一种智能催收方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种智能催收方法、装置、设备及存储介质，该方法包括：确定针对信贷场景的逾期客户，按照每个逾期客户当前逾期天数，为每个逾期客户划分不同阶段为逾期阶段；按照每个逾期阶段对应机器学习模型，预测每个逾期客户继续逾期至下一阶段的概率；按照每个逾期客户的基础信息及继续逾期至下一阶段的概率，对全部逾期客户进行分群得到至少一个客群，按照每个客群对应催收方式，对每个客群内的逾期客户进行催收；任意逾期阶段对应机器学习模型为预先利用历史上属于该任意逾期阶段的客户进行贷款时对应的行为表现信息训练得到的。本申请针对信贷场景设计的客户逾期智能催收方案，具有智能化水平高、人工依赖程度低，能够实现高效催收的优点。现高效催收的优点。现高效催收的优点。

【技术实现步骤摘要】
一种智能催收方法、装置、设备及存储介质


[0001]本专利技术涉及数据处理
，更具体地说，涉及一种智能催收方法、装置、设备及存储介质。

技术介绍

[0002]客户贷款后如果超过所规定的期限还未还清欠款，则可以称之为逾期。目前对于处于逾期状态的客户，通常是在工作人员监控发现后对其进行相应的催收，以催促客户尽快还款。但是这种方式智能化水平低、高度依赖人工，无法实现高效催收。

技术实现思路

[0003]本专利技术的目的是提供一种智能催收方法、装置、设备及存储介质，智能化水平高、人工依赖程度低，能够实现高效催收。
[0004]为了实现上述目的，本专利技术提供如下技术方案：
[0005]一种智能催收方法，包括：
[0006]确定当前处于逾期状态的客户均为逾期客户，分别按照每个所述逾期客户当前的逾期天数，为每个所述逾期客户划分所属的不同阶段为逾期阶段；
[0007]按照每个所述逾期阶段对应机器学习模型，预测每个所述逾期客户继续逾期至下一阶段的概率；任意逾期阶段对应机器学习模型为预先利用历史上属于该任意逾期阶段的客户进行贷款时对应的行为表现信息训练得到的；
[0008]按照每个所述逾期客户的基础信息及继续逾期至下一阶段的概率，对全部的所述逾期客户进行分群得到相应的至少一个客群，并按照与每个所述客群对应的催收方式，对每个所述客群内的逾期客户进行催收。
[0009]优选的，预先利用历史上客户进行贷款时对应的行为表现数据训练得到机器学习模型，包括：
[0010]确定任意逾期阶段为当前阶段，并获取历史上属于当前阶段的多个客户进行贷款时对应的行为表现信息为属于相应客户的样本；
[0011]基于所述样本利用LightGBM机器学习算法，训练得到当前阶段对应的机器学习模型。
[0012]优选的，获取所述样本后，还包括：
[0013]基于单变量分析、相关性分析及特征重要度分析，筛选出所述样本包含的变量中预测能力不符合要求的变量进行删除。
[0014]优选的，基于所述样本利用LightGBM机器学习算法，训练得到当前阶段对应的机器学习模型，包括：
[0015]将所述样本划分为训练样本及测试样本；
[0016]针对所述训练样本，使用LightGBM机器学习算法学习样本特征，得到当前模型；
[0017]利用所述测试样本对当前模型进行测试，得到当前模型的预测准确度，如果当前
模型的预测准确度符合要求，则确定当前模型为最终的机器学习模型，否则，返回执行基于单变量分析、相关性分析及特征重要度分析筛选相应变量的步骤。
[0018]优选的，还包括：
[0019]每经过预设时间间隔则执行获取所述样本的步骤。
[0020]优选的，按照与每个所述客群对应的催收方式，对每个所述客群内的逾期客户进行催收，包括：
[0021]基于当前处于逾期状态的逾期客户的客户总量以及不同所述客群下逾期客户的客户数量，将所述客群分别划分至自动催收队列及人工催收队列；
[0022]通过催收系统自动对所述自动催收队列下全部逾期客户进行批量催收，并利用人工对所述人工催收队列下全部逾期客户进行依次催收。
[0023]优选的，还包括：
[0024]对所述逾期客户进行催收的过程中，对催收的对话中包含的语音进行语音识别，得到相应的文本信息；
[0025]对所述文本信息进行语义分析，得到相应逾期客户的还款意愿及还款能力，并进行记录。
[0026]一种智能催收装置，包括：
[0027]划分模块，用于：确定当前处于逾期状态的客户均为逾期客户，分别按照每个所述逾期客户当前的逾期天数，为每个所述逾期客户划分所属的不同阶段为逾期阶段；
[0028]预测模块，用于：按照每个所述逾期阶段对应机器学习模型，预测每个所述逾期客户继续逾期至下一阶段的概率；任意逾期阶段对应机器学习模型为预先利用历史上属于该任意逾期阶段的客户进行贷款时对应的行为表现信息训练得到的；
[0029]催收模块，用于：按照每个所述逾期客户的基础信息及继续逾期至下一阶段的概率，对全部的所述逾期客户进行分群得到相应的至少一个客群，并按照与每个所述客群对应的催收方式，对每个所述客群内的逾期客户进行催收。
[0030]一种智能催收设备，包括：
[0031]存储器，用于存储计算机程序；
[0032]处理器，用于执行所述计算机程序时实现如上任一项所述智能催收方法的步骤。
[0033]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如上任一项智能催收方法的步骤。
[0034]本专利技术提供了一种智能催收方法、装置、设备及存储介质，该方法包括：确定当前处于逾期状态的客户均为逾期客户，分别按照每个所述逾期客户当前的逾期天数，为每个所述逾期客户划分所属的不同阶段为逾期阶段；按照每个所述逾期阶段对应机器学习模型，预测每个所述逾期客户继续逾期至下一阶段的概率；按照每个所述逾期客户的基础信息及继续逾期至下一阶段的概率，对全部的所述逾期客户进行分群得到相应的至少一个客群，并按照与每个所述客群对应的催收方式，对每个所述客群内的逾期客户进行催收；其中，任意逾期阶段对应机器学习模型为预先利用历史上属于该任意逾期阶段的客户进行贷款时对应的行为表现信息训练得到的。本申请针对当前批量处于逾期状态的客户，基于客户当前的逾期天数确定客户所属的逾期阶段，进而按照客户所属逾期阶段对应的机器学习模型预测客户继续逾期至下一阶段的概率，然后基于客户继续逾期至下一阶段的概率以及
基础信息将客户划分至不同客群后，按照客群对应催收方式对客群内的客户进行催收。可见，本申请针对客户的逾期天数利用相应模型实现客户是否继续逾期的预测，进而基于预测的结果及客户的基础信息实现客群划分后，利用所属客群对应催收方式实现催收，从而无需人工参与，即可自动实现客户的催收，并且对客户是否继续逾期的预测及客户催收所使用的催收方式均与客户的逾期天数、基础信息等相符合，从而提高催收实现的有效性，因此本申请智能化水平高、人工依赖程度低，能够实现高效催收。
附图说明
[0035]为了更清楚地说明本专利技术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，下面描述中的附图仅仅是本专利技术的实施例，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，还可以根据提供的附图获得其他的附图。
[0036]图1为本专利技术实施例提供的一种智能催收方法的第一种流程图；
[0037]图2为本专利技术实施例提供的一种智能催收方法的第二种流程图；
[0038]图3为本专利技术实施例提供的一种智能催收装置的结构示意图。
具体实施方式
[0039]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能催收方法，其特征在于，包括：确定当前处于逾期状态的客户均为逾期客户，分别按照每个所述逾期客户当前的逾期天数，为每个所述逾期客户划分所属的不同阶段为逾期阶段；按照每个所述逾期阶段对应机器学习模型，预测每个所述逾期客户继续逾期至下一阶段的概率；任意逾期阶段对应机器学习模型为预先利用历史上属于该任意逾期阶段的客户进行贷款时对应的行为表现信息训练得到的；按照每个所述逾期客户的基础信息及继续逾期至下一阶段的概率，对全部的所述逾期客户进行分群得到相应的至少一个客群，并按照与每个所述客群对应的催收方式，对每个所述客群内的逾期客户进行催收。2.根据权利要求1所述的方法，其特征在于，预先利用历史上客户进行贷款时对应的行为表现数据训练得到机器学习模型，包括：确定任意逾期阶段为当前阶段，并获取历史上属于当前阶段的多个客户进行贷款时对应的行为表现信息为属于相应客户的样本；基于所述样本利用LightGBM机器学习算法，训练得到当前阶段对应的机器学习模型。3.根据权利要求2所述的方法，其特征在于，获取所述样本后，还包括：基于单变量分析、相关性分析及特征重要度分析，筛选出所述样本包含的变量中预测能力不符合要求的变量进行删除。4.根据权利要求3所述的方法，其特征在于，基于所述样本利用LightGBM机器学习算法，训练得到当前阶段对应的机器学习模型，包括：将所述样本划分为训练样本及测试样本；针对所述训练样本，使用LightGBM机器学习算法学习样本特征，得到当前模型；利用所述测试样本对当前模型进行测试，得到当前模型的预测准确度，如果当前模型的预测准确度符合要求，则确定当前模型为最终的机器学习模型，否则，返回执行基于单变量分析、相关性分析及特征重要度分析筛选相应变量的步骤。5.根据权利要求4所述的方法，其特征在于，还包括：每经过预设时间...

【专利技术属性】
技术研发人员：朱小强，张铭杰，胡悦，江雪，王茂莲，
申请(专利权)人：重庆农村商业银行股份有限公司，
类型：发明
国别省市：