大數據建模技術(shù)在人身保險反欺詐領(lǐng)域的應用路徑解析論文
一、引言
隨著(zhù)大數據技術(shù)的蓬勃發(fā)展，尤其是“Alpha Go”戰勝李世石后，又以“Master”的身份橫掃圍棋界，使基于機器學(xué)習的大數據建模成為了最新的技術(shù)熱點(diǎn)。通過(guò)模型訓練讓機器智能化，代替人工，降低成本，提高效率和準確率，其眾多的優(yōu)勢和巨大的商業(yè)價(jià)值吸引了各行各業(yè)的商業(yè)巨頭紛紛開(kāi)始打造屬于自己的人工智能體系，尤以騰訊、阿里、百度等擁有明顯大數據資源優(yōu)勢的互聯(lián)網(wǎng)企業(yè)為代表。目前，人臉識別、語(yǔ)義識別、無(wú)人駕駛、智能風(fēng)險識別、精準預測模型等基于大數據的新技術(shù)在商業(yè)上的應用已經(jīng)日趨成熟，并通過(guò)“互聯(lián)網(wǎng)+”迅速輻射到金融領(lǐng)域，開(kāi)始重塑甚至顛覆傳統的商業(yè)及運營(yíng)管理模式。這種變革帶來(lái)的競爭壓力迫使銀行、保險等金融機構必須快速轉型升級，積極尋求自身業(yè)務(wù)與大數據和新技術(shù)之間的契合點(diǎn)。而通過(guò)大數據構建精準風(fēng)險預測模型提升風(fēng)險識別的精準度和效率，對于經(jīng)營(yíng)風(fēng)險的保險公司來(lái)說(shuō)，便成了一個(gè)極具吸引力和價(jià)值的切入點(diǎn)。
縱觀(guān)國內保險行業(yè)，目前對于大數據建模技術(shù)的應用還處在探索和嘗試階段。整體來(lái)看，財產(chǎn)險領(lǐng)域在精準風(fēng)險識別模型的應用上要略為先行一步：一方面是行業(yè)信息的整合共享更加到位，2016 年底，“全國車(chē)險反欺詐信息系統”正式上線(xiàn)，面向各市場(chǎng)主體提供保險欺詐線(xiàn)索識別和風(fēng)險預警功能，初步實(shí)現了行業(yè)車(chē)險欺詐信息的交互共享;另一方面，由于車(chē)輛保險的數據標準化程度較高，進(jìn)行大數據建模的基礎良好，因此國內部分財產(chǎn)險公司在車(chē)輛保險后續稽核方面通過(guò)構建大數據風(fēng)險識別模型輔助稽核，取得了一定的成效。而人身保險以人的壽命和健康作為對象，其經(jīng)營(yíng)的風(fēng)險更加復雜多樣，加之我國公民信息管理較為碎片化，數據標準化程度低，因此大數據在我國人身保險風(fēng)險管控領(lǐng)域的應用還較為滯后，僅有數家保險公司進(jìn)行了創(chuàng )新嘗試。
本文以大數據建模技術(shù)在人身保險反欺詐領(lǐng)域的應用為例，從業(yè)務(wù)場(chǎng)景選擇、風(fēng)險特征篩選、數據清洗與整理、建模工具與算法選擇、模型準確性的驗證等方面，詳細解構了基于Spark 計算引擎、采用隨機森林算法構建重大疾病保險核保欺詐風(fēng)險評估模型的路徑，以期對大數據建模技術(shù)在保險風(fēng)險管控領(lǐng)域的應用提供一定的參考。
二、人身保險大數據建模的基礎條件分析
(一)基礎數據條件
從1980 年我國保險業(yè)恢復經(jīng)營(yíng)以來(lái)，經(jīng)過(guò)30 多年的快速發(fā)展，到2016 年我國保險業(yè)原保險保費收入已達3.10 萬(wàn)億元。三十年來(lái)，人身保險經(jīng)營(yíng)領(lǐng)域穩步拓展，險種類(lèi)型不斷豐富，客戶(hù)群體持續擴充，國內主要人身保險公司已經(jīng)積累起了海量的內部數據。盡管保險運營(yíng)數據數字化的歷史僅二十年左右，規范的高質(zhì)量數據積累時(shí)間大約只有十余年，但主要人身保險公司的內部數據已經(jīng)足夠豐富。此外，金融行業(yè)的多元融合、金融機構集團化發(fā)展、大數據交易市場(chǎng)的興起，為人身保險公司提供了外部重要風(fēng)險數據接入的渠道和機會(huì )。雖然大部分重要數據都還碎片化地散落在不同領(lǐng)域，但從基本面上看，已經(jīng)具備進(jìn)行反欺詐大數據建模的數據基礎。
(二)建模技術(shù)條件
基于機器學(xué)習的數據建模工作，2010 年以前已經(jīng)在某些特定領(lǐng)域發(fā)揮了巨大作用，如圖像識別、自然語(yǔ)言處理等等。2010 年以后，隨著(zhù)大數據概念的興起，機器學(xué)習大量的應用都與大數據高度耦合，幾乎可以認為，大數據是機器學(xué)習應用的最佳場(chǎng)景。另一方面，技術(shù)發(fā)展促使硬件資源的成本不斷降低，模型構建可用資源不斷擴展，也為算法本身的完善提供了有利條件。2012年6月，《紐約時(shí)報》報道了Google Brain項目，這個(gè)項目是由Andrew Ng 和Map-Reduce 發(fā)明人Jeff Dean 共同主導，用16000 個(gè)CPU Core的并行計算平臺訓練一種稱(chēng)為“深層神經(jīng)網(wǎng)絡(luò )”的機器學(xué)習模型，深度學(xué)習的概念由此提出。通過(guò)大量模擬人腦行為的計算，深度學(xué)習為人類(lèi)解決很多復雜的問(wèn)題打開(kāi)了一扇無(wú)限的大門(mén)。
此外，在建模的工具和語(yǔ)言上，近幾年也有了井噴式的發(fā)展。除去老牌的SPSS 和SAS 這樣的企業(yè)在向大數據、分布式轉型，R和Python 語(yǔ)言的發(fā)展和應用也簡(jiǎn)化了數據分析和建模的難度，各大互聯(lián)網(wǎng)企業(yè)也紛紛推出自己的機器學(xué)習平臺，像Google 的Tensor Flow、IBM 的Watson 等等，都已經(jīng)有了很多成熟的應用。
各方技術(shù)條件的成熟，為大數據建模技術(shù)在人身保險反欺詐工作中的應用做了充分的鋪墊。該應用的探討和落地，可以有效輔助風(fēng)險管控的人工作業(yè)，提高欺詐案件的識別效率和識別精準度。
(三)國內建模技術(shù)人才狀況
在大數據建模工作中，具體模型搭建這個(gè)環(huán)節的主要承擔者是“數據科學(xué)家”�！皵祿茖W(xué)家”的概念在2009 年由Natahn Yau 首次提出，其概念是采用科學(xué)方法、運用數據挖掘工具尋找新的數據洞察的工程師。一個(gè)優(yōu)秀的數據科學(xué)家需要具備業(yè)務(wù)知識、數理統計和數據分析能力、計算機相關(guān)知識及機器學(xué)習等多維度的知識體系，是業(yè)務(wù)、技術(shù)與數據三者結合的高端型人才。對此類(lèi)人才高標準的要求和目前各行各業(yè)對這些人才的強大需求，造成了相關(guān)人才的緊缺，目前國內此類(lèi)人才供需狀況非常緊張，處于嚴重的供不應求狀態(tài)。據2016 年數據科學(xué)家報告統計，大約三分之二的數據科學(xué)家從業(yè)時(shí)間小于5 年，有83%的企業(yè)和組織表示沒(méi)有足夠的數據科學(xué)家來(lái)解決問(wèn)題。而隨著(zhù)“互聯(lián)網(wǎng)+大數據”商業(yè)模式的巨大成功，越來(lái)越多的企業(yè)和組織對數據進(jìn)行投資，這一趨勢可能繼續。
但需求催生供給，國內巨大的數據科學(xué)家人才供給缺口引致了此類(lèi)人力資源價(jià)格的高企，吸引了人才資源流入國內。2016 年國內數據人才短缺的狀況已較2015 年有所改善，其中大部分屬于引進(jìn)國外專(zhuān)家或留學(xué)歸國人員;國內高校、科研機構和各類(lèi)企業(yè)也加快了對此類(lèi)人才的培養。
綜合來(lái)看，目前國內人身保險行業(yè)構建精準反欺詐風(fēng)險識別模型的數據條件、技術(shù)條件和人才條件均已具備，可以也應當融合數據技術(shù)重構傳統的反欺詐管理模式，以提升人身保險經(jīng)營(yíng)死差益。
三、基于應用實(shí)操的反欺詐大數據建模路徑探析
(一)業(yè)務(wù)場(chǎng)景選擇
模型的建設和應用必須基于具體的業(yè)務(wù)場(chǎng)景，它決定了模型的數據原料范圍、風(fēng)險特征篩選、作業(yè)經(jīng)驗導入和模型建成后的具體應用方式，因此在進(jìn)行模型建設之前需要選定目標業(yè)務(wù)場(chǎng)景。下面從一個(gè)角度分析大數據模型在人身保險反欺詐實(shí)踐中適合的業(yè)務(wù)場(chǎng)景：
1.選擇業(yè)務(wù)類(lèi)型。以契約形式來(lái)劃分，保險業(yè)務(wù)可以分為個(gè)人業(yè)務(wù)和團體業(yè)務(wù)兩種類(lèi)型。人身保險公司在團體業(yè)務(wù)中能夠獲取的數據信息普遍不足，而且在團體業(yè)務(wù)中議價(jià)能力較弱，對團體業(yè)務(wù)中單一被保險人開(kāi)展反欺詐工作存在一定的障礙和難度。因此，個(gè)人業(yè)務(wù)應該是人身保險公司反欺詐工作關(guān)注的重點(diǎn)。
2.選擇險種類(lèi)型。從險種類(lèi)型角度考量，高現金價(jià)值的儲蓄型險種，由于射幸性不強，故作為欺詐的標的險種可能性不大，保險公司花費大量的投入進(jìn)行建模的產(chǎn)出很低;費用補償型短期健康險雖然存在欺詐，但多以軟性欺詐為主，且涉及到第三方(醫療機構)，構建反欺詐控費模型需要龐大的醫療知識庫和海量的數據，難度大、耗時(shí)長(cháng)，一般保險公司難以具備相應能力。綜合考慮業(yè)務(wù)價(jià)值、代表性、實(shí)施可行性和數據質(zhì)量等多種因素，重大疾病保險是一個(gè)較為理想的切入點(diǎn)。
3.選擇作業(yè)環(huán)節。從保險公司業(yè)務(wù)風(fēng)險管控作業(yè)鏈條和保險合同的整個(gè)生命周期考慮，核保、理賠兩個(gè)環(huán)節，一個(gè)把控入口關(guān)、一個(gè)把控出口關(guān)，是保險公司風(fēng)險管控鏈條中最核心的兩個(gè)環(huán)節，都是構建和應用反欺詐風(fēng)險識別模型比較理想的業(yè)務(wù)環(huán)節�；谝陨蠋c(diǎn)的考慮，本文以個(gè)人業(yè)務(wù)重大疾病保險核保階段的大數據反欺詐模型構建作為后續探討的基礎。
(二)風(fēng)險特征選擇
大數據預測模型是與對應業(yè)務(wù)強綁定的。對保險公司來(lái)說(shuō)，大數據反欺詐模型性能的好壞，相關(guān)業(yè)務(wù)的風(fēng)險特征的選擇是最基礎也是最重要的工作。它需要依靠保險運營(yíng)風(fēng)險管理業(yè)務(wù)專(zhuān)家對實(shí)際業(yè)務(wù)的精深了解，協(xié)同數據科學(xué)家進(jìn)行精細篩選。只有將與欺詐結論密切相關(guān)的業(yè)務(wù)風(fēng)險特征字段放入預先選擇的范圍內，才能為后續建模過(guò)程所用;如果在最初階段就遺漏某些關(guān)鍵業(yè)務(wù)信息，則將嚴重影響模型的效果。以重大疾病保險核保階段的風(fēng)險管控業(yè)務(wù)場(chǎng)景為例，大數據反欺詐模型建設中“本次投保信息、客戶(hù)歷史信息、銷(xiāo)售人員/渠道信息、外部重要風(fēng)險信息”應是主要考慮到的四個(gè)維度，基于以上維度又可以進(jìn)一步篩選風(fēng)險特征�，F簡(jiǎn)單舉例如下：除了從保險公司內外部可以直接獲取的風(fēng)險數據特征外，數據科學(xué)家往往會(huì )基于數據的相關(guān)性等因素構建一些衍生特征，目的在于用更低維度、相關(guān)性更強的特征替代原有特征，簡(jiǎn)化模型，提升效率。這在保險公司的建模實(shí)操中也是一個(gè)非常重要的步驟。
(三)數據清洗和整理
基于預選的數據特征，需要進(jìn)行數據的基礎分析和數據清洗整理。
通過(guò)數據基礎的分析，可以使數據科學(xué)家對于數據質(zhì)量有一個(gè)全局的把控，也能夠獲取到各特征之間的相關(guān)性、和標簽值(Label，是否為欺詐)之間的相關(guān)性，為上文提到的衍生特征加工作基礎。數據清洗和整理，能夠保證模型訓練數據的數據質(zhì)量，結合模型算法的選擇，作一些適當的數據格式轉換，可以提升模型的效率，具體有以下幾種方式：缺失值填補、量綱統一、離散連續值轉換、信息冗余值處理等。
(四)建模工具選擇
如上文所述，大數據建模技術(shù)的興起，為業(yè)內提供了多樣化的建模工具與語(yǔ)言的選擇。在數據量不大的基礎上可以考慮在R語(yǔ)言或Python 語(yǔ)言單機開(kāi)發(fā)環(huán)境上進(jìn)行模型建立;對于已經(jīng)熟練使用SAS 等傳統工具的企業(yè)，可以在原有基礎上進(jìn)行大數據方面的擴展和延伸;但目前基于大數據比較主流的建模工具是由UC Berkeley AMP lab (加州大學(xué)伯克利分校的AMP 實(shí)驗室)所開(kāi)源的通用并行框架——Spark。
Spark ML 是Spark 的機器學(xué)習庫，支持回歸、分類(lèi)、協(xié)同過(guò)濾、聚類(lèi)等多種算法，部分算法支持流式訓練，而且在spark2.0 上提供了模型文件保存和調用的接口，為模型落地實(shí)施提供了基礎。數據量較大的保險公司進(jìn)行重大疾病保險核保欺詐風(fēng)險大數據建模時(shí)，Spark ML 是比較合適的工具選擇。
(五)建模算法選擇
本文選擇的業(yè)務(wù)場(chǎng)景——個(gè)人業(yè)務(wù)重大疾病保險核保階段的欺詐風(fēng)險評估，可以視為一個(gè)數據的二分類(lèi)問(wèn)題，將欺詐案件標簽值識別為1，非欺詐案件識別為0。目前比較主流的二分類(lèi)算法有：支持向量機(SVM)、決策樹(shù)、梯度下降樹(shù)、隨機森林等等。相比于其他的算法，隨機森林擁有以下優(yōu)點(diǎn)：
1.實(shí)現比較簡(jiǎn)單;
2.有很好的抗噪聲能力，以及較低的擬合風(fēng)險;
3.高維度數據處理能力強，能同時(shí)處理離散和連續型數據;
4.訓練速度快，能較快得到變量重要性排序;
5.訓練過(guò)程中能夠實(shí)時(shí)檢測到變量間的相互影響;
6.適用于并行化計算。
保險公司在選擇算法的時(shí)候，應當綜合業(yè)務(wù)場(chǎng)景、數據規模和項目推進(jìn)時(shí)間要求來(lái)整體考量�？傮w看來(lái)，隨機森林比較適合作為大型保險公司重大疾病保險核保階段的欺詐風(fēng)險評估模型的建模算法。
(六)構建模型
大數據欺詐風(fēng)險精準評估模型的構建是一個(gè)反復迭代的過(guò)程，其中主要分為兩個(gè)階段——訓練階段和測試階段。其中訓練階段主要是通過(guò)訓練集數據根據不同的算法以及選取的參數進(jìn)行模型的初步擬合，而測試階段是通過(guò)測試集數據和評估指標從數據上驗證模型，并根據驗證結果選擇調整模型參數重新訓練或是輸出最終結果。其中參數的選取，是模型構建過(guò)程中的一個(gè)關(guān)鍵步驟，本文使用Spark ML 提供的超參數網(wǎng)格和交叉驗證來(lái)實(shí)現參數自動(dòng)化選取;模型的驗證標準選取二分類(lèi)評估中的Auc 值，該值為一個(gè)0 到1 的小數，取值越大認為模型效果越優(yōu)。
考慮到本文選取隨機森林算法作為示例，所以最終的模型結果是一個(gè)N 棵決策樹(shù)的組合。每棵樹(shù)中特征為特征池中隨機選擇出的M 個(gè)變量。在隨機森林中種植決策數的具體數量，需要數據科學(xué)家和保險業(yè)務(wù)專(zhuān)家綜合模型的數據基礎和業(yè)務(wù)目標來(lái)確定。整個(gè)模型以每棵決策樹(shù)評分的平均值作為最終案件欺詐風(fēng)險的評估值，命名為F(Fraud)值(可理解為欺詐概率值)。該值為0 到1 之間的小數，越接近1，認為欺詐風(fēng)險越大。
(七)模型性能的驗證
基于大數據基礎構建的個(gè)人業(yè)務(wù)重大疾病保險核保階段欺詐風(fēng)險評估模型能否投入生產(chǎn)環(huán)境進(jìn)入實(shí)際應用，需要經(jīng)過(guò)詳盡周密的性能評估。目前業(yè)內對于模型評估的兩種主要的評估度量是查準率/準確率(Precision)和召回率/查全率(Recall)。要理解這兩個(gè)度量值，首先要理解以下數據分類(lèi)矩陣，又稱(chēng)混淆矩陣——數據依照實(shí)際和預測的不同結果可以分為四類(lèi)：
True Positives(TP)：角色是反面人物，模型預測為反面人物
False Positives(FP)：角色是正面人物，模型預測為反面人物
True Negatives(TN)：角色是正面人物，模型預測為正面人物
False Negatives(FN)：角色是反面人物，模型預測為正面人物
Precision 查準率/準確率計算公式為：在所有被預測為反面人物中，模型正確預測的比例，即TP(/ TP + FP);Recall 召回率/查全率計算公式為：在所有原本就是反面人物中，模型正確預測的比例，即TP / (TP + FN)�？梢钥闯�，通常在選擇高準確率和高召回率之間總有一種權衡，這種權衡通過(guò)對F值判定欺詐的閾值大小調整來(lái)實(shí)現。而閾值的取值要取決于構建模型的最終目的，對于某些情況而言，高準確率的選擇可能會(huì )優(yōu)于高召回率。然而，對于欺詐預測模型，通常要偏向于高召回率，即使會(huì )犧牲掉一些準確率。
四、大數據模型在保險公司反欺詐實(shí)踐中的應用
(一)模型的反欺詐業(yè)務(wù)場(chǎng)景嵌入
大數據精準風(fēng)險評估預測模型的價(jià)值實(shí)現是與具體業(yè)務(wù)強綁定的，脫離業(yè)務(wù)場(chǎng)景的模型無(wú)法創(chuàng )造價(jià)值。本文以重大疾病保險核保欺詐風(fēng)險評估模型具體應用為例，簡(jiǎn)要說(shuō)明一下模型具體如何應用。
1.將模型固化為可以即插即用的系統功能模塊，能夠快速高效地在保險公司的數據倉庫中抓取風(fēng)險特征數據;
2.將模型嵌入保險公司的自動(dòng)核保作業(yè)系統，對所有待核保重大疾病投保申請進(jìn)行全業(yè)務(wù)風(fēng)險掃描，并輸出模型計算的欺詐風(fēng)險評估結果——F 值;
3.保險公司運營(yíng)風(fēng)險管理專(zhuān)家根據核保作業(yè)經(jīng)驗制定F 值的應用規則，對F 值較低的投保申請自動(dòng)核保通過(guò)，F 值較高的則進(jìn)入人工核保作業(yè)池并標識風(fēng)險提示;
4.核保作業(yè)人員參考F 值及對應的風(fēng)險提示，對進(jìn)入人工核保作業(yè)池的投保申請進(jìn)行審核，必要時(shí)可采用體檢、契約調查等更進(jìn)一步的風(fēng)險控制手段;
5.持續觀(guān)察模型應用效果，當模型的準確率和召回率達到較為理想的狀態(tài)時(shí)，可以考慮按比例或者全部替代人工作業(yè)，從而進(jìn)一步降低保險公司運營(yíng)成本。
此外，對于不需要嵌入作業(yè)流程或對作業(yè)時(shí)效要求不高的業(yè)務(wù)場(chǎng)景，也可以考慮以流程外批處理的方式應用模型，來(lái)輔助業(yè)務(wù)的開(kāi)展。
(二)模型的迭代完善
模型的后續迭代和完善是一個(gè)長(cháng)期的過(guò)程，在以下幾種情況下應當考慮對模型進(jìn)行迭代：
1.出現新的重要風(fēng)險特征或模型原有風(fēng)險特征被新的特征替代：在有外部數據補充或者業(yè)務(wù)角度分析出大量更優(yōu)的特征變量，可以對模型進(jìn)行迭代。
2.出現重大的業(yè)務(wù)規則變更：當業(yè)務(wù)規則發(fā)生變化，為了適應新的業(yè)務(wù)場(chǎng)景，模型將會(huì )需要進(jìn)行完全迭代，甚至可以理解為重建。
3.周期的迭代：模型是依賴(lài)于數據的，隨著(zhù)數據的積累，模型應該進(jìn)行周期性的迭代來(lái)保證其性能，可以考慮以數據增量百分比或者時(shí)間周期為標準來(lái)進(jìn)行迭代。
不論因為何種原因對模型進(jìn)行了迭代，都需要基于準確率和召回率重新評估模型的性能，必要的時(shí)候需要新舊模型同時(shí)在線(xiàn)，對比一段時(shí)間之后，再做模型的切換。
五、小結
保險欺詐是保險業(yè)自誕生以來(lái)從未徹底治愈的一個(gè)頑疾，嚴重威脅保險公司健康發(fā)展，而信息不對稱(chēng)帶來(lái)的博弈地位巨大差異和保險本身的強射幸性是保險欺詐難以禁絕的重要原因。由于射幸性是保險的天然屬性難以改變，因此，盡可能地消除保險公司與投/被保人之間的信息不對稱(chēng)便成為了防范與控制保險欺詐的主要途徑。通過(guò)商業(yè)調查的方式來(lái)消除信息不對稱(chēng)雖然效果較好，但投入大、耗時(shí)長(cháng)、成本高，不宜作為一種普遍方式應用于每一單業(yè)務(wù)，故而保險公司需要探索一條高效低廉的方式進(jìn)行全業(yè)務(wù)風(fēng)險掃描，篩選出高風(fēng)險業(yè)務(wù)加以重點(diǎn)防控。近年來(lái)，隨著(zhù)“互聯(lián)網(wǎng)+大數據”形成的現實(shí)生產(chǎn)力逐步滲透到保險行業(yè)，大數據建模技術(shù)有了越來(lái)越多的應用，雖然現在還不甚成熟，但其所指明的前進(jìn)方向已確定無(wú)疑。將大數據建模技術(shù)應用到人身保險反欺詐領(lǐng)域，是一項保險業(yè)務(wù)與先進(jìn)技術(shù)之間的創(chuàng )新結合。
本文探討了人身保險公司開(kāi)展大數據建模在數據、技術(shù)、人才三方面的條件。進(jìn)一步地，以大數據建模技術(shù)在人身保險反欺詐領(lǐng)域的應用為例，較為詳細地解構了基于Spark計算引擎、采用隨機森林算法構建重大疾病保險核保欺詐風(fēng)險評估模型的路徑，并給出了模型在實(shí)際業(yè)務(wù)中的嵌入方式以及相應的迭代和完善方法。當然，由于筆者能力有限以及一些客觀(guān)條件的限制，本文的研究還存在一些不足的地方，例如模型風(fēng)險特征的具體探討，各個(gè)算法之間模型性能的比較，模型落地和迭代的具體實(shí)施方案等，這些都有賴(lài)于實(shí)踐的進(jìn)一步深化以豐富完善。展望未來(lái)，大數據建模技術(shù)與人身保險領(lǐng)域的合作將會(huì )更加深化，隨著(zhù)技術(shù)能力的不斷提升，信息技術(shù)將在更高的層次上輔助保險業(yè)解決各種業(yè)務(wù)難題，在保證精準度的同時(shí)，降低作業(yè)成本，助力保險業(yè)打造出一片更加健康美好的明天。
【大數據建模技術(shù)在人身保險反欺詐領(lǐng)域的應用路徑解析論文】相關(guān)文章：
論文：計算機科學(xué)應用領(lǐng)域與應用效果解析03-15
大數據云計算技術(shù)及應用論文06-11
數據挖掘技術(shù)的教學(xué)輔助系統應用論文03-16
數據挖掘技術(shù)在就業(yè)指導的應用論文02-27
通訊領(lǐng)域計算機技術(shù)的應用論文02-22
網(wǎng)絡(luò )編碼中數據通信技術(shù)的應用論文03-17
環(huán)境工程領(lǐng)域的脈沖功率技術(shù)應用論文03-15
統計建模分析高通量生物數據及其應用提綱03-27
- 相關(guān)推薦