1. 课程导入
欢迎进入《UBI车险里程与驾驶行为定价实战》的第一章。在正式进入建模、数据清洗与定价策略之前，我们需要先建立对UBI车险的整体认知：它是什么、为什么会出现、它解决了传统车险的哪些痛点，以及本课程将如何带你从零到一完成一套可落地的UBI定价方案。
一、UBI车险的定义与核心原理
UBI（Usage-Based Insurance，基于使用行为的保险）是一种以车辆实际使用数据为核心定价依据的车险模式。传统车险主要依赖“从车因子”（车型、车龄、购置价）和“从人因子”（年龄、性别、驾龄、历史理赔）进行定价，而UBI在此基础上引入了“从用因子”——即车辆的真实行驶里程、驾驶时段、急加速、急刹车、超速、转弯行为等动态数据。
其核心原理可以概括为：风险与使用强度、驾驶行为强相关，因此保费应与实际风险暴露成正比。一个每年只开5000公里、驾驶平稳的车主，与一个每年开3万公里、频繁急刹的车主，其出险概率显然不同。UBI通过车载终端（OBD盒子）、手机APP或车联网前装设备采集数据，再通过评分模型将数据转化为风险分数，最终映射为差异化保费。
核心公式：UBI保费 = 基础保费 × 里程因子 × 行为因子 × 其他调整因子
二、发展背景：从传统车险到UBI的演进
传统车险定价面临三大结构性矛盾。第一，信息不对称：保险公司无法观测车主真实用车情况，只能依赖历史理赔和静态因子，导致“好车主补贴坏车主”的逆向选择。第二，定价颗粒度粗：同一车型、同一年龄段的车主保费差异有限，无法反映真实风险。第三，缺乏行为激励：安全驾驶的车主得不到即时反馈和保费优惠，改善行为的动力不足。
UBI的兴起得益于三股力量：车联网与智能手机的普及使数据采集成本大幅下降；大数据与机器学习技术使海量驾驶数据的建模成为可能；监管层对差异化定价的逐步开放为产品创新提供了空间。从全球看，北美、欧洲和亚洲市场均已出现成熟的UBI产品，按里程付费（PAYD）、按行为付费（PHYD）和混合模式是三种主流形态。
| 模式 | 定价依据 | 典型场景 | 优势 |
|---|---|---|---|
| PAYD（按里程付费） | 行驶里程 | 低里程车主、共享出行 | 简单透明，易理解 |
| PHYD（按行为付费） | 急加速、急刹、超速等 | 年轻车主、车队管理 | 激励安全驾驶 |
| 混合模式 | 里程 + 行为 + 时段 | 主流UBI产品 | 风险刻画最全面 |
三、核心价值：对保险公司、车主与社会的三重收益
对保险公司而言，UBI提升了风险区分能力，降低了赔付率，同时通过UBI产品增强了客户黏性和续保率。对车主而言，安全驾驶和低里程可以直接转化为保费节省，获得公平定价和驾驶反馈。对社会而言，UBI通过经济激励减少急刹、超速等危险行为，有助于降低事故率和碳排放。
关键认知：UBI不是简单的“打折工具”，而是一套“数据采集—风险评分—定价反馈—行为改善”的闭环系统。定价只是起点，行为改变才是长期价值。
四、学习目标与整体课程框架
本课程共30章，围绕“数据—模型—定价—落地”四条主线展开。完成本课程后，你将能够：
- 理解UBI车险的商业模式、监管约束与产品形态；
- 掌握车载终端与APP数据的采集、清洗与特征工程方法；
- 构建里程因子模型与驾驶行为评分模型；
- 设计从风险分数到保费的映射策略与定价方案；
- 完成UBI产品的效果评估、迭代优化与合规落地。
课程整体框架分为五个模块：基础认知（第1-4章）、数据工程（第5-10章）、模型构建（第11-18章）、定价实战（第19-25章）、落地与复盘（第26-30章）。每个模块都配有真实场景案例和可运行的代码示例。
常见误区提醒：很多初学者认为UBI就是“装个OBD盒子然后按里程打折”。实际上，数据质量、行为评分的稳定性、定价因子的可解释性以及监管合规，才是决定UBI项目成败的关键。本课程将逐一拆解这些难点。
接下来，我们将从UBI的商业逻辑与监管环境开始，逐步深入数据、模型与定价的每一个环节。请带着一个问题进入学习：如果让你为一款UBI车险设计定价方案，你会优先采集哪些数据，又如何证明这些数据真正区分了风险？