异常维修工单推理引擎数据集

该数据集面向电子产品维修服务中的骗保行为自动化检测需求建设，聚焦风控系统对异常维修行为的智能识别，针对企业虚假维修、恶意骗保导致的成本损失问题，填补了维修工单骗保风险标准化检测规则数据集的空白，对提升风控系统自动化识别能力、降低企业运营风险具有重要意义，可广泛服务于学术研究、教学实践及非商业性质的人工智能技术研发。
数据集的规则逻辑源于电子产品维修业务场景的实际骗保案例总结，经业务校验与迭代优化生成，涵盖异地维修、高价值部件滥用等典型风险场景。数据经结构化梳理后，采用标准化格式存储，所有规则均关联企业内部维修系统的标准字段，确保与实际业务数据的兼容性与实用性，客户隐私信息已脱敏处理，符合《数据安全法》及相关隐私保护政策。
数据集核心内容为 49 条骗保风险识别规则，以单一 Excel 文件（.xls 格式）的扁平化结构存储，包含 1 个工作表 general_rule，涵盖 8 个字段。数据由 “基础字段 + 结构化规则字段” 构成：基础字段含规则 ID、名称、状态、创建 / 更新时间等，便于筛选与管理；结构化规则字段（operator_rule 与 logic_rule）以 JSON 格式存储，定义筛选条件与逻辑关系（AND/OR），支持程序自动化解析执行。规则覆盖 6 大核心骗保场景、7 个适用区域，其中有效上线规则 43 条，测试规则 6 条，可直接集成到风控系统中使用。
数据体量方面，数据集共包含 49 条独立规则记录，字段设计全面且逻辑清晰，既适配单条规则的精准应用，也支持规则库的整体部署，能充分满足骗保行为自动化检测、风控模型训练与优化等任务需求，为企业维修服务风控决策提供坚实数据支撑。
该数据集为公开共享资源，支持 Excel、Python pandas、SQL 等多种工具读取，解析 JSON 字段需适配相关开发环境，无需复杂预处理即可对接业务系统，为维修工单骗保风险识别的智能化研究提供了高质量、标准化的规则数据支撑。