催收方式的确定方法、装置、计算机设备、存储介质与流程

1.本技术涉及大数据分析技术领域，特别是涉及一种催收方式的确定方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.随着大数据分析技术的发展，出现了消息推送技术。计算机通过消息推送技术，结合精准的用户画像分析，能够主动向合适的用户在合适的场景下推送合适的内容，以大幅度提升消息的点击率。在信用卡的催收场景下运用消息推送技术，能够确定与不同的信用卡用户对应的催收方式，并通过对应的催收方式向信用卡用户推送催收消息，以提高信用卡的催收效率。
3.传统技术中，通过获取账户的逾期贷款金额和逾期时间，根据逾期贷款金额和逾期时间确定账户的风险等级，采用与账户的风险等级对应的催收方式，向账户进行催收。但是，采用传统技术中的催收方式确定方法时，没有针对一些特定群体(如高风险账户群体中的黑名单账户和失联账户等)采取特殊的措施，从而容易导致催收效率低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种高效率的催收方式的确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种催收方式的确定方法。所述方法包括：
6.获取账户的逾期行为数据；
7.根据所述逾期行为数据确定所述账户的还款评价参数；
8.根据所述还款评价参数对所述账户进行聚类处理，确定所述账户对应的账户群类别，所述账户群类别是预先对多个样本账户进行聚类生成的；
9.获取预设的与所述账户群类别对应的催收方式，以通过所述催收方式向所述账户进行催收。
10.在其中一个实施例中，所述根据所述还款评价参数对所述账户进行聚类处理，确定所述账户对应的账户群类别，包括：
11.根据所述还款评价参数确定所述账户与所述账户群类别之间的距离，将所述距离满足预设条件的账户群类别作为所述账户对应的账户群类别。
12.在其中一个实施例中，所述根据所述还款评价参数确定所述账户与所述账户群类别之间的距离，包括：
13.获取多个业务维度下所述账户的业务特征数据；
14.对所述业务特征数据进行归一化处理，生成所述账户的特征参数；
15.根据所述特征参数和所述还款评价参数，生成所述账户与所述账户群类别之间的距离。
16.在其中一个实施例中，所述根据所述逾期行为数据确定所述账户的还款评价参
数，包括：
17.将所述逾期行为数据输入评价模型，所述评价模型中存储有所述逾期行为数据对应的业务权重；
18.根据所述业务权重以及所述逾期行为数据，得到所述还款评价参数。
19.在其中一个实施例中，所述逾期行为数据包括多个第一行为数据和多个第二行为数据，所述第一行为数据用于表示所述账户的还款意愿，所述第二行为数据用于表示所述账户的还款能力；
20.所述将所述逾期行为数据输入评价模型，根据所述业务权重以及所述逾期行为数据，得到所述还款评价参数，包括：
21.确定每个所述第一行为数据对应的第一权重，根据所述第一权重对所述第一行为数据进行运算处理，得到每个所述第一行为数据对应的第一评价参数；
22.确定每个所述第二行为数据对应的第二权重，根据所述第二权重对所述第二行为数据进行运算处理，得到每个所述第二行为数据对应的第二评价参数；
23.根据所述第一评价参数和所述第二评价参数，得到所述还款评价参数。
24.在其中一个实施例中，所述方法还包括：
25.确定所述逾期行为数据满足预设标签条件，生成所述账户对应的标签，所述标签用于对所述账户进行数据分析。
26.第二方面，本技术还提供了一种催收方式的确定装置。所述装置包括：
27.数据获取模块，用于获取账户的逾期行为数据；
28.参数确定模块，用于根据所述逾期行为数据确定所述账户的还款评价参数；
29.类别确定模块，用于根据所述还款评价参数对所述账户进行聚类处理，确定所述账户对应的账户群类别，所述账户群类别是预先对多个样本账户进行聚类生成的；
30.方式获取模块，用于获取预设的与所述账户群类别对应的催收方式，以通过所述催收方式向所述账户进行催收。
31.在其中一个实施例中，所述类别确定模块，包括：
32.距离确定单元，用于根据所述还款评价参数确定所述账户与所述账户群类别之间的距离，将所述距离满足预设条件的账户群类别作为所述账户对应的账户群类别。
33.在其中一个实施例中，所述距离确定单元，包括：
34.特征获取子单元，用于获取多个业务维度下所述账户的业务特征数据；
35.特征生成子单元，用于对所述业务特征数据进行归一化处理，生成所述账户的特征参数；
36.差异度获取子单元，用于根据所述特征参数和所述还款评价参数，生成所述账户与所述账户群类别之间的距离。
37.在其中一个实施例中，所述参数确定模块，包括：
38.模型处理单元，用于将所述逾期行为数据输入评价模型，所述评价模型中存储有所述逾期行为数据对应的业务权重；根据所述业务权重以及所述逾期行为数据，得到所述还款评价参数。
39.在其中一个实施例中，所述逾期行为数据包括多个第一行为数据和多个第二行为数据，所述第一行为数据用于表示所述账户的还款意愿，所述第二行为数据用于表示所述
账户的还款能力；
40.所述模型处理单元，包括：
41.第一确定子单元，用于确定每个所述第一行为数据对应的第一权重，根据所述第一权重对所述第一行为数据进行运算处理，得到每个所述第一行为数据对应的第一评价参数；
42.第二确定子单元，用于确定每个所述第二行为数据对应的第二权重，根据所述第二权重对所述第二行为数据进行运算处理，得到每个所述第二行为数据对应的第二评价参数；
43.参数生成子单元，用于根据所述第一评价参数和所述第二评价参数，得到所述还款评价参数。
44.在其中一个实施例中，所述装置还包括：
45.标签生成模块，用于确定所述逾期行为数据满足预设标签条件，生成所述账户对应的标签，所述标签用于对所述账户进行数据分析。
46.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一项实施例所述的催收方式的确定方法。
47.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，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上述第一方面任一项实施例所述的催收方式的确定方法。
48.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面任一项实施例所述的催收方式的确定方法。
49.上述催收方式的确定方法、装置、计算机设备、存储介质和计算机程序产品，通过获取账户的逾期行为数据，根据逾期行为数据确定账户的还款评价参数，根据还款评价参数对账户进行聚类处理，确定账户对应的账户群类别，账户群类别是预先对多个样本账户进行聚类生成的，获取预设的与账户群类别对应的催收方式，以通过催收方式向账户进行催收，能够基于账户的逾期行为数据对账户的还款行为进行预估评价，确定账户的还款评价参数，再根据还款评价参数对账户进行聚类，确定与账户匹配的特定账户群类别，采用账户群类别对应的催收方式向账户进行催收，以实现对账户的细分，针对不同账户群类别的账户进行精细化、差异化地配置催收方式，从而提高催收效率。同时，采用本方案中提供的催收方式的确定方法，能够有助于提高逾期款项的回收效率、账户逾期不良率，降低账户的投诉率。
附图说明
50.图1为一个实施例中催收方式的确定方法的流程示意图；
51.图2为一个实施例中距离确定步骤的流程示意图；
52.图3为一个实施例中还款评价参数生成步骤的流程示意图；
53.图4a为另一个实施例中催收方式的确定方法的流程示意图；
54.图4b为一个实施例中催收方式确定步骤的示意图；
55.图5为一个实施例中催收方式的确定装置的结构框图；
56.图6为一个实施例中计算机设备的内部结构图。
具体实施方式
57.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
58.在一个实施例中，如图1所示，提供了一种催收方式的确定方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能电视、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
59.本实施例中，该方法包括以下步骤：
60.步骤s102，获取账户的逾期行为数据。
61.其中，逾期行为数据可以用于表征账户的逾期行为。一个示例中，逾期行为数据可以包括账户当前的逾期期数，账户是否回应承诺还款的电话记录，账户最近一次提款时间距离到期日期的时间差等数据中的任一项或多项。
62.具体地，服务器响应于催收方式确定请求，获取账户的逾期行为数据。其中，催收方式确定请求可以是服务器自动触发的，例如服务器定期获取账户的账户数据，查询账户数据中是否存在逾期行为数据，当服务器确定账户数据中存在逾期行为数据时，触发催收方式确定请求；也可以是用户触发的，例如用户在相应的页面中点击催收按钮，触发对账户的催收方式确定请求。一个示例中，当服务器确定账户数据中不存在逾期行为数据时，可以将账户标记为非逾期账户，无需对非逾期账户配置催收方式。另一个示例中，服务器可以获取账户的还款期限，确定还款期限与当前时间之间的时间差，当时间差大于阈值时，获取账户的逾期行为数据，配置账户对应的催收方式。
63.步骤s104，根据逾期行为数据确定账户的还款评价参数。
64.其中，还款评价参数可以用于表征账户对逾期业务进行还款的意愿或能力。
65.具体地，服务器中可以预先部署还款评价逻辑。服务器在接收到账户的逾期行为数据后，采用还款评价逻辑对逾期行为数据进行处理，确定账户的还款评价参数。其中，还款评价逻辑可以是设置与逾期行为数据对应的权重，采用权重对逾期行为数据进行处理，将处理后的逾期行为数据作为还款评价参数；也可以是设置评价阈值，将逾期行为数据与评价阈值进行比较，根据比较结果确定还款评价参数(例如，还款评价参数满分为五分，当逾期行为数据小于评价阈值时，确定还款评价参数为五分，以表示账户当前还款的意愿能力较强)。
66.步骤s106，根据还款评价参数对账户进行聚类处理，确定账户对应的账户群类别。
67.其中，账户群类别可以是预先对多个样本账户进行聚类生成的。一个示例中，聚类的方式可以但不仅限于采用k-means聚类算法(基于欧式距离的聚类算法)、层次聚类算法、som聚类算法(selforganizing maps、无监督学习聚类)、 fcm聚类算法(fuzzy c-means、模
糊c均值聚类)等聚类算法中的任一种。另一个示例中，账户群类别可以但不仅限于包括自愈疑似账户、惯性逾期账户、黑名单账户、失联账户、故意躲避账户等类别中的任一种或多种。
68.具体地，服务器中预先存储了多个由样本账户聚类得到的账户群类别。获取账户群类别对应的样本账户的样本还款评价参数。对还款评价参数和样本还款评价参数进行运算处理，得到账户与每个账户群类别对应的样本账户之间的差异度，确定与账户差异度最小的账户群类别，得到与账户对应的账户群类别。
69.一个示例中，以k-means聚类算法为例，对账户群类别的生成方式进行说明：
70.服务器获取多个样本账户的样本还款评价参数。随机选取k个样本账户作为初始聚类中心。获取每个初始聚类中心与样本账户之间还款评价参数的差异度，将差异度作为样本账户与初始聚类中心之间的距离，按照最小距离原则将样本账户分配至最邻近的初始聚类中心对应的类别中，得到k个初始客户群类别。获取每个初始客户群类别中样本账户之间还款评价参数的均值，将均值作为新的聚类中心对应的还款评价参数，重复上述操作，对初始客户群类别再次进行聚类，直至聚类中心对应的还款评价参数不再发生变化，将此时得到的初始客户群类别作为客户群类别。
71.步骤s108，获取预设的与账户群类别对应的催收方式，以通过催收方式向账户进行催收。
72.具体地，服务器中预先配置了与每个账户群类别对应的催收方式。获取预设的与账户群类别对应的催收方式，以通过催收方式向账户进行催收。一个示例中，当服务器确定账户对应的账户群类别为自愈疑似账户时，由于账户的逾期风险较低，可以采用短信和/或自助语音的方式向账户进行催收。
73.上述催收方式的确定方法中，通过获取账户的逾期行为数据，根据逾期行为数据确定账户的还款评价参数，根据还款评价参数对账户进行聚类处理，确定账户对应的账户群类别，账户群类别是预先对多个样本账户进行聚类生成的，获取预设的与账户群类别对应的催收方式，以通过催收方式向账户进行催收，能够基于账户的逾期行为数据对账户的还款行为进行预估评价，确定账户的还款评价参数，再根据还款评价参数对账户进行聚类，确定与账户匹配的特定账户群类别，采用账户群类别对应的催收方式向账户进行催收，以实现对账户的细分，针对不同账户群类别的账户进行精细化、差异化地配置催收方式，从而提高催收效率。同时，采用本方案中提供的催收方式的确定方法，能够有助于提高逾期款项的回收效率、账户逾期不良率，降低账户的投诉率。
74.在一个实施例，步骤s106，根据还款评价参数对账户进行聚类处理，确定账户对应的账户群类别，包括：根据还款评价参数确定账户与账户群类别之间的距离，将距离满足预设条件的账户群类别作为账户对应的账户群类别。
75.具体地，服务器获取每个账户群类别对应的样本账户的样本还款评价参数，对属于同一账户群类别下的多个样本账户的样本还款评价参数进行处理，将样本还款评价参数的均值作为与账户群类别对应的账户群还款评价参数。对账户的还款评价参数和每个账户群还款评价参数进行运算处理，得到账户与每个账户群类别对应的还款评价参数之间的差异度，将差异度作为账户与账户群类别之间的距离。采用预设条件对距离进行判断，将距离满足预设条件的账户群类别作为账户对应的账户群类别。一个示例中，预设条件可以是比
较账户与每个账户群类别之间的距离，将距离最小的账户群类别作为账户对应的账户群类别。另一个示例中，预设条件可以是将距离小于距离阈值的账户群类别作为账户对应的账户群类别。
76.本实施例中，通过确定账户与账户群类别之间的距离，将账户群类别作为账户对应的账户群类别，能够提高账户群类别与账户之间的匹配度，从而提高后续采用与账户群类别对应的催收方式向账户进行催收的效率。
77.在一个实施例中，如图2所示，步骤，根据还款评价参数确定账户与账户群类别之间的距离，包括：
78.步骤s202，获取多个业务维度下账户的业务特征数据。
79.步骤s204，对业务特征数据进行归一化处理，生成账户的特征参数。
80.步骤s206，根据特征参数和还款评价参数，生成账户与账户群类别之间的距离。
81.其中，业务维度可以但不仅限于包括账户属性维度、账户资产维度、账户催记维度、账户业务维度、账户征信维度等维度中的任一种或多种。一个示例中，业务特征数据可以但不仅限于包括账龄数据、信贷数据、行为数据、催记数据、还款数据等数据中的任一种或多种。
82.具体地，服务器中预先存储了与每个账户群类别对应的特征参数以及还款评价参数。获取多个业务维度下账户的业务特征数据，采用线性函数转换的方式对多个业务特征数据进行归一化处理，将归一化处理后得到的值作为账户的特征参数。确定账户与账户群类别的特征参数之间的第一差异度，以及账户与账户群类别的还款评价参数之间的第二差异度。对第一差异度和第二差异度进行运算处理，生成账户与账户群类别之间的距离。
83.一个示例中，服务器可以参照以下公式生成账户的特征参数：
84.x’＝(x-xmin)/(xmax-xmin)
85.其中，x’为特征参数，x为业务特征数据，xmin为业务特征数据中的最小值，xmax为业务特征数据中的最大值。
86.另一个示例中，服务器可以参照以下公式生成账户与账户群类别之间的距离：
[0087][0088]
其中，p为账户与账户群类别之间的距离，x2为账户的特征参数，y2为账户的还款评价参数。x1为账户群类别对应的特征参数均值，y1为账户群类别对应的还款评价参数均值。
[0089]
本实施例中，通过基于多个业务维度下账户的业务特征数据，生成账户的特征参数，根据特征参数和还款评价参数生成距离，能够基于业务特征数据生成更准确的账户画像，得到特征参数，以提高后续基于距离确定的账户群类别的准确率。
[0090]
在一个实施例中，步骤s104，根据逾期行为数据确定账户的还款评价参数，包括：将逾期行为数据输入评价模型，根据业务权重以及逾期行为数据，得到还款评价参数。
[0091]
其中，评价模型中存储有逾期行为数据对应的业务权重。一个示例中，评价模型可以但不仅限于包括单分类逻辑回归模型、多分类逻辑回归模型和层次分析模型等模型中的任一种。
[0092]
具体地，服务器中预先存储了已训练的评价模型。将逾期行为数据输入评价模型。获取与逾期行为数据对应的业务权重，采用业务权重对逾期行为数据进行运算处理，得到
评价模型输出的账户的还款评价参数。其中，已训练的评价模型可以是采用多个样本账户的还款评价参数进行逻辑回归训练得到的。
[0093]
传统的评价方法中，通过人工核对账户的逾期行为数据，按照预设的评分规则给账户的还款行为进行打分，得到账户的还款评价参数。相较于传统的评价方法，本实施例中，通过评级模型根据业务权重以及逾期行为数据，得到还款评价参数，能够避免人工打分导致的误差，提高还款评价参数的准确率，同时还能够提高还款评价参数的生成效率。
[0094]
在一个实施例中，逾期行为数据包括多个第一行为数据和多个第二行为数据。其中，第一行为数据用于表示账户的还款意愿，第二行为数据用于表示账户的还款能力。如图3所示，步骤，将逾期行为数据输入评价模型，根据业务权重以及逾期行为数据，得到还款评价参数，包括：
[0095]
步骤s302，确定每个第一行为数据对应的第一权重，根据第一权重对第一行为数据进行运算处理，得到每个第一行为数据对应的第一评价参数。
[0096]
步骤s304，确定每个第二行为数据对应的第二权重，根据第二权重对第二行为数据进行运算处理，得到每个第二行为数据对应的第二评价参数。
[0097]
步骤s306，根据第一评价参数和第二评价参数，得到还款评价参数。
[0098]
具体地，服务器中部署的评价模型中预先存储了第一权重以及第二权重。将多个第一行为数据输入评价模型，确定每个第一行为数据对应的第一权重，根据第一权重对第一行为数据进行运算处理，得到每个第一行为数据对应的第一评价参数。将多个第二行为数据输入评价模型，确定每个第二行为数据对应的第二权重，根据第二权重对第二行为数据进行运算处理，得到每个第二行为数据对应的第二评价参数。对多个第一评价参数进行运算处理，生成还款意愿得分。对多个第二评价参数进行运算处理，生成还款能力得分。将还款意愿得分和还款能力得分作为还款评价参数。
[0099]
一个示例中，第一行为数据可以为最晚外呼客户是否回应承诺还款(即最近与客户电话沟通时客户是否回应承诺还款)、信贷产品的最大当前逾期期数、贷记卡产品的最近6个月逾期账户数合计、当前逾期本金占最初到期日期应还本金的比例。其中，第一行为数据的具体数值可以参照业务维度对应的评分卡得到。服务器可以采用以下公式生成还款意愿得分：
[0100]
还款意愿得分＝a*最晚外呼客户是否回应承诺还款+b*信贷产品的最大当前逾期期数+c*贷记卡产品的最近6个月逾期账户数合计+d*当前逾期本金占最初到期日期应还本金的比例
[0101]
其中，a为最晚外呼客户是否回应承诺还款对应的第一权重，b为贷产品的最大当前逾期期数对应的第一权重,c为贷记卡产品的最近6个月逾期账户数合计对应的第一权重,d为当前逾期本金占最初到期日期应还本金的比例的第一权重。
[0102]
另一个示例中，第二行为数据可以为由最近一次提款距离最初到期日期的天数、信用卡产品的额度使用率大于90％的账户数占比、aum前3月平均(月底aum值，asset undermanagement,账户资产的总市值)、最近一次还款距离最初到期日期的天数、住房贷款笔数。其中，第二行为数据的具体数值可以参照业务维度对应的评分卡得到。服务器可以采用以下公式生成还款能力得分：
[0103]
还款能力得分＝e*由最近一次提款距离最初到期日期的天数+f*信用卡产品的额
度使用率大于90％的账户数占比+g*aum前3月平均(月底aum值)+h* 最近一次提款距离最初到期日期的天数+j*住房贷款笔数
[0104]
其中，e为由最近一次提款距离最初到期日期的天数对应的第二权重，f为信用卡产品的额度使用率大于90％的账户数占比对应的第二权重，g为aum前 3月平均(月底aum值)对应的第二权重，h为最近一次还款距离最初到期日期的天数对应的第二权重，j为住房贷款笔数对应的第二权重。
[0105]
本实施例中，通过评价模型确定行为数据对应的权重，根据权重对行为数据进行运算处理得到评价参数，根据评价参数确定还款评价参数，能够结合账户属性、资产特征、催记信息、案件信息等数据及人行征信报告，通过评分卡建模手段挖掘逾期账户群的行为特征，评估账户群的还款意愿以及还款能力，以提高还款评价参数的准确率。
[0106]
在一个实施例中，还提供了一种催收方式的确定方法，包括：确定逾期行为数据满足预设标签条件，生成账户对应的标签。
[0107]
其中，标签用于对账户进行数据分析。一个示例中，标签可以但不仅限于包括：故意逃避、自动划扣还款、养卡套现、完全失联、他人代偿、还款意愿差、纠结罚息、逾期后未履行还款承诺、新增信贷使用等标签中的任一种或至少一种。
[0108]
具体地，服务器中预先存储与每个标签对应的标签条件。采用标签条件对账户的逾期行为数据进行判断，当确定逾期行为数据满足预设标签条件，生成账户对应的标签。后续用户可以根据账户的标签，对账户进行数据分析，针对账户制定不同的业务策略。一个示例中，服务器可以根据申请信息、客户基本信息、客户财力信息、支用记录、历史还款、逾期情况、催收记录、人行征信等业务信息，设置与每个标签对应的标签条件。
[0109]
本实施例中，通过确定逾期行为数据满足预设标签条件，生成账户对应的标签，相较于传统催收方式的确定方法只输出最后配置的催收方式而言，能够提高对账户的精细化管理，以提高催收管理效率。
[0110]
在一个实施例中，如图4a所示，提供了一种催收方式的确定方法，包括：
[0111]
步骤s402，获取账户的逾期行为数据，将逾期行为数据输入评价模型。
[0112]
步骤s404，确定第一行为数据对应的第一权重，根据第一权重对第一行为数据进行运算处理，得到第一评价参数。
[0113]
步骤s406，确定第二行为数据对应的第二权重，根据第二权重对第二行为数据进行运算处理，得到第二评价参数。
[0114]
步骤s408，根据第一评价参数和第二评价参数，得到还款评价参数。
[0115]
具体地，服务器获取账户的逾期行为数据，将逾期行为数据输入评价模型，确定与每个第一行为数据对应的第一权重，根据第一权重对每个第一行为数据进行运算处理，将得到的多个第一评价参数相加，生成账户的还款意愿得分。确定与每个第二行为数据对应的第一权重，根据第二权重对每个第二行为数据进行运算处理，将得到的多个第二评价参数相加，生成账户的还款能力得分。将还款意愿得分和还款能力得分作为还款评价参数。具体的还款评价参数生成操作可以参照上述实施例中提供的还款评价参数生成方式实现，在此不做具体阐述。
[0116]
步骤s410，获取多个业务维度下账户的业务特征数据，对业务特征数据进行归一化处理，生成账户的特征参数。
[0117]
步骤s412，根据特征参数和还款评价参数，生成账户与账户群类别之间的距离，确定账户对应的账户群类别。
[0118]
步骤s414，获取预设的与账户群类别对应的催收方式，以通过催收方式向账户进行催收。
[0119]
具体地，服务器获取多个业务维度下账户的业务特征数据对业务特征数据进行归一化处理，生成账户的特征参数。确定账户与每个账户群类别的特征参数之间的第一差异度以及还款评价参数之间的第二差异度。对第一差异度和第二差异度进行运算处理，生成账户与账户群类别之间的距离，将距离最小的账户群类别作为账户对应的账户群类别。获取预设的与账户群类别对应的催收方式，以通过催收方式向账户进行催收。
[0120]
一个示例中，如图4b所示，当服务器确定账户对应的账户群类别为自愈疑似账户时，可以采用短信和/或自助语音的方式向账户进行催收。当服务器确定账户对应的账户群类别为惯性逾期账户时，可以采用人工语音的方式向账户进行催收。当服务器确定账户对应的账户群类别为黑名单账户时，可以采用属地催收、发送律师函或委外催收的方式向账户进行催收。当服务器确定账户对应的账户群类别为失联账户/故意躲避账户时，可以采用信息修复和委外催收的方式向账户进行催收。
[0121]
本实施例中，通过获取账户的逾期行为数据，根据逾期行为数据确定账户的还款评价参数，根据还款评价参数对账户进行聚类处理，确定账户对应的账户群类别，账户群类别是预先对多个样本账户进行聚类生成的，获取预设的与账户群类别对应的催收方式，以通过催收方式向账户进行催收，能够基于账户的逾期行为数据对账户的还款行为进行预估评价，确定账户的还款评价参数，再根据还款评价参数对账户进行聚类，确定与账户匹配的特定账户群类别，采用账户群类别对应的催收方式向账户进行催收，以实现对账户的细分，针对不同账户群类别的账户进行精细化、差异化地配置催收方式，从而提高催收效率。同时，采用本方案中提供的催收方式的确定方法，能够有助于提高逾期款项的回收效率、账户逾期不良率，降低账户的投诉率。
[0122]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0123]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的催收方式的确定方法的催收方式的确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个催收方式的确定装置实施例中的具体限定可以参见上文中对于催收方式的确定方法的限定，在此不再赘述。
[0124]
在一个实施例中，如图5所示，提供了一种催收方式的确定装置500，包括：数据获取模块502、参数确定模块504、类别确定模块506和方式获取模块508，其中：
[0125]
数据获取模块502，用于获取账户的逾期行为数据。
[0126]
参数确定模块504，用于根据逾期行为数据确定账户的还款评价参数。
[0127]
类别确定模块506，用于根据还款评价参数对账户进行聚类处理，确定账户对应的账户群类别，账户群类别是预先对多个样本账户进行聚类生成的。
[0128]
方式获取模块508，用于获取预设的与账户群类别对应的催收方式，以通过催收方式向账户进行催收。
[0129]
在一个实施例中，类别确定模块506，包括：距离确定单元，用于根据还款评价参数确定账户与账户群类别之间的距离，将距离满足预设条件的账户群类别作为账户对应的账户群类别。
[0130]
在一个实施例中，距离确定单元，包括：特征获取子单元，用于获取多个业务维度下账户的业务特征数据；特征生成子单元，用于对业务特征数据进行归一化处理，生成账户的特征参数；差异度获取子单元，用于根据特征参数和还款评价参数，生成账户与账户群类别之间的距离。
[0131]
在一个实施例中，参数确定模块504，包括：模型处理单元，用于将逾期行为数据输入评价模型，评价模型中存储有逾期行为数据对应的业务权重；根据业务权重以及逾期行为数据，得到还款评价参数。
[0132]
在一个实施例中，逾期行为数据包括多个第一行为数据和多个第二行为数据，第一行为数据用于表示账户的还款意愿，第二行为数据用于表示账户的还款能力。
[0133]
模型处理单元，包括：第一确定子单元，用于确定每个第一行为数据对应的第一权重，根据第一权重对第一行为数据进行运算处理，得到每个第一行为数据对应的第一评价参数；第二确定子单元，用于确定每个第二行为数据对应的第二权重，根据第二权重对第二行为数据进行运算处理，得到每个第二行为数据对应的第二评价参数；参数生成子单元，用于根据第一评价参数和第二评价参数，得到还款评价参数。
[0134]
在一个实施例中，催收方式的确定装置500还包括：标签生成模块，用于确定逾期行为数据满足预设标签条件，生成账户对应的标签，标签用于对账户进行数据分析。
[0135]
上述催收方式的确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0136]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储逾期行为数据、还款评价参数、业务特征数据、中心参数和业务权重。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种催收方式的确定方法。
[0137]
本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0138]
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0139]
在一个实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0140]
在一个实施例中，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各方法实施例中的步骤。
[0141]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0142]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive randomaccess memory，mram)、铁电存储器 (ferroelectric randomaccess memory，fram)、相变存储器(phase changememory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器 (randomaccess memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static randomaccessmemory，sram)或动态随机存取存储器(dynamic randomaccess memory， dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0143]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0144]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。