案例价值
核保是保险业务风险管控的第一道防线。该保险公司核保部拥有32名核保员，日常承担着重疾险、医疗险、寿险等全品类业务的承保审核工作。传统工作模式下，核保员遇到需要数据支撑的决策时，只能向技术部门提交需求，等待数天甚至数周才能拿到报表。数据返回后，往往因为口径理解不一致，还需反复沟通确认。
典型问数
"30-40岁男性吸烟者重疾险拒保率近三年趋势是什么？"
引入UINO数据智能引擎后，核保员直接在智能问数平台用自然语言提问，系统即时返回准确结果。该核保员在审核一位36岁男性吸烟者的重疾险申请时，当场查询"30-40岁男性吸烟者近三年重疾险拒保率趋势"，系统30秒内返回数据：近三年该群体拒保率分别为8.3%、9.1%、10.7%，呈上升趋势。这一数据直接支持了加费承保的决策依据。整体来看，核保决策效率提升85%，数据支持响应周期从平均5.2个工作日缩短至实时，核保员日均可多处理40%的案件量。
技术路径
数据对接与本体建模：项目首先对接了核心业务系统（承保模块）、CRM系统（客户画像）和体检数据接口。以UINO本体语义层为基础，将保单、人员（投保人/被保险人）、险种、体检指标、拒保记录等核心实体统一建模，构建保险业务本体语义层图谱，确保口径统一、可追溯。其中"拒保率"作为语义计算指标，定义为"统计期内拒保件数/承保申请件数"，通过本体语义层实现口径统一，确保不同使用者、不同场景下口径完全一致。
技术选型与语义计算
查询"30-40岁男性吸烟者重疾险拒保率近三年趋势"时，UINO引擎的语义解析链路如下：
第一步：语义解析。大语言模型将自然语言解析为结构化查询：筛选条件为年龄区间30-40岁、性别男、吸烟标志=Y、重疾险险种、统计周期近三年；语义指标为拒保率=拒保件数/申请件数×100%。
第二步：权限过滤。本体层根据核保员岗位权限，自动注入险种权限过滤条件——不同级别核保员可查询的险种范围不同，高管层可看全量，基层核保员仅限特定险种。
第三步：SQL生成与执行。语义映射层将结构化查询转换为针对多数据源的SQL，查询承保系统和历史保单数据库，聚合计算近三年每年数据。
第四步：结果呈现。返回结果包含近三年拒保率数据及简单趋势描述，支持图表可视化导出，整个过程30秒内完成。
过程难点
历史数据字段缺失与口径追溯
早期系统（2008-2012年）未记录"吸烟标志"字段，无法直接区分吸烟与非吸烟群体。解决方案：引入体检报告中的吸烟相关指标（如尼古丁代谢物）作为替代字段，并通过数据探查建立历史映射规则，将缺失率从早期的70%降至可接受范围。对于无法追溯的记录，查询结果自动标注"数据覆盖不全"提示，避免误导。
核保规则逻辑化表达
核保规则（如"吸烟者加费20%"、"高血压II级以上拒保"）以自然语言散布于核保手册和专家经验中，难以直接转化为系统规则。UINO团队与核保专家合作，将核心规则逐一编码为可计算的语义规则，并建立规则版本管理机制，规则变更后可追溯历史版本对应的口径定义，确保查询结果始终与当前规则一致。
多系统人员ID归一
核心业务系统、体检系统、CRM系统各自维护客户信息，同一个人在不同系统中ID不同。UINO基于姓名+身份证+手机号的组合匹配策略，实现了三个系统间的人员ID归一，归一准确率达到98.6%。剩余1.4%通过人工复核机制兜底，确保查询结果不因ID分裂而出现数据遗漏或重复。