1. 催收评分卡概述
1.1 催收评分卡的定义
催收评分卡（Collection Scorecard）是一种基于历史还款行为、账户属性、客户画像等多维数据，通过统计建模或机器学习方法生成的量化评分工具。它用于预测逾期账户在未来特定时间窗口内的还款概率、回收金额或最佳触达策略，从而指导催收资源的精细化分配。
与传统的“一刀切”催收策略不同，催收评分卡将每个逾期账户映射为一个可比较的风险分值，使催收员、系统或策略引擎能够根据分值高低执行差异化的催收动作。
核心公式逻辑（逻辑回归评分卡示例）：
Score = Offset + Factor × ln(Odds)
其中 Odds = p/(1-p)，p 为还款概率
每个特征变量 x_i 对应一个分值点：Score_i = (β_i × x_i + a_i) × Factor实际业务中，评分卡输出通常映射为 300–900 分或 0–100 分，分值越高代表还款意愿/能力越强。
1.2 在贷后管理中的核心价值
催收评分卡是贷后管理从“经验驱动”转向“数据驱动”的关键基础设施。其核心价值体现在以下四个维度：
| 价值维度 | 具体说明 | 业务效果 |
|---|---|---|
| 资源精准分配 | 根据评分将账户分为高、中、低风险组，匹配不同催收强度 | 高成本人工催收聚焦高风险账户，低风险账户用低成本自动触达 |
| 触达时机优化 | 评分结合时间衰减模型，决定“何时催”效果最佳 | 避免过早骚扰优质客户，不错过黄金催收窗口 |
| 策略效果量化 | 通过评分分布变化评估催收策略的边际收益 | 支持 A/B 测试与策略迭代，降低试错成本 |
| 合规与客诉控制 | 对低风险账户自动降低催收频率与施压强度 | 减少无效骚扰，降低监管投诉率 |
行业数据参考： 部署催收评分卡后，头部消费金融公司的首催回收率平均提升 8–15 个百分点，人工催收成本下降 20%–35%，同时客诉率降低 40% 以上。
1.3 与传统信用评分卡的区别
催收评分卡与信贷审批阶段使用的传统信用评分卡（如 FICO、A卡）在目标、数据、时间窗口和输出应用上存在本质差异。下表从六个关键维度进行对比：
| 对比维度 | 传统信用评分卡（A卡） | 催收评分卡（C卡） |
|---|---|---|
| 预测目标 | 未来 12–24 个月违约概率 | 未来 7–90 天还款概率或回收率 |
| 数据来源 | 征信报告、收入负债比、信贷历史 | 还款行为、催收交互记录、联系人信息、设备指纹 |
| 时间窗口 | 长期（年为单位） | 短期（天/周为单位） |
| 样本分布 | 全量申请用户（含好客户） | 已逾期用户（坏客户为主） |
| 输出用途 | 审批决策、额度定价 | 催收策略、触达频次、委外排序 |
| 模型更新频率 | 季度/半年 | 周/月（需快速响应行为变化） |
常见误区： 不能直接将审批评分卡用于催收排序。审批评分卡区分的是“好人/坏人”，而催收评分卡需要在“坏人池”中进一步区分“谁更可能还钱、谁更可能失联”。两者目标函数不同，混用会导致催收资源错配。
1.4 催收评分卡在贷后流程中的位置
下图展示了催收评分卡在贷后管理全流程中的核心枢纽作用：
从流程图中可以看出，催收评分卡位于“逾期入催”与“策略执行”之间的决策中枢位置。它不直接产生回收，而是通过精准的风险分层，让每一种触达方式（短信、AI 外呼、人工催收、委外）都能在最合适的账户上发挥最大效用。
1.5 催收评分卡的类型与适用场景
根据预测目标和数据时间窗口的不同，催收评分卡通常分为以下三类：
- 行为评分卡（Behavior Scorecard）： 基于逾期后 1–30 天的还款行为、联系情况、部分还款记录，预测短期（7 天内）还款概率。适用于 M1（逾期 1–30 天）阶段。
- 回收率评分卡（Recovery Scorecard）： 预测逾期 30 天以上账户的最终回收金额或回收比例。适用于 M2–M3 及委外资产包定价。
- 触达响应评分卡（Contactability Scorecard）： 预测客户对特定触达渠道（电话、短信、微信）的响应概率。用于优化触达顺序与频次，减少无效外呼。
实战建议： 在 Spark 大数据平台上，三类评分卡可以并行计算并融合输出一个综合催收分，也可以分别输出子分数供策略引擎按规则调用。建议初期先从行为评分卡切入，快速验证 ROI 后再扩展至回收率与触达响应模型。