作者Toby，原文来源公众号：python风控模型，催收评分卡模型实战案例1

之前Toby老师发布文章《深入解析：金融风控行为评分卡模型（Behavior scorecard）》，《深入解析：催收评分卡模型（Collection Scorecard）》用户反馈较好，今天写文章展示催收评分卡项目实战。

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。

催收评分卡功能和应用场景

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。

催收评分卡实战案例

催收评分卡具体原理参考之前文章《深入解析：催收评分卡模型（Collection Scorecard）》。

该项目催收数据集来源真实金融机构催收业务数据，有100变量+，数据量7000+，数据量充足，变量维度丰富，覆盖面广，适用于企业催收评分卡建模，论文期刊或专利。部分数据集截图如下

变量分类汇总如下：

过期相关

• 逾期天数 ：过去第 1-12 个月逾期天数（DPD）、过去 12 个月逾期天数总和（DPD）、过去 3 个月逾期天数总和（DPD）、过去 6 个月逾期天数总和（DPD）、过去 3 个月逾期天数最大值（DPD）、过去 6 个月逾期天数最大值（DPD）、逾期 5 天以上天数（DPD5_TIME）。

• 逾期本金比例 ：过去第 1-12 个月逾期本金比例（BP）、过去 12 个月逾期本金比例（BP）总和。

• 逾期指标 ：逾期指标。

还款相关

• 还款率（KPTP） ：过去第 1-12 个月还款率（KPTP）、过去 12 个月还款率（KPTP）总和。

• 还款率占比（KPTP_RATE） ：过去第 1-12 个月还款率占比（KPTP_RATE）、过去 12 个月还款率占比总和（KPTP_RATE）。

分期还款计划相关

过去第 1-12 个月分期还款计划（PTP）、过去 12 个月分期还款计划（PTP）总和。

未还款相关

• 未还款次数 ：过去第 1-12 个月未还款次数（NOPAY）、过去 12 个月未还款次数总和（NOPAY）、过去 12 个月未还款次数最大值（NOPAY）。

其他

• 贷款信息 ：贷款编号、贷款金额、期数百分比。

• 呼入电话次数 ：呼入电话次数。

逾期指标分析，逾期和非逾期客户可视化如下

催收数据集用户贷款金额可视化分析如下

• 贷款最大值：50万

• 最小值：6,019，说明贷款金额从50万到6千元，说明金融机构对不同信用客户贷款额度差异较大，其背后有专家策略或贷款额度模型计算决定。

• 平均值：12万，中位数和平均数是10万，看来该数据集的客户还不算小额贷款，贷款金额挺高，应该属于银行等金融机构的优质客户。

• 方差：5,817,736,376.2199，数据集方差太大说明金融机构对不同信用客户贷款额度差异较大，其背后有专家策略或贷款额度模型计算决定。

催收呼入电话次数描述性统计信息：

• 总行数：7,111（没有缺失值）

• 最常见的值：3945（这个值出现了3944次）

• 四分位数：

  • 25%：0

  • 50%（中位数）：0

  • 75%：2

• 最大值：45

• 最小值：0

• 平均值：1.1724

• 标准差：2.1599

• 总和：8,337

• 唯一值数量：26

• 方差：4.6651

箱线图：

• 箱线图显示了数据的分布，其中中位数为0，数据分布偏向于较低的值。

• 箱线图的须（whiskers）延伸到39，这可能是数据的最大值或接近最大值。

• 从图中可以看出，大部分的呼入电话次数为0，少数情况下次数较高。

序列差分：

• 最小差分：-42

• 平均差分：0.000844

• 最大差分：39

初步建模后模型AUC可以达到0.9，经过优化处理，模型可以达到更好效果。

催收评分卡的构建流程

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。具体特征选择和数据来源如下图：

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。

逾期客户分类

我们建立好催收评分卡模型后，可以再利用聚类算法对客户分类。很多银行风控策略过于呆板，缺乏人性。人性是健忘的，部分用户逾期几毛钱，几元钱忘了还，过了3个月-6个月后就被银行的风控策略定义为坏客户，加入黑名单，这些用户要去申请其它银行信用卡几乎不可能。其实对于逾期，不能一棍子打死，逾期有时候罚息对于公司来说也是一种收益，所以我们需要对逾期客户进行分类，不同客户类别采取的催收手段都是不一样的。

其中风险等级（第四类>第三类>第二类>第一类）

 

第一类：轻度

• 描述：客户的还款意愿和还款能力都是良好的。逾期还款是由于特殊原因造成的，例如因生意出差在外地未能及时赶回、忘记还款日期、或因特殊情况暂时没有时间处理还款事宜，导致出现数天的逾期。

• 管理措施：通常这类逾期比较容易处理，金融机构可能会通过提醒或简单的催收措施来解决问题。

第二类：中轻度

• 描述：客户的还款意愿仍然是良好的，但还款能力出现了问题。这可能是由于临时的经济困难或其他财务问题导致的。

• 管理措施：金融机构可能需要提供一些财务咨询或还款计划调整，帮助客户恢复还款能力。

第三类：中度

• 描述：客户没有还款意愿或还款意愿恶化，但仍然有还款能力。这可能是由于客户对贷款条件不满或其他个人原因导致的。

• 管理措施：金融机构可能需要采取更积极的催收措施，或者重新协商贷款条件，以恢复客户的还款意愿。

第四类：重度

• 描述：客户既没有还款意愿，还款能力也弱化或完全丧失。这是最严重的情况，客户可能面临长期的财务困难或其他问题。

• 管理措施：金融机构可能需要采取法律行动或其他强制措施来追回债务，同时也可能需要对这类客户进行更深入的财务分析和风险评估。

这种分类方法有助于金融机构更有效地管理和预测逾期风险，从而制定相应的风险控制和客户管理策略。

催收绩效指标专业术语

1. 催收绩效的衡量标准包括多个关键指标，用以评估催收工作的成效：

   • 回款率：成功回收的欠款金额与总欠款金额的比例。

   • 递延率：未能按时回收的欠款金额与到期应回收欠款金额的比例。

   • BP/PTP%：即回款率与目标回款率的比例，用于衡量实际回收与目标回收之间的差距。

   • PRC%：即实际回收金额与预期回收金额的比例，反映催收效率。

   • PTP%：即催收周期内实际回收金额与周期开始时欠款总额的比例。

   • KPTP%：可能指的是关键绩效指标与目标的比率，具体含义可能因机构而异。

2. 操作绩效的衡量标准则侧重于催收过程中的操作效率和效果：

   • 外呼次数：催收人员进行的电话外呼总数，反映催收活动的频率。

   • 有效拨打率：成功接通的电话次数与外呼次数的比例，衡量外呼效率。

   • 其他查找成效：可能包括催收人员在查找失联客户、收集客户信息等方面的成效

总结

催收评分卡作为金融风控的精细化管理工具，其构建和应用需要综合考虑数据、模型、市场变化等多方面因素。通过科学的方法和持续的优化，催收评分卡能够有效地帮助金融机构提高催收效率，降低资产损失，同时优化客户关系管理。随着金融科技的发展，催收评分卡模型将更加智能化、高效化，为金融机构提供更加精准、全面的风险管理支持。最后Toby老师提醒一下各个金融公司，切勿非法暴力催收，合法合规经营。

版权声明：文章来自公众号(python风控模型),未经许可，不得抄袭。遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。