1. 课程导入

欢迎进入《保险核保可解释决策与审计追踪》课程。本章不讨论具体模型参数，而是先建立一张“认知地图”：我们究竟要解决什么问题、涉及哪些角色与系统、最终交付物长什么样。只有先看清全局，后续章节中的特征工程、规则引擎、模型解释、日志审计与合规报告才能各归其位。

一、学习目标：从“能核保”到“说得清、查得到”

传统核保自动化追求的是“快”和“准”，而本课程的目标是在此基础上增加两个维度：可解释与可审计。学完本课程，你应当能够：

• 解释决策：对每一张保单的核保结论，说明是哪些因素、以何种权重、通过哪条规则或模型路径得出的。
• 追踪过程：还原一次核保从进件、特征计算、规则命中、模型评分到人工复核的完整链路。
• 满足合规：面对监管检查、客户申诉和内部审计，能够提供结构化、可验证的证据材料。
• 平衡取舍：在模型精度、解释成本、响应时延与隐私保护之间做出工程化权衡。

二、核心概念：四个必须分清的对象

本课程反复出现四个概念，初学者容易混淆，这里先做界定：

概念	回答的问题	典型载体
可解释性	为什么得出这个结论？	特征贡献度、规则命中说明、反事实解释
可追溯性	这个结论是怎么一步步产生的？	决策链路日志、版本号、输入快照
审计追踪	谁在何时做了什么、依据是什么？	操作日志、审批记录、数据变更历史
决策留痕	当时看到的输入和输出是什么？	特征快照、模型版本、阈值配置

可解释性面向“理解”，可追溯性面向“复现”，审计追踪面向“问责”，决策留痕则是三者的共同基础。缺少留痕，解释和审计都无从谈起。

三、整体框架：一条主链路与三层能力

保险核保可解释决策系统可以抽象为一条主链路和三层能力。主链路是：进件 → 数据校验 → 特征计算 → 规则/模型决策 → 解释生成 → 人工复核 → 结论输出 → 审计归档。三层能力分别是：

1. 决策层：规则引擎、评分卡、机器学习模型，负责产出核保结论与风险等级。
2. 解释层：将决策层输出翻译为业务人员、客户和监管都能理解的理由。
3. 审计层：记录全链路日志、版本、快照与操作行为，支撑事后追溯与合规举证。

四、课程路线图：30章的推进逻辑

本课程共30章，整体按“认知—原理—方法—工程—案例—复盘”推进。前几章建立概念与框架，中间章节深入规则、模型、解释算法与日志设计，后段聚焦系统集成、合规审计与真实场景演练。你可以把路线图理解为一次从业务问题到工程落地的完整穿越。

阶段一 认知与框架（第1-4章）
  课程导入 → 核保业务全景 → 可解释性需求 → 审计追踪需求

阶段二 原理与方法（第5-14章）
  规则引擎 → 评分卡 → 机器学习核保 → 特征归因
  反事实解释 → 决策链路建模 → 日志与快照 → 版本管理

阶段三 工程与系统（第15-24章）
  解释服务设计 → 审计存储 → 查询与回放
  权限与隐私 → 性能与延迟 → 监控告警 → 集成测试

阶段四 案例与复盘（第25-30章）
  车险核保案例 → 健康险核保案例 → 监管检查演练
  客户申诉处理 → 失败复盘 → 课程总结

五、一个典型场景：为什么需要审计追踪

假设客户张先生投保健康险被拒保，他提出申诉：“我去年体检正常，为什么今年拒保？”如果没有审计追踪，核保人员只能看到最终结论，无法回答“当时用了哪份体检报告、哪条规则、哪个模型版本”。有了审计追踪，系统可以还原：进件时间、调取的体检数据版本、命中的“某项指标异常”规则、模型评分、人工复核意见以及最终审批人。这正是本课程要建设的核心能力。

六、本节核心对象关系图

下图展示核保决策、解释、审计三者与业务事件之间的关系，帮助你在后续章节中定位每个知识点。

七、学习建议与常见误区

本课程强调“业务—算法—工程—合规”四位一体。建议你在学习时始终带着三个问题：这个决策依据是什么？这个依据能否被复现？这个复现过程能否被举证？

• 误区一：只关注模型精度，忽视解释成本。高精度模型如果无法解释，在强监管场景中可能无法上线。
• 误区二：把审计追踪当作事后补丁。审计字段应在系统设计初期就纳入数据模型。
• 误区三：解释文本越长越好。有效的解释应当简洁、可验证、与决策依据一一对应。