4. Champion Challenger 框架原理：A/B 测试思想在保险业务中的迁移
Champion Challenger（冠军挑战者）框架的核心思想源于互联网行业的 A/B 测试（又称拆分测试）。在保险赔付率复盘场景中，该框架将“当前使用的定价/核保策略”视为 Champion（冠军），将“待验证的新策略或模型”视为 Challenger（挑战者），通过严谨的实验设计来量化新策略对赔付率的影响，从而做出科学的业务决策。
4.1 A/B 测试思想在保险业务中的迁移
互联网 A/B 测试与保险 Champion Challenger 框架在逻辑上高度一致，但在业务约束和评估指标上存在显著差异。下表总结了关键迁移点：
| 维度 | 互联网 A/B 测试 | 保险 Champion Challenger |
|---|---|---|
| 实验对象 | 用户流量（点击、浏览） | 保单风险单元（保单、标的、风险因子组合） |
| 干预手段 | UI 变化、算法推荐、文案 | 定价系数调整、核保规则变更、风控模型切换 |
| 核心指标 | 转化率、点击率、留存率 | 赔付率、损失率、费用率、承保利润 |
| 观察周期 | 短（天/周） | 长（季度/年度，需等待出险和理赔结案） |
| 样本量要求 | 相对较小，可快速迭代 | 较大，需考虑低频高损事件 |
| 伦理/合规约束 | 用户体验、隐私 | 监管公平性、消费者保护、再保安排 |
迁移要点：保险业务的“流量”是风险暴露（Exposure），而非用户行为。实验的“成功”标准不是用户点击，而是风险筛选效率的提升和赔付率的优化。
4.2 对照组与实验组的设计逻辑
在赔付率复盘场景中，Champion Challenger 框架通常采用以下三种设计模式之一：
- 并行分组设计（最常用）：将新进业务流量按风险特征（如险种、渠道、地区）分层后，随机分配到 Champion 组和 Challenger 组。两组同时运行，直接对比赔付率差异。
- 时间序列前后对照设计：当无法实现并行分组时（如系统架构限制），以历史同期 Champion 策略下的赔付率作为基线，与 Challenger 策略实施后的赔付率进行对比。此设计需控制季节性和外部环境变化。
- 配对/交叉设计：针对同一风险单元（如特定车队或大型项目），在不同时间窗口交替使用 Champion 和 Challenger 策略，通过内部对比消除个体异质性。
无论采用哪种设计，对照组（Champion） 和 实验组（Challenger） 的构建必须满足以下原则：
- 同质性：两组在实验开始前的风险分布（如平均保额、历史损失率、地域分布）应无显著差异。
- 独立性：一个风险单元只能属于一个组，避免交叉污染。
- 充分性：每组样本量需满足统计功效要求，确保能检测到有业务意义的赔付率差异。
设计避坑：避免“幸存者偏差”——如果 Challenger 策略只应用于“优质”业务（如通过更严格的核保筛选），则实验组赔付率天然偏低，导致结论失效。必须确保分组随机或基于风险评分分层随机。
4.3 假设检验基础
Champion Challenger 框架的决策依赖于假设检验。我们通过统计方法判断 Challenger 策略下的赔付率差异是否由随机波动引起，还是具有统计显著性。
4.3.1 核心假设与检验流程
- 原假设 H₀：Challenger 策略与 Champion 策略的赔付率无显著差异（μ_challenger = μ_champion）。
- 备择假设 H₁：Challenger 策略的赔付率显著低于（或高于）Champion 策略（μ_challenger ≠ μ_champion，或单侧检验）。
- 选择检验方法：根据赔付率数据分布特征，常用 双样本 t 检验（适用于近似正态分布的大样本）或 Mann-Whitney U 检验（适用于偏态分布或小样本）。
- 计算 p 值：在 H₀ 为真的前提下，观测到当前样本差异（或更极端差异）的概率。
- 决策：若 p 值 < 显著性水平 α（通常取 0.05），则拒绝 H₀，认为 Challenger 策略效果显著。
4.3.2 赔付率假设检验的注意事项
- 业务显著性 vs 统计显著性：统计显著但赔付率仅降低 0.1% 可能无业务价值；反之，统计不显著但赔付率降低 2% 且样本量不足时，应扩大实验而非直接放弃。
- 多重比较问题：若同时测试多个 Challenger 策略，需对 p 值进行 Bonferroni 或 FDR 校正，避免假阳性。
- 赔付率指标的分布特性：赔付率通常为 0 到 1 之间的比例数据，且常包含大量零值（未出险保单）。此时可考虑使用 零膨胀模型 或 广义线性模型（GLM） 进行假设检验，而非简单 t 检验。
常见错误：直接对“赔付率”进行 t 检验，忽略其 Beta 分布或零膨胀特性，导致 p 值失真。建议在检验前对赔付率进行 logit 变换，或使用非参数检验。
4.4 Champion Challenger 假设检验决策流程
下图展示了从实验设计到决策的完整流程，帮助理解假设检验在框架中的位置：
4.5 假设检验的统计功效与样本量估算
在 Champion Challenger 框架中，统计功效（Power） 决定了实验能否检测到真实的赔付率差异。功效不足会导致“假阴性”——Challenger 策略实际有效，但统计检验未发现。
样本量估算公式（双样本 t 检验，双侧）：
n = ( (Z_α/2 + Z_β)² × (σ₁² + σ₂²) ) / Δ²
其中：
- n = 每组所需样本量
- Z_α/2 = 显著性水平 α 对应的 Z 值（α=0.05 时，Z=1.96）
- Z_β = 功效 1-β 对应的 Z 值（β=0.2 时，Z=0.84）
- σ₁², σ₂² = 两组赔付率的方差（通常假设相等）
- Δ = 最小可检测的赔付率差异（业务意义阈值）
实务建议：在赔付率复盘场景中，建议将功效设为 80%（β=0.2），显著性水平 α=0.05。若预期赔付率差异为 1%，且历史赔付率标准差约为 5%，则每组至少需要约 785 个保单样本。若样本量不足，可考虑延长观察期或合并相似风险单元。
4.6 框架原理总结
Champion Challenger 框架在赔付率复盘中的核心价值在于：
- 科学归因：通过对照组设计，隔离新策略对赔付率的真实影响，排除外部环境干扰。
- 量化决策：假设检验提供统计依据，避免“拍脑袋”或“经验主义”决策。
- 风险可控：Challenger 策略仅在部分业务上测试，即使效果不佳，也不会对整体业务造成重大冲击。
- 持续迭代：框架支持多轮 Champion/Challenger 循环，推动赔付率管理的持续优化。