信贷催收还在用 DPD（逾期天数）分桶做决策吗？这套逻辑早就过时了

现在的信贷催收领域，很多人还陷在那种“如果逾期 30 天就打三次电话、60 天就换套话术”的死循环里。这种基于规则的静态工作流（Waterfall Progression）在经济平稳期还能跑，但一旦遇到市场波动或者复杂的监管环境，这种“一刀切”的策略就会显得极其笨拙。

我最近在研究信贷管理中的 AI 化路径，发现现在的玩法基本分成了三类，每种路径的坑和收益完全不一样。

1. 传统的规则驱动模式（Rule-Based）

这其实就是最原始的“如果...那么...”逻辑。比如设置一个硬性规则：账户进入 30 DPD 桶，触发邮件通知；进入 60 DPD，转人工介入。

• 核心优势： 逻辑极其透明，合规审计时一句话就能解释清楚为什么这么操作，技术门槛也低，现有的老系统基本都能跑。
• 致命弱点： 缺乏个性化。它没法识别出哪些客户是“偶尔忘缴”，哪些是“确实没钱”。对于那些不符合预设规则的边缘案例（Edge Cases），这种系统基本就是瞎子。

2. 混合型 AI 增强模式（Hybrid AI-Augmented）

这是目前大多数金融机构在转型的过渡期会选的方案。简单来说，就是“AI 负责出建议，人负责拍板”。AI 模型会去算一个分值，比如预测某个客户在周二下午三点接电话的概率最高，或者预测该客户的违约风险等级。

• 实操逻辑： AI 给出推荐（比如：建议此时发送折扣还款方案），但最终的执行动作还是由现有的业务规则和人工来控制。
• 优劣对比：

- 优点： 落地最稳，不会因为模型的一个异常波动导致大规模合规事故，可以通过 A/B Test 慢慢验证模型效果。
- 缺点： 维护成本其实很高，因为你既要养着那一套老旧的规则引擎，又要维护一套新的 AI 模型，还要处理两者之间的集成问题。

3. 全自动化 AI 驱动模式（Fully AI-Driven）

虽然文中没展开细说，但这是终极目标。从风险评分、触达时机到沟通话术，全部由 Agent 或自动化决策引擎实时生成。

如果你的资产包规模非常大，且客户特征高度异质化（Heterogeneous），单纯靠堆人力和写死规则是无法实现规模化效益的。Capital One 这种级别的玩家早就意识到，如果不从规则驱动转向数据驱动，催收成本会随着规模增长而呈指数级上升。

对于还在观望的团队，我建议不要上来就搞全自动，先做 Hybrid 模式，把 AI 嵌入到现有的工作流里做预测，这比直接推翻重来要靠谱得多。