每年最高省30%
作为保险公司大部分资金出口的理赔部门，其理赔数据的重要性不言而喻。在反保险欺诈领域，数据分析当仁不让地出演着重头戏。
理赔数据的多面性也意味着从理赔数据着手反欺诈的手段呈现多样化，成熟保险市场较常用的利用理赔数据反欺诈的手段包括：基础理赔数据分析法、预测模型法、数据库搜索法、以及社会网络分析法。
基础理赔数据分析法。基础理赔数据分析就是对某一阶段内的理赔数据进行综合分析。分析的基本指标包括理赔周期、结案率、未决新增比、案均赔款、调查率、调查阳性率、案件发生率等，任何一个指标的异常变动都会、也需要引起管理人员的警觉。从反欺诈的角度，一定阶段内案均赔款的大幅上升，调查率和阳性率的下降，赔付率的持续提高，案件发生率的上升都能从管理的角度提醒，告诉我们有情况，需谨慎。这种基础性的数据分析是进一步强化管理的基石，也是反欺诈很好的切入口，能否成功的关键看管理者是否重视这种常规性的数据分析结果，在这些基础数据上多做“文章”。
预测模型法。在现有的理赔系统中加入一些智能模块功能，提醒理赔人员注意该赔案有嫌疑，需采取进一步行动。比如，如果出险日期距离保单生效日期或等待期结束日过近、索赔金额超过一定限额、两年内索赔5次以上、车险单方事故没有警方报告等均给设定一定数值。若各项数值综合评定后超过一定标准，则系统自动认定该索赔案有欺诈嫌疑，下一步就是进行全面调查。这些指标的引入、相关数值的设定等均基于经验和数据分析的结果，并随着新数据的不断补充而加以调整和修正。预测模型法看起来简单，实际操作起来则难度不小，比如厘选指标就是一项艰巨的工作，更不用说为每个指标赋予一定的分值了。该方法在西方成熟市场有一定市场，但在国内的发展尚属前沿。它的成功实施有赖于高质量的理赔数据、经验丰富的理赔操作人员、具有前瞻性眼光的管理者以及成熟的商业智能模块。
数据库搜索法。能使用一个庞大的共享理赔数据库是理赔调查人员的梦想，因为数据库中的有关数据很可能就和手头的案子密切相关，说不定目标人已经在别的公司就同一个案子进行过索赔，或者目标人此前的索赔历史有更多的“故事”可以挖掘。最起码，相关的数据可以给调查人员提供进一步调查的线索。目前，这种共享数据库在国内还没有建成，但可喜的是保险行业协会的目前重点工程之一，就是逐步建立一个全国联网的车险理赔数据库。此外，下一步目标是希望其他的商业保险（如人身险）共享数据库，也能早日提上议事日程。
社会网络分析法。对于有组织的保险欺诈活动需要专业的数据分析方法，社会网络分析法就是常见的有效方法。与数据库搜索法类似，社会网络分析法的基础也是数据库，其基本原理是这样的：既然是有组织的犯罪活动，活动所涉及到的有关数据应该具备某种关联，比如，如果某一个人名反复出现在不同的赔案中，有时候是被保险人，有时候是受益人，有时候又是第三者，调查者就可以通过人名把这些案子连接起来；再比如，如果涉案的很多的人居住在同一个或邻近的居住区内，不同的人使用同一个银行账号或手机号码，多起事故发生在同一地点等，也可以把相关赔案连接起来，其结果就构成了一个复杂的赔案网络。对这个网络中的赔案再进一步综合研究，就可以发现更多的欺诈事实。发现如此多的线索后，理赔调查员或数据分析员的下一步工作就是把这张网络图交给警方，由警方出面对付这种有组织的犯罪。
以上是西方较常用的利用数据反保险欺诈方法，实践证明，各有各的优势和不足。在国内，以上各种方法中除预测模型法用的较少外，其他方法都有不同程度运用。当然，由于国内保险业的发展较晚，无论是数据的品质还是数量，都无法做到向西方成熟市场那样经常性或者标准化运用。不过，快速的发展速度和日趋严重的欺诈，迫使保险行业不得不高度重视反欺诈工作，以上方法能否贯穿于日常管理工作，主要取决于管理者的决心和执行。
