保险欺诈不仅损害保险消费者的权益，同时造成保险服务资源浪费，增加保险公司的成本，破坏正常的市场秩序。
形成保险欺诈的原因很多，不仅有社会、经济、人性的因素，也牵涉到保险公司内部管理和社会法律环境等因素，我国绝大部分财产险公司，车险业务占比在70%以上，车险的经营具有链条长、涉及主体范围广、索赔便捷等特点，很容易成为恶意欺诈者的攻击对象。
当前，车险欺诈呈现多样化、团伙化和专业化等特点。车险欺诈的数量不断上升，且欺诈类型日益多样和隐蔽，比如通过伪造事故现场、车辆套牌、更换驾驶员、伪造理赔单等多种方式骗赔，进行车险欺诈；车主勾结同伙，修理厂勾结代理机构，保险公司内部人员与社会人员内外勾结，车主与医院联合造假；作案手法专业性越来越强，极具隐蔽性。
对车险查勘定损及理赔流程比较了解，作案现场布置的很有迷惑性，伪造的交通事故责任认定书及医院诊断证明材料以假乱真等。
据保监会统计数据分析，2016年车险欺诈占到理赔总额的10%-20%，约600亿元。我国车险欺诈索赔额占赔付总额比率远高于全球平均水平，因此，开展反欺诈研究刻不容缓。
2.基于机器学习的风控模型
在目前商车费改进一步深化的行业背景下，积极运用前沿大数据及AI技术，从事前承保业务筛选、事中理赔管理、事后理赔质检，通过智能化、模型化来提高车险理赔风控管理的综合能力，建立全覆盖、无死角的反欺诈风控体系。
2.1模型的构建
1）主要任务
根据历史案件数据及反欺诈数据，建立典型欺诈案件及特殊案件识别模型。接到客户报案后，触发模型生成表示案件欺诈风险等级的红黄蓝标识。根据案件的红黄蓝标识，进行差异化调度。实现以“经营客户”为理念差异化理赔服务方式。
2）本项目实施方法
结合理赔过程中涉及到的数据特征以及项目应用场景的精确度要求，选择xgboost算法，通过机器学习反复进行算法参数调优，最终构建出满足实际需要的工程模型，以快速、准确地识别出欺诈及特殊案件。
3）建模的流程
如下图所示：
4）机器学习的应用
机器学习的核心是特征工程和模型训练，下面从这两个方面阐述机器学习的应用。
特征工程
本项目从承保、报案、理赔三个方面出发，结合理赔业务知识，经过数据的整合、清洗、交叉、衍生共生成300+个特征，经过特征重要性的排序筛选出重要变量。
模型训练
XGBoost是近几年应用机器学习领域内一个强有力的武器
–执行速度：确实比其他GradientBoosting实现快
–模型性能：在结构化数据集上，在分类／回归／排序预测建模上表现突出
在Kaggle和KDD等一些数据科学竞赛平台上的优胜方案中多数使用了Xgboost算法。
本项目采用Xgboost算法，经过不断的迭代训练，最终确定最优参数组合：
模型中决策树的数量n_estimators=500
每棵树的深度max_depth=4
学习速率learning_rate=0.05
L2正则化项的权重reg_lambda=5
2.2模型的应用
1）模型使用前：
模型使用前，接到客户报案后发出调度的指令，需经过查勘员现场查勘才识别案件风险，本可以一键理赔的案件却走了较繁琐的理赔流程，这样增加了公司的运营成本，另一方面也可能流失现有客户，对公司业务造成损失。
2）模型使用后：
接到客户报案后，直接触发模型，从而生成表示案件欺诈风险等级的红黄蓝标识。然后根据案件的红黄蓝标识进行差异化调度，对不同标识的案件作出不同的调度指令，实现了以“经营客户”为理念的差异化理赔服务方式；以去中间化为措施差异化理赔流程；以管理资源为核心提高资源利用率，打造“透明理赔”的服务模式。如下图所示：