一种催收款案件分配方法、系统以及计算机可读存储介质与流程

1.本发明涉及软件开发和金融业务管理技术领域，具体涉及一种催收款案件分配方法和系统。


背景技术：

2.现有的银行、信用卡中心和贷款公司都有针对临近还款期限用户和逾期还款用户进行提醒和催收款的需求，常规方法是根据工作经验或随机的进行催收业务单的分配，此种方法不能有效的对不用的催收业务进行分别管理，分配和识别的效率低，不同催收工作人员对不同的催收情况的成功率是不同的，随机匹配或无法精准匹配会导致催收效率和成功率较低；现有的常规的案件分配方式虽然能基于案件和业务员进行匹配，但是未能考虑业务员的工作类型，也未能考虑业务员的工作量与工作效率，从而整体上造成催收效率和成功率的低下。
3.如何提高业务单的分配效率和业务单处理的成功率，是需要关注的问题。


技术实现要素：

4.为了解决上述催收服务过程中遇到的效率低下的问题，现提出一种催收款案件分配方法和系统。能够通过训练好的神经网络模型对待催收的业务单进行处理，得到最佳处理对象，从而对不同类型催收业务单分配不同公司催收员，有效提高催收业务的效率和成功率。
5.一种催收款案件分配方法，所述方法包括如下步骤：s1：通过催收款案件数据库汇总多家催收代理公司分别从不同客户类型处接受的多个待催收案件，形成对应业务单，所述业务单为可能预期案件，对业务单进行统一数据清洗编码，并进行时间打标；s2：对已进行时间打标的业务单，在初步管理平台中进行时间标签监控，并对临近截止还款日期不同时间阈值业务单对应客户进行相应类型还款提醒；对超期业务单，修改对应时间标签，并将相关业务单发送给案件流转分配平台；s3：案件流转分配平台接收超期业务单，并基于训练好的神经网络模型进行案件分流处理，训练好的神经网络模型给出每个超期业务单被不同业务单处理成员成功处理的成功率，并将超期业务单分派给排名第一业务单处理成员；s4：接收超期业务单的业务单处理成员进行相应催收业务处理，并将处理过程数据上传催收款案件数据库。
6.其中步骤s2中对临近截止还款日期不同时间阈值业务单对应客户进行相应类型还款提醒，包括：对临近截止还款日期第一时间阈值业务单对应客户进行第一类型还款提醒；对临近截止还款日期第二时间阈值业务单对应客户进行第二类型还款提醒；其中，第一时间阈值大于第二时间阈值；还款提醒类型包括：短信、邮件、电话和智能语音。
7.其中时间打标用于标记催收业务单与还款日的时间关系，时间打标可包含：临近还款日、还款日当天、超期。
8.其中客户类型包括：银行、信用卡中心和贷款公司。
9.基于训练好的神经网络模型进行案件分流处理，具体包括：在催收款案件数据库中收集不同业务单处理成员历史超期业务单处理数据构成正负样本作为神经网络输入，神经网络输出为每个业务单处理成员成功率；并利用验证样本进行神经网络验证得到训练好的神经网络模型；然后基于训练好的神经网络模型进行超期业务单的预测分析，得出当前超期案件每个业务单处理成员的成功率，将超期业务单分派给排名第一业务单处理成员；样本数据包含案件数据、最近催收情况、历史逾期情况。
10.其中，案件数据包括：年龄、性别、学历、工作、家庭情况、收入情况、逾期金额、逾期阶段；最近催收情况包括：最近催收状态、最近承诺还款、最近还款数据、最近催回率；历史逾期情况包括：首次逾期、历史逾期次数、历史逾期天数、历史催收措施、催收次数。
11.进一步包括，监测各业务单处理成员待处理业务单数量，当成功率排名第一业务单处理成员待处理数量超过第一阈值并且排名第二业务单处理成员待处理数量未超过第一阈值时，比较排名第一和第二业务单处理成员当前业务单处理成功率差值，当差值小于第二阈值，将超期业务单发送给第二业务单处理成员处理，当差值大于等于第二阈值，将超期业务单发送给第一业务单处理成员处理。
12.其中不同业务单处理成员包括：委托机构、下属分公司/小组、独立催收员；业务单处理成员催收方式包括：短信、邮箱、电话、上门、诉讼。
13.一种催收款案件分配系统，所述系统包括：催收款案件数据库、初步管理平台和案件流传分配平台；其中所述催收款案件数据库汇总多家催收代理公司分别从不同客户类型处接受的多个待催收案件，形成对应业务单，所述业务单为可能预期案件，对业务单进行统一数据清洗编码，并进行时间打标；所述初步管理平台，对已进行时间打标的业务单，在初步管理平台中进行时间标签监控，并对临近截止还款日期不同时间阈值业务单对应客户进行相应类型还款提醒；对超期业务单，修改对应时间标签，并将相关业务单发送给案件流转分配平台；所述案件流转分配平台接收超期业务单，并基于训练好的神经网络模型进行案件分流处理，训练好的神经网络模型给出每个超期业务单被不同业务单处理成员成功处理的成功率，并将超期业务单分派给排名第一业务单处理成员；各业务单处理平台接收超期业单进行相应催收业务处理，并将处理过程数据上传催收款案件数据库。
14.初步管理平台对临近截止还款日期不同时间阈值业务单对应客户进行相应类型还款提醒，包括：对临近截止还款日期第一时间阈值业务单对应客户进行第一类型还款提醒；对临近截止还款日期第二时间阈值业务单对应客户进行第二类型还款提醒；其中，第一时间阈值大于第二时间阈值；还款提醒类型包括：短信、邮件、电话和智能语音。
15.时间打标用于标记催收业务单与还款日的时间关系，时间打标可包含：临近还款日、还款日当天、超期。
16.其中，客户类型包括：银行、信用卡中心和贷款公司。
17.案件流转分配平台，基于训练好的神经网络模型进行案件分流处理，具体包括：在催收款案件数据库中收集不同业务单处理成员历史超期业务单处理数据构成正负样本作为神经网络输入，神经网络输出为每个业务单处理成员成功率；并利用验证样本进行神经网络验证得到训练好的神经网络模型；然后基于训练好的神经网络模型进行超期业务单的预测分析，得出当前超期案件每个业务单处理成员的成功率，将超期业务单分派给排名第一业务单处理成员；样本数据包含案件数据、最近催收情况、历史逾期情况。
18.其中，案件数据包括：年龄、性别、学历、工作、家庭情况、收入情况、逾期金额、逾期阶段；最近催收情况包括：最近催收状态、最近承诺还款、最近还款数据、最近催回率；历史逾期情况包括：首次逾期、历史逾期次数、历史逾期天数、历史催收措施、催收次数。
19.案件流传分配平台，进一步包括，监测各业务单处理成员待处理业务单数量，当成功率排名第一业务单处理成员待处理数量超过第一阈值并且排名第二业务单处理成员待处理数量未超过第一阈值时，比较排名第一和第二业务单处理成员当前业务单处理成功率差值，当差值小于第二阈值，将超期业务单发送给第二业务单处理成员处理，当差值大于等于第二阈值，将超期业务单发送给第一业务单处理成员处理。
20.其中不同业务单处理成员包括：委托机构、下属分公司/小组、独立催收员；业务单处理成员催收方式包括：短信、邮箱、电话、上门、诉讼。
21.本发明通过提出一种催收款案件分配方法和系统具有如下技术优势，1、基于时间标签对催收业务单进行管理，能够有效进行逾期前逾期后的分时段处理，设置多轮提醒，提高催收效果；2、通过训练好的神经网络模型进行案件分流处理，训练好的神经网络模型给出每个超期业务单被不同业务单处理成员成功处理的成功率，能够精准的进行业务订单的分配；3、基于多个业务单处理成员对业务单的处理的成功率和当前待处理订单的数量以及两个处理成员成功率的差值进行业务单的分配，能够平衡成功率和处理效率。
22.使得整体上的催收效率提高，成功率提高。
附图说明
23.为了更清楚的说明本发明实施例的技术方案，下面将对实施例描述的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发明的一些实施例，对于本领域普通技术人员来说，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为本发明的催收款案件分配方法步骤流程图；图2为本发明的催收款案件分配系统的模块连接结构示意图。
具体实施方式
24.下面将结合本发明实施例中的附图，对本发明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发明的一部分实施例，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作出创造性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。
25.如图1所示的一种催收款案件分配方法，所述方法包括如下步骤：s1：通过催收款案件数据库汇总多家催收代理公司分别从不同客户类型处接受的多个待催收案件，形成对应业务单，所述业务单为可能预期案件，对业务单进行统一数据清洗编码，并进行时间打标；其中，所述催收款案件数据库连接多家催收代理公司数据库，不同催收代理公司对接不同业务类型；多家催收代理公司间进行战略合作，将所有催收业务资源进行共享和集中分配，以实现利益最大化。例如：催收代理公司a常规接受银行业务，催收代理公司b常规接受信用卡中心业务，催收代理公司c常规接收小贷公司业务；或者催收代理公司abc分别都接受银行、信用卡中心、小贷公司的业务；催收平台对所有系统平台内接入的公司业务进行统一管理，并记录原始业务来源和对应业务完成公司数据，用于利益分配，具体分配方式在此不做限定。
26.其中，催收单在汇总后再数据库中进行数据清洗和编码，并进行时间打标，数据清洗和编码的过程中包括中数据库中获取相关数据，业务单数据包含案件数据、最近催收情况、历史逾期情况等；其中案件数据进一步包括：年龄、性别、学历、工作、家庭情况、收入情况、户籍/城域、逾期金额、逾期阶段等多种类型；最近催收情况进一步包括：最近催收状态、最近承诺还款、最近电话结果、最近催收方式、最近还款数据、最近催回率等；历史逾期情况进一步包括：首次逾期、历史逾期次数、历史逾期天数、最高逾期天数、最高逾期金额、历史催收措施、催收次数等。基于上述数据构成的业务单数据在神经网络中进行数据处理，可以有效的针对不同的业务单处理成员给出不同的成功率预测，能够有效进行业务单的分配。
27.s2：对已进行时间打标的业务单，在初步管理平台中进行时间标签监控，并对临近截止还款日期不同时间阈值业务单对应客户进行相应类型还款提醒；对超期业务单，修改对应时间标签，并将相关业务单发送给案件流转分配平台；其中时间打标用于标记催收业务单与还款日的时间关系，时间打标可包含：临近还款日、还款日当天、超期。在还款日前一段时间可以将时间打标设置为具体日期，在临近还款日半个月时开始变更为临近还款日标签，还款日当天时间打标变更为还款日，还款日后时间打标变为超期，还款日半个月后变为严重超期，并且可以在显示界面上以不同的颜色对时间标签进行显示，提高显示效果，有效提醒对应的业务单处理员。
28.其中步骤s2中对临近截止还款日期不同时间阈值业务单对应客户进行相应类型还款提醒，包括：对临近截止还款日期第一时间阈值业务单对应客户进行第一类型还款提醒；对临近截止还款日期第二时间阈值业务单对应客户进行第二类型还款提醒；其中，第一时间阈值大于第二时间阈值；具体的时间阈值设置和提醒类型可以根据实际工作经验进行设置；还款提醒类型包括：短信、邮件、电话和智能语音。例如，可以在还款期限前一个星期进行邮件、短信的提醒；在还款期限前一天或当天进行短信和电话的提醒；不同的时段和不同的提醒方式的组合能够既保证有效的对待还款人进行提醒，又避免造成还款人的反感情绪，从而整体上提高还款成功率。
29.s3：案件流转分配平台接收超期业务单，并基于训练好的神经网络模型进行案件分流处理，训练好的神经网络模型给出每个超期业务单被不同业务单处理成员成功处理的成功率，并将超期业务单分派给排名第一业务单处理成员；
基于训练好的神经网络模型进行案件分流处理，具体包括：在数据库中收集不同业务单处理成员历史超期业务单处理数据构成正负样本作为神经网络输入，神经网络输出为每个业务单处理成员成功率；并利用验证样本进行神经网络验证得到训练好的神经网络模型；然后基于训练好的神经网络模型进行超期业务单的预测分析，得出当前超期案件每个业务单处理成员的成功率，将超期业务单分派给排名第一业务单处理成员；构成的数据样本包含对应的业务单数据构成的样本数据，样本数据从催收款案件数据库中获得；业务单数据包含多个条目，每个条目对应业务单数据中案件数据、最近催收情况、历史逾期情况等对应的数据内容，其中每个数据内容具有其对应的标签类型，用于相似类型数据的聚类分析；数据样本包含一定比例的正样本和负样本，在神经网络模型数据处理层中对多个相似类型的业务单的多个数据标签进行分别的汇总处理从而计算出某一标签类型下多个业务订单的每个业务单处理员的成功处理百分比；从而在数据输出层能够输出当前业务单分配给不同业务单处理员的成功率排名；例如，业务员在标签类型a下的业务订单处理的成功率是a，在标签b下的业务订单处理的成功率是b,在标签c下的业务订单处理的成功率是c，那么对于包含数据标签a、b、c的业务订单的综合成功率是a、b、c的加权求和，其加权系数经过神经网络训练获得；构成的神经网络还需要经过验证样本集的进一步更新迭代，从而获得训练完成的神经网络模型。
30.进一步包括，监测各业务单处理成员待处理业务单数量，当成功率排名第一业务单处理成员待处理数量超过第一阈值并且排名第二业务单处理成员待处理数量未超过第一阈值时，比较排名第一和第二业务单处理成员当前业务单处理成功率差值，当差值小于第二阈值，将超期业务单发送给第二业务单处理成员处理，当差值大于等于第二阈值，将超期业务单发送给第一业务单处理成员处理。
31.当排名第一的业务员和排名第二的业务员间的成功率相差不大时，例如差值小于5%，证明排名第一的业务员和排名第二的业务员都能够有效的处理当前超期业务单，都有较高的成功率能够追回；而当排名第一的业务员的待处理业务单超过一定数量造成积压，这个时候再给排名第一的业务员分配超期业务单将会进一步造成业务单的拥堵，极大的降低了业务单的处理时效；为了平衡整体上的成功率和处理效率；当成功率排名第一业务单处理成员待处理数量小于第一阈值时，直接将业务单分派给排名第一的业务单处理成员；当成功率排名第一业务单处理成员待处理数量大于等于第一阈值并且排名第二业务单处理成员待处理数量未超过第一阈值时，比较排名第一和第二业务单处理成员当前业务单处理成功率差值，当差值小于第二阈值，将超期业务单发送给第二业务单处理成员处理，当差值大于等于第二阈值，将超期业务单发送给第一业务单处理成员处理。
32.s4：接收超期业务单的业务单处理成员进行相应催收业务处理，并将处理过程数据上传催收款案件数据库。
33.其中不同业务单处理成员包括：委托机构、下属分公司/小组、独立催收员；业务单处理成员催收方式包括：短信、邮箱、电话、上门、诉讼。
34.根据不同的案件数据、最近催收情况、历史逾期情况等经过神经网络模型进行不同的业务单处理员成功率的预测从而能够高效的分派给不同的成功处理；例如当某个业务单对应的还款人的案件数据中记录了已经存在多次逾期记录，并且前期提醒均无任何反馈
的情况下，可以优先考虑电话联系后安排直接上面通知的形式；而对于历史记录中存在逾期上门追讨仍然无果的情况的记录时，可以在安排上门通知后直接安排对接诉讼组的业务单处理员。
35.其中，接收相应超期业务单的业务单处理成员进行相应催收业务处理，处理过程被系统记录，并将数据上传至催收款案件数据库，并在催收款案件数据库中构成相应的数据样本，用于案件流转分配平台中的神经网络的训练与更新迭代。
36.如图2，另一实施例保护一种催收款案件分配系统，所述系统包括：催收款案件数据库、初步管理平台和案件流传分配平台；其中所述催收款案件数据库汇总多家催收代理公司分别从不同客户类型处接受的多个待催收案件，形成对应业务单，所述业务单为可能预期案件，对业务单进行统一数据清洗编码，并进行时间打标；其中，所述催收款案件数据库连接多家催收代理公司数据库，不同催收代理公司对接不同业务类型；多家催收代理公司间进行战略合作，将所有催收业务资源进行共享和集中分配，以实现利益最大化。例如：催收代理公司a常规接受银行业务，催收代理公司b常规接受信用卡中心业务，催收代理公司c常规接收小贷公司业务；或者催收代理公司abc分别都接受银行、信用卡中心、小贷公司的业务；催收平台对所有系统平台内接入的公司业务进行统一管理，并记录原始业务来源和对应业务完成公司数据，用于利益分配，具体分配方式在此不做限定。
37.其中，催收单在汇总后再数据库中进行数据清洗和编码，并进行时间打标，数据清洗和编码的过程中包括中数据库中获取相关数据，业务单数据包含案件数据、最近催收情况、历史逾期情况等；其中案件数据进一步包括：年龄、性别、学历、工作、家庭情况、收入情况、户籍/城域、逾期金额、逾期阶段等；最近催收情况进一步包括：最近催收状态、最近承诺还款、最近电话结果、最近催收方式、最近还款数据、最近催回率等；历史逾期情况进一步包括：首次逾期、历史逾期次数、历史逾期天数、最高逾期天数、最高逾期金额、历史催收措施、催收次数等。基于上述数据构成的业务单数据在神经网络中进行数据处理，可以有效的针对不同的业务单处理成员给出不同的成功率预测，能够有效进行业务单的分配。
38.所述初步管理平台，对已进行时间打标的业务单，在初步管理平台中进行时间标签监控，并对临近截止还款日期不同时间阈值业务单对应客户进行相应类型还款提醒；对超期业务单，修改对应时间标签，并将相关业务单发送给案件流转分配平台；其中时间打标用于标记催收业务单与还款日的时间关系，时间打标可包含：临近还款日、还款日当天、超期。在还款日前一段时间可以将时间打标设置为具体日期，在临近还款日半个月时开始变更为临近还款日标签，还款日当天时间打标变更为还款日，还款日后时间打标变为超期，还款日半个月后变为严重超期，并且可以在显示界面上以不同的颜色对时间标签进行显示，提高显示效果，有效提醒对应的业务单处理员。
39.其中步骤s2中对临近截止还款日期不同时间阈值业务单对应客户进行相应类型还款提醒，包括：对临近截止还款日期第一时间阈值业务单对应客户进行第一类型还款提醒；对临近截止还款日期第二时间阈值业务单对应客户进行第二类型还款提醒；其中，第一时间阈值大于第二时间阈值；具体的时间阈值设置和提醒类型可以根据实际工作经验进行
设置；还款提醒类型包括：短信、邮件、电话和智能语音。例如，可以在还款期限前一个星期进行邮件、短信的提醒；在还款期限前一天或当天进行短信和电话的提醒；不同的时段和不同的提醒方式的组合能够既保证有效的对待还款人进行提醒，又避免造成还款人的反感情绪，从而整体上提高还款成功率。
40.所述案件流转分配平台接收超期业务单，并基于训练好的神经网络模型进行案件分流处理，训练好的神经网络模型给出每个超期业务单被不同业务单处理成员成功处理的成功率，并将超期业务单分派给排名第一业务单处理成员；基于训练好的神经网络模型进行案件分流处理，具体包括：在数据库中收集不同业务单处理成员历史超期业务单处理数据构成正负样本作为神经网络输入，神经网络输出为每个业务单处理成员成功率；并利用验证样本进行神经网络验证得到训练好的神经网络模型；然后基于训练好的神经网络模型进行超期业务单的预测分析，得出当前超期案件每个业务单处理成员的成功率，将超期业务单分派给排名第一业务单处理成员；构成的数据样本包含对应的业务单数据构成的样本数据，业务单数据包含多个条目，其中每个数据类型具有其对应的标签类型，用于相似类型数据的聚类分析；数据样本包含一定比例的正样本和负样本，在神经网络模型数据处理层中对多个相似类型的业务单的多个数据标签进行分别的汇总处理从而计算出某一标签类型下多个业务订单的每个业务单处理员的成功处理百分比；从而在数据输出层能够输出当前业务单分配给不同业务单处理员的成功率；例如，业务员在标签类型a下的业务订单处理的成功率是a，在标签b下的业务订单处理的成功率是b,在标签c下的业务订单处理的成功率是c，那么对于包含数据标签a、b、c的业务订单的综合成功率是a、b、c的加权求和，其加权系数经过神经网络训练获得；构成的神经网络还需要经过验证样本集的进一步更新迭代，从而获得训练完成的神经网络模型。
41.进一步包括，监测各业务单处理成员待处理业务单数量，当成功率排名第一业务单处理成员待处理数量超过第一阈值并且排名第二业务单处理成员待处理数量未超过第一阈值时，比较排名第一和第二业务单处理成员当前业务单处理成功率差值，当差值小于第二阈值，将超期业务单发送给第二业务单处理成员处理，当差值大于等于第二阈值，将超期业务单发送给第一业务单处理成员处理。
42.当排名第一的业务员和排名第二的业务员间的成功率相差不大时，例如差值小于5%，证明排名第一的业务员和排名第二的业务员都能够有效的处理当前超期业务单，都有较高的成功率能够追回；而当排名第一的业务员的待处理业务单超过一定数量造成积压，这个时候再给排名第一的业务员分配超期业务单将会进一步造成业务单的拥堵，极大的降低了业务单的处理时效；为了平衡整体上的成功率和处理效率；当成功率排名第一业务单处理成员待处理数量小于第一阈值时，直接将业务单分派给排名第一的业务单处理成员；当成功率排名第一业务单处理成员待处理数量大于等于第一阈值并且排名第二业务单处理成员待处理数量未超过第一阈值时，比较排名第一和第二业务单处理成员当前业务单处理成功率差值，当差值小于第二阈值，将超期业务单发送给第二业务单处理成员处理，当差值大于等于第二阈值，将超期业务单发送给第一业务单处理成员处理。
43.各业务单处理平台接收超期业单进行相应催收业务处理，并将处理过程数据上传
催收款案件数据库。
44.其中不同业务单处理成员包括：委托机构、下属分公司/小组、独立催收员；业务单处理成员催收方式包括：短信、邮箱、电话、上门、诉讼。
45.根据不同的案件数据、最近催收情况、历史逾期情况等经过神经网络模型进行不同的业务单处理员成功率的预测从而能够高效的分派给不同的成功处理；例如当某个业务单对应的还款人的案件数据中记录了已经存在多次逾期记录，并且前期提醒均无任何反馈的情况下，可以优先考虑电话联系后安排直接上面通知的形式；而对于历史记录中存在逾期上门追讨仍然无果的情况的记录时，可以在安排上门通知后直接安排对接诉讼组的业务单处理员。
46.其中，接收相应超期业务单的业务单处理成员进行相应催收业务处理，处理过程被系统记录，并将数据上传至催收款案件数据库，并在催收款案件数据库中构成相应的数据样本，用于案件流转分配平台中的神经网络的训练与更新迭代。
47.通过上述具体实施方式，所属技术领域的技术人员可容易的实现本发明，以上内容仅仅是对本发明所作的举例和说明，所属领域技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或流程或者超越本发明所定义的范围，均应属于本发明的保护范围。