1. Collection Score 概述
1.1 什么是 Collection Score
Collection Score（催收评分）是一种基于历史还款行为、账户属性、人口统计特征等多维数据，通过统计模型或机器学习算法计算出的数值化指标，用于预测某个逾期账户在未来特定时间窗口内（通常为 30 天、60 天或 90 天）的还款概率或失联风险。
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，其核心输出是一个 0–1000 或 0–999 的分数，分数越高代表客户主动还款的可能性越大，催收优先级越低；分数越低则代表风险越高，需要更早、更强力地介入。
核心公式逻辑（简化示意）：
Collection Score = f(
历史还款次数 / 总逾期次数,
最近一次还款距今天数,
当前逾期金额 / 历史平均金额,
失联标记次数,
年龄 / 收入 / 职业稳定性,
外部征信查询频次
)实际生产环境中，模型通常使用逻辑回归、XGBoost 或深度神经网络，输出经过校准的概率值再映射为整数分数。
1.2 Score 在催收中的核心价值
引入 Collection Score 后，催收策略从“一刀切”转向“千人千面”，其核心价值体现在以下四个维度：
| 价值维度 | 具体表现 | 量化效果（行业参考） |
|---|---|---|
| 资源精准分配 | 高分数段（低风险）客户减少人工外呼，低分数段（高风险）客户优先分配资深催收员 | 人力成本降低 20%–35% |
| 触达时机优化 | 根据分数动态调整首次触达时间，高风险客户在逾期第 1 天即启动智能外呼 | 早期回收率提升 15%–25% |
| 渠道组合决策 | 低分客户使用“短信+IVR+人工”多波次触达，高分客户仅发送一条提醒短信 | 单案催收成本下降 30% |
| 合规风险控制 | 对低分客户自动限制每日触达次数，避免过度催收投诉 | 投诉率降低 40%–60% |
关键认知：Collection Score 不是“能不能收回”的绝对判断，而是“相对优先级”的排序工具。同一分数段内，策略执行质量仍然决定最终回收率。
1.3 Score 与传统催收策略的区别
传统催收策略通常依赖“逾期天数 + 金额区间”的二维矩阵，例如“M1（1–30 天）且金额 > 5000 元”统一执行某种策略。这种方式的局限性在于：同一逾期天数内的客户还款意愿差异极大，却享受完全相同的催收强度。
| 对比维度 | 传统策略（规则驱动） | Score 策略（模型驱动） |
|---|---|---|
| 客户分层依据 | 逾期天数 + 金额区间（通常 4–8 个格子） | 连续分数 + 逾期天数（数百个细分层级） |
| 策略粒度 | 粗放：同一格子内所有客户执行相同动作 | 精细：每个分数段可配置独立触达频率、渠道、话术 |
| 动态调整能力 | 固定规则，月度/季度人工更新 | 模型可每日/每周自动重跑，实时反映客户最新行为 |
| 效果衡量 | 整体回收率、接通率 | KS 值、Lift 曲线、各分数段回收率差异 |
| 合规冗余 | 容易对低风险客户过度催收，引发投诉 | 通过分数自动降频，从源头减少骚扰 |
常见误区：Score 策略不是完全抛弃逾期天数和金额，而是将这两个维度作为模型输入特征之一，与数百个其他特征共同计算分数。最终策略矩阵仍然是“分数段 × 逾期天数”，但分数段的数量从传统策略的 2–3 个扩展到 10–20 个，粒度提升 5–10 倍。
1.4 从“规则”到“模型”的思维转变
实施 Collection Score 策略前，团队需要完成以下三个关键认知升级：
- 从“经验驱动”到“数据驱动”：不再依赖催收主管的直觉判断，而是让模型从历史数据中自动学习哪些特征对还款预测最有效。
- 从“静态规则”到“动态迭代”：传统策略一旦上线，通常数月不变；Score 策略支持每周/每月重新训练模型，持续适应客户行为变化。
- 从“结果管理”到“过程管理”：传统策略只关注最终回收率；Score 策略通过监控各分数段的 Lift 值、KS 值、PSI 稳定性指标，实现过程质量管控。
落地建议：初次引入 Collection Score 时，建议采用“并行验证”策略——在同一个逾期池中，随机抽取 20% 的客户使用 Score 策略，80% 维持传统策略，对比 3–6 个月后两组的回收率、成本、投诉率差异，用数据说服业务团队。