快速揪出詐欺業務員！新光人壽正式啟動關聯網路分析AI，數十件個案調查中

新光人壽數位服務發展部資深協理廖晨旭今（18日）揭露自家業務員防詐欺作法，今年初正式啟動AI關聯網路分析（SNA）調查平臺，以過去10年累積的時序性資料，來訓練AI模型，再透過專家知識和大數據分析結果，設定警示分數、篩選出可疑的業務員。目前，新光人壽已利用這個工具，找出數十件個案，相關單位也正深入調查中。

防不勝防，拍板導入新方法來抓內賊

新光人壽對新技術並不陌生，自2013年以來，陸續研發了AI理賠風險的好人和壞人模型、核保風險模型、保障資產計算引擎等。但這樣還不夠，廖晨旭指出，新光人壽近幾年偶有業務員侵占保費或詐保，不僅損害商譽，也影響業務運作，「光是單一個案，就會造成上千萬元損失。」

不過，要找出詐保業務員，仍有許多挑戰，比如不知道該從哪位業務員調查、查案時間動輒數個月，也不知道嫌疑業務員是否有共犯，或有其他受害者。特別的是，稽核單位往往是接到客訴後，才啟動調查，無法在出現異常的當下，先發制人。

為解決這個問題，廖晨旭團隊也在過去兩年，評估市面上的工具；後來，他相中能找出個體間微妙關係的關聯網路分析技術，能點出人與人、事和物的關係，並在去年中，導入SAS關聯網路分析AI平臺，來打造業務員防詐欺模型。

利用10年資料訓練模型，一張圖告訴你詐欺關鍵

為訓練模型，雙方首先梳理了新光人壽過去10年的資料，包括在職和已離職的業務員資料、客戶資料、保單、電子郵件、電話等，總量約40GB。廖晨旭也解釋，會將時間拉長至10年，是因為許多詐保案件，都是經過數年才爆發，而「這段時間內的時序性資料，可反映出詐保的特徵。」

在訓練模型的同時，團隊也訂定了系統警示風險分數；除了參考廠商提供的國外保險公司的異常值，新光人壽也利用內部專家知識，來設定閾值。另一方面，團隊也透過隨機森林、梯度提升等機器學習模型，來加強系統預測能力。
就緒之後，系統一旦偵測到可疑特徵，就會根據風險分數高低，產生警示儀表板。此外，儀表板中還包括了警示評分卡，詳列了可疑的行為，並按照風險高低來排序（如下圖）。

另一方面，系統也會呈現可疑業務員的關聯網路圖。廖晨旭表示，有別於正常業務員的煙火狀網路圖，可疑業務員的關聯網路圖有如蜘蛛網，「關聯點非常多，」而查核人員可從這些點中，找出相關的人、事、物，再進行深度分析。「對我們的幫助非常大，」他說。

1天內找出可疑手法，另也揪出詐欺新手法

在實際應用上，新光人壽團隊也利用這個系統，在1天內就找出業務員的阻絕式詐欺手法。所謂阻絕式手法，是指利用假保單等方式，來阻絕保戶與壽險公司的聯繫，比如填寫假手機號碼、Email或聯絡地址等。

而就內部疑似詐保的蛛網關聯網路圖來看，圖中節點包含了帳卡號、地址、電話號碼、要保人、保單、Email和業務員等資訊，其中，同樣地址和電話的點，可連結到7位不同姓氏的要保人。也就是說，這7人共用一組電話和地址，「可推測是其中6人的地址和電話遭竄改，團隊也能進一步調查，是否其他保戶權益受損，還是是業務員的共犯行為。」他強調，過往在尋找時，需耗費1至2個月，但現在只需要1天。

另一方面，在執行專案的過程中，廖晨旭和團隊也發現新的詐欺手法。他指出，業務員詐欺樣態少量多樣，重複性低，而且有經驗的業務員，會用不同方式來規避已知的警示規則。

比如，為避免公司地址一再出現，業務員會稍微修改地址。不過，這個做法，一樣可透過關聯網路分析，從中找出關聯。

這套系統自今年1月正式上線至今，已找出數十名可疑業務員，新光人壽業務品質控管團隊，也正調查這些個案。廖晨旭指出，這套系統的部署，也呼應了金管會保險局在去年12月時，公告的新保險業務員挪用侵占內控規定，要求保險業者，在今年具備相應的管理措施。

接下來，新光人壽團隊希望將過去開發的AI理賠風險評分模型，整合關聯網路分析調查，多一道程序來把關理賠是否正當。此外，團隊也打算整合核保風險評分模型，利用關聯網路分析，來調查新戶是否有不當企圖。文◎王若樸