(三) Big Data技術應用

「AI車定損」後端尚需與各廠牌零件工時資料庫連結，方能預估各細項修換費用與總合費用。以大陸平安保險為例，係自建零件工資資料庫，每年定期與約20,000家簽約維修廠協商定價事宜，若有新廠商、新車型與新配件時，則即時更新，以確保資料庫完整性，平安保險表示這是「雙贏模式」，對修理廠而言，可增加客源，保險公司在一定金額下即可維修，不再核價的便利性。

反觀台灣市場，若自建零件資料庫確有實務困難，可先蒐集已理賠的零件價格資訊，利用AI大數據技術，透過統計與機器學習之單變數時間序列異常檢測，顯示每日預測值、上下限值和該日的實際值，可應用於針對某一部位零件價格，進行即時異常監測並示警。

系統自動監控方式，包括可直接設定單一門檻或異常標記的監控示警，凡是超過此示警值者，會以紅色標示之；或者透過「異常分析」演算法，設置以「中位數」或是「平均值」為基準上下檢視幾倍的標準差，設定不同信心水準 (例如95%是在二個標準差以內)，以顯示對應信賴區間 (上/下限)，信賴區間外者即為需要關注的離群值(Outlier)，透過設置示警可以標註出這些離群目標。此外，系統會將所有即時監控示警、未處理異常統計件數與已處理異常統計件數，統整至監控示警端做統一管理。

「AR勘損模組」也有助於蒐集零件工時資料，因零件市場資訊即時取得不易，零件價格不透明，無法了解是否合理，透過連結「AI大數據分析模組」的分佈、趨勢、預測分析與異常分析等演算法，可顯示合理價格範圍，透過示警與異常分析，即時監測超出可接受的信心水準的範圍，超出部分再議價，可即時找出問題個案處理，提供即時預警系統，降低審查人力，亦可即時監控零件與維修價格的合理性，降低賠款。

圖4. JarviX平台異常分析示意圖

陳素敏顧問簡介