CN111680973A - 一种催收系统的催收任务优先级智能编排方法 - Google Patents

Abstract

本发明公开了一种催收系统的催收任务优先级智能编排方法，涉及金融系统技术领域，其包括获取目标催收任务数据集；确定最小支持度和最小置信度；根据最小支持度，采用Apriori算法计算目标催收任务数据集的催收关联规则；对于催收关联规则中的催收数据项，两两计算在目标催收任务数据集中的置信度；根据最小置信度、催收关联规则及其每两维催收数据项的置信度，对各催收任务优先级进行编排。该方法可精确的区分出催收任务的催收难度、单个任务的作业时间，减少成本；该方法中所得到的催收关联规则与结果之间的相关性较弱，对后续模型训练能起到很大帮助，泛化能力强，且考虑到了每个模型的权重；能很好的对灰度用户进行识别，且不会出现过拟合现象。

Description

一种催收系统的催收任务优先级智能编排方法

技术领域

本发明涉及金融系统技术领域，具体而言，涉及一种催收系统的催收任务优先级智能编排方法。

背景技术

催收系统是针对互联网金融行业，P2P网贷系统，传统小贷行业，网络投融资平台以及银行信用卡业务的贷后催收管理推出的完整催收解决方案，为满足银行对催收过程的合规和高效的要求，在系统部署的安全能力，网络安全管控，数据安全管控等方面均有高标准，保障催收业务安全，规范，有序的进行。

机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率，通过机器学习能提高催收系统的催收任务优先级编排效率。

传统催收系统的任务编排往往是基于简单的少数维度，例如按预期天数，借款金额，借款次数等，做一个简单排序，按一定的比例分配给工作人员进行作业，随之而来的问题是这样的切分维度无法反应真实的用户属性，不能精确的区分出任务的催收难度，单个任务的作业时间，造成人力的浪费和线路等成本的浪费。

发明内容

本发明在于提供一种催收系统的催收任务优先级智能编排方法，其能够缓解上述问题。

为了缓解上述的问题，本发明采取的技术方案如下：

一种催收系统的催收任务优先级智能编排方法，包括以下步骤：

S1、对催收系统数据库中的若干催收任务数据进行清洗，得到待处理催收任务数据集；

S2、确定当前催收任务条件；

S3、将待处理催收任务数据集中不满足当前催收任务条件的任务数据集去除，得到目标催收任务数据集；

S4、确定最小支持度和最小置信度；

S5、根据最小支持度，采用Apriori算法计算目标催收任务数据集的催收关联规则，所述催收关联规则为若干维催收数据项的集合；

S6、对于催收关联规则中的催收数据项，两两计算在目标催收任务数据集中的置信度；

S7、根据最小置信度、催收关联规则及其每两维催收数据项的置信度，对各催收任务优先级进行编排。

本技术方案的技术效果是：采用了Apriori算法，纳入了更多的影响到催收任务优先级编排准确率的指标，能更真实的反应真实的用户属性，可精确的区分出催收任务的催收难度、单个任务的作业时间，减少人力、线路成本；该方法中所得到的催收关联规则与结果之间的相关性较弱，对后续模型训练能起到很大帮助，泛化能力强，且考虑到了每个模型的权重；能很好的对灰度用户进行识别，且不会出现过拟合现象。

进一步地，所述步骤S1中，对催收任务数据进行清洗的过程包括：数据一致性处理、无效值处理和缺失值处理。

本技术方案的技术效果是：能够及时发现并纠正数据文件中的错误，确保最终催收任务优先级智能编排的准确性。

更进一步地，对催收任务数据的清洗操作数据需储存至催收系统数据库中。

本技术方案的技术效果是：方便清洗过程的数据查询。

进一步地，所述目标催收任务数据集包括若干催收任务条目，每条催收任务均包括若干维催收数据项。

本技术方案的技术效果是：该形式的催收任务数据集，便于计算催收关联规则，以及编排催收任务的优先级。

更进一步地，所述步骤S5具体包括：

S51、根据目标催收任务数据集构建催收一项集C1，计算催收一项集C1中每个项目集的支持度，利用其中支持度不小于最小支持度的项目集构造催收频繁集L1，对于催收一项集C1，其每一项目集均仅包括一维催收数据项；

S52、K＝2；

S53、根据催收频繁集L1生成由若干项目集构成的催收K项集CK，对于催收K项集CK的任一项目集，其催收数据项比催收(K-1)项集C(K-1)中任一项目集的催收数据项多一维；

S54、判断催收K项集CK是否为空集，若不是，则继续执行步骤S55，若是，则跳转至步骤S58；

S55、扫描目标催收任务数据集，计算催收K项集CK中每个项目集在目标催收任务数据集的支持度，利用其中支持度不小于最小支持度的项目集构造催收频繁集LK；

S56、K＝K+1；

S57、根据催收频繁集L(K-1)生成催收K项集CK，跳转至步骤S54；

S58、取出催收频繁集L(K-1)中所有维度的催收数据项构成所述催收关联规则。

本技术方案的技术效果是：便于编程，易于高效的计算出催收关联规则。

进一步地，设催收K项集CK中包括项目集X，则

设项目集X中包括催收数据项A和催收数据项B，则

更进一步地，所述步骤S5中得到的催收关联规则保存至催收系统数据库中，并将催收系统数据库中的历史催收关联规则覆盖。

本技术方案的技术效果是：便于用户查询及使用最优的催收关联规则。

更进一步地，所述催收系统设置有最小支持度和最小置信度的设定窗口。

本技术方案的技术效果是：可根据需要调节最小支持度和最小置信度，继而改变多分类用户的识别精度。

更进一步地，所述步骤S7中，将完全满足催收关联规则的催收任务编排为最高优先级，对于非最高优先级，催收关联规则中的每两维催收数据项的置信度越高，则包括该两维催收数据项的催收任务的优先级编排的越高。

本技术方案的技术效果是：便于编程，能够快速编排出催收任务的优先级。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举本发明实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1是本发明所述催收系统的催收任务优先级智能编排方法流程图；

图2是本发明所述催收关联规则的计算流程图。

具体实施方式

为使本发明实施例的目的、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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

实施例

请参照图1和图2，本实施例所述催收系统的催收任务优先级智能编排方法按照以下步骤实施：

S1、对催收系统数据库中的若干催收任务数据进行清洗，得到待处理催收任务数据集；

在本实施例中，为了便于描述，只取了未还金额、逾期天数、催收次数三个类型的数据，每个类型取三个结果，说明如下：

A：未还金额<1000

B：1000<未还金额<5000

C：未还金额>5000

D：逾期天数<5天

E：5天<逾期天数<10天

F：逾期天数>10天

G：催收次数<5次

H：5次<催收次数<10次

I：催收次数>10次

J：催收结果还款

K：催收结果未还款

在本实施例中，对催收任务数据进行清洗的过程包括：数据一致性处理、无效值处理和缺失值处理。

其中，数据一致性处理是根据每个变量的合理取值范围和相互关系，检查数据是否合乎要求，发现并处理超出正常范围、逻辑上不合理或者相互矛盾的数据，例如SPSS、SAS和Excel等计算机软件都能够根据定义的取值范围，自动识别每个超出范围的变量值；催收任务数据中可能存在一些无效值和缺失值，需要给予适当的处理。常用的处理方法有：估算，整例删除，变量删除和成对删除。

数据清洗后所得到的待处理催收任务数据集如表1所示：

表1

ID	A	B	C	D	E	F	G	H	I	J	K
												1	1	0	0	1	0	0	1	0	0	1	0
2	0	1	0	0	1	0	0	1	0	1	0
												3	0	0	1	0	0	1	0	0	1	0	1
4	0	1	0	0	1	0	0	1	0	1	0
												5	0	0	1	0	1	0	1	0	0	1	0
6	1	0	0	0	1	0	1	0	0	1	0

其中，1表示具有该催收数据项，0表示不具有催收数据项，将表1换一种形式如下：

1：{A,D,G,J}

2：{B,E,H,J}

3：{C,F,I,K}

4：{B,E,H,J}

5：{C,E,G,J}

6：{A,E,G,J}

在本实施例中，对催收任务数据的清洗操作数据需储存至催收系统数据库中。

S2、确定当前催收任务条件。

在本实施例中，所确定的条件是只统计催收结果还款的任务。

S3、将待处理催收任务数据集中不满足当前催收任务条件的任务数据集去除，得到目标催收任务数据集。

在本实施例中，目标催收任务数据集仅包含催收结果还款的任务，具体如下：

1：{A,D,G}

2：{B,E,H}

4：{B,E,H}

5：{C,E,G}

6：{A,E,G}

其中包括六条催收任务条目，每条催收任务均包括三维催收数据项。

S4、确定最小支持度和最小置信度。

在本实施例中，催收系统设置有最小支持度和最小置信度的设定窗口，以便对最小支持度和最小置信度进行调节。

在本实施例中，最小支持度和最小置信度的值分别设定为0.4和0.5。

S5、根据最小支持度，采用Apriori算法计算目标催收任务数据集的催收关联规则，催收关联规则为若干维催收数据项的集合。

催收关联规则的计算过程如下：

1)、根据目标催收任务数据集构建催收一项集C1，计算催收一项集C1中每个项目集的支持度，对于催收一项集C1，其每一项目集均仅包括一维催收数据项。

在本实施例中，催收一项集C1及其项目集的支持度如表2所示。

表2

催收一项集	支持度
		{A}	0.4
{B}	0.4
		{C}	0.2
{D}	0.2
		{E}	0.8
{F}	0
		{G}	0.6
{H}	0.4

对于A、B、C，它们的支持度的计算方法为：

催收一项集C1中其它项目集的支持度计算方式一样，这里不再列出。

利用表2中支持度不小于最小支持度0.4的项目集构造催收频繁集

L1＝{A,B,E,G,H}。

2)、根据催收频繁集L1生成由10个项目集构成的催收二项集C2，对于催收二项集C2的任一项目集，其催收数据项比催收一项集C1中任一项目集的催收数据项多一维，为二维，催收二项集C2如表3所示：

表3

催收二项集	支持度
		{A，B}	0
{A，E}	0.2
		{A，G}	0
{A，H}	0
		{B，E}	0.4
{B，G}	0
		{B，H}	0.4
{E，G}	0.4
		{E，H}	0.4
{G，H}	0

对于{A，E}、{B，E}，其支持度的计算方法为：

催收二项集C2中其它项目集的支持度计算方式一样，这里不再列出。

利用表3中支持度不小于最小支持度0.4的项目集构造催收频繁集

L2＝{{B，E}{B，H}{E，G}{E，H}}；

取出催收频繁集L2中所有维度的催收数据项构成频繁集L21＝{B,E,G,H}。

3)、根据频繁集L21生成由3个项目集构成的催收三项集C3，对于催收三项集C3的任一项目集，其催收数据项比催收二项集C2中任一项目集的催收数据项多一维，为三维，催收三项集C3如表4所示：

表4

催收三项集	支持度
		{B,E,G}	0
{B,E,H}	0.4
		{E，G,H}	0

对于{B,E,H}，其支持度的计算方法为：

催收三项集C3中其它项目集的支持度计算方式一样，这里不再列出。

利用表4中支持度不小于最小支持度0.4的项目集构造催收频繁集

L3＝{{B,E,H}}。

由于按照上述方法，根据催收频繁集L3不能找到催收四项集C4的项目集，即所生成的催收四项集C4为空集，因此取出催收频繁集L3中所有维度的催收数据项构成催收关联规则L＝{B,E,H}。

在本实施例中，催收关联规则L保存至催收系统数据库中，并将催收系统数据库中的历史催收关联规则覆盖。

S6、对于催收关联规则L中的催收数据项，两两计算在目标催收任务数据集中的置信度，具体如下：

S7、根据最小置信度、催收关联规则及其每两维催收数据项的置信度，对各催收任务优先级进行编排。

在本实施例中，将完全满足催收关联规则的催收任务编排为最高优先级，对于非最高优先级，催收关联规则中的每两维催收数据项的置信度越高，则包括该两维催收数据项的催收任务的优先级编排的越高，即：

同时满足催收关联规则L＝{B,E,H}的催收任务为容易成功的任务，将其优先级编排为最高，作为P1级任务分配；

{B，E}，{B，H}，{E，H}为非最高优先级的次优任务；

由于{B，E}，{B，H}的置信度均为1，因此将同时满足{B，E}的催收任务和同时满足{B，H}的催收任务分配为P2级任务；

由于{E，H}的置信度为0.5，将同时满足{E，H}的催收任务分配为P3级任务。

其它催收任务可分配为P4级任务，催收任务优先级分配如表5所示

表5

任务优先级	任务id
		P1	2,4
P2	2,4
		P3	2,4
P4	1,5,6

获得最优任务队列Q＝{2,4,1,5,6}。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种催收系统的催收任务优先级智能编排方法，其特征在于，包括以下步骤：

S1、对催收系统数据库中的若干催收任务数据进行清洗，得到待处理催收任务数据集；

S2、确定当前催收任务条件；

S3、将待处理催收任务数据集中不满足当前催收任务条件的任务数据集去除，得到目标催收任务数据集；

S4、确定最小支持度和最小置信度；

S5、根据最小支持度，采用Apriori算法计算目标催收任务数据集的催收关联规则，所述催收关联规则为若干维催收数据项的集合；

S6、对于催收关联规则中的催收数据项，两两计算在目标催收任务数据集中的置信度；

S7、根据最小置信度、催收关联规则及其每两维催收数据项的置信度，对各催收任务优先级进行编排。

2.根据权利要求1所述催收系统的催收任务优先级智能编排方法，其特征在于，所述步骤S1中，对催收任务数据进行清洗的过程包括：数据一致性处理、无效值处理和缺失值处理。

3.根据权利要求2所述催收系统的催收任务优先级智能编排方法，其特征在于，对催收任务数据的清洗操作数据需储存至催收系统数据库中。

4.根据权利要求1所述催收系统的催收任务优先级智能编排方法，其特征在于，所述目标催收任务数据集包括若干催收任务条目，每条催收任务均包括若干维催收数据项。

5.根据权利要求4所述催收系统的催收任务优先级智能编排方法，其特征在于，所述步骤S5具体包括：

S51、根据目标催收任务数据集构建催收一项集C1，计算催收一项集C1中每个项目集的支持度，利用其中支持度不小于最小支持度的项目集构造催收频繁集L1，对于催收一项集C1，其每一项目集均仅包括一维催收数据项；

S52、K＝2；

S53、根据催收频繁集L1生成由若干项目集构成的催收K项集CK，对于催收K项集CK的任一项目集，其催收数据项比催收(K-1)项集C(K-1)中任一项目集的催收数据项多一维；

S54、判断催收K项集CK是否为空集，若不是，则继续执行步骤S55，若是，则跳转至步骤S58；

S55、扫描目标催收任务数据集，计算催收K项集CK中每个项目集在目标催收任务数据集的支持度，利用其中支持度不小于最小支持度的项目集构造催收频繁集LK；

S56、K＝K+1；

S57、根据催收频繁集L(K-1)生成催收K项集CK，跳转至步骤S54；

S58、取出催收频繁集L(K-1)中所有维度的催收数据项构成所述催收关联规则。

6.根据权利要求5所述催收系统的催收任务优先级智能编排方法，其特征在于，设催收K项集CK中包括项目集X，则

设项目集X中包括催收数据项A和催收数据项B，则

7.根据权利要求5所述催收系统的催收任务优先级智能编排方法，其特征在于，所述步骤S5中得到的催收关联规则保存至催收系统数据库中，并将催收系统数据库中的历史催收关联规则覆盖。

8.根据权利要求5所述催收系统的催收任务优先级智能编排方法，其特征在于，所述催收系统设置有最小支持度和最小置信度的设定窗口。

9.根据权利要求5所述催收系统的催收任务优先级智能编排方法，其特征在于，所述步骤S7中，将完全满足催收关联规则的催收任务编排为最高优先级，对于非最高优先级，催收关联规则中的每两维催收数据项的置信度越高，则包括该两维催收数据项的催收任务的优先级编排的越高。

Images