财产再保公司做AI异常交易检测，选哪家供应商靠谱？

我们为什么非要搞这个AI检测

我是国内一家中型财产再保公司的风控负责人，公司主要做车险、企财险的合约和临分业务，一年保费规模大概30个亿。

说实话，几年前我们根本没想过要上什么AI系统。那时候查异常交易，全靠风控团队几个老同事，凭着经验在业务系统里翻单子，或者等合作方发来协查函，我们再去倒查。

问题就出在这儿。

前年，我们接连出了两档子事。一次是某合作渠道，在季度末集中塞进来一批高风险货运险业务，单子做得特别“漂亮”，数据都卡在核保线边缘。等我们发现赔付率不对劲的时候，已经赔出去两百多万了。

另一次更隐蔽，一家长期合作的保险公司，在几个再保合同里，把一些小额赔案反复分保，利用信息差和结算周期套利。这事儿是对方公司内审曝出来的，我们脸上特别挂不住。

老板拍着桌子问：风控是干什么吃的？我们也很委屈。每天经手的交易成千上万，合同条款、费率、分保比例、历史赔付数据都不一样，光靠人眼，哪看得过来？尤其是月底、季度末业务冲量的时候，更容易被钻空子。

我们意识到，靠人工排查，就像用渔网捞沙子，漏得太多了。必须得用技术手段。

一开始想的太简单，走了不少弯路

我们最开始的想法很直接：找个懂技术的公司，帮我们做个系统，能自动发现不对劲的交易就行。

第一段弯路，是找了家做通用大数据分析的公司。

他们讲得天花乱坠，说算法多厉害，能关联多少外部数据。结果做出来的东西，就是个高级报表系统。它只能告诉你“这个渠道本月业务量环比增长了150%”，但增长的原因是什么？是正常的业务拓展，还是突击塞单？系统判断不了，还得靠人。

而且，它报警的逻辑太死板。比如我们设个规则“同一标的短期多次分保报警”，结果把一些正常的共保业务、临时加保业务全报上来了，一天几百条警报，看得人头皮发麻，最后大家都不看了。

钱花了小一百万，用了半年，基本废了。

第二段弯路，是我们自己搞。

我们风控部有个同事懂点编程，就说自己买点机器学习课程，试着建模型。想法很好，但现实很骨感。

第一是数据问题。我们的历史交易数据虽然多，但标注好的“异常交易”样本太少了。过去没系统查，很多问题根本没发现，哪来的标注数据？用规则生搬硬套标出来的数据，模型学出来也是错的。

第二是特征工程。什么样的交易算异常？老师傅的经验是“感觉不对”，但怎么把“感觉”变成计算机能算的“特征”？费率偏离度、业务集中度、时间规律性……这些维度我们能想到，但权重怎么设？模型调了三个月，准确率还不到60%，比瞎猜强不了多少。

时间和人力投入不少，项目也黄了。

最后怎么找到对的路子

折腾了一年多，我们算是明白了：财产再保的异常交易检测，是个专业活儿，光有算法或者光懂业务都不行，必须得结合。

我们重新梳理了需求，核心就三点：

1. 不能老报警，要准。误报率必须压到我们能人工复核的量级，一天几十条顶天了。

2. 得懂我们的业务逻辑。不是看单一交易，要能串联起合同、渠道、历史行为，甚至关联方的信息。

3. 实施要快，我们等不起一两年，最好几个月内能看到效果。

这次选型，我们重点看了几家专门做金融风控AI的供应商，特别是接触过保险或再保业务的。

关键决策点有几个：

第一，看他们怎么理解“异常”。

泛泛而谈“AI发现风险”的，我们直接pass。我们看重的是，对方能不能说出财产再保里具体的异常模式。比如，他们能不能提到“赔款准备金释放模式异常”、“合约与临分业务的结构性套利”、“通过关联交易转移高风险业务”这些行内人才懂的点。

第二，看数据怎么处理。

我们数据分散在核心业务系统、财务系统、理赔系统里，格式还不统一。供应商不能要求我们把数据都导出来做成标准表格，那样实施周期太长，后期维护也麻烦。我们选的这家，是能通过接口直接去各系统“读”数据，在它们自己的平台上做关联计算，对我们原有系统改动最小。

第三，看交付方式。

我们坚决不要“黑盒子”。模型为什么报警，必须能解释。我们选的方案，每次报警都会给出几个核心的异常指标和关联证据链，比如“该交易分保费率低于合同约定均值20%，且交易对手近三月同类业务激增300%”，这样我们复核起来就有重点。

实施过程比想象中顺利。供应商派来的项目组里，有两个人以前在保险公司干过，沟通起来特别顺畅。

我们没搞“大而全”，分了三步走：

第一个月，就接入了车险合约分保这一个业务线，用三个月的历史数据跑模型，和我们手工发现的几个已知问题案例做对比，校准模型。

第三个月，模型开始正式在车险线上跑，每天产生报警，风控团队复核并反馈结果，模型继续学习优化。

第六个月，才扩展到企财险和临分业务。

现在用起来到底怎么样

系统上线运行快一年了，说几个大家最关心的实际效果。

检出能力上，确实比人工强。

大概每个月能稳定发现5-8笔需要我们深入调查的可疑交易。这里面，最后能坐实有问题、需要采取风控措施的，大概有2-3笔。别小看这个数，去年光是其中一笔涉及工程险的异常分保，就帮我们避免了预计超过80万的损失。算下来，系统一年的投入，靠避免的损失和提升的风控效率，回本周期大概在14个月左右，符合我们当初的预期。

工作效率上，风控团队轻松多了。

以前是“人找风险”，大海捞针。现在是“风险找人”，系统推送线索，我们重点攻坚。团队可以把更多精力放在深度调查和制定风控策略上。原来需要4个人干的日常监测活儿，现在2个人就能搞定，另外两个人转去做更复杂的模型优化和策略分析。

不过，也不是什么都解决了。

最大的问题，是对一些“创新”的、从来没见过的欺诈模式，系统反应会慢半拍。它毕竟是根据历史数据学习的，对于全新的作案手法，需要我们先发现一例，标注进去，它才能学会。

另外，系统非常依赖数据的质量。如果前端业务系统录入的数据本身就有误或者滞后，那出来的分析结果肯定跑偏。所以我们现在对业务数据的规范性要求比以前高多了，这算是个意外的收获。

如果重来一次，我会这么干

回顾整个过程，如果时间能倒流，有几件事我会做得不一样：

第一，别自己造轮子。

除非公司有非常强的AI研发团队，否则别想着自己从零开始搞。财产再保风控的领域知识太深，找一个有行业经验的合作伙伴，比自己摸索快得多，也靠谱得多。

第二，先定义清楚“什么是成功”。

别一上来就要“解决所有问题”。和业务、技术一起，明确第一阶段的核心目标。比如我们后来定的“车险合约业务误报率低于5%”，这就是个清晰可衡量的目标。大家一起朝这个方向努力，不容易跑偏。

第三，风控团队要深度参与，不能当甩手掌柜。

供应商提供的是工具，但业务规则、风险判断标准、调查流程，还得靠自己的团队。我们当时让风控骨干全程参与项目，包括数据标注、规则讨论、模型验收，这样系统做出来才贴合我们的使用习惯。

给也想做的同行几句实在话：

AI异常交易检测，对财产再保公司来说，已经不是“要不要做”的问题，而是“怎么做对”的问题。它能帮你从被动响应变成主动发现，这个价值是实实在在的。

选供应商的时候，多问问他们过去在保险金融领域的案例细节，看看他们团队里有没有懂业务的人。实施的时候，从小处着手，快速验证，别想一口吃成胖子。最重要的是，想清楚这件事对你公司的核心价值到底是什么，是降本、增效，还是避损？目标不同，选择的路径和评估的标准也会不一样。

写在最后

这条路我们走过，知道里面有多少坑。从觉得“没必要”，到“瞎折腾”，再到“真有用”，整个过程挺磨人，但结果值得。

现在市场上有不少做AI风控的供应商，水平参差不齐，报价差距也大。如果你也在考虑这个事情，不确定自己公司目前的数据基础、业务场景适不适合做，或者该从哪个角度入手去评估供应商，我建议你先别急着到处打听报价。

可以试试用“索答啦AI”这种工具先做个简单的评估，它里面有一些针对金融风控场景的框架和问题，能帮你理理思路。关键是免费的，自己花半小时填一填，就能对自己公司的现状和需求有个更清晰的认识，再去和供应商谈，心里有底，也不容易被忽悠。这比盲目找三五家供应商来轮番轰炸，要省事得多。