CN111986018A - 基于预定催收系统的账单催收方法、装置及电子设备 - Google Patents
基于预定催收系统的账单催收方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111986018A CN111986018A CN201910430798.6A CN201910430798A CN111986018A CN 111986018 A CN111986018 A CN 111986018A CN 201910430798 A CN201910430798 A CN 201910430798A CN 111986018 A CN111986018 A CN 111986018A
- Authority
- CN
- China
- Prior art keywords
- overdue
- urging
- collection
- bill
- decision tree
- 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 122
- 238000003066 decision tree Methods 0.000 claims abstract description 126
- 238000012502 risk assessment Methods 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 27
- 238000013138 pruning Methods 0.000 claims description 22
- 230000001737 promoting effect Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007418 data mining Methods 0.000 claims description 7
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 27
- 238000013016 damping Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000011835 investigation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000003306 harvesting Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000007619 statistical method 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
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例涉及信息处理技术领域，公开了一种基于预定催收系统的账单催收方法、装置及电子设备，其中，基于预定催收系统的账单催收方法包括：获取第一逾期客户的第一信用数据以及通过预定催收系统对第一逾期客户进行账单催收的第一催收数据；接着基于训练后的决策树模型对第一催收数据与第一信用数据进行分析处理，确定第一逾期客户的风险评估信息；接着根据风险评估信息确定针对第一逾期客户的账单催收方式。本申请实施例的方法，采用与风险评估信息相匹配的账单催收方式对逾期客户进行催收，不仅实现了因人而异、更加科学的账单催收方式，而且提高了催收效率和催收收益。
Description
技术领域
本申请实施例涉及信息处理技术领域，具体而言，本申请实施例涉及一种基于预定催收系统的账单催收方法、装置及电子设备。
背景技术
随着人们消费意识和消费习惯的转变，以及国家政策的倡导，消费贷款等借贷业务发展迅速，随之而来出现的贷款逾期还款问题也越来越突出。目前，业内对于逾期未还款的贷款催收大多是基于IVR(Interactive Voice Response，交互式语音应答)来处理金融行业的逾期情况。
IVR是一种电话自动服务系统，通常通过预先录制好的若干套语音对逾期客户进行信息播报，主要是实现了信息提醒的作用，与短信提醒效果接近，在国内外均被验证催收效果不佳，在某些情况下，还会导致大量逾期客户对客服坐席的呼叫，产生额外的人力消耗，因此，有必要提出一种高效的账单催收方法。
发明内容
本申请实施例的目的旨在至少能解决上述的技术缺陷之一，特提出以下技术方案：
一方面，提供了一种基于预定催收系统的账单催收方法，包括：
获取第一逾期客户的第一信用数据以及通过预定催收系统对第一逾期客户进行账单催收的第一催收数据；
基于训练后的决策树模型对第一催收数据与第一信用数据进行分析处理，确定第一逾期客户的风险评估信息；
根据风险评估信息确定针对第一逾期客户的账单催收方式。
一方面，提供了一种基于预定催收系统的账单催收装置，包括：
第一获取模块，用于获取第一逾期客户的第一信用数据以及通过预定催收系统对第一逾期客户进行账单催收的第一催收数据；
分析处理模块，用于基于训练后的决策树模型对第一催收数据与第一信用数据进行分析处理，确定第一逾期客户的风险评估信息；
催收模块，用于根据风险评估信息确定针对第一逾期客户的账单催收方式。
在一种可能的实现方式中，该装置还包括第二获取模块与训练模块；
第二获取模块，用于获取第一预设数量的第二逾期客户的第二催收数据与第二信用数据；
训练模块，用于基于第二催收数据、第二信用数据以及第二逾期客户的逾期天数是否大于预设天数的判别信息，对决策树模型进行训练。
在一种可能的实现方式中，训练模块包括决策树生成子模块、确定子模块与决策树训练子模块；
决策树生成子模块，用于利用预定的数据挖掘工具，根据第二催收数据、第二信用数据以及判别信息，生成决策树模型，其中，决策树模型的每一层包括相应数量的子节点；
确定子模块，用于确定同一层中各个子节点分别对应的第二逾期客户的基尼值；
决策树训练子模块，用于根据基尼值对决策树模型进行训练，得到训练后的决策树模型。
在一种可能的实现方式中，确定子模块具体用于针对多个目标分析变量，确定任一子节点分别对应的不大于第二预设数量的第二逾期客户；以及用于根据不大于第二预设数量的第二逾期客户，确定任一子节点分别对应的第二逾期客户的基尼值。
在一种可能的实现方式中，该装置还包括剪枝处理模块；
剪枝处理模块，用于根据预定代价复杂度剪枝方法，对决策树模型进行剪枝处理，以调整决策树模型；
分析处理模块具体用于基于调整后的决策树模型对第一催收数据与第一信用数据进行分析处理，确定第一逾期客户的风险评估信息。
在一种可能的实现方式中，该装置还包括风险确定模块；
风险确定模块，用于基于预定的多个风险等级以及决策树模型的各个子节点的坏账率，确定各个子节点分别对应的风险等级。
在一种可能的实现方式中，该装置还包括坏账率确定模块；
坏账率确定模块，用于根据各个子节点的判别信息，确定各个子节点分别对应的坏账率。
在一种可能的实现方式中，分析处理模块包括节点确定子模块与客户风险确定子模块；
节点确定子模块，用于基于训练后的决策树模型对第一催收数据与第一信用数据进行分析处理，确定第一逾期客户所属的目标子节点；
客户风险确定子模块，用于根据目标子节点对应的风险等级，确定第一逾期客户的风险评估信息。
在一种可能的实现方式中，催收模块具体用于基于账单催收方式对第一逾期客户进行账单催收，账单催收方式包括以下至少一项：
在小于或等于第一预设逾期天数时通过第一催收方式进行账单催收，并在大于第一预设逾期天数时通过第二催收方式进行账单催收；
在小于或等于第二预设逾期天数时通过第一催收方式进行账单催收，并在大于第二预设逾期天数时通过第二催收方式进行账单催收；
在小于或等于第三预设逾期天数时通过第一催收方式进行账单催收，并在大于第三预设逾期天数时通过第二催收方式进行账单催收；
其中，第一预设逾期天数小于第二预设逾期天数，第二预设逾期天数小于第三预设逾期天数。
一方面，提供了一种电子设备，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，处理器执行所述程序时实现上述的基于预定催收系统的账单催收方法。
一方面，提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述的基于预定催收系统的账单催收方法。
本申请实施例提供的基于预定催收系统的账单催收方法，通过训练后的决策树模型对逾期客户的信用数据、预定催收系统对逾期客户的催收数据进行分析处理，确定逾期客户的风险评估信息，并确定针对第一逾期客户的账单催收方式，不仅可以充分利用预定催收系统对逾期客户进行账单催收的催收数据，而且可以有效利用逾期客户的信用数据，从而能够合理、全面地确定出逾期客户的风险评估信息，进而可以采用与风险评估信息相匹配的账单催收方式对逾期客户进行催收，使得可以根据不同逾期客户的风险评估信息采用不同的账单催收方式，不仅实现了因人而异、更加科学的账单催收方式，而且提高了催收效率和催收收益，并在一定程度上节省催收成本。
本申请实施例附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请实施例的实践了解到。
附图说明
本申请实施例上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例的基于预定催收系统的账单催收方法的应用场景示意图；
图2为本申请实施例的基于预定催收系统的账单催收方法的流程示意图；
图3为本申请实施例的基于预定催收系统的账单催收过程示意图；
图4为本申请实施例的基于预定催收系统的账单催收装置的基本结构示意图；
图5为本申请实施例的基于预定催收系统的账单催收装置的详细结构示意图；
图6为本申请实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
本申请实施例提供的基于预定催收系统的账单催收方法、装置及电子设备，可以解决现有技术的如上技术问题。
下面以具体地实施例对本申请实施例的技术方案以及本申请实施例的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
具体地，图1为本申请实施例的一种应用场景的示意图，服务器包括处理器、内存、数据库及数据传输接口(即I/O接口)等，该服务器中可以运行根据本申请实施例的基于预定催收系统的账单催收方法的应用程序；征信服务器包括数据库，该数据库存储有个人信用数据；终端设备中也可以运行根据本申请实施例的基于预定催收系统的账单催收方法的应用程序。
在一种情况下，当服务器运行有基于预定催收系统的账单催收方法的应用程序时，服务器可以根据第一I/O接口或第二I/O接口，通过网络连接至征信服务器，并从征信服务器获取相应的个人信用数据，在获取到个人信用数据后，可以将获取到的个人信用数据存储至相应数据库中，接着通过处理器基于预定催收系统的账单催收方法，确定出针对逾期客户的账单催收方式，接着根据第一I/O接口或第二I/O接口，通过网络连接至终端设备，并通过终端设备针对该逾期客户执行对应的账单催收。
在另一种情况下，当终端设备运行有基于预定催收系统的账单催收方法的应用程序时，终端设备可以根据相应的终端接口，通过网络连接至征信服务器，并从征信服务器获取相应的个人信用数据，并在获取到个人信用数据后，确定出针对逾期客户的账单催收方式，接着根据该确定出的账单催收方式，对该逾期客户执行对应的账单催收。
本申请一个实施例提供了一种基于预定催收系统的账单催收方法，该方法由计算机设备执行，该计算机设备可以是终端或者服务器。终端可以是台式设备或者移动终端。服务器可以是独立的物理服务器、物理服务器集群或者虚拟服务器。如图2所示，该方法包括：
步骤S210，获取第一逾期客户的第一信用数据以及通过预定催收系统对第一逾期客户进行账单催收的第一催收数据。
具体地，采用上述的账单催收方法的计算机设备，可以根据逾期客户(即上述的第一逾期客户)的个人信息，例如姓名、身份证号码等，通过个人信用信息服务平台、个人征信查询系统等的查询接口，获取该逾期客户的信用数据(即上述的第一信用数据)。其中，个人信用信息服务平台、个人征信查询系统等预存储有用户的信用数据，例如与金融机构或住房公积金管理中心等机构发生信贷关系而形成的个人信贷信息，又例如行政机关、行政事务执行机构、司法机关在行使职权过程中形成的与个人信用相关的公共记录信息等，再例如个人与商业机构、公用事业服务机构发生赊购关系而形成的个人赊购、缴费信息等。
可选地，计算机设备在基于上述的账单催收方法，对逾期客户进行账单催收之前，可以借助预先安装的预定催收系统，例如自动语音催收系统、IVR系统等，在客户逾期前或客户逾期后向逾期客户进行前期的账单催收，在通过自动语音催收系统、IVR系统等对逾期客户进行前期的账单催收的交互过程中，会产生相应的催收数据，比如是否能够联系上逾期客户、逾期客户的联系方式是否正确、是否为正确联系人、是否承诺还款、是否接收到催收短信等等，在这种情况下，计算机设备可以收集或获取通过该预定催收系统对逾期客户进行账单催收的催收数据。
步骤S220，基于训练后的决策树模型对第一催收数据与第一信用数据进行分析处理，确定第一逾期客户的风险评估信息。
具体地，计算机设备在获取到逾期客户的催收数据与信用数据后，可以通过该计算机设备中的预先训练后的决策树模型，对该催收数据与信用数据进行分析处理。其中，在实际应用中，可以将获取到的具体的催收数据与信用数据作为输入数据，输入到该训练后的决策树模型中，以使得该训练后的决策树模型依据其预先确定出的分析方法，对该催收数据与信用数据进行分析处理。
可选地，该训练后的决策树模型在对逾期客户的催收数据与信用数据进行分析处理后，可以根据分析处理结果确定出该逾期客户的风险评估信息，例如高风险客户、中风险客户、低风险客户等的风险评估信息。
步骤S230，根据风险评估信息确定针对第一逾期客户的账单催收方式。
具体地，在确定出逾期客户的风险评估信息后，可以根据该风险评估信息确定针对该逾期客户的合理的账单催收方式，并通过该账单催收方式对该逾期客户进行账单催收。其中，不同的风险评估信息对应不同的账单催收方式，例如高风险客户对应于账单催收方式A、中风险客户对应于账单催收方式B、低风险客户对应于账单催收方式C等等。
可选地，如果确定出逾期客户属于高风险客户，则确定针对该逾期客户的账单催收方式为账单催收方式A，并基于账单催收方式A对逾期客户进行账单催收。如果确定出逾期客户属于中风险客户，则确定针对该逾期客户的账单催收方式为账单催收方式B，并基于账单催收方式B对逾期客户进行账单催收。如果确定出逾期客户属于低风险客户，则确定针对该逾期客户的账单催收方式为账单催收方式C，并基于账单催收方式C对逾期客户进行账单催收。
需要注意的是，在实际应用中，可以根据需要对风险评估信息进行更具体的划分，将其划分为更多的风险等级，例如将风险评估信息由高到低依次划分为1-7级。在这种情况下，不同等级的风险评估信息可以对应相同的账单催收方式，也可以分别采用不同的账单催收方式。例如，风险等级1与风险等级2属于高风险，其对应的账单催收方式为账单催收方式A，风险等级3、风险等级4与风险等级5属于中风险，其对应的账单催收方式为账单催收方式B，风险等级6与风险等级7属于低风险，其对应的账单催收方式为账单催收方C。又例如，风险等级1对应的账单催收方式为账单催收方式A_1，风险等级2对应的账单催收方式为账单催收方式A_2，风险等级3对应的账单催收方式为账单催收方式B_1，风险等级4对应的账单催收方式为账单催收方式B_2，风险等级5对应的账单催收方式为账单催收方式B_1，风险等级6对应的账单催收方式为账单催收方式C_1，风险等级7对应的账单催收方式为账单催收方式C_2。
本申请实施例提供的基于预定催收系统的账单催收方法，通过训练后的决策树模型对逾期客户的信用数据、预定催收系统对逾期客户的催收数据进行分析处理，确定逾期客户的风险评估信息，并确定针对第一逾期客户的账单催收方式，不仅可以充分利用预定催收系统对逾期客户进行账单催收的催收数据，而且可以有效利用逾期客户的信用数据，从而能够合理、全面地确定出逾期客户的风险评估信息，进而可以采用与风险评估信息相匹配的账单催收方式对逾期客户进行催收，使得可以根据不同逾期客户的风险评估信息采用不同的账单催收方式，不仅实现了因人而异、更加科学的账单催收方式，而且提高了催收效率和催收收益，并在一定程度上节省催收成本。
在本申请一个实施例的一种可能的实现方式中，在基于训练后的决策树对催收数据与信用数据进行分析处理之前，还包括：获取第一预设数量的第二逾期客户的第二催收数据与第二信用数据；基于第二催收数据、第二信用数据以及第二逾期客户的逾期天数是否大于预设天数的判别信息，对决策树模型进行训练。
需要说明的是，下面以逾期客户的风险评估信息包括高风险、中风险及低风险为例，对本申请实施例进行具体介绍。同时，本申请实施例中的决策树模型采用贪婪思想进行分裂，并且本申请实施例中的决策树模型为分类回归树CART决策树模型，其中，CART决策树模型既可以是分类树又可以是回归树。当CART决策树模型为分类树时，采用基尼值作为对逾期客户进行分类的依据，即根据基尼值确定逾期客户所属的子节点的依据。
具体地，在实际应用中，计算机设备可以通过自动语音催收系统、IVR系统等对第一预设数量(比如1000个)的逾期客户(即上述的第二逾期客户)进行前期的账单催收，并获取对该1000个逾期客户进行账单催收的催收数据(即上述的第二催收数据)，其中，每个逾期客户对应一个催收数据，即共获取到1000个催收数据。在获取到各个逾期客户分别对应的催收数据后，可以将各个逾期客户与各自对应的催收数据对应存储起来，比如存储到预定的数据库中。
可选地，计算机设备可以根据该1000个逾期客户各自的个人信息，例如姓名、身份证号码等，通过个人信用信息服务平台、个人征信查询系统等的查询接口，获取该1000个逾期客户各自对应的信用数据(即上述的第二信用数据)。其中，每个逾期客户对应一个信用数据，即共获取到1000个信用数据。在获取到各个逾期客户分别对应的信用数据后，可以将各个逾期客户与各自对应的信用数据对应存储起来，比如存储到预定的数据库中。
可选地，在获取到第一预设数量的第二逾期客户的第二催收数据与第二信用数据后，可以将该第一预设数量的第二催收数据与该第一预设数量的第二信用数据，作为训练决策树模型的样本数据。其中，在对决策树模型进行训练的过程中，可以将第二逾期客户的逾期天数是否大于预设天数(例如90天、60天等)的判别信息作为好坏目标，来定义决策树模型。即，基于第一预设数量的第二催收数据、第一预设数量的第二信用数据以及第二逾期客户的逾期天数是否大于预设天数的判别信息，对决策树模型进行训练。
具体地，在基于第一预设数量的第二催收数据、第一预设数量的第二信用数据以及第二逾期客户的逾期天数是否大于预设天数的判别信息，对决策树模型进行训练的过程中，可以先利用预定的数据挖掘工具，例如SAS(Statistics Analysis System，统计分析系统)中的Enterprise Miner(数据挖掘)工具，根据上述的第一预设数量的第二催收数据、第一预设数量的第二信用数据以及第二逾期客户的逾期天数是否大于预设天数的判别信息，生成相应的决策树模型；接着，确定该决策树模型的同一层中各个子节点分别对应的第二逾期客户的基尼值；接着根据该基尼值对决策树模型进行训练，得到训练后的决策树模型。
具体地，在实际的生成决策树模型的过程中，可以将获取到的第一预设数量的第二催收数据、第一预设数量的第二信用数据作为输入数据，输入到该预定的数据挖掘工具中，同时根据第二逾期客户的逾期天数是否大于预设天数的判别信息对数据挖掘工具的相应参数进行设置，从而生成相应的决策树模型。在生成相应的决策树模型后，该决策树模型的层数，以及每一层中的子节点的数量都会对应固定下来，即生成的决策树模型为包括一定层数、且每一层包括相应数量的子节点的决策树。其中，习惯上将决策树每一层中的节点叫做子节点，将决策树最后一层中包括的子节点称作叶子节点。
可选地，在生成决策树模型之后，可以确定决策树模型的同一层中各个子节点分别对应的第二逾期客户的基尼值，对于一层中的任一子节点而言，确定其对应的第二逾期客户的基尼值的过程，可以为：首先，针对多个目标分析变量，确定任一子节点分别对应的不大于第二预设数量的第二逾期客户；接着根据不大于第二预设数量的第二逾期客户，确定任一子节点分别对应的第二逾期客户的基尼值。
可选地，在确定同一层中各个子节点分别对应的第二逾期客户的基尼值之后，可以根据该确定出的各个基尼值对决策树模型进行训练，在根据基尼值对决策树模型进行训练的过程中，由于同一层中的各个子节点(比如子节点A、子节点B及子节点C)可以分别代表不同的目标分析变量，并且各个子节点代表不同的目标分析变量时，所对应的逾期客户的基尼值相同或不同，于是需要根据基尼值确定出各个子节点分别代表的目标分析变量。换言之，根据基尼值对决策树模型进行训练的过程，实际上是根据基尼值确定出各个子节点分别代表的目标分析变量的过程。
下面以具体的示例，对上述确定同一层中各个子节点分别对应的第二逾期客户的基尼值，并根据基尼值对决策树模型进行训练的过程进行详细说明：
假如第一预设数量为1000(即样本总数量为1000)，第二预设数量为500(即每个子节点的样本数量小于或等于500)，预设天数为90天，同一层中的各个子节点分别为子节点A、子节点B及子节点C，则：(1)第一种情况，子节点A可以代表“逾期天数大于90天”这一目标分析变量，子节点B可以代表“逾期天数大于或等于60天且小于或等于90天”这一目标分析变量，子节点C可以代表“逾期天数小于60天”这一目标分析变量；(2)第二种情况，子节点A可以代表“逾期次数大于5次”这一目标分析变量，子节点B可以代表“逾期次数大于或等于3次且小于或等于5次”这一目标分析变量，子节点C代表“逾期次数小于3次”这一目标分析变量。此时，需要根据各个子节点的基尼值，合理确定各个子节点分别代表的目标分析变量，即根据基尼值对决策树模型进行训练。
其中，在上述第一种情况下，如果有500个逾期客户的逾期天数大于90天，则该500个逾期客户被分到子节点A，如果有200个逾期客户的逾期天数大于或等于60天且小于或等于90天，则该200个逾期客户被分到子节点B，如果有300个逾期客户的逾期天数小于60天，则该300个逾期客户被分到子节点C。在确定出各个子节点的逾期客户后，可以根据各个子节点中的逾期客户及逾期客户的数量，确定出各个子节点的该数量的逾期客户的基尼值，假如子节点A的逾期客户的基尼值为GINI_A1，子节点B的逾期客户的基尼值为GINI_B1，子节点C的逾期客户的基尼值为GINI_C1。
其中，在上述第二种情况下，如果有400个逾期客户的逾期次数大于5次，则该400个逾期客户被分到子节点A，如果有300个逾期客户的逾期次数大于或等于3次且小于或等于5次，则该300个逾期客户被分到子节点B，如果有300个逾期客户的逾期次数小于3次，则该300个逾期客户被分到子节点C。在确定出各个子节点的逾期客户后，可以根据各个子节点中的逾期客户及逾期客户的数量，确定出各个子节点的该数量的逾期客户的基尼值，假如子节点A的逾期客户的基尼值为GINI_A2，子节点B的逾期客户的基尼值为GINI_B2，子节点C的逾期客户的基尼值为GINI_C2。
在上述两种情况下，同一层中的同一子节点在不同目标分析变量下，分别对应不同的基尼值。由于基尼值越大代表样本的不确定性越大，基尼值越小代表样本的稳定性越好，即基尼值取值越小越好，于是：若GINI_A1小于GINI_A2，则说明子节点A代表“逾期天数大于90天”这一目标分析变量更合适，可以将子节点A确定为“逾期天数大于90天”这一目标分析变量，若GINI_A1大于GINI_A2，则说明子节点A代表“逾期次数大于5次”这一目标分析变量更合适，可以将子节点A确定为“逾期次数大于5次”这一目标分析变量。对于子节点B与子节点C所代表的目标分析变量的确定过程，与上述子节点A所代表的目标分析变量的确定过程类似，在此不再赘述。
需要说明的是，上述的目标分析变量仅为示例性说明，在实际应用中，可能会存在各种各样的其它目标分析变量，在这种情况下，确定同一层中各个子节点分别代表的目标分析变量的过程，与上述的示例类同，在此不再赘述。
下面对本申请实施例中的基尼值进行基本介绍：
基尼值(或者称作基尼系数)是一个类似于熵的概念，对于一个有K种状态且对应的概率分别为P1，P2，...，PK的随机变量X，其基尼值定义如下：
其中，Gini代表基尼值，k表示随机变量X的k个取值，pk表示随机变量X取值为k时对应的概率。
根据上述公式可以得到伯努力分布的基尼值为：
其中，p表示随机变量X取值为k时对应的概率，Gini(X)表示随机变量X的基尼值，pk表示随机变量X取值为k时对应的概率。
对于本申请实施例中的样本数据集D，假设现在用特征A(比如对逾期客户的催收次数)进行分割，若特征A为离散特征，则根据A的某一可能取值a将D划分为D1与D2，且D1＝{D|A＝a}，D2＝{D|A≠a}，则在已知特征A的条件下，集合D的基尼值可以表示为：
其中，Gini(D，A)取值越大，样本的不确定性也越大，Gini(D，A)的取值越小越好。
在本申请一个实施例的一种可能的实现方式中，在根据基尼值对所述决策树模型进行训练，得到训练后的决策树模型之后，还包括：根据预定的代价复杂度剪枝方法，对决策树模型进行剪枝处理，以调整决策树模型。
具体地，在得到训练后的决策树模型之后，还需要对该训练后的决策树模型进行剪枝处理，以对决策树模型进行调整，避免过拟合的发生。其中，在对训练后的决策树模型进行剪枝处理的过程中，可以采用预定的CCP(Cost-Complexity Pruning，代价复杂度剪枝)方法，对决策树模型进行剪枝处理。下面对剪枝处理的过程进行具体介绍：
假如训练后的决策树模型的非叶子节点为{T1，T2，T3，...Tn}，首先，计算所有非叶子节点表面误差率增益值α，其中，α＝{α1，α2，α3，…αn}，接着，选择表面误差率增益值αi最小的非叶子节点Ti，接着，对Ti进行剪枝。其中，表面误差率增益值计算公式为：
其中，R(t)表示叶子节点的误差代价，R(t)＝r(t)·p(t)，r(t)为节点错误率，p(t)为节点数据量占比；R(T)表示子树的误差代价，
ri(t)为子节点i的错误率，pi(t)为子节点i的数据节点占比；N(T)表示子节点个数。需要说明的是，决策树每一层中的节点叫做子节点，决策树最后一层中包括的子节点称作叶子节点。
具体地，在通过剪枝处理对训练后的决策树模型进行调整后，可以得到调整后的决策树模型，此时，基于训练后的决策树模型对第一催收数据与第一信用数据进行分析处理，确定第一逾期客户的风险评估信息的过程，可以为：基于调整后的决策树模型对第一催收数据与第一信用数据进行分析处理，确定第一逾期客户的风险评估信息。
可选地，在通过剪枝处理对训练后的决策树模型进行调整后，可以先根据各个子节点的第二逾期客户的逾期天数是否大于预设天数的判别信息，确定各个子节点分别对应的坏账率，再基于预定的多个风险等级以及决策树模型的各个子节点的坏账率，确定各个子节点分别对应的风险等级。
由于本申请实施例以第二逾期客户的逾期天数是否大于预设天数(例如90天、60天等)的判别信息作为好坏目标，来定义决策树模型，因此，在确定各个子节点的坏账率时，也将各个子节点的第二逾期客户的逾期天数是否大于预设天数的判别信息作为依据。假如同一层中的各个子节点分别为子节点A、子节点B与子节点C，且子节点A对应的逾期客户为500，且该500个逾期客户中的10个逾期客户的逾期天数大于预设天数，则子节点A的坏账率为15/500＝0.03，假如子节点B对应的逾期客户为300，且该300个逾期客户中的3个逾期客户的逾期天数大于预设天数，则子节点B的坏账率为3/300＝0.01，假如子节点C对应的逾期客户为200，且该200个逾期客户中的1个逾期客户的逾期天数大于预设天数，则子节点C的坏账率为1/200＝0.005。
可选地，在得到各个子节点的坏账率后，可以基于预定的多个风险等级以及所述决策树模型的各个子节点的坏账率，确定各个子节点分别对应的风险等级。假如子节点A的坏账率为0.03，子节点B的坏账率为0.01，子节点C的坏账率为0.005，并且预定的多个风险等级为高风险、中风险与低风险三个风险等级，当然也可以为其它的风险等级，本申请实施例不对其做限制，则：将各个子节点的坏账率由高到低依次进行排序，可以得到排序后的各个坏账率分别为0.03(子节点A)、0.01(子节点B)、0.005(子节点C)，此时可以依据各个坏账率由高到低的排序，结合预定的多个风险等级，确定相应的子节点的风险等级，例如确定子节点A的风险等级为高风险，确定子节点B的风险等级为中风险，确定子节点C的风险等级为低风险。
在本申请一个实施例的一种可能的实现方式中，基于训练后的决策树模型对第一催收数据与第一信用数据进行分析处理，确定第一逾期客户的风险评估信息，包括：基于训练后的决策树模型对第一催收数据与所述第一信用数据进行分析处理，确定第一逾期客户所属的目标子节点；根据目标子节点对应的风险等级，确定第一逾期客户的风险评估信息。
具体地，在确定出训练后的决策树模型的各个子节点分别对应的风险等级以后，可以根据该训练后的决策树模型，确定实时获取到的逾期客户(即上述的第一逾期客户，例如客户M)的风险评估信息，其中，在确定客户M的风险评估信息的过程中，可以先通过训练后的决策树模型，对获取到的该客户M的信用数据(即上述的第一信用数据)以及对该客户M进行催收的催收数据(即上述的第一催收数据)进行分析处理，其中，可以将获取到的该客户M的催收数据与信用数据作为输入数据，输入到训练后的决策树模型中，以使得训练后的决策树模型基于预先设定的分析处理方法，对该客户M的催收数据与信用数据进行分析处理。
可选地，训练后的决策树模型对该客户M的催收数据与信用数据进行分析处理后，可以确定该客户M所属的目标子节点，在确定客户M所属的目标子节点后，可以根据该目标子节点对应的风险等级，确定客户M的风险评估信息。假如客户M所属的目标子节点为子节点A，由于子节点A的风险等级为高风险，所以子节点A中的逾期客户均属于高风险客户，从而可以得到客户M的风险评估信息为高风险客户；假如客户M所属的目标子节点为子节点B，由于子节点B的风险等级为中风险，所以子节点B中的逾期客户均属于中风险客户，从而可以得到客户M的风险评估信息为中风险客户；假如客户M所属的目标子节点为子节点C，由于子节点C的风险等级为低风险，所以子节点C中的逾期客户均属于低风险客户，从而得到该客户M的风险评估信息为低风险客户。
可选地，在确定出第一逾期客户的风险评估信息后，可以根据风险评估信息确定针对该第一逾期客户的账单催收方式，并基于该账单催收方式对该第一逾期客户进行账单催收。其中，账单催收方式包括但不限于以下几种方式：在小于或等于第一预设逾期天数时通过第一催收方式进行账单催收，并在大于第一预设逾期天数时通过第二催收方式进行账单催收；在小于或等于第二预设逾期天数时通过第一催收方式进行账单催收，并在大于第二预设逾期天数时通过第二催收方式进行账单催收；在小于或等于第三预设逾期天数时通过第一催收方式进行账单催收，并在大于第三预设逾期天数时通过第二催收方式进行账单催收；其中，第一预设逾期天数小于第二预设逾期天数，第二预设逾期天数小于第三预设逾期天数。
在实际应用中，对于高风险客户，可以在较早的逾期阶段介入自动语音系统进行催收，并加强每日呼叫的频次，延长每日拨打的时间窗口；对于中风险客户，可以维持当前的催收方式，保持催收强度不变；对于低风险客户，可以在保持当前催收方式，并在较晚的时间介入人工催收，同时可以减少每日呼叫的频次，缩短每日拨打的时间窗口。
其中，图3给出了本申请实施例基于预定催收系统的账单催收方法的过程示意图，在图3中，当客户M逾期时，准备基于预定催收系统的账单催收方法对该客户M进行催收，在催收的过程中，首先根据训练后的决策树模型确定该客户M的风险评估信息，如果客户M属于高风险客户，则缩短自动语音催收系统或IVR系统的自动语音催收时长、较早时间介入人工客服催收，并增加催收频次；如果客户M属于中风险客户，则正常使用自动语音催收系统或IVR系统的自动语音催收、在正常时间介入人工客服催收，并保持正常的催收频次；如果客户M属于低风险客户，则增长自动语音催收系统或IVR系统的自动语音催收、较晚时间介入人工客服催收，并减少催收频次。
此外，在某信用消贷产品的实际应用场景中，在自动语音催收系统或IVR系统上线半年后，根据积累的逾期客户的催收数据，并结合逾期客户的历史信用数据，进行决策树模型的训练，得到训练后的决策树模型，在得到训练后的决策树模型后，将该训练后的决策树模型部署在相应的计算机设备或计算机设备的决策引擎中。当任一客户M在账单日当天未还款，第二天即进入逾期时，根据训练后的决策树模型确定出的客户M的风险评估信息，确定针对客户M的账单催收方式，并基于账单催收方式对期客户M进行账单催收。其中，如果客户M为高风险客户，且当客户M在账单日当天未还款，第二天即将进入逾期时，可以在逾期第1-5天通过自动语音催收系统、IVR系统等对客户M进行账单催收，从第6天起介入人工客服催收；如果客户M为中风险客户，且当客户M在账单日当天未还款，第二天即将进入逾期时，可以在逾期第1-10天通过自动语音催收系统、IVR系统等对客户M进行账单催收，从第11天起介入人工客服催收；如果客户M为低风险客户，且当客户M在账单日当天未还款，第二天即将进入逾期时，可以在逾期第1-15天通过自动语音催收系统、IVR系统等对客户M进行账单催收，从第16天起介入人工客服催收。
需要说明的是，虽然本申请实施例使用了决策树模型确定逾期客户的风险评估信息，但是理论上还可以采用逻辑回归、GBDT(Gradient Boosting Decision Tree，梯度提升树)、XGBOOST(eXtreme Gradient Boosting，极端梯度提升)等机器学习的方法，来确定逾期客户的风险评估信息。
对于本申请实施例的方法，不仅可以有效地对逾期客户进行风险分级划分，将易催收客户交由机器处理，集中人力去处理复杂难催的客户，既提高了催收的自动化程度，又降低了人力需求，而且采用机器催收的成本远小于人工催收，对于低风险客户可以延长使用机器催收，从而降低人工成本，对于高风险客户提早介入人工催收，可以尽早地挽回损失，从而通过这种差异化的催收方式，实现综合效益的最大化。
图4为本申请又一实施例提供的一种基于预定催收系统的账单催收装置的结构示意图，如图4所示，该装置40可以包括第一获取模块41、分析处理模块42与催收模块43，其中：
第一获取模块41用于获取第一逾期客户的第一信用数据以及通过预定催收系统对第一逾期客户进行账单催收的第一催收数据；
分析处理模块42用于基于训练后的决策树模型对第一催收数据与第一信用数据进行分析处理，确定第一逾期客户的风险评估信息；
催收模块43用于根据风险评估信息确定针对第一逾期客户的账单催收方式。
本申请实施例提供的装置，通过训练后的决策树模型对逾期客户的信用数据、预定催收系统对逾期客户的催收数据进行分析处理，确定逾期客户的风险评估信息，并确定针对第一逾期客户的账单催收方式，不仅可以充分利用预定催收系统对逾期客户进行账单催收的催收数据，而且可以有效利用逾期客户的信用数据，从而能够合理、全面地确定出逾期客户的风险评估信息，进而可以采用与风险评估信息相匹配的账单催收方式对逾期客户进行催收，使得可以根据不同逾期客户的风险评估信息采用不同的账单催收方式，不仅实现了因人而异、更加科学的账单催收方式，而且提高了催收效率和催收收益，并在一定程度上节省催收成本。
图5为本申请又一实施例提供的一种基于预定催收系统的账单催收装置的详细结构示意图，如图5所示，该装置50可以包括第一获取模块51、分析处理模块52、催收模块53，其中，图5中的第一获取模块51所实现的功能与图4中的第一获取模块41相同，图5中的分析处理模块52所实现的功能与图4中的分析处理模块42相同，图5中的催收模块53所实现的功能与图4中的催收模块43相同，在此不再赘述。下面对图5所示的基于预定催收系统的账单催收装置进行详细介绍：
如图5所示，该装置还包括第二获取模块54与训练模块55，其中：
第二获取模块54用于获取第一预设数量的第二逾期客户的第二催收数据与第二信用数据；
训练模块55用于基于第二催收数据、第二信用数据以及第二逾期客户的逾期天数是否大于预设天数的判别信息，对决策树模型进行训练。
具体地，训练模块55包括决策树生成子模块551、确定子模块552与决策树训练子模块553，其中：
决策树生成子模块551用于利用预定的数据挖掘工具，根据第二催收数据、第二信用数据以及判别信息，生成决策树模型，其中，决策树模型的每一层包括相应数量的子节点；
确定子模块552用于确定同一层中各个子节点分别对应的第二逾期客户的基尼值；
决策树训练子模块553用于根据基尼值对决策树模型进行训练，得到训练后的决策树模型。
具体地，确定子模块552具体用于针对多个目标分析变量，确定任一子节点分别对应的不大于第二预设数量的第二逾期客户；以及用于根据不大于第二预设数量的第二逾期客户，确定任一子节点分别对应的第二逾期客户的基尼值。
具体地，该装置50还包括剪枝处理模块56，其中：
剪枝处理模块56用于根据预定代价复杂度剪枝方法，对决策树模型进行剪枝处理，以调整决策树模型；
分析处理模块52具体用于基于调整后的决策树模型对第一催收数据与第一信用数据进行分析处理，确定第一逾期客户的风险评估信息。
具体地，该装置50还包括风险确定模块57，其中：
风险确定模块57用于基于预定的多个风险等级以及决策树模型的各个子节点的坏账率，确定各个子节点分别对应的风险等级。
具体地，该装置50还包括坏账率确定模块58，其中：
坏账率确定模块58用于根据各个子节点的判别信息，确定各个子节点分别对应的坏账率。
具体地，分析处理模块52包括节点确定子模块521与客户风险确定子模块522，其中：
节点确定子模块521用于基于训练后的决策树模型对第一催收数据与第一信用数据进行分析处理，确定第一逾期客户所属的目标子节点；
客户风险确定子模块522用于根据目标子节点对应的风险等级，确定第一逾期客户的风险评估信息。
具体地，催收模块53具体用于基于账单催收方式对第一逾期客户进行账单催收，账单催收方式包括以下至少一项：
在小于或等于第一预设逾期天数时通过第一催收方式进行账单催收，并在大于第一预设逾期天数时通过第二催收方式进行账单催收；
在小于或等于第二预设逾期天数时通过第一催收方式进行账单催收，并在大于第二预设逾期天数时通过第二催收方式进行账单催收；
在小于或等于第三预设逾期天数时通过第一催收方式进行账单催收，并在大于第三预设逾期天数时通过第二催收方式进行账单催收；
其中，第一预设逾期天数小于第二预设逾期天数，第二预设逾期天数小于第三预设逾期天数。
本申请另一实施例提供了一种电子设备，如图6所示，图6所示的电子设备600包括：处理器601和存储器603。其中，处理器601和存储器603相连，如通过总线602相连。进一步地，电子设备600还可以包括收发器504。需要说明的是，实际应用中收发器604不限于一个，该电子设备600的结构并不构成对本申请实施例的限定。
其中，处理器601应用于本申请实施例中，用于实现图4与图5所示的第一确定模块、扩展模块及第二确定模块的功能，以及图5所示的第二获取模块、训练模块、剪枝处理模块、坏账率确定模块、风险确定模块的功能。
处理器601可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器601也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线602可包括一通路，在上述组件之间传送信息。总线602可以是PCI总线或EISA总线等。总线602可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器603可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器603用于存储执行本申请方案的应用程序代码，并由处理器601来控制执行。处理器601用于执行存储器603中存储的应用程序代码，以实现图4或图5所示实施例提供的基于预定催收系统的账单催收装置的动作。
本申请实施例提供的电子设备，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，处理器执行程序时，可实现：通过训练后的决策树模型对逾期客户的信用数据、预定催收系统对逾期客户的催收数据进行分析处理，确定逾期客户的风险评估信息，并确定针对第一逾期客户的账单催收方式，不仅可以充分利用预定催收系统对逾期客户进行账单催收的催收数据，而且可以有效利用逾期客户的信用数据，从而能够合理、全面地确定出逾期客户的风险评估信息，进而可以采用与风险评估信息相匹配的账单催收方式对逾期客户进行催收，使得可以根据不同逾期客户的风险评估信息采用不同的账单催收方式，不仅实现了因人而异、更加科学的账单催收方式，而且提高了催收效率和催收收益，并在一定程度上节省催收成本。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现实施例一所示的方法。通过训练后的决策树模型对逾期客户的信用数据、预定催收系统对逾期客户的催收数据进行分析处理，确定逾期客户的风险评估信息，并确定针对第一逾期客户的账单催收方式，不仅可以充分利用预定催收系统对逾期客户进行账单催收的催收数据，而且可以有效利用逾期客户的信用数据，从而能够合理、全面地确定出逾期客户的风险评估信息，进而可以采用与风险评估信息相匹配的账单催收方式对逾期客户进行催收，使得可以根据不同逾期客户的风险评估信息采用不同的账单催收方式，不仅实现了因人而异、更加科学的账单催收方式，而且提高了催收效率和催收收益，并在一定程度上节省催收成本。
本申请实施例提供的计算机可读存储介质适用于上述方法的任一实施例。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (12)
1.一种基于预定催收系统的账单催收方法，其特征在于，包括：
获取第一逾期客户的第一信用数据以及通过预定催收系统对所述第一逾期客户进行账单催收的第一催收数据；
基于训练后的决策树模型对所述第一催收数据与所述第一信用数据进行分析处理，确定所述第一逾期客户的风险评估信息；
根据所述风险评估信息确定针对所述第一逾期客户的账单催收方式。
2.根据权利要求1所述的方法，其特征在于，在基于训练后的决策树对所述催收数据与所述信用数据进行分析处理之前，还包括：
获取第一预设数量的第二逾期客户的第二催收数据与第二信用数据；
基于所述第二催收数据、所述第二信用数据以及所述第二逾期客户的逾期天数是否大于预设天数的判别信息，对所述决策树模型进行训练。
3.根据权利要求2所述的方法，其特征在于，所述基于所述第二催收数据、所述第二信用数据以及所述第二逾期客户的逾期天数是否大于预设天数的判别信息，对所述决策树模型进行训练，包括：
利用预定的数据挖掘工具，根据所述第二催收数据、所述第二信用数据以及所述判别信息，生成所述决策树模型，其中，所述决策树模型的每一层包括相应数量的子节点；
确定同一层中各个子节点分别对应的第二逾期客户的基尼值；
根据所述基尼值对所述决策树模型进行训练，得到训练后的决策树模型。
4.根据权利要求3所述的方法，其特征在于，确定一层中任一子节点对应的第二逾期客户的基尼值，包括：
针对多个目标分析变量，确定所述任一子节点分别对应的不大于第二预设数量的第二逾期客户；
根据所述不大于第二预设数量的第二逾期客户，确定所述任一子节点分别对应的第二逾期客户的基尼值。
5.根据权利要求3或4所述的方法，其特征在于，在根据所述基尼值对所述决策树模型进行训练之后，还包括：
根据预定代价复杂度剪枝方法，对所述决策树模型进行剪枝处理，以调整所述决策树模型；
所述基于训练后的决策树模型对所述第一催收数据与所述第一信用数据进行分析处理，确定所述第一逾期客户的风险评估信息，包括：
基于调整后的所述决策树模型对所述第一催收数据与所述第一信用数据进行分析处理，确定所述第一逾期客户的风险评估信息。
6.根据权利要5所述的方法，其特征在于，在所述根据预定代价复杂度剪枝方法，对所述决策树模型进行剪枝处理之后，还包括：
基于预定的多个风险等级以及所述决策树模型的各个子节点的坏账率，确定各个子节点分别对应的风险等级。
7.根据权利要求6所述的方法，其特征在于，在所述基于预定的多个风险等级以及所述决策树模型的各个子节点的坏账率，确定各个子节点分别对应的风险等级之前，还包括：
根据各个子节点的所述判别信息，确定各个子节点分别对应的坏账率。
8.根据权利要求6所述的方法，其特征在于，所述基于训练后的决策树模型对所述第一催收数据与所述第一信用数据进行分析处理，确定所述第一逾期客户的风险评估信息，包括：
基于训练后的决策树模型对所述第一催收数据与所述第一信用数据进行分析处理，确定所述第一逾期客户所属的目标子节点；
根据所述目标子节点对应的风险等级，确定所述第一逾期客户的风险评估信息。
9.根据权利要求1-8任一项所述的方法，其特征在于，在所述根据所述风险评估信息确定针对所述第一逾期客户的账单催收方式之后，还包括：
基于所述账单催收方式对所述第一逾期客户进行账单催收；
所述账单催收方式包括以下至少一项：
在小于或等于第一预设逾期天数时通过第一催收方式进行账单催收，并在大于第一预设逾期天数时通过第二催收方式进行账单催收；
在小于或等于第二预设逾期天数时通过第一催收方式进行账单催收，并在大于第二预设逾期天数时通过第二催收方式进行账单催收；
在小于或等于第三预设逾期天数时通过第一催收方式进行账单催收，并在大于第三预设逾期天数时通过第二催收方式进行账单催收；
其中，所述第一预设逾期天数小于第二预设逾期天数，第二预设逾期天数小于第三预设逾期天数。
10.一种基于预定催收系统的账单催收装置，其特征在于，包括：
第一获取模块，用于获取第一逾期客户的第一信用数据以及通过预定催收系统对所述第一逾期客户进行账单催收的第一催收数据；
分析处理模块，用于基于训练后的决策树模型对所述第一催收数据与所述第一信用数据进行分析处理，确定所述第一逾期客户的风险评估信息；
催收模块，用于根据所述风险评估信息确定针对所述第一逾期客户的账单催收方式。
11.一种电子设备，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程序时实现权利要求1-9任一项所述的基于预定催收系统的账单催收方法方法。
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上存储有计算机程序，该程序被处理器执行时实现权利要求1-9任一项所述的基于预定催收系统的账单催收方法方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910430798.6A CN111986018A (zh) | 2019-05-22 | 2019-05-22 | 基于预定催收系统的账单催收方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910430798.6A CN111986018A (zh) | 2019-05-22 | 2019-05-22 | 基于预定催收系统的账单催收方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111986018A true CN111986018A (zh) | 2020-11-24 |
Family
ID=73436634
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910430798.6A Pending CN111986018A (zh) | 2019-05-22 | 2019-05-22 | 基于预定催收系统的账单催收方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111986018A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113079264A (zh) * | 2021-03-19 | 2021-07-06 | 国网浙江省电力有限公司 | 一种应用于供电系统的电费催缴联动方法 |
| CN114756716A (zh) * | 2022-04-18 | 2022-07-15 | 马上消费金融股份有限公司 | 信息处理方法、装置、设备及存储介质 |
| CN117036010A (zh) * | 2023-10-10 | 2023-11-10 | 中信消费金融有限公司 | 催收案件处理方法、装置、服务器及可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140081832A1 (en) * | 2012-09-18 | 2014-03-20 | Douglas Merrill | System and method for building and validating a credit scoring function |
| CN109377333A (zh) * | 2018-09-03 | 2019-02-22 | 平安科技（深圳）有限公司 | 电子装置、基于分类模型的催收员确定方法及存储介质 |
| 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 |
| CN109523185A (zh) * | 2018-11-28 | 2019-03-26 | 上海点融信息科技有限责任公司 | 基于人工智能生成催收评分卡的方法、装置及存储介质 |
| CN109559221A (zh) * | 2018-11-20 | 2019-04-02 | 中国银行股份有限公司 | 基于用户数据的催收方法、装置和存储介质 |
-
2019
- 2019-05-22 CN CN201910430798.6A patent/CN111986018A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140081832A1 (en) * | 2012-09-18 | 2014-03-20 | Douglas Merrill | System and method for building and validating a credit scoring function |
| CN109377333A (zh) * | 2018-09-03 | 2019-02-22 | 平安科技（深圳）有限公司 | 电子装置、基于分类模型的催收员确定方法及存储介质 |
| CN109559221A (zh) * | 2018-11-20 | 2019-04-02 | 中国银行股份有限公司 | 基于用户数据的催收方法、装置和存储介质 |
| 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 |
| CN109523185A (zh) * | 2018-11-28 | 2019-03-26 | 上海点融信息科技有限责任公司 | 基于人工智能生成催收评分卡的方法、装置及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113079264A (zh) * | 2021-03-19 | 2021-07-06 | 国网浙江省电力有限公司 | 一种应用于供电系统的电费催缴联动方法 |
| CN114756716A (zh) * | 2022-04-18 | 2022-07-15 | 马上消费金融股份有限公司 | 信息处理方法、装置、设备及存储介质 |
| CN117036010A (zh) * | 2023-10-10 | 2023-11-10 | 中信消费金融有限公司 | 催收案件处理方法、装置、服务器及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107609708B (zh) | 一种基于手机游戏商店的用户流失预测方法及系统 | |
| US20210337069A1 (en) | Exclusive Agent Pool Allocation Method, Electronic Device, And Computer Readable Storage Medium | |
| US20170286962A1 (en) | Bulk Dispute Challenge System | |
| CN111986018A (zh) | 基于预定催收系统的账单催收方法、装置及电子设备 | |
| 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 | |
| CN109754290B (zh) | 一种游戏数据的处理方法和装置 | |
| CN110378575B (zh) | 逾期事件回款催收方法及装置、计算机可读存储介质 | |
| CN111383093A (zh) | 账单逾期智能催收方法及系统 | |
| CN110807699A (zh) | 逾期事件的回款催收方法及装置、计算机可读存储介质 | |
| CN112163155B (zh) | 信息处理方法、装置、设备及存储介质 | |
| CN108416619B (zh) | 一种消费间隔时间预测方法、装置及可读存储介质 | |
| CN116596659A (zh) | 基于大数据风控的企业智能化信贷审批方法、系统及介质 | |
| CN111061948B (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
| US20240265459A1 (en) | Definite value and estimated value-based data quantization method | |
| US20210004722A1 (en) | Prediction task assistance apparatus and prediction task assistance method | |
| CN111091460A (zh) | 一种数据处理方法及装置 | |
| WO2020248916A1 (zh) | 一种信息处理方法及装置 | |
| CN111178722B (zh) | 适用于销售线索评级和分配的机器学习系统、方法及介质 | |
| CN116645134A (zh) | 一种信用卡分期的推荐方法、装置、设备及介质 | |
| CN117036001A (zh) | 交易业务的风险识别处理方法、装置、设备及存储介质 | |
| CN111951099A (zh) | 一种信用卡发卡模型及其运用方法 | |
| CN112966968B (zh) | 一种基于人工智能的名单分配方法及相关设备 | |
| CN116823264A (zh) | 风险识别方法、装置、电子设备、介质及程序产品 | |
| CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
| CN113065945A (zh) | 一种催收核销客户还款意愿分类方法及系统 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201124 |
|
| WD01 | Invention patent application deemed withdrawn after publication |