2. 坏样本定义：保险业务中的坏样本概念、类型与精算影响
在保险精算建模中，坏样本（Bad Sample）是指那些在保险业务生命周期中表现出负面结果、导致保险公司产生实际或潜在经济损失的保单、客户或理赔事件。坏样本的定义是精算模型构建的基石——它直接决定了模型要预测的目标变量（Y 值），进而影响风险定价、核保决策和准备金评估的准确性。
2.1 坏样本的核心概念
坏样本并非一个静态的、放之四海而皆准的定义，而是需要结合具体业务场景和精算目标来设定。通常，坏样本具有以下特征：
- 经济损失性：样本事件直接或间接导致保险公司赔付金额超出预期，或产生额外的运营成本。
- 风险暴露性：样本反映了被保险人或保险标的的风险水平超出了可接受阈值。
- 时间滞后性：坏样本的识别往往发生在承保之后，存在时间窗口（如观察期、等待期）。
- 归因复杂性：一个坏样本可能由多种因素共同导致，需要借助 SQL 和数据归因技术进行拆解。
精算实践提示： 在定义坏样本时，必须明确“观察期”与“表现期”的划分。例如，在车险定价模型中，通常将保单生效后 12 个月内发生赔付的样本定义为“坏”，而将未发生赔付的样本定义为“好”。观察期不足会导致坏样本识别不充分，影响模型稳定性。
2.2 坏样本的主要类型
保险业务中的坏样本可以归纳为以下三大核心类型。理解这些类型是进行 SQL 归因分析的前提。
| 坏样本类型 | 业务场景 | 典型表现 | 精算影响 |
|---|---|---|---|
| 欺诈 | 车险、健康险、意外险 | 虚假报案、夸大损失、故意制造事故、伪造医疗票据 | 直接推高赔付率，扭曲风险定价，导致优质客户补贴欺诈者 |
| 逾期 | 信用保证保险、长期寿险（续期保费） | 保费未按时缴纳、贷款保证保险中的借款人违约 | 影响现金流预测，增加催收成本，导致保单失效或退保损失 |
| 理赔异常 | 所有险种 | 高频小额理赔、大额异常赔付、理赔材料缺失、理赔流程违规 | 造成准备金计提不足，破坏精算假设的平稳性，引发监管风险 |
2.3 坏样本对精算模型的影响
坏样本的定义和质量直接决定了精算模型的成败。以下是坏样本对模型各环节的具体影响：
- 目标变量定义偏差：如果坏样本定义过宽（如将轻微逾期也视为坏），模型会高估风险，导致定价过高，流失优质客户；如果定义过窄（如只识别已决欺诈），模型会低估风险，导致定价不足，承保亏损。
- 模型区分度下降：坏样本中混入大量“噪音”样本（如因系统错误导致的理赔异常），会降低模型区分好坏客户的能力，导致 KS 值或 AUC 指标恶化。
- 参数估计不稳定：在 GLM（广义线性模型）或机器学习模型中，坏样本的分布不均匀（如欺诈样本占比极低）会导致模型对少数类样本的学习不充分，参数估计方差增大。
- 过拟合与泛化能力差：如果坏样本的归因不准确（例如将正常理赔误标为欺诈），模型会学习到错误的模式，在验证集和未来数据上表现不佳。
- 业务决策误导：基于错误坏样本定义构建的模型，会输出错误的核保建议、费率调整方案或准备金计提比例，直接损害公司盈利能力。
关键指标： 在精算建模中，通常使用 坏样本率（Bad Rate）来监控样本质量。坏样本率 = 坏样本数量 / 总样本数量。例如，在车险欺诈模型中，坏样本率通常低于 5%；在信用保证保险中，坏样本率可能达到 10%-20%。过低的坏样本率（如 <1%）会导致模型训练困难，需要采用过采样或欠采样技术。
2.4 坏样本定义的精算实践框架
在实际保险精算项目中，定义坏样本需要遵循一套系统化的流程。以下框架可以帮助精算师和数据分析师建立可靠的坏样本标签：
| 步骤 | 操作内容 | SQL 实现要点 | 输出物 |
|---|---|---|---|
| 1. 业务理解 | 与核保、理赔、风控部门沟通，明确业务痛点 | 梳理核心业务表结构（保单表、理赔表、缴费表） | 业务需求文档 |
| 2. 数据探索 | 统计历史数据的赔付分布、逾期分布、欺诈标签分布 | SELECT COUNT(*), AVG(claim_amount) FROM claims GROUP BY fraud_flag |
数据质量报告 |
| 3. 定义标准 | 设定坏样本的量化阈值（如逾期天数 > 90 天、赔付金额 > 保额 80%） | 使用 CASE WHEN 语句生成坏样本标签 |
坏样本定义文档 |
| 4. 标签生成 | 通过 SQL 将原始数据转化为建模所需的 Y 变量 | UPDATE policy SET bad_flag = 1 WHERE ... |
建模宽表 |
| 5. 验证迭代 | 检查坏样本率是否符合业务预期，与业务方确认合理性 | 按产品线、渠道、地区分组统计坏样本率 | 验证报告 |
常见陷阱： 在定义坏样本时，切忌“一刀切”。例如，对于不同保险产品（车险 vs. 健康险），逾期 30 天的含义完全不同。车险通常有 1 个月的宽限期，而健康险的宽限期可能长达 60 天。必须针对每个产品线单独校准坏样本定义。
2.5 坏样本归因的 SQL 思维起点
在后续章节中，我们将深入使用 SQL 进行坏样本的归因分析。在开始之前，请记住以下 SQL 思维要点：
- 标签先行：在分析之前，先用 SQL 生成清晰的坏样本标签字段（如
bad_flag）。 - 分层统计：按产品、渠道、地区、时间等维度分层统计坏样本率，发现异常聚集。
- 关联归因：通过多表关联（保单表、理赔表、客户表、第三方数据表）定位坏样本的根因。
- 时间窗口：在 SQL 中使用
DATE_DIFF或WINDOW FUNCTION计算观察期与表现期。
本章小结： 坏样本定义是精算建模的“第一粒扣子”。欺诈、逾期、理赔异常三大类型各有不同的业务表现和精算影响。通过系统化的定义流程和 SQL 标签生成，我们可以为后续的归因分析和模型构建打下坚实基础。下一章将正式进入 SQL 实战，学习如何从原始业务表中提取和清洗坏样本数据。