1. 课程导入
一、理赔反欺诈的业务背景
理赔是保险经营中资金流出的核心环节，也是欺诈风险最集中的环节。与承保端相比，理赔欺诈往往具有更强的隐蔽性、更高的单笔金额和更复杂的团伙化特征。常见的欺诈形态包括：先出险后投保、伪造事故与单证、夸大损失程度、重复索赔、带病投保后短期出险、医患合谋套取医疗险赔款，以及车险中的故意碰撞、扩损、换件骗赔等。
传统理赔风控主要依赖人工审核与规则校验，例如核对保单有效期、检查发票真伪、比对事故时间线。这类方式在案件量较小时有效，但当业务量增长到日均数万甚至数十万件时，人工审核会面临三个瓶颈：覆盖率不足（只能抽查）、一致性差（不同审核员判断标准不同）、响应滞后（发现欺诈时赔款已支付）。因此，行业逐步从“人工经验驱动”转向“规则+模型+决策引擎”的融合风控模式。
规则擅长处理明确的、可解释的硬性条件，例如“报案时间早于保单生效时间”；模型擅长从高维数据中捕捉隐性模式，例如“某修理厂关联案件的历史赔付率异常偏高”。两者结合，再通过决策引擎进行分层处置，才能在准确率、覆盖率与运营成本之间取得平衡。这正是本课程要解决的核心问题。
业务目标：在赔案进入支付环节之前，尽可能早地识别高风险案件，并给出差异化处置建议——自动通过、人工复核、调查取证或拒赔，从而降低欺诈损失，同时避免误伤正常客户体验。
二、学习目标
完成本课程后，学员应能够独立完成以下任务：
- 理解业务：说清理赔反欺诈的典型场景、欺诈手法与风控切入点。
- 设计规则：基于保单、报案、单证、医疗、维修等数据，编写可执行的欺诈识别规则。
- 构建模型：完成特征工程、样本标注、模型训练与评估，输出可解释的风险评分。
- 融合决策：将规则与模型结果通过决策引擎编排，形成分层处置策略。
- 评估复盘：使用命中率、误报率、召回率、KS、AUC等指标持续优化策略。
三、核心概念
在进入实战之前，需要统一几个关键概念，避免后续章节出现理解偏差。
| 概念 | 含义 | 在反欺诈中的作用 |
|---|---|---|
| 规则（Rule） | 基于明确条件的判断逻辑，如“报案时间 < 保单生效时间” | 高可解释、易落地，适合硬性拦截 |
| 模型（Model） | 从历史数据中学习风险模式的统计或机器学习算法 | 捕捉隐性关联，输出连续风险分 |
| 特征（Feature） | 描述案件、人员、机构、时间等维度的可计算变量 | 规则与模型的共同输入基础 |
| 决策引擎（Decision Engine） | 编排规则、模型、名单、阈值并输出处置动作的系统 | 实现融合决策与自动化流转 |
| 风险评分（Risk Score） | 模型输出的0~1或0~100的欺诈概率或风险等级 | 用于排序、分层与阈值切分 |
| 误报（False Positive） | 正常案件被误判为高风险 | 影响客户体验与运营成本 |
| 漏报（False Negative） | 欺诈案件被误判为低风险 | 直接造成赔付损失 |
提示：规则与模型不是替代关系，而是互补关系。规则解决“已知的已知”，模型解决“未知的未知”，决策引擎解决“如何协同”。
四、整体课程框架与融合决策流程
本课程共30章，整体遵循“业务理解→数据与特征→规则体系→模型构建→融合决策→评估优化”的主线。第1章作为导入，重点建立全局认知。下面用一张结构图展示理赔反欺诈融合决策的核心链路：从多源数据接入，到规则与模型双通道并行，再到决策引擎分层处置，最后进入反馈闭环。
上图展示了本课程的核心逻辑：数据是基础，规则与模型是两条并行通道，决策引擎负责融合与分层，最终输出差异化处置动作，并通过反馈闭环持续优化。后续章节将逐一拆解每个环节的实现细节。
五、常见误区与复盘视角
误区一：只做规则不做模型。规则覆盖有限，面对新型欺诈手法容易失效，且规则过多会导致维护成本急剧上升。
误区二：只做模型不做规则。模型输出是概率，缺乏硬性拦截能力，且冷启动阶段样本不足，效果不稳定。
误区三：忽视误报成本。过度追求召回率会导致大量正常案件被拦截，客户体验下降，运营成本上升。
误区四：没有反馈闭环。规则和模型上线后不更新，欺诈手法变化后迅速失效。
因此，本课程强调“规则+模型+决策引擎+反馈闭环”四位一体。学习过程中，建议学员结合自身业务场景，边学边梳理可落地的规则清单与特征清单，为后续实战章节做好准备。
# 融合决策伪代码示例
def fraud_decision(case):
rule_hit = rule_engine.evaluate(case) # 规则通道
model_score = model.predict(case.features) # 模型通道
if rule_hit.hard_block:
return "拒赔/移交"
if model_score >= 0.85 or rule_hit.risk_level == "高":
return "调查取证"
if model_score >= 0.55 or rule_hit.risk_level == "中":
return "人工复核"
return "自动通过"
通过本章的学习，学员应建立起对理赔反欺诈融合决策的整体认知：业务背景决定了风控的必要性，核心概念统一了沟通语言，课程框架指明了学习路径，而误区复盘则帮助避免常见陷阱。接下来，课程将进入数据与特征工程环节，为规则与模型的构建打下坚实基础。