第一章 课程导入:学习目标、课程结构、逾期催收在金融风控中的定位与价值
逾期账户催收,绝非简单的“打电话要账”。在持牌金融机构、消费金融公司、互联网平台及助贷机构的完整风控链路中,催收是资产质量管控的“最后一公里”,也是风险损失回收的核心闸口。本章作为全课程的起点,旨在帮助学员建立对逾期催收业务的系统性认知框架,明确学习路径,并深刻理解催收策略与分案模型在金融风控体系中的战略价值。我们将从“为什么催收如此重要”这一根本问题出发,拆解催收管理的核心要素,并预览本课程三十章的结构逻辑。
1.1 学习目标:从“凭经验催收”到“策略驱动”
本课程并非教授基础的“打电话技巧”,而是聚焦于中后台的策略制定、模型构建与精细化管理。完成本课程学习后,学员应具备以下核心能力:
- 建立贷后全流程视野:理解从逾期发生(M1)到核销(M6+)各阶段的业务特征与管理重点。
- 掌握分案模型的设计逻辑:能够基于客户风险等级、逾期天数、历史行为等维度,设计动态分案策略,将合适的案件分配给合适的催收队列(如内部催收、智能机器人、外包机构)。
- 运用数据分析优化策略:学会通过回收率、联系率、投诉率等核心指标,评估策略效果并进行迭代调优。
- 强化合规与消费者保护意识:在《个人信息保护法》及监管新规框架下,确保催收行为合法合规,平衡回收效率与客户体验。
1.2 课程结构:四大模块递进式学习
本课程共30章,内容编排遵循“基础认知 → 策略构建 → 模型实战 → 管理进阶”的递进逻辑,具体结构如下表所示:
| 模块 | 章节范围 | 核心主题 | 关键产出 |
|---|---|---|---|
| 模块一:基础与定位 | 第1-5章 | 催收行业认知、监管红线、贷后管理流程、逾期成因分析 | 理解业务边界与合规底线 |
| 模块二:策略与分案 | 第6-15章 | 分案模型设计、催收评分卡、队列分配策略、外包管理 | 构建核心分案引擎 |
| 模块三:执行与工具 | 第16-24章 | 智能催收机器人、人工话术策略、外访与法诉协同 | 实现策略落地与工具赋能 |
| 模块四:优化与进阶 | 第25-30章 | 策略调优实验、投诉处理与舆情应对、AI大模型在催收中的应用 | 形成持续迭代的运营体系 |
1.3 逾期催收在金融风控中的定位:资产质量的“守门员”
在金融风控的完整闭环中,贷前、贷中、贷后三个环节缺一不可。贷前解决“把钱借给谁”的问题,贷中解决“风险是否变化”的问题,而贷后(尤其是催收环节)则直接决定了已发生风险损失的回收程度。催收的定位可以从以下三个维度理解:
- 损失回收的直接手段:当客户违约后,催收是唯一能够直接产生现金回流的业务动作。回收率每提升1个百分点,对金融机构的净利润影响可能达到数千万甚至数亿元级别。
- 风险定价的校正器:贷前模型预估的坏账率(PD)与实际催收回收率(RR)之间的差值,是修正风险定价与拨备计提的重要依据。如果催收策略失效,即使贷前模型再精准,也会导致实际损失远超预期。
- 客户关系与品牌声誉的维护者:合规、有温度的催收能够缓解客户抵触情绪,甚至帮助客户恢复信用;而暴力催收则可能引发监管处罚与声誉风险,导致融资成本上升。
1.4 案例拆解:某消费金融公司贷后催收策略的“从0到1”
为帮助学员直观理解催收策略的价值,我们以一家持牌消费金融公司(以下简称“A公司”)的实战案例进行说明。
背景与约束:A公司主营线上小额消费贷,平均借款金额8000元,期限12期。截至2023年底,其M2+(逾期60天以上)账户余额为4.2亿元,月度新增逾期率攀升至2.8%,高于行业平均的2.1%。公司面临两大痛点:一是催收人力不足,内部催收团队仅80人,日均处理案件量上限为8000件;二是外包催收效果参差不齐,部分外包机构回收率低于5%,但投诉率却占整体的60%。
初始现象与目标:公司管理层设定目标:在6个月内将M2+回收率从当前的28%提升至35%,同时将监管投诉量环比下降20%。
关键输入数据与参数:
- 历史回收率分布:M1(逾期1-30天)回收率约55%,M2(31-60天)回收率约30%,M3(61-90天)回收率约15%。
- 客户画像:M2+客户中,有35%在逾期前3个月内有频繁的小额取现记录,20%的客户联系电话在逾期后一周内变为空号。
- 成本约束:内部催收单案成本约8元/件,外包催收单案成本约15元/件(按回收金额的10%计提)。
分析判断过程:通过数据分析发现,简单按逾期天数分案(即M1给内部、M2+全部给外包)导致两个问题:一是内部团队处理了大量低难度、低金额的M1案件,资源利用率低;二是外包机构承接了部分高回收潜力的M2案件,但因缺乏数据支持,未能有效触达客户。
实际操作步骤:
- 构建催收评分卡:利用逻辑回归模型,基于客户额度使用率、历史还款行为、联系人稳定性等12个变量,生成0-100分的催收紧迫度评分。
- 动态分案策略:将评分>70分的M2案件优先分配给内部资深催收员;评分在40-70分的案件分配给外包机构,并提供“客户偏好联系时段”等数据标签;评分<40分的案件转入智能机器人低频提醒队列。
- 策略调优:每两周进行一次A/B测试,对比不同话术模板与联系频次的效果。
结果对比与复盘:实施新策略3个月后,M2+整体回收率提升至34.5%,内部团队人均日处理案件量提升至120件(通过筛选高价值案件),外包投诉量下降35%。复盘发现,评分卡中“近30天通话时长”是最重要的正向特征,而“联系号码变更次数”是负向特征。这一发现指导了后续数据采集的优先级。
1.5 常见误区与总结复盘
在课程导入阶段,我们有必要澄清几个常见认知误区,这些误区将在后续章节中反复被提及并纠正:
| 误区 | 正确认知 |
|---|---|
| 催收就是“打电话”,不需要策略 | 策略决定了“谁先打、打几次、用什么方式打”,直接影响回收率与成本。 |
| 分案模型就是简单的“按逾期天数分桶” | 科学的模型需融合客户行为、风险评分、渠道偏好等多维数据,实现动态分配。 |
| 外包一定比内部催收成本低 | 外包的显性成本可能较低,但若缺乏有效管理,投诉风险与回收率损失可能远超节省的费用。 |
| 催收策略是“一劳永逸”的 | 宏观经济、监管政策、客群结构的变化都会影响策略效果,必须建立持续迭代机制。 |