banner

一种基于用户移动大数据来分析驾驶风险的研究模型

作者: afenxi来源: afenxi时间:2016-12-03 11:14:120

摘要:风险,一个永恒的话题,特别在汽车保险行业,“互联网+”下汽车共享经济深度影响着企业的风险运营模式,如何将驾驶行为人的多个维度数据进行结合,有效应用到个性化的保险产品中,从而实现风险与保费定价的匹配,让车企、保险公司、车主多方都获益呢?

1 研究背景

风险,一个永恒的话题,特别在汽车保险行业,“互联网+”下汽车共享经济深度影响着企业的风险运营模式,如何将驾驶行为人的多个维度数据进行结合,有效应用到个性化的保险产品中,从而实现风险与保费定价的匹配,让车企、保险公司、车主多方都获益呢?

先来回顾一下国内外车险发展历程,国外UBI业务模式早在十年前已经出现在美国,某保险公司联合通用汽车公司共同研究了这样一种业务模式,起初主要是追踪GPS的数据来获得车辆行驶的公里数,行驶里程越多风险越高,后来逐渐演变为获取更完备的数据,让企业不仅知道你开了多远,还了解你何时驾驶、如何驾驶、汽车当前状态怎样。显而易见,UBI的核心在于数据,而在数据方面国外一直走在我们之前。当你打开国内某车险官网,只需要输入车型,即告诉你选择的险种及保费;而如果你打开国外的车险报价网站或者车险比价平台时,你会发现除了要输入车型和车险的需求外,还需要回答谁最经常驾驶这辆车,他的性别、年龄、常住地址、租房还是买房、是普通住宅还是别墅、是老板还是员工、这辆车主要用途、家里是否还有其他车辆......等等一系列的问题,最终才会输出报价体系。不言而喻,报价不仅仅针对这个车辆,更和该车辆的使用者有关。

2 研究目标

在以上背景下, 极光大数据的研究人员基于车辆使用者的移动行为大数据,通过大数据处理、分析与机器学习模型等技术评估车主驾车行为的风险等级,通过风险等级指数为其提供个性化保单,为保险公司的车险业务提供相关决策支持。本文将通过车辆使用者的线上终端使用行为数据和线下各时段的活动信息(均已脱敏处理),根据该数据关联计算每辆车的各类驾驶行为变量,并根据车辆使用者在数据采集周期内出险情况与移动行为变量建立模型。通过特征选择获取对车辆出险有显著影响的驾驶行为,并得到驾驶行为变量对出险概率的影响程度。该模型可协助保险公司发掘影响车辆出险的重要行为因素,从而对车险保费进行差异化定价。

3 建模过程

本次建模过程包括数据准备、特征选择、风险量化、模型输出四个步骤,通过机器学习建模分析评估车主驾驶行为的风险程度,根据不同的风险等级提供相应的汽车服务。

一种基于用户移动大数据来分析驾驶风险的研究模型-数据分析网

图1 驾驶风险模型流程图

在算法框架选择上,由于XGBoost在大数据量级下性能表现优秀,而且可以完成特征选择和分类任务,这里我们在算法框架上使用XGBoost。

3.1数据准备

本次建模数据主要来自极光自有的用户标签体系,该标签体系是从人口唯一标识、人口统计维度、社会属性维度、金融行为特征、线下活动场景特征、一般行为特征这五大维度进行刻画,我们抽样了3万的样本用户进行研究,选择了共311个标签作为模型的自变量,国外某机构专业风险评分结果作为模型的因变量。

3.2特征选择

极光拥有海量的用户行为数据,选择极光用户全标签共311个属性作为变量。根据提供的训练样本我们对这些变量做如下处理:

1.首先进行数据探索,清洗异常数据,删除唯一值的变量以及重复列等异常情况;

2.接下来使用RandomForest算法进行训练,训练的目的不是为了得到最终结果,而是期望得到每个特征变量的重要性,为我们后面进行特征选择做准备;

3.将上一步的特征系数大于0.1的列筛选出来,作为模型的特征变量,最终剩余273个变量,下图仅列出部分重要性较高的Top12变量。

一种基于用户移动大数据来分析驾驶风险的研究模型-数据分析网

图2 特征选择结果

3.3模型训练

将训练样本的原始分数归一化到0~100,设置分类器数目为101,这样我们将在273个维度下进行预测,构建XGBoost分类器,使用Accuracy作为度量指标。基本参数设置如下:样本拆分80%为训练样本,20%为测试样本,迭代200次,输出测试结果,保存训练模型。

3.4模型结果及应用

针对共三万样本数据,进行交叉验证,效果如下(详见图3):

ü当误差阈值设定为0.1时,模型的Accuracy达到78.46%;

ü当误差阈值设定为0.2时,模型的Accuracy达到85.37%;

ü当误差阈值设定为0.3时,模型的Accuracy高达96.59%;

ü当误差阈值设定为0.5时,模型的Accuracy近乎可达到100%。 一种基于用户移动大数据来分析驾驶风险的研究模型-数据分析网

图3 模型误差结果

基于移动互联网大数据的风险模型包括驾驶风险模型和保险定价模型,其中驾驶风险模型是需要拥有车联网数据具备车联网运营经验、懂驾驶行为、懂车、能够进行数据分析,一般是主机厂、TSP或者数据平台公司。保险精算模型是具备车险资质和精算经验,一般是保险公司、保险经纪公司、精算咨询服务公司。如何更好地提升模型的质量和效率,极光大数据可以在车险产品设计的全环节中提供支持,以期见微知著。 一种基于用户移动大数据来分析驾驶风险的研究模型-数据分析网

图4 车险产品定价示意图

4 行业展望

来自和讯保险的数据显示,车险在整个财险中所占比例高达70%,所以保险业界流传着“得车险者得天下”的说法。据统计,截至2015年11月,全行业实现车险保费收入5526亿元, 2016年全年车险保费收入突破6000亿元,如此庞大的市场规模孕育着众多商机。

互联网车险的社会影响力正不断扩大并成为一股新生力量,为市场注入了新的活力。同时,行业借助互联网平台提升服务的方式与手段呈爆发式增长的态势,各主体纷纷借助流量平台或独立APP增加客户接触点、拉近与客户距离,大幅度优化了客户服务界面。未来,互联网与传统车险的结合将不仅限于形式上的结合,更是理念上的结合,互联网化的车险将以车辆风险保障为核心,建立包括用车、养车、修车的车险生态圈。

然而从长远看,互联网车险公司实现持久盈利的商业模式仍有待检验,一是高企的费用投入能够持续多久;二是高费用投入下的客户留存度如何,即能否通过高质量的线下服务满足客户的理赔需求;三是如何获取车、人、路、环境这四个方面的大数据。如果能够解决好上述问题,尤其是第三点,借助具备天然优势的互联网方式厘定产品费率,锁定目标客户,互联网车险或将亦是“得数据者得天下”。

5 参考文献

[1] 陈星. 基于驾驶行为数据的UBI车险模型.北京:中央财经大学统计与数学学院,2016

[2] 吴捷. 2016年上半年车险市场管窥:费用率逐步上涨.北京:中国保险报,2016

原创文章,作者:极光大数据,如若转载,请注明出处:《一种基于用户移动大数据来分析驾驶风险的研究模型》https://www.afenxi.com/post/45341

banner
看过还想看
可能还想看
热点推荐

永洪BI
更敏捷、更快速、更强大

申请试用
Copyright © 2012-2024开发者:北京永洪商智科技有限公司版本:V10.1
京ICP备12050607号-1京公网安备110110802011451号 隐私政策应用权限