CN109559221A - 基于用户数据的催收方法、装置和存储介质 - Google Patents

Abstract

本申请实施例提供了一种基于用户数据的催收方法、装置和存储介质，该方法包括：确定还款日进入指定期限的目标用户；获取所述目标用户的用户数据；所述用户数据包括用户属性数据及与催收业务相关的用户行为数据；生成所述用户数据的特征向量；将所述特征向量输入预设的催收风险分类模型，确定所述目标用户的催收风险类别；根据预设的催收风险类别与催收策略对应关系，确定与所述目标用户的催收类别对应的催收策略。本申请实施例可以提高催收成功率，且效率高、成本低。

Description

基于用户数据的催收方法、装置和存储介质

技术领域

本申请涉及数据处理技术领域，尤其是涉及一种基于用户数据的催收方法、装置和存储介质。

背景技术

催收是回收逾期不良资产的一种方式，通常是债权方自己或委托第三方进行欠款收回。目前，传统的催收，一般是人工通过电话、短信、外访等方式进行。

然而，人工催收易受催收经验、情绪等多方面因素的影响，催收成功率难以保证。因此，如何提高催收成功率已成为目前亟待解决的技术问题。

发明内容

本申请实施例的目的在于提供一种基于用户数据的催收方法、装置和存储介质，以提高催收成功率。

为达到上述目的，一方面，本申请实施例提供了一种基于用户数据的催收方法，包括：

确定还款日进入指定期限的目标用户；

获取所述目标用户的用户数据；所述用户数据包括用户属性数据及与催收业务相关的用户行为数据；

生成所述用户数据的特征向量；

将所述特征向量输入预设的催收风险分类模型，确定所述目标用户的催收风险类别；

根据预设的催收风险类别与催收策略对应关系，确定与所述目标用户的催收类别对应的催收策略。

另一方面，本申请实施例提供了一种基于用户数据的催收装置，包括：

目标用户确定模块，用于确定还款日进入指定期限的目标用户；

用户数据确定模块，用于获取所述目标用户的用户数据；所述用户数据包括用户属性数据及与催收业务相关的用户行为数据；

特征向量生成模块，用于生成所述用户数据的特征向量；

风险类别确定模块，用于将所述特征向量输入预设的催收风险分类模型，确定所述目标用户的催收风险类别；

催收策略确定模块，用于根据预设的催收风险类别与催收策略对应关系，确定与所述目标用户的催收类别对应的催收策略。

另一方面，本申请实施例提供了另一种基于用户数据的催收装置，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时执行如下步骤：

确定还款日进入指定期限的目标用户；

获取所述目标用户的用户数据；所述用户数据包括用户属性数据及与催收业务相关的用户行为数据；

生成所述用户数据的特征向量；

将所述特征向量输入预设的催收风险分类模型，确定所述目标用户的催收风险类别；

根据预设的催收风险类别与催收策略对应关系，确定与所述目标用户的催收类别对应的催收策略。

另一方面，本申请实施例提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

确定还款日进入指定期限的目标用户；

获取所述目标用户的用户数据；所述用户数据包括用户属性数据及与催收业务相关的用户行为数据；

将所述特征向量输入预设的催收风险分类模型，确定所述目标用户的催收风险类别；

根据预设的催收风险类别与催收策略对应关系，确定与所述目标用户的催收类别对应的催收策略。

由以上本申请实施例提供的技术方案可见，本申请实施例可以基于用户数据识别出用户所属的催收风险类别，从而可根据预设的催收风险类别与催收策略对应关系，确定与用户的催收类别对应的催收策略，而依据与用户的催收类别对应的催收策略进行催收，则可以更有针对性进行个性化催收，因而有利于提高催收成功率。

此外，本申请实施例的催收策略中还可以包括自动催收方式，相对于人工催收，这种自动催收方式的催收效率更高、且催收成本更低，而且不易受时间、地域、天气等多方面因素的影响。而且，这种自动催收方式还可以避免人工催收所带来的用户信息泄露风险及暴力催收风险。

附图说明

为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本申请一些实施例中基于用户数据的催收方法的流程图；

图2为本申请一些实施例中基于用户数据的的催收装置的结构框图；

图3为本申请另一些实施例中基于用户数据的的催收装置的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

参考图1所示，本申请一些实施例的基于用户数据的催收方法包括：

S101、确定还款日进入指定期限的目标用户。

S102、获取所述目标用户的用户数据；所述用户数据包括用户属性数据及与催收业务相关的用户行为数据。

S103、生成所述用户数据的特征向量。

S104、将所述特征向量输入预设的催收风险分类模型，确定所述目标用户的催收风险类别。

S105、根据预设的催收风险类别与催收策略对应关系，确定与所述目标用户的催收类别对应的催收策略。

由此，通过上述实施例的基于用户数据的催收方法，可以基于用户数据识别出用户所属的催收风险类别，从而可根据预设的催收风险类别与催收策略对应关系，确定与用户的催收类别对应的催收策略，而依据与用户的催收类别对应的催收策略进行催收，则可以更有针对性进行个性化催收，因而有利于提高催收成功率。

本申请实施例中，在实施上述步骤S101-S105之前，可预先确定催收风险分类模型。本申请一些实施例中，所述催收风险分类模型可以通过以下方式获得：

1)、采集指定范围内多个用户的历史用户数据；所述历史用户数据包括用户属性数据及与催收业务相关的历史用户行为数据。

本申请一些实施例中，指定范围可以包括时间范围(例如三年内)、地区范围(例如中国大陆范围)和业务范围(例如某个或某些金融机构的指定贷款业务)等，具体可根据需要选择。历史用户数据中用户属性数据也可以根据需要选择，例如可以包括用户的年龄、学历、职业等等。同样，用户数据中的与催收业务相关的历史用户行为数据也可以根据需要选择，例如可以包括用户的贷款业务信息、逾期还款记录、催收历史记录、交易数据。此外，根据需要，与催收业务相关的用户行为数据还可以包括第三方数据，例如征信信息、用户与第三方的交易信息等等。

2)、对所述历史用户数据进行预处理。

本申请一些实施例中，预处理可以包括但不限于数据清洗、数据降维等中的任意一种或多种，具体可根据需要进行选择。其中，数据清洗旨在去除不可信数据样本(例如数值异常的数据、数值缺失的数据等)及无意义数据样本(例如重复数据等)。

3)、对预处理后的历史用户数据进行采样，获取包含不同催收风险类别用户的采样数据。

本申请一些实施例中，为了便于获得有效的催收风险分类模型，可以从历史用户数据选择包含各种催收风险类别的用户数据。例如，在一示例性实施例中，催收风险类别分为高风险、中风险和低风险，则相应的，可以从历史用户数据选择包含高风险、中风险和低风险的用户数据。当然，包含高风险、中风险和低风险的用户数据的应当具有一定的数量规模和多样性(例如数据来源多样，数据的特征维度多样等等)，以免影响训练出的催收风险分类模型的泛化能力。

4)、对所述采样数据进行特征提取及向量化，获得特征向量化矩阵。

本申请一些实施例中，通过对采样数据进行特征提取及向量化，可以形成可直接作为输入的数据样本。其中，特征提取是指提取用户的与催收风险类别相关的特征(例如上述的年龄、受教育程度、职业、贷款业务信息、逾期还款记录、催收历史记录、交易数据等特征)。向量化是指根据特征取值情况进行特征向量化。对于诸如年龄、受教育程度、职业等特征均为定性特征，因而可考虑采用one-hot特征编码，将其量化为数值，直观来说就是有多少个状态就有多少比特，而且只有一个比特为1，其他全为0的一种码制。如年龄特征，可根据实际年龄分段为老年、中年和青年，相应的，年龄特征的向量可以表示为：老年：1 0 0，中年：0 1 0，青年：0 0 1。在比如，逾期还款记录特征向量可以表示为：不存在逾期还款记录：0 0 0，存在不高于指定次数的逾期还款记录：0 1 0，存在高于指定次数的逾期还款记录：10 0，等等。如此通过特征提取及向量化可以将用户特征转化为向量化数值，而这些对应特征维度的特征向量组合在一起，就形成了表征用户特征的特征向量化矩阵。而通过特征向量化矩阵则可以形成对应的用户画像。在一示例性实施例中，其获得的特征向量化矩阵可如下表1所示。

表1

5)、将该特征向量化矩阵的第一部分作为训练样本，输入预设的机器学习模型进行训练，以获得与目标输出对应的分类模型。

本申请一些实施例中，一般可以将特征向量化矩阵一半作为训练样本，而将余下的另一半作为测试样本，当然，也可以采用其他的数据样本划分方式，以满足具体需要，本申请对此不做限定。

本申请一些实施例中，预设的机器学习模型可以选择为有监督的机器学习模型，例如决策树模型、支持向量机模型、随机森林模型、梯度提升决策树模型等等，具体可以根据需要选择合适的模型。

6)、将该特征向量化矩阵的第二部分作为测试样本，输入所述分类模型，以验证所述分类模型是否符合预设条件。如果所述分类模型符合所述预设条件，则将所述分类模型确定为催收风险分类模型。否则，可能需要调整参数或数据并重新进行训练。

本申请一些实施例中，一般地，训练完成后得到的分类模型已经可以实现用户分类，但是，为了确保其分类准确性，还可以对训练出的分类模型进行验证，其中验证条件可以为预先设置的分类结果准确率阈值。将测试样本输入训练出的分类模型可以获得相应的分类结果，通过将分类结果与测试模型中的催收风险类别进行对比，可以统计出当前分类模型的分类结果准确率，如果该分类结果准确率超过分类结果准确率阈值，则可以将该分类模型确定为催收风险分类模型。

本申请一些实施例中，上述步骤S101中的指定期限是指还款日前距离还款日的临近期限，具体可以根据需要设定，例如在一示例性实施例中，所述指定期限可以为还款日前一周，还款日前十天等等。由于每天都可能有一个或多个用户的还款日进入指定期限，因此，本申请实施例的方法可以选择每天执行。

本申请一些实施例中，目标用户的用户数据的获取可以根据需要采取任何合适的方式。例如在一些示例性实施例中，目标用户的用户数据的获取可以是读取预先准备好的数据文件，所述数据文件可是由人工或数据抓取装置(或其他数据采集装置)从原始数据中筛选出后形成的数据文件。在另一些示例性实施例中，目标用户的用户数据的获取也可以是利用数据抓取装置(或其他数据采集装置)进行在线采集，等等。应当理解，这里获取的数据应与预设的催收风险分类模型所需的输入数据要相对应，否则难以形成预设的催收风险分类模型的输入数据。此外，由于在上文描述催收风险分类模型时，已就特征提取及向量化进行了说明，故对于步骤S103如何生成用户数据的特征向量，本说明书不在赘述。

本申请一些实施例中，将目标用户的特征向量输入预设的催收风险分类模型，催收风险分类模型即可以输出分类结果，进而可以据此确定目标用户的催收风险类别。并且，由于预先设置了催收风险类别与催收策略对应关系，通过查找这种对应关系，可以确定每个催收类别对应的催收策略。

本申请一些实施例中，每个催收类别对应的催收策略可以包括多个与逾期程度关联的催收方式，使得即便对于同一用户，也可根据逾期程度不同而采用的催收方式，从而有利于进一步提高催收成功率。在一些示例性实施例中，所述催收方式包括：基于短消息或电子邮件的还款提醒、基于短消息或电子邮件的书面催收、基于外呼机器人的电话催收、以及人工催收等。其中，人工催收又可以分为关联催收(即通过用户的家人、单位或亲属对用户进行间接催收)、上门催收、法律催收(即通过诉讼等法律程序进行催收)等。

在一示例性实施例中，一种典型的催收风险类别与催收策略对应关系，以及催收策略中的与逾期程度关联的催收方式，可如下表2所示。其中，T-5、T-1天、T、T+1天、T+30天和T+90天为以时间轴划分的催收时间区间，其中，T为还款日当天。

表2

从上表2中可以看出，同样是以时间轴划分的相同催收时间区间，当用户的催收风险类别不同时，相同催收时间区间下其对应的催收方式可能就会有所区别；而且，在相同催收时间区间下，随着催收风险类别的升高，催收的强迫性越来越强。当然，从上表2中还可以看出对于同一催收风险类别的用户，逾期程度不同时，采用的催收方式也可能会有所不同；而且，随着逾期程度的升高，催收的强迫性越来越强。

从上文可以看出，除了人工催收外，上述催收策略还包括基于短消息或电子邮件的还款提醒、基于短消息或电子邮件的书面催收和基于外呼机器人的电话催收等自动催收方式。相对于人工催收，这种自动催收方式的引入，可以提高催收效率、降低催收成本，而且不易受时间、地域、天气等多方面因素的影响。此外，目前大部分金融机构的催收业务往往委托给第三方。这种方式不仅可能存在用户信息泄露风险，而且，为了实现有效催收，第三方催收机构容易出现暴力催收的问题；这使得金融机构需要承担一定的催收风险。而通过自动催收方式则可以很好的避免这样的问题。

本申请一些实施例中，在执行上述自动催收方式后，还可以生成催收记录。例如在基于外呼机器人的电话催收后，可以记录本次自动电催的电催结果。电催结果例如可以包括接通情况、致电时间、通话时长、反馈内容、客户情绪等内容。后续通过分析这些自动催收的催收记录，可利于调整相应的催收策略，以获得更佳的催收效果。

本申请一些实施例中，上述基于外呼机器人的电话催收是指，在合适时间外呼机器人会自动拨打用户电话，并与用户进行以催收为目的的人机对话。其中，通话时机、对话内容和对话逻辑等可根据需要预先配置。当然，根据需要，外呼机器人也可以对通话时机、对话内容和对话逻辑进行自适应调整。例如，在外呼机器人与被叫用户进行催收对话的过程中，若捕捉到被叫用户确认下一次电话沟通时间的事件，则保存该事件，以在该被叫用户确认的下一次电话沟通时间到来时，再次向该被叫用户发起电话催收。

本申请另一些实施例中，在外呼机器人与被叫用户进行催收对话的过程中，还可以对被叫用户的语音进行声纹识别，以确定被叫用户是否为目标用户；如果被叫用户不是目标用户的次数超出预设阈值，则可以触发用户失联信息处理。

本申请另一些实施例中，在外呼机器人与被叫用户进行催收对话的过程中，还可以确认当前催收状态是否满足人工介入触发条件。如果当前催收状态满足人工介入触发条件，则可疑触发人工介入处理。通过引入人工介入触发条件，可以实现人机优势互补，以进一步提高催收效果。

在一些示例性实施中，所述满足人工介入触发条件例如可以是被叫用户的情感达到预设的情感类别(例如被叫用户已表现出愤怒、腻烦等不稳定情绪)，或者外呼机器人对被叫用户的语音识别失败，即外呼机器人无法识别用户的语音，等等。

其中，被叫用户的情感可通过语音分析获得，例如通过分析被叫用户在对话时的声音响度、声速和关键情感词汇，可以识别被叫用户在对话时的情感。而外呼机器人无法识别用户的语音的情况可以包括：被叫用户使用了特定的方言对话；被叫用户因一些原因(例如醉酒状态、嗑药状态)暂时性失去了正常表达能力；或者，被叫用户为躲避催收故意扰乱通话过程，等。

本申请另一些实施例中，为了提高催收质量，在催收方式为人工催收时，还可以在人工催收后，对人工催收进行自动质量检测。在一示例性实施例中，人工催收自动质量检测可以包括以下步骤：

1)、获取人工催收的语音记录。这里的语音记录可以是人工电话催收、人工上门催收等人工催收方式的语音记录。

2)、通过语音分析，可以确定所述语音记录中对话双方的响应时间间隔、语速、语音响度和对话内容；

3)、根据所述语音记录中对话双方的响应时间间隔、语速、语音响度和对话内容，对所述人工催收进行质量检测。即可以根据语音记录中对话双方的响应时间间隔、语速、语音响度和对话内容生成匹配的质量检测结果，以便于查看、质检或后续处理。

本申请另一些实施例中，在执行完催收策略(包括人工催收和自动催收)后，还可以数据报表形式生成催收结果。在一示例性实施例中，系统可从贷款业务、债务人、债权人等维度对当日催收情况进行统计。根据需要，贷后催收结果可按照日、周、月、季和年的频度进行统计，以便于后续可以根据统计结果对贷款业务营销策略、贷款业务模型、催收策略、风险控制策略等进行调整。

参考图2所示，与上述方法对应，本申请一些实施例的基于用户数据的催收装置可以包括：目标用户确定模块21、用户数据确定模块22、特征向量生成模块23、风险类别确定模块24和催收策略确定模块25等。其中：

目标用户确定模块21，可以用于确定还款日进入指定期限的目标用户；

用户数据确定模块22，可以用于获取所述目标用户的用户数据；所述用户数据包括用户属性数据及与催收业务相关的用户行为数据；

特征向量生成模块23，可以用于生成所述用户数据的特征向量；

风险类别确定模块24，可以用于将所述特征向量输入预设的催收风险分类模型，确定所述目标用户的催收风险类别；

催收策略确定模块25，可以用于根据预设的催收风险类别与催收策略对应关系，确定与所述目标用户的催收类别对应的催收策略。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

参考图3所示，与上述方法对应，本申请另一些实施例的基于用户数据的催收装置可以包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时执行如下步骤：

确定还款日进入指定期限的目标用户；

获取所述目标用户的用户数据；所述用户数据包括用户属性数据及与催收业务相关的用户行为数据；

生成所述用户数据的特征向量；

将所述特征向量输入预设的催收风险分类模型，确定所述目标用户的催收风险类别；

根据预设的催收风险类别与催收策略对应关系，确定与所述目标用户的催收类别对应的催收策略。

虽然上文描述的过程流程包括以特定顺序出现的多个操作，但是，应当清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (12)

1.一种基于用户数据的催收方法，其特征在于，包括：

确定还款日进入指定期限的目标用户；

获取所述目标用户的用户数据；所述用户数据包括用户属性数据及与催收业务相关的用户行为数据；

生成所述用户数据的特征向量；

将所述特征向量输入预设的催收风险分类模型，确定所述目标用户的催收风险类别；

根据预设的催收风险类别与催收策略对应关系，确定与所述目标用户的催收类别对应的催收策略。

2.如权利要求1所述的基于用户数据的催收方法，其特征在于，所述催收风险分类模型预先根据以下方式获得：

采集指定范围内多个用户的历史用户数据；所述历史用户数据包括用户属性数据及与催收业务相关的历史用户行为数据；

对所述历史用户数据进行预处理；

对预处理后的历史用户数据进行采样，获取包含不同催收风险类别用户的采样数据；

对所述采样数据进行特征提取及向量化，获得特征向量化矩阵；

将该特征向量化矩阵的第一部分作为训练样本，输入预设的机器学习模型进行训练，以获得与目标输出对应的分类模型；

将该特征向量化矩阵的第二部分作为测试样本，输入所述分类模型，以验证所述分类模型是否符合预设条件；

如果所述分类模型符合所述预设条件，则将所述分类模型确定为催收风险分类模型。

3.如权利要求1所述的基于用户数据的催收方法，其特征在于，每个催收类别对应的催收策略包括多个与逾期程度关联的催收方式。

4.如权利要求3所述的基于用户数据的催收方法，其特征在于，所述催收方式包括以下中的部分或全部：

基于短消息或电子邮件的还款提醒；

基于短消息或电子邮件的书面催收；

基于外呼机器人的电话催收；

人工催收。

5.如权利要求4所述的基于用户数据的催收方法，其特征在于，所述基于外呼机器人的电话催收，包括：

在外呼机器人与被叫用户进行催收对话的过程中，对所述被叫用户的语音进行声纹识别，以确定所述被叫用户是否为目标用户；

如果被叫用户不是目标用户的次数超出预设阈值，则触发用户失联信息处理。

6.如权利要求4所述的基于用户数据的催收方法，其特征在于，所述基于外呼机器人的电话催收，包括：

在外呼机器人与被叫用户进行催收对话的过程中，若捕捉到所述被叫用户确认下一次电话沟通时间的事件，则保存所述事件，以在所述被叫用户确认的下一次电话沟通时间到来时，向所述被叫用户发起电话催收。

7.如权利要求4所述的基于用户数据的催收方法，其特征在于，所述基于外呼机器人的电话催收，包括：

在外呼机器人与被叫用户进行催收对话的过程中，确认当前催收状态是否满足人工介入触发条件；

如果当前催收状态满足人工介入触发条件，则触发人工介入处理；

所述满足人工介入触发条件包括以下中的任意一种：

被叫用户的情感达到预设的情感类别；

被叫用户的语音识别失败。

8.如权利要求4所述的基于用户数据的催收方法，其特征在于，还包括：

在催收方式为人工催收时，获取人工催收的语音记录；

确定所述语音记录中对话双方的响应时间间隔、语速、语音响度和对话内容；

根据所述语音记录中对话双方的响应时间间隔、语速、语音响度和对话内容，对所述人工催收进行质量检测。

9.如权利要求1所述的基于用户数据的催收方法，其特征在于，还包括：

在执行所述催收策略后，以数据报表形式生成催收结果。

10.一种基于用户数据的催收装置，其特征在于，包括：

目标用户确定模块，用于确定还款日进入指定期限的目标用户；

用户数据确定模块，用于获取所述目标用户的用户数据；所述用户数据包括用户属性数据及与催收业务相关的用户行为数据；

特征向量生成模块，用于生成所述用户数据的特征向量；

风险类别确定模块，用于将所述特征向量输入预设的催收风险分类模型，确定所述目标用户的催收风险类别；

催收策略确定模块，用于根据预设的催收风险类别与催收策略对应关系，确定与所述目标用户的催收类别对应的催收策略。

11.一种基于用户数据的催收装置，包括存储器、处理器、以及存储在所述存储器上的计算机程序，其特征在于，所述计算机程序被所述处理器运行时执行如下步骤：

确定还款日进入指定期限的目标用户；

获取所述目标用户的用户数据；所述用户数据包括用户属性数据及与催收业务相关的用户行为数据；

生成所述用户数据的特征向量；

将所述特征向量输入预设的催收风险分类模型，确定所述目标用户的催收风险类别；

根据预设的催收风险类别与催收策略对应关系，确定与所述目标用户的催收类别对应的催收策略。

12.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现以下步骤：

确定还款日进入指定期限的目标用户；

获取所述目标用户的用户数据；所述用户数据包括用户属性数据及与催收业务相关的用户行为数据；

生成所述用户数据的特征向量；

将所述特征向量输入预设的催收风险分类模型，确定所述目标用户的催收风险类别；

根据预设的催收风险类别与催收策略对应关系，确定与所述目标用户的催收类别对应的催收策略。