1. 课程导入
欢迎进入《非寿险定价从数据到费率表端到端实战》。在正式动手建模之前，我们需要先建立一张“全局地图”：非寿险定价到底在解决什么问题、它给业务带来什么价值、从原始数据到最终费率表要经过哪些环节。只有把这张地图装进脑子，后面每一章的技术细节才不会变成孤立的工具练习。
一、非寿险定价的定义与核心原理
非寿险定价，是指对财产险、责任险、车险、健康险（短期）等以“补偿性给付”为主的保险产品，基于历史赔付数据、风险暴露数据和费用数据，估计未来保险期间内的期望赔付成本与运营成本，并叠加风险附加、利润目标和市场竞争因素，最终形成可执行的费率表的过程。
它的核心原理可以用一句话概括：用过去的损失经验，预测未来的风险成本，再把它公平地分摊到每一个风险单位上。这里有两个关键概念：
- 风险单位（Exposure Unit）：衡量风险大小的基准，如车险的“车·年”、责任险的“销售额千元”、家财险的“保额万元”。
- 纯保费（Pure Premium）：期望赔付成本除以风险单位数，是费率表的“成本底座”。
在纯保费之上，还要叠加费用附加（佣金、管理费）、风险附加（应对波动）、利润附加，最终得到毛保费（Gross Premium）。这个“从成本到价格”的传导链条，就是定价工作的主线。
核心公式：毛保费 = （纯保费 + 费用 + 风险附加 + 利润附加）÷（1 − 可变费用率）
二、业务价值：定价为什么是保险公司的“心脏”
定价不是精算部门的自娱自乐，它直接决定公司的生死。具体价值体现在四个层面：
| 价值维度 | 具体表现 | 对业务的影响 |
|---|---|---|
| 风险选择 | 识别高风险与低风险客户，差异化定价 | 避免逆向选择，提升承保质量 |
| 盈利能力 | 确保保费覆盖成本并产生合理利润 | 支撑偿付能力与股东回报 |
| 市场竞争力 | 在价格与份额之间找到平衡点 | 既不被市场淘汰，也不盲目低价 |
| 合规与监管 | 满足费率报备、反歧视、透明度要求 | 避免监管处罚与声誉风险 |
一句话：定价错了，卖得越多亏得越多；定价对了，规模才有意义。
三、端到端流程概览：从数据到费率表的七步链路
本课程的核心就是这条端到端链路。它不是线性瀑布，而是一个不断迭代的闭环。下面这张图展示了从原始数据到最终费率表的完整数据流与关键决策点。
这七步中，前三步决定“原料质量”，中间三步决定“模型质量”，最后一步决定“落地质量”。任何一步偷工减料，费率表都会在市场上付出代价。
四、实战案例总览与常见误区
本课程将贯穿一个车险定价实战案例：某中型财险公司希望对其家用车产品进行费率优化，数据包含过去三年的保单、赔付、车辆信息和区域暴露数据。我们将从原始数据出发，一步步完成清洗、建模、评估，最终输出一张可落地的费率表。
在开始之前，先看看初学者最容易踩的坑：
误区一：直接用赔付率定价。赔付率受保费规模影响，波动大且滞后，不能直接作为定价依据。正确做法是建模纯保费。
误区二：忽略暴露单位。没有暴露数据，就无法计算频率和强度，模型会严重失真。
误区三：过度追求模型复杂度。GLM 在定价中依然主流，因为可解释性和监管接受度高。GBM 适合补充，但不宜盲目替代。
误区四：模型好就等于费率表好。费率表还要考虑业务可执行性、系统限制和市场竞争，纯技术最优不等于商业最优。
学习建议：每学完一章，回到这张端到端地图，问自己“我现在在哪一步？输入是什么？输出是什么？下一步依赖什么？”这样能把零散知识串成体系。
五、学习目标
完成本课程后，你将能够：
- 理解非寿险定价的完整业务逻辑与核心指标；
- 独立完成从数据清洗到特征工程的全流程操作；
- 使用 GLM 和 GBM 构建频率与强度模型；
- 评估模型并诊断常见问题；
- 将模型结果转化为可部署的费率表；
- 建立定价监控与迭代机制。
现在，你已经拿到了这张地图。接下来，我们将从第一步“数据准备”开始，真正走进非寿险定价的实战世界。