车险经营诊断分析看板
——促进承保策略优化
一、企业背景与业务目标
1. 企业背景和业务目标
渤海财产保险股份有限公司（以下简称渤海财险）成立于2005年9月，是一家国有控股的全国性财产保险公司，渤海财险紧密围绕“创建享有一流品牌声誉的卓越财产险公司”发展愿景，秉持“服务为本、效益为先、精益管理、创新发展”经营方针，深化改革、稳中求进，用完善的产品体系、全面的风险管理能力、多元的服务模式，为广大客户保驾护航，实现公司高质量发展，为推动经济社会繁荣发展作出新的更大贡献。
渤海财产保险股份有限公司四川分公司作为渤海财险设立的分支机构，在总公司的统一管理下开展经营工作，公司业务范围涵盖财产损失保险、车险和意外伤害保险等。我们希望通过定制个性化数据看板模型，实时并自动化分析和发现车险经营中的问题、漏洞，为车险经营提供多样化的经营策略和优化方案，增强车险精细化管理能力，促进车险效益化发展。
2. 业务现状与差距
现有数据平台仅实现基础数据存储功能，缺乏数据整合、归因分析、策略模拟能力，数字化数据工具与业务数据运用需求脱节。日常定价、满期赔付率分析等工作，无法通过数字化系统自动生成、更新数据看板。
3. 工具定位与价值
我们借助帆软FineBI Next建设车险经营驾驶舱，是希望通过实时看板、异常预警下钻、数字化策略模拟等功能，精准识别异常数据，让管理层清楚地知道哪里有问题、问题有多严重、需要做什么调整动作，实现从“经验决策”向“数据决策”转变，形成“目标下达—过程监控—精准干预”的闭环管理。围绕这一目标，我们搭建了一套从“整体水平”到“差异归因”再到“数据模拟决策”的三层分析决策体系。
二、业务痛点
1. 业务场景还原
(1) 现阶段产出的数据报表数量繁杂，无法兼顾宏观整体概览与明细穿透查询，数据无法实时查看，且难以开展联动分析；
(2) 面对会上领导临时询问未提前整理的细分维度问题，现场无法快速调取佐证数据，只能会后重新整理核实，直接影响会议研判效率。
2. 业务痛点说明
(1) 信息黑盒——“看得到板块分布，看不到深层诱因。”
在现有的数据平台下，我们可以看到整体保费规模达5135.9万元，满期赔付率86.12%，满期赔付率超预设目标（以2025年全车险经营数据为例），也能“看到”各板块的赔付分布，却无法在同一视图中建立多维关联，要破局，必须将满期赔付率、出险频度、案均赔款、能源类型、地区系数等因子纳入统一分析框架，让数据从“陈列”走向“对话”，方能真正揭露高赔付背后的驱动原因。
(2) 风控识别滞后——无法实时更新、监控、分析
传统excel报表需要人工汇总、监控数据，不仅效率低，而且会导致风险识别滞后，影响决策。
3. 痛点量化影响
|
痛点维度
|
量化影响
|
|
深层诱因无法穿透
|
无法“对症下药”，满期赔付率长期在70%以上
|
|
风控识别滞后
|
数据更新汇总耗时3～4h，风险分析耗时1～2h
|
三、核心方案
1. 指标体系构建
我们通过搭建一套车险经营诊断分析看板，构建可量化、可追踪、可模拟决策的指标体系。围绕“满期赔付率”这一指标，向下钻取影响因子，将所有影响因子通过FineBI Next平台自动实时采集、计算分析，赋能管理层精准定位根因、优化业务政策。
|
核心指标
|
计算口径
|
|
签单保费、赔款金额、满期保费
|
SUM聚合
|
|
满期赔付率
|
赔款金额/满期保费
|
|
出险频度
|
出险次数/满期件数
|
|
件均保费
|
满期保费/满期件数
|
|
案均赔款
|
赔款金额/出险次数
|
|
满期赔付率预测
|
出险频度*案均赔款/件均保费（预期）
|
2. 异常识别与预警机制
建立预警门槛并自动触发（目标满期赔付率70%）
满期赔付率 > 70% → 红色预警
整体水平：
其中，保费趋势和保费构成可联动下钻
3. 差异归因与下钻分析
在经营状态总览中，我们首先关注到整体满期赔付率大于目标值70%被自动标红预警。为定位根因，我们来到赔付归因板块，通过车型、车龄、能源种类、出险频度、案均赔款等多维度进行下钻联动。
备注：赔付归因板块中，问题车型定位图（散点图）因指标参考线无法实现计算值（出险频度=出险次数/满期件数、满期赔付率=赔款金额/满期保费）功能，遂使用各自平均值代替整体满期赔付率与出险频度。
(1) 第一层下钻：按车型下钻
建立四象限图出险频度－满期赔付率，我们通过图表的提示功能发现“非营业2吨以下”货车满期赔付率与出险频度均为峰值，但其保费占比小，对整体满期赔付率影响相对有限；
同时我们注意到出租租赁车也呈现“满期赔付率与出险频度双高”特征（满期赔付率高达104.01%，出险频度33.71%），且其保费占比达23.53%，对整体保费贡献突出，是需重点管控的业务板块。
(2) 第二层下钻：能源类型与新旧车交叉下钻：
点击出租租赁车跨图联动，来到新\旧车、能源类型的满期赔付率分布图发现：该车型中新能源旧车的满期赔付率为113.35%，由此可见，问题高度集中于 “出租租赁车新能源旧车” 这一细分业务。
(3) 第三层下钻：风险随车龄分布图下的案均赔款、件均保费、满期赔付率
再点击新能源旧车联动，我们发现：车龄在1-4这一区间的旧车，其满期赔付率均超过80%。进一步看，在车龄为1、2时，车龄为2的满期赔付率高于车龄为1的满期赔付率，但件均保费低于车龄为1的件均保费。由此可见，我们对车龄为2的业务风险判断不足，导致保费充足度不够，满期赔付率升高。
【核心发现】这一步让我们真正看清了亏损集中在：车型=出租租赁车，能源=新能源，旧车，车龄1-4。
4. 决策动作与闭环
策略：通过输入参数，可精准优化车龄1-4的保费充足度，并实现预期结果的动态模拟。
模型1（满期赔付率测算）：通过预设问题板块件均保费，优化预测终极损失率。
模型2（件均保费测算）：通过预设问题板块的满期赔付率（预期目标），评估件均保费的变化程度。
5. 作品模版链接
https://next.finebi.com/decision/application/ea08508aa67649fcb0d28ec8da1a15/analysis/6ebf8bebc70d4dc08c363d32e25628
四、价值量化
1. 核心业务价值
问题发现，归因下钻，策略模拟，优化政策。在调整保费充足度后，赔付率下降。
策略模拟举例：在案均赔款以及出险频度不变的情况下，如果将新能源出租租赁车车龄1—4件均保费分别调高100元，满期赔付率将分别下降，下降区间在2-4PT左右。
备注：因合计方式中的“计算值”需将所有参与计算的指标纳入图表，为保持界面简洁，此处改用平均值作为汇总结果。
2. 管理效率价值
(1) 归因效率提升：从4～6小时人工做表分析，缩短至实时下钻5分钟内定位根因；
(2) 会议效率提升：月度经营会从“讨论是什么问题”转变为“直接讨论怎么办”；
(3) 人效释放：从手工报表中解放，转向策略研究。
3. 数字资产价值
(1) 沉淀车险经营多维数据集（含车型/车龄/能源种类等），形成可复用的数据资产；
(2) 积累策略模拟历史库（含策略条件、预期效果、实际结果），为后续AI模型训练提供基础；
(3) 输出满期赔付率模型方法论，可复制应用于其他险种分析。
五、总结沉淀
本方案基于 FineBI Next 及其内置 AI 分析能力，构建了一个能实时更新预警、能策略模拟的智能看板，现在，管理者只需“一键点击”，即可完成从宏观监控到微观归因的风险下钻，实现对经营变量的实时关注与提前干预。
其他说明：数据已脱敏，不代表真实数据！
| 
