CN109377333A - 电子装置、基于分类模型的催收员确定方法及存储介质 - Google Patents
电子装置、基于分类模型的催收员确定方法及存储介质 Download PDFInfo
- Publication number
- CN109377333A CN109377333A CN201811023200.3A CN201811023200A CN109377333A CN 109377333 A CN109377333 A CN 109377333A CN 201811023200 A CN201811023200 A CN 201811023200A CN 109377333 A CN109377333 A CN 109377333A
- Authority
- CN
- China
- Prior art keywords
- overdue
- collection
- user
- information
- account
- 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.)
- Pending
Links
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及大数据分析,提出了一种基于分类模型的的催收员确定方法及存储介质,通过接收到普惠案件的催收请求后,获取该惠普案件对应的用户身份标识信息;根据所述用户身份标识信息,获取该用户在预定义的时间段内的逾期信息、催收信息和账户信息;对获取的逾期信息和催收信息进行统计分析,以统计出该用户的逾期特征数据;根据预先训练完成的用户逾期风险分类模型对统计出的逾期特征数据进行分析,以得到该用户的逾期风险类别;根据预先确定的催收员与逾期风险类别之间的映射关系,确定该普惠案件对应的催收员,并将该普惠案件分配至确定的催收员进行催收。能够提高普惠贷款案件催收员的催收业务,有利于普惠贷款行业的健康发展。此外本发明还提出一种电子装置及存储介质。
Description
技术领域
本发明涉及普惠贷款催收领域,尤其涉及一种电子装置、基于分类模型的催收员确定方法及存储介质。
背景技术
目前,国内消费金融正在蓬勃发展,与此同时,逾期贷款的案件数量也在不断增加。针对逾期的案件,通常需要将案件分配至专业的催收人员进行催收,而常用的案件分配方式主要是按照案件的件数或者案件的金额进行均分,没有分析案件逾期原因以及逾期案件对应的用户,导致无法了解逾期用户的催收风险类别,在分配对应催收员的过程中具有一定的盲目性。因此,目前的案件分配方式,不利于催收员业务水平的提高,影响贷款行业的发展。
发明内容
有鉴于此,本发明提出一种电子装置、基于分类模型的催收员确定方法及存储介质,能够提高普惠贷款案件催收员的催收业务,有利于普惠贷款行业的健康发展。
首先,为实现上述目的,本发明提出一种电子装置,所述电子装置包括存储器、及与所述存储器连接的处理器,所述处理器用于执行所述存储器上存储的基于分类模型的催收员确定程序,所述基于分类模型的催收员确定程序被所述处理器执行时实现如下步骤:
A1、接收到普惠案件的催收请求后,获取该惠普案件对应的用户身份标识信息;
A2、根据所述用户身份标识信息,获取该用户在预定义的时间段内的逾期信息、催收信息和账户信息;
A3、对获取的逾期信息和催收信息进行统计分析,以统计出该用户的逾期特征数据;
A4、根据预先训练完成的用户逾期风险分类模型对统计出的逾期特征数据进行分析,以得到该用户的逾期风险类别;
A5、根据预先确定的催收员与逾期风险类别之间的映射关系,确定该普惠案件对应的催收员,并将该普惠案件分配至确定的催收员进行催收。
优选地,所述催收信息包括催收次数、每次催收的手段、用户接收催收的次数以及用户对不同催收手段的反馈信息;所述逾期信息包括案件账龄、在预定义的时间段内的逾期次数、每次逾期的最迟还款时间、每次逾期天数、每次剩余本金、每次逾期本金、还款率、每次消费余额、每次额度使用率以及信用额度;所述账户信息包括账户号、开户日期、开户次数、各个账户对应的账龄、各个账户对应的账单日期以及各个账户对应的取现信用额度。
优选地,所述逾期特征数据包括在所述预定义的时间段内各次逾期对应的逾期天数的变化规律、各次逾期对应的逾期天数中的最长逾期天数、各次逾期对应的逾期天数中的最短逾期天数、逾期率、未还款次数、开户次数、未结清账单中最短账龄、未结清账单中最长账龄以及偏好的催账方式。
优选地,在所述步骤A4中,所述预先训练完成的用户逾期风险分类模型为决策树模型,所述决策树模型包括决策树的训练过程和测试过程;所述训练过程包括如下步骤:
E1、分别获取不同用户在预定义时间段内的逾期特征数据作为构建决策树的样本集;
F1、将所述样本集中各个客户的逾期特征数据分为第一预设比例的训练样本集和第二预设比例的测试样本集;
G1、利用所述训练样本集中的多个逾期特征数据对预先构建的决策树进行训练,以得到训练完成的逾期风险分类模型;
H1、将所述测试样本集中各个用户的逾期特征数据代入训练完成的逾期风险分类模型进行模型准确性测试,若测试通过,则训练完成,若测试不通过,则重复执行步骤E1、F1、G1、H1。
优选地,所述测试过程包括如下步骤:
利用训练好的所述逾期风险分类模型对所述测试样本集中的各个用户在预定义时间段内的逾期特征数据进行分析,以得到各个用户的逾期风险类别;分别将得到的各个用户的逾期风险类别与预先确定的各个用户的逾期风险类别进行比较;
若得到的逾期风险类别与预先确定的逾期风险类别相同的用户的概率值大于预设的概率阈值,则确定对所述逾期风险分类模型的测试通过,或者,若得到的逾期风险类别与预先确定的逾期风险类别相同的用户的概率值小于或等于预设的概率阈值,则确定对所述逾期风险分类模型的测试不通过。
此外,为实现上述目的,本发明还提出一种基于分类模型的催收员确定方法,所述方法包括如下步骤:
S1、接收到普惠案件的催收请求后,获取该惠普案件对应的用户身份标识信息;
S2、根据所述用户身份标识信息,获取该用户在预定义的时间段内的逾期信息、催收信息和账户信息;
S3、对获取的逾期信息和催收信息进行统计分析,以统计出该用户的逾期特征数据;
S4、根据预先训练完成的用户逾期风险分类模型对统计出的逾期特征数据进行分析,以得到该用户的逾期风险类别;
S5、根据预先确定的催收员与逾期风险类别之间的映射关系,确定该普惠案件对应的催收员,并将该普惠案件分配至确定的催收员进行催收。
优选地,所述催收信息包括催收次数、每次催收的手段、用户接收催收的次数以及用户对不同催收手段的反馈信息;所述逾期信息包括案件账龄、在预定义的时间段内的逾期次数、每次逾期的最迟还款时间、每次逾期天数、每次剩余本金、每次逾期本金、还款率、每次消费余额、每次额度使用率以及信用额度;所述账户信息包括账户号、开户日期、开户次数、各个账户对应的账龄、各个账户对应的账单日期以及各个账户对应的取现信用额度。
优选地,所述逾期特征数据包括在所述预定义的时间段内各次逾期对应的逾期天数的变化规律、各次逾期对应的逾期天数中的最长逾期天数、各次逾期对应的逾期天数中的最短逾期天数、逾期率、未还款次数、开户次数、未结清账单中最短账龄、未结清账单中最长账龄以及偏好的催账方式。
优选地,所述预先训练完成的用户逾期风险分类模型为决策树模型,所述决策树模型包括决策树的训练过程和测试过程;所述训练过程包括如下步骤:
E2、分别获取不同用户在预定义时间段内的逾期特征数据作为构建决策树的样本集;
F2、将所述样本集中各个客户的逾期特征数据分为第一预设比例的训练样本集和第二预设比例的测试样本集;
G2、利用所述训练样本集中的多个逾期特征数据对预先构建的决策树进行训练,以得到训练完成的逾期风险分类模型;
H2、将所述测试样本集中各个用户的逾期特征数据代入训练完成的逾期风险分类模型进行模型准确性测试,若测试通过,则训练完成,若测试不通过,则重复执行步骤E2、F2、G2、H2。
此外,为实现上述目的,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基于分类模型的催收员确定程序,所述基于分类模型的催收员确定程序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上所述的基于分类模型的催收员确定方法的步骤。
本发明所提出的电子装置、基于分类模型的催收员确定方法及存储介质,通过接收到普惠案件的催收请求后,获取该惠普案件对应的用户身份标识信息;根据所述用户身份标识信息,获取该用户在预定义的时间段内的逾期信息、催收信息和账户信息;对获取的逾期信息和催收信息进行统计分析,以统计出该用户的逾期特征数据;根据预先训练完成的用户逾期风险分类模型对统计出的逾期特征数据进行分析,以得到该用户的逾期风险类别;根据预先确定的催收员与逾期风险类别之间的映射关系,确定该普惠案件对应的催收员,并将该普惠案件分配至确定的催收员进行催收。能够提高普惠贷款案件催收员的催收业务,有利于普惠贷款行业的健康发展。
附图说明
图1是本发明提出的电子装置一可选的硬件架构的示意图;
图2是本发明电子装置一实施例中基于分类模型的催收员确定程序的程序模块示意图;
图3是本发明基于分类模型的催收员确定方法较佳实施例的实施流程图。
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
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
参阅图1所示,是本发明提出的电子装置一可选的硬件架构示意图。本实施例中,电子装置10可包括,但不仅限于,可通过通信总线14相互通信连接存储器11、处理器12、网络接口13。需要指出的是,图1仅示出了具有组件11-14的电子装置10,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。
其中,存储器11至少包括一种类型的计算机可读存储介质,计算机可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器11可以是电子装置10的内部存储单元,例如电子装置10的硬盘或内存。在另一些实施例中,存储器11也可以是电子装置10的外包存储设备,例如电子装置10上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器11还可以既包括电子装置10的内部存储单元也包括其外包存储设备。本实施例中,存储器11通常用于存储安装于电子装置10的操作系统和各类应用软件,例如基于分类模型的催收员确定程序等。此外,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各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。处理器12通常用于控制电子装置10的总体操作。本实施例中,处理器12用于运行存储器11中存储的程序代码或者处理数据,例如运行的基于分类模型的催收员确定程序等。
网络接口13可包括无线网络接口或有线网络接口,网络接口13通常用于在电子装置10与其他电子设备之间建立通信连接。
通信总线14用于实现组件11-13之间的通信连接。
图1仅示出了具有组件11-14以及基于分类模型的催收员确定程序的电子装置10,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。
可选地,电子装置10还可以包括用户接口(图1中未示出),用户接口可以包括显示器、输入单元比如键盘,其中,用户接口还可以包括标准的有线接口、无线接口等。
可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED触摸器等。进一步地,显示器也可称为显示屏或显示单元,用于显示在电子装置10中处理信息以及用于显示可视化的用户界面。
可选地,在一些实施例中,电子装置10还可以包括音频单元(音频单元图1中未示出),音频单元可以在电子装置10处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时,将接收的或者存储的音频数据转换为音频信号;进一步地,电子装置10还可以包括音频输出单元,音频输出单元将音频单元转换的音频信号输出,而且音频输出单元还可以提供与电子装置10执行的特定功能相关的音频输出(例如呼叫信号接收声音、消息接收声音等等),音频输出单元可以包括扬声器、蜂鸣器等等。
可选地,在一些实施例中,电子装置10还可以包括警报单元(图中未示出),警报单元可以提供输出已将事件的发生通知给电子装置10。典型的事件可以包括呼叫接收、消息接收、键信号输入、触摸输入等等。除了音频或者视频输出之外,警报单元可以以不同的方式提供输出以通知事件的发生。例如,警报单元可以以震动的形式提供输出,当接收到呼叫、消息或一些其他可以使电子装置10进入通信模式时,警报单元可以提供触觉输出(即,振动)以将其通知给用户。
在一实施例中,存储器11中存储的基于分类模型的催收员确定程序被处理器12执行时,实现如下操作:
A1,接收到普惠案件的催收请求后,获取该惠普案件对应的用户身份标识信息;
具体地,在本实施例中,电子装置10在接收到普惠案件的催收请求后,可以通过向预先确定的贷款金融系统发送获取该普惠案件对应的用户身份标识信息的请求,可以获取到该待催收案件对应的用户身份标识信息。可以理解的是,所述预先确定的贷款金融系统可以是安装并运行于电子装置10的系统,也可以是安装并运行在其他预先确定的服务器上的系统。在本实施例中,假设所述预先确定的贷款金融系统安装并运行于电子装置10上。
进一步地可以理解的是,用户在贷款的时候,通常通过用户端登录所述预先确定的贷款金融系统后,向电子装置10发送贷款请求,并在发送贷款请求前,工作人员需将贷款用户的相关身份信息上传至电子装置10,其中,身份信息包括:身份证扫描件、姓名、年龄、籍贯、工作地址、工作单位、本人联系方式、关联人员(如亲戚、朋友等)联系方式等,其中,身份标识信息可以为用户指纹、用户身份证号、用户面部图像等。当电子装置10接收到贷款用户通过用户端发送的贷款请求后,对贷款请求进行解析,获取贷款请求所携带的用户身份标识信息,并进行存储。
A2,根据所述用户身份标识信息,获取该用户在预定义的时间段内的逾期信息、催收信息和账户信息;
具体地,在本实施例中,在获取到该普惠案件对应的用户身份标识信息之后,可根据获取的用户身份标识信息获取该普惠案件对应的用户在预定义时间段内的逾期信息、催收信息和账户信息。具体地,所述预定义的时间段可以是最近6个月,也可以是最近12个月,或者是最近24个月,在具体实施例中,需要根据获取的逾期信息和催收信息的信息量多少而定,例如预定义的时间段为最近6个月,而获取的最近6个月内用户的逾期信息和催收信息的信息量太少,而无法进行下一步骤的分析,则需要将预定义的时间段设置为最近12个月,而进行进一步的分析。进一步地,所述催收信息包括但不限于:催收次数、每次催收的手段、用户接收催收的次数(例如接通催收电话的次数)以及用户对不同催收手段的反馈信息;所述逾期信息包括但不限于:案件账龄(放款月份与当前月份之间间隔的月份)、在预定义的时间段内的逾期次数、每次逾期的最迟还款时间、每次逾期天数、每次剩余本金、每次逾期本金、还款率、每次消费余额、每次额度使用率以及信用额度;所述账户信息包括但不限于:账户号、开户日期、开户次数、各个账户对应的账龄、各个账户对应的账单日期以及各个账户对应的取现信用额度。
A3,对获取的逾期信息和催收信息进行统计分析,以统计出该用户的逾期特征数据;
具体地,在本实施例中,所述逾期特征数据包括:在所述预定义的时间段内各次逾期对应的逾期天数的变化规律,例如持续增加、保持不变、持续减小、或者不存在连续性的变化规律等、各次逾期对应的逾期天数中的最长逾期天数、各次逾期对应的逾期天数中的最短逾期天数、逾期率、未还款次数、开户次数、未结清账单中最短账龄、未结清账单中最长账龄以及偏好的催账方式。
A4,根据预先训练完成的用户逾期风险分类模型对统计出的逾期特征数据进行分析,以得到该用户的逾期风险类别;
具体地,在本实施例中,所述预先训练完成的用户逾期风险分类模型为决策树模型。首先需要构建决策树,并对构建的决策树进行训练,以得到训练完成的逾期风险分类模型。具体地,所述决策树的训练过程包括如下步骤:
E1、分别获取不同用户在预定义时间段内的逾期特征数据作为构建决策树的样本集;
F1、将所述样本集中各个客户的逾期特征数据分为第一预设比例的训练样本集和第二预设比例的测试样本集;
G1、利用所述训练样本集中的各个用户的逾期特征数据对预先构建的决策树进行训练,以得到训练完成的逾期风险分类模型;
H1、将所述测试样本集中各个用户的逾期特征数据代入训练完成的逾期风险分类模型进行模型准确性测试,若测试通过,则训练完成,若测试不通过,则重复执行步骤E1、F1、G1、H1。
具体地,预先构建的决策树可以学习出逾期特征数据中的各个逾期特征数据在逾期风险分类中的重要程度,进一步地,预先构建的决策树中,包含多个节点,每一个节点对应一个逾期特征数据,距离决策树的根节点的位置越近的节点对应的逾期特征数据在逾期风险分类中越重要。可以选取决策树中深度大于深度阈值的节点对应的逾期特征数据作为构建逾期风险分类模型的关键特征数据。根据选取的关键特征数据构建逾期风险分类模型,所述逾期风险分类模型对用户的逾期特征数据进行分类,可得到用户的逾期风险类别。
进一步地,可以使用所述测试样本集中的逾期特征数据,对构建的所述逾期风险分类模型进行测试,具体地,利用训练好的所述逾期风险分类模型对所述测试样本集中的各个用户在预定义时间段内的逾期特征数据进行分析,以得到各个用户的逾期风险类别;
分别将得到的各个用户的逾期风险类别与预先确定的各个用户的逾期风险类别进行比较;
若得到的逾期风险类别与预先确定的逾期风险类别相同的用户的概率值大于预设的概率阈值,则确定对所述逾期风险分类模型的测试通过;
或者,若得到的逾期风险类别与预先确定的逾期风险类别相同的用户的概率值小于或等于预设的概率阈值,则确定对所述逾期风险分类模型的测试不通过。
在本实施例中,根据训练完成的决策树对统计出的逾期特征数据进行逾期风险分类分析,以得到该用户的逾期风险类别。具体地,用户的逾期风险类别包括高风险、中风险以及低风险。
A5,根据预先确定的催收员与逾期风险类别之间的映射关系,确定该普惠案件对应的催收员,并将该普惠案件分配至确定的催收员进行催收。
由上述事实施例可知,本发明提出的电子装置,通过接收到普惠案件的催收请求后,获取该惠普案件对应的用户身份标识信息;根据所述用户身份标识信息,获取该用户在预定义的时间段内的逾期信息、催收信息和账户信息;对获取的逾期信息和催收信息进行统计分析,以统计出该用户的逾期特征数据;根据预先训练完成的用户逾期风险分类模型对统计出的逾期特征数据进行分析,以得到该用户的逾期风险类别;根据预先确定的催收员与逾期风险类别之间的映射关系,确定该普惠案件对应的催收员,并将该普惠案件分配至确定的催收员进行催收。能够提高普惠贷款案件催收员的催收业务,有利于普惠贷款行业的健康发展。
此外,本发明的基于分类模型的催收员确定程序依据其各部分所实现的功能不同,可用具有相同功能的程序模块进行描述。请参阅图2所示,是本发明电子装置一实施例中基于分类模型的催收员确定程序的程序模块示意图。本实施例中,基于分类模型的催收员确定程序依据其各部分所实现的功能的不同,可以被分割成获取模块201、第二获取模块202、统计模块203、分析模块204以及确定模块205。由上面的描述可知,本发明所称的程序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基于分类模型的催收员确定程序在电子装置10中的执行过程。所述模块201-203所实现的功能或操作步骤均与上文类似,此处不再详述,示例性地,例如其中:
第一获取模块201用于在接收到普惠案件的催收请求后,获取该惠普案件对应的用户身份标识信息;
第二获取模块202用于根据所述用户身份标识信息,获取该用户在预定义的时间段内的逾期信息、催收信息和账户信息;
统计模块203用于对获取的逾期信息和催收信息进行统计分析,以统计出该用户的逾期特征数据;
分析模块204、用于根据预先训练完成的用户逾期风险分类模型对统计出的逾期特征数据进行分析,以得到该用户的逾期风险类别;
确定模块205用于根据预先确定的催收员与逾期风险类别之间的映射关系,确定该普惠案件对应的催收员,并将该普惠案件分配至确定的催收员进行催收。
此外,本发明还提出一种基于分类模型的催收员确定方法,请参阅图3所示,所述基于分类模型的催收员确定方法包括如下步骤:
S301、接收到普惠案件的催收请求后,获取该惠普案件对应的用户身份标识信息;
具体地,在本实施例中,电子装置10在接收到普惠案件的催收请求后,可以通过向预先确定的贷款金融系统发送获取该普惠案件对应的用户身份标识信息的请求,可以获取到该待催收案件对应的用户身份标识信息。可以理解的是,所述预先确定的贷款金融系统可以是安装并运行于电子装置10的系统,也可以是安装并运行在其他预先确定的服务器上的系统。在本实施例中,假设所述预先确定的贷款金融系统安装并运行于电子装置10上。进一步地可以理解的是,用户在贷款的时候,通常通过用户端登录所述预先确定的贷款金融系统后,向电子装置10发送贷款请求,并在发送贷款请求前,工作人员需将贷款用户的相关身份信息上传至电子装置10,其中,身份信息包括:身份证扫描件、姓名、年龄、籍贯、工作地址、工作单位、本人联系方式、关联人员(如亲戚、朋友等)联系方式等,其中,身份标识信息可以为用户指纹、用户身份证号、用户面部图像等。当电子装置10接收到贷款用户通过用户端发送的贷款请求后,对贷款请求进行解析,获取贷款请求所携带的用户身份标识信息,并进行存储。
S302、根据所述用户身份标识信息,获取该用户在预定义的时间段内的逾期信息、催收信息和账户信息;
具体地,在本实施例中,在获取到该普惠案件对应的用户身份标识信息之后,可根据获取的用户身份标识信息获取该普惠案件对应的用户在预定义时间段内的逾期信息、催收信息和账户信息。具体地,所述预定义的时间段可以是最近6个月,也可以是最近12个月,或者是最近24个月,在具体实施例中,需要根据获取的逾期信息和催收信息的信息量多少而定,例如预定义的时间段为最近6个月,而获取的最近6个月内用户的逾期信息和催收信息的信息量太少,而无法进行下一步骤的分析,则需要将预定义的时间段设置为最近12个月,而进行进一步的分析。进一步地,所述催收信息包括但不限于:催收次数、每次催收的手段、用户接收催收的次数(例如接通催收电话的次数)以及用户对不同催收手段的反馈信息;所述逾期信息包括但不限于:案件账龄(放款月份与当前月份之间间隔的月份)、在预定义的时间段内的逾期次数、每次逾期的最迟还款时间、每次逾期天数、每次剩余本金、每次逾期本金、还款率、每次消费余额、每次额度使用率以及信用额度;所述账户信息包括但不限于:账户号、开户日期、开户次数、各个账户对应的账龄、各个账户对应的账单日期以及各个账户对应的取现信用额度。
S303、对获取的逾期信息和催收信息进行统计分析,以统计出该用户的逾期特征数据;
具体地,在本实施例中,所述逾期特征数据包括:在所述预定义的时间段内各次逾期对应的逾期天数的变化规律,例如持续增加、保持不变、持续减小、或者不存在连续性的变化规律等、各次逾期对应的逾期天数中的最长逾期天数、各次逾期对应的逾期天数中的最短逾期天数、逾期率、未还款次数、开户次数、未结清账单中最短账龄、未结清账单中最长账龄以及偏好的催账方式。
S304、根据预先训练完成的用户逾期风险分类模型对统计出的逾期特征数据进行分析,以得到该用户的逾期风险类别;
具体地,在本实施例中,所述预先训练完成的用户逾期风险分类模型为决策树模型。首先需要构建决策树,并对构建的决策树进行训练,以得到训练完成的逾期风险分类模型。具体地,所述决策树的训练过程包括如下步骤:
E2、分别获取不同用户在预定义时间段内的逾期特征数据作为构建决策树的样本集;
F2、将所述样本集中各个客户的逾期特征数据分为第一预设比例的训练样本集和第二预设比例的测试样本集;
G2、利用所述训练样本集中的各个用户的逾期特征数据对预先构建的决策树进行训练,以得到训练完成的逾期风险分类模型;
H2、将所述测试样本集中各个用户的逾期特征数据代入训练完成的逾期风险分类模型进行模型准确性测试,若测试通过,则训练完成,若测试不通过,则重复执行步骤E2、F2、G2、H2。
具体地,预先构建的决策树可以学习出逾期特征数据中的各个逾期特征数据在逾期风险分类中的重要程度,进一步地,预先构建的决策树中,包含多个节点,每一个节点对应一个逾期特征数据,距离决策树的根节点的位置越近的节点对应的逾期特征数据在逾期风险分类中越重要。可以选取决策树中深度大于深度阈值的节点对应的逾期特征数据作为构建逾期风险分类模型的关键特征数据。根据选取的关键特征数据构建逾期风险分类模型,所述逾期风险分类模型对用户的逾期特征数据进行分类,可得到用户的逾期风险类别。
进一步地,可以使用所述测试样本集中的逾期特征数据,对构建的所述逾期风险分类模型进行测试,具体地,利用训练好的所述逾期风险分类模型对所述测试样本集中的各个用户在预定义时间段内的逾期特征数据进行分析,以得到各个用户的逾期风险类别;
分别将得到的各个用户的逾期风险类别与预先确定的各个用户的逾期风险类别进行比较;
若得到的逾期风险类别与预先确定的逾期风险类别相同的用户的概率值大于预设的概率阈值,则确定对所述逾期风险分类模型的测试通过;
或者,若得到的逾期风险类别与预先确定的逾期风险类别相同的用户的概率值小于或等于预设的概率阈值,则确定对所述逾期风险分类模型的测试不通过。
在本实施例中,根据训练完成的决策树对统计出的逾期特征数据进行逾期风险分类分析,以得到该用户的逾期风险类别。具体地,用户的逾期风险类别包括高风险、中风险以及低风险。
S305、根据预先确定的催收员与逾期风险类别之间的映射关系,确定该普惠案件对应的催收员,并将该普惠案件分配至确定的催收员进行催收。
由上述事实施例可知,本发明提出的普惠贷款催收员确定方法,通过接收到普惠案件的催收请求后,获取该惠普案件对应的用户身份标识信息;根据所述用户身份标识信息,获取该用户在预定义的时间段内的逾期信息、催收信息和账户信息;对获取的逾期信息和催收信息进行统计分析,以统计出该用户的逾期特征数据;根据预先训练完成的用户逾期风险分类模型对统计出的逾期特征数据进行分析,以得到该用户的逾期风险类别;根据预先确定的催收员与逾期风险类别之间的映射关系,确定该普惠案件对应的催收员,并将该普惠案件分配至确定的催收员进行催收。能够提高普惠贷款案件催收员的催收业务,有利于普惠贷款行业的健康发展。
此外,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上存储有基于分类模型的催收员确定程序,所述基于分类模型的催收员确定程序被处理器执行时实现如下操作:
接收到普惠案件的催收请求后,获取该惠普案件对应的用户身份标识信息;
根据所述用户身份标识信息,获取该用户在预定义的时间段内的逾期信息、催收信息和账户信息;
对获取的逾期信息和催收信息进行统计分析,以统计出该用户的逾期特征数据;
根据预先训练完成的用户逾期风险分类模型对统计出的逾期特征数据进行分析,以得到该用户的逾期风险类别;
根据预先确定的催收员与逾期风险类别之间的映射关系,确定该普惠案件对应的催收员,并将该普惠案件分配至确定的催收员进行催收。
本发明计算机可读存储介质的具体实施过程,与上述电子装置以及基于分类模型的催收员确定方法的具体实施过程类似,在此不再赘述。
由上面分析可知,本发明计算机可读存储介质,通过接收到普惠案件的催收请求后,获取该惠普案件对应的用户身份标识信息;根据所述用户身份标识信息,获取该用户在预定义的时间段内的逾期信息、催收信息和账户信息;对获取的逾期信息和催收信息进行统计分析,以统计出该用户的逾期特征数据;根据预先训练完成的用户逾期风险分类模型对统计出的逾期特征数据进行分析,以得到该用户的逾期风险类别;根据预先确定的催收员与逾期风险类别之间的映射关系,确定该普惠案件对应的催收员,并将该普惠案件分配至确定的催收员进行催收。能够提高普惠贷款案件催收员的催收业务,有利于普惠贷款行业的健康发展。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。以上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,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种电子装置,其特征在于,所述电子装置包括存储器、及与所述存储器连接的处理器,所述处理器用于执行所述存储器上存储的基于分类模型的催收员确定程序,所述基于分类模型的催收员确定程序被所述处理器执行时实现如下步骤:
A1、接收到普惠案件的催收请求后,获取该惠普案件对应的用户身份标识信息;
A2、根据所述用户身份标识信息,获取该用户在预定义的时间段内的逾期信息、催收信息和账户信息;
A3、对获取的逾期信息和催收信息进行统计分析,以统计出该用户的逾期特征数据;
A4、根据预先训练完成的用户逾期风险分类模型对统计出的逾期特征数据进行分析,以得到该用户的逾期风险类别;
A5、根据预先确定的催收员与逾期风险类别之间的映射关系,确定该普惠案件对应的催收员,并将该普惠案件分配至确定的催收员进行催收。
2.如权利要求1所述的电子装置,其特征在于,所述催收信息包括催收次数、每次催收的手段、用户接收催收的次数以及用户对不同催收手段的反馈信息;所述逾期信息包括案件账龄、在预定义的时间段内的逾期次数、每次逾期的最迟还款时间、每次逾期天数、每次剩余本金、每次逾期本金、还款率、每次消费余额、每次额度使用率以及信用额度;所述账户信息包括账户号、开户日期、开户次数、各个账户对应的账龄、各个账户对应的账单日期以及各个账户对应的取现信用额度。
3.如权利要求2所述的电子装置,其特征在于,所述逾期特征数据包括在所述预定义的时间段内各次逾期对应的逾期天数的变化规律、各次逾期对应的逾期天数中的最长逾期天数、各次逾期对应的逾期天数中的最短逾期天数、逾期率、未还款次数、开户次数、未结清账单中最短账龄、未结清账单中最长账龄以及偏好的催账方式。
4.如权利要求3所述的电子装置,其特征在于,在所述步骤A4中,所述预先训练完成的用户逾期风险分类模型为决策树模型,所述决策树模型包括决策树的训练过程和测试过程;所述训练过程包括如下步骤:
E1、分别获取不同用户在预定义时间段内的逾期特征数据作为构建决策树的样本集;
F1、将所述样本集中各个客户的逾期特征数据分为第一预设比例的训练样本集和第二预设比例的测试样本集;
G1、利用所述训练样本集中的多个逾期特征数据对预先构建的决策树进行训练,以得到训练完成的逾期风险分类模型;
H1、将所述测试样本集中各个用户的逾期特征数据代入训练完成的逾期风险分类模型进行模型准确性测试,若测试通过,则训练完成,若测试不通过,则重复执行步骤E1、F1、G1、H1。
5.如权利要求4所述的电子装置,其特征在于,所述测试过程包括如下步骤:
利用训练好的所述逾期风险分类模型对所述测试样本集中的各个用户在预定义时间段内的逾期特征数据进行分析,以得到各个用户的逾期风险类别;
分别将得到的各个用户的逾期风险类别与预先确定的各个用户的逾期风险类别进行比较;
若得到的逾期风险类别与预先确定的逾期风险类别相同的用户的概率值大于预设的概率阈值,则确定对所述逾期风险分类模型的测试通过,或者,若得到的逾期风险类别与预先确定的逾期风险类别相同的用户的概率值小于或等于预设的概率阈值,则确定对所述逾期风险分类模型的测试不通过。
6.一种基于分类模型的催收员确定方法,其特征在于,所述方法包括如下步骤:
S1、接收到普惠案件的催收请求后,获取该惠普案件对应的用户身份标识信息;
S2、根据所述用户身份标识信息,获取该用户在预定义的时间段内的逾期信息、催收信息和账户信息;
S3、对获取的逾期信息和催收信息进行统计分析,以统计出该用户的逾期特征数据;
S4、根据预先训练完成的用户逾期风险分类模型对统计出的逾期特征数据进行分析,以得到该用户的逾期风险类别;
S5、根据预先确定的催收员与逾期风险类别之间的映射关系,确定该普惠案件对应的催收员,并将该普惠案件分配至确定的催收员进行催收。
7.如权利要求6所述的基于分类模型的催收员确定方法,其特征在于,
所述催收信息包括催收次数、每次催收的手段、用户接收催收的次数以及用户对不同催收手段的反馈信息;所述逾期信息包括案件账龄、在预定义的时间段内的逾期次数、每次逾期的最迟还款时间、每次逾期天数、每次剩余本金、每次逾期本金、还款率、每次消费余额、每次额度使用率以及信用额度;所述账户信息包括账户号、开户日期、开户次数、各个账户对应的账龄、各个账户对应的账单日期以及各个账户对应的取现信用额度。
8.如权利要求7所述的基于分类模型的催收员确定方法,其特征在于,所述逾期特征数据包括在所述预定义的时间段内各次逾期对应的逾期天数的变化规律、各次逾期对应的逾期天数中的最长逾期天数、各次逾期对应的逾期天数中的最短逾期天数、逾期率、未还款次数、开户次数、未结清账单中最短账龄、未结清账单中最长账龄以及偏好的催账方式。
9.如权利要求8所述的基于分类模型的催收员确定方法,其特征在于,所述预先训练完成的用户逾期风险分类模型为决策树模型,所述决策树模型包括决策树的训练过程和测试过程;所述训练过程包括如下步骤:
E2、分别获取不同用户在预定义时间段内的逾期特征数据作为构建决策树的样本集;
F2、将所述样本集中各个客户的逾期特征数据分为第一预设比例的训练样本集和第二预设比例的测试样本集;
G2、利用所述训练样本集中的多个逾期特征数据对预先构建的决策树进行训练,以得到训练完成的逾期风险分类模型;
H2、将所述测试样本集中各个用户的逾期特征数据代入训练完成的逾期风险分类模型进行模型准确性测试,若测试通过,则训练完成,若测试不通过,则重复执行步骤E2、F2、G2、H2。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有基于分类模型的催收员确定程序,所述基于分类模型的催收员确定程序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6-9中任一项所述的基于分类模型的催收员确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811023200.3A CN109377333A (zh) | 2018-09-03 | 2018-09-03 | 电子装置、基于分类模型的催收员确定方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811023200.3A CN109377333A (zh) | 2018-09-03 | 2018-09-03 | 电子装置、基于分类模型的催收员确定方法及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109377333A true CN109377333A (zh) | 2019-02-22 |
Family
ID=65404898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811023200.3A Pending CN109377333A (zh) | 2018-09-03 | 2018-09-03 | 电子装置、基于分类模型的催收员确定方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109377333A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033165A (zh) * | 2019-03-06 | 2019-07-19 | 平安科技(深圳)有限公司 | 逾期借款催收方式的推荐方法、装置、介质、电子设备 |
CN110163481A (zh) * | 2019-04-19 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 电子装置、用户风控审核系统测试方法及存储介质 |
CN110264335A (zh) * | 2019-05-16 | 2019-09-20 | 上海维信荟智金融科技有限公司 | 基于逾期天数的剩余本金电催分配方法及系统 |
CN110322339A (zh) * | 2019-05-22 | 2019-10-11 | 平安银行股份有限公司 | 虚拟资源管理方法、装置、计算机系统及可读存储介质 |
CN110796341A (zh) * | 2019-09-30 | 2020-02-14 | 北京淇瑀信息科技有限公司 | 一种催收案件分布式批处理方法、装置和电子设备 |
CN111369164A (zh) * | 2020-03-18 | 2020-07-03 | 黑龙江正泽信服务外包有限公司 | 一种信用卡逾期数据推送的区块链节点系统 |
CN111738762A (zh) * | 2020-06-19 | 2020-10-02 | 中国建设银行股份有限公司 | 不良资产回收价的确定方法、装置、设备和存储介质 |
CN111882431A (zh) * | 2020-08-04 | 2020-11-03 | 武汉众邦银行股份有限公司 | 一种基于nlp深度学习智能消息推送方法 |
CN111986018A (zh) * | 2019-05-22 | 2020-11-24 | 财付通支付科技有限公司 | 基于预定催收系统的账单催收方法、装置及电子设备 |
WO2020253381A1 (zh) * | 2019-06-17 | 2020-12-24 | 深圳壹账通智能科技有限公司 | 数据监控方法、装置、计算机设备和存储介质 |
CN112785419A (zh) * | 2021-01-22 | 2021-05-11 | 中信银行股份有限公司 | 一种催收行动推荐方法及装置 |
CN113724065A (zh) * | 2021-08-31 | 2021-11-30 | 平安普惠企业管理有限公司 | 基于流程指导的辅助催收方法、装置、设备及存储介质 |
CN115393077A (zh) * | 2022-10-28 | 2022-11-25 | 深圳市人马互动科技有限公司 | 基于贷款业务人机对话系统的数据处理方法及相关装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044043A (zh) * | 2010-12-13 | 2011-05-04 | 苏州德融嘉信信用管理技术有限公司 | 基于信用资产管理系统的催收任务建立方法 |
US20150269669A1 (en) * | 2014-03-21 | 2015-09-24 | Xerox Corporation | Loan risk assessment using cluster-based classification for diagnostics |
CN106952155A (zh) * | 2017-03-08 | 2017-07-14 | 深圳前海纵腾金融科技服务有限公司 | 一种基于信用评分的催收方法及装置 |
CN107025509A (zh) * | 2016-02-01 | 2017-08-08 | 腾讯科技(深圳)有限公司 | 基于业务模型的决策系统和方法 |
CN107240013A (zh) * | 2017-04-19 | 2017-10-10 | 中国建设银行股份有限公司 | 一种信用卡催收还款的方法和装置 |
CN108389123A (zh) * | 2018-02-12 | 2018-08-10 | 中科柏诚科技(北京)股份有限公司 | 一种互联网联合贷款系统及方法 |
-
2018
- 2018-09-03 CN CN201811023200.3A patent/CN109377333A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044043A (zh) * | 2010-12-13 | 2011-05-04 | 苏州德融嘉信信用管理技术有限公司 | 基于信用资产管理系统的催收任务建立方法 |
US20150269669A1 (en) * | 2014-03-21 | 2015-09-24 | Xerox Corporation | Loan risk assessment using cluster-based classification for diagnostics |
CN107025509A (zh) * | 2016-02-01 | 2017-08-08 | 腾讯科技(深圳)有限公司 | 基于业务模型的决策系统和方法 |
CN106952155A (zh) * | 2017-03-08 | 2017-07-14 | 深圳前海纵腾金融科技服务有限公司 | 一种基于信用评分的催收方法及装置 |
CN107240013A (zh) * | 2017-04-19 | 2017-10-10 | 中国建设银行股份有限公司 | 一种信用卡催收还款的方法和装置 |
CN108389123A (zh) * | 2018-02-12 | 2018-08-10 | 中科柏诚科技(北京)股份有限公司 | 一种互联网联合贷款系统及方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033165A (zh) * | 2019-03-06 | 2019-07-19 | 平安科技(深圳)有限公司 | 逾期借款催收方式的推荐方法、装置、介质、电子设备 |
CN110163481A (zh) * | 2019-04-19 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 电子装置、用户风控审核系统测试方法及存储介质 |
CN110264335A (zh) * | 2019-05-16 | 2019-09-20 | 上海维信荟智金融科技有限公司 | 基于逾期天数的剩余本金电催分配方法及系统 |
CN111986018A (zh) * | 2019-05-22 | 2020-11-24 | 财付通支付科技有限公司 | 基于预定催收系统的账单催收方法、装置及电子设备 |
CN110322339A (zh) * | 2019-05-22 | 2019-10-11 | 平安银行股份有限公司 | 虚拟资源管理方法、装置、计算机系统及可读存储介质 |
CN110322339B (zh) * | 2019-05-22 | 2023-06-30 | 平安银行股份有限公司 | 虚拟资源管理方法、装置、计算机系统及可读存储介质 |
WO2020253381A1 (zh) * | 2019-06-17 | 2020-12-24 | 深圳壹账通智能科技有限公司 | 数据监控方法、装置、计算机设备和存储介质 |
CN110796341A (zh) * | 2019-09-30 | 2020-02-14 | 北京淇瑀信息科技有限公司 | 一种催收案件分布式批处理方法、装置和电子设备 |
CN110796341B (zh) * | 2019-09-30 | 2024-01-23 | 北京淇瑀信息科技有限公司 | 一种催收案件分布式批处理方法、装置和电子设备 |
CN111369164A (zh) * | 2020-03-18 | 2020-07-03 | 黑龙江正泽信服务外包有限公司 | 一种信用卡逾期数据推送的区块链节点系统 |
CN111738762A (zh) * | 2020-06-19 | 2020-10-02 | 中国建设银行股份有限公司 | 不良资产回收价的确定方法、装置、设备和存储介质 |
CN111882431A (zh) * | 2020-08-04 | 2020-11-03 | 武汉众邦银行股份有限公司 | 一种基于nlp深度学习智能消息推送方法 |
CN112785419A (zh) * | 2021-01-22 | 2021-05-11 | 中信银行股份有限公司 | 一种催收行动推荐方法及装置 |
CN112785419B (zh) * | 2021-01-22 | 2023-05-05 | 中信银行股份有限公司 | 一种催收行动推荐方法及装置 |
CN113724065A (zh) * | 2021-08-31 | 2021-11-30 | 平安普惠企业管理有限公司 | 基于流程指导的辅助催收方法、装置、设备及存储介质 |
CN113724065B (zh) * | 2021-08-31 | 2023-12-29 | 华道数据处理(苏州)有限公司 | 基于流程指导的辅助催收方法、装置、设备及存储介质 |
CN115393077A (zh) * | 2022-10-28 | 2022-11-25 | 深圳市人马互动科技有限公司 | 基于贷款业务人机对话系统的数据处理方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109377333A (zh) | 电子装置、基于分类模型的催收员确定方法及存储介质 | |
CN109359797A (zh) | 电子装置、贷款催收案件分案方法及存储介质 | |
US11544639B2 (en) | Data source-based service customizing device, method and system, and storage medium | |
CN109918279A (zh) | 电子装置、基于日志数据识别用户异常操作的方法及存储介质 | |
CN110909222B (zh) | 基于聚类的用户画像建立方法、装置、介质及电子设备 | |
CN109514586A (zh) | 实现智能客服机器人的方法及系统 | |
CN103684969A (zh) | 用于处理消息的方法和系统 | |
CN107862425B (zh) | 风控数据采集方法、设备、系统及可读存储介质 | |
CN110069177A (zh) | 电子装置、应用程序操作引导方法及存储介质 | |
CN110163481A (zh) | 电子装置、用户风控审核系统测试方法及存储介质 | |
CN107644106B (zh) | 自动挖掘业务中间人的方法、终端设备及存储介质 | |
CN109194689A (zh) | 异常行为识别方法、装置、服务器及存储介质 | |
CN109447674A (zh) | 电子装置、保险代理人目标服务区域确定方法及存储介质 | |
CN109635633A (zh) | 电子装置、票据识别方法及存储介质 | |
CN109377406A (zh) | 电子装置、基于梯度提升回归的建筑物电力负荷预测方法及存储介质 | |
CN108197002A (zh) | 移动设备无埋点数据统计方法、系统、终端及介质 | |
CN111611390A (zh) | 一种数据处理方法及装置 | |
CN109683856A (zh) | 电子装置、Faas平台函数创建方法及存储介质 | |
CN113472860A (zh) | 大数据和数字化环境下的业务资源分配方法及服务器 | |
CN112887371A (zh) | 边缘计算方法、装置、计算机设备及存储介质 | |
CN116450723A (zh) | 数据提取方法、装置、计算机设备及存储介质 | |
CN108428174A (zh) | 交易资金预警方法、服务器及存储介质 | |
CN113507507A (zh) | 基于电子商务解决供需关系的方法、装置及电子设备 | |
CN107846493B (zh) | 通话联系人控制方法、装置及存储介质和移动终端 | |
CN113190562A (zh) | 一种报表生成方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |