图技术赋能保险业务

图分析在保险行业的应用

场景一:保单理赔反欺诈识别

面临挑战

骗保一直是保险行业棘手的问题,各大保险公司始终在寻找好的技术手段来解决保险诈骗识别难、识别慢的问题。据业内专家估计,我国保险诈骗金额占赔付总额的20%-30%,而全球这个比例仅15%。保险公司对反欺诈的需求,贯穿于前期核保到后期理赔的各个环节。同时,随着互联网平台售卖保险方式的兴起,保险公司对反欺诈的鉴别速度也提出了越来越高的要求。

解决方案

较以往传统的反欺诈手段不同,在应用 TigerGraph 图技术后,保险公司能够基于全量理赔数据构建完整关系网络视图。理赔业务流程如下所示。
在保单理赔反欺诈识别中,可以将业务规则应用到TigerGraph 图分析算法进行社群发现,大幅提高欺诈检测的速度和效率。例如基于百万医疗险的全量保单数据,建立人——保单关系网络,识别刷单团伙,为核保机构提供信息和数据支持,避免公司损失。
同时,基于TigerGraph 平台提供的联通分量等算法进行社区检测,在实时反欺诈过程中,同时支持OLAP、OLTP的查询性能,支持逻辑多图,多个部门共享图数据,可以实现百亿份保单数据装载以及毫秒级反欺诈处理。
保单理赔反欺诈识别

实现成效

TigerGraph 可以帮助保险公司实现毫秒级完成实时反欺诈处理,TigerGraph 图分析平台可以轻松实现百亿级的数据装载,支持每秒可以遍历数以亿计的点或边,提供秒级的分析响应和查询性能(OLAP)。同时,TigerGraph 图技术在反欺诈的赋能实例中,对超大量数据处理的规模和速度、对反欺诈识别的实效以及识别的准确性都较传统手段有着显著提升——保单召回率提升53%以上,样本覆盖率提升到75%。随着TigerGraph 图+机器学习模型的不断学习,识别精准率、准确性还将持续提升。

场景二:代理人队伍管理

面临挑战

保险公司的销售规模往往与代理人的规模有着直接的联系。代理人队伍不仅是保险产品的核心销售渠道,同时也是公司成本、管理风险的主要来源之一。以某Top 保险公司为例,在应用图技术之前,该保险公司很难对规模庞大的代理人队伍形成一幅完整、全面的架构认知,存在一系列急需解决的问题,比如:代理人/营销人员人数众多,营销员的业绩考核基于人员关系,情况复杂;组织架构会依据绩效进行调整,导致绩效考核难以及时计算等问题。此外,不少代理人队伍还存在其它一系列的管理问题。

解决方案

由于图本身就具备善于表达人与人之间关系的天然属性,因此可以利用图算法联通分量进行社群发现,从而发现更多的隐藏关系。代理人队伍管理的场景,我们可以基于TigerGraph图分析平台实时处理复杂关系网络,回溯和预测未来代理人组织架构,并有效管理团队和预警。通过TigerGraph 图分析算法,可以深入的挖掘图特征,比如代理人团队、代理保单和客户等,使模型的预测效果更准确等。

实现成效

通过TigerGraph 图的可视化、数据探查和特征使得模型可解释性增强。在TigerGraph 图技术业务逻辑上的明显表达优势和性能优势支持下,代理人队伍的管理变得直接、高效。企业可以按理想代理人结果培养、发展队伍。同时,发现代理人团队的销售产品服务的喜好及能力,匹配待开发的客户。在实际应用中,基于TigerGraph图分析技术,并利用图分析算法提取40+的特征值,极大丰富了特征工程,可以对代理人团队骗取佣金等进行及时拦截,辅助风险管控。
2022 Gartner® Magic Quadrant™ For Cloud Database Management Systems

TigerGraph入选Gartner®魔力象限

据Gartner称,到2025年,图技术将被用于80%的数据和分析创新,高于 2021 年的 10%,促进整个企业的快速决策。这一预测与TigerGraph Cloud的成功采用相一致。

TigerGraph 的总体经济影响

阅读Forrester研究报告,查看TigerGraph图分析平台的商业价值。
TigerGraph 成功入选《Gartner 2022年云数据库管理系统关键能力-分析用例》报告

TigerGraph 成功入选《Gartner 2022年云数据库管理系统关键能力-分析用例》报告

TigerGraph Cloud在数据湖用例中的得分高于3.5分,主要是由于其强大的机器学习能力和内置的图数据科学库和算法。TigerGraph Cloud在流分析用例中的得分也很高,因为它支持对流式数据的分析。