3. 客户分层模型：精准分流的基石
客户分层是催收策略的“第一性原理”。没有分层，A/B 分流就是盲人摸象。本节从逾期天数、风险评分、历史行为三个维度构建分层体系，为后续渠道选择与分流实验提供精准的客户画像。
3.1 基于逾期天数（M1/M2/M3+）的分层
逾期天数是催收行业最基础、最通用的分层维度。它将客户按逾期账龄划分为不同阶段，每个阶段对应不同的催收紧迫度和策略重心。
| 分层标签 | 逾期天数范围 | 典型特征 | 策略重心 |
|---|---|---|---|
| M1 | 1 – 30 天 | 遗忘、临时周转困难、少量恶意 | 提醒、教育、低成本触达 |
| M2 | 31 – 60 天 | 还款意愿下降、部分失联、资金链紧张 | 施压、协商、人工介入 |
| M3+ | 61 天及以上 | 高风险、失联率高、欺诈可能性大 | 强力催收、委外、法务准备 |
实战提示： M1 阶段是催收的“黄金窗口期”。数据显示，M1 阶段的回收率可达 85% 以上，而 M3+ 阶段回收率通常低于 40%。分层越细，策略越精准。
3.2 基于风险评分（低/中/高风险）的分层
风险评分是量化客户违约概率的核心指标。通常基于客户的信用历史、负债水平、收入稳定性、外部征信数据等维度，通过评分卡模型计算得出。我们将评分结果划分为三个等级：
- 低风险（评分 > 700）： 还款能力强、意愿高，偶发性逾期。策略以自动提醒、短信、AI 外呼为主，避免过度打扰。
- 中风险（评分 500 – 700）： 存在一定还款压力，需要适度施压和协商。策略以人工外呼、智能 IVR、协商方案推送为主。
- 高风险（评分 < 500）： 还款能力弱、失联风险高、欺诈嫌疑大。策略以强力人工催收、外访、委外、法务手段为主。
注意： 风险评分需要定期更新（建议每月一次），避免使用过时数据导致分层失效。同时，评分模型应避免对特定人群的歧视性偏差。
3.3 基于历史还款行为的分层
历史还款行为是客户“用脚投票”的真实记录。通过分析客户过去的还款习惯、逾期频率、失联记录、投诉历史等，可以更精准地预测其未来行为。常见的行为分层标签包括：
| 行为标签 | 定义 | 策略含义 |
|---|---|---|
| 优质还款型 | 近 12 个月无逾期，或逾期不超过 1 次且已结清 | 优先使用低成本渠道，保持良好关系 |
| 习惯性逾期型 | 近 6 个月逾期 3 次以上，但最终还清 | 需要提前预警，设置自动扣款提醒，适当提高催收频率 |
| 失联倾向型 | 历史催收中曾出现电话关机、空号、拒接等行为 | 优先使用多渠道触达（短信+外呼+信函），启动联系人修复 |
| 投诉/敏感型 | 曾因催收行为投诉或表现出强烈抵触情绪 | 使用合规、温和的渠道，避免高压话术，必要时转专属客服 |
3.4 三维分层融合模型
单一维度的分层往往不够全面。实战中，我们将逾期天数、风险评分、历史行为三个维度融合，形成立体的客户分层矩阵。以下是一个典型的三维分层融合示意图：
3.5 分层后的 A/B 分流应用
完成三维分层后，每个客户都被赋予一个唯一的“策略标签”。在 A/B 分流实验中，我们可以在同一分层组内（例如“M2 + 中风险 + 习惯性逾期型”）随机分配客户到不同催收渠道，从而对比渠道效果。分层越细，实验结论越可靠。
关键原则：
- 组内同质： 同一分层组内的客户特征尽可能一致，减少干扰变量。
- 组间异质： 不同分层组之间的策略应有明显差异，避免策略重叠。
- 动态调整： 分层模型需要根据催收效果数据持续迭代，每月至少复盘一次。