基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统的制作方法

1.本发明涉及风控管理技术领域，具体地说，涉及基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统。


背景技术：

2.保险是社会经济保障制度的重要组成部分，随着社会经济的不断发展和人们保障意识的不断提高，保险业务涵盖的范围也也越来越广，在此过程中，作为保险的核心，保险风控管理也称为该行业发展过程中最关键的议题。当前保险行业风控管理面临三个方面的难点：第一，保险欺诈行为频发且日益专业化；第二，核保核赔等风险管理仍主要依赖人工经验进行，成本高且效果差；第三，保险公司及行业数据分散破碎，存在信息孤岛，数据质量低，无法有效支撑风险管理的需求。保险行业风控的发展经历了传统风控、数字风控，并逐渐转型到智能风控阶段。为了解决上述问题，保险公司需要引入人工智能、区块链等技术，来实现从数字化、立体化、前置化和智能化四个方面来优化智能风控的管控模式。但是，因保险业务广泛、险种多、风险类型多，导致无法全面地快速进行风险识别和控制，而目前也没有涵盖多险种的保险风控管理系统。


技术实现要素：

3.本发明的目的在于提供了基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统，以解决上述背景技术中提出的问题。
4.为实现上述技术问题的解决，本发明的目的之一在于，提供了基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统，包括
5.技术支持单元、数据模型单元、用户管理单元、风控管理单元和安全应用单元；所述技术支持单元的信号输出端与所述数据模型单元的信号输入端连接，所述数据模型单元的信号输出端与所述用户管理单元的信号输入端连接，所述用户管理单元的信号输出端与所述风控管理单元的信号输入端连接，所述风控管理单元的信号输出端与所述安全应用单元的信号输入端连接；所述技术支持单元用于提供支持系统运行的各种智能技术；所述数据模型单元用于依据大数据并以bp神经网络预测算法为基础搭建风险预测模型并进行深度学习；所述用户管理单元用于对保险业务全流程中能涉及到的用户人员进行管理以降低用户行为带来的业务风险；所述风控管理单元用于对保险业务流程中可能存在的各类风险因素进行识别并控制管理；所述安全应用单元用于对保险业务进行安全管理并完善系统的应用功能；
6.所述技术支持单元包括生物识别模块、大数据模块、人工智能模块、三方云系统模块和区块链模块；
7.所述数据模型单元包括数据处理模块、模型搭建模块、算法训练模块和机器学习模块；
8.所述用户管理单元包括客户视图模块、增员管理模块、活动培训模块和智慧客服模块；
9.所述风控管理单元包括代理品质模块、寿险核保模块、车险理赔模块、财险识别模块和信贷智控模块；
10.所述安全应用单元包括行为识别模块、素质评级模块、风险评估模块和综合报告模块。
11.作为本技术方案的进一步改进，所述生物识别模块、所述大数据模块、所述人工智能模块、所述三方云系统模块与所述区块链模块并列运行；所述生物识别模块用于通过多种生物识别技术来准确验证投保用户的身份信息及用于安全驾驶情况的取证；所述大数据模块用于通过多方来源获取多维度的用户信息数据并存储于云端以便调用；所述人工智能模块用于通过人工智能及智能学习的技术来提高保险业务流程中的营销、经营、客服、风控等管理；所述三方云系统模块用于通过云端与第三方的监管部门、行业协会及服务商等管理系统进行连接；所述区块链模块用于通过区块链技术来对保险业务关联的行业信息进行区块管理并保障交易安全。
12.其中，生物识别的内容包括但不限于人脸识别、声音识别、指纹识别、微表情识别管理等。
13.其中，人工智能技术包括但不限于ai图片识别、机器学习、机器人等。
14.其中，第三方云服务管理系统包括但不限于金融云、医疗云、政府云、企业云等。
15.其中，通过区块管理技术管理的与保险业务相关的行业信息包括但不限于资产交易、医疗健康、数字货币、融资/贷款等。
16.作为本技术方案的进一步改进，所述数据处理模块的信号输出端与所述模型搭建模块的信号输入端连接，所述模型搭建模块的信号输出端与所述算法训练模块的信号输入端连接，所述算法训练模块的信号输出端与所述机器学习模块的信号输入端连接；所述数据处理模块用于通过多维度数据采集途径获取海量与保险业务相关的数据信息并对数据进行去重、存储、统析及划分处理；所述模型搭建模块用于以bp神经网络算法为基础，根据保险的险种分别搭建对应的风险预测模型；所述算法训练模块用于按照一定的流程步骤对预测模型进行算法训练；所述机器学习模块用于通过机器学习来完善预测算法以提高预测的准确度。
17.作为本技术方案的进一步改进，所述数据处理模块包括采集清洗模块、分类存储模块、统计分析模块和数集划分模块；所述采集清洗模块的信号输出端与所述分类存储模块的信号输入端连接，所述分类存储模块的信号输出端与所述统计分析模块的信号输入端连接，所述统计分析模块的信号输出端与所述数集划分模块的信号输入端连接；所述采集清洗模块用于从企业内部的存量数据、网上公开的云数据库及第三方可靠数据平台获取保险业务相关用户的数据并对数据进行清洗操作；所述分类存储模块用于对海量的数据进行分类归纳并分布存储；所述统计分析模块用于对相关数据进行统计及分析；所述数集划分模块用于按照模型训练的需求随机从数据库中抽取部分数据并按一定比例划分为训练数集和测试数集。
18.其中，用户数据包括投保用户信息和保险代理用户信息，投保用户信息包括但不限于身份信息、信用信息、健康情况、驾驶信息、资产信息、往期贷款信息、往期投保情况等；
保险代理用户信息包括但不限于身份信息、家庭情况、教育情况、信用信息、从业情况等。
19.作为本技术方案的进一步改进，所述采集清洗模块中，数据清洗采用kmp字符串匹配算法，该算法流程中需引入模式的前缀函数π，其函数计算表达式如下：
20.π[q]＝max{k：k＜q and p
k
→
p
q
}；
[0021]
其中，π[q]代表当前字符串p中最长的共同前缀后缀的长度，p
k
为字符串p前k个字符组成字符串。
[0022]
其中，π包含有模式与其自身的位移进行匹配的信息，这些信息可用于避免在朴素的字符串匹配算法中对无用位移进行测试。
[0023]
作为本技术方案的进一步改进，所述算法训练模块的训练步骤如下：
[0024]
step1、网络初始化：给各连接权值分别赋一个区间(
‑
1，1)内的随机数，设定误差函数e，给定计算精度值ε和最大学习次数m；
[0025]
step2、随机选取第k个输入样本及对应期望输出：
[0026]
d
o
(k)＝(d1(k)，d2(k)，...，d
q
(k))；
[0027]
χ(k)＝(x1(k)，x2(k)，...，x
n
(k))；
[0028]
step3、计算隐含层各神经元的输入和输出；
[0029]
step4、利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数δ
o
(k)a；
[0030]
step5、利用隐含层到输出层的连接权值、输出层的δ
o
(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δ
h
(k)；
[0031]
step6、利用输出层各神经元的δ
o
(k)和隐含层各神经元的输出来修正连接权值w
ho
(k)；
[0032]
step7、利用隐含层各神经元的δ
h
(k)和输入层各神经元的输入修正连接权；
[0033]
step8、计算全局误差
[0034][0035]
step9、判断网络误差是否满足要求；当误差达到预设精度或学习次数大于设定的最大次数，则算法结束；否则，选取下一个学习样本及对应的期望输出，返回到step3，进入下一轮学习。
[0036]
作为本技术方案的进一步改进，所述客户视图模块、所述增员管理模块、所述活动培训模块与所述智慧客服模块并列运行；所述客户视图模块用于围绕客户需求通过线上线下多渠道、多场景地积累海量的客户，并通过动态了解客户，形成360
°
完整的客户视图并对客户进行分群；所述增员管理模块用于通过构建动态的人员画像、特征识别、信息筛选的循环体系来识别优选保险代理增员；所述活动培训模块用于通过智能组训动态规划及管理代理人的发展路线，形成针对性辅导建议，并构建线上培训，为代理人推荐个性化课程来全方位地管控代理人培训效果；所述智慧客服模块用于搭建完善的智能客服管理系统来对保险业务过程提供完善的咨询服务，根据客户需求智能识别定位保险业务过程中的风险等级，并对客服过程进行监管。
[0037]
作为本技术方案的进一步改进，所述代理品质模块、所述寿险核保模块、所述车险理赔模块、所述财险识别模块与所述信贷智控模块并列运行；所述代理品质模块用于甄别
筛选保险代理人的品质、识别代理人的高风险行为，并及时预警风险人群、控制风险；所述寿险核保模块用于基于保险企业的自核规则，结合风险预测模型的预测结果对寿险、大病保险等险种进行风险识别并优化风险管理能力；所述车险理赔模块用于通过结合车载式生物识别终端来构建驾驶风险因素识别体系来提升车险定价精准度，并依此进行精准的车险理赔风险筛查操作；所述财险识别模块用于通过对灾害风险评级、灾害预警来对财产险的风险进行识别以降低灾害损失；所述信贷智控模块用于结合投保用户的贷款信用信息来构建风控模型来提升信贷保险业务的风险识别能力。
[0038]
作为本技术方案的进一步改进，所述行为识别模块的信号输出端与所述素质评级模块的信号输入端连接，所述素质评级模块的信号输出端与所述风险评估模块的信号输入端连接，所述风险评估模块的信号输出端与所述综合报告模块的信号输入端连接；所述行为识别模块用于对保险业务过程中投保用户及代理用户的行为进行监测并识别存在风险的行为；所述素质评级模块用于以信用情况为主要评判标准来评审投保用户及代理用户的综合素质并进行等级评定来减轻用户风险行为出现概率的判识难度；所述风险评估模块用于对保险业务全流程中可能存在的各类型风险及风险等级进行全方位的分析评判；所述综合报告模块用于将保险业务涉及的数据分析、风险预测、营销服务及风控决策等全流程数据进行整理并形成对应的报告。
[0039]
其中，风险评估的内容包括但不限于风险发现、风险类型识别、风险评级、风险控制决策等。
[0040]
本发明的目的之一在于，提供了基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统的运行方法，包括如下步骤：
[0041]
s1、保险公司获取就职的保险代理人的身份及相关信息，对保险代理人的素质进行评级，并提高代理人的培训和监管，以降低保险代理人的误操作或恶意操作风险；
[0042]
s2、投保用户与保险代理用户交集，达成投保意愿、提交投保申请；
[0043]
s3、系统平台自动从机构内部信息管理系统获取存量数据，同时从三方可靠交易数据管理平台获取与投保用户相关的数据信息，对数据进行统计分析，获取投保用户的信用情况，以降低投保用户的恶意行为或保险欺诈行为的风险；
[0044]
s4、根据投保用户拟投保的险种，将投保用户的相关数据导入预先搭建并训练好的模型中，获取预测出的风险类型、风险大小结果；
[0045]
s5、结合数据分析、预测识别结果，对保险业务全流程中可能存在的风险进行分析预测，对风险进行预警；
[0046]
s6、根据多方数据结果，形成风控评估报告，与投保用户的投保申请同时提交，由保险公司对投保申请进行审核决策，并根据用户需求定制个性化的保险合同，再由保险代理人以保险公司的名义与投保用户签订保险合同；
[0047]
s7、在投保用户出现合同签订的条款情况需要进行理赔时，保险代理人调取存档数据，结合多种现场调查报告，可以尽快完成保险业务的理赔审核工作，减轻保险理赔的工作量，降低保险业务的风险，同时有效保障投保用户及保险公司的利益。
[0048]
本发明的目的之三在于，提供了基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统的运行装置，包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序，处理器用于执行计算机程序时实现上述任一的基于大数据的数据库
和算法的保险精准风控、管理、智慧客服及营销系统。
[0049]
本发明的目的之四在于，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一的基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统。
[0050]
与现有技术相比，本发明的有益效果：
[0051]
1.该基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统中，以大数据、人工智能、生物识别、区块链等前沿智能技术为基础搭建完善的智能风控系统，打破信息孤岛，整合海量的行业数据，可以快速识别和评估保险代理人和投保用户的信用素质，从而有效降低人员行为的风险，从而降低保险欺诈行为的发生概率；
[0052]
2.该基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统中，针对不同的高风险险种，依据bp神经网络预测算法分别搭建对应的风险预测数据模型并进行机器学习，可以快速识别预测不同险种业务流程中可能存在的风险类型，并评判风险等级，以便快速针对风险作出控制决策；
[0053]
3.该基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统中，结合大数据分析和风险预测结果，可以快速且较为准确的发现并控制风险，减轻保险风控业务核保核赔的工作量和难度，降低风控成本、提高风控效果，可以提升保险行业风控效率、简化风控流程、降低风险隐患，可以减轻风险事件发生时可能造成的经济损失，进而能够有效保障投保用户及保险公司双方的利益。
[0054]
4.该基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统中，数据清洗采用kmp字符串匹配算法，核心即是计算子串每一个位置之前的字符串的前缀和后缀公共部分的最大长度(不包括字符串本身,否则最大长度始终是字符串本身)。获得子串每一个位置的最大公共长度之后,就可以利用该最大公共长度快速和字符串比较。当每次比较到两个字符串的字符不同时,我们就可以根据最大公共长度将子串向前移动(已匹配长度最大公共长度)位,接着继续比较下一个位置。
附图说明
[0055]
图1为本发明的示例性产品架构框图；
[0056]
图2为本发明的整体系统装置结构图；
[0057]
图3为本发明的局部系统装置结构图之一；
[0058]
图4为本发明的局部系统装置结构图之二；
[0059]
图5为本发明的局部系统装置结构图之三；
[0060]
图6为本发明的局部系统装置结构图之四；
[0061]
图7为本发明的局部系统装置结构图之五；
[0062]
图8为本发明的局部系统装置结构图之六；
[0063]
图9为本发明的示例性电子计算机产品装置结构图。
[0064]
图中各个标号意义为：
[0065]
100、技术支持单元；101、生物识别模块；102、大数据模块；103、人工智能模块；104、三方云系统模块；105、区块链模块；
[0066]
200、数据模型单元；201、数据处理模块；2011、采集清洗模块；2012、分类存储模
块；2013、统计分析模块；2014、数集划分模块；202、模型搭建模块；203、算法训练模块；204、机器学习模块；
[0067]
300、用户管理单元；301、客户视图模块；302、增员管理模块；303、活动培训模块；304、智慧客服模块；
[0068]
400、风控管理单元；401、代理品质模块；402、寿险核保模块；403、车险理赔模块；404、财险识别模块；405、信贷智控模块；
[0069]
500、安全应用单元；501、行为识别模块；502、素质评级模块；503、风险评估模块；504、综合报告模块。
具体实施方式
[0070]
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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0071]
实施例1
[0072]
如图1
‑
图9所示，本实施例提供了基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统，包括
[0073]
技术支持单元100、数据模型单元200、用户管理单元300、风控管理单元400和安全应用单元500；技术支持单元100的信号输出端与数据模型单元200的信号输入端连接，数据模型单元200的信号输出端与用户管理单元300的信号输入端连接，用户管理单元300的信号输出端与风控管理单元400的信号输入端连接，风控管理单元400的信号输出端与安全应用单元500的信号输入端连接；技术支持单元100用于提供支持系统运行的各种智能技术；数据模型单元200用于依据大数据并以bp神经网络预测算法为基础搭建风险预测模型并进行深度学习；用户管理单元300用于对保险业务全流程中能涉及到的用户人员进行管理以降低用户行为带来的业务风险；风控管理单元400用于对保险业务流程中可能存在的各类风险因素进行识别并控制管理；安全应用单元500用于对保险业务进行安全管理并完善系统的应用功能；
[0074]
技术支持单元100包括生物识别模块101、大数据模块102、人工智能模块103、三方云系统模块104和区块链模块105；
[0075]
数据模型单元200包括数据处理模块201、模型搭建模块202、算法训练模块203和机器学习模块204；
[0076]
用户管理单元300包括客户视图模块301、增员管理模块302、活动培训模块303和智慧客服模块304；
[0077]
风控管理单元400包括代理品质模块401、寿险核保模块402、车险理赔模块403、财险识别模块404和信贷智控模块405；
[0078]
安全应用单元500包括行为识别模块501、素质评级模块502、风险评估模块503和综合报告模块504。
[0079]
本实施例中，生物识别模块101、大数据模块102、人工智能模块103、三方云系统模块104与区块链模块105并列运行；生物识别模块101用于通过多种生物识别技术来准确验
证投保用户的身份信息及用于安全驾驶情况的取证；大数据模块102用于通过多方来源获取多维度的用户信息数据并存储于云端以便调用；人工智能模块103用于通过人工智能及智能学习的技术来提高保险业务流程中的营销、经营、客服、风控等管理；三方云系统模块104用于通过云端与第三方的监管部门、行业协会及服务商等管理系统进行连接；区块链模块105用于通过区块链技术来对保险业务关联的行业信息进行区块管理并保障交易安全。
[0080]
其中，生物识别的内容包括但不限于人脸识别、声音识别、指纹识别、微表情识别管理等。
[0081]
其中，人工智能技术包括但不限于ai图片识别、机器学习、机器人等。
[0082]
其中，第三方云服务管理系统包括但不限于金融云、医疗云、政府云、企业云等。
[0083]
其中，通过区块管理技术管理的与保险业务相关的行业信息包括但不限于资产交易、医疗健康、数字货币、融资/贷款等。
[0084]
本实施例中，数据处理模块201的信号输出端与模型搭建模块202的信号输入端连接，模型搭建模块202的信号输出端与算法训练模块203的信号输入端连接，算法训练模块203的信号输出端与机器学习模块204的信号输入端连接；数据处理模块201用于通过多维度数据采集途径获取海量与保险业务相关的数据信息并对数据进行去重、存储、统析及划分处理；模型搭建模块202用于以bp神经网络算法为基础，根据保险的险种分别搭建对应的风险预测模型；算法训练模块203用于按照一定的流程步骤对预测模型进行算法训练；机器学习模块204用于通过机器学习来完善预测算法以提高预测的准确度。
[0085]
进一步地，数据处理模块201包括采集清洗模块2011、分类存储模块2012、统计分析模块2013和数集划分模块2014；采集清洗模块2011的信号输出端与分类存储模块2012的信号输入端连接，分类存储模块2012的信号输出端与统计分析模块2013的信号输入端连接，统计分析模块2013的信号输出端与数集划分模块2014的信号输入端连接；采集清洗模块2011用于从企业内部的存量数据、网上公开的云数据库及第三方可靠数据平台获取保险业务相关用户的数据并对数据进行清洗操作；分类存储模块2012用于对海量的数据进行分类归纳并分布存储；统计分析模块2013用于对相关数据进行统计及分析；数集划分模块2014用于按照模型训练的需求随机从数据库中抽取部分数据并按一定比例划分为训练数集和测试数集。
[0086]
其中，用户数据包括投保用户信息和保险代理用户信息，投保用户信息包括但不限于身份信息、信用信息、健康情况、驾驶信息、资产信息、往期贷款信息、往期投保情况等；保险代理用户信息包括但不限于身份信息、家庭情况、教育情况、信用信息、从业情况等。
[0087]
具体地，采集清洗模块2011中，数据清洗采用kmp字符串匹配算法，该算法流程中需引入模式的前缀函数π，其函数计算表达式如下：
[0088]
π[q]＝max{k：k＜q and p
k
→
p
q
}；
[0089]
其中，π[q]代表当前字符串p中最长的共同前缀后缀的长度，p
k
为字符串p前k个字符组成字符串。
[0090]
其中，π包含有模式与其自身的位移进行匹配的信息，这些信息可用于避免在朴素的字符串匹配算法中对无用位移进行测试。
[0091]
具体地，算法训练模块203的训练步骤如下：
[0092]
step1、网络初始化：给各连接权值分别赋一个区间(
‑
1，1)内的随机数，设定误差
函数e，给定计算精度值e和最大学习次数m；
[0093]
step2、随机选取第k个输入样本及对应期望输出：
[0094]
d
o
(k)＝(d1(k)，d2(k)，...，d
q
(k))；
[0095]
χ(k)＝(x1(k)，x2(k)，...，x
n
(k))；
[0096]
step3、计算隐含层各神经元的输入和输出；
[0097]
step4、利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数δ
o
(k)a；
[0098]
step5、利用隐含层到输出层的连接权值、输出层的δ
o
(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δ
h
(k)；
[0099]
step6、利用输出层各神经元的δ
o
(k)和隐含层各神经元的输出来修正连接权值w
ho
(k)；
[0100]
step7、利用隐含层各神经元的δ
h
(k)和输入层各神经元的输入修正连接权；
[0101]
step8、计算全局误差
[0102][0103]
step9、判断网络误差是否满足要求；当误差达到预设精度或学习次数大于设定的最大次数，则算法结束；否则，选取下一个学习样本及对应的期望输出，返回到step3，进入下一轮学习。
[0104]
作为优选，通过粒子群算法对所述模型搭建模块(202)采用的bp神经网络的初始权值和阈值进行优化，设置粒子群中粒子当前解的适应度函数值越小，粒子的寻优效果越好，通过改进的粒子群算法对bp神经网络的初始权值和阈值进行寻优，改进的粒子群算法能够有效的避免陷入局部最优，从而能够有效的解决bp神经网络收敛速度慢和易陷入局部最优的缺陷，使得优化后的bp神经网络具有较高的评估准确度。
[0105]
优选地，在粒子群算法中，设表示种群中粒子i在第t次迭代更新后的解，为定义的种群中粒子i在第(t+1)次迭代更新时进行学习的局部较优解，qbest
t
表示种群在第t次迭代更新后的全局最优解，令种群中粒子i通过向局部较优解和全局最优解qbest
t
进行学习，从而获得粒子i在第(t+1)次迭代更新后的解
[0106]
所述局部较优解的值为：
[0107]
设表示在第t次迭代更新后种群中优于粒子i当前的历史最优解的解组成的集合，且其中，表示集合中的第j个较优解，表示集合中的较优解的数量，表示较优解的适应度函数值，表示种群中粒子i在第t次迭代更新后的历史最优解，表示历史最优解的适应度函数值；
[0108]
对集合中的较优解依次进行筛选，定义表示针对较优解设置的个体筛选系数，表示针对集合中较优解设置的整体筛选系数，且和的值分别为：
[0109][0110][0111]
式中，表示较优解的寻优筛选因子，且的寻优筛选因子，且表示较优解的距离筛选因子，且距离筛选因子，且表示较优解的迭代调节因子，且其中，t表示当前迭代次数，t
max
表示最大迭代次数，和的作用为取最大值，的作用为取中值；
[0112]
当集合中的较优解满足：时，则在集合中保留较优解而当较优解满足：时，则在集合中删除较优解
[0113]
设表示对集合中的较优解依次进行筛选后剩余的较优解组成的集合，所述局部较优解即为在集合中随机选取的一个较优解。
[0114]
优选地，令种群中粒子i通过向局部较优解和全局最优解qbest
t
进行学习，从而获得粒子i在第(t+1)次迭代更新后的解具体为：
[0115][0116][0117]
其中，表示种群中粒子i在第(t+1)次迭代更新时的步长，表示种群中粒子i在第t次迭代更新时的步长，c1和c2表示种群的学习因子，r1和r2分别表示随机产生的0到1之间的随机数，ω表示种群中粒子的惯性权重因子。
[0118]
本优选实施例对传统粒子群算法的迭代更新过程进行改进，传统的粒子群算法存在收敛速度慢和易陷入局部最优的缺陷，因此，利用传统的粒子群算法对bp神经网络的初始权值和阈值进行优化，并不能有效的解决bp神经网络收敛速度慢和易陷入局部极值的缺陷，要想通过粒子群算法真正解决bp神经网络收敛速度慢和易陷入极值的缺陷，就必须对传统的粒子群算法进行改进，因此，本优选实施例对传统粒子群算法的迭代更新方式进行改进，传统粒子群算法令粒子向其历史最优解进行学习，从而实现种群的局部寻优，令粒子向当前全局最优解进行学习，从而实现种群的全局寻优，然而该种迭代寻优方式，易使得种群陷入局部最优，缺乏跳出局部最优的能力，针对该种缺陷，本优选实施例令粒子向当前全局最优解进行学习，从而保证种群的全局寻优精度，令粒子向局部较优解进行学习，从而保
证种群的局部寻优精度的同时，增加粒子群解的多样性，并且加强粒子群跳出局部最优的能力；所述粒子的局部较优解为在种群中优于粒子当前的历史最优解中随机选取出来的，针对该类较优解设置了个体筛选系数和整体筛选系数，所述个体筛选系数中的寻优筛选因子用于保证粒子的正向收敛，所述个体筛选系数中的距离筛选因子用于保证粒子的局部寻优，所述整体筛选系数通过种群中较优解之间的个体筛选系数的离散程度来控制集合中剩余的较优解的数量，当所述较优解之间的个体筛选系数的离散程度较小，表明种群中较优解和所述粒子之间分布的较为均匀，此时，整体筛选系数的值较小，从而在较优解集合中保留更多的较优解，使得在选取局部较优解时能够增加种群的多样性，增加粒子群跳出局部最优的能力，当所述较优解之间个体筛选系数的离散程度较大，表明种群中较优解和所述粒子之间分布的较为分散，此时，整体筛选系数的值较大，从而在较优解集合中保留较少的较优解，从而加速粒子群的收敛速度。即本优选实施例通过令粒子向局部较优解学习，使得粒子群根据当前寻优情况自适应的调节粒子的寻优方式，从而在加速粒子群收敛速度的同时，加强粒子群跳出局部最优的能力。
[0119]
本实施例中，客户视图模块301、增员管理模块302、活动培训模块303与智慧客服模块304并列运行；客户视图模块301用于围绕客户需求通过线上线下多渠道、多场景地积累海量的客户，并通过动态了解客户，形成360
°
完整的客户视图并对客户进行分群；增员管理模块302用于通过构建动态的人员画像、特征识别、信息筛选的循环体系来识别优选保险代理增员；活动培训模块303用于通过智能组训动态规划及管理代理人的发展路线，形成针对性辅导建议，并构建线上培训，为代理人推荐个性化课程来全方位地管控代理人培训效果；智慧客服模块304用于搭建完善的智能客服管理系统来对保险业务过程提供完善的咨询服务，根据客户需求智能识别定位保险业务过程中的风险等级，并对客服过程进行监管。
[0120]
本实施例中，代理品质模块401、寿险核保模块402、车险理赔模块403、财险识别模块404与信贷智控模块405并列运行；代理品质模块401用于甄别筛选保险代理人的品质、识别代理人的高风险行为，并及时预警风险人群、控制风险；寿险核保模块402用于基于保险企业的自核规则，结合风险预测模型的预测结果对寿险、大病保险等险种进行风险识别并优化风险管理能力；车险理赔模块403用于通过结合车载式生物识别终端来构建驾驶风险因素识别体系来提升车险定价精准度，并依此进行精准的车险理赔风险筛查操作；财险识别模块404用于通过对灾害风险评级、灾害预警来对财产险的风险进行识别以降低灾害损失；信贷智控模块405用于结合投保用户的贷款信用信息来构建风控模型来提升信贷保险业务的风险识别能力。
[0121]
本实施例中，行为识别模块501的信号输出端与素质评级模块502的信号输入端连接，素质评级模块502的信号输出端与风险评估模块503的信号输入端连接，风险评估模块503的信号输出端与综合报告模块504的信号输入端连接；行为识别模块501用于对保险业务过程中投保用户及代理用户的行为进行监测并识别存在风险的行为；素质评级模块502用于以信用情况为主要评判标准来评审投保用户及代理用户的综合素质并进行等级评定来减轻用户风险行为出现概率的判识难度；风险评估模块503用于对保险业务全流程中可能存在的各类型风险及风险等级进行全方位的分析评判；综合报告模块504用于将保险业务涉及的数据分析、风险预测、营销服务及风控决策等全流程数据进行整理并形成对应的报告。
[0122]
其中，风险评估的内容包括但不限于风险发现、风险类型识别、风险评级、风险控制决策等。
[0123]
本实施例还提供了基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统的运行方法，包括如下步骤：
[0124]
s1、保险公司获取就职的保险代理人的身份及相关信息，对保险代理人的素质进行评级，并提高代理人的培训和监管，以降低保险代理人的误操作或恶意操作风险；
[0125]
s2、投保用户与保险代理用户交集，达成投保意愿、提交投保申请；
[0126]
s3、系统平台自动从机构内部信息管理系统获取存量数据，同时从三方可靠交易数据管理平台获取与投保用户相关的数据信息，对数据进行统计分析，获取投保用户的信用情况，以降低投保用户的恶意行为或保险欺诈行为的风险；
[0127]
s4、根据投保用户拟投保的险种，将投保用户的相关数据导入预先搭建并训练好的模型中，获取预测出的风险类型、风险大小结果；
[0128]
s5、结合数据分析、预测识别结果，对保险业务全流程中可能存在的风险进行分析预测，对风险进行预警；
[0129]
s6、根据多方数据结果，形成风控评估报告，与投保用户的投保申请同时提交，由保险公司对投保申请进行审核决策，并根据用户需求定制个性化的保险合同，再由保险代理人以保险公司的名义与投保用户签订保险合同；
[0130]
s7、在投保用户出现合同签订的条款情况需要进行理赔时，保险代理人调取存档数据，结合多种现场调查报告，可以尽快完成保险业务的理赔审核工作，减轻保险理赔的工作量，降低保险业务的风险，同时有效保障投保用户及保险公司的利益。
[0131]
如图9所示，本实施例还提供了基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统的运行装置，该装置包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序。
[0132]
处理器包括一个或一个以上处理核心，处理器通过总线与处理器相连，存储器用于存储程序指令，处理器执行存储器中的程序指令时实现上述的基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统。
[0133]
可选的，存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随时存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0134]
此外，本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统。
[0135]
可选的，本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统。
[0136]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0137]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。