在当今的商业世界中，借助科学的方法和技术的手段来制定决策已经成为越来越多企业获得竞争优势的途径。而仅通过传统的商业智能技术已经不能满足领先企业的需求。怎样利用智能技术和工具，结合业务的应用点，深刻洞察现在业务的问题，并提出解决方法应用在企业业务流程中，提高业务流程的效率和准确率，就成为企业决胜未来的核心和关键。而这，就是业务分析与优化（BAO）的价值所在。
保险业的反欺诈难题
保险欺诈一直是保险行业的一大顽疾。据估算，世界保险业最发达的国家美国，每年因为欺诈造成的损失达到300-500亿美元，在所有的理赔案件中，75%以上的理赔金额都有水分。有统计显示，在发达国家中，所有理赔案件中欺诈程度较轻的汽车事故理赔，平均每笔理赔金额都可以撇去8%的水分。显然，如果有更有效的方法来防范保险欺诈，将会给保险公司带来非常大的商业价值。但是，反欺诈是一项非常复杂的工作。在反欺诈的理赔管理过程中，有三方面的因素需要去平衡：
***是赔款本身。赔款是理赔中***的一笔支出，在这部分支出中要尽量减少欺诈和渗漏。但是，如果保险公司没有经过充分调查就拒赔，会导致客户满意度降低；但是如果对每一笔赔款都有过度调查，则又会导致工作效率下降。
第二是理赔成本。从企业经营的角度考虑，要尽量减少非必要的成本，但是如果过于关注产能或者单笔理赔成本的减少，理赔速度会上升，但是可能会存在过度赔付；而且如果工作人员的专业化程度不高，工作量和专业化程度之间的平衡就会打破。
第三是客户服务。所有的客户都不愿意自己的赔付要求被质疑，这就需要保险公司很好地去把握客户满意度和案件调查之间的尺度；另外，人员冗余、专业化程度不够，以及工作人员在理赔过程中不恰当的管理、审核和操作，都会损害客户服务的水平。
目前，各家保险公司都已经采取了一些反欺诈的措施与手段，但是效果却不尽理想。原因在于：保险公司不可能对每个案例、每个环节都进行调查；理赔员和审核、调查员职责是分开的，理赔人员重视的是快速结案，而不是识别欺诈；对于理赔员及时培训并产生报表是非常困难的；勘查的资源调度效率很低，没有系统的方法去优先关注可以减少更多损失的案子，没有统一标准的方法去甄别欺诈，而且不同的方法需要的技术和数据不一样。总体来讲，缺乏先进的、高效的甄别能力去识别最可疑的理赔行为，缺乏数据支撑的手段和系统去支持它的反欺诈业务流程，导致大量的工作资源投入浪费在没有目标的调查中去。
临渴掘井 不如防患未然
传统的做法是事后去看一个案件有没有可能欺诈。IBM与一家国内领先的保险公司合作，探索业务分析与优化（BAO）解决方案在保险行业的应用，将反欺诈的调查手段尽量提前。以前，大多数有欺诈可能性案件的发现是经过了整个业务流程，从报案、查勘、定损、谈判、核赔到追偿残值，很多时候是整个流程都快走完了才发现需要去做调查。这就导致就算欺诈被发现也是事后的，而且是在赔款支付以后，这就意味着要付出额外的成本去追回欺诈款。而主动的反欺诈调查，就是在成千上万的理赔案件里面，通过一些模式分析首先发现存在高风险的欺诈案件。在这些案件进入平常的处理流程之前，将它们引入特别的处理程序，提前启动调查流程。这样可以在相当程度上降低保险公司的成本，而且因为避免了事后追偿或者当时质疑，客户满意度也会提升。
IBM BAO解决方案把反欺诈的过程分成发现、处理到防止三个环节。在发现环节要有手段，针对每一个特定类型的风险都要进行甄别，并且对风险因子进行量化；处理环节要根据发现的风险采取多方的处理措施，不同类型的风险要用不同类型的措施去应对，减少由于欺诈所产生的支出；防止环节要了解跨整个企业环节的风险，而不是某个业务环节的风险，采取主动的、预测性的风险管理手段，持续监控和了解逐渐凸现的可能风险。
IBM BAO解决方案的特点是通过技术手段对海量的非正常客户理赔数据进行分析，充分利用行为建模（behavior modeling）的方法来甄别潜在的渗漏和欺诈，即：通过一些专有的数据分析和数据模型手段去帮保险公司厘定一些标准，如：什么样的行为是具有高风险的行为模式？这些行为模式是用什么样的数据维度来衡量和发现的？哪些人群最有可能采取这样的行为？为了找到目标人群，需要用什么样的数据去捕获？在获得行为模式识别和可能客户对象识别的结果后，来分析和预测到底哪些案件应该控制风险，哪些案件应该降低成本支出，把有限的保险公司的理赔资源投入和精力放到最有可能发生欺诈和渗漏的案件上去。
具体讲，IBM BAO解决方案分三个阶段来实现：
理赔档案分析：通过对已经发生的典型欺诈案件做分析，找出欺诈的来源和根本原因。这是一个定性分析阶段，IBM基于保险公司的核心业务系统——理赔档案的管理系统中掌握的大量理赔档案中现有的数据，进行总体的分析和评估，总结出来一些标准和规则，并分析出保险公司核心业务系统中能够掌握的哪些数据、维度和分析得出的欺诈来源与根本原因对应，从大的方面去优化理赔操作，为下一步的建模提供一些基础的数据。这里涉及的设计问卷、案卷调查、案卷审计、改进报告等，都要通过访谈和结构化的分析总结出欺诈的来源和根本的原因。其中，还要用到一些严格的统计分层抽样的方法，保证这样的定性分析有一定代表性。
行为建模：从理赔档案分析出的类型和数据维度基础上，利用行为建模的方法发现欺诈的规则和模型，随后进行批量的数据预测，并对结果进行分析。这是一个半自动化的阶段，既有手工工作，也利用一些数据分析和数据挖掘的工具，比如IBM业界领先的SPSS统计分析软件等对所有的资料进行定量、定性分析，确定哪些资料对于判定欺诈风险有作用。
持续优化和改进：把发现的规则和模型引入到理赔系统和业务流程中，进行自动化的持续优化和改进。这是一个自动化的阶段，可以利用IBM ILOG等优化软件和工具，把行为模型的结果，如什么样的人群、什么样的行为、在什么样的时间点发生欺诈的可能性是百分之多少这样的规则，应用到理赔、核赔、业务分析建模、管理人员绩效报表这四个理赔过程中的主要业务流程里面去，并且固化成为业务流程的一部分。
BAO的实施将会给保险企业带来一些非常直观的收获：
更加有效和策略性地指导新员工的工作。保险行业靠的是人，资历较浅的理赔员或调查员刚加入公司时因为经验不足，非常可能误判案件。传统的做法都是师傅手把手传帮带一段时间，这就产生了很高的成本。有了BAO解决方案和系统，过去总结的经验在数据和系统里面能够得到体现，就不需要资深理赔员或调查员付出以前那么多的时间和精力跟新员工一起工作，从而减少了相应的成本。
统一审核标准。过去每个理赔员由于资历、专业领域、过去经验的差异，对于同样的案件做出来的判断很可能不一样；而且由于交给调查员的案子非常多，调查员的效率也非常低。有了BAO解决方案，可以相对统一审核标准，同时可以过滤掉一些没有必要调查的案件。
以智慧洞悉未来
BAO是一个很大的概念，从底层的数据整合，到对现有的业务流程和系统的分析，识别哪些数据维度非常重要、需要跨公司层面地整合起来，然后在此基础上利用一些数据挖掘、优化的工具、借助模型支撑，来解决企业的业务问题，并在实际业务中根据业务的变化、竞争对手的变化、数据的变化和客户的变化而持续优化设计出的模型。所以，BAO是企业决策和业务行动的一个端到端的闭环过程，其本质在于通过智能对未来进行预测，告诉你将来会发生什么事情，应该如何去应对，怎样才能做到***。而BAO最终的结果是将分析和洞察应用和固化到企业的流程中去，让企业的业务更加流畅地运转。
