我们知道，保险公司利用UBI，会构建两个分析模型，一个是驾驶风险模型，一个是基于驾驶风险和其他风险的保险定价模型。驾驶风险模型是需要拥有车联网数据具备车联网运营经验，懂驾驶行为，懂车，能够进行数据分析，一般是主机厂、TSP或者数据平台公司。保险精算模型是具备车险资质和精算经验，一般是保险公司，保险经纪公司，精算咨询服务公司。
对大部分采用UBI计算的保险公司/车联网公司来说，驾驶风险模型会用到50个以上的变量，这些变量大部分是通过车联网采集，前装数据会多一点，质量好点，后装OBD的方式，有一些数据的噪音。
这些变量一般是：行驶里程，平均出行的时长、平均出行距离、平均每天出行次数、平均每天出行时间、平均一天驾驶距离、平均一周驾驶距离、周一到周五平均驾驶次数、周末驾驶次数、平均速度、急加速/百公里、急刹车/百公里、路型、各地形的行驶里程、个地形的驾驶时间、各地形的停车时间、转弯次数、横向加速次数、滚动停止、变道次数、变速频率、变速级别、巡航控制、左转弯次数、速度偏差、假期驾驶、驾驶类型（速度VS时间）、驾驶类型偏差、出行半径、交叉口次数、转弯信号灯、安全带状态、安全气囊状态、灯/雨刷状态、车辆维修状态、出行间隔、拥堵指数、手机使用等。因为各个变量之间也具备关联关系，这里我们会有基本算法的选择，是使用线性聚类，还是神经网络的决策树算法。
我们通过对一年5千辆车的运行车联网数据进行了基本的算法建立，如下图。
首先通过log file建立初始数据，通过云端存储进行半结构化的数据，通过HIVE和HDInsight进行数据的清理，drivesession相当于进行驾驶风险的数列化，建立基本的数据表单，通过Dataset,AML（基于云端的机器学习）和数据训练模式，形成最后的驾驶风险打分，打分的结果会通过WebService进行展示。目前车联网数据收集来源，这里很多工作是进行了数据的清洗工作。同时根据保险公司提供的理赔名单和驾驶车主进行匹配，在训练模型中进行相关的训练。
要建立一个驾驶风险的基准，一般要经过下图的几个步骤：
第一步，数据准备：
1、了解管理层对UBI的期望和策略
2、了解目前保险公司的目前的数据来源，前装/后装/其他例如APP
3、了解可以与车联网数据集成的数据来源，例如客户基本信息、理赔数据、维修数据等
4、基于数据的基本分析，确定需要达到的目标
5、整理数据，明确数据的业务定义并进行清洗，去噪
第二步，云平台验证：
1、在保险公司的协助下，从UBI的车主中选取出险理赔的红蓝匹配样本，抽取特征值，进行打标签
2、在Azure云平台构建业务模型（神经网络/决策树等）
3、数据导入，进行云平台运算，校验模型
4、和精算分析进行沟通，确定驾驶风险输出的可用性
第三步，形成模型基准：
1、根据云平台的验证结果，建立驾驶风险的评分模型
2、明确和其他数据的（例如理赔）的集成和协同关系
3、建立通过驾驶风险进行骗保、客户分群的整体架构
4、研究其他UBI保险驾驶风险模型的实施路径
5、进行蓝图设计，明确驾驶风险模型完善实施的规划
下面是经过驾驶风险打分后的结果示例：
总结来看，这个整体架构和技术特点是：
1、多种数据（规则、半规则）数据的集成处理技术
2、基于云的机器学习，汇集各种算法，通过界面拖拽构建，存储成本低，数据培训快，推向用户端快
3、对实时运行的上千辆前装车联网数据进行了验证