1. 催收业务概述
1.1 催收行业现状
催收行业是金融信贷生态中不可或缺的一环，其核心目标是在合法合规的前提下，最大化回收逾期资产，降低机构坏账损失。当前行业正经历从“粗放式”向“精细化、智能化”的深刻转型。
行业关键驱动力：
- 监管趋严： 个人信息保护法、催收行为规范等法规落地，暴力催收、信息泄露等违规成本急剧上升。
- 数据与技术赋能： 大数据、机器学习、智能语音机器人等技术被广泛应用于催收策略制定、客户分群、触达优化等环节。
- 资产质量承压： 宏观经济波动与居民杠杆率上升，导致逾期率攀升，对催收效率和回收率提出更高要求。
传统催收依赖人工经验，效率低、成本高、合规风险大。现代催收则强调通过特征工程与模型训练，实现“千人千面”的差异化催收策略，在提升回款率的同时降低投诉率与运营成本。
1.2 催收生命周期
催收并非一个孤立环节，而是贯穿于贷后管理的完整生命周期。不同阶段的逾期客户，其还款意愿、还款能力、失联概率均存在显著差异，因此需要匹配不同的催收策略与模型。
| 阶段 | 逾期天数 (DPD) | 核心目标 | 典型策略 |
|---|---|---|---|
| M0 (预警期) | 1-7天 | 提醒还款，防止逾期恶化 | 短信、智能语音提醒、APP推送 |
| M1 (早期催收) | 8-30天 | 快速回收，评估客户还款意愿 | 人工电话、IVR、短信催收 |
| M2 (中期催收) | 31-60天 | 施压还款，识别欺诈与失联客户 | 高强度电话、信函、联系紧急联系人 |
| M3 (晚期催收) | 61-90天 | 深度施压，准备委外或法务 | 外访、律师函、协商分期 |
| M3+ (呆账/核销) | 90天以上 | 最大化残值回收 | 委外催收、诉讼、核销 |
模型视角： 不同生命周期阶段，模型的目标变量（Y）定义不同。例如，M1阶段关注“7天内是否还款”，而M3+阶段则关注“最终回收率”。特征工程也需要针对不同阶段构建差异化的行为特征。
1.3 贷后管理流程与角色分工
高效的贷后管理依赖于清晰的流程与专业的角色分工。一个典型的贷后管理团队通常包含以下核心角色，各角色在催收特征工程与模型应用中承担不同职责。
关键认知： 特征工程不是数据工程师的“独角戏”，它需要业务专家（催收经理）定义逾期客户的行为模式，需要数据分析师将业务理解转化为可量化的特征变量，最终由建模专家完成模型训练与迭代。
| 角色 | 核心职责 | 与特征工程/模型的关联 |
|---|---|---|
| 催收策略经理 | 制定催收策略、分配案件、监控回收率 | 定义模型目标变量（Y），提供业务规则与策略分群标签 |
| 催收员 | 执行电话催收、外访、协商还款 | 反馈催收过程中的“软信息”（如客户态度、承诺还款日期），用于构建行为特征 |
| 数据分析师 | 数据清洗、特征提取、报表分析 | 负责催收特征工程的具体落地，包括衍生变量计算、缺失值处理、特征重要性评估 |
| 建模专家 | 模型训练、评估、部署与监控 | 基于特征工程结果，训练催收评分卡、失联预测模型、还款意愿模型等 |
| 合规与法务 | 确保催收行为合法合规，处理投诉 | 提供合规约束条件，影响模型输出策略（如禁止在特定时段外呼） |