4. 数据基础与数据源
失联客户可联络性预测，本质上不是一个“模型有多先进”的问题，而是一个“数据是否支撑得起判断”的问题。没有可靠的数据基础，再复杂的算法也只能输出看似合理却无法落地的概率。本章围绕五类核心数据源展开：客户画像、历史联络记录、行为日志、外部数据，以及贯穿始终的数据合规与隐私要求。理解它们各自的价值、边界与组合方式，是构建可联络性预测系统的第一步。
一、核心原理：可联络性预测的数据逻辑
可联络性预测的目标，是估计“在给定时间、给定渠道、给定策略下，客户被成功触达的概率”。这个概率不是单一变量决定的，而是由三类信息共同作用：客户是谁（画像）、过去联络发生了什么（历史记录）、客户当前处于什么状态（行为日志与外部数据）。
从数据建模角度看，可联络性预测的标签通常定义为：一次联络尝试是否在约定时间内得到有效响应。特征则来自上述数据源的时间切片。关键在于，所有特征必须满足“预测时点可得”原则，即不能使用未来信息。例如，不能用“本次联络结果”去预测“本次联络是否成功”，否则会造成标签泄漏。
二、五类数据源详解
1. 客户画像数据
客户画像描述的是客户相对稳定的属性，包括人口统计特征、账户属性、产品持有情况、价值分层、偏好标签等。这类数据更新频率低，但解释性强，常用于冷启动阶段或作为模型的基础特征。
- 基础属性：年龄、性别、地域、职业等；
- 账户属性：开户时长、账户等级、产品数量、历史贡献；
- 偏好标签：渠道偏好、时段偏好、内容偏好；
- 风险与合规标签：是否投诉、是否敏感客户、是否同意营销。
画像数据的核心价值在于“分层”。例如，年轻高价值客户可能更接受短信和App推送，而年长客户可能更依赖电话。画像不是直接决定可联络性，而是为不同群体提供不同的先验概率。
2. 历史联络记录
历史联络记录是可联络性预测中最直接、最重要的数据源。它记录了每一次联络的时间、渠道、结果、失败原因、响应时长等。典型字段包括：
| 字段 | 说明 | 示例 |
|---|---|---|
| contact_id | 联络唯一标识 | C20240512001 |
| customer_id | 客户标识 | U883721 |
| channel | 联络渠道 | 电话/短信/App推送/邮件 |
| contact_time | 联络发起时间 | 2024-05-12 10:23:00 |
| result | 联络结果 | 接通/未接/拒接/空号/停机 |
| response_delay | 响应延迟（秒） | 45 |
| fail_reason | 失败原因 | 号码无效/客户挂断/无应答 |
基于历史联络记录，可以构造大量强特征，例如：最近7天联络次数、最近30天接通率、各渠道历史成功率、上次成功联络距今天数、连续失败次数等。这些特征往往比画像特征更具预测力。
3. 行为日志数据
行为日志记录客户在产品或平台上的实时活动，例如登录、浏览、点击、交易、客服咨询等。行为日志的价值在于捕捉“当前活跃度”和“可触达窗口”。一个最近三天频繁登录App的客户，显然比一个三十天未登录的客户更容易通过App推送触达。
行为日志示例（JSON行格式）：
{"customer_id":"U883721","event":"app_login","ts":"2024-05-12T09:10:00","device":"iOS"}
{"customer_id":"U883721","event":"push_click","ts":"2024-05-12T09:12:30","campaign":"loan_offer"}
{"customer_id":"U883721","event":"page_view","ts":"2024-05-12T09:15:00","page":"repayment"}行为日志通常数据量大、更新快，需要做时间窗口聚合。常见做法是构造“最近1天/7天/30天”的登录次数、点击率、活跃天数等特征。需要注意的是，行为日志的缺失本身也是一种信号，不能简单填充为零而不加区分。
4. 外部数据
外部数据用于补充内部数据的不足，常见来源包括：运营商号码状态、第三方风控评分、公开工商信息、地理位置服务等。外部数据能显著提升号码有效性判断和触达概率预测，但引入时必须谨慎评估合法性、稳定性和成本。
- 号码状态类：是否空号、停机、携号转网；
- 风险评分类：信用评分、欺诈评分；
- 身份核验类：实名一致性、联系方式有效性；
- 场景类：地理位置、设备信息。
5. 数据合规与隐私要求
可联络性预测直接涉及客户联系方式与联络行为，属于隐私敏感场景。合规不是事后检查，而是数据接入、特征加工、模型训练、上线监控全流程的约束条件。
- 授权与目的限制：确认客户是否同意被联络、同意范围是否覆盖当前渠道和场景；
- 最小必要原则：只采集和使用与可联络性预测直接相关的字段，避免过度收集；
- 去标识化与加密：手机号、身份证号等敏感字段在存储和计算中应脱敏或加密；
- 访问控制与审计：特征平台和模型训练环境需有权限管理和操作日志；
- 留存与删除：明确数据留存期限，到期删除或匿名化；
- 可解释与可申诉：客户有权知道为何被判定为“低可联络性”，并支持人工复核。
三、方法流程：从数据源到特征宽表
将上述五类数据整合为可训练的特征宽表，通常遵循以下流程：
- 确定预测时点：明确每次预测对应的时间戳，所有特征只能使用该时点之前的数据；
- 主键对齐：以customer_id为主键，将画像、联络、行为、外部数据按时间窗口聚合；
- 窗口聚合：对联络和行为数据做1天、7天、30天等窗口统计；
- 标签构造：定义联络成功/失败标签，并排除无效联络和异常记录；
- 合规过滤：剔除未授权、已退订、敏感名单客户；
- 特征存储：写入特征平台，保证训练与线上推理特征一致性。
特征宽表示例（简化）：
customer_id | age | channel_pref | contact_7d_cnt | contact_7d_rate | login_7d_cnt | number_status | label
U883721 | 34 | App | 3 | 0.67 | 5 | normal | 1
U991204 | 52 | Phone | 1 | 0.00 | 0 |停机 | 0四、案例与复盘：一次“高准确率却无效”的模型
某团队曾构建一个可联络性预测模型，离线AUC达到0.86，但上线后电话接通率没有提升。复盘发现三个问题：
- 标签泄漏：特征中包含了“本次联络时长”，而该字段只有在联络完成后才产生；
- 样本偏差：训练数据只包含已被联络过的客户，未覆盖从未联络的客户，导致模型对冷启动客户判断失真；
- 合规缺口：部分外部号码状态数据来源授权不完整，上线后被要求下线，模型特征缺失导致效果骤降。
修正后的做法是：严格按预测时点切割特征，引入未联络客户样本并单独建模，同时建立外部数据合规审查清单。修正后离线AUC略降至0.81，但线上接通率提升了约12%，说明数据质量与合规性比离线指标更重要。
在实际项目中，建议先建立最小可用数据集：客户画像基础字段、近90天联络记录、近30天行为日志、号码状态外部数据，以及明确的授权与退订名单。以此为基础快速验证，再逐步扩展数据源和特征维度。数据基础扎实之后，后续的模型选择与策略优化才有意义。