一鱼多吃、敌进我退……大数据打假，让花样百出的欺诈无所遁形

编者按：本文作者 赵昕、杨明锋、毛耀鋆，Delta Entropy Technology 七炅信息科技；36氪经授权发布。

前言

笔者的“反欺诈：一个找不同的游戏”和“汽车维保反欺诈系统的设计和算法应用”两篇文章，分别阐述了汽车维保反欺诈的基本思路和模型技术原理。本文作为反欺诈系列之三，将针对机器学习算法在实际业务场景中捕捉到的欺诈百态，来举例说明人工智能算法技术在汽车维修反欺诈领域的实际效果。

这些被人工审核和现行系统遗漏，而被机器学习算法捕捉到的欺诈行为，表面看来仅为不正当申报维保索赔，然而其揭示的常常是服务商通过维保欺诈，从主机厂套取原厂关重零部件，然后高价出售获利的行为。将机器学习技术应用于维保反欺诈，不仅比现行的基于规则的反欺诈系统更为高效快速，而且能够帮助主机厂和保险公司更好地解决业务过程中的欺诈痛点。

当然，通过机器学习算法捕捉到的高欺诈嫌疑案件，可能由于主机厂及保险公司和维修服务经销商及4S店的博弈和互相合作关系无法严格拒赔，但这类算法可以在低投入成本的情况下，客观提供准确的潜在损失金额，为主机厂和保险公司的“通融”和“让利”匹配上准确的金额。根据笔者的实际业务经验，该金额往往是公司原估算金额的数倍或者数十倍以上。机器学习算法在展示了欺诈金额的严重程度后，通常成为主机厂和保险公司决定改变业务流程的转折点。

汽车维修领域的欺诈现象

汽车维修保养是欺诈行为较为常见，主机厂和保险公司因此遭受巨额的经济损失：

• 据估计，汽车厂商支付给经销商和服务商的维修费用中，15-20%涉嫌有欺诈或者过度维修的情况，某些厂商的欺诈比例甚至高达34%-36%，主机厂每年因此而承受的损失超过数百亿人民币。市场份额较高的每家畅销品牌汽车厂商，每年在这类欺诈支付上的损失大多超过数十亿元。

• 汽车商业保险赔付中的假案和过度维修等现象则可能更为严重。财产保险公司因此每年多支付给维修服务商的理赔费用超过百亿。

从下图可以看出：

• 欺诈和过度维修以及虚报维修的情况，是汽车维修服务中的较为普遍现象。也就是说，大多数维修服务商/4S店都或多或少存在一定的不恰当维修索赔的行为。

• 然而，金额较大和欺诈频率较高的欺诈行为，只发生在为数极少的维修服务商和索赔案件中。五分之一以上的欺诈案件，发生在二十分之一的供应商之中。也就是说，只要主机厂和保险公司准确定位少数的维修点和案件，就可以追回非常可观的欺诈索赔，并且不会对大多数业务合作伙伴产生影响。应对此类欺诈分布，机器学习算法比人工审核和规则拦截的效果更为明显。

欺诈百态

与人工审核和规则审核相比，机器学习的算法可以一次性定位多种欺诈行为，将各种欺诈百态暴露无遗。以下所列的欺诈行为，均为被主机厂和保险公司的现有反欺诈规则系统所遗漏的案件，由于混合在大量其他正常的案件索赔中，极易被案件审核流程忽视：

“一鱼多吃，一次吃够”型

该种类型的维修，顾名思义，是在某个维修提交成功后的，使用该次维修信息为基础，通过少量人工修改造假，重复获利。

汽车前梁维修是不常见的一种维修，而位于天津某地的该维修服务商在2月1日维修了某车的前梁并成功生成索赔订单以后，相继提交了其他两辆车的前梁维修索赔，并从主机厂获得的五万元的赔偿。这三辆车涉嫌欺诈的车辆的VIN代码又极为接近，虽然不排除极小概率的不幸事件发生在该维修服务商所在地的可能性，但机器学习算法因其涉嫌“一鱼多吃”型欺诈，将这三个索赔案自动标注。

无独有偶，该服务商，由于习惯性“一鱼多吃”，在同年2月期间的许多其他索赔，也被算法标注了欺诈嫌疑：

该种类型的维修供应商一般会在较短时间跨度内，重复发生多次类似行为，获利金额普遍较高。由于时间跨度较短，这种欺诈行为偶尔可能会被人工抽查发现，因此有些技艺“高超”的服务商会采用几乎无法被规则类审核发现的其他欺诈手法：

“一鱼多吃，定期吃”型

和短期内发生的“一鱼多吃”不同，这类“定期吃”型欺诈行为一般在较大的时间跨度内多次发生，因此给反欺诈系统带来挑战，但在机器学习算法面前仍然无法遁形。

位于广州的某个维修商的燃油泵维修频率是其他服务商的4倍，但由于其将相关索赔订单分散在很长的时间跨度内进行提交，因此成功躲过了现有反欺诈系统的审核。机器学习算法不会受到人工审核的主观判断影响，又比规则类系统更善于捕捉异常，因此成功标注这些欺诈：

“敌进我退，敌疲我打”型

这是在欺诈与反欺诈的斗争中磨练出来的顶风作案类欺诈，这些维修服务商对主机厂或者保险公司的人工随机欺诈审核操作习惯较为熟悉，并深知其漏洞。因此在某个欺诈行为被人工核实并拒赔后的一段时间重复提交类似索赔，利用人工审核人员的心理盲点获得高额利润：

从以上被标注欺诈嫌疑的案件中可以看出，位于东莞的该服务商有习惯性高金额欺诈嫌疑，于13年6月先后两次被拒赔后，两个月内没有发生针对动力转向系统的索赔案件，并从九月开始恢复了重复性索赔。

“萝卜白菜，各有所爱”型

机器学习算法的结论中，揭示的另外一个有趣现象，就是欺诈嫌疑较高的维修商往往有自己所钟爱的某几个零配件或者维修类别，在几次尝试提交成功后就会不断在各种维修中加入这些零配件，夸大索赔金额。有些维修商会经常在正常维修中加入发动机排气歧管、有些会加入汽笛、散热器等等较为昂贵的零配件，赚取零件费和相应工时费的不正当利润。

机械维修领域的各类零配件损坏是存在较稳定的规律的，而不同维修供应商主体的过度维修和虚假维修行为则有很高的独特性，展现出“萝卜白菜，各有所爱” 的现象。虽然很难被人工审核和规则引擎拦截，却是最容易被机器学习算法锁定的特征。

下图所示的内蒙古鄂尔多斯地区的某维修供应商极为钟爱木质装饰条，除了单独多次提交仅有木质装饰条替换的维修索赔以外，还在很多其他维修中加入木质装饰条，仅某一个车型的装饰条一项，总索赔金额就接近800万元：

积少成多，影响巨大

综上所述，汽车维修保养过程中的欺诈行为形形色色。以上案例中提到的4个维修供应商所提交的案件中，涉嫌极高欺诈嫌疑的总金额高达3900余万元，其严重程度大大超过主机厂和保险公司的预估。在大数据和机器学习技术高速发展的今天，反欺诈算法的应用可以低成本高效率地利用这些技术为主机厂和保险公司提高效率和利润。

关于作者：

赵昕，Delta Entropy Technology 七炅科技创始合伙人。曾在四大担任咨询总监，并具有多年的数据分析经验。长期专注于数据分析解决方案，聚焦金融保险和汽车行业。联系邮箱：zhaox@deltaentropy.com

杨明锋，Delta Entropy Technology 七炅科技创始合伙人。创立Delta Entropy前是美国德勤咨询(Deloitte)和毕马威(KPMG)大数据部门的技术负责人，为诸多世界五百强企业和美国政府机构提供基于大数据和人工智能技术的解决方案。联系邮箱：mfyang@deltaentropy.com

毛耀鋆，Delta Entropy Technology 七炅科技高级经理，曾任德勤上海精算及保险咨询团队咨询顾问，上海财经大学金融保险统计学士。联系邮箱：maoyj@deltaentropy.com