1. 课程导论：赔付率定义、坏样本定义、归因分析在保险风控中的价值
1.1 赔付率：保险经营的“体温计”
赔付率（Loss Ratio）是衡量保险公司承保盈利能力最核心的指标之一。它直接反映了保费收入中有多大比例被用于支付赔款。在车险与非车险业务中，赔付率的异常波动往往是经营风险的第一信号。
| 指标名称 | 计算公式 | 正常区间（参考） | 预警阈值 |
|---|---|---|---|
| 简单赔付率 | 已决赔款 / 已赚保费 × 100% | 50% – 65% | > 70% |
| 综合赔付率 | (已决赔款 + 未决赔款准备金提转差) / 已赚保费 × 100% | 55% – 70% | > 75% |
| 终极赔付率 | 终极损失 / 终极已赚保费 × 100% | 60% – 80% | > 85% |
精算视角： 赔付率并非孤立指标。在归因分析中，我们通常将赔付率拆解为 索赔频率（Frequency）与 案均赔款（Severity）的乘积。坏样本往往在其中一个维度上出现显著偏离。
1.2 坏样本：赔付率恶化的“病灶”
在保险风控语境下，坏样本并非泛指所有出险案件，而是特指那些导致赔付率异常升高的、具有系统性特征的保单或赔案集合。坏样本通常具备以下特征之一：
- 高频率低损失型： 小额案件频发，推高运营成本与赔付次数，常见于特定车型或区域。
- 低频率高损失型： 偶发但金额巨大的案件，如重大人伤、全损、诉讼案件。
- 欺诈嫌疑型： 存在虚假报案、扩损、套取赔款等行为，直接侵蚀利润。
- 逆选择型： 高风险客户主动投保高保额产品，出险概率显著高于正常群体。
关键定义： 坏样本 = 赔付率贡献度显著高于同质风险池平均水平的样本子集。归因分析的目标就是找到这个子集的共同驱动因子。
1.3 归因分析：从“知道坏了”到“知道为什么坏”
归因分析（Attribution Analysis）在保险风控中的核心价值在于：将赔付率的波动拆解到可解释、可干预的底层因子。它帮助风控团队从“数据报警”走向“精准施策”。
1.4 归因分析的三大核心价值
- 精准定位风险源头： 将赔付率增量拆解到地区、渠道、车型、客户年龄等维度，避免“一刀切”式风控。
- 量化因子贡献度： 通过统计模型或机器学习方法，计算每个因子对赔付率波动的解释力度，排序优先级。
- 驱动动态策略调整： 基于归因结果，制定差异化的核保规则、定价系数和理赔调查策略，实现闭环管理。
常见误区： 归因分析 ≠ 相关性分析。高相关性因子不一定是赔付率恶化的根本原因。例如，出险率高的地区可能只是因为该地区保费基数大，而非风险本身更高。必须结合业务逻辑进行因果推断。
1.5 课程学习路径概览
本课程将按照以下逻辑展开：先建立赔付率拆解与坏样本定义的基础框架，再深入讲解数据预处理与特征工程，随后重点介绍统计归因方法与机器学习归因模型，最后通过真实案例演练，将理论转化为可落地的风控策略。