[發(fā)明專(zhuān)利]自動(dòng)扣款方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210036101.9
• 申請(qǐng)日: 2022-01-12
• 公開(kāi)（公告）號(hào): CN114387086A
• 公開(kāi)（公告）日: 2022-04-22
• 發(fā)明（設(shè)計(jì)）人: 胡文康;何自興;徐儀博;顏星星;劉煥鳳;崔珊珊
• 申請(qǐng)（專(zhuān)利權(quán)）人: 平安科技（深圳）有限公司
• 主分類(lèi)號(hào): G06Q40/02
• 分類(lèi)號(hào): G06Q40/02;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳中一聯(lián)合知識(shí)產(chǎn)權(quán)代理有限公司 44414
• 代理人: 李木燕

本申請(qǐng)適用于人工智能技術(shù)領(lǐng)域，提供一種自動(dòng)扣款方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)，其方法包括：根據(jù)目標(biāo)用戶(hù)的個(gè)人資料數(shù)據(jù)，對(duì)目標(biāo)用戶(hù)進(jìn)行客群分類(lèi)識(shí)別處理，確定目標(biāo)用戶(hù)所從屬的客群分類(lèi)；根據(jù)目標(biāo)用戶(hù)所從屬的客群分類(lèi)，對(duì)目標(biāo)用戶(hù)進(jìn)行策略配置處理，為目標(biāo)用戶(hù)制定對(duì)應(yīng)適配的目標(biāo)自動(dòng)扣款策略；按照目標(biāo)自動(dòng)扣款策略，向目標(biāo)用戶(hù)發(fā)起自動(dòng)扣款請(qǐng)求，以執(zhí)行對(duì)目標(biāo)用戶(hù)的自動(dòng)扣款處理。基于該方法，通過(guò)分析目標(biāo)用戶(hù)所從屬的客群分類(lèi)來(lái)確定目標(biāo)用戶(hù)適配的自動(dòng)扣款策略，避免在不適宜的時(shí)間向用戶(hù)發(fā)起自動(dòng)扣款請(qǐng)求，減少自動(dòng)扣款發(fā)起的次數(shù)，有效提升自動(dòng)扣款的成功率，減少用戶(hù)逾期風(fēng)險(xiǎn)。

技術(shù)領(lǐng)域

本申請(qǐng)涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種自動(dòng)扣款方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

在金融小額信貸領(lǐng)域，為了降低逾期率，通常會(huì)采用自動(dòng)扣款的方式讓用戶(hù)能及時(shí)還款，降低對(duì)借貸人個(gè)人信用的影響。自動(dòng)扣款是指信貸業(yè)務(wù)中銀行在用戶(hù)還款到期日，根據(jù)用戶(hù)欠款自動(dòng)發(fā)起扣款的一項(xiàng)功能。現(xiàn)有的自動(dòng)扣款方法通常是單一地設(shè)置在用戶(hù)還款到期日發(fā)起自動(dòng)扣款，然而，這種單一的自動(dòng)扣款方法靈活性差，比如，清分情景下的還款，如果發(fā)生只有部分扣款成功，那么不但扣款失敗，還需要做退款處理，導(dǎo)致平臺(tái)需要承擔(dān)相應(yīng)的支付手續(xù)費(fèi)，增加借貸平臺(tái)成本，而且由于退款處理還會(huì)降低自動(dòng)扣款頻率，進(jìn)而影響自動(dòng)還款的成功率。因此，受用戶(hù)行為習(xí)慣的多樣性以及還款情景的多樣性影響，目前現(xiàn)有的自動(dòng)扣款方法的扣款成功率低且用戶(hù)逾期風(fēng)險(xiǎn)高，容易對(duì)借貸人的信用造成影響。

發(fā)明內(nèi)容

有鑒于此，本申請(qǐng)實(shí)施例提供了一種自動(dòng)扣款方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)，可以提升用戶(hù)的自動(dòng)扣款成功率，減少用戶(hù)逾期風(fēng)險(xiǎn)。

本申請(qǐng)實(shí)施例的第一方面提供了一種自動(dòng)扣款方法，包括：

根據(jù)目標(biāo)用戶(hù)的個(gè)人資料數(shù)據(jù)，對(duì)所述目標(biāo)用戶(hù)進(jìn)行客群分類(lèi)識(shí)別處理，確定所述目標(biāo)用戶(hù)所從屬的客群分類(lèi)；

根據(jù)所述目標(biāo)用戶(hù)所從屬的客群分類(lèi)，對(duì)所述目標(biāo)用戶(hù)進(jìn)行策略配置處理，為所述目標(biāo)用戶(hù)制定對(duì)應(yīng)適配的目標(biāo)自動(dòng)扣款策略；

按照所述目標(biāo)自動(dòng)扣款策略，向所述目標(biāo)用戶(hù)發(fā)起自動(dòng)扣款請(qǐng)求，以執(zhí)行對(duì)所述目標(biāo)用戶(hù)的自動(dòng)扣款處理。

結(jié)合第一方面，在第一方面的第一種可能實(shí)現(xiàn)方式中，所述根據(jù)目標(biāo)用戶(hù)的個(gè)人資料數(shù)據(jù)，對(duì)所述目標(biāo)用戶(hù)進(jìn)行客群分類(lèi)識(shí)別處理，確定所述目標(biāo)用戶(hù)所從屬的客群分類(lèi)的步驟之前，還包括：

收集若干個(gè)用戶(hù)的用戶(hù)數(shù)據(jù)，并針對(duì)每個(gè)用戶(hù)的用戶(hù)數(shù)據(jù)分別構(gòu)建各自對(duì)應(yīng)的訓(xùn)練樣本，其中，所述訓(xùn)練樣本中包含有用戶(hù)的基本信息數(shù)據(jù)和用戶(hù)的歷史還款行為數(shù)據(jù)；

根據(jù)所述訓(xùn)練樣本中用戶(hù)的基本信息對(duì)預(yù)先搭建的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行客群分類(lèi)訓(xùn)練，以在所述神經(jīng)網(wǎng)絡(luò)模型中生成若干個(gè)客群分類(lèi)；

在所述神經(jīng)網(wǎng)絡(luò)模型中，針對(duì)屬于同一個(gè)客群分類(lèi)的訓(xùn)練樣本，統(tǒng)計(jì)分析所述訓(xùn)練樣本中包含的用戶(hù)的歷史還款行為數(shù)據(jù)，確定所述客群分類(lèi)中用戶(hù)扣款成功的還款行為特征，并根據(jù)所述還款行為特征設(shè)置所述客群分類(lèi)對(duì)應(yīng)適配的自動(dòng)扣款策略，生成用于為用戶(hù)配置自動(dòng)扣款策略的策略匹配模型。

結(jié)合第一方面的第一種可能實(shí)現(xiàn)方式，在第一方面的第二種可能實(shí)現(xiàn)方式中，所述按照所述目標(biāo)自動(dòng)扣款策略，向所述目標(biāo)用戶(hù)發(fā)起自動(dòng)扣款請(qǐng)求，以執(zhí)行對(duì)所述目標(biāo)用戶(hù)的自動(dòng)扣款處理的步驟之后，還包括：

若所述目標(biāo)用戶(hù)的自動(dòng)扣款處理返回扣款成功結(jié)果，則將所述目標(biāo)用戶(hù)的個(gè)人資料數(shù)據(jù)作為訓(xùn)練樣本反饋給所述策略匹配模型進(jìn)行迭代處理，調(diào)整所述策略匹配模型中各客群分類(lèi)的分類(lèi)參數(shù)，以?xún)?yōu)化所述策略匹配模型對(duì)用戶(hù)的客群分類(lèi)識(shí)別結(jié)果。

結(jié)合第一方面的第一種可能實(shí)現(xiàn)方式，在第一方面的第三種可能實(shí)現(xiàn)方式中，所述收集若干個(gè)用戶(hù)的用戶(hù)數(shù)據(jù)，并針對(duì)每個(gè)用戶(hù)的用戶(hù)數(shù)據(jù)分別構(gòu)建各自對(duì)應(yīng)的訓(xùn)練樣本的步驟，包括：