贷款催收方法和装置制造方法及图纸

本申请公开了一种贷款催收方法和装置，该方法为：在接收到用户发送的待测客户的贷款数据后，对待测客户的贷款数据进行分析，得到待测客户的类型、存款以及贷款余额；对待测客户的贷款数据进行特征提取，得到目标特征；将目标特征输入至与待测客户的类型对应的评分卡模型中，得到评分卡模型输出的评分结果；将待测客户的评分、存款以及贷款余额，输入至与评分的类型对应的决策树模型中，得到决策树模型输出的识别结果；通过预设界面向用户展示待测客户的催收等级。该方法基于评分卡模型确定待测客户的评分，并基于决策树模型确定待测客户的催收等级，能够帮助用户获悉待测客户的催收等级，以便用户根据催收等级提前做好催收准备。备。备。

【技术实现步骤摘要】
贷款催收方法和装置


[0001]本申请涉及金融领域，尤其涉及一种贷款催收方法和装置。

技术介绍

[0002]随着互联网与大数据技术的快速发展与融合，互联网产品应运而生并开启了互联网金融浪潮。互联网金融经过这些年的发展，随着银行互联网贷款到期，就会出现贷款逾期、不良等问题，特别是对于到期一次性还本付息消费贷，由于存续期间无还款行为表现，一旦到期出现逾期银行将不得不对逾期客户开展催收管理。
[0003]目前，现有的催收方法大多数借助大数据分析技术，对逾期客户进行风险分级，从而对风险较高的逾期客户进行跟踪催收。然而，现有的催收方法仅仅关注贷款出现逾期后的催收，缺乏对贷款临近到期前的催收管理，致使数量较多的贷款无法有效追回，从而导致催收压力增强。

技术实现思路

[0004]本申请提供了一种贷款催收方法和装置，目的在于辅助用户获悉客户的催收等级，以便用户根据客户的催收等级提前做好催收准备(例如催收等级越高的客户，则花费越多时间去催促客户还款)，从而确保能够有效追回客户的贷款。
[0005]为了实现上述目的，本申请提供了以下技术方案：
[0006]一种贷款催收方法，包括：
[0007]在接收到用户发送的待测客户的贷款数据后，对所述待测客户的贷款数据进行分析，得到所述待测客户的类型、存款以及贷款余额；
[0008]对所述待测客户的贷款数据进行特征提取，得到目标特征；
[0009]将所述目标特征输入至与所述待测客户的类型对应的评分卡模型中，得到所述评分卡模型输出的评分结果；所述评分卡模型为利用预先获取的样本集对预设的逻辑回归模型进行训练所得到；所述评分结果包括所述待测客户的评分，以及所述评分的类型；
[0010]将所述待测客户的评分、存款以及贷款余额，输入至与所述评分的类型对应的决策树模型中，得到所述决策树模型输出的识别结果；所述决策树模型为利用预先获取的训练数据集构建得到；所述识别结果包括所述待测客户的催收等级；
[0011]通过预设界面向所述用户展示所述待测客户的催收等级。
[0012]可选的，所述评分卡模型包括预催收评分卡模型；所述预催收评分卡模型为利用预先获取的第一样本集对预设的逻辑回归模型进行训练所得到；
[0013]所述将所述目标特征输入至与所述待测客户的类型对应的评分卡模型中，得到所述评分卡模型输出的评分结果，包括：
[0014]在所述待测客户的类型为未逾期客户的情况下，将所述目标特征输入到所述预催收评分卡模型中，得到所述预催收评分卡模型输出的第一评分结果；所述第一评分结果包括所述待测客户的预催收评分。
[0015]可选的，所述利用预先获取的第一样本集对预设的逻辑回归模型进行训练，得到所述预催收评分卡模型的过程，包括：
[0016]预先从贷款业务系统中获取多个样本客户的贷款数据；所述样本客户包括在预设观察期内办理贷款业务的客户；
[0017]对各个所述样本客户的贷款数据进行特征提取，得到特征变量集合；所述特征变量集合包括多个特征变量；
[0018]对所述特征变量集合中的各个特征变量进行变量筛选，得到各个样本特征；
[0019]从各个所述样本客户中选取在第一预设观察点办理所述贷款业务的样本客户，作为第一样本客户；所述第一预设观察点包括以比预设贷款到期时间提前第一预设时间的时间点作为起始，且以所述预设贷款到期时间作为终止的时间段；
[0020]按照第一预设分类规则，对所述第一样本客户进行分类，得到所述第一样本客户的类型，并为所述第一样本客户设置与自身类型对应的类型标签；所述第一预设分类规则为：将在第一预设表现期内还款的第一样本客户，标识为好样本，并将在所述第一预设表现期内未还款的第一样本客户，标识为坏样本；所述第一预设表现期包括以所述第一预设观察点的结尾时间为起始、且延后第二预设时间的时间段；
[0021]基于所述第一样本客户的样本特征，构建所述第一样本集；
[0022]利用所述第一样本集对预设的逻辑回归模型进行训练，得到所述预催收评分卡模型。
[0023]可选的，所述决策树模型包括第一决策树模型；所述第一决策树模型为利用预先获取的第一训练数据集训练得到；
[0024]所述将所述待测客户的评分、存款以及贷款余额，输入至与所述评分的类型对应的决策树模型中，得到所述决策树模型输出的识别结果，包括：
[0025]将所述待测客户的预催收评分、存款以及贷款余额，输入至所述第一决策树模型中，得到所述第一决策树模型输出的第一识别结果；所述第一识别结果包括所述待测客户的预催收等级。
[0026]可选的，所述利用预先获取的第一训练数据集，训练得到的所述第一决策树模型的过程，包括：
[0027]将所述第一样本客户的样本特征输入至所述预催收评分卡模型中，得到所述预催收评分卡模型输出的第一样本评分结果；所述第一样本评分结果包括所述第一样本客户的预催收评分；
[0028]对所述第一样本客户的贷款数据进行解析，得到所述第一样本客户的存款以及贷款余额；
[0029]利用所述第一样本客户的预催收评分、存款以及贷款余额，构建所述第一训练数据集；
[0030]利用所述第一训练数据集，训练所述第一决策树模型。
[0031]可选的，所述评分卡模型包括逾期催收评分卡模型；所述逾期催收评分卡模型为利用预先获取的第二样本集对预设的逻辑回归模型进行训练所得到；
[0032]所述将所述目标特征输入至与所述待测客户的类型对应的评分卡模型中，得到所述评分卡模型输出的评分结果，包括：
[0033]在所述待测客户的类型为逾期客户的情况下，将所述目标特征输入到所述逾期催收评分卡模型中，得到所述逾期催收评分卡模型输出的第二评分结果；所述第二评分结果包括所述待测客户的逾期催收评分。
[0034]可选的，所述利用预先获取的第二样本集对预设的逻辑回归模型进行训练，得到所述逾期催收评分卡模型的过程，包括：
[0035]预先从贷款业务系统中获取多个样本客户的贷款数据；所述样本客户包括在预设观察期内办理贷款业务的客户；
[0036]对各个所述样本客户的贷款数据进行特征提取，得到特征变量集合；所述特征变量集合包括多个特征变量；
[0037]对所述特征变量集合中的各个特征变量进行变量筛选，得到各个样本特征；
[0038]从各个所述样本客户中选取在第二预设观察点办理所述贷款业务的样本客户，作为第二样本客户；所述第二预设观察点包括预设贷款逾期时间段；
[0039]按照第二预设分类规则，对所述第二样本客户进行分类，得到所述第二样本客户的类型，并为所述第二样本客户设置与自身类型对应的类型标签；所述第二预设分类规则为：将在第二预设表现期内还款的第二样本客户，标识为好样本，并将在所述第二预设表现期内未还款的第二样本客户，标识为坏样本；所述第二预设表现期包括以所述第二预设观察点的结尾时间为起始、且延后第二预设时间的时间段；
[0040]基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种贷款催收方法，其特征在于，包括：在接收到用户发送的待测客户的贷款数据后，对所述待测客户的贷款数据进行分析，得到所述待测客户的类型、存款以及贷款余额；对所述待测客户的贷款数据进行特征提取，得到目标特征；将所述目标特征输入至与所述待测客户的类型对应的评分卡模型中，得到所述评分卡模型输出的评分结果；所述评分卡模型为利用预先获取的样本集对预设的逻辑回归模型进行训练所得到；所述评分结果包括所述待测客户的评分，以及所述评分的类型；将所述待测客户的评分、存款以及贷款余额，输入至与所述评分的类型对应的决策树模型中，得到所述决策树模型输出的识别结果；所述决策树模型为利用预先获取的训练数据集构建得到；所述识别结果包括所述待测客户的催收等级；通过预设界面向所述用户展示所述待测客户的催收等级。2.根据权利要求1所述的方法，其特征在于，所述评分卡模型包括预催收评分卡模型；所述预催收评分卡模型为利用预先获取的第一样本集对预设的逻辑回归模型进行训练所得到；所述将所述目标特征输入至与所述待测客户的类型对应的评分卡模型中，得到所述评分卡模型输出的评分结果，包括：在所述待测客户的类型为未逾期客户的情况下，将所述目标特征输入到所述预催收评分卡模型中，得到所述预催收评分卡模型输出的第一评分结果；所述第一评分结果包括所述待测客户的预催收评分。3.根据权利要求2所述的方法，其特征在于，所述利用预先获取的第一样本集对预设的逻辑回归模型进行训练，得到所述预催收评分卡模型的过程，包括：预先从贷款业务系统中获取多个样本客户的贷款数据；所述样本客户包括在预设观察期内办理贷款业务的客户；对各个所述样本客户的贷款数据进行特征提取，得到特征变量集合；所述特征变量集合包括多个特征变量；对所述特征变量集合中的各个特征变量进行变量筛选，得到各个样本特征；从各个所述样本客户中选取在第一预设观察点办理所述贷款业务的样本客户，作为第一样本客户；所述第一预设观察点包括以比预设贷款到期时间提前第一预设时间的时间点作为起始，且以所述预设贷款到期时间作为终止的时间段；按照第一预设分类规则，对所述第一样本客户进行分类，得到所述第一样本客户的类型，并为所述第一样本客户设置与自身类型对应的类型标签；所述第一预设分类规则为：将在第一预设表现期内还款的第一样本客户，标识为好样本，并将在所述第一预设表现期内未还款的第一样本客户，标识为坏样本；所述第一预设表现期包括以所述第一预设观察点的结尾时间为起始、且延后第二预设时间的时间段；基于所述第一样本客户的样本特征，构建所述第一样本集；利用所述第一样本集对预设的逻辑回归模型进行训练，得到所述预催收评分卡模型。4.根据权利要求3所述的方法，其特征在于，所述决策树模型包括第一决策树模型；所述第一决策树模型为利用预先获取的第一训练数据集训练得到；所述将所述待测客户的评分、存款以及贷款余额，输入至与所述评分的类型对应的决
策树模型中，得到所述决策树模型输出的识别结果，包括：将所述待测客户的预催收评分、存款以及贷款余额，输入至所述第一决策树模型中，得到所述第一决策树模型输出的第一识别结果；所述第一识别结果包括所述待测客户的预催收等级。5.根据权利要求4所述的方法，其特征在于，所述利用预先获取的第一训练数据集，训练得到的所述第一决策树模型的过程，包括：将所述第一样本客户的样本特征输入至所述预催收评分卡模型中，得到所述预催收评分卡模型输出的第一样本评分结果；所述第一样本评分结果包括所述第一样本客户的预催收评分；对所述第一样本客户的贷款数据进行解析，得到所述第一样本客户的存款以及贷款余额；利用所述第一样本客户的预催收评分、存款以及贷款余额，构建所述第一训练数据集；利用所述第一训练数据集，训练所述第一决策树模型。6.根...

【专利技术属性】
技术研发人员：涂洪星，李大伟，林建贞，倪昕琦，陈楠，邓艾兵，尚妍，薛颖，李杰彬，
申请(专利权)人：中国建设银行股份有限公司，
类型：发明
国别省市：