一种跨境电商品控事前质检方法与流程

1.本发明涉及保险赔付审核领域，尤其涉及一种跨境电商品控事前质检方法。


背景技术：

2.互联网业务的特点是体量大、理赔快，现有理赔流程只能依赖国外仓库人员的判断，仓库人员无法达到保司专业理赔人员的程度，必然会对该保险产品的线上良好的运营状况提出挑战。为解决海外退货险理赔勘察流程中原需要投入大量人力才能保证的勘察质量，从技术角度出发，基于保单、报案、物流多方数据分析，研发服务商品质管控体系。体系包括服务商问题触达、事后质检、事前质检、指标项综合考评等等。
3.现有仓库作业人员一般按sop作业，保司理赔人员定期抽样检查，使用抽样结果对仓库人员作业情况进行kpi考核。但是存在以下缺点：1）每天上千件的案件量，使用人力做逐单质检，投入人力资源巨大；2）国内外人工交互由于时差的原因效率不高；3）一旦案件积压必然影响用户理赔的效率；4）使用定期抽样检查勘察结果无法反应客观情况。
4.本发明提供一种跨境电商品控事前质检方法，解决上述问题。


技术实现要素：

5.本发明所要解决的技术问题在于现有的事前质检流程存在以下问题：1）每天上千件的案件量，使用人力做逐单质检，投入人力资源巨大；2）国内外人工交互由于时差的原因效率不高；3）一旦案件积压必然影响用户理赔的效率；4）使用定期抽样检查勘察结果无法反应客观情况；提供一种跨境电商品控事前质检方法，所述跨境电商品控事前质检方法包括仓库作业端、服务商端、保司端和渠道端；仓库作业端拍摄勘察照片，将勘察照片进行图片识别，判断图片是否与抽样质检中的图片相同，若是，则给与勘察结论并上传至服务商端，若否，则重新拍摄勘察照片；服务商端接收勘察结论，将勘察结论异步上传至保司端；保司端接收勘察结论进入事前质检流程，判断是否通过事前质检流程，若是，则将勘察结论上传至渠道端，由渠道端完成理赔，若否，则将勘察结论重新发回服务商端，由服务商端发回仓库作业端重新拍摄勘察照片；所述事前质检流程包括：进行黑名单筛查，判断用户是否为黑名单用户，若是，则进入人工复核；若否，则进行高风险品类识别模块；进行高风险品类识别模块，判断货品是否为高风险品类，若是，则进入人工复核；若否，则进行二次图片识别；
进行二次图片审核，若图片识别不通过则进入人工复核，若图片识别通过则进入大案件筛查模块；进行大案件筛查，判断案件金额是否超过阈值，若是，则进入人工复核，若否，则将勘察结论上传至渠道端，由渠道端按完成理赔；进行人工复核，若人工复核通过，则将勘察结论上传至渠道端，由渠道端完成理赔，若人工复核不通过，则则将勘察结论重新发回服务商端，由服务商端发回仓库作业端重新拍摄勘察照片。
6.进一步地，所述进行黑名单筛查，判断用户是否为黑名单用户，若是，则进入人工复核；若否，则进行高风险品类识别模块为：根据海外退货的场景定义模型的y变量；所述y变量包括退货不符、退空包裹、退货率超过比例阈值和未退货已理赔；提取整合保单出单系统、案件理赔系统和退货物流系统的数据，对异常字段进行清洗，对缺失字段做缺省处理；提取特征变量；使用风控模型的woe和iv指标过滤特征变量，选取iv指数在0.1到0.5之间的特征变量，使用机器学习中的逻辑回归logistic regression算法，假设特征服从logistic分布搭建黑名单模型；针对每个y变量通过训练集建立函数模型，模型训练完成后，定时获取t-1的增量报案数据，逐案调用模型预测；通过黑名单模型及模型预测判断用户是否为黑名单用户，若是，则进入人工复核；若否，则进行高风险品类识别模块。
7.进一步地，所述进行高风险品类识别模块，判断货品是否为高风险品类，若是，则进入人工复核；若否，则进行二次图片识别为：通过历史案件数据及大案数据分析，建立高风险品类关键字库；比对商品描述和高风险品类关键字库，判断货品是否为高风险品类，若是，则进入人工复核；若否，则进行二次图片识别。
8.进一步地，所述进行二次图片审核，若图片识别不通过则进入人工复核，若图片识别通过则进入大案件筛查模块为：对图片进行识别，标明图片的商品标签；对商品标签进行标签匹配，若匹配成功，则图片识别通过；若匹配失败，则进行商品描述匹配；若商品描述匹配成功，则图片识别通过；若商品描述匹配失败，则图片识别不通过，进入图片主体检测；对图片主体进行检测，若图片检测通过则进入大案件筛查模块，若图片检测不通过则进入人工复核。
9.进一步地，所述对图片进行识别，标明图片的商品标签包括：对图片分类算法对海量商品图片进行分类；对分类好的图片打上商品标签，适用one-stage类型检测算法进行模型训练与预测；所述图片主体检测包括：对图片主体进行检测返回主体坐标，根据坐标对图片进
行剪切，剪切后再次调用图片识别功能。
10.实施本发明，具有如下有益效果：本发明能够利用跨境电商品控事前质检方法解决保司人力覆盖的问题，利用质检流程发现不符合赔付标准的案件，达到减损降赔的效果，能量化考核仓库作业人员的各项指标。
附图说明
11.图1是本发明的流程图。
具体实施方式
12.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
实施例
13.本实施例中，参考说明书附图1，本实施例所要解决的技术问题在于现有的事前质检流程存在以下问题：1）每天上千件的案件量，使用人力做逐单质检，投入人力资源巨大；2）国内外人工交互由于时差的原因效率不高；3）一旦案件积压必然影响用户理赔的效率；4）使用定期抽样检查勘察结果无法反应客观情况；提供一种跨境电商品控事前质检方法，所述跨境电商品控事前质检方法包括仓库作业端、服务商端、保司端和渠道端；仓库作业端拍摄勘察照片，将勘察照片进行图片识别，判断图片是否与抽样质检中的图片相同，若是，则给与勘察结论并上传至服务商端，若否，则重新拍摄勘察照片；服务商端接收勘察结论，将勘察结论异步上传至保司端；保司端接收勘察结论进入事前质检流程，判断是否通过事前质检流程，若是，则将勘察结论上传至渠道端，由渠道端完成理赔，若否，则将勘察结论重新发回服务商端，由服务商端发回仓库作业端重新拍摄勘察照片；所述事前质检流程包括：进行黑名单筛查，判断用户是否为黑名单用户，若是，则进入人工复核；若否，则进行高风险品类识别模块；进行高风险品类识别模块，判断货品是否为高风险品类，若是，则进入人工复核；若否，则进行二次图片识别；进行二次图片审核，若图片识别不通过则进入人工复核，若图片识别通过则进入大案件筛查模块；进行大案件筛查，判断案件金额是否超过阈值，若是，则进入人工复核，若否，则将勘察结论上传至渠道端，由渠道端按完成理赔；进行人工复核，若人工复核通过，则将勘察结论上传至渠道端，由渠道端完成理赔，若人工复核不通过，则则将勘察结论重新发回服务商端，由服务商端发回仓库作业端重
新拍摄勘察照片。
14.在一个具体的实施方式中，所述进行黑名单筛查，判断用户是否为黑名单用户，若是，则进入人工复核；若否，则进行高风险品类识别模块为：根据海外退货的场景定义模型的y变量；所述y变量包括退货不符、退空包裹、退货率超过比例阈值和未退货已理赔；提取整合保单出单系统、案件理赔系统和退货物流系统的数据，对异常字段进行清洗，对缺失字段做缺省处理；提取特征变量；使用风控模型的woe和iv指标过滤特征变量，选取iv指数在0.1到0.5之间的特征变量，使用机器学习中的逻辑回归logistic regression算法，假设特征服从logistic分布搭建黑名单模型；针对每个y变量通过训练集建立函数模型，模型训练完成后，定时获取t-1的增量报案数据，逐案调用模型预测；通过黑名单模型及模型预测判断用户是否为黑名单用户，若是，则进入人工复核；若否，则进行高风险品类识别模块。
15.在一个具体的实施方式中，所述进行高风险品类识别模块，判断货品是否为高风险品类，若是，则进入人工复核；若否，则进行二次图片识别为：通过历史案件数据及大案数据分析，建立高风险品类关键字库；比对商品描述和高风险品类关键字库，判断货品是否为高风险品类，若是，则进入人工复核；若否，则进行二次图片识别。
16.在一个具体的实施方式中，所述进行二次图片审核，若图片识别不通过则进入人工复核，若图片识别通过则进入大案件筛查模块为：对图片进行识别，标明图片的商品标签；对商品标签进行标签匹配，若匹配成功，则图片识别通过；若匹配失败，则进行商品描述匹配；若商品描述匹配成功，则图片识别通过；若商品描述匹配失败，则图片识别不通过，进入图片主体检测；对图片主体进行检测，若图片检测通过则进入大案件筛查模块，若图片检测不通过则进入人工复核。
17.在一个具体的实施方式中，所述对图片进行识别，标明图片的商品标签包括：对图片分类算法对海量商品图片进行分类；对分类好的图片打上商品标签，适用one-stage类型检测算法进行模型训练与预测；所述图片主体检测包括：对图片主体进行检测返回主体坐标，根据坐标对图片进行剪切，剪切后再次调用图片识别功能。
18.本实施例的实施原理：仓库作业端使用手持设备对收到的货品进行拍照，app端实时进行图片审核，图片审核使用的技术与事后质检中的图片识别相同，如审核通过可以上传勘察结论，如审核不通过提示用户是否选择货不对板或空包裹结论上传勘察，若用户不选择货不对板或空包裹结论提交勘察，则需调整重新拍照提高拍摄质量。勘察结论有货物相符、商品破损、货不对
板、空包裹、数量缺失以及影响二次销售。该功能也使得图片质量在拍摄之初就得到了保障，而不用等到人工检查出来后再提醒仓库作业人员返工。
19.保司质检端不再使用抽样的方式，而是全量数据都会先经过黑名单筛查、高风险品类关键字匹配、图片识别、大案件筛查后生成质检任务，质检任务人工审核通过后会回传渠道方并且正常理赔给用户，审核不通过会通过接口方式回传服务商并通过钉钉机器人推送审核不通过的通知消息。其中关键点在于图片识别技术准备率的提升，使得可以对全量勘察数据进行系统质检，无需投入大量人力即能带来案件阳性率的提升。
20.应用效果，一、抓出只上传包裹图片的案件；二、抓出未完全拆包图片的案件；三、抓出货不对板但判断为货物相符的案件；四、抓出图片质量较差的案件，例如不清晰、主体占比太小、包含其他杂物等。
21.下面根据具体流程介绍每个模块功能；a）黑名单筛查；勘察数据首先经过黑名单模块的筛查，根据报案号匹配黑名单表数据，若存在则直接生成质检任务重点排查，若不存在则进入下一模块处理。黑名单表的数据有报案号、保单号、客户类型、客户id、黑名单类型、黑名单等级等，黑名单表是根据搭建的黑名单模型预测产生。黑名单模型的搭建流程如下；根据海外退货的场景定义模型的y变量，就是什么样的用户可被认为是黑名单用户。y变量包括退货不符、退空包裹、退货率超过比例阀值、未退货已理赔等。
22.提取并整合相关数据，由于保单出单、案件理赔以及退货物流是由三个不同的系统承接的业务，所以需要对不同纬度的数据进行关联整合，并针对异常字段进行清洗，对于缺失字段做缺省处理。保单数据包含保司保单号，渠道方外部保单号（以下简称外部保单号）、保单层级扩展属性包含买家id、卖家id、商品skucode、商品一级类目、商品叶子类目、渠道方主订单号、渠道方子订单号（以下简称子订单号）等关键信息；理赔数据包含渠道方外部报案号（以下简称外部报案号）、保司报案号、渠道方外部保单号、保司保单号、理赔金额等关键信息，且保单与报案的关系为一对多，用户可以注销报案后再次重新报案；物流数据包含外部报案号、物流面单号、子订单号、用户申请退货时间、物流揽件时间、物流签收时间、仓库勘察时间等信息，且外部报案号可能能用户已注销的报案号。将保单、理赔、物流数据通过外部保单号、外部报案号进行关联产出从卖家和从买家的两张大宽表。
23.特征提取，提取特征变量包括网络特征变量和非网络特征变量。网络特征变量是按每个国家分别将每一次报案相关的信息，如商品id、买家id、卖家id、电话号码等构造异构网络，从异构网络中提取特征变量，如同一商品id对应多少笔报案、同一买家id对应多少笔报案、同一买家id对应多少笔报案、同一买家id对应多少相同商品id等。非网络特征变量可以是商品的相关特征，如一级类目、二级类目；也可以是买家相关特征，如姓名、省市区、详细地址等。
24.搭建黑名单模型，由于前期的阳性案件只有人工的少量积累，无法使用统计方法筛选出对阳性率影响较为显著的特征变量，故直接使用风控模型的woe和iv指标过滤特征变量，选取iv指数在0.1到0.5之间的特征变量，使用机器学习中的逻辑回归logistic regression算法，假设特征服从logistic分布搭建模型。
25.模型预测，本项目定义的y变量相对独立，针对每个y变量通过训练集建立函数模型。由于事前质检流程有人工审核的辅助，也为了进一步发现阳性案件，所以模型的评估在
保证精确率的基础上更要保证召回率。模型训练完成后，每日凌晨由质检业务系统定时获取t-1的增量报案数据，逐案调用模型预测，如是黑名单指标的案件存入黑名单表。仓库提交勘察时即可查询黑名单表判断是否黑名单用户。
26.b）高风险品类，如果非黑名单用户则进入高风险品类识别模块，通过历史阳性案件数据及大案数据分析，将某些货品关键字设为高风险品类，如“显卡”、“硬盘”；通过商品描述，如“显卡蓝宝石rx 580，8 gb，256位gddr5显卡amd rx 500系列rx580，8 gb卡displayport hdmi dvi，b/y”匹配高风险品类关键字，如包含高风险品类则直接生成质检任务。
27.c）图片识别，如果非黑名单用户和高风险品类则进入图片识别模块，如图片识别不通过则生成质检任务，如图片识别通过则进入大案件筛查模块进行下一步处理。图片识别模块流程如下：图片识别，图片识别模型的搭建可分为两步，第一步需对图片分类算法对海量商品图片进行分类；第二步对分类好图片打上商品标签，使用one-stage类型检测算法ssd(single shot multibox detector，单次多盒检测器)进行模型训练与预测。由于服务器部署于国内，事前质检流程中的仓库作业端又是在国外发起调用故对模型运行速度提出高要求，故选择ssd算法。事前质检时调用图片识别服务会返回该图片识别出来的所有可能标签。
28.标签匹配，通过识别返回的标签与商品类目或商品描述匹配，该订单的类目是女装，商品描述是“新2020烟灰色bf复古风格，休闲，高腰，宽腿裤，惯性导航系统，直筒”，不论从类目还是描述来看都无法直接与图片识别结果匹配。标签匹配模块采用两种方式预先生成该女装类目的标签，一是通过原图进行图片识别将标签结果存入该类目标签池；二是通过所有识别结果标签是否包含在商家描述中，如包含也存入标签池。匹配模块先将图片识别的标签结果与标签池匹配，如匹配不上再商品描述匹配，若匹配不上则图片识别不通过；若匹配上则图片识别通过。
29.图片主体检测，由于大多国家勘察图片拍摄都是人工拍照，无法保证场景的统一且会有其他杂物的影响，故该功能是在图片识别无法返回标签或者标签无法匹配时调用，对图片主体进行检测返回主体坐标。再根据坐标对图片进行剪切，剪切后再次调用图片识别与标签匹配功能。该功能使用ssd算法进行模型的训练与预测，返回置信度最高的物体坐标。
30.d）大案件筛查，图片识别通过的数量占比90%以上，针对这部分数据仍然根据配置案件理赔金额阀值来匹配案件生成质检任务。例如配置1000元，当理赔金额大于1000元时生成事前质检任务。
31.实施本发明，具有如下有益效果：本发明能够利用跨境电商品控事前质检方法解决保司人力覆盖的问题，利用质检流程发现不符合赔付标准的案件，达到减损降赔的效果，能量化考核仓库作业人员的各项指标。
32.上所揭露的仅为本发明的几个较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。