CN112819613A - 贷款信息的处理方法、设备以及存储介质 - Google Patents

贷款信息的处理方法、设备以及存储介质 Download PDF

Info

Publication number
CN112819613A
CN112819613A CN202110256975.0A CN202110256975A CN112819613A CN 112819613 A CN112819613 A CN 112819613A CN 202110256975 A CN202110256975 A CN 202110256975A CN 112819613 A CN112819613 A CN 112819613A
Authority
CN
China
Prior art keywords
user
repayment
information
loss
determining
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.)
Granted
Application number
CN202110256975.0A
Other languages
English (en)
Other versions
CN112819613B (zh
Inventor
郭灿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Duxiaoman Youyang Technology Co ltd
Original Assignee
Chongqing Duxiaoman Youyang Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Duxiaoman Youyang Technology Co ltd filed Critical Chongqing Duxiaoman Youyang Technology Co ltd
Priority to CN202110256975.0A priority Critical patent/CN112819613B/zh
Publication of CN112819613A publication Critical patent/CN112819613A/zh
Application granted granted Critical
Publication of CN112819613B publication Critical patent/CN112819613B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q40/00Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03Credit; Loans; Processing thereof
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067Enterprise or organisation modelling
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请实施例提供了一种贷款信息的处理方法、设备以及存储介质。该方法包括:对于存在高还款风险的用户,基于该用户的历史行为数据,确定该用户的还款意愿信息和还款能力信息,并基于该还款意愿信息,确定该用户是否为可联通状态,若该用户为不可联通状态,则按照第一催收方式执行对应的操作,该第一催收方式用于指示获取该用户的通信方式,若该用户为可联通状态,则基于该还款能力信息,按照第二催收方式或第三催收方式执行对应的操作。提高了贷款信息处理的效率,实现了自动催收,进而提高了回款效率。

Description

贷款信息的处理方法、设备以及存储介质
技术领域
本申请实施例涉及人工智能技术领域,并且更具体地,涉及贷款信息的处理方法、设备以及存储介质。
背景技术
随着人工智能(Artificial Intelligence,AI)技术领域的不断发展,人们期望能够通过AI替代人工在贷款发生逾期后,对用户进行有效催收以实现回款,然而,目前尚不存在有效的解决方案。
发明内容
本申请实施例提供了一种贷款信息的处理方法、设备以及存储介质,能够针对用户的还款意愿信息和还款能力信息,按照差异化的催收方式进行对应的操作,实现有效催收,进而提升回款率。
第一方面,提供一种贷款信息的处理方法,包括:对于存在高还款风险的用户,基于该用户的历史行为数据,确定该用户的还款意愿信息和还款能力信息;基于该还款意愿信息,确定该用户是否为可联通状态;若该用户为不可联通状态,则按照第一催收方式执行对应的操作,该第一催收方式用于指示获取该用户的通信方式;若该用户为可联通状态,则基于该还款能力信息,按照第二催收方式或第三催收方式执行对应的操作。
第二方面,提供一种电子设备,包括:识别单元,用于对于存在高还款风险的用户,基于该用户的历史行为数据,确定该用户的还款意愿信息和还款能力信息;判断单元,用于基于该还款意愿信息,确定该用户是否为可联通状态;执行单元,用于若该用户为不可联通状态,则按照第一催收方式执行对应的操作,该第一催收方式用于指示获取该用户的通信方式;该执行单元还用于若该用户为可联通状态,则基于该还款能力信息,按照第二催收方式或第三催收方式执行对应的操作。
第三方面,提供一种电子设备,包括:处理器和存储器,该存储器用于存储计算机程序,处理器用于调用并运行存储器中存储的计算机程序,执行如第一方面或其各实现方式中的方法。
第四方面,提供一种计算机可读存储介质,用于存储计算机程序,计算机程序使得计算机执行如第一方面或其各实现方式中的方法。
第五方面,提供一种计算机程序产品,包括计算机程序指令,该计算机程序指令使得计算机执行如第一方面或其各实现方式中的方法。
第六方面,提供一种计算机程序,计算机程序使得计算机执行如第一方面或其各实现方式中的方法。
本申请实施例,对于存在高还款风险的用户,基于还款意愿信息和还款能力信息,对用户进行划分,以针对不同还款意愿和不同还款能力的用户,按照不同的催收方式进行对应的操作,实现逾期款项的有效回收。
附图说明
图1为本申请实施例提供的一种贷款信息处理的应用场景示意图;
图2为本申请实施例提供的一种贷款信息的处理方法的流程示意图;
图3为本申请实施例提供的一种贷款信息的处理方法的流程示意图;
图4为本申请实施例提供的一种贷款信息的处理方法的流程示意图;
图5为本申请实施例提供的一种贷款信息的处理方法的流程示意图;
图6为本申请实施例提供的一种贷款信息的处理方法的流程示意图;
图7为本申请实施例提供的一种贷款信息的处理方法的流程示意图;
图8为本申请实施例提供的一种贷款信息的处理方法的流程示意图;
图9为本申请实施例提供的一种电子设备的示意性框图;
图10为本申请实施例提供的一种电子设备的示意性结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。针对本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
为了便于理解,首先对本申请实施例提到的技术术语进行说明:
逾期M1阶段:是指用户在应还款未还款,逾期天数1-31天,即逾期一个月内的阶段。
入催用户:是指因存在逾期行为而需要被催收的用户。
贷后评分卡:用于表征用户的还款概率信息。
还款概率预测模型:预测贷后逾期用户在任一逾期阶段,例如逾期M1阶段已还欠款的概率,用1-10分表示,模型分越高,还款概率越高。
失联预测模型:预测贷后逾期用户在任一逾期阶段,例如逾期M1阶段联系不上的概率,用1-10分表示,模型分越高,联系不上的概率越高。失联即为失去联系。
还款能力预测模型:预测贷后逾期用户在任一逾期阶段,例如逾期M1阶段有没有能力还款,用1-10分表示,模型分越高,还款能力越高。
随着智能机器人的不断进步,在对存在逾期行为的用户进行催收过程中,通过智能机器人对一些低还款风险人群的早期催收,可节省人力,有效提高处理效率,但是针对高还款风险人群还是需要人工来催收。因此,如何针对高风险人群进行催收,来提升回款率,是现有技术不能解决的问题。
基于上述问题,本申请提出了一种对存在高还款风险的用户催收逾期贷款的方案,能够根据用户的还款意愿信息和还款能力信息,确定不同用户的催收方式,从而实现有效催收,提高了回款率。
需要说明的是,本申请中贷款信息可以包括任一与贷款、还款或催收相关的信息。
本申请的执行主体为一种电子设备,应理解,该电子设备可以为一种终端设备中,例如手机(Mobile Phone)、平板电脑(Pad)、电脑等。在一些实施例中,该电子设备还可以是服务器。
图1为本申请实施例提供的一种贷款信息处理的应用场景示意图。如图1所示,电子设备110与多个用户终端120通过有线或者无线的方式连接,电子设备110与服务终端130通过有线或者无线的方式连接,且服务终端130与多个用户终端120通过有线或者无线的方式连接。
其中,每个用户终端120登录有入催用户的账号;服务终端130登录有贷款催收的需求方的账号。可选的,服务终端130的数量为一至多个。
基于上述应用场景,本申请实施例中的电子设备110可以按照确定好的催收方式进行对应的操作以实现催收,例如向对至少一个用户终端120发送催收消息,在一些实施例中电子设备110可以通知服务终端130,使服务终端130对至少一个用户终端120进行对应的操作以实现催收。
以下通过具体实施例详述本申请的技术方案。
图2为本申请实施例提供的一种贷款信息的处理方法的流程示意图。如图2所示,本申请实施例的执行主体可以是上述电子设备110,该方法具体包括:
S21:对于存在高还款风险的用户,基于该用户的历史行为数据,确定该用户的还款意愿信息和还款能力信息。
S22:基于还款意愿信息,确定该用户是否为可联通状态;
若用户为不可联通状态,则执行步骤S203;若用户为可联通状态,则执行步骤S204。
S23:按照第一催收方式执行对应的操作,该第一催收方式用于指示获取用户的通信方式。
S24:基于还款能力信息,按照第二催收方式或第三催收方式执行对应的操作。
需要说明的是,本申请实施例可以应用于对任一逾期阶段中的逾期用户进行贷款催收,例如可以是逾期M1阶段。
示例性的,可将用户的历史行为数据输入一或多个模型中,以得到该用户的还款意愿信息和还款能力信息,或者得到该用户的还款意愿信息和还款能力信息中的部分信息。
还款意愿信息能够体现用户的还款意愿,例如,用户的状态是否为可联通状态,若为可联通状态则表明该用户具有还款意愿,若为不可联通状态则表明该用户不具有还款意愿。
还款能力信息为能够体现用户的还款能力的相关信息,例如,用户的收入与所欠款项之间的数值关系等。
在一些实施例中,还款意愿信息包括历史联通信息和失联预测值。示例性的,历史联通信息可以是该用户电话号码的历史呼叫数据或者历史被呼叫数据;失联预测值可以是基于用户的历史行为数据,例如历史行为数据中的沟通行为数据进行评估得到的,例如,可以将历史行为数据输入失联预测模型,通过失联预测模型输出失联预测值。
在一些实施例中,还款能力信息包括历史还款能力信息和还款能力预测值。示例性的,历史还款能力信息可以包括用户的历史收入和还款额;还款能力预测值可以是基于用户的历史行为数据,例如历史行为数据中的收入数据和负债数据进行评估得到的,例如可以将历史行为数据输入还款能力预测模型,通过还款能力预测模型输出还款能力预测值。
在一些实施例中,第一催收方式可以是多渠道失联修复,针对不可联通状态的用户,即失联用户,进行合规安全的失联查找,找到用户的可触达方式联系到用户。
需要说明的是,在用户为可联通状态时,基于还款能力信息对用户的还款能力进行评估,根据评估结果确定按照第二催收方式进行对应的操作,或者按照第三催收方式进行对应的操作。示例性的,第二催收方式对应于还款意愿高但还款能力低的用户,第三催收方式对应于还款意愿高且还款能力高的用户。
图3为本申请实施例提供的一种贷款信息的处理方法的流程示意图。本申请实施例对如何基于还款意愿信息确定用户是否为可联通状态提供如图3所示的实现方式:
S221:基于历史联通信息,确定用户在第一时间段内是否可联通。
若该用户在第一时间段内不可联通,则执行步骤S222;若该用户在第一时间段内可联通,则执行步骤S223。
S222:确定该用户为不可联通状态。
S223:基于失联预测值,确定该用户是否为可联通状态。
在一些实施例中,历史联通信息可以包括该用户电话号码的历史呼叫数据或者历史被呼叫数据;第一时间段可以是任一历史时间段,例如可以是最近一个月。示例性的,可确定该用户在预设时间段内是否存在接通的呼叫数据或者被呼叫数据,例如历史1个月内是否有接通,如果有过接通,认为该用户是可联通的,如果有呼叫但从未接通,认为该用户是不可联通的。
示例性的,针对步骤S223,可以包括如图4所示的实现方式:
S2231:确定失联预测值对应的失联概率分档的值是否大于第一预设值。
若该失联概率分档的值小于等于第一预设值,则执行步骤S2232;若该失联概率分档的值大于第一预设值,则执行步骤S2233。
S2232:确定用户为可联通状态;
S2233:确定失联概率分档的失联率是否大于全部入催用户的失联率的n倍,n≥1;
若失联概率分档的失联率大于全部入催用户的失联率的n倍,则执行步骤S2234;若失联概率分档的失联率小于等于全部入催用户的失联率的n倍,则执行步骤S2232。
S2234:确定该用户为不可联通状态。
需要说明的是,每个失联预测值可以对应一个失联概率分档,例如,失联预测值为1对应值为1的失联概率分档;多个失联预测值可以对应一个失联概率分档,例如,失联预测值1-5对应值为1的失联概率分档。应理解,失联预测值越大,对应的失联概率分档的值越大,表明用户失联的可能性越高。
失联概率分档的失联率为预先根据该失联概率分档中的用户确定的,通过每个失联概率分档的失联率与全部入催用户的失联率进行比较,来进一步确定该用户是否为可联通状态。示例性的,在失联概率分档的失联率大于入催用户的失联率的n倍时,确定该用户为不可联通状态,否则该用户为可联通状态。
例如表1所示,对入催用户进行失联概率分档,并统计每个分档的失联率。失联概率高的判断条件可以是分档中的用户的失联率大于全部入催用户的失联率的2倍及以上。比如表2中的灰色表格(10分档和9分档)。1-8分档的人群失联概率风险低,未来可联通的概率高。
表1
Figure BDA0002967853880000061
Figure BDA0002967853880000071
因此,本申请实施例中,对于存在高还款风险的用户,基于还款意愿信息和还款能力信息,对用户进行划分,以针对不同还款意愿和不同还款能力的用户,按照不同的催收方式进行对应的操作,实现逾期款项的有效回收。
图5为本申请实施例提供的一种贷款信息的处理方法的流程示意图。
为了进一步实现有效催收,基于用户不同的还款能力确定对应的催收方式,如图5所示:
S31:基于还款能力信息,确定用户是否具备还款能力。
若用户不具备还款能力,则执行步骤S32;若用户具备还款能力,则执行步骤S33。
S32:按照第二催收方式执行对应的操作,该第二催收方式用于获取该用户的实时能力信息。
S33:按照第三催收方式执行对应的操作,该第三催收方式用于解决该用户的逾期问题。
一般来说,第二催收方式与第三催收方式不同。示例性的,第二催收方式用于获取该用户的实时能力信息,例如,通过多种数据渠道获取用户的画像,了解用户的还款能力,在用户有能力的时候触达并实现回款;第三催收方式用于解决用户的逾期问题,例如,获取用户的逾期问题,分析逾期原因,提供给用户解决方案协助用户解决逾期问题,以实现回款。
在一些实施例中,还款能力信息包括历史还款能力信息和还款能力预测值。则步骤S31可以包括如图6所示的实现方式:
S311:基于历史还款能力信息,确定历史还款能力系数,该历史还款能力系数为第二时间段内该用户的收入与还款额的比值。
若历史还款能力系数小于等于第二预设值,则执行步骤S312;若历史还款能力系数大于第二预设值,则执行步骤S313。
S312:确定用户不具备还款能力。
S313:基于还款能力预测值,确定该用户是否具备还款能力。
示例性的,第二时间段可以为任一历史时间段,例如最近的一个月,历史还款能力信息可以为通过多个数据源收集到的用户上一个月的收入,或者上一个月的实际支出作为用户上一个月的收入,来对比一个月的还款额,判断用户的历史还款能力。
例如,历史还款能力系数=上一个月用户的收入÷一个月的还款额。
历史还款能力系数与历史还款能力的对应关系可以为:历史还款能力系数为2时历史还款能力极高,历史还款能力系数为1-2时历史还款能力高,历史还款能力系数为0.8-1时历史还款能力中,历史还款能力系数为0.4-0.8时历史还款能力低,历史还款能力系数为小于0.4时历史还款能力极低。示例性的,第二预设值可以为0.8,即还款能力为低或极低时,用户不具备还款能力。
在用户的历史还款能力系数大于第二预设值时,进一步地基于还款能力预测值确定用户的还款能力,具体可以包括如图7所示的实现方式:
S3131:确定还款能力预测值对应的还款能力分档。
S3132:基于还款能力分档的还款能力预测总值和全部入催用户的还款能力预测总值,确定还款能力分档对应的还款能力系数。
若还款能力系数大于第三预设值,则执行步骤S3133;若还款能力系数小于等于第三预设值,则执行步骤S3134。
S3133:确定该用户具备还款能力。
S3134:确定该用户不具备还款能力。
需要说明的是,每个还款能力预测值可以对应一个还款能力分档,例如还款能力预测值为1对应值为1的还款能力分档;或者,多个还款能力预测值可以对应一个还款能力分档,例如还款能力预测值为1-5,对应值为1的还款能力分档。
每个还款能力分档对应的还款能力预测总值,可以是该还款能力分档中所有用户的还款能力预测值的总和;类似的,全部入催用户的还款能力预测总值可以是所涉及的每个入催用户的还款能力预测值的总和。
每个还款能力分档的还款能力系数为该还款能力分档的还款能力预测总值与全部入催用户的还款能力预测总值的比值。
还款能力分档和还款能力系数如表2所示:
表2
Figure BDA0002967853880000091
还款能力系数低的用户群,即未来还款能力低,对应表2中还款能力系数小于等于0.8以下的1-5分档。还款能力高的用户群,对应表2中还款能力系数大于0.8的6-10分档。
图8为本申请实施例提供的一种贷款信息的处理方法的流程示意图。
本申请实施例主要针对存在逾期行为的用户中高还款风险的用户,即还款可能性低的用户,提出的催收方案,那么,如何确定用户是否为存在高还款风险的用户,本实施例提出如图8所示的一种实现方式:
S41:将用户的历史行为数据输入预训练得到的还款概率预测模型,得到用户的还款预测值。
S42:确定用户的还款预测值对应的还款概率分档的值是否小于等于第四预设值。
S43:在用户的还款预测值对应的还款概率分档的值小于等于第四预设值时,在每个逾期金额分档下,确定还款概率分档对应的回款率,该还款概率分档对应多个逾期金额分档。
若还款概率分档对应的回款率小于入催用户在该逾期金额分档下的回款率,则执行步骤S44;若还款概率分档对应的回款率大于等于入催用户在逾期金额分档下的回款率,则执行步骤S45。
S44:确定用户为存在高还款风险的用户。
S45:确定该用户为存在低还款风险的用户。
在一些实施例中,若确定用户的还款预测值大于第四预设值,则执行步骤S45。
示例性的,一个还款预测值可以对应一个还款概率分档,例如,还款预测值为1对应值为1的还款概率分档;或者多个还款预测值可以对应一个还款概率分档,例如还款预测值1-5对应值为1的还款概率分档。
如表3所示,每个还款概率分档对应三个逾期金额分档,分别是逾期金额低、逾期金额中和逾期金额高,确定每个还款概率分档在每个逾期金额分档下的回款率,并将还款概率分档小于等于5,且回款率小于对应的入催用户的回款率的用户确定为高还款风险用户(如表3中灰色表格所示)。
表3
Figure BDA0002967853880000101
Figure BDA0002967853880000111
可选的,逾期金额的3个划档建议为:小于等于1500,大于1500并小于等于20000,大于20000。具体金额划档可以根据实际的逾期金额分布来设置。
本实施例中,电子设备可以基于用户的还款预测值对该用户的还款风险进行评估,在用户为高还款风险用户时,对该用户进行差异化的催收,而低还款风险的用户可以以任一现有的催收方式催收,实现了针对高还款风险用户的有效催收。
上文结合图2至图8,详细描述了本申请的方法实施例,下文结合图9至图10,详细描述本申请的装置实施例,应理解,装置实施例与方法实施例相互对应,类似的描述可以参照方法实施例。
图9为本申请实施例提供的一种电子设备的示意性框图。如图9所示,该电子设备800包括:
识别单元810,用于对于存在高还款风险的用户,基于该用户的历史行为数据,确定该用户的还款意愿信息和还款能力信息;
判断单元820,用于基于该还款意愿信息,确定该用户是否为可联通状态;
执行单元830,用于若该用户为不可联通状态,则按照第一催收方式执行对应的操作,该第一催收方式用于指示获取该用户的通信方式;
该执行单元830还用于若该用户为可联通状态,则基于该还款能力信息,按照第二催收方式或第三催收方式执行对应的操作。
可选的,执行单元830具体用于:基于该还款能力信息,确定该用户是否具备还款能力;若该用户不具备还款能力,则按照该第二催收方式执行对应的操作,该第二催收方式用于获取该用户的实时能力信息;若该用户具备还款能力,则按照该第三催收方式执行对应的操作,该第三催收方式用于解决该用户的逾期问题。
可选的,判断单元820具体用于:基于该历史联通信息,确定该用户在第一时间段内是否可联通;若该用户在第一时间段内不可联通,则确定该用户为不可联通状态;若该用户在第一时间段内可联通,则基于该失联预测值,确定该用户是否为可联通状态;该还款意愿信息包括该历史联通信息和该失联预测值;
可选的,判断单元820具体用于:确定该失联预测值对应的失联概率分档的值是否大于第一预设值;若该失联概率分档的值小于等于该第一预设值,则确定该用户为可联通状态;若该失联概率分档的值大于该第一预设值,则确定该失联概率分档的失联率是否大于全部入催用户的失联率的n倍,n≥1;若该失联概率分档的失联率大于全部入催用户的失联率的n倍,则确定该用户为不可联通状态;若该失联概率分档的失联率小于等于全部入催用户的失联率的n倍,则确定该用户为可联通状态。
可选的,执行单元830具体用于:基于该历史还款能力信息,确定历史还款能力系数,该历史还款能力系数为第二时间段内该用户的收入与还款额的比值;若该历史还款能力系数小于等于第二预设值,则确定该用户不具备还款能力;若该历史还款能力系数大于第二预设值,则基于该还款能力预测值,确定该用户是否具备还款能力;该还款能力信息包括该历史还款能力信息和该还款能力预测值。
可选的,执行单元830具体用于:确定该还款能力预测值对应的还款能力分档;基于该还款能力分档的还款能力预测总值和全部入催用户的还款能力预测总值,确定该还款能力分档对应的还款能力系数;若该还款能力系数大于第三预设值,则确定该用户具备还款能力;若该还款能力系数小于等于第三预设值,则确定该用户不具备还款能力。
可选的,识别单元810还用于将该用户的历史行为数据输入预训练得到的还款概率预测模型,得到该用户的还款预测值;判断单元820还用于确定该用户的还款预测值对应的还款概率分档的值是否小于等于第四预设值;判断单元820还用于在该用户的还款预测值对应的还款概率分档的值小于等于该第四预设值时,在每个逾期金额分档下,确定该还款概率分档对应的回款率,该还款概率分档对应多个逾期金额分档;判断单元820还用于若该还款概率分档对应的回款率小于入催用户在该逾期金额分档下的回款率,则确定该用户为存在高还款风险的用户。
上述实施例提供的电子设备,可以执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图10为本申请实施例提供的一种电子设备的示意性结构图。如图10所示的电子设备900包括处理器910,处理器910可以从存储器中调用并运行计算机程序,以实现本申请实施例中的方法。
可选地,如图10所示,电子设备900还可以包括存储器920。其中,处理器910可以从存储器920中调用并运行计算机程序,以实现本申请实施例中的方法。
其中,存储器920可以是独立于处理器910的一个单独的器件,也可以集成在处理器910中。
可选地,如图10所示,电子设备900还可以包括收发器930,处理器910可以控制该收发器930与其他设备进行通信,具体地,可以向其他设备发送信息或数据,或接收其他设备发送的信息或数据。
其中,收发器930可以包括发射机和接收机。收发器930还可以进一步包括天线,天线的数量可以为一个或多个。
可选地,该电子设备900可以实现本申请实施例的各个方法中的相应流程,为了简洁,在此不再赘述。
应理解,本申请实施例的处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
可以理解,本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DR RAM)。应注意,本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
应理解,上述存储器为示例性但不是限制性说明,例如,本申请实施例中的存储器还可以是静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synch link DRAM,SLDRAM)以及直接内存总线随机存取存储器(Direct Rambus RAM,DR RAM)等等。也就是说,本申请实施例中的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本申请实施例还提供了一种计算机可读存储介质,用于存储计算机程序。
可选的,该计算机可读存储介质可应用于本申请实施例中的电子设备,并且该计算机程序使得计算机执行本申请实施例的各个方法中由的相应流程,为了简洁,在此不再赘述。
本申请实施例还提供了一种计算机程序产品,包括计算机程序指令。
可选的,该计算机程序产品可应用于本申请实施例中的电子设备,并且该计算机程序指令使得计算机执行本申请实施例的各个方法中的相应流程,为了简洁,在此不再赘述。
本申请实施例还提供了一种计算机程序。
可选的,该计算机程序可应用于本申请实施例中的电子设备,当该计算机程序在计算机上运行时,使得计算机执行本申请实施例的各个方法中的相应流程,为了简洁,在此不再赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。针对这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种贷款信息的处理方法,其特征在于,包括:
对于存在高还款风险的用户,基于所述用户的历史行为数据,确定所述用户的还款意愿信息和还款能力信息;
基于所述还款意愿信息,确定所述用户是否为可联通状态;
若所述用户为不可联通状态,则按照第一催收方式执行对应的操作,所述第一催收方式用于指示获取所述用户的通信方式;
若所述用户为可联通状态,则基于所述还款能力信息,按照第二催收方式或第三催收方式执行对应的操作。
2.根据权利要求1所述的方法,其特征在于,所述基于所述还款能力信息,按照第二催收方式或第三催收方式执行对应的操作,包括:
基于所述还款能力信息,确定所述用户是否具备还款能力;
若所述用户不具备还款能力,则按照所述第二催收方式执行对应的操作,所述第二催收方式用于获取所述用户的实时能力信息;
若所述用户具备还款能力,则按照所述第三催收方式执行对应的操作,所述第三催收方式用于解决所述用户的逾期问题。
3.根据权利要求1所述的方法,其特征在于,所述还款意愿信息包括历史联通信息和失联预测值,则所述基于所述还款意愿信息,确定所述用户是否为可联通状态,包括:
基于所述历史联通信息,确定所述用户在第一时间段内是否可联通;
若所述用户在第一时间段内不可联通,则确定所述用户为不可联通状态;
若所述用户在第一时间段内可联通,则基于所述失联预测值,确定所述用户是否为可联通状态。
4.根据权利要求3所述的方法,其特征在于,所述基于所述失联预测值,确定所述用户是否为可联通状态,包括:
确定所述失联预测值对应的失联概率分档的值是否大于第一预设值;
若所述失联概率分档的值小于等于所述第一预设值,则确定所述用户为可联通状态;
若所述失联概率分档的值大于所述第一预设值,则确定所述失联概率分档的失联率是否大于全部入催用户的失联率的n倍,n≥1;
若所述失联概率分档的失联率大于全部入催用户的失联率的n倍,则确定所述用户为不可联通状态;
若所述失联概率分档的失联率小于等于全部入催用户的失联率的n倍,则确定所述用户为可联通状态。
5.根据权利要求2所述的方法,其特征在于,所述还款能力信息包括历史还款能力信息和还款能力预测值,则所述基于所述还款能力信息,确定所述用户是否具备还款能力,包括:
基于所述历史还款能力信息,确定历史还款能力系数,所述历史还款能力系数为第二时间段内所述用户的收入与还款额的比值;
若所述历史还款能力系数小于等于第二预设值,则确定所述用户不具备还款能力;
若所述历史还款能力系数大于第二预设值,则基于所述还款能力预测值,确定所述用户是否具备还款能力。
6.根据权利要求5所述的方法,其特征在于,所述基于所述还款能力预测值,确定所述用户是否具备还款能力,包括:
确定所述还款能力预测值对应的还款能力分档;
基于所述还款能力分档的还款能力预测总值和全部入催用户的还款能力预测总值,确定所述还款能力分档对应的还款能力系数;
若所述还款能力系数大于第三预设值,则确定所述用户具备还款能力;
若所述还款能力系数小于等于第三预设值,则确定所述用户不具备还款能力。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述方法还包括:
将所述用户的历史行为数据输入预训练得到的还款概率预测模型,得到所述用户的还款预测值;
确定所述用户的还款预测值对应的还款概率分档的值是否小于等于第四预设值;
在所述用户的还款预测值对应的还款概率分档的值小于等于所述第四预设值时,在每个逾期金额分档下,确定所述还款概率分档对应的回款率,所述还款概率分档对应多个逾期金额分档;
若所述还款概率分档对应的回款率小于入催用户在所述逾期金额分档下的回款率,则确定所述用户为存在高还款风险的用户。
8.一种电子设备,其特征在于,包括:
识别单元,用于对于存在高还款风险的用户,基于所述用户的历史行为数据,确定所述用户的还款意愿信息和还款能力信息;
判断单元,用于基于所述还款意愿信息,确定所述用户是否为可联通状态;
执行单元,用于若所述用户为不可联通状态,则按照第一催收方式执行对应的操作,所述第一催收方式用于指示获取所述用户的通信方式;
所述执行单元还用于若所述用户为可联通状态,则基于所述还款能力信息,按照第二催收方式或第三催收方式执行对应的操作。
9.一种电子设备,其特征在于,包括:处理器和存储器,该存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序,所述计算机程序使得计算机执行如权利要求1至7中任一项所述的方法。
CN202110256975.0A 2021-03-09 2021-03-09 贷款信息的处理方法、设备以及存储介质 Active CN112819613B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110256975.0A CN112819613B (zh) 2021-03-09 2021-03-09 贷款信息的处理方法、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110256975.0A CN112819613B (zh) 2021-03-09 2021-03-09 贷款信息的处理方法、设备以及存储介质

Publications (2)

Publication Number Publication Date
CN112819613A true CN112819613A (zh) 2021-05-18
CN112819613B CN112819613B (zh) 2023-07-04

Family

ID=75863260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110256975.0A Active CN112819613B (zh) 2021-03-09 2021-03-09 贷款信息的处理方法、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN112819613B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115297212A (zh) * 2022-06-25 2022-11-04 上海浦东发展银行股份有限公司 基于机器学习的语音机器人催收方法、系统、设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012006191A2 (en) * 2010-06-29 2012-01-12 Sociogramics, Inc. Systems and methods for collateralizing loans
CN106875272A (zh) * 2017-02-20 2017-06-20 山东浪潮商用系统有限公司 一种全流程模型规则商业银行个贷逾期催收管理系统
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
CN107240013A (zh) * 2017-04-19 2017-10-10 中国建设银行股份有限公司 一种信用卡催收还款的方法和装置
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
CN110807699A (zh) * 2019-10-12 2020-02-18 上海上湖信息技术有限公司 逾期事件的回款催收方法及装置、计算机可读存储介质
CN111192136A (zh) * 2019-12-24 2020-05-22 中信百信银行股份有限公司 一种信贷业务的催收方法、装置、电子设备及存储介质
CN111369336A (zh) * 2020-02-21 2020-07-03 四川新网银行股份有限公司 银行催收借款的方法
CN111833076A (zh) * 2020-07-07 2020-10-27 信雅达系统工程股份有限公司 智能催收系统及方法
CN112435117A (zh) * 2020-11-27 2021-03-02 平安普惠企业管理有限公司 贷款逾期案件的催收方法、装置、电子设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012006191A2 (en) * 2010-06-29 2012-01-12 Sociogramics, Inc. Systems and methods for collateralizing loans
CN106875272A (zh) * 2017-02-20 2017-06-20 山东浪潮商用系统有限公司 一种全流程模型规则商业银行个贷逾期催收管理系统
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
CN107240013A (zh) * 2017-04-19 2017-10-10 中国建设银行股份有限公司 一种信用卡催收还款的方法和装置
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
CN110807699A (zh) * 2019-10-12 2020-02-18 上海上湖信息技术有限公司 逾期事件的回款催收方法及装置、计算机可读存储介质
CN111192136A (zh) * 2019-12-24 2020-05-22 中信百信银行股份有限公司 一种信贷业务的催收方法、装置、电子设备及存储介质
CN111369336A (zh) * 2020-02-21 2020-07-03 四川新网银行股份有限公司 银行催收借款的方法
CN111833076A (zh) * 2020-07-07 2020-10-27 信雅达系统工程股份有限公司 智能催收系统及方法
CN112435117A (zh) * 2020-11-27 2021-03-02 平安普惠企业管理有限公司 贷款逾期案件的催收方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭涵: "P2P网贷借款者信用风险影响因素研究", 《中国优秀硕士学位论文全文数据库》, no. 7, pages 162 - 103 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115297212A (zh) * 2022-06-25 2022-11-04 上海浦东发展银行股份有限公司 基于机器学习的语音机器人催收方法、系统、设备及介质

Also Published As

Publication number Publication date
CN112819613B (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
CN111275491B (zh) 一种数据处理方法及装置
CN111292007A (zh) 供应商财务风险预测方法及装置
CN112232947B (zh) 贷中风险预测方法及装置
CN111768305B (zh) 反洗钱识别方法及装置
CN110399533A (zh) 资金流向查询方法及装置
CN111932267A (zh) 企业金融服务风险预测方法及装置
CN114282003A (zh) 基于知识图谱的金融风险预警方法及装置
CN112346936A (zh) 应用故障根因定位方法及系统
CN112801775A (zh) 客户信用评价方法及装置
CN113094284A (zh) 应用故障检测方法及装置
CN111091460A (zh) 一种数据处理方法及装置
CN112612958A (zh) 订单处理方法、装置、电子设备和计算机可读介质
CN112819613A (zh) 贷款信息的处理方法、设备以及存储介质
CN114066620A (zh) 基于客户画像的客户信息处理方法及装置
CN111048115A (zh) 语音识别方法及装置
CN112907355A (zh) 贷款信息的处理方法以及设备
CN113077251A (zh) 一种预付费交易场景下的异常行为监测方法及装置
CN111931852B (zh) 目标物的定价方法及装置
CN115880067A (zh) 交易异常数据处理方法及装置
CN116385897A (zh) 卫星遥感影像的目标识别方法及装置
CN113807618A (zh) 一种基于状态机的不良资产催收的方法,装置和设备
CN113782217A (zh) 人体健康状况分级方法及装置
CN112116164A (zh) 区域股权交易市场风险预警方法及装置
CN114092226A (zh) 银行网点外汇产品推荐方法及装置
CN112116478A (zh) 银行反洗钱可疑报告处理方法及装置

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
GR01 Patent grant
GR01 Patent grant