TWM563034U

TWM563034U - 保險核保系統

Info

Publication number: TWM563034U
Application number: TW107201022U
Authority: TW
Inventors: 李秦漢; 侯冠宇; 羅張亮
Original assignee: 國泰人壽保險股份有限公司
Priority date: 2018-01-22
Filing date: 2018-01-22
Publication date: 2018-07-01

Abstract

在此揭露一種包括一核保風險模型的保險核保系統。核保風險模型包括多個經分類為數種變數類別的解釋變數，且核保風險模型係被設置透過解釋變數並執行至少一統計分析演算法產生單一風險變數，以對一投保案件進行核保風險評估。當投保案件被投入核保風險模型進行核保風險評估時，核保風險模型透過解釋變數取得投保案件對應之保戶資料，及將對應之保戶資料帶入統計分析演算法，產生單一風險變數數值，作為該投保案件之一核保風險評分。

Description

保險核保系統

本創作乃是與一種保險核保系統相關，且尤其是與應用在保險業者的保險核保系統相關。

過去核保保險的作業流程均是倚靠人工作業，一件一件綜合考量保戶的各種條件與資料，評估其風險來決定是否核准投保。因此核保作業時間通常都需時數天，並受限人力而無法增加效率，且可能受人工作業的疏失影響而有所錯漏。上述問題已經年累月造成保險業者各項成本增加，目前亟需尋找解決或改善的方法。

本創作之一目的係在提供一種保險核保系統，透過設置核保風險模型，透過其中的解釋變數並執行至少一統計分析演算法產生單一風險變數，以對一投保案件進行核保風險評估。

本創作之一目的係在提供一種保險核保系統，透過核保風險模型對投保案件將投保案件對應之保戶資料帶入該統計分析演算法，產生單一風險變數數值，作為該投保案件之一核保風險評分。

依據本創作，提供一種保險核保系統，包括一核保風險模型。核保風險模型包括多個經分類為數種變數類別的解釋變數，且係被設置透過解釋變數並執行至少一統計分析演算法產生單一風險變數，以對一投保案件進行核保風險評估。當投保案件被投入核保風險模型進行核保風險評估時，核保風險模型透過解釋變數取得投保案件對應之保戶資料，及將對應之保戶資料帶入統計分析演算法，產生單一風險變數數值，作為投保案件之一核保風險評分。

由上述中可以得知，本創作之保險核保系統透過核保風險模型自動產生投保案件之核保風險評分，可減少人工作業，提升核保的效率與正確性。

為進一步說明各實施例，本創作乃提供有圖式。此些圖式乃為本創作揭露內容之一部分，其主要係用以說明實施例，並可配合說明書之相關描述來解釋實施例的運作原理。配合參考這些內容，本領域具有通常知識者應能理解其他可能的實施方式以及本創作之優點。圖中的元件並未按比例繪製，而類似的元件符號通常用來表示類似的元件。

為了發展自動核保的技術，創作人運用合適的演算法，依風險類別（如：住院、手術、身故全殘、重大疾病等各類型保險契約）逐步建構對應之風險預測模型，以做為智能化核保的基礎。

依據一實施例，提供一種核保系統，包括一核保風險模型。核保風險模型包括多個經分類為數種變數類別的解釋變數，且係被設置透過解釋變數並執行至少一統計分析演算法產生單一風險變數，以對一投保案件進行核保風險評估。當投保案件被投入核保風險模型進行核保風險評估時，核保風險模型透過解釋變數取得投保案件對應之保戶資料，及將對應之保戶資料帶入統計分析演算法，產生單一風險變數數值，作為投保案件之一核保風險評分。

依據另一實施例，提供一種核保方法，包括下列步驟：建置一核保風險模型，其中包括多個經分類為數種變數類別的解釋變數，且核保風險模型係被設置透過解釋變數並執行至少一統計分析演算法產生單一風險變數，以對一投保案件進行核保風險評估；及當投保案件被投入核保風險模型進行核保風險評估時，利用核保風險模型透過解釋變數取得投保案件對應之保戶資料，並將對應之保戶資料帶入統計分析演算法，產生單一風險變數數值，作為投保案件之一核保風險評分。

請一併參考圖1、圖2，其中圖1顯示依據本創作之一實施例之核保系統1之一系統架構示意圖，圖2顯示依據本創作之一實施例之核保方法100之一流程圖。請注意在此是為了簡便，將核保系統1與核保方法100一併說明，然而在其他實施例中，核保方法無須限定應用於圖1示例的核保系統1。核保系統1包括一輸入模塊11、一核保風險模型12及一評估模塊13。輸入模塊11可接收到前端系統（圖中未示）投入的一投保案件相關的資料，再傳送給核保風險模型12及評估模塊13，由評估模塊13控制核保風險模型12進行該投保案件核保風險評估。核保風險模型12包括多個經分類為數種變數類別的解釋變數。核保風險模型12的建置（步驟110）可分為兩個階段，首先是在欄位建置階段，結合原來人工審查人員的經驗，確認目標變數，發想對應之可能風險因子，並考量資料的可得性，彙整多個解釋變數進行後續模型建置。第二階段是模型建構階段，此時為使核保風險模型12效益最佳化，可選擇性地應用機器學習（Maching Learning）方法，挖掘潛藏在資料中的風險因子（Risk Factors）作為解釋變數。

舉例來說，在本實施例中共彙整出八大類變數類別160餘個解釋變數，然變數類別與解釋變數數量不限於此。八變數類別包括但不限於：人身資料類別、要保書資料類別、自行生調表類別、歷史投保紀錄類別、保單貸款類別、經手人類別、理賠資料類別及家族資料類別。人身資料類別包括的解釋變數舉例為但不限於：性別、年齡、身高、體重、BMI值、職業類、疾病史、住院史、既往症、身體殘缺情況等等。要保書資料類別包括的解釋變數舉例為但不限於：繳別、要被保人關係、是否為集彙件、縣市等等。自行生調表類別包括的解釋變數舉例為但不限於：婚姻狀況、是否吸菸、是否喝酒、是否嗜吃檳榔、契約來源、投保目的、主要經濟來源、工作車輛、要保人學歷、被保人學歷、要保人年收入、收入來源等等。歷史投保紀錄類別包括的解釋變數舉例為但不限於：近五年投保主約保單總數、近五年投保附約險別總數、有效主約保單總數、有效附約險別總數、是否為新保戶等等。保單貸款類別包括的解釋變數舉例為但不限於：目前保單貸款金額、總保單貸款金額等等。經手人類別包括的解釋變數舉例為但不限於：經手人與被保人關係、生調類別、兩年內解除契約件數等等。理賠資料類別包括的解釋變數舉例為：過去五年是否曾理賠、家族成員是否曾理賠防癌險、家族成員是否曾理賠重大疾病險等等。家族資料類別包括的解釋變數舉例為但不限於：家族人數、家族防癌險投保人數、家族重大疾病險投保人數等等。

其次，核保風險模型12係被設置透過解釋變數並執行至少一統計分析演算法產生單一風險變數，以對一投保案件進行核保風險評估。在此是以主成分分析法（Principal Components Analysis）作為統計分析演算法的一範例，然而在其他實施例中可以應用其他類型的統計分析演算法，如：迴歸分析演算法，無須限制於此。主成分分析法可將多個解釋變數(X)進行降維轉換到目標變數(Y)的座標，減少變數的數量，但同時保有各變數的獨特性。透過統計分析演算法計算產生的核保風險評分可代表該投保案件在一預定時間內發生理賠的風險機率值。因此，核保風險模型12導入後新的投保案件將可自動計算風險評分，以協助對投保案件核保中風險較高者進行預警提示，對風險較低者進行自動核保，預期可產生提升核保效率、降低短期出險等效益。

其次，在步驟120，當核保風險模型12經輸入模塊11收到一投保案件時，透過解釋變數取得投保案件對應之保戶資料，各種保戶資料皆帶入至對應的各解釋變數中。前端系統舉例但不限於一資料庫、一保險契約案件系統、或其他可取得一投保案件相關資料的電子設備或系統。核保風險模型12將上述對應之保戶資料帶入統計分析演算法，產生單一風險變數數值，作為投保案件之一核保風險評分。

舉例來說，當該投保案件係與一醫療險相關時，核保風險模型12可透過統計分析演算法將解釋變數轉換為數量相對較少的變數並迴歸進行以產生單一風險變數。在此示例五種變數可包括手術次數變數、手術倍數變數、住院日數變數、住院次數變數及看診次數變數等等。

在另一例當中，當該投保案件係與一醫療險相關時，該核保風險模型12可透過統計分析演算法將解釋變數轉換為單一風險變數，如：身故變數及全殘變數之任一或其組合。

其後，可選擇性地在步驟130，進行一預定保險類別之自動核保程序，包括：在核保風險評分高於一風險閥值時，將投保案件送交進行人工審查，且在核保風險評分低於風險閥值時，自動核保投保案件。

因此，由上述中可以得知，透過核保系統及其方法透過核保風險模型自動產生投保案件之核保風險評分，可減少人工作業，提升核保的效率與正確性。

以上敍述依據本創作多個不同實施例，其中各項特徵可以單一或不同結合方式實施。因此，本創作實施方式之揭露為闡明本創作原則之具體實施例，應不拘限本創作於所揭示的實施例。進一步言之，先前敍述及其附圖僅為本創作示範之用，並不受其限囿。其他元件之變化或組合皆可能，且不悖于本創作之精神與範圍。

1‧‧‧核保系統
11‧‧‧輸入模塊
12‧‧‧核保風險模型
13‧‧‧評估模塊
100‧‧‧核保方法
110, 120, 130‧‧‧步驟

本創作所附圖式說明如下：圖1顯示依據本創作之一實施例之核保系統之一系統架構示意圖；及圖2顯示依據本創作之一實施例之核保方法之一流程圖。

Claims

一種保險核保系統，包括：一核保風險模型，包括多個經分類為數種變數類別的解釋變數，且該核保風險模型係被設置透過該些解釋變數並執行至少一統計分析演算法產生單一風險變數，以對一投保案件進行核保風險評估；其中，當該投保案件被投入該核保風險模型進行核保風險評估時，該核保風險模型：透過該些解釋變數取得該投保案件對應之保戶資料，及將該些對應之保戶資料帶入該統計分析演算法，產生單一風險變數數值，作為該投保案件之一核保風險評分。
如申請專利範圍第1項所述的保險核保系統，其中當該投保案件係與一醫療險相關時，該核保風險模型透過一主成分分析法將該些解釋變數轉換為五種變數以產生單一風險變數，該五種變數包括手術次數變數、手術倍數變數、住院日數變數、住院次數變數及看診次數變數。
如申請專利範圍第1項所述的保險核保系統，其中當該投保案件係與一醫療險相關時，該核保風險模型透過該統計分析演算法將該些解釋變數轉換為單一風險變數，該風險變數包括身故變數及全殘變數。
如申請專利範圍第1項所述的保險核保系統，其中該核保風險模型更被設置以進行一預定保險類別之自動核保程序，包括：在該核保風險評分高於一風險閥值時，將該投保案件送交進行人工審查，且在該核保風險評分低於該風險閥值時，自動核保該投保案件。
如申請專利範圍第1項所述的保險核保系統，其中該統計分析演算法包括一迴歸分析演算法，該核保風險評分代表該投保案件在一預定時間內發生理賠的風險機率值。
如申請專利範圍第4項所述的保險核保系統，其中該預定時間為未來四年。
如申請專利範圍第1項所述的保險核保系統，其中該些變數類別包括人身資料類別、要保書資料類別、自行生調表類別、歷史投保紀錄類別、保單貸款類別、經手人類別、理賠資料類別及家族資料類別。
如申請專利範圍第1項所述的保險核保系統，其中該些解釋變數包括性別、年齡、身高、體重、BMI值、職業類、疾病史、住院史、既往症、身體殘缺情況、繳別、要被保人關係、是否為集彙件、縣市、婚姻狀況、是否吸菸、是否喝酒、是否嗜吃檳榔、契約來源、投保目的、主要經濟來源、工作車輛、要保人學歷、被保人學歷、要保人年收入、收入來源、近五年投保主約保單總數、近五年投保附約險別總數、有效主約保單總數、有效附約險別總數、是否為新保戶、目前保單貸款金額、總保單貸款金額、經手人與被保人關係、生調類別、兩年內解除契約件數、過去五年是否曾理賠、家族成員是否曾理賠防癌險、家族成員是否曾理賠重大疾病險、家族人數、家族防癌險投保人數、家族重大疾病險投保人數。
如申請專利範圍第1項所述的保險核保系統，其更包括一輸入模塊接收一投保案件相關的資料，及一評估模塊控制該核保風險模型評估該投保案件核保風險。