理赔反欺诈

1客户嘴上要的

「医疗险理赔欺诈越来越多：虚假住院、挂床、带病投保。建一个 AI 反欺诈模型，给每个理赔案件打欺诈分。」

这是症状或现成方案，不一定是真问题。下面看两种做法。

2照字面做，会怎么烂

3好 FDE 的实际走法

共 6 周，分 5 个阶段。带三角标记的是这一步最容易踩的坑。

1. 1

   第 1 周看调查组怎么选案件

   • 跟理赔调查组和 2 个理赔审核员各坐一天。发现：调查员每月最多查 150 件，选案靠审核员经验转介，调查命中率约 15%，大部分调查查完都是正常案件。
   • 再看历史标签：只有被调查过的案件才有「欺诈/正常」结论，约占全部案件的 2%。用这些标签训练，模型只会重复审核员过去的选案习惯。
   • 真问题不是「给每个案件打分」，是「在固定调查产能下，选对这 150 件」。成功标准改成：调查命中率 15% → 30%，调查件数不变；每月的选案队列能说清每件被选的原因。
2. 2

   第 2 周定范围 + 处理标签偏差

   • 砍范围：只做住院医疗类理赔，只用公司内部已有数据：保单、理赔、就诊医院、发票和费用明细、代理人和渠道信息。
   • 针对标签偏差，好 FDE 和调查组长约定：每月 150 件中留 15 件随机抽查，用来获得没有选案偏差的标签，并检验模型是否漏掉了新的欺诈方式。
   • 政治难点：理赔部关心时效和客户投诉，调查组关心命中率。拉理赔部负责人一起定规则：模型只决定查不查，不决定赔不赔，赔付结论仍以调查证据为准。
   • 踩坑不要把欺诈分数写进拒赔理由。拒赔要有事实和条款依据，否则会引发投诉。
3. 3–4

   第 3–4 周原型 + 用历史月份回放

   • 做「月度调查队列」：模型结合规则（如投保后短期内住院、同一医院同类诊断异常集中、住院天数与诊断不符、费用明细异常）给案件排序，每月输出前 150 件，每件列出 3 条可核实的选案理由，链接到原始单据。
   • evals：用过去 6 个月逐月回放，只用当时能拿到的数据排序，看排出的前 150 件里历史认定欺诈的命中数，要求比实际选案高一倍。
   • 踩坑回放时用了「事后才知道」的数据（如后来补充的调查信息），结果会虚高。逐月回放必须严格按时间截断数据。
4. 5

   第 5 周Demo + 启动并行选案

   • 从下一个月开始，调查组按原方式选 75 件、按模型队列选 75 件，比较命中率。让调查员本人看选案理由，标出「理由有用 / 没用」。
   • 常见反馈：「同一医院集中出现的提示最有用」——据此增加医院维度的汇总视图。
5. 6

   第 6 周交接交接

   • 并行选案要在交接后一个月才有结果，FDE 每周看一次进度。月底由下面的理赔调查组长按成功标准验收：模型队列 75 件的命中率是否达到 30%，并和原方式 75 件对比；达标后再把 150 件全部改按模型队列选。
   • 交接给理赔调查组长：负责每月队列、随机抽查和调查结论的回填；风控部一位数据分析岗负责每季度重新训练和规则更新。运行手册写清：调查结论必须回填系统，否则模型会越来越偏。

4这个案例教给你的可复用判断