[发明专利]一种基于强化学习原理的电话催收动态策略优化系统

说明书

本发明公开了一种基于强化学习原理的电话催收动态策略优化系统，包含数据接入模块、智能决策模块、智能语音机器人系统、人工电话催收系统、数据存储和反馈模块；本发明的系统可以通过系统自我学习进行策略动态调整以达到未来回报最大化。通过应用强化学习理论，将债务人基本信息、催收员业务能力、近期案件分配记录、近期催收记录、近期还款记录等信息进行整合，实时动态地生成每天的电话催收策略，包括智能语音机器人的最佳策略组合及人工电话催收的策略推荐，以提高电话催收的整体效益。

技术领域

本发明涉及一种基于强化学习原理的电话催收动态策略优化系统。

背景技术

贷后电话催收业务是指采用电话方式对债务人的逾期贷款进行催收，整个流程通常为期数周至数月不等；对于业务流程中涉及的拨打案件优先级选择，拨打号码选择、拨打时段选择、拨打及跟进频率选择，谈判及处置手段等具体决策和操作问题，业内目前普遍采用基于经验法则的规则策略和基于简单排序的静态策略，存在规则有限、策略固化的问题，无法根据案件最新状态及时进行策略调整。

发明内容

针对上述存在的技术问题，本发明的目的是：提出了一种基于强化学习原理的电话催收动态策略优化系统，可以根据准实时的数据，动态的提供最优的电话催收策略组合推荐，真正实现准实时的策略调整，达到优化催收效益的目的。

本发明的技术解决方案是这样实现的：一种基于强化学习原理的电话催收动态策略优化系统，包含数据接入模块、智能决策模块、智能语音机器人系统、人工电话催收系统、数据存储和反馈模块；

所述数据接入模块通过对原始业务数据进行自动化清洗、整理和加工，并结合数据反馈模块提供的最新策略执行及结果反馈数据，生成智能决策模块中机器学习模型及动态策略优化所需的准实时衍生数据变量；该模块主要功能是整合多种数据源，为智能决策模块做数据准备，保证实时反馈得到的数据能够被用于案件回款率预测的更新，乃至模型及策略的更新。

所述智能决策模块，包括模型预测应用与动态策略生成两步。首先，运用准实时更新的数据生成的模型变量，使系统预设的机器学习模型能进行周期性地自动更新。接着运用更新的系统模型，对案件的回款率进行实时智能预测和评估。这一步采用机器学习算法，如逻辑回归（Logistics Regression），梯度提升（Gradient Boosting），人工神经网络(Artificial Neural Network)等算法，对案件的回款率做科学预测，为进一步的策略选择提供基础。

随后，根据回款率预测结果，智能决策模块将案件分为适合智能语音机器人处理及适合人工处理两类，并以回款率最大化为目标，应用强化学习原理，综合运用最新策略执行反馈数据，为两种处理方式动态地生成最佳策略组合。智能机器人策略组合包括：最佳拨打号码、最佳电催拨号时段、最佳电催拨打频率、优化的话术选择和语调选择等。人工电催策略包括：案件优先级排序，跟进案件推送，最优联系号码推荐，联系时段推荐，谈判策略推荐及处置手段推荐。其中策略组合的更新，运用强化学习原理，整合利用实时的历史策略执行和反馈结果数据，得到最优的策略组合更新。其中，强化学习（Reinforcement learning，简称RL）是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。基本的强化学习框架是通过定义债务人/案件的“状态”（指回款可能性），以及一些列策略集合（包括话术，拨打频次等），通过策略执行的反馈数据及专家经验，形成一系列在状态之间转换的规则及转换后即时“奖励”的规则。使用数据来优化行为，并近似描述复杂的环境，达到最大化的预期回款之目的。

接下来，依据案件的处理类别，将案件及相应推荐策略组合分别推送至智能语音机器人系统和人工电话催收系统，该模块是电催策略的实际执行模块，智能语音机器人系统执行收到的策略，而人工电话催收系统将推荐策略实时推送催收员，供催收员参考执行。