CN111539650A - 国际争议案件抗辩方法及其装置 - Google Patents
国际争议案件抗辩方法及其装置 Download PDFInfo
- Publication number
- CN111539650A CN111539650A CN202010396812.8A CN202010396812A CN111539650A CN 111539650 A CN111539650 A CN 111539650A CN 202010396812 A CN202010396812 A CN 202010396812A CN 111539650 A CN111539650 A CN 111539650A
- Authority
- CN
- China
- Prior art keywords
- dispute
- international
- case
- information
- processed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000010801 machine learning Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 29
- 238000011084 recovery Methods 0.000 claims description 27
- 230000009471 action Effects 0.000 description 8
- 238000012216 screening Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及电子商务领域，公开了一种国际争议案件抗辩方法及其装置。所述方法包括：获取待处理国际争议案件的变量信息，所述国际争议案件的变量信息包括：ECI值、退款信息、申诉状态信息和纠纷状态信息；将所述待处理国际争议案件的变量信息输入机器学习模型，得到所述待处理国际争议案件的模型分数；如果所述模型分数大于预设的阈值，则对所述待处理国际争议案件进行抗辩。
Description
技术领域
本申请涉及电子商务领域。
背景技术
信用卡拒付(chargeback)是最常见的国际争议类型，指的是持卡人在支付后一定期限内(一般为120天，某些支付机构可能规定更长的期限)，可以向银行申请拒付账单上的某笔交易。由于网络交易和面对面交易的差异性，无论卖家使用何种电子商务平台，此类风险都无法完全避免。
拒付的场景包含很多原因，主要包括Fraud(盗卡类)、Customer Dispute(对货物有争议)、Processing Error(收单行/商户操作不当类)。特别在国际交易上，由于买卖家通常分布在不同的国家，物流、沟通、买家诚信、商户本身的资质和水平等问题容易导致货不对版、未收到货等Customer Dispute类争议，同时卡信息泄露、个人及团伙作案的盗卡交易更是让商户在发货后收到大量盗卡交易。
拒付也是清算的一种形式。拒付后，资金从收单行清算至发卡行，收单行通常会将资损风险转嫁给商户，如果商户未能及时响应或合理抗辩，拒付就会变成商户的资损，导致人财两空的结果。较大的商户，每月收到的拒付量可达一万多笔，拒付金额每年达几千万。
以往争议运营小二(指商户客服人员)需要逐笔查看案件，在多个页面查看各种信息后，再综合判断是否需要抗辩，并整理出抗辩材料提交发卡行以减少资损。在国际争议处理中，胜败诉结果一定程度上也受持卡人对自己权利的维护意识、发卡行的争议处理水平/处理原则、收单行的争议处理水平等方面的影响，有较大的随机性，即便小二投入了大量人力筛选一些人为判断较有可能性胜诉的案件，也无法确保抗辩结果符合预期。另外，由于抗辩有一定的时效性，通常小二只有10个自然日左右的时间，每天平均几百笔的案件完全没有人力逐笔查看，导致很多人力并未用在追回可能性更高的案件上面，投入和产出不成正比。
发明内容
本说明书提供了一种国际争议案件抗辩方法及其装置，以解决在处理国际争议案件时，大量人力并未用在追回可能性更高的案件上面，投入和产出不成正比的问题。
为解决上述技术问题，本说明书的实施方式公开了一种国际争议案件抗辩方法，包括：
获取待处理国际争议案件的变量信息，所述国际争议案件的变量信息包括：ECI值、退款信息、申诉状态信息和纠纷状态信息；
将所述待处理国际争议案件的变量信息输入机器学习模型，得到所述待处理国际争议案件的模型分数；
如果所述模型分数大于预设的阈值，则对所述待处理国际争议案件进行抗辩。
本说明书的实施方式还公开了一种国际争议案件抗辩装置，包括：
第一获取模块，用于获取待处理国际争议案件的变量信息，所述国际争议案件的变量信息包括：ECI值、退款信息、申诉状态信息和纠纷状态信息；
打分模块，用于将所述待处理国际争议案件的变量信息输入机器学习模型，得到所述待处理国际争议案件的模型分数；
判断模块，用于判断所述模型分数是否大于预设的阈值；
抗辩模块，用于在所述模型分数大于预设的阈值时，对所述待处理国际争议案件进行抗辩。
本说明书的实施方式还公开了一种国际争议案件抗辩设备，包括：
存储器，用于存储计算机可执行指令；以及，
处理器，用于在执行所述计算机可执行指令时实现上述方法中的步骤。
本说明书的实施方式还公开了一种计算机可读存储介质，其中存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述方法中的步骤。
本说明书实施方式中，通过对大量的历史数据进行机器学习训练，所训练的模型能够对待处理案件的抗辩胜诉可能性进行打分，并且和争议金额进行加权，给出综合评估。不需要运营小二在前期进行人工判断筛选，可直接按照模型打分结果从高到低进行筛选做抗辩，抗辩可帮助挽回资损。能够保证在一定的抗辩率(＝抗辩笔数/收到的争议笔数)下，追回率(＝追回金额/收到的争议金额)保持较稳定的水平。并且模型可输出关键变量，帮助小二确定抗辩文档整理的重点。在整体抗辩笔数保持一定比率的前提下保证金额的追回率，有效挽回资损，在人力有限的情况下更加能够提高投入产出比。
本申请的说明书中记载了大量的技术特征，分布在各个技术方案中，如果要罗列出本申请所有可能的技术特征的组合(即技术方案)的话，会使得说明书过于冗长。为了避免这个问题，本申请上述发明内容中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征，都可以自由地互相组合，从而构成各种新的技术方案(这些技术方案均因视为在本说明书中已经记载)，除非这种技术特征的组合在技术上是不可行的。例如，在一个例子中公开了特征A+B+C，在另一个例子中公开了特征A+B+D+E，而特征C和D是起到相同作用的等同技术手段，技术上只要择一使用即可，不可能同时采用，特征E技术上可以与特征C相组合，则，A+B+C+D的方案因技术不可行而应当不被视为已经记载，而A+B+C+E的方案应当视为已经被记载。
附图说明
图1是根据本申请第一实施方式的一种国际争议案件抗辩方法的流程示意图；
图2是根据本申请一个优选实施例的一种模型产出的流程示意图；
图3是根据本申请一个优选实施例的一种再请款率和追回率的对应关系图表；
图4是根据本申请一个优选实施例的一种模型应用的流程示意图；
图5是根据本申请第二实施方式的一种国际争议案件抗辩装置的结构示意图。
具体实施方式
在以下的叙述中，为了使读者更好地理解本申请而提出了许多技术细节。但是，本领域的普通技术人员可以理解，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。
为使本说明书的目的、技术方案和优点更加清楚，下面将结合附图对本说明书的实施方式作进一步地详细描述。
本说明书的第一实施方式涉及一种国际争议案件抗辩方法，其流程示意图如图1所示。
如图1所示，该国际争议案件抗辩方法包括以下步骤：
在步骤101中，获取待处理国际争议案件的变量信息，所述国际争议案件的变量信息包括：ECI值、退款信息、申诉状态信息和纠纷状态信息。
其中，ECI是Electronic Commerce Indicator的简写，是代表交易中授权清算经过的一个字段。退款信息，即total_refund_amt_gt0(已退款+在途退款总金额是否大于0)，其中已退款是指退款已经成功的，在途退款是指已经申请了退款，但退款还没完成的。申诉状态信息，包括持卡人是否来申诉过，以及申诉是否成功等信息。纠纷状态信息，包括交易过程中是否有过纠纷，纠纷原因，以及纠纷处理结果等信息。
此后进入步骤103，将所述待处理国际争议案件的变量信息输入机器学习模型，得到所述待处理国际争议案件的模型分数。
此后进入步骤105，如果所述模型分数大于预设的阈值，则对所述待处理国际争议案件进行抗辩。
其中，所述阈值可以根据预定时间段内的历史国际争议案件的抗辩率和追回率确定，所述抗辩率为进行抗辩的国际争议案件数量与所有国际争议案件数量的比值，所述追回率为追回的争议金额与所有争议金额的比值。
在得到模型对待处理国际争议案件的打分后，运营小二通过将模型分数与预设的阈值进行比较，来对模型分数进行筛选。预设的分数阈值可根据运营人力进行调整，分数阈值的确定也可以有多种方式，总体原则是在整体抗辩笔数保持一定比率的前提下保证金额的追回率，所以分数阈值可根据上一月或上一周的历史数据分数vs抗辩笔数占比情况确定最新的阈值，也可以根据每天的新案件整体打分情况确定分数阈值，在实际运营中利用历史数据确定一个分数阈值这样的操作方式会更简便，同时需要对模型打分vs抗辩笔数占比情况做持续监控以便及时调整，对一定时间内(如一个财年的考核周期)的抗辩率有较好的把握。
在本申请的技术方案中，只对满足分数要求的案件做重点抗辩，其他案件放弃或者批量提交，可以节省大量人力。
此后结束本流程。
在本实施方式中，优选地，在步骤103之后，还可以包括以下步骤：
将所述模型分数和所述待处理国际争议案件的争议金额进行加权，得到加权后的模型分数。
模型分数结合争议金额进行加权，放弃一部分模型分数高但对追回金额贡献度不够的案件，让运营小二的人力花在追回率、贡献度综合价值更高的案件上。
进一步地，优选地，在步骤103中，将所述待处理国际争议案件的变量信息输入所述机器学习模型，还可以得到所述变量信息的变量重要性值。
在模型的实际应用中，除了模型分数，还可以输出各个变量信息的变量重要性值(即各个变量信息的权重值)，将各个变量信息按照贡献度从高到低输出，方便运营小二在有限的时间内有重点、有优先级地查看变量信息。
在本实施方式中，优选地，所述机器学习模型通过以下方式进行训练：
获取训练集合中国际争议案件的变量信息和抗辩结果信息；
根据所述训练集合中国际争议案件的变量信息和抗辩结果信息，训练所述机器学习模型。
需要说明的是，训练集合中包括预定历史事件段内发生的历史国际争议案件。比如说，过去一年内、过去半年内、过去一个月内或过去一周内等发生的历史国际争议案件。
如上所述，训练集合中的国际争议案件的变量信息同样包括：ECI值、退款信息、申诉状态信息和纠纷状态信息等。
所述抗辩结果信息可以包括：抗辩是否胜诉，以及抗辩追回金额等。
在本实施方式中，优选地，所述模型可以为神经网络模型等。
为了能够更好地理解本说明书的技术方案，下面结合一个优选实施例来进行说明，该优选实施例中罗列的细节主要是为了便于理解，不作为对本申请保护范围的限制。
在该优选实施例的技术方案中，一共包括两步：
第一步是模型的产出：
图2是该模型产出的流程示意图，具体地说，包括以下步骤：
1.人工经验确定模型关键变量：除案件本身的一些因素，如争议理由、卡组织、收单行、发卡行等，还需要根据人工经验确定额外需关联的信息，如申诉状态、纠纷状态、物流信息、退款信息、交易历史等。
表1 为训练模型时可能需要的变量信息汇总。
表1
2.数据准备：根据确定的基本变量和关键变量，梳理线下数仓表关联逻辑或线上接口关联逻辑。
3.模型训练：给模型输入所有变量信息及抗辩结果信息，进行模型训练。
4.1确定变量及其重要性：我们根据争议的所有参与方梳理变量，根据不同的变量情况在大量训练案件中对结果的影响确定变量的重要性。
需要说明的是，各个变量信息的选择可以根据不同的业务场景、不同的争议类型等有所调整，各个变量信息的重要性也会根据模型的评估、优化结果有所调整。在实际应用中，除了模型分数，还可以输出关键变量信息，即变量按贡献度从高到低输出，方便运营小二在有限的时间内有重点、有优先级地查看变量信息。
表2为一种优选类型的国际争议案件中的变量信息及各个变量信息的变量重要性值(即各个变量信息的权重值)举例。
表2
| 名称 | 类型 | 变量描述 | 变量IV | 变量重要性(gini) |
| bank_country | string | 卡属国 | 0.7000 | 0.0193 |
| reason_code | string | 拒付理由 | 0.6290 | 0.0229 |
| total_refund_amt_gt0 | bigint | 已退款+在途退款总金额是否大于0 | 0.5490 | 0.0126 |
| refunded_amt_gt0 | bigint | 已退款是否大于0 | 0.5120 | 0.0100 |
| channel | string | 拒付渠道 | 0.4020 | 0.0111 |
| issuer_relabel | string | 发卡组织 | 0.2670 | 0.0061 |
| is_buyer_accept | bigint | 买家接受订单 | 0.2850 | 0.0101 |
| event_amount_total_usd | double | 支付金额(美元) | 0.1160 | 0.0109 |
| reference_cnt_per_payid | bigint | 合并支付子订单数量 | 0.0970 | 0.0102 |
| pay_currency | string | 支付发生时的汇率 | 0.0880 | 0.0022 |
| issue_status | string | 纠纷状态 | 0.0590 | 0.0012 |
| eci_value | double | eci值 | 0.0430 | 0.0008 |
| on_refund_amt_gt0 | bigint | 退款在途是否大于0 | 0.0370 | 0.0008 |
| cb_amount_total_level2 | string | 拒付金额分等级2 | 0.0170 | 0.0019 |
| task_status_new | string | 申诉状态 | 0.0220 | 0.0025 |
给模型输入所获取的变量信息及抗辩结果信息，进行模型训练。此外，在模型训练过程中，还可以根据不同的变量信息在大量训练案件中对抗辩结果的影响，从而确定各个变量信息的重要性。
4.2对历史数据进行打分：对未投入模型训练的历史数据进行打分，并结合金额进行加权。
5.模型评估：根据4.2的打分情况和实际抗辩结果进行模型效果评估。
在训练模型的过程中，可以选取另一部分已有抗辩结果但未包含在训练集合中的历史国际争议案件作为测试数据，对训练好的机器学习模型进行测试、评估和算法优化，符合业务期望后再投入使用。
具体地说，可以利用所训练的机器学习模型对未投入模型训练的历史数据进行打分，并结合金额进行加权。并根据打分情况和实际抗辩结果进行模型效果评估。
图3是根据历史国际争议案件总结的一种再请款率(即抗辩率)和追回率的对应关系图表。其中，所述曲线图中，左边的纵坐标对应再请款率值，对应11曲线；右边的纵坐标对应追回率值，对应22曲线。
根据图3所示，在39％的再请款率时，追回率对应18％。假设分数阈值是50分，即分数≥50分的案件运营小二都做抗辩，追回率预期可达18％，对应月争议量近1万笔的大商户，对应的资损挽回金额近百万元。
如果人力投入(再请款率)vs产出(追回率)不符合业务预期，需要尝试调整模型算法、增加学习训练的样本数等途径对模型进行优化。
第二步是模型的应用：
图4是该模型应用的流程示意图，具体地说，包括以下步骤：
1.确定新案件的检测逻辑。
2.检测到新案件后，模型自动执行，对每一条案件输出分数。在输出模型分数的基础上，还可以同时输出抗辩成功率(即追回率)可能性(未考虑金额影响)。
3.小二对分数进行筛选，不考虑其他因素。阈值分数可根据运营人力进行调整，此处阈值的确定也有多种方式，因本方案的原则是整体抗辩笔数保持一定的比率下保证金额的追回率，所以阈值可根据上一月或上一周的历史数据分数vs笔数占比情况确定最新的阈值，也可以根据每天的新案件整体打分情况确定阈值，在实际运营中利用历史数据确定一个阈值这样的操作方式会更简便，同时需要对模型打分vs占比情况做持续监控以便及时调整，对一定时间内(如一个财年的考核周期)的抗辩率有较好的把握。
4.只对满足分数要求的案件做重点抗辩，其他案件可放弃或者批量提交，节省大量人力。
通过对大量历史数据的学习，能够对新收到的案件输出一个抗辩胜诉概率分。同时结合金额进行加权，放弃一部分高分但对追回金额贡献度不够的案件，让小二的人力花在追回率、贡献度综合价值更高的案件上。模型分数可离线打分离线应用，也可在线实时打分，将模型分数应用到系统自动化处理中。
在国际争议处理中，胜败诉结果一定程度上也受持卡人对自己权利的维护意识、发卡行的争议处理水平/处理原则、收单行的争议处理水平等方面的影响，有较大的随机性，即便小二投入了大量人力筛选一些人为判断较有可能性胜诉的案件，也无法确保抗辩结果符合预期。
本申请技术方案在于不需要小二在前期进行人工判断筛选，可直接按照模型打分结果从高到低进行筛选做抗辩。在笔数再请款率达标的情况下，模型能够对整体抗辩结果(即金额追回率)有较好地保障，有效挽回资损，在人力有限的情况下更加能够提高投入产出比。
综上所述，本说明书上述实施方式，通过对大量的历史数据进行机器学习训练，所训练的模型能够对待处理案件的抗辩胜诉可能性进行打分，并且和争议金额进行加权，给出综合评估。不需要运营小二在前期进行人工判断筛选，可直接按照模型打分结果从高到低进行筛选做抗辩，抗辩可帮助挽回资损。模型能够保证在一定的抗辩率(＝抗辩笔数/收到的争议笔数)下，追回率(＝追回金额/收到的争议金额)保持较稳定的水平。并且模型还可以输出关键变量(即变量重要性值高的变量信息)，帮助运营小二确定抗辩文档整理的重点。在整体抗辩笔数保持一定比率的前提下保证金额的追回率，有效挽回资损，在人力有限的情况下更加能够提高投入产出比。
本申请的第二实施方式涉及一种国际争议案件抗辩装置，其结构示意图如图5所示。
如图5所示，该国际争议案件抗辩装置包括：
第一获取模块，用于获取待处理国际争议案件的变量信息，所述国际争议案件的变量信息包括：ECI值、退款信息、申诉状态信息和纠纷状态信息；
打分模块，用于将所述待处理国际争议案件的变量信息输入机器学习模型，得到所述待处理国际争议案件的模型分数；
判断模块，用于判断所述模型分数是否大于预设的阈值；
抗辩模块，用于在所述模型分数大于预设的阈值时，对所述待处理国际争议案件进行抗辩。
其中，所述分数阈值根据预定时间段内的历史国际争议案件的抗辩率和追回率确定，所述抗辩率为进行抗辩的国际争议案件数量与所有国际争议案件数量的比值，所述追回率为追回的争议金额与所有争议金额的比值。
只对满足分数要求的案件做重点抗辩，其他案件放弃或者批量提交，可以节省大量人力。
在本实施方式中，优选地，该国际争议案件抗辩装置还包括：
第二获取模块，用于获取训练集合中国际争议案件的变量信息和抗辩结果信息；
训练模块，用于根据所述训练集合中国际争议案件的变量信息和抗辩结果信息，训练所述机器学习模型。
进一步地，优选地，该国际争议案件抗辩装置还包括：
加权模块，用于将所述模型分数和所述待处理国际争议案件的争议金额进行加权，得到加权后的模型分数。
更进一步地，优选地，所述打分模块，还用于将所述待处理国际争议案件的变量信息输入所述机器学习模型，得到所述变量信息的变量重要性值。
将所述待处理国际争议案件的变量信息输入所述机器学习模型，还可以得到所述变量信息的变量重要性值。
在模型的实际应用中，除了模型分数，还可以输出各个变量信息的变量重要性值(即各个变量信息的权重值)，将各个变量信息按照贡献度从高到低输出，方便运营小二在有限的时间内有重点、有优先级地查看变量信息。
综上所述，本说明书上述实施方式，通过对大量的历史数据进行机器学习训练，所训练的模型能够对待处理案件的抗辩胜诉可能性进行打分，不需要小二在前期进行人工判断筛选，可直接按照模型打分结果从高到低进行筛选做抗辩。在整体抗辩笔数保持一定比率的前提下保证金额的追回率，有效挽回资损，在人力有限的情况下更加能够提高投入产出比。
第一实施方式是与本实施方式相对应的方法实施方式，第一实施方式中的技术细节可以应用于本实施方式，本实施方式中的技术细节也可以应用于第一实施方式。
需要说明的是，本领域技术人员应当理解，上述国际争议案件抗辩装置的实施方式中所示的各模块的实现功能可参照前述国际争议案件抗辩方法的相关描述而理解。上述国际争议案件抗辩装置的实施方式中所示的各模块的功能可通过运行于处理器上的程序(可执行指令)而实现，也可通过具体的逻辑电路而实现。本说明书实施例中的上述国际争议案件抗辩装置如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本说明书实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本说明书实施例不限制于任何特定的硬件和软件结合。
相应地，本说明书实施方式还提供一种计算机可读存储介质，其中存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现本说明书的各方法实施方式。计算机可读存储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，计算机可读存储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。
此外，本说明书实施方式还提供一种国际争议案件抗辩设备，其中包括用于存储计算机可执行指令的存储器，以及，处理器；该处理器用于在执行该存储器中的计算机可执行指令时实现上述各方法实施方式中的步骤。其中，该处理器可以是中央处理单元(Central Processing Unit，简称“CPU”)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，简称“DSP”)、专用集成电路(ApplicationSpecificIntegrated Circuit，简称“ASIC”)等。前述的存储器可以是只读存储器(read-only memory，简称“ROM”)、随机存取存储器(random access memory，简称“RAM”)、快闪存储器(Flash)、硬盘或者固态硬盘等。本发明各实施方式所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
需要说明的是，在本专利的申请文件中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品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、物品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、物品或者设备中还存在另外的相同要素。本专利的申请文件中，如果提到根据某要素执行某行为，则是指至少根据该要素执行该行为的意思，其中包括了两种情况：仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。
在本说明书提及的所有文献都被认为是整体性地包括在本说明书的公开内容中，以便在必要时可以作为修改的依据。此外应理解，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的保护范围之内。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
Claims (12)
1.一种国际争议案件抗辩方法，包括：
获取待处理国际争议案件的变量信息，所述国际争议案件的变量信息包括：ECI值、退款信息、申诉状态信息和纠纷状态信息；
将所述待处理国际争议案件的变量信息输入机器学习模型，得到所述待处理国际争议案件的模型分数；
如果所述模型分数大于预设的阈值，则对所述待处理国际争议案件进行抗辩。
2.如权利要求1所述的方法，其中，所述机器学习模型通过以下方式训练：
获取训练集合中国际争议案件的变量信息和抗辩结果信息；
根据所述训练集合中国际争议案件的变量信息和抗辩结果信息，训练所述机器学习模型。
3.如权利要求1所述的方法，其中，在所述将所述待处理国际争议案件的变量信息输入机器学习模型，得到所述待处理国际争议案件的模型分数的步骤之后，还包括以下步骤：
将所述模型分数和所述待处理国际争议案件的争议金额进行加权，得到加权后的模型分数。
4.如权利要求1所述的方法，其中，将所述待处理国际争议案件的变量信息输入所述机器学习模型，还得到所述变量信息的变量重要性值。
5.如权利要求1-4中任一项所述的方法，其中，所述阈值根据预定时间段内的历史国际争议案件的抗辩率和追回率确定，所述抗辩率为进行抗辩的国际争议案件数量与所有国际争议案件数量的比值，所述追回率为追回的争议金额与所有争议金额的比值。
6.一种国际争议案件抗辩装置，包括：
第一获取模块，用于获取待处理国际争议案件的变量信息，所述国际争议案件的变量信息包括：ECI值、退款信息、申诉状态信息和纠纷状态信息；
打分模块，用于将所述待处理国际争议案件的变量信息输入机器学习模型，得到所述待处理国际争议案件的模型分数；
判断模块，用于判断所述模型分数是否大于预设的阈值；
抗辩模块，用于在所述模型分数大于预设的阈值时，对所述待处理国际争议案件进行抗辩。
7.如权利要求6所述的装置，其中，还包括：
第二获取模块，用于获取训练集合中国际争议案件的变量信息和抗辩结果信息；
训练模块，用于根据所述训练集合中国际争议案件的变量信息和抗辩结果信息，训练所述机器学习模型。
8.如权利要求6所述的装置，其中，还包括：
加权模块，用于将所述模型分数和所述待处理国际争议案件的争议金额进行加权，得到加权后的模型分数。
9.如权利要求6所述的装置，其中，所述打分模块，还用于将所述待处理国际争议案件的变量信息输入所述机器学习模型，得到所述变量信息的变量重要性值。
10.如权利要求6-9中任一项所述的装置，其中，所述分数阈值根据预定时间段内的历史国际争议案件的抗辩率和追回率确定，所述抗辩率为进行抗辩的国际争议案件数量与所有国际争议案件数量的比值，所述追回率为追回的争议金额与所有争议金额的比值。
11.一种国际争议案件抗辩设备，其特征在于，包括：
存储器，用于存储计算机可执行指令；以及，
处理器，用于在执行所述计算机可执行指令时实现如权利要求1-5中任一项所述的方法中的步骤。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如权利要求1-5中任一项所述的方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010396812.8A CN111539650A (zh) | 2020-05-12 | 2020-05-12 | 国际争议案件抗辩方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010396812.8A CN111539650A (zh) | 2020-05-12 | 2020-05-12 | 国际争议案件抗辩方法及其装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111539650A true CN111539650A (zh) | 2020-08-14 |
Family
ID=71975773
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010396812.8A Pending CN111539650A (zh) | 2020-05-12 | 2020-05-12 | 国际争议案件抗辩方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539650A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112734210A (zh) * | 2020-12-31 | 2021-04-30 | 深圳银雁数据科技有限公司 | 一种智能分案方法及系统 |
-
2020
- 2020-05-12 CN CN202010396812.8A patent/CN111539650A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112734210A (zh) * | 2020-12-31 | 2021-04-30 | 深圳银雁数据科技有限公司 | 一种智能分案方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pinches et al. | A multivariate analysis of industrial bond ratings | |
| US7974854B1 (en) | Systems and methods for retrospective home value scoring | |
| CN112801529B (zh) | 财务数据分析方法及装置、电子设备及介质 | |
| CN111476660A (zh) | 一种基于数据分析的智能风控系统及方法 | |
| CN110796539A (zh) | 一种征信评估方法及装置 | |
| CN113919886A (zh) | 基于夏普利值的数据特征组合定价方法、系统及电子设备 | |
| CN113269629A (zh) | 授信额度确定方法、电子设备及相关产品 | |
| CN113393328A (zh) | 融资贷前审批评估方法、装置及计算机存储介质 | |
| Khatun et al. | Earnings manipulation behavior in the banking industry of Bangladesh: the strategical implication of Beneish M-score model | |
| CN115082225A (zh) | 一种企业融资风险的评估方法和装置 | |
| CN110991650A (zh) | 训练养卡识别模型、识别养卡行为的方法及装置 | |
| TWM613536U (zh) | 對於基金商品的投資風險評分系統 | |
| CN111539650A (zh) | 国际争议案件抗辩方法及其装置 | |
| KR20170037299A (ko) | 통합계좌정보 기반의 실시간 신용리스크 분석 방법 및 시스템 | |
| CN112419045A (zh) | 基于过采样与随机森林的不平衡信贷用户分类方法 | |
| CN116630020A (zh) | 风险评估方法、装置、存储介质及电子设备 | |
| Alexopoulos et al. | Detecting network anomalies in the Value Added Taxes (VAT) system | |
| CN115564591A (zh) | 一种融资产品的确定方法及相关设备 | |
| TWI776370B (zh) | 對於基金商品的投資風險評分方法及系統 | |
| CN113269412A (zh) | 风险评估方法及相关装置 | |
| CN113409129A (zh) | 融资准入风险评估方法、装置及计算机存储介质 | |
| JP2012238073A (ja) | 債権買取査定支援システム及び債権買取査定支援方法 | |
| KR20170004934A (ko) | 통합계좌정보 기반의 실시간 신용리스크 분석 방법 및 시스템 | |
| CN113409130A (zh) | 交易风险识别方法、装置及计算机存储介质 | |
| Bakhshi et al. | Developing a hybrid approach to credit priority based on accounting variables (using analytical network process (ANP) and multi-criteria decision-making) |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40035503 Country of ref document: HK |
|
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200814 |
|
| RJ01 | Rejection of invention patent application after publication |