[发明专利]保险数据分析系统

权利要求书

1.一种保险数据分析系统，其特征在于按以下步骤进行：

(一)、风险维度分析模块：

风险维度分析包括风险因子切分、经营结果展示两个步骤；风险维度分析模块是指在单个维度层面上，分析风险、经营这两个层面与单维度变量的关系；风险维度分析是一切分析工作的基础，这对于后续分析建模、现象解释、经营指导等具有重要意义；

风险因子切分，是指对单维度变量进行分组或者切分，在不同的离散分组或者连续切分组上进行风险或者经营结果的汇总，以明确单维度变量与风险和经营的关系；离散变量的切分需要指定分组规则，规定哪些变量分为一组；连续变量的切分需要指定切分点；

第一步选择机构名称；第二步选择选择业务类型；第三部点集当前风险因子选择需要切分的风险因子；风险因子有两种类型：离散和连续连续变量的切分方法是点击“添加切分”按钮；在添加切分上的输入框中，输入切分点；这样，可以添加多个切分点，添加完毕切分点后，点击查看结果，界面右边显示出切分的结果；点击保存结果，结果会被保存下来；如果需要重新切分，点击重置切分按钮；离散变量分组；首先在风险因子选择中选择一个离散变量；比如车辆类型；在添加切分左侧的输入框中输入分组名，比如“货车类”，然后点击添加气氛按钮，随后在“对变量车辆类型的切分”这个框中点击变量，点击的变量将会被分组到货车类这个大类中。随后同连续变量一样，可以点击查看结果，保存结果，以及重置切分；

风险切分完毕后，进行经营结果展示，展示在单变量分组结果上经营和风险的细节；

风险切分的技术原理展示如下：

假设数据总量为n，单维度变量为(x1，x2，…xn)，对应的需要分析的目标变量为(y1，y2，…，yn)，假设单维度的变量分为C组，每组的集合为set1，set2，…setC，设每组目标变量汇总值为t1，t2，…tC，

计算方法为：

t i = 1 n i Σ j x j ∈ set c y j ]]>

上述公式的物理含义是把归于特定分组的对应的目标变量求平均；

(二)、折扣费用模拟：

折扣费用模块包括业务单元分组、业务分组模拟、业务单元汇总三个步骤；

业务单元分组为在指定维度上，对数据进行分组，这里的指定维度为渠道或者三级机构；首先选择二级机构、业务类型、分组维度；初始状态下，所有数据都是显示在“未分组数据”条目下；此时，在创建分组左边的输入框中，输入组名，点击创建分组；此时点击未分组数据右边的加号，选中的数据将被分到刚才输入的组名中；按照此方法把所有未分组数据进行分组；

业务分组模拟首先需要指定需要达到的目标赔付率和目标费用率，系统可以智能地计算每个保单的折扣和费用，以达到经营目标；选择一个分组，然后需要填入赔付率，费用率的空缺，这里允许用户两种选择：直接定义建议赔付率或者建议费用率，系统自动算出不同渠道的赔付率和费用率，或者直接自定义赔付率和费用率。随后进入折扣模拟阶段；渠道系数和核保系数因为是国家规定，暂且不动；如果政策改变，这里也可以自定义比率；模拟方案可以选择地板价和固定折扣两个选项，一般情况下选择地板价；折扣模拟结束之后，进入费用模拟阶段；费用模拟时，首先填写费用预算分配；填写商业险和交强险的费用预算；此时点击费用模拟按钮，系统会计算出建议费用率和费用模拟结果；

业务单元汇总即把所有的保单汇总到指定的数量组上，在指定的数量组上展示折扣、费用；在分组结果展示板块中，选择分组来展示结果；每一组的建议折扣和建议费用是不同的；

对于保险经营来说，保单折扣和保单费用的计算具有很强的专业性，一张保单的折扣和费用的制定需要考虑以下要素：承保标的的风险情况，公司发展目标，公司经营策略，监管机构的范围限制，市场竞争情况；保单折扣制定需要体现承保标的的风险情况，风险越大，给出的折扣越高；也需要与公司的发展目标一致，经营目标越激进，给出的折扣越低；保单折扣的范围需要符合监管机构要求，不能超出监管指定的范围；保单费用的配比要需要结合保单的赔付成本情况，赔付越高，费用越少；费用的投放需要符合市场渠道商对费用的需求，同时也需要符合公司对外政策的一致性；费用和赔付共同构成边际成本，两者共同确定了保险公司经营发展的目标；保险经营中保单定价的折扣费用计算是一个非常复杂的的过程，此过程需求满足多方面的约束条件，同时兼顾数学上的最优化求解和业务中的实际需求；

达到目标赔付率要落实到控制保费上，逐单保费的定价是很困难的事情具有诸多约束条件：

1)、保费必须在基准保费的0.6375～1.3225范围内；

2)、保费计算需要考虑是否交商贴补；

3)、保费计算需要给出地板价方案以及允许用户自定义折扣；

4)、保费计算必须和风险挂钩，风险越大，保费越大；

5)、保费总和必须能够达到目标赔付率的要求；

逐单控制费用也是很有难度的问题：

1)、费用要在业务人员指定的范围之内，比如0％～50％；

2)、费用要和风险挂钩，风险越大，费用越小；

3)、费用要分为商业险费用和交强险费用；

4)、费用总和要满足目标费用率的要求，费用和赔付总和要达到边际成本的要求。；

核心算法如下：

假设有n个保单，预测赔付分别为loss1，loss2，…lossn，保费为manprem1，manprem2，…manpremn，假设规模赔付因子是x，设渠道最小系数、渠道最大系数、核保最小系数、核保最大系数分别为qmin,qmax,hmin,hmax，设目标赔付率为lr，则本算法解决以下优化问题：

Σ i = 1 n loss i Σ i = 1 n T i = l r ]]>

其中

xmin≤x≤xmax

其中xmin、xmax分别为规模赔付因子的最小最大范围；

通过求解上述优化问题，可以获得每个保单的保费Ti；

假设有n个保单，边际成本为mc，预测赔付分别为loss1，loss2，…lossn，保费为manprem1，manprem2，…manpremn，设目标费用率为ratio，每单费用率为ratio1，ratio2，…ration，则：

ratio i = m c - loss i T i ]]>

T i = max ( min ( loss i x , manprem i * q max * h max ) , manprem i * q min * h min ) ]]>

Ri＝min(max(low_bound,ratioi),high_bound)

Σ i = 1 n manprem i · R i Σ i = 1 n manprem i = r a t i o ]]>

初始时low_bound＝ratio/2,high_bound可以通过搜索得到；通过求解上述优化问题，当每个Ri找到之后，每个保单的费用率即可以确定；

(三)、销售规则管理模块：

这个模块包括销售规则生成、销售规则调整、销售规则回溯；

销售规则生成是指对保险公司数据做决策树建模，具体是指保险赔付数据和投保对象的各个属性(比如驾驶员年龄，车辆类型、载重量等)建模；决策树模型，就是根据一些自变量，建立一颗树，来预测目标变量的模型；

销售规则计算需要选中一些变量，设置规则参数变量个数和最小车辆数，然后点击生成销售规则；

销售规则调整是指可以在底部展现计算出来的规则时，客户可以调整销售规则中的折扣和费用；

销售规则回溯：目的主要是让用户搜索曾经计算过的规则指引；用户通过设置分组条件、分组、选择指定销售规则历史版本、选择回溯时间；当这些条件选择完毕后，点击销售规则回溯；即可回溯相应版本；

关键步骤是销售规则的生成，保险业界数据和建模有其自己的特点:

1)保险业界数据连续型和离散型数据并存；

2)保险业界模型要不失准确性的前提下足够简洁；

3)保险建模要求可以手动选择各个层的特征；

决策树建模的框架如下：

第一步，根节点设为树的第一层：

根节点上的对应数据为全部数据；

根节点上的目标值为全部数据理赔变量的均值；

备选特征为原始变量集合x_list；

第二步，逐层寻找层内最优变量，并分裂层内节点；

遍历层数，作如下操作：

a)寻找深度在符合要求的所有节点；

b)在节点集合上寻找最优特征：如果建树模式是自动方式，在备选特征中，采用自主研发的“层内增益算法”寻找最优特征；如果是手动方式，则选取x_list的第一个特征作为最优特征；

c)采用b)中找到的最优特征，采用自主研发的“特征增益算法”，对层内的每个节点尝试做二叉分裂；

d)备选特征中删去b)中筛选出来的特征；

假设层内有d个节点：分别为node1,node2,…noded，节点上的样本个数为n1，n2，…nd.有m个备选特征：f1，f2，…fm.采用如下公式选择最优特征：

i = arg max i ( Σ j = 1 d n j Σ k = 1 d n k gain i j ) , i ∈ [ 1 , m ] ]]>

其中gainij表示特征i在节点j上产生的增益；增益计算方法如下：

t m p _ g a i n = 1 n Σ i = 1 n ( x t i - 1 n Σ j = 1 n x t j ) 2 - k 1 n Σ i = 1 k 1 ( x t i - Σ j = 1 k 1 x t j ) 2 - k 2 n Σ i = 1 k 2 ( x t i - Σ j = 1 k 2 x t j ) 2 ]]>

其中n为样本个数；k1，k2分别为set1，set2中元素个数；xti表示样本xt的目标变量的值。