KR102121294B1 - 글로벌적으로 검색된 데이터를 기반으로 한 글로벌 비즈니스 랭킹의 실시간 생성을 위한 글로벌 네트워킹 시스템 - Google Patents

글로벌적으로 검색된 데이터를 기반으로 한 글로벌 비즈니스 랭킹의 실시간 생성을 위한 글로벌 네트워킹 시스템 Download PDF

Info

Publication number
KR102121294B1
KR102121294B1 KR1020187010357A KR20187010357A KR102121294B1 KR 102121294 B1 KR102121294 B1 KR 102121294B1 KR 1020187010357 A KR1020187010357 A KR 1020187010357A KR 20187010357 A KR20187010357 A KR 20187010357A KR 102121294 B1 KR102121294 B1 KR 102121294B1
Authority
KR
South Korea
Prior art keywords
data
global
business
score
country
Prior art date
Application number
KR1020187010357A
Other languages
English (en)
Other versions
KR20180059468A (ko
Inventor
알라 크람스카이아
니파 바수
징타오 조나단 얀
카롤리나 키에르코브스키
날란다 마티아
요셉 안드레아치
피터 에프. 킨켈
Original Assignee
더 던 앤드 브래드스트리트 코포레이션
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 더 던 앤드 브래드스트리트 코포레이션 filed Critical 더 던 앤드 브래드스트리트 코포레이션
Publication of KR20180059468A publication Critical patent/KR20180059468A/ko
Application granted granted Critical
Publication of KR102121294B1 publication Critical patent/KR102121294B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

적어도 복수의 국가로부터 검색된 국가 특정 데이터에 기반한 글로벌 비즈니스 랭킹의 실시간 생성을 위한 네트워킹 시스템으로서, 시스템은: 복수의 국가 데이터 수집 시스템 ― 국가 특정 데이터는 복수의 국가 소스로부터 수집됨 ―; 수집된 데이터를 수신하고 그리고 국가 거래 데이터, 국가 재무 데이터, 및 국가 가치손상 정보로 이루어진 그룹으로부터 선택된 적어도 하나로 카테고리화하는 변환 엔진; 병합된 데이터를 형성하기 위해, 국가 거래 데이터, 국가 재무 데이터, 및/또는 국가 가치손상 정보를 글로벌 데이터베이스로부터의 데이터, 매크로(macro) 스코어 데이터, 및/또는 신호 스코어 데이터와 병합하고 그리고 병합된 데이터를 글로벌 거래 데이터, 글로벌 재무 데이터, 및 글로벌 가치손상 정보로 이루어진 그룹으로부터 선택된 적어도 하나로 분류하는, 데이터/속성 저장소; 및 실시간 기반으로 글로벌 거래 데이터, 글로벌 재무 데이터, 및/또는 글로벌 가치손상 정보 중 임의의 것을 검색하고 그리고 특정 비즈니스 개체에 대한 글로벌 비즈니스 랭킹을 생성하는, 글로벌 비즈니스 랭킹 프로세서를 포함한다.

Description

글로벌적으로 검색된 데이터를 기반으로 한 글로벌 비즈니스 랭킹의 실시간 생성을 위한 글로벌 네트워킹 시스템
상호-참조된 출원
본 출원은, (a) 2015년 10월 15일자로 출원된 미국 가특허 출원 제62/242,075호, 및 (b) 2016년 10월 12일자로 출원된 미국 특허 출원 제15/291,385호를 우선권을 주장하며, 상기 출원 둘 모두는 그 전체가 인용에 의해 본원에 포함된다.
본 개시내용은 일반적으로, 상이한 시간대(time zone)로부터의 데이터의 실시간 수집을 위한 글로벌 네트워킹 시스템에 관한 것으로, 데이터 전부가 시간대 차이로 인해 현재 이용할 수 없다고 하더라도 비즈니스(business) 정보 투명성 및 가용성의 관점에서 전 세계적으로 임의의 비즈니스 개체(business entity)의 글로벌 비즈니스 랭킹(GBR; global business ranking)의 생성을 가능하게 하는 것에 관한 것이다. 특히, 이 시스템은, 세계 전체에 걸쳐 여러 소스(source) 및/또는 국가로부터의 글로벌적으로 검색(retrieve)된 정보, 이를테면 데이터에 기반한 GBR의 실시간 생성을 가능하게 한다.
주어진 국가에서의 비즈니스에 대한 비즈니스 랭킹을 생성하는 것은 알려져 있다. 일반적으로, 이러한 비즈니스 랭킹은 글로벌 규모의 비즈니스 랭킹을 처리하지 못한다. 더욱이, 랭킹 스코어는 상이한 시간대의 글로벌 국가(예컨대, 100 이상) 그룹으로부터의 데이터를 기반으로 하는 구성요소를 포함하지 않는다. 세계 전체에 걸친 다양한 국가로부터의 데이터의 전송에 있어서의 내재적 지연 및 상이한 시간대로 인해, 상이한 국가로부터의 데이터가 그러한 시간대 차이로 인해 지연되거나 불완전한 경우, GBR을 생성함에 있어 종종 문제가 발생한다. 따라서, 예를 들어 미국, 아르헨티나, 및 이스라엘에서 운영되는 다국적 회사에 대한 GBR을 시도하는 일본에서의 당사자는, 정확한 실시간 및 최신 GBR을 생성하는 데 필요한 데이터에 실시간으로 액세스하지 못할 수 있다. 기술적인 문제는, 사용자가, 상이한 위치, 상이한 시간대, 및 상이한 포맷 등으로 검색 및 저장되는 세계 전체에 걸쳐 수집되는 데이터에 기반한 GBR 스코어에 실시간으로 액세스하려 시도하고, 이에 의해, 데이터 전부가 수집 및 동기화될 때까지, GBR 스코어를 생성함에 있어 상당한 시간 지연이 야기된다는 사실에 있다. 오늘날의 글로벌 세계에서 그리고 정보에 대한 실시간의 즉각적인 액세스를 필요로 함에 있어서, 요청한 정보를 사용자가 몇 시간 또는 며칠을 대기하길 기대하는 것은 더 이상 실현 가능하지 않거나 수용 가능하지 않다.
본 개시내용은, 데이터가 완전한지 또는 그렇지 않은지 여부에 관계없이 한 그룹의 글로벌 국가에서의 활동에 기반하여 글로벌 비즈니스 랭킹을 실시간으로 생성하기 위한 시스템 및 방법을 제공한다.
적어도 복수의 국가로부터 검색된 국가 특정 데이터에 기반한 글로벌 비즈니스 랭킹의 실시간 생성을 위한 네트워킹 시스템으로서, 시스템은: 복수의 국가 데이터 수집 시스템 ― 국가 특정 데이터는 복수의 국가 소스로부터 수집됨 ―; 수집된 데이터를 수신하고 그리고 국가 거래 데이터, 국가 재무 데이터, 및 국가 가치손상(derogatory) 정보로 이루어진 그룹으로부터 선택된 적어도 하나로 카테고리화(categorize)하는 변환 엔진; 병합된 데이터를 형성하기 위해, 국가 거래 데이터, 국가 재무 데이터, 및/또는 국가 가치손상 정보를 글로벌 데이터베이스로부터의 데이터, 매크로(macro) 스코어 데이터, 및/또는 신호 스코어 데이터와 병합하고 그리고 병합된 데이터를 글로벌 거래 데이터, 글로벌 재무 데이터, 및 글로벌 가치손상 정보로 이루어진 그룹으로부터 선택된 적어도 하나로 분류(sort)하는, 데이터/속성 저장소(repository); 및 실시간 기반으로 글로벌 거래 데이터, 글로벌 재무 데이터, 및/또는 글로벌 가치손상 정보 중 임의의 것을 검색하고 그리고 특정 비즈니스 개체에 대한 글로벌 비즈니스 랭킹을 생성하는, 글로벌 비즈니스 랭킹 프로세서를 포함한다.
글로벌 비즈니스 랭킹 프로세서는, 임의의 부족한 정보 또는 데이터를 채우기 위해 통계적 모델 또는 비즈니스 지식(knowledge)을 사용함으로써, 글로벌 거래 데이터, 글로벌 재무 데이터, 및/또는 글로벌 가치손상 정보 중 임의의 것 또는 전부가 불완전한 경우라 하더라도 글로벌 비즈니스 랭킹을 생성하는 혼합형(blended) 모듈을 포함한다.
바람직하게는, 글로벌 비즈니스 랭킹은 글로벌 비즈니스 랭킹 저장소에 저장된다.
변환 엔진은 추가로, 수집된 데이터를 국가 특정 논리(logic) 및/또는 규칙에 따라 변환, 표준화, 및/또는 요약함으로써, 수집된 데이터를 프로세싱한다.
국가 데이터 수집 시스템은, 복수의 국가 소스로부터의 국가 특정 데이터의 병렬 프로세싱을 포함한다.
글로벌 비즈니스 랭킹 저장소는, 모든 국가 특정 데이터의 다운로드 및/또는 프로세싱을 대기할 필요 없이 실시간으로, 비즈니스 개체에 대한 글로벌 비즈니스 랭킹을 다운스트림(downstream)으로 푸시(push)하고 그리고/또는 비즈니스 개체에 대한 글로벌 비즈니스 랭킹을 사용자에게 지속적으로 피딩(feed)한다.
사용자에게 제공된 글로벌 비즈니스 랭킹은, 신경 회로망(neural net) 또는 다른 인공 지능 기술을 통해 글로벌 비즈니스 랭킹 프로세서로 피드 백(feed back)되어 글로벌 비즈니스 랭킹 프로세서를 통해 생성된 글로벌 비즈니스 랭킹을 개선시킨다.
본 개시내용의 다른 그리고 추가적인 목적, 이점, 및 특징은 첨부된 도면과 함께 다음의 명세서를 참조함으로써 이해될 것이며, 도면에서, 유사한 참조 부호는 구조의 유사한 엘리먼트를 나타낸다.
도 1은, 본 개시내용에 따른 GBR 시스템의 블록도이다.
도 2는, 도 1의 GBR 시스템의 매크로 스코어 하드웨어의 블록도이다.
도 3은, 도 1의 GBR 시스템의 신호 스코어 하드웨어의 블록도이다.
도 4는, 도 1의 GBR 시스템의 글로벌 거래 하드웨어의 블록도이다.
도 5는, 도 1의 GBR 시스템의 글로벌 재무 하드웨어의 블록도이다.
도 6은, 도 1의 GBR 시스템의 글로벌 가치손상 정보 하드웨어의 블록도이다.
도 7은, 도 1의 GBR 마스터 프로세싱 및 스코어링 시스템의 블록도이다.
도 8은, 도 7의 GBR 마스터 스코어링 모듈에 대한 논리도이다.
도 9는, 도 4의 매크로 스코어 하드웨어에 의해 사용되는 사전 매크로 모델링 단계에 대한 프로세싱 도면이다.
결합되는 도 10 및 도 11은, 도 4의 매크로 스코어 하드웨어에 의해 사용되는 매크로 모델링 단계에 대한 프로세싱 도면을 예시한다.
도 12는, 본 개시내용에 따른 글로벌 GBR 시스템의 블록도이다.
도 1 및 도 12를 참조하면, 본 개시내용의 GBR 시스템(100)은, 복수의 소스, 즉, 메인프레임 글로벌 데이터베이스(110), 매크로 스코어 하드웨어(200), 신호 스코어 하드웨어(300), GBR 글로벌 거래 하드웨어(400), 글로벌 재무 하드웨어(500), 및 글로벌 가치손상 하드웨어(600)로부터 입력을 수신하는 GBR 마스터 하드웨어 시스템(700)을 포함한다. GBR 마스터 하드웨어 시스템(700)은, GBR 스코어 저장 디바이스(800)에 GBR 랭킹 스코어를 제공하기 위해, 수신된 입력을 프로세싱한다.
GBR 글로벌 거래 하드웨어(400), 글로벌 재무 하드웨어(500), 및 글로벌 가치손상 하드웨어(600)는 각각, 거래 데이터베이스 그룹(150 및 160)으로부터 입력을 수신한다. 거래 데이터베이스 그룹(150)은, 미국(US)과 같은 현지 국가의 하나 이상의 거래 데이터베이스로부터의 하나 이상의 거래 데이터베이스를 포함한다. 거래 데이터베이스 그룹(160)은, 영국(UK)의 로컬 데이터베이스(162), 브라질의 로컬 데이터베이스(164), 및 세계 전체에 걸친 많은 다른 국가와 같은 글로벌 국가 집합에서의 하나 이상의 거래 데이터베이스를 포함한다.
본 개시내용은, 글로벌 데이터의 고유한 수집, 및 글로벌적으로 수집된 데이터에 기반한 실시간 프로세싱 및 GBR 스코어의 생성을 허용하는 기술적 해결책을 제공한다. 이러한 기술적 해결책은 도 12를 참조함으로써 가장 잘 이해된다.
도 12는, 다양한 국가 특정 데이터, 예를 들어, 국가 A 데이터(162), 국가 B 데이터(163), 국가 C 데이터(165), 및 국가 Z 데이터(164)의 수집을 포함하는 GBR 시스템(100)의 블록도를 도시한다. 각각에 대해, 국가 A 내지 Z 데이터는 다양한 소스로부터 수집되는데, 예를 들어, 국가 A 데이터(162)는, 적어도, 소스 1A(거래), 소스 2A(재무), 소스 3A(가치손상 정보), 내지 소스 nA(다른 데이터)로부터 병렬로 데이터를 업로드한다. 유사하게, 국가 B 데이터, 국가 C 데이터 내지 국가 Z 데이터는, 그들 개개의 소스로부터, 병렬로, 그들 개개의 소스 데이터를 검색한다. 그 후, 162, 163, 165 내지 164로부터의 개개의 국가 데이터는, 그들 개개의 소스로부터 데이터가 획득됨에 따라 데이터가 변환 엔진(161)으로 전송되도록 병렬로 프로세싱되며, 변환 엔진(161)에서는, 메타 데이터 저장소(166)에 저장된 규칙 및 포맷에 따라 데이터가 변환, 표준화, 카테고리화 및/또는 요약된다. 국가 특정 논리/규칙은 단계(168)에서 설정되고 메타 데이터 저장소(166)에 저장된다.
그 후, 일단 변환 엔진(161)이 162, 163, 165 내지 164로부터 수신된 개별 국가 데이터를 프로세싱했으면, 그 데이터는, GBR 데이터/속성 저장소(169)로 전송되고, GBR 데이터/속성 저장소(169)에서, 글로벌 데이터베이스(110), 매크로 스코어(200), 및 신호 스코어(300)로부터의 데이터와 병합된다. 데이터/속성 저장소(169)는, 병합된 데이터를 글로벌 거래 데이터(400), 글로벌 재무 데이터(500), 및 글로벌 가치손상 정보(600)로 분류한다. 저장소(169)에서 데이터를 사전 분류함으로써, GBR 프로세서(700)는, 글로벌 거래 데이터(400), 글로벌 재무 데이터(500), 및 글로벌 가치손상 정보(600) 중 적어도 하나가 완전한 정보를 가진다면, 그러한 거래(400), 재무(500), 또는 가치손상 정보(600) 중 임의의 것을 실시간 기반으로 검색할 수 있으며, 이에 의해, 다른 데이터/속성 저장소 데이터 각각이 완전해지고 최신 상태가 되는 것을 대기할 필요가 없어진다. 이는, 변환 엔진(161)을 통해 프로세싱되고 개별적인 별개의 데이터/속성 저장소, 예를 들어, 글로벌 거래 데이터(400), 글로벌 재무 데이터(500), 및 글로벌 가치손상 정보(600)에 배분될 다수의 소스 및 국가로부터의 데이터에 의존할 때 특히 유용하다. GBR 프로세서(700)는, 사용자의 온 디맨드(on demand) 요건을 충족시키기 위해 연속적인 피드 기반으로 글로벌 거래 데이터(400), 글로벌 재무 데이터(500), 및 글로벌 가치손상 정보(600)(즉, 비즈니스 지식)로부터 불완전한 데이터를 취하기 위한 혼합 모듈을 사용하며, 이에 의해, 부족한 정보를 채우기 위한 통계가 사용되고 그리고 저장소(800)에 저장되는 정확한 GBR 스코어가 계속 생성된다.
혼합 모듈, 병렬 프로세싱, 및 지속적인 피드 기반 시스템을 생성함으로써, 본 개시내용은, GBR 시스템(100)이, 각각의 국가 A-Z로부터의 모든 데이터 및 그들의 개개의 데이터 소스의 다운로드 및 프로세싱을 대기할 필요 없이, 실시간으로, GBR 스코어를 다운스트림(181)으로 푸시하거나 또는 사용자(183)에 의해 요청된 데이터를 검색할 수 있게 한다. 부가하여, 신경 회로망 또는 다른 인공 지능 기술을 사용하여 다운스트림 시스템(181)에 푸시된 정보의 재귀적 피드백 루프(185)를 통해 GBR 프로세서(700)에 의해 생성된 GBR 스코어를 지속적으로 개선하는 것이 가능하다.
도 2를 참조하면, 매크로 스코어 하드웨어(200)는, 사용자 인터페이스(230), 프로세서(232), 및 메모리(234)를 갖는 컴퓨터(220)를 포함한다. 프로세싱 모듈(236)은 메모리(234)에 저장된다. 컴퓨터(220)는, USA 데이터베이스 서버(202), UK 서버(204), 세계 은행 데이터베이스(206), IMF(국제 통화 기금) 데이터베이스(208), 거시 경제 데이터베이스(210), 및 Google GDELT(Global Database of Events, Language, and Tone) 감성(sentiment) 데이터베이스(212)로부터 입력을 수신한다. 프로세서(220)는, 이러한 입력을 프로세싱하고 240에 저장되는 매크로 스코어를 제공하도록 프로세싱 모듈(236)을 동작시킨다.
도 3을 참조하면, 신호 스코어 하드웨어(300)는, 컴퓨터(310), 글로벌 데이터베이스(들)(350), 비즈니스 프로파일 변경 데이터베이스(352), 매치 감사(match audit) 데이터베이스(354), 및 국경 교차 질의(cross border inquiry) 데이터베이스(356)를 포함한다. 컴퓨터(310)는, 사용자 인터페이스(312), 프로세서(314), 및 메모리(316)를 포함한다. 메모리(316)는, 330에 저장되는 신호 스코어를 생성하는 프로세싱을 위한, 글로벌 데이터베이스(들)(350), 비즈니스 프로파일 변경 데이터베이스(352), 매치 감사 데이터베이스(354), 및 국경 교차 질의 데이터베이스(356)로부터 획득된 정보를 프로세싱하는 프로세싱 모듈(318)을 포함한다.
글로벌 데이터베이스(350)와 비즈니스 프로파일 변경 데이터베이스(352)(예를 들어, CEO의 변경)를 커플링(couple)시킴으로써, 그에 더하여, 주어진 비즈니스에 대한 변경의 빈도가 획득된다. 글로벌 데이터베이스(350)는 CEO의 변경과 같은 정보를 제공하고, 비즈니스 프로파일 변경 데이터베이스(352)는 주어진 비즈니스에 대한 변경 빈도와 같은 정보를 제공한다. 매치 감사 데이터베이스(354)는, 신호 데이터가 얼마나 활성인지, 즉, 비즈니스 활동이 얼마나 최근인지 얼마나 빈번한지의 관점에서 활성인지를 표시하는 정보(예컨대, 그 비즈니스에 대한 매치 및 감사 횟수뿐만 아니라 신호 활동이 커버하는 시간 길이)를 포함하며, 신호 데이터는 일반적으로, 특정 비즈니스에 대한 비즈니스 질의(예컨대, 부정적인 매체 보도(coverage), CEO의 변경 등)에 관련된다. 매치 및 감사 횟수가 더 많을수록 그리고/또는 신호에 대한 시간 기간이 더 길수록, 비즈니스가 더 활성이거나 더 번영하고 있음을 표시한다. 국경 교차 질의 데이터베이스(356)는 그 비즈니스에 대해 국경 교차 질의를 갖는다. 더 많은 수의 상이한 국가로부터의 질의 및 더 긴 시간 기간에 걸친 질의가, 더 양호한 비즈니스에 대한 지표이다.
프로세싱 모듈(318)은, 상기 신호 데이터 항목 전부를 풀링(pool)하는데, 즉, 비즈니스 질의, 부정적인 매체 보도, 및 CEO의 변경과 같은 데이터 신호들을 결합(put together)한다. 회귀(regression) 모델은, 그에 상이한 가중치(weight)를 적용하고 가중 값(weighted value)을 단일 신호 스코어로 합산한다. 이러한 신호 스코어는, 이용가능한 신호 정보에만 기반한 비즈니스의 위험 레벨을 나타낸다.
도 4를 참조하면, GBR 글로벌 거래 하드웨어(400)는, 사용자 인터페이스(420), 프로세서 유닛(422), 메모리(430), 및 거래 저장 디바이스(440)를 포함하는 컴퓨터(410)를 포함한다. 컴퓨터 시스템(412)은, 글로벌 국가의 로컬 컴퓨터(414), 및 사용자 인터페이스(420)에 입력을 제공하는 중앙 FTP(파일 전송 프로토콜) 서버(416)를 포함한다. 로컬 컴퓨터(414)는, 그들 개개의 국가에서의 거래 데이터베이스(150 및 160)를 사용하여 컴퓨터(410)에 입력을 제공한다.
메모리(430)는, 거래 데이터 선택, 변환, 및 유도 변수 생성을 위한 프로세싱 모듈(432)을 포함한다. 그런 다음, 프로세싱 모듈(432)의 결과는 재무 저장 디바이스(440)에 저장된다.
도 5를 참조하면, GBR 글로벌 재무 하드웨어(500)는, 사용자 인터페이스(520), 프로세서 유닛(522), 메모리(530), 및 거래 저장 디바이스(540)를 포함하는 컴퓨터(510)를 포함한다. 컴퓨터 시스템(512)은, 글로벌 국가의 로컬 컴퓨터(514), 및 사용자 인터페이스(520)에 입력을 제공하는 중앙 FTP 서버(516)를 포함한다. 로컬 컴퓨터(514)는, 그들 개개의 국가에서의 거래 데이터베이스(150 및 160)를 사용하여 컴퓨터(510)에 입력을 제공한다.
메모리(530)는, 거래 데이터 선택, 변환, 및 유도 변수 모듈을 위한 프로세싱 모듈(532)을 포함한다. 그런 다음, 프로세싱 모듈(532)의 결과는 재무 저장 디바이스(540)에 저장된다.
도 6을 참조하면, GBR 글로벌 가치손상 하드웨어(600)는, 사용자 인터페이스(620), 프로세서 유닛(622), 메모리(530), 및 가치손상 데이터 저장 디바이스(640)를 포함하는 컴퓨터(610)를 포함한다. 컴퓨터 시스템(612)은, 글로벌 국가의 로컬 컴퓨터(614), 및 사용자 인터페이스(620)에 입력을 제공하는 중앙 FTP 서버(616)를 포함한다. 로컬 컴퓨터(614)는, 그들 개개의 국가에서의 거래 데이터베이스(150 및 160)를 사용하여 컴퓨터(610)에 입력을 제공한다.
메모리(630)는, 거래 데이터 선택, 변환, 및 유도 변수 생성을 위한 프로세싱 모듈(632)을 포함한다. 그런 다음, 프로세싱 모듈(632)의 결과는 가치손상 데이터 저장 디바이스(640)에 저장된다.
도 7을 참조하면, GBR 마스터 프로세싱 및 스코어링 하드웨어 시스템(700)은, 컴퓨터(702) 및 컴퓨터(750)를 포함한다. 또한 도 1을 참조하면, 컴퓨터(702)는, 메인 프레임 글로벌 데이터베이스(110), 매크로 스코어 하드웨어(200), 신호 스코어 하드웨어(300), GBR 글로벌 거래 정보(400), GBR 글로벌 재무 정보(500), 및 GBR 글로벌 가치손상 정보(600)로부터 입력을 수신한다. 컴퓨터(702)는, 사용자 인터페이스(704), 프로세서 유닛(706), 메모리(708), 및 마스터 데이터베이스 저장 디바이스(740)를 포함한다. 컴퓨터(702) 및 부가적인 컴퓨터(750)는, 시스템이 2개의 순차적 단계를 동시에 착수할 수 있게 한다. 컴퓨터(702)의 GRB 마스터 프로세싱 모듈(710)은, 모든 매크로, 신호, 거래, 재무 및 가치손상 데이터(도 2 내지 도 6)를 결합한다. 부가적인 컴퓨터(750) 내의 GBR 마스터 스코어링 모듈(758)은, GBR 스코어를 생성하고 저장 디바이스(790)에 저장하기 위해 마스터 데이터베이스 저장 디바이스(740)로부터 검색된 최종 빅 데이터(big data) 파일에 GBR 모델을 적용한다.
GBR 마스터 프로세싱 모듈(710)은 메모리(708) 내에 배치된다. 프로세서 유닛(706)은, GBR 마스터 프로세싱 모듈(710)을 사용하여, 메인 프레임 글로벌 데이터베이스(110), 매크로 스코어 하드웨어(200), 신호 스코어 하드웨어(300), GBR 글로벌 거래 정보(400), GBR 글로벌 재무 정보(500), 및 GBR 글로벌 가치손상 정보(600)로부터의 입력을 프로세싱함으로써, 모든 입력 파일을 결합하고 750에 대해 사용될 마스터 데이터세트를 생성한다. 그런 다음, 프로세서 유닛(706)은 이러한 결과를 마스터 데이터베이스 저장 디바이스(740)에 저장한다.
컴퓨터(750)는, 사용자 인터페이스(752), 프로세서 유닛(754), 메모리(756), 및 저장 디바이스(790)를 포함한다. 프로세서 유닛(754)은, 컴퓨터(702)로부터의 입력을 사용하여, 저장 디바이스(790)에 저장하고 그리고 GBR 스코어 저장 디바이스(800)(도 1)에 저장하기 위한 최종 GBR 스코어를 생성한다.
도 2와 관련하여, 프로세싱 모듈(236)은, 프로세서(232)에 의해 실행될 때, 사전 모델링 단계 및 모델링 단계를 수행한다. 사전 모델링 단계는, 불량한 정의에 의한 국가의 랭킹이 경제적 관점에서 의미를 갖는 것을 보장하는 매크로 조정 팩터(factor)를 생성한다. 모델링 단계의 데이터 준비 단계(1005 내지 1050)는, 데이터가 풍부한 국가와 데이터가 풍부하지 않은 국가에 대응하는 2개의 별개의 경로를 포함한다. 1055는 그러한 2개의 타입의 국가에 대한 데이터를 사용하고 모든 국가에 대한 매크로 스코어를 생성한다.
도 9를 참조하면, 프로세싱 모듈(236)은, 사전 모델링 단계 동안 프로세서(232)에 의해 실행될 때, 랭크-조정된 종속 변수를 달성하기 위해 복수의 단계를 수행한다. 단계(905)에서, 비즈니스 실패의 시계열(time series)과 다양한 거시 경제 변수 간에 상관/공적분(correlation/co-integration) 테스트가 수행된다. 단계(910)에서, 선택은, 국가 내의 비즈니스 실패를 표현하는 3개의 가장 강건한(robust) 거시 경제 변수로 구성된다. 단계(915)에서, 주 구성요소와 회귀 분석의 조합이 랭킹 조정 팩터를 생성하는 데 사용된다. 단계(920)에서, 랭킹 조정 팩터는, 경제적인 의미를 갖는 랭킹을 달성하기 위해 국가 레벨에서 종속 변수에 적용된다. 단계(925)에서, 랭크-조정된 변수가 모델링 단계를 위해 준비된다.
도 10 및 도 11을 참조하면, 프로세싱 모듈(236)은, 모델링 단계 동안 프로세서(232)에 의해 실행될 때, GBR 스코어에 통합시키기 위한 매크로 스코어 구성요소를 달성하기 위해 복수의 단계를 수행한다. 먼저 도 10을 참조하면, 단계(1005)에서, 국가별 GDP 성장의 5 년의 이력 데이터를 수집한다. 단계(1010)에서, 국가별 GDP 성장의 GDP의 표준 편차의 5년의 이력이 생성된다. 단계(1015)에서, GDP 성장의 표준 편차의 국가간(cross-country) 평균이 결정된다. 단계(1020)에서, 국가 GDP 성장 표준 편차 대 국가간 평균 표준 편차의 비에 기초하여 상대 변동성 예측자(relative volatility predictor)가 생성된다. 단계(1025)에서, 국가 데이터가 풍부한지 여부의 결정이 이루어진다. '예'이면, 단계(1030)에서, 다른 입력 변수가 고려된다. 다른 입력 변수는, 제한 없이, 인플레이션, 당좌 예금(current account), 잔액, 환율, 수입 커버(import cover), 실업률 중 하나 이상을 포함한다.
도 11을 또한 참조하면, 단계(1025)에서 '아니오'인 경우, 단계(1035)에서, 상이한 입력 변수 세트가 또한 고려된다. 이러한 입력 변수 세트는, 제한 없이, 인터넷 사용자의 비율, 정치적 안정성, 및 매체 보도에서의 뉴스 이벤트의 평균 톤(tone) 중 하나 이상을 포함한다.
단계(1030) 및 단계(1035)에 포함된 각각의 변수에 대해, 지난 10년의 이력 시계열 패널 데이터가 추출된다(1040). 단계(1030) 및 단계(1035) 각각에 대해, 대응하는 출력 데이터세트가 존재한다.
단계(1045)는, 2개의 출력 데이터세트를 확인하고, 하나 이상의 예측자가 누락된(missing) 국가를 플래깅(flag)한다.
국가가 플래깅 되면, 그 국가의 누락된 데이터는, 주권 국가 연맹(sovereign country affiliation), 지리적 위치, 유사한 경제적 프로파일 또는 외삽(extrapolation)에 기반하여 귀속된(imputed) 값으로 대체될 것이다(1050).
데이터 풍부 국가 및 데이터 부족 국가는 결합될 경우, 모든 국가를 커버한다.
임의의 주어진 국가의 매크로 스코어는 1 내지 100 사이의 수치 숫자인데, 예를 들어, 95의 매크로 스코어를 갖는 국가는 비즈니스 환경 및 비즈니스 개체의 관점에서 위험도가 낮은 반면, 20의 매크로 스코어를 갖는 국가는 전체적인 비즈니스 위험도가 높은 주(county)를 표시한다.
도 1 및 도 7을 참조하면, 프로세서 유닛(706)은, 마스터 데이터베이스 저장 디바이스(740)에 저장하기 위해, 메인프레임 글로벌 데이터베이스(110), 매크로 스코어 하드웨어(200), 신호 스코어 하드웨어(300), GBR 글로벌 거래 하드웨어(400), 글로벌 재무 하드웨어(500), 및 글로벌 가치손상 하드웨어(600)로부터 데이터 입력을 획득하도록 GBR 마스터 프로세싱 모듈(710)을 동작시킨다.
영국(UK)으로부터의 클라이언트(회사)의 다국적 포트폴리오(portfolio)의 예를 들면, 이러한 입력은 다음을 포함한다:
1) 메인프레임 글로벌 데이터베이스(110)(도 1) 상의 클라이언트의 정보,
2) 생성 및 추출된 UK의 거시 경제 스코어(도 2),
3) 신호 스코어 하드웨어(300)로부터의 신호 스코어(CEO 변경, 질의 등),
4-6) 재무 정보, 거래 정보, 및 가치손상 정보에 대해 탐색된 UK의 로컬 데이터베이스(도 1, F001).
이러한 6개의 그룹의 정보는 GBR 마스터 프로세싱 모듈의 동작에 의해 페치(fetch)되고 그리고 GBR 데이터베이스 저장 디바이스(740)에 저장된다.
도 7을 참조하면, 프로세서 유닛(754)은, GBR 마스터 스코어링 모듈(758)을 동작시켜, GBR 저장 디바이스(790)에 저장하기 위한 GBR 스코어를 생성하기 위해 위에서 언급된 6 개의 입력 중 하나 이상을 사용한다.
도 8은, 본 출원에 따른 GBR 스코어 생성에 관한 논리도를 제공한다.
다음에서는, 특정 개체(entity)에 대한 글로벌 비즈니스 랭킹(GBR)을 생성하기 위한 프로세스를 예시하는 예가 제공되며, 여기서, GBR 스코어는, 특정 관심 개체의 거주지 국가에 관계없이 일관되게 유지된다.
예를 들어, US 기반 회사는 그의 공급자(supplier)의 다국적 포트폴리오를 갖는다. 그의 공급자 중 하나는 ABC라는 명칭의 UK 기반 회사이다. US 기반 회사는, ABC와 비즈니스를 행하기 전에, 다음의 단계를 통해 계산된 ABC에 대한 GBR 스코어를 결정하려 시도한다.
글로벌 데이터베이스(110)로부터, 연령(40년), 직원 수(200명의 직원), 표준 산업 코드(Standard Industry Code) 등과 같은 ABC의 퍼모그래픽(firmographic) 데이터를 검색한다.
200을 통해 국가 특정 매크로 스코어 값을 생성 및 검색한다. UK 매크로 스코어를 생성하는 데 필요한 UK 정보는 다음과 같이 추출된다:
● 202로부터 국가 불량률, 연간 평균 인플레이션, 및 수입 커버 비율, 204로부터 정치 안정성 지수, 206으로부터 실업률 및 인터넷 사용량, 서버(202 내지 212)로부터의 데이터의 커플링으로부터 GDP 성장 및 GDP의 퍼센티지로서의 당좌 예금, Google GDELT 감성 데이터베이스(212)로부터 매체 이벤트의 평균 톤.
● 도 2의 프로세싱 모듈(236)은 다음과 같이 동작한다. 데이터베이스(202 내지 212)로부터, UK를 포함하는 모든 국가에 대한 GDP 성장을 모은다. 국가별 GDP 성장에 기반하여, GDP 성장 표준 편차, 및 국가간 GDP 성장 표준 편차의 평균을 생성한다. GDP 성장의 표준 편차는 통계의 변동성 측정이다. UK에 대한 상대 변동성 예측자는, 모든 국가에 걸친 GDP 성장 표준 편차에 대한 UK GDP 성장 표준 편차의 비율이다. 상대 변동성 예측자는, 글로벌 평균에 대한 한 국가의 비즈니스 위험도 레벨을 나타낸다. 한 국가의 상대 변동성 예측자가 1보다 크면, 그 국가의 비즈니스 위험도가 글로벌 평균보다 높음을 표시한다.
● 상대 변동성 예측자를 포함하여 위에서 언급된 데이터 항목에 대한 가중치를 할당하는 회귀 방정식에 기반하여 UK 매크로 스코어를 생성하고, 가중치 값을 매크로 스코어에 합산한다.
매크로 스코어 저장 디바이스(240)는 이러한 UK 매크로 스코어를 저장한다.
1250의 매크로 스코어를 갖는 브라질과 같은 다른 국가와 비교하여, UK는 국가 전반적으로 비즈니스 위험도가 적으며, 따라서, 1285의 더 양호한 매크로 스코어를 갖는다. 이는, UK 매크로 스코어의 계산에 투입되는 위에서 명시한 바와 같은 정보 항목에서 설명될 수 있다.
UK 대 브라질 매크로 스코어의 이러한 차이는, 동류비교인(apples to apples) UK와 브라질 간의 GBR 스코어를 비교하는 것을 가능하게 하도록 돕는다. 최종 GBR 스코어는 다음의 6개의 구성요소를 갖는다.
1. 재무
2. 거래
3. 가치손상
4. 신호 스코어
5. 매크로 스코어
6. 퍼모그래픽
UK 회사와 브라질 회사가 상기 구성요소 1, 2, 3 및 4의 데이터 항목에 대해 동일한 경우, 이는, 매크로 스코어 및 퍼모그래픽이 포함되기 전에는 동일한 위험도 스코어를 가질 것이다.
구성요소 5, 즉, 매크로 스코어와 관련하여, UK가 브라질보다 더 양호한 매크로 스코어를 갖고 있으므로, UK 회사는 1250의 브라질 회사보다 더 양호한 1285의 GBR 스코어를 가질 것이다.
추가로, 이러한 두 회사가 동일한 퍼모그래픽, 이를테면 연령, 직원 규모, SIC 등을 갖는다고 가정한다. GBR 구성요소 6인 퍼모그래픽은, 퍼모그래픽에 기반하여 상이한 국가에 대한 위험을 계산하기 위해 상이한 공식을 갖는다. 이러한 두 회사는, 동일한 퍼모그래픽을 갖지만, 상이한 계산 공식/모델 때문에 구성요소 6에서 상이한 위험도 스코어를 가질 것이다.
즉, 최종 GBR 스코어는, 매크로 스코어 및 퍼모그래픽 스코어를 포함하는 상기 6개의 구성요소 전부를 고려한다. 결과적으로, UK와 브라질의 두 회사는, 일관된 측정 척도(benchmark)에 기반하여 2개의 상이한 최종 GBR 스코어를 가질 것이고, 스코어는 동류비교로 비교될 수 있다.
300에서 신호 스코어 값을 검색한다.
UK 회사 ABC의 경우, 글로벌 데이터베이스(350)와 비즈니스 프로파일 변경 데이터베이스(352)의 커플링 이후, ABC에 대한 비즈니스 프로파일 변경의 타입(예컨대, CEO 변경)뿐만 아니라 변경 빈도가 획득된다. 매치 감사 데이터베이스(354)는, ABC에 대해 신호 데이터가 얼마나 활성인지를 표시하는 정보, ABC에 대한 매치 및 감사 횟수와 같은 정보뿐만 아니라, 신호 활동이 커버하는 시간 길이를 제공한다. 매치 및 감사 횟수가 더 많을수록 그리고/또는 신호에 대한 시간 기간이 더 길수록, ABC가 비즈니스에서 더 활성이고 그리고/또는 더 많은 비즈니스 관계를 갖는다. 국경 교차 질의 데이터베이스(356)는 그 비즈니스에 대해 국경 교차 질의를 갖는다. 더 많은 질의는 비즈니스의 양호 또는 불량 중 어느 하나의 표시일 수 있지만, 비교적 긴 시간 기간 동안 ABC에 대한 질의가 존재하지 않는 경우는 ABC와 비즈니스를 행하는 것에 대한 위험성을 나타낸다.
프로세싱 모듈(318)은, 상기 신호 데이터 항목 전부를 함께 풀링(pool)한다. 회귀 모델은, 그에 상이한 가중치를 적용하고 가중 값을 단일 신호 스코어로 합산한다.
다음에서는, 예시 목적을 위해, 다른 계산이 GBR 프로세스에서 사용될 수 있는 경우가 제공된다. 신호 데이터에 대한 이러한 예는 또한, GBR의 모든 다른 부분, 이를테면 인구통계특성(demographics), 재무, 및 거래 정보 등에 의한 스코어에 사용될 수 있다.
회사 ABC는, 지난 3개월 내에 10건의 국경 교차 질의를 가지며, 이러한 질의는 7개 국가로부터 이루어졌다. 전년도에 ABC의 CEO가 사임했으며, ABC에 대한 3개의 부정적인 매체 보도가 존재했다.
먼저, 상기 4개의 미가공(raw) 데이터 값 각각은, 증거 가중치(Weight of Evidence) 테이블에 기반하여 예측자 값으로 변환된다. 증거 가중치 테이블은, 모델 샘플에 기반하여 모델링 생성 프로세스 동안 모든 예측자에 대해 생성된다. 다음에서는, 국경 교차 질의 횟수의 예측자에 대한 것이 제공된다.
국경 교차 질의에 대한 증거 가중치(WOE) 테이블
질의 횟수 증거 가중치
1 - 3 0.10
4 - 6 0.60
7 + 1.46
결손 -0.17
1. 10회(질의 수)는 1.46(증거 가중치)로 변환된다.
2. 7개(국가 수)는 1.52(증거 가중치)로 변환된다.
3. CEO 변경은 -1.12(증거 가중치)로 변환된다.
4. 3회(부정적인 매체 보도)는 -0.74(증거 가중치)로 변환된다.
위의 증거 가중치 값을 GBR 신호 모델에 적용한다:
Log_odds = - 0.4207
- 0.7005 * 질의 수(1.46)
- 0.2125 * 국가 수(1.52)
- 0.3281 * CEO변경(-1.12)
- 0.2788 * 부정적인매체(-0.74)
= -1.1926
스코어 = 1130 - 40/Ln(2) * Log_odds
=1061
회사 ABC는 1061의 신호 스코어를 갖는다.
이러한 신호 스코어는 1001 내지 1500의 범위에 있으며, 1001은 가장 많이 위험하고 1500은 가장 덜 위험하다. 이러한 신호 스코어는, 오직 이용가능한 신호 정보에만 기반한 비즈니스의 위험 레벨을 나타낸다.
예를 들면, ABC는 비교적 양호한 스코어인 1439의 신호 스코어를 갖는데, 그 이유는, ABC에 대해 이용가능한 많은 매치(match) 및 감사(audit)뿐만 아니라 국경 교차 질의가 존재하고, CEO 변경 등과 같은 비즈니스 프로파일 변경이 존재하지 않기 때문이다.
거래 데이터베이스 그룹(150) 및 국가 데이터베이스 그룹(160)으로부터의 US 거래 데이터베이스(151) 및 US 비즈니스 데이터베이스(152)로부터 GBR 글로벌 거래 정보(400)를 검색한다.
거래 정보는, 비즈니스 개체가 자신의 채무(debt obligation)를 어떻게 지불하는지를 수반한다. 일반적인 비즈니스 위험도 모델인 GBR 모델의 경우, 다음의 정보 항목이 사용된다.
1. 지난 12개월 간의 거래 횟수
2. 즉시 지불된 지불
3. 만기가 지나고 30일 이내에 지불된 지불
4. 만기가 31-60일 경과한 지불
5. 만기가 61-90일이 경과한 지불
6. 만기가 91-120일이 경과한 지불
7. 만기가 121-150일이 경과한 지불
8. 만기가 151-180일이 경과한 지불
9. 만기가 181일 이상 경과한 지불
도 4의 글로벌 파트너(414)는, 세계 전체에 걸쳐 퍼져있는 그들의 로컬 컴퓨터/서버/데이터베이스로부터의 거래 데이터를 FTP(File Transfer Protocol) 방법을 통해 중앙집중형(centralized) FTP 사이트/서버(416)에 제공한다. 거래 데이터 선택, 변환, 유도 변수 생성 모듈(432)은, 로컬 데이터 전부를 하나의 최종 거래 데이터베이스로 결합하고, 거래 데이터를 저장 디바이스(440)에 저장한다.
데이터베이스(150 및 160)는, 다른 것들 중에서도, US(즉, US 거래 데이터베이스(151) 및 US 비즈니스 데이터베이스(152)) 및 다른 국가(즉, 개별 로컬 국가(162 내지 164)에 대한 로컬 데이터베이스)에 대한 다음의 거래 정보를 포함한다. US 및 다른 국가에 대한 그러한 정보에는 다음을 포함하지만 이에 제한되지 않는다:
● 지난 12 개월 내의 보고된 상세한 거래가 있는 월 수
● 페이덱스(paydex) 스코어
● 지난 12 개월 내의 대출 총액
● 지난 12 개월 내의 총 지불 경험 횟수
● 지난 12 개월 내의 즉시 지불 횟수
● 지난 12 개월 내의 만족스러운 지불(0-30 dpd) 횟수
● 지난 12 개월 내의 30-60 dpd 지불 횟수
● 지난 12 개월 내의 60-90 dpd 지불 횟수
● 지난 12 개월 내의 90-120 dpd 지불 횟수
● 지난 12 개월 내의 120+ dpd 지불 횟수
* dpd(days past due) : 만기가 경과한 날의 수.
도 4의 로컬 국가 컴퓨터(414) 및 중앙 FTP 사이트/서버(416)를 통해, 위의 데이터 항목이 함께 풀링된다.
메모리(432)는 모든 통화를 US 달러로 변환하고, 미가공 데이터 항목에 기반하여, 모델 예측자, 즉, 즉시 지불된(0 dpd) 만족스러운 경험(0-30 dpd)의 %, 및 60+ dpd 등인 30+ dpd 경험의 % 등과 같은 예측자를 생성한다.
거래 데이터 저장 디바이스(440)는 예측자를 저장하고, 이러한 예측자는, GBR 마스터 스코어링 모듈 컴퓨터(750)에서의 GBR 스코어 생성을 위해 컴퓨터(702)의 GBR 마스터 프로세싱 모듈에 의해 활용될 것이다. 컴퓨터(702 및 750)는 2개의 순차적인 단계를 허용한다. GBR 마스터 프로세싱 모듈(710)은, (도 2 내지 도 6으로부터의) 모든 매크로, 신호, 거래, 재무 및 가치손상 데이터를 결합한다. GBR 마스터 스코어링 모듈(758)은, GBR 모델을 마스터 데이터베이스 저장 디바이스(740)에 저장된 정보에 적용하며, 이에 의해, 저장 디바이스(790)에 GBR 스코어가 생성 및 저장된다.
도 5는, 거래 데이터베이스 그룹(150) 및 국가 데이터베이스 그룹(160)으로부터의 US 거래 데이터베이스(151) 및 US 비즈니스 데이터베이스(152)로부터 GBR 재무 정보(500)를 검색한다.
데이터베이스(150 및 160)는, 다른 것들 중에서도, US(데이터베이스 151 및 152)에 대한 그리고 다른 국가(데이터베이스 162 내지 164)에 대한 다음의 재무 정보를 포함한다.
● 지난 3년 내의 가장 최근 재무 제표(financial statement) 일자
● 가장 최근 재무 제표에서의 총자산
● 가장 최근 재무 제표에서의 순자산
● 순이익
● 현금 및 현금 상당액
도 5의 로컬 컴퓨터(514) 및 서버(516)를 통해, 위의 데이터 항목이 함께 풀링된다.
재무 데이터 선택, 변환, 유도 변수 생성 모듈(532)은, 모든 통화를 US 달러로 변환하고, 위의 미가공 데이터 항목에 기반하여, ROA(Return on Assets), 및 가장 최근 재무 제표(financial statement)의 최신성(recency) 등의 예측자를 생성한다.
재무 데이터 저장 디바이스(540)는 예측자를 저장하고, 이러한 예측자는, GBR 마스터 스코어링 모듈 컴퓨터(750)에 의해 GBR 스코어를 생성하기 위해 GBR 마스터 프로세싱 컴퓨터(702)에 의해 사용될 것이다.
도 6은, 거래 데이터베이스 그룹(150) 및 국가 데이터베이스 그룹(160)으로부터의 US 거래 데이터베이스(151) 및 US 비즈니스 데이터베이스(152)로부터 GBR 글로벌 가치손상 정보(600)를 검색하는 방식을 도시한다.
데이터베이스(150 및 160)는, 다른 것들 중에서도, US(데이터베이스 151 및 152)에 대한 그리고 다른 국가(데이터베이스 162 내지 164)에 대한 다음의 가치손상 정보를 포함한다.
● 지난 7 년 내의 징수 총액(collection amount)(연 수는 시장에 따라 다름)
● 지난 7 년 내의 법정 행위 총계(연수는 시장에 따라 다름)
● 지난 7 년 내의 임원 재판 총계(연수는 시장에 따라 다름)
● 지난 7 년 내의 임원 파산(failure) 수(시장에 따라 다름)
● 마지막 가치손상 사건 이후의 달 수
도 6의 로컬 컴퓨터(614) 및 서버(616)를 통해, 위의 데이터 항목이 함께 풀링된다.
가치손상 데이터 선택, 변환, 유도 변수 생성 모듈(632)은 모든 통화를 US 달러로 변환하고, 채권 추심 이력(1/0), 임원 파산 이력(1/0) 등과 같은 그러한 플래그/더미 예측자를 생성한다. 가치손상 데이터 저장 디바이스(640)는 예측자를 저장하고, 이러한 예측자는, GBR 마스터 스코어링 컴퓨터(750)에서의 GBR 스코어 생성을 위해 GBR 마스터 프로세싱 컴퓨터(702)에 의해 이후 호출될 것이다.
도 7의 GBR 마스터 프로세싱 모듈(710)은, 글로벌 데이터베이스(110)로부터의 ABC의 퍼모그래픽 정보와 함께 UK 회사 ABC에 대한 도 2 내지 도 6의 단계에 관한 위의 설명을 이용하여, 그러한 퍼모그래픽 정보, 저장부(240)로부터의 매크로 스코어, 저장부(330)로부터의 신호 스코어, 거래 데이터 저장 디바이스(440)로부터의 거래 데이터, 재무 데이터 저장 디바이스(540)로부터의 글로벌 재무 데이터, 및 회사 레벨에서의 가치손상 데이터 저장 디바이스(640)로부터의 글로벌 가치손상 데이터를 매칭 및/또는 병합한다. 다시 말해서, 마스터 프로세싱 모듈(710)은, 각각의 비즈니스가 유일한 하나의 레코드(record)만을 갖는 마스터 데이터 파일을 생성한다. ABC의 경우에 대해, 마스터 프로세싱 모듈(710)은, 위에 설명된 바와 같은 퍼모그래픽 데이터 필드(예컨대, 연령, 직원 규모, SIC 등), 거래, 재무, 및 가치손상 예측자 데이터 필드뿐만 아니라 그의 신호 스코어 및 UK 매크로 스코어를 사이드 바이 사이드(side by side)로, 데이터 파일로 어셈블링(assembly)한다.
마스터 데이터베이스 저장 디바이스(740)는 일반적으로, 위의 정보를 매트릭스 형태의 큰 데이터베이스에 저장하며, 각각의 행은 회사에 대응하고 그리고 각각의 열은 데이터 필드에 대응한다. ABC의 경우에서, 저장 디바이스(740)는, 많은 열의 예측자 값을 갖는 1-레코드 데이터 파일이다. ABC 회사에 대해 다수의 트랜잭션 레코드(transactional record)를 사용하는 대신 회사별로 하나의 레코드로 요약된 정보를 사용하는 것은, 최종 GBR 스코어를 생성하기 위한 컴퓨터 프로세싱 단계 및 시간을 절약할 것이다.
도 8에 도시된 바와 같이, 도 7의 마스터 스코어링 모듈(758)은, 스코어링을 위해 준비된 모든 필요한 정보를 갖는 저장 디바이스(740)로부터 시작하여, 도 8에 도시된 다음 단계를 통해 GBR 스코어를 생성한다.
먼저, 거래 또는 재무 데이터가 ABC에 대해 이용가능한지 확인한다.
1. ABC에 대해 이용가능한 거래 정보나 재무 정보가 존재하지 않는 경우, 퍼모그래픽 또는 신호 스코어가 이용가능한지를 확인한다.
● ABC에 대한 퍼모그래픽 또는 신호 스코어가 없는 경우, 매크로_모델(Macro_Model)을 적용하고, GBR 스코어를 생성하고, 그리고 GBR 스코어를 저장 디바이스(790)에 저장한다.
● ABC가 퍼모그래픽 또는 신호 스코어를 갖는 경우, 퍼모그래픽_신호_모듈(firmographics_signal_module)을 적용하여 GBR 스코어를 생성하고, GBR 스코어를 저장 디바이스(790)에 저장한다.
2. ABC에 대한 거래 또는 재무 데이터 항목이 존재하는 경우, 그 재무 데이터가 이용가능한지를 확인한다.
● 이용가능한 재무 데이터가 없는 경우, 거래_가치손상_퍼모그래픽_신호_매크로_모델(trade_derogatory_firmographics_signal_macro_model)을 적용하여 GBR 스코어를 생성하고, GBR 스코어를 저장 디바이스(790)에 저장한다.
● 재무 데이터가 존재하는 경우, 재무 데이터가 이용가능한지를 확인한다.
○ 거래 데이터가 이용가능하지 않은 경우, 재무_가치손상_퍼모그래픽_신호_매크로_모델(financial_derogatory_firmographics_signal_macro_ model)을 적용하여 GBR 스코어를 생성하고, 스코어를 저장 디바이스(790)에 저장한다.
○ 거래 데이터가 이용가능한 경우, 재무_거래_가치손상_퍼모그래픽_신호_매크로_모델(financial_trade_derogatory_firmographics_signal_ macro_model)을 적용하고, 스코어를 저장 디바이스(790)에 저장한다.
위 단계 이후, ABC에 대해 거래 및 재무 정보가 발견되고 임의의 가치손상 데이터 필드는 채워지지 않았다고 가정한다. 거래 데이터 필드 중에서, 모든 거래가 즉시 지불되었고 연체 데이터 필드에 전부 0이 채워진다. 재무 데이터 항목 중에서, ABC는 지난 회계 연도 말 현재 가장 최근의 재무 제표를 제출했으며 자산 수익률(return of assets) 관점에서 비즈니스가 잘 수행되었다.
재무_거래_가치손상_퍼모그래픽_신호_매크로_모델(Financial_Trade_Derogatory_Firmographics_Signal_Macro_model)이 사용되어 GBR 스코어가 생성되고, GBR 미가공 스코어는 1520이 된다.
GBR 최종 출력은 예측적 구성요소와 설명적 구성요소로 구성된다. 예측적(predictive) 구성요소는 GBR 미가공 스코어로부터 유도되며, 이는, 미가공 스코어를 미리정의된 컷오프(cutoff) 지점에 기반하여 15개의 세그먼트(segment)로 랭킹화하며, '15'가 가장 위험한 것이다. 설명적 구성요소는 데이터 심도(depth) 또는 데이터 가용성을 표시하며, 'A'가 가장 강한 것이고 'G'가 가장 약한 것이다. GBR은, 회사의 신뢰가능한 평가에 이용가능한 예측적 데이터에 대한 가시성(visibility)을 제공하는 데이터 심도 측정을 활용한다. 데이터 심도 구성요소는, 비즈니스의 향후 상태를 평가하는 데 사용되는 예측 데이터의 레벨에 대한 통찰력을 제공하는 신뢰 계수로서 역할을 한다.
데이터 심도 설명 모델
A 재무와 거래 재무 및 거래
B 재무 단독 재무 단독
C 심층적(thick) 거래 단독 거래 단독
D 피상적(thin) 거래 단독 거래 단독
E 완전한 퍼모그래픽 및 신호 매크로, 퍼모그래픽, 및 신호
F 신호 없는 완전한 퍼모그래픽, 또는 신호 있는/없는 부분적 퍼모그래픽 매크로, 퍼모그래픽, 및 신호
G 거시 경제 단독 매크로 단독
1520의 GBR 미가공 스코어 및 거래 및 재무 정보의 데이터 가용성에 기반하여, GBR 마스터 스코어링 모듈(758)은 '4A'의 GBR 최종 출력을 ABC에 할당한다.
UK에서의 평가에서 4의 스코어는, 데이터의 근본적이 깊이에 관계없이, 위험 성향 관점에서는 브라질에서의 스코어와 동일한 것을 의미한다.
최종적으로, '4A'의 스코어는 도 1의 GBR 스코어 저장 디바이스(800)에 저장된다.
다음에서는, 도 9-11의 상세한 설명이 제공된다.
도 9는, 모델 샘플에서 비즈니스 실패율 정보를 조정하기 위한 국가 조정 팩터를 어떻게 생성하는지를 개시한다. 이는, GBR 모델을 생성할 때 데이터의 약점을 어떻게 극복하는지에 대한 일 예이다.
도 10 및 도 11은, 매크로 모델이 어떻게 생성되는지의 프로세스를 예시한다.
도 2는, 위에서 설명된, 매크로 스코어가 어떻게 생성되는지의 프로세스를 제공한다.
도 9에 대해, GBR 모델 생성 스테이지 동안, 단계(905)는, 서버(202 및 204)뿐만 아니라 데이터베이스(206, 208, 210, 및 212)로부터의 비즈니스 실패의 시계열과 다양한 거시 경제 시계열 변수 간의 상관 테스트를 실행한다.
단계(915)는, 먼저, 비즈니스 실패율의 예측 값을 생성하기 위해, 서버(202 및 204)뿐만 아니라 데이터베이스(206, 208, 210 및 212)로부터의 모든 거시 경제 변수에 기반한 주 구성요소와 회귀 분석의 조합을 사용하여 랭크 조정 팩터를 생성한다. 그 뒤에, 관측된 비즈니스 실패율에 대한 예측된 비즈니스 실패율의 비인 랭크 조정 팩터가 생성된다. 이용가능한 데이터에서 관측되는 국가 비즈니스 실패율 대신 이러한 예상 비즈니스 실패를 사용하는 이유는, 데이터 커버리지 편차(bias)를 제거하기 위해서이다. 비즈니스 실패 정보 수집은 국가별로 극단적으로 다르다. 예를 들어, 브라질에 대한 관측된 실패율은 UK에 대해서보다 더 낮거나/더 양호한데, 그 이유는, 브라질에서는 실패 정보가 잘 수집되지 않기 때문이다.
단계(925)는, 예상 비즈니스 실패율뿐만 아니라 모델 샘플에서의 관측된 실패율을 조정하기 위한 랭크 조정 팩터를 저장한다. 이러한 조정된 비즈니스 실패율은 GBR 모델을 생성하는 데 사용된다.
도 10 및 11의 매크로 스코어(1060)는 모든 국가에 관련된다. 이러한 단계는, 도 1의 매크로 스코어(200)에 대응한다. 도 7의 GBR 마스터 프로세싱 및 스코어링(710)은, 매크로 스코어를 신호, 거래, 재무, 가치손상 정보와 함께 결합한다. 도 9의 단계(925)는, 랭크-조정된 종속 변수를 생성한다. 단계(925)의 결과는, 단계(1060)에서 매크로 스코어를 생성하기 위해, GDP 성장 등과 같은 다른 매크로 정보와 함께 사용된다. 도 10의 단계(1025)에서 국가의 매크로 데이터가 피상적(thin)인 경우, 주로 개발 도상국 사이에서, 일반적으로 그들의 거래, 재무, 가치손상, 및 신호 데이터가 또한 덜 풍부한데, 그 이유는, 데이터 수집에 대한 덜 진보된 정보 구조 때문이다. 이용가능한 정보가 적기 때문에, 최종 GBR 스코어의 정확도에 악영향을 미치는데, 그 이유는, 해당 국가에 대한 예측자가 많은 누락 값을 갖기 때문이다.
1055의 모델은, 요구되는 변수를 사용하고 UK 국가 매크로 스코어(예컨대, UK 매크로 스코어 = 1539, 낮은 위험도 스코어)를 생성한다. 이러한 UK 매크로 스코어는, 상세한 수학적 공식과 계산을 이용하는 신호 스코어와 관련하여 위에 설명된 바와 같이, 매크로 스코어가 신호 스코어와 상이한 공식 및 계산을 사용한다는 점을 제외하면 동일한 방법을 따른다. 일반적으로 1000-1200은 높은 위험도 스코어이고, 1500+는 낮은 위험도 스코어이다.
도 3의 데이터베이스(350 내지 356)는, 이용 가능한 모든 신호 데이터 항목을 풀링하고, 프로세싱 모듈(318)(즉, 회귀 방정식)은, ABC에 대한 신호 스코어(예컨대, ABC 신호 스코어 = 1435, 중간 레벨의 위험도 스코어)를 생성한다.
도 1은, 심층적(thick) 거래 데이터가 UK 로컬 데이터베이스(162)에서 이용가능함을 표시한다. 로컬 데이터베이스(162)에서, 회사가 3+의 거래 정보를 갖는다면, 심층적 거래를 갖는 것으로 고려된다. 심층적 거래는 스코어 정확도에 대해 좋으며, 그 이유는, 가치손상도 이용가능하지 않고(낮은 위험도의 표시) 재무도 이용가능하지 않은 동안 심층적 데이터가 이용가능하기 때문이다. 도 1의 GBR 글로벌 거래 정보(400)는, UK 로컬 데이터베이스(162)로부터 ABC 회사에 대한 거래 정보를 추출한다.
도 7의 GBR 마스터 프로세싱 모듈(710)은, ABC의 퍼모그래픽, 매크로 스코어, 신호 스코어, 및 거래 정보를 함께 풀링한다. 마스터 데이터베이스 저장 디바이스(740)는 결과를 저장한다.
도 7의 GBR 마스터 스코어링 모듈(758)은, 예를 들어, 도 8에 기재된 논리 흐름도에 따라, ABC에 대한 GBR 스코어를 생성한다.
시스템은, "시작(758)"으로 시작되어, 거래 또는 재무 정보(801)가 이용가능한지를 결정한다. 어느 하나가 이용가능한 경우, 시스템은, 재무가 이용가능한지를 알기 위해 확인한다(803). 이용가능한 재무가 없는 경우, 시스템은 "스코어카드(SCORECARD) : 거래/가치손상/퍼모그래픽/신호/매크로 모델"(805)로 이동하고, 740에서 이용가능한 데이터 전부를 사용하여 ABC에 대한 GBR 스코어(GBR ="4C")를 생성하며, 여기서, "4"는 낮은 위험도를 나타내고, "C"는 데이터 가용성 및 스코어 신뢰의 양호함을 표시한다. "4C"의 스코어는 GBR 스코어 저장 디바이스(800)에 저장된다.
재무 정보가 이용 가능한 경우, 시스템은, 거래 정보가 이용가능한지를 결정하기 위해 확인한다(807). 이용가능한 거래 정보가 없는 경우, 시스템은 "스코어카드: 재무/가치손상/퍼모그래픽/신호/매크로 모델"(809)로 이동하고, 740에서 이용가능한 데이터 전부를 사용하여 ABC에 대한 GBR 스코어(GBR = "4C")를 생성하며, 여기서, "4"는 낮은 위험도를 나타내고, "C"는 데이터 가용성 및 스코어 신뢰의 양호함을 표시한다. "4C"의 스코어는 GBR 스코어 저장 디바이스(800)에 저장된다.
재무 및 거래 정보 둘 모두가 이용가능한 경우, 시스템은 "스코어카드 : 재무/거래/가치손상/퍼모그래픽/신호/매크로 모델"(811)로 이동하고, 740에서 이용가능한 데이터 전부를 사용하여 ABC에 대한 GBR 스코어(GBR ="4C")를 생성하며, 여기서, "4"는 낮은 위험도를 나타내고, "C"는 데이터 가용성 및 스코어 신뢰의 양호함을 표시한다. "4C"의 스코어는 GBR 스코어 저장 디바이스(800)에 저장된다.
재무도 거래 정보도 이용가능하지 않은 경우(801), 시스템은, 퍼모그래픽 또는 신호 데이터가 이용가능한지를 결정(813)하기 위해 확인한다. '예'인 경우, 시스템은 "스코어카드 : 퍼모그래픽/신호/모델"(815)로 이동하고, 740에서 이용가능한 데이터 전부를 사용하여 ABC에 대한 GBR 스코어(GBR ="4C")를 생성하며, 여기서, "4"는 낮은 위험도를 나타내고, "C"는 데이터 가용성 및 스코어 신뢰의 양호함을 표시한다. "4C"의 스코어는 GBR 스코어 저장 디바이스(800)에 저장된다.
퍼모그래픽도 신호 데이터도 이용가능하지 않은 경우, 시스템은 "스코어카드 : 매크로"(817)로 이동하고, 740에서 이용가능한 데이터 전부를 사용하여 ABC에 대한 GBR 스코어(GBR ="4C")를 생성하며, 여기서, "4"는 낮은 위험도를 나타내고, "C"는 데이터 가용성 및 스코어 신뢰의 양호함을 표시한다. "4C"의 스코어는 GBR 스코어 저장 디바이스(800)에 저장된다.
이에 따라, 본 개시내용은 본 개시내용의 바람직한 형태에 대한 특정한 참조와 함께 설명되었지만, 첨부된 청구항에 정의된 바와 같은 본 개시내용의 사상 및 범위를 벗어나지 않으면서 본 개시내용의 바람직한 형태에 대한 다양한 변경 및 수정이 이루어질 수 있음이 명백할 것이다.

Claims (7)

  1. 적어도 복수의 국가로부터 검색(retrieve)된 국가 특정 데이터(country specific data)에 기반한 글로벌 비즈니스 랭킹(global business ranking)의 실시간 생성을 위한 네트워킹 시스템에 있어서,
    복수의 국가 데이터 수집 시스템(country data collection systems) ― 상기 국가 특정 데이터는 복수의 국가 소스(source)로부터 수집됨 ―;
    상기 수집된 데이터를 수신하여 국가 거래(trade) 데이터, 국가 재무(financial) 데이터, 및 국가 가치손상(derogatory) 정보로 카테고리화(categorize)하는 변환 엔진(transformation engine);
    국가 관련 데이터를 프로세싱하여 한 국가 내의 비즈니스의 전반적인 위험도를 표시하는 매크로(macro) 스코어 데이터를 생성하는 매크로 스코어 프로세서;
    비즈니스 활동도 및 질의 관련 데이터를 프로세싱하여 상기 비즈니스 활동도 및 질의를 표시하는 신호 스코어 데이터를 생성하는 신호 스코어 프로세서;
    병합된 데이터를 형성하기 위해, 상기 국가 거래 데이터, 상기 국가 재무 데이터, 및 상기 국가 가치손상 정보를 (i) 글로벌 데이터베이스로부터의 데이터, (ii) 상기 매크로 스코어 데이터, 및 (iii) 상기 신호(signal) 스코어 데이터와 병합(merge)하고 그리고 상기 병합된 데이터를 글로벌 거래 데이터, 글로벌 재무 데이터, 및 글로벌 가치손상 정보로 분류(sort)하는, 데이터/속성 저장소(data/attribute repository); 및
    실시간 기반으로 상기 글로벌 거래 데이터, 상기 글로벌 재무 데이터, 및 상기 글로벌 가치손상 정보 중 임의의 것을 검색하고 그리고 특정 비즈니스 개체(business entity)에 대한 상기 글로벌 비즈니스 랭킹을 생성하는 글로벌 비즈니스 랭킹 프로세서(global business ranking processor);를 포함하는, 글로벌 비즈니스 랭킹의 실시간 생성을 위한 네트워킹 시스템.
  2. 제1항에 있어서,
    상기 글로벌 비즈니스 랭킹 프로세서는, 임의의 부족한 정보 또는 데이터를 채우기 위해 통계적 모델 또는 비즈니스 지식(knowledge)을 사용함으로써, 상기 글로벌 거래 데이터, 상기 글로벌 재무 데이터, 및 상기 글로벌 가치손상 정보 중 임의의 것 또는 전부가 불완전한 경우라 하더라도 상기 글로벌 비즈니스 랭킹을 생성하는 혼합형(blended) 모듈을 포함하는, 글로벌 비즈니스 랭킹의 실시간 생성을 위한 네트워킹 시스템.
  3. 제2항에 있어서,
    상기 글로벌 비즈니스 랭킹은 글로벌 비즈니스 랭킹 저장소(global business ranking repository)에 저장되는, 글로벌 비즈니스 랭킹의 실시간 생성을 위한 네트워킹 시스템.
  4. 제1항에 있어서,
    상기 변환 엔진은 추가로, 상기 수집된 데이터를 국가 특정 논리(logic) 및/또는 규칙(rules)에 따라 변환(translating), 표준화(standardizing), 및/또는 요약(summarizing)함으로써 상기 수집된 데이터를 프로세싱하는, 글로벌 비즈니스 랭킹의 실시간 생성을 위한 네트워킹 시스템.
  5. 제1항에 있어서,
    상기 국가 데이터 수집 시스템은, 상기 복수의 국가 소스로부터의 상기 국가 특정 데이터의 병렬 프로세싱을 포함하는, 글로벌 비즈니스 랭킹의 실시간 생성을 위한 네트워킹 시스템.
  6. 제5항에 있어서,
    상기 글로벌 비즈니스 랭킹 저장소는, 모든 상기 국가 특정 데이터의 다운로드 및/또는 프로세싱을 대기할 필요 없이 실시간으로, 상기 비즈니스 개체에 대한 상기 글로벌 비즈니스 랭킹을 다운스트림(downstream)으로 푸시(push)하고, 그리고/또는 상기 비즈니스 개체에 대한 글로벌 비즈니스 랭킹을 사용자에게 지속적으로 피딩(feed)하는, 글로벌 비즈니스 랭킹의 실시간 생성을 위한 네트워킹 시스템.
  7. 제6항에 있어서,
    상기 사용자에게 제공된 상기 글로벌 비즈니스 랭킹은, 신경 회로망(neural net) 또는 다른 인공 지능 기술(artificial intelligence technology)을 통해 상기 글로벌 비즈니스 랭킹 프로세서로 피드 백(feed back)되어, 상기 글로벌 비즈니스 랭킹 프로세서를 통해 생성된 상기 글로벌 비즈니스 랭킹을 개선(improve)시키는, 글로벌 비즈니스 랭킹의 실시간 생성을 위한 네트워킹 시스템.
KR1020187010357A 2015-10-15 2016-10-14 글로벌적으로 검색된 데이터를 기반으로 한 글로벌 비즈니스 랭킹의 실시간 생성을 위한 글로벌 네트워킹 시스템 KR102121294B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201562242075P 2015-10-15 2015-10-15
US62/242,075 2015-10-15
US15/291,385 US20170109761A1 (en) 2015-10-15 2016-10-12 Global networking system for real-time generation of a global business ranking based upon globally retrieved data
US15/291,385 2016-10-12
PCT/US2016/057185 WO2017066674A1 (en) 2015-10-15 2016-10-14 Global networking system for real-time generation of a global business ranking based upon globally retrieved data

Publications (2)

Publication Number Publication Date
KR20180059468A KR20180059468A (ko) 2018-06-04
KR102121294B1 true KR102121294B1 (ko) 2020-06-10

Family

ID=58518156

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020187010357A KR102121294B1 (ko) 2015-10-15 2016-10-14 글로벌적으로 검색된 데이터를 기반으로 한 글로벌 비즈니스 랭킹의 실시간 생성을 위한 글로벌 네트워킹 시스템

Country Status (6)

Country Link
US (1) US20170109761A1 (ko)
JP (2) JP6843849B2 (ko)
KR (1) KR102121294B1 (ko)
CN (1) CN108140051B (ko)
HK (1) HK1255600A1 (ko)
WO (1) WO2017066674A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10607287B2 (en) * 2014-05-09 2020-03-31 Kuehne + Nagel International AG Real-time indicator of global trade
KR102077384B1 (ko) * 2017-12-31 2020-02-13 주식회사 포스코아이씨티 실시간 학습과 호출을 위한 인공지능 시스템 및 그 처리 방법
CN110532269B (zh) * 2019-08-30 2023-06-09 深圳市原点参数信息技术有限公司 一种基于机器学习财务报表跨国会计准则转换方法
CN113793223B (zh) * 2021-09-17 2023-11-14 上海企庭实业股份有限公司 全球企业家多层次服务体系人工智能算法数据库模块系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050137899A1 (en) * 2003-12-23 2005-06-23 Dun & Bradstreet, Inc. Method and system for linking business entities
US20060241923A1 (en) * 2002-08-02 2006-10-26 Capital One Financial Corporation Automated systems and methods for generating statistical models
US20120303537A1 (en) * 2011-05-27 2012-11-29 Bgw Ag Intellectual Property Right Valuation Index And A Method And A System For Creating Such An Index

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6856973B1 (en) * 1999-12-29 2005-02-15 General Electric Capital Corporation Methods and systems for assessing creditworthiness of a country
JP2001282957A (ja) * 2000-03-29 2001-10-12 Moody's Investers Service Inc 信用リスク分析システム及び信用リスク分析方法
KR20010098249A (ko) * 2000-04-29 2001-11-08 김웅희 각종 반응 정보에 따른 고객 반응지수 검색 및 응용시스템
JP2002015108A (ja) * 2000-06-30 2002-01-18 Nomura Holding Inc 企業価値分析装置及び企業価値分析方法
JP2002092228A (ja) * 2000-09-13 2002-03-29 Patolis Corp 特許技術力評価方法及び同システム
US20020194329A1 (en) * 2001-05-02 2002-12-19 Shipley Company, L.L.C. Method and system for facilitating multi-enterprise benchmarking activities and performance analysis
US20030018451A1 (en) * 2001-07-16 2003-01-23 Level 3 Communications, Inc. System, method and computer program product for rating enterprise metrics
EP1288813A1 (en) * 2001-08-28 2003-03-05 Hitachi, Ltd. System to calculate buisiness performance index
US20030229580A1 (en) * 2002-06-10 2003-12-11 David Gass Method for establishing or improving a credit score or rating for a business
US7822757B2 (en) * 2003-02-18 2010-10-26 Dun & Bradstreet, Inc. System and method for providing enhanced information
AU2004221195A1 (en) * 2003-03-17 2004-09-30 Intellectual Property Bank Corp. Enterprise value evaluation device and enterprise value evaluation program
US20050154769A1 (en) * 2004-01-13 2005-07-14 Llumen, Inc. Systems and methods for benchmarking business performance data against aggregated business performance data
US7409393B2 (en) * 2004-07-28 2008-08-05 Mybizintel Inc. Data gathering and distribution system
US7769663B1 (en) * 2006-01-25 2010-08-03 Morgan Stanley Capital International, Inc. Method and system for generating a global financial market index
US7979300B2 (en) * 2006-07-11 2011-07-12 Chandra Bobby A Business ratings determined from non-rating information
US8745041B1 (en) * 2006-12-12 2014-06-03 Google Inc. Ranking of geographic information
US7840569B2 (en) * 2007-10-18 2010-11-23 Microsoft Corporation Enterprise relevancy ranking using a neural network
US8838474B2 (en) * 2009-01-26 2014-09-16 Bank Of America Corporation System update management
US20140136440A1 (en) * 2012-08-31 2014-05-15 The Dun & Bradstreet Corporation System and process of associating import and/or export data with a corporate identifier relating to buying and supplying goods
AU2014202660C1 (en) * 2013-05-02 2016-06-09 The Dun & Bradstreet Corporation A system and method using multi-dimensional rating to determine an entity's future commercial viability
US10607287B2 (en) * 2014-05-09 2020-03-31 Kuehne + Nagel International AG Real-time indicator of global trade
US20170032386A1 (en) * 2015-08-01 2017-02-02 Paul Valentin Borza Growth-based ranking of companies

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060241923A1 (en) * 2002-08-02 2006-10-26 Capital One Financial Corporation Automated systems and methods for generating statistical models
US20050137899A1 (en) * 2003-12-23 2005-06-23 Dun & Bradstreet, Inc. Method and system for linking business entities
US20120303537A1 (en) * 2011-05-27 2012-11-29 Bgw Ag Intellectual Property Right Valuation Index And A Method And A System For Creating Such An Index

Also Published As

Publication number Publication date
KR20180059468A (ko) 2018-06-04
WO2017066674A1 (en) 2017-04-20
HK1255600A1 (zh) 2019-08-23
JP6843849B2 (ja) 2021-03-17
JP7091500B2 (ja) 2022-06-27
US20170109761A1 (en) 2017-04-20
CN108140051B (zh) 2023-05-12
CN108140051A (zh) 2018-06-08
JP2021099830A (ja) 2021-07-01
JP2018534674A (ja) 2018-11-22

Similar Documents

Publication Publication Date Title
Moons et al. Does economic diplomacy work? A meta‐analysis of its impact on trade and investment
JP7091500B2 (ja) 世界的に取得したデータに基づいて、世界企業ランキングをリアルタイムに作成するため方法、及び世界的ネットワークシステム
Ghura Tax revenue in Sub-Saharan Africa: Effects of economic policies and corruption
Marco Building and managing the meta data repository
US20160225076A1 (en) System and method for building and validating a credit scoring function
Mattei et al. Do product market threats affect analyst forecast precision?
US20110153522A1 (en) Electronic Enterprise Capital Marketplace Apparatus and Method
JP2002015108A (ja) 企業価値分析装置及び企業価値分析方法
KR101599675B1 (ko) 빅 데이터 기술에 기반한 기업 뉴스 검색 기술을 이용한 기업 신용 위험도 예측 장치 및 방법
Xiao et al. USDA forecasts of crop ending stocks: How well have they performed?
Nuseir Designing business intelligence (BI) for production, distribution and customer services: a case study of a UAE-based organization
Chang et al. Fiscal consolidation and public wages
Ibrahim et al. Trade facilitation and agriculture sector performance in sub-Saharan Africa: insightful policy implications for economic sustainability
US20170316512A1 (en) Propensity model for determining a future financial requirement
KR20170094935A (ko) 기업정보 제공 시스템 및 방법
US7783547B1 (en) System and method for determining hedge strategy stock market forecasts
Holmén et al. Do anti-takeover devices affect the takeover likelihood or the takeover premium?
Grediani Effects of company size, company age, audit committee, and auditor quality on Sharia information disclosure compliance-an indonesian Sharia’financial industry evidence
US20130179324A1 (en) Method, system, and program product for determining a value of an index
Che et al. Application and research on business intelligence in audit business
Golan Stock market analysis utilizing rough set theory.
CN110717646A (zh) 一种银行需求后评价的实现方法及系统
CN117291603B (zh) 一种大数据比对应收账款确权的风险评估系统
CN113836313B (zh) 一种基于图谱的审计信息识别方法与系统
Cole et al. Deflation, Real Wages, and the International Great Depression: A Productivity Puzzle

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant