[发明专利]电子装置、基于分类模型的催收员确定方法及存储介质

权利要求书

1.一种电子装置，其特征在于，所述电子装置包括存储器、及与所述存储器连接的处理器，所述处理器用于执行所述存储器上存储的基于分类模型的催收员确定程序，所述基于分类模型的催收员确定程序被所述处理器执行时实现如下步骤：

A1、接收到普惠案件的催收请求后，获取该惠普案件对应的用户身份标识信息；

A2、根据所述用户身份标识信息，获取该用户在预定义的时间段内的逾期信息、催收信息和账户信息；

A3、对获取的逾期信息和催收信息进行统计分析，以统计出该用户的逾期特征数据；

A4、根据预先训练完成的用户逾期风险分类模型对统计出的逾期特征数据进行分析，以得到该用户的逾期风险类别；

A5、根据预先确定的催收员与逾期风险类别之间的映射关系，确定该普惠案件对应的催收员，并将该普惠案件分配至确定的催收员进行催收。

2.如权利要求1所述的电子装置，其特征在于，所述催收信息包括催收次数、每次催收的手段、用户接收催收的次数以及用户对不同催收手段的反馈信息；所述逾期信息包括案件账龄、在预定义的时间段内的逾期次数、每次逾期的最迟还款时间、每次逾期天数、每次剩余本金、每次逾期本金、还款率、每次消费余额、每次额度使用率以及信用额度；所述账户信息包括账户号、开户日期、开户次数、各个账户对应的账龄、各个账户对应的账单日期以及各个账户对应的取现信用额度。

3.如权利要求2所述的电子装置，其特征在于，所述逾期特征数据包括在所述预定义的时间段内各次逾期对应的逾期天数的变化规律、各次逾期对应的逾期天数中的最长逾期天数、各次逾期对应的逾期天数中的最短逾期天数、逾期率、未还款次数、开户次数、未结清账单中最短账龄、未结清账单中最长账龄以及偏好的催账方式。

4.如权利要求3所述的电子装置，其特征在于，在所述步骤A4中，所述预先训练完成的用户逾期风险分类模型为决策树模型，所述决策树模型包括决策树的训练过程和测试过程；所述训练过程包括如下步骤：

E1、分别获取不同用户在预定义时间段内的逾期特征数据作为构建决策树的样本集；

F1、将所述样本集中各个客户的逾期特征数据分为第一预设比例的训练样本集和第二预设比例的测试样本集；

G1、利用所述训练样本集中的多个逾期特征数据对预先构建的决策树进行训练，以得到训练完成的逾期风险分类模型；

H1、将所述测试样本集中各个用户的逾期特征数据代入训练完成的逾期风险分类模型进行模型准确性测试，若测试通过，则训练完成，若测试不通过，则重复执行步骤E1、F1、G1、H1。

5.如权利要求4所述的电子装置，其特征在于，所述测试过程包括如下步骤：

利用训练好的所述逾期风险分类模型对所述测试样本集中的各个用户在预定义时间段内的逾期特征数据进行分析，以得到各个用户的逾期风险类别；

分别将得到的各个用户的逾期风险类别与预先确定的各个用户的逾期风险类别进行比较；

若得到的逾期风险类别与预先确定的逾期风险类别相同的用户的概率值大于预设的概率阈值，则确定对所述逾期风险分类模型的测试通过，或者，若得到的逾期风险类别与预先确定的逾期风险类别相同的用户的概率值小于或等于预设的概率阈值，则确定对所述逾期风险分类模型的测试不通过。

6.一种基于分类模型的催收员确定方法，其特征在于，所述方法包括如下步骤：

S1、接收到普惠案件的催收请求后，获取该惠普案件对应的用户身份标识信息；

S2、根据所述用户身份标识信息，获取该用户在预定义的时间段内的逾期信息、催收信息和账户信息；

S3、对获取的逾期信息和催收信息进行统计分析，以统计出该用户的逾期特征数据；

S4、根据预先训练完成的用户逾期风险分类模型对统计出的逾期特征数据进行分析，以得到该用户的逾期风险类别；

S5、根据预先确定的催收员与逾期风险类别之间的映射关系，确定该普惠案件对应的催收员，并将该普惠案件分配至确定的催收员进行催收。