JP2019160089A - Information processor, information processing method and program - Google Patents
Information processor, information processing method and program Download PDFInfo
- Publication number
- JP2019160089A JP2019160089A JP2018048594A JP2018048594A JP2019160089A JP 2019160089 A JP2019160089 A JP 2019160089A JP 2018048594 A JP2018048594 A JP 2018048594A JP 2018048594 A JP2018048594 A JP 2018048594A JP 2019160089 A JP2019160089 A JP 2019160089A
- Authority
- JP
- Japan
- Prior art keywords
- loan
- candidate
- information
- company
- information processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000010365 information processing Effects 0.000 title claims description 181
- 238000003672 processing method Methods 0.000 title claims description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 description 43
- 238000010276 construction Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000011160 research Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000004753 textile Substances 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
Images
Abstract
Description
本発明は、情報処理装置、情報処理方法及び情報処理プログラムに関する。 The present invention relates to an information processing apparatus, an information processing method, and an information processing program.
従来、銀行などの金融機関が与信限度額（与信枠）を決定する際の指標を提供する技術が知られている。例えば、融資を検討している融資検討先の取引データと既存の融資先の取引データとの比較に基づいて、既存の融資先の中から融資検討先と取引形態が対応する融資先を選択する。そして、選択した融資先の取引データに基づいて、融資検討先に対する融資の可否を判断するための融資判断指標を算出する技術が提案されている。 2. Description of the Related Art Conventionally, a technique for providing an index when a financial institution such as a bank determines a credit limit (credit limit) is known. For example, based on the comparison between the transaction data of the loan reviewer considering the loan and the transaction data of the existing loan destination, the loan destination corresponding to the loan review destination and the transaction form is selected from the existing loan destinations. . And the technique which calculates the loan judgment parameter | index for judging the propriety of the loan with respect to a loan examination destination based on the transaction data of the selected loan destination is proposed.
しかしながら、上記の従来技術では、適切な与信枠を決定することができるとは限らない。具体的には、上記の従来技術では、融資の可否を判断するための融資判断指標を算出するに過ぎず、適切な与信枠を決定することができるとは限らない。 However, in the above-described conventional technology, an appropriate credit frame cannot always be determined. Specifically, the above-described conventional technique merely calculates a loan determination index for determining whether or not a loan is possible, and does not necessarily determine an appropriate credit frame.
本願は、上記に鑑みてなされたものであって、適切な与信枠を決定することができる情報処理装置、情報処理方法及び情報処理プログラムを提供することを目的とする。 The present application has been made in view of the above, and an object thereof is to provide an information processing apparatus, an information processing method, and an information processing program capable of determining an appropriate credit frame.
本願に係る情報処理装置は、融資先の候補である融資先候補に関する情報に基づいて、所定の融資金額ごとに、前記融資先候補による返済可否に関する指標値を算出する算出部と、前記算出部によって算出された指標値に基づいて、前記融資先候補の与信枠を決定する決定部とを備えたことを特徴とする。 An information processing apparatus according to the present application calculates, for each predetermined loan amount, an index value related to repayment by the loan destination candidate based on information on a loan destination candidate that is a loan destination candidate; and the calculation portion And a deciding unit for deciding the credit line of the loan candidate based on the index value calculated by the above.
実施形態の一態様によれば、適切な与信枠を決定することができるといった効果を奏する。 According to one aspect of the embodiment, there is an effect that an appropriate credit frame can be determined.
以下に、本願に係る情報処理装置、情報処理方法及び情報処理プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置、情報処理方法及び情報処理プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。 Hereinafter, a mode for carrying out an information processing apparatus, an information processing method, and an information processing program according to the present application (hereinafter referred to as “embodiment”) will be described in detail with reference to the drawings. Note that the information processing apparatus, the information processing method, and the information processing program according to the present application are not limited by this embodiment. In the following embodiments, the same portions are denoted by the same reference numerals, and redundant description is omitted.
〔１．情報処理の一例〕
まず、図１を用いて、実施形態に係る情報処理の一例について説明する。図１は、実施形態に係る情報処理の一例を示す図である。図１の例では、情報処理システム１は、検索サーバ１０と銀行サーバ２０と信用調査会社サーバ３０と証券取引所サーバ４０と情報処理装置１００とを有する。
[1. Example of information processing)
First, an example of information processing according to the embodiment will be described with reference to FIG. FIG. 1 is a diagram illustrating an example of information processing according to the embodiment. In the example of FIG. 1, the
検索サーバ１０と銀行サーバ２０と信用調査会社サーバ３０と証券取引所サーバ４０と情報処理装置１００とは、図示しない所定の通信網を介して、有線または無線により通信可能に接続される。なお、図１に示す情報処理システム１には、複数台の検索サーバ１０と複数台の銀行サーバ２０と複数台の信用調査会社サーバ３０と複数台の証券取引所サーバ４０と複数台の情報処理装置１００とが含まれてもよい。
The
検索サーバ１０は、検索サービスを提供するサーバ装置である。検索サーバ１０は、ユーザから受け付けた検索クエリに関する情報を保持している。検索サーバ１０は、情報処理装置１００から検索クエリに関する情報の取得要求を受け付けると、検索クエリに関する情報を情報処理装置１００に送信する。
The
銀行サーバ２０は、銀行サービスを提供するサーバ装置である。銀行サーバ２０は、各融資先による返済実績を保持している。また、銀行サーバ２０は、各融資先に対する与信枠に関する情報を保持している。ここで、与信枠とは、与信の限度額（与信限度額）を意味する。例えば、融資先が企業等の法人である場合には、与信枠は、借入れの際の契約上の設定上限金額である貸出限度額（融資限度額）や取引の相手方に対して設定する信用与信枠（取引限度額）であるクレジットラインを意味する。例えば、融資先が個人である場合には、与信枠は、クレジットカードの利用可能な最高限度額である利用限度額等を意味する。図１では、融資先が中小企業等の法人である例について説明する。銀行サーバ２０は、情報処理装置１００から各融資先による返済実績の取得要求を受け付けると、各融資先による返済実績を情報処理装置１００に送信する。
The
また、銀行サーバ２０は、企業等の取引の履歴である取引履歴に関する情報を保持している。銀行サーバ２０は、情報処理装置１００から取引履歴に関する情報の取得要求を受け付けると、取引履歴に関する情報を情報処理装置１００に送信する。
Further, the
信用調査会社サーバ３０は、企業等の信用度を調査する信用調査サービスを提供するサーバ装置である。信用調査会社サーバ３０は、企業等の信用度に関する信用情報を保持している。信用調査会社サーバ３０は、情報処理装置１００から信用情報の取得要求を受け付けると、信用情報を情報処理装置１００に送信する。
The credit
証券取引所サーバ４０は、証券取引サービスを提供するサーバ装置である。証券取引所サーバ４０は、業種別株価指数データを保持している。証券取引所サーバ４０は、情報処理装置１００から業種別株価指数データの取得要求を受け付けると、業種別株価指数データを情報処理装置１００に送信する。
The
情報処理装置１００は、融資先の候補である融資先候補の与信枠を決定するサーバ装置である。情報処理装置１００は、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を推定するモデルを生成する。そして、情報処理装置１００は、生成したモデルを用いて、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を算出する。そして、情報処理装置１００は、算出した指標値に基づいて、融資先候補の与信枠を決定する。
The
以下、図１を用いて、実施形態に係る情報処理の一例を説明する。図１に示す例では、情報処理装置１００は、融資先に関する情報と融資先による返済実績とを各種サーバから取得する（ステップＳ１１）。
Hereinafter, an example of information processing according to the embodiment will be described with reference to FIG. In the example illustrated in FIG. 1, the
例えば、情報処理装置１００は、融資先による返済実績として、過去に与信枠「１億（円）」を融資した融資先である企業Ｆ社が、返済期限内に与信枠「１億（円）」を返済できたか否かに関する情報を銀行サーバ２０から取得する。また、情報処理装置１００は、融資先に関する情報を各種サーバから取得する。
For example, in the
例えば、情報処理装置１００は、融資先に関する情報として、融資先の名称とともに検索された検索クエリに関する情報を検索サーバ１０から取得する。情報処理装置１００は、例えば、融資先である企業Ｆ社の名称とともに検索された検索クエリに関する情報を検索サーバ１０から取得する。そして、情報処理装置１００は、例えば、融資先である企業Ｆ社が建設業を営む企業である場合、融資先である企業Ｆ社に関する情報として、融資先である企業Ｆ社が属する建設業界の同業他社であるＩ社、Ｌ社、…、等の名称と共に検索された検索クエリに関する情報を検索サーバ１０から取得する。
For example, the
また、情報処理装置１００は、融資先に関する情報として、融資先の取引履歴に関する情報を銀行サーバ２０から取得する。例えば、情報処理装置１００は、融資先である企業Ｆ社の取引履歴に関する情報として、顧客属性情報、普通預金元帳、当座勘定元帳、商流明細、事業継続性評価等に関する情報を銀行サーバ２０から取得する。
Further, the
また、情報処理装置１００は、融資先に関する情報として、融資先である企業の信用情報を信用調査会社サーバ３０から取得する。例えば、情報処理装置１００は、融資先である企業Ｆ社の信用情報として、業種コードの上２桁(０１〜９９)、倒産フラグ、評点、設立年月、資本金、従業員数、工場数、事業所数、前々期決算の売上高、前々期決算の利益金、前期決算の売上高、前期決算の利益金、当期決算の売上高、当期決算の利益金、当期売上の伸長率、当期売上の伸長額、前期売上の伸長率、前期売上の伸長額、当期利益の伸長率、当期利益の伸長額、前期利益の伸長率、前期利益の伸長額、従業員一人当り月間の売上金額、従業員一人当り月間の利益金額に関する情報等を信用調査会社サーバ３０から取得する。
In addition, the
また、情報処理装置１００は、融資先に関する情報として、融資先である企業が属する業界の業種別株価指数データを証券取引所サーバ４０から取得する。例えば、情報処理装置１００は、融資先である企業Ｆ社が建設業を営む企業である場合、融資先である企業Ｆ社が属する建設業の株価指数やその増減率等を証券取引所サーバ４０から取得する。
Further, the
同様にして、情報処理装置１００は、多数の融資先に関する情報とその融資先による返済実績とを各種サーバから取得する。
Similarly, the
続いて、情報処理装置１００は、各種サーバから取得した融資先に関する情報と融資先による返済実績とに基づいて、融資先候補に関する情報から、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を推定するモデルを生成する（ステップＳ１２）。具体的には、情報処理装置１００は、融資先に関する情報と融資先による返済実績とに基づいて生成されるモデルであって、融資先候補に関する情報が入力された場合に、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を出力するモデルを生成する。生成処理の詳細は後述するが、情報処理装置１００は、例えば過去に与信枠「１億（円）」を融資した融資先を正解データ（教師データ、目的変数）とし、融資先である企業の名称とともに検索された検索クエリに関する情報や、融資先である企業が属する業界の同業他社の名称と共に検索された検索クエリに関する情報、融資先である企業の取引履歴に関する情報、融資先である企業の信用情報、融資先である企業が属する業界の株価指数やその増減率等を素性（説明変数）とするサポートベクターマシン（Support Vector Machine）等の回帰学習モデルＭ１を生成する。そして、情報処理装置１００は、生成したモデルＭ１に融資先候補であるＡ社に関する情報を入力することにより、融資先候補であるＡ社による融資金額「１億（円）」の返済可否に関する指標値を出力する。
Subsequently, the
同様にして、情報処理装置１００は、過去に与信枠「５千万（円）」を融資した融資先に関する情報とその融資先が返済期限内に与信枠「５千万（円）」を返済できたか否かという情報とに基づいて、融資先候補に関する情報から、融資先候補による融資金額「５千万（円）」の返済可否に関する指標値を推定するモデルＭ２を生成する。
Similarly, the
また、情報処理装置１００は、過去に与信枠「１千万（円）」を融資した融資先に関する情報とその融資先が返済期限内に与信枠「１千万（円）」を返済できたか否かという情報とに基づいて、融資先候補に関する情報から、融資先候補による融資金額「１千万（円）」の返済可否に関する指標値を推定するモデルＭ３を生成する。
In addition, the
また、情報処理装置１００は、過去に与信枠「５百万（円）」を融資した融資先に関する情報とその融資先が返済期限内に与信枠「５百万（円）」を返済できたか否かという情報とに基づいて、融資先候補に関する情報から、融資先候補による融資金額「５百万（円）」の返済可否に関する指標値を推定するモデルＭ４を生成する。
In addition, the
また、情報処理装置１００は、過去に与信枠「百万（円）」を融資した融資先に関する情報とその融資先が返済期限内に与信枠「百万（円）」を返済できたか否かという情報とに基づいて、融資先候補に関する情報から、融資先候補による融資金額「百万（円）」の返済可否に関する指標値を推定するモデルＭ５を生成する。
In addition, the
また、情報処理装置１００は、過去に与信枠「５十万（円）」を融資した融資先に関する情報とその融資先が返済期限内に与信枠「５十万（円）」を返済できたか否かという情報とに基づいて、融資先候補に関する情報から、融資先候補による融資金額「５十万（円）」の返済可否に関する指標値を推定するモデルＭ６を生成する。
In addition, the
続いて、情報処理装置１００は、融資先候補であるＡ社に関する情報を各種サーバから取得する（ステップＳ１３）。例えば、情報処理装置１００は、融資先候補であるＡ社に関する情報として、Ａ社の名称ととともに検索されている検索クエリに関する情報を検索サーバ１０から取得する。また、情報処理装置１００は、融資先候補であるＡ社に関する情報として、Ａ社が不動産業を営む企業である場合、所定期間内にＡ社と同じ不動産業を営む他の企業であるＢ社、Ｃ社、…、等の名称とともに検索されている検索クエリに関する情報を検索サーバ１０から取得する。例えば、情報処理装置１００は、融資先候補であるＡ社に関する情報として、Ａ社の取引履歴に関する情報を銀行サーバ２０から取得する。例えば、情報処理装置１００は、融資先候補であるＡ社に関する情報として、Ａ社の信用情報を信用調査会社サーバ３０から取得する。例えば、情報処理装置１００は、融資先候補であるＡ社に関する情報として、Ａ社が営む不動産業に関する業種別株価指数データを証券取引所サーバ４０から取得する。
Subsequently, the
続いて、情報処理装置１００は、取得した融資先候補であるＡ社に関する情報を、所定の融資金額ごとに生成したモデルに入力することにより、所定の融資金額ごとに、融資先候補であるＡ社による返済可否に関する指標値を算出する（ステップＳ１４）。上述したように、情報処理装置１００は、モデル毎に異なる正解データを用いて各モデルを生成する。そのため、情報処理装置１００が生成した各モデルは、モデルの各素性の重みがモデル毎に異なる。したがって、各モデルに入力される入力データが同じであっても、各モデルが出力する指標値はモデル毎に異なる。
Subsequently, the
例えば、情報処理装置１００は、取得した融資先候補であるＡ社に関する情報を、融資金額「１億（円）」の返済可否に関する指標値を推定するモデルＭ１に入力することにより、融資先候補であるＡ社による融資金額「１億（円）」の返済可否に関する指標値として「２０」を算出する。
For example, the
例えば、情報処理装置１００は、取得した融資先候補であるＡ社に関する情報を、融資金額「５千万（円）」の返済可否に関する指標値を推定するモデルＭ２に入力することにより、融資先候補であるＡ社による融資金額「５千万（円）」の返済可否に関する指標値として「８０」を算出する。
For example, the
例えば、情報処理装置１００は、取得した融資先候補であるＡ社に関する情報を、融資金額「１千万（円）」の返済可否に関する指標値を推定するモデルＭ３に入力することにより、融資先候補であるＡ社による融資金額「１千万（円）」の返済可否に関する指標値として「９０」を算出する。
For example, the
例えば、情報処理装置１００は、取得した融資先候補であるＡ社に関する情報を、融資金額「５百万（円）」の返済可否に関する指標値を推定するモデルＭ４に入力することにより、融資先候補であるＡ社による融資金額「５百万（円）」の返済可否に関する指標値として「９９」を算出する。
For example, the
例えば、情報処理装置１００は、取得した融資先候補であるＡ社に関する情報を、融資金額「百万（円）」の返済可否に関する指標値を推定するモデルＭ５に入力することにより、融資先候補であるＡ社による融資金額「百万（円）」の返済可否に関する指標値として「９９」を算出する。
For example, the
例えば、情報処理装置１００は、取得した融資先候補であるＡ社に関する情報を、融資金額「５十万（円）」の返済可否に関する指標値を推定するモデルＭ６に入力することにより、融資先候補であるＡ社による融資金額「５十万（円）」の返済可否に関する指標値として「９９」を算出する。
For example, the
なお、情報処理装置１００は、融資金額「０（円）」については、モデルを用いることなく、どの融資先候補についても一律に返済可否に関する指標値として「１００」を算出するものとする。
Note that the
続いて、情報処理装置１００は、所定の融資金額ごとに、融資先候補であるＡ社による返済確率を推定する（ステップＳ１５）。例えば、情報処理装置１００は、シグモイド関数を使って、融資先候補であるＡ社による返済可否に関する指標値を０〜１の値に変換することにより、融資先候補であるＡ社による返済確率を推定する。例えば、情報処理装置１００は、融資先候補であるＡ社による融資金額「１億（円）」の返済確率を「０．２」と推定する。例えば、情報処理装置１００は、融資先候補であるＡ社による融資金額「５千万（円）」の返済確率を「０．８」と推定する。例えば、情報処理装置１００は、融資先候補であるＡ社による融資金額「１千万（円）」の返済確率を「０．９」と推定する。例えば、情報処理装置１００は、融資先候補であるＡ社による融資金額「５百万（円）」の返済確率を「０．９９」と推定する。例えば、情報処理装置１００は、融資先候補であるＡ社による融資金額「百万（円）」の返済確率を「０．９９」と推定する。例えば、情報処理装置１００は、融資先候補であるＡ社による融資金額「５十万（円）」の返済確率を「０．９９」と推定する。例えば、情報処理装置１００は、融資先候補であるＡ社による融資金額「０（円）」の返済確率を「１」と推定する。
Subsequently, the
続いて、情報処理装置１００は、推定した返済確率に基づいて、融資先候補であるＡ社の与信枠を決定する（ステップＳ１６）。情報処理装置１００は、融資先候補であるＡ社による返済確率が所定の閾値以上である融資金額を、融資先候補であるＡ社の与信枠として決定する。また、情報処理装置１００は、融資金額が大きいほど優先的に、融資先候補であるＡ社の与信枠として決定する。例えば、情報処理装置１００は、融資先候補であるＡ社による返済確率が「０．８」以上である融資金額「０（円）」〜「５千万（円）」のうち、融資金額が大きい「５千万（円）」を優先的に融資先候補であるＡ社の与信枠として決定する。
Subsequently, the
上述したように、情報処理装置１００は、融資先候補であるＡ社に関する情報から、所定の融資金額ごとに、融資先候補であるＡ社による返済可否に関する指標値を算出する。そして、情報処理装置１００は、算出した指標値に基づいて、融資先候補であるＡ社の与信枠を決定する。これにより、情報処理装置１００は、所定の融資金額ごとに、融資先候補であるＡ社による返済可否を指標値によって客観的に把握することができる。したがって、情報処理装置１００は、例えば、Ａ社が融資条件を判定するための信用情報を取得し難い非上場企業やベンチャー企業、中小企業等である場合であっても、人手に寄らずに、客観的な指標値によってＡ社の与信枠を自動的に決定可能とすることができる。また、情報処理装置１００は、融資先候補による返済可能性が所定の閾値以上である融資金額の中から、最も大きい融資金額を融資先候補による与信枠として決定することができる。したがって、情報処理装置１００は、融資を受ける融資先候補と融資を行う銀行の双方にとってメリットがある与信枠を決定することができる。したがって、情報処理装置１００は、適切な与信枠を決定することができる。
As described above, the
〔２．情報処理装置の構成〕
次に、図２を用いて、実施形態に係る情報処理装置１００の構成について説明する。図２は、実施形態に係る情報処理装置１００の構成例を示す図である。図２に示すように、情報処理装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、情報処理装置１００は、情報処理装置１００の管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。
[2. Configuration of information processing apparatus]
Next, the configuration of the
（通信部１１０）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークと有線または無線で接続され、例えば、検索サーバ１０と銀行サーバ２０と信用調査会社サーバ３０と証券取引所サーバ４０との間で情報の送受信を行う。
(Communication unit 110)
The communication unit 110 is realized by, for example, a NIC (Network Interface Card). The communication unit 110 is connected to the network in a wired or wireless manner, and transmits and receives information between the
（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部１２０は、図２に示すように、融資先情報記憶部１２１と、返済実績記憶部１２２と、モデル記憶部１２３とを有する。
(Storage unit 120)
The
（融資先情報記憶部１２１）
融資先情報記憶部１２１は、融資先に関する各種の情報を記憶する。図３に、実施形態に係る融資先情報記憶部の一例を示す。図３に示す例では、融資先情報記憶部１２１は、「企業ＩＤ」、「企業名」、「企業名＋ＫＷ」、「業種別ＫＷトレンド」、「銀行データ」、「信用調査会社データ」、「業種別株価指数データ」といった項目を有する。
(Loan information storage unit 121)
The loan destination
「企業ＩＤ」は、融資先である企業を識別するための識別情報を示す。「企業名」は、融資先である企業の名称を示す。図３の１レコード目に示す例では、企業ＩＤ「Ｃ１」で識別される企業の名称は「Ｆ社」であることを示す。 “Company ID” indicates identification information for identifying a company that is a loan destination. “Company name” indicates the name of the company that is the loan destination. In the example shown in the first record in FIG. 3, the name of the company identified by the company ID “C1” is “F company”.
「企業名＋ＫＷ」は、融資先である企業の名称とともに検索されている検索クエリに関する情報を示す。例えば、「企業名＋ＫＷ」は、融資先である企業の名称とともに所定の頻度以上で検索されている検索クエリに関する情報を示す。図３の１レコード目に示す例では、企業名＋ＫＷ「「企業名＋ＫＷ」＃Ｃ１」は、融資先である企業の名称「Ｆ社」ととともに検索されている検索クエリに関する情報を示す。 “Company name + KW” indicates information related to a search query that is searched together with the name of a company that is a loan destination. For example, “company name + KW” indicates information related to a search query searched for at a predetermined frequency or more together with the name of the company that is the loan destination. In the example shown in the first record in FIG. 3, the company name + KW ““ company name + KW ”# C1” indicates information related to the search query searched together with the name “company F” of the company that is the loan destination.
「業種別ＫＷトレンド」は、融資先である企業の同業他者の名称とともに検索されている検索クエリを示す。例えば、「業種別ＫＷトレンド」は、水産・農林業、鉱業、建設業、食料品、繊維製品、…、といった業種別に融資先である企業の同業他者の名称と共に検索された検索クエリに関する情報を示す。図３の１レコード目に示す例では、業種別ＫＷトレンド「業種別ＫＷトレンド＃Ｃ１」は、融資先である企業Ｆ社が属する建設業界の同業他社であるＩ社、Ｌ社、…、等の名称と共に検索されている検索クエリに関する情報を示す。 “KW trend by industry” indicates a search query that is searched together with the names of others in the same industry of the company that is the loan destination. For example, “KW Trend by Industry” is information on search queries that are searched along with the names of other companies in the industry that are the borrowers by industry, such as fisheries / agriculture, mining, construction, food, textiles, etc. Indicates. In the example shown in the first record of FIG. 3, the industry-specific KW trend “business-specific KW trend # C1” is the company I, L,... The information regarding the search query searched with the name of is shown.
「銀行データ」は、融資先である企業の取引履歴に関する情報を示す。例えば、「銀行データ」は、顧客属性情報、普通預金元帳、当座勘定元帳、商流明細、事業継続性評価等の情報である。図３の１レコード目に示す例では、銀行データ「銀行データ＃Ｃ１」は、企業ＩＤ「Ｃ１」で識別される企業Ｆ社の取引履歴に関する情報を示す。 “Bank data” indicates information related to a transaction history of a company that is a loan destination. For example, “bank data” is information such as customer attribute information, savings account ledger, current account ledger, business flow details, and business continuity evaluation. In the example shown in the first record in FIG. 3, the bank data “bank data # C1” indicates information related to the transaction history of the company F identified by the company ID “C1”.
「信用調査会社データ」は、融資先である企業の信用情報を示す。例えば、「信用調査会社データ」は、業種コードの上２桁(０１〜９９)、倒産フラグ、評点、設立年月、資本金、従業員数、工場数、事業所数、前々期決算の売上高、前々期決算の利益金、前期決算の売上高、前期決算の利益金、当期決算の売上高、当期決算の利益金、当期売上の伸長率、当期売上の伸長額、前期売上の伸長率、前期売上の伸長額、当期利益の伸長率、当期利益の伸長額、前期利益の伸長率、前期利益の伸長額、従業員一人当り月間の売上金額、従業員一人当り月間の利益金額等の情報である。図３の１レコード目に示す例では、信用調査会社データ「信用調査会社データ＃Ｃ１」は、企業ＩＤ「Ｃ１」で識別される企業Ｆ社の信用情報を示す。 “Credit survey company data” indicates credit information of a company that is a borrower. For example, “Credit Research Company Data” includes the first two digits of the industry code (01-99), bankruptcy flag, rating, date of establishment, capital, number of employees, number of factories, number of establishments, sales for the previous fiscal year. Earnings, Earnings Earnings Earnings Earnings, Earnings Earnings Earnings Earnings Earnings Earnings Earnings Earnings Earnings Earnings Earnings Earnings Earnings Earnings Earnings Earnings Earnings Rate, previous year sales growth, current profit growth rate, current profit growth rate, previous year profit growth rate, previous year profit growth amount, monthly sales per employee, monthly profit per employee, etc. Information. In the example shown in the first record of FIG. 3, the credit research company data “credit research company data # C1” indicates the credit information of the company F identified by the company ID “C1”.
「業種別株価指数データ」は、融資先である企業が属する業界の業種別株価指数データを示す。例えば、「業種別株価指数データ」は、水産・農林業、鉱業、建設業、食料品、繊維製品、…、といった業種別に融資先である企業が属する業界の業種別株価指数やその増減率等の情報である。図３の１レコード目に示す例では、業種別株価指数データ「業種別株価指数データ＃Ｃ１」は、企業ＩＤ「Ｃ１」で識別される企業Ｆ社が属する建設業の業種別株価指数やその増減率等の情報を示す。 “Industry-based stock index data” indicates stock index data by industry of the industry to which the company that is the borrower belongs. For example, “stock price index data by industry” is the stock price index by industry and the rate of increase / decrease in the industry to which the company that is the lender is affiliated, such as fisheries / agriculture / forestry, mining, construction, food, textiles, etc. Information. In the example shown in the first record in FIG. 3, the industry-specific stock index data “industry stock index data # C1” is an industry-specific stock index of the construction industry to which the company F identified by the company ID “C1” belongs. Indicates information such as rate of change.
（返済実績記憶部１２２）
返済実績記憶部１２２は、融資先による返済実績に関する各種の情報を記憶する。図４に、実施形態に係る返済実績記憶部１２２の一例を示す。図４に示す例では、返済実績記憶部１２２は、「企業ＩＤ」、「与信枠（円）」、「返済実績」といった項目を有する。
(Repayment record storage unit 122)
The repayment
「企業ＩＤ」は、融資先である企業を識別するための識別情報を示す。「与信枠（円）」は、融資先である企業の与信枠を示す。「返済実績」は、融資先である企業が返済期限内に与信枠を返済したか否かの実績を示す。図４の１レコード目に示す例では、企業ＩＤ「Ｃ１」で識別される企業に与信枠「１億（円）」が融資されたことを示す。また、返済実績「○」は、企業ＩＤ「Ｃ１」で識別される企業が返済期限内に与信枠「１億（円）」を返済したことを示す。なお、返済実績「×」は、融資先である企業が返済期限内に与信枠を返済できなかったことを示す。 “Company ID” indicates identification information for identifying a company that is a loan destination. “Credit limit (yen)” indicates a credit limit of a company that is a lender. “Repayment record” indicates a record of whether or not the company that is the loanee has repaid the credit line within the due date. The example shown in the first record in FIG. 4 indicates that the credit frame “100 million (yen)” has been financed to the company identified by the company ID “C1”. The repayment record “◯” indicates that the company identified by the company ID “C1” has repaid the credit limit “100 million (yen)” within the repayment deadline. Note that the repayment record “×” indicates that the company that is the borrower failed to repay the credit line within the repayment deadline.
（モデル記憶部１２３）
モデル記憶部１２３は、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を推定するモデルに関する各種の情報を記憶する。図５に、実施形態に係るモデル記憶部１２３の一例を示す。図５に示す例では、モデル記憶部１２３は、「融資金額（円）」、「モデル」といった項目を有する。
(Model storage unit 123)
The model storage unit 123 stores various types of information related to a model for estimating an index value related to whether or not a loan destination candidate can repay for each predetermined loan amount. FIG. 5 shows an example of the model storage unit 123 according to the embodiment. In the example illustrated in FIG. 5, the model storage unit 123 includes items such as “loan amount (yen)” and “model”.
「融資金額（円）」は、モデルが推定する融資先候補に対する融資金額を示す。「モデル」は、モデルを識別する識別情報を示す。図５の１レコード目に示す例では、モデル「Ｍ１」は、融資先候補による融資金額「１億（円）」の返済可否に関する指標値を推定するモデルＭ１を示す。 “Loan amount (yen)” indicates a loan amount for a loan candidate that is estimated by the model. “Model” indicates identification information for identifying a model. In the example shown in the first record in FIG. 5, the model “M1” indicates a model M1 that estimates an index value related to whether or not the loan amount “100 million (yen)” is repaid by a loan destination candidate.
（制御部１３０）
図２の説明に戻って、制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置１００内部の記憶装置に記憶されている各種プログラム（生成プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、コントローラであり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。
(Control unit 130)
Returning to the description of FIG. 2, the control unit 130 is a controller, and is stored in a storage device inside the
図２に示すように、制御部１３０は、取得部１３１と、生成部１３２と、算出部１３３と、決定部１３４とを有し、以下に説明する情報処理の作用を実現または実行する。なお、制御部１３０の内部構成は、図２に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。
As illustrated in FIG. 2, the control unit 130 includes an
（取得部１３１）
取得部１３１は、融資先（又は融資先の候補である融資先候補）に関する各種の情報を取得する。具体的には、取得部１３１は、融資先に関する情報を各種サーバから取得する。取得部１３１は、融資先に関する情報を取得すると、融資先に関する情報を融資先情報記憶部１２１に格納する。
(Acquisition part 131)
The
より具体的には、取得部１３１は、融資先に関する情報として、融資先の名称とともに検索されている検索クエリに関する情報を検索サーバ１０から取得する。例えば、取得部１３１は、融資先の名称とともに検索されている検索クエリに関する情報として、融資先である企業のネガティブ・ポジティブな評判を反映する検索クエリに関する情報を取得する。例えば、取得部１３１は、融資先の名称とともに検索されている検索クエリの検索回数を取得する。例えば、取得部１３１は、融資先である企業Ｆ社の名称とともに検索クエリ「上場」が検索された検索回数を取得する。例えば、取得部１３１は、融資先の名称とともに検索されている検索クエリの検索頻度を取得する。例えば、取得部１３１は、融資先である企業Ｆ社の名称とともに検索クエリ「上場」が検索された検索頻度を取得する。例えば、取得部１３１は、融資先の名称とともに検索される検索クエリの検索有無を取得する。例えば、取得部１３１は、融資先である企業Ｆ社の名称とともに所定の検索クエリ「倒産」が検索された検索の有無を取得する。また、取得部１３１は、融資先の名称とともに検索されている検索クエリに関する情報として、融資先の名称とともに検索されている検索クエリのスコアを取得する。例えば、取得部１３１は、ｔｆ−ｉｄｆ（Term Frequency、Inverse Document Frequency）等の重み値を取得する。例えば、取得部１３１は、ｔｆ−ｉｄｆ等の重み値を利用して、融資先である企業のネガティブ・ポジティブな評判を反映する検索クエリを判定してもよい。なお、取得部１３１は、融資先の名称とともに検索されている検索クエリに共起する共起ワードの重み等を取得してもよい。共起ワードの重みは、例えば、ｔｆ−ｉｄｆ等によりスコアリングされた数値や、共起ワードの出現率に基づく所定の指標値等が対応する。続いて、取得部１３１は、取得した検索クエリに関する情報を融資先情報記憶部１２１の「企業名＋ＫＷ」の項目に格納する。
More specifically, the
また、取得部１３１は、融資先に関する情報として、融資先が属する業種の同業他社の名称とともに検索されている検索クエリに関する情報を検索サーバ１０から取得する。例えば、取得部１３１は、融資先が属する業種の同業他社の名称とともに検索されている検索クエリに関する情報として、融資先が属する業界のリアルタイムな市場変化を反映する検索クエリに関する情報を取得する。例えば、取得部１３１は、融資先が属する業種の同業他社の名称とともに検索されている検索クエリの検索回数を取得する。例えば、取得部１３１は、融資先である企業Ｆ社が属する建設業界の同業他社であるＩ社、Ｌ社、…、等の名称とともに検索クエリ「急成長」が検索された検索回数を取得する。例えば、取得部１３１は、融資先が属する業種の同業他社の名称とともに検索されている検索クエリの検索頻度を取得する。例えば、取得部１３１は、融資先である企業Ｆ社が属する建設業界の同業他社であるＩ社、Ｌ社、…、等の名称とともに検索クエリ「急成長」が検索された検索頻度を取得する。例えば、取得部１３１は、融資先が属する業種の同業他社の名称とともに検索される検索クエリの検索有無を取得する。例えば、取得部１３１は、融資先である企業Ｆ社が属する建設業界の同業他社であるＩ社、Ｌ社、…、等の名称とともに所定の検索クエリ「ブラック企業」が検索された検索の有無を取得する。また、取得部１３１は、融資先が属する業種の同業他社の名称とともに検索されている検索クエリに関する情報として、融資先が属する業種の同業他社の名称とともに検索されている検索クエリのスコアを取得する。例えば、取得部１３１は、ｔｆ−ｉｄｆ等の重み値を取得する。例えば、取得部１３１は、ｔｆ−ｉｄｆ等の重み値を利用して、融資先が属する業界のリアルタイムな市場変化を反映する検索クエリを判定してもよい。なお、取得部１３１は融資先が属する業種の同業他社の名称とともに検索されている検索クエリに共起する共起ワードの重み等を取得してもよい。共起ワードの重みは、例えば、ｔｆ−ｉｄｆ等によりスコアリングされた数値や、共起ワードの出現率に基づく所定の指標値等が対応する。続いて、取得部１３１は、取得した検索クエリに関する情報を融資先情報記憶部１２１の「業種別ＫＷトレンド」の項目に格納する。
Moreover, the
例えば、取得部１３１は、融資先に関する情報として、融資先の取引履歴に関する情報を銀行サーバ２０から取得する。例えば、取得部１３１は、融資先である企業Ｆ社の取引履歴に関する情報として、顧客属性情報、普通預金元帳、当座勘定元帳、商流明細、事業継続性評価等の情報を取得する。取得部１３１は、融資先の取引履歴に関する情報を取得すると、融資先情報記憶部１２１の「銀行データ」の項目に格納する。
For example, the
例えば、取得部１３１は、融資先に関する情報として、融資先の信用情報を信用調査会社サーバ３０から取得する。例えば、取得部１３１は、融資先である企業Ｆ社の信用情報として、業種コードの上２桁(０１〜９９)、倒産フラグ、評点、設立年月、資本金、従業員数、工場数、事業所数、前々期決算の売上高、前々期決算の利益金、前期決算の売上高、前期決算の利益金、当期決算の売上高、当期決算の利益金、当期売上の伸長率、当期売上の伸長額、前期売上の伸長率、前期売上の伸長額、当期利益の伸長率、当期利益の伸長額、前期利益の伸長率、前期利益の伸長額、従業員一人当り月間の売上金額、従業員一人当り月間の利益金額等の情報を取得する。取得部１３１は、融資先の信用情報を取得すると、融資先情報記憶部１２１の「信用調査会社データ」の項目に格納する。
For example, the
例えば、取得部１３１は、融資先に関する情報として、融資先が属する業種の業種別株価指数データを証券取引所サーバ４０から取得する。例えば、取得部１３１は、融資先である企業Ｆ社が属する建設業の業種別株価指数やその増減率等の情報を取得する。取得部１３１は、業種別株価指数データを取得すると、融資先情報記憶部１２１の「業種別株価指数データ」の項目に格納する。
For example, the
また、取得部１３１は、融資先による返済実績を銀行サーバ２０から取得する。例えば、取得部１３１は、融資先である企業Ｆ社が、返済期限内に与信枠「１億（円）」を返済できたという情報を取得する。取得部１３１は、融資先による返済実績を取得すると、返済実績を返済実績記憶部１２２に格納する。
In addition, the
（生成部１３２）
生成部１３２は、融資先に関する情報と融資先による返済実績とに基づいて、融資先候補に関する情報から、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を推定するモデルを生成する。具体的には、生成部１３２は、融資先に関する情報と融資先による返済実績とに基づいて生成されるモデルであって、融資先候補に関する情報が入力された場合に、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を出力するモデルを生成する。
(Generator 132)
The
例えば、生成部１３２は、過去に与信枠「１億（円）」を融資した融資先である企業を正解データ（教師データ、目的変数）とし、融資先である企業の名称とともに検索された検索クエリや、融資先である企業が属する業界の同業他社の名称と共に検索された検索クエリ、融資先である企業の取引履歴に関する情報、融資先である企業の信用情報、融資先である企業が属する業界の株価指数やその増減率等を素性（説明変数）とするサポートベクターマシン（Support Vector Machine）等の回帰学習モデルＭ１を生成する。そして、生成部１３２は、生成したモデルＭ１に融資先候補であるＡ社に関する情報を入力することにより、融資先候補であるＡ社による融資金額「１億（円）」の返済可否に関する指標値を出力する。
For example, the
以下に、生成部１３２が生成するモデルの一例を示す。なお、生成部１３２が生成するモデルは以下のものに限られず、融資先に関する情報と融資先による返済実績とに基づいて生成されるモデルであって、融資先候補に関する情報が入力された場合に、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を出力するモデルであれば、どのようなモデルであってもよい。
Below, an example of the model which the production |
例えば、生成部１３２は、過去に与信枠「１億（円）」を融資した融資先である企業が返済期限内に与信枠「１億（円）」を返済できたか否かを示す結果情報を機械学習における目的変数とする。そして、生成部１３２は、融資先である企業に関する各情報を説明変数（素性）とする。そして、生成部１３２は、目的変数と説明変数とを用いて、モデルを生成する。生成部１３２は、種々の説明変数を用いてモデルを生成する。例えば、生成部１３２は、融資先情報記憶部１２１に記憶されているあらゆる情報を説明変数として用いることができる。
For example, the
例えば、生成部１３２は、融資先である企業が返済期限内に与信枠「１億（円）」を返済できたか否かという結果情報と、融資先である企業に関する情報を示す式を生成する。さらに、生成部１３２は、融資先である企業に関する個々の情報が、融資先である企業が返済期限内に与信枠「１億（円）」を返済できたか否かという結果の事象に対して、どのような重みを有するかを学習して算出する。これにより、生成部１３２は、返済期限内に与信枠「１億（円）」を返済できるという事象に対して、個々の情報がどのくらい寄与するのかといった情報を得ることができる。例えば、生成部１３２は、下記式（１）を作成する。
For example, the
ｙ ＝ ω１・ｘ１ ＋ ω２・ｘ２ ＋ ω３・ｘ３ ・・・＋ ωＮ・ｘＮ ・・・（１）（Ｎは任意の数） y = ω 1 · x 1 + ω 2 · x 2 + ω 3 · x 3 ... + ω N · x N (1) (N is an arbitrary number)
上記式（１）は、例えば、個々の融資先である企業ごとに作成される。上記式（１）において、「ｙ」は、「融資先である企業が返済期限内に与信枠「１億（円）」を返済できたか否か」という事象を示す。学習において、融資先である企業Ｆ社を正解データとするのであれば、「ｙ」は「１」の値を取る。また、学習において、返済期限内に与信枠「１億（円）」を返済できなかった融資先である企業Ｇ社を正解データとするのであれば、「ｙ」は「０」の値を取る。 The above formula (1) is created for each company that is an individual loan destination, for example. In the above formula (1), “y” indicates an event “whether or not the company that is the loan destination has repaid the credit limit“ 100 million (yen) ”within the due date”. In learning, if company F, which is a loan destination, is used as correct answer data, “y” takes a value of “1”. In addition, in learning, if company G, which is a borrower that has failed to repay the credit line “100 million (yen)” within the repayment deadline, is set as correct data, “y” takes a value of “0”. .
また、上記式（１）において、「ｘ」は、融資先である企業関する情報（素性）である各説明変数に対応する。また、上記式（１）において、「ω」は、「ｘ」の係数であり、所定の重み値を示す。具体的には、「ω１」は、「ｘ１」の重み値であり、「ω２」は、「ｘ２」の重み値であり、「ω３」は、「ｘ３」の重み値である。このように、上記式（１）は、融資先である企業に関する情報から抽出された特徴情報に対応する説明変数「ｘ」と、所定の重み値「ω」とを含む変数（例えば、「ω１・ｘ１」）を組合せることにより作成される。 In the above formula (1), “x” corresponds to each explanatory variable that is information (feature) related to the company that is the loan destination. In the above formula (1), “ω” is a coefficient of “x” and indicates a predetermined weight value. Specifically, “ω 1 ” is a weight value of “x 1 ”, “ω 2 ” is a weight value of “x 2 ”, and “ω 3 ” is a weight value of “x 3 ”. It is. In this way, the above equation (1) is a variable (for example, “ω” including the explanatory variable “x” corresponding to the feature information extracted from the information related to the company that is the loan destination and the predetermined weight value “ω”. 1 · x 1 )).
例えば、上記式（１）において、仮に、「ｘ１」は、「融資先である企業Ｆ社の名称とともに検索されている検索クエリに関する情報」であるとする。例えば、「ｘ１」は、「融資先である企業Ｆ社の名称とともに検索クエリ「上場」が検索された検索回数」であるとする。また、「ｘ２」は、「融資先である企業Ｆ社が属する建設業界の同業他社の名称と共に検索された検索クエリに関する情報」であるとする。例えば、「ｘ２」は、「融資先である企業Ｆ社が属する建設業界の同業他社であるＩ社、Ｌ社、…、等の名称とともに所定の検索クエリ「ブラック企業」が検索された検索の有無（ｘ２は０か１）」であるとする。また、「ｘ３」は、「融資先である企業Ｆ社の取引履歴に関する情報」であるとする。例えば、「ｘ３」は、「融資先である企業Ｆ社の普通預金や当座預金の入金金額、出金金額、残高金額等」であるとする。この場合、融資先である企業Ｆ社に対応する上記式（１）は、以下の式（２）のように表すことができる。 For example, in the above formula (1), suppose that “x 1 ” is “information related to a search query searched together with the name of the company F, which is a loan destination”. For example, it is assumed that “x 1 ” is “the number of searches in which the search query“ listed ”is searched together with the name of the company F which is the loan destination”. Further, “x 2 ” is assumed to be “information related to a search query searched together with names of other companies in the construction industry to which the company F, which is a loan destination, belongs.” For example, “x 2 ” is a search in which a predetermined search query “black company” is searched together with the names “Company I, L,... (the x 2 0 or 1) of the presence or absence is to be. " Further, “x 3 ” is assumed to be “information relating to the transaction history of the company F, which is a loan destination”. For example, it is assumed that “x 3 ” is “amount of deposit, withdrawal amount, balance amount, etc. of a savings account and a current account of company F which is a loan destination”. In this case, the above formula (1) corresponding to the company F, which is a loan destination, can be expressed as the following formula (2).
ｙ（融資先である企業Ｆ社）（＝１） ＝ ω１・（融資先である企業Ｆ社の名称とともに検索されている検索クエリ（＝「上場」等）に関する情報） ＋ ω２・（融資先である企業Ｆ社が属する建設業界の同業他社の名称と共に検索された検索クエリ（＝「ブラック企業」等）に関する情報） ＋ ω３・（融資先である企業Ｆ社の取引履歴に関する情報（＝普通預金や当座預金の入金金額、出金金額、残高金額等））） ＋ ωＮ・ｘＮ ・・・（２） y (Finance company F company) (= 1) = ω 1.・ (Information on the search query (= "listed" etc.) searched together with the name of the loan company F company) + ω 2. Information related to the search query (= “black company”, etc.) searched together with the names of other companies in the construction industry to which the company F, the loan company belongs, + ω 3.・ (Information about the transaction history of the company F, the loan company) (= Deposit amount, withdrawal amount, balance amount, etc. of ordinary deposit and current account))) + ω N · x N (2)
生成部１３２は、上記式（２）のように、融資先である企業ごとに式を生成する。そして、生成部１３２は、生成した式を機械学習のサンプルとする。そして、生成部１３２は、サンプルとなる式の演算処理（回帰学習）を行うことにより、所定の重み値「ω」に対応する値を導出する。すなわち、生成部１３２は、上記式（２）を満たすような所定の重み値「ω」を決定する。言い換えれば、生成部１３２は、所定の説明変数が目的変数「ｙ」に与える影響を示す重み値「ω」を決定することができる。例えば、「融資先である企業が返済期限内に与信枠「１億（円）」を返済できた」という事象に対して、「融資先である企業Ｆ社が属する建設業界の同業他社の名称と共に検索された検索クエリに関する情報」が他の変数と比較して大きく寄与しているのであれば、「融資先である企業Ｆ社が属する建設業界の同業他社の名称と共に検索された検索クエリに関する情報」に対応する重み値「ω２」の値は、他の変数と比較して大きな値が算出される。
The production |
上記のようにして、生成部１３２は、過去に与信枠「１億（円）」を融資した融資先である企業が返済期限内に与信枠「１億（円）」を返済するに至るという傾向と、その融資先である企業に関する情報（素性）との関連性を求めるためのモデルを生成する。すなわち、生成部１３２は、生成したモデルに、処理対象とする融資先候補であるＡ社の情報を入力した場合に、それらの情報が「返済期限内に与信枠「１億（円）」を返済する」という事象、言い換えれば融資先である企業Ｆ社にどのくらい類似した傾向を有するか、といった関連性を示すスコアを出力することができる。なお、上記式（２）を用いた算出処理では、左辺を「１」や「０」そのものとするのではなく、所定の誤差を想定し、かかる誤差との差異を２乗した値が最小値となるよう近似する最小二乗法などの手法を用いて、「ω」の最適解を算出してもよい。
As described above, the
また、生成部１３２は、例えば、融資先である企業の名称とともに検索されている検索クエリや融資先である企業が属する業界の同業他社の名称と共に検索された検索クエリに「上場」や「急成長」が含まれている融資先は返済期限内に与信枠を返済する傾向が高く、検索クエリに「倒産」や「上場廃止」や「採用人数 減らす」が含まれている融資先は返済期限内に与信枠を返済する傾向が低いといった傾向を見出すようなモデルを生成できる。このことは、処理対象となる融資先候補であるＡ社の名称とともに検索されている検索クエリや融資先候補であるＡ社が属する業界の同業他社の名称と共に検索された検索クエリに「上場」や「急成長」という検索クエリが含まれている場合、当該融資先候補であるＡ社が、将来的に返済期限内に与信枠を返済できる可能性が高いことを意味する。すなわち、「上場」や「急成長」という検索クエリは、「返済期限内に与信枠を返済できる」という結果に対して（融資先である企業との相関性を求める素性として）重みが重い要素であるといえる。
In addition, the
同様にして、生成部１３２は、取得部１３１によって取得された与信枠「５千万（円）」を融資した融資先に関する情報とその融資先が返済期限内に与信枠「５千万（円）」を返済できたか否かという情報とに基づいて、融資先候補に関する情報から、融資先候補による融資金額「５千万（円）」の返済可否に関する指標値を推定するモデルＭ２を生成する。
In the same manner, the
また、生成部１３２は、取得部１３１によって取得された与信枠「１千万（円）」を融資した融資先に関する情報とその融資先が返済期限内に与信枠「１千万（円）」を返済できたか否かという情報とに基づいて、融資先候補に関する情報から、融資先候補による融資金額「１千万（円）」の返済可否に関する指標値を推定するモデルＭ３を生成する。
In addition, the
また、生成部１３２は、取得部１３１によって取得された与信枠「５百万（円）」を融資した融資先に関する情報とその融資先が返済期限内に与信枠「５百万（円）」を返済できたか否かという情報とに基づいて、融資先候補に関する情報から、融資先候補による融資金額「５百万（円）」の返済可否に関する指標値を推定するモデルＭ４を生成する。
In addition, the
また、生成部１３２は、取得部１３１によって取得された与信枠「百万（円）」を融資した融資先に関する情報とその融資先が返済期限内に与信枠「百万（円）」を返済できたか否かという情報とに基づいて、融資先候補に関する情報から、融資先候補による融資金額「百万（円）」の返済可否に関する指標値を推定するモデルＭ５を生成する。
In addition, the
また、生成部１３２は、取得部１３１によって取得された与信枠「５十万（円）」を融資した融資先に関する情報とその融資先が返済期限内に与信枠「５十万（円）」を返済できたか否かという情報とに基づいて、融資先候補に関する情報から、融資先候補による融資金額「５十万（円）」の返済可否に関する指標値を推定するモデルＭ６を生成する。
In addition, the
生成部１３２は、所定の融資金額ごとにモデルを生成すると、生成したモデルをモデル記憶部１２３に格納する。
When the
なお、生成部１３２は、いかなる学習アルゴリズムを用いてモデルを生成してもよい。例えば、生成部１３２は、ニューラルネットワーク（neural network）、サポートベクターマシン（support vector machine）、クラスタリング、強化学習等の学習アルゴリズムを用いてモデルを生成する。一例として、生成部１３２がニューラルネットワークを用いてモデルを生成する場合、モデルは、一以上のニューロンを含む入力層と、一以上のニューロンを含む中間層と、一以上のニューロンを含む出力層とを有する。
Note that the
モデルは、所定の融資先候補に関する情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された所定の融資先候補に関する情報に応じて、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を出力層から出力するよう、コンピュータを機能させる。 The model includes an input layer to which information related to a predetermined loan destination candidate is input, an output layer, a first element belonging to any layer other than the output layer from the input layer to the output layer, A second element whose value is calculated based on the element and the weight of the first element, and for each predetermined loan amount according to information on the predetermined loan destination candidate input to the input layer The computer is caused to function so as to output from the output layer an index value relating to whether or not the candidate can be repaid.
モデルは、所定の融資先候補に関する情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された、所定の融資先候補に関する情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を出力層から出力するよう、コンピュータを機能させる。 The model includes an input layer to which information related to a predetermined loan destination candidate is input, an output layer, a first element belonging to any layer other than the output layer from the input layer to the output layer, Each element belonging to each layer other than the output layer with respect to information on a predetermined loan destination candidate input to the input layer, including a second element whose value is calculated based on the element and the weight of the first element Is used as a first element, and a calculation is performed based on the first element and the weight of the first element, so that for each predetermined loan amount, a computer is output so as to output an index value related to repayment by a loan destination candidate from the output layer. Make it work.
ここで、モデルが「y=ω1*x1+ω2*x2+・・・+ωi*xi」で示す回帰モデルで実現されるとする。この場合、モデルが含む第１要素は、x1やx2等といった入力データ（xi）に対応する。また、第１要素の重みは、xiに対応する係数ωiに対応する。ここで、回帰モデルは、入力層と出力層とを有する単純パーセプトロンと見做すことができる。各モデルを単純パーセプトロンと見做した場合、第１要素は、入力層が有するいずれかのノードに対応し、第２要素は、出力層が有するノードと見做すことができる。 Here, it is assumed that the model is realized by a regression model represented by “y = ω 1 * x 1 + ω 2 * x 2 +... + Ω i * x i ”. In this case, the first element included in the model corresponds to input data (x i ) such as x 1 and x 2 . The weight of the first element corresponds to the coefficient ω i corresponding to x i . Here, the regression model can be regarded as a simple perceptron having an input layer and an output layer. When each model is regarded as a simple perceptron, the first element can correspond to any node of the input layer, and the second element can be regarded as a node of the output layer.
また、モデルがＤＮＮ（Deep Neural Network）等、１つまたは複数の中間層を有するニューラルネットワークで実現されるとする。この場合、モデルが含む第１要素は、入力層または中間層が有するいずれかのノードに対応する。また、第２要素は、第１要素と対応するノードから値が伝達されるノードである次段のノードに対応する。また、第１要素の重みは、第１要素と対応するノードから第２要素と対応するノードに伝達される値に対して考慮される重みである接続係数に対応する。 Further, it is assumed that the model is realized by a neural network having one or a plurality of intermediate layers such as a DNN (Deep Neural Network). In this case, the first element included in the model corresponds to any node of the input layer or the intermediate layer. The second element corresponds to the next node, which is a node to which a value is transmitted from the node corresponding to the first element. The weight of the first element corresponds to a connection coefficient that is a weight considered for a value transmitted from a node corresponding to the first element to a node corresponding to the second element.
情報処理装置１００は、上述した回帰モデルやニューラルネットワーク等、任意の構造を有するモデルを用いて、指標値の算出を行う。具体的には、モデルは、所定の融資先候補に関する情報が入力された場合に、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を出力するように係数が設定される。情報処理装置１００は、このようなモデルを用いて、指標値を算出する。
The
なお、上記例では、モデルが、所定の融資先候補に関する情報が入力された場合に、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を出力するモデル（モデルＭＸとする）である例を示した。しかし、実施形態に係るモデルは、モデルＭＸにデータの入出力を繰り返すことで得られる結果に基づいて生成されるモデルであってもよい。例えば、モデルは、所定の融資先候補に関する情報を入力とし、モデルＭＸが出力する所定の融資金額ごとの融資先候補による返済可否に関する指標値を出力とするよう学習されたモデル（モデルＭＹ)であってもよい。または、モデルは、所定の融資先候補に関する情報を入力とし、モデルＭＹの出力値を出力とするよう学習されたモデルであってもよい。 In the above example, the model is a model (referred to as model MX) that outputs an index value relating to whether or not a loan destination candidate can repay for each predetermined loan amount when information about a predetermined loan destination candidate is input. An example is given. However, the model according to the embodiment may be a model generated based on a result obtained by repeatedly inputting / outputting data to / from the model MX. For example, the model is a model (model MY) that is learned to receive information on a predetermined loan destination candidate as an input and output an index value related to the repayment possibility by the loan destination candidate for each predetermined loan amount output by the model MX. There may be. Alternatively, the model may be a model that has been learned so that information on a predetermined loan destination candidate is input and an output value of the model MY is output.
また、情報処理装置１００がＧＡＮ（Generative Adversarial Networks）を用いた算出処理を行う場合、モデルは、ＧＡＮの一部を構成するモデルであってもよい。
When the
なお、図１に示す例では、所定の融資金額が「１億（円）」、「５千万（円）」、「１千万（円）」、「５百万（円）」、「百万（円）」、「５十万（円）」の６つの融資金額の枠である例を示したが、融資金額の枠の数は６つに限られず、与信枠の数に合わせて変更してもよい。また、融資金額もこれらに限られず、他の金額の枠を設定してもよい。 In the example shown in FIG. 1, the predetermined loan amount is “100 million (yen)”, “50 million (yen)”, “10 million (yen)”, “5 million (yen)”, “ An example of six loan amount slots, “Million (Yen)” and “500,000 (Yen)” was shown, but the number of loan amount slots is not limited to six. It may be changed. Also, the loan amount is not limited to these, and other amount frames may be set.
（算出部１３３）
算出部１３３は、融資先の候補である融資先候補に関する情報に基づいて、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を算出する。具体的には、算出部１３３は、生成部１３２が生成したモデルを用いて、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を算出する。例えば、取得部１３１は、融資先候補に関する情報を各種サーバから取得する。そして、算出部１３３は、取得部１３１によって取得された融資先候補に関する情報を生成部１３２が所定の融資金額ごとに生成したモデルに入力データとして入力して、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を算出する。
(Calculation unit 133)
The
また、算出部１３３は、融資先候補に関する情報として、融資先候補の名称とともに検索される検索クエリに基づいて、指標値を算出する。例えば、取得部１３１は、融資先候補の名称とともに検索される検索クエリを検索サーバ１０から取得する。そして、算出部１３３は、取得部１３１によって取得された融資先候補の名称とともに検索される検索クエリを生成部１３２が所定の融資金額ごとに生成したモデルの入力データとして入力して、指標値を算出する。
Further, the
また、算出部１３３は、融資先候補に関する情報として、融資先候補の同業他者の名称とともに検索される検索クエリに基づいて、指標値を算出する。例えば、取得部１３１は、融資先候補の同業他者の名称とともに検索される検索クエリを検索サーバ１０から取得する。そして、算出部１３３は、取得部１３１によって取得された融資先候補の同業他者の名称とともに検索される検索クエリを生成部１３２が生成したモデルの入力データとして入力して、指標値を算出する。
Further, the
（決定部１３４）
決定部１３４は、算出部１３３によって算出された指標値に基づいて、融資先候補の与信枠を決定する。具体的には、決定部１３４は、指標値が所定の閾値以上である融資金額を、融資先候補の与信枠として決定する。また、決定部１３４は、融資金額が大きいほど優先的に、融資先候補の与信枠として決定する。
(Determining unit 134)
The determining
例えば、決定部１３４は、シグモイド関数を使って、所定の融資金額ごとに算出部１３３によって算出された指標値を０〜１の値に変換することにより、所定の融資金額ごとに、融資先候補による返済確率を推定する。続いて、決定部１３４は、返済確率が所定の閾値である０．８以上である融資金額を、融資先候補の与信枠として決定する。また、決定部１３４は、返済確率が所定の閾値である０．８以上である融資金額が複数ある場合には、その中から最も大きい融資金額を融資先候補の与信枠として決定する。
For example, the
〔３．生成処理のフロー〕
次に、図６を用いて、実施形態に係る生成処理の手順について説明する。図６は、実施形態に係る生成処理手順を示すフローチャートである。
[3. Generation process flow)
Next, the procedure of the generation process according to the embodiment will be described with reference to FIG. FIG. 6 is a flowchart illustrating a generation processing procedure according to the embodiment.
図６に示すように、情報処理装置１００は、融資先に関する情報と返済実績とを取得する（ステップＳ１０１）。続いて、情報処理装置１００は、融資先に関する情報と融資先による返済実績とに基づいて、融資先候補に関する情報から、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を推定するモデルを生成する（ステップＳ１０２）。
As illustrated in FIG. 6, the
〔４．情報処理のフロー〕
次に、図７を用いて、実施形態に係る情報処理の手順について説明する。図７は、実施形態に係る情報処理手順を示すフローチャートである。
[4. Information processing flow)
Next, an information processing procedure according to the embodiment will be described with reference to FIG. FIG. 7 is a flowchart illustrating an information processing procedure according to the embodiment.
図７に示すように、情報処理装置１００は、融資先候補に関する情報を取得する（ステップＳ２０１）。続いて、情報処理装置１００は、融資先候補に関する情報に基づいて、所定の融資金額ごとに、返済可否に関する指標値を算出する（ステップＳ２０２）。続いて、情報処理装置１００は、算出した指標値に基づいて所定の融資金額ごとに返済確率を推定する（ステップＳ２０３）。続いて、情報処理装置１００は、推定した返済確率に基づいて、融資先候補の与信枠を決定する（ステップＳ２０４）。
As illustrated in FIG. 7, the
〔５．変形例〕
上述した実施形態に係る情報処理システム１は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、情報処理システム１の他の実施形態について説明する。なお、実施形態と同一部分には、同一符号を付して説明を省略する。
[5. (Modification)
The
〔５−１．融資金額の総額に制限がある場合〕
図１では、情報処理装置１００が融資金額の総額に特に制限がない場合に融資先候補の与信枠を決定する例を示したが、融資金額の総額に制限があってもよい。この点について図８を用いて説明する。図８は、変形例に係る情報処理の一例を示す図である。図８に示す例では、融資金額の総額の上限が１憶６千万（円）である場合に、融資先候補であるＡ社〜Ｅ社の各社にとって最適な与信枠を決定する。
[5-1. (If the total loan amount is limited)
Although FIG. 1 shows an example in which the
取得部１３１は、融資先候補であるＡ社に関する情報を取得する。算出部１３３は、取得部１３１によって取得された融資先候補であるＡ社に関する情報に基づいて、所定の融資金額ごとに、融資先候補であるＡ社による返済可否に関する指標値を算出する。続いて、算出部１３３は、所定の融資金額ごとに算出された指標値に基づいて、所定の融資金額ごとに融資先候補であるＡ社による返済確率ｐ１ｋ（ｋ＝１、２、３、４、５、６）を算出する。例えば、融資先候補であるＡ社による融資金額「１億（円）」の返済確率をｐ１１、融資金額「５千万（円）」の返済確率をｐ１２、融資金額「１千万（円）」の返済確率をｐ１３、融資金額「５百万（円）」の返済確率をｐ１４、融資金額「百万（円）」の返済確率をｐ１５、融資金額「５十万（円）」の返済確率をｐ１６とすると、（ｐ１１、ｐ１２、ｐ１３、ｐ１４、ｐ１５、ｐ１６）＝（０．２、０．８、０．９、０．９９、０．９９、０．９９）となる。同様にして、算出部１３３は、所定の融資金額ごとに算出された指標値に基づいて、所定の融資金額ごとに融資先候補であるＢ社による返済確率をｐ２ｋ（ｋ＝１、２、３、４、５、６）とすると、（ｐ２１、ｐ２２、ｐ２３、ｐ２４、ｐ２５、ｐ２６）＝（０．０１、０．１、０．２、０．５、０．７、０．７）となる。Ｃ社による返済確率をｐ３ｋ（ｋ＝１、２、３、４、５、６）とすると、（ｐ３１、ｐ３２、ｐ３３、ｐ３４、ｐ３５、ｐ３６）＝（０．７、０．７５、０．８、０．９、０．９、０．９）となる。Ｄ社による返済確率をｐ４ｋ（ｋ＝１、２、３、４、５、６）とすると、（ｐ４１、ｐ４２、ｐ４３、ｐ４４、ｐ４５、ｐ４６）＝（０．０１、０．１、０．２、０．３、０．９、０．９９）となる。Ｅ社による返済確率をｐ５ｋ（ｋ＝１、２、３、４、５、６）とすると、（ｐ５１、ｐ５２、ｐ５３、ｐ５４、ｐ５５、ｐ５６）＝（０．３、０．４、０．５、０．６、０．７、０．８）となる。
The
決定部１３４は、指標値が所定の閾値以上である融資金額を、融資先候補の与信枠として決定する。具体的には、決定部１３４は、融資先候補の返済確率ｐｎ（ｎ＝１、２、３、４、５）が所定の閾値Ｐ（例えば、Ｐは０．６とする。）以上である融資金額を、融資先候補の与信枠として決定する。すると、融資先候補の返済確率ｐｎ（ｎ＝１、２、３、４、５）についての条件は、以下の式（１）で表される。
The
続いて、決定部１３４は、融資先候補と総額が定められた融資先候補に対する融資金額との組み合わせのうち、融資先候補に対する融資金額の総額内で、融資先候補に対する融資金額と融資金額ごとに算出された指標値とに基づいて算出される数値の総和が大きい組み合わせほど優先的に選択して、選択した組み合わせに応じて融資先候補とその融資先候補の与信枠とを決定する。すると、融資金額の総額の上限である１憶６千万（円）をＬ、融資先候補であるＡ社に対する融資金額をＬ１、Ｂ社に対する融資金額をＬ２、Ｃ社に対する融資金額をＬ３、Ｄ社に対する融資金額をＬ４、Ｅ社に対する融資金額をＬ５とすると、融資金額の総額に上限があるという条件は、以下の式（２）で表される。
Subsequently, the
例えば、決定部１３４は、融資先候補と総額が定められた融資先候補に対する融資金額との組み合わせのうち、融資先候補に対する融資金額の総額内で、融資先候補に対する融資金額Ｌｎ（円）（ｎ＝１、２、３、４、５）と融資金額ごとに算出された返済確率ｐｎ（ｎ＝１、２、３、４、５）とを乗じて得られる数値の総和が大きい組み合わせほど優先的に選択して、選択した組み合わせに応じて融資先候補とその融資先候補の与信枠とを決定する。例えば、決定部１３４は、線形計画法を用いて、上記の式（１）及び式（２）の下で、以下の式（３）で表される目的関数が最大となるように最適化問題を解くことにより、融資先候補に対する融資金額Ｌｎ（円）と融資金額ごとに算出された返済確率ｐｎ（ｎ＝１、２、３、４、５）とを乗じて得られる数値の総和が大きい組み合わせのなかから優先的に（ｐ１、ｐ２、ｐ３、ｐ４、ｐ５）＝（０．８、０．７、０．７、０．９、０．６）と（Ｌ１、Ｌ２、Ｌ３、Ｌ４、Ｌ５）＝（５千万、百万、１億、百万、５百万）（円）の組み合わせが選択される。決定部１３４は、このようにして選択した組み合わせに応じて、融資先候補とその融資先候補の与信枠とを決定する。
For example, the
これにより、情報処理装置１００は、融資金額の総額が定められている場合であっても、融資先毎に最適な与信枠を割り振ることができる。したがって、情報処理装置１００は、融資を受ける融資先候補と融資を行う銀行の双方にとってメリットがある与信枠を決定することができる。したがって、情報処理装置１００は、適切な与信枠を決定することができる。
Thereby, the
〔５−２．融資先の総数に制限がある場合〕
図１では、情報処理装置１００が融資先の総数に特に制限がない場合に融資先候補の与信枠を決定する例を示したが、融資先の総数に制限があってもよい。この点について図９を用いて説明する。図９は、変形例に係る情報処理の一例を示す図である。図９に示す例では、融資先の総数の上限が３社である場合に、５つの融資先候補Ａ社〜Ｅ社の中から最適な融資先を選択して、選択した融資先に最適な与信枠を決定する。
[5-2. (When there is a limit on the total number of loans)
Although FIG. 1 shows an example in which the
取得部１３１は、融資先候補であるＡ社に関する情報を取得する。算出部１３３は、取得部１３１によって取得された融資先候補であるＡ社に関する情報に基づいて、所定の融資金額ごとに、融資先候補であるＡ社による返済可否に関する指標値を算出する。続いて、算出部１３３は、所定の融資金額ごとに算出された指標値に基づいて、所定の融資金額ごとに融資先候補であるＡ社による返済確率ｐ１ｋ（ｋ＝１、２、３、４、５、６）を算出する。例えば、融資先候補であるＡ社による融資金額「１億（円）」の返済確率をｐ１１、融資金額「５千万（円）」の返済確率をｐ１２、融資金額「１千万（円）」の返済確率をｐ１３、融資金額「５百万（円）」の返済確率をｐ１４、融資金額「百万（円）」の返済確率をｐ１５、融資金額「５十万（円）」の返済確率をｐ１６とすると、（ｐ１１、ｐ１２、ｐ１３、ｐ１４、ｐ１５、ｐ１６）＝（０．２、０．８、０．９、０．９９、０．９９、０．９９）となる。同様にして、算出部１３３は、所定の融資金額ごとに算出された指標値に基づいて、所定の融資金額ごとに融資先候補であるＢ社による返済確率をｐ２ｋ（ｋ＝１、２、３、４、５、６）とすると、（ｐ２１、ｐ２２、ｐ２３、ｐ２４、ｐ２５、ｐ２６）＝（０．０１、０．１、０．２、０．５、０．７、０．７）となる。Ｃ社による返済確率をｐ３ｋ（ｋ＝１、２、３、４、５、６）とすると、（ｐ３１、ｐ３２、ｐ３３、ｐ３４、ｐ３５、ｐ３６）＝（０．７、０．７５、０．８、０．９、０．９、０．９）となる。Ｄ社による返済確率をｐ４ｋ（ｋ＝１、２、３、４、５、６）とすると、（ｐ４１、ｐ４２、ｐ４３、ｐ４４、ｐ４５、ｐ４６）＝（０．０１、０．１、０．２、０．３、０．９、０．９９）となる。Ｅ社による返済確率をｐ５ｋ（ｋ＝１、２、３、４、５、６）とすると、（ｐ５１、ｐ５２、ｐ５３、ｐ５４、ｐ５５、ｐ５６）＝（０．３、０．４、０．５、０．６、０．７、０．８）となる。
The
続いて、決定部１３４は、総数が定められた融資先候補と融資先候補に対する融資金額との組み合わせのうち、融資先候補の総数内で、融資先候補に対する融資金額と融資金額ごとに算出された指標値とに基づいて算出される数値の総和が大きい組み合わせほど優先的に選択して、選択した組み合わせに応じて融資先候補とその融資先候補の与信枠とを決定する。すると、融資先の総数の上限である３をＮとすると、融資先の総数に上限があるという条件は、以下の式（４）で表される。
Subsequently, the
例えば、決定部１３４は、総数が定められた融資先候補と融資先候補に対する融資金額との組み合わせのうち、融資先候補の総数内で、融資先候補に対する融資金額Ｌｎ（円）（ｎ＝１、２、３、４、５）と融資金額ごとに算出された返済確率ｐｎ（ｎ＝１、２、３、４、５）とを乗じて得られる数値の総和が大きい組み合わせほど優先的に選択して、選択した組み合わせに応じて融資先候補とその融資先候補の与信枠とを決定する。例えば、決定部１３４は、線形計画法を用いて、上記の式（１）及び式（４）の下で、下記の式（３）で表される目的関数が最大となるように最適化問題を解くことにより、融資先候補に対する融資金額Ｌｎ（円）と融資金額ごとに算出された返済確率ｐｎ（ｎ＝１、２、３、４、５）とを乗じて得られる数値の総和が大きい組み合わせのなかから優先的に（ｐ１、ｐ３、ｐ４）＝（０．８、０．７、０．９）と（Ｌ１、Ｌ３、Ｌ４）＝（５千万、１億、百万）（円）の組み合わせが選択される。決定部１３４は、このようにして選択した組み合わせに応じて、融資先候補とその融資先候補の与信枠とを決定する。
For example, the
これにより、情報処理装置１００は、融資先の総数が定められている場合であっても、最適な融資先を選択して、選択した融資先に最適な与信枠を割り振ることができる。したがって、情報処理装置１００は、融資を受ける融資先候補と融資を行う銀行の双方にとってメリットがある与信枠を決定することができる。したがって、情報処理装置１００は、適切な与信枠を決定することができる。
As a result, the
〔５−３．融資金額の総額と融資先の総数の双方に制限がある場合〕
図８では、情報処理装置１００が、融資金額の総額に上限がある場合に、融資先候補の各社にとって最適な与信枠を決定する例を示した。また、図９では、情報処理装置１００が、融資先の総数に上限がある場合に、最適な融資先を選択して、選択した融資先に最適な与信枠を決定する例を示した。ところで、情報処理装置１００は、融資金額の総額と融資先の総数の双方に制限がある場合に、最適な融資先を選択して、選択した融資先に最適な与信枠を決定してもよい。例えば、決定部１３４は、線形計画法を用いて、上記の式（１）、式（２）、式（４）の３つの制約条件の下で、下記の式（３）で表される目的関数が最大となるように最適化問題を解くことにより、融資先候補に対する融資金額Ｌｎ（円）と融資金額ごとに算出された返済確率ｐｎ（ｎ＝１、２、３、４、５）とを乗じて得られる数値の総和が大きい組み合わせのなかから優先的に最適な融資先候補とその融資先候補に対する融資金額との組み合わせが選択される。決定部１３４は、このようにして選択した組み合わせに応じて、融資先候補とその融資先候補の与信枠とを決定する。
[5-3. (If there are restrictions on both the total loan amount and the total number of loans)
FIG. 8 illustrates an example in which the
〔５−４．返済確率の大きさに比例した与信枠の決定〕
図１では、情報処理装置１００が算出した返済確率の大きさに関わらず、融資先候補である企業Ａ社の与信枠を決定する例を示した。ところで、情報処理装置１００は、算出した返済確率に比例するように融資先候補である企業Ａ社の与信枠を決定してもよい。例えば、図１に示す例では、情報処理装置１００は、算出した返済確率「０．８」と融資金額「５千万（円）」とを乗じた金額である「４千万（円）」を融資先候補である企業Ａ社の与信枠として決定してもよい。
[5-4. (Decision of credit limit proportional to the repayment probability)
FIG. 1 shows an example in which the credit limit of the company A, which is a loan destination candidate, is determined regardless of the repayment probability calculated by the
また、情報処理装置１００は、図１に示す決定方法によって決定された与信枠の前後の融資金額をその融資金額に対応する返済確率によって重みづけした金額を融資先候補である企業Ａ社の与信枠として決定してもよい。例えば、情報処理装置１００は、図１に示す決定方法によって決定された与信枠「５千万（円）」の前後の融資金額「１憶（円）」と融資金額「１千万（円）」とにそれぞれの返済確率を重みとして乗じた金額を足し合わせて、平均した金額を融資先候補である企業Ａ社の与信枠として決定してもよい。
Further, the
〔５−５．融資金額の算出〕
図１では、情報処理装置１００が、枠の金額が決まっている融資金額の中から選択する形で、融資先候補である企業Ａ社の与信枠を決定する例を示した。しかしながら、情報処理装置１００は、融資金額が決まっていない場合には、融資先候補である企業Ａ社に対する融資金額を算出してもよい。具体的には、生成部１３２は、融資先に関する情報に基づいて、融資先候補に関する情報から、融資先候補に対する融資金額を推定する適正融資額決定モデルを生成する。
[5-5. (Calculation of loan amount)
FIG. 1 illustrates an example in which the
例えば、生成部１３２は、融資先に関する情報として、融資先が返済期限内に返済できた与信枠の金額を取得する。例えば、生成部１３２は、返済実績記憶部１２２を参照して、融資先である企業Ｆ社が返済期限内に与信枠「１億（円）」を返済できたという情報を取得する。生成部１３２は、融資先である企業Ｆ社が返済期限内に返済できた与信枠の金額として「１億（円）」を取得する。
For example, the
また、生成部１３２は、返済実績記憶部１２２を参照して、融資先である企業Ｇ社が返済期限内に与信枠「１億（円）」を返済できなかったという情報を取得する。この場合、生成部１３２は、融資先である企業Ｇ社は、与信枠「１億（円）」より一段階下の与信枠「５千万（円）」であれば返済期限内に返済できたであろうとみなす。そして、生成部１３２は、融資先である企業Ｇ社が返済期限内に返済できた与信枠の金額として「５千万（円）」を取得する。
Further, the
なお、生成部１３２は、融資先である企業Ｆ社が返済期限内に与信枠「１億（円）」を返済できたという情報に基づいて、融資先である企業Ｆ社は、「１億（円）」より一段階上の与信枠「１憶５千万（円）」であっても返済期限内に返済できたであろうとみなしてもよい。そして、生成部１３２は、融資先である企業Ｆ社が返済期限内に返済できた与信枠の金額として「１憶５千万（円）」を取得してもよい。
Note that the generating
また、生成部１３２は、融資先に関する情報として、融資先の名称とともに検索されている検索クエリを取得する。例えば、生成部１３２は、融資先情報記憶部１２１の「企業名＋ＫＷ」の項目を参照して、融資先である企業Ｆ社の名称とともに検索されている検索クエリ「上場」を取得する。
Moreover, the production |
また、生成部１３２は、融資先に関する情報として、融資先が属する業種の同業他社の名称とともに検索されている検索クエリを取得する。例えば、生成部１３２は、融資先情報記憶部１２１の「業種別ＫＷトレンド」の項目を参照して、融資先である企業Ｆ社が属する建設業界の同業他社の名称と共に検索された検索クエリ「急成長」を取得する。
Moreover, the production |
また、生成部１３２は、融資先に関する情報として、融資先の取引履歴に関する情報を取得する。例えば、生成部１３２は、融資先情報記憶部１２１の「銀行データ」の項目を参照して、融資先である企業Ｆ社の取引履歴に関する情報として、顧客属性情報、普通預金元帳、当座勘定元帳、商流明細、事業継続性評価等の情報を取得する。
Moreover, the production |
また、生成部１３２は、融資先に関する情報として、融資先の信用情報を取得する。例えば、生成部１３２は、融資先情報記憶部１２１の「信用調査会社データ」の項目を参照して、融資先である企業Ｆ社の信用情報として、業種コードの上２桁(０１〜９９)、倒産フラグ、評点、設立年月、資本金、従業員数、工場数、事業所数、前々期決算の売上高、前々期決算の利益金、前期決算の売上高、前期決算の利益金、当期決算の売上高、当期決算の利益金、当期売上の伸長率、当期売上の伸長額、前期売上の伸長率、前期売上の伸長額、当期利益の伸長率、当期利益の伸長額、前期利益の伸長率、前期利益の伸長額、従業員一人当り月間の売上金額、従業員一人当り月間の利益金額等の情報を取得する。
Moreover, the production |
また、生成部１３２は、融資先に関する情報として、融資先が属する業種の業種別株価指数データを取得する。例えば、生成部１３２は、融資先情報記憶部１２１の「業種別株価指数データ」の項目を参照して、融資先である企業Ｆ社が属する建設業の業種別株価指数やその増減率等の情報を取得する。
Moreover, the production |
このようにして、生成部１３２は、融資先に関する情報に基づいて、融資先候補に関する情報から、融資先候補に対する融資金額を推定する適正融資額決定モデルを生成する。算出部１３３は、生成部１３２によって生成された適正融資額決定モデルに、融資先候補に関する情報を入力データとして入力することにより、融資先候補に対する融資金額を算出する。
In this manner, the
〔６．効果〕
上述してきたように、実施形態に係る情報処理装置１００は、算出部１３３と決定部１３４とを備える。算出部１３３は、融資先の候補である融資先候補に関する情報に基づいて、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を算出する。決定部１３４は、算出部１３３によって算出された指標値に基づいて、融資先候補の与信枠を決定する。
[6. effect〕
As described above, the
これにより、情報処理装置１００は、所定の融資金額ごとに、融資先候補による返済可否を指標値によって客観的に把握することができる。したがって、情報処理装置１００は、適切な与信枠を決定することができる。また、情報処理装置１００は、例えば、融資条件を判定するための信用情報を取得し難い非上場企業やベンチャー企業、中小企業等である場合であっても、人手に寄らずに、客観的な指標値によって融資先候補の与信枠を自動的に決定可能とすることができる。また、情報処理装置１００は、融資を行う銀行の手間を省くことができる。
Thereby, the
また、決定部１３４は、指標値が所定の閾値以上である融資金額を、融資先候補の与信枠として決定する。また、決定部１３４は、融資金額が大きいほど優先的に、融資先候補の与信枠として決定する。
Further, the
これにより、情報処理装置１００は、融資先候補による返済可能性が所定の閾値以上である融資金額の中から、最も大きい融資金額を融資先候補の与信枠として決定することができる。したがって、情報処理装置１００は、融資を受ける融資先候補と融資を行う銀行の双方にとってメリットがある与信枠を決定することができる。したがって、情報処理装置１００は、適切な与信枠を決定することができる。
As a result, the
また、決定部１３４は、総数が定められた融資先候補と融資先候補に対する融資金額との組み合わせのうち、融資先候補の総数内で、融資先候補に対する融資金額と融資金額ごとに算出された指標値とに基づいて算出される数値の総和が大きい組み合わせほど優先的に選択して、選択した組み合わせに応じて融資先候補とその融資先候補の与信枠とを決定する。
Further, the
これにより、情報処理装置１００は、融資先の総数が定められている場合であっても、最適な融資先を選択して、選択した融資先に最適な与信枠を割り振ることができる。したがって、情報処理装置１００は、融資を受ける融資先候補と融資を行う銀行の双方にとってメリットがある与信枠を決定することができる。したがって、情報処理装置１００は、適切な与信枠を決定することができる。
As a result, the
また、決定部１３４は、融資先候補と総額が定められた融資先候補に対する融資金額との組み合わせのうち、融資先候補に対する融資金額の総額内で、融資先候補に対する融資金額と融資金額ごとに算出された指標値とに基づいて算出される数値の総和が大きい組み合わせほど優先的に選択して、選択した組み合わせに応じて融資先候補とその融資先候補の与信枠とを決定する。
Further, the
これにより、情報処理装置１００は、融資金額の総額が定められている場合であっても、融資先毎に最適な与信枠を割り振ることができる。したがって、情報処理装置１００は、融資を受ける融資先候補と融資を行う銀行の双方にとってメリットがある与信枠を決定することができる。したがって、情報処理装置１００は、適切な与信枠を決定することができる。
Thereby, the
また、算出部１３３は、融資先候補に関する情報として、融資先候補の名称とともに検索される検索クエリに関する情報に基づいて、指標値を算出する。
Moreover, the
これにより、情報処理装置１００は、融資先候補に関するネガティブ・ポジティブな評判といった動的なデータに基づいて、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を算出することができる。したがって、情報処理装置１００は、適切な与信枠を決定することができる。
As a result, the
また、算出部１３３は、融資先候補に関する情報として、当該融資先候補の同業他者の名称とともに検索される検索クエリに関する情報に基づいて、指標値を算出する。
Moreover, the
これにより、情報処理装置１００は、融資先候補が属する業界のリアルタイムな市場変化や業界のトレンドといった動的なデータに基づいて、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を算出することができる。したがって、情報処理装置１００は、適切な与信枠を決定することができる。
As a result, the
また、実施形態に係る情報処理装置１００は、生成部１３２をさらに備える。生成部１３２は、融資先に関する情報と融資先による返済実績とに基づいて、融資先候補に関する情報から、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を推定するモデルを生成する。算出部１３３は、生成部１３２が生成したモデルを用いて、指標値を算出する。
In addition, the
これにより、情報処理装置１００は、所定の融資金額ごとに、融資先候補による返済可否に関する指標値をより高い精度で算出することができる。したがって、情報処理装置１００は、適切な与信枠を決定することができる。
Thereby, the
〔７．ハードウェア構成〕
また、上述してきた実施形態に係る情報処理装置１００は、例えば図１０に示すような構成のコンピュータ１０００によって実現される。図１０は、情報処理装置１００の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を備える。
[7. Hardware configuration)
Further, the
ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。
The CPU 1100 operates based on a program stored in the
ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、所定の通信網を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを所定の通信網を介して他の機器へ送信する。
The
ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。
The CPU 1100 controls an output device such as a display and a printer and an input device such as a keyboard and a mouse via the input /
メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。
The
例えば、コンピュータ１０００が実施形態に係る情報処理装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムまたはデータを実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から所定の通信網を介してこれらのプログラムを取得してもよい。
For example, when the
以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。 As described above, some of the embodiments of the present application have been described in detail with reference to the drawings. However, these are merely examples, and various modifications, including the aspects described in the disclosure section of the invention, based on the knowledge of those skilled in the art, It is possible to implement the present invention in other forms with improvements.
〔８．その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
[8. Others]
In addition, among the processes described in the above-described embodiments and modifications, all or a part of the processes described as being automatically performed can be manually performed, or are described as being performed manually. All or part of the processing can be automatically performed by a known method. In addition, the processing procedures, specific names, and information including various data and parameters shown in the document and drawings can be arbitrarily changed unless otherwise specified. For example, the various types of information illustrated in each drawing is not limited to the illustrated information.
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。 Further, each component of each illustrated apparatus is functionally conceptual, and does not necessarily need to be physically configured as illustrated. In other words, the specific form of distribution / integration of each device is not limited to that shown in the figure, and all or a part thereof may be functionally or physically distributed or arbitrarily distributed in arbitrary units according to various loads or usage conditions. Can be integrated and configured.
また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。 In addition, the above-described embodiments and modifications can be combined as appropriate within a range that does not contradict processing contents.
また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、決定部は、決定手段や決定回路に読み替えることができる。 In addition, the “section (module, unit)” described above can be read as “means” or “circuit”. For example, the determination unit can be read as determination means or a determination circuit.
１ 情報処理システム
１０ 検索サーバ
２０ 銀行サーバ
３０ 信用調査会社サーバ
４０ 証券取引所サーバ
１００ 情報処理装置
１２１ 融資先情報記憶部
１２２ 返済実績記憶部
１２３ モデル記憶部
１３１ 取得部
１３２ 生成部
１３３ 算出部
１３４ 決定部
DESCRIPTION OF
Claims (10)
前記算出部によって算出された指標値に基づいて、前記融資先候補の与信枠を決定する決定部と
を備えることを特徴とする情報処理装置。 A calculation unit that calculates an index value related to the repayment by the loan candidate for each predetermined loan amount based on information on the loan candidate that is a loan candidate,
An information processing apparatus comprising: a determination unit that determines a credit space of the loan candidate based on the index value calculated by the calculation unit.
前記指標値が所定の閾値以上である融資金額を、前記融資先候補の与信枠として決定する
ことを特徴とする請求項１に記載の情報処理装置。 The determination unit is
The information processing apparatus according to claim 1, wherein a loan amount whose index value is equal to or greater than a predetermined threshold is determined as a credit frame for the loan destination candidate.
前記融資金額が大きいほど優先的に、前記融資先候補の与信枠として決定する
ことを特徴とする請求項１または２に記載の情報処理装置。 The determination unit is
The information processing apparatus according to claim 1, wherein the information processing apparatus is preferentially determined as a credit frame of the loan destination candidate as the loan amount increases.
総数が定められた前記融資先候補と当該融資先候補に対する融資金額との組み合わせのうち、当該融資先候補の総数内で、当該融資先候補に対する融資金額と前記指標値とに基づいて算出される数値の総和が大きい組み合わせほど優先的に選択して、選択した組み合わせに応じて当該融資先候補と当該融資先候補の与信枠とを決定する
ことを特徴とする請求項１〜３のいずれか１つに記載の情報処理装置。 The determination unit is
It is calculated based on the loan amount for the loan candidate and the index value within the total number of the loan candidate among the combinations of the loan candidate and the loan amount for which the total number is determined. The combination having a larger sum of numerical values is preferentially selected, and the loan candidate and the credit line of the loan candidate are determined according to the selected combination. Information processing apparatus described in one.
前記融資先候補と総額が定められた当該融資先候補に対する融資金額との組み合わせのうち、当該融資先候補に対する融資金額の総額内で、当該融資先候補に対する融資金額と前記指標値とに基づいて算出される数値の総和が大きい組み合わせほど優先的に選択して、選択した組み合わせに応じて当該融資先候補と当該融資先候補の与信枠とを決定する
ことを特徴とする請求項１〜４のいずれか１つに記載の情報処理装置。 The determination unit is
Based on the loan amount for the loan candidate and the index value within the total loan amount for the loan candidate, out of the combination of the loan amount and the loan amount for the loan candidate for which the total amount is determined The combination with a larger sum of the calculated values is preferentially selected, and the loan candidate and the credit line of the loan candidate are determined according to the selected combination. The information processing apparatus according to any one of the above.
前記融資先候補に関する情報として、当該融資先候補の名称とともに検索される検索クエリに関する情報に基づいて、前記指標値を算出する
ことを特徴とする請求項１〜５のいずれか１つに記載の情報処理装置。 The calculation unit includes:
The index value is calculated based on information on a search query searched together with the name of the loan destination candidate as the information on the loan destination candidate. Information processing device.
前記融資先候補に関する情報として、当該融資先候補の同業他者の名称とともに検索される検索クエリに関する情報に基づいて、前記指標値を算出する
ことを特徴とする請求項１〜６のいずれか１つに記載の情報処理装置。 The calculation unit includes:
The index value is calculated based on information related to a search query that is searched together with the name of another person in the same industry of the loan destination candidate as the information related to the loan destination candidate. Information processing apparatus described in one.
前記算出部は、
前記生成部が生成したモデルを用いて、前記指標値を算出する
ことを特徴とする請求項１〜７のいずれか１つに記載の情報処理装置。 A generating unit that generates a model for estimating an index value related to repayment by the loan candidate for each predetermined loan amount from information on the loan candidate based on the information on the loan destination and the repayment result by the loan destination Further comprising
The calculation unit includes:
The information processing apparatus according to claim 1, wherein the index value is calculated using a model generated by the generation unit.
融資先の候補である融資先候補に関する情報に基づいて、所定の融資金額ごとに、前記融資先候補による返済可否に関する指標値を算出する算出工程と、
前記算出工程によって算出された指標値に基づいて、前記融資先候補の与信枠を決定する決定工程と
を含むことを特徴とする情報処理方法。 An information processing method executed by a computer,
A calculation step of calculating an index value related to repayment by the loan candidate for each predetermined loan amount based on information on the loan candidate that is a loan candidate,
A determination step of determining a credit limit of the loan destination candidate based on the index value calculated by the calculation step.
前記算出手順によって算出された指標値に基づいて、前記融資先候補の与信枠を決定する決定手順と
をコンピュータに実行させることを特徴とする情報処理プログラム。 A calculation procedure for calculating an index value relating to the repayability by the loan destination candidate for each predetermined loan amount based on information on the loan destination candidate that is a loan destination candidate;
An information processing program causing a computer to execute a determination procedure for determining a credit limit of the loan candidate based on the index value calculated by the calculation procedure.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018048594A JP6490271B1 (en) | 2018-03-15 | 2018-03-15 | INFORMATION PROCESSING APPARATUS, INFORMATION PROCESSING METHOD, AND INFORMATION PROCESSING PROGRAM |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018048594A JP6490271B1 (en) | 2018-03-15 | 2018-03-15 | INFORMATION PROCESSING APPARATUS, INFORMATION PROCESSING METHOD, AND INFORMATION PROCESSING PROGRAM |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP6490271B1 JP6490271B1 (en) | 2019-03-27 |
| JP2019160089A true JP2019160089A (en) | 2019-09-19 |
Family
ID=65895232
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018048594A Active JP6490271B1 (en) | 2018-03-15 | 2018-03-15 | INFORMATION PROCESSING APPARATUS, INFORMATION PROCESSING METHOD, AND INFORMATION PROCESSING PROGRAM |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6490271B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2023021621A (en) * | 2021-08-02 | 2023-02-14 | 株式会社ジェーシービー | Information processing device, program, and information processing method |
| JP7379681B2 (en) | 2019-11-01 | 2023-11-14 | ブロック， インコーポレイテッド | System and method for generating dynamic repayment terms |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7298286B2 (en) * | 2019-05-10 | 2023-06-27 | 富士通株式会社 | Model providing program, model providing method and model providing apparatus |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003150780A (en) * | 2001-11-13 | 2003-05-23 | Bank Of Tokyo-Mitsubishi Ltd | Proper premium calculating method in lifetime loan guarantee merchandise with financial asset as security, computer program for performing such method in computer, and recording medium with the program recorded |
| WO2017141398A1 (en) * | 2016-02-18 | 2017-08-24 | 株式会社野村総合研究所 | Information processing device, information processing method, and computer program |
| JP6023379B2 (en) * | 2016-04-26 | 2016-11-09 | ヤフー株式会社 | Evaluation apparatus, evaluation method, and evaluation program |
-
2018
- 2018-03-15 JP JP2018048594A patent/JP6490271B1/en active Active
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7379681B2 (en) | 2019-11-01 | 2023-11-14 | ブロック， インコーポレイテッド | System and method for generating dynamic repayment terms |
| JP2023021621A (en) * | 2021-08-02 | 2023-02-14 | 株式会社ジェーシービー | Information processing device, program, and information processing method |
| JP7277518B2 (en) | 2021-08-02 | 2023-05-19 | 株式会社ジェーシービー | Information processing device, program, and information processing method |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6490271B1 (en) | 2019-03-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11568480B2 (en) | Artificial intelligence derived anonymous marketplace | |
| Ogwueleka et al. | Neural network and classification approach in identifying customer behavior in the banking sector: A case study of an international bank | |
| Park et al. | A case-based reasoning with the feature weights derived by analytic hierarchy process for bankruptcy prediction | |
| Baesens et al. | 50 years of data mining and OR: upcoming trends and challenges | |
| JP5852218B1 (en) | Generating device, generating method, and generating program | |
| Van Thiel et al. | Artificial intelligence credit risk prediction: An empirical study of analytical artificial intelligence tools for credit risk prediction in a digital era | |
| US20160171590A1 (en) | Push-based category recommendations | |
| JP6490271B1 (en) | INFORMATION PROCESSING APPARATUS, INFORMATION PROCESSING METHOD, AND INFORMATION PROCESSING PROGRAM | |
| Eddy et al. | Credit scoring models: Techniques and issues | |
| JP2018081651A (en) | Calculation device, calculation method, and calculation program | |
| CN112015909A (en) | Knowledge graph construction method and device, electronic equipment and storage medium | |
| JP2019185595A (en) | Information processor, method for processing information, information processing program, determination device, method for determination, and determination program | |
| JP6437053B1 (en) | Calculation device, calculation method, calculation program, and model | |
| US11922334B2 (en) | Using machine learning to determine job families using job titles | |
| JP6297534B2 (en) | Generating device, generating method, and generating program | |
| JP6329284B2 (en) | Generating device, generating method, and generating program | |
| Chen et al. | Triangular intuitionistic fuzzy random decision making based on combination of parametric estimation, score functions, and prospect theory | |
| Stone | Computational analytics for venture finance | |
| US11004156B2 (en) | Method and system for predicting and indexing probability of financial stress | |
| Hua | Modeling sectoral construction demand and its relationship with economic indicators | |
| JP6531059B2 (en) | Business matching system and business matching method | |
| Jacobs Jr | Benchmarking alternative interpretable machine learning models for corporate probability of default | |
| Barr | Predicting Credit Union Customer Churn Behavior Using Decision Trees, Logistic Regression, and Random Forest Models | |
| Adla et al. | A Knowledge-based recommender system for mortgage lending | |
| Divya et al. | Student Placement Analysis using Machine Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180315 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190129 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190226 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6490271 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |