由于入保的货车车辆行程路线的复杂性以及车辆在不同时段、不同地点和不同行程发生事故的不确定性和随机性，导致保险公司无法对容易发生事故车辆进行定位及对事故赔偿金额进行评估。
为了能够了解导致车辆发生事故的风险因素，并根据车辆发生事故的几率针对车辆用户推广保险，打造用户画像，货车车险理赔风险预测服务能够利用不同货车车辆的行驶历史数据进行分析，从海量数据中提取重要特征，构建模型，为保险公司针对不同用户定制化财险服务提供支持。
天云数据“货车车险理赔风险预测”数件：为保险公司制定用户画像，提供针对用户入保的策略依据
天云数据货车车险理赔金额预测服务能够基于客户历史行驶数据，统计并挖掘涉及车辆不同时段、不同路线等基础特征，并由已有特征构造衍生出新的特征。通过机器学习模型去挑选出影响车辆出险赔款金额的重要因素，并由此作为保险公司选择客户的参考，针对不同用户推荐不同的车辆财险策略，有效提升客户入保概率和公司业绩。
特征提取：天云数据货车车险理赔风险预测服务能够利用不同车辆的行驶历史数据进行分析，从海量数据中提取重要特征，构建模型，为保险公司针对不同用户定制化财险服务提供支持。
特征筛选：天云数据货车车险理赔风险预测服务能够利用不同车辆的行驶历史数据进行分析，从海量数据中提取重要特征，可解释性较高。
构造关键特征信息：天云数据货车车险理赔风险预测服务挖掘导致车辆发生事故的特征重要程度和风险因素，根据已有数据进行数据处理、特征衍生、特征筛选等，辅助保险公司构造用户关键特征信息。保险公司可以充分了解到引发车辆事故的重要因素，从而根据用户的特征，做出基本的判断。
货车车辆理赔金额预测：为保险公司针对不同用户定制化财险服务提供支持，增加优质客户的同时降低公司对于车险事故的理赔风险。
客户入保策略依据：根据不同用户的数据特征，提供更符合用户特点的多样化财险定制方案，使财险定制方案更加灵活且有据可依。用户可根据自己的真实情况，选择是否投保以及投保方案。
天云数据“货车车险理赔风险预测”数件实践：9个变量的模型优于51个变量的模型
在某大型金融保险集团实践中，天云数据“货车车险理赔风险预测”数件9个变量的模型优于51个变量的模型。
全部特征共有162个，总体特征较多且部分特征之间有较强的相关性，为保证建模质量，需先将部分含有相关性的特征去除。通过查看各特征之间的pearson相关性系数，挑选出相关性弱的特征。然后筛选出具有占比的特征将具有占比的特征与前面经过相关性分析筛选出的特征进行汇总。
最后使用“将具有占比的特征与相关性分析筛选出的特征进行（共51个特征）”和“重要性前11的特征进行单变量分析（共9个特征）”分别训练模型
从提升度曲线的拟合度来看，9个变量的模型优于51个变量的模型，综合考虑评价指标及模型使用的便捷性。
