3. 数据基础
车险理赔欺诈团伙的识别，本质上不是“看谁可疑”，而是“看谁与谁之间存在异常关联”。这种关联必须落在可核验的数据字段上。因此，在进入模型与规则之前，必须先把四类核心数据源理解清楚：理赔数据回答“发生了什么”，保单数据回答“谁在承保”，人车关系数据回答“谁和谁有关”，维修数据回答“钱最终流向了哪里”。四者叠加，才能把孤立案件还原成团伙网络。
一、核心原理：四类数据构成“案件—主体—关系—资金”闭环
欺诈团伙的典型特征是：案件本身可能单看合规，但主体之间反复共现、资金流向集中、维修行为异常。理赔数据提供案件事实与损失金额；保单数据提供投保人、被保险人、车辆、渠道、起保时间等背景；人车关系数据提供驾驶员、车主、报案人、代理人之间的交叉关系；维修数据提供维修厂、配件、工时、发票与结算信息。四类数据通过案件号、保单号、车牌号、车架号、身份证号、维修厂编号等主键实现关联。
关键认知：单条理赔记录只能说明“这次赔了”，只有把同一批人、同一批车、同一批维修厂在时间轴上的多次共现聚合起来，才能识别出“团伙”。数据基础的质量，直接决定后续图算法与规则引擎的上限。
二、四类核心数据源的结构与关键字段
下面用一张清单式表格梳理四类数据源的核心字段、识别价值与常见质量问题。实际项目中，字段命名可能不同，但语义基本一致。
| 数据源 | 核心字段 | 欺诈识别价值 | 常见质量问题 |
|---|---|---|---|
| 理赔数据 | 报案号、保单号、出险时间、出险地点、报案人、驾驶员、损失金额、赔付金额、事故类型、查勘员、结案时间 | 定位高频出险、异常时段、集中地点、金额分布；发现同一驾驶员多次出险 | 报案人姓名不规范、时间格式不统一、地点缺失、金额单位不一致 |
| 保单数据 | 保单号、投保人、被保险人、车牌号、车架号、险种、保额、起保日期、到期日期、渠道、代理人 | 识别短期投保即出险、批改频繁、代理人集中出单、保额与车辆价值不匹配 | 一车多保单、批单未合并、代理人编号缺失、渠道字段口径不一 |
| 人车关系数据 | 人员ID、姓名、身份证号、手机号、车牌号、车架号、关系类型（车主/驾驶员/报案人/代理人）、关系起止时间 | 构建人员—车辆二部图，发现同一手机号关联多车多人、关系频繁变更 | 手机号变更、身份证脱敏、关系类型缺失、时间区间重叠 |
| 维修数据 | 维修厂编号、维修厂名称、案件号、车牌号、维修项目、配件名称、工时、发票号、结算金额、结算时间 | 识别维修厂与案件集中关联、配件价格异常、工时虚高、发票连号 | 维修项目文本非结构化、配件编码不统一、发票信息缺失 |
三、方法流程：从数据接入到关系宽表
数据基础建设不是简单“把表拉进来”，而是按以下流程形成可分析的宽表与关系表：
- 数据接入与标准化：统一时间格式、金额单位、证件号脱敏规则，建立主键映射字典。
- 实体对齐：将不同系统中的“人、车、厂、案”对齐为唯一实体ID，解决同名同车、一车多牌等问题。
- 关系抽取：从理赔、保单、维修数据中抽取“人—车”“人—案”“厂—案”“人—人”关系，并记录关系来源与时间。
- 关系宽表构建：以案件号为主键，拼接保单、人员、车辆、维修厂字段，形成一行一案的宽表。
- 质量校验：检查主键重复、关系冲突、时间倒挂、金额异常，输出数据质量报告。
下面是一段典型的关系宽表构建SQL示例，用于把理赔、保单、维修三类数据按案件号聚合：
SELECT
c.claim_no,
c.report_time,
c.loss_amount,
p.policy_no,
p.insured_name,
p.plate_no,
p.agent_id,
r.repair_shop_id,
r.repair_amount,
r.invoice_no
FROM claim c
LEFT JOIN policy p ON c.policy_no = p.policy_no
LEFT JOIN repair r ON c.claim_no = r.claim_no
WHERE c.report_time >= '2023-01-01'
AND c.status = '已结案';实操提示：关系宽表不要一次性追求“大而全”。建议先围绕“人—车—案—厂”四个核心实体构建最小可用宽表，再逐步补充渠道、代理人、查勘员等维度。字段越多，主键冲突与空值问题越难控制。
四、案例/场景：一起“维修厂集中赔付”的团伙线索
某地区连续出现多起小额车损案件，单案赔付金额均在3000元至8000元之间，表面看属于正常快赔。但将四类数据关联后发现：
- 理赔数据中，这些案件的报案时间集中在夜间22点至次日2点，事故类型多为“单方剐蹭”。
- 保单数据中，多张保单的投保人不同，但代理人编号相同，且起保日期距出险日期平均仅11天。
- 人车关系数据中，不同案件中的驾驶员手机号存在交叉，同一手机号关联了4辆不同车辆。
- 维修数据中，所有案件均指向同一家维修厂，发票号连续，配件名称高度雷同，工时费明显高于市场均价。
单独看任何一类数据都不足以定性，但四类数据叠加后，形成了“短期投保—夜间出险—人员交叉—维修集中”的团伙特征链。这正是数据基础的价值所在。
五、误区与复盘：数据基础阶段最容易踩的坑
误区一：只接理赔数据就开始建模。没有保单与人车关系数据，无法判断“短期投保即出险”“人员交叉”等团伙特征，模型只能识别单案异常，无法识别网络。
误区二：忽视主键质量。车牌号大小写、空格、临时牌、车架号缺失，会导致同一辆车被拆成多个实体，团伙关系被切断。
误区三：维修数据只取金额。维修厂编号、发票号、配件名称、工时才是识别“维修集中”和“虚假维修”的关键，只取金额会丢失最重要的关系信号。
误区四：不做时间对齐。保单起保、出险、维修结算的时间顺序如果错乱，会误判“先出险后投保”等欺诈模式。
复盘建议：在数据基础阶段，至少输出三份产物——实体映射字典、关系宽表、数据质量报告。实体映射字典解决“谁是谁”，关系宽表解决“谁和谁有关”，数据质量报告解决“哪些结论不可信”。这三份产物，是后续团伙关系识别、图算法与规则引擎能够稳定运行的前提。