JP6572369B1 - 与信判断支援システム - Google Patents

Abstract

【課題】顧客の与信判断を支援するシステムを提供する。【解決手段】本システムは、顧客の顧客情報と金融口座情報と顧客の信用情報との少なくとも１つの情報を用いて、顧客をスコア付けする手段と、スコアに基づいて顧客の状態を判定して、データベースに記憶する手段と、データベースから、顧客の状態毎に、状態に対応する顧客の情報を所定数抽出する手段と、顧客の状態は、顧客の少なくとも第１の状態と、当該第１の状態よりも相対的に悪い状態を示す第２の状態と、第２の状態よりも相対的に悪い第３の状態を含み、第２の状態と第３の状態については、顧客の情報を実質的に同じ割合を抽出すると共に、第１の状態は、第２の状態または第３の状態よりも大きな割合で抽出する手段と、抽出された第１の状態、第２の状態、第３の状態の情報に基づいて、デフォルト確率に関するスコアリングモデルを生成する手段と備える。【選択図】図１

Description

本発明は、与信判断を支援するシステムに関するものであり、特に、包括的な総合金融サービスを通じて被融資者保護を実現するために、与信判断を支援するシステムに関するものである。

近年、金融機関では、顧客接点が減少している。すなわち、金融機関の担当者は、顧客への直接的な営業、資産・与信管理、金融教育の場が減少している。これは、人口減少やスマートフォン用アプリケーションをはじめとしたデジタル技術の進歩、フィンテック（ＦｉｎＴｅｃｈ）企業の台頭、決済手段の多様化により金融機関への来店客数・ＡＴＭ利用者数は減少している。更に、各金融機関は、店舗や人員削減を実施しており、顧客接点の減少は、一層加速することが予想される。

顧客保護の対応については、顧客本位の業務運営（フィデューシャリー・デューティー：Ｆｉｄｕｃｉａｒｙ Ｄｕｔｙ）等、顧客保護・利用者保護の観点が求められている。

与信判断を支援するシステムは、特許文献１、特許文献２に示すように従来から存在する。しかしながら、与信をするにあたっては、顧客の状態が、正常（融資をしても問題のない顧客）、軽度延滞、重度延滞、貸倒など、様々な観点から検討しなければならないが、そのようなシステムは存在していなかった。すなわち、与信の審査を容易にすると共に、与信の精度向上が求められている。

顧客の状態が、正常、軽度延滞、重度延滞、貸倒などを判定するには、従来から、延滞モデルや貸倒モデルなどのそれぞれのスコアリングモデルが使用されていた。しかしながら、それぞれの状態毎に判定するスコアリングモデルを作成しなければならず、最終的な顧客の状態の判断は、個々のスコアリングモデルを参照して、金融機関の担当者の主観的な判断に委ねられていた。

また、貸し付け停止、状態悪化抑制のようなフォローカウンセリングのほか、条件変更や属性変化の把握、ヒアリング、金融リテラシー教育、などコンサルティングとしての狙いもある。

また、外部の信用情報を使わずに、自己のシステム内で顧客の状態を判定することができるようになる。

定期的に全ての顧客（被融資者）の個人信用情報取得には莫大なコストがかかることから、取得頻度を下げることが考えられるが、貸倒リスクの検知を遅らせかねない。また、特許文献１に記載されているように、２段階でスコアを使用して、１段階目で高リスク顧客のみ取得すると、リスクが顕在化していない顧客の情報を取得しないことから、利用者保護の観点から不十分である。

特開２００６−３４４０４７号公報 特開２０１７−１８２２８４号公報

運用面においては、特に、カードローンなどの個人向け融資に関して、途上与信管理における顧客対応の多くは、貸倒予測モデルを用いての与信停止など、利用者保護とは言い難いものである。

モデル面においては、従来のスコアリングモデルの予測対象は、「貸倒」や「延滞」など、それぞれ独立しており、金融機関の顧客の信用力悪化の様子を連続的に表現できていない。すなわち、貸倒に至るまでは、軽度・重度延滞を経ているケースが多い。加えて、途上与信管理に必要な「個人信用情報」の取得には料金が莫大となる。

従って、従来の途上与信管理においては、スコアリングモデルにて、一定のスコア以下の顧客対して与信停止を行う。これは、利用者保護の観点から不十分である。

本発明においては、与信の審査を容易にすると共に、与信の精度を向上するためのシステムを提供する。

顧客の与信判断を支援するシステムにおいて、
顧客の顧客情報と金融口座情報と顧客の信用情報との少なくとも１つの情報を用いて、顧客をスコア付けする手段と、
前記スコアに基づいて顧客の状態を判定して、データベースに記憶する手段と、
前記データベースから、前記顧客の状態毎に、当該状態に対応する顧客の前記情報を所定数抽出する手段と、
ここで、前記顧客の状態は、顧客の少なくとも第１の状態と、当該第１の状態よりも相対的に悪い状態を示す第２の状態と、前記第２の状態よりも相対的に悪い第３の状態を含み、
前記第２の状態と前記第３の状態については、前記顧客の前記情報を実質的に同じ割合を抽出すると共に、前記第１の状態は、前記第２の状態または前記第３の状態よりも大きな割合で抽出する手段と、
前記抽出された第１の状態、前記第２の状態、前記第３の状態の前記情報に基づいて、予測デフォルト確率に関するスコアリングモデルを生成する手段と、
を備えたことを特徴とするシステムを提供する。

本発明の途上与信管理においては、顧客との対面での関わりが減少する中、信用力悪化の経路が予測できるモデルにより、状態に合わせた顧客へのフォローが可能になる。

本発明の他の目的、特徴及び利点は添付図面に関する以下の本発明の実施例の記載から明らかになるであろう。

本発明の一実施例による与信判断支援システムを示す。 本発明の一実施例によるスコアリングモデル作成に関する情報処理のフローチャートを示す。 本発明の一実施例によるスコアリングモデル作成に使用した情報処理のフローチャートを示す。 （ａ）本発明の一実施例によるスコアリングモデルのデータ構造と（ｂ）従来のデータ構造との比較例を示す。 本発明の一実施例による与信判断支援システムをコンソーシアム化（コンソーシアムシステム）した例を示す。 本発明の一実施例による与信判断支援システムをコンソーシアム化（コンソーシアムシステム）した例を示す。

本発明の実施例について説明する。

図１は、本発明の一実施例による与信判断支援システム１０００を示す。本実施例の与信判断支援システム１０００は、画面表示部１１１０と、入力部１１２０と、個人情報管理部１１３０と、抽出部１１４０と、モデル計算部１１５０と、フォロー判定部１１６０と、フォロー処理部１１７０と、外部情報取得部１１８０と、金融口座ＤＢ１２１０と、個人情報ＤＢ１２２０と、モデル記憶用ＤＢ１２３０と、決済情報ＤＢ１２４０と、フォロー結果ＤＢ１２５０と、制御部１３１０と、インターフェイス部１３２０とを備える。ここで、ＤＢとは、ＤａｔａＢａｓｅ（データベース）の略称であり、それぞれの情報を記憶する手段である。

画面表示部１１１０は、与信にあたり、必要な情報を提示する手段である。

入力部１１２０は、必要な情報を与信判断支援システム１０００に対してデータを与える手段である。

個人情報管理部１１３０は、顧客の個人情報（年収、勤務先など）を管理する手段である。なお、本実施例において、ユーザ、被融資者、顧客は同義で使用する。

抽出部１１４０は、必要な情報を抽出する手段である。

モデル計算部１１５０は、抽出されたデータに基づいてスコアリングモデルを構築したり、特化係数などの比較可能な数値を計算する手段である。

フォロー判定部１１６０は、顧客へのフォローの内容を判定する手段である。

フォロー処理部１１７０は、顧客に対してフォローを実行する手段である。

外部情報取得部１１８０は、外部のデータベース等にアクセスして、情報を取得する手段である。例えば、顧客の信用情報などを取得する。

金融口座ＤＢ１２１０は、顧客の金融口座の情報を記憶する手段である。

個人情報ＤＢ１２２０は、顧客の個人情報（年収、勤務先など）を管理する手段である。

モデル記憶用ＤＢ１２３０は、延滞モデルや貸倒モデルなどを記憶する手段である。

決済情報ＤＢ１２４０は、金融決済情報を記憶する手段である。

フォロー結果ＤＢ１２５０は、顧客に対して実行されたフォローおよびそのフォローに対する結果（顧客の対応など）を記憶する手段である。

制御部１３１０は、与信判断支援システム１０００の内部にある各部や各ＤＢを制御する手段である。例えば、プロセッサなどでもよい。

インターフェイス部１３２０は、与信判断支援システム１０００の外部のサーバや端末などとデータを送受信する手段である。

本実施例において、「延滞」とは、金融機関が決めた返済日を越えて、返済が滞ることある。「軽度延滞」は「延滞」の日数が短いことであり、「重度延滞」は、「延滞」の日数が長いことであるが、本願明細書においては、説明の便宜のため、金融機関が決めた返済日を越えた所定期間内を「軽度延滞」とし、所定期間を越えると「重度延滞」であるとする。「貸倒」とは、貸付金などが回収できなくなることである。「正常」とは、それ以外の状態であること、すなわち、「軽度延滞」「重度延滞」「貸倒」以外の状態を示す。

本実施例のスコアリングモデル作成にあたっては、ロジスティック回帰モデルを利用する。ロジスティック回帰モデルは、デフォルト確率（予測デフォルト確率：ＰＤ：Ｐｒｏｂａｂｉｌｉｔｙ ｏｆ Ｄｅｆａｕｌｔ）を算出するための一般的な手法である。
デフォルト確率は、以下の式により求められる。

次に、個人信用情報明細モデルについて説明する。個人信用情報明細モデルは、本発明の予め定められたスコアリングモデルの一例であり、個人信用情報に含まれる情報に基づくデータを入力データとし、デフォルト確率を出力データとするスコアリングモデルである。個人信用情報明細モデルは、予め蓄積された複数の個人信用情報に対して統計処理等を施すことで得ることができる。本実施形態の個人信用情報明細モデルは、ロジスティック回帰分析を用いて構築されたものであり、次の式１、及び、式２で表される。

Ｚ＝β０＋β１×ｘ１＋β２×ｘ２・・・ （式１）

ＰＤ＝１／（１＋ｅｘｐ（−Ｚ））・・・ （式２）

式１のＺはスコアであり、ｘ１、ｘ２・・・は説明変数、β０、β１・・・はロジスティック回帰分析によって予め決定されているパラメータである。式２のＰＤはデフォルト確率（Ｐｏｓｓｉｂｉｌｉｔｙ ｏｆ Ｄｅｆａｕｌｔ）であり、ｅｘｐはｅ（自然対数の底）を底とする指数関数を表す。

説明変数ｘ１、ｘ２・・・が個人信用情報明細モデルの入力データであり、デフォルト確率が個人信用情報明細モデルの出力データである。デフォルト確率は、説明変数ｘ１、ｘ２・・・の基となる個人信用情報が表す顧客のデフォルト確率である。デフォルト確率とは、貸し倒れや延滞、あるいは債務者区分変更や条件変更など、当初契約していた条件での貸出先からの返済が滞る確率、すなわち、貸出先が将来的に債務不履行の状態に陥る確率である。本実施例においては、「軽度延滞」または「重度延滞」または「貸倒」の状態に陥る確率である。

説明変数の一例を以下に示す。
説明変数ｘ１：顧客属性情報
説明変数ｘ２：顧客金融口座情報
説明変数ｘ３：顧客信用内部情報（借入額、クレジットの申込内容や契約内容、支払状況、残高などから与信された金融機関内部で与信されて生成された信用情報など）
説明変数ｘ４：顧客信用外部情報（金融機関の外部から取得した信用情報など）
説明変数ｘ５：顧客金融行動情報（コンビニＡＴＭの利用回数、時間外利用多発など）
説明変数ｘ６：顧客フォロー情報（顧客フォロー結果）

これら説明変数に使用される情報（パラメータ）は、延滞や貸倒と相関関係がある。例えば、金融機関に預けられている金融残高が低い顧客の方が、延滞や貸倒を生じやすい傾向（すなわち、デフォルト確率が高くなる傾向）を有していることが一般的である。本実施例では、このような傾向を有している情報を活用して、延滞および貸倒を予測するモデルを作成する。

パラメータβ０からβ６までは、例えば、予め与信判断支援システム１０００が蓄積した個人信用情報である基礎情報を用いて、与信判断支援１０００がロジスティック回帰分析を行うことで決定する。パラメータβ０からβ６までは、本発明のシステムとは別の情報処理装置が決定してもよい。

説明変数ｘ１は、顧客属性情報であり、金融機関が有している情報である。説明変数ｘ１は、年齢を基に計算される。更に、就業形態、住所変更履歴、姓変更履歴、性別を基に計算されてもよい。更に、例えば、氏名、生年月日、性別、住所、電話番号、及び、勤務先等の情報、顧客年齢、就業形態など金融機関が有している情報である。顧客年齢は、顧客の生年月日を基に計算される。就業形態については、会社などの法人や団体等に勤務しているか否か、若しくは会社等を経営している経営者か否か、若しくは、無職か否かなどの観点で判別される。以下、個人信用情報明細モデルと比較するモデルについて説明する。ここでは、個人信用情報明細モデルと比較するスコアリングモデルとして、属性モデル、及び、属性個人信用情報明細モデルを挙げる。

属性モデルが個人信用情報明細モデルと異なるのは、説明変数として属性データのみが使われる点である。属性データは、顧客がローン等の契約の申込書に記入したデータである。属性モデルでは、属性データとして、職種、従業員数、勤続年数、業種、住居形態、勤務形態、未既婚、就職時年齢、子供人数、同居家族数、年齢、性別、業種と規模、家族状況、年収、及び、借入に関する情報が使われる。

属性個人信用情報明細モデルが個人信用情報明細モデルと異なるのは、説明変数として、個人信用情報明細モデルの説明変数に加えて、属性データが使われる点である。属性個人信用情報明細モデルでは、属性データとして、住居形態、勤続年数、及び、年収に関する情報が使われる。

以下、説明変数のパラメータ、当該パラメータの説明、当該パラメータにおけるデフォルト確率との関係性の一例について説明する。以下の説明変数を使用する際には、１つのパラメータを使用してもよく、複数のパラメータの組み合わせを使用してもよい。

説明変数ｘ２は、顧客金融口座情報であり、顧客が有している預金残高や取引履歴などである。顧客金融口座情報（説明変数ｘ２）は、顧客金融口座情報（融資）と、顧客金融講座情報（預金）に細分化しもよい。更に、顧客金融情報（その他）に細分化してもよい。かかる場合において、顧客金融口座情報（融資）は、契約状況、借入残高（住宅ローン、自動車ローン、教育ローンなどを個別に分けてもよい）、を基に計算される。更に、その他のパラメータを基に計算されてもよい。
顧客金融口座情報（預金）は、預金月末残高（普通預金、定期預金などを個別に分けてもよい）、預金月中平均残高を基に計算される。

顧客金融口座情報（その他）は、投資信託、保険などの契約状況、自社（自行）発行のクレジットカードの契約状況を基に計算されてもよい。

説明変数ｘ３は、顧客信用内部情報（借入額、クレジットの申込内容や契約内容、支払状況、残高などから与信された金融機関内部で与信されて生成された信用情報）である。例えば、借入額や支払残高、消化率（借入限度額のうち、いくらまで利用しているかの割合）、返済履歴（延滞有無）に基づいて計算されてもよい。個人信用情報は、ローン等の契約内容や支払い状況等を表す情報である。

説明変数ｘ４は、顧客信用外部情報であり、金融機関の外部から取得した信用情報である。説明変数ｘ４は、個人信用情報の照会件数や頻度、借入残高、返済実績（自社口座以外での延滞有無など）、ネガティブ情報の有無に基づいて計算されてもよい。

説明変数ｘ５は、顧客金融行動情報であり、顧客金融行動情報（受動的）と顧客金融行動情報（能動的）に細分化してもよい。

顧客金融行動情報（受動的）は、給与振込件数および金額、口座引落失敗件数を基に計算される。更に、付加的には、給与振込件数および金額に加えて、年金振込件数および金額、配当金受取件数および金額などの入金件数および金額に基づいて計算されてもよい。更に、付加的には、入金件数及び金額に加えて、公共料金口座引落件数、金額、種類（電気、ガス、水道など）、学費引落件数、金額、種類（授業料、保育料など）、他社（他行）発行クレジットカード口座引落件数、金額、種類などの出金件数および金額に基づいて計算されてもよい。更に、付加的には、口座引落失敗件数に加えて、公共料金口座引落失敗件数、金額、種類（電気、ガス、水道など）、学費引落失敗件数、金額、種類（授業料、保育料など）、他社（他行）発行クレジットカード口座引落失敗件数、金額、種類などに基づいて計算されてもよい。

顧客金融行動情報（能動的）は、ＡＴＭ利用回数、件数、場所、曜日、時間帯を基に計算される。更に、付加的には、窓口利用回数、件数、場所、曜日、時間帯や、インターネットバンキング利用回数、件数、場所、曜日、時間帯を基に計算されてもよい。コンビニＡＴＭの利用回数、時間外利用多発は、ＡＴＭ（現金自動預け払い機：Ａｕｔｏｍａｔｉｃ Ｔｅｌｌｅｒ Ｍａｃｈｉｎｅ）の利用回数を記録しておき、例えば、ある所定期間において、金融機関のＡＴＭの利用回数、コンビニエンスストア等に設置されているＡＴＭの利用回数、時間外利用回数などの利用場所や利用回数などを記録しておく。

説明変数ｘ６は、顧客フォロー情報であり、前回のフォロー内容およびフォロー結果を基に計算される。

個人信用情報の変化を予測し、個人信用情報取得の必要性を判断する。具体的には、本実施例のスコアリングモデルで、貸倒に至る第１ステップに「引落失敗」を想定し、具体的には、コンビニＡＴＭや時間外利用多発なので予測する。これにより、実質的に全ての顧客の情報を取得することと同じ効果を得られる。

本実施例において、上述した説明変数の各パラメータにおける（デフォルト確率との）関係性は、延滞でも貸倒でも同様の傾向を有していることが必要であり、延滞と貸倒で異なる傾向を有してはいけない。ここで、同様の傾向とは、例えば、あるパラメータの値が上昇するように変化すると、延滞においても貸倒においてもデフォルト確率が上昇（または下降）するように変化する関係性である（ただし、延滞と貸倒とで変化の程度は異なってもよい）。一方、異なる傾向とは、例えば、あるパラメータの値が上昇するように変化すると、延滞においてはデフォルト確率が上昇するように変化するが、貸倒においてはデフォルト確率が下降若しくは変化しないような関係性である。

なお、本実施例では、ロジスティック回帰モデルを使った例を説明したが、別の実施例として、サポートベクターマシン、決定木、ランダムフォレスト、ニューラルネットワーク、ディープラーニングなどの手法（スコアリングモデル）を用いても、本実施例と同様の入力変数（パラメータ）を用いて、デフォルト確率を算出とすることができる。

図３は、フォロー処理部１１７０が参照する処理テーブルを示す。
まず、前回判定結果を参照する。本実施例においては、前回判定結果は、「なし」「正常」「軽度延滞」「重度延滞」「貸倒」である。そして、前回判定結果に対して、本実施例のシステムが顧客に対して実行したフォローに対して、当該顧客が対応したか否かを確認する。本実施例においては、顧客が対応した場合は「対応済」であり、顧客が対応しなかった場合は「未対応」である。そして、前回判定の判定結果および顧客対応と、今回判定とのマトリックスにより、該当する項目を、本実施例のシステムが新たなフォローを実行する。また、当該新たなフォローに対する顧客の対応についても、本実施例の任意の記憶手段（図示せず）に記憶するように構成されてもよい。例えば、前回の判定結果が「なし」（すなわち、今回の判定が初回の判定である場合）は、前回の顧客対応も「なし」なので、今回の判定を参照する。今回判定が、正常の場合は、「静観」（すなわち、本実施例のシステムは顧客に対して何もフォローをおこさない）し、「軽度延滞」の場合は、顧客が使用しているスマートフォンのアプリケーションに対して「軽度延滞」が発生している旨の通知を表示させたり、顧客のメールアドレス宛に、「軽度延滞」している旨の電子メールを自動送信するようにしたりしてもよい。また、「重度延滞」の場合は、金融機関の顧客担当者から顧客に対して、フォローコール（直接電話をかけて、自立支援や返済支援の提案などをする）をするように構成されてもよい。また、「貸倒」の場合は、直ぐに「与信停止」をしてもよい。なお、顧客対応の判定および記録にあたっては、フォロー毎に異なってもよく、アプリ／メール通知にあたっては、アプリの通知が既読判定された場合は、自動送信されたメールに返信をしたときに、システムが「対応済」であると判定し、それ以外の場合は「未対応」であると判定してもよい。また、フォローコールの場合には、フォローコールの電話が、本システムに登録された相手先の電話に着信すれば、自動的に「対応済」であると判定してもよく、また、金融機関の担当者が、顧客とのフォローコールにおける対話において顧客の反応に応じて、「対応済」「未対応」を決定する、もしくは（自動登録された顧客対応の内容を）変更するように構成されてもよい。

データの構築について説明する。

以下の表（分析対象の抽出件数・割合の例）に示すように、分析対象となる各状態（正常、軽度延滞、重度延滞、貸倒）の件数（割合）を以下のようにする。例えば、正常の件数を任意に設定する（本実施例では、３０万件）。そして、また、正常では無い状態の合計の件数（割合）を、正常の状態の件数（割合）よりも小さく（本実施例では、正常の件数の１０分の１である１万件）なるように設定する。ここで、正常では無い状態（軽度延滞、重度延滞、貸倒）のそれぞれの件数（割合）が互いに等しくなるように設定されている。

スコアリングモデル構築の際に使用するデータに関して、予測する状態の重み付けの調整について説明する。

一般的に、予測する各状態は、「軽度延滞」、「重度延滞」、「貸倒」の順に件数が少なくなるため、単純に構築したスコアリングモデルは件数の順に従うので、「軽度延滞」の特性が強く反映されてしまう。そこで、以下の表に示すように、分析対象となる各状態（正常、軽度延滞、重度延滞、貸倒）の件数（割合）を以下のように設定する。例えば、正常の件数を任意に設定する（本実施例では、３０万件）。そして、正常ではない状態（軽度延滞、重度延滞、貸倒）を。正常の状態よりも小さく（本実施例では、正常の件数の１０分の１である１万件）なるように設定する。ここで、正常ではない状態（軽度延滞、重度延滞、貸倒）のそれぞれの件数（割合）が互いに等しくなるように設定されている。

このようなスコアリングモデルを構築するために、本実施例では、まず、任意のデータベースから収集可能な（または所望の）貸倒の件数を決定する。そして、その貸倒の件数と同数の軽度延滞および重度延滞を抽出する。抽出方法は、ランダムに決定してよい。そして、正常ではない件数（軽度延滞、重度延滞、貸倒の合計の件数）または貸倒単独の件数よりも大きな数（例えば、１０倍などの所定の倍率）となるような正常の件数（且つデータベースから収集可能な件数）を決定し、正常の個々のデータをランダムに抽出してもよい。別の実施例として、正常の件数を基準にして、延滞や貸倒の件数を決定してもよい。もし、データベースに記録されている正常、延滞、貸倒の件数が、上述した手順で決定した件数に満たない場合は、抽出不可能であるので、数値（件数や倍率）を手動または自動で変更できる旨を表示するように、本システムが構成されてもよい。

本実施例のようにスコアリングモデルを構築することによって、本来件数の多い「軽度延滞」の重み付けを減らし、本来件数の少ない「貸倒」の重み付けを増す効果を実質的に得ることができる。

一般的に、正常の件数が一番多く、軽度の延滞、重度延滞、貸倒の順に件数が少なくなる。よって、本実施例では、まず、収集可能な（または所望の）貸倒の件数を決定する。そして、その貸倒の件数と同数の軽度延滞および重度延滞を抽出する。抽出方法は、ランダムに決定してよい。そして、正常ではない件数（軽度延滞、重度延滞、貸倒の合計の件数）または、貸倒単独の件数よりも大きな数（例えば、統計処理上少なくとも１０倍）となるような正常の件数を決定し、正常の個々のデータをランダムに抽出してもよい。別の実施例として、正常の件数を基準にして、延滞や貸倒の件数を決定してもよい。更に別の実施例として、取得すべき件数全体を決定して、まずはランダムに取得した後に、正常、延滞、貸倒の件数の比率を計算し、比率が所定範囲内（例えば、正常：延滞：貸倒＝１００：１０：１を基準に、それぞれの件数がプラスマイナス１０％以内）に収まるように、必要な件数を追加してもよい。

ここで、正常の件数と正常ではない（非正常）件数との割合の関係については、後述するランク付けとの関係で、調整することができる。例えば、ランクを１０段階に分けた場合に、１段階から６段階まで（上位ランク）は、正常であると判定でき、７段階から９段階まで（中位ランク）は、延滞（軽度延滞でも重度延滞でもよい）であると判定でき、最後の１０段階（下位ランク）が、貸倒と判定できるというようなモデルを構築したいと顧客が本システムに指定したときに、本システムは、このようなモデルが構築できるか否かを判定し、このようなランク付けで判定できない場合は、正常の件数と正常ではない件数との割合を調整する。例えば、正常と判定できるランクの範囲が狭い場合は、正常の件数を増加する（本実施例では、１０倍よりも大きくする）または非正常の件数を減少するように調整すればよく、逆に、正常と判定できるランクの範囲が広い場合は、正常の件数を減少する（本実施例では、１０倍よりも小さくする）または非正常の件数を増加するように調整すればよい。なお、以下の表で示した件数は、おおよその数である。

上述した実施例においては、延滞の件数と貸倒の件数が（実質的に）等しい例について説明したが、延滞の数と貸倒の件数に差がある例について説明する。
一般的に、延滞（重度延滞および軽度延滞）の件数は、貸倒の数の数十倍以上（例えば、延滞：貸倒＝４０：１）あるので、単純に、正常、延滞、貸倒の件数を抽出しても、１つのスコアリングモデルでは、延滞および／または貸倒を高い確度で予測することはできない。一方で、貸倒の件数は、正常や延滞のデータと比較して非常に少ないので、延滞と貸倒の件数を実質等しい数だけ取得できない場合もある。かかる場合には、統計処理上許容される範囲内で、延滞と貸倒の件数を取得してもよい。一例として下表に示すように、延滞と貸倒の数の差が１０倍程度までであれば、実施例１は実施可能である。そして、正常の件数は、延滞の件数に対して１０倍程度以上取得する。

図２は、本発明の一実施例によるスコアリングモデル作成に関する情報処理のフローチャートを示す。Ｓ２０１０−Ｓ２０３０は、上表（分析対象の抽出件数・割合の例）で説明したような手順で実行される。なお、Ｓ２０１０−Ｓ２０３０については、上述したように、手順が入れ替わってもよい。Ｓ２０４０は、Ｓ２０１０−Ｓ２０３０で抽出されたデータを用いて、前述したような説明変数などを用いてスコアリングモデルを構築する。

図３は、本発明の一実施例による定期的な与信に関する情報処理のフローチャートを示す。

Ｓ３０１０は、事前に作成されたスコアリングモデルを取得する。

Ｓ３０２０は、状態を判定したい任意の顧客について、Ｓ３０１０で取得したスコアリングモデルを用いて、正常、延滞、貸倒などの顧客の状態を判断する。

Ｓ３０３０は、前回の記録と今回（Ｓ３０２０）の状態に基づくフォローを実行（フォローコールなど）する。ここで、フォローとは、融資をしている金融機関が顧客に対する行動であり、後述するような判定テーブルを用いて実行する。

Ｓ３０４０は、フォロー結果を記録する。具体的には、判定テーブルによって、判定されたフォロー（顧客に対してとった行動）と、当該フォローに対する顧客の反応（例えば、フォローに対して、対応したか否か）を、所定のデータベースに記録する。

スコアリングモデルの出力結果を予測する状態「軽度延滞」「重度延滞」「貸倒」の関係について説明する。「軽度延滞」「重度延滞」「貸倒」の各状態と、それ以外の状態である「正常」の割合について、それぞれが比較可能な調整を行う。本実施例においては、それぞれの状態の平均値を１に揃えた特化係数を用いた。比較可能な調整できる値であれば、偏差値などの特化係数でなくてもよい。

以下の表では、特化係数の数値例を示す。以下の表に示すように、例えば、スコアを１０段階に分けた場合に、１段階から６段階まで（上位ランクと称する）は、正常であると判定でき、７段階から９段階まで（中位ランクと称する）は、延滞（例えば、７段階を軽度延滞、８段階と９段階を重度延滞に分けてもよい）であると判定でき、１０段階（下位ランクと称する）を貸倒と判定できるようなモデルを構築したいと顧客が本システムに指定したときに、本システムは、このようなモデルが構築できるか否かを判定し、このようなスコア付けで判定できない場合は、正常の件数と正常ではない件数との割合を調整する。具体的には、前述したように、延滞と貸倒の件数（割合）がそれぞれ同程度になるように調整する。

従来、予測対象を「貸倒」または「延滞（軽度延滞及び／または重度延滞）」として、単純に１つモデル式を使って強引に予測しようとすると、スコアと状態の序列が担保されなくなる（図４（ａ）を参照）。すなわち、最下位スコアのほとんどが貸倒ではなく延滞である可能性があり、貸倒と延滞の状態を正しく予測できなくなるという問題点があった。このような問題点が生じる理由の１つは、延滞はある程度の件数が発生するが、貸倒までに至る件数は現実的には少なく、単純に貸倒または延滞をひとつのモデルで予測すると、延滞の傾向に引っぱられるからである。一例を示すと、全体で１０，０００件のケースのうち、延滞が３，０００件（全体の３０％）あったとすれば、貸倒は１００件（１％）であることが知られている。
一方、本実施例では、分析対象の抽出件数・割合の例でも説明したように、延滞と貸倒の件数（割合）がそれぞれ同程度になるように調整すると共に、延滞と貸倒の両方において、デフォルト確率の関係性が同じような傾向を有するようなパラメータを利用することにより、上述したような問題点が生じることはなく、スコアと状態の序列（正常−＞延滞−＞貸倒）を担保することができるようになる（図４（ｂ）を参照）。

フォロー判定テーブルについて説明する。最初のフォローに関しては、前回の判定がないので、最初の判定（今回判定を参照）に対応したフォローをする。例えば、今回判定が正常の場合は、静観（金融機関から顧客へは何もしない）をし、軽度延滞の場合は、スマートフォンのアプリケーションや電子メールを通じて、軽度延滞が発生している旨を顧客に連絡し、重度延滞の場合は、金融機関から顧客に対して電話をする（フォローコール）をし、貸倒の場合は、与信停止（貸付停止）をする。ここで、軽度延滞と重度延滞の場合は、金融機関からのフォローに対する顧客の対応を記録する。例えば、軽度延滞のメール通知に対して、顧客からメールの返信の有無をデータベースに記録する。

ここで、フォロー判定テーブルにおいて、催告通知とは、例えば、書面で返済を迫ったり、期限までに返済がない場合には法的手段をとる旨を通知したりすることである。また、訪問ヒアリングとは、例えば、実際に金融機関の担当者が、融資先（顧客の自宅など）に訪問することである。なお、催告通知や訪問ヒアリングをした場合に、顧客の対応結果（対応したか未対応か）を、金融機関の担当者が与信判断支援システムの入力部１１２０からデータを入力する。なお、入力部１１２０からデータ入力ができるフォロー結果（催告通知、フォローコール、訪問ヒアリングなど）の場合に、対応結果が未入力対策として、仮のフォロー結果（例えば「未対応」）が予めデータ入力されていてもよい。

そして、初回の判定後の任意の期間経過後に、次の判定（以下、第２回判定と称する）をおこなう。第２回判定でも初回判定と同様に、正常、軽度延滞、重度延滞、貸倒のいずれかに該当するか否かを判定する。そして、前回判定結果（初回判定結果）、そのフォロー、その顧客対応をデータベースから取得する。そして、図８のテーブルを参照して、第２回判定に加えて、前回判定の判定結果、フォロー、顧客対応を加味して、次のフォロー内容を決定する。例えば、第１回判定が正常で、金融機関からのフォローが正常だった場合に、第２回判定が正常だった場合には、金融機関は、静観を続けるか利用促進（金融機関から顧客へ更なる運転資金等の融資を提案する）をする。このような手順で判定することにより、顧客に対して適切な対応をすることができるようになる。

なお、フォロー判定テーブルは、複数種類のものを任意のデータベースに記憶しておき、顧客毎及び／または金融機関毎に選択できるようにしてもよい。

図５は、本発明の一実施例による与信判断支援システムをコンソーシアム化したサーバ・クライアントシステムを示す。なお、図５において示した参照符号のうち、他の実施例と同じ参照符号は、実質的に同じ機能を有しているので、説明を省略する。

本実施例におけるコンソーシアムシステムとは、実施例１の与信判断支援システムの１部の機能を共同サーバに設けて、複数の金融機関などが有する特定の情報（データ）に対して情報処理を施すシステムである。本実施例のようなコンソーシアムシステムを使用することにより、多くの情報（データ）を集約することが可能になるので、処理されたデータの品質（価値）を高める効果が期待できる。

図５のサーバ・クライアントシステムにおいては、複数の与信判断支援システム１０１０（クライアント側）と、コンソーシアムシステム２０１０（サーバ側）とが、専用回線またはネットワーク５００を介して接続されている。

与信判断支援システム１０１０は、実施例１の与信判断支援システム１０００と実質等価の構成でもよく、与信判断支援システム１０００のモデル計算部１１５０および／またはモデル記憶用ＤＢ１２３０が抜けている構成でもよい。

複数の与信判断支援システム１０１０のそれぞれは、各金融機関などに設置されている。

コンソーシアムシステム２０１０は、管理サーバ４１０と、モデル計算部１１５０と、複数のモデル記憶用ＤＢ１２３０とから構成されている。

管理サーバ４１０は、モデル計算部１１５０とモデル記憶用ＤＢ１２３０を制御する。管理サーバ４１０は、更に、ネットワーク５００を介して、複数の与信判断支援システム１０２０に、モデル計算部１１５０および／またはモデル記憶用ＤＢ１２３０からのデータを送信したり、与信判断支援システム１０２０から受信したデータをモデル計算部１１５０および／またはモデル記憶ＤＢ１２３０に転送したりする。

コンソーシアムシステム２０１０では、任意の与信判断支援システム１０１０からの要求に応じて、管理サーバ４１０を介して、図２のＳ２０１０−Ｓ２０４０と同様の処理を実行する。ここで、貸倒データ（Ｓ２０１０）、延滞データ（Ｓ２０２０）、正常データ（Ｓ２０３０）を抽出する際には、一実施例として、管理サーバ４１０は、Ａ銀行用モデル記録用ＤＢ１２３０、Ｂ銀行用モデル記録用ＤＢ１２３０、Ｃ銀行用モデル記録用ＤＢ１２３０、・・・からランダムにまたは平均的に抽出してもよいし、別の実施例として、Ａ銀行の貸倒データ（延滞データや正常データでもよい）を基準にスコアリングモデルを作成したい場合は、Ａ銀行の貸倒データを基準にして、不足となる延滞データや正常データを、他の銀行用モデル記録用ＤＢ１２３０から補完するように抽出してもよい。

また、他の銀行用モデル記録用ＤＢ１２３０からのデータを使用する際には、管理サーバ４１０は、個人情報であると指定されたデータをマスク処理して、当該マスク処理されたデータをモデル計算部１１５０にわたすようにしてもよい。

図６は、本発明の一実施例による与信判断支援システムをコンソーシアム化（コンソーシアムシステム）したサーバ・クライアントシステムを示す。なお、図６において示した参照符号のうち、他の実施例と同じ参照符号は、実質的に同じ機能を有しているので、説明を省略する。

本実施例におけるコンソーシアムシステムとは、実施例１の与信判断支援システムの１部の機能を共同サーバに設けて、複数の金融機関などが有する特定の情報（データ）に対して情報処理を施すシステムである。本実施例のようなコンソーシアムシステムを使用することにより、多くの情報（データ）を集約することが可能になるので、処理されたデータの品質（価値）を高める効果が期待できる。

図６のサーバ・クライアントシステムにおいては、複数の与信判断支援システム１０２０（クライアント側）と、コンソーシアムシステム２０２０（サーバ側）とが、専用回線またはネットワーク５００を介して接続されている。

与信判断支援システム１０２０は、実施例１の与信判断支援システム１０００と実質等価の構成でもよく、与信判断支援システム１０００のフォロー判定部１１６０および／またはフォロー結果ＤＢ１２６０が抜けている構成でもよい。

複数の与信判断支援システム１０２０のそれぞれは、各金融機関などに設置されている。

コンソーシアムシステム２０２０は、管理サーバ４２０と、フォロー判定部１１６０と、複数のフォロー結果ＤＢ１２６０とから構成されている。

管理サーバ４２０は、フォロー判定部１１６０とフォロー結果ＤＢ１２６０を制御する。管理サーバ４１０は、更に、ネットワーク５００を介して、複数の与信判断支援システム１０２０に、フォロー判定部１１６０および／またはフォロー結果ＤＢ１２６０からのデータを送信したり、与信判断支援システム１０２０から受信したデータをフォロー判定部１１６０および／またはフォロー結果ＤＢ１２６０に転送したりする。

コンソーシアムシステム２０２０では、任意の与信判断支援システム１０２０からの要求に応じて、管理サーバ４２０を介して、図３のＳ３０１０−Ｓ３０４０と同様の処理を実行する。

例えばＡ銀行の顧客に対して、Ｓ３０３０におけるフォロー結果を判定する際には、前回の判定結果、フォロー、顧客の対応について、Ａ銀行用フォロー結果ＤＢ１２６０だけではなく、他の銀行用フォロー結果ＤＢ１２６０も検索する。ここで、管理サーバ４１０が、検索結果を取得した際には、何処の銀行用フォロー結果ＤＢ１２６０から取得したかの情報についてわからなくなるようなマスク処理をしてから、フォロー判定部１１６０にわたしてもよい。

例えばＡ銀行の顧客に対して、Ｓ３０４０におけるフォロー結果をフォロー結果ＤＢ１２６０に記憶させる際には、Ａ銀行用フォロー結果ＤＢにのみ記憶させるか、すべての銀行用フォロー結果ＤＢ１２６０に記憶させるかを、Ａ銀行の与信判断支援システム１０２０を介して指定できるように構成されてもよい。

なお、実施例３の構成は、実施例２の構成と組み合わせて実施してもよい。

以上のように本発明の実施態様について説明したが、上述の説明に基づいて当業者にとって種々の代替例、修正又は変形が可能であり、本発明はその趣旨を逸脱しない範囲で前述の種々の代替例、修正又は変形を包含するものである。

１０００ 与信判断支援システム、１１１０ 画面表示部、１１２０ 入力部
１１３０ 個人情報管理部、１１４０ 抽出部、１１５０ モデル計算部
１１６０ フォロー判定部、１１７０ フォロー処理部、１１８０ 外部情報取得部
１２１０ 金融口座ＤＢ、１２２０ 個人情報ＤＢ、１２３０ モデル記憶用ＤＢ
１２４０ 決済情報ＤＢ、１２５０ フォロー結果ＤＢ
１３１０ 制御部、１３２０ インターフェイス部

Claims (8)

1. 顧客の与信判断を支援するシステムにおいて、
   少なくとも顧客の年齢に関する情報を含む顧客情報と、少なくとも顧客の融資および預金に関する情報を含む金融口座情報と、顧客の信用情報との中から少なくとも２つの情報を用いて、顧客をスコア付けする手段と、
   前記スコアに基づいて顧客の状態を判定して、データベースに記憶する手段と、
   前記データベースから、前記顧客の状態毎に、当該状態に対応する顧客の前記情報の件数を所定数抽出する手段と、
   ここで、前記顧客の状態は、顧客の少なくとも正常の状態と、当該正常の状態よりも相対的に返済状況が悪い状態を示す延滞の状態と、前記延滞の状態よりも相対的に返済状況が悪い貸倒の状態のいずれか１つであり、
   更に、前記抽出する手段においては、前記貸倒の状態を有する前記顧客の前記情報の件数と同じまたは多くなるように、前記延滞の状態を有する前記顧客の前記情報を抽出する件数が決定されると共に、前記延滞の状態および前記貸倒の状態の少なくとも一方を有する前記顧客の前記情報の件数よりも多くなるように、前記正常の状態を有する前記顧客の前記情報を抽出する件数が決定され、
   更に、前記抽出された正常の状態、前記延滞の状態、前記貸倒の状態の前記情報に基づき、前記少なくとも２つの情報のそれぞれを説明変数として、顧客の状態を予測するスコアを算出し、前記スコアにより、前記正常の状態、前記延滞の状態、または前記貸倒の状態を判定可能とする、デフォルト確率に関するスコアリングモデルを生成する手段と、
   を備え、
   前記スコアリングモデルは、前記説明変数におけるパラメータの値が上昇すると、前記延滞の状態に対するデフォルト確率も前記貸倒の状態に対するデフォルト確率も上昇するように変化する一方で、前記説明変数におけるパラメータの値が下降すると、前記延滞の状態に対するデフォルト確率も前記貸倒の状態に対するデフォルト確率も下降するように変化する関係性を有することを特徴とするシステム。
2. 更に、過去のフォロー処理と前記判定とに基づいて新たなフォロー処理を実行する手段を備えたことを特徴とする、請求項１記載のシステム。
3. 前記関係性において、前記延滞の状態に対するデフォルト確率の変化率と、前記貸倒の状態に対するデフォルト確率の変化率とは、異なることを特徴とする請求項１記載のシステム。
4. 更に、前記顧客の行動の変化に基づいて、状態判定された前記任意の顧客の状態を変更する手段を備えたことを特徴とする請求項３に記載のシステム。
5. 顧客の与信判断を支援するために、コンピュータによって実行される方法において、
   少なくとも顧客の年齢に関する情報を含む顧客情報と、少なくとも顧客の融資および預金に関する情報を含む金融口座情報と、顧客の信用情報との中から少なくとも２つの情報を用いて、顧客をスコア付けするステップと、
   前記スコアに基づいて顧客の状態を判定して、データベースに記憶するステップと、
   前記データベースから、前記顧客の状態毎に、当該状態に対応する顧客の前記情報の件数を所定数抽出するステップと、
   ここで、前記顧客の状態は、顧客の少なくとも正常の状態と、当該正常の状態よりも相対的に返済状況が悪い状態を示す延滞の状態と、前記延滞の状態よりも相対的に返済状況が悪い貸倒の状態のいずれか１つであり、
   更に、前記抽出するステップにおいては、前記貸倒の状態を有する前記顧客の前記情報の件数と同じまたは多くなるように、前記延滞の状態を有する前記顧客の前記情報を抽出する件数が決定されると共に、前記延滞の状態および前記貸倒の状態の少なくとも一方を有する前記顧客の前記情報の件数よりも多くなるように、前記正常の状態を有する前記顧客の前記情報を抽出する件数が決定され、
   更に、前記抽出された正常の状態、前記延滞の状態、前記貸倒の状態の前記情報に基づき、前記少なくとも２つの情報のそれぞれを説明変数として、顧客の状態を予測するスコアを算出し、前記スコアにより、前記正常の状態、前記延滞の状態、または前記貸倒の状態を判定可能とする、デフォルト確率に関するスコアリングモデルを生成するステップと、
   を備え、
   前記スコアリングモデルは、前記説明変数におけるパラメータの値が上昇すると、前記延滞の状態に対するデフォルト確率も前記貸倒の状態に対するデフォルト確率も上昇するように変化する一方で、前記説明変数におけるパラメータの値が下降すると、前記延滞の状態に対するデフォルト確率も前記貸倒の状態に対するデフォルト確率も下降するように変化する関係性を有することを特徴とする方法。
6. 顧客の与信判断を支援するために、コンピュータによって実行されるプログラムにおいて、
   少なくとも顧客の年齢に関する情報を含む顧客情報と、少なくとも顧客の融資および預金に関する情報を含む金融口座情報と、顧客の信用情報との中から少なくとも２つの情報を用いて、顧客をスコア付けする手段と、
   前記スコアに基づいて顧客の状態を判定して、データベースに記憶する手段と、
   前記データベースから、前記顧客の状態毎に、当該状態に対応する顧客の前記情報の件数を所定数抽出する手段と、
   ここで、前記顧客の状態は、顧客の少なくとも正常の状態と、当該正常の状態よりも相対的に返済状況が悪い状態を示す延滞の状態と、前記延滞の状態よりも相対的に返済状況が悪い貸倒の状態のいずれか１つであり、
   更に、前記抽出する手段においては、前記貸倒の状態を有する前記顧客の前記情報の件数と同じまたは多くなるように、前記延滞の状態を有する前記顧客の前記情報を抽出する件数が決定されると共に、前記延滞の状態および前記貸倒の状態の少なくとも一方を有する前記顧客の前記情報の件数よりも多くなるように、前記正常の状態を有する前記顧客の前記情報を抽出する件数が決定され、
   更に、前記抽出された正常の状態、前記延滞の状態、前記貸倒の状態の前記情報に基づき、前記少なくとも２つの情報のそれぞれを説明変数として、顧客の状態を予測するスコアを算出し、前記スコアにより、前記正常の状態、前記延滞の状態、または前記貸倒の状態を判定可能とする、デフォルト確率に関するスコアリングモデルを生成する手段と、
   を備え、
   前記スコアリングモデルは、前記説明変数におけるパラメータの値が上昇すると、前記延滞の状態に対するデフォルト確率も前記貸倒の状態に対するデフォルト確率も上昇するように変化する一方で、前記説明変数におけるパラメータの値が下降すると、前記延滞の状態に対するデフォルト確率も前記貸倒の状態に対するデフォルト確率も下降するように変化する関係性を有することを特徴とするプログラム。
7. 顧客の与信判断を支援するサーバ・クライアントシステムにおいて、
   前記クライアントは、
   少なくとも顧客の年齢に関する情報を含む顧客情報と、少なくとも顧客の融資および預金に関する情報を含む金融口座情報と、顧客の信用情報との中から少なくとも２つの情報を用いて、顧客をスコア付けする手段と、
   前記スコアに基づいて顧客の状態を決定して、データベースに記憶する手段と、
   を備え、
   前記サーバは、
   前記データベースから、前記顧客の状態毎に、当該状態に対応する顧客の前記情報の件数を所定数抽出する手段と、
   ここで、前記顧客の状態は、顧客の少なくとも正常の状態と、当該正常の状態よりも相対的に返済状況が悪い状態を示す延滞の状態と、前記延滞の状態よりも相対的に悪い貸倒の状態のいずれか１つであり、
   更に、前記抽出する手段においては、前記貸倒の状態を有する前記顧客の前記情報の件数と同じまたは多くなるように、前記延滞の状態を有する前記顧客の前記情報を抽出する件数が決定されると共に、前記延滞の状態および前記貸倒の状態の少なくとも一方を有する前記顧客の前記情報の件数よりも多くなるように、前記正常の状態を有する前記顧客の前記情報を抽出する件数が決定され、
   更に、前記抽出された正常の状態、前記延滞の状態、前記貸倒の状態の前記情報に基づき、前記少なくとも２つの情報のそれぞれを説明変数として、顧客の状態を予測するスコアを算出し、前記スコアにより、前記正常の状態、前記延滞の状態、または前記貸倒の状態を判定可能とする、デフォルト確率に関するスコアリングモデルを生成する手段と、
   を備え、
   前記スコアリングモデルは、前記説明変数におけるパラメータの値が上昇すると、前記延滞の状態に対するデフォルト確率も前記貸倒の状態に対するデフォルト確率も上昇するように変化する一方で、前記説明変数におけるパラメータの値が下降すると、前記延滞の状態に対するデフォルト確率も前記貸倒の状態に対するデフォルト確率も下降するように変化する関係性を有することを特徴とするシステム。
8. 顧客の与信判断を支援するサーバ・クライアントシステムにおいて、
   前記クライアントは、請求項１に記載のシステムを備え、
   前記サーバは、過去のフォロー処理と前記判定とに基づいて新たなフォロー処理を実行する手段を備えた、システム。