3. 坏样本定义与分类：欺诈、逾期、失联、死亡等不同坏样本类型及特征
在信贷风控与赔付率归因分析中，“坏样本”的定义直接决定了模型训练方向与赔付率拆解粒度。不同坏样本类型对应不同的行为模式、归因路径与赔付权重。本章从实操角度，系统梳理四种核心坏样本类型及其关键特征。
3.1 坏样本分类总览
根据逾期原因与行为意图，坏样本通常划分为以下四类。每类在赔付率中的贡献权重与归因逻辑差异显著。
| 坏样本类型 | 核心定义 | 赔付率影响权重 | 归因难度 |
|---|---|---|---|
| 欺诈 | 借款人主观恶意，无真实还款意愿 | 极高（首期即坏） | 中（需反欺诈模型） |
| 逾期 | 有还款意愿但资金链断裂或遗忘 | 高（随账龄递增） | 低（行为数据充分） |
| 失联 | 联系方式失效，无法触达 | 中高（催收成本高） | 高（信息缺失） |
| 死亡 | 借款人因意外或疾病身故 | 低（偶发但赔付确定） | 低（需外部数据验证） |
实操提示： 在赔付率归因时，欺诈与失联类坏样本往往被低估。建议在坏样本标签中增加“行为意图”维度，而非仅依赖逾期天数。
3.2 欺诈类坏样本特征
欺诈样本是赔付率中最具破坏力的类型，通常表现为首期逾期（FPD）或零期逾期。其核心特征包括：
- 申请行为异常： 设备指纹聚集、IP 地址异常、申请时间集中在凌晨。
- 信息矛盾： 工作信息与社保记录不匹配、联系人号码为空号或虚拟运营商。
- 还款行为缺失： 从未产生任何还款记录，或仅还首期后立即失联。
- 团伙关联： 多笔订单共享同一设备、银行卡或紧急联系人。
归因关键： 欺诈样本在赔付率中通常贡献 30%-50% 的坏账损失，但样本量占比往往不足 10%。归因时需使用“损失金额加权”而非“样本计数加权”。
3.3 逾期类坏样本特征
逾期样本是信贷业务中最常见的坏样本类型，其行为模式具有渐进性和可预测性。关键特征如下：
| 逾期阶段 | 典型天数 | 行为特征 | 赔付率贡献 |
|---|---|---|---|
| M1（早期逾期） | 1-30 天 | 偶发遗忘、临时周转困难 | 低（可修复） |
| M2（中期逾期） | 31-60 天 | 收入中断、多头借贷暴露 | 中（催收有效） |
| M3+（长期逾期） | 61 天以上 | 还款意愿下降、债务雪球 | 高（核销风险） |
逾期样本的归因重点在于还款能力与还款意愿的分离。建议使用“还款行为序列”而非单一逾期天数作为标签。
3.4 失联类坏样本特征
失联样本是催收与归因的难点，其核心特征包括：
- 联系方式失效： 手机号停机、空号、关机；家庭电话无人接听。
- 地址虚假： 户籍地址与居住地址均为无效地址，或为批量注册地址。
- 社交关系断裂： 紧急联系人无法联系或表示与借款人无实际关系。
- 行为轨迹中断： 借款后短期内停止使用所有关联 APP 或银行卡。
归因陷阱： 失联样本常被误归为“逾期”或“欺诈”。建议在坏样本标签中增加“失联标记”，并单独计算失联样本的赔付率贡献，否则会低估催收成本与赔付损失。
3.5 死亡类坏样本特征
死亡样本属于确定性坏账，但归因时需注意以下特征：
- 外部数据验证： 需通过社保、公安或第三方数据源确认死亡事实。
- 时间窗口： 死亡通常发生在借款后 3-12 个月，与疾病或意外事件相关。
- 赔付确定性： 若产品含身故保险，赔付率可转移；若无，则 100% 损失。
- 样本占比： 通常低于 1%，但单笔损失金额可能较高（大额贷款）。
3.6 坏样本分类与归因流程
以下 SVG 图展示了从原始逾期数据到坏样本分类的归因流程，以及每类样本在赔付率中的处理路径。
3.7 坏样本分类的实操要点
在赔付率归因项目中，坏样本分类的准确性直接影响归因结论的可靠性。以下为实操中的关键建议：
- 标签体系设计： 建议使用“逾期天数 + 行为意图”二维标签，而非单一逾期天数。
- 样本权重处理： 欺诈与死亡样本使用损失金额加权，逾期与失联样本使用样本计数加权。
- 动态更新机制： 失联与死亡样本需定期通过外部数据源更新状态，避免归因滞后。
- 归因报告分层： 赔付率报告应至少按“欺诈/逾期/失联/死亡”四个维度拆解，并展示各类型占比与趋势。
案例参考： 某消费金融平台在归因分析中发现，失联样本的赔付率贡献被低估了 40%。通过增加“失联标记”并单独计算赔付率，最终将催收策略优化为“失联优先外呼”，整体赔付率下降 12%。