作为全球最大的汽车市场，中国在经历了多年的两位数增长以后，已经回落到个位数增长的“新常态”。随着汽车保有量的不断增加，以及汽车使用年限的增加，中国汽车售后市场（含配件、维保和增值服务）在整个汽车行业里的地位越发重要。汽车厂商、经销商和服务商等主体的关注点，也从新车销售逐渐转向汽车后市场。而随着行业竞争的加大，消费者理性消费意识增强，汽车后市场主体的利润空间不断受到挤压，直播，全国4S店的经营状况愈发恶化，亏损面不断加大。

根据美国权威汽车维保专刊Warranty Week的统计，汽车厂商总收入中的1%-4%（平均2%左右）将作为保修相关的费用支付给经销商和服务商。这部分费用中的15-20%为欺诈案件，而中国的汽车厂商遭受的欺诈案件金额比例可能高达34%。美国市场上，每年维保相关的欺诈造成主机厂的损失超过30亿美金。这就意味着，对于中国市场主体成熟的损失不低于300亿人民币，每一家市场份额较高的畅销品牌汽车厂商，在这类欺诈维保支付上损失的金额都不低于10亿元/年。

本文将介绍维保反欺诈系统的基本设计思路和几种有效的反欺诈检测算法引擎，除了聚类分析等经典算法外，还包括了笔者所供职的Delta Entropy开发使用的新型机器学习算法，从而帮助汽车厂商大幅度降低维保成本。维保反欺诈系统除了能带来的巨大直接经济利益外，通过排除欺诈性案件，还可以更加准确地检测质量和配件问题，使预警系统更加精确地监控到索赔率的重大变化，从而使主机厂的产品工程师能够更好地了解故障模式以及驱动因素，从而提高产品质量、降低召回率、提高客户满意度。

传统的维保反欺诈方法

欺诈检测方法大致分为以下几种：

人工卷宗审核：顾名思义，很多公司都通过一定的标准（例如金额或者频率特别高）对高风险赔案进行人工卷宗审核，优点是这种方式对找到欺诈案件非常有效，但所需资源投入过大，专业人才较为缺乏不适用于普遍应用，而且由于人工审核的限制，经常会错过模式性欺诈

基于规则的系统识别：在系统中部署已定的规则，将触犯规则的案件推送到人工审核。这种方式比直接的人工审核更为普遍常见，可以有效查找已知的欺诈类型。但无法针对新的欺诈案件自动更新，而且非常容易被欺诈者得知后迅速失效

替换零件回收确认：将替换下的零配件进行回收确认，用以减少虚假的零配件索赔，这种方式对零件类的索赔会有一定的效果，但是成本高昂，不适合大范围应用

人工实地审核：非常有效，但难以预先得知聚焦的服务商或案件，应该采用什么作为人工审核的标准更加有效难以判断

高级数据分析方法：可以利用数据分析和机器学习的方法，针对欺诈的可能性高低对每个索赔和服务提供商进行精准评分，从而帮助合理分配卷宗审核员和现场审核员的工作重点。随着时间的推移，机器学习算法可以从服务提供商和审核人员的行为中学习获得越来越多的欺诈判断标识使得判断愈加精准。机器学习获取的结论还可以通过规则引擎得到迅速应用

针对维保中可能出现的欺诈行为，大多数制造商都有类似下图的业务规则审核机制，即使如此，它们并不能有效阻止大部分的索赔欺诈。在这个规则为主体的流程中，维保的服务提供商经常可以通过询问“为什么某某案件没有支付”从而获取简单规则的细节，从而在下次索赔中选择避开该规则的限制。因此为了有效地从根本上解决维保索赔欺诈，厂商需要一种普遍适用性高、支持多维度数据分析、并且可以不断自动学习更新的反欺诈机制。

高效的反欺诈机制

高效的反欺诈机制应该是一种综合的方案，针对不同类型的欺诈行为均能体现出效果。这种混合方案可以针对每个索赔案件、服务提供商都以标识符的形式进行欺诈可能性的判断，并提供标记原因，帮助人工审核人员更加专注于高风险案件，从而根本上提供欺诈案件的识别率，并且降低欺诈案件的产生率。 除了能够直接兼容对接现有系统以外，这种反欺诈引擎需要具有至少三方面的综合作用：

基于规则的引擎：针对已知欺诈模式或者操作失误的规则，例如超过允许收费工时数，无效的代码或零件、同一个维修多次申请理赔等

对异常现象的检测：针对未知但异常的欺诈，例如里程或者工时、零件数量明显超过正常范围

(责任编辑：本港台直播)