4. 目标变量定义

在催收还款意愿（Propensity to Pay，PTP）建模中，目标变量定义是整个项目的地基。模型的上限往往不由算法决定，而由标签定义是否准确、稳定、可解释决定。PTP标签本质上回答一个问题：在给定观察时点与观察窗口下，这个客户是否会在未来某个时间窗口内发生约定口径的还款行为？如果这个问题定义模糊，后续特征工程、模型训练和策略部署都会产生系统性偏差。

一、核心原理：PTP标签的三要素

一个可落地的PTP标签必须同时明确三个要素：观察时点（Observation Point）、表现窗口（Performance Window）、还款行为口径（Payment Definition）。观察时点是用来抽取特征的时间截面，通常为账单日、逾期日、委案日或上一次催收动作日；表现窗口是观察时点之后用于判断是否还款的时间区间；还款行为口径则规定什么算“还款”，例如是否只看本金、是否包含部分还款、是否要求达到最低还款额、是否剔除冲正和退款。

PTP标签 = f(观察时点, 表现窗口, 还款口径)。三者任一变化，标签分布和模型含义都会改变，因此必须在建模前形成书面定义并版本化管理。

从业务视角看，PTP不是“最终是否回款”的长期结果，而是“在催收可干预周期内是否愿意响应”的短期倾向。因此表现窗口通常设置为7天、14天、30天，少数场景可到60天。窗口过短会漏掉真实还款意愿，窗口过长会引入自然回款和外部变量干扰，导致模型学到与催收动作无关的信号。

二、方法流程：从业务口径到建模标签

建议按以下流程构建PTP标签，确保业务、数据、模型三方对齐。

  1. 确定观察时点：以催收案件进入队列或首次触达时间为准，避免使用未来信息。若同一客户多次催收，需按案件粒度而非客户粒度建样本。
  2. 定义表现窗口：根据催收策略周期选择7/14/30天，并保证窗口内无其他强干预污染。例如若第10天有减免活动，则30天标签会混入活动效应。
  3. 明确还款口径：常见口径包括“任意金额还款”“还清当期最低应还”“还清全部逾期本息”“承诺还款且实际到账”。不同口径对应不同业务目标。
  4. 生成二分类标签：在表现窗口内满足口径则标为1，否则为0。若需多分类，可划分为“全额还款/部分还款/未还款/承诺未还”。
  5. 标签噪声识别与处理：检查冲正、退款、系统延迟、代扣失败、重复案件等造成的假正例和假负例。
  6. 标签版本管理：记录口径、窗口、观察时点、数据快照时间，确保训练与上线一致。

下面是一个典型的标签生成SQL逻辑，用于按案件粒度生成30天PTP标签：

-- 观察时点：案件进入催收队列日期
-- 表现窗口：观察时点后30天
-- 还款口径：窗口内实际到账金额 >= 当期最低应还金额
WITH case_base AS (
  SELECT case_id, cust_id, obs_date, min_due_amt
  FROM collection_case
  WHERE obs_date BETWEEN '2024-01-01' AND '2024-06-30'
),
pay_agg AS (
  SELECT c.case_id,
         SUM(p.pay_amt) AS paid_amt
  FROM case_base c
  LEFT JOIN payment p
    ON c.case_id = p.case_id
   AND p.pay_date > c.obs_date
   AND p.pay_date <= DATE_ADD(c.obs_date, 30)
   AND p.status = 'SUCCESS'
  GROUP BY c.case_id
)
SELECT c.case_id,
       CASE WHEN COALESCE(p.paid_amt,0) >= c.min_due_amt THEN 1 ELSE 0 END AS ptp_label
FROM case_base c
LEFT JOIN pay_agg p ON c.case_id = p.case_id;

三、时间窗口选择与标签噪声处理

时间窗口选择需要平衡“业务可干预性”和“标签稳定性”。7天窗口适合高频催收、短周期现金贷；14天适合信用卡早期逾期；30天适合委外催收和长账龄案件。窗口越长，正样本比例越高，但噪声也越大，因为客户可能因工资到账、退款、系统自动扣款等非催收因素还款。

标签噪声主要来源包括：

  • 冲正与退款：还款后发生冲正，实际未回款，但标签仍为1。
  • 代扣失败：客户有还款意愿但余额不足，系统显示失败，标签为0。
  • 多案件重复：同一客户多笔案件，部分还款被错误归集。
  • 观察时点泄漏：特征抽取使用了表现窗口内的信息，造成标签泄漏。
  • 活动干扰：减免、分期、外呼活动集中期，标签受策略影响而非自然意愿。
标签噪声不会因为模型复杂而自动消失。若正例中混入10%的冲正订单，模型会学到“冲正前行为”作为还款信号，上线后精准率显著下降。必须在标签层清洗，而不是在模型层补救。

处理噪声的常用手段包括：剔除冲正和退款记录、将代扣失败但后续成功还款的样本重新归为正例、按案件去重、设置观察时点与特征时间边界、对活动期样本加权或单独建模。建议在标签生成后输出分布监控表，持续跟踪正例率、窗口内还款金额分布和噪声比例。

口径类型定义适用场景主要风险
任意还款窗口内发生任意金额成功还款早期唤醒、低门槛响应正例率过高，区分度弱
最低应还还款金额≥当期最低应还信用卡、现金贷催收部分还款被误判为负例
全额还清还清全部逾期本息高价值案件、委外考核正例稀疏，模型难收敛
承诺还款承诺且实际到账电话催收、PTP承诺场景承诺未还造成假正例

四、案例与复盘：一个30天PTP标签的修正过程

某消费金融公司初期将PTP定义为“案件进入催收后30天内任意还款”，模型AUC约0.71，但上线后催收员反馈“模型高分客户很多只是还了10元”。复盘发现，任意还款口径下大量部分还款被标为正例，模型学到的是“小额试探性还款”而非真实还款意愿。随后将口径改为“30天内还款金额≥当期最低应还”，正例率从42%降至23%，AUC提升至0.78，且高分案件的实际回款金额提升明显。

另一个常见误区是观察时点选择过晚。若以“最后一次催收动作”为观察时点，特征中会包含大量催收过程信息，而这些信息在预测时不可用，造成离线指标虚高。正确做法是以案件进入队列或首次触达为观察时点，确保特征在预测时点可获取。

建议在标签定义阶段就建立“标签字典”，记录每个字段的业务含义、计算逻辑、时间边界、噪声处理规则和版本号。标签字典是模型可解释性和合规审计的基础。

最后，PTP标签不是一次定义终身不变。随着催收策略、产品规则和外部环境变化，还款行为分布会漂移。应定期回测标签分布，监控正例率、窗口内还款金额中位数和噪声比例，必要时重新定义口径并重训模型。只有把目标变量定义做扎实，PTP模型才能真正服务于催收策略，而不是停留在离线指标上。

← 上一章 📖 返回目录 下一章 →