1. 坏样本归因概述
1.1 定义坏样本
在贷后管理场景中，坏样本并非泛指所有逾期客户，而是特指那些经过催收全流程后仍无法回收、或回收成本已超过预期收益的逾期账户。坏样本的界定直接影响归因分析的起点与模型训练的质量。
| 维度 | 定义标准 | 典型阈值 |
|---|---|---|
| 逾期天数 | 连续未还款天数超过业务容忍上限 | M3+（90天+） |
| 催收成本比 | 累计催收成本 / 剩余本金 > 阈值 | ≥ 15% |
| 回收率 | 最终回收金额 / 应还总额 < 阈值 | ≤ 20% |
| 失联状态 | 所有联系方式均无法触达 | 连续30天失联 |
关键区分：坏样本 ≠ 逾期样本。逾期样本是过程状态，坏样本是结果判定。归因分析只针对被标记为“坏”的样本，避免将短期逾期与真实坏账混淆。
1.2 归因分析在贷后管理中的核心价值
归因分析不是事后总结，而是贷后策略迭代的数据引擎。其核心价值体现在四个层面：
- 策略诊断：识别催收策略中哪些环节失效（如话术、频次、渠道），量化各环节对坏样本的贡献度。
- 客群分层：通过归因结果将坏样本拆解为“能力不足型”“意愿缺失型”“欺诈型”等子群，匹配差异化处置方案。
- 模型校准：归因结论反哺贷前评分卡与行为评分模型，修正对客户风险特征的误判。
- 资源优化：将催收资源从“无效归因”的坏样本中释放，集中投入高回收潜力客群。
1.3 课程目标与学习路径
本课程旨在帮助贷后策略从业者建立一套可落地、可量化、可复现的坏样本归因方法论。完成本课程后，你将能够：
- 独立设计坏样本归因分析框架，覆盖数据采集、特征工程、归因模型、结果验证全流程。
- 运用统计归因与机器学习归因两种主流方法，识别坏样本的关键驱动因素。
- 将归因结论转化为贷后策略优化动作，并建立效果监控看板。
- 规避归因分析中常见的陷阱（如幸存者偏差、多重共线性、时间窗口错配）。
学习建议：每章均配有真实脱敏案例与代码示例。建议在阅读理论后，使用自己的贷后数据集同步实践，效果最佳。
1.4 学习路径总览
课程按“基础 → 方法 → 实战 → 进阶”四阶段递进，共30章。以下为阶段划分与核心内容：
| 阶段 | 章节范围 | 核心内容 | 产出物 |
|---|---|---|---|
| 基础篇 | 第1-5章 | 坏样本定义、数据清洗、特征工程基础、归因指标体系 | 归因分析数据字典 |
| 方法篇 | 第6-15章 | 统计归因（SHAP、LIME）、机器学习归因（树模型、逻辑回归）、时间序列归因 | 归因模型选型矩阵 |
| 实战篇 | 第16-25章 | 归因结果可视化、策略转化、A/B测试设计、监控看板搭建 | 归因→策略转化SOP |
| 进阶篇 | 第26-30章 | 多业务线归因、联邦归因、因果推断在归因中的应用 | 高阶归因分析框架 |
注意事项：归因分析不是一次性工作。建议在每完成一个策略迭代周期后，重新执行归因分析，因为客户行为模式与市场环境会随时间漂移。本课程所有方法均支持周期性自动化执行。