CN105488046A - 基于车辆保险业务的大数据分析系统 - Google Patents

Abstract

本发明揭示了一种基于车辆保险业务的大数据分析系统，所述大数据分析系统包括：历史数据库、评分因子库、评分模块、排名模块、学习模块。历史数据库主要用于智能学习，优化评分因子库；评分因子库作为供评分模块的主要参照库；评分模块用以按照设定规则对用户的驾驶行为数据逐项评分，即数据项对应的评分因子，再将结果相加为当期分值；其结果直接作为排名模块的输入；排名模块用以将当期的所有用户的得分进行排序；学习模块用以根据大量的历史数据修正各个属性的因子值，因子值带入计算，利用均值等方法更新该类的中心值。

Description

基于车辆保险业务的大数据分析系统

技术领域

本发明属于数据分析技术领域，涉及一种大数据分析系统，尤其涉及一种基于车辆保险业务的大数据分析系统。

背景技术

对于保险行业来说，车险是刚需最强、保费巨大的险种，从重要性来说完全称得上关乎国计民生。而车险主要的服务人群对便捷、高效的服务有着更强烈的需求。最近几年，从保险行业、汽车行业、汽车后市场等相关行业都在高度关注车险服务的互联网化。

作为刚需市场，又是在新车和二手车市场蓬勃发展的背景下，车险行业的行业需求可期会是持续增长的。但是行业发展并不健康。产品同质化严重，条款费率不自主，行业竞争不在做好产品和服务，而在圈占渠道。2013年全行业保费同比增长近20％，但是几乎全行业亏损(只有少数上市险企报表盈利)。这种产业格局要改变，竞争要回归产品。

费率市场化对小公司是建立细分市场优势、实现差异化竞争的好机会。保险产品的定价是以数据积累为前提的，越是在细分市场做积累，越能够准确定价和控制风险，在细分市场的经营就越高效，产品和品牌的差异化优势就越明显。说到底，保险就应该是一门靠管控风险来获利的生意。互联网的介入，让这门生意回归本原。

目前国内的车险行业面临如下问题：

(1)真实风险暴露并非简单的时间度量。每个人的驾驶密度不同。平时上班坐地铁、周末偶尔开车的白领用户，对第三者责任险这种行驶事故责任的风险暴露很低，而对盗抢险这种停车状态的风险暴露很高；而常常东奔西跑做业务的销售人员则相反。

(2)忽略了风险暴露的环境因素和场景因素。对于盗抢险，车常停在车库和车常停在路边的风险暴露不同，居住地区的治安犯罪率也会有影响。对于自燃险，常检修的车辆和不常检修的车辆风险暴露不同。

(3)忽略了人的因素。驾驶员行为习惯对于人为事故有直接影响。同时美国车险行业的经验显示，驾驶员的消费信用、偏好习惯都对车险有显著预测价值。而对于一车多人驾驶情况下，指定驾驶员的信息也不能反应真实的风险暴露。

(4)车险行业计算车险的方式很粗糙，一般是在首次买保险时，在统一定价基础上给用户一定的折扣，比如8.5折，第二年续保时，会根据前一年的出险情况，给与调整，如果没出过险，则7折；如果出过一两次，则9折或者不打折；如果超过5次，停止保险。

目前，解决这些失配问题的技术手段正在渐渐成熟。随着车联网和大数据的发展，有了从风险暴露最小粒度衡量车险风险的可能，而车险的产品形态，也会随着技术的发展而碎片化、颗粒化。UBI将是未来车险发展的必经之路。

UBI(Usage-basedinsurance)车险，作为大数据时代的新型保险，近年来吸引了业界的广泛兴趣。UBI市场的早期进入者已赢得了与日俱增的消费者关注和随之而来的需求增长。

本质上，UBI的理论基础是驾驶行为表现较安全的驾驶员应该获得保费优惠。保费取决于实际驾驶时间、地点、具体驾驶方式或这些指标的综合考量。

近年来保险市场主要产品的创新相对有限，在成熟市场上，市场细分引起了保险产品的大规模平价商品化。从客观立场上看，其之所以引发广泛兴趣更是因为任何一方都从UBI中获得收益。

对于消费者：消费者得到一款他们认为更加公正且能够更好控制自身保费的产品，并且得到了为其自身和家庭提供安全和保障的附加增值服务。

独立调查结果支持了开发UBI产品潜力的热情。一家英国消费者调查机构代表韬睿惠悦在2012年中期的调查显示，65％的驾驶员对在车中安装远程通讯设备表示兴趣，高达84％的消费者表示愿意参与车载通讯设备的试点以根据他们的驾驶行为来确定车险保费。这一数据使得英国保险经纪人协会预测，到2014年末，英国此类保单数量将会是目前的3倍。

对于保险公司：直接检测和评估驾驶行为而非通过传统保单使用的指标带来对风险理解的规则重整。保险公司将从中受益，并降低其赔付成本。这有一部分是源自于UBI的自我筛选功能(好的驾驶员将会率先选择UBI产品)，也有一部分源自于驾驶员得知处于监控中的“安慰剂效应(PlaceboEffect)”。

来自一些商业车队的反馈显示，碰撞事故下降50％-75％。如果UBI产品发生事故，车载设备记录下的事故速度和其他相关信息意味着理赔评估和处理将会更加有效率。例如，在有些国家，事故发生时的车速被用于区别是否属于伪造赔付。

早期UBI产品通过有效地细分市场获得了很高的消费者的满意度和留存率。车险渐渐从人们每年只会记起一次的产品转变为保险公司与客户定期联系的产品。

对于监管机构：政府和监管机构也认可这类产品，因为UBI产品能够强化道路安全、挽救生命并且在环保方面做出贡献。在某些市场上，UBI是解决对某些特定群体“定价失灵”的良药，例如，对年轻驾驶员的定价；此外，还解决了对定价因子公平性的争论。

然而，现有的UBI产品尚有一些比较明显的缺点，限制了其进一步的发展，主要缺点如下：

(1)UBI获取的车辆行驶数据虽然众多，但是没有一套行之有效的分析方法来判别车辆驾驶者驾驶行为等级。目前现行的UBI产品基本以简单的行驶里程作为判断标准，不能完全反应出驾驶者行为。

(2)随着UBI产品不断获取车辆行驶数据，其数据的存储分析能力也受到了很大的挑战。传统的UBI数据后台采用关系型数据库存储和分析数据，已经不能满足大量UBI数据的分析要求。

(3)UBI硬件产品相对单一，目前只有车辆后装车载硬件这一种方式，同时也受到了网络信号及硬件性能的影响，有比较大的数据收集不完整的隐患。

发明内容

本发明所要解决的技术问题是：提供一种基于车辆保险业务的大数据分析系统，可提高数据的分析能力。

为解决上述技术问题，本发明采用如下技术方案：

一种基于车辆保险业务的大数据分析系统，所述大数据分析系统包括：

历史数据库，用以记录用户的历史驾驶行为、历史积分、历史排名数据，同时记录第三方保险理赔数据；主要用于智能学习，优化评分因子库；

评分因子库，作为供评分模块的主要参照库；

评分模块，用以按照设定规则对用户的驾驶行为数据逐项评分，即数据项对应的评分因子，再将结果相加为当期分值；其结果直接作为排名模块的输入；

排名模块，用以将当期的所有用户的得分进行排序；利用插入排序法排序；排序过程中，利用二分法找到新值的位置，插入即可；排名的最终结果，一方面作为最后的输出，另一方面与原始行为数据一起，进入历史数据库，作为下一轮评分因子学习训练的输入；

学习模块，用以根据大量的历史数据，分为k个类别；以空间中k个点为中心进行聚类，对最靠近他们的对象归类；然后通过多次迭代的方法，逐次更新各聚类中心的值，直至得到最佳的聚类结果和各个属性的权值weight；学习模块的步骤如下：当有新的数据加入时，判断该数据是否和上次加入的数据值一致，如果不一致，则对任意一个样本，求其到各中心的距离，将该样本归到距离最短的中心所在的类；修正各个属性的因子值，因子值带入计算，利用均值等方法更新该类的中心值。

作为本发明的一种优选方案，所述历史数据库记录的信息包括：

个人信息，包含年龄、驾龄、教育程度、职业；

地理维度信息，通过对各个省份和城市的历年的数据的采集分析，得出各个区域的事故的发生概率，从而影响最终的事故发生率；

时间维度信息，采集用户的驾驶时长，驾驶时间区间；

驾驶习惯信息，对于用户的急加速、急减速和急刹车分析，确定用户的驾驶习惯的良好，同时通过驾驶时的速度区间和关键速度指标，衡量用户的驾驶水平和路况等与事故相关的信息；

驾驶里程信息，对于驾驶总里程的计算，越低里程，越低风险，越优价格；做到预交保险，根据里程的多少退还多交的保费。

作为本发明的一种优选方案，所述评分模块利用设定规则建立数据分析模型，根据时间维度信息、地理维度信息、驾驶里程信息、驾驶习惯信息给出车主的驾驶安全系数；该系数对应保险的优惠额度。

本发明的有益效果在于：本发明提出的基于车辆保险业务的大数据分析系统，能解决驾驶者驾驶行为评分标准相对完善，为车险公司提供保险依据，互利共赢；同时极大地提高UBI数据的采集、存储、分析的能力，帮助车险公司能迅速，全量的获取用户的驾驶价值。

本发明系统支持多终端采集，通过车载终端、手机APP、导航仪等，在产品中集成UBI模块，针对不同用户群体的产品，将能获取到大范围各个用户群体的数据，针对多个细分市场都有相关用户的数据可用。

本发明系统具有云平台支持，多终端在采集分析相关数据后，将数据上传到云平台做统一处理，形成标准的用户驾驶行为数据。

本发明系统采用多方式采集，基于GPS的深度分析，同时可以支持OBD的数据分析，没有苛刻的设备要求，对于推广将极为便利。对于UBI的采集可以通过一种寄生方式采集，例如在CarNet中植入UBI模块。对保险公司来讲，不用单独推广相关的设备就可以能从本系统获取到UBI数据；对于个人来说，在获取到其他应用享受的同时提供了UBI数据，为自己的打折保险积累了数据，这是一个兼容性和可操作性很强的方案。

本发明系统能提供多种数据，在与保险公司的合作上，即可以提供已经分析过的用户的安全系数，也可以将半加工数据提供给保险公司，让保险公司自己加工来体现自己与其他保险公司的差异化产品，同时也可以接入保险公司自己的GLM系统。

附图说明

图1为本发明基于车辆保险业务的大数据分析系统的组成示意图。

图2为本发明基于车辆保险业务的大数据分析方法的流程图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

实施例一

请参阅图1、图2，本发明揭示了一种基于车辆保险业务的大数据分析系统，所述大数据分析系统包括：历史数据库、评分因子库、评分模块、排名模块、学习模块。

历史数据库用以记录用户的历史驾驶行为、历史积分、历史排名数据，同时记录第三方保险理赔数据；主要用于智能学习，优化评分因子库。

所述历史数据库记录的信息包括：个人信息、地理维度信息、时间维度信息、驾驶习惯信息、驾驶里程信息。个人信息包含年龄、驾龄、教育程度、职业；地理维度信息通过对各个省份和城市的历年的数据的采集分析，得出各个区域的事故的发生概率，从而影响最终的事故发生率；时间维度信息方面，采集用户的驾驶时长，驾驶时间区间；驾驶习惯信息中，对于用户的急加速、急减速和急刹车分析，确定用户的驾驶习惯的良好，同时通过驾驶时的速度区间和关键速度指标，衡量用户的驾驶水平和路况等与事故相关的信息；驾驶里程信息中，对于驾驶总里程的计算，越低里程，越低风险，越优价格；做到预交保险，根据里程的多少退还多交的保费。

评分因子库作为供评分模块的主要参照库。评分模块用以按照设定规则对用户的驾驶行为数据逐项评分，即数据项对应的评分因子，再将结果相加为当期分值；其结果直接作为排名模块的输入。所述评分模块利用设定规则建立数据分析模型，根据时间维度信息、地理维度信息、驾驶里程信息、驾驶习惯信息给出车主的驾驶安全系数；该系数对应保险的优惠额度。

排名模块用以将当期的所有用户的得分进行排序；利用插入排序法排序；排序过程中，利用二分法找到新值的位置，插入即可；排名的最终结果，一方面作为最后的输出，另一方面与原始行为数据一起，进入历史数据库，作为下一轮评分因子学习训练的输入。

学习模块用以根据大量的历史数据，分为k个类别；以空间中k个点为中心进行聚类，对最靠近他们的对象归类；然后通过多次迭代的方法，逐次更新各聚类中心的值，直至得到最佳的聚类结果和各个属性的权值weight；学习模块的步骤如下：当有新的数据加入时，判断该数据是否和上次加入的数据值一致，如果不一致，则对任意一个样本，求其到各中心的距离，将该样本归到距离最短的中心所在的类；修正各个属性的因子值，因子值带入计算，利用均值等方法更新该类的中心值。

本发明系统UBI业务的数据来源基于GPS，相比较于基于OBD的UBI，GPS的采集和兼容性更好，不存在车型不兼容的问题，可以通过手机就可以完成UBI业务。同时，对于有OBD数据的车辆，依然可以使用OBD来完成UBI数据分析。

本发明系统UBI的数据分析在云平台，避免了车主在采集设备上作弊骗保等可能性，算法策略更新快，与保险公司的数据交换方便。

本发明系统UBI在多设备多应用上采集，多个产品都可以对某个用户的行车数据做采集，用户的开拓没有增加用户成本，覆盖面广泛，采集成本低，数据信息全。

本发明系统UBI支持第三方设备，在与第三方合作后，第三方设备集成UBI模块，UBI模块会将数据上传到云平台。

本发明系统在基于上述数据维度基础上，创建了PLAYDS算法，对车主的驾驶水平和驾驶行为做出评分。根据不同的评分，给出该车主的驾驶安全系数，该系数即可对应相应的保险的优惠额度。

综上所述，本发明提出的基于车辆保险业务的大数据分析系统，在保障了UBI产品数据不限量存储分析基础之上，提出了一个更加完整的车险评分标准，解决了目前UBI车险判断标准单一的问题，为未来的UBI产品提供了相应的指导性的发展模式。

(1)首创的评分分析模块，可以更加全面地，均衡地分析每个UBI产品车主的驾驶行为，为驾驶者和保险公司提供更加符合自身的车险产品。

(2)建立在大数据分析平台之上的分析系统，保证了数据几乎可以无限存储，并极大的提高了数据的分析能力，并能随着数据的增加而无限扩展其分析能力，保障了UBI产品数据存储和处理能力。

(3)采用多终端采集。不限于使用UBI车载硬件产品，而是通过多途径获取到驾驶者的驾驶行为。包括但不限于智能手机APP，内外置导航仪等。

这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下，可以对这里所披露的实施例进行其它变形和改变。

Claims (3)

1.一种基于车辆保险业务的大数据分析系统，其特征在于，所述大数据分析系统包括：

历史数据库，用以记录用户的历史驾驶行为、历史积分、历史排名数据，同时记录第三方保险理赔数据；主要用于智能学习，优化评分因子库；

评分因子库，作为供评分模块的主要参照库；

评分模块，用以按照设定规则对用户的驾驶行为数据逐项评分，即数据项对应的评分因子，再将结果相加为当期分值；其结果直接作为排名模块的输入；

排名模块，用以将当期的所有用户的得分进行排序；利用插入排序法排序；排序过程中，利用二分法找到新值的位置，插入即可；排名的最终结果，一方面作为最后的输出，另一方面与原始行为数据一起，进入历史数据库，作为下一轮评分因子学习训练的输入；

学习模块，用以根据大量的历史数据，分为k个类别；以空间中k个点为中心进行聚类，对最靠近他们的对象归类；然后通过多次迭代的方法，逐次更新各聚类中心的值，直至得到最佳的聚类结果和各个属性的权值weight；学习模块的步骤如下：当有新的数据加入时，判断该数据是否和上次加入的数据值一致，如果不一致，则对任意一个样本，求其到各中心的距离，将该样本归到距离最短的中心所在的类；修正各个属性的因子值，因子值带入计算，利用均值方法更新该类的中心值。

2.根据权利要求1所述的基于车辆保险业务的大数据分析系统，其特征在于：

所述历史数据库记录的信息包括：

个人信息，包含年龄、驾龄、教育程度、职业；

地理维度信息，通过对各个省份和城市的历年的数据的采集分析，得出各个区域的事故的发生概率，从而影响最终的事故发生率；

时间维度信息，采集用户的驾驶时长，驾驶时间区间；

驾驶习惯信息，对于用户的急加速、急减速和急刹车分析，确定用户的驾驶习惯的良好，同时通过驾驶时的速度区间和关键速度指标，衡量用户的驾驶水平和路况等与事故相关的信息；

驾驶里程信息，对于驾驶总里程的计算，越低里程，越低风险，越优价格；做到预交保险，根据里程的多少退还多交的保费。

3.根据权利要求2所述的基于车辆保险业务的大数据分析系统，其特征在于：

所述评分模块利用设定规则建立数据分析模型，根据时间维度信息、地理维度信息、驾驶里程信息、驾驶习惯信息给出车主的驾驶安全系数；该系数对应保险的优惠额度。