去年，我接手了一个已经逾期 90 天以上的信贷资产包，规模大约 5000 万。传统催收策略是“一视同仁”地打电话，结果回收率不到 5%。接手后，我并没有要求催收员更努力，而是用了两周时间，基于历史数据搭建了一个简单的还款意愿模型。模型上线后，我们只对“高意愿”客户使用温和提醒，对“低意愿”客户直接升级法务函。三个月后，这个资产包的回收率从 5% 提升到了 18%。这件事让我深刻意识到：在催收领域，谁先用量化模型替代经验判断，谁就能在坏账回收中占据绝对优势。

这篇文章，我就从数据分析的角度，拆解一个完整的还款意愿模型是如何构建、验证和落地的。

一、核心结论：还款意愿模型是催收资源的“配置器”

在催收工作中，最稀缺的资源不是系统，不是工具，而是催收员的时间和精力。一个催收员一天最多打 80-120 通有效电话。如果把这 100 通电话全部打给“不可能还款”的客户，那天就是 0 产出。还款意愿模型的本质，不是预测谁一定会还钱，而是为催收员提供一份“优先动作清单”。

核心结论：还款意愿模型通过识别“主动还款概率”高于阈值的客户，优化催收资源的分配，从而在不增加人力成本的前提下，将整体回收率提升 10%-30%。 这不是一个学术概念，而是我在多个项目中验证过的、可量化的业务策略。

二、背景与真实场景：为什么“接不接电话”不是好指标

我见过太多风控团队，直接把“接听率”作为还款意愿的代理变量。他们的逻辑很简单：如果客户一直在接电话，说明他还在意这件事，愿意沟通，就有还款的可能。但真实场景远比这个复杂。

1. 一个典型的高接听率、低还款率的案例

我曾经分析过一个逾期 30 天的客户 A。这位客户在 30 天内接了 28 通催收电话，接听率超过 90%。每次通话都承诺“明天一定还”，但从未兑现。按照传统的“接听率 = 意愿”逻辑，他应该被标记为“高意愿”，但事实上他从未还过一分钱。

这个案例让我意识到：接听率本身是一个“被污染”的特征。客户可能因为害怕、拖延或享受通话中的情绪宣泄而接电话，但并没有真实的还款意图。 我们需要引入更稳定的指标，比如“承诺兑现率”。

2. 另一个极端：低接听率、高还款率的案例

客户 B 逾期 45 天，只接了 5 通电话，接听率不到 30%。按照传统逻辑，他应该被标记为“低意愿”，催收员可能已经准备放弃他。但数据显示，他每次接电话后，都会在 24 小时内主动还款一部分。原来，他白天工作非常忙，只有晚上才有时间处理财务问题。催收员在白天频繁打电话，他确实接不到，但这并不代表他不愿意还。

这两个案例说明：单一特征（如接听率）很容易产生误判。还款意愿模型必须从多个维度综合评估，才能避免“以偏概全”。

3. 催收策略的“失灵”与“错配”

在没有模型的情况下，催收经理常用的策略是“按逾期天数分档”：逾期 1-30 天用短信提醒，31-60 天用电话催收，61-90 天用律师函。但我在实际业务中发现，同一个逾期天数下的客户，还款意愿差异可以非常大。比如，一个逾期 30 天的客户，如果是“忘记还款”类型，他很可能在接到提醒后立即还款；而如果是“资金链断裂”类型，即使每天打 10 个电话，他也没钱还。

用逾期天数一刀切，本质上是把“时间”当成了“意愿”的代理变量，这忽略了客户行为中蕴含的丰富信息。 还款意愿模型的根本目的，就是打破这种“时间维度”的粗放分类，引入“行为维度”的精细分层。

三、常见误区：你以为的“意愿”可能都是错的

在构建还款意愿模型的过程中，我发现了几个非常普遍的误区。如果不纠正这些误区，模型一开始就会走偏。

1. 误区一：把“行为”等同于“意愿”

很多催收经理会告诉你：“客户如果接了电话，就是有还款意愿。”但行为不等于意愿。客户接电话可能是为了拖延时间，也可能是为了获取更多信息，甚至是为了发泄情绪。真正能表征意愿的，不是“接不接”，而是“接完之后做了什么”。 比如，客户在通话结束后是否主动查询还款渠道，是否申请了延期，是否向亲友借款。这些“后续行为”才是真实的意愿信号。

2. 误区二：忽略“还款能力”的约束

我曾经见过一个模型，把“客户主动申请延期”作为还款意愿的强信号。逻辑是：主动申请延期 = 想还但暂时没钱 = 有还款意愿。但实际分析发现，这个信号在“有还款能力”的客户中，确实有效；而在“无还款能力”的客户中，申请延期只是“缓兵之计”，最终依然不会还款。

还款意愿模型必须与还款能力模型配合使用。 如果一个客户有强烈的还款意愿，但没有还款能力，那么催收策略应该是“协商分期”或“减免部分本金”，而不是“升级催收”。

3. 误区三：用“历史还款记录”代替“近期行为信号”

在一些信贷机构，风控团队会直接使用“历史逾期次数”或“历史还款金额”来预测还款意愿。但我在实际项目中观察到，“近期行为信号”的预测能力远远超过“历史静态特征”。 比如，一个客户在过去 3 年都没有逾期，但最近 3 个月频繁出现短期逾期，并且开始不接电话，这通常意味着他的财务状况正在恶化，还款意愿也在下降。历史数据只能说明“他过去是个好人”，但不能说明“他现在还是好人”。

四、专业判断逻辑：构建还款意愿模型的核心框架

基于以上认知，我总结了一套实用的还款意愿模型构建框架，分为四个步骤：特征工程、样本定义、模型训练、策略映射。

1. 特征工程：从催收行为中提取“意愿信号”

特征工程是模型成功的关键。我通常将特征分为三个维度：

（1）催收行为类特征

• 接听率（7天、30天、90天窗口）： 注意，这里不是简单的“接听率”，而是“有效接听率”。我定义“有效接听”为通话时长超过 30 秒，并且客户在通话中表达了明确的还款意愿（如“我下周还”、“我月底发工资还”）。
• 承诺兑现率： 这是比接听率更强的信号。统计客户在过去 30 天内做出还款承诺的次数，以及实际兑现的次数。兑现率低于 20% 的客户，通常还款意愿极低。
• 通话时长均值与方差： 我观察到，还款意愿高的客户，通话时长通常较短（5-10 分钟），因为他们会快速进入还款讨论；而还款意愿低的客户，通话时长往往较长，因为他们会花大量时间解释、抱怨或拖延。
• 催收时段响应速度： 如果客户在催收员第一次联系后的 24 小时内主动回拨，这是一个很强的正向信号，说明客户在积极处理。

（2）时序与历史类特征

• 逾期天数： 虽然我不建议直接用逾期天数一刀切，但它仍然是模型的基本特征，尤其在与行为特征交叉使用时效果更好。
• 历史逾期次数： 注意，不是单纯的“是/否逾期”，而是“逾期发生的频率和模式”。如果一个客户在过去 12 个月逾期 3 次，但每次都在 7 天内还清，那么他的还款意愿可能并不低。
• 最近一次还款时间： 距离最近一次还款的时间越近，客户还款意愿通常越高。如果客户最近一次还款是在 3 个月前，说明他已经很久没有主动还款了。
• 还款渠道偏好： 客户是否使用自动还款、是否绑定银行卡、是否用第三方支付平台还款。这些信息可以反映客户对还款的重视程度。

（3）外部数据补充（需合规）

• 社交稳定性： 通过合法渠道获取客户的手机号使用时长、通信录联系人数量等，可以间接反映客户的社会稳定性。
• 消费行为数据： 如果客户在逾期后，仍有高频的消费记录（如外卖、打车、网购），说明他还有资金流，但可能不愿意用于还款。
• 多头借贷指数： 在逾期期间，客户是否还在其他平台申请贷款。如果在逾期后频繁申请新贷款，说明他可能是在“以贷养贷”，还款意愿通常较低。

2. 样本定义：正负样本的“边界”怎么划？

定义正负样本是模型训练中最容易被忽视的环节。我见过很多团队直接把“逾期后是否还款”作为二分类变量：还款 = 1，未还款 = 0。但这样定义会带来两个问题：

问题一：周期不匹配。 如果客户逾期 90 天，在第 91 天还款，那么他应该被标记为“正样本”还是“负样本”？实际上，在催收领域，我们通常关注的是“在某个时间窗口内（如 7 天、30 天）是否主动还款”。

问题二：被动还款的干扰。 有些客户并不是主动还款，而是被代扣、被法院强制执行、被亲友代还。这些“被动还款”不应该被视为“正样本”，因为客户本人的还款意愿并不高。

我的做法是： 正样本定义为“在逾期后 30 天内，客户主动还款（通过自己绑定的银行卡、第三方支付或线下转账）”。负样本定义为“在逾期后 30 天内，没有发生任何主动还款行为，且未被代扣或强制执行”。这样定义，可以避免被动还款对模型的干扰。

3. 模型训练：为什么逻辑回归仍然是我的首选？

在模型选择上，我倾向于使用逻辑回归，而不是 XGBoost 或神经网络。原因有三：

（1）可解释性。 在信贷领域，可解释性非常重要。当模型做出“低意愿”的判断时，催收员需要知道“为什么”，以便调整话术。逻辑回归的权重可以直接解释为“特征每增加一个单位，还款概率的 odds 变化多少”，非常直观。

（2）稳定性。 逻辑回归对异常值不敏感，在样本量较小（几千到几万）时，表现往往优于复杂模型。我在实际项目中测试过，当样本量少于 10 万时，XGBoost 的 AUC 提升不超过 2%，但模型波动性却大得多。

（3）部署成本低。 逻辑回归可以直接在 Excel 或 SQL 中实现，不需要复杂的模型服务。对于中小型金融机构，这是非常实用的选择。

当然，如果样本量足够大（超过 50 万），且业务对精度要求极高，我会考虑使用 XGBoost。但无论如何，逻辑回归作为基线模型，永远是第一选择。

4. 策略映射：从模型得分到催收动作

模型训练完成后，我们会得到一个 0-1 之间的“还款意愿得分”。但得分本身没有意义，必须映射到具体的催收策略。我通常将得分分为三个区间：

这个映射图是我在多个项目中验证过的。“高意愿”客户不需要催收员打电话，因为催收电话反而可能引起反感，降低客户主动还款的概率。 “低意愿”客户打电话也没用，不如直接走法务流程，节省人力成本。

五、具体案例与数据观察：一个脱敏的实战拆解

为了更好地说明模型的构建过程，我分享一个脱敏后的真实案例。这个案例来自某消费金融公司，资产包规模为 1 亿元，逾期天数集中在 30-60 天。

1. 数据准备与特征提取

我们从后台数据库中提取了 10 万条客户数据，包括催收通话记录、还款记录、客户画像等。经过清洗和特征工程，最终保留了 30 个候选特征。

特征筛选使用“单变量分析 + 相关性分析”的方法。首先，对每个候选特征进行单变量 AUC 计算，保留 AUC 大于 0.55 的特征。然后，对保留的特征进行相关性分析，删除相关性大于 0.8 的特征对，保留其中一个。

最终，我们保留了 8 个核心特征：

• 承诺兑现率（7天窗口）：AUC = 0.72
• 有效接听率（30天窗口）：AUC = 0.65
• 通话时长均值：AUC = 0.62
• 催收时段响应速度：AUC = 0.60
• 历史逾期次数：AUC = 0.58
• 最近一次还款时间：AUC = 0.57
• 多头借贷指数：AUC = 0.56
• 社交稳定性：AUC = 0.55

2. 模型训练与评估

我们使用逻辑回归模型，将 8 个特征输入模型。训练集和测试集的比例为 7:3。模型在测试集上的 AUC 为 0.82，KS 值为 0.56，Lift 值为 2.8（在 Top 10% 的客户中）。

从模型权重来看，“承诺兑现率”的权重最高，达到 0.35；其次是“有效接听率”，权重为 0.20；而“通话时长均值”的权重为 0.15，意外地排在了第三位。 这个结果验证了我们的判断：通话时长越短，还款意愿可能越高。

3. 策略上线与效果对比

模型上线后，我们进行了为期两个月的 A/B 测试。对照组使用原有的“按逾期天数分档”策略，实验组使用“还款意愿模型 + 得分映射策略”。

结果如下：

这个结果让我非常惊讶。原本以为提升 20% 就足够了，但实际效果远超预期。核心原因在于：模型成功识别出了“高意愿但被忽视”的客户，这些客户在原有策略下被“一视同仁”地打电话，反而产生了抵触情绪；而模型将他们归入“轻度提醒”组后，他们反而开始主动还款。

六、行动建议：不同场景下的模型落地策略

根据我在不同项目中的经验，模型落地时的策略选择，取决于资产包的规模、逾期程度和团队能力。我总结了三种常见场景下的行动建议。

1. 场景一：资产包规模较小（< 5000 万），团队缺乏数据工程师

建议：使用“规则引擎”替代“机器学习模型”。 不需要搭建复杂的模型服务，而是基于业务经验，将几个核心特征（如承诺兑现率、有效接听率）的阈值固化下来，形成一条简单的规则。例如：

“如果客户在 7 天内的承诺兑现率低于 20%，且有效接听率低于 30%，则标记为‘低意愿’，直接走法务流程。”

这个规则虽然粗糙，但比完全依赖经验判断要好得多。我测试过，在样本量不足 1 万时，规则引擎的准确率可以接近简单模型的 80%。

2. 场景二：资产包规模中等（5000 万 – 5 亿），团队有 1-2 名数据分析师

建议：使用逻辑回归模型，部署在 SQL 中。 数据分析师可以基于历史数据训练逻辑回归模型，然后将模型公式转化为 SQL 语句，直接在数据库中运行。这样不需要额外的模型服务，也方便业务人员理解。

例如，模型公式为：

P = 1 / (1 + exp(-(0.35 * X1 + 0.20 * X2 + 0.15 * X3 + … + 0.05 * X8 – 1.2)))

在 SQL 中，可以直接计算每个客户的分值，然后根据阈值进行分桶。

3. 场景三：资产包规模较大（> 5 亿），团队有成熟的数据科学团队

建议：使用 XGBoost 或 LightGBM 等复杂模型，并建立实时模型更新机制。 这种方式可以捕捉到更复杂的非线性关系，但需要团队具备模型调优、特征工程、模型服务等能力。同时，必须建立模型监控机制，防止模型漂移。

在模型落地过程中，我还发现一个重要的取舍点：模型精度 vs 模型可解释性。 如果业务方（催收经理）无法理解模型为什么做出某个判断，他们就不会信任模型，甚至可能拒绝使用。因此，我建议在任何场景下，都尽量保留模型的“可解释性”，比如输出每个特征对得分的贡献度，帮助催收员理解模型逻辑。

七、合规与风险：模型落地的“红线”

还款意愿模型虽然能提升效率，但如果不注意合规，可能会给机构带来严重的法律风险。以下是我总结的三个“红线”：

1. 避免“暴力催收”的模型设计

模型不能直接输出“是否应该使用暴力催收手段”。即使模型判断客户是“低意愿”，催收策略也必须符合《互联网金融逾期债务催收自律公约》的要求，不得使用恐吓、辱骂、骚扰等暴力手段。模型应该做的事情是“判断客户是否值得投入人力”，而不是“判断客户是否应该被暴力对待”。

2. 数据隐私合规

在使用外部数据（如社交稳定性、消费行为）时，必须确保数据来源合法，且获得了客户的授权。我见过一些机构，为了提升模型效果，非法获取客户的通讯录、位置信息，结果被监管部门处罚。模型的“精度”不能以“合规”为代价。

3. 模型可解释性要求

根据《个人信息保护法》，当模型做出对客户不利的判断（如“低意愿”导致法务流程）时，客户有权要求解释原因。如果模型是一个“黑盒”（如深度学习模型），无法解释，那么机构将面临法律风险。因此，我建议在模型上线前，就准备好“模型解释文档”，记录每个特征的含义和权重，以及模型判断的依据。

八、结语：从“经验科学”到“数据科学”的转型

在信贷催收领域，我已经做了 5 年。这 5 年里，我最大的感受是：催收不是一个“靠嗓门大”的行业，而是一个“靠数据”的行业。还款意愿模型，就是催收领域从“经验科学”向“数据科学”转型的典型代表。

模型不是万能的，它不能解决所有问题。但它可以帮助我们回答一个核心问题：“我的催收员，今天应该打给谁？” 当这个问题的答案从“打给最老的客户”变成“打给得分最高的客户”时，效率的提升是立竿见影的。

如果你正在做催收策略，我的建议是：

• 先不要急着上复杂模型，从最简单的“承诺兑现率”开始，优化你的客户分群。
• 不要迷信“接听率”，这个指标已经被污染了，需要配合其他特征使用。
• 模型上线后，一定要做 A/B 测试，用数据说话，而不是靠感觉。
• 永远把合规放在第一位，模型的精度不能以合规为代价。

下一步，你可以先从手中的历史数据开始，提取“承诺兑现率”和“有效接听率”两个特征，看看它们在你的客户群体中，是否能有效区分“高意愿”和“低意愿”客户。如果效果不错，再逐步引入其他特征，搭建完整的模型。我相信，你很快就能看到数据带来的改变。

免费注册

咨询方案

扫码咨询方案