2019年，58家经营车险的险企总保费8119亿，成本率98.64%，承保利润114亿，利润增长的背后主要是由于手续费大幅下降。以老三家（人保、平安、太平洋）为例，综合费用率均较上年同期下降3个百分点以上，从公司角度看，在58家险企仅14家承保盈利，44家公司承保亏损，利润仍聚集在头部公司。
在竞争激烈的市场环境下，过于依赖车险的公司急需在增速下降情形下通过降低理赔成本达到盈利目标，但车险理赔现状给改善理赔成本带来诸多难题。
一个车险理赔事件的发生，从险企接到报案后，要经过查勘、定损、核损、核价、理算、核赔、结案支付等5-8个理赔环节，索赔流程繁琐，业务和系统的案件潜伏风险点随之增多。复杂的流程背后，是一个与车险理赔关联的产业链，保险公司虽然在不断的简化流程，但主要是客户流程方面的简化，背后的理赔链条改变不大。
（车险理赔流程）
基于以上业务特点，在降理赔成本的路上，各家保险公司风险管控的措施也逐渐从传统人工经验向智能数据分析监测转型。但保险行业的数据特点，决定了无法简单照搬互联网及其它金融领域应用成熟的大数据技术。
1.数据量偏少：一家中大型保险公司，平均一年理赔案件数据量约400万个，其中车损案件数据量约370多万个，人伤案件数据量约20万个；整体数据偏少，尤其是人伤数据偏少，制约了大数据算法的应用。
2.数据质量低：常见的保险理赔涉及到的字段约1400个，但真正可用于数据分析的字段仅200个。由于过度依赖人工录入，导致其中大量的数据缺失，信息错录、漏录、录入不规范等行业问题普通存在。
3.数据标签缺失：用于建模及分析规则的y标签（如：欺诈标签和减损标签）不全，又或者没有明确的定义。例如历史案件对于人伤欺诈案件管控普遍偏弱，导致以往的人伤欺诈案件没有被发现，机器学习缺乏对应的目标变量。
把同盾云图-知识图谱的处理技术结合到理赔场景中，打造云图-车险理赔版，通过用图数据找出异常结构，再结合行业经验，抽取成为知识图谱的风控规则，整个过程完全自动化，省去图谱复杂的数据关联同时相较于常规的数据分析算法，对于发现团伙性欺诈的效果明显。以某城市为例，“云图”车险理赔版命中的团伙，与保险公司发现的欺诈名单完全无交集，但最终核实的识别团伙案件的精准率达90%以上，方案实施后可帮助客户降低赔付率近2个百分点，相较于传统机器学习的数据分析效果有明显提升。
（同盾从人数据与理赔反欺诈率的关系）
2.风险渠道筛选
（从人风险有效识别风险最高的1%人群）
从整体来看，车险理赔的特点与互联网、金融等大数据应用成熟领域有明显的差异，需要把技术能力与保险场景做深度融合，通过业务与数据共同驱动，才可有效提升保险公司在理赔反欺诈反渗漏上的能力，超越原有的依赖经验与简单数据分析的规则模型，不断地自我学习进化，从而适应复杂的市场变化。
关于同保科技保险理赔解决方案
同保科技业务始于2015年，前身为同盾科技保险事业部，我们致力于帮助保险公司通过智能分析决策提升利润、效率、客户满意度，与合作伙伴携手探索人工智能、大数据等技术在保险理赔承保营销等领域的应用。
目前，同保理赔解决方案包括：智能反欺诈反渗漏、智能稽核、智能案件分类等，通过同盾的底层技术平台，结合理赔数据和从人数据，有效识别控制车险理赔欺诈风险和渗漏。
同盾知识联邦技术重大突破，联邦算法效率可提升6倍
国务院通报表扬唐山“春雨金服”行动模式值得复制数据安全“走钢丝”——同盾董启江与阿里、腾讯、公安部等大咖共话数据安全华为&同盾：连横合纵，科技公司逐鹿智能化浪潮