AI技术助力金融行业进入智能化催收时代
人工智能技术正在渗入各行各业,许多以科技为驱动的互联网金融企业也开始走进智能化催收时代。
在粗放型催收时代,催收作业完全依靠人力完成,且没有案件的分类,企业往往强调绩效激励,通过增加人均作业量,提升作业效率和加快作业进度。
随着企业管理的深化,催收行业迎来精细化时代。催收案件被按照各种维度进行细分,包括案件逾期时间、响应可能性等,实现精细化分案催收,精细化催收的主要手段是电话和短信。
企业通过引入智能催收机器人,让机器人代替人工,开展智能语音催收。而实现智能化催收的要点是构建催收的智能模型体系,这一构建过程包含:
1. 构建贷中贷后AI模型,优化用户分群;
2. 构建基于深度学习的用户画像模型,提升用户画像的应用水平;
3. 从坐席人员的拨号习惯出发,构建号码策略模型;
4. 通过研究催收话术,构建专门用于催收的次序模型,结合用户画像,实时推荐催收话术;
5. 通过对催收话术的研究,构建用于质检的模型,实现7*24小时无盲点智能质检。
贷中贷后管理模型
构建贷中贷后模型的出发点是实现用户分群,从而针对不同还款意愿和能力的用户采取差异化的催收方式。利用AI和机器学习技术构建贷中贷后模型,通过分析用户的身份信息、交易与还款行为以及互联网行为等数据,输出用户的逾期还款概率,从而对用户进行分群。
当贷中模型预测用户逾期概率较高时,可以在贷中阶段尽早启动预催收工作,从而减少逾期的发生。基于设置,贷后模型能够分别对逾期3日内、7日内和31日内的回款案件作出精细化分析,实时输出各个回款案件的用户还款概率。
在此基础上结合实际业务操作和后续模型的构建,贷中贷后模型能够帮助回款工作人员优化分案流程,配置资源,针对不同情况采取不同的资源组合(机器人OR人工)和催收策略(短信、IVR语音通知、电话、上门拜访等)。
用户画像模型
用户画像是指根据用户的属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型。其实就是给用户打标签,通过打标签可以利用一些高度概括、容易理解的特征来描述用户,让我们更容易理解用户,同时也方便计算机处理。
在催收方面,用户画像解决的是具有怎样特征的人还款概率更高的问题,它的本质是一种定量的用户画像,构建催收用户画像有三个关键步骤:
1. 以贷中贷后模型的用户分群为基础;
2. 收集实际业务中的催收数据,并在此基础上做聚类分析;
3. 构建催收用户画像。
催收用户画像在分析还款概率的贷中贷后模型上更进一步,找出了不同用户群体之间的相同特征,能够服务于催收作业的优化,增加用户的触达方式和修复触达方式。同时,这种特征的提取还能反馈到贷前,成为审批的依据。由于具有充分的数据佐证,这种方式构建的催收用户画像能够通过统计分析获得用户特点和比例的精确数据。
拨号策略模型
回款作业中有时拨打用户本人的电话可能无法联系到用户,这时候就需要回款工作人员拨打其他相关电话,以与用户取得联系,回款工作人员工作效率的差异很大程度上来源于拨号策略的选择。
拨号策略模型将根据拨打效率和回款率等相关维度对催收坐席进行聚类分析,挑选通话效率高、回款率高的坐席作为研究数据。通过训练,模型能够根据目前的催收场景,给出号码拨打的概率预测,拨号策略模型能够帮助精简后台信息,提升催收作业的效率。
话术策略模型
话术策略模型的目标是为催收人员提供话术策略建议。通过建模,可以将需要推荐的话术匹配到相应的模型。同时,也可使用大量实际催收话术作为话术策略模型的训练数据。话术策略模型将能够根据客户的触达历史,提供建议的应对话术,使经验得到固化和推广。
智能催收机器人可以在催收执行环节进行语音催收,从而分担人工电话催收的工作压力,实现资源的更优配置。从技术角度看,智能催收机器人可以实现单轮意图解析和多轮对话的理解,并且在此基础上实现话术的生成和指令的生成。基于设置的催收策略,智能催收机器人能够与坐席人员完美配合、无缝衔接,提升催收工作的整体效率。
从粗放型催收到精细化催收,再到智能化催收,催收行业进入转型的关键时刻。如何使用技术手段助力催收作业,实现节约成本、优化体验和改善效果的三重目标,成为互联网金融行业的重要课题。智能催收模型体系能够提升催收业务的效率,减轻催收业务人员的工作压力,同时也能够让催收作业更加合规。