一种基于增益模型的催收案件智能分配方法与流程

本发明涉及一种催收案件智能分配方法，尤其涉及一种基于增益模型的催收案件智能分配方法。

背景技术：

1、在信用风险管理工作中，通常会按照贷款流程分为贷前管理、贷中管理和贷后管理，贷后管理作为信用风险管理的最后一个环节，对信用风险的全流程管理起到至关重要的作用。但是一直以来，由于贷后管理涉及的问题复杂多样、作业过程强、依赖人力资源和市场扩张阶段对贷后不够重视等因素，贷后管理长期以来更侧重于资源引入、人员管理等运营方面的管理。但是随着信贷市场增长速度的放缓和监管机构对贷后管理的日趋规范，存量市场竞争成为各家信贷金融机构的角逐战场，贷后催收管理也逐渐向智能化、数字化和科学化转变。依赖于智能风控和人工智能技术的发展，贷后催收管理也逐渐由劳动密集型向数字化转型，文本分析、智能语音、知识图谱、催收评分卡等相关技术也逐渐在贷后催收领域应用，节约了大量人力资源，提升了贷后催收管理的效率。

2、目前，在催收案件分配方面，存在两种较为主流的思路：一种是通过催收评分卡或机器学习模型对催收案件难度进行评估，结合催收员的催收能力，通过两者的匹配度对案件进行分配，这种方式过分关注历史绩效反映的催收能力，忽略了不同催收员的擅长领域；另一种是通过数据分析和业务经验构建画像标签体系，分别确定催收案件的还款因素标签和催收人员的擅长催收标签，然后将催收案件和催收专员各自的特性标签进行匹配，根据双方标签匹配度进行案件分配，这种方式容易出现标签过度集中的情况，且忽略了催收人员专业能力的差异。

3、贷后催收作为贷后管理的主要环节，通过短信、信函、智能语音、人工电催、上门拜访、仲裁、诉讼等催收方式，完成金融机构逾期资产的保全和清收。但是由于不同的催收方式具备不同的成本和效果，因此如何确定案件的催收方式一直是贷后催收领域持续探索的问题。当前主流的催收案件分配方案是通过预测客户响应情况(通常为回退率或还款率)评估客户的风险，结合催收方式的成本和资源情况，构建瀑布流式的催收案件分配方案。这种方式由于只考虑了客户的响应情况，并未考虑不同催收方式的提升情况，因此忽视了成本提升与响应提升的关系。例如a案件不催收的还款率是20％，人工电催的还款率是60％；b案件不催收的还款率是59％，人工电催的还款率是60％。如果人工电催只能选择一个客户，考虑到客户的响应情况，人工电催对a案件和b案件的效果是一样的，随机选择一个就可以。但是如果考虑增益情况，在成本相同的情况下，a案件的投资回报率(roi)比b案件更高，因此应选择a案件。

4、在实际业务中，当催收方式确定为人工电催和上门拜访时，其更依赖于人工作业，虽然sop流程可以缩小作业人员之间的差异，但是随着案件难度的增加，整个沟通流程的复杂性也逐渐增加，不同作业人员的业务经验和沟通偏好也会对结果产生较大影响。当前将案件分配到人员时，主流思路是通过案件难度和作业人员能力的匹配来进行案件分配，或通过案件还款因素标签和人员擅长催收标签进行匹配，两种思路均存在缺陷。

5、最后，对客户响应情况进行评估时，通常还是以申请数据、征信数据、行为数据等结构化数据为主要特征，未使用催收语音记录等非结构化数据，一些语音识别和文本分析的技术主要应用在智能质检方面，未能充分将其应用在催收案件的评价上，挖掘出更多的客户逾期信息。

技术实现思路

1、为了解决上述技术所存在的不足之处，本发明提供了一种基于增益模型的催收案件智能分配方法。

2、为了解决以上技术问题，本发明采用的技术方案是：一种基于增益模型的催收案件智能分配方法，包括以下步骤：

3、步骤一、待分配案件入催：符合条件的风险账户进入催收数据库，并等待分配；

4、步骤二、通过文本倾向性分析和特征工程对数据库中的账户数据进行加工处理；

5、步骤三、构建增益模型：基于两个模型的差分响应模型，得到增益效应；

6、步骤四、基于增益模型的结果分配催收渠道；

7、步骤五、基于案件/人员画像对案件进行再分配：完成步骤四的初次分配后，需要根据作业人员的画像对案件进行再分配；

8、步骤六、将作业人员与待分配案件进行匹配，完成案件分配：优先把高价值案件分配给合适的作业人员。

9、优选的，步骤二中，文本倾向性分析是指使用语音识别将通话过程转换为文本，再利用文本倾向性分析识别客户当前的沟通意向、还款能力和还款意愿，并将识别结果加入到增益模型的构建特征中。

10、优选的，步骤三中，一个模型g用来估计用户在有干预情况下的响应，另外一个模型g’用来学习用户在没有干预情况下的响应，之后将两个模型的输出做差，得到增益效应。

11、优选的，步骤四中，考虑根据不同催收方式的成本作为权重，将权重与增益效应值相乘后再进行排序，选择增益效应加权最大值所对应的催收方式，即选择使投资回报率roi最大的催收方式，roi的计算公式为：

12、roi＝增益效应/催收成本。

13、优选的，步骤五包括以下步骤：

14、首先，根据案件信息对催收案件进行还款因素画像；

15、其次，再根据历史催收案件的还款因素画像记录对作业人员进行擅长催收画像；

16、最后，根据还款因素画像和擅长催收画像进行匹配的方式实现案件的最优分配。

17、优选的，步骤五中，在进行还款因素画像时，应根据客户信息、账户信息、催收倾向性信息和作业人员标注多维度对案件的还款因素进行画像，并保留对还款影响最高的m个标签，记作ai,i∈1,…,m；

18、然后根据作业人员的历史作业绩效，计算作业人员针对每项还款因素标签的响应率，选择响应率最高的n个标签作为擅长催收标签,记作bj,j∈1,…,n，该标签对应的响应率即作业人员针对该标签的历史响应率记作cj,j∈1,…,n；则案件和作业人员的匹配度可定义为案件的还款因素标签集合和作业人员的擅长催收标签集合的交集标签的响应率之和，案件a与作业人员b的响应率公式如下：

19、

20、其中，ind(bj∈a)表示若作业人员的擅长标签bj包含在案件还款标签a中，则取值为1，否则取值为0。

21、优选的，步骤六中，作业人员与待分配案件的匹配过程如下：

22、①根据案件价值对催收案件进行遍历和降序排列；

23、②选择排名最前的待分配案件；

24、③计算所有作业人员对该案件的匹配度，即响应率；

25、④将案件分配给匹配度最高的作业人员；

26、⑤判断是否存在待分配案件，若存在待分配案件，则剔除案件分配量达标的作业人员后重复过程②-⑤，否则表明案件全部完成分配。

27、优选的，步骤①中，案件价值使用案件的还款期望来评估，即当前催收方式下的预测还款率乘欠款金额。

28、本发明通过结合案件还款因素标签和人员擅长催收标签，计算出案件和人员的匹配度，通过贪心算法根据案件价值进行案件遍历分配，将待分配案件推荐给最合适的催收人员，实现案件和人员的最优匹配。