CN112785419B - 一种催收行动推荐方法及装置 - Google Patents
一种催收行动推荐方法及装置 Download PDFInfo
- Publication number
- CN112785419B CN112785419B CN202110093572.9A CN202110093572A CN112785419B CN 112785419 B CN112785419 B CN 112785419B CN 202110093572 A CN202110093572 A CN 202110093572A CN 112785419 B CN112785419 B CN 112785419B
- Authority
- CN
- China
- Prior art keywords
- information
- action
- user
- collecting
- obtaining
- 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
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种催收行动推荐方法及装置,所述方法包括:获得第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息;根据所述第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息,获得所述第一用户的账户回退概率信息;获得催收行动结算信息;根据所述催收行动结算信息、所述第一用户的账户回退概率信息,获得催收行动预期成本信息;获得所述第一用户应缴欠款信息;根据所述第一用户应缴欠款信息、所述催收行动预期成本信息、所述账户回退概率信息,获得催收行动推荐值。解决了现有技术中存在对于催收行动的可行性不能进行准确评估的技术问题,达到对催收行动进行准确的评估推荐的技术效果。
Description
技术领域
本发明涉及信用卡催收相关领域,尤其涉及一种催收行动推荐方法及装置。
背景技术
风险与收益相对称,是市场经济的一个基本规律。在追求信用卡业务的高收益潜力时,信用卡公司不得不面对一个现实,有些信用卡账户会发生一定的违约拖欠、严重拖欠,甚至是呆账损失。催收行动就是对这些处于不同的违约拖欠地位甚至呆账地位的用户账户采取适当的催收措施,一方面促使部分拖欠账户回到正常状态,另一方面尽可能的减少最终的呆账损失。催收行动是信用卡公司的核心竞争力之一,卓有成效的催收行动一方面可以使发卡银行直接减少呆账损失,提高盈利,另一方面更强的控制呆账的能力意味着银行可以扩大目标客户面,能够瞄准、接收更高风险的客群,提高发卡量来达到规模经济,从而在激烈的市场竞争中处于领先地位。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中存在对于催收行动的可行性不能进行准确评估的技术问题。
发明内容
本申请实施例通过提供一种催收行动推荐方法及装置,解决了现有技术中存在对于催收行动的可行性不能进行准确评估的技术问题,达到对催收行动进行准确的评估推荐的技术效果。
鉴于上述问题,提出了本申请实施例提供一种催收行动推荐方法及装置。
第一方面,本申请实施例提供了一种催收行动推荐方法,所述方法包括:获得第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息;根据所述第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息,获得所述第一用户的账户回退概率信息;获得催收行动结算信息;根据所述催收行动结算信息、所述第一用户的账户回退概率信息,获得催收行动预期成本信息;获得所述第一用户应缴欠款信息;根据所述第一用户应缴欠款信息、所述催收行动预期成本信息、所述账户回退概率信息,获得催收行动推荐值。
另一方面,本申请还提供了一种催收行动推荐装置,所述装置包括:第一获得单元,所述第一获得单元用于获得第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息;第二获得单元,所述第二获得单元用于根据所述第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息,获得所述第一用户的账户回退概率信息;第三获得单元,所述第三获得单元用于获得催收行动结算信息;第四获得单元,所述第四获得单元用于根据所述催收行动结算信息、所述第一用户的账户回退概率信息,获得催收行动预期成本信息;第五获得单元,所述第五获得单元用于获得所述第一用户应缴欠款信息;第六获得单元,所述第六获得单元用于根据所述第一用户应缴欠款信息、所述催收行动预期成本信息、所述账户回退概率信息,获得催收行动推荐值。
第三方面,本发明提供了一种催收行动推荐装置,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,其中,所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了根据所述第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息,获得所述第一用户的账户回退概率信息,根据所述第一用户应缴欠款信息、所述催收行动预期成本信息、所述账户回退概率信息对所述催收行动进行推荐值计算的方式,达到对催收行动进行准确的评估推荐的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种催收行动推荐方法的流程示意图;
图2为本申请实施例一种催收行动推荐装置的结构示意图;
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第四获得单元14,第五获得单元15,第六获得单元16,总线300,接收器301,处理器302,发送器303,存储器304,总线接口306。
具体实施方式
本申请实施例通过提供一种催收行动推荐方法及装置,解决了现有技术中存在对于催收行动的可行性不能进行准确评估的技术问题,达到对催收行动进行准确的评估推荐的技术效果。下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
催收行动是信用卡公司的核心竞争力之一,卓有成效的催收行动一方面可以使发卡银行直接减少呆账损失,提高盈利,另一方面更强的控制呆账的能力意味着银行可以扩大目标客户面,能够瞄准、接收更高风险的客群,提高发卡量来达到规模经济,从而在激烈的市场竞争中处于领先地位。但现有技术中存在对于催收行动的可行性不能进行准确评估的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种催收行动推荐方法,所述方法包括:获得第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息;根据所述第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息,获得所述第一用户的账户回退概率信息;获得催收行动结算信息;根据所述催收行动结算信息、所述第一用户的账户回退概率信息,获得催收行动预期成本信息;获得所述第一用户应缴欠款信息;根据所述第一用户应缴欠款信息、所述催收行动预期成本信息、所述账户回退概率信息,获得催收行动推荐值。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种催收行动推荐方法,其中,所述方法包括:
步骤S100:获得第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息;
具体而言,根据信息数据库获取所述用户基础信息、行为信息、往期催收反馈信息后,可以先对所述信息进行统计描述统计,如果出现异常值、空值,则基于中位数,结合业务经验值,对其进行修正、填充,所述候选催收行动信息为根据所述用户基础信息获得的要进行催收的候选名单信息。
步骤S200:根据所述第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息,获得所述第一用户的账户回退概率信息;
具体而言,所述回退概率是基于用户的行为信息、往期催收反馈信息计算获得的账户回退的概率。
进一步而言,所述根据所述第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息,获得所述第一用户的账户回退概率信息,本申请实施例步骤S200还包括:
步骤S210:构建数据库;
步骤S220:从所述数据库中获得所述第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息;
步骤S230:根据所述基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息,获得分类变量信息;
步骤S240:将所述分类变量信息处理为类别向量,获得训练样本;
步骤S250:构建预定数量CART回归树;
步骤S260:根据所述训练样本和所述预定数量CART回归树,获得所述第一用户的账户回退概率信息。
具体而言,用户账户回退概率问题的预测采用基于XGB(eXtreme GradientBoosting)算法的模型。XGB是Boosting算法的一种,思想是将许多弱分类器集成在一起,形成一个强分类器。相比于GBM,XGB计算速度更快,预测的准确率更高,XGB使用CART回归树做弱学习器,Gain函数是XGB构建树过程中搜索最佳分裂点的依据,对每一个潜在分割点,选择有最大的Gain作为实际分割点。XGB是对GBM的一个高效的实现,改进了损失函数的优化过程,并在损失函数中增加了正则项。具体地,XGB的改进与不同点在于,使用牛顿法而不是梯度下降法优化目标函数,损失函数被二阶泰勒展开近似。从数据库获取用户基础信息、行为信息、往期催收反馈信息、候选催收行动信息后,先基于描述统计分析,填充空值,修正异常值;再将分类变量通过one-hot编码预处理为类别向量,得到训练样本;然后基于训练样本,构建200棵CART回归树;最后通过sigmod转换,得到用户账户的回退概率,通过训练样本和预定数量CART回归树进行训练学习,获得所述第一用户的账户回退概率,达到对所述第一用户的账户回退概率计算更加准确,进而达到对催收行动进行准确的评估推荐的技术效果。
步骤S300:获得催收行动结算信息;
具体而言,从催收行动结算信息数据库中获取所述催收行动结算信息,并定期更新催收行动结算信息,以保持和业务信息的一致性。
步骤S400:根据所述催收行动结算信息、所述第一用户的账户回退概率信息,获得催收行动预期成本信息;
具体而言,所述催收行动预期成本信息为综合考量催收行动的催收金额、用户账户回退结果、催收的成本等信息获得的。
步骤S500:获得所述第一用户应缴欠款信息;
步骤S600:根据所述第一用户应缴欠款信息、所述催收行动预期成本信息、所述账户回退概率信息,获得催收行动推荐值。
具体而言,从用户应缴欠款信息数据库中获取所述信息,并定期更新用户应缴欠款信息,以保持和业务信息的一致性,根据所述用户的应缴欠款信息,催收行动的成本信息、账户回退概率信息,对所述催收行动进行收支概率预估,获得此次催收行动的推荐值,根据所述推荐值,达到对催收行动进行准确的评估推荐的技术效果。
进一步而言,所述根据所述基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息,获得分类变量信息之前,本申请实施例步骤S230还包括:
步骤S231:通过描述统计分析对所述基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息进行空值填充;
步骤S232:通过描述统计分析对所述基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息进行异常值修正。
具体而言,从数据库获取用户基础信息、行为信息、往期催收反馈信息、候选催收行动信息后,先基于描述统计分析,填充空值,修正异常值;再将分类变量通过one-hot编码预处理为类别向量,得到训练样本;然后基于训练样本,构建200棵CART回归树;最后通过sigmod转换,得到用户账户的回退概率。
进一步而言,所述根据所述催收行动结算信息、所述第一用户的账户回退概率信息,获得催收行动预期成本信息,本申请实施例步骤S400还包括:
步骤S410:获得所述催收行动的结算模式;
步骤S420:根据所述催收行动的结算模式,获得所述催收行动的预期成本信息。
进一步而言,所述获得所述催收行动的结算模式,本申请实施例步骤S410还包括:
步骤S411:判断所述催收行动结算费用是否与第一用户账户回退结果相关;
步骤S412:如果所述催收行动结算费用与第一用户账户回退结果无关,搜索催收行动结算信息数据库,加权权重为1,获得催收行动与用户账户回退结果无关的费用;
步骤S413:如果所述催收行动结算费用与用户账户回退结果有关,搜索催收行动结算信息数据库,加权权重为所述用户账户回退概率,确定催收行动与用户账户回退结果有关的费用。
进一步而言,所述根据所述催收行动的结算模式,获得所述催收行动的预期成本信息,本申请实施例步骤S420还包括:
步骤S421:根据所述催收行动与用户账户回退结果无关的费用、所述催收行动与用户账户回退结果有关的费用,获得所述催收行动的预期成本信息。
具体而言,确定所述催收行动结算费用是否与用户账户回退结果相关。如果所述催收行动结算费用与用户账户回退结果无关,搜索催收行动结算信息数据库,加权权重为1,确定所述催收行动与用户账户回退结果无关的费用;如果所述催收行动结算费用与用户账户回退结果有关,搜索催收行动结算信息数据库,加权权重为所述用户账户回退概率,确定催收行动结算费用与用户账户回退结果有关的费用;并基于催收行动与用户账户回退结果无关的费用、催收行动与用户账户回退结果有关的费用,确定催收行动的预期成本。举例而言,计算催收行动预期成本,用A=(a1,a2,...,an)表示用户账户候选催收行动的集合,L=(la1,la2,...,lan)表示每个催收行动与账户回退结果无关的结算费用,lai表示催收行动ai与用户账户回退结果无关的结算费用,H=(ha1,ha2,...,han)表示每个催收行动与用户账户回退结果有关的费用,hai表示催收行动ai与用户账户回退结果有关的费用,P=(pa1,pa2,...,pan)表示每个催收行动的用户账户回退概率,pai表示采取催收行动ai的用户账户回退概率,则用户账户采取催收行动ai的预期成本为:mai=lai+pai×hai。
进一步而言,所述根据所述第一用户应缴欠款信息、所述催收行动预期成本信息、所述账户回退概率信息,获得催收行动推荐值,本申请实施例步骤S600还包括:
步骤S610:获得所述第一用户应缴欠款金额;
步骤S620:根据所述第一用户应缴欠款,加权所述第一用户账户回退概率,并减去催收行动预期成本,获得所述催收行动推荐值。
具体而言,从用户应缴欠款信息数据库中获取所述信息,并定期更新用户应缴欠款信息,以保持和业务信息的一致性。基于所述用户应缴欠款信息,加权所述用户账户回退概率,并减去催收行动预期成本,从而确定所述催收行动推荐值。举例而言,计算催收行动推荐值,用A=(a1,a2,...,an)表示用户账户候选催收行动的集合,k表示用户应缴欠款信息,M=(ma1,ma2,...,man)表示每个催收行动的预期成本,mai表示催收行动ai的预期成本,P=(pa1,pa2,...,pan)表示每个催收行动的用户账户回退概率,pai表示采取催收行动ai的用户账户回退概率,则催收行动ai的推荐值为sai=pai×k-mai,根据所述公式,获得催收行动推荐值,通过所述推荐值的计算,达到对催收行动进行准确的评估推荐的技术效果。
综上所述,本申请实施例所提供的一种催收行动推荐方法及装置具有如下技术效果:
1、由于采用了根据所述第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息,获得所述第一用户的账户回退概率信息,根据所述第一用户应缴欠款信息、所述催收行动预期成本信息、所述账户回退概率信息对所述催收行动进行推荐值计算的方式,达到对催收行动进行准确的评估推荐的技术效果。
2、由于采用了通过训练样本和预定数量CART回归树进行训练学习的方式,获得所述第一用户的账户回退概率,达到对所述第一用户的账户回退概率计算更加准确,进而达到对催收行动进行准确的评估推荐的技术效果。
3、由于采用了通过所述推荐值的计算,达到对催收行动进行准确的评估推荐的技术效果。
实施例二
基于与前述实施例中一种催收行动推荐方法同样发明构思,本发明还提供了一种催收行动推荐装置,如图2所示,所述装置包括:
第一获得单元11,所述第一获得单元11用于获得第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息;
第二获得单元12,所述第二获得单元12用于根据所述第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息,获得所述第一用户的账户回退概率信息;
第三获得单元13,所述第三获得单元13用于获得催收行动结算信息;
第四获得单元14,所述第四获得单元14用于根据所述催收行动结算信息、所述第一用户的账户回退概率信息,获得催收行动预期成本信息;
第五获得单元15,所述第五获得单元15用于获得所述第一用户应缴欠款信息;
第六获得单元16,所述第六获得单元16用于根据所述第一用户应缴欠款信息、所述催收行动预期成本信息、所述账户回退概率信息,获得催收行动推荐值。
进一步的,所述装置还包括:
第一构建单元,所述第一构建单元用于构建数据库;
第七获得单元,所述第七获得单元用于从所述数据库中获得所述第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息;
第八获得单元,所述第八获得单元用于根据所述基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息,获得分类变量信息;
第九获得单元,所述第九获得单元用于将所述分类变量信息处理为类别向量,获得训练样本;
第二构建单元,所述第二构建单元用于构建预定数量CART回归树;
第十获得单元,所述第十获得单元用于根据所述训练样本和所述预定数量CART回归树,获得所述第一用户的账户回退概率信息。
进一步的,所述装置还包括:
第十一获得单元,所述第十一获得单元用于通过描述统计分析对所述基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息进行空值填充;
第一修正单元,所述第一修正单元用于通过描述统计分析对所述基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息进行异常值修正。
进一步的,所述装置还包括:
第十二获得单元,所述第十二获得单元用于获得所述催收行动的结算模式;
第十三获得单元,所述第十三获得单元用于根据所述催收行动的结算模式,获得所述催收行动的预期成本信息。
进一步的,所述装置还包括:
第一判断单元,所述第一判断单元用于判断所述催收行动结算费用是否与第一用户账户回退结果相关;
第十四获得单元,所述第十四获得单元用于如果所述催收行动结算费用与第一用户账户回退结果无关,搜索催收行动结算信息数据库,加权权重为1,获得催收行动与用户账户回退结果无关的费用;
第一确定单元,所述第一确定单元用于如果所述催收行动结算费用与用户账户回退结果有关,搜索催收行动结算信息数据库,加权权重为所述用户账户回退概率,确定催收行动与用户账户回退结果有关的费用。
进一步的,所述装置还包括:
第十五获得单元,所述第十五获得单元用于根据所述催收行动与用户账户回退结果无关的费用、所述催收行动与用户账户回退结果有关的费用,获得所述催收行动的预期成本信息。
进一步的,所述装置还包括:
第十六获得单元,所述第十六获得单元用于获得所述第一用户应缴欠款金额;
第十七获得单元,所述第十七获得单元用于根据所述第一用户应缴欠款,加权所述第一用户账户回退概率,并减去催收行动预期成本,获得所述催收行动推荐值。
前述图1实施例一中的一种催收行动推荐方法的各种变化方式和具体实例同样适用于本实施例的一种催收行动推荐装置,通过前述对一种催收行动推荐方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种催收行动推荐装置的实施方法,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种催收行动推荐方法的发明构思,本发明还提供一种催收行动推荐装置,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种催收行动推荐方法的任一方法的步骤。
其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明实施例提供的一种催收行动推荐方法,所述方法包括:获得第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息;根据所述第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息,获得所述第一用户的账户回退概率信息;获得催收行动结算信息;根据所述催收行动结算信息、所述第一用户的账户回退概率信息,获得催收行动预期成本信息;获得所述第一用户应缴欠款信息;根据所述第一用户应缴欠款信息、所述催收行动预期成本信息、所述账户回退概率信息,获得催收行动推荐值。解决了现有技术中存在对于催收行动的可行性不能进行准确评估的技术问题,达到对催收行动进行准确的评估推荐的技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种催收行动推荐方法,其中,所述方法包括:
获得第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息;
根据所述第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息,获得所述第一用户的账户回退概率信息;
获得催收行动结算信息;
根据所述催收行动结算信息、所述第一用户的账户回退概率信息,获得催收行动预期成本信息;
获得所述第一用户应缴欠款信息;
根据所述第一用户应缴欠款信息、所述催收行动预期成本信息、所述账户回退概率信息,获得催收行动推荐值;
其中,所述根据所述第一用户应缴欠款信息、所述催收行动预期成本信息、所述账户回退概率信息,获得催收行动推荐值,包括:
获得所述第一用户应缴欠款金额;
根据所述第一用户应缴欠款,加权所述第一用户账户回退概率,并减去催收行动预期成本,获得所述催收行动推荐值。
2.如权利要求1所述的方法,其中,所述根据所述第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息,获得所述第一用户的账户回退概率信息,包括:
构建数据库;
从所述数据库中获得所述第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息;
根据所述基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息,获得分类变量信息;
将所述分类变量信息处理为类别向量,获得训练样本;
构建预定数量CART回归树;
根据所述训练样本和所述预定数量CART回归树,获得所述第一用户的账户回退概率信息。
3.如权利要求2所述的方法,其中,所述根据所述基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息,获得分类变量信息之前,包括:
通过描述统计分析对所述基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息进行空值填充;
通过描述统计分析对所述基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息进行异常值修正。
4.如权利要求1所述的方法,其中,所述根据所述催收行动结算信息、所述第一用户的账户回退概率信息,获得催收行动预期成本信息,包括:
获得所述催收行动的结算模式;
根据所述催收行动的结算模式,获得所述催收行动的预期成本信息。
5.如权利要求4所述的方法,其中,所述获得所述催收行动的结算模式,包括:
判断所述催收行动结算费用是否与第一用户账户回退结果相关;
如果所述催收行动结算费用与第一用户账户回退结果无关,搜索催收行动结算信息数据库,加权权重为1,获得催收行动与用户账户回退结果无关的费用;
如果所述催收行动结算费用与用户账户回退结果有关,搜索催收行动结算信息数据库,加权权重为所述用户账户回退概率,确定催收行动与用户账户回退结果有关的费用。
6.如权利要求5所述的方法,其中,所述根据所述催收行动的结算模式,获得所述催收行动的预期成本信息,包括:
根据所述催收行动与用户账户回退结果无关的费用、所述催收行动与用户账户回退结果有关的费用,获得所述催收行动的预期成本信息。
7.一种催收行动推荐装置,其中,所述装置包括:
第一获得单元,所述第一获得单元用于获得第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息;
第二获得单元,所述第二获得单元用于根据所述第一用户的基础信息、行为信息、往期催收反馈信息,以及候选催收行动信息,获得所述第一用户的账户回退概率信息;
第三获得单元,所述第三获得单元用于获得催收行动结算信息;
第四获得单元,所述第四获得单元用于根据所述催收行动结算信息、所述第一用户的账户回退概率信息,获得催收行动预期成本信息;
第五获得单元,所述第五获得单元用于获得所述第一用户应缴欠款信息;
第六获得单元,所述第六获得单元用于根据所述第一用户应缴欠款信息、所述催收行动预期成本信息、所述账户回退概率信息,获得催收行动推荐值;
第十六获得单元,所述第十六获得单元用于获得所述第一用户应缴欠款金额;
第十七获得单元,所述第十七获得单元用于根据所述第一用户应缴欠款,加权所述第一用户账户回退概率,并减去催收行动预期成本,获得所述催收行动推荐值。
8.一种催收行动推荐装置,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,其中,所述处理器执行所述程序时实现权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110093572.9A CN112785419B (zh) | 2021-01-22 | 2021-01-22 | 一种催收行动推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110093572.9A CN112785419B (zh) | 2021-01-22 | 2021-01-22 | 一种催收行动推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112785419A CN112785419A (zh) | 2021-05-11 |
CN112785419B true CN112785419B (zh) | 2023-05-05 |
Family
ID=75758772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110093572.9A Active CN112785419B (zh) | 2021-01-22 | 2021-01-22 | 一种催收行动推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785419B (zh) |
Citations (6)
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 |
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 |
CN110288460A (zh) * | 2019-04-24 | 2019-09-27 | 武汉众邦银行股份有限公司 | 基于前向传播的催收预测方法、装置、设备及存储介质 |
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 |
CN110796341A (zh) * | 2019-09-30 | 2020-02-14 | 北京淇瑀信息科技有限公司 | 一种催收案件分布式批处理方法、装置和电子设备 |
-
2021
- 2021-01-22 CN CN202110093572.9A patent/CN112785419B/zh active Active
Patent Citations (6)
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 |
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 |
CN110288460A (zh) * | 2019-04-24 | 2019-09-27 | 武汉众邦银行股份有限公司 | 基于前向传播的催收预测方法、装置、设备及存储介质 |
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 |
CN110796341A (zh) * | 2019-09-30 | 2020-02-14 | 北京淇瑀信息科技有限公司 | 一种催收案件分布式批处理方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112785419A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846520B (zh) | 贷款逾期预测方法、装置以及计算机可读存储介质 | |
CN109146440B (zh) | 交易结算方法、装置、服务器以及存储介质 | |
CN111275491B (zh) | 一种数据处理方法及装置 | |
US11037158B2 (en) | Bulk dispute challenge system | |
CN108665120B (zh) | 打分模型的建立、用户信用的评估方法及装置 | |
CN110827138B (zh) | 一种推送信息确定方法及装置 | |
CN110070430A (zh) | 评估还款风险的方法及装置、存储介质、电子设备 | |
WO2018157808A1 (zh) | 互联网征信评估方法和系统 | |
CN110490392A (zh) | 网点配钞方法及装置 | |
CN110675029A (zh) | 商户的动态管控方法、装置、服务器及可读存储介质 | |
CN110909878A (zh) | 预估资源使用份额的神经网络模型的训练方法和装置 | |
CN111898611A (zh) | 一种结合rpa和ai的收款凭证生成方法、装置、设备及介质 | |
KR20180023603A (ko) | 대출 중개 시스템 및 이에 이용되는 중개 서버 | |
CN113888317A (zh) | 用于对信贷资金进行管控的方法及装置 | |
CN113888312A (zh) | 确定业务额度的方法、装置、电子设备及介质 | |
CN112785419B (zh) | 一种催收行动推荐方法及装置 | |
CN109086954A (zh) | 基于资金流预测收益率的预测方法、装置、设备及介质 | |
CN111695988A (zh) | 信息处理方法、装置、电子设备和介质 | |
CN115269085A (zh) | 手机银行页面展示方法及装置 | |
CN115860889A (zh) | 一种基于人工智能的金融贷款大数据管理方法及系统 | |
CN114742644A (zh) | 训练多场景风控系统、预测业务对象风险的方法和装置 | |
CN114493822A (zh) | 一种基于迁移学习的用户违约预测定价方法和系统 | |
CN112200488A (zh) | 针对业务对象的风险识别模型训练方法及装置 | |
CN113408923B (zh) | 保费催收方法、装置、计算机设备和存储介质 | |
CN113554228B (zh) | 还款率预测模型的训练方法及还款率的预测方法 |
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 |