一、简要说明
本篇讨论的是理赔环节用大数据和机器学习技术实现车险理赔流程的智能化。理赔与承保不同，重点要放在风险控制方面（既包括外部风险控制，也包括内部风险控制），对于如何简化理赔流程、提高理赔时效等提升客户体验等方面没有必要采用承保减少人工干预的方法（PS:原因？自己想...)。
二、实现方案
传统模式流程图请见“图1:传统模式正常理赔流程”。在实践中，为了简化操作、减少环节、方便客户已经应用了很多种方法。比如“一站式”服务（上门接车，修复好送车上门）、委托修理企业代领赔款、小额案件快速处理、移动查勘、微信理赔、限时赔付等等。本文中的图1只是完整理赔流程的展示，以方便与智能化理赔下风险管控手段做对照。
在目前理赔模式下，部分公司已经开始使用规则、黑名单（其实也是一种规则）和基于机器学习技术的反欺诈系统来管理理赔风险。但最主要的方式还是依赖定、核分离，多岗位相互制约、以人管人的方式来控制内外部理赔风险，规则和技术在理赔风险中仍是辅助手段。因此对人的道德水平、业务经验依赖比较高。
图1:传统模式正常理赔流程
能否使用大数据和机器学习技术降低对人的道德水准和业务经验的依赖呢？肯定是可以的，目前市场上出现的反欺诈系统是一种思路。但其基础数据不足、缺少专业业务人员参与，模型变量可能不充分；同时为了多卖钱，在技术上搞封闭，使得模型的适用性比较差；另外，这种方式并不是完整的解决方案，需要进一步丰富。我从理论角度提出一个我认为完整的方案，欢迎大家一起探讨，有好的想法也请分享出来。请见“图2 智能模式正常理赔流程”。
图2 智能模式正常理赔流程
主要要点如下：
1.受理到报案信息后，自动读取客户位置信息（与本文无关，不解释）。
2.得到报案详细信息后，通过机器学习算法基于掌握的相关信息预测案件的可能损失，并基于此金额自动立案（替换目前分类穷举的方法实现自动立案）。
3.根据报案信息预测案件的风险等级。实际中可以使用监督学习的分类算法预测欺诈案件的可能性（机器学习），也可以判断关键信息在其分布中的位置（数据挖掘）。此信息在调度的时候同步发送给查勘人员。
4.无论是客户还是查勘定损人员（含人伤调查）上传到业务系统的理赔照片要做两个验证，一是真实性验证，判断是否经过修改，拍照时间间隔是否合理，拍照地点是否正常（手机拍照情况下）。这个是可以做到的，因为照片是JPG格式的，会记录这些信息（这个也和本文无关）。二是检查照片相似性。从实践来看，不同的事故采用相同的照片索赔是经常发生的。判断两个照片的相似性是可以通过算法实现的。
5.在所有理赔资料已经齐全的情况下，可以通过算法检查与此案件最为相似的某些案件，相似点可以根据车、人、地点、时间、损失部位等。同时还可以根据此案件相关的人、标的、事故处理人、事故处理部门、查勘处理人等信息查找关联案件。这个也是可以通过机器学习算法实现的。
6.反欺诈这一部分市场上已经有了，不再赘述了，其实现的原理也是机器学习中的某个或某些算法来识别案件是否存有疑点。
7.建议在所有理赔资料齐全（模型自变量信息齐全）的情况下，再对损失做一次预测，通过预测值与实际值的差异来判断定损价格是否存在不合理的可能性。也可以通过统计模型判断本案件在损失分布中的位置来做判断。
8.建议对理赔案件中的配件修换比例，人伤案件中的残疾认定等建模，并依据本案件的信息做预测、用统计的方法判断其在分布中的位置，以判断其是否存有疑点。