2. 特征工程基础：定义、价值与核心流程
在催收模型中，特征工程是将原始业务数据转化为能够被机器学习算法有效学习的数值化、结构化特征的过程。它是模型性能的“天花板”——数据和特征决定了模型的上限，而算法只是逼近这个上限。
2.1 特征工程的定义
特征工程（Feature Engineering）是利用领域知识和数据挖掘技术，从原始数据中提取、构造、选择、变换出对模型预测目标最有帮助的特征变量的过程。在催收场景中，特征工程的核心任务是将通话记录、还款流水、客户画像等原始信息，转化为能够刻画“客户还款意愿”和“还款能力”的量化指标。
催收特征工程三要素：
- 业务可解释性：每个特征必须能映射到催收策略的某个决策点（如“是否拨打”、“何时拨打”、“用什么话术”）。
- 时间敏感性：催收特征天然具有时序属性，必须考虑特征在时间窗口内的变化趋势。
- 稀疏性与噪声：催收数据常存在大量缺失、异常值，特征工程需具备鲁棒处理能力。
2.2 特征工程在催收模型中的价值
特征工程直接决定催收模型的三个关键能力：
| 价值维度 | 具体表现 | 催收场景示例 |
|---|---|---|
| 提升预测精度 | 通过构造高阶交互特征、时序特征，捕捉原始字段无法表达的复杂模式 | “近7天联系率”比“总联系次数”更能反映当前触达意愿 |
| 增强模型鲁棒性 | 通过缺失值填充、异常值截断、特征缩放，减少数据噪声对模型的影响 | 对“历史逾期天数”做分箱处理，消除极端值对回归模型的扰动 |
| 降低策略成本 | 通过特征选择剔除冗余特征，减少模型复杂度，提升线上推理速度 | 从200+原始特征中筛选出30个核心特征，模型AUC不变但推理时间缩短70% |
实战经验：在催收模型迭代中，特征工程带来的AUC提升通常占模型总提升的60%-80%，远高于算法调参或模型结构优化的贡献。
2.3 原始数据与特征的区别
这是特征工程中最容易被忽视的概念边界。原始数据是“原材料”，特征是“半成品”。
| 对比维度 | 原始数据 | 特征 |
|---|---|---|
| 定义 | 直接从业务系统采集的未加工字段 | 经过变换、组合、聚合后的结构化变量 |
| 形式 | 文本、日期、金额、枚举值、JSON嵌套 | 数值型、类别型（One-Hot/Embedding）、时序型 |
| 可建模性 | 低，需大量预处理 | 高，可直接输入模型 |
| 催收示例 | “通话录音时长（秒）” | “近3天平均通话时长”、“通话时长变异系数” |
| 存储方式 | 业务库表、日志文件 | 特征存储（Feature Store）、模型训练样本 |
2.4 特征工程的一般流程
催收场景下的特征工程遵循一套标准化的流水线，通常包含以下五个核心步骤：
- 数据采集与探查：从催收系统、贷后系统、第三方数据源获取原始数据，进行初步的缺失值、分布、相关性分析。
- 数据清洗：处理缺失值（均值/中位数填充、模型预测填充）、异常值（截断、分箱）、重复记录、格式统一。
- 特征构造：基于业务逻辑生成新特征，包括聚合特征（如“近30天平均联系次数”）、时序特征（如“还款金额趋势斜率”）、交叉特征（如“逾期天数×历史还款次数”）。
- 特征变换：对特征进行缩放（标准化/归一化）、非线性变换（对数/Box-Cox）、编码（One-Hot/Label Encoding/目标编码）。
- 特征选择：通过过滤法（方差阈值、卡方检验）、包裹法（递归特征消除）、嵌入法（L1正则化、树模型特征重要性）筛选最优特征子集。
常见误区：很多团队在特征构造阶段过度追求特征数量，忽略了特征的可解释性和线上稳定性。催收模型上线后，特征分布偏移（如“联系率”因节假日骤降）会导致模型效果断崖式下跌。建议在特征工程流程中增加“特征稳定性监控”环节，对每个特征计算PSI（群体稳定性指标）。
2.5 催收场景特征工程的关键考量
与通用特征工程相比，催收场景有四个特殊约束：
- 时间窗口对齐：所有特征必须基于“观察点”之前的数据计算，避免未来信息泄露。例如，用“逾期第5天”之前的通话行为预测“逾期第5天”的还款概率。
- 样本不平衡：催收数据中“还款”样本通常远少于“未还款”样本，特征工程需配合采样或加权策略。
- 多源异构数据：催收数据常来自不同系统（催收系统、核心系统、第三方征信），特征工程需解决数据对齐、字段映射、时间戳统一等问题。
- 合规与隐私：部分原始字段（如联系人关系、通话录音内容）不能直接作为特征，需通过脱敏、聚合、差分隐私等技术处理。
实战建议：在开始特征工程前，先与催收业务团队共同梳理“催收决策树”，明确每个决策节点需要哪些信息支撑。这能帮助特征工程团队聚焦高价值特征，避免在无效特征上浪费资源。