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机器学习的预测模型，用于对逾期客户进行风险排序和策略匹配。其核心目标是在贷后管理阶段，预测客户在未来特定时间窗口内的还款概率、还款金额或还款意愿，从而指导催收资源的差异化配置。
催收模型通常以逾期天数（DPD）、历史还款行为、客户画像、外部征信数据等作为输入特征，输出一个风险评分或概率值。该评分直接用于决定催收策略的优先级、催收渠道（短信、IVR、人工外呼、法务等）以及催收强度。
关键定义： 催收模型 = 逾期客户还款概率预测模型 + 催收策略决策引擎
1.2 催收模型在贷后管理中的价值
催收模型在贷后管理体系中扮演着“智能调度中心”的角色，其核心价值体现在以下四个维度：
| 价值维度 | 具体描述 | 量化效果参考 |
|---|---|---|
| 提升回收率 | 通过精准识别高还款概率客户，在最佳时机采取最有效的催收动作，避免错过黄金催收期。 | 回收率提升 5%–15% |
| 降低催收成本 | 对低风险客户减少人工干预，采用低成本自动化渠道（短信、邮件）；将高成本人力集中在高风险客户上。 | 催收成本降低 20%–40% |
| 改善客户体验 | 避免对无意逾期或短期资金周转困难的客户进行过度催收，减少投诉和客户流失。 | 投诉率降低 30%–50% |
| 合规风险控制 | 通过模型分层实现催收策略的标准化和可追溯，避免暴力催收、过度催收等合规风险。 | 合规事件减少 60%+ |
行业实践： 头部消费金融公司通过部署催收模型，在 M1（逾期 1–30 天）阶段实现了自动化催收占比超过 70%，同时 M2+ 回收率保持稳定。
1.3 催收模型与评分卡的区别
催收模型与传统的申请评分卡（Application Scorecard）和行为评分卡（Behavior Scorecard）在目标、数据、时间窗口、输出和应用场景上存在本质差异。理解这些区别是构建有效催收模型的前提。
| 对比维度 | 申请评分卡 | 行为评分卡 | 催收模型 |
|---|---|---|---|
| 模型目标 | 预测客户违约概率（贷前） | 预测客户未来 6–12 个月违约风险 | 预测逾期客户还款概率/还款金额 |
| 应用阶段 | 贷前审批 | 贷中管理 | 贷后催收 |
| 目标客户 | 所有申请客户 | 所有存量正常客户 | 已逾期客户（DPD 1+） |
| 时间窗口 | 贷款生命周期（通常 12–24 个月） | 未来 6–12 个月 | 未来 7–30 天（短期） |
| 核心特征 | 征信、收入、负债、身份信息 | 交易行为、额度使用率、还款记录 | 逾期天数、催收接触记录、还款承诺、外部黑名单 |
| 输出形式 | 信用评分（如 300–850） | 风险等级（A/B/C/D） | 还款概率（0–1）或催收优先级分 |
| 决策用途 | 是否批贷、授信额度、利率定价 | 额度调整、交叉销售、早期预警 | 催收策略、催收渠道、催收频次 |
常见误区： 直接将申请评分卡或行为评分卡用于催收决策。这两种模型在正常客户群体上训练，对逾期客户的行为模式预测能力显著下降，会导致催收资源错配。
1.4 催收模型的核心流程
催收模型的构建与应用遵循一个标准化的闭环流程，从数据输入到策略执行，再到效果反馈。下图展示了催收模型在贷后管理中的核心定位与数据流转关系。
1.5 催收模型的生命周期管理
催收模型并非一次性建设，而是需要持续监控和迭代。其生命周期通常包含以下阶段：
- 需求定义： 明确催收场景（M1/M2/M3+）、目标变量（还款概率/还款金额/回收率）、业务约束（合规要求、成本上限）。
- 数据准备： 整合贷后系统、催收系统、第三方征信数据，构建逾期客户宽表。
- 特征工程： 衍生催收专属特征，如催收接触率、承诺还款履约率、历史催收响应模式。
- 模型开发： 选择算法（逻辑回归、XGBoost、LightGBM），进行训练、验证和交叉验证。
- 策略映射： 将模型评分转化为可执行的催收策略矩阵（评分区间 × 催收动作）。
- 部署与监控： 上线后监控模型稳定性（PSI）、区分度（KS/AUC）和业务效果（回收率）。
- 迭代优化： 根据监控反馈和新增数据，定期（月度/季度）重训或重建模型。
关键指标： 催收模型常用评估指标包括 KS（区分能力）、AUC（排序能力）、Lift（提升度）、PSI（稳定性指数）。其中，催收场景下 KS 通常要求 ≥ 0.3，PSI 月度变化 ≤ 0.1。