在當今的商業世界中，借助科學的方法和技術的手段來制定決策已經成為越來越多企業獲得競爭優勢的途徑。而僅通過傳統的商業智能技術已經不能滿足領先企業的需求。怎樣利用智能技術和工具，結合業務的應用點，深刻洞察現在業務的問題，并提出解決方法應用在企業業務流程中，提高業務流程的效率和準確率，就成為企業決勝未來的核心和關鍵。而這，就是業務分析與優化（BAO）的價值所在。

保險業的反欺詐難題

保險欺詐一直是保險行業的一大頑疾。據估算，世界保險業最發達的國家美國，每年因為欺詐造成的損失達到300-500億美元，在所有的理賠案件中，75%以上的理賠金額都有水分。有統計顯示，在發達國家中，所有理賠案件中欺詐程度較輕的汽車事故理賠，平均每筆理賠金額都可以撇去8%的水分。顯然，如果有更有效的方法來防范保險欺詐，將會給保險公司帶來非常大的商業價值。但是，反欺詐是一項非常復雜的工作。在反欺詐的理賠管理過程中，有三方面的因素需要去平衡：

***是賠款本身。賠款是理賠中***的一筆支出，在這部分支出中要盡量減少欺詐和滲漏。但是，如果保險公司沒有經過充分調查就拒賠，會導致客戶滿意度降低；但是如果對每一筆賠款都有過度調查，則又會導致工作效率下降。

第二是理賠成本。從企業經營的角度考慮，要盡量減少非必要的成本，但是如果過于關注產能或者單筆理賠成本的減少，理賠速度會上升，但是可能會存在過度賠付；而且如果工作人員的專業化程度不高，工作量和專業化程度之間的平衡就會打破。

第三是客戶服務。所有的客戶都不愿意自己的賠付要求被質疑，這就需要保險公司很好地去把握客戶滿意度和案件調查之間的尺度；另外，人員冗余、專業化程度不夠，以及工作人員在理賠過程中不恰當的管理、審核和操作，都會損害客戶服務的水平。

目前，各家保險公司都已經采取了一些反欺詐的措施與手段，但是效果卻不盡理想。原因在于：保險公司不可能對每個案例、每個環節都進行調查；理賠員和審核、調查員職責是分開的，理賠人員重視的是快速結案，而不是識別欺詐；對于理賠員及時培訓并產生報表是非常困難的；勘查的資源調度效率很低，沒有系統的方法去優先關注可以減少更多損失的案子，沒有統一標準的方法去甄別欺詐，而且不同的方法需要的技術和數據不一樣。總體來講，缺乏先進的、高效的甄別能力去識別最可疑的理賠行為，缺乏數據支撐的手段和系統去支持它的反欺詐業務流程，導致大量的工作資源投入浪費在沒有目標的調查中去。

臨渴掘井 不如防患未然

傳統的做法是事后去看一個案件有沒有可能欺詐。IBM與一家國內領先的保險公司合作，探索業務分析與優化（BAO）解決方案在保險行業的應用，將反欺詐的調查手段盡量提前。以前，大多數有欺詐可能性案件的發現是經過了整個業務流程，從報案、查勘、定損、談判、核賠到追償殘值，很多時候是整個流程都快走完了才發現需要去做調查。這就導致就算欺詐被發現也是事后的，而且是在賠款支付以后，這就意味著要付出額外的成本去追回欺詐款。而主動的反欺詐調查，就是在成千上萬的理賠案件里面，通過一些模式分析首先發現存在高風險的欺詐案件。在這些案件進入平常的處理流程之前，將它們引入特別的處理程序，提前啟動調查流程。這樣可以在相當程度上降低保險公司的成本，而且因為避免了事后追償或者當時質疑，客戶滿意度也會提升。

IBM BAO解決方案把反欺詐的過程分成發現、處理到防止三個環節。在發現環節要有手段，針對每一個特定類型的風險都要進行甄別，并且對風險因子進行量化；處理環節要根據發現的風險采取多方的處理措施，不同類型的風險要用不同類型的措施去應對，減少由于欺詐所產生的支出；防止環節要了解跨整個企業環節的風險，而不是某個業務環節的風險，采取主動的、預測性的風險管理手段，持續監控和了解逐漸凸現的可能風險。

IBM BAO解決方案的特點是通過技術手段對海量的非正常客戶理賠數據進行分析，充分利用行為建模（behavior modeling）的方法來甄別潛在的滲漏和欺詐，即：通過一些專有的數據分析和數據模型手段去幫保險公司厘定一些標準，如：什么樣的行為是具有高風險的行為模式？這些行為模式是用什么樣的數據維度來衡量和發現的？哪些人群最有可能采取這樣的行為？為了找到目標人群，需要用什么樣的數據去捕獲？在獲得行為模式識別和可能客戶對象識別的結果后，來分析和預測到底哪些案件應該控制風險，哪些案件應該降低成本支出，把有限的保險公司的理賠資源投入和精力放到最有可能發生欺詐和滲漏的案件上去。

具體講，IBM BAO解決方案分三個階段來實現：

理賠檔案分析：通過對已經發生的典型欺詐案件做分析，找出欺詐的來源和根本原因。這是一個定性分析階段，IBM基于保險公司的核心業務系統——理賠檔案的管理系統中掌握的大量理賠檔案中現有的數據，進行總體的分析和評估，總結出來一些標準和規則，并分析出保險公司核心業務系統中能夠掌握的哪些數據、維度和分析得出的欺詐來源與根本原因對應，從大的方面去優化理賠操作，為下一步的建模提供一些基礎的數據。這里涉及的設計問卷、案卷調查、案卷審計、改進報告等，都要通過訪談和結構化的分析總結出欺詐的來源和根本的原因。其中，還要用到一些嚴格的統計分層抽樣的方法，保證這樣的定性分析有一定代表性。

行為建模：從理賠檔案分析出的類型和數據維度基礎上，利用行為建模的方法發現欺詐的規則和模型，隨后進行批量的數據預測，并對結果進行分析。這是一個半自動化的階段，既有手工工作，也利用一些數據分析和數據挖掘的工具，比如IBM業界領先的SPSS統計分析軟件等對所有的資料進行定量、定性分析，確定哪些資料對于判定欺詐風險有作用。

持續優化和改進：把發現的規則和模型引入到理賠系統和業務流程中，進行自動化的持續優化和改進。這是一個自動化的階段，可以利用IBM ILOG等優化軟件和工具，把行為模型的結果，如什么樣的人群、什么樣的行為、在什么樣的時間點發生欺詐的可能性是百分之多少這樣的規則，應用到理賠、核賠、業務分析建模、管理人員績效報表這四個理賠過程中的主要業務流程里面去，并且固化成為業務流程的一部分。

BAO的實施將會給保險企業帶來一些非常直觀的收獲：

更加有效和策略性地指導新員工的工作。保險行業靠的是人，資歷較淺的理賠員或調查員剛加入公司時因為經驗不足，非常可能誤判案件。傳統的做法都是師傅手把手傳幫帶一段時間，這就產生了很高的成本。有了BAO解決方案和系統，過去總結的經驗在數據和系統里面能夠得到體現，就不需要資深理賠員或調查員付出以前那么多的時間和精力跟新員工一起工作，從而減少了相應的成本。

統一審核標準。過去每個理賠員由于資歷、專業領域、過去經驗的差異，對于同樣的案件做出來的判斷很可能不一樣；而且由于交給調查員的案子非常多，調查員的效率也非常低。有了BAO解決方案，可以相對統一審核標準，同時可以過濾掉一些沒有必要調查的案件。

以智慧洞悉未來

BAO是一個很大的概念，從底層的數據整合，到對現有的業務流程和系統的分析，識別哪些數據維度非常重要、需要跨公司層面地整合起來，然后在此基礎上利用一些數據挖掘、優化的工具、借助模型支撐，來解決企業的業務問題，并在實際業務中根據業務的變化、競爭對手的變化、數據的變化和客戶的變化而持續優化設計出的模型。所以，BAO是企業決策和業務行動的一個端到端的閉環過程，其本質在于通過智能對未來進行預測，告訴你將來會發生什么事情，應該如何去應對，怎樣才能做到***。而BAO最終的結果是將分析和洞察應用和固化到企業的流程中去，讓企業的業務更加流暢地運轉。