快速揪出诈欺业务员！新光人寿正式启动关联网络分析AI，数十件个案调查中

新光人寿数位服务发展部资深协理廖晨旭今（18日）揭露自家业务员防诈欺作法，今年初正式启动AI关联网络分析（SNA）调查平台，以过去10年累积的时序性资料，来训练AI模型，再透过专家知识和大数据分析结果，设定警示分数、筛选出可疑的业务员。目前，新光人寿已利用这个工具，找出数十件个案，相关单位也正深入调查中。

防不胜防，拍板导入新方法来抓内贼

新光人寿对新技术并不陌生，自2013年以来，陆续研发了AI理赔风险的好人和坏人模型、核保风险模型、保障资产计算引擎等。但这样还不够，廖晨旭指出，新光人寿近几年偶有业务员侵占保费或诈保，不仅损害商誉，也影响业务运作，“光是单一个案，就会造成上千万元损失。”

不过，要找出诈保业务员，仍有许多挑战，比如不知道该从哪位业务员调查、查案时间动辄数个月，也不知道嫌疑业务员是否有共犯，或有其他受害者。特别的是，稽核单位往往是接到客诉后，才启动调查，无法在出现异常的当下，先发制人。

为解决这个问题，廖晨旭团队也在过去两年，评估市面上的工具；后来，他相中能找出个体间微妙关系的关联网络分析技术，能点出人与人、事和物的关系，并在去年中，导入SAS关联网络分析AI平台，来打造业务员防诈欺模型。

利用10年资料训练模型，一张图告诉你诈欺关键

为训练模型，双方首先梳理了新光人寿过去10年的资料，包括在职和已离职的业务员资料、客户资料、保单、电子邮件、电话等，总量约40GB。廖晨旭也解释，会将时间拉长至10年，是因为许多诈保案件，都是经过数年才爆发，而“这段时间内的时序性资料，可反映出诈保的特征。”

在训练模型的同时，团队也订定了系统警示风险分数；除了参考厂商提供的国外保险公司的异常值，新光人寿也利用内部专家知识，来设定阈值。另一方面，团队也透过随机森林、梯度提升等机器学习模型，来加强系统预测能力。
就绪之后，系统一旦侦测到可疑特征，就会根据风险分数高低，产生警示仪表板。此外，仪表板中还包括了警示评分卡，详列了可疑的行为，并按照风险高低来排序（如下图）。

另一方面，系统也会呈现可疑业务员的关联网络图。廖晨旭表示，有别于正常业务员的烟火状网络图，可疑业务员的关联网络图有如蜘蛛网，“关联点非常多，”而查核人员可从这些点中，找出相关的人、事、物，再进行深度分析。“对我们的帮助非常大，”他说。

1天内找出可疑手法，另也揪出诈欺新手法

在实际应用上，新光人寿团队也利用这个系统，在1天内就找出业务员的阻绝式诈欺手法。所谓阻绝式手法，是指利用假保单等方式，来阻绝保户与寿险公司的联系，比如填写假手机号码、Email或联络地址等。

而就内部疑似诈保的蛛网关联网络图来看，图中节点包含了帐卡号、地址、电话号码、要保人、保单、Email和业务员等资讯，其中，同样地址和电话的点，可连结到7位不同姓氏的要保人。也就是说，这7人共用一组电话和地址，“可推测是其中6人的地址和电话遭窜改，团队也能进一步调查，是否其他保户权益受损，还是是业务员的共犯行为。”他强调，过往在寻找时，需耗费1至2个月，但现在只需要1天。

另一方面，在执行专案的过程中，廖晨旭和团队也发现新的诈欺手法。他指出，业务员诈欺样态少量多样，重复性低，而且有经验的业务员，会用不同方式来规避已知的警示规则。

比如，为避免公司地址一再出现，业务员会稍微修改地址。不过，这个做法，一样可透过关联网络分析，从中找出关联。

这套系统自今年1月正式上线至今，已找出数十名可疑业务员，新光人寿业务品质控管团队，也正调查这些个案。廖晨旭指出，这套系统的部署，也呼应了金管会保险局在去年12月时，公告的新保险业务员挪用侵占内控规定，要求保险业者，在今年具备相应的管理措施。

接下来，新光人寿团队希望将过去开发的AI理赔风险评分模型，整合关联网络分析调查，多一道程序来把关理赔是否正当。此外，团队也打算整合核保风险评分模型，利用关联网络分析，来调查新户是否有不当企图。文◎王若朴