催收触达模型训练教程 - 第1节
1.1 催收业务背景
在信贷全生命周期中，贷后管理是风险控制的最后一道防线。当借款人逾期未还款时，催收作业的效率与合规性直接决定机构的回款率与客诉率。传统催收依赖人工外呼，面临以下痛点：
- 人力成本高：大量坐席重复拨打无效号码，资源浪费严重。
- 触达时机错配：无法精准识别借款人的活跃时段，接通率低。
- 策略粗放：所有逾期案件使用统一外呼频率，缺乏差异化。
- 合规风险：过度骚扰或联系无关第三人，引发监管处罚。
催收触达模型正是在此背景下诞生，旨在通过机器学习预测最佳联系时间与最优联系渠道，实现“在正确的时间、用正确的方式、联系正确的人”。
业务痛点与模型价值对照
| 业务痛点 | 传统做法 | 模型介入后的改善 |
|---|---|---|
| 号码无效 | 盲目外呼 | 预测号码有效概率，优先拨打高置信度号码 |
| 时段错配 | 固定时段外呼 | 预测借款人活跃时段，动态调整外呼时间 |
| 渠道单一 | 仅电话 | 预测短信、APP推送、电话的最优组合 |
| 策略僵化 | 统一频次 | 根据逾期天数、历史行为差异化触达频率 |
1.2 触达模型定义
催收触达模型是一个二分类 + 多目标排序的机器学习模型组合。其核心任务包括：
- 号码有效性预测：判断某个联系电话当前是否可接通。
- 最佳联系时段预测：将一天划分为多个时段，预测借款人最可能接听的时段。
- 渠道偏好预测：预测借款人更倾向于接听电话、回复短信还是打开APP。
- 触达优先级排序：综合以上输出，对同一案件的不同触达方案进行排序，推荐最优动作。
模型输入输出示例
输入：借款人历史通话记录、逾期天数、设备信息、地理位置、历史还款行为。
输出：{号码A: 接通概率0.87, 最佳时段: 19:00-20:00, 推荐渠道: 电话}。
输入：借款人历史通话记录、逾期天数、设备信息、地理位置、历史还款行为。
输出：{号码A: 接通概率0.87, 最佳时段: 19:00-20:00, 推荐渠道: 电话}。
1.3 模型在贷后管理中的价值
触达模型并非孤立的技术模块，而是嵌入贷后管理流程的决策引擎。其价值体现在以下四个维度：
| 价值维度 | 具体表现 | 量化指标参考 |
|---|---|---|
| 提升接通率 | 通过时段与渠道优化，首次接通率提升 15%–30% | 首次接通率、有效通话时长 |
| 降低外呼成本 | 过滤无效号码，减少无效外呼 20%–40% | 每有效通话成本、号码利用率 |
| 改善客户体验 | 避免非活跃时段打扰，客诉率下降 10%–25% | 客诉率、投诉工单量 |
| 加速回款 | 精准触达推动早逾期阶段回款率提升 5%–10% | 回款率、回收周期 |
关键认知：触达模型的价值上限取决于数据质量与业务闭环。如果历史通话记录缺失、标签噪声大，模型效果将大打折扣。建议在建模前完成数据清洗与特征工程审计。
1.3.1 价值实现的前提条件
- 数据闭环：触达结果（接通/未接通、通话时长、还款动作）必须回流至模型训练集，形成持续迭代。
- 业务规则兜底：模型输出仅作为推荐，最终执行需经过合规规则（如每日外呼次数上限、禁呼时段）校验。
- 效果评估体系：建立A/B测试框架，对比模型组与对照组的关键指标，量化模型贡献。