CN111062518B - 基于人工智能的处理催收业务的方法、装置及存储介质 - Google Patents
基于人工智能的处理催收业务的方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111062518B CN111062518B CN201911155655.5A CN201911155655A CN111062518B CN 111062518 B CN111062518 B CN 111062518B CN 201911155655 A CN201911155655 A CN 201911155655A CN 111062518 B CN111062518 B CN 111062518B
- Authority
- CN
- China
- Prior art keywords
- case
- cases
- variables
- collecting
- characteristic values
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 238000006555 catalytic reaction Methods 0.000 claims abstract description 43
- 238000012216 screening Methods 0.000 claims abstract description 30
- 238000004590 computer program Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 9
- 230000003197 catalytic effect Effects 0.000 claims description 6
- 239000003054 catalyst Substances 0.000 claims description 4
- 238000003306 harvesting Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 9
- 230000006698 induction Effects 0.000 description 14
- 230000003203 everyday effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000001737 promoting effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 201000004569 Blindness Diseases 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
Abstract
本发明公开了一种基于人工智能的处理催收业务的方法、装置及存储介质，属于人工智能技术领域。方法包括：针对目标催收员当天所有的催收案件中的每一个，根据该催收案件的逾期天数确定对应的预测模型，并利用对应的预测模型预测催收案件当天被处理的假设情况下的第一出催概率和当天未被处理的假设情况下的第二出催概率；计算每个催收案件的第一出催概率与第二出催概率的差值；对每个催收案件的概率差值进行加权排序，并根据加权排序结果，在所有催收案件中筛选出推荐给目标催收员当天处理的目标催收案件。本发明实施例不但能够缩小催收员个体差异性，提升其能效，节省人力成本，而且能够提升催收案件的催收效果，提高催收效率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的处理催收业务的方法、装置及存储介质。
背景技术
目前，随着互联网金融的发展，越来越多的个人或企业通过互联网寻求借贷等金融服务，与此同时，逾期贷款的案件数量也在不断增加。
通常，贷款逾期的案件会被分配至专业的催收员进行催收，一个催收案件会在一个催收员名下负责一段时间(例如30天)，每天每个催收员名下可能会有上百个催收案件。由于每个催收员每天处理案件的精力有限，并且不是每个案件都需要每天处理，催收员每天应该处理哪些催收案件带有较大的主观性和盲目性，从而导致催收效果不佳，催收效率不高等问题。
发明内容
为了解决上述背景技术中提到的至少一个问题，本发明提供了一种基于人工智能的处理催收业务的方法、装置及存储介质。
本发明实施例提供的具体技术方案如下：
第一方面，提供一种基于人工智能的处理催收业务的方法，所述方法包括：
针对目标催收员当天所有的催收案件中的每一个，根据该催收案件的逾期天数确定对应的预测模型，并利用所述预测模型预测所述催收案件当天被处理的假设情况下的第一出催概率和当天未被处理的假设情况下的第二出催概率；
计算每个所述催收案件的所述第一出催概率与所述第二出催概率的差值；
对每个所述催收案件的概率差值进行加权排序，并根据加权排序结果，在所有所述催收案件中筛选出推荐给所述目标催收员当天处理的目标催收案件。
进一步地，所述针对目标催收员当天所有的催收案件中的每一个，根据该催收案件的逾期天数确定对应的预测模型步骤之前，所述方法还包括：
建立不同逾期天数和预设的各预测模型之间的对应关系，其中，所述预测模型是通过如下方式得到的：
获取多个样本数据，所述多个样本数据包括多个样本催收案件在指定逾期天数内的多个原始变量的特征值和对应的标签；
获取各所述样本催收案件的处理状态变量的值，其中，所述处理状态变量用于指示样本催收案件在达到所述指定逾期天数的当天是否被处理；
根据各所述样本催收案件的多个原始变量的特征值、各所述样本催收案件的处理状态变量的值，获取各所述样本催收案件的多个衍生变量的特征值；
基于多个所述样本催收案件的多个原始变量的特征值、多个衍生变量的特征值和对应的标签进行训练，得到所述预测模型，其中，所述预测模型对应于所述指定逾期天数。
进一步地，所述利用所述预测模型预测所述催收案件当天被处理的假设情况下的第一出催概率和当天未被处理的假设情况下的第二出催概率，包括：
获取所述催收案件的多个原始变量的特征值；
针对所述催收案件当天是否被处理的两种假设情况，将所述催收案件的处理状态变量分别设置为第一值和第二值；
根据所述多个原始变量的特征值和所述处理状态变量的第一值，获取所述多个原始变量对应的多个衍生变量的第一特征值；
根据所述多个原始变量的特征值和所述处理状态变量的第二值，获取所述多个原始变量对应的多个衍生变量的第二值；
将所述多个原始变量的特征值和所述多个衍生变量的第一特征值输入到所述预测模型中，得到所述预测模型输出的第一出催概率；
将所述多个原始变量的特征值和所述多个衍生变量的第二特征值输入到所述预测模型中，得到所述预测模型输出的第二出催概率。
进一步地，所述获取所述催收案件的多个原始变量的特征值，包括：
从所述催收案件对应的用户基础信息、用户逾期信息、用户行为信息、历史催收记录和当天对应的日历日期中获取所述多个原始变量的特征值。
进一步地，所述对每个所述催收案件的概率差值进行加权排序，包括：
对每个所述催收案件的概率差值与每个所述催收案件的当前逾期金额进行对应相乘，得到每个所述催收案件的相乘结果；
对每个所述催收案件的相乘结果按照每个所述催收案件所处的逾期阶段进行分组排序，得到排序后的多个分组。
进一步地，所述根据加权排序结果，在所有所述催收案件中筛选出推荐给所述目标催收员当天处理的目标催收案件，包括：
从排序后的多个所述分组中的每一个所述分组中，分别筛选出满足预设筛选规则的目标催收案件，以推荐给所述目标催收员当天处理。
第二方面，提供了一种基于人工智能的处理催收业务的装置，所述装置包括：
模型确定模块，用于针对目标催收员当天所有的催收案件中的每一个，根据该催收案件的逾期天数确定对应的预测模型；
模型预测模块，用于利用所述预测模型预测所述催收案件当天被处理的假设情况下的第一出催概率和当天未被处理的假设情况下的第二出催概率；
差值计算模块，用于计算每个所述催收案件的所述第一出催概率与所述第二出催概率的差值；
案件筛选模块，用于对每个所述催收案件的概率差值进行加权排序，并根据加权排序结果，在所有所述催收案件中筛选出推荐给所述目标催收员当天处理的目标催收案件。
进一步地，所述装置还包括关系建立模块和模型获取模块，其中：
所述关系建立模块具体用于：
建立不同逾期天数和预设的各预测模型之间的对应关系；
所述模型获取模块具体用于：
获取多个样本数据，所述多个样本数据包括多个样本催收案件在指定逾期天数内的多个原始变量的特征值和对应的标签；
获取各所述样本催收案件的处理状态变量的值，其中，所述处理状态变量用于指示样本催收案件在达到所述指定逾期天数的当天是否被处理；
根据各所述样本催收案件的多个原始变量的特征值、各所述样本催收案件的处理状态变量的值，获取各所述样本催收案件的多个衍生变量的特征值；
基于多个所述样本催收案件的多个原始变量的特征值、多个衍生变量的特征值和对应的标签进行训练，得到所述预测模型，其中，所述预测模型对应于所述指定逾期天数。
第三方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
针对目标催收员当天所有的催收案件中的每一个，根据该催收案件的逾期天数确定对应的预测模型，并利用对应的所述预测模型预测所述催收案件当天被处理的假设情况下的第一出催概率和当天未被处理的假设情况下的第二出催概率；
计算每个所述催收案件的所述第一出催概率与所述第二出催概率的差值；
对每个所述催收案件的概率差值进行加权排序，并根据加权排序结果，在所有所述催收案件中筛选出推荐给所述目标催收员当天处理的目标催收案件。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
针对目标催收员当天所有的催收案件中的每一个，根据该催收案件的逾期天数确定对应的预测模型，并利用对应的所述预测模型预测所述催收案件当天被处理的假设情况下的第一出催概率和当天未被处理的假设情况下的第二出催概率；
计算每个所述催收案件的所述第一出催概率与所述第二出催概率的差值；
对每个所述催收案件的概率差值进行加权排序，并根据加权排序结果，在所有所述催收案件中筛选出推荐给所述目标催收员当天处理的目标催收案件。
本发明实施例提供了一种基于人工智能的处理催收业务的方法、装置及存储介质，通过针对目标催收员当天所有的催收案件中的每一个，利用催收案件的逾期天数所对应的预测模型对催收案件当天是否被处理两种情况下分别进行预测对应的出催概率，这样通过利用逾期天数所对应的预测模型能够实现更加准确可靠的出催预测，并且通过计算每个催收案件当天是否被处理分别对应的出催概率之间的概率差值，并对每个催收案件的概率差值进行加权排序，以及基于加权排序结果，筛选出推荐给目标催收员当天处理的目标催收案件，能够使得催收员无需在每个催收案件的整个生命周期内考虑每个催收案件的催收方式，为催收员当天处理催收案件提供了数据支撑，由此避免了现有技术中催收员每天处理催收案件具有主观性和盲目性的问题，不但能够缩小催收员个体差异性，提升其能效，节省人力成本，而且能够提升催收案件的催收效果，提高催收效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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获得其他的附图。
图1是本发明实施例提供的基于人工智能的处理催收业务的方法的流程图；
图2是本发明实施例提供的预测模型训练的流程图；
图3是本发明实施例提供的利用预测模型预测出催概率的流程图；
图4是本发明实施例提供的基于人工智能的处理催收业务的装置的结构图；
图5是本发明实施例提供的一种计算机设备的内部结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。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，在本发明的描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
目前，贷款逾期的案件会被分配至专业的催收员进行催收，一个催收案件会在一个催收员名下负责一段时间，因此每天每个催收员名下可能会有上百个催收案件，而每个催收员每天处理案件的精力有限，并且不是每个案件都需要每天处理，催收员每天应该处理哪些催收案件带有较大的盲目性，从而导致催收效果不佳，催收效率不高等问题。为此，本发明实施例提供了一种基于人工智能的处理催收业务的方法，该方法通过针对催收员当天的每个催收案件，利用该催收案件的逾期天数对应的预测模型进行预测该催收案件当天被处理的假设情况下的第一出催概率和当天未被处理的假设情况下的第二出催概率，并基于每个所述催收案件的第一出催概率和第二出催概率之间的差值进行加权排序，以及根据加权排序结果，筛选出推荐给所述目标催收员当天处理的目标催收案件，从而提升了逾期案件的催收效果，并且提高了催收效率。
在一个实施例中，提供了一种基于人工智能的处理催收业务的方法，该方法可以由基于人工智能的处理催收业务的装置来执行，该装置可以采用软件/硬件的方式实现。以该方法应用于服务器对该方法进行说明，如图1所示，该方法可以包括：
步骤S11，针对目标催收员当天所有的催收案件中的每一个，根据该催收案件的逾期天数确定对应的预测模型。
本实施例中，催收案件是指被分配给催收员的贷款逾期的案件，其中，目标催收员可以是多个催收员中的任意一个，于本实施例中，催收员可以是员工或智能催收机器人。催收案件的逾期天数可以是从最后还款日的第二天算起截止到当天的实际天数，例如，若案件的最后还款日为10月14日，当天日期为10月20日，那么该案件为逾期案件，该案件的逾期天数为6天。另外，由于每天每个催收员名下有多个催收案件，各个催收案件截止到当天的逾期天数可能不同，例如，在一个催收员的名下，当天逾期10天的催收案件有10件，逾期11天的催收案件有20件，等等。
其中，不同的逾期天数对应于不同的预测模型，例如，对于逾期1天至逾期30天的30个逾期天数，每个逾期天数分别对应一个预测模型，其中，各个预测模型分别是通过预先训练得到的，预测模型用于确定催收案件在当天是否被处理两种情况下当天出催的概率值，这里，“出催”可以理解为催收案件当天回款。
具体地，可以根据预先建立的不同逾期天数和预设的各预测模型之间的对应关系，确定目标催收员当天所有的催收案件中的每一个催收案件分别对应的预测模型。
步骤S12，利用对应的预测模型预测催收案件当天被处理的假设情况下的第一出催概率和当天未被处理的假设情况下的第二出催概率。
具体地，针对任一催收案件，根据该催收案件的多个关联数据，获取该催收案件在当天被处理的假设情况下的多个特征变量的第一特征值，将多个特征变量的特征值输入到该催收案件的逾期天数所对应的预测模型中，得到预测模型输出的第一出催概率；以及根据该催收案件的多个关联数据，获取该催收案件在当天未被处理的假设情况下的多个特征变量的第二特征值，将多个特征变量的第二特征值输入到该催收案件的逾期天数所对应的预测模型中，得到预测模型输出的第二出催概率。
本实施例中，上述的多个关联数据包括但不限于催收案件对应的逾期用户的用户基础信息、用户逾期信息、用户行为信息、历史催收记录和当天对应的日历日期，其中，上述的多个特征变量可以包括从用户基础信息中提取到的手机归属省、是否首次逾期、案件产品类型、逾期用户的职业、年龄、性别、婚姻状况、手机归属市城市等级，还可以包括从用户逾期信息中提取到的逾期金额、逾期产品类型、逾期标的数量，还可以包括从用户行为信息中提取到的部分还款信息、账户登录信息、客服进线信息，还可以包括从历史催收记录中提取到的历史拨打次数、历史接通次数、历史接通率、历史催收经办人数、历史通话时长、历史催收记录类型，还可以包括从日历日期信息中提取到的是否工作日、星期几等特征，此外还可以包括其他。本发明实施例对上述的关联数据的获取过程不作具体限定。
示例性地，假设目标催收员当天名下共有20个催收案件，对每个催收案件分别使用对应的预测模型进行预测各个催收案件当天被处理的假设情况下的第一出催概率和当天未被处理的假设情况下的第二出催概率，得到的结果如下表1所示：
表1：
| 催收案件 | 逾期天数 | 预测模型 | P1 | P2 |
| 案件1 | 3 | M3 | 0.32 | 0.10 |
| 案件2 | 5 | M5 | 0.12 | 0.15 |
| …… | …… | …… | …… | …… |
| 案件20 | 30 | M30 | 0.24 | 0.24 |
其中，P1为催收案件当天被处理的假设情况下的第一出催概率，P2为催收案件当天未被处理的假设情况下的第二出催概率。
此外，值得注意的是，本实施例中所说的任一催收案件当天被处理的假设情况下以及当天未被处理的假设情况下都是对尚未发生的事件进行的假设。
步骤S13，计算每个催收案件的第一出催概率与第二出催概率的差值。
具体地，将步骤S12中获取到的每个催收案件当天被处理的假设情况下的第一出催概率减去当天未被处理的假设情况下的第二出催概率，得到每个催收案件的概率差值。
可以理解的是，针对任一催收案件，若该催收案件的概率差值大于0，则表明该催收案件当天被处理的假设情况下的出催效果优于当天未被处理的假设情况下的出催效果，反之，若该催收案件的概率差值小于0，则表明该催收案件当天未被处理的假设情况下的出催效果优于当天被处理的假设情况下的出催效果。
步骤S14，对每个催收案件的概率差值进行加权排序，并根据加权排序结果，在所有催收案件中筛选出推荐给目标催收员当天处理的目标催收案件。
具体地，可以以每个催收案件的逾期金额作为每个催收案件的权重与每个催收案件的概率差值进行对应相乘，得到各个催收案件对应的相乘结果，并按照由大到小的顺序进行排序，根据排序结果筛选出预设数量的目标催收案件，并推荐给目标催收员当天处理。
本发明实施例提供了一种基于人工智能的处理催收业务的方法，通过针对目标催收员当天所有的催收案件中的每一个，利用催收案件的逾期天数所对应的预测模型对催收案件当天是否被处理两种情况下分别进行预测对应的出催概率，这样通过利用逾期天数所对应的预测模型能够实现更加准确可靠的出催预测，并且通过计算每个催收案件当天是否被处理分别对应的出催概率之间的概率差值，并对每个催收案件的概率差值进行加权排序，以及基于加权排序结果，筛选出推荐给目标催收员当天处理的目标催收案件，能够使得催收员无需在每个催收案件的整个生命周期内考虑每个催收案件的催收方式，为催收员当天处理催收案件提供了数据支撑，由此避免了现有技术中催收员每天处理催收案件具有主观性和盲目性的问题，不但能够缩小催收员个体差异性，提升其能效，节省人力成本，而且能够提升催收案件的催收效果，提高催收效率。
在一个实施例中，在上述的针对目标催收员当天所有的催收案件中的每一个，根据该催收案件的逾期天数确定对应的预测模型步骤之前，方法还可以包括：
建立不同逾期天数和预设的各预测模型之间的对应关系。
具体地，如图2所示，预测模型可以通过如下步骤训练得到，包括：
步骤S21，获取多个样本数据，多个样本数据包括多个样本催收案件在指定逾期天数内的多个原始变量的特征值和对应的标签。
其中，指定逾期天数的值为可调值，可以根据需要设定成任意整数值，例如分别设定为1至30中的任意值，以用于训练生成30个不同的预测模型。
本实施例中，样本催收案件的原始变量具体为能够从样本催收案件的原始数据中直接提取得到的参量，各个样本催收案件在指定逾期天数内的多个原始变量的特征值可以从各个样本催收案件对应的用户基础信息、用户逾期信息、用户行为信息、历史催收记录和当天对应的日历日期中直接获取到。其中，各个样本催收案件对应的标签用于表征各个样本催收案件在指定逾期天数当天是否有回款。
其中，多个原始变量包括但不限于手机归属省、是否首次逾期、案件产品类型、逾期用户的职业、年龄、性别、婚姻状况、手机归属市城市等级、逾期金额、逾期产品类型、逾期标的数量、部分还款信息、账户登录信息、客服进线信息、历史拨打次数、历史接通次数、历史接通率、历史催收经办人数、历史通话时长、历史催收记录类型，还可以包括是否工作日、星期几等。本发明实施例具体的原始变量不作具体限定。
步骤S22，获取各样本催收案件的处理状态变量的值，其中，所述处理状态变量用于指示样本催收案件在达到指定逾期天数的当天是否被处理。
具体地，根据各个样本催收案件的历史催收记录确定各样本催收案件在达到指定逾期天数当天是否被处理。其中，当样本催收案件在达到指定逾期天数的当天被处理时，则确定该样本催收案件的处理状态变量的值为1，当样本催收案件在达到指定逾期天数的当天未被处理时，则确定该样本催收案件的处理状态变量的值为0。
步骤S23，根据各样本催收案件的多个原始变量的特征值、各样本催收案件的处理状态变量的值，获取各样本催收案件的多个衍生变量的特征值。
具体地，样本催收案件的衍生变量具体为可以通过样本催收案件的原始变量基于样本催收案件的处理状态变量计算得到。当样本催收案件的处理状态变量的值为1时，将样本催收案件的多个原始变量中的数值型原始变量的特征值赋值给对应的衍生变量，得到样本催收案件的多个衍生变量的特征值；当样本催收案件的处理状态变量的值为0时，将样本催收案件的多个原始变量中的数值型原始变量对应的衍生变量的特征值分别设置为0。
其中，数值型原始变量是原始变量中取值为数值型数据的变量，多个数值型原始变量可以包括：部分还款信息、账户登录信息、客服进线信息、历史拨打次数、历史接通次数、历史接通率、历史催收经办人数、历史通话时长、历史催收记录类型等。
步骤S24，基于多个样本催收案件的多个原始变量的特征值、多个衍生变量的特征值和对应的标签进行训练，得到预测模型，其中，预测模型对应于指定逾期天数。
本实施例中，预测模型可以包括第一子模型、第二子模型和主模型，第一子模型的输出结果、第二子模型的输出结果均用于作为主模型的输入参数。
具体地，将各个样本催收案件的多个原始变量的特征值输入到第一子模型中进行计算，得到第一子模型输出的用户风险信息；
将各个样本催收案件中的时间序列变量输入到第二子模型进行计算，得到第二子模型输出的未来时间段内的回款信息，其中，时间序列变量包括历史拨打次数、历史接通次数、历史接通率、历史催收经办人数、历史通话时长等；
将多个原始变量的特征值、多个衍生变量的特征值、第一子模型输出的用户风险等级信息以及第二子模型输出的未来时间段内的回款信息作为主模型的输入参数，以各个样本催收案件对应的标签作为主模型的输出，对主模型进行训练，得到训练好的主模型。
作为一种优选方案，第一子模型可以采用逻辑回归模型，第二子模型可以采用LSTM模型，主模型可以采用LightGBM模型。通过逻辑回归模型能够得到用户风险等级信息，通过LSTM模型能够发现催收案件在一段时间内的趋势变化规律，以便更准确地预测催收案件的出催概率。
在一个实施例中，如图3所示，上述的利用对应的预测模型预测催收案件当天被处理的假设情况下的第一出催概率和当天未被处理的假设情况下的第二出催概率，该过程可以包括：
步骤S121，获取催收案件的多个原始变量的特征值。
具体地，从所述催收案件对应的用户基础信息、用户逾期信息、用户行为信息、历史催收记录和当天对应的日历日期中获取所述多个原始变量的特征值。
其中，该步骤的多个原始变量的获取过程可以参照步骤S21，此处不再赘述。
S122，针对催收案件当天是否被处理的两种假设情况，将催收案件的处理状态变量分别设置为第一值和第二值。
具体地，在催收案件当天被处理的假设情况下，将催收案件的处理状态变量的值设为1，在催收案件当天未被处理的假设情况下，将催收案件的处理状态变量的值设为0。
S123，根据多个原始变量的特征值和处理状态变量的第一值，获取多个原始变量对应的多个衍生变量的第一特征值，在步骤S123之后，执行步骤S125。
具体地，催收案件的处理状态变量的值为1时，将多个原始变量中的数值型原始变量的特征值赋值给对应的多个衍生变量的第一特征值。
S124，根据多个原始变量的特征值和处理状态变量的第二值，获取多个原始变量对应的多个衍生变量的第二特征值，在步骤S124之后，执行步骤S126。
具体地，催收案件的处理状态变量的值为0时，将多个原始变量中的数值型原始变量所对应的衍生变量的第一特征值均设置为0。
需要说明的是，本发明实施例对步骤S123与步骤S124的执行顺序不作具体限定。
S125，将多个原始变量的特征值和多个衍生变量的第一特征值输入到预测模型中，得到预测模型输出的第一出催概率。
如上述实施例中所述，训练得到的预测模型包括第一子模型、第二子模型和主模型。
具体地，将多个原始变量的特征值输入到第一子模型中进行计算，得到第一子模型输出的用户风险信息；
将多个原始变量中的时间序列变量输入到第二子模型进行计算，得到第二子模型输出的未来时间段内的回款信息，其中，时间序列变量包括历史拨打次数、历史接通次数、历史接通率、历史催收经办人数、历史通话时长等；
将多个原始变量的特征值、多个衍生变量的第一特征值、第一子模型输出的用户风险等级信息以及第二子模型输出的未来时间段内的回款信息作为输入参数输入到主模型中进行计算，得到主模型输出的第一出催概率。
步骤S126，将多个原始变量的特征值和多个衍生变量的第二特征值输入到预测模型中，得到预测模型输出的第二出催概率。
将多个原始变量的特征值输入到第一子模型中进行计算，得到第一子模型输出的用户风险信息；
将多个原始变量中的时间序列变量输入到第二子模型进行计算，得到第二子模型输出的未来时间段内的回款信息，其中，时间序列变量包括历史拨打次数、历史接通次数、历史接通率、历史催收经办人数、历史通话时长等；
将多个原始变量的特征值、多个衍生变量的第二特征值、第一子模型输出的用户风险等级信息以及第二子模型输出的未来时间段内的回款信息作为输入参数输入到主模型中进行计算，得到主模型输出的第二出催概率。
需要说明的是，在催收案件当天被处理的假设情况下，输入到预测模型的特征值的数量，与在催收案件当天未被处理的假设情况下，输入到预测模型的特征值的数量，二者是相同的。
在一个实施例中，上述的对每个催收案件的概率差值进行加权排序，该过程可以包括：
对每个催收案件的概率差值与每个催收案件的当前逾期金额进行对应相乘，得到每个催收案件的相乘结果；对每个催收案件的相乘结果按照每个催收案件所处的逾期阶段进行分组排序，得到排序后的多个分组。
本实施例中，每个催收案件都会具有一个生命周期，一个生命周期可以根据逾期天数划分为多个逾期阶段，例如，逾期1天至逾期3天，对应于第一逾期阶段，逾期4天至逾期7天逾期对应于第二逾期阶段等等，直至催收案件还款结案时，该催收案件的生命周期结束。
在一个实施例中，上述的根据加权排序结果，在所有催收案件中筛选出推荐给目标催收员当天处理的目标催收案件，该过程可以包括：
从排序后的多个分组中的每一个分组中，分别筛选出满足预设筛选规则的目标催收案件，以推荐给目标催收员当天处理。
示例性地，假如目标催收员在库逾期案件共30个，其中，处于第一逾期阶段(例如，逾期1天至逾期3天)的催收案件有10个，处于第三逾期阶段(例如，逾期8天至逾期11天)的催收案件有20个。用每个催收案件当天的概率差值对应地乘以各个催收案件当前的逾期金额，并根据逾期天数进行分组排序，选取各个分组中排序在前50％的案件，于是推荐给目标催收员进行当天处理的催收案件分别是：处于第一逾期阶段的案件5个，处于第三逾期阶段的案件10个，共15个。
本实施例中，通过筛选出推荐给目标催收员当天处理的目标催收案件，能够使得催收员无需在每个催收案件的整个生命周期内考虑每个催收案件的催收方式，为催收员当天处理催收案件提供了数据支撑，并且能够提升催收案件的催收效果，提高催收效率。
在一个实施例中，还提供了一种基于人工智能的处理催收业务的装置，如图4所示，该装置可以包括：
模型确定模块41，用于针对目标催收员当天所有的催收案件中的每一个，根据该催收案件的逾期天数确定对应的预测模型；
模型预测模块42，用于利用预测模型预测催收案件当天被处理的假设情况下的第一出催概率和当天未被处理的假设情况下的第二出催概率；
差值计算模块43，用于计算每个催收案件的第一出催概率与第二出催概率的差值；
案件筛选模块44，用于对每个催收案件的概率差值进行加权排序，并根据加权排序结果，在所有催收案件中筛选出推荐给目标催收员当天处理的目标催收案件。
在其中一个实施例中，装置还包括关系建立模块45和模型获取模块46，其中：
关系建立模块45具体用于：
建立不同逾期天数和预设的各预测模型之间的对应关系；
模型获取模块46具体用于：
获取多个样本数据，多个样本数据包括多个样本催收案件在指定逾期天数内的多个原始变量的特征值和对应的标签；
获取各样本催收案件的处理状态变量的值，其中，处理状态变量用于指示样本催收案件在指定逾期天数的当天是否被处理；
根据各样本催收案件的多个原始变量的特征值、各样本催收案件的处理状态变量的值，获取各样本催收案件的多个衍生变量的特征值；
基于多个样本催收案件的多个原始变量的特征值、多个衍生变量的特征值和对应的标签进行训练，得到预测模型，其中，预测模型对应于指定逾期天数。
在其中一个实施例中，模型预测模块具体用于：
获取催收案件的多个原始变量的特征值；
针对催收案件当天是否被处理的两种假设情况，将催收案件的处理状态变量分别设置为第一值和第二值；
根据多个原始变量的特征值和处理状态变量的第一值，获取多个原始变量对应的多个衍生变量的第一特征值；
根据多个原始变量的特征值和处理状态变量的第二值，获取多个原始变量对应的多个衍生变量的第二特征值；
将多个原始变量的特征值和多个衍生变量的第一特征值输入到预测模型中，得到预测模型输出的第一出催概率；
将多个原始变量的特征值和多个衍生变量的第二特征值输入到预测模型中，得到预测模型输出的第二出催概率。
在其中一个实施例中，模型预测模块具体还用于：
从催收案件对应的用户基础信息、用户逾期信息、用户行为信息、历史催收记录和当天对应的日历日期中获取多个原始变量的特征值。
在其中一个实施例中，案件筛选模块具体用于：
对每个催收案件的概率差值与每个催收案件的当前逾期金额进行对应相乘，得到每个催收案件的相乘结果；
对每个催收案件的相乘结果按照每个催收案件所处的逾期阶段进行分组排序，得到排序后的多个分组。
在其中一个实施例中，案件筛选模块具体还用于：
从排序后的多个分组中的每一个分组中，分别筛选出满足预设筛选规则的目标催收案件，以推荐给目标催收员当天处理。
本发明实施例提供的基于人工智能的处理催收业务的装置，与本发明实施例所提供的基于人工智能的处理催收业务的方法属于同一发明构思，可执行本发明实施例所提供的基于人工智能的处理催收业务的方法，具备执行基于人工智能的处理催收业务的方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例提供的基于人工智能的处理催收业务的方法，此处不再加以赘述。
图5示出了一个实施例中计算机设备的内部结构图。该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种资源分配方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
针对目标催收员当天所有的催收案件中的每一个，根据该催收案件的逾期天数确定对应的预测模型，并利用预测模型预测催收案件当天被处理的假设情况下的第一出催概率和当天未被处理的假设情况下的第二出催概率；
计算每个催收案件的第一出催概率与第二出催概率的差值；
对每个催收案件的概率差值进行加权排序，并根据加权排序结果，在所有催收案件中筛选出推荐给目标催收员当天处理的目标催收案件。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：
建立不同逾期天数和预设的各预测模型之间的对应关系，预测模型是通过如下方式得到的：
获取多个样本数据，多个样本数据包括多个样本催收案件在指定逾期天数内的多个原始变量的特征值和对应的标签；
获取各所述样本催收案件的处理状态变量的值，其中，所述处理状态变量用于指示样本催收案件在指定逾期天数的当天是否被处理；
根据各样本催收案件的多个原始变量的特征值、各样本催收案件的处理状态变量的值，获取各样本催收案件的多个衍生变量的特征值；
基于多个样本催收案件的多个原始变量的特征值、多个衍生变量的特征值和对应的标签进行训练，得到预测模型，其中，预测模型对应于指定逾期天数。
在其中一个实施例中，在处理器执行计算机程序实现上述的利用对应的预测模型预测催收案件当天被处理的假设情况下的第一出催概率和当天未被处理的假设情况下的第二出催概率的步骤时，具体实现以下步骤:
获取催收案件的多个原始变量的特征值；
针对催收案件当天是否被处理的两种假设情况，将催收案件的处理状态变量分别设置为第一值和第二值；
根据多个原始变量的特征值和处理状态变量的的第一值，获取多个原始变量对应的多个衍生变量的第一特征值；
根据多个原始变量的特征值和处理状态变量的第二值，获取多个原始变量对应的多个衍生变量的第二特征值；
将多个原始变量的特征值和多个衍生变量的第一特征值输入到预测模型中，得到预测模型输出的第一出催概率；
将多个原始变量的特征值和多个衍生变量的第二特征值输入到预测模型中，得到预测模型输出的第二出催概率。
在其中一个实施例中，在处理器执行计算机程序实现上述的获取催收案件的多个原始变量的特征值的步骤时，具体实现以下步骤:
从催收案件对应的用户基础信息、用户逾期信息、用户行为信息、历史催收记录和当天对应的日历日期中获取多个原始变量的特征值。
在其中一个实施例中，在处理器执行计算机程序实现上述的对每个催收案件的概率差值进行加权排序的步骤时，具体实现以下步骤:
对每个催收案件的概率差值与每个催收案件的当前逾期金额进行对应相乘，得到每个催收案件的相乘结果；
对每个催收案件的相乘结果按照每个催收案件所处的逾期阶段进行分组排序，得到排序后的多个分组。
在一个实施例中，在处理器执行计算机程序实现上述的根据加权排序结果，在所有催收案件中筛选出推荐给目标催收员当天处理的目标催收案件的步骤时，具体实现以下步骤:
从排序后的多个分组中的每一个分组中，分别筛选出满足预设筛选规则的目标催收案件，以推荐给目标催收员当天处理。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
针对目标催收员当天所有的催收案件中的每一个，根据该催收案件的逾期天数确定对应的预测模型，并利用预测模型预测催收案件当天被处理的假设情况下的第一出催概率和当天未被处理的假设情况下的第二出催概率；
计算每个催收案件的第一出催概率与第二出催概率的差值；
对每个催收案件的概率差值进行加权排序，并根据加权排序结果，在所有催收案件中筛选出推荐给目标催收员当天处理的目标催收案件。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：
建立不同逾期天数和预设的各预测模型之间的对应关系，预测模型是通过如下方式得到的：
获取多个样本数据，多个样本数据包括多个样本催收案件在指定逾期天数内的多个原始变量的特征值和对应的标签；
获取各样本催收案件的处理状态变量的值，其中，处理状态变量用于指示样本催收案件在指定逾期天数的当天是否被处理；
根据各样本催收案件的多个原始变量的特征值、各样本催收案件的处理状态变量的值，获取各样本催收案件的多个衍生变量的特征值；
基于多个样本催收案件的多个原始变量的特征值、多个衍生变量的特征值和对应的标签进行训练，得到预测模型，其中，预测模型对应于指定逾期天数。
在其中一个实施例中，计算机程序被处理器执行利用对应的预测模型预测催收案件当天被处理的假设情况下的第一出催概率和当天未被处理的假设情况下的第二出催概率的步骤时，具体实现以下步骤：
获取催收案件的多个原始变量的特征值；
针对催收案件当天是否被处理的两种假设情况，将催收案件的处理状态变量分别设置为第一值和第二值；
根据多个原始变量的特征值和处理状态变量的第一值，获取多个原始变量对应的多个衍生变量的第一特征值；
根据多个原始变量的特征值和处理状态变量的第二值，获取多个原始变量对应的多个衍生变量的第二特征值；
将多个原始变量的特征值和多个衍生变量的第一特征值输入到预测模型中，得到预测模型输出的第一出催概率；
将多个原始变量的特征值和多个衍生变量的第二特征值输入到预测模型中，得到预测模型输出的第二出催概率。
在其中一个实施例中，计算机程序被处理器执行获取催收案件的多个原始变量的特征值的步骤时，具体实现以下步骤：
从催收案件对应的用户基础信息、用户逾期信息、用户行为信息、历史催收记录和当天对应的日历日期中获取多个原始变量的特征值。
在其中一个实施例中，计算机程序被处理器执行对每个催收案件的概率差值进行加权排序的步骤时，具体实现以下步骤：
对每个催收案件的概率差值与每个催收案件的当前逾期金额进行对应相乘，得到每个催收案件的相乘结果；
对每个催收案件的相乘结果按照每个催收案件所处的逾期阶段进行分组排序，得到排序后的多个分组。
在其中一个实施例中，计算机程序被处理器执行根据加权排序结果，在所有催收案件中筛选出推荐给目标催收员当天处理的目标催收案件的步骤时，具体实现以下步骤：
从排序后的多个分组中的每一个分组中，分别筛选出满足预设筛选规则的目标催收案件，以推荐给目标催收员当天处理。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于人工智能的处理催收业务的方法，其特征在于，所述方法包括：
针对目标催收员当天所有的催收案件中的每一个，根据该催收案件的逾期天数确定对应的预测模型，并利用所述预测模型预测所述催收案件当天被处理的假设情况下的第一出催概率和当天未被处理的假设情况下的第二出催概率；
计算每个所述催收案件的所述第一出催概率与所述第二出催概率的差值；
对每个所述催收案件的概率差值进行加权排序，并根据加权排序结果，在所有所述催收案件中筛选出推荐给所述目标催收员当天处理的目标催收案件；
不同逾期天数和预设的各所述预测模型预先建立对应关系。
2.根据权利要求1所述的方法，其特征在于，所述针对目标催收员当天所有的催收案件中的每一个，根据该催收案件的逾期天数确定对应的预测模型步骤之前，所述方法还包括：
建立不同逾期天数和预设的各预测模型之间的对应关系，其中，所述预测模型是通过如下方式得到的：
获取多个样本数据，所述多个样本数据包括多个样本催收案件在指定逾期天数内的多个原始变量的特征值和对应的标签；
获取各所述样本催收案件的处理状态变量的值，其中，所述处理状态变量用于指示样本催收案件在达到所述指定逾期天数的当天是否被处理；
根据各所述样本催收案件的多个原始变量的特征值、各所述样本催收案件的处理状态变量的值，获取各所述样本催收案件的多个衍生变量的特征值；
基于多个所述样本催收案件的多个原始变量的特征值、多个衍生变量的特征值和对应的标签进行训练，得到所述预测模型，其中，所述预测模型对应于所述指定逾期天数。
3.根据权利要求1或2所述的方法，其特征在于，所述利用所述预测模型预测所述催收案件当天被处理的假设情况下的第一出催概率和当天未被处理的假设情况下的第二出催概率，包括：
获取所述催收案件的多个原始变量的特征值；
针对所述催收案件当天是否被处理的两种假设情况，将所述催收案件的处理状态变量分别设置为第一值和第二值；
根据所述多个原始变量的特征值和所述处理状态变量的第一值，获取所述多个原始变量对应的多个衍生变量的第一特征值；
根据所述多个原始变量的特征值和所述处理状态变量的第二值，获取所述多个原始变量对应的多个衍生变量的第二特征值；
将所述多个原始变量的特征值和所述多个衍生变量的第一特征值输入到所述预测模型中，得到所述预测模型输出的第一出催概率；
将所述多个原始变量的特征值和所述多个衍生变量的第二特征值输入到所述预测模型中，得到所述预测模型输出的第二出催概率。
4.根据权利要求3所述的方法，其特征在于，所述获取所述催收案件的多个原始变量的特征值，包括：
从所述催收案件对应的用户基础信息、用户逾期信息、用户行为信息、历史催收记录和当天对应的日历日期中获取所述多个原始变量的特征值。
5.根据权利要求1所述的方法，其特征在于，所述对每个所述催收案件的概率差值进行加权排序，包括：
对每个所述催收案件的概率差值与每个所述催收案件的当前逾期金额进行对应相乘，得到每个所述催收案件的相乘结果；
对每个所述催收案件的相乘结果按照每个所述催收案件所处的逾期阶段数进行分组排序，得到排序后的多个分组。
6.根据权利要求5所述的方法，其特征在于，所述根据加权排序结果，在所有所述催收案件中筛选出推荐给所述目标催收员当天处理的目标催收案件，包括：
从排序后的多个所述分组中的每一个所述分组中，分别筛选出满足预设筛选规则的目标催收案件，以推荐给所述目标催收员当天处理。
7.一种基于人工智能的处理催收业务的装置，其特征在于，所述装置包括：
模型确定模块，用于针对目标催收员当天所有的催收案件中的每一个，根据该催收案件的逾期天数确定对应的预测模型；
模型预测模块，用于利用所述预测模型预测所述催收案件当天被处理的假设情况下的第一出催概率和当天未被处理的假设情况下的第二出催概率；
差值计算模块，用于计算每个所述催收案件的所述第一出催概率与所述第二出催概率的差值；
案件筛选模块，用于对每个所述催收案件的概率差值进行加权排序，并根据加权排序结果，在所有所述催收案件中筛选出推荐给所述目标催收员当天处理的目标催收案件；不同逾期天数和预设的各所述预测模型预先建立对应关系。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括关系建立模块和模型获取模块，其中：
所述关系建立模块具体用于：
建立不同逾期天数和预设的各预测模型之间的对应关系；
所述模型获取模块具体用于：
获取多个样本数据，所述多个样本数据包括多个样本催收案件在指定逾期天数内的多个原始变量的特征值和对应的标签；
获取各所述样本催收案件的处理状态变量的值，其中，所述处理状态变量用于指示样本催收案件在达到所述指定逾期天数的当天是否被处理；
根据各所述样本催收案件的多个原始变量的特征值、各所述样本催收案件的处理状态变量的值，获取各所述样本催收案件的多个衍生变量的特征值；
基于多个所述样本催收案件的多个原始变量的特征值、多个衍生变量的特征值和对应的标签进行训练，得到所述预测模型，其中，所述预测模型对应于所述指定逾期天数。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，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权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911155655.5A CN111062518B (zh) | 2019-11-22 | 2019-11-22 | 基于人工智能的处理催收业务的方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911155655.5A CN111062518B (zh) | 2019-11-22 | 2019-11-22 | 基于人工智能的处理催收业务的方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111062518A CN111062518A (zh) | 2020-04-24 |
| CN111062518B true CN111062518B (zh) | 2023-06-09 |
Family
ID=70298059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911155655.5A Active CN111062518B (zh) | 2019-11-22 | 2019-11-22 | 基于人工智能的处理催收业务的方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111062518B (zh) |
Families Citing this family (5)
| 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 |
| CN112396325B (zh) * | 2020-11-19 | 2022-08-26 | 平安普惠企业管理有限公司 | 案件处理方法、装置、介质及电子设备 |
| 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 |
| CN113450207A (zh) * | 2021-06-29 | 2021-09-28 | 重庆农村商业银行股份有限公司 | 一种智能催收方法、装置、设备及存储介质 |
| CN116862668B (zh) * | 2023-09-05 | 2023-11-24 | 杭州度言软件有限公司 | 一种提升催收效率的智能催收方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003141356A (ja) * | 2001-10-30 | 2003-05-16 | Hitachi Ltd | キャッシュフロー管理方法及びシステム |
| CN101236638A (zh) * | 2008-02-20 | 2008-08-06 | 中国工商银行股份有限公司 | 一种基于Web的银行卡风险监测方法及系统 |
| CN109214912A (zh) * | 2018-08-15 | 2019-01-15 | 拍拍信数据服务（上海）有限公司 | 行为数据的处理方法、行为预测方法、装置、设备及介质 |
| 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 |
| CN110414714A (zh) * | 2019-06-28 | 2019-11-05 | 上海上湖信息技术有限公司 | 逾期事件的回款概率预测方法及装置、可读存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7386503B2 (en) * | 2002-06-18 | 2008-06-10 | First Data Corporation | Profitability evaluation in transaction decision |
| CN108256691A (zh) * | 2018-02-08 | 2018-07-06 | 成都智宝大数据科技有限公司 | 还款概率预测模型构建方法及装置 |
| CN109146661A (zh) * | 2018-07-04 | 2019-01-04 | 深圳市买买提信息科技有限公司 | 用户类型预测方法、装置、电子设备及存储介质 |
| CN109034658A (zh) * | 2018-08-22 | 2018-12-18 | 重庆邮电大学 | 一种基于大数据金融的违约用户风险预测方法 |
| CN110276677A (zh) * | 2019-04-24 | 2019-09-24 | 武汉众邦银行股份有限公司 | 基于大数据平台的还款预测方法、装置、设备及存储介质 |
-
2019
- 2019-11-22 CN CN201911155655.5A patent/CN111062518B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003141356A (ja) * | 2001-10-30 | 2003-05-16 | Hitachi Ltd | キャッシュフロー管理方法及びシステム |
| CN101236638A (zh) * | 2008-02-20 | 2008-08-06 | 中国工商银行股份有限公司 | 一种基于Web的银行卡风险监测方法及系统 |
| CN109214912A (zh) * | 2018-08-15 | 2019-01-15 | 拍拍信数据服务（上海）有限公司 | 行为数据的处理方法、行为预测方法、装置、设备及介质 |
| 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 |
| CN110414714A (zh) * | 2019-06-28 | 2019-11-05 | 上海上湖信息技术有限公司 | 逾期事件的回款概率预测方法及装置、可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111062518A (zh) | 2020-04-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| US6098052A (en) | Credit card collection strategy model | |
| US7251589B1 (en) | Computer-implemented system and method for generating forecasts | |
| US8014983B2 (en) | Computer-implemented system and method for storing data analysis models | |
| Datta et al. | Automated cellular modeling and prediction on a large scale | |
| US20050080821A1 (en) | System and method for managing collections accounts | |
| US20210233095A9 (en) | Systems and methods for predicting subscriber churn in renewals of subscription products and for automatically supporting subscriber-subscription provider relationship development to avoid subscriber churn | |
| US20100324929A1 (en) | Apparatus and method for predicting healthcare revenue cycle outcomes and controlling work flow | |
| CN110415036B (zh) | 用户等级的确定方法、装置、计算机设备和存储介质 | |
| 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 | |
| EP3140799A1 (en) | An automatic statistical processing tool | |
| US11727137B2 (en) | Predictive update of profile database with update logic | |
| CN111061948A (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
| EP3764310A1 (en) | Prediction task assistance device and prediction task assistance method | |
| CN112445690B (zh) | 信息获取方法、装置及电子设备 | |
| WO2020248916A1 (zh) | 一种信息处理方法及装置 | |
| CN111091460A (zh) | 一种数据处理方法及装置 | |
| CN111986018A (zh) | 基于预定催收系统的账单催收方法、装置及电子设备 | |
| US20090299768A1 (en) | Apparatus and method for predicting healthcare revenue cycle outcomes and controlling work flow | |
| CN113434765A (zh) | 客户回访方法、系统、设备及存储介质 | |
| JP2002366732A (ja) | 会員制顧客に対する顧客維持支援システム | |
| JP6554504B2 (ja) | コールセンター業務支援システムおよびコールセンター業務支援方法 | |
| Al-Shakarchi et al. | A Data Mining Approach for Analysis of Telco Customer Churn | |
| US20220414495A1 (en) | System and method for determining expected loss using a machine learning framework | |
| CN116468109B (zh) | 预测模型的训练方法、使用方法及相关装置 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231204 Address after: Room 811, 8th Floor, No. 20, Lane 999, Dangui Road, China (Shanghai) Pilot Free Trade Zone, Pudong New Area, Shanghai, March 2012 Patentee after: Shanghai Platinum Zinc Information Technology Co.,Ltd. Address before: No. 8, 1st Floor, Building 1, No. 39 Renhe Street, Chengdu High tech Zone, Chengdu, Sichuan Province, 610000 Patentee before: Chengdu platinum tin Financial Information Technology Co.,Ltd. |