CN117036010A - 催收案件处理方法、装置、服务器及可读存储介质 - Google Patents
催收案件处理方法、装置、服务器及可读存储介质 Download PDFInfo
- Publication number
- CN117036010A CN117036010A CN202311305256.9A CN202311305256A CN117036010A CN 117036010 A CN117036010 A CN 117036010A CN 202311305256 A CN202311305256 A CN 202311305256A CN 117036010 A CN117036010 A CN 117036010A
- Authority
- CN
- China
- Prior art keywords
- overdue
- target
- collecting
- case
- target object
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012502 risk assessment Methods 0.000 claims abstract description 40
- 238000003306 harvesting Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 12
- 238000012946 outsourcing Methods 0.000 claims description 11
- 238000013459 approach Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 10
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000037361 pathway Effects 0.000 description 3
- 238000012789 harvest method Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000750 progressive 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Technology Law (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开一种催收案件处理方法、装置、服务器及可读存储介质。该方法包括：获得待催收案件；获得目标对象的风险评估数据，风险评估数据包括未结清账单的数量、是否首次逾期的指示信息、历史最大逾期天数、当前的逾期天数、授信额度和金融产品类型；将目标对象的风险评估数据输入决策模型，得到目标对象的风险等级；获得与目标对象的风险等级对应的目标催收策略，以便按照目标催收策略进行催收。基于本申请公开的技术方案，能够全面、合理地确定出目标用户的风险等级，进而采用与该目标用户的风险等级匹配的方式进行催收，催收方案更加灵活且具有针对性，有利于提高催收效果。
Description
技术领域
本申请属于数据处理技术领域，尤其涉及一种催收案件处理方法、装置、服务器及可读存储介质。
背景技术
随着金融业务的不断发展，借贷现象越来越普遍，相应的，逾期情况也越来越多。目前，金融机构针对逾期用户采用的催收方式主要为：向逾期用户发送提示逾期的短消息，或者拨打逾期用户的电话，并播放预先录制的催收语音。但是，目前的催收方式灵活性差，催收效果较差。
发明内容
有鉴于此，本申请提供一种催收案件处理方法、装置、服务器及可读存储介质，以解决现有技术存在的至少一个问题。
为实现上述目的，本申请提供如下技术方案：
第一方面，本申请提供一种催收案件处理方法，包括：
获得待催收案件；
获得目标对象的风险评估数据，其中，所述目标对象为所述待催收案件对应的用户，所述风险评估数据包括未结清账单的数量、是否首次逾期的指示信息、历史最大逾期天数、当前的逾期天数、授信额度和金融产品类型；
将所述目标对象的风险评估数据输入预先完成训练的决策模型，得到所述决策模型输出的所述目标对象的风险等级；
基于预先配置的风险等级与催收策略的对应关系，获得与所述目标对象的风险等级对应的目标催收策略，以便按照所述目标催收策略进行催收。
可选的，在所述对应关系中，针对达到第一阈值等级的风险等级，为其配置的催收策略包括多种催收方式。
可选的，在所述目标催收策略包括人工催收方式的情况下，还包括：
根据所述目标对象的风险等级确定目标催收人员，其中，所述目标催收人员的催收能力等级与所述目标对象的风险等级相匹配。
可选的，所述根据所述目标对象的风险等级确定目标催收人员，包括：
根据所述目标对象的风险等级确定出多个备选催收人员，其中，所述多个备选催收人员的催收能力等级与所述目标对象的风险等级相匹配；
以均衡分配给所述多个备选催收人员在目标难度等级下的催收案件的逾期总金额为目标，在所述多个备选催收人员中确定出目标催收人员，所述目标难度等级为：在预设的多个难度等级中，与所述目标对象的风险等级对应的难度等级。
可选的，所述获得待催收案件，包括：
获得逾期案件；
判断所述逾期案件是否具有投诉标签、核销标签、司法途径处理标签、停催标签和委外处理标签中的至少一个；
如果所述逾期案件不具有投诉标签、核销标签、司法途径处理标签、停催标签和委外处理标签中的任意一个，则将所述逾期案件确定为待催收案件。
可选的，所述决策模型的训练过程，包括：
获得多个样本，每个样本包括历史逾期用户的风险评估数据，每个样本的标注信息为风险等级，其中，所述历史逾期用户的风险评估数据包括未结清账单的数量、是否首次逾期的指示信息、历史最大逾期天数、当前的逾期天数、授信额度和金融产品类型；
利用预先构建的学习模型对每个样本进行预测，获得预测结果，所述预测结果为所述历史逾期用户的预测风险等级；
根据所述预测结果和所述标注信息调整所述学习模型，直至调整后的学习模型满足预设收敛条件，将满足所述预设收敛条件的学习模型确定为所述决策模型。
第二方面，本申请提供一种催收案件处理装置，包括：
案件获取模块，用于获得待催收案件；
数据获取模块，用于获得目标对象的风险评估数据，其中，所述目标对象为所述待催收案件对应的用户，所述风险评估数据包括未结清账单的数量、是否首次逾期的指示信息、历史最大逾期天数、当前的逾期天数、授信额度和金融产品类型；
评估模块，用于将所述目标对象的风险评估数据输入预先完成训练的决策模型，得到所述决策模型输出的所述目标对象的风险等级；
催收策略获取模块，用于基于预先配置的风险等级与催收策略的对应关系，获得与所述目标对象的风险等级对应的目标催收策略，以便按照所述目标催收策略进行催收。
可选的，在上述催收案件处理装置的基础上，进一步设置：
催收人员确定模块，用于在所述目标催收策略包括人工催收方式的情况下，根据所述目标对象的风险等级确定目标催收人员，其中，所述目标催收人员的催收能力等级与所述目标对象的风险等级相匹配。
第三方面，本申请提供一种服务器，包括处理器和存储器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如上述任意一种催收案件处理方法的各个步骤。
第四方面，本申请提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述任意一种催收案件处理方法的各个步骤。
由此可见，本申请的有益效果为：
本申请公开的催收案件处理方法、装置、服务器及可读存储介质，针对待催收案件，利用预先完成训练的决策模型对目标对象（即待催收案件对应的用户）的风险评估数据进行处理，得到目标对象的风险等级，其中，风险评估数据包括未结清账单的数量、是否首次逾期的指示信息、历史最大逾期天数、当前的逾期天数、授信额度和金融产品类型，之后，基于预先配置的风险等级与催收策略的对应关系以及目标对象的风险等级，获得目标催收策略，以便按照该目标催收策略进行催收。可以看到，本申请公开的技术方案，确定目标用户的风险等级的依据包括目标用户的未结清账单的数量、是否首次逾期的指示信息、历史最大逾期天数、当前的逾期天数、授信额度和金融产品类型，该依据涉及多个维度的数据，能够全面、合理地确定出目标用户的风险等级，进而采用与该目标用户的风险等级匹配的方式进行催收，催收方案更加灵活且具有针对性，有利于提高催收效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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为本申请公开的一种催收案件处理方法的流程图；
图2为本申请公开的一种获得待催收案件的方法的流程图；
图3为本申请公开的一种训练决策模型的方法的流程图；
图4为本申请公开的一种催收案件处理装置的结构示意图；
图5为本申请公开的一种服务器的结构图。
具体实施方式
本申请公开一种催收案件处理方法、装置、服务器及可读存储介质，基于逾期用户的风险等级采用相应的催收策略，实现因人而异、更加灵活的催收，有利于提高催收效果。
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清楚、完整地描述，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。基于本申请中的实施例，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。
参见图1，图1为本申请公开的催收案件处理方法的流程图。该方法由服务器执行，包括：
S101：获得待催收案件。
S102：获得目标对象的风险评估数据。
其中，目标对象为待催收案件对应的用户。风险评估数据包括未结清账单的数量、是否首次逾期的指示信息、历史最大逾期天数、当前的逾期天数、授信额度和金融产品类型。
这里对历史最大逾期天数和当前的逾期天数进行说明。当前的逾期天数是指：待催收案件在当前时刻的逾期天数。历史最大逾期天数是指：该目标对象的全部逾期账单中最大的逾期天数。金融产品类型包括但不限于：按照贷款期限划分的短期贷款、中期贷款和长期贷款；按照有无担保划分的信用贷款和担保贷款；单笔单批贷款和循环贷；发行金融产品的机构。
可以理解的是：如果用户首次发生逾期，那么该逾期行为可能是偶发的，例如，因为用户忘记还款导致了逾期，该用户的风险较低，相应的，如果用户多次发生逾期，那么该用户的风险较高；如果用户有多笔账单未结清，那么该用户的风险较高；如果当前的逾期天数较大，那么表明用户目前的经济状况不佳，该用户的风险较大；如果用户多次发生逾期，而且历史最大逾期天数的数值较大，表明该用户的经济状况不佳且在较长时间内该情况并未缓解，该用户的风险较大；如果用户的授信额度较低，但仍然发生逾期，表明用户的经济状况不佳，该用户的风险较大。另外，在评估用户风险的过程中，还需要考虑贷款所属金融产品的类型。
本申请中，确定目标用户风险等级的依据包括未结清账单的数量、是否首次逾期的指示信息、历史最大逾期天数、当前的逾期天数、授信额度和金融产品类型，该依据涉及多个维度的数据，能够全面、合理地确定出目标用户的风险等级。
S103：将目标对象的风险评估数据输入预先完成训练的决策模型，得到决策模型输出的目标对象的风险等级。
决策模型是利用多个样本训练得到的，每个样本是基于历史逾期用户的风险评估数据生成，并且每个样本具有标注信息，标注信息为历史逾期用户的风险等级。决策模型具备基于输入的风险评估数据准确预测逾期用户的风险等级的能力。
S104：基于预先配置的风险等级与催收策略的对应关系，获得与目标对象的风险等级对应的目标催收策略，以便按照目标催收策略进行催收。
预先配置风险等级与催收策略的对应关系，在得到目标对象的风险等级后，在该对应关系中查找与目标对象的风险等级对应的催收策略，将查找到的催收策略作为目标催收策略，以便按照目标催收策略进行催收。
其中，催收策略所涉及的催收方式包括但不限于：账单催收方式、短信催收方式、自动语音催收方式、人工催收方式、第三方催收方式。
本申请公开的催收案件处理方法，针对待催收案件，利用预先完成训练的决策模型对目标对象（即待催收案件对应的用户）的风险评估数据进行处理，得到目标对象的风险等级，其中，风险评估数据包括未结清账单的数量、是否首次逾期的指示信息、历史最大逾期天数、当前的逾期天数、授信额度和金融产品类型，之后，基于预先配置的风险等级与催收策略的对应关系以及目标对象的风险等级，获得目标催收策略，以便按照该目标催收策略进行催收。可以看到，本申请公开的技术方案，确定目标用户的风险等级的依据包括目标用户的未结清账单的数量、是否首次逾期的指示信息、历史最大逾期天数、当前的逾期天数、授信额度和金融产品类型，该依据涉及多个维度的数据，能够全面、合理地确定出目标用户的风险等级，进而采用与该目标用户的风险等级匹配的方式进行催收，催收方案更加灵活且具有针对性，有利于提高催收效果（也就是催收成功率）。
作为一种可能的实施方式，在预先配置的风险等级与催收策略的对应关系中，针对达到第一阈值等级的风险等级，为其配置的催收策略包括多种催收方式。
例如，针对逾期用户预先配置的风险等级包括10个风险等级，依次记为第一等级、第二等级、第三等级、…、第九等级和第十等级，从第一等级至第十等级，各个风险等级所表征的风险逐个升高。假设第一阈值等级为第五等级，那么为第一等级至第四等级配置的催收策略分别包括一种催收方式，为第五等级至第十等级配置的催收策略分别包括多种催收方式。
可以理解的是，逾期用户的风险等级与该逾期用户的催收难度存在一定关系，通常，逾期用户的风险等级越高，那么该逾期用户的催收难度越大。基于此，在预先配置风险等级与催收策略的对应关系的过程中，遵循以下规则：针对达到第一阈值等级的风险等级，为其配置的催收策略包括多种催收方式。
基于上述的第一种实施方式，针对风险等级较高的逾期用户，采用多种催收方式进行催收，以提高催收效果。
作为另一种可能的实施方式，在预先配置的风险等级与催收策略的对应关系中，针对达到第二阈值等级的风险等级，为其配置的催收策略至少包括人工催收方式。
仍以针对逾期用户预先配置的风险等级包括10个风险等级为例。假设第二阈值等级为第六等级，那么为第六等级至第十等级配置的催收策略至少包括人工催收方式。
可以理解的是，账单催收方式、短信催收方式和自动语音催收方式属于机器催收方式，人工催收方式与机器催收方式相比，具有更好的催收效果。基于此，在预先配置风险等级与催收策略的对应关系的过程中，遵循以下规则：针对达到第二阈值等级的风险等级，为其配置的催收策略至少包括人工催收方式。
基于上述的第二种实施方式，针对风险等级较低的逾期用户，优先采用机器催收方式进行催收，以降低催收成本；针对风险等级较高的逾期用户，采用至少包括人工催收方式在内的催收方式进行催收，以提高催收效果。
作为另一种可能的实施方式，在预先配置的风险等级与催收策略的对应关系中，针对达到第一阈值等级的风险等级，为其配置的催收策略包括多种催收方式，并且，针对达到第二阈值等级的风险等级，为其配置的催收策略至少包括人工催收方式。其中，第一阈值等级和第二阈值等级可以相同也可以不同。
仍以针对逾期用户预先配置的风险等级包括10个风险等级为例。假设第一阈值等级为第五等级，第二阈值等级为第六等级，那么为第一等级至第四等级配置的催收策略分别包括一种催收方式，为第五等级至第十等级配置的催收策略分别包括多种催收方式，并且，为第六等级至第十等级配置的多种催收策略至少包括人工催收方式。
基于上述的第三种实施方式，针对风险等级较低的逾期用户，优先采用机器催收方式进行催收，以降低催收成本；针对风险等级较高的逾期用户，采用包括人工催收方式在内的多种催收方式进行催收，以提高催收效果。
本申请关于催收案件处理方法的另一个实施例中，在目标催收策略包括人工催收方式的情况下，还包括：根据目标对象的风险等级确定目标催收人员。其中，目标催收人员的催收能力等级与目标对象的风险等级相匹配。
实施中，预先确定各催收人员的催收能力等级，并预先配置催收人员的催收能力等级与风险等级的对应关系。在目标催收策略包括人工催收方式的情况下，在前述对应关系中查找与目标对象的风险等级对应的催收能力等级，将具有该催收能力等级的催收人员作为目标催收人员，由目标催收人员进行催收。
可选的，催收人员的催收能力等级高，表征该催收人员的催收能力更优。可选的，在预先配置的催收人员的催收能力等级与风险等级的对应关系中，催收人员的催收能力等级与风险等级呈正相关关系，即：风险等级越高，那么对应的催收能力等级越高，相应的，风险等级越低，那么对应的催收能力等级越低。
可选的，根据催收人员的回款成功率确定催收人员的催收能力等级。回款成功率可以采用：回款金额与催收总金额的比值。其中，催收总金额是分配给催收人员的各催收案件所包含催收金额（也就是逾期金额）的总和，回款金额是逾期用户的还款金额。
在本申请上述公开的催收案件处理方法中，根据目标对象的风险等级获得目标催收策略后，如果目标催收策略包括人工催收方式，那么进一步根据目标对象的风险等级和各催收人员的催收能力等级，确定出目标催收人员，由目标催收人员进行催收。基于该方案，如果待催收案件需要执行人工催收方式，那么根据目标对象的风险等级选择具有对应的催收能力等级的催收人员来执行人工催收，以提高催收效果。
作为一种可能的实施方式，根据目标对象的风险等级确定目标催收人员，采用如下方案：
第一，根据预先配置的催收人员的催收能力等级与风险等级的对应关系，获得与目标用户的风险等级对应的催收能力等级；
第二，获得各催收人员的催收能力等级；
第三，基于各催收人员的催收能力等级，查找具有与目标用户的风险等级对应的催收能力等级的催收人员，将查找到的催收人员中的一个作为目标催收人员。
作为另一种可能的实施方式，根据目标对象的风险等级确定目标催收人员，采用如下方案：
第一，根据目标对象的风险等级确定出多个备选催收人员，其中，多个备选催收人员的催收能力等级与目标对象的风险等级相匹配；
第二，以均衡分配给多个备选催收人员在目标难度等级下的催收案件的逾期总金额为目标，在多个备选催收人员中确定出目标催收人员，目标难度等级为：在预设的多个难度等级中，与目标对象的风险等级对应的难度等级。
其中，根据目标对象的风险等级确定出多个备选催收人员，可以采用如下方案：根据预先配置的催收人员的催收能力等级与风险等级的对应关系，获得与目标用户的风险等级对应的催收能力等级；获得各催收人员的催收能力等级；基于各催收人员的催收能力等级，查找具有与目标用户的风险等级对应的催收能力等级的催收人员，将查找到的催收人员作为备选催收人员。
需要说明的是，具有同一催收能力等级的催收人员，为其分配的全部催收案件通常具有不同的难度等级。其中，催收案件的难度等级与该催收案件对应的用户的风险等级相关。为了保证公平性，针对具有同一催收能力等级的多个催收人员，为各个催收人员分配的在同一个难度等级下的催收案件的逾期总金额之间的差异应尽量小。基于此，在多个备选催收人员中选择目标催收人员的过程中，以均衡分配给多个备选催收人员在目标难度等级下的催收案件的逾期总金额为目标。例如，采用贪心算法确定目标催收人员，其目标是：分配给各个备选催收人员在目标难度等级下的催收案件的总金额的差异尽量小。
可选的，确定出当前周期内（如一周或者一个自然月，当然这仅是对周期的部分举例），分配给各个备选催收人员在目标难度等级下的催收案件的总金额，将具有最小总金额的备选催收人员确定为目标催收人员。
实施中，预先配置催收案件的难度等级与逾期用户的风险等级的对应关系。在前述对应关系中查找与目标对象的风险等级对应的难度等级，将查找到的难度等级作为目标难度等级。
基于本申请上述公开的确定目标催收人员的方案，如果待催收案件需要执行人工催收方式，那么根据目标对象的风险等级选择具有对应的催收能力等级的催收人员来执行人工催收，以提高催收效果，并且兼顾了催收案件分配的公平性。
作为一种可能的实现方式，待催收案件是指定的逾期案件。金融机构的工作人员向服务器发送催收请求，该催收请求携带有信贷案件的标识。相应的，服务器接收催收请求，将具有催收请求所携带标识的信贷案件确定为待催收案件。
作为另一种可能的实现方式，服务器获得待催收案件，采用如下方案：
第一，获得逾期案件；
第二，判断逾期案件是否具有投诉标签、核销标签、司法途径处理标签、停催标签和委外处理标签（即委托第三方催收标签）中的至少一个；
第三，如果逾期案件不具有投诉标签、核销标签、司法途径处理标签、停催标签和委外处理标签中的任意一个，则将逾期案件确定为待催收案件。
参见图2，图2为本申请公开的一种获得待催收案件的方法的流程图，由服务器执行，包括：
S201：获得逾期案件。
金融机构配置有数据库，该数据库至少存储有信贷案件的信息。其中，信贷案件的信息至少包括借款日信息、还款日信息，如果信贷案件发生逾期，那么针对该信贷案件添加逾期标签。服务器访问数据库，获得具有逾期标签的信贷案件，即获得逾期案件。
S202：判断该逾期案件是否具有投诉标签。如果该逾期案件具有投诉标签，则执行步骤S203，否则，执行步骤S204。
S203：将该逾期案件的标识加入投诉队列。
如果接收到用户针对逾期案件的投诉，那么金融机构的工作人员可以针对该逾期案件添加投诉标签。对于具有投诉标签的逾期案件，将该逾期案件的标识加入投诉队列，而不将该逾期案件确定为待催收案件。针对投诉队列中的逾期案件，可以采用相应的投诉解决方案进行处理。
S204：判断该逾期案件是否具有核销标签。如果该逾期案件具有核销标签，则执行步骤S205，否则，执行步骤S206。
S205：将该逾期案件的标识加入核销队列。
核销是指将认定为坏账的资产从资产负债表中勾销。对于具有核销标签的逾期案件，将该逾期案件的标识加入核销队列，而不将该逾期案件确定为待催收案件。
S206：判断该逾期案件是否具有司法途径处理标签。如果该逾期案件具有司法途径处理标签，则执行步骤S207，否则，执行步骤S208。
S207：将该逾期案件的标识加入司法途径处理队列。
对于具有司法途径处理标签的逾期案件，将该逾期案件的标识加入司法途径处理队列，之后通过司法途径进行处理，而不将该逾期案件确定为待催收案件。
S208：判断该逾期案件是否具有停催标签。如果该逾期案件具有停催标签，则执行步骤S209，否则，执行步骤S210。
S209：将该逾期案件的标识加入停催队列。
对于具有停催标签的逾期案件，应暂停对该逾期案件的催收。
S210：判断该逾期案件是否具有委外处理标签。如果该逾期案件具有委外处理标签，则将该逾期案件委托第三方机构进行催收，如果该逾期案件不具有委外处理标签，则执行步骤S211。
S211：将该逾期案件确定为待催收案件。
在将逾期案件委托第三方机构进行催收的情况下，需要创建并保存该逾期案件的委外历史记录。创建委外历史记录的过程至少包括：创建委外历史索引、设置委外历史ID（标识）、设置委外批次号、设置催收单位、设置委外催收金额、设置委外开始时间、设置委外结束时间、设置第三方机构ID、设置委外状态、设置委外佣金。
可选的，针对具有委外处理标签的逾期案件（即由第三方机构进行催收的逾期案件），进一步执行以下处理：判断该逾期案件是否满足结束委外条件，如果满足结束委外条件，则将该逾期案件作为待处理案件。
判断逾期案件是否满足结束委外条件，包括：判断该逾期案件的委外结束时间是否为空，以及该逾期案件的委外结束日期是否小于当前日期；如果该逾期案件的委外结束日期不为空，且该逾期案件的委外结束日期小于当前日期，则结束委外，清除该逾期案件的委外历史记录，将该逾期案件作为待处理案件。
基于上述公开的获得待催收案件的方案，服务器获取逾期案件，之后判断逾期案件是否具有投诉标签、核销标签、司法途径处理标签、停催标签和委外处理标签中的至少一个，如果逾期案件不具有投诉标签、核销标签、司法途径处理标签、停催标签和委外处理标签中的任意一个，那么将逾期案件确定为待催收案件。基于该方案，服务器自动获得金融机构的逾期案件，并将不具有投诉标签、核销标签、司法途径处理标签、停催标签和委外处理标签中的任意一个的逾期案件作为待催收案件，也就是说，服务器能够自动确定出金融机构的待催收案件，能够更加及时地启动针对待催收案件的催收。
下面对本申请中所使用的决策模型的训练过程进行说明。请参见图3，包括：
S301：获得多个样本。
每个样本包括历史逾期用户的风险评估数据，每个样本的标注信息为风险等级。其中，历史逾期用户的风险评估数据包括未结清账单的数量、是否首次逾期的指示信息、历史最大逾期天数、当前的逾期天数、授信额度和金融产品类型。
S302：利用预先构建的学习模型对每个样本进行预测，获得预测结果。
其中，预测结果为历史逾期用户的预测风险等级。
S303：根据预测结果和标注信息调整学习模型，直至调整后的学习模型满足预设收敛条件，将满足预设收敛条件的学习模型确定为决策模型。
预先构建的学习模型的初始模型参数均为自定义数值，训练学习模型的过程就是优化模型参数，以使得学习模型逐渐收敛，且预测结果的准确率逐渐提高的过程。当学习模型满足预设收敛条件时，将当前的学习模型确定为决策模型。
在一种可能的实现方式中，预设收敛条件为：预设损失函数的值小于预设的阈值。其中，预设损失函数表征样本的预测结果和标注信息之间的误差。
本申请中的决策模型可以采用决策树模型，也可以采用其他结构的神经网络模型。
本申请上述公开的决策模型的训练方法，基于历史逾期用户的风险评估数据生成样本，风险评估数据包括未结清账单的数量、是否首次逾期的指示信息、历史最大逾期天数、当前的逾期天数、授信额度和金融产品类型，每个样本的标注信息为历史逾期用户的风险等级，使得完成训练的决策模型具备准确预测逾期用户的风险等级的能力。
本申请上述公开了催收案件处理方法，相应的，本申请还公开催收案件处理装置，说明书中关于两者的描述可以相互参考。
参见图4，图4为本申请公开的一种催收案件处理装置的结构示意图。该催收案件处理装置包括：
案件获取模块10，用于获得待催收案件；
数据获取模块20，用于获得目标对象的风险评估数据，其中，目标对象为待催收案件对应的用户，风险评估数据包括未结清账单的数量、是否首次逾期的指示信息、历史最大逾期天数、当前的逾期天数、授信额度和金融产品类型；
评估模块30，用于将目标对象的风险评估数据输入预先完成训练的决策模型，得到决策模型输出的目标对象的风险等级；
催收策略获取模块40，用于基于预先配置的风险等级与催收策略的对应关系，获得与目标对象的风险等级对应的目标催收策略，以便按照目标催收策略进行催收。
本申请公开的催收案件处理装置，确定目标用户的风险等级的依据包括目标用户的未结清账单的数量、是否首次逾期的指示信息、历史最大逾期天数、当前的逾期天数、授信额度和金融产品类型，该依据涉及多个维度的数据，能够全面、合理地确定出目标用户的风险等级，进而采用与该目标用户的风险等级匹配的方式进行催收，催收方案更加灵活且具有针对性，有利于提高催收效果。
作为一种可能的实施方式，在预先配置的风险等级与催收策略的对应关系中，针对达到第一阈值等级的风险等级，为其配置的催收策略包括多种催收方式。
作为另一种可能的实施方式，在预先配置的风险等级与催收策略的对应关系中，针对达到第二阈值等级的风险等级，为其配置的催收策略至少包括人工催收方式。
作为另一种可能的实施方式，在预先配置的风险等级与催收策略的对应关系中，针对达到第一阈值等级的风险等级，为其配置的催收策略包括多种催收方式，并且，针对达到第二阈值等级的风险等级，为其配置的催收策略至少包括人工催收方式。其中，第一阈值等级和第二阈值等级可以相同也可以不同。
可选的，案件获取模块10包括第一获取单元。第一获取单元用于：将具有催收请求所携带标识的信贷案件确定为待催收案件。
可选的，案件获取模块10包括第二获取单元。第二获取单元用于：获得逾期案件；判断逾期案件是否具有投诉标签、核销标签、司法途径处理标签、停催标签和委外处理标签中的至少一个；如果逾期案件不具有投诉标签、核销标签、司法途径处理标签、停催标签和委外处理标签中的任意一个，则将逾期案件确定为待催收案件。
可选的，本申请公开的催收案件处理装置还包括：
催收人员确定模块，用于在目标催收策略包括人工催收方式的情况下，根据目标对象的风险等级确定目标催收人员，其中，目标催收人员的催收能力等级与目标对象的风险等级相匹配。
可选的，催收人员确定模块包括：
备选催收人员确定单元，用于根据目标对象的风险等级确定出多个备选催收人员，其中，多个备选催收人员的催收能力等级与目标对象的风险等级相匹配；
目标催收人员确定单元，用于以均衡分配给多个备选催收人员在目标难度等级下的催收案件的逾期总金额为目标，在多个备选催收人员中确定出目标催收人员，目标难度等级为：在预设的多个难度等级中，与目标对象的风险等级对应的难度等级。
可选的，本申请公开的催收案件处理装置还包括：
模型训练模块，用于获得多个样本，每个样本包括历史逾期用户的风险评估数据，每个样本的标注信息为风险等级，其中，历史逾期用户的风险评估数据包括未结清账单的数量、是否首次逾期的指示信息、历史最大逾期天数、当前的逾期天数、授信额度和金融产品类型；利用预先构建的学习模型对每个样本进行预测，获得预测结果，该预测结果为历史逾期用户的预测风险等级；根据预测结果和标注信息调整学习模型，直至调整后的学习模型满足预设收敛条件，将满足预设收敛条件的学习模型确定为决策模型。
本申请还提供一种服务器。
参见图5，图5示出了服务器的硬件结构，该服务器包括：处理器501、存储器502、通信接口503、以及通信总线504。
在本申请实施例中，处理器501、存储器502、通信接口503、通信总线504的数量为至少一个，且处理器501、存储器502和通信接口503通过通信总线504完成相互间的通信。通信总线504可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。
需要说明的是，本领域技术人员可以理解，图5中示出的服务器的结构并不构成对服务器的限定，服务器可以包括比图5所示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图5对服务器的各个构成部件进行具体的介绍。
处理器501是服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器502内的软件程序和/或模块，以及调用存储在存储器502内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。
处理器501可能是一个中央处理器(Central Processing Unit，CPU)，或者是特定集成电路ASIC（Application Specific Integrated Circuit），或者是被配置成实施本申请实施例的一个或多个集成电路等；
存储器502可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)和只读存储器(Read-Only Memory，ROM)，也可能还包括大容量存储设备，例如至少1个磁盘存储器等。
其中，存储器502存储有程序，处理器501可调用存储器存储的程序，所述程序用于：
获得待催收案件；
获得目标对象的风险评估数据，其中，所述目标对象为所述待催收案件对应的用户，所述风险评估数据包括未结清账单的数量、是否首次逾期的指示信息、历史最大逾期天数、当前的逾期天数、授信额度和金融产品类型；
将所述目标对象的风险评估数据输入预先完成训练的决策模型，得到所述决策模型输出的所述目标对象的风险等级；
基于预先配置的风险等级与催收策略的对应关系，获得与所述目标对象的风险等级对应的目标催收策略，以便按照所述目标催收策略进行催收。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
本申请还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：
获得待催收案件；
获得目标对象的风险评估数据，其中，所述目标对象为所述待催收案件对应的用户，所述风险评估数据包括未结清账单的数量、是否首次逾期的指示信息、历史最大逾期天数、当前的逾期天数、授信额度和金融产品类型；
将所述目标对象的风险评估数据输入预先完成训练的决策模型，得到所述决策模型输出的所述目标对象的风险等级；
基于预先配置的风险等级与催收策略的对应关系，获得与所述目标对象的风险等级对应的目标催收策略，以便按照所述目标催收策略进行催收。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
需要说明的是，说明书中的各个实施例记载的技术特征可以相互替代或组合，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同或相似的部分互相参见即可。本申请各实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本申请各实施例装置及设备中的模块和子模块可以根据实际需要进行合并、划分和删减。
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，模块或子模块的划分，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，例如多个子模块或模块可以结合或者可以集成到另一个模块，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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块或子模块可以是或者也可以不是物理上分开的，作为模块或子模块的部件可以是或者也可以不是物理模块或子模块，即可以位于一个地方，或者也可以分布到多个网络模块或子模块上。可以根据实际的需要选择其中的部分或者全部模块或子模块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模块或子模块可以集成在一个处理模块中，也可以是各个模块或子模块单独物理存在，也可以两个或两个以上模块或子模块集成在一个模块中。上述集成的模块或子模块既可以采用硬件的形式实现，也可以采用软件功能模块或子模块的形式实现。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。各个实施例中的各技术特征可以排列组合构成新的实施例。对于实施例公开的催收案件处理装置、服务器及可读存储介质而言，由于其与实施例公开的催收案件处理方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
Claims (10)
1.一种催收案件处理方法，其特征在于，包括：
获得待催收案件；
获得目标对象的风险评估数据，其中，所述目标对象为所述待催收案件对应的用户，所述风险评估数据包括未结清账单的数量、是否首次逾期的指示信息、历史最大逾期天数、当前的逾期天数、授信额度和金融产品类型；
将所述目标对象的风险评估数据输入预先完成训练的决策模型，得到所述决策模型输出的所述目标对象的风险等级；
基于预先配置的风险等级与催收策略的对应关系，获得与所述目标对象的风险等级对应的目标催收策略，以便按照所述目标催收策略进行催收。
2.根据权利要求1所述的催收案件处理方法，其特征在于，在所述对应关系中，针对达到第一阈值等级的风险等级，为其配置的催收策略包括多种催收方式。
3.根据权利要求1或2所述的催收案件处理方法，其特征在于，在所述目标催收策略包括人工催收方式的情况下，还包括：
根据所述目标对象的风险等级确定目标催收人员，其中，所述目标催收人员的催收能力等级与所述目标对象的风险等级相匹配。
4.根据权利要求3所述的催收案件处理方法，其特征在于，所述根据所述目标对象的风险等级确定目标催收人员，包括：
根据所述目标对象的风险等级确定出多个备选催收人员，其中，所述多个备选催收人员的催收能力等级与所述目标对象的风险等级相匹配；
以均衡分配给所述多个备选催收人员在目标难度等级下的催收案件的逾期总金额为目标，在所述多个备选催收人员中确定出目标催收人员，所述目标难度等级为：在预设的多个难度等级中，与所述目标对象的风险等级对应的难度等级。
5.根据权利要求1所述的催收案件处理方法，其特征在于，所述获得待催收案件，包括：
获得逾期案件；
判断所述逾期案件是否具有投诉标签、核销标签、司法途径处理标签、停催标签和委外处理标签中的至少一个；
如果所述逾期案件不具有投诉标签、核销标签、司法途径处理标签、停催标签和委外处理标签中的任意一个，则将所述逾期案件确定为待催收案件。
6.根据权利要求1所述的催收案件处理方法，其特征在于，所述决策模型的训练过程，包括：
获得多个样本，每个样本包括历史逾期用户的风险评估数据，每个样本的标注信息为风险等级，其中，所述历史逾期用户的风险评估数据包括未结清账单的数量、是否首次逾期的指示信息、历史最大逾期天数、当前的逾期天数、授信额度和金融产品类型；
利用预先构建的学习模型对每个样本进行预测，获得预测结果，所述预测结果为所述历史逾期用户的预测风险等级；
根据所述预测结果和所述标注信息调整所述学习模型，直至调整后的学习模型满足预设收敛条件，将满足所述预设收敛条件的学习模型确定为所述决策模型。
7.一种催收案件处理装置，其特征在于，包括：
案件获取模块，用于获得待催收案件；
数据获取模块，用于获得目标对象的风险评估数据，其中，所述目标对象为所述待催收案件对应的用户，所述风险评估数据包括未结清账单的数量、是否首次逾期的指示信息、历史最大逾期天数、当前的逾期天数、授信额度和金融产品类型；
评估模块，用于将所述目标对象的风险评估数据输入预先完成训练的决策模型，得到所述决策模型输出的所述目标对象的风险等级；
催收策略获取模块，用于基于预先配置的风险等级与催收策略的对应关系，获得与所述目标对象的风险等级对应的目标催收策略，以便按照所述目标催收策略进行催收。
8.根据权利要求7所述的催收案件处理装置，其特征在于，还包括：
催收人员确定模块，用于在所述目标催收策略包括人工催收方式的情况下，根据所述目标对象的风险等级确定目标催收人员，其中，所述目标催收人员的催收能力等级与所述目标对象的风险等级相匹配。
9.一种服务器，其特征在于，包括处理器和存储器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如权利要求1至6中任一项所述的催收案件处理方法的各个步骤。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至6中任一项所述的催收案件处理方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311305256.9A CN117036010A (zh) | 2023-10-10 | 2023-10-10 | 催收案件处理方法、装置、服务器及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311305256.9A CN117036010A (zh) | 2023-10-10 | 2023-10-10 | 催收案件处理方法、装置、服务器及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117036010A true CN117036010A (zh) | 2023-11-10 |
Family
ID=88643508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311305256.9A Pending CN117036010A (zh) | 2023-10-10 | 2023-10-10 | 催收案件处理方法、装置、服务器及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117036010A (zh) |
Citations (5)
| 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 |
| CN109359797A (zh) * | 2018-08-21 | 2019-02-19 | 平安科技（深圳）有限公司 | 电子装置、贷款催收案件分案方法及存储介质 |
| CN109658223A (zh) * | 2018-11-12 | 2019-04-19 | 平安科技（深圳）有限公司 | 基于数据处理的催收案件分配方法、装置、设备和介质 |
| CN111986018A (zh) * | 2019-05-22 | 2020-11-24 | 财付通支付科技有限公司 | 基于预定催收系统的账单催收方法、装置及电子设备 |
| CN114626735A (zh) * | 2022-03-23 | 2022-06-14 | 平安普惠企业管理有限公司 | 催收案件分配方法、装置、设备及计算机可读存储介质 |
-
2023
- 2023-10-10 CN CN202311305256.9A patent/CN117036010A/zh active Pending
Patent Citations (5)
| 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 |
| CN109359797A (zh) * | 2018-08-21 | 2019-02-19 | 平安科技（深圳）有限公司 | 电子装置、贷款催收案件分案方法及存储介质 |
| CN109658223A (zh) * | 2018-11-12 | 2019-04-19 | 平安科技（深圳）有限公司 | 基于数据处理的催收案件分配方法、装置、设备和介质 |
| CN111986018A (zh) * | 2019-05-22 | 2020-11-24 | 财付通支付科技有限公司 | 基于预定催收系统的账单催收方法、装置及电子设备 |
| CN114626735A (zh) * | 2022-03-23 | 2022-06-14 | 平安普惠企业管理有限公司 | 催收案件分配方法、装置、设备及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108932585B (zh) | 一种商户运营管理方法及其设备、存储介质、电子设备 | |
| US20180082368A1 (en) | System and method for detecting fraudulent account access and transfers | |
| CN111523748B (zh) | 案件分配方法、装置及系统 | |
| CN110349039B (zh) | 投诉风险评估方法、系统、计算机设备及可读存储介质 | |
| KR101422562B1 (ko) | 지능형 징수 관리 시스템 | |
| CN111353901A (zh) | 风险识别监控方法、装置以及电子设备 | |
| CN111061948B (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
| CN111091460B (zh) | 一种数据处理方法及装置 | |
| CN112927064A (zh) | 延期还款数据处理方法、装置、电子设备及存储介质 | |
| CN114819967A (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
| KR20180023603A (ko) | 대출 중개 시스템 및 이에 이용되는 중개 서버 | |
| CN113869700A (zh) | 一种绩效指标预测方法、装置、电子设备和存储介质 | |
| CN107977825A (zh) | 一种分发服务事件的方法及装置 | |
| CN117036010A (zh) | 催收案件处理方法、装置、服务器及可读存储介质 | |
| CN110675136A (zh) | 信息处理方法、装置及设备 | |
| CN110298686B (zh) | 一种产品返费调配方法、装置、计算机设备及存储介质 | |
| CN114240605A (zh) | 贷款测算方法、装置、计算机设备和存储介质 | |
| CN117993879B (zh) | 一种基于机器学习模型对考勤异常的预测及处理方法 | |
| CN113761362B (zh) | 信息推荐方法、信息推荐装置、电子设备及相关产品 | |
| CN113537666B (zh) | 评测模型训练方法、评测和业务审核方法、装置及设备 | |
| CN114662824A (zh) | 风控策略切换方法、装置、计算机设备和存储介质 | |
| CN115393066A (zh) | 一种风险预测方法、装置、设备及可读存储介质 | |
| CN116777609A (zh) | 额度处理方法、装置、服务器及可读存储介质 | |
| CN118195689A (zh) | 电子券发放方法、装置、设备、存储介质及产品 | |
| CN116977045A (zh) | 欺诈风险账户识别方法、装置、服务器及介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20231110 |
|
| RJ01 | Rejection of invention patent application after publication |