【机器学习】催收评分卡模型（Collection Scorecard）

国家对非法催收的打击力度越来越大，旨在构建一个健康、有序的金融市场环境。同时，金融机构也应加强内部管理，合规经营，特别是重视催收评分卡的建设，共同促进金融市场的稳定发展。

催收评分卡概述

评分卡可分为申请评分卡(A卡)、行为评分卡(B卡)、催收评分卡(C卡)。不同的卡使用场景不一样，A卡用于贷前申请环节，用来区分客户好坏；B卡用于贷中环节，根据观察行为预测未来一段时间发生逾期/违约的概率；C卡主要用于贷后环节.申请评分卡、行为评分卡和催收评分卡常合并称为“ABC卡”，应用在贷前、贷中和贷后管理。催收评分卡所在风控环节如下图：

催收评分卡与其他评分卡的区别

催收评分卡（C卡）与申请评分卡（A卡）和行为评分卡（B卡）相比，有其独特的特点：

• 使用时间：C卡专注于贷后阶段，尤其是客户出现逾期后的风险评估。

• 数据要求：C卡需要更全面的数据，包括客户的逾期信息、催收历史和对催收措施的反应等。

• 模型构建：C卡模型需要考虑催收策略的影响，因此会加入与催收相关的变量。

• 预测目的：C卡的目的是预测客户对催收措施的反应，指导金融机构采取最有效的催收策略。

催收评分卡作用

催收评分卡作用是预判对逾期用户的催收力度。对于信誉较好的用户，不催收或轻量催收即可回款。对于有长时间逾期倾向的用户，需要从逾期开始就重点催收。逾期天数越多，催收难度越大。

催收评分卡通过量化分析，有效提升催收效率，最大化收回欠款，减少资产损失，帮助金融机构更有效地管理逾期贷款。Toby老师将带您全面了解催收评分卡的构建、应用及其在金融风控中的重要性。

催收评分卡的应用场景

催收评分卡在金融风控中的应用场景广泛，主要包括：

1. 逾期风险评估：预测借款人未来逾期的可能性，帮助金融机构识别高风险客户群体。

2. 催收策略制定：根据评分结果，对不同风险等级的客户采取差异化的催收策略。

3. 催收效果监控：通过比较催收前后的评分变化，评估催收措施的有效性。

4. 坏账准备金计提：评分结果可作为坏账准备金计提的依据，帮助金融机构合理预估潜在的信贷损失。

5. 客户关系管理：识别有潜在还款困难的客户，提前进行沟通和协助，维护客户关系。

催收评分卡的构建思

催收评分卡的构建是一个系统工程，涉及到数据收集、特征工程、模型开发等多个环节。以下是构建催收评分卡的基本思路：

1.数据收集与清洗：金融机构需要整合来自不同渠道的数据，如基本信息、银行交易记录、社交媒体行为、信用历史等，以获得全面的客户画像，维度尽可能丰富。数据收集后进行清洗，去除重复、处理缺失值和异常值。在特殊月份和活动周期客户信息变化比较大，容易引起变量值较大波动。数据清洗中剔除特殊月份的样本，还有做活动引流时样本，保证出催动作和客群情况的稳定性。我看互联网上有些文章称要保证样本的均衡，这是不实际，不合理的。金融风控真实数据就是高度不平衡，我们人为55开平衡后，会误导模型判断能力。

2.特征选择和数据来源：重点关注还款意愿和还款能力，包括客户收入、资产情况、履约行为和催收记录等。基于原始数据生成新的特征，如交易频率、消费习惯等，并挑选对风险预测最有价值的特征。

3.模型构建：选择合适的分类模型，如逻辑回归、随机森林等，进行训练，并将其结果转化为直观的信用分数。银行最常用的是采用逻辑回归等统计模型，结合WOE（Weight of Evidence）和IV（Information Value）等指标，评估变量的预测能力。

4. 模型验证：通过KS统计量、AUC值、Gini系数等指标，验证模型的区分能力和预测精度。使用精确率、召回率、F1分数、ROC曲线下的面积(AUC)等评估指标，通过交叉验证、网格搜索等方法调整模型参数，提升预测准确性。Toby老师根据多年建模经验，催收评分卡的AUC一般比较高，很多高于0.8，原因是建立c卡时，用户已经有大量逾期数据表现。如果用户之前有逾期，那么后面也有逾期倾向。

5.模型部署与监控：将模型部署到生产环境，并建立监控机制，定期检查模型表现，确保模型的稳定性和有效性。如果模型性能例如AUC，ks下降太厉害，或PSI高于0.25，Toby老师建议重新建模，迭代模型。

催收评分卡的细分

催收评分卡和申请评分卡和行为评分卡不太一样，一般申请评分卡和行为评分卡使用一个模型就可以了，但是催收评分卡由三个模型构成：（不同的模型功能目的不一样，其中失联预测模型是比较重要的）

• 还款率模型

• 账龄滚动模型

• 失联预测模型

还款率模型

账龄滚动模型

失联预测模型

催收评分卡-还款率模型的代码实现</