1. 贷后预警概述：坏样本归因的定义、重要性、在信贷生命周期中的位置
1.1 坏样本归因的定义
坏样本归因（Bad Sample Attribution）是指在贷后预警阶段，对已发生或即将发生逾期的信贷资产进行系统性诊断，识别导致客户违约的核心驱动因素，并量化各因素贡献度的过程。它不同于简单的“逾期原因记录”，而是通过数据挖掘与因果推断，将违约事件拆解为可解释、可验证、可干预的归因链路。
核心公式： 违约概率 = f(还款能力衰减因子, 还款意愿偏移因子, 外部冲击因子, 操作摩擦因子)
坏样本归因的三大输出：
- 归因标签：每个坏样本被赋予一个主因标签（如“收入骤降”“多头共债”“欺诈团伙”）
- 贡献度权重：各因子对违约概率提升的边际贡献百分比
- 可干预性评分：该归因路径下，贷后催收或策略调整的预期挽回率
1.2 为什么坏样本归因如此重要
| 维度 | 无归因的贷后预警 | 有归因的贷后预警 |
|---|---|---|
| 策略精准度 | 统一催收话术，M1回收率低 | 按归因分群施策，回收率提升15-30% |
| 模型迭代效率 | 仅知道AUC下降，不知原因 | 定位特征漂移或新欺诈模式，快速迭代 |
| 风险成本控制 | 坏账核销后被动复盘 | 提前识别归因模式，动态调整准入规则 |
| 合规与审计 | 无法解释为何某客群违约集中 | 提供可追溯的归因报告，满足监管要求 |
实战经验： 某头部消金公司引入坏样本归因体系后，M2+逾期率下降22%，其中“多头借贷”归因路径的提前预警贡献了超过一半的降幅。
1.3 坏样本归因在信贷生命周期中的位置
信贷生命周期通常划分为五个阶段：营销获客 → 贷前审批 → 贷中监控 → 贷后预警 → 催收处置。坏样本归因位于贷后预警阶段，但它的数据输入与策略输出贯穿整个生命周期。
1.4 坏样本归因的三种典型应用场景
- 存量资产诊断：对已逾期资产池进行批量归因，识别集中性风险（如某地区、某产品线、某渠道的违约主因趋同）。
- 实时预警干预：在贷后预警信号触发时，自动运行归因模型，输出“最可能的违约原因”并推荐差异化催收策略。
- 策略回溯优化：将归因结果反馈至贷前审批模型与贷中监控规则，形成“归因→策略→再归因”的持续迭代闭环。
常见误区： 不要将坏样本归因等同于“逾期原因统计”。统计只能告诉你“有多少人因为失业逾期”，而归因能告诉你“失业这个因素在多大程度上独立驱动了违约，以及与其他因素的交互效应”。缺乏因果推断的归因，往往导致策略误判。
1.5 坏样本归因的成熟度分级
| 成熟度等级 | 特征描述 | 典型工具 | 策略效果 |
|---|---|---|---|
| L1 人工归因 | 催收员手动记录逾期原因，标准不统一 | Excel、CRM备注 | 回收率提升 < 5% |
| L2 规则归因 | 基于固定规则（如“3次联系不上=失联”）打标签 | 决策树、规则引擎 | 回收率提升 5-10% |
| L3 统计归因 | 使用逻辑回归、随机森林等模型输出特征重要性 | SHAP、LIME | 回收率提升 10-20% |
| L4 因果归因 | 引入因果推断（DID、IV、因果森林）识别真实驱动因素 | 因果森林、DoWhy | 回收率提升 20-35% |