产品和工具： 时间序列、 MongoDB AtlasCharts、 MongoDB Connector for Spark、 MongoDB Atlas数据库、 MongoDB物化视图、聚合管道
合作伙伴： Databricks
解决方案概述
该解决方案演示了如何使用MongoDB、机器学习和实时数据处理来实现联网汽车数字化核保进程的自动化。您可以使用此解决方案，根据客户的习惯和行为，为他们提供基于使用量的个性化保费。
为此，您需要收集数据，将其发送到机器学习平台进行分析，然后使用分析结果为客户创建个性化保费。您还将可视化数据，以识别趋势并获得见解。这种独特的定制方法将使您的客户更好地控制其保险成本，并帮助您提供更准确、更公平的定价。
GitHub 存储库 包含有关如何在MongoDB Atlas中加载示例数据和构建转换管道，以及如何生成、发送和进程往返于 Databricks 的事件的详细分步说明。
在本演示结束时，您将使用Atlas Charts创建数据可视化，以近乎实时地自动跟踪保费变化。
您可以将此解决方案的概念应用其他行业，包括：
金融服务：银行及金融机构必须能够解读带时间戳的金融交易，以支持交易决策、欺诈侦测等多种用途。
零售：零售商需要实时了解当前市场数据。
医疗保健：从运输模式到包装本身，IoT 传感器在运输途中和现场均能实现供应链优化。
参考架构
下图描述了该架构：
图 1. 基于 MongoDB 的参考架构
首先，将包括汽车旅程总行驶距离的数据集加载到MongoDB中，并在每天午夜运行每日 Cron作业以总结每日行程。然后，将每日行程编译为文档，存储在名为 customerTripDaily 的新集合中。在每月的 25 日运行每月一次的 cron作业，聚合每日文档并创建名为 customerTripMonthly 的新集合。每次创建新的月度摘要时， Atlas函数都会将该月的总距离和基线溢价发布到 Databricks 以进行 ML 预测。然后，将 ML 预测发送回MongoDB并添加到 customerTripMonthly。最后一步，使用MongoDB Charts可视化所有数据。
数据模型方法
对于此使用案例，基本数据模型涵盖了客户、他们的行程、他们购买的保单以及这些保单承保的车辆。
此示例构建了三个MongoDB集合和两个物化视图。您可以在 GitHub存储库中找到用于定义MongoDB对象的完整数据模型。
图2。MongoDB 数据模型方法
构建解决方案
要复制此解决方案，请检查其 GitHub存储库。按照存储库的 README进行操作，其中更详细地介绍了以下步骤。
使用物化视图创建数据处理管道
数据处理管道组件由示例数据、每日物化视图和每月物化视图组成。物联网（IoT）车辆遥测数据的示例数据集代表客户的机动车行程。它已加载到名为customerTripRaw 的集合中。数据集可在 GitHub 上找到，并可通过mongoimport 或其他方法加载。要创建物化视图，定时触发器会执行一个运行聚合管道的函数。然后，生成原始物物联网（IoT）数据的每日摘要，并将其放入名为customerTripDaily 的物化视图集合中。与每月物化视图类似，定时触发器执行一个运行聚合管道的函数，该管道每月汇总 集合中的信息，并将其放入名为customerTripDaily customerTripMonthly的物化视图集合中。
检查以下Github存储库以创建数据处理管道：
第 1 步： 加载示例数据。
步骤 2： 设置每日的 cron 作业。
步骤 3： 设置每月的 cron 作业。
图 3。创建数据处理管道
利用机器学习模型自动计算保费
决策处理组件包含一个定时触发器，用于收集必要的数据并将有效负载发布到 Databricks ML Flow API端点。此模型之前使用 Databricks 上的MongoDB Spark Connector进行过训练。然后，等待模型响应，并根据给定客户的每月驾驶里程计算出保费。然后，定时触发器会更新 customerPolicy集合，以将新的每月保费计算结果作为新的子文档附加到 monthlyPremium大量中。
检查以下Github存储库以创建数据处理管道：
第 4 步： 设置计算保费触发器。
步骤 5： 设置 Databricks 连接。
步骤 6： 将机器学习模型的预测结果写入MongoDB。
图4。使用机器学习模型自动化计算
关键要点
了解如何构建 时间序列数据的物化视图：请参阅1 3GitHub 存储库中的步骤 - 。
利用 cron 表达式的聚合管道：请参阅2 3GitHub 存储库中的步骤 或 。
使用MongoDB Atlas数据为机器学习模型提供服务：请参阅4 GitHub 存储库中的步骤 。
将机器学习模型预测写入Atlas数据库：请参阅5 6GitHub 存储库中的步骤 和 。
对不断变化的模型结果提供近乎实时的可视化见解：请参阅 GitHub 存储库中的“奖励”步骤。
作者
Jeff Needham，MongoDB
Ainhoa Múgica, MongoDB
Luca Napoli，MongoDB
Karolina Ruiz Rogelj, MongoDB