3. 坏样本定义与标注
坏样本的定义与标注是坏样本归因模型训练的基石。定义不清晰或标注不一致，将直接导致模型学习到错误的模式，产生“垃圾进，垃圾出”的后果。本节从业务定义、标注流程与专家规则三个层面展开。
3.1 坏样本的业务定义
在保险精算场景中，“坏样本”并非单一概念，而是根据业务目标与风险偏好，从不同维度定义的负向样本。常见的坏样本类型包括欺诈、恶意骗保与高赔付风险。
| 坏样本类型 | 业务定义 | 典型特征 | 精算影响 |
|---|---|---|---|
| 欺诈 | 投保人或受益人故意制造或夸大保险事故，以非法获取保险金的行为。 | 出险时间与投保时间间隔极短；事故描述与现场证据矛盾；历史索赔记录异常。 | 直接侵蚀赔付率，推高运营成本，破坏风险池公平性。 |
| 恶意骗保 | 有组织、有预谋的团伙性欺诈行为，通常涉及伪造单证、虚构保险标的等。 | 多份保单指向同一受益人；索赔金额接近保额上限；医疗机构或修理厂关联异常。 | 造成大额集中赔付，可能导致局部业务线亏损。 |
| 高赔付风险 | 虽无欺诈意图，但实际赔付金额或赔付频率显著高于同类风险平均水平的保单。 | 既往赔付记录差；投保人职业或健康状况高风险；保险标的物使用环境恶劣。 | 拉高整体赔付率，影响产品定价与准备金计提的准确性。 |
关键原则： 坏样本的定义必须与业务目标对齐。若模型用于反欺诈，则欺诈样本是唯一的坏样本；若模型用于风险筛选，则高赔付风险样本也应纳入。建议在项目启动阶段，由精算、风控与业务三方共同确认坏样本的边界。
3.2 坏样本标注流程
标注流程是连接业务定义与模型训练的桥梁。一个标准化的标注流程应包含以下步骤：
- 数据抽取与清洗： 从核心系统抽取索赔、承保、理赔等原始数据，剔除重复、缺失或明显异常的数据。
- 预标注规则匹配： 基于历史专家规则（如“投保后7天内出险”）对样本进行初步分类，生成预标注标签。
- 专家人工审核： 由资深理赔或风控专家对预标注结果进行逐条复核，修正误判，并补充规则无法覆盖的案例。
- 一致性校验： 随机抽取一定比例的已标注样本，由第二位专家独立审核，计算标注一致性指标（如Kappa系数）。
- 标注入库与版本管理： 将最终标注结果写入标注库，记录标注人、标注时间、规则版本号等信息，便于追溯与迭代。
实践建议： 标注流程中应设置“不确定”类别。对于边界模糊的样本，不强制归入好或坏，而是交由模型做无监督或半监督学习，避免引入噪声。
3.3 专家规则体系
专家规则是坏样本标注的“第一道防线”，也是模型训练初期最可靠的标签来源。规则通常由资深精算师与理赔专家基于多年经验提炼而成。根据规则的复杂程度与作用范围，可将其分为以下三类：
- 单维度阈值规则： 基于单一字段的数值或状态进行判断。例如：
索赔金额 > 保额 × 80%或出险时间 - 投保时间 < 7天。 - 多维度组合规则： 结合多个字段进行逻辑组合判断。例如：
（索赔金额 > 5000元）AND（事故类型 = '单方事故'）AND（驾驶员年龄 < 25岁）。 - 时序与行为规则： 基于时间序列或行为模式进行判断。例如：
同一被保险人在30天内索赔次数 > 3次或索赔前24小时内变更受益人。
注意事项： 专家规则存在明显的局限性：① 规则是静态的，难以应对新型欺诈手段；② 规则之间可能存在冲突或重叠；③ 过度依赖规则会导致模型泛化能力下降。因此，专家规则应作为标注的起点，而非终点。
3.4 标注质量评估
标注质量直接影响模型性能的上限。常用的评估指标包括：
| 指标 | 计算公式 | 理想范围 | 说明 |
|---|---|---|---|
| 标注一致性 | Cohen's Kappa = (Po - Pe) / (1 - Pe) | > 0.8 | 衡量两位专家标注结果的一致性，排除随机因素。 |
| 规则覆盖率 | 被规则命中的坏样本数 / 总坏样本数 | > 70% | 反映规则对已知坏样本的捕捉能力。 |
| 规则精确率 | 规则命中的真实坏样本数 / 规则命中的总样本数 | > 85% | 反映规则判断的准确性，避免误伤好样本。 |
迭代策略： 标注不是一次性工作。建议每季度对标注库进行抽样复核，并根据新发现的欺诈模式或赔付趋势，更新专家规则与标注标准。同时，将模型预测的高置信度坏样本反馈给专家进行二次确认，形成“规则标注 → 模型训练 → 模型预测 → 专家复核 → 规则优化”的正向循环。