知识图谱在保险领域的六大应用

　　通过百度指数，搜索“知识图谱”关键词，可以发现知识图谱从2017-2018年开始逐渐热门，到现在经过3年左右的发展，中间趋势是平稳上升，但也有很多次回落的状态。

　　数据显示，知识图谱行业市场规模从2014年的10.7亿元增长至2018年的87.7亿元，年复合增长率为69.1%。近几年高速发展且特别热门的概念，其实在保险金融的浅显领域已经有了一些较为成熟的应用。

　　对于保险来说，营销就是放进更多的客户，需要用更低的成本获取更多的客户。知识图谱可以最大限度发挥“关系”的力量，帮助保险公司精准营销获客，它可以实现以下功能：

　　建设企业知识仓库，包括特征库、事件库和企业信息库，从纷繁复杂的数据中提炼价值变量，作为描述客户特征和营销模型的重要数据素材。

　　建立客户投资、担保、资金归集交易关系图谱，挖掘客户的“朋友圈”，发现有价值的潜在客户对其营销。

　　各类业务场景构建差异化业务模型，例如采用新客户获客筛选模型带来新增流量，客户价值提升模型助力存量客户挖掘，不同模型采用差异化构建过程。

　　构建差异化多渠道的商机分发方案，针对商机价值大小和商机特征匹配不同的营销策略，设计不同的监控方案和指标，跟踪商机分发后的营销效果。

　　阳光保险旗下惠金所业务当中，邀请好友功能建立了客户与客户之间的联系。注册会员和邀请关系，构成了知识图谱的两大元素，即实体和关系。利用知识图谱的特性，以邀请与被邀请关系作为基础，建立用户间的关系图谱，实现以更清晰及便捷的方式查询客户之间的关系，评估路径传播能力，锁定优质客户群及潜在价值客户。基于“有钱人的朋友也是有钱人”等规则，利用领军人物及图谱结构推测整个圈子的价值，从而支持客户运营管理，提升业务价值目标。

　　江苏省的一家上市公司（家族企业），它的一名大股东，是董事长的儿子，在抛售了价值9亿的股份，也就是套现了9亿。知识图谱第一时间捕获了这个信息，精准地推送给了客户在江苏省南京市当地的客户经理，客户经理接到信息就上门去做营销。

　　对于保险来说，核赔和核保是将瓶口缩小，控制风险，不能把太多的坏人放进来。在风险预测方面，知识图谱可以实现以下功能：

　　风险舆情监控，对保险公司关联关系进行挖掘，实现语义上精准的舆情预警，帮助保险公司掌握风险舆情一手信息。

　　承保风险预测，基于度的数据，建立起客户、企业和行业间的知识图谱，从行业关联的角度预测行业或企业面临的风险。例如通过对行业进行细分，根据信息、行业信息建立行业间的关系模型。通过机器学习，可发现各个行业间的关联度，如果某一行业发生了行业风险或高风险事件，根据关联关系可以及时预测有潜在风险的其他行业，从而可以帮助保险机构做出预判，尽早地规避风险。

　　某金融行业的案例，保险领域可以此类推。某集团企业将其旗下一家子公司以二十多亿的价格出售给了另外一家公司，这似乎是一个极大的利好消息，随之而来的是价格上升。同时，该企业到银行来申请更多的，用以扩大再生产。但是通过知识图谱却识别出这笔交易疑似关联交易，是左手换右手。将此信号及时推送给信贷风险经理，提示他这件事情当中存在的风险，帮助他进行风险决策，避免潜在的不良损失。该案例中利用知识图谱的知识推理技术，根据已有的实体关系，推导出交易存在风险。

　　近年来，保险欺诈形式花样繁多，团伙欺诈、内外勾结等手法推陈出新，不少欺诈案件会涉及复杂的关系网络。在这种严峻形势下，原来通过单点突破进行反欺诈或者侦查的方法已经远远落后于时代需要。反欺诈的核心是人，知识图谱技术将把与投保人和受益人相关的所有数据源打通，整合投保人和受益人的基本信息，如消费记录、行为记录、关系信息、线上日志信息等，进而进行深度分析和预测。

　　2017年11月，阳光产险信保事业部将知识图谱技术正式应用于产险信保反欺诈环节。截至2017年12月底，共发现18起重大案件（涉及人数大于5人的案件），较上线前仅凭人工发现的案件量提升了8.5倍。知识图谱反欺诈系统能以可视化的方式勾勒出人个人信息及社会关系，为反欺诈工作提供了更多线索，增强了反欺诈工作人员的风险识别能力，也提升了他们的工作效率。

　　在消费者购买保险的过程中，由于保险条款充斥着大量难以理解的专有名词，这将很多消费者拒之门外，看到艰深晦涩的条款，消费者会望而却步，难以下定决心购买保险产品。甚至，这些条款对于保险代理人来说，也是难以被理解的。保险代理人的职业素养不到位，消费者的购买体验就会很差。知识图谱可以将保险条款提取出来，建立结构化的比价系统。便可以让消费者方便查询保险条款，可以结合自身兴趣度比较保险产品。

　　利用知识图谱构建销售机器人和理赔机器人，以AI+人工客服方式进行训练和优化，用对话流（类聊天模式）让用户感觉是在对话，而不是在填表。这种基于切词+知识图谱+引导QA的技术，较为成熟，目前已普遍应用于各类金融机构（如招商银行、平安保险等）的客服对话中。不过，用对话流来完成销售/理赔，是否真的比表单结构的瀑布流，操作效率更高，体验更好，值得商榷，也需要更多不同年龄用户的实践检验。

　　机器人加入了个性化推荐的功能，会根据客户的具体情况推荐保险产品，这个难度会更大一些.具体来讲，能根据客户回答的6组问题，包括性别、年龄、家庭结构、所在城市等基本问题；以及家庭总体一年赚多少、一年花多少、存款有多少、有多少、是否有社保、理想养老替代目标、生活方式等问题，系统可以立即计算出你整个家庭的理想保险建议，包括家庭风险防御能力指数及提升方法，以及包括自己、配偶、子女、财产在内的家庭理想保险建议等结果。

　　在以人力密集型的呼叫中心，通过知识图谱和智能语音技术打造熟悉保险行业的智能语音机器人，替代人工坐席自然、流畅地与客户的进行沟通，灵活应对客户提出的常见问题，高效完成外呼任务。新冠病毒疫情期间，基于知识图谱打造的疫情排查智能助手，具备自动询问并采集居民疫情信息分析、生成结论统计报告、全程录音备查、语音高精度转写文字、自动生成汇总报表等功能。在具体的工作中，一天可完成约2000余通电话回访，而人工拨打将耗时约8个工作日。

　　保险知识图谱中拥有海量的关于保险产品内容的结构化数据，保险产品的设计者可以利用这些数据辅助进行产品的设计。大量的结构化数据能够比较清晰完整地反映市面上保险产品的概况，诸如各个险种的分布情况、某一险种的发展趋势以及某些产品的设计逻辑等，都能够基于图谱数据运用定量化的方法得出相关的结论。那么当产品的设计者手中有这样一份数据时，就能够设计出更加贴近市场、更加顺应潮流的保险产品 。

　　在进行产品设计时，对疾病的掌握很关键，疾病所对应的赔率该定为多少需要仔细琢磨。目前，可以利用知识图谱可以构建医疗数据库。在查询相关疾病时，通过医疗知识图谱可以知道某种疾病的花费大概需要多少、最有经验的医院在哪、国内有没有痊愈的案例、国内外有哪些特效药和创新治疗方法、社保是否报销、商业保险是否覆盖等等。

　　通过对内部半结构化和非结构化材料进行知识提取与规则建立，能够帮助保险公司形成内部材料快速电子化，确保数据正常流动，极大提升工作效率的同时，有助于得出对业务有益的知识。

　　除上述应用场景外，知识图谱还可以实现信息化可视化展示的功能。比如，通过一个被保险人的身份证号，知识图谱中就会出现与之相关的消费记录、联系人信息、行为特征、职业、同业等关联标签信息。通过知识图谱的可视化展示，把复杂的关联非常直观地呈现出来，使得各类信息的整体关联情况可以一目了然。

　　目前的知识图谱在保险金融领域存在一定问题，在实际的业务进行中无法很好地落地。知识图谱在发展过程中仍存在许多技术难题，目前主要有以下几点：