1. 催收模型概述

1.1 催收业务场景

催收（Collection）是信贷生命周期中控制逾期损失的核心环节。当借款人未能在约定还款日完成还款时，金融机构需要通过一系列策略与手段，促使借款人尽快归还欠款。催收模型正是为这一场景量身定制的机器学习模型，其目标是在正确的时间、以正确的渠道、向正确的客户施加正确的催收动作。

典型的催收业务场景可划分为以下几个阶段：

1.2 模型在催收流程中的角色

催收模型并非孤立存在，而是嵌入在完整的催收策略引擎中，承担以下关键角色：

• 优先级排序器： 对逾期客户按还款概率或回收金额进行排序，决定先催谁、后催谁。
• 渠道选择器： 预测客户对不同催收渠道（短信、电话、上门、法务）的敏感度，选择最优触达方式。
• 策略分配器： 根据模型输出的风险等级，分配不同的催收话术、频次和施压强度。
• 资源调度器： 帮助催收团队合理分配人力，将高价值案件分配给资深催收员。

1.3 模型上线面临的挑战

将催收模型从开发环境部署到生产系统，并非简单的"模型文件复制+API封装"。催收场景的特殊性带来了以下核心挑战：

1.4 催收模型上线的核心原则

面对上述挑战，催收模型上线需要遵循以下原则：

1. 可观测性优先： 模型上线第一天就要有完整的监控体系，包括特征分布、分数分布、延迟、吞吐量、调用量等指标。
2. 渐进式发布： 从影子模式（Shadow Mode）开始，逐步过渡到A/B测试、金丝雀发布，最后全量上线。
3. 特征与模型解耦： 特征计算逻辑独立部署，支持特征回填和离线-在线一致性校验。
4. 回滚能力： 每次模型更新都必须保留上一版本的完整部署配置，支持一键回滚。