1. 催收模型概述
1.1 催收模型的定义
催收模型是一种基于历史还款行为、客户画像、交易流水等多维度数据，运用统计学习或机器学习算法构建的风险排序与策略决策模型。其核心目标是在贷后逾期阶段，对逾期账户进行精细化分层，预测不同账户的还款概率、最佳催收时机以及可回收金额，从而指导催收资源的差异化配置。
核心定义公式： 催收模型 = f(客户特征, 逾期行为, 外部数据) → {还款概率, 最佳策略, 预计回收}
催收模型通常部署在贷后管理系统的决策引擎中，与催收策略、催收动作（短信、IVR、人工外呼、法务函）形成闭环，实现“一户一策”的智能催收。
1.2 催收模型在贷后管理中的核心价值
催收模型不是简单的“谁欠钱多就催谁”，而是通过数据驱动的方式，解决贷后管理中的三大核心矛盾：资源有限性、时效紧迫性与合规敏感性。其核心价值体现在以下五个维度：
| 价值维度 | 具体描述 | 量化效果（参考） |
|---|---|---|
| 资源优化 | 将高成本的人工催收资源集中在高回收概率、高价值账户上 | 人力成本降低 20%~35% |
| 回收率提升 | 在最佳催收窗口期（如逾期 1~7 天）触发有效动作 | 首期回收率提升 10%~18% |
| 客诉降低 | 对低风险、易沟通客户采用温和策略，避免过度催收 | 投诉率下降 30%~50% |
| 合规风控 | 通过模型自动识别敏感客户（如高危、涉黑、特殊职业） | 合规风险事件减少 60% |
| 策略迭代 | 模型输出可解释性特征，支持催收策略的 A/B 测试与持续优化 | 策略迭代周期从月级缩短至周级 |
实践提示： 催收模型的价值释放高度依赖“模型+策略+系统”的铁三角。仅有高 AUC 的模型，若缺乏配套的催收策略引擎和实时决策系统，实际回收效果可能大打折扣。
1.3 催收模型与评分卡的区别
许多从业者容易将催收模型与传统的信用评分卡（如申请评分卡、行为评分卡）混淆。两者虽然都基于历史数据预测未来表现，但在应用场景、目标变量、时间窗口和输出形式上存在本质差异。下表从六个关键维度进行对比：
| 对比维度 | 信用评分卡 | 催收模型 |
|---|---|---|
| 应用阶段 | 贷前审批 / 贷中监控 | 贷后逾期管理 |
| 目标变量 | 违约概率（PD）/ 坏账概率 | 还款概率 / 回收率 / 最佳催收动作 |
| 时间窗口 | 未来 12~24 个月 | 未来 7~90 天（短期、强时效） |
| 数据特征 | 征信报告、收入负债、多头借贷 | 逾期天数、联系状态、承诺还款记录、催收历史 |
| 输出形式 | 分数（如 300~850） | 概率值 + 策略标签（如高/中/低优先级） |
| 模型可解释性 | 强（逻辑回归为主，特征权重透明） | 中-强（可结合树模型 SHAP 值解释） |
简而言之：评分卡回答“这个人会不会违约”，而催收模型回答“这个人已经违约了，我该怎么催、什么时候催、催到什么程度”。两者在风控全生命周期中形成互补关系。
常见误区： 部分机构直接将贷前评分卡用于催收分案，导致高评分客户逾期后仍被低优先级处理，错过最佳催收窗口。催收模型必须针对逾期样本重新训练，并引入催收特有的行为特征（如接通率、承诺履约率）。