1. 催收评分卡概述
1.1 催收评分卡的定义
催收评分卡（Collection Scorecard）是一种基于历史还款行为、账户属性、客户画像等多维数据，通过统计建模（如逻辑回归、决策树、XGBoost）生成的量化评分工具。它将逾期账户的“还款意愿”与“还款能力”转化为一个可排序、可比较的分数，用于指导贷后催收策略的差异化分配。
核心公式（逻辑回归形式）：
其中 odds = p/(1-p)，p 为“在指定时间窗口内至少还入最低还款额”的概率。
Score = Offset + Factor × ln(odds)其中 odds = p/(1-p)，p 为“在指定时间窗口内至少还入最低还款额”的概率。
催收评分卡通常以 0–1000 分 或 300–850 分 的区间呈现，分数越高代表客户越有可能主动还款，催收介入强度可相应降低；分数越低则代表违约风险高，需要优先分配高成本、高强度的催收资源。
1.2 在贷后管理中的核心作用
催收评分卡是贷后精细化运营的“方向盘”，其核心价值体现在以下四个维度：
| 维度 | 作用描述 | 业务收益 |
|---|---|---|
| 资源分配 | 按分数段将账户分流至自助催收、短信、IVR、人工外呼、法务等不同队列 | 降低高成本渠道的无效占用，整体催收成本下降 15%–30% |
| 触达策略 | 根据评分动态调整触达频次、时段、话术强度与渠道优先级 | 提升有效触达率 20%+，减少客户投诉与监管风险 |
| 案件排序 | 在催收员工作台按评分从低到高排列案件，确保高风险案件优先处理 | 首日联系率提升 40%，回收率提升 5–10 个百分点 |
| 效果评估 | 作为 A/B 测试的基准分组变量，量化不同策略的回收率提升幅度 | 策略迭代周期从月级缩短至周级，决策有据可依 |
实战经验： 一家头部消费金融公司上线催收评分卡后，M1 回收率从 78% 提升至 89%，同时人工外呼量减少 35%，年节省运营成本超 2000 万元。
1.3 与申请评分卡的核心区别
申请评分卡（Application Scorecard）与催收评分卡虽然同属信用评分体系，但在目标、数据、时间窗口、模型输出等方面存在本质差异。下表从 7 个关键维度进行对比：
| 对比维度 | 申请评分卡 | 催收评分卡 |
|---|---|---|
| 使用阶段 | 贷前审批 | 贷后逾期管理 |
| 预测目标 | 未来 12–24 个月内是否发生违约（首次逾期） | 未来 7–30 天内是否还入最低还款额（还款行为） |
| 数据来源 | 征信报告、申请资料、外部三方数据 | 还款流水、催收通话记录、联系人行为、设备指纹 |
| 时间窗口 | 静态截面数据（申请时点） | 动态时序数据（每日/每周更新） |
| 样本定义 | 好客户（正常还款）+ 坏客户（逾期 90+） | 好客户（逾期后还款）+ 坏客户（逾期后持续不还） |
| 模型输出 | 审批通过/拒绝/人工审核 | 催收策略代码（如 S1/S2/S3）、触达优先级分数 |
| 更新频率 | 季度/半年度重新开发 | 月度/周度模型监控，支持在线学习 |
常见误区： 部分机构直接将申请评分卡用于催收排序，导致高风险客户被低估。因为申请评分卡未包含逾期后的行为特征（如还款意愿变化、联系人配合度），在贷后场景中区分度下降 30%–50%。
1.4 催收评分卡在贷后策略中的位置
下图展示了催收评分卡如何嵌入贷后管理全流程，从账户逾期触发到最终策略执行：
1.5 催收评分卡的成功要素
构建一个高区分度、可落地的催收评分卡，需要关注以下 5 个关键成功要素：
- 数据时效性： 必须接入实时或 T+1 的还款流水、催收接触记录，避免使用滞后超过 7 天的数据。
- 行为特征工程： 重点构造“还款意愿类”特征（如承诺还款后是否履约、接通后是否挂断）和“还款能力类”特征（如近 3 天是否有大额消费）。
- 样本平衡处理： 催收场景中“还款客户”通常占 60%–80%，需通过欠采样或 SMOTE 过采样避免模型偏向多数类。
- 策略可解释性： 催收员需要理解为什么某个案件被标记为“高风险”，评分卡应支持特征贡献度拆解（如 SHAP 值）。
- 闭环监控： 每周监控评分卡区分度（KS、AUC）与稳定性（PSI），当 PSI > 0.1 时需触发模型重训。