈网络的构建，将大大提升跨公司、跨区域的欺诈团伙打击效果。
结语
聚合思考与未来展望
关系图谱是车险保险反欺诈领域中应用工具之一，聚焦团伙类共发性风险。
笔者认为，解决图谱局限性问题，需要整合现有技术资源，取长补短，优化使用结合提升反欺诈闭环管控效果的一种可行方法（例如通过XGBoost模型+图谱模型+热力图模型优化输出再结合AR等工具组合）。
从车险反欺诈科技应用趋势来看，在3-5年内，随着脸谱扫描与声纹技术的日益成熟，关系图谱的应用场景将由现有的2D“线圈”组合模式，逐步转变成为声纹+图像+多维身份识别的3D模式，通过行业的多技术整合输出，将会开启车险反欺诈3.0时代。
本文首发于微信公众号：今日保。文章内容属作者个人观点，不代表和讯网立场。投资者据此操作，风险请自担。
