来源：车逸行
目前，在车险业务中排在前7的保险公司仍然占据近80%的车险保费份额。在费率改革深化尤其是在建立退出机制以后，以往通过降价和增加渠道费用的传统手段已经难以为继。
而基于车联网大数据的UBI则可以从以下多个方面解决保险公司现有问题以及优化业务模式：
精准及个性化定价——基于大数据与人工智能，能实现对各种风险更为精准、动态的定价；
多样化的保障方式——基于车联网数据可以更精确判断车辆运行状态，因此保险保障有可能按照更灵活的时段、路线、距离、环境等因素设定，用户体验将更为良好；
精确风险管理——丰富定价因子，判断客户风险，改善理赔流程，减少欺诈风险；
优化用户行为——吸引“好”客户，改善驾驶习惯，降低事故频率，促进赔付下降；
实现大数据应用——充分分析和挖掘已收集用户的风险数据、消费数据和行为数据的价值；
高效管理渠道——帮助保险公司快速确定优秀的渠道，控制费用率；
增加用户黏性——通过互联网和移动互联网实现网上购买、保费优惠、事故第一时间通知、及提供多种客户感兴趣的相关服务，可以增加用户接触，改善客户关系，延长服务周期，还可为开展其他销售活动提供机会。
UBI数据模型中的组成因子
做好UBI车险的关键和难点除了要实时采集有关车辆驾驶情况的诸多数据，还在于建立科学的数据模型和算法，从纷繁复杂的数据中估算出驾驶者的风险系数，然后为保费提供定价依据。
UBI数据模型的完善需要两部分数据模型的完整构建。首先，需要通过设备采集到用户的行驶里程、驾驶行为等诸多数据，还要结合上一定的风险数据，再将这些数据按照不同的权重进行划分，通过初步计算，得到驾驶行为分数，也就是构建出的初步分析数据模型;除此之外，还要根据保险公司的实际情况构建出标准数据模型。再将前者与后者进行比对，得出最终的分析结果，作为保费定价的依据。
其数据因子按照主要因子、次要因子、辅助因子的分类可组成“用户画像”。主要因子一般包括速度、城市道路、夜间时间、急加速、急刹车五项，这五项主要数据结合车辆单次行程时间和距离以及周边道路限速情况等次要因素，加权计算出相对应的驾驶行为。
另外，UBI数据模型中还有一项特殊的分析，即风险数据的评估。驾驶风险评价需要采集驾驶人员属性(年龄、驾龄等)及行为、车辆情况、道路状况、环境因素、管理因素等，这些数据同样根据不同的风险权重比来计算出风险数据。
UBI车险面临挑战及升级思路
目前国内保险公司推广UBI车险模式主要存在两个瓶颈，一是难以形成精准的UBI车险定价模型，对国内UBI车险保费的控制把握程度低；二是采用UBI车险模式之后，难以对车主可能发生的风险事故进行识别控制。
OBD则是除了给保险公司提供一个硬件接口，更能跳出原本的模式，以UBI保险为产品核心，延伸出更多的服务模式，进而开发出更多种类的汽车相关保险，为多样化的市场所服务。