你的UBI产品，保险公司为啥不感冒？| 洞见

“商车费改”即将席卷全国，中国车险行业又一次站到了风口，迎着风众多互联网公司伺机而动。这时我们突然发现，做软件的、硬件的、平台的忽然之间都在做一个东西——UBI。

环视大批UBI圈子不禁发现，投入这个大潮的人真是各种各样，OBD、TSP、互联网保险、甚至和UBI毫无关系的人也看到了其中的巨大价值，投身进来。借助这阵大风，很多人获得了资本的青睐，有的也做的风生水起。可当我们转身环顾时，突然发现，UBI中的主角——保险公司，却没几个人在乎。

那么，这是为什么呢？作为UBI链条的核心，保险公司需要的UBI究竟长什么样？该怎么做？本文希望回答这些问题。

保险公司为什么不和UBI玩家一起玩？

还是在4、5年前，和一些保险公司谈“车联网保险”的时候很多人还会觉得很神奇，今天和保险公司讲UBI时，几乎每个保险公司都有了几个专家，比向他们推介项目的人更专业，这恐怕也是UBI在保险公司墙外绽放的更灿烂的原因之一吧。理论、概念已经成熟，见真章的时候来了，拿出UBI产品才是真功夫。

大家真正认识到了UBI的技术核心是计算模型，而每个宣称自己在做UBI的人都说自己有一个神奇的模型，能够给保险公司找到低风险的用户，保险公司是不是要给这批用户一个合理的价格呢？

保险公司则在纠结，你们都是能人，可以给用户驾驶行为评分，但是你们评出来的分数和我所关注的风险有何关系呢？就算有关系，和我给出的保费又怎么匹配呢？

这时UBI模型拥有者可能会告诉你，我们能够极为准确的判别驾驶行为风险，立刻给出风险评价。很神奇吗？太神奇了，神奇到连保险公司的精算也无法搞清楚这些因子到底是不是应该关注的风险了。

千万不要神化UBI，更不能俗化UBI。UBI可以有多种形式、算法、方式和商业模式，可无论是谁来做、怎么做，如果最终落到保险上，都不可以脱离大数法则，这一保险风险评判的基本运算逻辑。任何保险的个性化都不能脱离保险是在做一个基于概率的“对赌”产品。

保险公司究竟需要怎样的UBI？

面对UBI带来的想象空间，各路“大神”分成了几派：

一路是复杂派，他们告诉保险公司和业者，UBI是一套极其复杂的体系，需要他们超过几百个风险因子进行极为细致的计算，只有他们的模型才能为保险提供精细化价值；

一路是简单派，他们认为UBI根本没有技术含量，他们只要拿到一点位置数据就能玩UBI了，他们有最简单的UBI实现路径；

还有一路是稳健派，他们从几个基础因子加上一些道路和环境因子开始，先设立一套基本的驾驶行为分析模型，通过较长时间绘制出用户行为画像，在这个基础上再结合保险公司个性风险因子，为保险公司提供一套UBI产品。

事实上对于保险来说做到100%的个性化没可能、也没必要，保险还是个基于大数法则的产品，要进行个体风险评定，再通过个体风险对应的群体风险和整体风险，给出一个可以进行风险分摊的保险产品和保费试算，因此保险的精算有一定的样本统计要求。这就决定了风险因子越多统计难度越大，所需对应的样本数就越大。

单纯从风险因子验证可以简单说明为何从零开始设计一套UBI模型是很困难的。保险公司普遍认可的精算方式是，单一风险因子一个风险区间测定需要1082份理赔样本数，如果将驾驶行为风险某一因子的风险区间档数分为5档，以一般出险概率为20%作为风险测算的参考依据，那么测定某一单一风险因子分为5个等级的评定所需的保单样本数为：

保单样本数=每风险等级所需理赔样本数×风险等级数÷出险概率

即，保单样本数=1082×5÷20%=27050

可以看出，测定风险分为5个等级的一个因子就需要2.7万个样本，从基础数据上来说对UBI模型建立就是一个比较大的挑战。当然，一般保险公司在进行一个新产品设计和定价时有10万分保单进行测算就已经比较准确了，并不需要进行更大范围的验算，即使如此，从国内的现实情况下来看，也没有谁能马上拿出这么多数据；另外，当数据样本量很大时，对于计算资源的要求也很高，快速输出计算结果也是一个重大考验。

评判对应保单数的用户量驾驶行为需要的周期，一般需要3个月左右的时间，在这个时间里才有可能去除车辆由不同人员轮流驾驶、处于不同路况、不同天气等情况带来的干扰项，形成明确个体的用户驾驶行为画像。

结合整体数据规模来说，单纯从风险因子采集的需要程度来说，过多的风险因子带来的用户画像、理赔验算的数据量之大是一般的企业很难承受的。另外，从保险的实际操作角度来说，如前文所述，保险还是要基于大数法则，UBI的作用是在于将风险因素做较为精细的评定，并激励用户养成合理的驾驶行为习惯，从而形成合理的保险产品设置与保费匹配，从风险精细化管理的角度实现保险产品的相对公平与合理。

UBI本身是个数据的“游戏”，是算法和数据相互印证的产物。

简单派不以为然，认为，一定可以有一种捷径来处理数据的问题。简单派的观点从实用主义出发，看上去没什么不对。但是，对于模型算法以及数据样本量的缺乏，是不可逾越的障碍，不考虑实际驾驶环境的行为评价是很难客观的。

驾驶行为评估的原理其实比较简单，无外乎是速度、加速度、时间、道路为核心的几类基本数据推导出的个人驾驶行为的基本习惯，这些习惯必须适应道路、环境、法规、交通的这些因素，加入一些外延因子就可以延伸出各类风险评估。

也正因为如此，简单派觉得模型过于夸张，只需要一个基本公式，算出速度、“三急”就可以给出一个评分，事实上模型的作用也与此相差不大，但不同的是，模型给出的是一个长期习惯，要不断去掉干扰因子，而简单派只需要记录每次得分，并不考虑常态成绩，即使考虑，也就是分数总和而已。更有甚者，很多人连基础的急刹车和急加速怎么评估也是自己随意估算的，这就造成了评分参考价值很低。另外，数据量较少，也无法去和保险公司的理赔数据做验证。

我们以芮锶钶在某地级市UBI用户中的5000个进行简单分析。这匹用户平均半年行驶里程6412公里，超过74%的车主其平均年行驶里程在5000公里到16000公里之间，据此可以判断大部分为家庭自用车。

最近6个月行驶里程分布

对于这部分用户我们监测其驾驶里程与赔付率的关系，发现：

（1）年行驶里程少于3000公里的车，其简单赔付率不到3%；

（2）年行驶里程在3000公里到10000公里之间的车，其赔付率随着行驶里程数具有明显的上升趋势，整体而言简单赔付率不足6.5%；

（3）在10000公里到18000公里的区间，整个赔付率出来现了波动，其中10000公里到12000公里的简单赔付率突然升高到10.89%，而14000公里到16000公里的简单赔付率降为2.92%，这有可能是因为样本数不足，造成的计算量偏差，但也在一定程度上说明了，靠少量数据很难判定行车里程多少与出险概率是怎样的关系。

通过这个案例不难看出，驾驶行为风险的测算并非那么简单，单纯的里程分析就已经需要足够的样本、合理的样本区间分布、时间及环境因素等，所以随意说能告诉保险公司谁是好用户，这个很难对保险真正起到作用，单一的用户行为是无法应对风险区间，也无法对应保险赔付率。

如何打造适合中国的UBI？

面对这么多问题，那应该怎么解呢？

其实根据我国解决技术问题的优良传统，我们不妨照此办理：

1、拿来主义

采用国外成熟模型，从基本算法上解决对驾驶行为评价的体系建立问题。有人怀疑国外的环境、习惯、法规不同，拿国外模型会水土不服。其实，我们要了解，驾驶行为首先是对车辆的操控，现代汽车发展百余年，人们对车辆操控的基本行为其实已经趋于基本相同，因此单纯从操控的角度来说，国内外的差异已经很小了，因此以基本行为为考量，采用国外驾驶模型最核心部分，抛开一些特殊因子和风俗习惯这些因素，直接采用国外模型的基本评定部分建立自己的核心模型体系是可行的。

2、本土化

当然，国外法规差异、路况差异、习惯差异是我们在做使用中国模型不得不考虑的因素，因此，本土化也非常重要。本土化的要点是调整国外模型在速度、加速度等基础因子对应其他外部条件因子的系数，而且，对于国内开发来说，对不同地域、路况、天气从零开始开发一样也要一地一地的适应、调整。但是现有的国外模型，其实已经对几乎所有路况、天气、法规与基本因子进行过对应和调试，本土化关键是进行系数和参数调整，这个工作量将远远小于从零开始的模型。

3、从基础因子做起

UBI既可以非常精细，也可以较为粗犷。我们起步时，从基础因子开始，逐渐积累数据和样本，才能形成完整的模型，同时也可以适应保险产品根据市场情况所需要的不断变化，基础因子是评定驾驶行为的基本坐标，如果这些都没有搞清楚，加载越多的因子将会造成越多的困扰。

综上述，其实UBI并不是一个高深的东西，但是它是需要极为耐心的积累和非常严谨的态度，必须踏实认真研究才有可能形成真正的好产品。