CN111369336A - 银行催收借款的方法 - Google Patents
银行催收借款的方法 Download PDFInfo
- Publication number
- CN111369336A CN111369336A CN202010106178.XA CN202010106178A CN111369336A CN 111369336 A CN111369336 A CN 111369336A CN 202010106178 A CN202010106178 A CN 202010106178A CN 111369336 A CN111369336 A CN 111369336A
- Authority
- CN
- China
- Prior art keywords
- collection
- information
- model
- bank
- refund
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Technology Law (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及银行催收借款的方法,包括:A.确定催收对象,并将催收对象的各类信息集中保存在存储介质的指定区域中;B.根据历史设定时间内的已催收对象作为建模样本构建预测回款率模型;C.预测回款率模型根据保存的催收对象的各种信息计算对催收对象催收后可回款金额的预测回款率r,根据待催收金额m和预测回款率r计算期望回款金额rm=m×r;D.按照期望回款金额由大到小设定催收优先级后进行催收。本发明能够量化每个催收对象的催收价值,能够有侧重、有针对地进行催收,在有限的催收人力下,大幅度提升了实际的催收效果,有效保证了银行的回款金额。
Description
技术领域
本发明涉及数据挖掘领域,具体讲是通过数据挖掘实现银行催收借款的方法。
背景技术
催收是指银行通过合法的追收流程和方式,催促借款人履行借款合同所确定的归还贷款本息的义务。为了更好的处理不良资产,降低坏账率,银行、银行信用卡部门都会成立专门的机构,制定合法的催收业务流程和方式,指定专人催收。
催收可以分为诉讼催收与非诉讼催收。其中非诉讼催收中常见的包括有短信提醒、电话催收、信函催款等。现阶段银行主要采用短信提醒与电话催收相结合的催收方式。例如,许多银行会采用在借款逾期当天和次日发送短信提醒,逾期7日、10日等时点催收专员通过电话催收的方式开展催收业务。而目前的这种催收方式主要存在以下几个问题:
1、催收专员的人力有限。随着银行业务的不断开展,需要催收的已逾期借款人数不断增多,但是催收专员的人力资源有限,往往无法覆盖全部待催收的借款人的电催需求。
2、缺乏对借款人实际情况的了解。对不同逾期情况的借款人采用相同的催收策略,而没有考虑借款人的还款能力和还款意愿;现实中往往因为无法有针对性地及时触达(甚至没有触达)还款可能性高的借款人,由此增大了催收难度,影响了催收效果。
发明内容
本发明提供了一种银行催收借款的方法,以实现有侧重、有针对地进行催收,在有限的催收人力下,有效提升实际的催收效果。
本发明银行催收借款的方法,包括:
A.确定催收对象,并将催收对象的借款申请阶段信息、借款产品的属性信息、借款后的行为信息、催收后的表现信息分别收集和集中保存在存储介质的指定区域中;
B.根据历史设定时间内的已催收对象作为建模样本,通过机器学习的建模方法,构建一个对催收对象催收后的回归类的预测回款率模型;
C.处理器读取步骤A中保存的所述催收对象的各种信息,并将所述信息导入所述的预测回款率模型中,计算对催收对象催收后可回款金额的预测回款率r,然后根据催收对象的待催收金额m和预测回款率r通过处理器计算期望回款金额rm=m×r;
D.按照期望回款金额由大到小设定催收优先级后进行催收。
本发明通过对催收对象进行数据挖掘,使用本领域常规的建模方法对催收对象的信息进行了量化,并刻画了每个催收对象的催收价值,并且能够根据催收过程中反馈的实际催收效果,不断地更新、迭代数据信息。在催收人力资源有限的情况下,有侧重地合理分配了人力资源,极大地提升了催收的效果。
优选的,对同一批催收对象按不同的时间进行多次催收。
进一步的,对同一批催收对象从第二次催收起,更新步骤A中保存的所述催收对象的各种信息后,再执行步骤B至步骤D。
具体的,在所述信息中需要更新的信息包括:催收对象被催收的次数、催收后催收对象的电话接通次数、催收后的回款情况、应答催收时反馈的行为优劣性质、采集数据信息的时间、以及不同借据的逾期情况。在不同的时间根据更新后的相应信息来更新预测回款率模型,更够更有针对性、更准确的对催收对象进行跟进和预测。
具体的,步骤B中构建预测回款率模型的步骤为:
B1.采集建模数据集:将历史设定时间内的已催收对象作为建模样本,采集建模样本的步骤A所述各种信息和已发生的实际回款率;
B2.模型选择:选择回归类的模型,例如现有的XGBoost模型或LightGBM模型都是支持这类回归算法的模型;
B3.将步骤B1中数据作为训练样本,使用交叉验证的方法选取模型的最优超参数,并通过确定的最优超参数拟合建模数据集,训练并得到最终的模型。
本发明银行催收借款的方法,能够量化每个催收对象的催收价值,并进而确定每个催收对象的催收优先级,能够有侧重、有针对地进行催收,在有限的催收人力下,大幅度提升了实际的催收效果,有效保证了银行的回款金额。
以下结合实施例的具体实施方式,对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。在不脱离本发明上述技术思想情况下,根据本领域普通技术知识和惯用手段做出的各种替换或变更,均应包括在本发明的范围内。
附图说明
图1为本发明银行催收借款的方法的流程图。
具体实施方式
如图1所示本发明的银行催收借款的方法,包括:
A.确定催收对象(通常为已逾期的借款人),并将催收对象的借款申请阶段信息、借款产品的属性信息、借款后的行为信息、催收后的表现信息分别收集和集中保存在存储介质的指定区域中。
其中,借款申请阶段信息可以包括:个人基本信息(如:年龄、性别、学历、家庭住址、常住地等)、申请联系人借贷信息、申请阶段行内多头借贷等;
借款产品的属性信息可以包括:额度、利率和期限等。
借款后的行为信息可以包括:行内多头借贷信息、使用行为信息(包括:提款行为和活跃信息)、还款行为信息(包括:还款行为和提前还清信息)、逾期行为信息等;
催收后的表现信息可以包括:催记标签信息、申请联系人反馈信息和还款行为信息。
B.根据历史设定时间内的已催收对象作为建模样本,通过机器学习的建模方法,构建一个对催收对象催收后的回归类的预测回款率模型,步骤包括:
B1.采集建模数据集:将历史设定时间内的已催收对象作为建模样本,采集建模样本的步骤A所述各种信息和已发生的实际回款率;
B2.模型选择:选择回归类的模型,例如现有的XGBoost模型或LightGBM模型都是支持这类回归算法的模型;
B3.将步骤B1中数据作为训练样本,使用交叉验证的方法选取模型的最优超参数,并通过确定的最优超参数拟合建模数据集,训练并得到最终的模型。
C.处理器读取步骤A中保存的所述催收对象的各种信息,并将所述信息导入所述的预测回款率模型中,计算对催收对象催收后可回款金额的预测回款率r,然后根据催收对象的待催收金额m和预测回款率r通过处理器计算期望回款金额rm=m×r,如表1所示:
表1:
用户ID | 待催收金额(m) | 预测回款率(r) | 预测回款金额(r<sub>m</sub>) |
100024 | 3500 | 50.00% | 1750 |
100012 | 1000 | 12.50% | 125 |
… | … | … | … |
D.按照期望回款金额由大到小设定催收优先级后进行催收。对于催收优先级靠后的催收对象,可以采取较晚的排期催收或放弃电话催收。
在第一次催收后,后续的,对同一批催收对象按不同的时间进行多次催收。在后续的每次催收时,先更新步骤A中保存的所述催收对象的各种信息,包括催收对象被催收的次数、催收后催收对象的电话接通次数、催收后的回款情况、应答催收时反馈的行为优劣性质、采集数据信息的时间、以及不同借据的逾期情况等各种与时间相关的信息。然后再执行步骤B至步骤D。根据更新后的相应信息来更新预测回款率模型,更够更有针对性、更准确的对催收对象进行跟进和预测。
通过对催收对象进行数据挖掘,然后使用本领域常规的建模方法对催收对象的信息进行了量化,并刻画了每个催收对象的催收价值,并且能够根据催收过程中反馈的实际催收效果,不断地更新、迭代数据信息。在催收人力资源有限的情况下,有侧重地合理分配了人力资源,极大地提升了催收的效果。
Claims (5)
1.银行催收借款的方法,其特征包括:
A.确定催收对象,并将催收对象的借款申请阶段信息、借款产品的属性信息、借款后的行为信息、催收后的表现信息分别收集和集中保存在存储介质的指定区域中;
B.根据历史设定时间内的已催收对象作为建模样本,通过机器学习的建模方法,构建一个对催收对象催收后的回归类的预测回款率模型;
C.处理器读取步骤A中保存的所述催收对象的各种信息,并将所述信息导入所述的预测回款率模型中,计算对催收对象催收后可回款金额的预测回款率r,然后根据催收对象的待催收金额m和预测回款率r通过处理器计算期望回款金额rm=m×r;
D.按照期望回款金额由大到小设定催收优先级后进行催收。
2.如权利要求1所述的银行催收借款的方法,其特征为:对同一批催收对象按不同的时间进行多次催收。
3.如权利要求2所述的银行催收借款的方法,其特征为:对同一批催收对象从第二次催收起,更新步骤A中保存的所述催收对象的各种信息后,再执行步骤B至步骤D。
4.如权利要求3所述的银行催收借款的方法,其特征为:在所述信息中需要更新的信息包括:催收对象被催收的次数、催收后催收对象的电话接通次数、催收后的回款情况、应答催收时反馈的行为优劣性质、采集数据信息的时间、以及不同借据的逾期情况。
5.如权利要求1所述的银行催收借款的方法,其特征为:步骤B中构建预测回款率模型的步骤为:
B1.采集建模数据集:将历史设定时间内的已催收对象作为建模样本,采集建模样本的步骤A所述各种信息和已发生的实际回款率;
B2.模型选择:选择回归类的模型;
B3.将步骤B1中数据作为训练样本,使用交叉验证的方法选取模型的最优超参数,并通过确定的最优超参数拟合建模数据集,训练并得到最终的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010106178.XA CN111369336A (zh) | 2020-02-21 | 2020-02-21 | 银行催收借款的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010106178.XA CN111369336A (zh) | 2020-02-21 | 2020-02-21 | 银行催收借款的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111369336A true CN111369336A (zh) | 2020-07-03 |
Family
ID=71209971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010106178.XA Pending CN111369336A (zh) | 2020-02-21 | 2020-02-21 | 银行催收借款的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369336A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819613A (zh) * | 2021-03-09 | 2021-05-18 | 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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
CN110599324A (zh) * | 2019-07-25 | 2019-12-20 | 阿里巴巴集团控股有限公司 | 一种用于回款率预测的方法和装置 |
-
2020
- 2020-02-21 CN CN202010106178.XA patent/CN111369336A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
CN110599324A (zh) * | 2019-07-25 | 2019-12-20 | 阿里巴巴集团控股有限公司 | 一种用于回款率预测的方法和装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819613A (zh) * | 2021-03-09 | 2021-05-18 | 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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bachas et al. | How debit cards enable the poor to save more | |
US7191150B1 (en) | Enhancing delinquent debt collection using statistical models of debt historical information and account events | |
US11037158B2 (en) | Bulk dispute challenge system | |
Mbiti et al. | Mobile banking: The impact of M-Pesa in Kenya | |
Degryse et al. | The impact of competition on bank orientation | |
Paleologo et al. | Subagging for credit scoring models | |
CN110728429B (zh) | 案件分配方法、装置、介质和计算机设备 | |
Gowrisankaran et al. | Entry and pricing in a differentiated products industry: Evidence from the ATM market | |
CN114119137A (zh) | 风险控制方法和装置 | |
CN110827138A (zh) | 一种推送信息确定方法及装置 | |
CN111383093A (zh) | 账单逾期智能催收方法及系统 | |
CN110276677A (zh) | 基于大数据平台的还款预测方法、装置、设备及存储介质 | |
CN114912925A (zh) | 欺诈检测方法、装置、电子设备及计算机可读介质 | |
Cnaan et al. | Financial inclusion in the digital banking age: Lessons from rural India | |
CN111369336A (zh) | 银行催收借款的方法 | |
CN111489147A (zh) | 资格确认的方法、支付系统和支付方法 | |
Ahn et al. | A novel customer scoring model to encourage the use of mobile value added services | |
CN116468109B (zh) | 预测模型的训练方法、使用方法及相关装置 | |
Wang et al. | A credit assessment mechanism for wireless telecommunication debt collection: an empirical study | |
CN110245985B (zh) | 一种信息处理方法及装置 | |
CN111476657A (zh) | 信息推送方法、装置及系统 | |
CN117094764A (zh) | 银行积分处理方法及装置 | |
CN113807943A (zh) | 一种不良资产的多因子估值方法及系统、介质、设备 | |
Alfat et al. | Feature Selection of Credit Score Factor Based on Smartphone Usage using MCFS | |
CN113393320A (zh) | 企业金融服务风险预测方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200703 |
|
RJ01 | Rejection of invention patent application after publication |