[发明专利]一种基于信用评分的催收方法及装置

说明书

技术领域

本发明涉及金融不良资产催收领域，具体涉及一种基于信用评分的催收方法及装置。

背景技术

近年来，消费金融、小额贷款、P2P等借贷行业不断发展，国内的征信制度却仍有许多缺陷，这导致逾期坏账率居高不下。而最为常见的逾期欠款催收，往往由于采用的催收策略不同，产生了催收效果的差异。比如：可能会产生对因偶然遗忘等原因导致的低风险高金额客户采用较为过激的催收方式，而对高风险低金额客户没有采用有效催收手段。

现有催收方法通常存在以下缺陷：不同逾期产品，信用评分标准不同，缺乏统一收集、维护和分析的数据；分析特征维度少，获取信息的周期长，影响预测的准确度。

发明内容

本发明的主要目的是提供一种基于信用评分的催收方法及装置，旨在根据催收评分结果自动判断其风险的高低，合理确定客户的催收策略，有利于提高催收的效果，减少坏账损失。

根据本发明的一个方面，提供了一种基于信用评分的催收方法，该催收方法包括以下步骤：

(1)收集催收对象信用信息：收集催收对象信用信息，并建立信用信息库，所述信用信息库中包括多项信用指标；

(2)处理收集到的信用信息：首先对所述信用信息库中的信用信息进行筛选，缺失值以及异常值可剔除或采用平均值代替，确定在建模过程中可作自变量的信用指标；然后对上述可作自变量的信用指标进行相关性分析，剔除具有共线性的信用指标，保留相对独立的信用指标作为特征变量；最后对上述信用信息进行采样和格式化处理；

(3)建立信用风险评分模型：利用机器学习算法建立信用风险评分模型，根据催收对象的历史信用信息来训练所述评分模型；

(4)预测逾期欠款回款概率：将步骤(2)中格式化处理后的特征变量代入所述信用风险评分模型，计算得到催收回款风险概率，并根据该风险概率转化为催收评分，然后根据上述催收评分确定所述催收对象的风险等级；

(5)实施针对性的催款策略：根据步骤(4)中确定的风险等级，实施具有针对性的催款策略。

进一步地，将步骤(5)中实施的催款记录反馈到所述信用信息库中，更新或完善所述信用信息。

进一步地，所述信用信息包括催收对象的还款能力、还款意愿、关键要素和风险释放因素中的一个或多个方面的信用指标；其中，所述还款能力的因素至少包括个人月均收入、家庭月均收入、存款额、学历、从事行业、工作年限、单位类型中的一个或多个指标；所述还款意愿的因素至少包括职业、职称、征信记录、最近一个月的联络记录、最近3个月的联络记录、首次逾期期数中的一个或多个指标；所述关键要素至少包括贷款类型、催收金额、借款额中的一个或多个指标；所述风险释放要素至少包括是否有抵押、抵押物类型、抵押金额、家庭资产、家庭住址、公司地址中的一个或多个指标。

进一步地，所述机器学习算法包括但不限于分类器、logistic回归或神经网络中任一种。

进一步地，根据评分结果，将所述风险等级划分为高风险、中风险和低风险三个等级；所述针对性的催款策略包括对低风险预期时间短的客户，采用电话催收方式；对中等风险客户，采取警示型的电话催收方式；对高风险客户，在警示型电话催收不生效时，则加大催收力度，采取上门催收的方式。

进一步地，针对不同风险等级的客户实行名单管理制度，划分为若干组别，以便于采取针对性的催收措施。

根据本发明的另一个方面，还提供了一种基于信用评分的催收装置，所述催收装置包括：

(1)催收对象信用信息收集模块：所述收集模块可收集催收对象的信用信息，并建立信用信息库，所述信用信息库中包括多项信用指标；

(2)信用信息处理模块：所述信用信息处理模块可对所述信用信息库中的信用信息进行筛选，缺失值以及异常值可剔除或采用平均值代替，确定在建模过程中可作自变量的信用指标；并对上述可作自变量的信用指标进行相关性分析，剔除具有共线性的信用指标，保留相对独立的信用指标作为特征变量；最后对上述信用信息进行采样和格式化处理；

(3)信用风险评分模块：所述信用风险评分模块可利用机器学习算法建立信用风险评分模型，根据催收对象的历史信用信息来训练所述评分模型；将格式化处理后的特征变量代入所述信用风险评分模型，即可计算得到催收回款风险概率，根据该风险概率转化为催收评分，然后根据上述催收评分可确定所述催收对象的风险等级；根据所述风险等级，即可实施具有针对性的催款策略。

进一步地，还包括催收记录更新模块，所述催收记录更新模块可将实施的催款记录反馈到所述信用信息库中，更新或完善所述信用信息。