3. 精算数据模型设计：保单、理赔、客户维度与坏样本标签生成逻辑

在实时坏样本归因系统中，数据模型是分析的基础。本章定义保单、理赔、客户三个核心维度的关键字段，并阐述欺诈、高赔付等坏样本标签的生成逻辑。清晰的数据模型与标签规则，是后续Flink作业进行特征计算与归因分析的先决条件。

3.1 保单维度关键字段

保单维度记录每份保险合同的核心属性，是风险定价与赔付分析的基础。以下为实时流中必须采集的关键字段：

3.2 理赔维度关键字段

理赔维度记录报案、查勘、定损、赔付全流程数据，是坏样本识别最直接的信号源。

3.3 客户维度关键字段

客户维度描述投保人/被保险人的属性与历史行为，用于刻画客户画像与风险分层。

3.4 坏样本标签生成逻辑

坏样本标签是归因分析的目标变量。本教程定义两类核心坏样本：欺诈标签与高赔付标签。标签生成逻辑需结合业务规则与统计阈值，并支持实时计算。

3.4.1 欺诈标签（Fraud Flag）

欺诈标签用于标记疑似欺诈的理赔案件。生成逻辑基于以下规则组合（满足任一即标记）：

1. 报案延迟异常： 报案时间距事故时间超过72小时，且无合理解释。
2. 损失金额突增： 预估损失金额超过同类事故平均值的3倍标准差。
3. 历史关联风险： 同一客户或车辆在30天内发生2次及以上理赔。
4. 黑名单匹配： 客户ID或车牌号命中内部黑名单库。

-- 欺诈标签生成逻辑（简化版）
INSERT INTO fraud_label_sink
SELECT
  c.claim_id,
  c.policy_id,
  CASE
    WHEN c.report_date - c.accident_date > INTERVAL '72' HOUR THEN 1
    WHEN c.loss_amount_estimated > (SELECT AVG(loss_amount_estimated) * 3 FROM claim_stats WHERE accident_type = c.accident_type) THEN 1
    WHEN h.claim_count_30d >= 2 THEN 1
    WHEN b.customer_id IS NOT NULL THEN 1
    ELSE 0
  END AS is_fraud
FROM claim_stream c
LEFT JOIN (SELECT customer_id, COUNT(*) AS claim_count_30d FROM claim_stream GROUP BY customer_id, HOP(proctime, INTERVAL '1' DAY, INTERVAL '30' DAY)) h
  ON c.customer_id = h.customer_id
LEFT JOIN blacklist b
  ON c.customer_id = b.customer_id;

3.4.2 高赔付标签（High Loss Flag）

高赔付标签用于标记赔付金额显著高于预期的保单或客户。生成逻辑基于赔付率阈值：

• 保单级高赔付： 累计赔付金额 / 总保费 > 1.5（赔付率超过150%）。
• 客户级高赔付： 近1年累计赔付金额 > 该险种平均赔付金额的2倍。
• 动态阈值： 阈值可根据险种、地区、季节动态调整，通过配置表加载。

3.5 数据模型关系与标签生成流程

下图展示了保单、理赔、客户三个维度的关联关系，以及坏样本标签的生成流程：

3.6 实时数据流架构示意

以下架构图展示三个维度数据如何通过Kafka接入Flink，经过关联与规则计算后输出坏样本标签：

3.7 字段与标签的实时性保障

实时坏样本归因对数据时效性要求极高。以下为关键保障措施：