3. 催收策略指标体系：定义核心指标与次要指标
在催收A/B测试中，指标体系是衡量策略效果、指导策略迭代的“仪表盘”。一个科学的指标体系需要区分核心指标（直接反映催收目标达成情况）与次要指标（辅助诊断策略执行过程与潜在风险）。本章将系统定义这两类指标，并说明其在A/B测试中的应用逻辑。
3.1 核心指标：直接衡量策略成败
核心指标是A/B测试的主要终点，通常与催收业务的最终目标（回收金额、回收效率、客户体验）强相关。在对比实验组与对照组时，核心指标的统计显著性直接决定策略是否胜出。
| 核心指标 | 定义 | 计算公式 | 在A/B测试中的角色 |
|---|---|---|---|
| 回收率 | 在指定账龄区间内，实际回收金额占应回收总金额的比例 | 回收率 = 实际回收金额 / 应回收总金额 × 100% | 最核心的“北极星指标”，直接衡量策略的最终收益贡献 |
| 联系率 | 在催收作业周期内，成功与债务人建立有效沟通（电话接通、短信回复、在线对话等）的案件占比 | 联系率 = 成功联系案件数 / 总分配案件数 × 100% | 衡量策略触达能力，是回收率的前置驱动指标 |
| 承诺还款率 | 在联系成功的案件中，债务人明确承诺在约定时间内还款的比例 | 承诺还款率 = 承诺还款案件数 / 成功联系案件数 × 100% | 衡量策略的说服力与谈判效果，是回收率的中间转化指标 |
| 投诉率 | 在催收作业周期内，因催收行为引发客户投诉（含监管投诉、内部投诉）的案件占比 | 投诉率 = 投诉案件数 / 总分配案件数 × 100% | 衡量策略的合规性与客户体验，是风险控制指标 |
指标优先级建议：在A/B测试中，建议将回收率作为主要决策指标，联系率与承诺还款率作为过程诊断指标，投诉率作为否决指标（若投诉率显著上升，即使回收率提升，策略也可能因合规风险被否决）。
3.2 次要指标：辅助诊断与归因分析
次要指标不直接决定策略胜负，但能帮助分析师理解核心指标变化的原因，识别策略执行中的薄弱环节，或发现潜在的副作用。常见的次要指标包括：
- 平均通话时长：衡量催收员与债务人的沟通深度。过长可能效率低，过短可能沟通不充分。
- 有效通话占比：通话时长超过30秒的通话占比，用于过滤无效振铃。
- 承诺还款履约率：承诺还款后实际在约定时间内还款的比例，反映承诺质量。
- 首日联系率：案件分配后24小时内的联系率，衡量策略响应速度。
- 平均催收次数：单个案件在账龄周期内的平均催收动作次数，用于评估策略强度。
- 失联修复率：通过策略手段（如外呼、短信、数据匹配）成功更新债务人联系信息的比例。
- 复催率：同一债务人在同一账龄周期内再次进入催收队列的比例，反映策略的持续施压效果。
次要指标使用原则：次要指标应围绕核心指标构建“指标树”。例如，若回收率下降，可通过检查联系率、承诺还款率、承诺履约率等次要指标，定位是触达问题、谈判问题还是履约问题。
3.3 指标体系结构：从核心到次要的层级关系
催收策略指标体系并非平铺的指标列表，而是具有层级结构的“金字塔”。下图展示了核心指标与次要指标之间的驱动与约束关系：
3.4 指标在A/B测试中的实际应用
在A/B测试中，核心指标与次要指标需要协同使用，形成完整的评估闭环。以下是一个典型的应用流程：
- 设定假设：基于业务经验，提出策略优化假设（如“增加首日外呼频次可提升联系率”）。
- 选择核心指标：确定本次测试的主要决策指标（如回收率）与否决指标（如投诉率）。
- 配置次要指标：选择与假设相关的次要指标（如首日联系率、平均催收次数）用于过程监控。
- 运行测试：随机分配实验组与对照组，收集指标数据。
- 分析结果：
- 若核心指标显著提升且投诉率无显著变化 → 策略胜出。
- 若核心指标无显著变化但次要指标改善 → 策略可能有效，需延长测试周期或调整样本量。
- 若核心指标提升但投诉率显著上升 → 策略需优化合规性后再测试。
常见误区：不要只关注核心指标而忽略次要指标。例如，一个策略可能通过“暴力催收”短期提升回收率，但投诉率飙升会带来监管风险与品牌损失。次要指标中的投诉率就是“刹车阀”。
3.5 指标标准化与数据质量要求
为确保A/B测试结果的可比性与可复现性，所有指标必须遵循统一的标准化定义：
| 维度 | 标准化要求 | 示例 |
|---|---|---|
| 时间窗口 | 明确指标计算的时间范围（如T+7、T+30） | 回收率按“案件分配后30天内”计算 |
| 分母定义 | 统一分母的排除规则（如排除已核销案件） | 联系率的分母为“有效分配案件数” |
| 数据来源 | 指定指标数据的系统来源（如催收系统、客服系统） | 投诉率数据来自“客户投诉管理系统” |
| 异常值处理 | 定义异常值的识别与剔除规则 | 单案件回收金额超过本金3倍视为异常 |
只有指标定义标准化，A/B测试的结果才能在不同策略、不同批次、不同团队之间进行横向对比与纵向积累。