3. 驾驶人画像概述

在车险风控与定价建模中，驾驶人画像不是一个“给客户打几个标签”的营销概念，而是把与驾驶风险相关的多源信息，转化为可计算、可解释、可迭代的风险特征集合。它的核心目标只有一个：在承保前尽可能准确地回答“这个驾驶人未来出险的概率有多高”。因此，驾驶人画像既是数据工程问题，也是风险建模问题，更是业务决策问题。

一、画像定义：从“人”到“风险向量”

驾驶人画像可以定义为：以驾驶人为中心，整合其人口属性、驾驶行为、车辆使用、历史理赔、外部环境等多维数据，形成一组结构化标签与特征向量，用于刻画其风险水平、行为偏好和潜在出险倾向。与通用用户画像不同，驾驶人画像强调风险相关性和可定价性——每一个标签都应能回答“它是否影响出险概率，影响多大，是否稳定”。

从数学视角看，一个驾驶人可表示为：

Driver_Profile = {
  ID: D_10086,
  Age: 32,
  Gender: M,
  Driving_Years: 6,
  Annual_Mileage: 18000,
  Night_Driving_Ratio: 0.28,
  Hard_Brake_Count_30d: 14,
  Claim_Count_3y: 1,
  Claim_Amount_3y: 8600,
  Vehicle_Type: 家用轿车,
  Region_Risk_Level: B,
  Risk_Score: 0.37
}

其中 Risk_Score 是画像的最终输出之一，但画像本身不等于评分，它包含更丰富的中间标签和原始特征，供模型选择与解释。

二、标签体系：分层分类，避免“标签堆砌”

一个可落地的驾驶人标签体系通常分为四层：

• 基础属性层：年龄、性别、驾龄、婚姻状况、职业类别、教育水平等。这类标签稳定、易获取，但单独区分度有限。
• 行为特征层：年均行驶里程、夜间行驶占比、急加速/急刹车/急转弯频次、超速次数、疲劳驾驶时长等。这是画像中最具风险区分度的部分，通常来自车联网或手机传感器。
• 历史风险层：近三年出险次数、理赔金额、赔付率、事故责任类型、违章扣分记录等。历史风险层是预测未来出险的最强信号之一。
• 环境与车辆层：车辆类型、车龄、安全配置、常驻地区风险等级、道路类型分布、天气暴露等。这类标签用于修正个体风险，避免“好司机在坏环境”被误判。

三、数据来源：多源异构，质量优先

驾驶人画像的数据来源通常包括以下五类：

数据接入后，需要经过清洗、对齐、聚合、衍生四个步骤。例如，将秒级急刹车事件聚合为“近30天每千公里急刹车次数”，再与理赔标签按驾驶人ID和时间窗口对齐，形成建模宽表。

四、在车险风控与定价中的应用

驾驶人画像在车险业务中主要服务于三个场景：

1. 核保风控：在承保前识别高风险驾驶人，决定是否承保、是否加费、是否限制保额。例如，近一年有3次以上出险且夜间行驶占比超过40%的驾驶人，可触发人工复核。
2. 差异化定价：将画像特征输入定价模型，输出个体化保费。传统定价主要看车型、车龄、地区，画像引入后可将“从人因子”权重提升至30%以上。
3. 续保与流失管理：通过画像识别低风险优质客户，给予续保折扣；对高风险客户提前调整报价或引导改善驾驶行为。

五、案例场景：从标签到决策

假设某保险公司接入了一批UBI数据，发现驾驶人A：32岁，驾龄6年，年行驶里程18000公里，夜间行驶占比28%，近30天急刹车14次，近三年出险1次，理赔金额8600元，常驻地区风险等级B。经过画像模型计算，其风险评分为0.37，属于中等风险。业务策略为：标准保费上浮8%，建议安装车载设备持续监测，若未来6个月急刹车频次下降30%，可恢复标准费率。

这个案例说明，画像不是静态标签，而是动态风险管理的起点。它连接了数据、模型和业务动作。

六、常见误区与复盘

• 误区一：标签越多越好。 实际上，高缺失率、低区分度的标签会引入噪声，降低模型稳定性。应优先保留IV值高、业务可解释的标签。
• 误区二：忽视数据时效。 三年前的理赔记录与上个月的急刹车行为，风险含义完全不同。画像必须带时间窗口。
• 误区三：把画像等同于评分。 评分是画像的一种输出，画像还包括原始特征、标签、规则和解释，不能混为一谈。
• 误区四：忽略合规与隐私。 驾驶人画像涉及个人信息，必须遵循最小必要原则，脱敏存储，授权使用。

总结来看，驾驶人画像的本质是把分散的、异构的、有时效性的风险信息，压缩成可建模、可解释、可行动的特征体系。它上接数据治理，下接定价与风控，是车险精细化运营的基础设施。掌握画像的定义、标签体系、数据来源和应用逻辑，是后续出险概率建模实战的前提。