2. 实时评分业务场景：保险实时核保、动态定价、欺诈检测、健康险健康管理中的实时评分需求
实时评分并非单一技术动作，而是嵌入在多个保险核心业务流程中的关键决策节点。不同场景对评分的延迟、特征来源、模型复杂度及输出结果的使用方式存在显著差异。本章从四个典型业务场景出发，分析实时评分的具体需求与技术约束。
2.1 场景一：保险实时核保
传统核保依赖人工审核或离线规则引擎，处理周期通常为小时级甚至天级。实时核保要求投保申请在提交后数秒内完成风险评估，并输出承保结论（标准体、加费、除外责任或拒保）。
| 需求维度 | 具体描述 |
|---|---|
| 延迟要求 | 端到端响应时间 < 3 秒，通常要求 P99 < 1 秒 |
| 特征来源 | 投保单字段、第三方征信/健康数据、历史理赔记录、设备指纹 |
| 模型类型 | 梯度提升树（XGBoost/LightGBM）或逻辑回归，部分场景使用深度神经网络 |
| 输出形式 | 风险评分 + 决策规则映射（如评分 > 700 自动通过） |
| 关键挑战 | 特征缺失处理、模型可解释性、监管合规（如不得使用敏感属性） |
案例提示：某互联网保险公司将实时核保模型部署于 Kubernetes 集群，使用 ONNX Runtime 进行推理，单次评分平均耗时 45ms，支持每秒 2000 次并发请求。
2.2 场景二：动态定价
动态定价根据用户实时行为、市场环境及风险暴露变化，在报价或续保环节生成个性化费率。与核保不同，动态定价的输出通常是连续费率或折扣系数，而非二分类决策。
- 触发时机：用户点击报价、修改保单参数、临近续保日期、渠道跳转
- 特征时效性：部分特征需秒级更新（如当前地理位置、天气状况），部分特征可分钟级更新（如用户浏览行为）
- 模型输出：基准费率 × 风险调整系数 × 渠道折扣系数
- 技术约束：需支持 A/B 测试、价格弹性约束、监管报备费率上下限
避坑指南：动态定价模型在实时评分时容易忽略“价格-需求”反馈循环。建议在评分 pipeline 中加入价格弹性校准层，避免模型因历史定价偏差而放大不公平定价。
2.3 场景三：欺诈检测
欺诈检测对实时性要求最为严苛，因为欺诈行为通常在交易发生瞬间完成。实时评分需要在毫秒级判断当前请求是否属于欺诈团伙、身份冒用或虚假索赔。
| 子场景 | 延迟要求 | 典型特征 | 模型策略 |
|---|---|---|---|
| 投保欺诈 | < 500ms | 设备指纹、IP 关联图谱、投保人关系网络 | 图神经网络 + 规则引擎级联 |
| 理赔欺诈 | < 2s | 历史理赔序列、医院/修理厂关联、影像异常检测 | 时序模型 + 异常检测模型 |
| 账户盗用 | < 100ms | 登录行为模式、设备变更、操作速度异常 | 轻量级集成模型（如随机森林） |
注意：欺诈检测模型在实时评分中容易产生高误杀率。建议在评分输出后增加“人工复核队列”机制，对评分处于模糊区间的请求进行二次验证，而非直接拒绝。
2.4 场景四：健康险健康管理中的实时评分
健康管理场景的实时评分具有持续性、低频率、多模态特征。典型应用包括：可穿戴设备数据评分、健康任务完成度评分、慢病风险预警评分。
- 数据源：智能手表/手环（心率、步数、睡眠）、血糖仪、血压计、用户自报健康日志
- 评分频率：通常为每 5-15 分钟一次批量评分，而非单条请求
- 模型目标：输出健康行为得分（0-100）、风险等级（低/中/高）、干预建议编码
- 特殊要求：模型需处理时间序列缺失、设备间数据不一致、隐私合规（如本地联邦学习）
2.5 场景需求对比矩阵
以下矩阵从六个关键维度对四个场景进行横向对比，帮助选择实时评分架构时的技术决策。
| 维度 | 实时核保 | 动态定价 | 欺诈检测 | 健康管理 |
|---|---|---|---|---|
| 延迟敏感度 | 高 | 高 | 极高 | 中 |
| 特征维度 | 50-200 | 30-100 | 100-500 | 10-50 |
| 模型更新频率 | 周级 | 天级 | 小时级 | 月级 |
| 可解释性要求 | 高（监管） | 中 | 中 | 低 |
| 并发峰值 | 1000-5000 QPS | 500-2000 QPS | 5000-20000 QPS | 50-200 QPS |
| 特征存储 | Redis + 关系库 | Redis + 实时流 | 图数据库 + Redis | 时序数据库 |
架构建议：对于同时存在多个实时评分场景的企业，建议构建统一的特征平台（Feature Store）和模型推理网关，避免每个场景独立建设评分基础设施。推理网关负责路由、限流、降级和灰度切换，特征平台保证特征一致性和复用性。