3. 数据基础与合规

还款意愿模型（Propensity to Pay，PTP）不是单纯的技术问题，它的上限由数据基础与合规边界决定。一个在实验室里AUC很高的模型，如果数据来源不合规、样本定义与业务口径不一致、观察期与表现期设计存在穿越，上线后不仅无法落地，还可能带来监管与声誉风险。本节围绕四个关键问题展开：数据从哪里来、如何合规使用、样本如何定义、时间窗口如何切分。

一、数据来源：分层理解，先合规后建模

催收场景的数据通常可分为四层。第一层是账户与合同基础数据，包括授信额度、放款金额、利率、期数、到期日、还款方式等，这类数据稳定、可追溯，是样本定义的骨架。第二层是还款与交易行为数据，包括历史还款记录、逾期天数（DPD）、还款金额、还款渠道、代扣失败次数等，是判断还款意愿最直接的信号。第三层是催收过程数据，包括催收方式（短信、IVR、人工外呼、上门）、触达结果、承诺还款（PTPromise）、实际履约情况等，这类数据既可能作为特征，也可能造成标签泄漏，需要谨慎处理。第四层是外部与替代数据，如征信报告、多头借贷、设备与行为埋点等，使用时必须确认授权范围与用途限制。

二、隐私合规：从“能用”到“可解释、可审计”

合规不是建模完成后的补丁，而应贯穿数据准备全过程。建议在项目启动阶段就建立数据合规清单，明确每类数据的来源、授权依据、使用范围、脱敏方式和留存周期。对个人敏感信息，应优先采用脱敏、哈希、分箱等方式处理，避免在特征中直接使用身份证号、手机号、精确地址等标识信息。

同时要关注可解释性。催收决策直接影响客户权益，模型若使用复杂黑箱特征，需能够向合规与业务方解释“为什么这个客户被判定为低还款意愿”。因此，在特征选择阶段就应优先保留业务含义清晰、可追溯的变量，对高风险特征建立审批与留痕机制。

三、样本定义：谁进入建模总体

样本定义决定了模型“学什么”。在PTP建模中，常见的样本总体是“进入催收流程的逾期账户”。但需要进一步明确：是首次逾期、还是特定账龄（如M1、M2、M3）？是否包含已核销、已诉讼、已减免结清账户？不同口径会导致模型适用场景完全不同。

标签定义同样关键。还款意愿通常以“在表现期内是否发生约定还款行为”作为标签。这里要区分意愿与能力：客户没有还款，可能是因为没钱，也可能是因为不想还。若模型目标聚焦意愿，应尽量控制“能力”因素的干扰，例如在样本中排除已确认丧失还款能力的账户，或引入收入、负债等变量进行分层。

四、观察期与表现期：时间窗口设计

观察期（Observation Window）用于提取特征，表现期（Performance Window）用于观察标签。两者必须严格分离，否则会发生时间穿越。典型设计是：以某个“观察点”为界，观察点之前的数据用于构造特征，观察点之后的一段时间用于判断是否还款。

例如，针对M1客户，可以设定观察期为进入催收前6个月，表现期为进入催收后30天。若表现期太短，会漏掉部分还款行为；太长，则模型上线后需要等待很久才能拿到标签，影响迭代速度。实践中需要根据催收周期、还款习惯和业务节奏做权衡。

# 示例：观察期与表现期切分逻辑（伪代码）
observation_start = collect_start - 180 days
observation_end   = collect_start
performance_start = collect_start
performance_end   = collect_start + 30 days

# 特征仅使用 observation_start ~ observation_end 的数据
# 标签仅使用 performance_start ~ performance_end 的还款结果
assert observation_end <= performance_start  # 防止时间穿越

五、常见误区与复盘

• 误区一：先拿数据再想合规。正确顺序是先确认授权与用途，再决定哪些数据可用。
• 误区二：观察期与表现期重叠。这会造成标签泄漏，模型离线指标虚高，上线后迅速失效。
• 误区三：样本口径与业务不一致。建模样本包含已核销账户，但上线只用于新逾期客户，导致分布偏移。
• 误区四：忽视催收过程数据。催收记录既是特征也是结果，若不加区分地使用，容易把“催收动作”误当成“客户意愿”。

复盘时建议建立一张“数据-合规-样本-时间”四维检查表，在每个建模周期开始前逐项确认。只有数据基础扎实、合规边界清晰、样本与时间窗口设计严谨，后续的特征工程与模型训练才有意义。