索赔复核数据分析方法

摘要

本发明属于汽车索赔技术领域，尤其是索赔复核数据分析方法，针对现有的监督复核机制只能通过人工抽查，不仅人力成本高、效率低，而且道德风险门槛非常低，所以在现有的索赔机制中造假现象频出，且难以杜绝的问题，现提出如下方案，其包括以下步骤：S1：数据采集：获取经销商真实入店客流以及保养维修等工位上的车牌数据，S2：数据清洗：通过数据算法对错误车牌进行清洗。本发明获取经销商入店客流以及保养维修等工位上的车牌数据，并关联DMS系统中索赔工单进行一系列的校验，从数据匹配程度以及时间线的逻辑来判断开索赔工单的车辆是否入店，从车间视频和开单时间判断是否进行了真实的索赔。

说明书

技术领域

本发明涉及汽车索赔技术领域，尤其涉及索赔复核数据分析方法。

背景技术

汽车行业索赔业务的完整流程是对于在保修期内出现质量问题的整车或零配件，4S店经销商在检查定损后，确定有问题的则会进行免费更换。其中，大部分零件可由4S店直接决定是否免费更换，小部分零件需要经过厂家审批通过。确定索赔后，4S店经销商开出索赔工单，待维修完成后，索赔工单上报给厂方，索赔件回运给厂方，厂方审核通过，4S店经销商即可收到索赔款，索赔复核数据分析技术主要是根据摄像头识别的车牌数据、定位数据和主机厂提供的各门店索赔单来复核索赔单的真实性。根据每个门店车牌识别的车牌号和索赔单上记录的车牌号进行匹配计算，并联合识别和开单记录时间差，识别次数，索赔类型，识别到的工位类型等信息对单个索赔单的真实性和整体门店索赔行为的真实性进行预估。

索赔复核数据以门店的工单数据和由摄像头捕捉到的车牌识别数据为主。核心流程包括索赔数据导入，数据预处理，数据分析与数据结论输出。传统的索赔方式具体方法如下：

1.导入索赔任务。厂方导入需要复核的索赔单，并对索赔业务类型进行分类，对索赔信息相关字段标准化；

2.梳理工单数据。匹配索赔业务的维修工单数据，梳理索赔工单业务发生相关的关键字段，主要包括开单时间、结算时间与结算金额等；

3.输出复核报告。根据索赔申报信息与历史信息，平均信息的比对，输出复核结果，汇总各索赔复核情况，输出相关报告。

其次，ETL作为整个技术的子模块，承接数据传输到数据计算两个模块，作用是检测原始数据完整性，修正或过滤异常数值，根据分析需求建立模型进行数据整合和特征提取，为之后的分析业务和预测模型提供可靠数据。

现有的监督复核机制只能通过人工抽查，不仅人力成本高、效率低，而且道德风险门槛非常低，所以在现有的索赔机制中造假现象频出，且难以杜绝。

发明内容

本发明的目的是为了解决现有的监督复核机制只能通过人工抽查，不仅人力成本高、效率低，而且道德风险门槛非常低，所以在现有的索赔机制中造假现象频出，且难以杜绝的缺点，而提出的索赔复核数据分析方法。

为了实现上述目的，本发明采用了如下技术方案：

索赔复核数据分析方法，包括以下步骤：

S1：数据采集：获取经销商真实入店客流以及保养维修等工位上的车牌数据，同时获取DMS(经销商管理系统)内的全量工单数据；

S2：数据清洗：通过数据算法对错误车牌进行清洗，同时对工单数据以及车牌识别数据进行匹配；

S3：数据处理：对未匹配车牌进行错误类型标签，不断完善数据算法，动态计算整个过程并还原真实车牌，结合数据清洗后可以匹配的车牌当做最终车牌识别数据；

S4：判断车辆是否入店：基于清洗后最终车牌识别数据以及DMS(经销商管理系统)内的索赔工单开单数据进行关联，判断在开具索赔工单前一个自然日内，是否识别到与索赔工单相同车牌车辆的入场信息，如未识别则判断为疑似虚假索赔，如识别则判断为真进行下一步验证；

S5：判断车辆索赔时间线是否合理：基于最终车牌识别数据以及DMS(经销商管理系统)内的索赔工单开单数据进行关联，判断车辆是否满足识别车辆入店时间小于开具索赔工单时间，如不满足则判断为疑似虚假索赔，如满足则判断为真实入店索赔；

S6：输出反馈结果：在索赔审计过程中，输出校验结果，对疑似虚假索赔进行预警，并展示给审计人员；

S7：判定为虚假索赔车辆车牌信息进行标记存储；

S8：再调取到该车辆后，直接进入S4、S5步骤进行判断。

优选的，所述S1中，通过经销商现有安装在通道入口和工位上的动态车牌识别/静态车牌识别相机，在经销商不感知的条件下获取数据信息，车牌识别数据至少应包含：车牌号码、门店代码、摄像机名称、入店时间、上工位时间、下工位时间。工单数据至少应包含：工单编号、车牌号码、Vin码、门店代码、开单时间、工单金额、工单类型、维修类型(工单类型为索赔的即为索赔工单)。

优选的，所述S2中，过滤掉异常符号，出现字母I、O的替换为数字1、0，同时剔除不符合全国车牌编号规则的车牌。

优选的，所述S3中，以工单数据对车牌识别数据进行匹配，并进行匹配判断：

第一步，匹配后，通过数据清洗与处理后得到的最终车牌识别数据，进入S4；

第二步，没有匹配，通过聚类算法对未匹配的车牌数据进行处理，然后进入第一步；

常见错误归类示例：

错误一位：识别多次错误但仅错一位；

车辆过夜：夜间车牌会是识别为另一车牌；

车辆遮挡：有车经过或有人经过识别为另一车牌；

然后针对性解决错误归类示例：

针对错误一位：将同一工位的连续时间内的近似车牌分为一组，挑选其中可信度最高的一条；

针对车辆过夜或车辆遮挡：连续时间内的近似车牌组分中，删除穿插在其中明显错误的车牌。

聚类算法包括以下步骤：

第一，将多个相似的车牌进行聚类；

第二，将聚类后的结果中匹配出正确的车牌，正确车牌匹配优先级为：工单数据＞出现频率＞工位识别时间；

第三，建立易错值经验数据库(车牌值、算法值)自动纠正错误。

优选的，所述S4中，获取门店索赔工单信息，以索赔工单数据对最终车牌信息进行匹配，并进行匹配判断：

第一步，匹配后，进入S5；

第二步，没有匹配，标记为疑似虚假索赔。

优选的，所述S5中，判断测量识别入店是按是否早于索赔工单开具时间；

第一步，判断是，判断车辆进入正常入店，进行索赔；

第二部，判断否，标记为疑似虚假索赔。

优选的，所述S6中，进行索赔审计中出现结果误差，则对疑似虚假索赔进行预警，并展示给审计人员，终止索赔。

优选的，所述S7中，将判断为疑似虚假索赔车辆车牌信息进行存储，并在连锁店内进行信息公开分享。

优选的，所述S8中，对该车辆进行判断，判断为二次标记为疑似虚假索赔，则进行报警，判断不是虚假索赔，则进入S6步骤。

与现有技术相比，本发明的优点在于：

本方案利用通道或工位上的动态车牌识别/静态车牌识别、车辆定位信息与远程管理平台，在经销商无感知的条件下，获取经销商入店客流以及保养维修等工位上的车牌数据，并关联DMS系统中索赔工单进行一系列的校验，从数据匹配程度以及时间线的逻辑来判断开索赔工单的车辆是否入店，从车间视频和开单时间判断是否进行了真实的索赔。

以前解决：在汽车行业，OEM厂家每个月面临数十万的索赔工单需要审计，只能通过人工进行抽样审计，往往先审计金额较大或者频次较多的工单，另外根据历史数据统计的索赔工单占总工单的比例，来抽取异常门店进行审计。

现在解决：通过OEM厂家审计结果，我们发现超过90％的虚假索赔情况为车辆最终没有真实入店。因而，通过索赔复核数据分析技术，主机厂可以在每月审计中，通过车辆位置、进场时间、开单时间、车间视频等信息分析其是否虚假索赔。不仅减少了人力成本，而且覆盖面积比抽样审计更加广泛，同时通过系统数据也避免了审计过程中的人工误差。

附图说明

图1为本发明提出的索赔复核数据分析方法的流程图；

图2为本发明提出的虚假车辆车牌标记工作流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

实施例一

参照图1-2，索赔复核数据分析方法，包括以下步骤：

S1：数据采集：获取经销商真实入店客流以及保养维修等工位上的车牌数据，同时获取DMS(经销商管理系统)内的全量工单数据。

S2：数据清洗：通过数据算法对错误车牌进行清洗，同时对工单数据以及车牌识别数据进行匹配。

S3：数据处理：对未匹配车牌进行错误类型标签，不断完善数据算法，动态计算整个过程并还原真实车牌，结合数据清洗后可以匹配的车牌当做最终车牌识别数据。

S4：判断车辆是否入店：基于清洗后最终车牌识别数据以及DMS(经销商管理系统)内的索赔工单开单数据进行关联，判断在开具索赔工单前一个自然日内，是否识别到与索赔工单相同车牌车辆的入场信息，如未识别则判断为疑似虚假索赔，如识别则判断为真进行下一步验证。

S5：判断车辆索赔时间线是否合理：基于最终车牌识别数据以及DMS(经销商管理系统)内的索赔工单开单数据进行关联，判断车辆是否满足识别车辆入店时间小于开具索赔工单时间，如不满足则判断为疑似虚假索赔，如满足则判断为真实入店索赔。

S6：输出反馈结果：在索赔审计过程中，输出校验结果，对疑似虚假索赔进行预警，并展示给审计人员；

S7：判定为虚假索赔车辆车牌信息进行标记存储；

S8：再调取到该车辆后，直接进入S4、S5步骤进行判断。

本实施例中，S1中，通过经销商现有安装在通道入口和工位上的动态车牌识别/静态车牌识别相机，在经销商不感知的条件下获取数据信息，车牌识别数据至少应包含：车牌号码、门店代码、摄像机名称、入店时间、上工位时间、下工位时间。工单数据至少应包含：工单编号、车牌号码、Vin码、门店代码、开单时间、工单金额、工单类型、维修类型(工单类型为索赔的即为索赔工单)。

本实施例中，S2中，过滤掉异常符号，出现I、0的替换为1、0，同时剔除不符合全国车牌编号规则的车牌。

本实施例中，S3中，以工单数据对车牌识别数据进行匹配，并进行匹配判断：

第一步，匹配后，通过数据清洗与处理后得到的最终车牌识别数据，进入S4；

第二步，没有匹配，通过聚类算法对未匹配的车牌数据进行处理，然后进入第一步。

常见错误归类示例：

错误一位：识别多次错误但仅错一位；

车辆过夜：夜间车牌会是识别为另一车牌；

车辆遮挡：有车经过或有人经过识别为另一车牌；

然后针对性解决错误归类示例：

针对错误一位：将同一工位的连续时间内的近似车牌分为一组，挑选其中可信度最高的一条；

针对车辆过夜或车辆遮挡：连续时间内的近似车牌组分中，删除穿插在其中明显错误的车牌。

聚类算法包括以下步骤：

第一，将多个相似的车牌进行聚类；

第二，将聚类后的结果中匹配出正确的车牌，正确车牌匹配优先级为：工单数据＞出现频率＞工位识别时间；

第三，建立易错值经验数据库(车牌值、算法值)自动纠正错误。本实施例中，S4中，获取门店索赔工单信息，以索赔工单数据对最终车牌信息进行匹配，并进行匹配判断：

第一步，匹配后，进入S5；

第二步，没有匹配，标记为疑似虚假索赔。

本实施例中，S5中，判断测量识别入店是按是否早于索赔工单开具时间；

第一步，判断是，判断车辆进入正常入店，进行索赔；

第二部，判断否，标记为疑似虚假索赔。

本实施例中，S6中，进行索赔审计中出现结果误差，则对疑似虚假索赔进行预警，并展示给审计人员，终止索赔。

本实施例中，S7中，将判断为疑似虚假索赔车辆车牌信息进行存储，并在连锁店内进行信息公开分享。

本实施例中，S8中，对该车辆进行判断，判断为二次标记为疑似虚假索赔，则进行报警，判断不是虚假索赔，则进入S6步骤。

实施例二

参照图1-2，索赔复核数据分析方法，包括以下步骤：

S1：数据采集：获取经销商真实入店客流以及保养维修等工位上的车牌数据，同时获取DMS(经销商管理系统)内的全量工单数据；

S2：通过店内动态或静态摄像头对客户信息进行读取并存储，在调取车牌数据信息时一并调取客户图像信息；

S3：数据清洗：通过数据算法对错误车牌进行清洗，同时对工单数据以及车牌识别数据进行匹配；

S4：数据处理：对未匹配车牌进行错误类型标签，不断完善数据算法，动态计算整个过程并还原真实车牌，结合数据清洗后可以匹配的车牌当做最终车牌识别数据；

S5：判断车辆是否入店：基于清洗后最终车牌识别数据以及DMS(经销商管理系统)内的索赔工单开单数据进行关联，判断在开具索赔工单前一个自然日内，是否识别到与索赔工单相同车牌车辆的入场信息，如未识别则判断为疑似虚假索赔，如识别则判断为真进行下一步验证；

S6：判断车辆索赔时间线是否合理：基于最终车牌识别数据以及DMS(经销商管理系统)内的索赔工单开单数据进行关联，判断车辆是否满足识别车辆入店时间小于开具索赔工单时间，如不满足则判断为疑似虚假索赔，如满足则判断为真实入店索赔；

S7：输出反馈结果：在索赔审计过程中，输出校验结果，对疑似虚假索赔进行预警，并展示给审计人员；

S8：判定为虚假索赔车辆车牌信息进行标记存储，并将该客户信息同时标记；

S9：再调取到该车辆后或调取到该客户的图像信息后，直接进入S4、S5步骤进行判断。

本实施例中，实施例二与实施例一的区别在于：增设了对客户图像信息进行调取和存储的方式，当进行索赔时二次调取到该车辆或该客户的信息时，则直接进入S4、S5步骤进行判断，可以提高工作效率，同时在该客户更换车辆进行无理索赔时，可以提前预警。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。