催收触达合规特征选择实战训练 - 第1节
1.1 催收合规背景：从“野蛮生长”到“精准合规”
近年来，随着《个人信息保护法》《商业银行互联网贷款管理暂行办法》及互联网金融协会系列催收自律公约的密集落地，催收行业正经历从“结果导向”到“过程合规”的根本性转变。监管机构对催收行为的关注点已从单纯的“是否暴力”延伸至“是否过度触达”“是否侵犯隐私”“是否滥用数据”等精细化维度。
核心监管红线（2023-2025）：
- 每日催收电话不得超过3次（含不同渠道）；
- 禁止在每日22:00至次日8:00进行触达；
- 不得向非担保人/非紧急联系人之外的第三方透露债务信息；
- 催收录音保存期限不少于2年，且需支持全量回溯审计；
- 禁止使用AI机器人冒充人工、禁止伪造律师函/法院传票。
合规压力直接传导至数据侧：特征工程不再是单纯的“提效工具”，而是合规审计的“第一道防线”。一个未经合规校验的“高响应率”特征，可能让整个催收策略陷入法律风险。
1.2 特征选择的重要性：为什么合规特征选择是“生死线”？
在传统风控建模中，特征选择的目标是最大化预测能力（如IV值、信息增益）。但在催收场景下，特征选择必须叠加合规约束条件，否则模型上线即意味着合规风险敞口。
| 对比维度 | 传统风控特征选择 | 催收合规特征选择 |
|---|---|---|
| 核心目标 | 最大化区分度（KS/AUC） | 合规约束下最大化区分度 |
| 特征来源 | 征信、多头、行为、设备 | 触达记录、通话录音、渠道偏好、时段分布 |
| 禁止特征 | 无明确禁止 | 第三方透露、超频次、非授权时段、AI冒充人工 |
| 审计要求 | 模型可解释性 | 全链路特征溯源 + 合规校验日志 |
| 失败后果 | 模型效果差 | 监管处罚 + 诉讼 + 业务停摆 |
实战教训：某头部消费金融公司曾使用“近7天联系人数”作为催收响应特征，模型KS达0.42。但该特征间接暴露了债务人社交关系网，被监管认定为“过度收集关联人信息”，最终模型下线并罚款1200万元。
结论：合规特征选择不是“锦上添花”，而是“一票否决”。
结论：合规特征选择不是“锦上添花”，而是“一票否决”。
1.3 课程目标与学习路径
本课程旨在培养具备“合规意识+数据能力+实战经验”的复合型催收风控人才。通过30章的系统训练，你将掌握从原始触达日志到合规特征矩阵的全流程方法论。
课程三大目标
- 建立合规特征思维：理解监管红线如何转化为特征约束规则，学会在特征工程阶段嵌入合规校验逻辑。
- 掌握实战特征工程：从触达频次、时段分布、渠道偏好、话术合规、关系人网络等维度，构建可落地的合规特征体系。
- 通过审计级交付：输出的特征不仅模型可用，且能通过监管审计的全链路溯源要求。
学习路径与章节地图
预备知识要求
- 必备：Python基础（pandas、numpy）、机器学习基础（分类模型、特征工程概念）
- 加分：有催收业务经验、了解《个人信息保护法》基本条款
- 工具：Jupyter Notebook / VS Code + Python 3.8+
💡 学习效率提示：本课程配套有脱敏催收触达数据集（含通话记录、短信记录、AI外呼记录、投诉工单），建议每章学习后立即运行对应代码，将理论转化为可复用的特征工程函数。