1. 课程导入

一、催收业务全景：从“追回欠款”到“经营风险”

催收是信贷业务贷后管理的核心环节，目标并非单纯“把钱要回来”，而是在合规、成本、客户关系与回收效率之间取得最优平衡。一个典型的催收业务链条通常包含：逾期识别与分案、策略制定、触达与沟通、承诺还款、实际回款、账务核销与复盘。不同逾期阶段（M1、M2、M3+）的客户特征、可触达性和还款意愿差异显著，因此“一刀切”的催收方式往往导致资源浪费与客户体验恶化。

在业务实践中，催收团队每天面对成千上万的案件，但人力、外呼线路、短信通道、法诉资源都是有限的。核心问题因此变成：在有限资源下，应该优先催谁、用什么方式催、催到什么程度？ 这正是治愈概率建模要回答的问题。

二、治愈概率建模的价值定位

“治愈概率”（Cure Probability）通常指逾期客户在未来某个观察窗口内，从逾期状态恢复到正常履约状态（或完成约定还款）的概率。它不同于简单的“回款金额预测”，而是聚焦于状态迁移的可能性。其价值主要体现在三个层面：

• 资源分配：按治愈概率高低排序，把有限的外呼、法诉资源投向“最可能被治愈且值得治愈”的客户。
• 策略优化：针对不同治愈概率区间设计差异化触达方式，例如高概率客户轻触达、低概率客户强干预或转外包。
• 风险定价与拨备：治愈概率是预期回收率的重要输入，影响资产减值与拨备计提。

三、核心原理：治愈概率建模在解决什么问题

从数学上看，治愈概率建模是一个二分类或生存分析问题。给定客户在逾期时点 t0 的特征向量 X，预测其在观察窗口 [t0, t0+T] 内发生“治愈”事件的概率 P(Y=1|X)。其中 Y=1 表示治愈，Y=0 表示未治愈（可能继续逾期、核销或进入更严重阶段）。

与普通信用评分模型相比，治愈概率模型有三个特殊点：

1. 样本定义敏感：观察窗口 T 的选择直接影响标签分布，T 太短会低估治愈，太长会引入噪声。
2. 时间依赖强：客户在逾期第 3 天和第 30 天的治愈概率差异巨大，模型需考虑账龄（Vintage）与时间衰减。
3. 策略反馈：催收动作本身会影响治愈结果，模型训练时需警惕“策略偏差”导致的标签污染。

四、方法流程：从业务问题到模型落地

一个完整的治愈概率建模项目通常遵循以下流程：

阶段	关键任务	产出物
业务定义	明确治愈口径、观察窗口、目标客群	标签定义文档
数据准备	整合逾期、还款、催收、客户属性数据	建模宽表
特征工程	构建账龄、历史还款、触达响应等特征	特征字典
模型训练	选择逻辑回归、树模型或生存模型	模型文件与评估报告
策略应用	分箱、排序、制定催收策略	策略矩阵
监控迭代	跟踪KS、AUC、治愈率与回收率	监控看板

在代码层面，一个最小化的建模流程可以用如下伪代码表示：

# 1. 加载建模宽表
df = load_table("collection_model_wide")

# 2. 定义标签：观察窗口90天内治愈
df["cure"] = ((df["recover_date"] - df["overdue_date"]).dt.days <= 90).astype(int)

# 3. 划分训练集与测试集
train, test = train_test_split(df, test_size=0.3, stratify=df["cure"])

# 4. 训练模型
model = XGBClassifier(max_depth=5, n_estimators=300, learning_rate=0.05)
model.fit(train[features], train["cure"])

# 5. 输出治愈概率并排序
test["cure_prob"] = model.predict_proba(test[features])[:, 1]
test.sort_values("cure_prob", ascending=False, inplace=True)

五、案例场景：治愈概率如何改变催收策略

假设某消费金融公司 M1 阶段有 10 万逾期客户，外呼团队每天只能触达 1 万人。传统做法是按逾期天数从长到短排序，优先催逾期最久的客户。但引入治愈概率模型后，团队发现：

• 逾期 5-10 天、历史还款良好的客户，治愈概率高达 0.82，但过去常被排在后面；
• 逾期 25-30 天、多次承诺未履约的客户，治愈概率仅 0.15，却占用了大量外呼资源。

调整策略后，团队将高治愈概率客户前置，采用短信+IVR轻触达；低治愈概率客户转外包或法诉。结果在相同人力下，整体回收率提升约 12%，同时客户投诉率下降。

六、常见误区与复盘

初学者在治愈概率建模中常犯以下错误：

• 标签定义随意：把“部分还款”也算作治愈，导致模型高估回收能力。
• 忽略策略偏差：用历史催收数据训练，但历史策略本身有偏，模型会继承偏差。
• 只看AUC不看业务：模型AUC很高，但排序后无法转化为实际催收动作。
• 不做时间外验证：用随机划分验证，忽略了逾期客户的时间迁移特性。

七、学习目标与整体课程框架

通过本课程，你将掌握从业务定义、数据处理、特征工程、模型训练到策略落地的完整治愈概率建模能力。课程共 30 章，整体框架如下：

1. 导入与认知：催收业务全景、治愈概率价值定位（本章）。
2. 数据与标签：治愈口径定义、观察窗口设计、样本构建。
3. 特征工程：账龄、还款行为、触达响应、外部数据特征。
4. 模型方法：逻辑回归、树模型、生存分析、集成策略。
5. 评估与调优：KS、AUC、Lift、校准与业务评估。
6. 策略应用：分箱排序、资源分配、催收策略矩阵。
7. 监控与迭代：模型漂移、策略反馈、重训机制。