银行特殊资产智能清收系统及方法

技术领域

本发明涉及资产清收技术领域，具体地，涉及一种银行特殊资产智能清收系统及方法。

背景技术

随着经济周期性进入下行通道，国内外经济形势的复杂变化，银行不良业务不断增大，各商业银行特殊资产规模不断增大。同时，受到全球新冠疫情的影响，特殊处置业务面临着业务量增大，处置更加困难的情况。传统的人工清收系统已经难以满足现代银行高效、智能地处理特殊资产业务的需求，特殊资产业务急需信息赋能提高业务处置的便捷性以及对客户尽调的效率提升。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种银行特殊资产智能清收系统及方法。

根据本发明提供的一种银行特殊资产智能清收系统，包括以下模块：

客户画像构建模块：通过整合行内、行外的数据，整合指定的特殊资产客户相关的数据，构建特殊资产企金客户画像，并提供客户画像呈现、画像标签化以及客户监控；

智能决策模块：通过数据建模对处置方案进行特征量化，并给出案例相似的量化处理和参考推荐；

拓展财产线索模块：展示并管理用户客户的疑似财产线索数据，通过人工智能和机器智能发掘特殊资产财产线索；

估值中心模块：对特殊资产进行智能评估，所述估值中心模块包括估值定价模型、一体化估值工具以及估值报告；

系统安全模块：针对不同的安全威胁实施不同的安全措施，包括身份鉴别、访问控制、安全审计、通信安全以及软件容错。

优选地，所述画像标签化包括可配置标签和定制标签；所述可配置标签根据标签数值进行量化判断，可配置标签通过配置标签的对应字段、逻辑算式以及更新频率计算获取；所述定制标签通过获取访问权限用户进行定制。

优选地，所述智能决策模块通过基于标签权值的专家匹配算法或基于机器学习模型的专家匹配算法实现；

所述基于标签权值的专家匹配算法为通过调整标签权值为用户推荐专家意见，以待处置方案画像的标签作为匹配度的量化指标，统计相同的标签，通过标签的加权值进行处置方案的参考推荐，根据标签设置的权值计算对应的签标权值进行计算；

所述基于机器学习模型的专家匹配算法为基于机器学习模型的匹配算法，通过数据集训练得出的匹配公式进行匹配度的计算，得到目标客户与处置案例的相似度值，根据相似度值排序得出推荐的案例。

优选地，所述拓展财产线索模块包括：

线索发掘及推送工具模块：包括传统模式和高阶模式，所述传统模式通过标签化处理外部信息，对外部数据进行初步过滤，再针对不同的资产，将财产线索推送给对应的管户人；所述高阶模式在传统模式的基础上，通过股权穿透分析、疑似实控人挖掘进一步挖掘可用的财产线索；

标准业务审批自动化模块：对传统零售业务的业务数据进入系统之后，首先根据对数据进行特征分析，包括主体和债项；根据规则对数据自动识别，并分类审批；系统依据规则库对数据进行审批，符合条件的则完成审批，不符合规则的则交由人工审批；针对复杂的非标业务，系统通过多维评分机制完成业务审批，并依据实时处置案例进行动态调整；

智能推荐处置经营方案模块：基于内部历史交易案例及外部交易数据，量化不同处置或经营方案下的关键指标，搭建分析工具或模型，生成清收方案。

优选地，所述安全审计为当用户登录系统后，系统自动记录用户的操作痕迹，包括操作用户、操作时间、IP地址；操作系统和数据库随着用户的操作更新日志信息，保证操作的可追溯性。

优选地，所述通信安全包括：使用HTTPS建立信息安全通道，在数据的传送过程中进行数据校验，针对从源数据区到本系统的数据文件采用双文件的存储方式，即一份数据文件，一份标志文件，其中标志文件中记录对数据文件的校验信息，特殊资产清收系统根据校验信息对所有数据文件进行数据校验，校验通过的文件会被采用，校验未通过时报错，等待处理。

优选地，所述软件容错包括：特殊资产清收系统应用采用集群部署，当单个应用出现故障时，系统自动识别判断，并将应用直接转发到可用的应用服务器中运行；对数据库提供主备机制，当主服务器出现故障，将数据库切换到备机上运行。

根据本发明提供的一种银行特殊资产智能清收方法，包括以下步骤：

客户画像构建步骤：通过整合行内、行外的数据，将指定的特殊资产客户相关的数据整合构建特殊资产企金客户画像，提供客户画像呈现、画像标签化以及客户监控；

智能决策步骤：通过数据建模对处置方案进行特征量化，并给出案例相似的量化处理和参考推荐；

拓展财产线索步骤：展示并管理用户客户的疑似财产线索数据，通过人工智能和机器智能发掘特殊资产财产线索；

资产评估步骤：对特殊资产进行智能评估，所述估值中心步骤包括估值定价模型、一体化估值工具以及估值报告；

安全评估步骤：针对不同的安全威胁实施不同的安全措施，包括身份鉴别、访问控制、安全审计、通信安全以及软件容错。

优选地，所述画像标签化包括可配置标签和定制标签；所述可配置标签根据标签数值进行量化判断，可配置标签通过配置标签的对应字段、逻辑算式以及更新频率计算获取；所述定制标签通过获取访问权限用户进行定制。

优选地，所述智能决策步骤通过基于标签权值的专家匹配算法或基于机器学习模型的专家匹配算法实现；

所述基于标签权值的专家匹配算法为通过调整标签权值为用户推荐专家意见，以待处置方案画像的标签作为匹配度的量化指标，统计相同的标签，通过标签的加权值进行处置方案的参考推荐，根据标签设置的权值计算对应的签标权值进行计算；

所述基于机器学习模型的专家匹配算法为基于机器学习模型的匹配算法，通过数据集训练得出的匹配公式进行匹配度的计算，得到目标客户与处置案例的相似度值，根据相似度值排序得出推荐的案例。

与现有技术相比，本发明具有如下的有益效果：

1、本发明提供的特殊资产智能清收系统通过信息化手段、大数据分析以及人工智能等技术，大大提高了数据整合速度以及业务处理速度，该清收系统可整合内外数据，为特殊资产处置业务提供科技赋能，从而提升特殊资产业务的处理效率。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明特殊资产智能清收系统技术框架图；

图2为本发明特殊资产智能清收系统团建框架图；

图3为本发明特殊资产清收系统部署流程图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

实施例1：

本发明公开一种银行特殊资产智能清收系统，包括以下模块：

客户画像构建模块：通过整合行内、行外的数据，整合指定的特殊资产客户相关的数据，构建特殊资产企金客户画像。通过客户画像(特资)的数据，业务人员可以方便地查看特资客户的相关信息，包括客户基本信息、合同信息、担保信息、(现金)账户信息、风险预警信息、债务信息、抵押物财产信息、近期交易对手信息、资产剥离信息、(过往)催收处置信息、司法案件信息、外部数据等维度信息。同时客户画像模块支持企金客户画像呈现、企金客户画像标签化和企金客户监控。

1、企金客户画像标签化

企金客户画像标签化支持是指对企金客户画像进行画像量化标签。清收系统提供对企金画像进行标签化的支持，原则上系统是通过指标数值进行标签化的量化判断；对于复杂的逻辑标签化，系统支持标签化定制。企金客户画像标签化支持2种类型的标签：

1)可配置标签，系统提供标签的配置入口，系统通过配置标签的对应字段、相关的逻辑算式以及更新频率计算得出客户的画像标签。例如：

A.定义一个标签名为“高频大额交易”的标签；

B.用户新建标签，标签关联“近一个月平均交易额”指标，对于“近一个月交易额”的数值进行判断，如交易额>10万；同时，关联“近一个月平均交易次数”，如交易次数>10次的用户即可以标识为“近一个月平均交易额”指标；

C.每个标签指标都带有一个权值，设置范围为1至100之间的整数；

D.业务管理员完成上述的配置即可以生成一个标签配置。

2)定制标签，对于不支持指标标签化的可配置标签，清收系统支持标签定制。系统根据可用的标签，通过批量处理给画像数据打上相应的标签内容。获取访问权限的业务人员可以访问标签管理功能，对标签进行个人化定制。

清收系统通过“标签管理”界面来管理企金的画像标签，管理界面提供对标签“增、删、改、查”的功能。用户进行“删”、“改”操作时，系统提示弹话框进行二次提醒。用户“查看”标签详情时，系统提供客户画像的2部分信息：1、标签的定义详情，包括标签的配置人员等信息；2、标签的作用画像数据量。

管理界面提供导航栏，通过搜标签的“名称”、“标识”、“状态”、“时间”等进行标签的定位。

2、企金客户画像呈现

特殊资金智能清收系统提供一个画像信息的主入口页，支持企金客户画像的搜索展示。用户通过选择定位具体的画像信息，进入画像信息展示页面。提示列表信息时，需提示的信息包括，客户名称、全行统一客户信息标识号、所属分行等。每个用户只能查看本机构的客户画像信息。

用户点击对应的客户信息之后，可以通过列表上的“显示详情”按钮进入对应画像信息的详细数据。用户可以通过列表信息进入到客户画像的详细信息页，在该页面用户可以看客户画像的详细信息。客户画像的详情页主要由2个部分构成：一是客户画像的概要信息页，主要信息如表1所示；二是客户画像的详细信息维度导航页，主要信息如表2所示。

用户可以通过导航(信息维度)进入到各个维度的信息详细展示，展示的信息维度包括企金画像的各信息维度，每种维度的信息都有一个信息的详细展示页面，以便用户查看。对于不可用的信息纬度(没有对应的信息)，图标以灰色显示，有效信息图标以彩色显示。

表1

表2

3、企金客户监控

特资清收系统可对客户画像进行实时监控。用户可在企金画像的展示页，通过【关注】按钮(客户层面)将客户加入到用户的个人监控列表。用户可以在个人监控列表中管理监控的客户对象，可以增加或移除监控对象或者增加自己名下的监控对象(企金客户)。

当监控列表中的企金客户的监控数据信息(默认为财产线索)发生变动时，清收系统会通过OA待办事宜(特殊资产经营)或短信的方式通知用户，用户可以勾选配置。通知的示例：

编号为：XXXXX的企金客户的财产线索发生变更，请及时登入系统查看。

智能决策模块：通过数据建模对处置方案进行特征量化，并给出案例相似的量化处理和参考推荐。系统支持多种模式的策略匹配，用户可以通过选择不同的策略匹配值搜索相似案例，以便用户参考然后做出决策。智能决策主要基于两种算法实现：基于标签权值的专家匹配算法和基于机器学习模型的专家匹配算法。

1、基于标签权值的专家匹配算法(优先级：高)

基于标签权值的专家匹配算法是通过调整标签权值为用户推荐合适的专家意见，以便为用户提供服务。基于标签的处置方案以待处置方案画像的标签作为匹配度的量化指标，统计相同的标签，通过标签的加权值进行处置方案的参考推荐，根据标签设置的权值计算对应的签标权值进行计算。算法如下：

1)用户输入某个企金客户K，基于该客户的画像标签得到标签集：{X1，X2，X3}，每个标签都带有权值q1，q2，q3；

2)获取案例库中的案例A1对应的处置客户对象K1所具备标签集：{X1，X3，X4，X5}，每个标签都带有权值q1，q3，q4，q5；

3)取2者相同的标签：X1，X3，计算对应的权值和作为匹配度：p＝q1+q3；

4)遍例全部同条件，计算得到匹配度值p，根据p值从高至低进行排序即为推荐排序；

5)在展示中说明匹配理由为标签：X1，X3相匹配。

2、基于机器学习模型的专家匹配算法(优先级：中)

基于机器学习模型的匹配算法，需要通过数据集训练得出最佳的匹配公式再进行匹配度的计算。企金案例推荐算法需要以案例对应客户画像的信息维度作为基础进行训练。信息维度表如表3所示。

表3

系统根据上述维度信息，结合机器学习算法得出目标客户与处置案例的相似度值m，以m排序得出推荐的案例。系统在展示的时候，给出相似判断说明(结合模型输出)，比如，合同性质相拟、财产线索相似、司法情况相拟的呈现。

拓展财产线索模块：为了进一步发掘特殊资产财产线索，还原资产真实价值，并规避线索风险，特资智能清收系统结合“人智”和“机智”，开展市场发现和价值发现。拓展财产线索模块包括：

线索发掘及推送工具模块：线索发掘及推送工具模块有两种模式：传统模式和高阶模式。传统模式通过标签化处理外部信息，对外部数据进行初步过滤。再针对不同的资产(如行内现金、名下不动产)，将财产线索推送给对应的管户人。

高阶模式在传统模式的基础上，通过股权穿透分析、疑似实控人挖掘等需交叉验证能力的工具进一步挖掘可用的财产线索。

标准业务审批自动化模块：标准业务审批针对传统零售业务和复杂非标准业务。

A传统零售业务

业务数据进入系统之后，首先根据对数据进行特征分析，主要包括主体和债项；然后根据规则对数据自动识别，并分类审批；系统依据规则库对数据进行审批，符合条件的则完成审批，不符合规则的则交由人工审批。

B复杂非标业务

针对复杂的非标业务，系统通过多维评分机制完成业务审批，审批内容包括风险偏好、市场环境、存货情况、监管政策等，并依据实时处置案例进行动态调整。

智能推荐处置经营方案模块：基于内部历史交易案例及外部交易数据，并结合“老法师”经验，量化不同处置或经营方案下的关键指标，搭建分析工具或模型，实现智能方案推荐，辅助业务人员拟定更全面更优的清收方案。

估值中心模块：为了减少人工成本，对特殊资产的判断更加全面公允，有效降低尽调定价负担，特资清收系统构建了估值中心模块对特殊资产进行智能评估。估值中心主要由估值定价模型、一体化估值工具和估值报告构成。

1、估值定价模型

估值模型以估值方法论为基础，融合内部历史交易数据以及外采交易/诉讼数据而成，包括资产类模型、债权类模型、小企业批量自动化回收预测模型。并通过对维度模型验证和离散机器学习使估值更加准确。

2、一体化估值工具

为了满足估值工具与流程契合度等精细化管理需求，需要考虑不同交易场景的参数应用差异。

1)数据来源

针对内部业务系统数据和外部市场价格和成本数据，估值中心会自选估值方法标准化资产估值测算。估值的依据主要来源于已经上线的资产案例库，如别墅、住宅、写字楼等。

2)应用场景

针对不同的应用场景，估值中心匹配不同的应用系统。针对抵押资产，使用押品估值模型，通过价值指数模型、大数据驱动、前瞻估值模型对用户抵押资产进行系统的评估；针对收购资产，使用收购估值系统，综合资产减值因素、折扣率、代偿能力评估资产收购价值；针对待处置资产，使用处置估值系统，结合处置策略、存续期、预算处置额给出合理的处置建议。

3)机制配套

为了使估值更加准确，估值中心采用内估外评的方式对待估资产进行综合评估。内部估值采用标准化的估值工具对待估资产进行科学评估，外部评估借助专业技能对待估资产进行综合评估。内外结合，分工协作从而提升评估的准确性。

3、估值报告

通过估值中心模块可将估值成功的项目以不同维度进行汇总统计并展示；记录用户上传时的原始数据，包括已经估值过的数据和删除的数据；并支持预测结果信息以及相关的数据信息以自动化的方式生成测试报告。主要操作流程如下：

1)查看估值报告，用户通过估值中心可将估值成功的项目以不同维度进行汇总统计并展示，系统规定分行人员只可查看由自己上传数据信息生成的估值报告；

2)点击【估值结果查询与下载】选择【估值报告下载】，页面为输入格式；

3)点击页面的【下载】按钮，即可以word的形式导出相关估值类型信息；

4)页面默认展示所有项目，输入查询条件后点击【查询】，页面展示符合条件的项目信息。点击【重置】，清除查询内容，页面展示所有项目；

5)若需要下载多个估值报告，则以压缩包的形式下载，每个估值报告中只包含一个项目。导出的文件名称格式为：估值报告+估值类型+估值方法+年月日(精确到时分秒)；

6)若接口查询有值，则估值结果展示为【下载】；若接口查询未返回值，则估值结果展示为【估值中】；若连续三次掉接口没有返回值，则估值结果展示为【估值失败】。

系统安全模块：针对不同的安全威胁实施不同的安全措施，包括身份鉴别、访问控制、安全审计、通信安全以及软件容错。

1、身份鉴别

通过兴业门户平台系统对登录特资清收系统的用户进行统一验证。对于鉴别失败的用户不允许登录系统，同时记录登录失败日志信息。

2、访问控制

通过兴业门户平台系统对登录到系统的用户进行验证，由该系统决定是否可以登录特资清收系统。用户角色信息由门户维护，并对权限进行控制。

3、安全审计

用户登录系统后，系统会自动记录用户的操作痕迹，包括操作用户、操作时间、IP地址等。同时操作系统和数据库也会随着用户的操作更新日志信息，保证操作的可追溯性。

4、通信安全

为了保证用户访问特资清收系统的通信安全，系统使用HTTPS建立一个信息安全通道。同时数据的传送转移过程中要进行数据校验，以保证数据的完整和安全。从源数据区到本系统的数据文件采用“双文件”的存储方式，即一份数据文件，一份标志文件，其中标志文件中记录对数据文件的校验信息，包括文件名称、数据日期、文件大小、记录数等信息。文件到达本系统后，特资清收系统根据校验信息对所有数据文件进行数据校验，只有校验通过的文件才被本系统采用，否则会报错，等待处理。

针对不同的访问用户对数据库进行不同的设置。数据按层次进行存放，前端应用需要展现的数据置于最顶层。对于后端ETL处理，设置ETL用户(其权限相对较大)，对前端应用访问设置前端用户，前端用户只能对前端展现的结果数据进行只读访问，这样严格控制不同用户对数据访问的权限，全方位保证数据安全。

5、软件容错

特资清收系统应用采用集群部署，当单个应用出现故障时，系统能自动识别判断，并将应用直接转发到可用的应用服务器中运行。对数据库提供主备机制，当主服务器出现故障，可以将数据库切换到备机上运行，从而保证清收系统整体运行的稳定性。

实施例2

本实施例是实施例1的优选例。

参考图1-3，特殊资产智能清收系统由客户端、外部服务、接入服务、数据库等构成。本项目基于新一代JAVA开发基础平台JAVA Unified Platform，简称JUP。该平台是基于J2EE的多层架构(VUE/AJAX+Spring+Hibernate/iBatis/JDBC)，以Acegi为安全控制架构，在成熟的开源技术成果上打造的框架，提供了事物管理、日志管理、异常管理、日志管理、缓存管理、国际化支持等机制，并支持用户登录、用户管理、权限管理、系统监控等通用功能。同时该平台兼容Oracle、MySql、Informix、DB2等常用数据库和JBoss、WebSphere、WebLogic等常见应用服务器。

一基础部署

特资清收系统基于容器云独立部署，采用麒麟操作系统，调用数据实时风控系统，实现特殊资产多种估值模型计算需求，并且与外部数据集成平台、大数据基础平台对接。外部数据集成平台负责外部数据的实时接口调用和外部数据文件GUT标准化的转换；大数据基础平台负责外部数据的统一存放，并通过大数据基础平台的数据整合层对外部数据和行内数据进行统一加工。特殊资产智能清收系统支持实时、批量以及租户三种工作模式，同时接入技术中台的日志、缓存、全链路跟踪、注册配置中心、分布式监控分析等服务为清收决策辅助提供数据支持。中间件使用JUP内置集成，数据库采用OpenGauss搭建。同时同一银行的债券、实物、股权及其他资产的估值模型可通过数据风控系统开放给其他系统服使用。

二、系统优化

特殊资产智能清收系统属于安全等级1级的一般级系统，批处理步骤较多，日数据处理量超过10G。为了提升系统的运行效率，将从以下几个方面对系统进行部署优化。

1、提高系统在批处理和数据加工的效率

1)加工服务器采用集群模式部署，并提高并行加工能力，提升加工效率；

2)拆分细化批处理步骤，提高并发度；

3)优化批处理步骤间的依赖，缩短批处理时间，提前对外提供数据时间。

2、前端数据查询优化

1)将数据表按时间分区存储，并将历史数据与当前数据分表存储；

2)合理创建索引；

3)对复杂查询进行预处理后再将结果存储起来，以空间换时间，提高查询效率。

3、扩展性

1)系统加工的数据如果设计大数据平台相关数据，可在大数据基础平台申请租户，利用大数据基础平台的算力对数据进行加工后，再提供给系统使用；

2)功能模块遵循高内聚低耦合的原则，从而提升软件的可扩展性。

4、数据质量

构建独立的数据质量检查模块，采取数据校验等措施检验数据的准确性、完整性、一致性等，并及时捕捉数据质量问题，提升数据质量。

三、RPO、RTO指标的具体措施

1、RPO具体应对措施

1)数据备份：每天进行增量被封，每周一次全量备份；

2)数据备份位置：在同城灾备中心进行数据灾备；

3)故障/灾难恢复预案：具备经过完整测试和演练的故障/灾难恢复预案。

2、RTO具体应对措施

1)部署方式：采用热备或者集群等部署方式，防范应用服务器或者数据库服务器单点故障；

2)备用网络系统：数据中心已配备备用通信路线，具备冗余网络设备；

3)备用基础设施：在同城/异地机房搭建灾备环境，并使其处于就绪或者运行状态，用于支持灾难故障的恢复；

4)运行维护管理能力：有介质存取、验证和转存管理制度，与相关厂商签署符合灾备恢复时间要求的紧急供货协议；

5)灾备恢复预案：具备经过完整测试和演练的故障/灾难恢复预案。

本系统所带来的有益效果如下：

1、响应时间

对于管理类用户：在生产环境最大交易并发量下，系统管理、参数设置类请求的响应时间小于3s的概率在80％以上。

对于查询类用户：在生产环境下，一般查询类请求的响应时间小于3s的概率在80％以上；复杂类查询请求的响应时间小于5s的概率在80％以上。

2、允许系统服务中断的最长时间

对于单次故障系统恢复的最长容忍时间小于等于24小时，即RTO故障恢复<＝24h；

3、允许系统数据丢失的最长时间

对于系统故障到恢复期间丢失数据的最长容忍时间小于等于24小时，即RPO故障恢复<＝24h；

4、业务处理量

均值：7000笔/天 峰值：8000笔/天

5、数据处理量

均值：20G/天峰值：24G/天

6、数据存储量

均值758G/天峰值：1533G/天

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。