CN110807699B - 逾期事件的回款催收方法及装置、计算机可读存储介质 - Google Patents
逾期事件的回款催收方法及装置、计算机可读存储介质 Download PDFInfo
- Publication number
- CN110807699B CN110807699B CN201910966974.8A CN201910966974A CN110807699B CN 110807699 B CN110807699 B CN 110807699B CN 201910966974 A CN201910966974 A CN 201910966974A CN 110807699 B CN110807699 B CN 110807699B
- Authority
- CN
- China
- Prior art keywords
- overdue
- historical
- telephone number
- event
- events
- 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
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Abstract
一种逾期事件的回款催收方法及装置、计算机可读存储介质,逾期事件的回款催收方法包括:获取目标逾期事件中与贷款人相关的所有电话号码;目标逾期事件指超过贷款日未按时还款的事件;获取目标逾期事件的每个电话号码对应的历史联系信息;基于目标逾期事件的每个电话号码对应的历史联系信息,采用贡献度预测模型预测每个电话号码的贡献度,贡献度指电话号码对目标逾期事件的回款帮助程度;贡献度预测模型基于回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件作为训练样本训练得到;基于目标逾期事件的每个电话号码的贡献度确定回款催收的电话号码的拨打顺序。采用上述方案,能够提高回款催收效率。
Description
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催收方法及装置、计算机可读存储介质。
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情况。现在的催收主要是针对已经逾期的客户,通过短信、打电话以及外访等形式将已经拖欠的款项追回。
用户在借款时通常需要留下本人联系方式及紧急联系人的联系方式,一旦用户逾期,催收员则会拨打号码提醒用户还款以免产生逾期造成的负面影响。在实际业务中,每个催收员每天都会被指派大量的事件,通常催收员对每个事件所有可见的联系电话进行电话提醒,然而,这种催收方式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事件的回款催收方法,包括:获取目标逾期事件中与贷款人相关的所有电话号码;所述目标逾期事件指超过贷款日未按时还款的事件;获取所述目标逾期事件的每个电话号码对应的历史联系信息,所述历史联系信息包括以下至少一种:所述贷款人的电话号码与紧急联系人的电话号码之间的联系频率、所述贷款人的电话号码与所述紧急联系人的电话号码之间的联系时间点、每个电话号码被催收的频率、每个电话号码被催收的时间点、每个电话号码被催收时的接通情况、每个电话号码被催收时的反馈信息;基于所述目标逾期事件的每个电话号码对应的历史联系信息,采用贡献度预测模型预测所述每个电话号码的贡献度,所述贡献度指电话号码对所述目标逾期事件的回款帮助程度;所述贡献度预测模型基于回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件作为训练样本训练得到;基于所述目标逾期事件的每个电话号码的贡献度确定回款催收的电话号码的拨打顺序。
可选的,在预测得到每个电话号码的贡献度之后,还包括:按照所述每个电话号码的贡献度对所述目标逾期事件中的所有电话号码进行排序。
可选的,采用如下方式构建所述贡献度预测模型:获取训练样本集中每个训练样本中与贷款人相关的所有电话号码、所有电话号码的拨打信息以及每个电话号码对应的历史联系信息;其中,所述每个训练样本均为超过还款日未按时还款的事件;所述训练样本集中的训练样本均来自于回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件;获取所述每个训练样本中的逾期事件的催收成功情况;基于所述每个训练样本中与贷款人相关的所有电话号码、所有电话号码的拨打信息以及每个电话号码对应的历史联系信息、所述每个训练样本中的催收成功情况,训练得到所述贡献度预测模型。
可选的,采用如下任一种算法训练得到所述贡献度预测模型:逻辑回归算法、决策树算法、随机森林算法。
可选的,采用如下方式获取回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件:获取历史第一时间段内历史逾期事件,以及每个历史逾期事件对应的电话号码拨打记录以及汇款记录;计算每个催收员在预设第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目,所述第二时间段不大于所述第一时间段;从预设第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目两个维度,对所述历史第一时间段内所有历史逾期事件对应的所有催收员进行聚类分析,筛选出所述第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目均满足设定条件的优秀催收员;将所述第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目均满足设定条件的优秀催收员名下的逾期事件作为所述训练样本。
可选的,采用如下任一种算法对所述历史第一时间段内所有历史逾期事件对应的所有催收员进行聚类分析:K-means算法、BIRCH算法。
本发明实施例还提供一种逾期事件的回款催收装置,包括:第一获取单元,适于获取目标逾期事件中与贷款人相关的所有电话号码;所述目标逾期事件指超过贷款日未按时还款的事件;第二获取单元,适于获取所述目标逾期事件的每个电话号码对应的历史联系信息,所述历史联系信息包括以下至少一种:所述贷款人的电话号码与紧急联系人的电话号码之间的联系频率、所述贷款人的电话号码与所述紧急联系人的电话号码之间的联系时间点、每个电话号码被催收的频率、每个电话号码被催收的时间点、每个电话号码被催收时的接通情况、每个电话号码被催收时的反馈信息;预测单元,适于基于所述目标逾期事件的每个电话号码对应的历史联系信息,采用贡献度预测模型预测所述每个电话号码的贡献度,所述贡献度指电话号码对所述目标逾期事件的回款帮助程度;所述贡献度预测模型基于回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件作为训练样本训练得到;确定单元,适于基于所述目标逾期事件的每个电话号码的贡献度确定回款催收的电话号码的拨打顺序。
可选的,所述逾期事件的回款催收装置还包括:排序单元,适于在预测得到每个电话号码的贡献度之后,按照所述每个电话号码的贡献度对所述目标逾期事件中的所有电话号码进行排序。
可选的,所述逾期事件的回款催收装置还包括:模型构建单元,适于采用如下方式构建所述贡献度预测模型:获取训练样本集中每个训练样本中与贷款人相关的所有电话号码、所有电话号码的拨打信息以及每个电话号码对应的历史联系信息;其中,所述每个训练样本均为超过还款日未按时还款的事件;所述训练样本集中的训练样本均来自于回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件;获取所述每个训练样本中的逾期事件的催收成功情况;基于所述每个训练样本中与贷款人相关的所有电话号码、所有电话号码的拨打信息以及每个电话号码对应的历史联系信息、所述每个训练样本中的催收成功情况,训练得到所述贡献度预测模型。
可选的,所述模型构建单元,适于采用如下任一种算法训练得到所述贡献度预测模型:逻辑回归算法、决策树算法、随机森林算法。
可选的,所述模型构建单元,适于采用如下方式获取回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件:获取历史第一时间段内历史逾期事件,以及每个历史逾期事件对应的电话号码拨打记录以及汇款记录;计算每个催收员在预设第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目,所述第二时间段不大于所述第一时间段;从预设第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目两个维度,对所述历史第一时间段内所有历史逾期事件对应的所有催收员进行聚类分析,筛选出所述第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目均满足设定条件的优秀催收员;将所述第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目均满足设定条件的优秀催收员名下的逾期事件作为所述训练样本。
可选的,所述模型构建单元,适于采用如下任一种算法对所述历史第一时间段内所有历史逾期事件对应的所有催收员进行聚类分析:K-means算法、BIRCH算法。
本发明实施例还提供另一种逾期事件的回款催收装置,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催收方法的步骤。
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催收方法的步骤。
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:
根据目标逾期事件对应的每个电话号码的历史联系信息,采用贡献度预测模型预测每个电话号码的贡献度,基于预测得到的目标逾期事件对应的每个电话号码的贡献度来确定回款催收的电话号码的拨打顺序,由于贡献度预测模型基于回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件作为训练样本训练得到,因此,采用贡献度预测模型可以从优秀催收员的角度预测电话号码对逾期事件回款的贡献,相比较现有技术中随机拨打电话号码进行回款催收,通过电话号码的贡献度确定电话号码的拨打顺序,可以提高电话号码拨打的有效率,可以有效地避免盲目拨号,从而可以有效的提高回款催收效率。
附图说明
图1是本发明实施例中的一种逾期事件的回款催收方法的流程图;
图2是本发明实施例中的一种贡献度预测模型的训练流程图;
图3是本发明实施例中的一种优秀催收员所对应的历史逾期事件的获取方法的流程图;
图4是本发明实施例中的一种逾期事件的回款催收装置的结构示意图。
具体实施方式
如上所述,在目前的回款催收业务场景中,催收员通常对每个逾期事件中所有可见的联系电话随机拨打其中的某些电话号码或者逐个拨打电话号码进行电话提醒,而每个电话号码是否对回款有帮助,催收员在电话拨打时无法知晓,因此通常需要逐个或随机选择电话号码进行回款催收,从而造成回款催收效率较低。
本发明实施例中,根据目标逾期事件对应的每个电话号码的历史联系信息,采用贡献度预测模型预测每个电话号码的贡献度,基于预测得到的目标逾期事件对应的每个电话号码的贡献度来确定回款催收的电话号码的拨打顺序,由于贡献度预测模型基于回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件作为训练样本训练得到,因此,采用贡献度预测模型可以从优秀催收员的角度预测电话号码对逾期事件回款的贡献,相比较现有技术中随机拨打电话号码进行回款催收,通过电话号码的贡献度确定电话号码的拨打顺序,可以提高电话号码拨打的有效率,可以有效地避免盲目拨号,从而可以有效的提高回款催收效率。
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催收方法的流程图,具体可以包括如下步骤:
步骤11,获取目标逾期事件中与贷款人相关的所有电话号码。
在网络贷款的场景下,当贷款人在还款日后未偿还贷款,则将该贷款事件作为逾期事件,逾期事件会被转入到贷款公司的资产保全中心的催收部门进行欠款催收。
在具体实施中,贷款人在申请贷款时,通常需要留下自己的联系信息,以及紧急联系人的联系信息,有时还会留有担保人的联系信息,其中,联系信息可以包括联系电话、家庭住址等。因此,当出现目标逾期事件时,可以从联系信息中获取目标逾期事件中与贷款人以及紧急联系人等相关的所有电话号码。
步骤12,获取所述目标逾期事件的每个电话号码对应的历史联系信息。
在具体实施中,电话号码对应的历史联系信息包括以下至少一种:所述贷款人的电话号码与紧急联系人的电话号码之间的联系频率、所述贷款人的电话号码与所述紧急联系人的电话号码之间的联系时间点、每个电话号码被催收的频率、每个电话号码被催收的时间点、每个电话号码被催收时的接通情况、每个电话号码被催收时的反馈信息。可以理解的是,根据实际需要,历史联系信息还可以包括其他类型的信息,此处不再一一举例。
在具体实施中,电话号码对应的历史联系信息中的每一种信息均可以作为一个一维向量,可以将电话号码对应的所有历史信息组合在一起形成一个多维向量作为电话号码对应的特征向量。
步骤13,基于所述目标逾期事件的每个电话号码对应的历史联系信息,采用贡献度预测模型预测所述每个电话号码的贡献度。
在具体实施中,在获取到目标逾期事件的每个电话号码对应的历史联系信息后,可以将目标逾期事件的每个电话号码对应的历史联系信息输入至贡献度预测模型中,采用贡献度预测模型预测每个电话号码的贡献度。贡献度指电话号码对目标逾期事件的回款帮助程度,电话号码的贡献度越高,对目标逾期回款事件的帮助程度越大,越有利于目标逾期事件的回款。反之,电话号码的贡献度越低,对目标逾期回款事件的帮助程度越小。
在本发明实施例中,贡献度预测模型基于回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件作为训练样本训练得到。
在本发明实施例中,可以采用如下方式训练得到贡献度预测模型,参照图2,给出了本发明实施例中的一种贡献度预测模型的训练流程图,具体可以包括如下步骤:
步骤21,获取训练样本集中每个训练样本中与贷款人相关的所有电话号码、所有电话号码的拨打信息以及每个电话号码对应的历史联系信息。
在具体实施中,训练样本集中的所有训练样本均为超过还款日没有按时还款的事件,且训练样本集中的训练样本均来自于回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件。
在本发明实施例中,参照图3给出的本发明实施例中的一种优秀催收员所对应的历史逾期事件的获取方法的流程图,具体可以通过如下步骤获取到回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件:
步骤31,获取历史第一时间段内历史逾期事件,以及每个历史逾期事件对应的电话号码拨打记录以及回款记录。
步骤32,计算每个催收员在预设第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目。
在具体实施中,第二时间段不大于第一时间段。例如,第一时间段以季度或年为单位,获取所有催收员在一个季度或一年内的回款金额以及所有历史逾期事件分别拨打的电话号码数目。第二时间段以月为单位,统计每个催收员的月平均回款金额。可以理解的是,根据实际业务需求,第一时间段和第二时间段还可以存在其他取值,此处不做限定。
步骤33,对所述历史第一时间段内所有历史逾期事件对应的所有催收员进行聚类分析。
在具体实施中,可以从预设第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目两个维度,对所述历史第一时间段内所有历史逾期事件对应的所有催收员进行聚类分析,以筛选出所述第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目均满足设定条件的优秀催收员。
在具体实施中,可以采用如下任一种算法对所述历史第一时间段内所有历史逾期事件对应的所有催收员进行聚类分析:k均值聚类(k-means clustering algorithm,K-means)算法、利用层次方法的平衡迭代规约和聚类(Balanced Iterative Reducing andClustering using Hierarchies,BIRCH)算法。
步骤34,将所述第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目均满足设定条件的优秀催收员名下的逾期事件作为所述训练样本。
在具体实施中,在得到训练样本之后,可以从每个训练样本的贷款信息、催收记录或者贷款人的通话记录中获取到贷款人的电话号码、贷款人贷款时留存的紧急联系人的电话号码、贷款人的电话号码与紧急联系人的电话号码之间的联系频率、贷款人的电话号码与紧急联系人的电话号码之间的联系时间点、每个电话号码被催收的频率、每个电话号码被催收的时间点、每个电话号码被催收时的接通情况以及每个电话号码被催收时给予的反馈信息等中的一种或多种,其中反馈信息可以包括:许诺的还款时间、约定的下次联系时间等。
在具体实施中,可以为每个训练样本的历史联系信息生成对应的特征向量X。
在具体实施中,所有电话号码的拨打信息指目标逾期事件被分配到对应的催收员之后,每个电话号码是否被所分配的催收员拨打。根据所有电话号码的拨打信息可以得到每个电话号码的拨打情况Y,其中,Y∈{0,1},0表示未被拨打,1表示被拨打。
步骤22,获取所述每个训练样本中的逾期事件的催收成功情况。
在具体实施中,将目标逾期事件分配到对应的催收员之后,可以对目标逾期事件的回款情况进行监控,也即对目标逾期事件的回款催收情况进行监控。当目标逾期事件还款则催收成功,若未还款,则催收失败。
步骤23,基于所述每个训练样本中与贷款人相关的所有电话号码、所有电话号码的拨打信息以及每个电话号码对应的历史联系信息、所述每个训练样本中的催收成功情况,训练得到所述贡献度预测模型。
在具体实施中,可以基于每个训练样本中与贷款人相关的所有电话号码、所有电话号码的拨打信息以及每个电话号码对应的历史联系信息、所述每个训练样本中的催收成功情况,训练得到所述贡献度预测模型。
在具体实施中,可以采用如下任一种算法进行贡献度预测模型的训练:逻辑回归算法、决策树算法、随机森林算法。
在本发明实施例中,以逻辑回归算法为例,采用如下公式(1)训练得到贡献度预测模型,进行电话号码的贡献度预测:
步骤14,基于所述目标逾期事件的每个电话号码的贡献度确定回款催收的电话号码的拨打顺序。
在具体实施中,在得到每个目标逾期事件的每个电话号码的贡献度之后,可以基于每个目标逾期事件的电话号码的贡献度确定回款催收的电话号码的拨打顺序。
例如,将贷款人的电话号码排在紧急联系人之前,当紧急联系人对应的电话号码为多个时,多个紧急联系人的电话号码按照贡献度从高至低依次排列。
又如,先拨打电话号码的贡献度最高的电话号码,若贡献度最高的电话号码没有接通,则继续拨打贡献度排序第二的电话号码,以此类推,直至拨打的电话号码实现催收目的或者所有电话号码均已被拨打。
在本发明实施例中,可以按照每个电话号码的贡献度,对目标逾期事件的电话号码进行排序,可以按照贡献度从高到低的顺序,对每个目标逾期事件的电话号码进行排序;也可以按照贡献度从低至高的顺序,对每个目标逾期事件的电话号码进行排序。
由上可知,根据目标逾期事件对应的每个电话号码的历史联系信息,采用贡献度预测模型预测每个电话号码的贡献度,基于预测得到的目标逾期事件对应的每个电话号码的贡献度来确定回款催收的电话号码的拨打顺序,由于贡献度预测模型基于回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件作为训练样本训练得到,因此,采用贡献度预测模型可以从优秀催收员的角度预测电话号码对逾期事件回款的贡献,相比较现有技术中随机拨打电话号码进行回款催收,通过电话号码的贡献度确定电话号码的拨打顺序,可以提高电话号码拨打的有效率,可以有效地避免盲目拨号,从而可以有效的提高回款催收效率。
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催收装置。
参照图4,给出了本发明实施例中的一种逾期事件的回款催收装置的结构示意图。逾期事件的回款催收装置40可以包括:第一获取单元41、第二获取单元42、预测单元43及确定单元44,其中:
第一获取单元41,适于获取目标逾期事件中与贷款人相关的所有电话号码;所述目标逾期事件指超过贷款日未按时还款的事件;
第二获取单元42,适于获取所述目标逾期事件的每个电话号码对应的历史联系信息,所述历史联系信息包括以下至少一种:所述贷款人的电话号码与紧急联系人的电话号码之间的联系频率、所述贷款人的电话号码与所述紧急联系人的电话号码之间的联系时间点、每个电话号码被催收的频率、每个电话号码被催收的时间点、每个电话号码被催收时的接通情况、每个电话号码被催收时的反馈信息;
预测单元43,适于基于所述目标逾期事件的每个电话号码对应的历史联系信息,采用贡献度预测模型预测所述每个电话号码的贡献度,所述贡献度指电话号码对所述目标逾期事件的回款帮助程度;所述贡献度预测模型基于回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件作为训练样本训练得到;
确定单元44,适于基于所述目标逾期事件的每个电话号码的贡献度确定回款催收的电话号码的拨打顺序。
在具体实施中,逾期事件的回款催收装置40还可以包括:排序单元45,适于在预测得到每个电话号码的贡献度之后,按照所述每个电话号码的贡献度对所述目标逾期事件中的所有电话号码进行排序。
在具体实施中,逾期事件的回款催收装置40还可以包括:模型构建单元(图4未示出),适于采用如下方式构建所述贡献度预测模型:获取训练样本集中每个训练样本中与贷款人相关的所有电话号码、所有电话号码的拨打信息以及每个电话号码对应的历史联系信息;其中,所述每个训练样本均为超过还款日未按时还款的事件;所述训练样本集中的训练样本均来自于回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件;获取所述每个训练样本中的逾期事件的催收成功情况;基于所述每个训练样本中与贷款人相关的所有电话号码、所有电话号码的拨打信息以及每个电话号码对应的历史联系信息、所述每个训练样本中的催收成功情况,训练得到所述贡献度预测模型。
在具体实施中,所述模型构建单元,适于采用如下任一种算法训练得到所述贡献度预测模型:逻辑回归算法、决策树算法、随机森林算法。
在具体实施中,所述模型构建单元,适于采用如下方式获取回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件:获取历史第一时间段内历史逾期事件,以及每个历史逾期事件对应的电话号码拨打记录以及汇款记录;计算每个催收员在预设第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目,所述第二时间段不大于所述第一时间段;从预设第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目两个维度,对所述历史第一时间段内所有历史逾期事件对应的所有催收员进行聚类分析,筛选出所述第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目均满足设定条件的优秀催收员;将所述第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目均满足设定条件的优秀催收员名下的逾期事件作为所述训练样本。
在具体实施中,所述模型构建单元可以采用如下任一种算法对所述历史第一时间段内所有历史逾期事件对应的所有催收员进行聚类分析:K-means算法、BIRCH算法。
在具体实施中,所述逾期事件的回款催收装置40的工作原理及工作流程可以参考本发明上述任一实施例中提供的逾期事件的回款催收方法中的描述,此处不再赘述。
本发明实施例还提供另一种逾期事件的回款催收装置,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催收方法的步骤。
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催收方法的步骤。
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 (12)
1.一种逾期事件的回款催收方法,其特征在于,包括:
获取目标逾期事件中与贷款人相关的所有电话号码;所述目标逾期事件指超过贷款日未按时还款的事件;
获取所述目标逾期事件的每个电话号码对应的历史联系信息,所述历史联系信息包括以下至少一种:所述贷款人的电话号码与紧急联系人的电话号码之间的联系频率、所述贷款人的电话号码与所述紧急联系人的电话号码之间的联系时间点、每个电话号码被催收的频率、每个电话号码被催收的时间点、每个电话号码被催收时的接通情况、每个电话号码被催收时的反馈信息;
基于所述目标逾期事件的每个电话号码对应的历史联系信息,采用贡献度预测模型预测所述每个电话号码的贡献度,所述贡献度指电话号码对所述目标逾期事件的回款帮助程度;所述贡献度预测模型基于回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件作为训练样本训练得到;
基于所述目标逾期事件的每个电话号码的贡献度确定回款催收的电话号码的拨打顺序;
其中,采用如下方式获取回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件:
获取历史第一时间段内历史逾期事件,以及每个历史逾期事件对应的电话号码拨打记录以及汇款记录;
计算每个催收员在预设第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目,所述第二时间段不大于所述第一时间段;
从预设第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目两个维度,对所述历史第一时间段内所有历史逾期事件对应的所有催收员进行聚类分析,筛选出所述第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目均满足设定条件的优秀催收员;
将所述第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目均满足设定条件的优秀催收员名下的逾期事件作为所述训练样本。
2.根据权利要求1所述的逾期事件的回款催收方法,其特征在于,在预测得到每个电话号码的贡献度之后,还包括:
按照所述每个电话号码的贡献度对所述目标逾期事件中的所有电话号码进行排序。
3.根据权利要求1或2所述的逾期事件的回款催收方法,其特征在于,采用如下方式构建所述贡献度预测模型:
获取训练样本集中每个训练样本中与贷款人相关的所有电话号码、所有电话号码的拨打信息以及每个电话号码对应的历史联系信息;其中,所述每个训练样本均为超过还款日未按时还款的事件;所述训练样本集中的训练样本均来自于回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件;
获取所述每个训练样本中的逾期事件的催收成功情况;
基于所述每个训练样本中与贷款人相关的所有电话号码、所有电话号码的拨打信息以及每个电话号码对应的历史联系信息、所述每个训练样本中的催收成功情况,训练得到所述贡献度预测模型。
4.根据权利要求3所述的逾期事件的回款催收方法,其特征在于,采用如下任一种算法训练得到所述贡献度预测模型:
逻辑回归算法、决策树算法、随机森林算法。
5.根据权利要求1所述的逾期事件的回款催收方法,其特征在于,采用如下任一种算法对所述历史第一时间段内所有历史逾期事件对应的所有催收员进行聚类分析:K-means算法、BIRCH算法。
6.一种逾期事件的回款催收装置,其特征在于,包括:
第一获取单元,适于获取目标逾期事件中与贷款人相关的所有电话号码;
所述目标逾期事件指超过贷款日未按时还款的事件;
第二获取单元,适于获取所述目标逾期事件的每个电话号码对应的历史联系信息,所述历史联系信息包括以下至少一种:所述贷款人的电话号码与紧急联系人的电话号码之间的联系频率、所述贷款人的电话号码与所述紧急联系人的电话号码之间的联系时间点、每个电话号码被催收的频率、每个电话号码被催收的时间点、每个电话号码被催收时的接通情况、每个电话号码被催收时的反馈信息;
预测单元,适于基于所述目标逾期事件的每个电话号码对应的历史联系信息,采用贡献度预测模型预测所述每个电话号码的贡献度,所述贡献度指电话号码对所述目标逾期事件的回款帮助程度;所述贡献度预测模型基于回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件作为训练样本训练得到;
确定单元,适于基于所述目标逾期事件的每个电话号码的贡献度确定回款催收的电话号码的拨打顺序;
其中,还包括模型构建单元,适于采用如下方式获取回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件:获取历史第一时间段内历史逾期事件,以及每个历史逾期事件对应的电话号码拨打记录以及汇款记录;计算每个催收员在预设第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目,所述第二时间段不大于所述第一时间段;从预设第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目两个维度,对所述历史第一时间段内所有历史逾期事件对应的所有催收员进行聚类分析,筛选出所述第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目均满足设定条件的优秀催收员;将所述第二时间段内的平均回款金额以及每个历史逾期事件平均拨打电话号码的数目均满足设定条件的优秀催收员名下的逾期事件作为所述训练样本。
7.根据权利要求6所述的逾期事件的回款催收装置,其特征在于,还包括:
排序单元,适于在预测得到每个电话号码的贡献度之后,按照所述每个电话号码的贡献度对所述目标逾期事件中的所有电话号码进行排序。
8.根据权利要求6或7所述的逾期事件的回款催收装置,其特征在于,还包括:模型构建单元,适于采用如下方式构建所述贡献度预测模型:获取训练样本集中每个训练样本中与贷款人相关的所有电话号码、所有电话号码的拨打信息以及每个电话号码对应的历史联系信息;其中,所述每个训练样本均为超过还款日未按时还款的事件;所述训练样本集中的训练样本均来自于回款金额以及电话号码拨打数目均满足设定条件的优秀催收员所对应的历史逾期事件;获取所述每个训练样本中的逾期事件的催收成功情况;基于所述每个训练样本中与贷款人相关的所有电话号码、所有电话号码的拨打信息以及每个电话号码对应的历史联系信息、所述每个训练样本中的催收成功情况,训练得到所述贡献度预测模型。
9.根据权利要求8所述的逾期事件的回款催收装置,其特征在于,所述模型构建单元,适于采用如下任一种算法训练得到所述贡献度预测模型:逻辑回归算法、决策树算法、随机森林算法。
10.根据权利要求6所述的逾期事件的回款催收装置,其特征在于,所述模型构建单元,适于采用如下任一种算法对所述历史第一时间段内所有历史逾期事件对应的所有催收员进行聚类分析:K-means算法、BIRCH算法。
11.一种逾期事件的回款催收装置,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程序,其特征在于,所述处理器运行所述计算机程序时执行权利要求1至5任一项所述的逾期事件的回款催收方法的步骤。
12.一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,其上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行权利要求1至5任一项所述的逾期事件的回款催收方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910966974.8A CN110807699B (zh) | 2019-10-12 | 2019-10-12 | 逾期事件的回款催收方法及装置、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910966974.8A CN110807699B (zh) | 2019-10-12 | 2019-10-12 | 逾期事件的回款催收方法及装置、计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110807699A CN110807699A (zh) | 2020-02-18 |
CN110807699B true CN110807699B (zh) | 2022-06-03 |
Family
ID=69488260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910966974.8A Active CN110807699B (zh) | 2019-10-12 | 2019-10-12 | 逾期事件的回款催收方法及装置、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807699B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784513A (zh) * | 2020-07-27 | 2020-10-16 | 湖南华威金安企业管理有限公司 | 催收案件分案方法、装置和电子设备 |
CN112734243A (zh) * | 2021-01-13 | 2021-04-30 | 零犀(北京)科技有限公司 | 一种确定还款案件的贡献度的方法和智能终端 |
CN112819613B (zh) * | 2021-03-09 | 2023-07-04 | 重庆度小满优扬科技有限公司 | 贷款信息的处理方法、设备以及存储介质 |
CN116341879A (zh) * | 2023-05-26 | 2023-06-27 | 杭州度言软件有限公司 | 一种逾期资产清收智能分案方法与系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101047732A (zh) * | 2006-03-30 | 2007-10-03 | 联想(北京)有限公司 | 一种呼叫方法及呼叫终端 |
CN107909178A (zh) * | 2017-08-31 | 2018-04-13 | 上海壹账通金融科技有限公司 | 电子装置、失联修复率预测方法和计算机可读存储介质 |
CN109064315A (zh) * | 2018-08-02 | 2018-12-21 | 平安科技(深圳)有限公司 | 逾期账单智能催收方法、装置、计算机设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150088706A1 (en) * | 2010-05-12 | 2015-03-26 | Ontario Systems, Llc | Method, system, and computer-readable medium for managing and collecting receivables |
CN108090826B (zh) * | 2017-11-13 | 2021-11-19 | 平安科技(深圳)有限公司 | 一种电话催收方法及终端设备 |
-
2019
- 2019-10-12 CN CN201910966974.8A patent/CN110807699B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101047732A (zh) * | 2006-03-30 | 2007-10-03 | 联想(北京)有限公司 | 一种呼叫方法及呼叫终端 |
CN107909178A (zh) * | 2017-08-31 | 2018-04-13 | 上海壹账通金融科技有限公司 | 电子装置、失联修复率预测方法和计算机可读存储介质 |
CN109064315A (zh) * | 2018-08-02 | 2018-12-21 | 平安科技(深圳)有限公司 | 逾期账单智能催收方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110807699A (zh) | 2020-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110378575B (zh) | 逾期事件回款催收方法及装置、计算机可读存储介质 | |
CN110334737B (zh) | 一种基于随机森林的客户风险指标筛选的方法和系统 | |
US20230360053A1 (en) | System and method using multiple profiles and scores for assessing financial transaction risk | |
CN110414714B (zh) | 逾期事件的回款概率预测方法及装置、可读存储介质 | |
US11037158B2 (en) | Bulk dispute challenge system | |
CN111291816B (zh) | 针对用户分类模型进行特征处理的方法及装置 | |
US20150363875A1 (en) | System and Method for Filtering and Analyzing Transaction Information | |
Nguyen et al. | An empirical analysis of credit accessibilty of small and medium sized enterprises in Vietnam | |
CN108932614B (zh) | 一种支付通道路由方法及系统 | |
CN108269087A (zh) | 位置信息的处理方法及装置 | |
CN111062518B (zh) | 基于人工智能的处理催收业务的方法、装置及存储介质 | |
CN114119137A (zh) | 风险控制方法和装置 | |
CN108305163A (zh) | 基于特征库的信用预警方法及系统 | |
CN110363642A (zh) | 贷款数据处理方法、装置、可读存储介质和程序产品 | |
CN110728301A (zh) | 一种个人用户的信用评分方法、装置、终端及存储介质 | |
CN115545886A (zh) | 逾期风险识别方法、装置、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 | |
CN115293336A (zh) | 风险评估模型训练方法、装置和服务器 | |
CN114004693A (zh) | 一种确定消费信贷不良资产残值估值的方法 | |
Ruiz et al. | Credit scoring for microfinance using behavioral data in emerging markets | |
CN111461863A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN115018638B (zh) | 一种业务额度确定方法及装置 | |
CN110110954A (zh) | 风险顶点识别方法和装置 | |
CN113537666B (zh) | 评测模型训练方法、评测和业务审核方法、装置及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |