1. 课程导入
欢迎进入《保险核保规则与自动核保引擎实战》。在动手写规则、调引擎之前，我们需要先建立一张“认知地图”：核保到底在解决什么问题，它的价值如何被衡量，自动核保引擎在行业中走到了哪一步，以及本课程将沿着怎样的路径展开。这一章不涉及复杂配置，但决定了你后续学习的方向感。
一、核保的定义：风险筛选与定价校准
核保（Underwriting）是保险人在承保前，对投保标的的风险状况进行评估、分类与选择的过程。它的核心不是“拒绝客户”，而是回答三个问题：这个风险能不能保、以什么条件保、以什么价格保。核保的输入是投保信息、健康告知、历史理赔、职业与财务数据；输出是承保结论、费率调整、除外责任或拒保意见。
从精算视角看，核保是“风险同质性”的守护者：把不同风险水平的个体分入对应风险池，避免低风险客户补贴高风险客户，从而维持费率的公平性与产品的可持续性。从运营视角看，核保是“入口闸门”，它决定了后续理赔纠纷、逆选择与赔付率的基线。
二、核保的价值：四个可衡量的维度
很多团队把核保价值简单等同于“拒保率”，这是片面的。核保价值至少体现在四个维度：
- 风险选择价值：识别逆选择与欺诈风险，降低赔付率。例如带病投保、职业类别错报。
- 定价校准价值：通过加费、除外、限额，让费率与真实风险匹配。
- 客户体验价值：核保结论的时效与透明度直接影响转化率与续保率。
- 合规与审计价值：核保规则是可解释、可追溯的，满足监管对公平对待消费者的要求。
这四个维度之间存在张力：核保越严格，风险选择价值越高，但客户体验可能下降。自动核保引擎的意义，正是在不牺牲风险选择的前提下，把时效与一致性做到最优。
三、自动核保引擎的行业趋势
自动核保引擎（Automated Underwriting Engine）是把核保规则、评分模型、决策表与外部数据源编排成可执行流程的系统。行业趋势可以概括为“三化”：
- 规则显性化：把散落在核保手册、邮件与老员工经验中的规则，沉淀为可版本管理的规则集。
- 决策实时化：从“T+1人工核保”走向“秒级自动核保”，标准件直接通过，非标准件转人工。
- 数据外延化：接入医保、体检、征信、可穿戴设备等数据，减少对客户自述的依赖。
与此同时，监管对“算法可解释性”的要求在提高。自动核保引擎不能是黑箱：每一条拒保或加费结论，都必须能回溯到具体规则与数据来源。这也是本课程反复强调“规则可追溯”的原因。
四、整体学习框架：本课程的六条主线
本课程共30章，围绕“规则—引擎—实战”三层展开。你可以把它理解为六条主线：
| 主线 | 核心内容 | 典型产出 |
|---|---|---|
| 核保基础 | 核保定义、风险分类、告知与逆选择 | 核保决策的基本语言 |
| 规则建模 | 规则结构、条件、优先级、版本管理 | 可执行的规则集 |
| 引擎原理 | 规则匹配、决策表、评分卡、冲突消解 | 引擎执行逻辑图 |
| 数据集成 | 外部数据接入、字段映射、数据质量 | 数据字典与映射表 |
| 实战调优 | 命中率、转人工率、误拒率、性能优化 | 调优报告与参数 |
| 合规与复盘 | 可解释性、审计日志、案例复盘 | 审计追踪与改进清单 |
在技术层面，你会接触到规则表达式、决策表配置、引擎参数与日志。例如一条典型的核保规则可能长这样：
rule: UW-HEALTH-012
when:
product_code == "TERM_LIFE_2024"
and age >= 55
and bmi > 28
and smoking == true
then:
decision = "MANUAL_REVIEW"
reason = "高龄+高BMI+吸烟，超出自动承保阈值"
priority = 80
这段配置表达了核保引擎的核心工作方式：条件匹配 → 结论输出 → 原因记录。后续章节会逐步拆解每一部分的写法与陷阱。
五、常见误区与复盘视角
在正式进入规则细节前，先标记三个高频误区，后续章节会反复回到它们：
- 误区一：把自动核保等同于“全自动拒保”。自动核保的目标是分流，不是替代人工判断。标准件自动通过，复杂件转人工，才是健康形态。
- 误区二：规则只写“是什么”，不写“为什么”。缺少原因码与规则ID的规则，在审计和客诉场景中几乎无法使用。
- 误区三：忽视数据质量。再完美的规则，遇到缺失、错填、单位不一致的数据，也会产生错误结论。数据校验应前置到规则执行之前。
本章建立了核保的定义、价值、自动核保引擎的趋势与课程框架。接下来，我们将从核保规则的基本结构开始，把这张认知地图逐步填充为可执行的规则与可运行的引擎。