某城市商业银行
智能催收项目

背景与挑战

随着互联网技术的发展,金融机构获客渠道日益丰富,线上成为主要业务来源,客群的多样性和风险日益增加。另一方面,消费金融、互联网金融机构的大规模业务扩张,使得信贷客群逐渐下探,客户共债情况日益加剧,金融机构逾期风险日益加剧,不良率普遍攀升。这不仅对金融机构的不良资产处置能力持续带来压力,同时对贷后催收工作也提出更高要求。当面对持续增长的催收案件数量,如何利用人工智能技术在有限的资源投入下提升现有贷后催收工作效率和效果,是我们需要探索和解决的问题。

业务目标

客户信贷资产规模持续增长,入催案件数量也在逐步增加。这不仅对行内不良资产处置能力持续带来压力,同时对贷后催收管理也提出更高的要求。通过机器学习技术实现对入催客户的精准形象刻画,采取差异化的催收手段,解决催收痛点问题,提升催收成功率、降低催收成本并有效配置催收资源,甚至希望好客户体验不因催收受到影响,并能在一定程度上增加罚息收入。

难点与关键成功因素

客户贷后系统仍在建设过程中,贷后数据有限,已有数据散落在多个系统以及手工台账中,同时存在一些数据质量问题,都为建模带来了难度。客户有一套相对固定的催收流程和规范,智能化的催收方法如何和现有业务实操有效结合发挥最大价值,是客户重点关注的问题。

基于对客户业务的深入理解,结合客户实际情况充分整合内部及外部数据,帮助客户实现了良好的模型效果,对入催客户进行精准刻画,准确预测客户还款难度和自愈概率,针对性采取最佳的催收策略,并将模型结果有效与专家规则整合,优化了催收业务流程。

业务成果

帮助客户减少风险损失及催收成本上百万元,M1回款率显著提升。