贷后风险场景剖析：逾期催收、欺诈交易拦截、额度管控、失联修复等典型场景
贷后管理是信贷全生命周期中风险暴露最集中、操作复杂度最高的阶段。从放款到结清，借款人行为、外部环境、欺诈手段都在动态变化，单一模型无法覆盖所有风险。本章对四个核心场景进行结构化剖析，明确每个场景的业务目标、数据特征、模型输出形态及部署约束，为后续 Model Serving 架构设计提供场景依据。
2.1 逾期催收：优先级排序与策略动态调整
逾期催收是贷后最成熟的模型应用场景。核心目标不是“催回所有欠款”，而是在有限催收资源下最大化回收金额。模型需要解决三个问题：哪些客户值得催（失联/高流失风险）、什么时间催（最佳触达窗口）、用什么方式催（短信/IVR/人工外呼/法务）。
关键指标： 催收回收率（Collection Rate）、首日联系率（First-Day Contact Rate）、单位人力回收金额（Recovery per Agent）。
| 逾期阶段 | M0~M1 | M1~M3 | M3+ |
|---|---|---|---|
| 模型目标 | 触达意愿预测 | 还款能力评估 | 失联概率 + 法务回收率 |
| 特征来源 | 通话记录、短信点击、APP 活跃 | 收入流水、多头借贷、社保 | 历史失联时长、户籍地、担保人 |
| 模型输出 | 联系概率（0~1） | 还款意愿分 + 能力分 | 失联风险分 + 回收率预估 |
| Serving 要求 | 实时（T+0 批次） | 准实时（小时级） | 离线（日级） |
工程避坑： 催收模型在 Serving 层必须支持 批量打分 + 实时重排序。每天入催名单可能达到百万级，模型推理延迟超过 5 秒会导致催收策略无法在早间黄金时段下发。建议使用异步推理 + 结果缓存，避免同步阻塞。
2.2 欺诈交易拦截：毫秒级决策与对抗性防御
贷后欺诈交易拦截与贷前反欺诈有本质区别：贷后欺诈发生在账户已激活、额度已授信之后，攻击者往往持有合法凭证（已登录 APP、已绑定银行卡）。模型必须在 100~300 毫秒 内判断当前交易是否由本人操作，并返回“通过/人工审核/拒绝”三级决策。
核心挑战： 欺诈模式快速演变（对抗性环境），模型需要小时级甚至分钟级更新；特征维度极高（设备指纹、行为序列、网络图谱）。
| 维度 | 贷前反欺诈 | 贷后交易拦截 |
|---|---|---|
| 决策时间 | 秒级~分钟级 | 毫秒级（<300ms） |
| 特征时效 | 历史 + 静态 | 实时行为序列 + 设备指纹 |
| 模型更新 | 天级~周级 | 小时级（对抗性漂移） |
| 误杀容忍度 | 较低（影响获客） | 极低（影响用户体验） |
| Serving 架构 | 离线 + 近线 | 在线实时 + 流式特征 |
延迟红线： 交易拦截场景中，模型推理 + 特征拼接总耗时超过 500ms 将直接导致交易超时或用户重试，引发客诉和流失。Serving 层必须使用 预加载模型 + 共享内存特征，避免每次请求都加载模型文件或查询远程特征库。
2.3 额度管控：动态调额与风险预算分配
额度管控不是一次性授信，而是贯穿贷后的持续管理。模型根据借款人最新的还款行为、收入变化、多头借贷情况，动态调整可用额度。核心目标是在不增加整体坏账率的前提下，最大化额度使用率和利息收入。
业务公式： 动态额度 = 基础授信 × 行为评分系数 × 收入验证系数 × 多头约束系数。
| 调额类型 | 触发条件 | 模型输入 | Serving 频率 |
|---|---|---|---|
| 主动提额 | 用户点击“申请提额” | 近 3 个月还款记录、收入流水 | 实时（同步） |
| 被动降额 | 逾期 M1+ / 多头激增 | 逾期天数、多头查询次数 | 准实时（T+0） |
| 周期性重估 | 每月固定批次 | 全量行为 + 外部征信 | 离线（日/周） |
| 事件驱动调额 | 大额消费 / 异地登录 | 交易金额、地理位置、设备 | 实时（异步） |
工程要点： 额度管控模型 Serving 需要支持 增量特征更新。用户行为是流式到达的，每次调额请求都要基于最新状态。建议使用 Redis 或 Aerospike 存储用户实时特征快照，模型推理时直接从内存读取，避免重复计算。
2.4 失联修复：多通道触达与概率建模
失联是贷后催收的最大瓶颈之一。当借款人更换手机号、停机、关机时，传统催收手段完全失效。失联修复模型的目标是：利用借款人历史社交关系、设备网络、紧急联系人、电商收货地址等替代数据，预测最可能触达的通道和号码。
业务价值： 失联修复成功率每提升 5%，整体催收回收率可提升 2~3 个百分点。模型输出不是单一分数，而是 通道优先级列表。
| 数据源 | 特征示例 | 模型用途 |
|---|---|---|
| 通讯录 | 近 3 个月通话频次、通话时长 | 预测亲属/朋友联系概率 |
| 设备网络 | WiFi 名称、基站位置、IP 段 | 推断常驻地 / 工作地 |
| 电商/物流 | 收货地址、签收人姓名 | 获取备用地址 / 联系人 |
| 社交图谱 | 共同联系人、群组关系 | 二度关联触达 |
| 历史催收记录 | 历史接通时段、接通号码 | 最佳触达时间预测 |
合规红线： 失联修复涉及个人隐私数据（通讯录、位置、社交关系），模型 Serving 必须内置 数据脱敏 + 访问审计。严禁在模型日志中输出明文手机号或地址。建议使用 token 化特征，原始数据仅在催收系统内部解密使用。
2.5 场景对比与 Serving 架构映射
四个场景在延迟、吞吐、模型更新频率、特征来源上差异显著，直接决定了 Model Serving 的技术选型。下表汇总核心差异：
| 场景 | 延迟要求 | 吞吐量 | 模型更新 | 特征存储 | 推荐 Serving 方案 |
|---|---|---|---|---|---|
| 逾期催收 | 秒级（批量） | 高（百万级/天） | 天级 | 离线数仓 + Redis | 异步批处理 + 结果缓存 |
| 欺诈交易拦截 | 毫秒级（<300ms） | 极高（万级/秒） | 小时级 | 实时流 + 内存特征 | 在线实时推理 + 模型热加载 |
| 额度管控 | 秒级（同步/异步） | 中（十万级/天） | 天级 | 实时快照 + 离线特征 | 混合架构（实时 + 离线） |
| 失联修复 | 秒级~分钟级 | 中（万级/天） | 周级 |