[發(fā)明專利]一種基于強化學(xué)習(xí)原理的電話催收動態(tài)策略優(yōu)化系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011345838.6
• 申請日: 2020-11-26
• 公開（公告）號: CN112465221A
• 公開（公告）日: 2021-03-09
• 發(fā)明（設(shè)計）人: 鐘浩;劉忞超
• 申請（專利權(quán)）人: 融奕數(shù)智科技（深圳）有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06N20/00
• 代理公司: 蘇州銘浩知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32246
• 代理人: 于浩江

本發(fā)明公開了一種基于強化學(xué)習(xí)原理的電話催收動態(tài)策略優(yōu)化系統(tǒng)，包含數(shù)據(jù)接入模塊、智能決策模塊、智能語音機器人系統(tǒng)、人工電話催收系統(tǒng)、數(shù)據(jù)存儲和反饋模塊；本發(fā)明的系統(tǒng)可以通過系統(tǒng)自我學(xué)習(xí)進行策略動態(tài)調(diào)整以達到未來回報最大化。通過應(yīng)用強化學(xué)習(xí)理論，將債務(wù)人基本信息、催收員業(yè)務(wù)能力、近期案件分配記錄、近期催收記錄、近期還款記錄等信息進行整合，實時動態(tài)地生成每天的電話催收策略，包括智能語音機器人的最佳策略組合及人工電話催收的策略推薦，以提高電話催收的整體效益。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于強化學(xué)習(xí)原理的電話催收動態(tài)策略優(yōu)化系統(tǒng)。

背景技術(shù)

貸后電話催收業(yè)務(wù)是指采用電話方式對債務(wù)人的逾期貸款進行催收，整個流程通常為期數(shù)周至數(shù)月不等；對于業(yè)務(wù)流程中涉及的撥打案件優(yōu)先級選擇，撥打號碼選擇、撥打時段選擇、撥打及跟進頻率選擇，談判及處置手段等具體決策和操作問題，業(yè)內(nèi)目前普遍采用基于經(jīng)驗法則的規(guī)則策略和基于簡單排序的靜態(tài)策略，存在規(guī)則有限、策略固化的問題，無法根據(jù)案件最新狀態(tài)及時進行策略調(diào)整。

發(fā)明內(nèi)容

針對上述存在的技術(shù)問題，本發(fā)明的目的是：提出了一種基于強化學(xué)習(xí)原理的電話催收動態(tài)策略優(yōu)化系統(tǒng)，可以根據(jù)準實時的數(shù)據(jù)，動態(tài)的提供最優(yōu)的電話催收策略組合推薦，真正實現(xiàn)準實時的策略調(diào)整，達到優(yōu)化催收效益的目的。

本發(fā)明的技術(shù)解決方案是這樣實現(xiàn)的：一種基于強化學(xué)習(xí)原理的電話催收動態(tài)策略優(yōu)化系統(tǒng)，包含數(shù)據(jù)接入模塊、智能決策模塊、智能語音機器人系統(tǒng)、人工電話催收系統(tǒng)、數(shù)據(jù)存儲和反饋模塊；

所述數(shù)據(jù)接入模塊通過對原始業(yè)務(wù)數(shù)據(jù)進行自動化清洗、整理和加工，并結(jié)合數(shù)據(jù)反饋模塊提供的最新策略執(zhí)行及結(jié)果反饋數(shù)據(jù)，生成智能決策模塊中機器學(xué)習(xí)模型及動態(tài)策略優(yōu)化所需的準實時衍生數(shù)據(jù)變量；該模塊主要功能是整合多種數(shù)據(jù)源，為智能決策模塊做數(shù)據(jù)準備，保證實時反饋得到的數(shù)據(jù)能夠被用于案件回款率預(yù)測的更新，乃至模型及策略的更新。

所述智能決策模塊，包括模型預(yù)測應(yīng)用與動態(tài)策略生成兩步。首先，運用準實時更新的數(shù)據(jù)生成的模型變量，使系統(tǒng)預(yù)設(shè)的機器學(xué)習(xí)模型能進行周期性地自動更新。接著運用更新的系統(tǒng)模型，對案件的回款率進行實時智能預(yù)測和評估。這一步采用機器學(xué)習(xí)算法，如邏輯回歸（Logistics Regression），梯度提升（Gradient Boosting），人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network)等算法，對案件的回款率做科學(xué)預(yù)測，為進一步的策略選擇提供基礎(chǔ)。

隨后，根據(jù)回款率預(yù)測結(jié)果，智能決策模塊將案件分為適合智能語音機器人處理及適合人工處理兩類，并以回款率最大化為目標，應(yīng)用強化學(xué)習(xí)原理，綜合運用最新策略執(zhí)行反饋數(shù)據(jù)，為兩種處理方式動態(tài)地生成最佳策略組合。智能機器人策略組合包括：最佳撥打號碼、最佳電催撥號時段、最佳電催撥打頻率、優(yōu)化的話術(shù)選擇和語調(diào)選擇等。人工電催策略包括：案件優(yōu)先級排序，跟進案件推送，最優(yōu)聯(lián)系號碼推薦，聯(lián)系時段推薦，談判策略推薦及處置手段推薦。其中策略組合的更新，運用強化學(xué)習(xí)原理，整合利用實時的歷史策略執(zhí)行和反饋結(jié)果數(shù)據(jù)，得到最優(yōu)的策略組合更新。其中，強化學(xué)習(xí)（Reinforcement learning，簡稱RL）是機器學(xué)習(xí)中的一個領(lǐng)域，強調(diào)如何基于環(huán)境而行動，以取得最大化的預(yù)期利益?；镜膹娀瘜W(xué)習(xí)框架是通過定義債務(wù)人/案件的“狀態(tài)”（指回款可能性），以及一些列策略集合（包括話術(shù)，撥打頻次等），通過策略執(zhí)行的反饋數(shù)據(jù)及專家經(jīng)驗，形成一系列在狀態(tài)之間轉(zhuǎn)換的規(guī)則及轉(zhuǎn)換后即時“獎勵”的規(guī)則。使用數(shù)據(jù)來優(yōu)化行為，并近似描述復(fù)雜的環(huán)境，達到最大化的預(yù)期回款之目的。

接下來，依據(jù)案件的處理類別，將案件及相應(yīng)推薦策略組合分別推送至智能語音機器人系統(tǒng)和人工電話催收系統(tǒng)，該模塊是電催策略的實際執(zhí)行模塊，智能語音機器人系統(tǒng)執(zhí)行收到的策略，而人工電話催收系統(tǒng)將推薦策略實時推送催收員，供催收員參考執(zhí)行。