CN116777601A - 智能催收方法、装置、设备和介质 - Google Patents
智能催收方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116777601A CN116777601A CN202310744387.0A CN202310744387A CN116777601A CN 116777601 A CN116777601 A CN 116777601A CN 202310744387 A CN202310744387 A CN 202310744387A CN 116777601 A CN116777601 A CN 116777601A
- Authority
- CN
- China
- Prior art keywords
- client
- accelerating
- contact
- expected
- intelligent
- 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 71
- 238000004590 computer program Methods 0.000 claims description 20
- 238000003306 harvesting Methods 0.000 claims description 16
- 239000003054 catalyst Substances 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000006555 catalytic reaction Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 24
- 230000003993 interaction Effects 0.000 abstract description 6
- 238000009472 formulation Methods 0.000 abstract description 4
- 239000000203 mixture Substances 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000001133 acceleration Effects 0.000 abstract 4
- 230000008602 contraction Effects 0.000 abstract 4
- 238000010586 diagram Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 10
- 230000015654 memory Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000001737 promoting effect Effects 0.000 description 4
- 238000012789 harvest method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003197 catalytic effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供了一种智能催收方法,可用于人工智能领域,方法包括:获取每个入催客户的用户信息,用户信息包括原生指标;将原生指标输入策略模型,输出每个入催客户的催收策略,催收策略中包括预计催收完成指标以及预计催收行为;根据预计催收完成指标确认待催收客户;以及根据预计催收行为对待催收客户执行催收。根据本申请的智能催收方法,通过采用策略模型,针对性的对每个入催客户进行分析,并仅对非自愈型客户进行催收,合理的策略制定节省催收成本的同时,降低了对客户的打扰;由于分层化、差异化、精准化的智能催收管理,可以提高催收的有效性,也为客户提供更加智能化、个性化的交互体验。本申请还提供了一种智能催收装置、设备、存储介质。
Description
技术领域
本申请涉及人工智能技术领域,具体地涉及一种智能催收方法方法、装置、设备、介质和程序产品。
背景技术
当前时代,催收行业逆势繁荣,是商业银行核心竞争力的又一发力点,由于贷后业务催收渠道众多,但各催收渠道数据相互割裂,尚未实现真正打通和统筹管理,存在单个渠道内催收话术单一、多个渠道间催收策略无法协同的问题,影响客户体验及还款率。
目前使用的催款方式从客户角度来看,针对自愈型客户或较敏感的客户,通过广撒网式的催收模式容易造成不同程度的打扰,不恰当的催收方式及频率容易引起客户投诉;从业务角度来看,将入催客户清单下发至各个渠道,存在渠道内无法根据客户实际情况配置差异化催收话术的问题。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。
例如,将每个客户的用户信息放入策略模型进行分析,实现分层差异化管理,得到适合每个客户的催款方式,可以提高催收效率,节约催收成本。
本申请的第一个方面提供了一种智能催收方法,包括:
获取每个入催客户的用户信息,所述用户信息内包括原生指标;
将所述原生指标输入策略模型,输出每个所述入催客户的催收策略,其中,所述策略模型是采集时间段T内所述入催客户的历史数据中的原生指标并训练得到的,所述催收策略中包括预计催收完成指标以及预计催收行为;
根据所述预计催收完成指标确认待催收客户,所述待催收客户为非自愈型客户;以及
根据所述预计催收行为对所述待催收客户执行催收。
根据本申请的智能催收方法,通过采用策略模型,针对性的对每个入催客户进行分析,并仅对非自愈型客户进行催收,合理的策略制定节省催收成本的同时,降低了对客户的打扰;由于分层化、差异化、精准化的智能催收管理,可以提高催收的有效性,也为客户提供更加智能化、个性化的交互体验。
进一步地,所述策略模型包括评分模型,所述评分模型用于输出预计催收完成指标,
将所述原生指标输入所述评分模型,输出每个所述入催客户的预计催收完成指标,所述方法包括:
获取每个所述入催客户的多个第一变量,所述第一变量为所述原生指标中的个人信息、目前负债信息、还款信息和风险等级;
根据所述第一变量计算并输出每个所述入催客户的出催概率和预计还款金额比例。
进一步地,根据所述第一变量计算并输出每个所述入催客户的出催概率,所述评分模型为逻辑回归模型,计算所述入催客户的出催概率公式为:
其中,p为入催客户的出催概率,行为分由还款信息和风险等级计算得到,账龄通过和最大还款金额通过还款信息查询得到。
进一步地,根据所述预计催收完成指标确认待催收客户,所述待催收客户为非自愈型客户,包括:
根据所述入催客户的出催概率判断所述入催客户的类型;
在所述入催客户的出催概率小于阈值时,所述入催客户为非自愈型客户。
进一步地,所述策略模型还包括渠道模型,所述渠道模型用于输出预计催收行为,
将所述原生指标输入所述渠道模型,输出每个所述入催客户的预计催收渠道,所述方法包括:
获取每个所述入催客户的多个第二变量,所述第二变量为所述原生指标中的催收信息;
结合催收信息中采用多个催收渠道得到催收结果,评估每个催收渠道对所述入催客户的历史成功率;
选择历史成功率最高的最优催收渠道,并作为预计催收渠道输出。
进一步地,所述策略模型还包括时间模型,所述时间模型用于输出预计催收行为,
所述方法还包括:
根据所述预计催收渠道,获取并统计多个时间段内所述入催客户的历史应答次数;
选取历史应答次数最多的时间段,并作为建议联系时间区间输出。
进一步地,所述策略模型还包括话术模型,所述话术模型用于预测预计催收行为,
所述方法还包括:
获取并统计用于所述预计催收渠道的所有历史催收话术和每条历史催收话术对应的催收次数;
选取历史催收次数最少的催收次数对应的历史催收话术,并作为催收话术输出。
进一步地,根据所述预计催收行为对所述待催收客户执行催收,包括:
在所述建议联系时间区间内,通过所述预计催收渠道利用所述催收话术与所述待催收客户进行初次联系。
进一步地,在所述待催收客户与进行初次联系之后,所述方法还包括:
获取初次联系的联系结果;
在所述联系结果为无人应答时,将所述待催收客户放入失联客户清单内;
根据所述待催收客户的用户信息,查看客户维护系统中所述待催收客户的联系方式;
在所述待催收客户的联系方式改变时,获取新联系方式,并在所述建议联系时间区间内,通过所述预计催收渠道利用所述催收话术再次与所述待催收客户进行联系;或
在所述待催收客户预存多个联系方式时,获取其他联系方式,并在所述建议联系时间区间内,通过所述预计催收渠道利用所述催收话术再次与所述待催收客户进行联系。
进一步地,所述方法还包括:
在联系到所述待催收客户后,将所述待催收客户移出失联客户清单,并更新所述待催收客户的用户信息。
进一步地,所述方法还包括:
跟踪所述待催收客户的催收完成结果;
在所述催收完成结果为成功时,获取所述待催收客户的实际还款金额和实际还款时间,并结合所述实际还款金额和所述实际还款时间评估所述待催收客户的实际还款意向;
通过所述实际还款金额、所述实际还款时间和所述实际还款意向更新所述原生指标。
进一步地,所述方法还包括:
将所述预计催收渠道、所述建议联系时间区间和所述催收话术进行质检分析,生成计划数据集,所述计划数据集内包括预计还款时间和预计还款意向;
将所述预计还款金额比例、所述预计还款时间和所述预计还款意向以及所述实际还款金额、所述实际还款时间和所述实际还款意向进行比对,并更新所述策略模型。
进一步地,所述用户信息内还包括衍生指标,所述衍生指标是根据原生指标通过简单运算得到的,所述衍生指标为中间指标的集合,适用于所述策略模型的训练。
本申请第二个方面提供了一种智能催收装置,包括:第一获取模块,所述第一获取模块用于:获取每个入催客户的用户信息,所述用户信息内包括原生指标;策略配置模块,所述策略配置模块用于:将所述原生指标输入策略模型,输出每个所述入催客户的催收策略,其中,所述策略模型是采集时间段T内所述入催客户的历史数据中的原生指标并训练得到的,所述催收策略中包括预计催收完成指标以及预计催收行为;标签库模块,所述标签库模块用于:根据所述预计催收完成指标确认待催收客户,所述待催收客户为非自愈型客户;以及催收执行模块,所述催收执行模块用于:根据所述预计催收行为对所述待催收客户执行催收。
进一步地,还包括:第二获取模块,所述第二获取模块用于:获取初次联系的联系结果;统计模块,所述统计模块用于:在所述联系结果为无人应答时,将所述待催收客户放入失联客户清单内;查看模块,所述查看模块用于:根据所述待催收客户的用户信息,查看客户维护系统中所述待催收客户的联系方式;第一联系执行模块,所述第一联系执行模块用于:在所述待催收客户的联系方式改变时,获取新联系方式,并在所述建议联系时间区间内,通过所述预计催收渠道利用所述催收话术再次与所述待催收客户进行联系;或第二联系执行模块,所述第二联系执行模块用于:在所述待催收客户预存多个联系方式时,获取其他联系方式,并在所述建议联系时间区间内,通过所述预计催收渠道利用所述催收话术再次与所述待催收客户进行联系。
本申请的第三个方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述智能催收方法。
本申请的第四个方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述智能催收方法。
本申请的第五个方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述智能催收方法。
附图说明
通过以下参照附图对本申请实施例的描述,本申请的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本申请实施例智能催收的应用场景图;
图2示意性示出了根据本申请实施例的智能催收方法的流程图;
图3示意性示出了根据本申请实施例衍生指标运算表;
图4示意性示出了根据本申请实施例评分模型的流程图;
图5示意性示出了根据本申请实施例渠道模型的流程图;
图6示意性示出了根据本申请实施例时间模型的流程图;
图7示意性示出了根据本申请实施例话术模型的流程图;
图8示意性示出了根据本申请实施例初次联系失败时的流程图;
图9示意性示出了根据本申请实施例的智能催收装置的结构框图;
图10示意性示出了根据本申请实施例的初次联系失败时智能催收装置的结构框图;以及
图11示意性示出了根据本申请实施例的适于实现智能催收方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本申请的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本申请的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本申请实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本申请的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本申请。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
入催客户:是指已购买贷款性质产品,且因一定周期内产生的逾期金额未及时归还的客户。
出催客户:是指已归还贷款性质产品产生的逾期金额的客户。
期限段:客户借款出现逾期后,金融机构会对逾期客户的情况进行分类,分类的主要原则是通过逾期时间来划分。例如,客户逾期时间在1-30天之间为N1期限段,逾期时间在31-60天之间为N2期限段。
账龄:公司尚未收回的应收账款的时间长度,对于贷后业务而言,即为欠款逾期天数。
非自愈型客户:入催客户,其在金融机构不采用催收手段的情况下非自愿还款的客户。
自愈型客户:入催客户,其在金融机构不采用催收手段的情况下自愿还款的客户。
在当前时代,催收行业逆势繁荣,是商业银行核心竞争力的又一发力点,由于贷后业务催收渠道众多,但各催收渠道数据相互割裂,尚未实现真正打通和统筹管理,存在单个渠道内催收话术单一、多个渠道间催收策略无法协同的问题,影响客户体验及还款率。
对于目前在逾期N1、N2期限段内对客户采取催收的渠道主要有以下三种:
(1)短信催收:对于信用卡、个人贷款即将逾期或已经逾期的客户,向预留手机号发送及时还款提示短信;
(2)智能电话催收:对于信用卡、个人贷款即将逾期或已经逾期的客户,向预留手机号自动拨打催收电话,由语音机器人通过智能交互,完成催收信息告知以及客户还款意向收集;
(3)人工催收:对于信用卡、个人贷款即将逾期或已经逾期的客户,由专项座席人员通过电话催收,正式告知客户逾期信息及风险,起到压力催收的目的。
利用上述渠道对入催客户进行催收,从客户角度来看,针对自愈型客户或较敏感的客户,通过广撒网式的催收模式容易造成不同程度的打扰,不恰当的催收方式及频率容易引起客户投诉;从业务角度来看,将入催客户清单下发至各个渠道,存在渠道内无法根据客户实际情况配置差异化催收话术的问题。
本申请克服了现有贷后业务催收策略单一、催收话术固定等问题,提供一种适用于多渠道的分层式的贷后催收机制,主要针对差异化客户,建立个性化的催收策略,得到适合每个客户的催款方式,提升分层化、精准化、自动化的催收能力,充分发挥智能决策在催收体系中的重要作用,可以提高催收效率,节约催收成本。
需要说明的是,在本申请的技术方案中,所涉及的用户信息的获取,存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。另外,上述的三种催收方式为目前主要的催收方式,本申请将以这三种催收方式为实施例进行描述,但不能认为是对本申请催收渠道的限定。
图1示意性示出了根据本申请实施例智能催收的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括通过短信、智能电话和人工三种催收渠道与服务器的交互。通信104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。
服务器105经过策略运算后可以通过终端设备101、102、103向客户发送催收短信或拨打催收电话。
终端设备101、102、103可以是具备接打电话能力、或接收短信能力的各种电子设备。
服务器105可以是提供各种服务的服务器,例如服务器可针对性的为每个客户制定不同的催收策略,然后根据催收策略提供的催收方法通过短信发送到终端设备101、102、103或通过拨打电话的方式与终端设备101、102、103的持有者(客户)联系。客户可以根据终端设备101、102、103的短信提示,或根据接听电话的接听内容处理催收事项。
需要说明的是,本申请实施例中所提供的智能催收方法一般可以由服务器105执行。相应地,本申请实施例中所提供的智能催收装置一般可以设置于服务器105中。本申请实施例中所提供的智能催收方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本申请实施例中所提供的智能催收装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、通信和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、通信和服务器。
以下将基于图1描述的场景,通过图2~图6对申请实施例的智能催收方法进行详细描述。
图2示意性示出了根据本申请实施例的智能催收方法的流程图。
如图2所示,该实施例包括操作S210~操作S240。
在操作S210,获取每个入催客户的用户信息,用户信息内包括原生指标。
在客户购买贷款性质产品,且因一定周期内产生的逾期金额未及时归还,会进入入催客户清单内。本操作采集入催客户清单内的所有入催客户的用户信息,用户信息是通过内外系统采集的入催客户的相关信息。可以理解的是,经过内外系统采集入催客户的相关信息,可以更全面的采集入催客户的各种指标,在后续步骤中可以更精确地分析入催客户的适用催收方案,利于提高客户的体验以及提高催收效率。
示例性地,入催客户的用户信息可以是在入催客户进入入催客户清单时通过内外系统采集的,然后及时在贷后管理系统后台进行存储。
在采集入催客户的用户信息后,形成结构化指标存储于贷后管理系统后台,方便随时调取,用户信息包括原生指标和衍生指标。原生指标来源于客户信息采集字段,例如表1所列出的个人信息、目前负债信息、还款信息、风险等级、交易信息、催收信息等等。衍生指标是根据原生指标通过简单运算得到的,例如,通过图3中的运算表,支持“加、减、乘、除、>、<、=、N次方、log”等函数运算,还支持“and、or、if…else”等逻辑运算。使用原生指标可以用于策略模型中的计算,得到针对每个客户的最优策略,以提高催收效率;衍生指标为需要应用的中间指标的集合,起到原生指标与策略模型之间的过渡作用,使用衍生指标可以用于策略模型的训练。
表1
示例性地,本申请可以是在入催客户清单积累一定入催客户数量后,统一在贷后管理系统后台调取每个入催客户的用户信息;或者在间隔一定时间后,统一在贷后管理系统后台调取每个入催客户的用户信息。
在操作S220,将原生指标输入策略模型,输出每个入催客户的催收策略,其中,策略模型是采集时间段T内入催客户的历史数据中的原生指标并训练得到的,催收策略中包括预计催收完成指标以及预计催收行为。
可以理解的是,策略模型是一个统称,即多个具有催收能力、可达到催收策略目的的模型的组合,其中可以包括评分模型、渠道模型、时间模型、话术模型中的一个或多个,参考图4-图7。例如,策略模型由评分模型和渠道模型组成;又例如,策略模型由评分模型、渠道模型和话术模型组成;再例如,策略模型由评分模型、渠道模型和时间模型组成。当然,对于策略模型而言,若提供的策略模型种类越多,其限定的条件越多,为入催客户提供更大的个性化服务,提高入催客户的体验和催收效率,但可能会增加服务器的运算负担,进而增加催收管理成本,因此需要综合考虑。
上述的策略模型是由历史数据中的原生指标并训练得到的,针对每种模型,会采集不同的原生指标进行训练。
例如针对评分模型,可利用客户的催收信息、个人信息和交易信息等字段建立。
例如针对渠道模型,根据客户在每个渠道的催收信息字段建立。
例如针对时间模型,根据客户在特定渠道的所有时间段的历史应答次数建立。
例如针对话术模型,根据客户在特定渠道的所有话术和对应的催收次数建立。
对于催收策略中的预计催收完成指标,在评分模型中完成,具体参见图4和操作S310-操作S330;对于催收策略中的预计催收行为,在渠道模型、时间模型和话术模型中完成,具体参见图5-图7,这里不再展开说明。
在操作S230,根据预计催收完成指标确认待催收客户,待催收客户为非自愈型客户。
预计催收完成指标可表征客户是否为自愈性客户,即在超过一定期限时会自主完成还款,也就是自愿还款意愿较强的客户。为了避免造成不必要的打扰,提高客户体验以及节省催收成本,本申请仅对非自愈型客户执行催收任务,即在评分模型分析后,仅对自愿还款意愿较差的非自愈型客户(待催收客户)进行拨打电话催收、或发短信催收,自愈型客户暂不纳入催收队列。
在一个实施例中,对于自愈型客户和非自愈型客户,可在预计催收完成指标确认后进行标签处理,即对每个入催客户打上自愈型客户或非自愈型客户的标签。在判断为自愈型客户后,不再将原生指标放入渠道模型、时间模型和话术模型中,可以节省服务器的运算量,即不再输出预计催收行为。
在另一个实施例中,策略模型可以为无先后顺序同时执行运算的,因此会直接输出催收完成指标以及预计催收行为,这样虽然会增加运算量,但不再需要打标签,可以节省运算步骤和运算时间。
在操作S240,根据预计催收行为对待催收客户执行催收。
催收行为可以理解为对待催收客户可执行的一系列的行为,包括预计催收渠道、建议催收时间区间和催收话术。也就是在建议联系时间区间内,通过预计催收渠道利用催收话术与待催收客户可进行联系。上述的预计催收行为由于均是根据待催收客户的用户信息运算出来的最优解决方案,因此对于每个待催收客户均有针对性,适用于所有客户。
根据本申请的智能催收方法,通过采用策略模型,针对性的对每个入催客户进行分析,并仅对非自愈型客户进行催收,合理的策略制定节省催收成本的同时,降低了对客户的打扰;由于分层化、差异化、精准化的智能催收管理,可以提高催收的有效性,也为客户提供更加智能化、个性化的交互体验。
下述将具体说明策略模型的使用。
策略模型包括评分模型,评分模型用于输出预计催收完成指标。图4示意性示出了根据本申请实施例评分模型的流程图。
如图4所示,将原生指标输入评分模型,输出每个入催客户的预计催收完成指标,该实施例包括操作S310~操作S320。
在操作S310,获取每个入催客户的多个第一变量,第一变量为原生指标中的个人信息、目前负债信息、还款信息和风险等级。
在操作S320,根据第一变量计算并输出每个入催客户的出催概率和预计还款金额比例。其中,出催概率可以判断该入催客户是否为非自愈型客户,预计还款金额比例可用于评分模型的更新。
针对上述操作,逻辑回归模型是最常见的评分模型,可根据第一变量计算入催客户的出催概率,公式为:
其中,p为入催客户的出催概率,行为分由还款信息和风险等级计算得到,例如,先根据逾期卡号查询该卡片风险等级内的行为评分和催收评分,然后再根据逾期卡号对应的客编,查询该客户还款信息的个人协议评分,最后上述两项评分按照一定比例求和得出整体行为分。
账龄通过和最大还款金额通过还款信息可以直接查询得到。
上面公式中,等号右侧的全部为已知量,p为唯一未知量,因此可以计算出p,即入催客户的出催概率。
对于非自愈型客户和自愈型客户的判断,可以根据以下方法。
根据入催客户的出催概率判断入催客户的类型,在入催客户的出催概率小于阈值时,入催客户为非自愈型客户,在入催客户的出催概率大于或等于阈值时,入催客户为自愈型客户。
示例性地,阈值为30%,在根据第一变量计算出入催客户清单中所有入催客户的出催概率后,出催概率小于30%的入催客户打上自愈型标签,出催概率大于或等于30%的入催客户打上非自愈型标签。
策略模型还包括渠道模型,渠道模型用于输出预计催收行为。图5示意性示出了根据本申请实施例渠道模型的流程图。
如图5所示,将原生指标输入渠道模型,输出每个入催客户的预计催收渠道,该实施例包括操作S410~操作S430。
在操作S410,获取每个入催客户的多个第二变量,第二变量为原生指标中的催收信息。
在操作S420,结合催收信息中采用多个催收渠道得到催收结果,评估每个催收渠道对入催客户的历史成功率。
在操作S430,选择历史成功率最高的最优催收渠道,并作为预计催收渠道输出。
示例性地,根据每个渠道的催收记录、催收取得的效益以及特征信息评估该渠道针对此待催收客户的催收能力,为每个渠道进行催收能力打分,最终输出催收能力分数最高的渠道作为最优催收渠道,然后作为渠道模型的结果输出。
策略模型还包括时间模型,时间模型用于输出预计催收行为。图6示意性示出了根据本申请实施例时间模型的流程图。
如图6所示,该实施例包括操作S510~操作S520。
在操作S510,根据预计催收渠道,获取并统计多个时间段内入催客户的历史应答次数。
在操作S520,选取历史应答次数最多的时间段,并作为建议联系时间区间输出。
待催收客户可能因为职业、年龄等因素在接通电话的时间上有规律可以挖掘,时间模型因此而构建。通过利用待催收客户近期的催收应答情况,用神经网络模型预测在不同时间段上的应答概率。例如,若渠道为智能电话渠道,则需要计算不同时间段上待催收客户的接听概率,以最大概率接听的时间段作为建议联系时间区间输出。
策略模型还包括话术模型,话术模型用于预测预计催收行为。图7示意性示出了根据本申请实施例话术模型的流程图。
如图7所示,该实施例包括操作S610~操作S620。
在操作S610,获取并统计用于预计催收渠道的所有历史催收话术和每条历史催收话术对应的催收次数。
在操作S620,选取历史催收次数最少的催收次数对应的历史催收话术,并作为催收话术输出。
在选择一个渠道后,获取每次与待催收客户联系时的催收话术,形成催收话术集合,然后根据历史催收次数、还款情况计算出最小催收次数下的催收话术,此催收话术作为最合适于该待催收客户使用该渠道时的最优催收话术。
示例性地,对于催收话术的获取,在为短信渠道催收时,可提取短信渠道中历史发送过的文本信息,将此作为催收话术集合;在为智能电话渠道以及人工渠道时,可在与待催收客户进行语音通话过程中进行录音,然后将录音转换为催收语音文本或直接使用催收录音作为催收话术集合。
使用上述的策略模型,可以在判断是否为非自愈型客户(待催收客户)后,执行在建议联系时间区间内,通过预计催收渠道利用催收话术与待催收客户进行初次联系。
需要说明的是,初次联系并非特指仅联系一次,应理解为具有限定次数的和/或限定时间的联系。
进一步地,在待催收客户与进行初次联系之后,对于初次联系是否达到效果会形成一个催收方法的补充。在初次联系失败时执行图8中的操作S710~操作S750,在初次联系成功时结束流程。
图8示意性示出了根据本申请实施例初次联系失败时的流程图。
如图8所示,该实施例包括操作S710~操作S750。需要说明的是,操作S740和操作S750为并列方案,需要择一执行。
在操作S710,获取初次联系的联系结果。
在操作S720,在联系结果为无人应答时,将待催收客户放入失联客户清单内。
可以理解的是,无人应答就是电话未被接通,其中可能发生的情况包括无人接听、停机、他人号码、空号等多种情况。发生这些情况时可以将待催收客户看作失联客户,需要将失联客户放入失联客户清单内。
在操作S730,根据待催收客户的用户信息,查看客户维护系统中待催收客户的联系方式。
客户维护系统记录了该待催收客户所有可能的联系信息,待催收客户的所有通信记录均在此系统记录,其更新较为及时,且记录了最近一次联系待催收客户时可使用的联系方式,因此在判定待催收客户失联后,需要先在客户维护系统中查询联系方式,例如手机号是否更新。
下述两种情况均属于待催收客户有其他的联系方式,若查询到的待催收客户的联系方式与原生指标中一致时,则流程停止。
在操作S740,在待催收客户的联系方式改变时,获取新联系方式,并在建议联系时间区间内,通过预计催收渠道利用催收话术再次与待催收客户进行联系。
可以理解的是,若待催收客户已变更新联系方式,如手机号码,可认为原生指标因未及时更新而造成客户失联的情况,需要通过新手机号码与待催收客户再次联系,然后对原生指标进行更新。
在操作S750,在待催收客户预存多个联系方式时,获取其他联系方式,并在建议联系时间区间内,通过预计催收渠道利用催收话术再次与待催收客户进行联系。
可以理解的是,若待催收客户预留多个联系方式,如预留多个手机号码,可通过其他预留的手机号码与待催收客户再次联系。
上述两种操作均为修复客户的步骤,在联系到待催收客户后,判定失联客户为修复客户,将待催收客户移出失联客户清单,并更新待催收客户的用户信息。
待催收客户的原生指标需要在每次催收后进行更新,这样才能与实际更贴切,且可以为下一次的催收工作做准备。例如,在待催收客户积极还款后,具有较强的还款意愿,因此在下一次判定该待催收客户是否为非自愈型客户时,可能会更换标签,即该待催收客户的标签变化为自愈型客户,其将不再被催收。这样在精准化催收的同时,还可以降低催收成本。具体可以通过以下方式进行。
跟踪待催收客户的催收完成结果;
在催收完成结果为成功时,获取待催收客户的实际还款金额和实际还款时间,并结合实际还款金额和实际还款时间评估待催收客户的实际还款意向;
通过实际还款金额、实际还款时间和实际还款意向更新原生指标。
进一步地,本申请还需要经常对策略模型进行更新,将预计催收渠道、建议联系时间区间和催收话术进行质检分析,生成计划数据集,计划数据集内包括预计还款时间和预计还款意向;将预计还款金额比例、预计还款时间和预计还款意向以及实际还款金额、实际还款时间和实际还款意向进行比对,并更新策略模型。
经过对策略模型的更新,可以实现更精准化的催收,进一步提升标签划分准确性、策略制定合理性、催收方式有效性,也为客户提供更加智能化、个性化的交互体验。
基于上述智能催收方法,本申请还提供了一种智能催收装置。以下将结合图9对该装置进行详细描述。
图9示意性示出了根据本申请实施例的智能催收装置的结构框图。
如图9所示,该实施例的智能催收装置800包括第一获取模块810、策略配置模块820、标签库模块830和催收执行模块840。
第一获取模块810用于:获取每个入催客户的用户信息,用户信息内包括原生指标。在一个实施例中,第一获取模块810可以用于执行前文描述的操作S210,在此不再赘述。
策略配置模块820用于:将原生指标输入策略模型,输出每个入催客户的催收策略,其中,策略模型是采集时间段T内入催客户的历史数据中的原生指标并训练得到的,催收策略中包括预计催收完成指标以及预计催收行为。在一个实施例中,策略配置模块820可以用于执行前文描述的操作S220,在此不再赘述。
标签库模块830用于:根据预计催收完成指标确认待催收客户,待催收客户为非自愈型客户。在一个实施例中,标签库模块830可以用于执行前文描述的操作S230,在此不再赘述。以及
催收执行模块840用于:根据预计催收行为对待催收客户执行催收。在一个实施例中,催收执行模块840可以用于执行前文描述的操作S240,在此不再赘述。
进一步地,图10示意性示出了根据本申请实施例的初次联系失败时智能催收装置的结构框图。
如图10所示,该实施例的智能催收装置800还包括:第二获取模块850、统计模块860、查看模块870、第一联系执行模块880和第二联系执行模块890。
第二获取模块850用于:获取初次联系的联系结果。在一个实施例中,第二获取模块850可以用于执行前文描述的操作S710,在此不再赘述。
统计模块860用于:在联系结果为无人应答时,将待催收客户放入失联客户清单内。在一个实施例中,统计模块860可以用于执行前文描述的操作S720,在此不再赘述。
查看模块870用于:根据待催收客户的用户信息,查看客户维护系统中待催收客户的联系方式。在一个实施例中,查看模块870可以用于执行前文描述的操作S730,在此不再赘述。
第一联系执行模块880用于:在待催收客户的联系方式改变时,获取新联系方式,并在建议联系时间区间内,通过预计催收渠道利用催收话术再次与待催收客户进行联系。在一个实施例中,第一联系执行模块880可以用于执行前文描述的操作S740,在此不再赘述。或
第二联系执行模块890用于:在待催收客户预存多个联系方式时,获取其他联系方式,并在建议联系时间区间内,通过预计催收渠道利用催收话术再次与待催收客户进行联系。在一个实施例中,第二联系执行模块890可以用于执行前文描述的操作S750,在此不再赘述。
根据本申请的实施例,第一获取模块810、策略配置模块820、标签库模块830和催收执行模块840中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本申请的实施例,第一获取模块810、策略配置模块820、标签库模块830和催收执行模块840中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一获取模块810、策略配置模块820、标签库模块830和催收执行模块840中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图11示意性示出了根据本申请实施例的适于实现智能催收方法的电子设备的方框图。
如图11所示,根据本申请实施例的电子设备900包括处理器901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本申请实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中,存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本申请实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本申请实施例的方法流程的各种操作。
根据本申请的实施例,电子设备900还可以包括输入/输出(I/O)接口905,输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本申请实施例的方法。
根据本申请的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本申请的实施例,计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本申请的实施例中还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本申请实施例中所提供的方法。
在该计算机程序被处理器901执行时执行本申请实施例的系统/装置中限定的上述功能。根据本申请的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分909被下载和安装,和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时,执行本申请实施例的系统中限定的上述功能。根据本申请的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本申请的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例中提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本申请的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本申请中。特别地,在不脱离本申请精神和教导的情况下,本申请的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本申请的范围。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“实例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上对本申请的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本申请的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本申请的范围由所附权利要求及其等同物限定。不脱离本申请的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本申请的范围之内。
Claims (18)
1.一种智能催收方法,其特征在于,包括:
获取每个入催客户的用户信息,所述用户信息内包括原生指标;
将所述原生指标输入策略模型,输出每个所述入催客户的催收策略,其中,所述策略模型是采集时间段T内所述入催客户的历史数据中的原生指标并训练得到的,所述催收策略中包括预计催收完成指标以及预计催收行为;
根据所述预计催收完成指标确认待催收客户,所述待催收客户为非自愈型客户;以及
根据所述预计催收行为对所述待催收客户执行催收。
2.根据权利要求1所述的智能催收方法,其特征在于,所述策略模型包括评分模型,所述评分模型用于输出预计催收完成指标,
将所述原生指标输入所述评分模型,输出每个所述入催客户的预计催收完成指标,所述方法包括:
获取每个所述入催客户的多个第一变量,所述第一变量为所述原生指标中的个人信息、目前负债信息、还款信息和风险等级;
根据所述第一变量计算并输出每个所述入催客户的出催概率和预计还款金额比例。
3.根据权利要求2所述的智能催收方法,其特征在于,根据所述第一变量计算并输出每个所述入催客户的出催概率,所述评分模型为逻辑回归模型,计算所述入催客户的出催概率公式为:
=-2-0.01*行为分-0.02*账龄+0.0001*欠款金额+0.01*最大还款金额
其中,p为入催客户的出催概率,行为分由还款信息和风险等级计算得到,账龄通过和最大还款金额通过还款信息查询得到。
4.根据权利要求2或3所述的智能催收方法,其特征在于,根据所述预计催收完成指标确认待催收客户,所述待催收客户为非自愈型客户,包括:
根据所述入催客户的出催概率判断所述入催客户的类型;
在所述入催客户的出催概率小于阈值时,所述入催客户为非自愈型客户。
5.根据权利要求4所述的智能催收方法,其特征在于,所述策略模型还包括渠道模型,所述渠道模型用于输出预计催收行为,
将所述原生指标输入所述渠道模型,输出每个所述入催客户的预计催收渠道,所述方法包括:
获取每个所述入催客户的多个第二变量,所述第二变量为所述原生指标中的催收信息;
结合催收信息中采用多个催收渠道得到催收结果,评估每个催收渠道对所述入催客户的历史成功率;
选择历史成功率最高的最优催收渠道,并作为预计催收渠道输出。
6.根据权利要求5所述的智能催收方法,其特征在于,所述策略模型还包括时间模型,所述时间模型用于输出预计催收行为,
所述方法还包括:
根据所述预计催收渠道,获取并统计多个时间段内所述入催客户的历史应答次数;
选取历史应答次数最多的时间段,并作为建议联系时间区间输出。
7.根据权利要求6所述的智能催收方法,其特征在于,所述策略模型还包括话术模型,所述话术模型用于预测预计催收行为,
所述方法还包括:
获取并统计用于所述预计催收渠道的所有历史催收话术和每条历史催收话术对应的催收次数;
选取历史催收次数最少的催收次数对应的历史催收话术,并作为催收话术输出。
8.根据权利要求7所述的智能催收方法,其特征在于,根据所述预计催收行为对所述待催收客户执行催收,包括:
在所述建议联系时间区间内,通过所述预计催收渠道利用所述催收话术与所述待催收客户进行初次联系。
9.根据权利要求8所述的智能催收方法,其特征在于,在所述待催收客户与进行初次联系之后,所述方法还包括:
获取初次联系的联系结果;
在所述联系结果为无人应答时,将所述待催收客户放入失联客户清单内;
根据所述待催收客户的用户信息,查看客户维护系统中所述待催收客户的联系方式;
在所述待催收客户的联系方式改变时,获取新联系方式,并在所述建议联系时间区间内,通过所述预计催收渠道利用所述催收话术再次与所述待催收客户进行联系;或
在所述待催收客户预存多个联系方式时,获取其他联系方式,并在所述建议联系时间区间内,通过所述预计催收渠道利用所述催收话术再次与所述待催收客户进行联系。
10.根据权利要求9所述的智能催收方法,其特征在于,所述方法还包括:
在联系到所述待催收客户后,将所述待催收客户移出失联客户清单,并更新所述待催收客户的用户信息。
11.根据权利要求7-10中任一项所述的智能催收方法,其特征在于,所述方法还包括:
跟踪所述待催收客户的催收完成结果;
在所述催收完成结果为成功时,获取所述待催收客户的实际还款金额和实际还款时间,并结合所述实际还款金额和所述实际还款时间评估所述待催收客户的实际还款意向;
通过所述实际还款金额、所述实际还款时间和所述实际还款意向更新所述原生指标。
12.根据权利要求11所述的智能催收方法,其特征在于,所述方法还包括:
将所述预计催收渠道、所述建议联系时间区间和所述催收话术进行质检分析,生成计划数据集,所述计划数据集内包括预计还款时间和预计还款意向;
将所述预计还款金额比例、所述预计还款时间和所述预计还款意向以及所述实际还款金额、所述实际还款时间和所述实际还款意向进行比对,并更新所述策略模型。
13.根据权利要求1所述的智能催收方法,其特征在于,所述用户信息内还包括衍生指标,所述衍生指标是根据原生指标通过简单运算得到的,所述衍生指标为中间指标的集合,适用于所述策略模型的训练。
14.一种智能催收装置,包括:
第一获取模块,所述第一获取模块用于:获取每个入催客户的用户信息,所述用户信息内包括原生指标;
策略配置模块,所述策略配置模块用于:将所述原生指标输入策略模型,输出每个所述入催客户的催收策略,其中,所述策略模型是采集时间段T内所述入催客户的历史数据中的原生指标并训练得到的,所述催收策略中包括预计催收完成指标以及预计催收行为;
标签库模块,所述标签库模块用于:根据所述预计催收完成指标确认待催收客户,所述待催收客户为非自愈型客户;以及
催收执行模块,所述催收执行模块用于:根据所述预计催收行为对所述待催收客户执行催收。
15.根据权利要求14所述的智能催收装置,还包括:
第二获取模块,所述第二获取模块用于:获取初次联系的联系结果;
统计模块,所述统计模块用于:在所述联系结果为无人应答时,将所述待催收客户放入失联客户清单内;
查看模块,所述查看模块用于:根据所述待催收客户的用户信息,查看客户维护系统中所述待催收客户的联系方式;
第一联系执行模块,所述第一联系执行模块用于:在所述待催收客户的联系方式改变时,获取新联系方式,并在所述建议联系时间区间内,通过所述预计催收渠道利用所述催收话术再次与所述待催收客户进行联系;或
第二联系执行模块,所述第二联系执行模块用于:在所述待催收客户预存多个联系方式时,获取其他联系方式,并在所述建议联系时间区间内,通过所述预计催收渠道利用所述催收话术再次与所述待催收客户进行联系。
16.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~13中任一项所述的方法。
17.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~13中任一项所述的方法。
18.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~13中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310744387.0A CN116777601A (zh) | 2023-06-21 | 2023-06-21 | 智能催收方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310744387.0A CN116777601A (zh) | 2023-06-21 | 2023-06-21 | 智能催收方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116777601A true CN116777601A (zh) | 2023-09-19 |
Family
ID=87990885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310744387.0A Pending CN116777601A (zh) | 2023-06-21 | 2023-06-21 | 智能催收方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777601A (zh) |
-
2023
- 2023-06-21 CN CN202310744387.0A patent/CN116777601A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20050097028A1 (en) | Method and system for predicting attrition customers | |
CN111080440A (zh) | 大数据风控管理系统 | |
US7580890B2 (en) | System and method for supervising account management operations | |
CN111383093A (zh) | 账单逾期智能催收方法及系统 | |
CN113343058B (zh) | 语音会话监管方法、装置、计算机设备及存储介质 | |
CN113657901B (zh) | 欠费用户的催收管理方法、系统、终端及介质 | |
US20030144933A1 (en) | Method and apparatus for determining a customer's likelihood of reusing a financial account | |
CN114912925A (zh) | 欺诈检测方法、装置、电子设备及计算机可读介质 | |
CN111353901A (zh) | 风险识别监控方法、装置以及电子设备 | |
US20130325707A1 (en) | Automated bill payment system | |
CN115082203A (zh) | 生息方案推送方法、装置、电子设备及存储介质 | |
EP3764310A1 (en) | Prediction task assistance device and prediction task assistance method | |
WO2011025776A1 (en) | Method and system for retaining customers with interrupted payment streams | |
CN111695988A (zh) | 信息处理方法、装置、电子设备和介质 | |
CN111461871A (zh) | 额度控制方法、装置、设备与计算机可读存储介质 | |
CN116777601A (zh) | 智能催收方法、装置、设备和介质 | |
CN116934131A (zh) | 一种企业经营状况评估方法、装置及设备 | |
CN111327661A (zh) | 推送方法、推送装置、服务器和计算机可读存储介质 | |
CN114580898A (zh) | 一种高效催收款系统、方法、电子设备及可读存储介质 | |
CN111369336A (zh) | 银行催收借款的方法 | |
US20230344939A1 (en) | Call subject determination system, call subject determination method, and information storage medium | |
US20230344938A1 (en) | Call subject determination system, call subject determination method, and information storage medium | |
CN116342240A (zh) | 一种智能催收方法、装置、存储介质及电子设备 | |
CN116596312A (zh) | 风险预测方法、装置、存储介质及电子设备 | |
CN115619044A (zh) | 来电风险的预判方法、装置、设备和介质 |
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 |