CN113807618A - 一种基于状态机的不良资产催收的方法，装置和设备 - Google Patents

Abstract

本发明公开了一种基于状态机的不良资产催收的方法，包括：资产催收模型包括有限状态机和多个状态网络；将案件信息输入资产催收模型中，利用信息采集修复网络进行催收概率预测，输出初始催收结果，然后利用有限状态机监测操作信息是否发生变动，判断操作信息是否触发资产催收作业网络的状态变更条件，若触发资产催收作业网络，则将信息采集修复网络切换到资产催收作业网络，输出重新催收概率预测结果，若操作信息触发催收结果跟踪网络的状态变更条件，则将资产催收作业网络切换到催收结果跟踪网络，进行催收概率预测输出预测结果。本发明可以根据操作信息的变动，自动进行网络的变更和催收概率的预测，实现了动态的运行，及时更新催收概率的预测。

Description

一种基于状态机的不良资产催收的方法，装置和设备

技术领域

本发明涉及资产管理技术领域，特别是涉及一种基于状态机的不良资产催收的方法，装置，设备以及计算机可读储存介质。

背景技术

随着金融不良资产广义上指商业银行等持牌金融机构持有的不能为其带来正常经济利益流入的各类股权、债权、实物类资产。为了评估每笔不良资产的质地和催回概率，通常可以通过构建一个催收预测模型，寻求通过评估每种类型客户的还款状况，定义最佳收集策略。

客户以及不良资产案件本身是动态的和不断发展变化的，例如客户本身的状况会随着时间发生很多改变，例如工作状况、收入状况等等，另外在催收过程和与客户的沟通协调的过程中，案件以及客户本身很多属性也会发生变化，例如客户的可联性（是否电话可以联系）、客户是否接听电话、客户针对欠款的态度以及还款意愿等。

在这样一个动态的环境下，使用一个单一的静态模型对案件的催回概率进行预测是远远不能满足案件发展过程中对案件情况进行实时状态跟踪的需要，也无法通过技术手段将案件新的变化因素传达给催收人员。

综上所述可以看出，在应对出现新变量时模型难以动态的反应变化情况是目前有待解决的问题。

发明内容

本发明的目的是提供一种基于状态机不良资产催收的方法、装置、设备以及计算机可读存储介质，已解决现有技术中出现新变量时模型难以动态的反应变化情况的问题。

为解决上述技术问题，本发明提供一种基于状态机不良资产催收的方法，包括：将待催收案件信息输入完成训练的资产催收模型中，进入催收队列，其中，所述资产催收模型包括有限状态机，多个状态网络，所述多个状态网络包括信息采集修复网络，资产催收作业网络，催收结果跟踪网络；

当所述待催收案件进入催收队列，触发所述有限状态机切换到所述信息采集修复网络中，利用所述信息采集修复网络进行催收概率预测，并输出初始预测结果；

利用所述有限状态机实时监测操作信息是否发生变动，若所述操作信息发生变动，则判断所述操作信息是否触发所述资产催收作业网络的状态变更条件；

若所述操作信息触发所述资产催收作业网络的状态变更条件，则利用所述有限状态机将所述信息采集修复网络切换为所述资产催收作业网络，以便利用所述资产催收作业网络进行催收概率预测，并输出重新预测的结果；

当所述有限状态机实时监测到所述操作信息发生变动，则判断所述操作信息是否触发所述催收结果跟踪网络的状态变更条件；

若所述操作信息触发所述催收结果跟踪网络的状态变更条件，则利用所述有限状态机将所述资产催收作业网络切换为所述催收结果跟踪网络，以便利用所述催收结果跟踪网络进行催收概率预测，输出跟踪预测结果。

优选地，所述将待测试案件信息输入完成训练的资产催收模型前包括：

利用快照方式在训练案件数据中采集不同网络状态下的数据，并进行特征提取，得到每个网络的训练集；

利用Kolmogorov-Smirnov方法对所述每个网络的训练集进行特征过滤处理；得到每个网络的目标训练集；

将所述每个网络的目标训练集输入到对应的网络中进行训练，将每个网络完成训练，得到所述完成训练的资产催收模型。

优选地，所述信息采集修复网络包括：案件信息采集修复网络和案件信息修复网络。

优选地，所述当所述待催收案件进入催收队列，触发所述有限状态机切换到所述信息采集修复网络中，利用所述信息采集修复网络进行催收概率预测，并输出初始预测结果包括：

当所述待催收案件进入催收队列，触发所述有限状态机切换到所述案件信息采集修复网络进行催收概率预测；

利用所述有限状态机监测所述操作信息是否发生变动，若所述操作信息发生变动，则判断所述操作信息是否触发所述案件信息修复网络的状态变更条件，若所述操作信息触发所述案件信息修复网络的状态变更条件，则利用所述有限状态机将所述案件信息采集修复网络切换为所述案件信息修复网络，并进行催收概率预测输出结果。

优选地，所述资产催收作业网络包括：自动催收网络、电话催收网络和司法催收网络。

优选地，所述若所述操作信息触发所述资产催收作业网络的状态变更条件，则利用所述有限状态机将所述信息采集修复网络切换为所述资产催收作业网络，以便利用所述资产催收作业网络进行催收概率预测，并输出重新预测结果包括：

当所述待催收案件处于所述案件信息采集修复网络中，若所述操作信息触发所述自动催收网络的状态变更条件，则利用所述有限状态机将所述案件信息采集修复网络切换为所述自动催收网络，利用所述自动催下网络进行催收概率预测，输出预测结果；

若所述操作信息触发所述电话催收网络的状态变更条件，则利用所述有限状态机将所述案件信息采集修复网络切换为所述电话催收网络，进行催收概率预测；

若所述操作信息触发所述司法催收网络的状态变更条件，则利用所述有限状态机将所述案件信息采集修复网络切换为所述司法催收网络，进行催收概率预测。

优选地，所述利用所述有限状态机实时监测操作信息是否发生变动，若所述操作信息发生变动，则判断所述操作信息是否触发所述资产催收作业网络的切换条件包括：

若所述操作信息既不触发所述案件信息修复网络的状态变更条件，也不触发所述资产催收作业网络的状态变更条件，则判断所述操作信息是否触发网络重新预测条件，若所述操作信息触发网络重新预测条件，则保持现状态网络触发重新预测，根据所述操作信息对所述现状态网络进行重新预测并输出结果。

本发明还提供了一种基于状态机的不良资产催收的装置，包括：

输入模块，用于将待催收案件信息输入完成训练的资产催收模型中，进入催收队列，其中，所述资产催收模型包括有限状态机，信息采集修复网络，资产催收作业网络，催收结果跟踪网络；

信息采集模块，用于当所述待催收案件进入催收队列，触发所述有限状态机切换到所述信息采集修复网络中，利用所述信息采集修复网络进行催收概率预测，并输出初始预测结果；

第一判断模块，用于利用所述有限状态机实时监测操作信息是否发生变动，若所述操作信息发生变动，则判断所述操作信息是否触发所述资产催收作业网络的状态变更条件；

资产催收模块，用于若所述操作信息触发所述资产催收作业网络的状态变更条件，则利用所述有限状态机将所述信息采集修复网络切换为所述资产催收作业网络，以便利用所述资产催收作业网络进行催收概率预测，并输出重新预测结果；

第二判断模块，用于当所述有限状态机实时监测到所述操作信息发生变动，则判断所述操作信息是否触发所述催收结果跟踪网络的状态变更条件；

催收结果模块，用于若所述操作信息触发所述催收结果跟踪网络的状态变更条件，则利用所述有限状态机将所述资产催收作业网络切换为所述催收结果跟踪网络，以便利用所述催收结果跟踪网络进行催收概率预测，输出跟踪预测结果。

本发明还提供了一种基于状态机的不良资产催收的设备，包括：

存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种基于状态机的不良资产催收的方法的步骤。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于状态机的不良资产催收的方法的步骤。

本发明所提供的基于状态机资产催收的方法，将案件信息输入资产催收模型中，利用信息采集修复网络进行催收概率预测，输出初始催收结果，然后利用有限状态机监测操作信息是否发生变动，判断操作信息是否触发资产催收作业网络的状态变更条件，若触发资产催收作业网络，则将信息采集修复网络切换到资产催收作业网络，进行催收概率预测输出重新催收概率预测结果，然后操作信息触发催收结果跟踪网络的状态变更条件，则将资产催收作业网络切换到催收结果跟踪网络，进行催收概率预测输出跟踪预测结果。本发明可以了解资产催收的进程和催收情况，便于工作人员进行下一步动作，状态切换过程无需人工参与，由模型自动触发完成，解决了传统静态模型的不能动态的反应催收情况的问题。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。

图1为本发明所提供的基于状态机的不良资产催收的方法的第一种具体实施例的流程图；

图2为本发明所提供的基于状态机的不良资产催收的方法的第二种具体实施例的流程图；

图3为本发明所提供的基于状态机的不良资产催收的方法的第三种具体实施例的流程图；

图4为本发明所提供的有限状态机模型示意图；

图5为本发明所提供的预测模型的示意图；

图6为本发明所提供的基于状态机的不良资产催收的方法的第四种具体实施例的流程图；

图7为本发明所提供的基于状态机的不良资产催收的方法的第五种具体实施例的流程图；

图8为本发明实施例提供的基于状态机的不良资产催收的装置的结构框图。

具体实施方式

本发明的核心是提供一种基于状态机的不良资产催收的方法，装置，设备以及计算机可读储存介质。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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，都属于本发明保护的范围。

请参考图1，图1为本发明所提供的基于状态机的不良资产催收的方法的第一种具体实施例的流程图；具体操作步骤如下：

步骤S101：将待催收案件信息输入完成训练的资产催收模型中，进入催收队列，其中，所述资产催收模型包括有限状态机，多个状态网络，所述多个状态网络包括信息采集修复网络，资产催收作业网络，催收结果跟踪网络；

步骤S102：当所述待催收案件进入催收队列，触发所述有限状态机切换到所述信息采集修复网络中，利用所述信息采集修复网络中的自变量集进行催收概率预测，并输出初始预测结果；

步骤S103：利用所述有限状态机实时监测操作信息是否发生变动，若所述操作信息发生变动，则判断所述操作信息是否触发所述资产催收作业网络的状态变更条件；

步骤S104：若所述操作信息触发所述资产催收作业网络的状态变更条件，则利用所述有限状态机将所述信息采集修复网络切换为所述资产催收作业网络，以便利用所述资产催收作业网络进行催收概率预测，并输出重新预测结果；

步骤S105：当所述有限状态机实时监测到所述操作信息发生变动，则判断所述操作信息是否触发所述催收结果跟踪网络的状态变更条件；

步骤S106：若所述操作信息触发所述催收结果跟踪网络的状态变更条件，则利用所述有限状态机将所述资产催收作业网络切换为所述催收结果跟踪网络，以便利用所述催收结果跟踪网络进行催收概率预测，输出跟踪预测结果。

在本发明所提供的实施例中，每当有限状态机监测到操作信息发生变动，判断是否触发状态变更条件，若触发变更条件，利用有限状态机将之前的催收网络切换为现在的催收网络，进行催收概率预测，并将所述催收结果输出，实时反馈给业务人员，以便提醒业务人员案件状态的变化以及催回概率的变化，实时了解催收的状态和概率。

基于上述实施例，本实施采用训练客户数据集对所述资产催收作业网络模型进行训练，请参考图2，图2为本发明所提供的基于状态机的不良资产催收的方法的第二种具体实施例的流程图，具体步骤如下：

步骤S201：利用快照方式在训练案件数据中采集不同网络状态下的数据；

本方案采取“快照”方式分别提取不同状态下的数据，即对于同样一个样本数据，例如一个案件一次完整的催收生命周期，分别提取在不同状态下当时的数据快照以及最终的催收结果，而不是包括所有字段的整个数据。

步骤S202：将所采集的数据进行特征提取，采用原始数据作为模板，提取出新的自变量；

对于每个催收预测模型，在模型训练前，将上述采集的数据进行特征提取，创建若干个基于原始数据的新变量。

步骤S203：将每个网络的新自变量和数据中原有的自变量的合集，构成每个网络的训练集，对所述每个网络的训练集进行特征过滤；

特征过滤处理是从数据中原来的自有变量和特征提取部分新生成的变量的合集中过滤出其中最为重要的变量，通过这种方法一方面通过降低自变量数量达到降低模型复杂的效果，节省计算资源，另一方面可以增强模型的普适性，防止模型过拟合。

步骤S204：利用Kolmogorov-Smirnov方法对所述每个网络的训练集进行特征过滤处理；

步骤S205：判断每个自变量与催收概率有没有区分度，计算出所述每个自变量一个KS值，所述KS值越大则区分度越大；

步骤S206：选取所述每个网络中KS值大的自变量构建每个网络的目标训练集；

步骤S207：将所述每个网络的目标训练集输入资产催收模型对应的网络中进行训练，所述每个网络输出催收概率，得到完成训练的资产催收模型。

本实施例中使用Kolmogorov-Smirnov方法进行特征过滤处理。Kolmogorov-Smirnov方法的零假设H0是对于样本x，两组样本的分布F（x）=G（x）相同；非零假设H1则是两组样本不完全相同。在本方案中，依次判断每个自变量x对因变量y有没有区分度，方案将样本分为正负来观察变量的分布差异。如果两个分布的重叠部分越小，代表正负样本的差异性越大，自变量就能更好的将正负样本区分开来。本方法最终为每个自变量计算出一个KS值。KS值越大，则表示该自变量的区分度较强。最后对所有的自变量按照KS值进行排序，选取KS值最大的n个变量作为特征过滤的最终结果，作为模型的训练的自变量。N可以根据模型状态有所不同，例如模型1可以选取30个自变量，模型4可以选取40个自变量等，原则上各模型自变量数量不小于20，不大于60。对于每个模型，分别记录所选取的自变量集，并存储在系统中，用于未来的变量状态监控以及模型重新预测触发。

在本发明的实施例中，主要是对资产催收模型进行训练，采用历史客户数据作为训练数据，利用快照方式对历史客户数据进行数据采集，并进行特征提取，将新的自变量和之前自变量构建训练自变量集，利用Kolmogorov-Smirnov方法进行特征过滤处理，选取KS值大的自变量构成每个网络的目标训练集，然后将所述每个网络的目标训练集输入资产催收模型中的每个网络进行训练，得到完成训练的资产催收模型。

本实施例中，重点说明资产催收模型的状态变更情况，其中，信息采集修复网络包括案件信息采集修复网络和案件信息修复网络；资产催收作业网络包括自动催收网络，电话催收网络，司法催收网络；请参考图3，图4，图3本发明所提供的基于状态机的不良资产催收的方法的第三种具体实施例的流程图，具体步骤如下：

步骤S301：当所述待催收案件进入催收队列，触发有限状态机切换为案件信息采集修复网络，利用所述案件信息采集修复网络中的自变量集进行催收概率预测，输出预测结果；

步骤S302：利用所述有限状态机实时监测操作信息是否发生变动，若所述操作信息发生变动，判断所述操作信息是否触发状态变更条件；

步骤S303：若所述操作信息触发案件信息修复网络的状态变更条件，则利用有限状态机将所述案件信息采集修复网络切换为所述案件信息修复网络，进行催收概率预测，输出预测结果；

步骤S304：若所述操作信息触发自动催收网络的状态变更条件，则利用有限状态机将所述案件信息采集修复网络切换为所述自动催收网络，进行催收概率预测并输出预测结果；

步骤S305：若所述操作信息触发电话催收网络的状态变更条件，则利用有限状态机将所述案件信息采集修复网络切换为所述电话催收网络，进行催收概率预测并输出预测结果；

步骤S306：若所述操作信息触发司法催收网络的状态变更条件，则利用有限状态机将所述案件信息采集修复网络切换为所述司法催收网络，进行催收概率预测并输出预测结果；

步骤S307：当所述催收案件状态处于所述资产催收作业网络中的任一网络，当所述有限状态机监测到所操作信息发生变化，判断所述操作信息是否触发催收结果的状态变更条件；

步骤S308：若所述操作信息触发初次催回网络状态变更条件，则利用有限状态机将所述资产催收作业网络切换为所述初次催回网络，进行催回概率预测，输出预测结果；

步骤S309：若所述操作信息触发催收成功或催收失败，则本次催收结束。

本实施例中到的有限状态机（英语：finite-state machine，缩写：FSM）又称有限状态自动机，简称状态机，是表示有限个状态以及在这些状态之间的转移和动作等行为的数学模型，具体模型如图4所述。

有限状态机的组成要素包括：

现态：是指当前所处的状态。条件：又称为事件。当一个条件被满足，可能将会触发一个动作，或者执行一次状态的迁移。动作：条件满足后执行的动作行为。动作执行完毕后，可以迁移到新的状态，也可以仍旧保持原状态。动作不是必需的，当条件满足后，也可以不执行任何动作，直接迁移到新状态。次态：条件满足后要迁往的新状态。“次态”是相对于“现态”而言的，“次态”一旦被激活，就转变成新的“现态”了。

状态1:案件进入催收队列，案件一旦进入催收流程，并启动催收分案，则进入本状态。本方案将此状态作为初始状态。

状态2:案件信息修复，案件进入催收队列之后，利用原始借款资料、历史还款进度、历史催收结果对案件信息进行补充。在允许的情况下，对用户不完整的信息进行合规修复。

状态3:短信或机器人自动催收，利用短信或者机器人等自动手段，进行短信提示或者机器人提示，提醒用户还款。

状态4:电话催收由催收专员通过电话方式联系客户，提醒并协商还款。

状态5:司法催收进入司法程序，通过律师函或者法院审理等方式进行催收。

状态6:客户归还部分欠款，在催收后，客户同意并已经支付部分欠款，但尚未还清。

状态7:催收成功：客户还清欠款，客户最终还清欠款，标志也案件结束。

状态8:催收失败：客户不还款，客户最终依然无法还款，标志案件本次催收流程的结束。

对于状态1-6，分别使用以下变量作为各个状态所对应的催收模型的自变量：

状态1下的催收预测模型所考虑的自变量： 客户个人信息（例如年龄、居住地、教育程度、个人收入、居住情况、家庭成员等）、借款信息（借款本金、借款年限、抵押情况、利率、分期期数等、借款用途等）、还款信息（已还本金、已还利息、剩余本金、剩余利息、已还期数、剩余期数等）、逾期信息（逾期天数、逾期罚息、逾期总金额、逾期期数等）。

状态2下的催收预测模型所考虑的自变量：包括状态1下所有的变量，以及在本过程中通过查阅资料、信息修复等途径更新过的变量数据，本状态可能增加变量包括共债信息、征信信息、联系途径、电话号码初步筛查结果（例如是否为空号、停机等）。

状态3下的催收预测模型所考虑的自变量：包括状态1和2下所有的变量，以及在本过程产生的新变量，例如短信是否送达、短信是否阅读、短信是否回复、短信回复内容、机器人联络客户是否接通、机器人联络客户接通时长、机器人联络客户接听内容等。

状态4下的催收预测模型所考虑的自变量：包括状态1、2和3下所有的变量，以及本过程产生的新变量，例如电话催收次数、电话接通次数、电话接通时长、客户态度、交流氛围、客户还款意愿、从沟通中获取的客户当前财务状况、从沟通中获取的客户当前是否就业、沟通中获取的客户当前职业、沟通中获取的客户当前收入、从沟通中获取的客户当前家庭状况等。

状态5下的催收预测模型所考虑的自变量：包括状态1、2、3和4下所有的变量，以及本过程产生的新变量，例如是否发送律师函、律师函是否寄达、律师函是否收件、律师函是否回复、是否诉讼、是否已经开庭、当前法律诉讼结果、客户当前和解意愿、最近一次客户沟通时间、是否申请强制执行等。

状态6下的催收预测模型所考虑的自变量：包括状态1、2、3、4和5下所有的变量，以及本过程产生的新变量，例如客户催收后还款次数、客户催收后还款金额、客户计划结清时间、减免情况、最近一次客户沟通、最近一次沟通客户还清意愿、最近一次沟通客户财务状况、是否强制执行等。

状态7和8作为本次催收周期中的结果，不再对应催收预测模型，具体催收模型如图5所示。

对于系统中的任意增加、修改、设置状态等操作，系统在完成操作后自动将以下参数传递给状态机监测模块：

状态机监测进程持续保持在监听状态，一旦收到系统操作结果通知，判断是否触发状态变更，状态变更的触发机制如表1，该进程处理流程如下：

判断操作信息是否为状态变更字段（模型状态的触发表中所涉及的所有字段），如果是，则根据操作信息原值和现值查询状态变更触发表，如果匹配则触发状态变更，并自动调用新状态所对应的预测模型对案件进行重新预测，输出预测结果。

状态机的每个状态分别对应一个独立的催收预测模型。多个催收预测模型分别对应到状态机的不同状态。每当业务操作或者数据更新驱动了案件数据的变化，系统自动触发检查机制，判断是否引起状态变化。如果状态需要变化，则按照事先设置的状态机规则对当前状态进行改变和更新，以提醒催收业务人员案件状态的变化以及催回概率的变化。每当状态发生变化，系统自动更换一个新与现在状态相匹配的催收预测模型对案件进行重新预测，并自动将结果实时推送或作为消息发送给之前订阅该案件的业务人员，以提醒催收业务人员案件状态的变化以及催回概率的变化。

表1 状态变更的触发机制表

在本实施例中，首先进入案件信息采集状态，将客户的信息采集然后预测出催收概率，有限状态机的每个状态分别对应一个独立的催收预测模型。多个催收预测模型分别对应到状态机的不同状态。每当业务操作或者数据更新驱动了案件数据的变化，系统自动触发检查机制，判断是否触发状态变更条件。如果触发状态变更条件，则有限状态机切换到新状态，并进行新的催收概率预测，输出催收结果，每发生一次催收信息都要进行判断，直至本次案件结束。通过本发明业务人员可以实时的了解案件催收的进程和催收概率，当信息更新时可以实时反馈给业务人员。通过本发明可以使工作人员直观的了解案件的信息和情况，每一次的信息更新都会输出新的催收概率，全程都是系统在运行，方便工作人员进行下一步工作，每一步的操作都会得到反馈。

基于上述实施例，本实施例详细说明了操作信息触发网络重新预测的具体过程，请参考图6，图6为本发明所提供的基于状态机的不良资产催收的方法的第四种具体实施例的流程图，具体操作如下：

步骤S601：当有限状态机监测到操作信息发生变动，则判断是否触发信息采集修复网络中的状态变更条件；

步骤S602：若所述操作信息不触发所述信息采集修复网络中的状态变更条件，则判断所述操作信息是否触发资产催收作业网络中的状态变更条件；

步骤S603：若所述操作信息不触发所述资产催收作业网络中的状态变更条件，则判断所述操作信息是否触发网络重新预测条件；

步骤S604：若所述操作信息触发网络重新预测条件，则保持现在网络状态，根据操作信息对所述现状态网络进行重新预测并输出预测 结果；

步骤S605：若所述操作信息都不触发以上条件，则不做任何状态变更以及网络模型的重新预测。

判断操作信息是否为状态变更字段（模型状态的触发表中所涉及的所有字段），如果是，则根据操作信息原值和现值查询状态变更触发表，如果匹配则触发状态变更，并自动调用新状态所对应的预测模型对案件进行重新预测。如果触发状态变更条件不满足，则继续下一步。

如果操作信息不属于状态变更字段或者上述触发状态变更条件不满足，则查询当前状态下在特征过滤阶段保存的自变量集。如果操作信息在自变量集中，则触发当前模型的重新预测。

如果操作信息不在自变量中，则不做状态改变以及模型重新预测，对于模型重新预测的场景，完成预测后，模块进而自动触发事先所配置的各个通知模版，例如向相应的案件负责人发送模型预测更新结果消息，并建议新的案件跟进策略。

状态机的每个状态分别对应一个独立的催收预测模型。多个催收预测模型分别对应到状态机的不同状态。每当业务操作或者数据更新驱动了案件数据的变化，系统自动触发检查机制，判断是否引起状态变化。如果状态需要变化，则按照事先设置的状态机规则对当前状态进行改变和更新。同时，每当数据发生变化，系统自动判断是否需要使用现有状态的催收预测模型对案件进行重新预测，并自动将结果实时推送或作为消息发送给之前订阅该案件的业务人员，以提醒催收业务人员案件状态的变化以及催回概率的变化。每当状态发生变化，系统自动更换一个新与现在状态相匹配的催收预测模型对案件进行重新预测，并自动将结果实时推送或作为消息发送给之前订阅该案件的业务人员，以提醒催收业务人员案件状态的变化以及催回概率的变化。

在本发明的模型中实时并自动检查数据更新和案件状态的变化，并根据状态机规则自动触发催收预测模型的重新预测，或者选择一个另外的催收模型进行重新预测。以上所有过程无需人工参与，由系统自动触发完成，从而解决了传统静态模型的缺点。

在本实施例中，利用有限状态机监测操作信息是否发生变动，然后对其变动进行判断，如果操作信息不满足所有的状态的变更条件，就判断操作信息是否触发网络的重新预测，如果操作信息触发网络的重新预测，则对根据操作信息对网络进行重新预测，输出预测结果，以便提醒工作人员对案件进行了解，并建议新的案件跟进策略，若操作信息不满足以上所有变更条件，则不做状态更新和重新预测。业务人员可以根据案件信息的变化，通过本发明实时可以了解案件的进程和情况，以便随时跟进案件，推出新的策略，加快了催收的流程。

基于上述实施例，本实施例中利用本发明的资产催收模型对客户进行不良资产催收的流程，进行了详细说明；请参考图7，图7为本发明所提供的基于状态机的不良资产催收的方法的第五种具体实施例的流程图，具体步骤如下：

步骤S701：利用快照方式收集客户的不良资产案件信息，并对信息进行特征提取过滤，得到客户的初始案件信息，当案件进入催收队列，将所述客户的初始案件信息输入到案件信息采集修复网络中进行催收概率预测，输出结果；

利用快照方式在网上收集客户的信息，收集客户个人信息，借款信息，还款信息，逾期信息等，将采集的信息进行特征提取过滤处理后输入资产催收模型中，进行资产催收概率预测输出催收概率，每一次输入新的信息就会触发一次重新预测，输出新的预测结果。

步骤S702：将查找资料对客户信息进行修复时，触发预测网络变更，将修复的客户信息输入案件信息修复网络中，利用所述修复的客户信息对催收概率进行重新预测，输出结果；

利用初始信息输出催收预测概率，概率比较低，然后对客户信息进行完善，完善客户是否有公债信息，征信信息，联系途径等，通过查询对客户信息进行完善，根据完善的信息在进行催收概率的预测，每次信息的更新都会预测出新的催收概率。

步骤S703：当信息修复完成后，案件进入资产催收流程，根据客户案件的信息，选择不同的催收流程，根据催收过程中所得的得到的信息进行催收概率的预测以及下一步的催收计划；

若根据案件信息修复网络的输出结果发现，客户电话时正常使用，首先进行第自动催收，利用短信和机器人电话对客户进行资产催收，根据自动催收所收集的信息，每次输入新信息，都会输出预测催收概率；若所述自动催收效果不是很好，则进行电话催收，业务员利用电话和客户沟通，然后根据每次的信息更新输出新的催收概率，然后判断下一步的操作；若在自动催收中发现，客户的电话为空号，所有的自动催收都没有效果，则直接跳过电话催收进入司法催收，将通过司法机构进行催收，然后采集司法催收过程中的信息，输入到司法催收网络中，根据新的信息预测出新的催收概率，然后在进行下一步的操作。

通过案件修复网络得到的信息，得知客户之前的欠款都是电话催收归还的，可以之间进行电话进行催收，则在模型中输入电话催收，使案件进入电话催收网络，采集电话催收的信息，每一次信息的更新都会输出每次的催收概率。

根据案件信息修复网络中的输出结果，客户没有手机号，则在模型中输入司法催收，使案件进行司法催收，将通过司法机构进行催收，然后采集司法催收过程中的信息，输入到司法催收网络中，根据新的信息预测出新的催收概率，然后在进行下一步的操作。

步骤S704：根据资产催收作业网络的催收过程，若本次催收过程客户归还部分欠款，则利用催收结果跟踪网络进行跟踪催收预测，输出跟踪催收概率；

利用上述的催收过程后，客户归还部分欠款，则利用催收结果跟踪网络对案件进行最后的催收预测，根据客户归还的信息，进行最后一次催收概率的预测，然后进行最后催收工作。

步骤S705：若客户都把欠款归还完成，则本次催收成功，若客户拒绝还款，则本次催收失败。

客户归还全部欠款或者不归还欠款，则本次催收流程都结束。

在本实施例中，详细说明了利用本发明对客户不良资产的催收流程，首先利用快照方式在收集客户案件的信息，并进行特征提取过滤，将得到的初始信息输入到初始网络中进行催收概率预测，然后在对案件进行信息修复，通过信息修复的过程判断利用哪一种催收方式对客户进行催收，先自动催收还是直接电话催收，或者是直接司法催收，更加催收的流程预测催收概率，经过催收之后，客户归还部分欠款，剩下的规定什么时候归还，根据归还的具体信息更新案件信息，输出新的催收概率，最后客户归还全部欠款本次催收结束，或者客户拒绝归还欠款则本次催收结束。在本实施例中每一次的案件信息更新都会有新的催收概率输出，业务员可以直观的了解到案件的催收详情，催收状态的变更都是模型自动转换，实现了动态模型，解决了现有技术中静态模型的缺点。

请参考图8，图8为本发明实施例提供的一种基于状态机的不良资产催收的装置的结构框图；具体装置可以包括：

输入模块100，用于将待催收案件信息输入完成训练的资产催收模型中，进入催收队列，其中，所述资产催收模型包括有限状态机，多个状态网络，所述多个状态网络包括信息采集修复网络，资产催收作业网络，催收结果跟踪网络；

信息采集模块200，用于当所述待催收案件进入催收队列，触发所述有限状态机切换到所述信息采集修复网络中，利用所述信息采集修复网络进行催收概率预测，并输出初始预测结果；

第一判断模块300，用于利用所述有限状态机实时监测操作信息是否发生变动，若所述操作信息发生变动，则判断所述操作信息是否触发所述资产催收作业网络的状态变更条件；

资产催收模块400，用于若所述操作信息触发所述资产催收作业网络的状态变更条件，则利用所述有限状态机将所述信息采集修复网络切换为所述资产催收作业网络，以便利用所述资产催收作业网络进行催收概率预测，并输出重新预测结果；

第二判断模块500，用于当所述有限状态机实时监测到所述操作信息发生变动，则判断所述操作信息是否触发所述催收结果跟踪网络的状态变更条件；

催收结果模块600，用于若所述操作信息触发所述催收结果跟踪网络的状态变更条件，则利用所述有限状态机将所述资产催收作业网络切换为所述催收结果跟踪网络，以便利用所述催收结果跟踪网络进行催收概率预测，输出跟踪预测结果。

本实施例的一种基于状态机的不良资产催收的装置用于实现前述的一种基于状态机的不良资产催收的方法，因此一种基于状态机的不良资产催收的装置中的具体实施方式可见前文中的一种基于状态机的不良资产催收的方法的实施例部分，例如，输入模块100，信息采集模块200，第一判断模块300，资产催收模块400，第二判断模块500，催收结果模块600，分别用于实现上述一种基于状态机的不良资产催收的方法中步骤S101，S102，S103，S104，S105和S106，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。

本发明具体实施例还提供了一种基于状态机的不良资产催收的设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种基于状态机的不良资产催收的方法的步骤。

本发明具体实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于状态机的不良资产催收的方法的步骤。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的一种基于状态机的不良资产催收的方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种基于状态机的不良资产催收的方法，其特征在于，包括：

将待催收案件信息输入完成训练的资产催收模型中，进入催收队列，其中，所述资产催收模型包括有限状态机，多个状态网络，所述多个状态网络包括信息采集修复网络，资产催收作业网络，催收结果跟踪网络；

当所述待催收案件进入催收队列，触发所述有限状态机切换到所述信息采集修复网络中，利用所述信息采集修复网络进行催收概率预测，并输出初始预测结果；

利用所述有限状态机实时监测操作信息是否发生变动，若所述操作信息发生变动，则判断所述操作信息是否触发所述资产催收作业网络的状态变更条件；

若所述操作信息触发所述资产催收作业网络的状态变更条件，则利用所述有限状态机将所述信息采集修复网络切换为所述资产催收作业网络，以便利用所述资产催收作业网络进行催收概率预测，并输出重新预测结果；

当所述有限状态机实时监测到所述操作信息发生变动，则判断所述操作信息是否触发所述催收结果跟踪网络的状态变更条件；

若所述操作信息触发所述催收结果跟踪网络的状态变更条件，则利用所述有限状态机将所述资产催收作业网络切换为所述催收结果跟踪网络，以便利用所述催收结果跟踪网络进行催收概率预测，输出跟踪预测结果。

2.如权利要求1所述的方法，其特征在于，所述将待测试案件信息输入完成训练的资产催收模型前包括：

利用快照方式在训练案件数据中采集不同网络状态下的数据，并进行特征提取，得到每个网络的训练集；

利用Kolmogorov-Smirnov方法对所述每个网络的训练集进行特征过滤处理；得到每个网络的目标训练集；

将所述每个网络的目标训练集输入到对应的网络中进行训练，将每个网络完成训练，得到所述完成训练的资产催收模型。

3.如权利要求1所述的方法，其特征在于，所述信息采集修复网络包括：

案件信息采集修复网络和案件信息修复网络。

4.如权利要求3所述的方法，其特征在于，所述当所述待催收案件进入催收队列，触发所述有限状态机切换到所述信息采集修复网络中，利用所述信息采集修复网络进行催收概率预测，并输出初始预测结果包括：

当所述待催收案件进入催收队列，触发所述有限状态机切换到所述案件信息采集修复网络进行催收概率预测；

利用所述有限状态机监测所述操作信息是否发生变动，若所述操作信息发生变动，则判断所述操作信息是否触发所述案件信息修复网络的状态变更条件，若所述操作信息触发所述案件信息修复网络的状态变更条件，则利用所述有限状态机将所述案件信息采集修复网络切换为所述案件信息修复网络，并进行催收概率预测输出结果。

5.如权利要求4所述的方法，其特征在于，所述资产催收作业网络包括：

自动催收网络、电话催收网络和司法催收网络。

6.如权利要求5所述的方法，其特征在于，所述若所述操作信息触发所述资产催收作业网络的状态变更条件，则利用所述有限状态机将所述信息采集修复网络切换为所述资产催收作业网络，以便利用所述资产催收作业网络进行催收概率预测，并输出重新预测结果包括：

当所述待催收案件处于所述案件信息采集修复网络中，若所述操作信息触发所述自动催收网络的状态变更条件，则利用所述有限状态机将所述案件信息采集修复网络切换为所述自动催收网络，利用所述自动催下网络进行催收概率预测，输出预测结果；

若所述操作信息触发所述电话催收网络的状态变更条件，则利用所述有限状态机将所述案件信息采集修复网络切换为所述电话催收网络，进行催收概率预测；

若所述操作信息触发所述司法催收网络的状态变更条件，则利用所述有限状态机将所述案件信息采集修复网络切换为所述司法催收网络，进行催收概率预测。

7.如权利要求6所述的方法，其特征在于，所述利用所述有限状态机实时监测操作信息是否发生变动，若所述操作信息发生变动，则判断所述操作信息是否触发所述资产催收作业网络的切换条件包括：

若所述操作信息既不触发所述案件信息修复网络的状态变更条件，也不触发所述资产催收作业网络的变更条件，则判断所述操作信息是否触发网络重新预测条件，若所述操作信息触发网络重新预测条件，则保持现状态网络进行重新预测，根据所述操作信息对所述现状态网络进行重新预测并输出预测结果。

8.一种基于状态机的不良资产催收装置，其特征在于，包括：

输入模块，用于将待催收案件信息输入完成训练的资产催收模型中，进入催收队列，其中，所述资产催收模型包括有限状态机，多个状态网络，所述多个状态网络包括信息采集修复网络，资产催收作业网络，催收结果跟踪网络；

信息采集模块，用于当所述待催收案件进入催收队列，触发所述有限状态机切换到所述信息采集修复网络中，利用所述信息采集修复网络进行催收概率预测，并输出初始预测结果；

第一判断模块，用于利用所述有限状态机实时监测操作信息是否发生变动，若所述操作信息发生变动，则判断所述操作信息是否触发所述资产催收作业网络的状态变更条件；

资产催收模块，用于若所述操作信息触发所述资产催收作业网络的状态变更条件，则利用所述有限状态机将所述信息采集修复网络切换为所述资产催收作业网络，以便利用所述资产催收作业网络进行催收概率预测，并输出重新预测结果；

第二判断模块，用于当所述有限状态机实时监测到所述操作信息发生变动，则判断所述操作信息是否触发所述催收结果跟踪网络的状态变更条件；

催收结果模块，用于若所述操作信息触发所述催收结果跟踪网络的状态变更条件，则利用所述有限状态机将所述资产催收作业网络切换为所述催收结果跟踪网络，以便利用所述催收结果跟踪网络进行催收概率预测，输出跟踪预测结果。

9.一种基于状态机的不良资产催收的设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述一种基于状态机的不良资产催收的方法的步骤。

10.一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，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种基于状态机的不良资产催收的方法的步骤。

Images