A卡、B卡、C卡这三个词在信贷风控圈子里几乎是入门级黑话。A卡管贷前审批B卡管贷中存量客户C卡管贷后催收位置划分清楚得像流水线上的三道工序。但真正把三张卡从零做到上线的人会发现它们之间的差别远不止换一份数据集、重跑一遍流程这么轻松——样本怎么切、标签怎么定、特征怎么造、算法怎么选、上线之后盯什么指标每一步背后的判断逻辑都不一样。这篇文章就把贷前、贷中、贷后三个阶段模型的算法策略差异掰开讲透从业务目标的底层分歧一路讲到实操里的暗坑适合刚转进风控建模的同学也适合做了几年但一直只碰过其中一张卡的从业者对照着看。看完你至少能判断出手里这份数据该按哪种卡的口径去构造以及为什么有些做法在A卡上成立、搬到B卡上就是灾难。1. 三张卡解决的其实是三个不同的决策问题很多人上手就把三张卡理解成同一个二分类模型换个时间点的数据这个认知偏差是后面所有翻车的源头。三张卡服务的是三个决策场景决策对象、决策频率、决策成本和错误的代价完全不一样算法策略的差异是从这些业务约束里长出来的不是拍脑袋选出来的。1.1 贷前那道门批不批、批多少A卡站在客户进门的那一刻。它要回答的问题是这个还没有和我们产生任何借贷关系的人如果给他一笔钱未来一段时间内会不会还不上。这个问题的特点是信息一次性、决策一次性、拒绝不可逆。申请件提交上来的那一刻能拿到的信息就那么多——申请表单、外部信用报告、设备指纹、第三方数据不会再有新的补充。代价也最直接批错了一笔坏账从第一天就开始计息拒错了损失的是一个可能很优质的客户而且这个客户大概率不会再回来申请。所以A卡对两类错误的权衡特别敏感业务上通常不是简单地卡一个分数而是要做通过率与坏账率的整条曲线找到那个边际收益最大的切点。还有一个容易被忽略的点A卡的决策是批量、低频的。一家机构的申请评分卡可能一年到头都在跑同一套模型中间只做监控不做迭代因为标签要等12个月才能回捞完重训的窗口天然就长。1.2 贷中那扇门额度收还是放B卡面对的是已经放款、正在还款的存量账户。它不再是要不要建立关系而是这段关系要不要调整。你可以提额、降额、冻结额度、提前介入提醒、调整定价动作空间比A卡大得多而且每个月都有一次重新决策的机会。这个可以反复决策的特性直接改变了模型的设计思路。A卡只需要输出一个好人/坏人的概率B卡输出的分数要能支撑一连串连续动作分数高到某个区间就提额中间区间不动偏低就发提醒短信再低就降额。这就要求B卡的分数在时间维度上可比——同一个客户上个月650分、这个月620分这个下降必须是有意义的信号而不是模型本身抖动。很多团队做B卡时只关心区分度忽略了分数的时间一致性结果业务方拿到分数根本不敢用。1.3 贷后那扇门这笔钱怎么捞回来C卡的处境最特殊。到这一步客户已经逾期了问题的性质从预测风险变成了预测行为反应。C卡要回答的不是他会不会还而是在采取某种催收动作的条件下他会不会还、多久还、还多少。这个区别是本质性的。一个逾期客户可能本来就会还——他只是忘了或者资金周转晚了两天。对这种人打电话纯属浪费成本甚至可能引发反感。另一个客户是彻底没钱打一百个电话也没用。C卡真正要找的是**因为被催了才还**的那部分人这在建模上叫增益建模跟A卡、B卡那种纯粹的预测建模完全是两个技术路线。三张卡的定位对比如下维度A卡贷前B卡贷中C卡贷后决策问题是否准入、额度定价额度调整、风险预警催收策略、资源分配决策频率一次性、低频按账期滚动按案件批次高频可用信息申请时点静态切片历史行为时间序列逾期后的响应轨迹标签回捞周期通常12个月通常6个月30到60天错误代价坏账或流失客户额度错配、风险累积催收成本浪费或回收失败把这张表看明白后面关于样本、特征、算法的所有差异就都有了落脚点。2. 样本池与标签口径三张卡最容易拉开差距的地方模型效果的上限在样本定义那一刻就基本定死了后面调参能提升的空间很有限。三张卡在样本构造上的差异比大多数人想象的要大得多而且每一张都有自己专属的陷阱。2.1 A卡的样本偏差你只看得见被批准的人A卡最经典也最难绕开的问题是拒绝推断。模型只能用历史上被批准的申请件来训练因为只有这批人产生了还款表现被拒绝的申请件永远不会有表现标签。可是模型上线后要评分的对象是全部申请人包括那些和历史上被拒人群高度相似的人。训练样本和推断样本的分布不一致模型在边界人群上的表现往往会明显打折。常见的处理思路有几种。一种是朴素法直接把被拒样本按一定比例假定为坏样本补进训练集简单粗暴但会让模型偏保守。一种是增量法先用已批准样本建模对被拒样本打分把分数落在通过与拒绝交界带的样本按概率重新赋予标签再训练。还有一种是两阶段法先建一个审批通过率模型再用它做样本加权。实际项目里我更倾向于加权法打底 边界带重标的组合因为改动量可控也容易向业务方解释清楚改了什么。除了拒绝推断A卡的标签定义本身也有讲究。坏样本口径通常取表现期内出现连续90天以上逾期但对不同产品周期要调整短期现金类产品可能用首期逾期或者30天以上逾期做标签长期分期产品才用90天。口径定宽了好坏区分不明显模型学不到东西定窄了坏样本太少统计不稳。经验上训练集的坏样本量最好别低于1500个低于这个量级分箱的每个箱子里坏样本可能只有几十个WOE值的波动会大到没法看。2.2 B卡的样本是面板数据不是简单的一行一个客户新手做B卡最容易犯的错是把每个客户只取一条记录然后就当成A卡那样训。这会丢掉大量信息也会带来另一个问题同一客户的多次观测之间存在相关性如果直接把账户每个月的记录都堆进训练集样本量看起来暴涨但有效信息量并没有增加那么多标准误会被低估变量显著性检验的结果不可信。我的处理习惯是训练时按观察点横向切每个观察点单独构造一份样本也就是在某个时间截面上取所有在贷账户在该时点的特征快照配上该时点之后表现期内的标签。这样每一份样本内部是独立的不同观察点的样本再合并起来增加多样性。这样既保留了时间维度的覆盖又避免了同一账户在同一份训练数据里重复出现。B卡的标签定义也要跟着业务节奏走。观察点之后的表现期一般设6个月因为大部分行为恶化会在3到6个月内显现设太长会让模型滞后。坏样本口径同样用30天或60天以上逾期具体取决于产品容忍度。这里有个实操细节观察点和表现期不能重叠特征只能用观察点之前产生的数据这一点听起来是常识但实际项目里因为数仓表的口径没对齐用了观察点之后的还款记录做特征的情况我见过不止一次。2.3 C卡的标签是条件标签脱离动作谈标签没有意义C卡最反直觉的地方在于它的标签不是一个客观事实而是一个在特定动作下观测到的结果。同样是逾期30天的客户被电话催过的和没被催过的回款率天差地别。如果你把历史上所有逾期账户混在一起用是否回款做标签训出来的模型学到的其实是历史上哪些人被催得更狠而不是哪些人更可能回款。这个问题的学名叫策略性偏差或者选择性标签。它带来的直接后果是模型上线后一旦改变催收策略比如把电话催收改成短信提醒模型的预测能力会立刻失效因为训练时的数据分布是旧策略生成的。缓解办法有几个层次。最理想的是在历史上有过随机分组的实验数据一部分案件不做任何动作作为对照组这样能干净地估计出自然回款率。现实里很少有团队有这种数据退而求其次的做法是把催收动作作为特征显式入模同时用倾向得分对样本做加权尽量剥离动作的影响。再差一点的做法是限定在同一类动作下的样本内建模比如只对经历过电话催收的案件建一张卡虽然泛化性差但至少标签口径是干净的。C卡的标签还有一层粒度问题。单纯预测是否回款是二分类但业务上更关心回款多少和多久回款。前一个问题可以做多分类把结果分成全额回款、部分回款、未回款三档后一个问题要用生存分析或者离散时间风险模型输出的是时间维度上的回款概率曲线对催收资源的分批投放更有指导价值。3. 特征从一个阶段迁移到下一个阶段靠的不是复制粘贴三张卡的特征体系有明显的血缘关系但直接照搬会出问题。核心原因是同一个信息在不同阶段的可获得性、稳定性和解释方向都不一样。3.1 A卡特征在信息最贫瘠的时刻做判断A卡的特征构造是在信息最少的时点上想办法。客户刚来你手里只有他自己填的、外部报告里查到的、设备上采集到的三类信息。申请表单类特征看着简单实际上坑不少。收入字段的自报偏差极大直接入模往往和真实还款能力关系很弱通常要做的是相对化处理收入与当地平均水平的比值、收入与申请额度的比值、收入与年龄段的匹配度。职业信息要做标准化归并几十个自由填写的职业名称归成十几个大类之后才有统计意义。外部信用报告是A卡最重要的信息源特征主要集中在几个方向历史账户的履约情况、当前的负债水平和账户数量、近期的查询次数。查询次数这个特征特别值得说短期内被多家机构密集查询通常意味着这个人在到处找钱风险信号很强但要注意查询原因的区分——因为自己主动了解额度而产生的查询和因为申请被拒后四处尝试产生的查询含义完全不同。如果数据源里能区分查询原因一定要拆开做混在一起会把信号稀释掉。设备与行为埋点这类特征在A卡里主要服务于反欺诈比如设备是否root、是否为模拟器、申请填写时长、页面切换次数、粘贴行为。这类特征和信用风险相关性不强但和团伙欺诈、中介包装的关联度很高。实操中我一般建议把反欺诈模型和信用评分卡分开建而不是硬塞进一张卡里。原因很简单两者的坏样本定义不同反欺诈的坏样本是确认的欺诈案件信用卡的坏样本是逾期混在一起训两边的信号会互相干扰。3.2 B卡特征把行为轨迹压缩成能入模的数字B卡的特征工程是三张卡里最花时间的因为要处理的是时间序列。核心思路是把一段时间窗口内的行为压缩成统计量常见的有均值、最大值、最小值、标准差、趋势斜率、环比变化率。以额度使用率为例直接取当前使用率信息量有限更有价值的是它的变化形态。一个长期稳定在30%使用率的客户某个月突然冲到90%这个跳变的风险信号远强于一直维持90%的客户。所以除了当前值还要构造近3期均值、近6期最大值、使用率的波动幅度、最近一次提额后的使用率爬升速度。还款行为类特征是B卡的主力。历史最大逾期天数、近6个月逾期次数、还款日当天的账户余额、还款是否踩着最后时限、代扣失败次数这些都是强信号。其中代扣失败次数特别值得单独拎出来讲它往往是资金链紧张的最早信号比实际逾期早出现一到两个账期作为预警特征的价值很高。还有一个容易漏掉的方向是行为的一致性。客户填写的信息和实际行为是否吻合比如申请时填的是稳定职业但交易流水显示消费地点每天都在变申请时说月收入某个水平但每月还款额远低于这个水平的合理比例。这类言行不一的特征在A卡阶段信息不足到B卡阶段有了行为数据才能构造往往有不错的区分度。3.3 C卡特征从还款能力转向响应意愿C卡的特征体系和前两张卡有一个根本性的视角切换。A卡、B卡预测的是还款能力C卡预测的是在已经丧失还款能力的前提下这个人还有多少还款意愿和可挖掘的渠道。所以C卡特征的主体是响应类和行为痕迹类联系方式的有效数量、历史接通率、平均通话时长、承诺还款的履行比例、短信点击行为、最近一次有效联系距今天数、是否处于失联状态。这些特征在A卡和B卡里根本不存在因为那时候还没有催收接触。历史履约类特征在C卡里依然有用但解读方向变了。一个历史上从未逾期、这次突然逾期的客户和一个月月都要拖几天的老赖处置策略完全不同。前者更可能是临时性资金问题响应意愿高一个提醒可能就解决了后者是习惯性拖延需要更强的施压手段。所以C卡里通常会把本次逾期前的历史表现单独做一组特征而不是简单地和逾期天数混在一起。逾期金额本身也是一个关键维度但要和客户的其他信息结合看。同样是逾期5000元对一个月流水几万的客户来说是疏忽对一个月流水几千的客户来说就是真的还不上。所以通常会构造逾期金额与历史月均还款额、与额度、与预估收入的比值。4. 算法选型的分水岭可解释性、时效性、样本量三者互相拉扯三张卡在算法选择上的差异经常被简单归结为保守用逻辑回归激进用树模型。这个说法太粗糙了。真实的选择逻辑是三个约束条件互相拉扯的结果模型要多可解释、要多快更新、手里有多少样本。4.1 A卡为什么还得是逻辑回归的主场A卡用逻辑回归加WOE分箱这套组合不是因为技术落后而是因为它的约束条件最苛刻。贷前审批是对外部客户产生直接影响的决策必须有清晰的拒绝理由业务侧要能向客户解释为什么没批内部审计也要能追溯每一条决策的依据。逻辑回归的系数符号和大小直接对应每个特征的贡献方向配上WOE分箱可以精确到因为近三个月查询次数超过X次扣了多少分这个粒度。而树模型的特征贡献是局部的、非线性的同一个特征在不同样本上的作用方向可能相反解释起来要依赖SHAP之类的工具做后验归因业务方接受度天然低一档。除了可解释性A卡的样本量约束也很现实。虽然申请件数量可能很大但坏样本受限于整体坏账率一年能积累的有效坏样本可能就几千个。在这个量级上逻辑回归的稳定性优势明显树模型容易过拟合到一些偶然的样本组合上。实操中比较稳妥的做法是用树模型做特征筛选和衍生最终入模还是逻辑回归。具体来说先跑一版梯度提升树看特征重要度把重要性高但原始形态区分度一般的变量做交叉衍生再把这些衍生变量丢回WOE分箱流程进入逻辑回归。这样既借了树模型发现非线性关系的能力又保住了最终模型的可解释性。评分刻度化这一步也值得说清楚因为很多人第一次做会搞混。逻辑回归输出的是概率业务方要的是300到850这样的分数中间需要一个单调映射。常用的是设定基准分、基准好坏比和PDO三个参数代码大概长这样import numpy as np base_score 600 # 基准分 base_odds 30 # 基准分对应的好坏比好:坏 pdo 20 # 好坏比翻倍需要的分数 factor pdo / np.log(2) offset base_score - factor * np.log(base_odds) def prob_to_score(pd): odds (1 - pd) / pd return offset factor * np.log(odds)这套映射的好处是分数之间的差值是等距可比的业务方定策略阈值时很好沟通——600分对应30比1的好坏比每降20分坏账风险翻一倍这句话业务一听就懂。4.2 B卡是树模型最能发挥的战场B卡面对的是高维的时间序列特征特征之间普遍存在交互效应比如额度使用率高单独看不一定危险但额度使用率高且近期查询次数多且代扣失败过一次这个组合就是强风险信号。这种交互关系逻辑回归靠人工交叉很难穷举树模型天然擅长。同时B卡的可解释性压力比A卡小。贷中调整额度是内部动作不需要向客户提供详细理由业务方更关心的是这个名单准不准而不是为什么这个人被降额。这就给树模型留出了空间。B卡的样本量也更充裕。按观察点横向切之后一年的在贷账户乘以若干个观察点样本规模通常比A卡大一个量级坏样本也更容易积累。加上标签回捞周期只要6个月迭代节奏快试错成本低。我比较推荐的B卡方案是分层处理主模型用梯度提升树保证区分度同时保留一版逻辑回归作为可解释的对照。两边分数做相关性分析如果排序高度一致说明树模型学到的规律是稳健的如果差异很大就要去查是哪部分样本上分歧严重往往能挖出一些业务上被忽略的分群。B卡还有一个特殊要求分数要跨时间可比。这意味着每次重训之后新旧模型的分数要做对齐校准不能出现重训后整体分数平移导致策略阈值全部失效的情况。常见做法是用一段重叠期的样本把新模型的输出映射到旧模型的分数分布上。4.3 C卡的模型目标函数往往不是二分类C卡如果用二分类做是否回款大部分情况下是浪费数据。业务真正要的是分层决策所以我更倾向于用多分类或者增益模型。多分类是相对简单的做法把结果分成全额回款、部分回款、未回款三类模型输出三个概率业务侧根据三类的期望收益来决定投入多少催收资源。全额回款概率高但还没回款的轻轻推一把就行部分回款概率高的可以谈减免方案未回款概率压倒性高的直接降低催收优先级把人力省下来。增益模型是更贴近业务本质的做法。它要估计的不是回款概率而是催收动作带来的回款概率增量。核心思路是把人群分成四个象限人群类型不催的结果催了的结果处置建议敏感型不还还重点投入优先触达自然型还还低成本提醒即可不必投入人力顽固型不还不还低成本处置或转外包控制成本反效果型还不还避免打扰防止投诉和体验恶化第四类人群在很多团队里是被完全忽略的。实际上确实存在一部分客户本来打算还被高频电话打扰之后产生抵触情绪反而拖得更久。识别出这部分人并主动降低打扰频次既省成本又保体验。增益模型的技术实现有两类路线。一类是双模型法对处理组和对照组分别建模型两个预测值相减得到增益。另一类是直接建模法把处理变量作为特征入模或者用因果森林这类专门的方法。前者实现简单但对两个模型的精度要求都高误差会累积后者对数据要求高需要处理组和对照组有足够的重叠。实际落地时如果历史数据里动作分组不够干净我一般建议先做小规模的随机对照实验攒一批干净数据再上增益模型否则模型学出来的东西没法验证。5. 评估口径与监控节奏三张卡好的标准并不相通模型训完评估环节三张卡的关注点差异很大。用同一套指标去衡量三张卡很容易得出错误结论。5.1 区分度只是及格线不是终点A卡看KS和AUC是标配KS在0.3以上算可用0.35到0.45是比较常见的区间。但只看这两个指标是不够的因为A卡的实际使用场景是卡一个阈值所以更重要的是在目标通过率下的坏账率表现。具体做法是画通过率与坏账率的对应曲线看模型在不同切点上的表现是否单调、是否有明显的拐点。有些模型整体KS不低但在业务实际要用的那个通过率区间里表现平平这种模型上线后价值有限。另外A卡还要做交换集分析也就是看新旧模型相比有多少样本的决策发生了改变这些改变的样本里坏样本占比多少。如果模型更新后只是把大量边缘样本翻来覆去地调换实际业务收益很有限。B卡的评估要看两层。第一层是横截面的区分度也就是在某个时间点上模型能不能把未来会逾期的账户排到前面。第二层是时间维度的稳定性也就是同一个账户在连续几个观察点上分数的变化是否平滑合理。第二层经常被忽略但它是业务方敢不敢用这个分数的关键。评估方法是取一批账户画出它们连续若干期的分数轨迹看有没有出现无理由的剧烈跳动。B卡还有个好用的工具是迁徙率矩阵把账户按分数分群看不同群体在不同账期之间的转移概率。这个矩阵能直观反映出模型分群是否真的有区分意义——如果高分群和低分群的迁徙模式几乎一样那这个分群就是无效的。C卡的评估完全是另一套逻辑。AUC再高如果催收成本上去了、回收金额没变这个模型就是失败的。所以C卡的核心指标是单位成本的回收金额也就是投入多少催收资源换回多少钱。评估时要做的不是模型对模型的对比而是策略对策略的对比用新模型分案和用旧规则分案在相同人力投入下的回收总额差多少投诉率有没有上升。5.2 重训节奏由标签回捞周期决定三张卡的迭代频率差异根源在于标签什么时候能拿到。A卡的标签要等12个月意味着今天上线的模型一年后才知道真实表现。这决定了A卡不可能频繁重训常规节奏是半年到一年重训一次中间靠监控预警来兜底。监控的核心指标是PSI看入模变量的分布有没有明显漂移。经验阈值是PSI小于0.1算稳定0.1到0.25之间要预警并排查原因超过0.25就得启动重训评估。这里有个细节值得提醒PSI报警不等于模型失效也可能是客群结构主动调整导致的。比如业务侧主动收紧了某个渠道的获客那部分人群的分布变化是预期内的不应该盲目重训。所以每次PSI报警第一步都是和业务确认近期有没有策略调整而不是直接动手改模型。B卡的标签6个月能回捞重训可以做到季度一次监控可以做到月度。B卡的监控除了PSI还要盯分群迁徙异常比如某个分数段的人数占比突然大幅变化往往意味着客群质量在结构性变化。C卡的标签30到60天就能拿到理论上可以做到月度甚至双周重训。但C卡的模型更新要谨慎因为催收策略的调整会直接影响后续数据的分布频繁换模型会让数据变得越来越难比较。我的做法是模型半年内保持稳定但每月重新校准一次分数到回收率的映射关系保证分数对应的预期收益是准的。6. 几个在文档里看不到、但真正会绊住人的细节前面讲的都是框架层面的东西真正让项目延期、让模型上线后跑偏的往往是下面这些细节。6.1 时间穿越最隐蔽也最致命的错误时间穿越指的是特征里混入了观察点之后才能获得的信息。这个问题在A卡上不容易发生因为申请时点的数据边界很清楚到了B卡和C卡就非常容易踩。举个典型场景构造最近一次还款距今天数这个特征时如果观察点定在月末而还款记录表里包含了次月月初的还款这个特征就把未来的信息带进来了。模型在训练集上表现会好得离谱上线后立刻打回原形。排查办法是做一次严格的时间边界审计把每个特征的数据来源表、取数时间范围、和观察点的相对位置全部列成清单逐条确认。这件事很枯燥但比上线后返工便宜太多。另一个辅助手段是构造一个未来信息探针——故意加入一个明确属于未来的变量看模型给它的重要度是不是异常高。如果整个流程没有漏洞这个探针变量的重要度应该很低如果它排到前面去了说明数据管道里存在时间泄漏。6.2 口径对齐三个部门的三套坏账定义A卡、B卡、C卡往往由不同的人负责甚至不同的团队负责最容易出的问题是坏样本口径不统一。贷前说的坏账是90天以上逾期贷中用的预警口径是30天以上贷后统计的是进入催收池的账户三套口径混在一起讨论会议能开一下午还得不出结论。我的一般做法是项目启动阶段就拉一张口径对照表把每个环节用到的关键定义写清楚观察点怎么定、表现期多长、坏样本的逾期天数阈值、账户状态怎么过滤销户、结清、展期怎么算。这张表要让业务、数据、模型三方签字确认后面所有争议都以这张表为准。还有一个容易忽略的口径问题是账户状态的处理。处于展期、重组、协商还款状态的账户到底算好算坏不同处理方式对模型影响很大。我倾向于把这类账户单独拎出来既不算好也不算坏直接从训练样本里剔除同时在样本量统计里单独标注避免影响整体好坏比的判断。6.3 冷启动和模型切换新业务没有历史标签怎么办新业务上线时最尴尬没有历史表现数据A卡无从训练。这时候常见的过渡方案有三种。一是规则兜底用专家经验定一套审批规则先跑起来同时积累数据。二是跨产品迁移用成熟产品的模型通过分数校准迁移到新产品上。三是联合建模把多个产品的样本合并训练产品类型作为特征入模。迁移这件事要特别注意不同产品的客群和风险特征差异可能很大。迁移前一定要做分数分布对比看两个产品的申请人群在原模型下的分数分布是否接近如果差异过大迁移后的阈值需要重新校准而不是直接套用。模型切换也有讲究。新旧模型上线不建议直接切换稳妥的做法是双跑一段时间新模型只做影子评分不参与决策对比两边的分数分布和决策差异确认没有异常后再正式切换。切换后还要盯紧头一两个月的实际表现因为很多问题在离线评估阶段根本暴露不出来。最后分享一个我个人体会比较深的点三张卡里投入产出比最高的往往不是模型精度提升而是把三张卡的口径和数据管道打通。贷前批了谁、贷中怎么变化、贷后怎么处置这条链路如果数据是连贯的能挖出来的价值远超单张卡调几个点的KS。我见过不少团队把精力全花在追模型指标上结果三张卡各自为战贷中模型不知道贷前的审批策略贷后模型不知道贷中的额度调整历史本来可以做成闭环的风险管理体系硬是做成了三个孤岛。真要做深第一步不是换算法是先让数据流起来。
A卡、B卡、C卡这三个词在信贷风控圈子里几乎是入门级黑话。A卡管贷前审批B卡管贷中存量客户C卡管贷后催收位置划分清楚得像流水线上的三道工序。但真正把三张卡从零做到上线的人会发现它们之间的差别远不止换一份数据集、重跑一遍流程这么轻松——样本怎么切、标签怎么定、特征怎么造、算法怎么选、上线之后盯什么指标每一步背后的判断逻辑都不一样。这篇文章就把贷前、贷中、贷后三个阶段模型的算法策略差异掰开讲透从业务目标的底层分歧一路讲到实操里的暗坑适合刚转进风控建模的同学也适合做了几年但一直只碰过其中一张卡的从业者对照着看。看完你至少能判断出手里这份数据该按哪种卡的口径去构造以及为什么有些做法在A卡上成立、搬到B卡上就是灾难。1. 三张卡解决的其实是三个不同的决策问题很多人上手就把三张卡理解成同一个二分类模型换个时间点的数据这个认知偏差是后面所有翻车的源头。三张卡服务的是三个决策场景决策对象、决策频率、决策成本和错误的代价完全不一样算法策略的差异是从这些业务约束里长出来的不是拍脑袋选出来的。1.1 贷前那道门批不批、批多少A卡站在客户进门的那一刻。它要回答的问题是这个还没有和我们产生任何借贷关系的人如果给他一笔钱未来一段时间内会不会还不上。这个问题的特点是信息一次性、决策一次性、拒绝不可逆。申请件提交上来的那一刻能拿到的信息就那么多——申请表单、外部信用报告、设备指纹、第三方数据不会再有新的补充。代价也最直接批错了一笔坏账从第一天就开始计息拒错了损失的是一个可能很优质的客户而且这个客户大概率不会再回来申请。所以A卡对两类错误的权衡特别敏感业务上通常不是简单地卡一个分数而是要做通过率与坏账率的整条曲线找到那个边际收益最大的切点。还有一个容易被忽略的点A卡的决策是批量、低频的。一家机构的申请评分卡可能一年到头都在跑同一套模型中间只做监控不做迭代因为标签要等12个月才能回捞完重训的窗口天然就长。1.2 贷中那扇门额度收还是放B卡面对的是已经放款、正在还款的存量账户。它不再是要不要建立关系而是这段关系要不要调整。你可以提额、降额、冻结额度、提前介入提醒、调整定价动作空间比A卡大得多而且每个月都有一次重新决策的机会。这个可以反复决策的特性直接改变了模型的设计思路。A卡只需要输出一个好人/坏人的概率B卡输出的分数要能支撑一连串连续动作分数高到某个区间就提额中间区间不动偏低就发提醒短信再低就降额。这就要求B卡的分数在时间维度上可比——同一个客户上个月650分、这个月620分这个下降必须是有意义的信号而不是模型本身抖动。很多团队做B卡时只关心区分度忽略了分数的时间一致性结果业务方拿到分数根本不敢用。1.3 贷后那扇门这笔钱怎么捞回来C卡的处境最特殊。到这一步客户已经逾期了问题的性质从预测风险变成了预测行为反应。C卡要回答的不是他会不会还而是在采取某种催收动作的条件下他会不会还、多久还、还多少。这个区别是本质性的。一个逾期客户可能本来就会还——他只是忘了或者资金周转晚了两天。对这种人打电话纯属浪费成本甚至可能引发反感。另一个客户是彻底没钱打一百个电话也没用。C卡真正要找的是**因为被催了才还**的那部分人这在建模上叫增益建模跟A卡、B卡那种纯粹的预测建模完全是两个技术路线。三张卡的定位对比如下维度A卡贷前B卡贷中C卡贷后决策问题是否准入、额度定价额度调整、风险预警催收策略、资源分配决策频率一次性、低频按账期滚动按案件批次高频可用信息申请时点静态切片历史行为时间序列逾期后的响应轨迹标签回捞周期通常12个月通常6个月30到60天错误代价坏账或流失客户额度错配、风险累积催收成本浪费或回收失败把这张表看明白后面关于样本、特征、算法的所有差异就都有了落脚点。2. 样本池与标签口径三张卡最容易拉开差距的地方模型效果的上限在样本定义那一刻就基本定死了后面调参能提升的空间很有限。三张卡在样本构造上的差异比大多数人想象的要大得多而且每一张都有自己专属的陷阱。2.1 A卡的样本偏差你只看得见被批准的人A卡最经典也最难绕开的问题是拒绝推断。模型只能用历史上被批准的申请件来训练因为只有这批人产生了还款表现被拒绝的申请件永远不会有表现标签。可是模型上线后要评分的对象是全部申请人包括那些和历史上被拒人群高度相似的人。训练样本和推断样本的分布不一致模型在边界人群上的表现往往会明显打折。常见的处理思路有几种。一种是朴素法直接把被拒样本按一定比例假定为坏样本补进训练集简单粗暴但会让模型偏保守。一种是增量法先用已批准样本建模对被拒样本打分把分数落在通过与拒绝交界带的样本按概率重新赋予标签再训练。还有一种是两阶段法先建一个审批通过率模型再用它做样本加权。实际项目里我更倾向于加权法打底 边界带重标的组合因为改动量可控也容易向业务方解释清楚改了什么。除了拒绝推断A卡的标签定义本身也有讲究。坏样本口径通常取表现期内出现连续90天以上逾期但对不同产品周期要调整短期现金类产品可能用首期逾期或者30天以上逾期做标签长期分期产品才用90天。口径定宽了好坏区分不明显模型学不到东西定窄了坏样本太少统计不稳。经验上训练集的坏样本量最好别低于1500个低于这个量级分箱的每个箱子里坏样本可能只有几十个WOE值的波动会大到没法看。2.2 B卡的样本是面板数据不是简单的一行一个客户新手做B卡最容易犯的错是把每个客户只取一条记录然后就当成A卡那样训。这会丢掉大量信息也会带来另一个问题同一客户的多次观测之间存在相关性如果直接把账户每个月的记录都堆进训练集样本量看起来暴涨但有效信息量并没有增加那么多标准误会被低估变量显著性检验的结果不可信。我的处理习惯是训练时按观察点横向切每个观察点单独构造一份样本也就是在某个时间截面上取所有在贷账户在该时点的特征快照配上该时点之后表现期内的标签。这样每一份样本内部是独立的不同观察点的样本再合并起来增加多样性。这样既保留了时间维度的覆盖又避免了同一账户在同一份训练数据里重复出现。B卡的标签定义也要跟着业务节奏走。观察点之后的表现期一般设6个月因为大部分行为恶化会在3到6个月内显现设太长会让模型滞后。坏样本口径同样用30天或60天以上逾期具体取决于产品容忍度。这里有个实操细节观察点和表现期不能重叠特征只能用观察点之前产生的数据这一点听起来是常识但实际项目里因为数仓表的口径没对齐用了观察点之后的还款记录做特征的情况我见过不止一次。2.3 C卡的标签是条件标签脱离动作谈标签没有意义C卡最反直觉的地方在于它的标签不是一个客观事实而是一个在特定动作下观测到的结果。同样是逾期30天的客户被电话催过的和没被催过的回款率天差地别。如果你把历史上所有逾期账户混在一起用是否回款做标签训出来的模型学到的其实是历史上哪些人被催得更狠而不是哪些人更可能回款。这个问题的学名叫策略性偏差或者选择性标签。它带来的直接后果是模型上线后一旦改变催收策略比如把电话催收改成短信提醒模型的预测能力会立刻失效因为训练时的数据分布是旧策略生成的。缓解办法有几个层次。最理想的是在历史上有过随机分组的实验数据一部分案件不做任何动作作为对照组这样能干净地估计出自然回款率。现实里很少有团队有这种数据退而求其次的做法是把催收动作作为特征显式入模同时用倾向得分对样本做加权尽量剥离动作的影响。再差一点的做法是限定在同一类动作下的样本内建模比如只对经历过电话催收的案件建一张卡虽然泛化性差但至少标签口径是干净的。C卡的标签还有一层粒度问题。单纯预测是否回款是二分类但业务上更关心回款多少和多久回款。前一个问题可以做多分类把结果分成全额回款、部分回款、未回款三档后一个问题要用生存分析或者离散时间风险模型输出的是时间维度上的回款概率曲线对催收资源的分批投放更有指导价值。3. 特征从一个阶段迁移到下一个阶段靠的不是复制粘贴三张卡的特征体系有明显的血缘关系但直接照搬会出问题。核心原因是同一个信息在不同阶段的可获得性、稳定性和解释方向都不一样。3.1 A卡特征在信息最贫瘠的时刻做判断A卡的特征构造是在信息最少的时点上想办法。客户刚来你手里只有他自己填的、外部报告里查到的、设备上采集到的三类信息。申请表单类特征看着简单实际上坑不少。收入字段的自报偏差极大直接入模往往和真实还款能力关系很弱通常要做的是相对化处理收入与当地平均水平的比值、收入与申请额度的比值、收入与年龄段的匹配度。职业信息要做标准化归并几十个自由填写的职业名称归成十几个大类之后才有统计意义。外部信用报告是A卡最重要的信息源特征主要集中在几个方向历史账户的履约情况、当前的负债水平和账户数量、近期的查询次数。查询次数这个特征特别值得说短期内被多家机构密集查询通常意味着这个人在到处找钱风险信号很强但要注意查询原因的区分——因为自己主动了解额度而产生的查询和因为申请被拒后四处尝试产生的查询含义完全不同。如果数据源里能区分查询原因一定要拆开做混在一起会把信号稀释掉。设备与行为埋点这类特征在A卡里主要服务于反欺诈比如设备是否root、是否为模拟器、申请填写时长、页面切换次数、粘贴行为。这类特征和信用风险相关性不强但和团伙欺诈、中介包装的关联度很高。实操中我一般建议把反欺诈模型和信用评分卡分开建而不是硬塞进一张卡里。原因很简单两者的坏样本定义不同反欺诈的坏样本是确认的欺诈案件信用卡的坏样本是逾期混在一起训两边的信号会互相干扰。3.2 B卡特征把行为轨迹压缩成能入模的数字B卡的特征工程是三张卡里最花时间的因为要处理的是时间序列。核心思路是把一段时间窗口内的行为压缩成统计量常见的有均值、最大值、最小值、标准差、趋势斜率、环比变化率。以额度使用率为例直接取当前使用率信息量有限更有价值的是它的变化形态。一个长期稳定在30%使用率的客户某个月突然冲到90%这个跳变的风险信号远强于一直维持90%的客户。所以除了当前值还要构造近3期均值、近6期最大值、使用率的波动幅度、最近一次提额后的使用率爬升速度。还款行为类特征是B卡的主力。历史最大逾期天数、近6个月逾期次数、还款日当天的账户余额、还款是否踩着最后时限、代扣失败次数这些都是强信号。其中代扣失败次数特别值得单独拎出来讲它往往是资金链紧张的最早信号比实际逾期早出现一到两个账期作为预警特征的价值很高。还有一个容易漏掉的方向是行为的一致性。客户填写的信息和实际行为是否吻合比如申请时填的是稳定职业但交易流水显示消费地点每天都在变申请时说月收入某个水平但每月还款额远低于这个水平的合理比例。这类言行不一的特征在A卡阶段信息不足到B卡阶段有了行为数据才能构造往往有不错的区分度。3.3 C卡特征从还款能力转向响应意愿C卡的特征体系和前两张卡有一个根本性的视角切换。A卡、B卡预测的是还款能力C卡预测的是在已经丧失还款能力的前提下这个人还有多少还款意愿和可挖掘的渠道。所以C卡特征的主体是响应类和行为痕迹类联系方式的有效数量、历史接通率、平均通话时长、承诺还款的履行比例、短信点击行为、最近一次有效联系距今天数、是否处于失联状态。这些特征在A卡和B卡里根本不存在因为那时候还没有催收接触。历史履约类特征在C卡里依然有用但解读方向变了。一个历史上从未逾期、这次突然逾期的客户和一个月月都要拖几天的老赖处置策略完全不同。前者更可能是临时性资金问题响应意愿高一个提醒可能就解决了后者是习惯性拖延需要更强的施压手段。所以C卡里通常会把本次逾期前的历史表现单独做一组特征而不是简单地和逾期天数混在一起。逾期金额本身也是一个关键维度但要和客户的其他信息结合看。同样是逾期5000元对一个月流水几万的客户来说是疏忽对一个月流水几千的客户来说就是真的还不上。所以通常会构造逾期金额与历史月均还款额、与额度、与预估收入的比值。4. 算法选型的分水岭可解释性、时效性、样本量三者互相拉扯三张卡在算法选择上的差异经常被简单归结为保守用逻辑回归激进用树模型。这个说法太粗糙了。真实的选择逻辑是三个约束条件互相拉扯的结果模型要多可解释、要多快更新、手里有多少样本。4.1 A卡为什么还得是逻辑回归的主场A卡用逻辑回归加WOE分箱这套组合不是因为技术落后而是因为它的约束条件最苛刻。贷前审批是对外部客户产生直接影响的决策必须有清晰的拒绝理由业务侧要能向客户解释为什么没批内部审计也要能追溯每一条决策的依据。逻辑回归的系数符号和大小直接对应每个特征的贡献方向配上WOE分箱可以精确到因为近三个月查询次数超过X次扣了多少分这个粒度。而树模型的特征贡献是局部的、非线性的同一个特征在不同样本上的作用方向可能相反解释起来要依赖SHAP之类的工具做后验归因业务方接受度天然低一档。除了可解释性A卡的样本量约束也很现实。虽然申请件数量可能很大但坏样本受限于整体坏账率一年能积累的有效坏样本可能就几千个。在这个量级上逻辑回归的稳定性优势明显树模型容易过拟合到一些偶然的样本组合上。实操中比较稳妥的做法是用树模型做特征筛选和衍生最终入模还是逻辑回归。具体来说先跑一版梯度提升树看特征重要度把重要性高但原始形态区分度一般的变量做交叉衍生再把这些衍生变量丢回WOE分箱流程进入逻辑回归。这样既借了树模型发现非线性关系的能力又保住了最终模型的可解释性。评分刻度化这一步也值得说清楚因为很多人第一次做会搞混。逻辑回归输出的是概率业务方要的是300到850这样的分数中间需要一个单调映射。常用的是设定基准分、基准好坏比和PDO三个参数代码大概长这样import numpy as np base_score 600 # 基准分 base_odds 30 # 基准分对应的好坏比好:坏 pdo 20 # 好坏比翻倍需要的分数 factor pdo / np.log(2) offset base_score - factor * np.log(base_odds) def prob_to_score(pd): odds (1 - pd) / pd return offset factor * np.log(odds)这套映射的好处是分数之间的差值是等距可比的业务方定策略阈值时很好沟通——600分对应30比1的好坏比每降20分坏账风险翻一倍这句话业务一听就懂。4.2 B卡是树模型最能发挥的战场B卡面对的是高维的时间序列特征特征之间普遍存在交互效应比如额度使用率高单独看不一定危险但额度使用率高且近期查询次数多且代扣失败过一次这个组合就是强风险信号。这种交互关系逻辑回归靠人工交叉很难穷举树模型天然擅长。同时B卡的可解释性压力比A卡小。贷中调整额度是内部动作不需要向客户提供详细理由业务方更关心的是这个名单准不准而不是为什么这个人被降额。这就给树模型留出了空间。B卡的样本量也更充裕。按观察点横向切之后一年的在贷账户乘以若干个观察点样本规模通常比A卡大一个量级坏样本也更容易积累。加上标签回捞周期只要6个月迭代节奏快试错成本低。我比较推荐的B卡方案是分层处理主模型用梯度提升树保证区分度同时保留一版逻辑回归作为可解释的对照。两边分数做相关性分析如果排序高度一致说明树模型学到的规律是稳健的如果差异很大就要去查是哪部分样本上分歧严重往往能挖出一些业务上被忽略的分群。B卡还有一个特殊要求分数要跨时间可比。这意味着每次重训之后新旧模型的分数要做对齐校准不能出现重训后整体分数平移导致策略阈值全部失效的情况。常见做法是用一段重叠期的样本把新模型的输出映射到旧模型的分数分布上。4.3 C卡的模型目标函数往往不是二分类C卡如果用二分类做是否回款大部分情况下是浪费数据。业务真正要的是分层决策所以我更倾向于用多分类或者增益模型。多分类是相对简单的做法把结果分成全额回款、部分回款、未回款三类模型输出三个概率业务侧根据三类的期望收益来决定投入多少催收资源。全额回款概率高但还没回款的轻轻推一把就行部分回款概率高的可以谈减免方案未回款概率压倒性高的直接降低催收优先级把人力省下来。增益模型是更贴近业务本质的做法。它要估计的不是回款概率而是催收动作带来的回款概率增量。核心思路是把人群分成四个象限人群类型不催的结果催了的结果处置建议敏感型不还还重点投入优先触达自然型还还低成本提醒即可不必投入人力顽固型不还不还低成本处置或转外包控制成本反效果型还不还避免打扰防止投诉和体验恶化第四类人群在很多团队里是被完全忽略的。实际上确实存在一部分客户本来打算还被高频电话打扰之后产生抵触情绪反而拖得更久。识别出这部分人并主动降低打扰频次既省成本又保体验。增益模型的技术实现有两类路线。一类是双模型法对处理组和对照组分别建模型两个预测值相减得到增益。另一类是直接建模法把处理变量作为特征入模或者用因果森林这类专门的方法。前者实现简单但对两个模型的精度要求都高误差会累积后者对数据要求高需要处理组和对照组有足够的重叠。实际落地时如果历史数据里动作分组不够干净我一般建议先做小规模的随机对照实验攒一批干净数据再上增益模型否则模型学出来的东西没法验证。5. 评估口径与监控节奏三张卡好的标准并不相通模型训完评估环节三张卡的关注点差异很大。用同一套指标去衡量三张卡很容易得出错误结论。5.1 区分度只是及格线不是终点A卡看KS和AUC是标配KS在0.3以上算可用0.35到0.45是比较常见的区间。但只看这两个指标是不够的因为A卡的实际使用场景是卡一个阈值所以更重要的是在目标通过率下的坏账率表现。具体做法是画通过率与坏账率的对应曲线看模型在不同切点上的表现是否单调、是否有明显的拐点。有些模型整体KS不低但在业务实际要用的那个通过率区间里表现平平这种模型上线后价值有限。另外A卡还要做交换集分析也就是看新旧模型相比有多少样本的决策发生了改变这些改变的样本里坏样本占比多少。如果模型更新后只是把大量边缘样本翻来覆去地调换实际业务收益很有限。B卡的评估要看两层。第一层是横截面的区分度也就是在某个时间点上模型能不能把未来会逾期的账户排到前面。第二层是时间维度的稳定性也就是同一个账户在连续几个观察点上分数的变化是否平滑合理。第二层经常被忽略但它是业务方敢不敢用这个分数的关键。评估方法是取一批账户画出它们连续若干期的分数轨迹看有没有出现无理由的剧烈跳动。B卡还有个好用的工具是迁徙率矩阵把账户按分数分群看不同群体在不同账期之间的转移概率。这个矩阵能直观反映出模型分群是否真的有区分意义——如果高分群和低分群的迁徙模式几乎一样那这个分群就是无效的。C卡的评估完全是另一套逻辑。AUC再高如果催收成本上去了、回收金额没变这个模型就是失败的。所以C卡的核心指标是单位成本的回收金额也就是投入多少催收资源换回多少钱。评估时要做的不是模型对模型的对比而是策略对策略的对比用新模型分案和用旧规则分案在相同人力投入下的回收总额差多少投诉率有没有上升。5.2 重训节奏由标签回捞周期决定三张卡的迭代频率差异根源在于标签什么时候能拿到。A卡的标签要等12个月意味着今天上线的模型一年后才知道真实表现。这决定了A卡不可能频繁重训常规节奏是半年到一年重训一次中间靠监控预警来兜底。监控的核心指标是PSI看入模变量的分布有没有明显漂移。经验阈值是PSI小于0.1算稳定0.1到0.25之间要预警并排查原因超过0.25就得启动重训评估。这里有个细节值得提醒PSI报警不等于模型失效也可能是客群结构主动调整导致的。比如业务侧主动收紧了某个渠道的获客那部分人群的分布变化是预期内的不应该盲目重训。所以每次PSI报警第一步都是和业务确认近期有没有策略调整而不是直接动手改模型。B卡的标签6个月能回捞重训可以做到季度一次监控可以做到月度。B卡的监控除了PSI还要盯分群迁徙异常比如某个分数段的人数占比突然大幅变化往往意味着客群质量在结构性变化。C卡的标签30到60天就能拿到理论上可以做到月度甚至双周重训。但C卡的模型更新要谨慎因为催收策略的调整会直接影响后续数据的分布频繁换模型会让数据变得越来越难比较。我的做法是模型半年内保持稳定但每月重新校准一次分数到回收率的映射关系保证分数对应的预期收益是准的。6. 几个在文档里看不到、但真正会绊住人的细节前面讲的都是框架层面的东西真正让项目延期、让模型上线后跑偏的往往是下面这些细节。6.1 时间穿越最隐蔽也最致命的错误时间穿越指的是特征里混入了观察点之后才能获得的信息。这个问题在A卡上不容易发生因为申请时点的数据边界很清楚到了B卡和C卡就非常容易踩。举个典型场景构造最近一次还款距今天数这个特征时如果观察点定在月末而还款记录表里包含了次月月初的还款这个特征就把未来的信息带进来了。模型在训练集上表现会好得离谱上线后立刻打回原形。排查办法是做一次严格的时间边界审计把每个特征的数据来源表、取数时间范围、和观察点的相对位置全部列成清单逐条确认。这件事很枯燥但比上线后返工便宜太多。另一个辅助手段是构造一个未来信息探针——故意加入一个明确属于未来的变量看模型给它的重要度是不是异常高。如果整个流程没有漏洞这个探针变量的重要度应该很低如果它排到前面去了说明数据管道里存在时间泄漏。6.2 口径对齐三个部门的三套坏账定义A卡、B卡、C卡往往由不同的人负责甚至不同的团队负责最容易出的问题是坏样本口径不统一。贷前说的坏账是90天以上逾期贷中用的预警口径是30天以上贷后统计的是进入催收池的账户三套口径混在一起讨论会议能开一下午还得不出结论。我的一般做法是项目启动阶段就拉一张口径对照表把每个环节用到的关键定义写清楚观察点怎么定、表现期多长、坏样本的逾期天数阈值、账户状态怎么过滤销户、结清、展期怎么算。这张表要让业务、数据、模型三方签字确认后面所有争议都以这张表为准。还有一个容易忽略的口径问题是账户状态的处理。处于展期、重组、协商还款状态的账户到底算好算坏不同处理方式对模型影响很大。我倾向于把这类账户单独拎出来既不算好也不算坏直接从训练样本里剔除同时在样本量统计里单独标注避免影响整体好坏比的判断。6.3 冷启动和模型切换新业务没有历史标签怎么办新业务上线时最尴尬没有历史表现数据A卡无从训练。这时候常见的过渡方案有三种。一是规则兜底用专家经验定一套审批规则先跑起来同时积累数据。二是跨产品迁移用成熟产品的模型通过分数校准迁移到新产品上。三是联合建模把多个产品的样本合并训练产品类型作为特征入模。迁移这件事要特别注意不同产品的客群和风险特征差异可能很大。迁移前一定要做分数分布对比看两个产品的申请人群在原模型下的分数分布是否接近如果差异过大迁移后的阈值需要重新校准而不是直接套用。模型切换也有讲究。新旧模型上线不建议直接切换稳妥的做法是双跑一段时间新模型只做影子评分不参与决策对比两边的分数分布和决策差异确认没有异常后再正式切换。切换后还要盯紧头一两个月的实际表现因为很多问题在离线评估阶段根本暴露不出来。最后分享一个我个人体会比较深的点三张卡里投入产出比最高的往往不是模型精度提升而是把三张卡的口径和数据管道打通。贷前批了谁、贷中怎么变化、贷后怎么处置这条链路如果数据是连贯的能挖出来的价值远超单张卡调几个点的KS。我见过不少团队把精力全花在追模型指标上结果三张卡各自为战贷中模型不知道贷前的审批策略贷后模型不知道贷中的额度调整历史本来可以做成闭环的风险管理体系硬是做成了三个孤岛。真要做深第一步不是换算法是先让数据流起来。
