1.本技术涉及人工智能技术领域，尤其涉及一种基于人工智能的车险成本管控方法、装置、电子设备及存储介质。
背景技术：2.在车险综改的大背景下，产险行业综合成本率上升约5％，加大了车险市场的竞争，保持一定的经济效益是车险行业实现持续健康发展的基础和前提，故有效控制经营成本成为车险平稳发展的重要手段。
3.目前，通常使用线上或线下定期沟通的方式对已经承保的车险客户的品质进行监控，并依据监控情况对亏损风险较大的车险客户进行追踪管理以达到成本管控的目的，然而由于沟通时间长且沟通内容误差较大，不能实现车险成本的精准管控。
技术实现要素：4.鉴于以上内容，有必要提出一种基于人工智能的车险成本管控方法及相关设备，以解决如何实现车险成本的精准管控这一技术问题，其中，相关设备包括基于人工智能的车险成本管控装置、电子设备及存储介质。
5.本技术提供基于人工智能的车险成本管控方法，所述方法包括：
6.构建业务数据库以储存所有车险客户的客户信息，所述客户信息包括行驶数据和车险数据；
7.基于所述客户信息对所有车险客户进行筛选得到疑似亏损客户；
8.依据业务规则对所述疑似亏损客户进行分类得到分类结果，所述分类结果包括亏损客户和待改善客户，所述待改善客户包括改善类型标签；
9.储存所有亏损客户的客户信息以获取亏损客户名单库；
10.基于所述改善类型标签计算每一个待改善客户的剩余成本额度，并基于所述剩余成本额度监测所述待改善客户的新增车险成本以获取每一个待改善客户的监测结果，所述新增车险成本为计算所述剩余成本额度之后产生的车险成本；
11.基于所述亏损客户名单库和所述监测结果对车险客户进行管控获取成本管控结果，所述车险客户包括新增承保客户和待改善客户。
12.在一些实施例中，所述构建业务数据库以储存所有车险客户的客户信息，所述客户信息包括行驶数据和车险数据，包括：
13.获取每一个车险客户的客户id，所述客户id为车险客户的唯一标识；
14.采集车险客户的客户信息，所述客户信息为预设时间段内的行驶数据和车险数据，所述行驶数据包括但不限于预设时间段内车辆的平均行驶速度、行驶轨迹、行驶时间段、行车记录仪的图像信息、交通违规记录，所述车险数据包括但不限于预设时间段内所有车险保单的理赔金额、保费信息以及出险次数；
15.创建数据表，将客户id与所述客户id对应的客户信息存在数据表中以构建业务数
据库。
16.在一些实施例中，所述基于所述客户信息对所有车险客户进行筛选得到疑似亏损客户包括：
17.将每一个车险客户的客户信息作为一个样本点，得到样本点集合；
18.依据聚类算法对所述样本点集合进行聚类处理，得到预设数量的聚类簇，每个聚类簇包含一个或多个样本点；
19.基于不同聚类簇中样本点的数量得到疑似亏损客户。
20.在一些实施例中，所述依据业务规则对所述疑似亏损客户进行分类得到分类结果，所述分类结果包括亏损客户和待改善客户，所述待改善客户包括改善类型标签，包括：
21.从所有疑似亏损客户中随机选取一个作为目标客户；
22.依据业务规则匹配所述目标客户得到匹配结果集，所述匹配结果集包括所述目标客户满足的业务规则，所述业务规则为一个或多个；
23.若所述匹配结果集为空集，则所述目标客户的分类结果为亏损客户；
24.若所述匹配结果集为非空集，则所述目标客户的分类结果为待改善客户，并将所述匹配结果集中每一个业务规则的规则id作为所述待改善客户的改善类型标签，所述规则id与所述业务规则一一对应；
25.遍历所有疑似亏损客户得到每一个疑似亏损客户的分类结果，所述分类结果包括亏损客户和待改善客户。
26.在一些实施例中，所述剩余成本额度满足关系式：
[0027][0028]
其中，nuni表示第i个待改善客户的改善类型标签的数量，αj表示第j个改善类型标签对应的预设折扣率，所述预设折扣率与业务规则一一对应，所述预设折扣率的取值范围为[0,1]，ci为第i个待改善客户的历史车险成本，所述历史车险成本为计算所述剩余成本额度之前的车险成本，yi为第i个待改善客户的车险营收，y
*
为预设目标利润，则ci为第i个待改善客户的剩余成本额度。
[0029]
在一些实施例中，所述基于所述剩余成本额度监测所述待改善客户的新增车险成本以获取每一个待改善客户的监测结果，所述新增车险成本为计算所述剩余成本额度之后产生的车险成本，包括：
[0030]
采集待改善客户的新增车险成本，所述新增车险成本为计算所述剩余成本额度之后产生的车险成本；
[0031]
计算同一待改善客户的所述剩余成本额度和所述新增车险成本的差值；
[0032]
若所述差值大于预设阈值，则所述待改善客户的监测结果为正常；
[0033]
若所述差值不大于所述预设阈值，则所述待改善客户的监测结果为异常。
[0034]
在一些实施例中，所述基于所述亏损客户名单库和所述监测结果对车险客户进行管控获取成本管控结果，所述车险客户包括新增承保客户和待改善客户，包括：
[0035]
若所述车险客户为新增承保客户，采集新增承保客户的客户信息作为目标客户信息，计算所述目标客户信息和所述亏损客户名单库中所有客户信息的相似度，并对比相似度的最大值和相似度阈值得到承保结果，所述承保结果包括同意承保和拒绝承保；
[0036]
若所述车险客户为待改善客户，获取所述待改善客户的监测结果，若所述监测结果为异常，则生成文字提示信息以提醒车险工作人员对所述监测结果为异常的车险客户执行管控措施；
[0037]
将所述承保结果和所述文字提示信息作为成本管控结果。
[0038]
本技术实施例还提供一种基于人工智能的车险成本管控装置，所述装置包括：
[0039]
构建单元，用于构建业务数据库以储存所有车险客户的客户信息，所述客户信息包括行驶数据和车险数据；
[0040]
筛选单元，用于基于所述客户信息对所有车险客户进行筛选得到疑似亏损客户；
[0041]
分类单元，用于依据业务规则对所述疑似亏损客户进行分类得到分类结果，所述分类结果包括亏损客户和待改善客户，所述待改善客户包括改善类型标签；
[0042]
储存单元，用于储存所有亏损客户的客户信息以获取亏损客户名单库；
[0043]
监测单元，基于所述改善类型标签计算每一个待改善客户的剩余成本额度，并基于所述剩余成本额度监测所述待改善客户的新增车险成本以获取每一个待改善客户的监测结果，所述新增车险成本为计算所述剩余成本额度之后产生的车险成本；
[0044]
管控单元，用于基于所述亏损客户名单库和所述监测结果对车险客户进行管控获取成本管控结果，所述车险客户包括新增承保客户和待改善客户。
[0045]
本技术实施例还提供一种电子设备，所述电子设备包括：
[0046]
存储器，存储至少一个指令；
[0047]
处理器，执行所述存储器中存储的指令以实现所述的基于人工智能的车险成本管控方法。
[0048]
本技术实施例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中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述的基于人工智能的车险成本管控方法。
[0049]
综上，本技术能够依据车险客户的客户信息和业务规则得到亏损客户和待改善客户，同时待改善客户又依据业务规则划分为不同改善类型，依据亏损客户的客户信息实现亏损风险的智能识别，在承保阶段实现成本管控，同时，依据改善类型对待改善客户追踪监测，并依据监测结果对已承保的客户执行管控措施，实现车险成本的精准管控。
附图说明
[0050]
图1是本技术所涉及的基于人工智能的车险成本管控方法的较佳实施例的流程图。
[0051]
图2是本技术所涉及的基于人工智能的车险成本管控装置的较佳实施例的功能模块图。
[0052]
图3是本技术所涉及的基于人工智能的车险成本管控方法的较佳实施例的电子设备的结构示意图。
具体实施方式
[0053]
为了能够更清楚地理解本技术的目的、特征和优点，下面结合附图和具体实施例对本技术进行详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的
特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本技术，所述描述的实施例仅是本技术一部分实施例，而不是全部的实施例。
[0054]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0055]
除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0056]
本技术实施例提供一种基于人工智能的车险成本管控方法，可应用于一个或者多个电子设备中，电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
[0057]
电子设备可以是任何一种可与客户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personal digital assistant，pda)、游戏机、交互式网络电视(internet protocol television，iptv)、智能式穿戴式设备等。
[0058]
电子设备还可以包括网络设备和/或客户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(cloud computing)的由大量主机或网络服务器构成的云。
[0059]
电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(virtual private network，vpn)等。
[0060]
如图1所示，是本技术基于人工智能的车险成本管控方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
[0061]
s10，构建业务数据库以储存所有车险客户的客户信息，所述客户信息包括行驶数据和车险数据。
[0062]
在一个可选的实施例中，所述构建业务数据库以储存所有车险客户的客户信息，所述客户信息包括行驶数据和车险数据，包括：
[0063]
获取每一个车险客户的客户id，所述客户id为车险客户的唯一标识；
[0064]
采集车险客户的客户信息，所述客户信息为预设时间段内的行驶数据和车险数据，所述行驶数据包括但不限于预设时间段内车辆的平均行驶速度、行驶轨迹、行驶时间段、行车记录仪的图像信息、交通违规记录，所述车险数据包括但不限于预设时间段内所有车险保单的理赔金额、保费信息以及出险次数；
[0065]
创建数据表，将客户id与所述客户id对应的客户信息存在数据表中以构建业务数据库。
[0066]
其中，所述预设时间段为1年，所述客户id可以为数字或字母，本技术不做限制。
[0067]
如此，完成业务数据库的构建，业务数据库中储存着每一个车险客户的客户信息，为后续确定疑似亏损客户提供数据基础。
[0068]
s11，基于所述客户信息对所有车险客户进行筛选得到疑似亏损客户。
[0069]
在一个可选的实施中，得到所有车险客户的客户信息之后，利用无监督的聚类算法对所有车险客户进行筛选，得到疑似亏损客户。所述基于所述客户信息对所有车险客户进行筛选得到疑似亏损客户包括：
[0070]
将每一个车险客户的客户信息作为一个样本点，得到样本点集合；
[0071]
依据聚类算法对所述样本点集合进行聚类处理，得到预设数量的聚类簇，每个聚类簇包含一个或多个样本点；
[0072]
基于不同聚类簇中样本点的数量得到疑似亏损客户。
[0073]
该可选的实施例中，业务数据库中储存着所有车险客户的客户信息，将同一车险客户的客户信息中所有数据内容按照固定顺序排列在一起得到所述车险客户的样本点；遍历所有车险客户的客户信息得到所有样本点，所述样本点与所述车险客户的客户信息一一对应；储存所有样本点得到样本点集合。
[0074]
该可选的实施例中，选用基于距离的kmeans聚类算法对所述样本点集合进行聚类处理，设定预设数量为2，则所述kmeans聚类算法可以根据所述样本点集合中不同样本点之间的距离自动的将所有样本点划分为两个聚类簇，每个聚类中包括一个或多个样本点，相同聚类簇中的样本点属于同一个类别，其中，所述距离可以为欧氏距离、曼哈顿距离或切比雪夫距离中的任意一种。需要说明的是，由于设定的预设数量为2，则两个聚类簇分别为正常簇和异常簇两个类别，且正常簇中样本点的数量应远远大于异常簇中样本点的数量，在本技术中，所述正常簇对应盈利客户，所述异常簇对应疑似亏损客户。
[0075]
该可选的实施例中，基于不同聚类簇中样本点的数量得到疑似亏损客户，统计每一个聚类簇中样本点的数量，将数量较少的聚类簇作为所述异常簇，获取所述异常簇中所有样本点对应的客户id作为疑似亏损客户，完成对所有车险客户的初步筛选。
[0076]
如此，基于所有车险客户的客户信息完成对所有车险客户的初步筛选，得到疑似亏损客户，减少后续获取亏损客户的工作量，提高作业效率。
[0077]
s12，依据业务规则对所述疑似亏损客户进行分类得到分类结果，所述分类结果包括亏损客户和待改善客户，所述待改善客户包括改善类型标签。
[0078]
在一个可选的实施例中，由于造成车险亏损的外界干扰因素过多，为了获得车险客户是否亏损的准确判断结果，本技术依据业务规则对所有疑似亏损客户进行分类以获取分类结果，所述分类结果包括亏损客户和待改善客户。
[0079]
在一个可选的实施例中，所述依据业务规则对所述疑似亏损客户进行分类得到分类结果，所述分类结果包括亏损客户和待改善客户，所述待改善客户包括改善类型标签，包括：
[0080]
从所有疑似亏损客户中随机选取一个作为目标客户；
[0081]
依据业务规则匹配所述目标客户得到匹配结果集，所述匹配结果集包括所述目标客户满足的业务规则，所述业务规则为一个或多个；
[0082]
若所述匹配结果集为空集，则所述目标客户的分类结果为亏损客户；
[0083]
若所述匹配结果集为非空集，则所述目标客户的分类结果为待改善客户，并将所述匹配结果集中每一个业务规则的规则id作为所述待改善客户的改善类型标签，所述规则id与所述业务规则一一对应；
[0084]
遍历所有疑似亏损客户得到每一个疑似亏损客户的分类结果，所述分类结果包括亏损客户和待改善客户。
[0085]
该可选的实施例中，所述业务规则为保险公司依据车险业务实际情况制定的，可以排除造成车险亏损的干扰因素对亏损客户分类的干扰，使得亏损客户的分类结果仅与客户信息有关，示例性的，所述干扰因素可以为洪水、车辆划伤等偶然发生的因素。所述业务规则为一个或多个，每一个业务规则对应一个唯一标识的规则id，所述规则id可以为数字或字母，本技术不做限制。所述待改善客户是指受所述干扰因素造成亏损的车险客户。
[0086]
该可选的实施例中，所述业务规则包括但不限于：业务规则一，对于发生地震、风灾等偶然发生的灾害造成的车险亏损；业务规则二，车险客户在所有险种上亏损的比例占10％以下；业务规则三，车险客户在历史车险保单中亏损的比例占10％以下。
[0087]
示例性的，在将所有业务规则与目标客户进行匹配的过程中，若目标客户因水灾获得车险理赔从而造成车险公司的车险亏损，且目标客户在历史车险保单中亏损的比例为5％，则所述目标用户满足业务规则二和业务规则三，则所述目标客户的匹配结果集包括业务规则二和业务规则三；将所述业务规则二的规则id记为id2，将所述业务规则三的规则id记为id3，则所述目标客户的分类结果为待改善客户，且改善类型标签为id2和id3。
[0088]
如此，依据业务规则对每一个疑似亏损客户进行分类，排除造成车险亏损的干扰因素对亏损客户分类的干扰，得到准确的分类结果，所述分类结果包括亏损客户和待改善客户。
[0089]
s13，储存所有亏损客户的客户信息以获取亏损客户名单库。
[0090]
在一个可选的实施例中，将分类结果为亏损客户的客户信息得到亏损客户名单库。需要说明的是，所述亏损名单库为已经承保的车险客户中所有亏损客户的客户信息。
[0091]
如此，得到亏损客户名单库，所述亏损名单库为已经承保的车险客户中所有亏损客户的客户信息，为后续车险成本管控提供数据基础。
[0092]
s14，基于所述改善类型标签计算每一个待改善客户的剩余成本额度，并基于所述剩余成本额度监测所述待改善客户的新增车险成本以获取每一个待改善客户的监测结果，所述新增车险成本为计算所述剩余成本额度之后产生的车险成本。
[0093]
在一个可选的实施例中，基于所述改善类型标签计算每一个待改善客户的剩余成本额度，所述剩余成本额度满足关系式：
[0094][0095]
其中，nuni表示第i个待改善客户的改善类型标签的数量，αj表示第j个改善类型标签对应的预设折扣率，所述预设折扣率与业务规则一一对应，所述预设折扣率的取值范围为[0,1]，ci为第i个待改善客户的历史车险成本，所述历史车险成本为计算所述剩余成本额度之前的车险成本，yi为第i个待改善客户的车险营收，y
*
为预设目标利润，则ci为第i个待改善客户的剩余成本额度。其中，所述车险成本包括但不限于车险理赔成本、人工成本、营销宣传成本，所述车险营收包括但不限于车险保费、保费利息，所述预设目标利润与具体保险公司和车险险种有关。
[0096]
在一个可选实施例中，所述基于所述剩余成本额度监测所述待改善客户的新增车险成本以获取每一个待改善客户的监测结果，所述新增车险成本为计算所述剩余成本额度
之后产生的车险成本，包括：
[0097]
采集待改善客户的新增车险成本，所述新增车险成本为计算所述剩余成本额度之后产生的车险成本；
[0098]
计算同一待改善客户的所述剩余成本额度和所述新增车险成本的差值；
[0099]
若所述差值大于预设阈值，则所述待改善客户的监测结果为正常；
[0100]
若所述差值不大于所述预设阈值，则所述待改善客户的监测结果为异常。
[0101]
其中，所述预设阈值为1000。
[0102]
如此，对所有待改善客户的新增车险成本进行实时监控，得到每一个待改善客户的监测结果。
[0103]
s15，基于所述亏损客户名单库和所述监测结果对车险客户进行管控获取成本管控结果，所述车险客户包括新增承保客户和待改善客户。
[0104]
在一个可选的实施例中，所述基于所述亏损客户名单库和所述监测结果对车险客户进行管控获取成本管控结果，所述车险客户包括新增承保客户和待改善客户，包括：
[0105]
若所述车险客户为新增承保客户，采集新增承保客户的客户信息作为目标客户信息，计算所述目标客户信息和所述亏损客户名单库中所有客户信息的相似度，并对比相似度的最大值和相似度阈值得到承保结果，所述承保结果包括同意承保和拒绝承保；
[0106]
若所述车险客户为待改善客户，获取所述待改善客户的监测结果，若所述监测结果为异常，则生成文字提示信息以提醒车险工作人员对所述监测结果为异常的车险客户执行管控措施；
[0107]
将所述承保结果和所述文字提示信息作为成本管控结果。
[0108]
其中，所述文字提示信息包括监测结果为异常的车险客户的客户id，所述管控措施可以为安全宣讲、消息推送、保费调整等可以降低车险客户的新增成本的措施。
[0109]
在一个可选的实施例中，所述计算所述目标客户信息和所述亏损客户名单库中所有客户信息的相似度，并对比相似度的最大值和相似度阈值得到承保结果，所述承保结果包括同意承保和拒绝承保，包括：
[0110]
计算所述目标客户信息和所述亏损客户名单库中所有客户信息的相似度，所述相似度满足关系式：
[0111]
sim
mn
＝exp(-‖h
m-hn‖2)
[0112]
其中，hm表示新增承保客户的目标客户信息，hm表示所述亏损客户名单库中车险客户n的客户信息，sim
mn
表示目标客户和车险客户n的相似度；
[0113]
获取所有相似度中的最大值；
[0114]
若所述最大值大于相似度阈值，认为所述新增承保客户为亏损客户的风险较大，则所述承保结果为拒绝承保；
[0115]
若所述最大值不大于所述相似度阈值，认为所述新增承保客户为亏损客户的风险较小，则所述承保结果为同意承保。
[0116]
其中，所述相似度阈值为0.8。
[0117]
如此，依据亏损客户名单库在承保阶段实现成本管控，实现亏损风险的智能识别，对亏损风险大的客户拒绝承保，依据监测结果对已经承保的客户执行管控措施，实现车险成本的精准管控。
[0118]
由以上技术方案可以看出，本技术能够依据车险客户的客户信息和业务规则得到亏损客户和待改善客户，同时待改善客户又依据业务规则划分为不同改善类型，依据亏损客户的客户信息实现亏损风险的智能识别，在承保阶段实现成本管控，同时，依据改善类型对待改善客户追踪监测，并依据监测结果对已承保的客户执行管控措施，实现车险成本的精准管控。
[0119]
请参见图2，图2是本技术基于人工智能的车险成本管控装置的较佳实施例的功能模块图。基于人工智能的车险成本管控装置11包括构建单元110、筛选单元111、分类单元112、储存单元113、监测单元114、管控单元115。本技术所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
[0120]
在一个可选的实施例中，构建单元110用于构建业务数据库以储存所有车险客户的客户信息，所述客户信息包括行驶数据和车险数据。
[0121]
在一个可选的实施例中，所述构建业务数据库以储存所有车险客户的客户信息，所述客户信息包括行驶数据和车险数据，包括：
[0122]
获取每一个车险客户的客户id，所述客户id为车险客户的唯一标识；
[0123]
采集车险客户的客户信息，所述客户信息为预设时间段内的行驶数据和车险数据，所述行驶数据包括但不限于预设时间段内车辆的平均行驶速度、行驶轨迹、行驶时间段、行车记录仪的图像信息、交通违规记录，所述车险数据包括但不限于预设时间段内所有车险保单的理赔金额、保费信息以及出险次数；
[0124]
创建数据表，将客户id与所述客户id对应的客户信息存在数据表中以构建业务数据库。
[0125]
其中，所述预设时间段为1年，所述客户id可以为数字或字母，本技术不做限制。
[0126]
在一个可选的实施例中，筛选单元111用于基于所述客户信息对所有车险客户进行筛选得到疑似亏损客户。
[0127]
在一个可选的实施中，得到所有车险客户的客户信息之后，利用无监督的聚类算法对所有车险客户进行筛选，得到疑似亏损客户。所述基于所述客户信息对所有车险客户进行筛选得到疑似亏损客户包括：
[0128]
将每一个车险客户的客户信息作为一个样本点，得到样本点集合；
[0129]
依据聚类算法对所述样本点集合进行聚类处理，得到预设数量的聚类簇，每个聚类簇包含一个或多个样本点；
[0130]
基于不同聚类簇中样本点的数量得到疑似亏损客户。
[0131]
该可选的实施例中，业务数据库中储存着所有车险客户的客户信息，将同一车险客户的客户信息中所有数据内容按照固定顺序排列在一起得到所述车险客户的样本点；遍历所有车险客户的客户信息得到所有样本点，所述样本点与所述车险客户的客户信息一一对应；储存所有样本点得到样本点集合。
[0132]
该可选的实施例中，选用基于距离的kmeans聚类算法对所述样本点集合进行聚类处理，设定预设数量为2，则所述kmeans聚类算法可以根据所述样本点集合中不同样本点之间的距离自动的将所有样本点划分为两个聚类簇，每个聚类中包括一个或多个样本点，相同聚类簇中的样本点属于同一个类别，其中，所述距离可以为欧氏距离、曼哈顿距离或切比
雪夫距离中的任意一种。需要说明的是，由于设定的预设数量为2，则两个聚类簇分别为正常簇和异常簇两个类别，且正常簇中样本点的数量应远远大于异常簇中样本点的数量，在本技术中，所述正常簇对应盈利客户，所述异常簇对应疑似亏损客户。
[0133]
该可选的实施例中，基于不同聚类簇中样本点的数量得到疑似亏损客户，统计每一个聚类簇中样本点的数量，将数量较少的聚类簇作为所述异常簇，获取所述异常簇中所有样本点对应的客户id作为疑似亏损客户，完成对所有车险客户的初步筛选。
[0134]
在一个可选的实施例中，分类单元112用于依据业务规则对所述疑似亏损客户进行分类得到分类结果，所述分类结果包括亏损客户和待改善客户，所述待改善客户包括改善类型标签。
[0135]
在一个可选的实施例中，由于造成车险亏损的外界干扰因素过多，为了获得车险客户是否亏损的准确判断结果，本技术依据业务规则对所有疑似亏损客户进行分类以获取分类结果，所述分类结果包括亏损客户和待改善客户。
[0136]
在一个可选的实施例中，所述依据业务规则对所述疑似亏损客户进行分类得到分类结果，所述分类结果包括亏损客户和待改善客户，所述待改善客户包括改善类型标签，包括：
[0137]
从所有疑似亏损客户中随机选取一个作为目标客户；
[0138]
依据业务规则匹配所述目标客户得到匹配结果集，所述匹配结果集包括所述目标客户满足的业务规则，所述业务规则为一个或多个；
[0139]
若所述匹配结果集为空集，则所述目标客户的分类结果为亏损客户；
[0140]
若所述匹配结果集为非空集，则所述目标客户的分类结果为待改善客户，并将所述匹配结果集中每一个业务规则的规则id作为所述待改善客户的改善类型标签，所述规则id与所述业务规则一一对应；
[0141]
遍历所有疑似亏损客户得到每一个疑似亏损客户的分类结果，所述分类结果包括亏损客户和待改善客户。
[0142]
该可选的实施例中，所述业务规则为保险公司依据车险业务实际情况制定的，可以排除造成车险亏损的干扰因素对亏损客户分类的干扰，使得亏损客户的分类结果仅与客户信息有关，示例性的，所述干扰因素可以为洪水、车辆划伤等偶然发生的因素。所述业务规则为一个或多个，每一个业务规则对应一个唯一标识的规则id，所述规则id可以为数字或字母，本技术不做限制。所述待改善客户是指受所述干扰因素造成亏损的车险客户。
[0143]
该可选的实施例中，所述业务规则包括但不限于：业务规则一，对于发生地震、风灾等偶然发生的灾害造成的车险亏损；业务规则二，车险客户在所有险种上亏损的比例占10％以下；业务规则三，车险客户在历史车险保单中亏损的比例占10％以下。
[0144]
示例性的，在将所有业务规则与目标客户进行匹配的过程中，若目标客户因水灾获得车险理赔从而造成车险公司的车险亏损，且目标客户在历史车险保单中亏损的比例为5％，则所述目标用户满足业务规则二和业务规则三，则所述目标客户的匹配结果集包括业务规则二和业务规则三；将所述业务规则二的规则id记为id2，将所述业务规则三的规则id记为id3，则所述目标客户的分类结果为待改善客户，且改善类型标签为id2和id3。
[0145]
在一个可选的实施例中，储存单元113用于储存所有亏损客户的客户信息以获取亏损客户名单库。
[0146]
在一个可选的实施例中，将分类结果为亏损客户的客户信息得到亏损客户名单库。需要说明的是，所述亏损名单库为已经承保的车险客户中所有亏损客户的客户信息。
[0147]
在一个可选的实施例中，监测单元114基于所述改善类型标签计算每一个待改善客户的剩余成本额度，并基于所述剩余成本额度监测所述待改善客户的新增车险成本以获取每一个待改善客户的监测结果，所述新增车险成本为计算所述剩余成本额度之后产生的车险成本。
[0148]
在一个可选的实施例中，基于所述改善类型标签计算每一个待改善客户的剩余成本额度，所述剩余成本额度满足关系式：
[0149][0150]
其中，nuui表示第i个待改善客户的改善类型标签的数量，αj表示第j个改善类型标签对应的预设折扣率，所述预设折扣率与业务规则一一对应，所述预设折扣率的取值范围为[0,1]，ci为第i个待改善客户的历史车险成本，所述历史车险成本为计算所述剩余成本额度之前的车险成本，yi为第i个待改善客户的车险营收，y
*
为预设目标利润，则ci为第i个待改善客户的剩余成本额度。其中，所述车险成本包括但不限于车险理赔成本、人工成本、营销宣传成本，所述车险营收包括但不限于车险保费、保费利息，所述预设目标利润与具体保险公司和车险险种有关。
[0151]
在一个可选实施例中，所述基于所述剩余成本额度监测所述待改善客户的新增车险成本以获取每一个待改善客户的监测结果，所述新增车险成本为计算所述剩余成本额度之后产生的车险成本，包括：
[0152]
采集待改善客户的新增车险成本，所述新增车险成本为计算所述剩余成本额度之后产生的车险成本；
[0153]
计算同一待改善客户的所述剩余成本额度和所述新增车险成本的差值；
[0154]
若所述差值大于预设阈值，则所述待改善客户的监测结果为正常；
[0155]
若所述差值不大于所述预设阈值，则所述待改善客户的监测结果为异常。
[0156]
其中，所述预设阈值为1000。
[0157]
在一个可选的实施例中，管控单元115用于基于所述亏损客户名单库和所述监测结果对车险客户进行管控获取成本管控结果，所述车险客户包括新增承保客户和待改善客户。
[0158]
在一个可选的实施例中，所述基于所述亏损客户名单库和所述监测结果对车险客户进行管控获取成本管控结果，所述车险客户包括新增承保客户和待改善客户，包括：
[0159]
若所述车险客户为新增承保客户，采集新增承保客户的客户信息作为目标客户信息，计算所述目标客户信息和所述亏损客户名单库中所有客户信息的相似度，并对比相似度的最大值和相似度阈值得到承保结果，所述承保结果包括同意承保和拒绝承保；
[0160]
若所述车险客户为待改善客户，获取所述待改善客户的监测结果，若所述监测结果为异常，则生成文字提示信息以提醒车险工作人员对所述监测结果为异常的车险客户执行管控措施；
[0161]
将所述承保结果和所述文字提示信息作为成本管控结果。
[0162]
其中，所述文字提示信息包括监测结果为异常的车险客户的客户id，所述管控措
施可以为安全宣讲、消息推送、保费调整等可以降低车险客户的新增成本的措施。
[0163]
在一个可选的实施例中，所述计算所述目标客户信息和所述亏损客户名单库中所有客户信息的相似度，并对比相似度的最大值和相似度阈值得到承保结果，所述承保结果包括同意承保和拒绝承保，包括：
[0164]
计算所述目标客户信息和所述亏损客户名单库中所有客户信息的相似度，所述相似度满足关系式：
[0165]
sim
mn
＝exp(-‖h
m-hn‖2)
[0166]
其中，hm表示新增承保客户的目标客户信息，hm表示所述亏损客户名单库中车险客户n的客户信息，sim
mn
表示目标客户和车险客户n的相似度；
[0167]
获取所有相似度中的最大值；
[0168]
若所述最大值大于相似度阈值，认为所述新增承保客户为亏损客户的风险较大，则所述承保结果为拒绝承保；
[0169]
若所述最大值不大于所述相似度阈值，认为所述新增承保客户为亏损客户的风险较小，则所述承保结果为同意承保。
[0170]
其中，所述相似度阈值为0.8。
[0171]
由以上技术方案可以看出，本技术能够依据车险客户的客户信息和业务规则得到亏损客户和待改善客户，同时待改善客户又依据业务规则划分为不同改善类型，依据亏损客户的客户信息实现亏损风险的智能识别，在承保阶段实现成本管控，同时，依据改善类型对待改善客户追踪监测，并依据监测结果对已承保的客户执行管控措施，实现车险成本的精准管控。
[0172]
请参见图3，是本技术实施例提供的一种电子设备的结构示意图。电子设备1包括存储器12和处理器13。存储器12用于存储计算机可读指令，处理器13用执行所述储器中存储的计算机可读指令以实现上述任一实施例所述的基于人工智能的车险成本管控方法。
[0173]
在一个可选的实施例中，电子设备1还包括总线、存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于人工智能的车险成本管控程序。
[0174]
图3仅示出了具有存储器12和处理器13的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0175]
结合图1，电子设备1中的所述存储器12存储多个计算机可读指令以实现一种基于人工智能的车险成本管控方法，所述处理器13可执行所述多个指令从而实现：
[0176]
构建业务数据库以储存所有车险客户的客户信息，所述客户信息包括行驶数据和车险数据；
[0177]
基于所述客户信息对所有车险客户进行筛选得到疑似亏损客户；
[0178]
依据业务规则对所述疑似亏损客户进行分类得到分类结果，所述分类结果包括亏损客户和待改善客户，所述待改善客户包括改善类型标签；
[0179]
储存所有亏损客户的客户信息以获取亏损客户名单库；
[0180]
基于所述改善类型标签计算每一个待改善客户的剩余成本额度，并基于所述剩余成本额度监测所述待改善客户的新增车险成本以获取每一个待改善客户的监测结果，所述新增车险成本为计算所述剩余成本额度之后产生的车险成本；
[0181]
基于所述亏损客户名单库和所述监测结果对车险客户进行管控获取成本管控结果，所述车险客户包括新增承保客户和待改善客户。
[0182]
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0183]
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，电子设备1可以是总线型结构，也可以是星形结构，电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如电子设备1还可以包括输入输出设备、网络接入设备等。
[0184]
需要说明的是，电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本技术，也应包含在本技术的保护范围以内，并以引用方式包含于此。
[0185]
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质可以是非易失性的，也可以是易失性的。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smart media card,smc)、安全数字(secure digital,sd)卡、闪存卡(flash card)等。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于人工智能的车险成本管控程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0186]
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是电子设备1的控制核心(control unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于人工智能的车险成本管控程序等)，以及调用存储在所述存储器12内的数据，以执行电子设备1的各种功能和处理数据。
[0187]
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于人工智能的车险成本管控方法实施例中的步骤，例如图1所示的步骤。
[0188]
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本技术。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在电子设备1中的执行过程。例如，所述计算机程序可以被分割成构建单元110、筛选单元111、分类单元112、储存单元113、监测单元114、管控单元115。
[0189]
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本技术各个实施例所述的基于人工智能的车险成本管控方法的部分。
[0190]
电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上
述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
[0191]
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存储器及其他存储器等。
[0192]
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
[0193]
本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0194]
总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
[0195]
本技术实施例还提供一种计算机可读存储介质(图未示)，计算机可读存储介质中存储有计算机可读指令，计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的基于人工智能的车险成本管控方法。
[0196]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0197]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0198]
另外，在本技术各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0199]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。说明书陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0200]
最后应说明的是，以上实施例仅用以说明本技术的技术方案而非限制，尽管参照较佳实施例对本技术进行了详细说明，本领域的普通技术人员应当理解，可以对本技术的技术方案进行修改或等同替换，而不脱离本技术技术方案的精神和范围。
技术特征：1.一种基于人工智能的车险成本管控方法，其特征在于，所述方法包括：构建业务数据库以储存所有车险客户的客户信息，所述客户信息包括行驶数据和车险数据；基于所述客户信息对所有车险客户进行筛选得到疑似亏损客户；依据业务规则对所述疑似亏损客户进行分类得到分类结果，所述分类结果包括亏损客户和待改善客户，所述待改善客户包括改善类型标签；储存所有亏损客户的客户信息以获取亏损客户名单库；基于所述改善类型标签计算每一个待改善客户的剩余成本额度，并基于所述剩余成本额度监测所述待改善客户的新增车险成本以获取每一个待改善客户的监测结果，所述新增车险成本为计算所述剩余成本额度之后产生的车险成本；基于所述亏损客户名单库和所述监测结果对车险客户进行管控获取成本管控结果，所述车险客户包括新增承保客户和待改善客户。2.如权利要求1所述的基于人工智能的车险成本管控方法，其特征在于，所述构建业务数据库以储存所有车险客户的客户信息，所述客户信息包括行驶数据和车险数据，包括：获取每一个车险客户的客户id，所述客户id为车险客户的唯一标识；采集车险客户的客户信息，所述客户信息为预设时间段内的行驶数据和车险数据，所述行驶数据包括但不限于预设时间段内车辆的平均行驶速度、行驶轨迹、行驶时间段、行车记录仪的图像信息、交通违规记录，所述车险数据包括但不限于预设时间段内所有车险保单的理赔金额、保费信息以及出险次数；创建数据表，将客户id与所述客户id对应的客户信息存在数据表中以构建业务数据库。3.如权利要求1所述的基于人工智能的车险成本管控方法，其特征在于，所述基于所述客户信息对所有车险客户进行筛选得到疑似亏损客户包括：将每一个车险客户的客户信息作为一个样本点，得到样本点集合；依据聚类算法对所述样本点集合进行聚类处理，得到预设数量的聚类簇，每个聚类簇包含一个或多个样本点；基于不同聚类簇中样本点的数量得到疑似亏损客户。4.如权利要求1所述的基于人工智能的车险成本管控方法，其特征在于，所述依据业务规则对所述疑似亏损客户进行分类得到分类结果，所述分类结果包括亏损客户和待改善客户，所述待改善客户包括改善类型标签，包括：从所有疑似亏损客户中随机选取一个作为目标客户；依据业务规则匹配所述目标客户得到匹配结果集，所述匹配结果集包括所述目标客户满足的业务规则，所述业务规则为一个或多个；若所述匹配结果集为空集，则所述目标客户的分类结果为亏损客户；若所述匹配结果集为非空集，则所述目标客户的分类结果为待改善客户，并将所述匹配结果集中每一个业务规则的规则id作为所述待改善客户的改善类型标签，所述规则id与所述业务规则一一对应；遍历所有疑似亏损客户得到每一个疑似亏损客户的分类结果，所述分类结果包括亏损客户和待改善客户。
5.如权利要求1所述的基于人工智能的车险成本管控方法，其特征在于，所述剩余成本额度满足关系式：其中，nun
i
表示第i个待改善客户的改善类型标签的数量，α
j
表示第j个改善类型标签对应的预设折扣率，所述预设折扣率与业务规则一一对应，所述预设折扣率的取值范围为[0,1]，c
i
为第i个待改善客户的历史车险成本，所述历史车险成本为计算所述剩余成本额度之前的车险成本，y
i
为第i个待改善客户的车险营收，y
*
为预设目标利润，则c
i
为第i个待改善客户的剩余成本额度。6.如权利要求1所述的基于人工智能的车险成本管控方法，其特征在于，所述基于所述剩余成本额度监测所述待改善客户的新增车险成本以获取每一个待改善客户的监测结果，所述新增车险成本为计算所述剩余成本额度之后产生的车险成本，包括：采集待改善客户的新增车险成本，所述新增车险成本为计算所述剩余成本额度之后产生的车险成本；计算同一待改善客户的所述剩余成本额度和所述新增车险成本的差值；若所述差值大于预设阈值，则所述待改善客户的监测结果为正常；若所述差值不大于所述预设阈值，则所述待改善客户的监测结果为异常。7.如权利要求1所述的基于人工智能的车险成本管控方法，其特征在于，所述基于所述亏损客户名单库和所述监测结果对车险客户进行管控获取成本管控结果，所述车险客户包括新增承保客户和待改善客户，包括：若所述车险客户为新增承保客户，采集新增承保客户的客户信息作为目标客户信息，计算所述目标客户信息和所述亏损客户名单库中所有客户信息的相似度，并对比相似度的最大值和相似度阈值得到承保结果，所述承保结果包括同意承保和拒绝承保；若所述车险客户为待改善客户，获取所述待改善客户的监测结果，若所述监测结果为异常，则生成文字提示信息以提醒车险工作人员对所述监测结果为异常的车险客户执行管控措施；将所述承保结果和所述文字提示信息作为成本管控结果。8.一种基于人工智能的车险成本管控装置，其特征在于，所述装置包括：构建单元，用于构建业务数据库以储存所有车险客户的客户信息，所述客户信息包括行驶数据和车险数据；筛选单元，用于基于所述客户信息对所有车险客户进行筛选得到疑似亏损客户；分类单元，用于依据业务规则对所述疑似亏损客户进行分类得到分类结果，所述分类结果包括亏损客户和待改善客户，所述待改善客户包括改善类型标签；储存单元，用于储存所有亏损客户的客户信息以获取亏损客户名单库；监测单元，基于所述改善类型标签计算每一个待改善客户的剩余成本额度，并基于所述剩余成本额度监测所述待改善客户的新增车险成本以获取每一个待改善客户的监测结果，所述新增车险成本为计算所述剩余成本额度之后产生的车险成本；管控单元，用于基于所述亏损客户名单库和所述监测结果对车险客户进行管控获取成本管控结果，所述车险客户包括新增承保客户和待改善客户。
9.一种电子设备，其特征在于，所述电子设备包括：存储器，存储有计算机可读指令；及处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的基于人工智能的车险成本管控方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的车险成本管控方法。
技术总结本申请提出一种基于人工智能的车险成本管控方法、装置、电子设备及存储介质，基于人工智能的车险成本管控方法包括：构建业务数据库以储存所有车险客户的客户信息；基于客户信息对所有车险客户进行筛选得到疑似亏损客户；依据业务规则对疑似亏损客户进行分类得到分类结果，分类结果包括亏损客户和待改善客户，待改善客户包括改善类型标签；储存所有亏损客户的客户信息以获取亏损客户名单库；基于改善类型标签计算每一个待改善客户的剩余成本额度，并基于剩余成本额度监测待改善客户的新增车险成本以获取每一个待改善客户的监测结果；基于亏损客户名单库和监测结果对车险客户进行管控获取成本管控结果。本申请能够实现车险成本的精准管控。本的精准管控。本的精准管控。
技术研发人员：喻芳
受保护的技术使用者：中国平安财产保险股份有限公司
技术研发日：2022.06.27
技术公布日：2022/11/1
