來源：車逸行
目前，在車險業務中排在前7的保險公司仍然占據近80%的車險保費份額。在費率改革深化尤其是在建立退出機制以后，以往通過降價和增加渠道費用的傳統手段已經難以為繼。
而基于車聯網大數據的UBI則可以從以下多個方面解決保險公司現有問題以及優化業務模式：
精準及個性化定價——基于大數據與人工智能，能實現對各種風險更為精準、動態的定價；
多樣化的保障方式——基于車聯網數據可以更精確判斷車輛運行狀態，因此保險保障有可能按照更靈活的時段、路線、距離、環境等因素設定，用戶體驗將更為良好；
精確風險管理——豐富定價因子，判斷客戶風險，改善理賠流程，減少欺詐風險；
優化用戶行為——吸引“好”客戶，改善駕駛習慣，降低事故頻率，促進賠付下降；
實現大數據應用——充分分析和挖掘已收集用戶的風險數據、消費數據和行為數據的價值；
高效管理渠道——幫助保險公司快速確定優秀的渠道，控制費用率；
增加用戶黏性——通過互聯網和移動互聯網實現網上購買、保費優惠、事故第一時間通知、及提供多種客戶感興趣的相關服務，可以增加用戶接觸，改善客戶關系，延長服務周期，還可為開展其他銷售活動提供機會。
UBI數據模型中的組成因子
做好UBI車險的關鍵和難點除了要實時采集有關車輛駕駛情況的諸多數據，還在于建立科學的數據模型和算法，從紛繁復雜的數據中估算出駕駛者的風險系數，然后為保費提供定價依據。
UBI數據模型的完善需要兩部分數據模型的完整構建。首先，需要通過設備采集到用戶的行駛里程、駕駛行為等諸多數據，還要結合上一定的風險數據，再將這些數據按照不同的權重進行劃分，通過初步計算，得到駕駛行為分數，也就是構建出的初步分析數據模型;除此之外，還要根據保險公司的實際情況構建出標準數據模型。再將前者與后者進行比對，得出最終的分析結果，作為保費定價的依據。
其數據因子按照主要因子、次要因子、輔助因子的分類可組成“用戶畫像”。主要因子一般包括速度、城市道路、夜間時間、急加速、急剎車五項，這五項主要數據結合車輛單次行程時間和距離以及周邊道路限速情況等次要因素，加權計算出相對應的駕駛行為。
另外，UBI數據模型中還有一項特殊的分析，即風險數據的評估。駕駛風險評價需要采集駕駛人員屬性(年齡、駕齡等)及行為、車輛情況、道路狀況、環境因素、管理因素等，這些數據同樣根據不同的風險權重比來計算出風險數據。
UBI車險面臨挑戰及升級思路
目前國內保險公司推廣UBI車險模式主要存在兩個瓶頸，一是難以形成精準的UBI車險定價模型，對國內UBI車險保費的控制把握程度低；二是采用UBI車險模式之后，難以對車主可能發生的風險事故進行識別控制。
OBD則是除了給保險公司提供一個硬件接口，更能跳出原本的模式，以UBI保險為產品核心，延伸出更多的服務模式，進而開發出更多種類的汽車相關保險，為多樣化的市場所服務。