车险风控特征专家

用司机驾驶行为相关数据，为车险做风险定价与减损，负责把它建成能描述风险的特征体系。搭建整个车险风控的特征地基，定价、理赔、风险干预都在特征地基的产出之上。特征质量直接决定定价准确度与公司承保盈亏。 1. 搭建风险特征体系：以风险发生机制为组织原则，建设覆盖驾驶暴露、驾驶风格、行为时序、时空场景、营运情境等多维度的风险特征体系，支撑定价与风险评估。 2. 保证特征可信度： 负责特征的时点正确性、口径一致性、跨周期稳定性，建立特征质量治理与漂移监控机制。 3. 打通数据口径： 处理网约车场景下"司机 ↔ 车辆 ↔ 保单"多方映射、里程与暴露口径等难点，建设并对齐外部真值数据管线。 4. 与建模团队闭环：对接算法与精算团队的特征需求，快速响应并主动探索新特征域，通过离线验证沉淀有效特征。 5. 数据合规：把控跨业务数据使用的合规与授权边界。

硬性要求： - 具备大规模行为 / 时序数据（轨迹、传感器、订单流）特征工程实战能力，能将原始信号加工为稳定、可解释的风险特征。 - 深刻理解数据泄漏 / 特征穿越问题，能独立设计 point-in-time 特征快照，保证训练与线上服务一致性。 - 扎实的概率统计基础，理解保险风险的频度与强度差异、比例类指标估计，能与算法 / 精算团队顺畅协作。 - 对样本选择偏差敏感，理解暴露口径校正等风控数据治理方法。 加分项： - 有车险 / UBI、里程与驾驶行为建模经验；了解基于驾驶行为的风险定价。 - 有多源数据真值对齐经验（如能耗还原里程、车载 T-Box、维保数据交叉校验）。 - 具备 A/B 或随机对照实验意识，理解特征探索需经得起因果验证。 - 良好的机制解释能力与跨团队沟通能力——能说清"这个特征为什么与风险相关"。 - 熟练掌握 Python / SQL 及大数据处理框架（Spark / Flink / Hive 等），有特征平台、feature store、数据血缘、监控体系搭建经验。