1. Collection Score 基础概念
1.1 什么是 Collection Score
Collection Score（催收评分）是一种基于统计模型与历史还款行为数据，对逾期账户在未来特定时间窗口内（通常为 30 天、60 天或 90 天）还款概率或失联概率进行量化的数值指标。与传统的信用评分（Credit Score）不同，Collection Score 聚焦于催收阶段的行为预测，帮助催收团队判断“先打给谁”“用什么方式打”“打到什么程度”。
核心定义：Collection Score 是逾期账户在给定催收策略下的还款倾向性排序工具，分数越高代表还款可能性越大（或失联风险越低），分数越低代表需要优先、高强度触达。
1.2 评分卡在催收中的角色
评分卡（Scorecard）是将原始特征（如逾期天数、历史还款次数、联系人数量、设备信息等）映射为分数的数学转换表。在催收场景中，评分卡承担以下关键角色：
| 角色 | 说明 | 催收价值 |
|---|---|---|
| 分层引擎 | 将全量逾期账户按分数划分为高、中、低风险组 | 实现差异化催收策略，避免“一刀切” |
| 资源分配器 | 指导人力、外呼线路、短信通道等资源向低分账户倾斜 | 降低运营成本，提升回款 ROI |
| 触达优先级排序器 | 在同一逾期天数内，按分数从低到高决定外呼顺序 | 减少“漏催”和“过度催收” |
| 策略效果度量基准 | 对比不同分数段在相同触达策略下的回收率变化 | 支持 A/B 测试与策略迭代 |
实战经验：成熟的催收体系通常同时部署“还款评分卡”和“失联评分卡”两张卡，前者用于决定触达强度，后者用于决定触达渠道（如电话 vs. 短信 vs. 外访）。
1.3 分数与逾期风险的关系
Collection Score 与逾期风险呈负相关：分数越低，逾期风险越高（即还款概率越低、失联概率越高）。这种关系可以通过以下典型分段表理解：
| 分数区间 | 风险等级 | 30 天内还款概率 | 建议触达策略 |
|---|---|---|---|
| 700 - 850 | 低风险 | > 85% | 短信提醒 + 智能外呼 1 次 |
| 550 - 699 | 中风险 | 60% - 85% | 人工外呼 2-3 次 + 短信 |
| 400 - 549 | 高风险 | 30% - 60% | 人工外呼 5 次 + 加急短信 + 联系人触达 |
| < 400 | 极高风险 | < 30% | 高强度催收 + 外访 / 法务介入 |
分数与风险的关系并非线性，通常在中间段（500-650）区分度最大，两端（极高分段和极低分段）区分度趋于饱和。因此，催收策略的优化重点往往落在中间分数段的触达频次与渠道组合上。
常见误区：Collection Score 不是“催收难度”的绝对度量，而是相对排序工具。同一分数在不同客群、不同产品、不同经济周期下，实际还款率可能波动 10-20 个百分点。因此，分数阈值需要定期校准，不能“一次建模、永久使用”。
1.4 评分卡构建流程概览
理解 Collection Score 的基础概念后，有必要了解评分卡是如何从数据中“长”出来的。以下是一个标准催收评分卡构建流程：
- 数据采集：整合逾期账户的还款行为、联系人信息、设备指纹、外部征信等数据源。
- 特征工程：衍生变量，如“近 7 天通话次数”“历史最长逾期天数”“联系人接通率”等。
- 变量分箱：将连续变量离散化，计算每个分箱的坏账率（Bad Rate）。
- WOE 编码：用证据权重（Weight of Evidence）替换原始分箱，保证变量与目标之间的单调性。
- 逻辑回归建模：以 WOE 为输入，拟合还款/失联概率模型。
- 分数转换：将模型输出的概率映射为整数分数（如 300-850 区间）。
- 策略映射：根据分数段制定触达频次、渠道、话术等策略规则。
关键指标：评分卡区分度常用 KS 值（Kolmogorov-Smirnov）和 Gini 系数衡量。催收场景下，KS > 0.3 即具备可用区分度，KS > 0.5 为优秀。