CN107909178B - 电子装置、失联修复率预测方法和计算机可读存储介质 - Google Patents

电子装置、失联修复率预测方法和计算机可读存储介质 Download PDF

Info

Publication number
CN107909178B
CN107909178B CN201710776062.5A CN201710776062A CN107909178B CN 107909178 B CN107909178 B CN 107909178B CN 201710776062 A CN201710776062 A CN 201710776062A CN 107909178 B CN107909178 B CN 107909178B
Authority
CN
China
Prior art keywords
node
data set
contact
nodes
loan
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710776062.5A
Other languages
English (en)
Other versions
CN107909178A (zh
Inventor
徐国强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
OneConnect Smart Technology Co Ltd
Original Assignee
OneConnect Financial Technology Co Ltd Shanghai
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by OneConnect Financial Technology Co Ltd Shanghai filed Critical OneConnect Financial Technology Co Ltd Shanghai
Priority to CN201710776062.5A priority Critical patent/CN107909178B/zh
Publication of CN107909178A publication Critical patent/CN107909178A/zh
Application granted granted Critical
Publication of CN107909178B publication Critical patent/CN107909178B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开一种电子装置、失联修复率预测方法和存储介质，其中，该方法包括：获取预设数量的贷款业务客户的关联联系人的样本数据集，一个贷款业务客户的样本数据集包括该贷款业务客户的各个关联联系人的电话号码及每个电话号码的有效性；将获取的样本数据集作为训练集，对预先确定的预测模型进行训练，生成预测模型；若有催收人员需要预测贷款业务客户的关联联系人的电话号码的失联修复率，则确定该贷款业务客户对应的关联联系人的数据集，基于确定的数据集，并调用训练后的预测模型识别出该贷款业务客户的各个关联联系人的电话号码的失联修复率。本发明技术方案使催收人员更快的找到失联的贷款客户，提升催收人员催收效率。

Description

电子装置、失联修复率预测方法和计算机可读存储介质
技术领域
本发明涉及数据处理技术领域，特别涉及一种电子装置、失联修复率预测方法和计算机可读存储介质。
背景技术
目前，在金融行业中，贷后管理是不良资产管控的重点，而失联修复则是化解存量不良资产的先决条件。以贷后管理中的催收为例，现阶段催收人员只能通过借贷人申请贷款时留下的三到五个关联号码和其进行联系。如果借贷人当时本就无心偿还贷款，已有号码有效率会非常低。就现在的国内个人信贷市场而言，新客户中失联比例达到30％～50％，而在进入不良阶段后，客户失联比例高达70％。这时，对大部分商业银行和互联网金融公司而言，只使用贷款人当时提供的联系方式使贷后催收变得困难，需要寻求外部数据的支持协助。通过欠款客户的相关信息结合外部数据对失联客户进行信息修复，可以得到欠款客户关联的更多联系人的信息，从而很大程度上帮助催收部门和客户重新取得联系，化解存量不良资产。
然而，初步修复客户信息后，出现了新的问题：与客户有关联的联系人过多，有些客户的联系人可以多达几十甚至上百个。这又给催收人员带来了另一种窘境，在面对过多的电话号码，如果一个个拨打，那要耗费大量的时间和人力，效率非常低，有点不符合实际。
发明内容
本发明的主要目的是提供一种失联修复率的预测方法，旨在使催收人员更快的找到失联的贷款客户，提升催收人员催收效率。
为实现上述目的，本发明提出一种电子装置，该电子装置包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的失联修复率预测系统，所述失联修复率预测系统被所述处理器执行时实现如下步骤：
A、获取预设数量的贷款业务客户的关联联系人的样本数据集，一个贷款业务客户的样本数据集包括该贷款业务客户的各个关联联系人的电话号码及每个电话号码的有效性；
B、将获取的样本数据集作为训练集，对预先确定的预测模型进行训练，生成用于预测电话号码的失联修复率的预测模型；
C、若有催收人员需要预测贷款业务客户的关联联系人的电话号码的失联修复率，则确定该贷款业务客户对应的关联联系人的数据集，基于确定的数据集，并调用训练后的预测模型识别出该贷款业务客户的各个关联联系人的电话号码的失联修复率。
优选地，各个所述样本数据集还包括每个电话号码的数据来源、更新时间，所述步骤B包括：
针对每个样本数据集，形成以联系人的电话号码为节点、联系人之间的关系为边的联系人网络；
分别对各个样本数据集中的节点进行选择，若一个节点被选择，则统计该选择的节点与其他节点相连的边的数目，作为该选择的节点的自由度；
针对各个联系人网络，根据第一计算公式计算出每个节点的接近中心性，根据第二计算公式计算出每个节点的中介中心性，并根据第三计算公式计算出每个节点的聚类系数，每个样本数据集的各个节点对应的电话号码更新时间、数据来源、自由度、聚类系数、接近中心性、中介中心性、有效性形成模型训练参数；
建立预测模型，将所述模型训练参数代入到该预测模型中进行训练，生成用于预测电话号码的失联修复率的预测模型。
优选地，所述步骤C包括：
若有催收人员需要预测贷款业务客户的关联联系人的电话号码的失联修复率，则确定该贷款业务客户对应的关联联系人的当前数据集，该当前数据集包括该贷款业务客户的各个关联联系人的电话号码以及每个电话号码的数据来源、更新时间；
形成以联系人的电话号码为节点、联系人之间的关系为边的当前联系人网络；
分别对该当前数据集中的节点进行选择，若一个节点被选择，则统计选择的该节点与其他节点相连的边的数目，作为选择的该节点的自由度；
针对当前联系人网络，根据第一计算公式计算出每个节点的接近中心性，根据第二计算公式计算出每个节点的中介中心性，并根据第三计算公式计算出每个节点的聚类系数，该当前数据集的各个节点对应的电话号码更新时间、数据来源、自由度、聚类系数、接近中心性、中介中心性形成模型预测参数；
将所述模型预测参数代入到该预测模型中进行预测计算，识别出该贷款业务客户的各个关联联系人的电话号码的失联修复率。
优选地，所述预先确定的预测模型为Gradient Boosting模型，其中，
所述第一计算公式为：
Figure BDA0001395924270000031
CC(pi)表示节点pi的接近中心性，N为联系人网络中节点的数量，d(pi,pk)表示节点pk与节点pi之间的距离；
所述第二计算公式为：
Figure BDA0001395924270000032
CB(pi)表示节点pi的中介中心性，N为联系人网络中节点的数量，gjk表示从节点j到节点k的最短路径的总数，gjk(pi)表示从节点j到节点k的最短路径的总数中经过节点pi的数目；
所述第三计算公式为：
Figure BDA0001395924270000033
C(i)表示节点i的聚类系数，k(i)是节点i的所有相邻节点的个数，e(i)是节点i的所有相邻节点之间相互连接的边的个数。
优选地，所述处理器还用于执行所述失联修复率预测系统，以实现步骤：
对识别出的关联联系人的电话号码的失联修复率进行排序，将排序后的结果反馈给客户端。
本发明还提出一种联系人电话号码的失联修复率预测方法，该方法包括步骤：
A、获取预设数量的贷款业务客户的关联联系人的样本数据集，一个贷款业务客户的样本数据集包括该贷款业务客户的各个关联联系人的电话号码及每个电话号码的有效性；
B、将获取的样本数据集作为训练集，对预先确定的预测模型进行训练，生成用于预测电话号码的失联修复率的预测模型；
C、若有催收人员需要预测贷款业务客户的关联联系人的电话号码的失联修复率，则确定该贷款业务客户对应的关联联系人的数据集，基于确定的数据集，并调用训练后的预测模型识别出该贷款业务客户的各个关联联系人的电话号码的失联修复率。
优选地，各个所述样本数据集还包括每个电话号码的数据来源、更新时间，所述步骤B包括：
针对每个样本数据集，形成以联系人的电话号码为节点、联系人之间的关系为边的联系人网络；
分别对各个样本数据集中的节点进行选择，若一个节点被选择，则统计该选择的节点与其他节点相连的边的数目，作为该选择的节点的自由度；
针对各个联系人网络，根据第一计算公式计算出每个节点的接近中心性，根据第二计算公式计算出每个节点的中介中心性，并根据第三计算公式计算出每个节点的聚类系数，每个样本数据集的各个节点对应的电话号码更新时间、数据来源、自由度、聚类系数、接近中心性、中介中心性、有效性形成模型训练参数；
建立预测模型，将所述模型训练参数代入到该预测模型中进行训练，生成用于预测电话号码的失联修复率的预测模型。
优选地，所述步骤C包括：
若有催收人员需要预测贷款业务客户的关联联系人的电话号码的失联修复率，则确定该贷款业务客户对应的关联联系人的当前数据集，该当前数据集包括该贷款业务客户的各个关联联系人的电话号码以及每个电话号码的数据来源、更新时间；
形成以联系人的电话号码为节点、联系人之间的关系为边的当前联系人网络；
分别对该当前数据集中的节点进行选择，若一个节点被选择，则统计选择的该节点与其他节点相连的边的数目，作为选择的该节点的自由度；
针对当前联系人网络，根据第一计算公式计算出每个节点的接近中心性，根据第二计算公式计算出每个节点的中介中心性，并根据第三计算公式计算出每个节点的聚类系数，该当前数据集的各个节点对应的电话号码更新时间、数据来源、自由度、聚类系数、接近中心性、中介中心性形成模型预测参数；
将所述模型预测参数代入到该预测模型中进行预测计算，识别出该贷款业务客户的各个关联联系人的电话号码的失联修复率。
优选地，所述预先确定的预测模型为Gradient Boosting模型，其中，
所述第一计算公式为：
Figure BDA0001395924270000051
CC(pi)表示节点pi的接近中心性，N为联系人网络中节点的数量，d(pi,pk)表示节点pk与节点pi之间的距离；
所述第二计算公式为：
Figure BDA0001395924270000052
CB(pi)表示节点pi的中介中心性，N为联系人网络中节点的数量，gjk表示从节点j到节点k的最短路径的总数，gjk(pi)表示从节点j到节点k的最短路径的总数中经过节点pi的数目；
所述第三计算公式为：
Figure BDA0001395924270000053
C(i)表示节点i的聚类系数，k(i)是节点i的所有相邻节点的个数，e(i)是节点i的所有相邻节点之间相互连接的边的个数。
本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有失联修复率预测系统，所述失联修复率预测系统可被至少一个处理器执行，以使所述至少一个处理器执行上述任一项所述的联系人电话号码的失联修复率预测方法。
本发明技术方案先通过数据库中保存的人工催收记录数据，获取预设数量的贷款业务客户的关联联系人的样本数据集，再根据获取的样本数据集对预先确定的预测模型进行训练，以得到预测电话号码的失联修复率的预测模型；当催收人员需要进行催收时，确定待催收的贷款业务客户对应的关联联系人的数据集，该训练后的预测模型则基于确定的数据集识别出该待催收的贷款业务客户的各个关联联系人的电话号码的失联修复率，从而催收人员根据预测模型识别出的结果，优先选择失联修复率高的电话号码进行拨打，如此，更快的找到失联的贷款业务客户，显著提升催收效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明联系人电话号码的失联修复率预测方法一实施例的流程示意图；
图2为本发明联系人电话号码的失联修复率预测方法二实施例的流程示意图；
图3为本发明联系人电话号码的失联修复率预测方法三实施例的流程示意图；
图4为本发明失联修复率预测系统一实施例的运行环境示意图；
图5为本发明失联修复率预测系统一实施例的结构示意图；
图6为本发明失联修复率预测系统二实施例的结构示意图；
图7为本发明失联修复率预测系统三实施例的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，图1为本发明联系人电话号码的失联修复率预测方法一实施例的流程示意图。
本实施例中，该联系人电话号码的失联修复率预测方法包括：
步骤S10，获取预设数量的贷款业务客户的关联联系人的样本数据集，一个贷款业务客户的样本数据集包括该贷款业务客户的各个关联联系人的电话号码及每个电话号码的有效性；
数据库中存储有与贷款业务客户相关联的联系人的电话号码(关联联系人的电话号码是在贷款业务客户办理贷款时填写留存的)，其中，部分贷款业务客户的关联联系人的电话号码具有由人工对贷款业务客户的催收结果而记录的有效性的标签。失联修复率预测系统根据已有的人工对贷款业务客户的催收结果记录，获取出预设数量(例如1000个)的贷款业务客户的关联联系人的样本数据集，每个贷款业务客户的样本数据集包括该贷款业务客户的各个关联联系人的电话号码以及每个电话号码的有效性。电话号码的有效性包括有效和无效两种情况，其中，电话号码有效代表能够修复失联，即电话号码是有效客户拨通，且联系人表示认识并愿意转告失联的贷款客户，积极提供失联的贷款客户的信息；电话号码无效的情形有：电话号码为空号、不可拨通、联系人态度差、联系人表示不认识失联的贷款客户或不愿意联系失联的贷款客户等。
步骤S20，将获取的样本数据集作为训练集，对预先确定的预测模型进行训练，生成用于预测电话号码的失联修复率的预测模型；
失联修复率预测系统预先建立了预测模型，在获取到样本数据集后，将获取到的各个样本数据集作为预先确定的预测模型的训练集，对该预先确定的预测模型进行训练，以训练得到用于预测贷款业务客户的关联联系人的电话号码的失联修复率的预测模型。
步骤S30，若有催收人员需要预测贷款业务客户的关联联系人的电话号码的失联修复率，则确定该贷款业务客户对应的关联联系人的数据集，基于确定的数据集，并调用训练后的预测模型识别出该贷款业务客户的各个关联联系人的电话号码的失联修复率。
当有催收人员需要预测贷款业务客户的关联联系人的电话号码的失联修复率时，即催收人员将待催收的贷款业务客户的信息发送或输入到失联修复率预测系统时，失联修复率预测系统先从数据库中找到该贷款业务客户对应的关联联系人的数据集，在确定了数据集后调用训练后的预测模型，通过该训练后的预测模型基于该确定的数据集，以识别出该贷款业务客户的各个关联联系人的电话号码的失联修复率，再将识别出的各个关联联系人的电话号码的失联修复率反馈(例如通过显示设备显示或打印成文本等反馈形式)给催收人员。催收人员获得待催收的贷款业务客户的各个关联联系人的电话号码的失联修复率，则可优先选择靠谱程度高的关联联系人的电话号码进行拨打，从而更快的找到失联的贷款业务客户，提升催收效率。
本实施例技术方案先通过数据库中保存的人工催收记录数据，获取预设数量的贷款业务客户的关联联系人的样本数据集，再根据获取的样本数据集对预先确定的预测模型进行训练，以得到预测电话号码的失联修复率的预测模型；当催收人员需要进行催收时，确定待催收的贷款业务客户对应的关联联系人的数据集，该训练后的预测模型则基于确定的数据集识别出该待催收的贷款业务客户的各个关联联系人的电话号码的失联修复率，从而催收人员根据预测模型识别出的结果，优先选择失联修复率高的电话号码进行拨打，如此，更快的找到失联的贷款业务客户，显著提升催收效率。
如图2所示，图2为本发明联系人电话号码的失联修复率预测方法的二实施例的流程图。
本实施例的方案基于第一实施例，在本实施例中，各个所述样本数据集还包括每个电话号码的数据来源、更新时间；其中，电话号码的数据来源包括系统内部数据、系统外部数据(例如，其它关联系统数据)；电话号码的更新时间即该电话号码在数据库中存储的最新时间。
本实施例失联修复率预测方法中，所述步骤S20包括：
步骤S21，针对每个样本数据集，形成以联系人的电话号码为节点、联系人之间的关系为边的联系人网络；
针对每个样本数据集，根据样本数据集中的关联联系人的电话号码，并依据数据库记录的联系人的关系信息，构建以联系人的电话号码为节点、联系人之间的关系为边的联系人网络；即两个节点之间的边代表两个节点之间存在某种关系(例如，亲人、朋友、同事等关系)。
步骤S22，分别对各个样本数据集中的节点进行选择，若一个节点被选择，则统计该选择的节点与其他节点相连的边的数目，作为该选择的节点的自由度；
根据各个样本数据集构建的联系人网络，分别统计出每个样本数据集中的每个节点(即每个联系人的电话号码，记为目标节点)与其他节点(其他的联系人的电话号码)相连的边的数目，即统计出样本数据集中与每个联系人的电话号码存在关系的电话号码数量，将与每个联系人的电话号码存在关系的电话号码数量作为该目标节点的节点自由度。例如，在联系人网络中，联系人A的电话号码与4个节点相连，则代表该联系人A的电话号码与4个号码有联系，其自由度为4；因此，节点的自由度越高，代表持有该电话号码的联系人的社交圈子越大。
步骤S23，针对各个联系人网络，根据第一计算公式计算出每个节点的接近中心性，根据第二计算公式计算出每个节点的中介中心性，并根据第三计算公式计算出每个节点的聚类系数，每个样本数据集的各个节点对应的电话号码更新时间、数据来源、自由度、聚类系数、接近中心性、中介中心性、有效性形成模型训练参数；
在得到各个样本数据集中所有节点的自由度后，针对上述形成的各个联系人网络，根据第一计算公式、第二计算公式和第三计算公式，分别计算出各个联系人网络中的每个节点的接近中心性、中介中心性和聚类系数；之后将每个样本数据集中各个节点对应的电话号码的更新时间、数据来源、自由度、聚类系数、接近中心性、中介中心性及有效性形成为模型的训练参数(其中，有效性作为目标变量)，以用于训练模型。
其中，节点的聚类系数为这个节点存在的连接点数与最大可能的连接点数的比值；所述聚类系数的计算公式(即第三计算公式)为：
Figure BDA0001395924270000091
其中，C(i)表示节点i的聚类系数，k(i)是节点i的所有相邻节点的个数，即节点i的邻居，e(i)是节点i的所有相邻节点之间相互连接的边的个数。
节点的接近中心性即节点接近程度，可以用节点间距离(两个顶点之间最短路径中所包含边的数目)来表征；比如，一个节点到其他节点的最短路径都很短，那么该节点的接近度就高；这个指标可以用来衡量信息从该节点传输到其他节点的时间长短。所述节点接近程度(节点的接近中心性)的计算方式为将该节点到所有其他节点的最短距离累加起来后先取平均值再取倒数；对应的计算公式(即第一计算公式)为：
Figure BDA0001395924270000092
其中，CC(pi)表示节点pi的接近中心性，N为联系人网络中节点的数量，d(pi,pk)表示节点pk与节点pi之间的距离。
中介中心性，一个节点如果经常出现在其他节点间最短距离路径中(即最短距离的路径经常包含该节点)，那么说明该节点更有能力促进其他节点间通信。所述中介中心性的计算公式(即第二计算公式)为：
Figure BDA0001395924270000093
其中，CB(pi)表示节点pi的中介中心性，N为联系人网络中节点的数量，gjk表示从节点j到节点k的最短路径的总数，gjk(pi)表示从节点j到节点k的最短路径的总数中经过节点pi的数目。
本实施例中，该机器学习模型优选采用Gradient Boosting模型，在其它实施例中，该机器学习模型也可以采用其它相似的模型。
步骤S24，建立预测模型，将所述模型训练参数代入到该预测模型中进行训练，生成用于预测电话号码的失联修复率的预测模型。
在准备好了模型训练参数后，建立预测模型，将准备好的模型训练参数代入到建立的预测模型中进行训练，经过训练后形成的预测模型，则用来预测电话号码的失联修复率。
如图3所示，图3为本发明联系人电话号码的失联修复率预测方法的三实施例的流程图。
本实施例的方案基于第二实施例，在本实施例中，所述步骤S30包括：
步骤S31，若有催收人员需要预测贷款业务客户的关联联系人的电话号码的失联修复率，则确定该贷款业务客户对应的关联联系人的当前数据集，该当前数据集包括该贷款业务客户的各个关联联系人的电话号码以及每个电话号码的数据来源、更新时间；
当有催收人员需要预测贷款业务客户的关联联系人的电话号码的失联修复率，即系统接收到待催收的贷款业务客户的信息时，从数据库中找出该贷款业务客户对应的关联联系人的电话号码及每个电话号码的数据来源、更新时间信息，即确定该贷款业务客户对应的关联联系人的当前数据集。
步骤S32，形成以联系人的电话号码为节点、联系人之间的关系为边的当前联系人网络；
针对确定的当前数据集，依据数据库记录的联系人的关系信息确定各个联系人之间的关系(例如，亲人、朋友、同事等关系)，从而构建以以其中的联系人电话号码作为节点、联系人之间的关系作为边的当前联系人网络。
步骤S33，分别对该当前数据集中的节点进行选择，若一个节点被选择，则统计选择的该节点与其他节点相连的边的数目，作为选择的该节点的自由度；
根据当前联系人网络，分别统计出当前数据集中的每个节点(即每个联系人的电话号码，记为目标节点)与其他节点(其他的联系人的电话号码)相连的边的数目，即统计出样本数据集中与每个联系人的电话号码存在关系的电话号码数量，将与每个联系人的电话号码存在关系的电话号码数量作为该目标节点的节点自由度。
步骤S34，针对当前联系人网络，根据第一计算公式计算出每个节点的接近中心性，根据第二计算公式计算出每个节点的中介中心性，并根据第三计算公式计算出每个节点的聚类系数，该当前数据集的各个节点对应的电话号码更新时间、数据来源、自由度、聚类系数、接近中心性、中介中心性形成模型预测参数；
在得到当前样本数据集中所有节点的自由度后，针对上述形成的当前联系人网络，根据第一计算公式、第二计算公式和第三计算公式，分别计算出当前联系人网络中的每个节点的接近中心性、中介中心性和聚类系数；然后将当前数据集中各个节点对应的电话号码的更新时间、数据来源、自由度、聚类系数、接近中心性和中介中心性形成为模型预测参数。其中，第一计算公式、第二计算公式和第三计算公式参照第二实施例。
步骤S35，将所述模型预测参数代入到该预测模型中进行预测计算，识别出该贷款业务客户的各个关联联系人的电话号码的失联修复率。
将确定的模型预测参数代入到预测模型中进行预测计算，识别出该贷款业务客户的各个关联联系人的电话号码的失联修复率，并将该结果输出反馈给催收人员。
进一步地，本实施例中，所述联系人电话号码的失联修复率预测方法还包括：
对预测得到的联系人电话号码的失联修复率进行排序，将排序后的结果反馈给客户端。
失联修复预测系统在预测模型预测得出所有联系人的电话号码的失联修复率后，对得到的联系人电话号码的失联修复率进行排序，将排序后的结果反馈到客户端，如此，催收人员可在待催收的贷款客户的关联联系人数量过多时，根据系统反馈的联系人电话号码的失联修复率的排序，按失联修复率由高到低的顺序对相关联的联系人电话号码进行拨打，从而更快的找到失联的贷款客户，提升对失联贷款客户的催收效率。
另外，在其它实施例中，所述联系人电话号码的失联修复率预测方法还可包括：
将预测得到的联系人电话号码的失联修复率与第一预设阈值比较；
将失联修复率大于所述第一预设阈值的联系人电话号码反馈给客户端。
本实施例中，系统筛选出失联修复率大于第一预设阈值(例如20％)的联系人电话号码，以反馈给客户端，从而催收人员在对失联贷款客户进行催收时，需拨打的联系人量更少，且进行拨打的都是失联修复率较高的联系人的电话号码，可以更快的找到失联的贷款客户，从而提升对失联贷款客户的催收效率。
或者，该联系人电话号码的失联修复率预测方法还可以包括：将预测得到的联系人电话号码按预设的失联修复率区间进行划分，将划分后的结果反馈给客户端。例如，失联修复率小于10％的为一区间，失联修复率大于等于10％小于15％的为一区间，失联修复率大于等于15％小于20％的为一区间，失联修复率大于等于20％小于25％的为一区间，失联修复率大于25％的为一区间。这样催收人员在进行催收时，选择处在最高的失联修复率区间中的待催收的贷款业务客户的关联联系人的电话号码进行拨打，从而最快的找到失联的贷款客户。
本发明还提出一种失联修复率预测系统。
请参阅图4，是本发明失联修复率预测系统10较佳实施例的运行环境示意图。
在本实施例中，失联修复率预测系统10安装并运行于电子装置1中。电子装置1可以是桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子装置1可包括，但不仅限于，存储器11、处理器12及显示器13。图3仅示出了具有组件11-13的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器11是一种计算机存储介质，在一些实施例中可以是电子装置1的内部存储单元，例如该电子装置1的硬盘或内存。存储器11在另一些实施例中也可以是电子装置1的外部存储设备，例如电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括电子装置1的内部存储单元也包括外部存储设备。存储器11用于存储安装于电子装置1的应用软件及各类数据，例如失联修复率预测系统10的程序代码等。存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行失联修复率预测系统10等。
显示器13在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器13用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面，例如业务定制界面等。电子装置1的部件11-13通过系统总线相互通信。
请参阅图5，是本发明失联修复率预测系统10一实施例的功能模块图。在本实施例中，失联修复率预测系统10可以被分割成一个或多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行，以完成本发明。例如，在图5中，失联修复率预测系统10可以被分割成样本获取模块101、模型训练模块102及预测模块103。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述失联修复率预测系统10在电子装置1中的执行过程，其中：
获取模块101，用于获取预设数量的贷款业务客户的关联联系人的样本数据集，一个贷款业务客户的样本数据集包括该贷款业务客户的各个关联联系人的电话号码及每个电话号码的有效性；
数据库中存储有与贷款业务客户相关联的联系人的电话号码(关联联系人的电话号码是在贷款业务客户办理贷款时填写留存的)，其中，部分贷款业务客户的关联联系人的电话号码具有由人工对贷款业务客户的催收结果而记录的有效性的标签。失联修复率预测系统10根据已有的人工对贷款业务客户的催收结果记录，获取出预设数量(例如1000个)的贷款业务客户的关联联系人的样本数据集，每个贷款业务客户的样本数据集包括该贷款业务客户的各个关联联系人的电话号码以及每个电话号码的有效性。电话号码的有效性包括有效和无效两种情况，其中，电话号码有效代表能够修复失联，即电话号码是有效客户拨通，且联系人表示认识并愿意转告失联的贷款客户，积极提供失联的贷款客户的信息；电话号码无效的情形有：电话号码为空号、不可拨通、联系人态度差、联系人表示不认识失联的贷款客户或不愿意联系失联的贷款客户等。
模型训练模块102，用于将获取的样本数据集作为训练集，对预先确定的预测模型进行训练，生成用于预测电话号码的失联修复率的预测模型；
失联修复率预测系统10预先建立了预测模型，在获取到样本数据集后，将获取到的各个样本数据集作为预先确定的预测模型的训练集，对该预先确定的预测模型进行训练，以训练得到用于预测贷款业务客户的关联联系人的电话号码的失联修复率的预测模型。
预测模块103，用于在有催收人员需要预测贷款业务客户的关联联系人的电话号码的失联修复率时，确定该贷款业务客户对应的关联联系人的数据集，基于确定的数据集，并调用训练后的预测模型识别出该贷款业务客户的各个关联联系人的电话号码的失联修复率。
当有催收人员需要预测贷款业务客户的关联联系人的电话号码的失联修复率时，即催收人员将待催收的贷款业务客户的信息发送或输入到失联修复率预测系统10时，失联修复率预测系统10先从数据库中找到该贷款业务客户对应的关联联系人的数据集，在确定了数据集后调用训练后的预测模型，通过该训练后的预测模型基于该确定的数据集，以识别出该贷款业务客户的各个关联联系人的电话号码的失联修复率，再将识别出的各个关联联系人的电话号码的失联修复率反馈(例如通过显示设备显示或打印成文本等反馈形式)给催收人员。催收人员获得待催收的贷款业务客户的各个关联联系人的电话号码的失联修复率，则可优先选择靠谱程度高的关联联系人的电话号码进行拨打，从而更快的找到失联的贷款业务客户，提升催收效率。
本实施例技术方案先通过数据库中保存的人工催收记录数据，获取预设数量的贷款业务客户的关联联系人的样本数据集，再根据获取的样本数据集对预先确定的预测模型进行训练，以得到预测电话号码的失联修复率的预测模型；当催收人员需要进行催收时，确定待催收的贷款业务客户对应的关联联系人的数据集，该训练后的预测模型则基于确定的数据集识别出该待催收的贷款业务客户的各个关联联系人的电话号码的失联修复率，从而催收人员根据预测模型识别出的结果，优先选择失联修复率高的电话号码进行拨打，如此，更快的找到失联的贷款业务客户，显著提升催收效率。
进一步地，参照图6，本实施例的失联修复率预测系统10中，各个所述样本数据集还包括每个电话号码的数据来源、更新时间；其中，电话号码的数据来源包括系统内部数据、系统外部数据(例如，其它关联系统数据)；电话号码的更新时间即该电话号码在数据库中存储的最新时间。本实施例中，所述模型训练模块102包括：
第一形成子模块1021，用于针对每个样本数据集，形成以联系人的电话号码为节点、联系人之间的关系为边的联系人网络；
针对每个样本数据集，根据样本数据集中的关联联系人的电话号码，并依据数据库记录的联系人的关系信息，构建以联系人的电话号码为节点、联系人之间的关系为边的联系人网络；即两个节点之间的边代表两个节点之间存在某种关系(例如，亲人、朋友、同事等关系)。
第一统计子模块1022，用于分别对各个样本数据集中的节点进行选择，若一个节点被选择，则统计该选择的节点与其他节点相连的边的数目，作为该选择的节点的自由度；
根据各个样本数据集构建的联系人网络，分别统计出每个样本数据集中的每个节点(即每个联系人的电话号码，记为目标节点)与其他节点(其他的联系人的电话号码)相连的边的数目，即统计出样本数据集中与每个联系人的电话号码存在关系的电话号码数量，将与每个联系人的电话号码存在关系的电话号码数量作为该目标节点的节点自由度。例如，在联系人网络中，联系人A的电话号码与4个节点相连，则代表该联系人A的电话号码与4个号码有联系，其自由度为4；因此，节点的自由度越高，代表持有该电话号码的联系人的社交圈子越大。
第一计算子模块1023，用于针对各个联系人网络，根据第一计算公式计算出每个节点的接近中心性，根据第二计算公式计算出每个节点的中介中心性，并根据第三计算公式计算出每个节点的聚类系数，将每个样本数据集的各个节点对应的电话号码更新时间、数据来源、自由度、聚类系数、接近中心性、中介中心性、有效性形成模型训练参数；
在得到各个样本数据集中所有节点的自由度后，针对上述形成的各个联系人网络，根据第一计算公式、第二计算公式和第三计算公式，分别计算出各个联系人网络中的每个节点的接近中心性、中介中心性和聚类系数；之后将每个样本数据集中各个节点对应的电话号码的更新时间、数据来源、自由度、聚类系数、接近中心性、中介中心性及有效性形成为模型的训练参数(其中，有效性作为目标变量)，以用于训练模型。
其中，节点的聚类系数为这个节点存在的连接点数与最大可能的连接点数的比值；所述聚类系数的计算公式(即第三计算公式)为：
Figure BDA0001395924270000161
其中，C(i)表示节点i的聚类系数，k(i)是节点i的所有相邻节点的个数，即节点i的邻居，e(i)是节点i的所有相邻节点之间相互连接的边的个数。
节点的接近中心性即节点接近程度，可以用节点间距离(两个顶点之间最短路径中所包含边的数目)来表征；比如，一个节点到其他节点的最短路径都很短，那么该节点的接近度就高；这个指标可以用来衡量信息从该节点传输到其他节点的时间长短。所述节点接近程度(节点的接近中心性)的计算方式为将该节点到所有其他节点的最短距离累加起来后先取平均值再取倒数；对应的计算公式(即第一计算公式)为：
Figure BDA0001395924270000162
其中，CC(pi)表示节点pi的接近中心性，N为联系人网络中节点的数量，d(pi,pk)表示节点pk与节点pi之间的距离。
中介中心性，一个节点如果经常出现在其他节点间最短距离路径中(即最短距离的路径经常包含该节点)，那么说明该节点更有能力促进其他节点间通信。所述中介中心性的计算公式(即第二计算公式)为：
Figure BDA0001395924270000163
其中，CB(pi)表示节点pi的中介中心性，N为联系人网络中节点的数量，gjk表示从节点j到节点k的最短路径的总数，gjk(pi)表示从节点j到节点k的最短路径的总数中经过节点pi的数目。
本实施例中，该机器学习模型优选采用Gradient Boosting模型，在其它实施例中，该机器学习模型也可以采用其它相似的模型。
构建子模块1024，用于建立预测模型，将所述模型训练参数代入到该预测模型中进行训练，生成用于预测电话号码的失联修复率的预测模型。
在准备好了模型训练参数后，建立预测模型，将准备好的模型训练参数代入到建立的预测模型中进行训练，经过训练后形成的预测模型，则用来预测电话号码的失联修复率。
参照图7，本实施例的失联修复率预测系统10中，所述预测模块103包括：
确定子模块1031，用于在有催收人员需要预测贷款业务客户的关联联系人的电话号码的失联修复率时，确定该贷款业务客户对应的关联联系人的当前数据集，该当前数据集包括该贷款业务客户的各个关联联系人的电话号码以及每个电话号码的数据来源、更新时间；
当有催收人员需要预测贷款业务客户的关联联系人的电话号码的失联修复率，即系统接收到待催收的贷款业务客户的信息时，从数据库中找出该贷款业务客户对应的关联联系人的电话号码及每个电话号码的数据来源、更新时间信息，即确定该贷款业务客户对应的关联联系人的当前数据集。
第二形成子模块1032，用于形成以联系人的电话号码为节点、联系人之间的关系为边的当前联系人网络；
针对确定的当前数据集，依据数据库记录的联系人的关系信息确定各个联系人之间的关系(例如，亲人、朋友、同事等关系)，从而构建以以其中的联系人电话号码作为节点、联系人之间的关系作为边的当前联系人网络。
第二统计子模块1033，用于分别对该当前数据集中的节点进行选择，若一个节点被选择，则统计选择的该节点与其他节点相连的边的数目，作为选择的该节点的自由度；
根据当前联系人网络，分别统计出当前数据集中的每个节点(即每个联系人的电话号码，记为目标节点)与其他节点(其他的联系人的电话号码)相连的边的数目，即统计出样本数据集中与每个联系人的电话号码存在关系的电话号码数量，将与每个联系人的电话号码存在关系的电话号码数量作为该目标节点的节点自由度。
第二计算子模块1034，用于针对当前联系人网络，根据第一计算公式计算出每个节点的接近中心性，根据第二计算公式计算出每个节点的中介中心性，并根据第三计算公式计算出每个节点的聚类系数，将该当前数据集的各个节点对应的电话号码更新时间、数据来源、自由度、聚类系数、接近中心性、中介中心性形成模型预测参数；
在得到当前样本数据集中所有节点的自由度后，针对上述形成的当前联系人网络，根据第一计算公式、第二计算公式和第三计算公式，分别计算出当前联系人网络中的每个节点的接近中心性、中介中心性和聚类系数；然后将当前数据集中各个节点对应的电话号码的更新时间、数据来源、自由度、聚类系数、接近中心性和中介中心性形成为模型预测参数。其中，第一计算公式、第二计算公式和第三计算公式参照第二实施例。
输入子模块1035，将所述模型预测参数代入到该预测模型中进行预测计算，识别出该贷款业务客户的各个关联联系人的电话号码的失联修复率。
将确定的模型预测参数代入到预测模型中进行预测计算，识别出该贷款业务客户的各个关联联系人的电话号码的失联修复率，并将该结果输出反馈给催收人员。
进一步地，本实施例中，所述失联修复率预测系统10还包括：
排序模块，用于对预测得到的联系人电话号码的失联修复率进行排序，将排序后的结果反馈给客户端。
失联修复预测系统在预测模型预测得出所有联系人的电话号码的失联修复率后，对得到的联系人电话号码的失联修复率进行排序，将排序后的结果反馈到客户端，如此，催收人员可在待催收的贷款客户的关联联系人数量过多时，根据系统反馈的联系人电话号码的失联修复率的排序，按失联修复率由高到低的顺序对相关联的联系人电话号码进行拨打，从而更快的找到失联的贷款客户，提升对失联贷款客户的催收效率。
本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有失联修复率预测系统，所述失联修复率预测系统可被至少一个处理器执行，以使所述至少一个处理器执行上述任一实施例的联系人电话号码的失联修复率预测方法。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (8)

1.一种电子装置，其特征在于，所述电子装置包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的失联修复率预测系统，所述失联修复率预测系统被所述处理器执行时实现如下步骤：
A、获取预设数量的贷款业务客户的关联联系人的样本数据集，一个贷款业务客户的样本数据集包括该贷款业务客户的各个关联联系人的电话号码及每个电话号码的有效性；
B、将获取的样本数据集作为训练集，对预先确定的预测模型进行训练，生成用于预测电话号码的失联修复率的预测模型；
C、若有催收人员需要预测贷款业务客户的关联联系人的电话号码的失联修复率，则确定该贷款业务客户对应的关联联系人的数据集，基于确定的数据集，并调用训练后的预测模型识别出该贷款业务客户的各个关联联系人的电话号码的失联修复率；
各个所述样本数据集还包括每个电话号码的数据来源、更新时间，所述步骤B包括：
针对每个样本数据集，形成以联系人的电话号码为节点、联系人之间的关系为边的联系人网络；
分别对各个样本数据集中的节点进行选择，若一个节点被选择，则统计该选择的节点与其他节点相连的边的数目，作为该选择的节点的自由度；
针对各个联系人网络，根据第一计算公式计算出每个节点的接近中心性，根据第二计算公式计算出每个节点的中介中心性，并根据第三计算公式计算出每个节点的聚类系数，每个样本数据集的各个节点对应的电话号码更新时间、数据来源、自由度、聚类系数、接近中心性、中介中心性、有效性形成模型训练参数；
建立预测模型，将所述模型训练参数代入到该预测模型中进行训练，生成用于预测电话号码的失联修复率的预测模型。
2.如权利要求1所述的电子装置，其特征在于，所述步骤C包括：
若有催收人员需要预测贷款业务客户的关联联系人的电话号码的失联修复率，则确定该贷款业务客户对应的关联联系人的当前数据集，该当前数据集包括该贷款业务客户的各个关联联系人的电话号码以及每个电话号码的数据来源、更新时间；
形成以联系人的电话号码为节点、联系人之间的关系为边的当前联系人网络；
分别对该当前数据集中的节点进行选择，若一个节点被选择，则统计选择的该节点与其他节点相连的边的数目，作为选择的该节点的自由度；
针对当前联系人网络，根据第一计算公式计算出每个节点的接近中心性，根据第二计算公式计算出每个节点的中介中心性，并根据第三计算公式计算出每个节点的聚类系数，该当前数据集的各个节点对应的电话号码更新时间、数据来源、自由度、聚类系数、接近中心性、中介中心性形成模型预测参数；
将所述模型预测参数代入到该预测模型中进行预测计算，识别出该贷款业务客户的各个关联联系人的电话号码的失联修复率。
3.如权利要求1或2所述的电子装置，其特征在于，所述预先确定的预测模型为Gradient Boosting模型，其中，
所述第一计算公式为：
Figure FDA0003026650300000021
CC(pi)表示节点pi的接近中心性，N为联系人网络中节点的数量，d(pi,pk)表示节点pk与节点pi之间的距离；
所述第二计算公式为：
Figure FDA0003026650300000022
CB(pi)表示节点pi的中介中心性，N为联系人网络中节点的数量，gjk表示从节点j到节点k的最短路径的总数，gjk(pi)表示从节点j到节点k的最短路径的总数中经过节点pi的数目；
所述第三计算公式为：
Figure FDA0003026650300000023
C(i)表示节点i的聚类系数，k(i)是节点i的所有相邻节点的个数，e(i)是节点i的所有相邻节点之间相互连接的边的个数。
4.如权利要求1-2中任意一项所述的电子装置，其特征在于，所述处理器还用于执行所述失联修复率预测系统，以实现步骤：
对识别出的关联联系人的电话号码的失联修复率进行排序，将排序后的结果反馈给客户端。
5.一种联系人电话号码的失联修复率预测方法，其特征在于，该方法包括步骤：
A、获取预设数量的贷款业务客户的关联联系人的样本数据集，一个贷款业务客户的样本数据集包括该贷款业务客户的各个关联联系人的电话号码及每个电话号码的有效性；
B、将获取的样本数据集作为训练集，对预先确定的预测模型进行训练，生成用于预测电话号码的失联修复率的预测模型；
C、若有催收人员需要预测贷款业务客户的关联联系人的电话号码的失联修复率，则确定该贷款业务客户对应的关联联系人的数据集，基于确定的数据集，并调用训练后的预测模型识别出该贷款业务客户的各个关联联系人的电话号码的失联修复率；
各个所述样本数据集还包括每个电话号码的数据来源、更新时间，所述步骤B包括：
针对每个样本数据集，形成以联系人的电话号码为节点、联系人之间的关系为边的联系人网络；
分别对各个样本数据集中的节点进行选择，若一个节点被选择，则统计该选择的节点与其他节点相连的边的数目，作为该选择的节点的自由度；
针对各个联系人网络，根据第一计算公式计算出每个节点的接近中心性，根据第二计算公式计算出每个节点的中介中心性，并根据第三计算公式计算出每个节点的聚类系数，每个样本数据集的各个节点对应的电话号码更新时间、数据来源、自由度、聚类系数、接近中心性、中介中心性、有效性形成模型训练参数；
建立预测模型，将所述模型训练参数代入到该预测模型中进行训练，生成用于预测电话号码的失联修复率的预测模型。
6.如权利要求5所述的失联修复率预测方法，其特征在于，所述步骤C包括：
若有催收人员需要预测贷款业务客户的关联联系人的电话号码的失联修复率，则确定该贷款业务客户对应的关联联系人的当前数据集，该当前数据集包括该贷款业务客户的各个关联联系人的电话号码以及每个电话号码的数据来源、更新时间；
形成以联系人的电话号码为节点、联系人之间的关系为边的当前联系人网络；
分别对该当前数据集中的节点进行选择，若一个节点被选择，则统计选择的该节点与其他节点相连的边的数目，作为选择的该节点的自由度；
针对当前联系人网络，根据第一计算公式计算出每个节点的接近中心性，根据第二计算公式计算出每个节点的中介中心性，并根据第三计算公式计算出每个节点的聚类系数，该当前数据集的各个节点对应的电话号码更新时间、数据来源、自由度、聚类系数、接近中心性、中介中心性形成模型预测参数；
将所述模型预测参数代入到该预测模型中进行预测计算，识别出该贷款业务客户的各个关联联系人的电话号码的失联修复率。
7.如权利要求5或6所述的失联修复率预测方法，其特征在于，所述预先确定的预测模型为Gradient Boosting模型，其中，
所述第一计算公式为：
Figure FDA0003026650300000041
CC(pi)表示节点pi的接近中心性，N为联系人网络中节点的数量，d(pi,pk)表示节点pk与节点pi之间的距离；
所述第二计算公式为：
Figure FDA0003026650300000042
CB(pi)表示节点pi的中介中心性，N为联系人网络中节点的数量，gjk表示从节点j到节点k的最短路径的总数，gjk(pi)表示从节点j到节点k的最短路径的总数中经过节点pi的数目；
所述第三计算公式为：
Figure FDA0003026650300000043
C(i)表示节点i的聚类系数，k(i)是节点i的所有相邻节点的个数，e(i)是节点i的所有相邻节点之间相互连接的边的个数。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有失联修复率预测系统，所述失联修复率预测系统可被至少一个处理器执行，以使所述至少一个处理器执行如权利要求5-7中的任一项所述的联系人电话号码的失联修复率预测方法。
CN201710776062.5A 2017-08-31 2017-08-31 电子装置、失联修复率预测方法和计算机可读存储介质 Active CN107909178B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710776062.5A CN107909178B (zh) 2017-08-31 2017-08-31 电子装置、失联修复率预测方法和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710776062.5A CN107909178B (zh) 2017-08-31 2017-08-31 电子装置、失联修复率预测方法和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN107909178A CN107909178A (zh) 2018-04-13
CN107909178B true CN107909178B (zh) 2021-06-08

Family

ID=61840074

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710776062.5A Active CN107909178B (zh) 2017-08-31 2017-08-31 电子装置、失联修复率预测方法和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN107909178B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738558B (zh) * 2018-07-20 2024-03-05 京东科技控股股份有限公司 信息修复方法、装置、电子设备及计算机可读介质
CN109670940A (zh) * 2018-11-12 2019-04-23 深圳壹账通智能科技有限公司 基于机器学习的信用风险评估模型生成方法及相关设备
CN110336786B (zh) * 2019-05-23 2022-02-11 平安科技（深圳）有限公司 消息发送方法、装置、计算机设备和存储介质
CN110245985B (zh) * 2019-06-11 2023-09-08 深圳前海微众银行股份有限公司 一种信息处理方法及装置
CN110708414B (zh) * 2019-08-30 2021-01-05 中国人民财产保险股份有限公司 一种电话号码的排序方法、装置及电子设备
CN110807699B (zh) * 2019-10-12 2022-06-03 上海上湖信息技术有限公司 逾期事件的回款催收方法及装置、计算机可读存储介质
CN111611099A (zh) * 2020-05-25 2020-09-01 深圳前海微众银行股份有限公司 失联用户信息的修复方法、装置、设备及存储介质
CN112817993B (zh) * 2021-01-30 2022-12-02 上海浦东发展银行股份有限公司 一种失联客户信息修复方法及其系统
CN113630642B (zh) * 2021-09-18 2024-06-11 广州品唯软件有限公司 一种信息发送方法及装置
CN113992802B (zh) * 2021-10-29 2023-06-30 上海枫亭信息技术有限公司 基于语音机器人的智能催收管理方法、装置、设备及介质
CN114090752A (zh) * 2021-11-17 2022-02-25 中国建设银行股份有限公司 一种问题线索发掘方法、装置、计算机设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8358771B1 (en) * 2010-03-24 2013-01-22 Jpmorgan Chase Bank, N.A. System and method for managing customer communications over communication channels
CN106682915A (zh) * 2016-12-25 2017-05-17 东北电力大学 一种客户关系管理系统中用户聚类分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9292830B2 (en) * 2011-11-03 2016-03-22 Cgi Technologies And Solutions Inc. Method and apparatus for social media advisor for retention and treatment (SMART)

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8358771B1 (en) * 2010-03-24 2013-01-22 Jpmorgan Chase Bank, N.A. System and method for managing customer communications over communication channels
CN106682915A (zh) * 2016-12-25 2017-05-17 东北电力大学 一种客户关系管理系统中用户聚类分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
互联网消费信贷法律问题研究——以"花呗消费贷款"为例;崔丹丹;《中国优秀硕士学位论文全文数据库 社会科学Ⅰ辑》;20170215;G119-215 *

Also Published As

Publication number Publication date
CN107909178A (zh) 2018-04-13

Similar Documents

Publication Publication Date Title
CN107909178B (zh) 电子装置、失联修复率预测方法和计算机可读存储介质
CN112330412B (zh) 一种产品推荐方法、装置、计算机设备及存储介质
CN114663198A (zh) 基于用户画像的产品推荐方法、装置、设备及存储介质
CN113946690A (zh) 潜在客户挖掘方法、装置、电子设备及存储介质
CN113792089B (zh) 基于人工智能的非法行为检测方法、装置、设备及介质
CN113516417A (zh) 基于智能建模的业务评估方法、装置、电子设备及介质
CN113538154B (zh) 风险对象的识别方法、装置、存储介质和电子设备
CN112364102A (zh) 一种基于区块链的大数据交易方法、装置、介质及设备
CN112733531A (zh) 虚拟资源分配方法、装置、电子设备及计算机存储介质
CN114493255A (zh) 基于知识图谱的企业异常监控方法及其相关设备
CN113362162A (zh) 基于网络行为数据的风控识别方法、装置、电子设备及介质
CN110602215B (zh) 基于联盟区块链的资源处理方法及联盟区块链系统
CN115564486A (zh) 一种数据推送方法、装置、设备和介质
CN113283222B (zh) 自动化报表生成方法、装置、计算机设备及存储介质
CN114265835A (zh) 基于图挖掘的数据分析方法、装置及相关设备
CN114490756A (zh) 一种关联查看模型的生成方法、装置、计算机设备及存储介质
CN113515703A (zh) 信息推荐方法、装置、电子设备及可读存储介质
CN116484296A (zh) 金融集资风险分析方法、装置、设备及存储介质
CN113705201B (zh) 基于文本的事件概率预测评估算法、电子设备及存储介质
CN114493850A (zh) 基于人工智能的在线公证方法、系统及存储介质
CN112084408A (zh) 名单数据筛选方法、装置、计算机设备及存储介质
CN113434660A (zh) 基于多领域分类的产品推荐方法、装置、设备及存储介质
CN115374983A (zh) 对象风险评估方法、装置、存储介质及电子设备
CN113486145B (zh) 基于网络节点的用户咨询回复方法、装置、设备及介质
CN115409581A (zh) 基于用户行为配置化的产品推荐方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20180601

Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Applicant after: Shenzhen one ledger Intelligent Technology Co., Ltd.

Address before: 200030 Xuhui District, Shanghai Kai Bin Road 166, 9, 10 level.

Applicant before: Shanghai Financial Technologies Ltd

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant