逾期借款催收方式的推荐方法、装置、介质、电子设备与流程

本发明涉及智能决策技术领域，特别涉及一种逾期借款催收方式的推荐方法、装置、介质及电子设备。

背景技术：

目前，随着互联网金融业务的高速发展，越来越多的银行和小额借款公司推出了无抵押小额借款，在现实中，出现无抵押小额借款逾期的现象较为普遍。由于无抵押借款没有抵押标的作为担保，使得银行和小额借款公司在催收还款方面的难度大大增加，因此，为了提高借款客户的还款率，银行和小额借款公司需要根据借款逾期客户的逾期情况选择合适的催收方式。

在现有技术中，银行和小额借款公司往往根据逾期借款客户的逾期时长来采取相应的催收方式，借款的逾期时间越长，所采取的催收方式就越偏激。

然而，采取偏激的催收方式会使得催收的代价变大。在实际情况中，无抵押借款具有期限短、金额低、客户基数较大的特点。其中，部分逾期时间长的客户并非恶意欠款，而是由于忘记还款日或短期资金周转困难才没有还款，而部分逾期时间短的客户却有可能是潜在恶意欠款客户。因此，如果单纯的对逾期时间较长的客户采取较为偏激的方式催收，对逾期时间较短的客户采取较为温和的方式催收，就可能带来催收方式与逾期客户的匹配不合理，进而带来逾期借款催收精准度差和催收工作效率低的技术问题。

技术实现要素：

在智能决策技术领域，为了解决相关技术中存在逾期借款催收精准度差和催收工作效率低的技术问题，本发明提供了一种逾期借款催收方式的推荐方法、装置、介质及电子设备。

根据本申请的一方面，提供了一种逾期借款催收方式的推荐方法，所述方法包括：

获取逾期借款客户的个人基本数据和借款状态数据；

对逾期借款客户的个人基本数据和借款状态数据进行无量纲化处理，以得到逾期借款客户的催收参考数据；

将逾期借款客户的催收参考数据输入机器学习模型，由机器学习模型输出逾期借款客户的催收参考分数；

基于逾期借款客户的催收参考分数，为客户分配催收方式标签。

根据本申请的另一方面，提供了一种逾期借款催收方式的推荐装置，所述装置包括：

获取模块，被配置为获取逾期借款客户的个人基本数据和借款状态数据；

无量纲化处理模块，被配置为对逾期借款客户的个人基本数据和借款状态数据进行无量纲化处理；

输出模块，被配置为输出逾期借款客户的催收参考分数；

分配模块，被配置为为客户分配催收方式标签；

根据本申请的另一方面，提供了一种计算机可读程序介质，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行如前所述的方法。

根据本申请的另一方面，提供了一种电子设备，所述电子设备包括：

处理器；

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如前所述的方法。

由以上本发明的技术方案，与现有技术相比，其显著的有益效果在于：

通过为借款逾期客户智能分配催收方式标签，进而根据借款逾期客户的催收标签采取相应催收行为的方式，能够实现对逾期借款的高效催收、精准催收，从而提升催收成功率，此外，通过这一方式还能有效减少人工催收的工作量，进而提高催收工作的效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和有益效果将在下面的描述中显现，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的逾期借款催收方式的推荐方法的应用场景示意图；

图2是根据一示例性实施例示出的一种逾期借款催收方式的推荐方法的流程图；

图3是根据图2对应实施例示出的一实施例的步骤230的细节流程图；

图4是根据一示例性实施例示出的一种逾期借款催收方式的推荐装置的框图；

图5是根据一示例性实施例示出的一种实现上述方法的电子设备示例框图；

图6是根据一示例性实施例示出的一种实现上述方法的计算机可读存储介质。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。

本公开首先提供了一种逾期借款催收方式的推荐方法。所述催收方式是指银行或者小额借款公司为了使逾期借款客户还清借款而采取的一切合理合法的行为。例如，催收方式可以是短信催收，可以是电话催收，也可以是上门催收或者是委托专业催收公司进行催收，还可以是通过司法途径来进行催收。本发明的实施环境可以是便携移动设备，例如智能手机、平板电脑、笔记本电脑等，也可以是各种固定式设备，例如，计算机设备、现场终端、台式电脑、服务器、工作站等。

图1是根据一示例性实施例示出的逾期借款催收方式的推荐方法的应用场景示意图。随着互联网金融业务的高速发展，越来越多的银行和小额借款公司推出了无抵押小额借款，在现实中，出现无抵押小额借款逾期的现象较为普遍。因此，对于逾期借款的催收就成了银行和小额借款公司一项重要工作，而为借款逾期客户选择合适的催收方式又是提高银行和小额借款公司催收工作效率的关键。在图1所示的实施例的应用场景中，本发明采用了以机器学习模型103为辅助工具，将借款逾期客户的个人基本数据101和借款状态数据102转化为能够直观衡量逾期客户欠款恶意程度或者善意程度的催收参考分数104，进而根据机器学习模型输出的客户的催收参考分数为客户分配催收方式标签105。

图2是根据一示例性实施例示出的一种逾期借款催收方式的推荐方法的流程图。如图2所示，此方法包括以下步骤：

步骤210，获取逾期借款客户的个人基本数据和借款状态数据。

所述逾期借款客户的个人基本数据可以是客户的工资水平、受教育时长、年龄，家庭成员，不良信用记录等等；所述逾期借款客户的借款状态数据可以是客户的借款逾期的时长，借款金额等等。

在本发明中，所述逾期借款客户的个人基本数据和借款状态数据的获取方式可以有多种。例如，可以使用采集设备或者采集单元从存有借款客户基本信息和借款信息的数据库中采集所述个人基本数据和借款状态数据得到。也可以通过运行爬虫程序从存有借款客户基本信息和借款信息的数据库中爬取得到。还可以是通过数据的传输介质，读取或者接收测试人员发送的数据。还可以通过物理硬盘拷贝得到逾期借款客户的个人基本数据和借款状态数据，或者是通过工作人员手动输入而得到。

步骤220，对逾期借款客户的个人基本数据和借款状态数据进行无量纲化处理，以得到逾期借款客户的催收参考数据。

对原始数据进行无量纲化处理实际上就是对数据进行去单位化。在处理实际问题的过程中，特别是在建立指标评价体系时，常常会面临不同类型的数据处理及融合。而各个指标之间由于计量单位和数量级的不尽相同，从而使得各指标间不具有可比性。在数据分析之前，通常先将数据进行无量纲化处理这样的处理有助于同化具有不同属性的特征数据，使得表征不同属性(单位不同)的各特征之间有可比性。在本发明中，可以通过无量纲化处理过的个人基本数据和借款状态数来综合评价客户的欠款恶意程度或者善意程度。

在一个实施例中，对逾期借款客户的个人基本数据和借款状态数据进行无量纲化处理可以是通过极值化方法来完成的。该方法是对原始数据进行线性变换，具体可以有如下三种变换方式：

即每一个变量与变量最小值之差除以该变量取值的全距，标准化后各变量的取值范围限于[0，1]。其中，xi′表示经过无量纲化处理之后的一个特征值，xi表示未经无量纲化处理的一个特征值，min是样本中的最小特征值，max是样本中的最大特征值。由于最大值与最小值可能是动态变化的，同时也非常容易受噪声(异常点、离群点)影响，因此在本发明中，可以根据具体情况人为设置样本中的min和max。

即每一个变量除以该变量取值的全距，标准化后的每个变量的取值范围限于[-1，1]。其中，xi′表示经过无量纲化处理之后的一个特征值，xi表示未经无量纲化处理的一个特征值，min是样本中的最小特征值，max是样本中的最大特征值。

即每一个变量值除以该变量取值的最大值，标准化后使变量的最大取值为1。其中，xi′表示经过无量纲化处理之后的一个特征值，xi表示未经无量纲化处理的一个特征值，max是样本中的最大特征值。

为了使本领域技术人员更清楚的理解该实施例，本说明书将结合本发明的具体实施环境对上述变换方式(a)作出进一步解释，具体如下：

例如，某一借款逾期客户的个人基本数据为““年薪：10万”、“受教育时长：17年”、“年龄：28岁”、“家庭成员数：5人””。此外，预先设置的假想客户1的个人基本数据为““年薪：100万”、“受教育时长：25年”、“年龄：80岁”、“家庭成员数：10人””。假想客户2的个人基本数据为““年薪：1万”、“受教育时长：0年”、“年龄：20岁”、“家庭成员数：1人””。可知，通过上述数据可以得到所述某一借款逾期客户的个人基本数据经过无量纲化处理之后的情况为：““年薪水平：”、“受教育水平：”、“年龄水平：”

、“家庭成员数水平：””。

采用极值化方法对变量数据无量纲化是通过变量取值的最大值和最小值将原始数据转换为界于某一特定范围的数据，这样处理的好处在于能够消除具有不同属性特征数据之间的量纲和数量级的相互影响。

在一个实施例中，对逾期借款客户的个人基本数据和借款状态数据进行无量纲化处理可以是通对所述个人基本数据和借款状态数据取对数来完成的。

具体的，例如，某一借款逾期客户的个人基本数据为““年薪：10万”、“受教育时长：17年”、“年龄：28岁”、“家庭成员数：5人””。在对所述客户的个人基本数据取对数后的情况为：““年薪水平：log(10)”、“受教育水平：log(17)、“年龄水平：log(28)”、“家庭成员数水平：log(5)””。

在一个实施例中，对逾期借款客户的个人基本数据和借款状态数据进行无量纲化处理可以是通过标准化方法来完成的。

在一个实施例中，对逾期借款客户的个人基本数据和借款状态数据进行无量纲化处理可以是通过均值化方法来完成的。

在一个实施例中，对逾期借款客户的个人基本数据和借款状态数据进行无量纲化处理可以是通过标准差化方法来完成的。

如上所述，可以理解的是，对原始数据进行无量纲化处理的方式可以是任意的，并不限于如上所示出的那些。

步骤230，将逾期借款客户的催收参考数据输入机器学习模型，由机器学习模型输出逾期借款客户的催收参考分数。

在一个实施例中，所述逾期借款客户的催收参考数据可以进一步包括第一催收参考数据和第二催收参考数据，其中，第一催收参考数据是由所述个人基本数据进行无量纲化处理而得到的，第二催收参考数据是由所述借款状态数据进行无量纲化处理而得到的。

在一个实施例中，所述机器学习模型又包括第一机器学习模型和第二机器学习模型。

具体的，第一机器学习模型可以通过如下训练而成：

将由所述第一催收参考数据样本所构成集合中的每个客户的第一催收参考数据输入第一机器学习模型，其中，所述每个客户的第一催收参考数据上预先标记相应的催收参考分数的标签，由第一机器学习模型输出逾期贷款客户的催收参考分数，将该客户的催收参考分数与相应的标签比较，如果不一致，则调整第一机器学习模型，使得输出的逾期贷款客户的催收参考分数与相应的标签一致。

在训练机器学习模型时，可以根据实际需要通过预先设置的催收参考分数的标签来决定机器学习模型输出的催收参考分数是反映客户欠款的恶意程度还是反映客户欠款的善意程度。

第二机器学习模型可以通过下训练而成：

将由所述第二催收参考数据样本所构成集合中的每个客户的第二催收参考数据输入第二机器学习模型，其中，所述每个客户的第二催收参考数据上预先标记相应的催收参考分数的标签，由第二机器学习模型输出逾期贷款客户的催收参考分数，将该客户的催收参考分数与相应的标签比较，如果不一致，则调整第二机器学习模型，使得输出的逾期贷款客户的催收参考分数与相应的标签一致。

在一个实施例中，所述将逾期借款客户的催收参考数据输入机器学习模型，由机器学习模型输出逾期借款客户的催收参考分数可以通过如下方式完成：

如图3是根据图2对应实施例示出的一实施例的步骤230的细节流程图，具体包括以下步骤：

步骤2301，将第一催收参考数据输入第一机器学习模型，由第一机器学习模型输出逾期借款客户的第一催收参考分数。

在实际的实现过程中，例如，将某一客户的第一催收参考数据““工资水平：0.4”、“受教育水平：0.4”、“年龄水平：0.5”、“家庭成员数水平：0.1”、)输入预先训练好的第一机器学习模型中，第一机器学习模型就会输出一个第一催收参考分数(例如该分数为70分。)

步骤2302，将第二催收参考数据输入第二机器学习模型，由第二机器学习模型输出逾期借款客户的第二催收参考分数。

步骤2303，将所述第一催收参考分数和第二催收参考分数的加权和作为逾期借款客户的催收参考分数。

在对所述第一催收参考分数和第二催收参考分数的加权和计算过程中，第一催收参考分数和第二催收参考分数的权重有多种选择，其中，可以设置第一催收参考分数的权重为0.4，第二催收参考分数的权重为0.6，也可以将第一催收参考分数的权重设置为0.7，第二催收参考分数的权重设置为0.3，设置要求只需要满足第一催收参考分数的权重与第二催收参考分数的权重之和等于1即可。

具体的，例如，第一催收参考分数为70，其权重为0.6，第二催收参考分数为80，其权重为0.4，那么逾期借款客户的催收参考分数则为：

0.6×70+0.4×80＝74

如上所述，可以理解的是，将逾期借款客户的催收参考数据输入机器学习模型，由机器学习模型输出逾期借款客户的催收参考分数的方式可以是任意的，并不限于如上所示出的那些。

步骤240，基于逾期借款客户的催收参考分数，为客户分配催收方式标签。

逾期借款客户的催收参考分数能够在一定程度上反映客户欠款的恶意程度或者善意程度，催收方式标签的分配也是依据逾期借款客户得到的催收参考分数来决定的。

具体的，如果机器学习模型输出的催收参考分数用于反映逾期借款客户欠款的善意程度，那么可以是所述催收参考分数越高，就越表示逾期借款客户是善意欠款，进而分配的催收方式标签就越温和。例如，催收参考分数高于90分的就分配“短信催收”标签，分数处于80分到90分之间的就分配“电话催收”标签，分数处于60分到80分之间的就分配“上门催收”标签，分数低于60分的就分配“司法催收”标签。

如果机器学习模型输出的催收参考分数用于反映逾期借款客户欠款的恶意程度，那么可以是所述催收参考分数越高，就越表示逾期借款客户是恶意欠款，进而分配的催收方式标签就越偏激。例如，催收参考分数高于90分的就分配“司法催收”标签，分数处于80分到90分之间的就分配“上门催收”标签，分数处于60分到80分之间的就分配“电话催收”标签，分数低于60分的就分配“短信催收”标签。

综上所述，通过为借款逾期客户智能分配催收方式标签，进而根据借款逾期客户的催收标签采取相应催收行为的方式，能够实现对逾期借款的高效催收、精准催收，从而提升催收成功率，此外，通过这一方式还能有效减少人工催收的工作量，进而提高催收工作的效率。

以下是本发明的装置实施例。

本公开还提供了一种逾期借款催收方式的推荐装置。图4是根据一示例性实施例示出的一种逾期借款催收方式的推荐装置的框图。如图4所示，装置400包括：

获取模块401，被配置为获取逾期借款客户的个人基本数据和借款状态数据；

无量纲化处理模块402，被配置为对逾期借款客户的个人基本数据和借款状态数据进行无量纲化处理；

输出模块403，被配置为输出逾期借款客户的催收参考分数；

分配模块404，被配置为为客户分配催收方式标签；

据本公开的第三方面，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图5来描述根据本发明的这种实施方式的电子设备1000。图5显示的电子设备1000仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于：上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同系统组件(包括存储单元1020和处理单元1010)的总线1030。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1010执行，使得所述处理单元1010执行本说明书上述“实施例方法”部分中描述的根据本发明各种示例性实施方式的步骤。

存储单元1020可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)1021和/或高速缓存存储单元1022，还可以进一步包括只读存储单元(rom)1023。

存储单元1020还可以包括具有一组(至少一个)程序模块1025的程序/实用工具1024，这样的程序模块1025包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线1030可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备1000也可以与一个或多个外部设备1200(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1000交互的设备通信，和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1050进行。并且，电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1000使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

根据本公开的第四方面，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图6所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品1100，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

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发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“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、作为一个独立的软件包执行、部分在用户计算设备上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)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。