1. 课程导入

欢迎进入《Usage Based Insurance定价引擎》课程。本章不急于写代码，而是先建立一张“认知地图”：UBI定价引擎到底是什么、它解决什么业务问题、由哪些关键部件构成，以及后续30章将如何一步步把它从概念落到可运行的系统。只有先看清全局，后面的数据接入、风险因子、模型训练、费率生成与实时定价才不会变成零散知识点的堆砌。

一、UBI定价引擎的定义：不是模型，而是定价生产线

UBI（Usage Based Insurance，基于使用行为的保险）定价引擎，是一套把“车辆使用数据”持续转化为“可承保、可报价、可解释的保费结果”的软件系统。它不等于一个机器学习模型，也不等于一张费率表，而是由数据接入、特征工程、风险评分、费率映射、规则校验、报价输出与监控反馈共同组成的定价生产线。

从输入输出看，它接收三类核心输入：使用行为数据（里程、急加速、急刹车、转弯、夜间行驶、超速）、上下文数据（车型、车龄、区域、道路类型、天气、时间）、业务约束（监管上限、渠道折扣、最低保费、赔付目标）。输出则是每个保单或每个驾驶周期的风险分、费率因子、建议保费与解释信息。

二、行业背景：从“车”定价到“人+行为”定价

传统车险定价主要依赖车型、车龄、地区、历史赔付等静态因子，本质是“按车定价”。UBI把定价维度推进到“按使用定价”：开得少、开得稳、少夜间行驶的驾驶人，理论上应支付更低保费。这一转变背后有三股力量。

• 数据可得性提升：车联网T-Box、OBD设备、手机传感器与车企API使里程、速度、加速度、位置等数据可低成本采集。
• 精算与AI融合：广义线性模型、梯度提升树、深度学习与生存分析被用于从高频行为中提取风险信号。
• 监管与市场驱动：部分市场允许按里程付费（PAYD）、按驾驶行为付费（PHYD）及管理型UBI，推动产品创新与客户分层。

但行业现实也很骨感：数据质量参差、隐私合规严格、模型可解释性要求高、费率因子受监管约束、渠道与理赔系统耦合复杂。因此，UBI定价引擎必须同时是“数据系统+模型系统+业务规则系统”，而不是单一算法。

三、核心原理：风险信号如何变成保费

UBI定价的核心逻辑可以概括为一条链：行为→风险→成本→保费。行为数据先被加工成风险因子，风险因子进入风险模型得到风险分或预期赔付成本，再通过费率结构映射为保费，最后经过业务规则与合规校验输出报价。

其中最关键的是“风险因子”的设计。例如：

• 暴露度因子：年化里程、驾驶时长、行驶天数，决定风险暴露规模。
• 行为风险因子：每百公里急刹车次数、急加速频率、超速时长占比、夜间行驶占比。
• 环境风险因子：常行驶区域的事故率、道路等级、高峰时段占比。
• 稳定性因子：行为波动、疲劳驾驶、分心驾驶的持续性。

这些因子并非越多越好。高相关因子会造成多重共线性，高频但噪声大的因子会降低模型泛化。定价引擎需要做因子筛选、分箱、单调性约束与业务可解释性校验。

四、方法流程：一个可落地的定价引擎如何运转

把原理落到工程，UBI定价引擎通常按以下流程运转。注意，这不是一次性流水线，而是带反馈的闭环。

1. 数据采集与清洗：接入行程、GPS、CAN总线与保单数据，处理缺失、漂移、重复与异常点。
2. 行程切分与行为识别：把连续轨迹切分为行程，识别急加速、急刹车、急转弯、超速与夜间行驶事件。
3. 特征聚合：按保单周期聚合为暴露度、行为频率、环境占比与稳定性指标。
4. 风险建模：训练赔付频率/严重度模型或风险分模型，输出预期成本。
5. 费率映射：将风险分映射为费率因子，结合基础费率生成保费。
6. 规则校验与报价：执行监管上限、最低保费、渠道策略与反欺诈校验。
7. 监控与迭代：跟踪赔付率、因子稳定性、数据漂移与模型衰减，定期重训。

在工程实现上，定价引擎常以配置驱动。例如一个简化的费率因子配置可能长这样：

{
  "base_rate": 3200,
  "factors": {
    "annual_mileage": {"type": "band", "bands": [5000, 10000, 20000], "weights": [0.85, 1.0, 1.15]},
    "hard_brake_per_100km": {"type": "linear", "slope": 0.06, "cap": 1.35},
    "night_driving_ratio": {"type": "band", "bands": [0.1, 0.3], "weights": [1.0, 1.08, 1.18]}
  },
  "constraints": {"min_premium": 1800, "max_factor": 2.0}
}

这段配置说明：保费不是模型直接吐出的数字，而是模型风险分与业务费率结构共同作用的结果。模型负责“风险排序”，费率结构负责“商业与合规表达”。

五、案例/场景：一次续保报价的完整链路

假设车主李先生过去90天行驶6200公里，急刹车每百公里2.1次，夜间行驶占比18%，常行驶区域为城市主干道。定价引擎的处理链路如下：

环节	输入/动作	输出示例
数据接入	读取T-Box行程与保单信息	90天行程记录、车型、区域
特征工程	聚合里程、急刹、夜间占比	年化里程约25100km，急刹2.1次/百km
风险模型	输入特征，输出风险分	风险分0.72（中高风险）
费率映射	基础费率3200，行为系数1.12	建议保费3584元
规则校验	检查最低保费与上限	通过，最终报价3584元
解释输出	生成因子贡献说明	急刹与夜间占比为主要上浮因子

这个案例说明：UBI定价引擎的价值不仅是“算出一个价格”，更是让价格可追溯、可解释、可审计。对保险公司而言，这决定了它能否通过合规审查并赢得客户信任。

六、常见误区与复盘

七、学习目标与整体课程框架

完成本课程后，你应能够：理解UBI定价引擎的端到端架构；独立完成行为特征工程；训练并评估风险定价模型；设计费率映射与业务规则；实现报价服务与监控闭环；识别合规、隐私与数据质量风险。

后续30章将按“认知—数据—特征—模型—费率—工程—监控—实战”推进：先建立UBI业务与数据基础，再深入行为识别与特征工程，随后进入风险建模、费率映射与报价服务，最后覆盖监控迭代、合规隐私与综合项目实战。每一章都会围绕一个可交付的工程部件展开，最终拼装成一台可运行的UBI定价引擎。

现在，你已经拥有了这张认知地图。接下来，我们将从UBI的业务模式与数据来源开始，逐步拆解这台定价引擎的每一个关键部件。