4. 标签定义与样本构建

标签定义与样本构建是催收触达模型训练中最关键的环节之一。标签的质量直接决定了模型的上限，而样本的构建方式则决定了模型能否在真实业务场景中稳定生效。本节将围绕逾期天数划分、好坏样本定义、样本平衡策略以及时间序列样本切分四个核心步骤展开。

4.1 逾期天数划分

催收业务中，逾期天数（Days Past Due, DPD）是定义客户风险等级的基础指标。通常按以下区间进行划分：

4.2 好坏样本定义

在催收触达模型中，“好样本”与“坏样本”的定义需要结合业务目标与数据可获取性。常见的定义方式如下：

• 好样本（Positive）：在触达后指定观察期内（如 7 天、14 天、30 天）完成全额还款或达成还款协议的客户。
• 坏样本（Negative）：在触达后指定观察期内未还款、失联、或进入下一逾期阶段的客户。
• 模糊样本：部分还款、延期还款、或观察期内状态未明确的客户，建议剔除或单独建模。

4.3 样本平衡策略

催收数据通常存在严重的类别不平衡问题——好样本远多于坏样本，或反之。不平衡的样本会导致模型偏向多数类，降低对少数类的识别能力。常用平衡策略包括：

• 欠采样（Under-sampling）：随机减少多数类样本，使两类数量接近。适合数据量充足的场景。
• 过采样（Over-sampling）：复制少数类样本或使用 SMOTE 生成合成样本。适合数据量较少的场景。
• 加权损失函数：在模型训练时为少数类分配更高的权重，如 class_weight 参数。
• 集成采样：结合欠采样与过采样，如 EasyEnsemble、BalanceCascade。

4.4 时间序列样本切分

催收数据具有明显的时间依赖性，不能使用随机切分，否则会导致数据泄露（data leakage）。正确的时间序列样本切分方法如下：

1. 按时间顺序划分：将数据集按时间戳排序，前 70% 作为训练集，中间 15% 作为验证集，最后 15% 作为测试集。
2. 滚动窗口切分：使用固定长度的历史窗口训练模型，滚动预测未来窗口。适用于在线学习或持续更新场景。
3. 避免未来信息泄露：确保训练集中不包含任何未来时间点的特征或标签信息。
4. 时间分层采样：在每个时间窗口内保持类别比例一致，避免因时间分布变化导致的样本偏差。

4.5 样本构建完整流程

综合以上步骤，催收触达模型的样本构建流程可归纳为以下阶段：

1. 数据清洗：剔除缺失严重、异常值、重复记录。
2. 逾期天数划分：按 DPD 区间标记客户当前阶段。
3. 标签定义：根据观察窗口内的还款行为生成好坏标签。
4. 样本平衡：应用欠采样、过采样或加权策略。
5. 时间序列切分：按时间顺序划分训练/验证/测试集。
6. 特征对齐：确保训练集与测试集的特征分布一致。