4. 时间特征构建：最佳联系时段识别、历史响应时间分布、时区与节假日特征

时间特征是催收触达效率的核心杠杆。在错误的时间拨打电话，不仅无法建立有效沟通，还会引发客户反感、增加投诉风险。本节将系统讲解如何从历史交互数据中挖掘时间规律，构建可落地的“时间智能”特征。

4.1 最佳联系时段识别

最佳联系时段并非固定不变的“9:00-11:00”或“14:00-17:00”，而是需要结合客户画像、历史行为和案件阶段动态计算。以下为构建最佳时段特征的标准化流程：

1. 时段切片：将一天24小时划分为48个30分钟窗口（如00:00-00:30, 00:30-01:00, …）。
2. 响应率计算：对每个窗口统计历史联系次数与有效接通次数，计算窗口响应率 = 有效接通数 / 总联系数。
3. 平滑处理：使用移动平均或局部加权回归（LOESS）消除稀疏窗口的随机波动。
4. 峰值提取：识别响应率最高的前3个窗口作为“黄金时段”，响应率高于均值1.5倍以上的窗口作为“优质时段”。
5. 动态更新：按周或按月滚动更新，避免特征过时。

4.2 历史响应时间分布

历史响应时间分布特征用于刻画客户在一天内不同时间点的“响应倾向性”，比单一的最佳时段包含更丰富的信息。常用特征包括：

# 示例：计算客户响应时间分布特征（Python伪代码）
import numpy as np

def compute_response_time_features(contact_history):
    # contact_history: 包含 'contact_time' (datetime) 和 'is_effective' (bool) 的列表
    effective_times = [c['contact_time'].hour * 60 + c['contact_time'].minute
                       for c in contact_history if c['is_effective']]
    if len(effective_times) < 3:
        return None  # 数据不足
    
    features = {
        'mean_time': np.mean(effective_times),
        'std_time': np.std(effective_times),
        'skew_time': np.mean(((effective_times - np.mean(effective_times)) / np.std(effective_times)) ** 3),
        'recent_time': effective_times[-1]
    }
    return features

4.3 时区与节假日特征

时区和节假日是时间特征中容易被忽视但影响巨大的维度。一个在客户工作时间拨打的电话，如果恰逢当地公共假日，效果可能适得其反。

4.3.1 时区特征构建

• 时区偏移量：根据客户手机号归属地、身份证号前6位或GPS定位，确定客户所在时区（如UTC+8, UTC-5）。
• 本地时间转换：将系统联系时间统一转换为客户本地时间，再提取“本地小时”、“本地星期几”等特征。
• 跨时区标识：标记客户时区与催收中心时区是否一致，若不一致则记录时差绝对值。

4.3.2 节假日特征构建

• 法定节假日：对接国家法定节假日API或维护节假日日历表，标记当天是否为节假日。
• 调休日：识别因调休而上班的周末（工作日特征）和因调休而休息的工作日（节假日特征）。
• 特殊日期：如发薪日（通常为每月10日、15日或20日）、账单日、还款宽限期最后一天等。
• 连续假期长度：当前日期处于连续假期中的第几天（如国庆长假第3天），影响客户情绪和接听意愿。

4.4 时间特征组合策略

单一时间特征的效果有限，通过特征组合可以挖掘更深层的交互模式。以下为经过验证的高效组合策略：

4.5 时间特征监控与迭代

时间特征具有时效性，客户作息习惯会随季节、社会事件、个人状态变化。建议建立以下监控机制：

• 周度漂移检测：对比本周与上周的“最佳时段”分布，若Top 3时段变化超过2个窗口，触发特征更新。
• 月度重训练：每月使用最新数据重新计算所有时间特征，确保特征反映当前客户状态。
• 异常事件标记：如疫情封控、重大节假日、自然灾害等，在特征中增加“异常事件影响系数”作为临时修正。