Los enfoques convencionales para modelar el riesgo del conductor han incorporado medidas como el género del conductor, la edad, el lugar de residencia, el modelo del vehículo y los kilómetros recorridos anualmente. Sin embargo, en la última década, la investigación ha demostrado que evaluar el riesgo de accidente de un conductor basado en estas variables no es suficiente, especialmente a medida que la tecnología avanzada cambia los vehículos de hoy, así como el papel y el comportamiento del conductor. Hay un reconocimiento creciente de que los patrones de uso real del conductor y el comportamiento de conducción, cuando se pueden capturar adecuadamente en el modelado del riesgo, ofrecen una mayor precisión y proyecciones más personalizadas. Sin embargo, varios desafíos hacen que esto sea difícil. Estos desafíos incluyen el acceso a los tipos correctos de datos, el manejo de datos de alta dimensión y la identificación de la estructura subyacente de la varianza en el comportamiento de conducción. También está el desafío de cómo identificar variables clave para detectar y predecir el riesgo, y cómo combinarlas en algoritmos predictivos. Este documento propone un marco sistemático de extracción y selección de características para construir Perfiles de Conductor Comprensivos que sirvan como base para el análisis del comportamiento del conductor y la construcción de perfiles completos de conductores. Las características se extraen de datos en bruto utilizando técnicas estadísticas de extracción de características, y se utiliza un algoritmo híbrido de selección de características para seleccionar el mejor conjunto de características del perfil del conductor basado en resultados de interés como el riesgo de accidente. Puede dar lugar a la detección y predicción individualizada del riesgo, y también puede ser utilizado para identificar tipos de conductores que exhiben patrones similares de conducción y uso de vehículos/tecnología. El marco desarrollado se aplica a un conjunto de datos de conducción naturalista-NEST, derivado del estudio de conducción naturalista más amplio SHRP2, para ilustrar los tipos de información sobre el comportamiento del conductor que se pueden aprovechar, así como algunas de las aplicaciones importantes que se pueden derivar de ello.