1. 课程导入

欢迎进入《贷后行为评分B卡建模与风险分层实战》。在信贷风控体系中，贷前审批决定“是否放款”，贷后管理决定“放出去的钱能否安全收回”。贷后行为评分B卡，正是贷后管理从“经验驱动”走向“数据驱动”的核心工具。本章不急于讲算法，而是先建立全局认知：B卡到底是什么、它解决什么业务问题、学完这门课你能做到什么，以及30章内容如何层层递进。

一、贷后行为评分B卡的定义

行为评分卡（Behavior Scorecard）是一类基于客户在贷后表现数据构建的预测模型，通常以分数形式输出客户未来一段时间内发生逾期、违约、流失或响应某类经营动作的概率。在业内，贷前申请评分卡常被称为A卡（Application Scorecard），贷后行为评分卡被称为B卡（Behavior Scorecard），催收评分卡被称为C卡（Collection Scorecard）。

B卡的核心输入不是申请时的静态信息，而是账户开立后的动态行为，例如：

• 还款行为：历史逾期次数、最大逾期天数、最近一次逾期距今时长、还款率、最低还款比例。
• 用信行为：额度使用率、账单金额、取现比例、分期笔数、授信余额变化。
• 交易行为：消费频次、消费金额、商户类型分布、交易时间规律。
• 交互行为：APP登录频次、资料更新、客服咨询、营销响应。
• 外部行为：征信查询次数、多头借贷变化、公共记录变动。

与A卡相比，B卡的最大特点是“时间窗口滚动更新”。A卡在审批时点计算一次，B卡则按账龄、按月或按日滚动计算，因此它更贴近客户当前的真实风险状态。B卡的输出通常是一个分数，分数越高代表风险越低或响应概率越高，具体方向取决于建模目标定义。

二、业务价值：为什么贷后必须做B卡

很多团队在贷前投入大量建模资源，贷后却仍靠人工名单和固定规则管理。结果是：高风险客户发现太晚，低风险客户被过度打扰，额度调整缺乏依据，催收资源错配。B卡的业务价值体现在四个层面。

价值维度	具体表现	可量化指标
风险预警	提前识别逾期风险上升客户，触发贷后检查、降额、冻结或提前催收	逾期率、坏账率、预警命中率、预警提前天数
额度经营	对低风险客户提额、对高风险客户降额，实现风险与收益平衡	额度使用率、风险调整后收益、提额通过率
客户分层	将客户划分为优质、成长、关注、预警、高危等层级，差异化运营	分层覆盖率、各层迁徙率、运营响应率
催收策略	按风险等级分配催收资源，高风险早介入、低风险轻触达	回款率、催收成本、投诉率、滚动率

从投入产出看，B卡的价值往往比A卡更直接：A卡影响的是“入口规模”，B卡影响的是“存量质量”。一个运行良好的B卡体系，可以在不增加获客成本的前提下，显著降低存量坏账并提升优质客户的留存与贡献。

三、核心原理：B卡如何把行为变成分数

B卡的底层逻辑并不神秘，可以概括为“行为痕迹—风险信号—概率映射—分数输出”四步。客户每一次还款、每一笔消费、每一次登录，都会留下痕迹；这些痕迹中隐藏着风险信号，例如额度使用率快速上升、还款时间逐渐推迟、多头借贷增加；模型将这些信号加权组合，映射为未来违约概率；最后通过评分刻度转换，输出一个直观、可排序、可分层的分数。

行为数据 → 特征工程 → 模型训练 → 概率校准 → 评分刻度 → 风险分层 → 策略动作
   ↑                                                              ↓
   └──────────────────── 监控与迭代 ←────────────────────────────┘

在实战中，B卡常用逻辑回归、梯度提升树、神经网络等算法。逻辑回归可解释性强，适合策略落地和监管沟通；树模型捕捉非线性关系能力强，适合提升排序效果。无论选哪种算法，最终都要回答三个问题：谁的风险在上升？上升了多少？应该采取什么动作？

四、案例场景：一个典型的贷后管理困境

某消费金融公司有100万存量客户，贷后管理主要依靠“逾期后催收”和“人工抽检”。运营团队发现：部分客户在首次逾期前没有任何预警，一旦逾期就迅速劣变；同时，大量优质客户长期没有提额，活跃度下降。引入B卡后，公司按月计算行为分数，将客户分为五层：

• 优质层：分数前20%，自动提额并推送优惠，提升留存。
• 成长层：分数20%～50%，保持观察，适度营销。
• 关注层：分数50%～75%，限制提额，增加提醒频次。
• 预警层：分数75%～90%，降额、冻结部分权限、提前外呼。
• 高危层：分数后10%，进入催收名单，优先分配资源。

运行一个季度后，预警层和高危层的早期回款率明显提升，优质层额度使用率和留存率同步改善。这个案例说明：B卡的价值不在于“算得准”本身，而在于把风险判断转化为差异化动作。

五、常见误区与复盘

初学者在B卡建设中容易踩以下坑：

1. 把B卡当A卡做：沿用申请评分卡的特征和逻辑，忽略贷后动态行为，导致区分度不足。
2. 目标定义模糊：没有明确预测未来多久、预测什么事件（逾期、坏账、流失、响应），模型无法评估。
3. 观察期与表现期混淆：特征窗口和标签窗口重叠，造成信息泄露，模型上线后效果骤降。
4. 只建模不监控：客群、产品、政策变化后模型漂移，分数失效却无人察觉。
5. 分数与策略脱节：模型输出很漂亮，但没有对应的额度、催收、营销动作，业务价值为零。

六、学习目标与整体课程框架

完成本课程后，你应当能够：

• 独立完成B卡的目标定义、样本设计、特征工程、模型训练与评估。
• 将模型分数转化为风险分层，并设计对应的贷后策略动作。
• 搭建B卡监控体系，识别分数漂移、特征漂移和策略失效。
• 理解B卡与A卡、C卡的分工与协同，形成完整的贷后风控闭环。

30章内容按“认知—数据—建模—评估—分层—策略—监控—实战”递进展开：前几章建立B卡基础与业务框架；中段深入数据准备、特征工程、模型算法与评估；后段聚焦风险分层、策略设计、监控迭代和综合案例。每一章都围绕一个可落地的实战问题展开，最终帮助你从“会建模”走向“能落地”。