精准匹配！——智能催收之案件推荐系统

在P2P行业频频爆雷的现状下，拍拍贷依然能够稳定地将风险稳定在一个较低的水平上，截止2018年第三季度90天预期率仅为1.49%，这背后公司强大的贷后催收团队功不可没。但电话催收是一个重人力工作，目前公司的催收坐席已达千余人，如何使用人工智能技术帮助催收坐席减轻工作负担，提高工作效率是一个需要思考的问题。

催收坐席每天都会接手大量的逾期案件，因此坐席无法对每个案件都做到深度的触达，需要有重点的催收某些案件。有经验的坐席会总结出一些筛选案件的策略，根据自己的判断对案件的触达方式和程度进行优化。但由于催收工作的流动性比较大，每天都会有一些新人加入，他们在刚开始催收时，面对茫茫的案件列表，可能会束手无策，只能挨个进行催收，导致回款率远低于有经验的坐席。在这样的背景下，我们想到可以借鉴商品推荐的思路，给每个坐席针对性地推荐一些合适的案件，让坐席省去筛选案件的工作，以提高工作效率和案件的回款率。

在商品推荐场景中，一个好的个性化推荐系统通常会考虑用户属性和商品属性两个维度。若将这个思路移植到催收案件推荐场景，那么催收坐席等同于“用户”，而案件则是“商品”，坐席的属性包括：性别、年龄、拨打策略、话术习惯等，案件的属性包括欠款用户的基本属性、历史还款行为、逾期天数等，我们认为理想的案件推荐系统需要将案件属性与坐席属性相匹配，将不同类型的案件分配给合适的坐席催收，实现案件的个性化推荐。

图1: 理想的催收案件推荐系统

通常贷后催收会将逾期30天以内的案件划分到前端模块，逾期30天以上的则划分到后端模块，前端模块的特点是案件量多，金额小，回款率高；相比前端模块，后端模块案件的金额较大，回款率偏低，并且会有前端催收积累的一些反馈信息。此时坐席更多的会与欠款人进行谈判，争取尽量多的回款。针对前、后端催收模块的特点，我们在搭建推荐系统时考虑的坐席属性和案件属性会有所差异。以前端为例，在坐席维度，我们根据坐席的拨打次数和回款额两个维度对坐席进行聚类分析，聚类结果（见图2）显示催收坐席被大致分成了5类，其中红色部分坐席的特点是回款金额高且拨打次数少，我们定义成“质量型”坐席，蓝色部分坐席的特点是回款金额高且拨打次数多，我们定义成“效率型”坐席。

图2: 催收坐席聚类结果

在案件维度，通过建立分类模型将案件按还款难度分成难中易三个等级。在有了坐席的分类和案件的分类后，我们会测试让两个类型的经办各负责催收一个难度的案件，验证是否不同类型的坐席适合催不同类型的案件。

图3: 不同评级案件的平均平均回款率

电话催收与过去的人工客服有很多相似之处，近年来人工智能在客服场景中被大量运用，而在催收场景下的运用还较少，可以预见智能催收在未来是一个拥有巨大潜力的研究领域。本文主要从案件推荐的角度介绍了如何通过人工智能的方法帮助催收员提高工作效率。目前的案件推荐系统考虑的坐席属性还比较少，我们正在研究如何定义坐席的话术习惯这些更深层次的属性，之后会尝试搭建更加个性化的案件推荐系统，研究成果会在以后的拍黑米中展示，请拭目以待！