2. 车险业务基础

要做好车险驾驶人画像与出险概率建模，第一步不是调模型，而是把业务对象看清楚。车险的险种结构决定了“赔什么”，承保与理赔流程决定了“数据在哪个环节产生”，关键业务指标决定了“模型要优化什么”，而出险概率建模的业务场景则决定了“模型结果给谁用、怎么用”。本节围绕这四条主线展开，帮助你把业务语言翻译成建模语言。

一、车险种类：一张保单背后的责任结构

车险分为交强险与商业险两大类。交强险是法定强制险，实行统一条款与责任限额，主要保障第三方的人身伤亡与财产损失，其定价受监管约束，通常不作为个性化定价建模的主要对象。商业险则是保险公司自主经营的险种组合，也是驾驶人画像与出险概率建模的核心战场。

商业险可进一步分为主险与附加险。主险包括车损险、第三者责任险、车上人员责任险等；附加险则围绕主险扩展，如医保外用药责任险、车轮单独损失险、新增设备损失险等。2020年车险综合改革后，车损险主险责任大幅扩展，盗抢、玻璃单独破碎、自燃、发动机涉水等原先的附加险被并入主险，这一变化直接影响了历史数据的口径一致性——建模时必须区分改革前后的保单，否则会把“责任扩展导致的赔付上升”误判为“驾驶人风险上升”。

二、承保与理赔流程：数据在哪个环节产生

承保流程通常包括：投保信息采集、核保规则校验、保费计算、保单签发与批改。这一环节产生的是“静态画像数据”，包括车辆信息（车龄、车型、购置价、使用性质）、驾驶人信息（年龄、驾龄、性别、历史理赔记录）、保单信息（险种组合、保额、免赔额、NCD系数）。这些字段是出险概率模型的主要自变量来源。

理赔流程则包括：报案、查勘定损、单证审核、核赔、赔付与结案。这一环节产生的是“动态结果数据”，即是否出险、出险次数、案均赔款、责任比例、是否涉及人伤等，是建模的标签来源。需要特别注意的是，理赔数据存在明显的“报案延迟”和“结案延迟”，如果直接用当前时点快照做标签，会低估近期保单的真实出险率，造成标签泄漏或样本偏差。

三、关键业务指标：模型到底在优化什么

车险经营的核心指标可分为三类。第一类是规模指标，如保费收入、保单件数、承保车辆数；第二类是风险指标，如出险频度（报案次数/承保车辆年）、案均赔款、赔付率（已发生赔款/已赚保费）、综合成本率；第三类是结构指标，如险种组合占比、NCD分布、渠道分布。出险概率模型直接服务的是“出险频度”这一风险指标，但最终要传导到“赔付率”和“综合成本率”上，因此模型评估不能只看AUC，还要看分层后的实际赔付差异。

出险频度 = 统计期内出险报案次数 / 统计期内承保车辆年数
案均赔款 = 统计期内已决赔款总额 / 统计期内已决案件数
赔付率   = 已发生赔款 / 已赚保费
综合成本率 = 赔付率 + 费用率

四、出险概率建模的业务场景与常见误区

出险概率模型在车险中有四类典型场景：一是差异化定价，在监管允许范围内对低风险客户给予折扣、对高风险客户提高保费；二是核保风控，识别高赔付倾向保单，决定是否拒保、加费或限制保额；三是续保经营，结合出险概率与续保概率做客户分层，把资源投向“低风险高留存”客户；四是理赔反欺诈，用出险概率异常作为欺诈筛查的辅助信号。

实践中常见的误区有三个。其一，把“出险次数”直接当作连续变量做回归，忽略了大量零出险样本导致的零膨胀问题，正确做法通常是采用泊松、负二项或零膨胀泊松模型。其二，忽视风险暴露期，一张保单可能只承保了3个月，却和承保12个月的保单同等对待，必须引入“承保年”作为偏移项。其三，把理赔结案数据直接当标签，未考虑IBNR（已发生未报案）和延迟结案，导致近期样本标签不完整。

把上述内容串起来看，车险业务基础的本质是一条“数据—指标—场景”的链路：险种结构定义了风险边界，承保与理赔流程定义了数据来源，关键指标定义了优化目标，业务场景定义了模型落地方式。只有先把这条链路走通，后续的驾驶人画像特征工程和出险概率建模才不会变成“有算法、没业务”的空转。