4. 客户分群与画像：基于逾期天数、历史行为、风险等级、还款能力的客户分层方法

催收策略的核心在于“因客施策”。在资源有限的前提下，只有将客户按照其逾期特征、行为模式、风险程度和还款潜力进行精细化分层，才能设计出触达频率、话术强度、渠道偏好各不相同的差异化策略。本章将系统讲解四维分层模型，并给出可落地的画像标签体系。

4.1 四维分层模型总览

客户分群不是单一维度的切割，而是多维度交叉分析的结果。我们采用以下四个核心维度构建分层矩阵：

4.2 逾期天数分层：催收阶段的基石

逾期天数是所有分层的起点。不同阶段的客户心理、失联概率和还款意愿差异巨大，必须分段管理。

• M1 (1-30天)： 早期逾期，客户多为遗忘或临时周转困难。策略以短信、AI外呼、APP推送等低成本触达为主，话术温和，强调提醒与便利还款通道。
• M2 (31-60天)： 中期逾期，客户还款意愿开始下降，失联率上升。需要人工外呼介入，话术转为施压与协商并重，开始评估分期方案。
• M3 (61-90天)： 晚期逾期，客户还款能力或意愿出现严重问题。必须升级为资深催收员或法务团队，话术强硬，明确告知征信影响与法律后果。
• M3+ (90天以上)： 坏账预备期。转入委外催收或法律诉讼流程，策略重心转为资产调查与保全。

4.3 历史行为分层：预测客户配合度

历史行为是客户“信用习惯”的直接体现。通过分析客户过去6-12个月的还款记录、联系响应率和投诉记录，可以将客户分为四类：

4.4 风险等级与还款能力：资源分配的决策依据

风险等级决定了“要不要投入大量资源去催”，还款能力决定了“能催回来多少钱”。两者交叉形成策略矩阵。

风险等级划分（基于评分卡）：

• 低风险 (600-700+)： 偶发逾期，还款意愿高，可自动策略处理。
• 中风险 (500-600)： 有一定信用瑕疵，需要人工跟进。
• 高风险 (400-500)： 多头借贷、征信不良，需要资深催收员。
• 极高风险 (<400)： 黑名单、欺诈嫌疑，直接法务或核销。

还款能力评估（基于收入与资产）：

• 强： 稳定收入、有房产/车辆，可要求全额还款。
• 中： 收入一般、无大额资产，适合分期方案。
• 弱： 收入不稳定、负债率高，减免部分本金或延长周期。
• 无： 无收入、无资产、无联系人，评估是否核销。

4.5 四维交叉画像：生成客户分层标签

将上述四个维度组合，即可生成具体的客户画像标签。例如：

• 标签：M1-优质-低风险-强能力 → 策略：APP推送提醒 + 一条短信，无需人工介入。
• 标签：M2-波动-中风险-中能力 → 策略：人工外呼，提供3-6期分期方案，设置还款日提醒。
• 标签：M3-失联-高风险-弱能力 → 策略：启动失联修复，联系紧急联系人，评估减免方案，准备委外。
• 标签：M3+-恶意-极高风险-无能力 → 策略：直接法务诉讼，资产保全，内部标记黑名单。

以下SVG图展示了四维分层模型的完整流程与交叉逻辑：

4.6 分层后的触达策略映射

完成客户分层后，需要将每个画像标签映射到具体的触达策略。以下是一个简化的策略映射表示例：

4.7 分层模型的API化设计

为了实现自动化催收，客户分层逻辑需要封装成API服务。以下是分层API的核心接口设计思路：

// 客户分层API请求示例 (JSON)
POST /api/v1/customer/segment
{
  "customer_id": "CUST202410001",
  "overdue_days": 45,
  "historical_behavior": "波动",
  "risk_score": 550,
  "repayment_ability": "中"
}

// 响应示例
{
  "code": 0,
  "message": "success",
  "data": {
    "segment_label": "M2-波动-中风险-中",
    "strategy_code": "S_M2_MED_003",
    "recommended_channel": "人工外呼",
    "max_daily_attempts": 3,
    "allow_installment": true,
    "installment_max_terms": 6,
    "tone_template": "协商施压"
  }
}