4. 回收率预测核心概念
在催收Recovery场景中，回收率预测不是单纯的机器学习建模问题，而是一个从业务目标出发、经过数据定义与样本设计、最终回到策略动作的闭环工程。很多团队模型指标看起来不错，但上线后策略效果不佳，根源往往不在算法，而在预测目标、时间窗口、样本口径和标签定义这四个基础概念没有与业务对齐。本节将逐一拆解这四个核心概念，并给出可落地的设计方法。
一、预测目标定义：先回答“预测什么、给谁用、怎么用”
预测目标定义是整个预测体系的起点。它需要明确三个问题：预测对象是谁、预测结果用于什么决策、预测粒度是什么。在催收场景中，常见的预测目标包括：
- 案件级回收率：预测单个逾期案件在未来一段时间内可回收金额占应还金额的比例，用于案件优先级排序和催收资源分配。
- 客户级回收率：预测同一客户名下多个案件的整体回收概率，用于客户分层和差异化策略。
- 策略级回收率：预测某类催收动作（如电话、短信、外访、法诉）在特定客群上的回收效果，用于策略优化和渠道选择。
- 组合级回收率：预测整个资产包或某账龄段的整体回收率，用于财务拨备、资产估值和KPI制定。
目标定义不清会导致后续所有工作偏离方向。例如，如果目标是“案件排序”，那么预测输出应该是相对排序能力，而不是绝对回收率；如果目标是“财务拨备”，则要求绝对回收率校准准确。因此，在项目启动阶段，必须与业务方确认预测结果的使用场景和决策阈值。
二、时间窗口选择：观察期、表现期与预测期的三窗设计
时间窗口选择直接决定了样本的可用性和预测的时效性。在催收回收率预测中，通常采用观察期（Observation Window）、表现期（Performance Window）和预测期（Prediction Window）三窗结构。
| 窗口类型 | 定义 | 典型长度 | 作用 |
|---|---|---|---|
| 观察期 | 用于提取客户特征和案件特征的时间段 | 3～12个月 | 构建特征变量，如历史还款、逾期次数、催收接触记录 |
| 表现期 | 用于观察回收结果的时间段 | 1～6个月 | 定义标签，计算实际回收金额和回收率 |
| 预测期 | 模型上线后需要预测的未来时间段 | 1～3个月 | 与表现期长度保持一致，确保预测口径匹配 |
时间窗口选择的核心原则是：预测期长度必须与表现期长度一致。如果训练时用3个月表现期计算回收率，上线后却预测1个月回收率，模型输出会系统性偏高。此外，观察期与表现期之间应设置缓冲期（Buffer Period），避免特征泄露。例如，观察期截止到2024年3月31日，表现期从2024年4月1日开始，中间不设缓冲期时，3月31日当天的催收动作可能同时影响特征和标签，造成信息穿越。
三、样本构建：从全量案件到建模样本的筛选逻辑
样本构建决定了模型的学习空间。催收回收率预测的样本构建需要经过以下步骤：
- 确定样本总体：明确哪些案件进入建模范围，例如M1（逾期1～30天）、M2（逾期31～60天）、M3（逾期61～90天）等不同账龄段应分别建模，因为不同账龄的回收规律差异显著。
- 排除特殊案件：如欺诈案件、核销案件、法律诉讼中案件、客户已死亡等，这些案件回收逻辑与正常催收不同，应单独处理或排除。
- 处理样本不均衡：回收率预测中，高回收案件和零回收案件可能分布极不均衡。对于零回收样本过多的账龄段，可考虑采用分层抽样或调整损失函数权重。
- 划分训练集、验证集和测试集：建议按时间维度划分，而非随机划分。例如用2023年1～9月案件训练，2023年10～12月验证，2024年1～3月测试，以模拟真实上线场景。
- 样本量评估：每个账龄段建模样本建议不少于5000条，若某账龄段样本不足，可考虑合并相邻账龄或采用迁移学习。
样本构建中一个容易被忽视的问题是样本代表性。如果训练样本只包含已被催收过的案件，而未来需要预测未催收案件，则模型会偏向于“已被催收”的分布。此时需要引入倾向得分加权或逆概率加权来校正选择偏差。
四、标签设计与业务对齐：回收率不是唯一标签
标签设计是连接预测目标与模型输出的桥梁。在催收场景中，标签不仅仅是“回收率”一个数值，还需要根据业务动作进行细化。常见的标签设计方式包括：
- 金额回收率：实际回收金额 / 应还金额，适用于财务拨备和资产估值。
- 案件回收率：是否回收（0/1），适用于案件排序和催收优先级。
- 时间维度回收率：在表现期内第7天、第15天、第30天的累计回收率，适用于催收节奏控制。
- 策略响应标签：在特定催收动作下的回收率，适用于策略效果评估和渠道优化。
标签设计必须与业务动作对齐。例如，如果业务方希望模型输出“哪些案件应该优先电话催收”，那么标签应该是“电话催收后的回收率”，而不是“所有案件的回收率”。否则模型学到的是一般回收规律，而非策略响应规律。
1. 标签口径与预测目标一致：预测什么就标注什么。
2. 标签时间窗口与预测期一致：训练和上线口径必须匹配。
3. 标签可观测且可计算：避免使用无法获取或计算成本过高的标签。
五、案例复盘：某消费金融公司回收率预测项目
某消费金融公司初期直接使用全量M1案件训练回收率模型，标签为“30天内是否回收”，特征包括客户年龄、历史还款、逾期天数等。模型离线AUC达到0.82，但上线后策略效果不佳。复盘发现三个问题：
- 目标定义偏差：模型预测的是“是否回收”，但业务方实际需要的是“回收金额排序”，导致高回收概率但低回收金额的案件被优先分配资源。
- 时间窗口错配：训练时表现期为30天，但上线后策略调整周期为15天，预测期与表现期不一致，模型输出无法直接用于15天决策。
- 样本选择偏差：训练样本只包含已被电话催收的案件，未包含未催收案件，导致模型对未催收案件的预测偏高。
修正方案：重新定义预测目标为“15天内回收金额”，表现期调整为15天，样本纳入未催收案件并采用逆概率加权校正，标签改为金额回收率。修正后模型离线AUC略降至0.78，但上线后策略回收金额提升12%，验证了业务对齐的重要性。
六、核心概念检查清单
在启动回收率预测项目前，建议逐项确认以下内容：
| 检查项 | 确认内容 | 常见问题 |
|---|---|---|
| 预测目标 | 预测对象、粒度、使用场景、决策动作 | 目标模糊，模型输出无法直接用于决策 |
| 时间窗口 | 观察期、表现期、预测期长度及缓冲期 | 表现期与预测期不一致，特征泄露 |
| 样本构建 | 样本总体、排除规则、时间划分、样本量 | 样本选择偏差，训练集与上线分布不一致 |
| 标签设计 | 标签口径、时间窗口、可观测性、业务对齐 | 标签与业务动作脱节，无法指导策略 |
| 业务对齐 | 与业务方确认目标、口径、评估指标、更新频率 | 技术指标好但业务效果差 |
回收率预测的核心概念看似基础，但每一个环节的偏差都会在后续建模和策略应用中放大。只有把预测目标、时间窗口、样本构建、标签设计和业务对齐这五件事做扎实，模型才能真正成为催收策略优化的有效工具。