1. 课程导论：什么是 Collection Score？为什么需要 Collection Score？课程目标与学习路径概览
1.1 什么是 Collection Score？
Collection Score（催收评分） 是一种基于统计模型与机器学习算法生成的数值化指标，用于预测逾期账户在未来特定时间窗口内（如 7 天、30 天）的还款概率或还款意愿。与传统的信用评分（Credit Score）不同，Collection Score 聚焦于 “逾期后的行为预测”，而非“违约前的信用评估”。
Collection Score 的核心逻辑可以概括为：
- 输入：账户历史还款行为、逾期天数、联系记录、人口统计学特征、外部征信数据等。
- 输出：一个介于 0~1000 或 0~1 的分数，分数越高代表还款可能性越大。
- 应用：根据分数高低，动态分配催收资源（人力、渠道、频次、话术）。
关键区别： 信用评分回答“这个人会不会借钱不还？”；Collection Score 回答“这个人逾期了，怎么催最有效？”
1.2 为什么需要 Collection Score？
在传统催收模式中，机构往往采用“一刀切”或“按逾期天数阶梯式”的策略。这种方式存在三个核心痛点：
| 痛点 | 表现 | 后果 |
|---|---|---|
| 资源错配 | 高还款意愿的客户被高频骚扰，低还款意愿的客户被忽视 | 客户投诉率上升，回收率下降 |
| 成本高企 | 所有账户使用相同的人工外呼频次 | 人力成本浪费，单案均成本居高不下 |
| 策略僵化 | 仅依赖逾期天数（M1/M2/M3）做决策 | 无法识别“短期遗忘”与“恶意逃废债”的差异 |
引入 Collection Score 后，可以实现：
- 精准分层：将账户按还款概率分为高、中、低、极低四档。
- 动态触达：高分段使用低成本渠道（短信、IVR），低分段投入人工专家。
- 效果可量化：通过 A/B 测试验证每个分数段的催收策略 ROI。
行业数据参考： 头部消费金融公司应用 Collection Score 后，平均催收效率提升 25%~40%，客户投诉率下降 30% 以上。
1.3 Collection Score 在催收流程中的位置
下图展示了 Collection Score 如何嵌入标准的催收作业流程：
1.4 课程目标
完成本课程后，学员将具备以下能力：
- 理解原理：掌握 Collection Score 的建模逻辑、变量体系与评估指标。
- 构建模型：能够使用 Python 从零搭建一个可用的催收评分卡。
- 策略设计：基于分数阈值设计差异化的催收触达策略（渠道、频次、话术）。
- 效果评估：通过 Lift 图、KS 统计量、ROI 分析等方法持续优化策略。
- 落地部署：了解评分系统与催收平台对接的工程要点与监控机制。
1.5 学习路径概览
本课程共 30 章，分为四个模块，建议按顺序学习：
| 模块 | 章节范围 | 核心内容 | 学习时长（建议） |
|---|---|---|---|
| 基础篇 | 第 1~8 章 | Collection Score 概念、数据准备、特征工程、模型算法选型 | 2 周 |
| 建模篇 | 第 9~16 章 | 逻辑回归评分卡构建、XGBoost 模型、模型验证与校准 | 3 周 |
| 策略篇 | 第 17~24 章 | 分数阈值设定、触达渠道组合优化、A/B 测试框架 | 2 周 |
| 实战篇 | 第 25~30 章 | 全流程项目实战、监控报表、合规要点与案例复盘 | 2 周 |
学习建议： 每章结束后完成配套练习（数据集在课程资源中提供）。建模篇和策略篇建议配合 Jupyter Notebook 实操，不要只看理论。
1.6 本章小结
- Collection Score 是逾期账户还款概率的预测分数，是催收策略优化的核心决策变量。
- 传统催收模式存在资源错配、成本高企、策略僵化三大痛点，Collection Score 提供了数据驱动的解决方案。
- 本课程从原理到实战，覆盖建模、策略、部署全链路，适合风控分析师、催收策略经理、数据科学家学习。