KR20230049347A - Method and system for predicting business financial soundness using accounting data - Google Patents
Method and system for predicting business financial soundness using accounting data Download PDFInfo
- Publication number
- KR20230049347A KR20230049347A KR1020210132370A KR20210132370A KR20230049347A KR 20230049347 A KR20230049347 A KR 20230049347A KR 1020210132370 A KR1020210132370 A KR 1020210132370A KR 20210132370 A KR20210132370 A KR 20210132370A KR 20230049347 A KR20230049347 A KR 20230049347A
- Authority
- KR
- South Korea
- Prior art keywords
- financial soundness
- data
- financial
- accounting
- soundness
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims description 27
- 238000010801 machine learning Methods 0.000 abstract description 9
- 238000007726 management method Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 208000025174 PANDAS Diseases 0.000 description 5
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 5
- 240000004718 Panda Species 0.000 description 5
- 235000016496 Panda oleosa Nutrition 0.000 description 5
- 238000013499 data model Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000008602 contraction Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q10/10—Office automation; Time management
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
Description
본 발명은 사업자의 회계관리를 위한 회계관리프로그램에서 사용되는 회계데이터를 기계 학습을 이용하여 평가하여 재무건전성을 판단하고 사업자에 맞는 재무 조언을 생성하는 방법 및 그 장치에 관한 것이다.The present invention relates to a method and apparatus for determining financial soundness by evaluating accounting data used in an accounting management program for accounting management of a business operator using machine learning and generating financial advice suitable for the business operator.
글로벌 경제시대의 도래에 따라 기관이나 기업의 운영에 영향을 미치는 수많은 상황들이 발생하고 있으며, 금융위기, 부동산 경기 위축, 환율 위기, 일본 대지진 등 국내외의 변수로 인해 재무위기에 빠지거나 도산에 이르는 기관이나 기업들이 발생하고 있다.With the advent of the global economic era, numerous situations that affect the operation of institutions and companies are occurring. Institutions that fall into financial crisis or go bankrupt due to domestic and foreign variables such as the financial crisis, contraction in the real estate market, exchange rate crisis, and the Great East Japan Earthquake. or companies are taking place.
그에 따라, 기관이나 기업의 운영에 있어 이러한 장래의 변수 또는 발생가능한 리스크에 대비하여 재무 계획을 수립하거나 점검하는 것이 필수적으로 요구된다. Accordingly, it is essential to establish or check financial plans in preparation for such future variables or possible risks in the operation of institutions or companies.
공공기관이나 민간기업에서는 신규 사업 영역의 확대 등 경영환경 및 사업여건 변화에 능동적으로 대처하기 위해 중장기 재무계획을 기획 및 수립하여 활용하고 있다. Public institutions and private companies plan, establish, and utilize mid- to long-term financial plans to actively respond to changes in the business environment and business conditions, such as the expansion of new business areas.
그러나, 종래 재무위험 관리 방법의 경우 엑셀 프로그램을 이용하여 주먹구구식의 관리만이 이루어지고 있는 실정이며, 그에 따라 기업의 적정 유동성 산출이나 효율적인 금융자산 관리, 합리적인 투자의사 결정, 적절한 위험관리 방법의 제공이 불가능하며, 다양한 변수의 적용 및 여러 조건 변화를 고려한 최적의 투자비율을 산출하는 것이 곤란한 문제점이 있다.However, in the case of the conventional financial risk management method, only rule-of-thumb management is performed using an Excel program, and accordingly, the company's appropriate liquidity calculation, efficient financial asset management, rational investment decision-making, and provision of appropriate risk management methods This is impossible, and it is difficult to calculate the optimal investment ratio considering the application of various variables and changes in various conditions.
본 발명은 상기와 같은 종래의 문제를 해결하기 위한 것으로서, 사업자의 회계데이터를 바탕으로 사업자의 향후 거래 횟수 및 거래량을 예측할 수 있는 회계데이터를 활용한 사업자 재무건전성 예측 방법 및 시스템을 제공하는데 그 목적이 있다.The present invention is to solve the above conventional problems, and to provide a method and system for predicting the financial soundness of a business operator using accounting data capable of predicting the number and volume of future transactions of a business operator based on the business accounting data. there is
또한, 본 발명은 거래 횟수 및 거래량 예측을 바탕으로 사업자의 재무 건전성을 판단할 수 있는 회계데이터를 활용한 사업자 재무건전성 예측 방법 및 시스템을 제공하는데 그 목적이 있다.In addition, an object of the present invention is to provide a method and system for predicting the financial soundness of a business operator using accounting data capable of determining the financial soundness of a business operator based on the prediction of the number of transactions and the transaction volume.
또한, 본 발명은 사업자의 재무 건전성 예측을 바탕으로 맞춤형 재무 조언을 생성할 수 있는 회계데이터를 활용한 사업자 재무건전성 예측 방법 및 시스템을 제공하는데 그 목적이 있다.In addition, an object of the present invention is to provide a method and system for predicting the financial soundness of a business operator using accounting data capable of generating customized financial advice based on the prediction of the financial soundness of a business operator.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 회계데이터를 활용한 사업자 재무건전성 예측 시스템은 사업자의 회계관리용 회계관리프로그램에 사용되는 미가공 회계데이터를 전처리하여 시계열 예측 모형 학습을 위한 특징값들을 추출하고, 추출한 특징값들의 데이터셋을 생성하는 데이터 전처리부와; 상기 회계데이터로부터 추출한 특징값 데이터셋을 바탕으로 거래 횟수 및 거래 금액을 예측하는 거래 예측부와; 상기 회계데이터로부터 추출한 특징값 데이터셋을 바탕으로 재무 건전성 지표를 생성하는 재무 건전성 지표 생성부와; 상기 데이터 전처리부에서 추출된 특징값 데이터셋과 상기 재부 건전성 지표 생성부에서 생성된 과거의 재무 건전성 지표를 바탕으로 미래의 재무 건전성을 예측하는 재무 건전성 예측부;를 구비하는 것을 특징으로 한다.The business operator's financial soundness prediction system using accounting data according to the present invention for achieving the above object pre-processes the raw accounting data used in the business' accounting management program to extract feature values for learning a time series prediction model. and a data pre-processor for generating a dataset of the extracted feature values; a transaction prediction unit that predicts the number of transactions and transaction amount based on the feature value dataset extracted from the accounting data; a financial soundness indicator generating unit for generating a financial soundness indicator based on the feature value dataset extracted from the accounting data; and a financial soundness prediction unit for predicting future financial soundness based on the feature value dataset extracted from the data pre-processing unit and past financial soundness indicators generated by the financial soundness indicator generating unit.
한편, 상기와 같은 목적을 달성하기 위한 본 발명에 따른 회계데이터를 활용한 사업자 재무건전성 예측 방법은 사업자의 회계관리용 회계관리프로그램에 사용되는 미가공 회계데이터를전처리하여 시계열 예측 모형 학습을 위한 특징값들을 추출하고, 추출한 특징값들의 데이터셋을 생성하는 데이터 전처리 단계와; 상기 데이터 전처리 단계에서 추출한 특징값 데이터셋을 바탕으로 거래 횟수 및 거래 금액을 예측하는 거래 예측 단계와; 상기 데이터 전처리 단계에서 추출한 특징값 데이터셋을 바탕으로 재무 건전성 지표를 생성하는 재무 건전성 지표 생성 단계와; 상기 데이터 전처리 단계에서 추출한 특징값 데이터셋과 상기 재부 건전성 지표 생성 단계에서 생성한 과거의 재무 건전성 지표를 바탕으로 미래의 재무 건전성을 예측하는 재무 건전성 예측 단계;를 포함하는 것을 특징으로 한다.On the other hand, the method for predicting the financial soundness of a business operator using accounting data according to the present invention to achieve the above object is a feature value for learning a time series prediction model by pre-processing raw accounting data used in an accounting management program for business management. a data pre-processing step of extracting and generating a dataset of the extracted feature values; a transaction prediction step of predicting the number of transactions and transaction amount based on the feature value dataset extracted in the data preprocessing step; a financial soundness indicator generating step of generating a financial soundness indicator based on the feature value dataset extracted in the data preprocessing step; and a financial soundness prediction step of predicting future financial soundness based on the feature value dataset extracted in the data preprocessing step and the past financial soundness index generated in the financial soundness indicator generating step.
본 발명에 따른 회계데이터를 활용한 사업자 재무건전성 예측 방법 및 시스템은 사업자의 회계데이터를 바탕으로 사업자의 향후 거래 횟수 및 거래량을 예측할 수 있고, 예측 결과를 기반으로 사업자의 재무 건전성을 판단할 수 있으며, 재무 건전성 결과를 바탕으로 사업자가 향후 거래 횟수, 거래량 등의 경영 및 운영 방침을 결정할 수 있는 장점이 있다.The method and system for predicting the financial soundness of a business operator using accounting data according to the present invention can predict the number and volume of future transactions of a business operator based on the business accounting data, and determine the financial soundness of the business operator based on the forecast results, In addition, based on the results of financial soundness, the business operator has the advantage of being able to determine future management and operation policies such as the number of transactions and the volume of transactions.
도 1 내지 4는 본 발명에 따른 회계데이터를 활용한 사업자 재무건전성 예측 방법을 나타낸 블록도.
도 5 내지 9는 본 발명에 따른 회계데이터를 활용한 사업자 재무건전성 예측 시스템을 나타낸 블록도.1 to 4 are block diagrams showing a method for predicting the financial soundness of business operators using accounting data according to the present invention.
5 to 9 are block diagrams showing a business operator's financial soundness prediction system using accounting data according to the present invention.
이하, 첨부된 도면을 참조하면서 본 발명의 바람직한 실시 예에 따른 도 1은 본 발명에 따른 회계데이터를 활용한 사업자 재무건전성 예측 방법 및 시스템에 대하여 상세하게 설명한다. Hereinafter, referring to the accompanying drawings, FIG. 1 according to a preferred embodiment of the present invention will be described in detail with respect to a method and system for predicting the financial soundness of business operators using accounting data according to the present invention.
도 1 내지 도 4에는 본 발명에 따른 회계데이터를 활용한 사업자 재무건전성 예측 방법이 도시되어 있다. 본 발명에 따른 회계데이터를 활용한 사업자 재무건전성 예측 방법은 데이터 전처리 단계와, 거래 예측 단계와, 재무 건전성 지표 생성 단계와, 재무 건전성 예측 단계를 포함하여 구성된다.1 to 4 show a method for predicting the financial soundness of a business operator using accounting data according to the present invention. A business operator's financial soundness prediction method using accounting data according to the present invention includes a data preprocessing step, a transaction prediction step, a financial soundness index generation step, and a financial soundness prediction step.
데이터 전처리 단계는 사업자의 회계관리용 회계관리프로그램에 사용되는 미가공 회계데이터를전처리하여 시계열 예측 모형 학습을 위한 특징값들을 추출하고, 추출한 특징값들의 데이터셋을 생성한다.In the data pre-processing step, raw accounting data used in the accounting management program for accounting management of the business operator is pre-processed to extract feature values for learning a time series prediction model, and a dataset of the extracted feature values is created.
데이터 전처리 단계는 예측 모형을 학습 하기 위해 과거의 회계데이터를 처리하는 단계로서, 회계데이터는 사업자가 회계 관리를 위해 사용하는 회계관리프로그램에 저장된 데이터로서, 일 예로, 세금계산서발행내역, 계좌이체내역, 카드사용내역 등이 회계데이터에 포함될 수 있다.The data pre-processing step is a step of processing past accounting data to learn a predictive model. The accounting data is data stored in an accounting management program used by a business operator for accounting management, for example, tax invoice issuance details and account transfer details. , card usage details, etc. may be included in the accounting data.
데이터 전처리 단계에서는 회계데이터로부터 시계열 예측 모형에 적용하기 적합한 숫자와 관련된 특징값을 추출한다. 특징값은 시계열 데이터의 기준이 되는 시간과, 사업자별 구분을 위해 사업자정보를 적용할 수 있다. 그리고, 숫자로 구성된 특징값의 추출을 위해 비어있지 않은 금액 데이터를 적용할 수 있다.In the data preprocessing step, feature values related to numbers suitable for application to the time series prediction model are extracted from accounting data. As the feature value, time as a standard of time series data and operator information may be applied to classify each operator. In addition, non-empty amount data may be applied to extract feature values composed of numbers.
데이터 전처리 단계에서 세금계산발행내역으로부터 추출한 특징값들은 작성일자, 공급자 사업자번호, 공급가액, 세액, 합계금액, 현금지불액, 미수금액 등이고, 계좌이체내역에서 추출한 특징값들은 입금일시, 출금일시, 사업자번호, 입금액, 출금액, 잔액 등이며, 카드사용내역으로부터 추출한 특징값들은 승인일시, 사업자번호, 승인금액, 공급가액, 세액, 봉사료 등이다.The feature values extracted from the tax calculation issuance details in the data pre-processing stage are the date of creation, supplier business number, supply value, tax amount, total amount, cash payment amount, receivable amount, etc. Number, deposit amount, withdrawal amount, balance, etc., and the feature values extracted from card use details include approval date, business number, approval amount, supply value, tax amount, service charge, etc.
데이터 전처리 단계에서는 특징값 추출 단계 이후, SQL 기반 데이터베이스 가공 단계와, Pandas dataframe 가공 단계가 후속된다.In the data preprocessing step, after the feature value extraction step, the SQL-based database processing step and the Pandas dataframe processing step follow.
SQL 기반 데이터베이스 가공 단계는 SQL query를 사용하여 각 사업자별로 앞에서 추출한 특징값들에 대한 데이터들을 생성하고, 생성된 데이터들을 일시(日時)를 기준으로 내림차순 정렬한다.The SQL-based database processing step uses SQL queries to generate data for the previously extracted feature values for each operator, and sorts the generated data in descending order based on date and time.
Pandas dataframe 가공 단계는 SQL 기반 데이터베이스 가공 단계에서 가공된 데이터베이스를 python으로 불러들여 pandas.DataFrame 형태로 변환한다. 그리고, 원하는 예측 기간 또는 임의의 기간(일별, 주별, 월별)에 따라 특징값들을 합산하고, 합산한 금액값들을 획득한다. 그리고, 이를 시계열 데이터로 사용하기 위해 pandas.DataFrame 형태로 변환된 데이터들중에서 일자가 빈 필드에 '0'값을 채워 특정 기간동안의 데이터를 완성한다.In the Pandas dataframe processing step, the database processed in the SQL-based database processing step is imported into python and converted into pandas.DataFrame form. Then, feature values are summed according to a desired prediction period or an arbitrary period (daily, weekly, monthly), and summed monetary values are obtained. And, to use it as time-series data, complete the data for a specific period by filling in the empty date fields with '0' values among the data converted to pandas.DataFrame form.
위와 같은 Pandas dataframe 가공 단계는 각 사업자별로 진행되어 각 사업자별로 dataframe이 생성된다.The above Pandas dataframe processing step is performed for each operator, and a dataframe is created for each operator.
거래 예측 단계는 거래 예측기를 이용하여 데이터 전처리 단계에서 추출한 특징값 데이터셋들을 바탕으로 사업자별 거래 횟수 및 거래 금액을 예측한다. The transaction prediction step predicts the number of transactions and transaction amount for each operator based on the feature value datasets extracted in the data preprocessing step using a transaction predictor.
거래 예측 단계는 크게 데이터 분할 단계와, 거래 예측기의 기계적 학습을 위한 기계 학습 모델 형성단계와, 매개변수 조정단계와, 출력단계를 포함한다.The transaction prediction step largely includes a data segmentation step, a machine learning model formation step for mechanical learning of the transaction predictor, a parameter adjustment step, and an output step.
데이터 분할 단계는 앞서 설명한 데이터 전처리 단계에서 얻은 특징값들을 기계 학습 모델에 입력으로 넣기 위한 데이터를 트레이닝 데이터와, 테스트 데이터로 분리한다.The data segmentation step separates data for inputting the feature values obtained in the data preprocessing step described above into the machine learning model into training data and test data.
기계 학습 모델 형성단계는 거래 예측기의 기계적인 학습을 위한 모델을 형성하는 단계로서, 다중 시계열 데이터 모델을 적용할 수 있으며, 이에 적합한 모델로는 DeepAR, N-BEATS, TCN 등을 적용할 수 있다.The machine learning model formation step is a step of forming a model for mechanical learning of the transaction predictor, and multiple time series data models can be applied, and DeepAR, N-BEATS, TCN, etc. can be applied as models suitable for this.
기계 학습 모델 형성단계는 사업자별 거래 횟수 및 거래 금액의 예측을 위해 복수의 시계열 데이터 예측기를 구비하는 다중 시계열 데이터 모델을 적용할 수 있다. 통상 대부분의 시계열 데이터 모델들은 한 개의 시계열 데이터를 사용하는데 집중되어 있다. 하지만, 딥러닝(deep-learning) 모델의 발전으로 여러 개의 시계열 데이터를 사용한 모델 형성이 가능해지고 성능 또한 상승했다. 따라서, 이를 적용해 하나의 사업자가 아닌 여러 사업자들을 시계열 데이터를 하나의 기계 학습 모델에 적용하여 정확도를 높이고 획득한 빅데이터의 활용성을 높일 수 있다.In the machine learning model forming step, a multiple time series data model having a plurality of time series data predictors may be applied to predict the number of transactions and the amount of transactions for each business operator. Usually, most time series data models are focused on using one time series data. However, with the development of deep-learning models, it is possible to form models using multiple time series data, and performance has also improved. Therefore, by applying this, it is possible to increase accuracy and increase the usability of acquired big data by applying time series data to one machine learning model for multiple operators, not just one operator.
다중 시계열 데이터 모델 형성단계에서는 예측할 사업자의 데이터를 목표 시계열 데이터로 지정하고, 나머지 사업자의 데이터들을 공변량 시계열 데이터로 지정한다. 이때, 공변량(Covariate) 시계열 데이터는 목표 시계열 데이터를 예측하기 위해 정보를 나눠주는 데이터를 의미한다.In the multi-time series data model formation step, the data of the operator to be predicted is designated as the target time series data, and the data of the remaining operators is designated as the covariate time series data. In this case, the covariate time series data means data for distributing information in order to predict the target time series data.
그리고, 매개변수 조정단계는 다중 시계열 데이터 예측 모델을 활용하여 도출한 출력값들을 실제 데이터들의 값과 비교하고, 이 두 값의 오차를 낮추는 방향으로 다중 시계열 데이터 예측 모델의 매개변수(Parameter)를 조정한다. 이때, 다중 시계열 데이터 예측 모델에서 출력되는 값은 예측 거래횟수, 예측 거래금액, 예측 합산금액 등을 사용할 수 있다.And, in the parameter adjustment step, the output values derived by using the multi-time series data prediction model are compared with the actual data values, and the parameters of the multi-time series data prediction model are adjusted in the direction of lowering the error between these two values. . In this case, values output from the multi-time series data prediction model may include the number of predicted transactions, the predicted transaction amount, and the predicted total amount.
재무 건전성 지표 생성 단계는 재무 건전성 지표 생성기를 이용하여 데이터 전처리 단계에서 추출한 특징값 데이터셋을 바탕으로 재무 건전성 지표를 생성한다.In the financial soundness indicator generation step, a financial soundness indicator generator is used to generate a financial soundness indicator based on the feature value dataset extracted in the data preprocessing step.
재무 건전성 지표 생성기는 데이터 전처리기에서 얻은 특징값 (거래횟수, 공급가액, 세액, 현금, 외상미수금, 통장입금액, 통장출금액, 통장잔액, 카드승인금액)에 재무 건전성 지표 생성 알고리즘을 활용하여 과거 데이터에 대한 재무건전성 지표를 생성한다. 생성된 지표는 후술하는 재무 건전성 예측기의 기계 학습에 사용된다.The financial soundness indicator generator utilizes the financial soundness indicator generation algorithm to the feature values (number of transactions, supply value, tax amount, cash, accounts receivable, bankbook deposit amount, bankbook withdrawal amount, bankbook balance, and card approval amount) obtained from the data preprocessor to obtain past data. Create financial soundness indicators for The generated indicator is used for machine learning of the financial soundness predictor described later.
재무 건전성 지표 생성기는 데이터 전처리기에서 얻은 특징값을 영업활동(수입, 지출), 투자활동(수입, 지출) 및 재무활동(수입, 지출) 관련 비용으로 분류한 후, 아래 지표들의 값을 측정한다.The financial soundness indicator generator classifies the feature values obtained from the data preprocessor into operating activities (income, expenses), investment activities (income, expenses), and financial activity (income, expenses)-related expenses, and then measures the values of the following indicators. .
지표로서, 당월 총 현금흐름(당월 세금계산서, 카드내역서, 계좌내역 합계금액)의 전월대비 상승여부, 영업활동 현금흐름의 부호(최근 1년간 영업활동 현금흐름이 흑자인지 확인), 투자활동 현금흐름의 부호(최근 1년간 투자활동 현금흐름이 적자인지 확인), 재무활동 현금흐름의 부호(최근 1년간 재무활동 현금흐름이 적자인지 확인), 연간 지출 대비 영업이익, 연간 영업이익 변화량 (당해 영업이익의 전년대비 증가율 계산)을 적용할 수 있다.As indicators, whether the total cash flow for the current month (the total amount of tax invoices, card statements, and account details for the current month) increased compared to the previous month, the sign of cash flow from operating activities (check whether the cash flow from operating activities for the past year is in the black), and the cash flow from investing activities sign of (check whether cash flow from investing activities for the past year is in the red), sign of cash flow from financing activities (check whether cash flow from financing activities for the past year is in the red), operating profit against annual expenditure, change in annual operating profit (the operating profit of year-on-year increase) can be applied.
재무 건전성 예측 단계는 재무 건전성 예측기를 이용하여 데이터 전처리 단계에서 추출한 특징값 데이터셋과 재부 건전성 지표 생성 단계에서 생성한 과거의 재무 건전성 지표를 바탕으로 미래의 재무 건전성을 예측한다.The financial soundness prediction step uses a financial soundness predictor to predict the future financial soundness based on the feature value dataset extracted in the data preprocessing step and past financial soundness indicators generated in the financial soundness index generation step.
특징값 데이터셋은 데이터 전처리기를 통해 얻은 특징값(거래횟수, 공급가액, 세액, 현금, 외상미수금, 통장입금액, 통장출금액, 통장잔액, 카드승인금액 등)과 앞서 설명한 거래 예측기의 결과값(예측 거래횟수, 예측 수입 등)을 포함한다.The feature value dataset consists of the feature values obtained through the data preprocessor (number of transactions, supply value, tax amount, cash, accounts receivable, bank deposit amount, bank withdrawal amount, bank book balance, card approval amount, etc.) number of transactions, forecast earnings, etc.).
재무 건전성 예측 단계는 재무 건전성 예측기의 기계 학습을 위한 재무 건정성 예측 모델 형성단계를 포함하고 있으며, 재무 건정성 예측 모델은 특징값 데이터셋을 활용하여 미래의 재무 건전성을 출력하도록 재무 건전성 예측 모델을 학습한다. 재무 건전성 예측 모델을 구성할 때 전처리된 특징값(시계열 데이터)을 RNN, LSTM, GRU를 사용하여 잠재 벡터(latent vector)로 나타내고, 잠재 벡터와 거래 예측기 결과값을 DNN, naive bayes, decision tree 등의 지도 학습이 가능한 모델을 사용하여 구성할 수 있다.The financial soundness prediction step includes the step of forming a financial soundness prediction model for machine learning of the financial soundness predictor. learn When constructing a financial soundness prediction model, the preprocessed feature values (time series data) are expressed as latent vectors using RNN, LSTM, and GRU, and the latent vectors and transaction predictor result values are expressed through DNN, naive bayes, decision tree, etc. It can be configured using a model capable of supervised learning of
재무 건전성 예측 단계에서는 다중 시계열 데이터 예측 모델을 활용하여 도출한 값을 재무 건전성 지표 생성기에서 얻은 재무 건전성 지표값과 비교한다. 두 값의 교차 엔트로피(Cross Entropy)를 낮추는 방향으로 재무 건전성 예측 모델의 매개변수(Parameter)를 조정한다.In the financial soundness prediction step, the value derived by using the multi-time series data prediction model is compared with the financial soundness indicator value obtained from the financial soundness indicator generator. Adjust the parameters of the financial soundness prediction model in the direction of lowering the cross entropy of the two values.
한편, 본 발명에 따른 회계데이터를 활용한 사업자 재무건전성 예측 방법은 학습된 재무 건전성 예측 모델은 사업자의 최근 회계데이터를 입력받아 미래의 예상 재무건전성 지표를 출력하고, 지표를 바탕으로 사업 특성에 맞는 재무 조언을 생성할 수 있다. 이때, 생성되는 재무 조언은 유동성을 늘리거나, 투자를 늘리도록 유도하는 메시지일 수 있다.On the other hand, in the method of predicting the financial soundness of business operators using accounting data according to the present invention, the learned financial soundness prediction model receives the latest accounting data of the business operator, outputs future expected financial soundness indicators, and based on the indicators, Can generate financial advice. At this time, the generated financial advice may be a message inducing to increase liquidity or increase investment.
도 5 내지 도 9에는 본 발명에 따른 회계데이터를 활용한 사업자 재무건전성 예측 시스템이 도시되어 있다. 도 5 내지 도 9를 참조하면, 본 발명에 따른 회계데이터를 활용한 사업자 재무건전성 예측 시스템은 데이터 전처리부와, 거래 예측부와, 재무 건전성 지표 생성부와, 재무 건전성 예측부를 구비한다.5 to 9 show a business operator's financial soundness prediction system using accounting data according to the present invention. Referring to FIGS. 5 to 9 , the business operator's financial soundness prediction system using accounting data according to the present invention includes a data pre-processing unit, a transaction predicting unit, a financial soundness indicator generating unit, and a financial soundness predicting unit.
데이터 전처리부는 사업자의 회계관리용 회계관리프로그램에 사용되는 미가공 회계데이터를 전처리하여 시계열 예측 모형 학습을 위한 특징값들을 추출하고, 추출한 특징값들의 데이터셋을 생성한다.The data pre-processing unit pre-processes the raw accounting data used in the business accounting management program for accounting management, extracts feature values for learning the time series prediction model, and creates a dataset of the extracted feature values.
거래 예측부는 회계데이터로부터 추출한 특징값 데이터셋을 바탕으로 거래 횟수 및 거래 금액을 예측한다.The transaction prediction unit predicts the number of transactions and transaction amount based on the feature value dataset extracted from accounting data.
재무 건전성 지표 생성부는 회계데이터로부터 추출한 특징값 데이터셋을 바탕으로 재무 건전성 지표를 생성한다.The financial soundness indicator generation unit creates a financial soundness indicator based on a dataset of feature values extracted from accounting data.
재무 건전성 예측부는 데이터 전처리부에서 추출된 특징값 데이터셋과 재부 건전성 지표 생성부에서 생성된 과거의 재무 건전성 지표를 바탕으로 미래의 재무 건전성을 예측한다.The financial soundness prediction unit predicts future financial soundness based on the feature value dataset extracted from the data pre-processing unit and past financial soundness indicators generated by the wealth soundness indicator generator unit.
또한, 본 발명에 따른 회계데이터를 활용한 사업자 재무건전성 예측 시스템은 재무 건전성 지표 생성부에서 생성된 재무 건전성 지표를 바탕으로 각 사업자의 사업 특성에 맞는 재무 조언을 생성하는 재무 조언 생생부를 더 구비할 수 있다. 이때, 재무 조언 생성부는 유동성을 늘리거나, 투자를 늘리도록 유도하는 메시지를 디스플레이 상에 출력하거나 스마트폰 등의 휴대단말기에 전송할 수 있다.In addition, the business operator's financial soundness prediction system using accounting data according to the present invention is further provided with a financial advice drafting unit for generating financial advice suitable for each business operator's business characteristics based on the financial soundness indicator generated by the financial soundness indicator generator. can At this time, the financial advice generating unit may output a message inducing to increase liquidity or increase investment on a display or transmit it to a portable terminal such as a smart phone.
이상에서 설명한 본 발명에 따른 회계데이터를 활용한 사업자 재무건전성 예측 방법 및 시스템은 첨부된 도면을 참조로 설명하였으나 이는 예시적인 것에 불과하며, 당해 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. The method and system for predicting the financial soundness of business operators using accounting data according to the present invention described above have been described with reference to the accompanying drawings, but this is only exemplary, and those skilled in the art can make various modifications therefrom. and other equivalent embodiments are possible.
따라서, 본 발명의 진정한 기술적 보호의 범위는 첨부된 청구범위의 기술적 사상에 의해서만 정해져야 할 것이다.Therefore, the scope of true technical protection of the present invention should be determined only by the technical spirit of the appended claims.
10 : 데이터 전처리부
20 : 거래 예측부
30 : 재무 지표 생성부
40 : 재무 건전성 예측부10: data pre-processing unit
20: transaction prediction unit
30: financial index generation unit
40: Financial soundness prediction department
Claims (2)
상기 회계데이터로부터 추출한 특징값 데이터셋을 바탕으로 거래 횟수 및 거래 금액을 예측하는 거래 예측부와;
상기 회계데이터로부터 추출한 특징값 데이터셋을 바탕으로 재무 건전성 지표를 생성하는 재무 건전성 지표 생성부와;
상기 데이터 전처리부에서 추출된 특징값 데이터셋과 상기 재부 건전성 지표 생성부에서 생성된 과거의 재무 건전성 지표를 바탕으로 미래의 재무 건전성을 예측하는 재무 건전성 예측부;를 구비하는 것을 특징으로 하는 회계데이터를 활용한 사업자 재무 건전성 예측 시스템.a data pre-processing unit that pre-processes raw accounting data used in an accounting management program for accounting management of a business operator to extract feature values for learning a time series prediction model, and creates a dataset of the extracted feature values;
a transaction prediction unit that predicts the number of transactions and transaction amount based on the feature value dataset extracted from the accounting data;
a financial soundness indicator generating unit for generating a financial soundness indicator based on the feature value dataset extracted from the accounting data;
Accounting data comprising: a financial soundness forecasting unit for predicting future financial soundness based on the feature value dataset extracted from the data pre-processing unit and the past financial soundness indicator generated by the financial soundness indicator generating unit; A business operator's financial soundness prediction system using .
상기 데이터 전처리 단계에서 추출한 특징값 데이터셋을 바탕으로 거래 횟수 및 거래 금액을 예측하는 거래 예측 단계와;
상기 데이터 전처리 단계에서 추출한 특징값 데이터셋을 바탕으로 재무 건전성 지표를 생성하는 재무 건전성 지표 생성 단계와;
상기 데이터 전처리 단계에서 추출한 특징값 데이터셋과 상기 재부 건전성 지표 생성 단계에서 생성한 과거의 재무 건전성 지표를 바탕으로 미래의 재무 건전성을 예측하는 재무 건전성 예측 단계;를 포함하는 것을 특징으로 하는 회계데이터를 활용한 사업자 재무 건전성 예측 방법.
A data preprocessing step of preprocessing raw accounting data used in an accounting management program for accounting management of a business operator to extract feature values for learning a time series prediction model, and generating a dataset of the extracted feature values;
a transaction prediction step of predicting the number of transactions and transaction amount based on the feature value dataset extracted in the data preprocessing step;
a financial soundness indicator generating step of generating a financial soundness indicator based on the feature value dataset extracted in the data preprocessing step;
A financial soundness prediction step of predicting future financial soundness based on the feature value dataset extracted in the data preprocessing step and the past financial soundness index generated in the financial soundness indicator generating step; accounting data comprising: A method for predicting the financial soundness of business operators using
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210132370A KR20230049347A (en) | 2021-10-06 | 2021-10-06 | Method and system for predicting business financial soundness using accounting data |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210132370A KR20230049347A (en) | 2021-10-06 | 2021-10-06 | Method and system for predicting business financial soundness using accounting data |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230049347A true KR20230049347A (en) | 2023-04-13 |
Family
ID=85978815
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210132370A KR20230049347A (en) | 2021-10-06 | 2021-10-06 | Method and system for predicting business financial soundness using accounting data |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230049347A (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100104338A (en) | 2009-03-17 | 2010-09-29 | 주식회사 하나은행 | System and method for testing and diagnosing business feasibility |
| KR101059106B1 (en) | 2011-04-29 | 2011-08-24 | 주식회사 알투소프트 | Financial risk management system |
| KR102037480B1 (en) | 2017-11-29 | 2019-10-29 | 주식회사 디지털존 | Success analysis system of business using investor relations information |
-
2021
- 2021-10-06 KR KR1020210132370A patent/KR20230049347A/en not_active Application Discontinuation
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100104338A (en) | 2009-03-17 | 2010-09-29 | 주식회사 하나은행 | System and method for testing and diagnosing business feasibility |
| KR101059106B1 (en) | 2011-04-29 | 2011-08-24 | 주식회사 알투소프트 | Financial risk management system |
| KR102037480B1 (en) | 2017-11-29 | 2019-10-29 | 주식회사 디지털존 | Success analysis system of business using investor relations information |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fernández | Artificial intelligence in financial services | |
| Ahmad et al. | Review of various modeling techniques for the detection of electricity theft in smart grid environment | |
| CN108062674B (en) | Order fraud identification method, system, storage medium and electronic equipment based on GPS | |
| US7191150B1 (en) | Enhancing delinquent debt collection using statistical models of debt historical information and account events | |
| KR102009309B1 (en) | Management automation system for financial products and management automation method using the same | |
| Bandyopadhyay | Managing portfolio credit risk in banks | |
| CN109740792A (en) | Data predication method, system, terminal and computer storage medium | |
| US11836691B2 (en) | Systems and methods for routing electronic transactions using predicted authorization approval | |
| Hussain et al. | Fraud detection in credit card transactions using SVM and random forest algorithms | |
| US20220215465A1 (en) | Predictive modeling based on pattern recognition | |
| CN110910002B (en) | Account receivables default risk identification method and system | |
| CN109102396A (en) | A kind of user credit ranking method, computer equipment and readable medium | |
| Ka et al. | Performance Analysis of KN earest Neighbor Classification Algorithms for Bank Loan Sectors | |
| CN113256121A (en) | Artificial intelligent money laundering method and system | |
| CN112766814A (en) | Training method, device and equipment for credit risk pressure test model | |
| KR20230049347A (en) | Method and system for predicting business financial soundness using accounting data | |
| Wagdi et al. | The integration of big data and artificial neural networks for enhancing credit risk scoring in emerging markets: Evidence from Egypt | |
| US20220092688A1 (en) | Systems and methods for forecasting and adjusting steady recurring transactions that are soft/hard - committed with computation and user feedback | |
| KR20240056266A (en) | Financial advice generation system based on quarterly accounting information data accumulation and update and a method for creating customized financial advice using the same | |
| Bai et al. | Commercial Bank Credit Grading Model Using Genetic Optimization Neural Network and Cluster Analysis | |
| Razavi et al. | Profitability prediction for ATM transactions using artificial neural networks: A data-driven analysis | |
| Zand | Towards intelligent risk-based customer segmentation in banking | |
| Guo et al. | After the collision of crisis and opportunity to redefining the artificial intelligence in finance: the new intelligent finance era | |
| TW201610896A (en) | Financial management diagnosis method and system thereof | |
| Inal | IMPORTANCE OF FINTECHS IN DIGITAL AGE FOR TURKEY AND THE ROLE OF INFORMATION TECHNOLOGIES |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E90F | Notification of reason for final refusal | ||
| E601 | Decision to refuse application |