CN110414714B - 逾期事件的回款概率预测方法及装置、可读存储介质 - Google Patents

逾期事件的回款概率预测方法及装置、可读存储介质 Download PDF

Info

Publication number
CN110414714B
CN110414714B CN201910574968.8A CN201910574968A CN110414714B CN 110414714 B CN110414714 B CN 110414714B CN 201910574968 A CN201910574968 A CN 201910574968A CN 110414714 B CN110414714 B CN 110414714B
Authority
CN
China
Prior art keywords
overdue
event
target
refund
repayment
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
CN201910574968.8A
Other languages
English (en)
Other versions
CN110414714A (zh
Inventor
邱景诚
赵毅仁
曹倩
王丽丽
胡宏辉
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.)
Shanghai Shanghu Information Technology Co ltd
Original Assignee
Shanghai Shanghu Information Technology Co ltd
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 Shanghai Shanghu Information Technology Co ltd filed Critical Shanghai Shanghu Information Technology Co ltd
Priority to CN201910574968.8A priority Critical patent/CN110414714B/zh
Publication of CN110414714A publication Critical patent/CN110414714A/zh
Application granted granted Critical
Publication of CN110414714B publication Critical patent/CN110414714B/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)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Human Resources & Organizations (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

一种逾期事件的回款概率预测方法及装置、可读存储介质，所述逾期时间的回款概率预测方法包括：获取逾期时长处于预设第一时间段的目标逾期事件的特征信息，所述特征信息包括以下至少一种：所述目标逾期事件的历史还款信息、所述目标逾期事件的催收信息、所述目标逾期事件的催收反馈；基于所述目标逾期事件的特征信息，采用回款预测模型预测所述目标逾期事件的回款概率。采用上述方案，能够提高目标逾期时间的回款催收效率。

Description

逾期事件的回款概率预测方法及装置、可读存储介质
技术领域
本发明实施例涉及信息管理技术领域，尤其涉及一种逾期事件的回款概率预测方法及装置、可读存储介质。
背景技术
近年来，消费金融、小额贷款、点对点(Peer-To-Peer，P2P)网络贷款等借贷行业不断发展，但是，由于国内的征信制度仍有许多缺陷，导致逾期坏账率居高不下。互联网金融行业中，相较于前端的风控系统着重于甄别用户的优劣，后端的催收模块则更注重于借出后如何优化用户的回款率。现在的催收主要是针对已经逾期的客户，当客户申请的贷款到期后一定天数仍未偿还，催收员则通过短信、打电话以及外访等形式进行欠款催收。
通常情况下，为了更高效的催回欠款，催收部门会根据贷款的逾期天数将逾期事件分成前端事件和后端事件，目前业内一般将逾期未还超过60天的事件划分为后端事件。目前，后端事件的回款催收效率较低。
发明内容
本发明实施例解决的技术问题是逾期事件的回款催收效率较低。
为解决上述技术问题，本发明实施例提供一种逾期时间的回款概率预测方法包括：获取逾期时长处于预设第一时间段的目标逾期事件的特征信息，所述特征信息包括以下至少一种：所述目标逾期事件的历史还款信息、所述目标逾期事件的催收信息、所述目标逾期事件的催收反馈；基于所述目标逾期事件的特征信息，采用回款预测模型预测所述目标逾期事件的回款概率。
可选的，在采用回款预测模型预测所述目标逾期事件的回款概率之后，还包括：筛选出回款概率超过预设过滤阈值的逾期事件，并将所述回款概率超过预设过滤阈值的目标逾期事件分配置至对应的催收员以进行回款催收。
可选的，采用如下方式训练得到所述回款预测模型：获取训练样本集，所述训练样本集中的每个样本均为逾期时长处于所述预设第一时间段的逾期事件；生成每个样本的特征信息分别对应的特征向量；获取每个样本在预设第二时间段的还款表现，其中所述第二时间段的起点距离还款日的时长不小于所述第一时间段的起点距离所述还款日的时长；基于每个样本的特征向量以及在所述第二时间段内的还款表现，采用逻辑回归算法、梯度提升树算法以及随机森林算法中的任一种算法进行模型训练，得到所述回款预测模型。
可选的，在基于每个样本的特征向量以及在所述第二时间段内的还款表现进行模型训练过程中，还包括：采用AUC值对回款预测模型的模型效果进行评估，并将达到预设AUC值的模型作为所述回款预测模型。
本发明实施例还提供一种逾期事件的回款概率预测装置，包括：获取单元，适于获取逾期时长处于预设第一时间段的目标逾期事件的特征信息，所述特征信息包括以下至少一种：所述目标逾期事件的历史还款信息、所述目标逾期事件的催收信息、所述目标逾期事件的催收反馈；预测单元，适于基于所述目标逾期事件的特征信息，采用回款预测模型预测所述目标逾期事件的回款概率。
可选的，所述逾期事件的回款概率预测装置还包括：筛选单元，适于在采用回款预测模型预测所述目标逾期事件的回款概率之后，筛选出回款概率超过预设过滤阈值的目标逾期事件，并将所述回款概率超过预设过滤阈值的目标逾期事件分配置至对应的催收员以进行回款催收。
可选的，所述逾期事件的回款概率预测装置还包括：模型构建单元，适于获取训练样本集，所述训练样本集中的每个样本均为逾期时长处于所述预设第一时间段的逾期事件；生成每个样本的特征信息分别对应的特征向量；获取每个样本在预设第二时间段的还款表现，其中所述第二时间段的起点距离还款日的时长不小于所述第一时间段的起点距离所述还款日的时长；基于每个样本的特征向量以及在所述第二时间段内的还款表现，采用逻辑回归算法、梯度提升树算法以及随机森林算法中的任一种算法进行模型训练，得到所述回款预测模型。
可选的，所述模型构建单元，还适于采用AUC值对回款预测模型的模型效果进行评估，并将达到预设AUC值的模型作为所述回款预测模型。
本发明实施例还提供一种逾期事件的回款概率预测装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述任一种逾期事件的回款概率预测方法的步骤。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一种逾期事件的回款概率预测方法的步骤。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
对于逾期时长处于预设第一时间段内的目标逾期事件，可以根据目标逾期事件的特征信息，例如目标逾期事件的历史还款信息、所述目标逾期事件的催收信息、所述目标逾期事件的催收反馈等中的至少一种，通过回款预测模型预测目标逾期事件的回款概率，进而根据回款概率有针对性选择目标逾期事件的进行回款催收，从而可以避免漫无目的的将大量时间消耗在很难催回的逾期事件上，从而可以提高回款催收效率。
附图说明
图1是本发明实施例中的一种逾期事件的回款概率预测方法的流程图；
图2是本发明实施例中的一种回款预测模型的训练流程图；
图3是本发明实施例中的一种逾期事件的回款概率预测装置的结构示意图。
具体实施方式
目前，由于无法得知逾期事件的回款情况，可能将大量时间和精力花费在回款概率极低的逾期事件上，从而导致后端事件的回款催收效率较低。
本发明实施例中，对于逾期时长处于预设第一时间段内的目标逾期事件，可以根据目标逾期事件的特征信息，例如，目标逾期事件的历史还款信息、所述目标逾期事件的催收信息、所述目标逾期事件的催收反馈等中的至少一种，通过回款预测模型预测目标逾期事件的回款概率，进而根据回款概率有针对性选择目标逾期事件的进行回款催收，从而可以避免漫无目的的将大量时间消耗在很难催回的逾期事件上，从而可以提高回款催收效率。
为使本发明实施例的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
参照图1，给出了本发明实施例中的一种逾期事件的回款概率预测方法的流程图。具体可以包括如下步骤：
步骤11，获取逾期时长处于预设第一时间段的目标逾期事件的特征信息。
在具体实施中，当某一事件超过还款日仍未正常还款，则可以判定该事件为逾期事件。在实际应用中，可以监控逾期事件的逾期时长，并定期获取逾期时长处于预设第一时间段的目标逾期事件。当检测到逾期事件的逾期时长处于预设第一时间段时，可以获取处于预设第一时间段的目标逾期事件的特征信息。
在本发明实施例中，可以根据实际的应用需求设定第一时间段的时长。例如，将第一时间段设置为60天。又如，将第一时间段设置为30天。
在本发明实施例中，可以根据贷款的逾期天数将逾期事件分成前端事件和后端事件。目前，业内通常将逾期时长超过60天的事件划分为后端事件。本发明实施例中的技术方案主要针对的逾期事件为逾期超过60天的后端事件。
在具体实施中，特征信息可以包括以下至少一种：所述目标逾期事件的历史还款信息、所述目标逾期事件的催收信息、所述目标逾期事件的催收反馈等。
目前，贷款通常都是分期还款，目标逾期事件的历史还款信息可以为历史期数的还款情况，还款情况可以包括：历史期数是否按时还款、还款时间、是否为逾期后还款以及逾期后的催收情况等。所述目标逾期事件的催收信息可以包括目标逾期事件在还款日之后被催收的时间点、被催收频率以及催收时电话接通情况等。目标逾期事件的催收反馈可以包括逾期事件被催收时贷款人许诺的还款时间以及被催收的态度表现等。
步骤12，基于所述目标逾期事件的特征信息，采用回款预测模型预测所述目标逾期事件的回款概率。
在具体实施中，得到目标逾期事件的特征信息后，可以将目标逾期事件的特征信息输入至回款预测模型中，采用回款预测模型对目标逾期事件的回款概率进行预测。
在本发明实施例中，目标逾期事件的每个特征信息均可以作为一个一维特征向量，将目标逾期事件的所有特征信息整合成在一起可以生成目标逾期事件的特征信息对应的多维特征向量。之后，将所生成的目标逾期事件的多维特征向量输入至回款预测模型中，采用回款预测模型对目标逾期事件进行回款概率预测。
在具体实施中，目标逾期事件的历史还款情况越好、催收信息中的电话接通率越高以及催收反馈越积极，则目标逾期事件的回款概率越高。
在本发明实施例中，可以采用如下方式训练得到回款概率预测模型，参照图2，具体可以包括如下步骤：
步骤21，获取训练样本集。
在具体实施中，训练样本集中的每个样本均为逾期时长处于所述预设第一时间段的逾期事件。
步骤22，生成每个样本的特征信息分别对应的特征向量。
在具体实施中，可以获取每个样本的特征信息。每个样本的特征信息可以包括如下至少一种：样本的历史还款信息、样本的催收信息、样本的催收反馈等。根据每个样本的特征信息生成对应的特征向量。
步骤23，获取每个样本在预设第二时间段的还款表现。
在具体实施中，当逾期事件的逾期时长达到第一时长后，可以设定第二时间段，并观察逾期事件在第二时间段内的还款表现。
在本发明实施例中，可以根据实际的应用需求设定第二时间段的时长。例如，将第二时间段设置为30天。又如，将第二时间段设置为40天。
在本发明实施例中，第二时间段的起点距离还款日的时长不小于所述第一时间段的起点距离所述还款日的时长。例如，第一时间段为[60，b]，其中b的取值可以根据实际需要进行设定，第二时间段为(60，90)，其中，60为距离还款日60天，90为距离还款日90天。当逾期事件的逾期时长超过60天之后，则在距离还款日60～90天的第二时间段内观察逾期事件的还款表现Y，其中Y∈{0，1}，0表示未还款，1表示已还款。
步骤24，基于每个样本的特征向量以及在所述第二时间段内的还款表现，采用逻辑回归算法、梯度提升树算法以及随机森林算法中的任一种算法进行模型训练，得到所述回款预测模型。
在具体实施中，可以采用逻辑回归算法、梯度提升树算法以及随机森林算法中的任一种算法，将每个样本的特征向量以及在所述第二时间段内的还款表现作为所选择算法的输入，进行模型训练，得到回款预测模型。
在本发明实施例中，以逻辑回归算法为例，采用如下公式(1)训练得到回款预测模型进行回款概率预测：
Figure BDA0002111848630000061
其中，
Figure BDA0002111848630000062
为回款概率，
Figure BDA0002111848630000063
是每个样本的特征向量，
Figure BDA0002111848630000064
是训练得到的回款预测模型的权重，b为常数，n是每个样本的特征向量的维度，wn是xn对应的权重。
在具体实施中，在训练基于每个样本的特征向量以及在所述第二时间段内的还款表现进行模型训练过程中，可以采用roc曲线下面积(Area Under roc Curve，AUC)值对回款预测模型的模型效果进行评估，并将达到预设AUC值的模型作为所述回款预测模型。通过对回款预测模型进行模型效果评估，可以提高模型的预测准确度。
由上可知，对于逾期时长处于预设第一时间段内的目标逾期事件，可以根据目标逾期事件的特征信息。例如，目标逾期事件的历史还款信息、所述目标逾期事件的催收信息、所述目标逾期事件的催收反馈等中的至少一种，通过回款预测模型预测目标逾期事件的回款概率，进而根据回款概率有针对性选择目标逾期事件的进行回款催收，从而可以避免漫无目的的将大量时间消耗在很难催回的逾期事件上，从而可以提高回款催收效率。
在具体实施中，在采用回款预测模型预测所述目标逾期事件的回款概率之后筛选出回款概率超过预设过滤阈值的目标逾期事件，并将所述回款概率超过预设过滤阈值的目标逾期事件分配置至对应的催收员以进行回款催收。若目标逾期事件回款概率低于预设过滤阈值则过滤。采用本发明上述实施例提供的逾期事件的回款概率预测方法进行回款概率预测可以筛选出优质的逾期事件，从而可以有针对性的对回款概率较高的目标逾期事件进行回款催收，以提高回款催收效率。
为了便于本领域技术人员更好的理解和实现本发明实施例，本发明实施例还提供一种逾期事件的回款概率预测装置的结构示意图。
参照图3，给出了本发明实施例中的一种逾期事件的回款概率预测装置的结构示意图。逾期事件的回款概率预测装置30可以包括：获取单元31以及预测单元32，其中：
获取单元31，适于获取逾期时长处于预设第一时间段的目标逾期事件的特征信息，所述特征信息包括以下至少一种：所述目标逾期事件的历史还款信息、所述目标逾期事件的催收信息、所述目标逾期事件的催收反馈；
预测单元32，适于基于所述目标逾期事件的特征信息，采用回款预测模型预测所述目标逾期事件的回款概率。
在具体实施中，所述逾期事件的回款概率预测装置30还可以包括：筛选单元33，适于在采用回款预测模型预测所述目标逾期事件的回款概率之后，筛选出回款概率超过预设过滤阈值的目标逾期事件，并将所述回款概率超过预设过滤阈值的目标逾期事件分配置至对应的催收员以进行回款催收。
在具体实施中，所述逾期事件的回款概率预测装置30还可以包括：模型构建单元(图3未示出)，适于获取训练样本集，所述训练样本集中的每个样本均为逾期时长处于所述预设第一时间段的逾期事件；生成每个样本的特征信息分别对应的特征向量；获取每个样本在预设第二时间段的还款表现，其中所述第二时间段的起点距离还款日的时长不小于所述第一时间段的起点距离所述还款日的时长；基于每个样本的特征向量以及在所述第二时间段内的还款表现，采用逻辑回归算法、梯度提升树算法以及随机森林算法中的任一种算法进行模型训练，得到所述回款预测模型。
在具体实施中，所述模型构建单元，还适于采用AUC值对回款预测模型的模型效果进行评估，并将达到预设AUC值的模型作为所述回款预测模型。
在具体实施中，逾期事件的回款概率预测装置30的工作原理及工作流程可以参考本发明上述实施例中对逾期事件的回款概率预测方法中的描述，此处不再赘述。
本发明实施例还提供一种逾期事件的回款概率预测装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行本发明上述任一实施例提供的逾期事件的回款概率预测方法的步骤。
本发明实施例还提供计算机可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，所述计算机指令运行时执行本发明上述任一实施例提供的逾期事件的回款概率预测方法的步骤。
需要说明的是，上述涉及到个人隐私的信息，都需要事先获得当事人的授权和许可，仅在获得当事人的授权前提下进行相关操作，而且仅在当事人许可的范围内进行使用。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于任一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (8)

1.一种逾期事件的回款概率预测方法，其特征在于，包括：
获取逾期时长处于预设第一时间段的目标逾期事件的特征信息，所述特征信息包括以下至少一种：所述目标逾期事件的历史还款信息、所述目标逾期事件的催收信息、所述目标逾期事件的催收反馈；
基于所述目标逾期事件的特征信息，采用回款预测模型预测所述目标逾期事件的回款概率；
其中，所述目标逾期事件的历史还款信息为历史期数的还款情况，所述还款情况包括：历史期数是否按时还款、还款时间、是否为逾期后还款以及逾期后的催收情况；所述目标逾期事件的催收信息包括目标逾期事件在还款日之后被催收的时间点、被催收频率以及催收时电话接通情况；所述目标逾期事件的催收反馈包括逾期事件被催收时贷款人许诺的还款时间以及被催收的态度表现；
采用如下方式训练得到所述回款预测模型：
获取训练样本集，所述训练样本集中的每个样本均为逾期时长处于所述预设第一时间段的逾期事件；
生成每个样本的特征信息分别对应的特征向量，每个样本的特征信息包括如下至少一种：样本的历史还款信息、样本的催收信息、样本的催收反馈；获取每个样本在预设第二时间段的还款表现，其中所述第二时间段的起点距离还款日的时长不小于所述第一时间段的起点距离所述还款日的时长；基于每个样本的特征向量以及在所述第二时间段内的还款表现，采用逻辑回归算法、梯度提升树算法以及随机森林算法中的任一种算法进行模型训练，得到所述回款预测模型。
2.根据权利要求1所述的逾期事件的回款概率预测方法，其特征在于，在采用回款预测模型预测所述目标逾期事件的回款概率之后，还包括：
筛选出回款概率超过预设过滤阈值的逾期事件，并将所述回款概率超过预设过滤阈值的目标逾期事件分配置至对应的催收员以进行回款催收。
3.根据权利要求1所述的逾期事件的回款概率预测方法，其特征在于，在基于每个样本的特征向量以及在所述第二时间段内的还款表现进行模型训练过程中，还包括：
采用AUC值对回款预测模型的模型效果进行评估，并将达到预设AUC值的模型作为所述回款预测模型。
4.一种逾期事件的回款概率预测装置，其特征在于，包括：
获取单元，适于获取逾期时长处于预设第一时间段的目标逾期事件的特征信息，所述特征信息包括以下至少一种：所述目标逾期事件的历史还款信息、所述目标逾期事件的催收信息、所述目标逾期事件的催收反馈；
预测单元，适于基于所述目标逾期事件的特征信息，采用回款预测模型预测所述目标逾期事件的回款概率；
其中，所述目标逾期事件的历史还款信息为历史期数的还款情况，所述还款情况包括：历史期数是否按时还款、还款时间、是否为逾期后还款以及逾期后的催收情况；所述目标逾期事件的催收信息包括目标逾期事件在还款日之后被催收的时间点、被催收频率以及催收时电话接通情况；所述目标逾期事件的催收反馈包括逾期事件被催收时贷款人许诺的还款时间以及被催收的态度表现；
还包括：模型构建单元，适于获取训练样本集，所述训练样本集中的每个样本均为逾期时长处于所述预设第一时间段的逾期事件；生成每个样本的特征信息分别对应的特征向量，每个样本的特征信息包括如下至少一种：样本的历史还款信息、样本的催收信息、样本的催收反馈；获取每个样本在预设第二时间段的还款表现，其中所述第二时间段的起点距离还款日的时长不小于所述第一时间段的起点距离所述还款日的时长；基于每个样本的特征向量以及在所述第二时间段内的还款表现，采用逻辑回归算法、梯度提升树算法以及随机森林算法中的任一种算法进行模型训练，得到所述回款预测模型。
5.根据权利要求4所述的逾期事件的回款概率预测装置，其特征在于，还包括：筛选单元，适于在采用回款预测模型预测所述目标逾期事件的回款概率之后，筛选出回款概率超过预设过滤阈值的目标逾期事件，并将所述回款概率超过预设过滤阈值的目标逾期事件分配置至对应的催收员以进行回款催收。
6.根据权利要求4所述的逾期事件的回款概率预测装置，其特征在于，所述模型构建单元，还适于采用AUC值对回款预测模型的模型效果进行评估，并将达到预设AUC值的模型作为所述回款预测模型。
7.一种逾期事件的回款概率预测装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1至3任一项所述的逾期事件的回款概率预测方法的步骤。
8.一种计算机可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至3任一项所述的逾期事件的回款概率预测方法的步骤。
CN201910574968.8A 2019-06-28 2019-06-28 逾期事件的回款概率预测方法及装置、可读存储介质 Active CN110414714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910574968.8A CN110414714B (zh) 2019-06-28 2019-06-28 逾期事件的回款概率预测方法及装置、可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910574968.8A CN110414714B (zh) 2019-06-28 2019-06-28 逾期事件的回款概率预测方法及装置、可读存储介质

Publications (2)

Publication Number Publication Date
CN110414714A CN110414714A (zh) 2019-11-05
CN110414714B true CN110414714B (zh) 2022-05-20

Family

ID=68358509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910574968.8A Active CN110414714B (zh) 2019-06-28 2019-06-28 逾期事件的回款概率预测方法及装置、可读存储介质

Country Status (1)

Country Link
CN (1) CN110414714B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062518B (zh) * 2019-11-22 2023-06-09 成都铂锡金融信息技术有限公司 基于人工智能的处理催收业务的方法、装置及存储介质
CN111369336A (zh) * 2020-02-21 2020-07-03 四川新网银行股份有限公司 银行催收借款的方法
CN111553574A (zh) * 2020-04-16 2020-08-18 上海诚收信息科技有限公司 案件分配方法及其装置、电子设备和计算机可读存储介质
CN111626783B (zh) * 2020-04-30 2021-08-31 贝壳找房(北京)科技有限公司 用于实现事件转化概率预测的离线信息设置方法和装置
CN111950600B (zh) * 2020-07-20 2024-05-14 奇富数科(上海)科技有限公司 一种预测逾期用户资源返还表现的方法、装置和电子设备
CN111950601B (zh) * 2020-07-20 2024-04-26 奇富数科(上海)科技有限公司 一种构建资源返还表现预测模型的方法、装置和电子设备
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
CN112907355A (zh) * 2021-03-03 2021-06-04 重庆度小满优扬科技有限公司 贷款信息的处理方法以及设备
CN113065945A (zh) * 2021-03-17 2021-07-02 上海浦东发展银行股份有限公司 一种催收核销客户还款意愿分类方法及系统
CN112991049B (zh) * 2021-04-13 2023-05-30 重庆度小满优扬科技有限公司 贷款信息的处理方法以及电子设备
CN116342314B (zh) * 2023-04-10 2024-05-31 北京思想天下教育科技有限公司 基于大数据云平台的线下回款自动匹配系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5896668B2 (ja) * 2011-09-26 2016-03-30 三菱重工業株式会社 需要予測装置、需要予測方法および需要予測プログラム
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
CN109509086A (zh) * 2018-11-28 2019-03-22 上海点融信息科技有限责任公司 基于人工智能的处理催收业务的方法、装置及存储介质

Also Published As

Publication number Publication date
CN110414714A (zh) 2019-11-05

Similar Documents

Publication Publication Date Title
CN110414714B (zh) 逾期事件的回款概率预测方法及装置、可读存储介质
Hallward-Driemeier et al. Do crises catalyze creative destruction? Firm-level evidence from Indonesia
CN110378575B (zh) 逾期事件回款催收方法及装置、计算机可读存储介质
US20120246048A1 (en) Cross-Sectional Economic Modeling and Forward Looking Odds
CN110807699B (zh) 逾期事件的回款催收方法及装置、计算机可读存储介质
Jiang et al. Deciphering big data in consumer credit evaluation
US20120030082A1 (en) Predictive modeling for debt protection/cancellation
US20220351207A1 (en) System and method for optimization of fraud detection model
CN111708883A (zh) 一种基于机器学习和设备指纹的授信额度确定方法及装置
CN110728301A (zh) 一种个人用户的信用评分方法、装置、终端及存储介质
CN114266640A (zh) 审计方法、装置、计算机设备及存储介质
CN111061948A (zh) 一种用户标签推荐方法、装置、计算机设备及存储介质
US20230359941A1 (en) System and method for efficient transformation prediction in a data analytics prediction model pipeline
CN116468444A (zh) 一种消费预警方法、系统、设备和存储介质
CN111882428A (zh) 商业银行流动性风险评估方法及装置
CN114066620A (zh) 基于客户画像的客户信息处理方法及装置
CN114240633A (zh) 信贷风险评估方法、系统、终端设备及存储介质
CN113807943A (zh) 一种不良资产的多因子估值方法及系统、介质、设备
CN113971495A (zh) 日间批量处理方法及装置
CN113159924A (zh) 授信客户对象的确定方法及装置
CN117151871A (zh) 一种基于多维数据分析的履约风险评估方法及系统
CN112766814A (zh) 一种信用风险压力测试模型的训练方法、装置及设备
JP6771513B2 (ja) 債務不履行確率を算出する装置、方法及びそのためのプログラム
WO2014179088A1 (en) Apparatus and method for total loss prediction
Brunner et al. Hold-up in multiple banking: Evidence from SME lending

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
GR01 Patent grant
GR01 Patent grant