一、获取海量数据，作为分析的基础 保险公司需要汇总、收集所辖不同层级、不同分支机构在经营中产生的所有相关数据。总公司层级的数据采集，能够有效避免受制于层级、分支机构所造成的数据不准确问题。保险行业之间共享数据，能使分析结果更加精准。 二、对数据进行加工整理，统一标准、口径 采集到的海量数据包含文本、语音记录、图片等半结构或非结构数据，容易出现数据混杂。甚至对于同一问题，由于分属不同的分支机构，涉及地域、人文差异，也会出现多样化的描述。需要利用文本挖掘（text data mining）、图片挖掘等数据分析工具，对数据、文本、照片格式等内容进行特征抽取、文本或图片的分类、聚类等操作，统一标准和口径，为深入分析做准备。 三、进行数据分析，构建动态的欺诈风险模型 1.对获取的数据，抽取关键风险场景要素。如在车祸事故中抽取出险时间、出险地点、驾驶人员、报案人电话号码、事故类型、损失部位、赔偿金额、领款人账号、电话等要素，获得基础数据。 2.对于数据进行多维度分析，发现关联关系。如车祸事故中可以对领款人、损失部位、修理地点、事故地点、同一组照片等进行分析，发现关联关系。 3.风险聚合，构建动态的欺诈风险模型 传统的风险控制体系，由于涉及不同的层级、分支机构，欺诈风险从单独的分支机构所获得的信息来看，可能并无异常，大数据分析方法实现了风险聚合，结合数据分析所发现的关联关系，构建出的欺诈风险模型，及时向分支机构发出欺诈风险预警；同时结合分支机构的实际运用结果，及时修改、完善，真正实现模型的动态调整，使得反欺诈能力大幅提升。 摘自《中国总会计师》（京），2016.9.16/155 《中国审计》（京），2016.22.41/42 《审计月刊》（武汉），2016.11.50～51
