一种团险智能定价系统、方法、设备及存储介质技术方案

本发明专利技术涉及一种团险智能定价系统、方法、设备及存储介质，其中定价系统包括：前台页面模块，用于输入新单投保信息以及客户信息；智能定价模型模块，用于根据输入的客户和险种信息秒级预测得出客户投保某险种的出险概率，并进一步计算预测赔付和定价；web接口模块，用于作为中介以使得用户通过发送符合数据输入规则的HTTP请求调用接口，触发模型预测；后台数据存储模块，用于将所有相关业务数据存储于大数据平台中。本发明专利技术创建了一套高效智能的团险定价模型，降低了团险业务中的差异性风险和经验审批风险，减少对人的依赖，提高定价的时效和准确性；并将深度学习方法结合大数据技术运用到保险业务，开辟了人工智能技术应用于保险业务的新思路。业务的新思路。业务的新思路。

【技术实现步骤摘要】
一种团险智能定价系统、方法、设备及存储介质


[0001]本专利技术涉及团险定价
，尤其是涉及一种团险智能定价系统、方法、 设备及存储介质。

技术介绍

[0002]团体保险业务作为保险市场中各大保险公司争夺的焦点，同时也是基层保险 公司的创费盈利点，其定价是团体保险产品的重要组成部分。定价是否合理决定着 保险公司业务经营的效益，同时也决定着投保人是否能够以合理的价格购买到最大 的保险保障。
[0003]团险智能定价系统是依据客户信息和其购买产品信息，通过深度神经网络智 能模型秒级预测费率，计算预期赔付和预期保费，支持团险业务评估新单定价的系 统。本专利技术技术方案中的系统是基于公司业务实际，主要针对传统团险业务中依赖 团险专家层层审批，风险评估流程冗长,定价结果反馈时效慢；通过表定法、经验法 等计算费率往往忽略客户差异性风险，导致公司产品价格缺少弹性，在激烈的团险 市场中缺少竞争力等问题研发而成的。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种团险智能定 价系统、方法、设备及存储介质。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种团险智能定价系统，该系统包括前台页面模块、智能定价模型模块、web 接口模块以及后台数据存储模块，其中：
[0007]所述前台页面模块，用于输入新单投保信息以及客户信息；
[0008]所述智能定价模型模块，用于根据输入的客户和险种信息秒级预测得出客户投 保某险种的出险概率，并进一步计算预测赔付和定价；
[0009]所述web接口模块，用于作为中介以使得用户通过发送符合数据输入规则的 HTTP请求调用接口，触发模型预测；
[0010]所述后台数据存储模块，用于将所有相关业务数据存储于大数据平台中。
[0011]进一步地，所述的智能定价模型模块采用由多个神经网络通过concatenate层 融合的智能定价回归模型，其中每个所述神经网络由Dense层和Dropout层组成， 该智能定价回归模型的激活函数采用ReLU函数，损失函数采用MSLE函数，优 化器采用ADAM，最小批量min
‑
batch设定为128。
[0012]进一步地，所述的web接口模块采用通过Python的Flask框架实现的web接 口模块。
[0013]进一步地，所述的智能定价模型模块中的智能定价回归模型的模型输入包括公 司名称、行业、职业、职场所属分公司、保额、保费、总人数、平均年龄以及男性 比例；模型输出包括出险率、件均赔付、件均索赔以及平均住院天数。
[0014]本专利技术还提供一种团险智能定价方法，采用所述的团险智能定价系统的执行， 该方法包括以下步骤：
[0015]步骤1：用户于所述前台页面模块输入新单投保信息以及客户信息后，由所述 web接口模块作为中介以使得用户通过发送符合数据输入规则的HTTP请求调用接 口，触发模型预测；
[0016]步骤2：由所述智能定价模型模块根据输入的客户和险种信息秒级预测得出客 户投保某险种的出险概率，并进一步计算预测赔付和定价后，返回至所述前台页面 模块展示给用户。
[0017]进一步地，于该团险智能定价方法中所述的智能定价模型模块采用由多个神经 网络通过concatenate层融合的智能定价回归模型，其中每个所述神经网络由Dense 层和Dropout层组成，该智能定价回归模型的激活函数采用ReLU函数，损失函数 采用MSLE函数，优化器采用ADAM，最小批量min
‑
batch设定为128。
[0018]进一步地，于该团险智能定价方法中所述的web接口模块采用通过Python的 Flask框架实现的web接口模块。
[0019]进一步地，于该团险智能定价方法中所述的智能定价模型模块中的智能定价回 归模型的模型输入包括公司名称、行业、职业、职场所属分公司、保额、保费、总 人数、平均年龄以及男性比例；模型输出包括出险率、件均赔付、件均索赔以及平 均住院天数。
[0020]本专利技术还提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并 可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述 的团险智能定价方法的步骤。
[0021]本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算 机程序，所述计算机程序被处理器执行时实现所述的团险智能定价方法的步骤。
[0022]与现有技术相比，本专利技术具有以下优点：
[0023](1)本专利技术研发出了一套团险智能定价回归模型，兼顾团险业务中的差异性 风险和时效，只要输入客户和险种信息，模型就能秒级预测出客户投保某险种的出 险概率，以预测赔付和定价，预测智能、审批高效、定价准确，而模型中加入时间 特征，使得智能预测具有反映风险随时间变化的功能，更符合业务实际，真实反馈 风险值。
[0024](2)本专利技术创建了一套高效智能的团险定价模型，降低了团险业务中的差异 性风险和经验审批风险，减少对人的依赖，提高定价的时效和准确性；并将深度学 习方法结合大数据技术运用到保险业务，为人工智能技术应用于保险业务开辟了新 思路。
[0025](3)传统的团险定价计算方法较为复杂，对于不同的区域、不同的险种、不 同的责任，影响产品定价的信息不同，定价费率的计算方式也有差异。本专利技术创建 的团险智能定价模型，兼顾团险业务中的差异性风险和时效，只要输入新客户信息， 模型就能秒级预测出客户投保某个险种的费率，以预测预期定价。与传统团险定价 审批相比，不但能根据客户、产品不同特征高效准确评估风险，而且减少了对团险 专家的依赖。
[0026](4)机器学习技术是人工智能的核心技术，其本质是对能通过经验自动改进 的计算机算法的研究，常见的机器学习算法包括决策树、随机森林、SVM、朴素 贝叶斯、神经网络等。其中神经网络是受人类大脑的启发而出现的，是一种神经元 之间的相互连接关系。近年来计算机处理能力成千万倍地增长，以及云计算的兴起， 推动了神经网络的热潮。而深
度学习(Deep Learning)是机器学习的一个新领域， 其本质是多层神经网络，较其他机器学习方法在特征工程、模型融合、增量式的训 练数据等方面有一定的优越性。
[0027]目前，国内还未有将人工智能技术实践于团体保险定价的研究。在《深度学 习》一书中，作者提到机器学习任务的一个场景便是通过回归的方法预测索赔金额 用于设定保险费用。因此，本专利技术在尝试多种机器学习算法之后，创新性地运用深 度学习结合大数据技术来改变以保险精算、业务经验为支撑的团体保险定价方式。
附图说明
[0028]图1为本专利技术实施例中的保额以及总人数分布示意图，其中，图1(a)为保 额分布示意图，图1(b)为总人数分布示意图；
[0029]图2为本专利技术实施例中取log后的保额以及总人数分布示意图，其中，图2(a) 为取log后的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种团险智能定价系统，其特征在于，该系统包括前台页面模块、智能定价模型模块、web接口模块以及后台数据存储模块，其中：所述前台页面模块，用于输入新单投保信息以及客户信息；所述智能定价模型模块，用于根据输入的客户和险种信息秒级预测得出客户投保某险种的出险概率，并进一步计算预测赔付和定价；所述web接口模块，用于作为中介以使得用户通过发送符合数据输入规则的HTTP请求调用接口，触发模型预测；所述后台数据存储模块，用于将所有相关业务数据存储于大数据平台中。2.根据权利要求1所述的一种团险智能定价系统，其特征在于，所述的智能定价模型模块采用由多个神经网络通过concatenate层融合的智能定价回归模型，其中每个所述神经网络由Dense层和Dropout层组成，该智能定价回归模型的激活函数采用ReLU函数，损失函数采用MSLE函数，优化器采用ADAM，最小批量min
‑
batch设定为128。3.根据权利要求1所述的一种团险智能定价系统，其特征在于，所述的web接口模块采用通过Python的Flask框架实现的web接口模块。4.根据权利要求1所述的一种团险智能定价系统，其特征在于，所述的智能定价模型模块中的智能定价回归模型的模型输入包括公司名称、行业、职业、职场所属分公司、保额、保费、总人数、平均年龄以及男性比例；模型输出包括出险率、件均赔付、件均索赔以及平均住院天数。5.一种团险智能定价方法，采用如权利要求1至4中任一项所述的团险智能定价系统的执行，其特征在于，该方法包括以下步骤：步骤1：用户于所述前台页面模块输入新单投保信息以及客户信息后，由所...

【专利技术属性】
技术研发人员：王玮，徐勤燕，顾佳盛，钟严堃，
申请(专利权)人：中国人寿保险股份有限公司上海数据中心，
类型：发明
国别省市：