机器学习很有可能将在解决医疗保险理赔难题上实现重大突破,Watson Explorer系统在医疗保险理赔领域的技术开发和应用为我们提供了一个很好的例证。随着人们对健康和保险认知程度的日趋加深、医疗卫生事业的飞速发展、政策的大力推动与宣传,医疗保险在近些年迎来了高速发展。医疗保险投保数量激增,随之而来的是理赔压力加大,医疗保险理赔环节中核定客户身份成本高、核定损失环节多、赔付速度慢等问题逐渐突显出来,同时还面临着医疗欺诈问题,造成了理赔成本高居不下,但客户体验较差,客户满意度低、客户忠诚度下降,行业发展进退维谷。毋庸置疑,理赔环节已经成为影响医疗保险行业可持续发展的难关,是医疗保险降本、提质、增效必须要打通的环节。事实上,医疗保险理赔早已引起行业高度关注,经营医疗保险的保险公司采用了更严格的双层审核机制、与医疗机构建立合作、提高理赔人员素质等方式,但收之于缓解理赔难题成效,失之于理赔成本高企,成本收益比不佳。保险科技兴起为解决医疗保险理赔提供了一条崭新的道路。医疗保险理赔领域在应用人工智能、区块链、大数据、物联网、云计算和可穿戴设备等新技术上不遗余力,资金投入庞大,取得了不错的成绩。机器学习作为人工智能的一个重要分支,在解决医疗保险理赔难题方面具有独特优势。医疗保险理赔难题在很大程度上是理赔流程复杂且易变带来的,受被保险人群体变化、保险公司理赔规定、医药机构报销要求和国家政策法规影响较大。机器学习最主要的技术特点是可以自主学习,实现跨环节、跨平台应用。机器学习借助经过大量训练留存于算法模型中的数据规律,能够对新样本进行预测与处理,并矫正原有处理模式,在适应变化的世界方面是其他保险科技手段无法比拟的。Watson Explorer是IBM Watson系统为推动各行各业在大数据时代背景下的转型发展,在商业领域推出的相关产品之一,其借助机器学习赋能医疗保险理赔,通过信息挖掘、数据索引、提供理赔建议、反欺诈判断来提升保险公司作业精度、降低人为失误、削减成本投入、加强风险管控。加速了医疗保险理赔价值链延展的趋势,为我国提供参考借鉴。保险科技在保险行业应用的研究已经从科技在保险行业的总体应用效果和评价,进一步发展到具体保险科技对保险价值链各环节的影响上。以往文献对保险中应用人工智能、区块链、大数据、物联网、云计算和可穿戴设备等新技术均有涉猎。不过,现有文献通常仍停留在保险价值链第一层拆分上,比如按照保险定价、保险产品设计、保险销售、保险资产管理、保险服务和保险理赔等进行分析。对人工智能在保险领域研究上,已经对机器学习有所关注,但是做专题研究的仍然较少。本文将研究聚焦于保险理赔领域,并将保险理赔细分为核身份、定损失、算赔偿、限时效、反欺诈五个具体环节,逐一分析以上环节存在的问题,从机器学习的基本算法和应用原理出发,分析了在以上环节中机器学习优于传统解决方案和其他保险科技的原因。本文研究的险种集中在医疗保险上,为了能够让研究更加具有针对性和适用性,专门对比分析我国目前机器学习技术落地最快的险种--车险与医疗保险在应用环境中的区别。医疗保险理赔中应用机器学习优势明显,不过我国目前机器学习应用现状差强人意。本文对机器学习在医疗保险理赔落地实践比较缓慢和困难的原因进行了分析,在此基础上提出有助于我国医疗保险理赔领域发展机器学习的针对性建议。本文研究认为,医疗保险理赔应用机器学习可以在核身份、定损失、算赔偿、限时效、反欺诈五环节上破解现有困境,帮助医疗保险实现理赔全流程降本增效,并能加强风险管控精准反欺诈,实现事后补偿向事先预防转变。不过,技术障碍、数据孤岛、全新风险、人才缺口等问题都在不同程度上制约着机器学习在医疗保险领域的落地。发现这些问题并提出相应建议,有利于机器学习技术打破行业现存壁垒,更好地服务医疗保险理赔。