以下に、本願に係る情報処理装置、情報処理方法及び情報処理プログラムを実施するための形態(以下、「実施形態」と呼ぶ)について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置、情報処理方法及び情報処理プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。
〔1.情報処理の一例〕
まず、図1を用いて、実施形態に係る情報処理の一例について説明する。図1は、実施形態に係る情報処理の一例を示す図である。図1の例では、情報処理システム1は、検索サーバ10と銀行サーバ20と信用調査会社サーバ30と証券取引所サーバ40と情報処理装置100とを有する。
検索サーバ10と銀行サーバ20と信用調査会社サーバ30と証券取引所サーバ40と情報処理装置100とは、図示しない所定の通信網を介して、有線または無線により通信可能に接続される。なお、図1に示す情報処理システム1には、複数台の検索サーバ10と複数台の銀行サーバ20と複数台の信用調査会社サーバ30と複数台の証券取引所サーバ40と複数台の情報処理装置100とが含まれてもよい。
検索サーバ10は、検索サービスを提供するサーバ装置である。検索サーバ10は、ユーザから受け付けた検索クエリに関する情報を保持している。検索サーバ10は、情報処理装置100から検索クエリに関する情報の取得要求を受け付けると、検索クエリに関する情報を情報処理装置100に送信する。
銀行サーバ20は、銀行サービスを提供するサーバ装置である。銀行サーバ20は、各融資先による返済実績を保持している。また、銀行サーバ20は、各融資先に対する与信枠に関する情報を保持している。ここで、与信枠とは、与信の限度額(与信限度額)を意味する。例えば、融資先が企業等の法人である場合には、与信枠は、借入れの際の契約上の設定上限金額である貸出限度額(融資限度額)や取引の相手方に対して設定する信用与信枠(取引限度額)であるクレジットラインを意味する。例えば、融資先が個人である場合には、与信枠は、クレジットカードの利用可能な最高限度額である利用限度額等を意味する。図1では、融資先が中小企業等の法人である例について説明する。銀行サーバ20は、情報処理装置100から各融資先による返済実績の取得要求を受け付けると、各融資先による返済実績を情報処理装置100に送信する。
また、銀行サーバ20は、企業等の取引の履歴である取引履歴に関する情報を保持している。銀行サーバ20は、情報処理装置100から取引履歴に関する情報の取得要求を受け付けると、取引履歴に関する情報を情報処理装置100に送信する。
信用調査会社サーバ30は、企業等の信用度を調査する信用調査サービスを提供するサーバ装置である。信用調査会社サーバ30は、企業等の信用度に関する信用情報を保持している。信用調査会社サーバ30は、情報処理装置100から信用情報の取得要求を受け付けると、信用情報を情報処理装置100に送信する。
証券取引所サーバ40は、証券取引サービスを提供するサーバ装置である。証券取引所サーバ40は、業種別株価指数データを保持している。証券取引所サーバ40は、情報処理装置100から業種別株価指数データの取得要求を受け付けると、業種別株価指数データを情報処理装置100に送信する。
情報処理装置100は、融資先の候補である融資先候補の与信枠を決定するサーバ装置である。情報処理装置100は、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を推定するモデルを生成する。そして、情報処理装置100は、生成したモデルを用いて、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を算出する。そして、情報処理装置100は、算出した指標値に基づいて、融資先候補の与信枠を決定する。
以下、図1を用いて、実施形態に係る情報処理の一例を説明する。図1に示す例では、情報処理装置100は、融資先に関する情報と融資先による返済実績とを各種サーバから取得する(ステップS11)。
例えば、情報処理装置100は、融資先による返済実績として、過去に与信枠「1億(円)」を融資した融資先である企業F社が、返済期限内に与信枠「1億(円)」を返済できたか否かに関する情報を銀行サーバ20から取得する。また、情報処理装置100は、融資先に関する情報を各種サーバから取得する。
例えば、情報処理装置100は、融資先に関する情報として、融資先の名称とともに検索された検索クエリに関する情報を検索サーバ10から取得する。情報処理装置100は、例えば、融資先である企業F社の名称とともに検索された検索クエリに関する情報を検索サーバ10から取得する。そして、情報処理装置100は、例えば、融資先である企業F社が建設業を営む企業である場合、融資先である企業F社に関する情報として、融資先である企業F社が属する建設業界の同業他社であるI社、L社、…、等の名称と共に検索された検索クエリに関する情報を検索サーバ10から取得する。
また、情報処理装置100は、融資先に関する情報として、融資先の取引履歴に関する情報を銀行サーバ20から取得する。例えば、情報処理装置100は、融資先である企業F社の取引履歴に関する情報として、顧客属性情報、普通預金元帳、当座勘定元帳、商流明細、事業継続性評価等に関する情報を銀行サーバ20から取得する。
また、情報処理装置100は、融資先に関する情報として、融資先である企業の信用情報を信用調査会社サーバ30から取得する。例えば、情報処理装置100は、融資先である企業F社の信用情報として、業種コードの上2桁(01〜99)、倒産フラグ、評点、設立年月、資本金、従業員数、工場数、事業所数、前々期決算の売上高、前々期決算の利益金、前期決算の売上高、前期決算の利益金、当期決算の売上高、当期決算の利益金、当期売上の伸長率、当期売上の伸長額、前期売上の伸長率、前期売上の伸長額、当期利益の伸長率、当期利益の伸長額、前期利益の伸長率、前期利益の伸長額、従業員一人当り月間の売上金額、従業員一人当り月間の利益金額に関する情報等を信用調査会社サーバ30から取得する。
また、情報処理装置100は、融資先に関する情報として、融資先である企業が属する業界の業種別株価指数データを証券取引所サーバ40から取得する。例えば、情報処理装置100は、融資先である企業F社が建設業を営む企業である場合、融資先である企業F社が属する建設業の株価指数やその増減率等を証券取引所サーバ40から取得する。
同様にして、情報処理装置100は、多数の融資先に関する情報とその融資先による返済実績とを各種サーバから取得する。
続いて、情報処理装置100は、各種サーバから取得した融資先に関する情報と融資先による返済実績とに基づいて、融資先候補に関する情報から、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を推定するモデルを生成する(ステップS12)。具体的には、情報処理装置100は、融資先に関する情報と融資先による返済実績とに基づいて生成されるモデルであって、融資先候補に関する情報が入力された場合に、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を出力するモデルを生成する。生成処理の詳細は後述するが、情報処理装置100は、例えば過去に与信枠「1億(円)」を融資した融資先を正解データ(教師データ、目的変数)とし、融資先である企業の名称とともに検索された検索クエリに関する情報や、融資先である企業が属する業界の同業他社の名称と共に検索された検索クエリに関する情報、融資先である企業の取引履歴に関する情報、融資先である企業の信用情報、融資先である企業が属する業界の株価指数やその増減率等を素性(説明変数)とするサポートベクターマシン(Support Vector Machine)等の回帰学習モデルM1を生成する。そして、情報処理装置100は、生成したモデルM1に融資先候補であるA社に関する情報を入力することにより、融資先候補であるA社による融資金額「1億(円)」の返済可否に関する指標値を出力する。
同様にして、情報処理装置100は、過去に与信枠「5千万(円)」を融資した融資先に関する情報とその融資先が返済期限内に与信枠「5千万(円)」を返済できたか否かという情報とに基づいて、融資先候補に関する情報から、融資先候補による融資金額「5千万(円)」の返済可否に関する指標値を推定するモデルM2を生成する。
また、情報処理装置100は、過去に与信枠「1千万(円)」を融資した融資先に関する情報とその融資先が返済期限内に与信枠「1千万(円)」を返済できたか否かという情報とに基づいて、融資先候補に関する情報から、融資先候補による融資金額「1千万(円)」の返済可否に関する指標値を推定するモデルM3を生成する。
また、情報処理装置100は、過去に与信枠「5百万(円)」を融資した融資先に関する情報とその融資先が返済期限内に与信枠「5百万(円)」を返済できたか否かという情報とに基づいて、融資先候補に関する情報から、融資先候補による融資金額「5百万(円)」の返済可否に関する指標値を推定するモデルM4を生成する。
また、情報処理装置100は、過去に与信枠「百万(円)」を融資した融資先に関する情報とその融資先が返済期限内に与信枠「百万(円)」を返済できたか否かという情報とに基づいて、融資先候補に関する情報から、融資先候補による融資金額「百万(円)」の返済可否に関する指標値を推定するモデルM5を生成する。
また、情報処理装置100は、過去に与信枠「5十万(円)」を融資した融資先に関する情報とその融資先が返済期限内に与信枠「5十万(円)」を返済できたか否かという情報とに基づいて、融資先候補に関する情報から、融資先候補による融資金額「5十万(円)」の返済可否に関する指標値を推定するモデルM6を生成する。
続いて、情報処理装置100は、融資先候補であるA社に関する情報を各種サーバから取得する(ステップS13)。例えば、情報処理装置100は、融資先候補であるA社に関する情報として、A社の名称ととともに検索されている検索クエリに関する情報を検索サーバ10から取得する。また、情報処理装置100は、融資先候補であるA社に関する情報として、A社が不動産業を営む企業である場合、所定期間内にA社と同じ不動産業を営む他の企業であるB社、C社、…、等の名称とともに検索されている検索クエリに関する情報を検索サーバ10から取得する。例えば、情報処理装置100は、融資先候補であるA社に関する情報として、A社の取引履歴に関する情報を銀行サーバ20から取得する。例えば、情報処理装置100は、融資先候補であるA社に関する情報として、A社の信用情報を信用調査会社サーバ30から取得する。例えば、情報処理装置100は、融資先候補であるA社に関する情報として、A社が営む不動産業に関する業種別株価指数データを証券取引所サーバ40から取得する。
続いて、情報処理装置100は、取得した融資先候補であるA社に関する情報を、所定の融資金額ごとに生成したモデルに入力することにより、所定の融資金額ごとに、融資先候補であるA社による返済可否に関する指標値を算出する(ステップS14)。上述したように、情報処理装置100は、モデル毎に異なる正解データを用いて各モデルを生成する。そのため、情報処理装置100が生成した各モデルは、モデルの各素性の重みがモデル毎に異なる。したがって、各モデルに入力される入力データが同じであっても、各モデルが出力する指標値はモデル毎に異なる。
例えば、情報処理装置100は、取得した融資先候補であるA社に関する情報を、融資金額「1億(円)」の返済可否に関する指標値を推定するモデルM1に入力することにより、融資先候補であるA社による融資金額「1億(円)」の返済可否に関する指標値として「20」を算出する。
例えば、情報処理装置100は、取得した融資先候補であるA社に関する情報を、融資金額「5千万(円)」の返済可否に関する指標値を推定するモデルM2に入力することにより、融資先候補であるA社による融資金額「5千万(円)」の返済可否に関する指標値として「80」を算出する。
例えば、情報処理装置100は、取得した融資先候補であるA社に関する情報を、融資金額「1千万(円)」の返済可否に関する指標値を推定するモデルM3に入力することにより、融資先候補であるA社による融資金額「1千万(円)」の返済可否に関する指標値として「90」を算出する。
例えば、情報処理装置100は、取得した融資先候補であるA社に関する情報を、融資金額「5百万(円)」の返済可否に関する指標値を推定するモデルM4に入力することにより、融資先候補であるA社による融資金額「5百万(円)」の返済可否に関する指標値として「99」を算出する。
例えば、情報処理装置100は、取得した融資先候補であるA社に関する情報を、融資金額「百万(円)」の返済可否に関する指標値を推定するモデルM5に入力することにより、融資先候補であるA社による融資金額「百万(円)」の返済可否に関する指標値として「99」を算出する。
例えば、情報処理装置100は、取得した融資先候補であるA社に関する情報を、融資金額「5十万(円)」の返済可否に関する指標値を推定するモデルM6に入力することにより、融資先候補であるA社による融資金額「5十万(円)」の返済可否に関する指標値として「99」を算出する。
なお、情報処理装置100は、融資金額「0(円)」については、モデルを用いることなく、どの融資先候補についても一律に返済可否に関する指標値として「100」を算出するものとする。
続いて、情報処理装置100は、所定の融資金額ごとに、融資先候補であるA社による返済確率を推定する(ステップS15)。例えば、情報処理装置100は、シグモイド関数を使って、融資先候補であるA社による返済可否に関する指標値を0〜1の値に変換することにより、融資先候補であるA社による返済確率を推定する。例えば、情報処理装置100は、融資先候補であるA社による融資金額「1億(円)」の返済確率を「0.2」と推定する。例えば、情報処理装置100は、融資先候補であるA社による融資金額「5千万(円)」の返済確率を「0.8」と推定する。例えば、情報処理装置100は、融資先候補であるA社による融資金額「1千万(円)」の返済確率を「0.9」と推定する。例えば、情報処理装置100は、融資先候補であるA社による融資金額「5百万(円)」の返済確率を「0.99」と推定する。例えば、情報処理装置100は、融資先候補であるA社による融資金額「百万(円)」の返済確率を「0.99」と推定する。例えば、情報処理装置100は、融資先候補であるA社による融資金額「5十万(円)」の返済確率を「0.99」と推定する。例えば、情報処理装置100は、融資先候補であるA社による融資金額「0(円)」の返済確率を「1」と推定する。
続いて、情報処理装置100は、推定した返済確率に基づいて、融資先候補であるA社の与信枠を決定する(ステップS16)。情報処理装置100は、融資先候補であるA社による返済確率が所定の閾値以上である融資金額を、融資先候補であるA社の与信枠として決定する。また、情報処理装置100は、融資金額が大きいほど優先的に、融資先候補であるA社の与信枠として決定する。例えば、情報処理装置100は、融資先候補であるA社による返済確率が「0.8」以上である融資金額「0(円)」〜「5千万(円)」のうち、融資金額が大きい「5千万(円)」を優先的に融資先候補であるA社の与信枠として決定する。
上述したように、情報処理装置100は、融資先候補であるA社に関する情報から、所定の融資金額ごとに、融資先候補であるA社による返済可否に関する指標値を算出する。そして、情報処理装置100は、算出した指標値に基づいて、融資先候補であるA社の与信枠を決定する。これにより、情報処理装置100は、所定の融資金額ごとに、融資先候補であるA社による返済可否を指標値によって客観的に把握することができる。したがって、情報処理装置100は、例えば、A社が融資条件を判定するための信用情報を取得し難い非上場企業やベンチャー企業、中小企業等である場合であっても、人手に寄らずに、客観的な指標値によってA社の与信枠を自動的に決定可能とすることができる。また、情報処理装置100は、融資先候補による返済可能性が所定の閾値以上である融資金額の中から、最も大きい融資金額を融資先候補による与信枠として決定することができる。したがって、情報処理装置100は、融資を受ける融資先候補と融資を行う銀行の双方にとってメリットがある与信枠を決定することができる。したがって、情報処理装置100は、適切な与信枠を決定することができる。
〔2.情報処理装置の構成〕
次に、図2を用いて、実施形態に係る情報処理装置100の構成について説明する。図2は、実施形態に係る情報処理装置100の構成例を示す図である。図2に示すように、情報処理装置100は、通信部110と、記憶部120と、制御部130とを有する。なお、情報処理装置100は、情報処理装置100の管理者等から各種操作を受け付ける入力部(例えば、キーボードやマウス等)や、各種情報を表示するための表示部(例えば、液晶ディスプレイ等)を有してもよい。
(通信部110)
通信部110は、例えば、NIC(Network Interface Card)等によって実現される。そして、通信部110は、ネットワークと有線または無線で接続され、例えば、検索サーバ10と銀行サーバ20と信用調査会社サーバ30と証券取引所サーバ40との間で情報の送受信を行う。
(記憶部120)
記憶部120は、例えば、RAM(Random Access Memory)、フラッシュメモリ(Flash Memory)等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部120は、図2に示すように、融資先情報記憶部121と、返済実績記憶部122と、モデル記憶部123とを有する。
(融資先情報記憶部121)
融資先情報記憶部121は、融資先に関する各種の情報を記憶する。図3に、実施形態に係る融資先情報記憶部の一例を示す。図3に示す例では、融資先情報記憶部121は、「企業ID」、「企業名」、「企業名+KW」、「業種別KWトレンド」、「銀行データ」、「信用調査会社データ」、「業種別株価指数データ」といった項目を有する。
「企業ID」は、融資先である企業を識別するための識別情報を示す。「企業名」は、融資先である企業の名称を示す。図3の1レコード目に示す例では、企業ID「C1」で識別される企業の名称は「F社」であることを示す。
「企業名+KW」は、融資先である企業の名称とともに検索されている検索クエリに関する情報を示す。例えば、「企業名+KW」は、融資先である企業の名称とともに所定の頻度以上で検索されている検索クエリに関する情報を示す。図3の1レコード目に示す例では、企業名+KW「「企業名+KW」#C1」は、融資先である企業の名称「F社」ととともに検索されている検索クエリに関する情報を示す。
「業種別KWトレンド」は、融資先である企業の同業他者の名称とともに検索されている検索クエリを示す。例えば、「業種別KWトレンド」は、水産・農林業、鉱業、建設業、食料品、繊維製品、…、といった業種別に融資先である企業の同業他者の名称と共に検索された検索クエリに関する情報を示す。図3の1レコード目に示す例では、業種別KWトレンド「業種別KWトレンド#C1」は、融資先である企業F社が属する建設業界の同業他社であるI社、L社、…、等の名称と共に検索されている検索クエリに関する情報を示す。
「銀行データ」は、融資先である企業の取引履歴に関する情報を示す。例えば、「銀行データ」は、顧客属性情報、普通預金元帳、当座勘定元帳、商流明細、事業継続性評価等の情報である。図3の1レコード目に示す例では、銀行データ「銀行データ#C1」は、企業ID「C1」で識別される企業F社の取引履歴に関する情報を示す。
「信用調査会社データ」は、融資先である企業の信用情報を示す。例えば、「信用調査会社データ」は、業種コードの上2桁(01〜99)、倒産フラグ、評点、設立年月、資本金、従業員数、工場数、事業所数、前々期決算の売上高、前々期決算の利益金、前期決算の売上高、前期決算の利益金、当期決算の売上高、当期決算の利益金、当期売上の伸長率、当期売上の伸長額、前期売上の伸長率、前期売上の伸長額、当期利益の伸長率、当期利益の伸長額、前期利益の伸長率、前期利益の伸長額、従業員一人当り月間の売上金額、従業員一人当り月間の利益金額等の情報である。図3の1レコード目に示す例では、信用調査会社データ「信用調査会社データ#C1」は、企業ID「C1」で識別される企業F社の信用情報を示す。
「業種別株価指数データ」は、融資先である企業が属する業界の業種別株価指数データを示す。例えば、「業種別株価指数データ」は、水産・農林業、鉱業、建設業、食料品、繊維製品、…、といった業種別に融資先である企業が属する業界の業種別株価指数やその増減率等の情報である。図3の1レコード目に示す例では、業種別株価指数データ「業種別株価指数データ#C1」は、企業ID「C1」で識別される企業F社が属する建設業の業種別株価指数やその増減率等の情報を示す。
(返済実績記憶部122)
返済実績記憶部122は、融資先による返済実績に関する各種の情報を記憶する。図4に、実施形態に係る返済実績記憶部122の一例を示す。図4に示す例では、返済実績記憶部122は、「企業ID」、「与信枠(円)」、「返済実績」といった項目を有する。
「企業ID」は、融資先である企業を識別するための識別情報を示す。「与信枠(円)」は、融資先である企業の与信枠を示す。「返済実績」は、融資先である企業が返済期限内に与信枠を返済したか否かの実績を示す。図4の1レコード目に示す例では、企業ID「C1」で識別される企業に与信枠「1億(円)」が融資されたことを示す。また、返済実績「○」は、企業ID「C1」で識別される企業が返済期限内に与信枠「1億(円)」を返済したことを示す。なお、返済実績「×」は、融資先である企業が返済期限内に与信枠を返済できなかったことを示す。
(モデル記憶部123)
モデル記憶部123は、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を推定するモデルに関する各種の情報を記憶する。図5に、実施形態に係るモデル記憶部123の一例を示す。図5に示す例では、モデル記憶部123は、「融資金額(円)」、「モデル」といった項目を有する。
「融資金額(円)」は、モデルが推定する融資先候補に対する融資金額を示す。「モデル」は、モデルを識別する識別情報を示す。図5の1レコード目に示す例では、モデル「M1」は、融資先候補による融資金額「1億(円)」の返済可否に関する指標値を推定するモデルM1を示す。
(制御部130)
図2の説明に戻って、制御部130は、コントローラ(controller)であり、例えば、CPU(Central Processing Unit)やMPU(Micro Processing Unit)等によって、情報処理装置100内部の記憶装置に記憶されている各種プログラム(生成プログラムの一例に相当)がRAMを作業領域として実行されることにより実現される。また、制御部130は、コントローラであり、例えば、ASIC(Application Specific Integrated Circuit)やFPGA(Field Programmable Gate Array)等の集積回路により実現される。
図2に示すように、制御部130は、取得部131と、生成部132と、算出部133と、決定部134とを有し、以下に説明する情報処理の作用を実現または実行する。なお、制御部130の内部構成は、図2に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。
(取得部131)
取得部131は、融資先(又は融資先の候補である融資先候補)に関する各種の情報を取得する。具体的には、取得部131は、融資先に関する情報を各種サーバから取得する。取得部131は、融資先に関する情報を取得すると、融資先に関する情報を融資先情報記憶部121に格納する。
より具体的には、取得部131は、融資先に関する情報として、融資先の名称とともに検索されている検索クエリに関する情報を検索サーバ10から取得する。例えば、取得部131は、融資先の名称とともに検索されている検索クエリに関する情報として、融資先である企業のネガティブ・ポジティブな評判を反映する検索クエリに関する情報を取得する。例えば、取得部131は、融資先の名称とともに検索されている検索クエリの検索回数を取得する。例えば、取得部131は、融資先である企業F社の名称とともに検索クエリ「上場」が検索された検索回数を取得する。例えば、取得部131は、融資先の名称とともに検索されている検索クエリの検索頻度を取得する。例えば、取得部131は、融資先である企業F社の名称とともに検索クエリ「上場」が検索された検索頻度を取得する。例えば、取得部131は、融資先の名称とともに検索される検索クエリの検索有無を取得する。例えば、取得部131は、融資先である企業F社の名称とともに所定の検索クエリ「倒産」が検索された検索の有無を取得する。また、取得部131は、融資先の名称とともに検索されている検索クエリに関する情報として、融資先の名称とともに検索されている検索クエリのスコアを取得する。例えば、取得部131は、tf−idf(Term Frequency、Inverse Document Frequency)等の重み値を取得する。例えば、取得部131は、tf−idf等の重み値を利用して、融資先である企業のネガティブ・ポジティブな評判を反映する検索クエリを判定してもよい。なお、取得部131は、融資先の名称とともに検索されている検索クエリに共起する共起ワードの重み等を取得してもよい。共起ワードの重みは、例えば、tf−idf等によりスコアリングされた数値や、共起ワードの出現率に基づく所定の指標値等が対応する。続いて、取得部131は、取得した検索クエリに関する情報を融資先情報記憶部121の「企業名+KW」の項目に格納する。
また、取得部131は、融資先に関する情報として、融資先が属する業種の同業他社の名称とともに検索されている検索クエリに関する情報を検索サーバ10から取得する。例えば、取得部131は、融資先が属する業種の同業他社の名称とともに検索されている検索クエリに関する情報として、融資先が属する業界のリアルタイムな市場変化を反映する検索クエリに関する情報を取得する。例えば、取得部131は、融資先が属する業種の同業他社の名称とともに検索されている検索クエリの検索回数を取得する。例えば、取得部131は、融資先である企業F社が属する建設業界の同業他社であるI社、L社、…、等の名称とともに検索クエリ「急成長」が検索された検索回数を取得する。例えば、取得部131は、融資先が属する業種の同業他社の名称とともに検索されている検索クエリの検索頻度を取得する。例えば、取得部131は、融資先である企業F社が属する建設業界の同業他社であるI社、L社、…、等の名称とともに検索クエリ「急成長」が検索された検索頻度を取得する。例えば、取得部131は、融資先が属する業種の同業他社の名称とともに検索される検索クエリの検索有無を取得する。例えば、取得部131は、融資先である企業F社が属する建設業界の同業他社であるI社、L社、…、等の名称とともに所定の検索クエリ「ブラック企業」が検索された検索の有無を取得する。また、取得部131は、融資先が属する業種の同業他社の名称とともに検索されている検索クエリに関する情報として、融資先が属する業種の同業他社の名称とともに検索されている検索クエリのスコアを取得する。例えば、取得部131は、tf−idf等の重み値を取得する。例えば、取得部131は、tf−idf等の重み値を利用して、融資先が属する業界のリアルタイムな市場変化を反映する検索クエリを判定してもよい。なお、取得部131は融資先が属する業種の同業他社の名称とともに検索されている検索クエリに共起する共起ワードの重み等を取得してもよい。共起ワードの重みは、例えば、tf−idf等によりスコアリングされた数値や、共起ワードの出現率に基づく所定の指標値等が対応する。続いて、取得部131は、取得した検索クエリに関する情報を融資先情報記憶部121の「業種別KWトレンド」の項目に格納する。
例えば、取得部131は、融資先に関する情報として、融資先の取引履歴に関する情報を銀行サーバ20から取得する。例えば、取得部131は、融資先である企業F社の取引履歴に関する情報として、顧客属性情報、普通預金元帳、当座勘定元帳、商流明細、事業継続性評価等の情報を取得する。取得部131は、融資先の取引履歴に関する情報を取得すると、融資先情報記憶部121の「銀行データ」の項目に格納する。
例えば、取得部131は、融資先に関する情報として、融資先の信用情報を信用調査会社サーバ30から取得する。例えば、取得部131は、融資先である企業F社の信用情報として、業種コードの上2桁(01〜99)、倒産フラグ、評点、設立年月、資本金、従業員数、工場数、事業所数、前々期決算の売上高、前々期決算の利益金、前期決算の売上高、前期決算の利益金、当期決算の売上高、当期決算の利益金、当期売上の伸長率、当期売上の伸長額、前期売上の伸長率、前期売上の伸長額、当期利益の伸長率、当期利益の伸長額、前期利益の伸長率、前期利益の伸長額、従業員一人当り月間の売上金額、従業員一人当り月間の利益金額等の情報を取得する。取得部131は、融資先の信用情報を取得すると、融資先情報記憶部121の「信用調査会社データ」の項目に格納する。
例えば、取得部131は、融資先に関する情報として、融資先が属する業種の業種別株価指数データを証券取引所サーバ40から取得する。例えば、取得部131は、融資先である企業F社が属する建設業の業種別株価指数やその増減率等の情報を取得する。取得部131は、業種別株価指数データを取得すると、融資先情報記憶部121の「業種別株価指数データ」の項目に格納する。
また、取得部131は、融資先による返済実績を銀行サーバ20から取得する。例えば、取得部131は、融資先である企業F社が、返済期限内に与信枠「1億(円)」を返済できたという情報を取得する。取得部131は、融資先による返済実績を取得すると、返済実績を返済実績記憶部122に格納する。
(生成部132)
生成部132は、融資先に関する情報と融資先による返済実績とに基づいて、融資先候補に関する情報から、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を推定するモデルを生成する。具体的には、生成部132は、融資先に関する情報と融資先による返済実績とに基づいて生成されるモデルであって、融資先候補に関する情報が入力された場合に、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を出力するモデルを生成する。
例えば、生成部132は、過去に与信枠「1億(円)」を融資した融資先である企業を正解データ(教師データ、目的変数)とし、融資先である企業の名称とともに検索された検索クエリや、融資先である企業が属する業界の同業他社の名称と共に検索された検索クエリ、融資先である企業の取引履歴に関する情報、融資先である企業の信用情報、融資先である企業が属する業界の株価指数やその増減率等を素性(説明変数)とするサポートベクターマシン(Support Vector Machine)等の回帰学習モデルM1を生成する。そして、生成部132は、生成したモデルM1に融資先候補であるA社に関する情報を入力することにより、融資先候補であるA社による融資金額「1億(円)」の返済可否に関する指標値を出力する。
以下に、生成部132が生成するモデルの一例を示す。なお、生成部132が生成するモデルは以下のものに限られず、融資先に関する情報と融資先による返済実績とに基づいて生成されるモデルであって、融資先候補に関する情報が入力された場合に、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を出力するモデルであれば、どのようなモデルであってもよい。
例えば、生成部132は、過去に与信枠「1億(円)」を融資した融資先である企業が返済期限内に与信枠「1億(円)」を返済できたか否かを示す結果情報を機械学習における目的変数とする。そして、生成部132は、融資先である企業に関する各情報を説明変数(素性)とする。そして、生成部132は、目的変数と説明変数とを用いて、モデルを生成する。生成部132は、種々の説明変数を用いてモデルを生成する。例えば、生成部132は、融資先情報記憶部121に記憶されているあらゆる情報を説明変数として用いることができる。
例えば、生成部132は、融資先である企業が返済期限内に与信枠「1億(円)」を返済できたか否かという結果情報と、融資先である企業に関する情報を示す式を生成する。さらに、生成部132は、融資先である企業に関する個々の情報が、融資先である企業が返済期限内に与信枠「1億(円)」を返済できたか否かという結果の事象に対して、どのような重みを有するかを学習して算出する。これにより、生成部132は、返済期限内に与信枠「1億(円)」を返済できるという事象に対して、個々の情報がどのくらい寄与するのかといった情報を得ることができる。例えば、生成部132は、下記式(1)を作成する。
y = ω1・x1 + ω2・x2 + ω3・x3 ・・・+ ωN・xN ・・・(1)(Nは任意の数)
上記式(1)は、例えば、個々の融資先である企業ごとに作成される。上記式(1)において、「y」は、「融資先である企業が返済期限内に与信枠「1億(円)」を返済できたか否か」という事象を示す。学習において、融資先である企業F社を正解データとするのであれば、「y」は「1」の値を取る。また、学習において、返済期限内に与信枠「1億(円)」を返済できなかった融資先である企業G社を正解データとするのであれば、「y」は「0」の値を取る。
また、上記式(1)において、「x」は、融資先である企業関する情報(素性)である各説明変数に対応する。また、上記式(1)において、「ω」は、「x」の係数であり、所定の重み値を示す。具体的には、「ω1」は、「x1」の重み値であり、「ω2」は、「x2」の重み値であり、「ω3」は、「x3」の重み値である。このように、上記式(1)は、融資先である企業に関する情報から抽出された特徴情報に対応する説明変数「x」と、所定の重み値「ω」とを含む変数(例えば、「ω1・x1」)を組合せることにより作成される。
例えば、上記式(1)において、仮に、「x1」は、「融資先である企業F社の名称とともに検索されている検索クエリに関する情報」であるとする。例えば、「x1」は、「融資先である企業F社の名称とともに検索クエリ「上場」が検索された検索回数」であるとする。また、「x2」は、「融資先である企業F社が属する建設業界の同業他社の名称と共に検索された検索クエリに関する情報」であるとする。例えば、「x2」は、「融資先である企業F社が属する建設業界の同業他社であるI社、L社、…、等の名称とともに所定の検索クエリ「ブラック企業」が検索された検索の有無(x2は0か1)」であるとする。また、「x3」は、「融資先である企業F社の取引履歴に関する情報」であるとする。例えば、「x3」は、「融資先である企業F社の普通預金や当座預金の入金金額、出金金額、残高金額等」であるとする。この場合、融資先である企業F社に対応する上記式(1)は、以下の式(2)のように表すことができる。
y(融資先である企業F社)(=1) = ω1・(融資先である企業F社の名称とともに検索されている検索クエリ(=「上場」等)に関する情報) + ω2・(融資先である企業F社が属する建設業界の同業他社の名称と共に検索された検索クエリ(=「ブラック企業」等)に関する情報) + ω3・(融資先である企業F社の取引履歴に関する情報(=普通預金や当座預金の入金金額、出金金額、残高金額等))) + ωN・xN ・・・(2)
生成部132は、上記式(2)のように、融資先である企業ごとに式を生成する。そして、生成部132は、生成した式を機械学習のサンプルとする。そして、生成部132は、サンプルとなる式の演算処理(回帰学習)を行うことにより、所定の重み値「ω」に対応する値を導出する。すなわち、生成部132は、上記式(2)を満たすような所定の重み値「ω」を決定する。言い換えれば、生成部132は、所定の説明変数が目的変数「y」に与える影響を示す重み値「ω」を決定することができる。例えば、「融資先である企業が返済期限内に与信枠「1億(円)」を返済できた」という事象に対して、「融資先である企業F社が属する建設業界の同業他社の名称と共に検索された検索クエリに関する情報」が他の変数と比較して大きく寄与しているのであれば、「融資先である企業F社が属する建設業界の同業他社の名称と共に検索された検索クエリに関する情報」に対応する重み値「ω2」の値は、他の変数と比較して大きな値が算出される。
上記のようにして、生成部132は、過去に与信枠「1億(円)」を融資した融資先である企業が返済期限内に与信枠「1億(円)」を返済するに至るという傾向と、その融資先である企業に関する情報(素性)との関連性を求めるためのモデルを生成する。すなわち、生成部132は、生成したモデルに、処理対象とする融資先候補であるA社の情報を入力した場合に、それらの情報が「返済期限内に与信枠「1億(円)」を返済する」という事象、言い換えれば融資先である企業F社にどのくらい類似した傾向を有するか、といった関連性を示すスコアを出力することができる。なお、上記式(2)を用いた算出処理では、左辺を「1」や「0」そのものとするのではなく、所定の誤差を想定し、かかる誤差との差異を2乗した値が最小値となるよう近似する最小二乗法などの手法を用いて、「ω」の最適解を算出してもよい。
また、生成部132は、例えば、融資先である企業の名称とともに検索されている検索クエリや融資先である企業が属する業界の同業他社の名称と共に検索された検索クエリに「上場」や「急成長」が含まれている融資先は返済期限内に与信枠を返済する傾向が高く、検索クエリに「倒産」や「上場廃止」や「採用人数 減らす」が含まれている融資先は返済期限内に与信枠を返済する傾向が低いといった傾向を見出すようなモデルを生成できる。このことは、処理対象となる融資先候補であるA社の名称とともに検索されている検索クエリや融資先候補であるA社が属する業界の同業他社の名称と共に検索された検索クエリに「上場」や「急成長」という検索クエリが含まれている場合、当該融資先候補であるA社が、将来的に返済期限内に与信枠を返済できる可能性が高いことを意味する。すなわち、「上場」や「急成長」という検索クエリは、「返済期限内に与信枠を返済できる」という結果に対して(融資先である企業との相関性を求める素性として)重みが重い要素であるといえる。
同様にして、生成部132は、取得部131によって取得された与信枠「5千万(円)」を融資した融資先に関する情報とその融資先が返済期限内に与信枠「5千万(円)」を返済できたか否かという情報とに基づいて、融資先候補に関する情報から、融資先候補による融資金額「5千万(円)」の返済可否に関する指標値を推定するモデルM2を生成する。
また、生成部132は、取得部131によって取得された与信枠「1千万(円)」を融資した融資先に関する情報とその融資先が返済期限内に与信枠「1千万(円)」を返済できたか否かという情報とに基づいて、融資先候補に関する情報から、融資先候補による融資金額「1千万(円)」の返済可否に関する指標値を推定するモデルM3を生成する。
また、生成部132は、取得部131によって取得された与信枠「5百万(円)」を融資した融資先に関する情報とその融資先が返済期限内に与信枠「5百万(円)」を返済できたか否かという情報とに基づいて、融資先候補に関する情報から、融資先候補による融資金額「5百万(円)」の返済可否に関する指標値を推定するモデルM4を生成する。
また、生成部132は、取得部131によって取得された与信枠「百万(円)」を融資した融資先に関する情報とその融資先が返済期限内に与信枠「百万(円)」を返済できたか否かという情報とに基づいて、融資先候補に関する情報から、融資先候補による融資金額「百万(円)」の返済可否に関する指標値を推定するモデルM5を生成する。
また、生成部132は、取得部131によって取得された与信枠「5十万(円)」を融資した融資先に関する情報とその融資先が返済期限内に与信枠「5十万(円)」を返済できたか否かという情報とに基づいて、融資先候補に関する情報から、融資先候補による融資金額「5十万(円)」の返済可否に関する指標値を推定するモデルM6を生成する。
生成部132は、所定の融資金額ごとにモデルを生成すると、生成したモデルをモデル記憶部123に格納する。
なお、生成部132は、いかなる学習アルゴリズムを用いてモデルを生成してもよい。例えば、生成部132は、ニューラルネットワーク(neural network)、サポートベクターマシン(support vector machine)、クラスタリング、強化学習等の学習アルゴリズムを用いてモデルを生成する。一例として、生成部132がニューラルネットワークを用いてモデルを生成する場合、モデルは、一以上のニューロンを含む入力層と、一以上のニューロンを含む中間層と、一以上のニューロンを含む出力層とを有する。
モデルは、所定の融資先候補に関する情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第1要素と、第1要素と第1要素の重みとに基づいて値が算出される第2要素と、を含み、入力層に入力された所定の融資先候補に関する情報に応じて、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を出力層から出力するよう、コンピュータを機能させる。
モデルは、所定の融資先候補に関する情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第1要素と、第1要素と第1要素の重みとに基づいて値が算出される第2要素と、を含み、入力層に入力された、所定の融資先候補に関する情報に対し、出力層以外の各層に属する各要素を第1要素として、第1要素と第1要素の重みとに基づく演算を行うことにより、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を出力層から出力するよう、コンピュータを機能させる。
ここで、モデルが「y=ω1*x1+ω2*x2+・・・+ωi*xi」で示す回帰モデルで実現されるとする。この場合、モデルが含む第1要素は、x1やx2等といった入力データ(xi)に対応する。また、第1要素の重みは、xiに対応する係数ωiに対応する。ここで、回帰モデルは、入力層と出力層とを有する単純パーセプトロンと見做すことができる。各モデルを単純パーセプトロンと見做した場合、第1要素は、入力層が有するいずれかのノードに対応し、第2要素は、出力層が有するノードと見做すことができる。
また、モデルがDNN(Deep Neural Network)等、1つまたは複数の中間層を有するニューラルネットワークで実現されるとする。この場合、モデルが含む第1要素は、入力層または中間層が有するいずれかのノードに対応する。また、第2要素は、第1要素と対応するノードから値が伝達されるノードである次段のノードに対応する。また、第1要素の重みは、第1要素と対応するノードから第2要素と対応するノードに伝達される値に対して考慮される重みである接続係数に対応する。
情報処理装置100は、上述した回帰モデルやニューラルネットワーク等、任意の構造を有するモデルを用いて、指標値の算出を行う。具体的には、モデルは、所定の融資先候補に関する情報が入力された場合に、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を出力するように係数が設定される。情報処理装置100は、このようなモデルを用いて、指標値を算出する。
なお、上記例では、モデルが、所定の融資先候補に関する情報が入力された場合に、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を出力するモデル(モデルMXとする)である例を示した。しかし、実施形態に係るモデルは、モデルMXにデータの入出力を繰り返すことで得られる結果に基づいて生成されるモデルであってもよい。例えば、モデルは、所定の融資先候補に関する情報を入力とし、モデルMXが出力する所定の融資金額ごとの融資先候補による返済可否に関する指標値を出力とするよう学習されたモデル(モデルMY)であってもよい。または、モデルは、所定の融資先候補に関する情報を入力とし、モデルMYの出力値を出力とするよう学習されたモデルであってもよい。
また、情報処理装置100がGAN(Generative Adversarial Networks)を用いた算出処理を行う場合、モデルは、GANの一部を構成するモデルであってもよい。
なお、図1に示す例では、所定の融資金額が「1億(円)」、「5千万(円)」、「1千万(円)」、「5百万(円)」、「百万(円)」、「5十万(円)」の6つの融資金額の枠である例を示したが、融資金額の枠の数は6つに限られず、与信枠の数に合わせて変更してもよい。また、融資金額もこれらに限られず、他の金額の枠を設定してもよい。
(算出部133)
算出部133は、融資先の候補である融資先候補に関する情報に基づいて、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を算出する。具体的には、算出部133は、生成部132が生成したモデルを用いて、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を算出する。例えば、取得部131は、融資先候補に関する情報を各種サーバから取得する。そして、算出部133は、取得部131によって取得された融資先候補に関する情報を生成部132が所定の融資金額ごとに生成したモデルに入力データとして入力して、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を算出する。
また、算出部133は、融資先候補に関する情報として、融資先候補の名称とともに検索される検索クエリに基づいて、指標値を算出する。例えば、取得部131は、融資先候補の名称とともに検索される検索クエリを検索サーバ10から取得する。そして、算出部133は、取得部131によって取得された融資先候補の名称とともに検索される検索クエリを生成部132が所定の融資金額ごとに生成したモデルの入力データとして入力して、指標値を算出する。
また、算出部133は、融資先候補に関する情報として、融資先候補の同業他者の名称とともに検索される検索クエリに基づいて、指標値を算出する。例えば、取得部131は、融資先候補の同業他者の名称とともに検索される検索クエリを検索サーバ10から取得する。そして、算出部133は、取得部131によって取得された融資先候補の同業他者の名称とともに検索される検索クエリを生成部132が生成したモデルの入力データとして入力して、指標値を算出する。
(決定部134)
決定部134は、算出部133によって算出された指標値に基づいて、融資先候補の与信枠を決定する。具体的には、決定部134は、指標値が所定の閾値以上である融資金額を、融資先候補の与信枠として決定する。また、決定部134は、融資金額が大きいほど優先的に、融資先候補の与信枠として決定する。
例えば、決定部134は、シグモイド関数を使って、所定の融資金額ごとに算出部133によって算出された指標値を0〜1の値に変換することにより、所定の融資金額ごとに、融資先候補による返済確率を推定する。続いて、決定部134は、返済確率が所定の閾値である0.8以上である融資金額を、融資先候補の与信枠として決定する。また、決定部134は、返済確率が所定の閾値である0.8以上である融資金額が複数ある場合には、その中から最も大きい融資金額を融資先候補の与信枠として決定する。
〔3.生成処理のフロー〕
次に、図6を用いて、実施形態に係る生成処理の手順について説明する。図6は、実施形態に係る生成処理手順を示すフローチャートである。
図6に示すように、情報処理装置100は、融資先に関する情報と返済実績とを取得する(ステップS101)。続いて、情報処理装置100は、融資先に関する情報と融資先による返済実績とに基づいて、融資先候補に関する情報から、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を推定するモデルを生成する(ステップS102)。
〔4.情報処理のフロー〕
次に、図7を用いて、実施形態に係る情報処理の手順について説明する。図7は、実施形態に係る情報処理手順を示すフローチャートである。
図7に示すように、情報処理装置100は、融資先候補に関する情報を取得する(ステップS201)。続いて、情報処理装置100は、融資先候補に関する情報に基づいて、所定の融資金額ごとに、返済可否に関する指標値を算出する(ステップS202)。続いて、情報処理装置100は、算出した指標値に基づいて所定の融資金額ごとに返済確率を推定する(ステップS203)。続いて、情報処理装置100は、推定した返済確率に基づいて、融資先候補の与信枠を決定する(ステップS204)。
〔5.変形例〕
上述した実施形態に係る情報処理システム1は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、情報処理システム1の他の実施形態について説明する。なお、実施形態と同一部分には、同一符号を付して説明を省略する。
〔5−1.融資金額の総額に制限がある場合〕
図1では、情報処理装置100が融資金額の総額に特に制限がない場合に融資先候補の与信枠を決定する例を示したが、融資金額の総額に制限があってもよい。この点について図8を用いて説明する。図8は、変形例に係る情報処理の一例を示す図である。図8に示す例では、融資金額の総額の上限が1憶6千万(円)である場合に、融資先候補であるA社〜E社の各社にとって最適な与信枠を決定する。
取得部131は、融資先候補であるA社に関する情報を取得する。算出部133は、取得部131によって取得された融資先候補であるA社に関する情報に基づいて、所定の融資金額ごとに、融資先候補であるA社による返済可否に関する指標値を算出する。続いて、算出部133は、所定の融資金額ごとに算出された指標値に基づいて、所定の融資金額ごとに融資先候補であるA社による返済確率p1k(k=1、2、3、4、5、6)を算出する。例えば、融資先候補であるA社による融資金額「1億(円)」の返済確率をp11、融資金額「5千万(円)」の返済確率をp12、融資金額「1千万(円)」の返済確率をp13、融資金額「5百万(円)」の返済確率をp14、融資金額「百万(円)」の返済確率をp15、融資金額「5十万(円)」の返済確率をp16とすると、(p11、p12、p13、p14、p15、p16)=(0.2、0.8、0.9、0.99、0.99、0.99)となる。同様にして、算出部133は、所定の融資金額ごとに算出された指標値に基づいて、所定の融資金額ごとに融資先候補であるB社による返済確率をp2k(k=1、2、3、4、5、6)とすると、(p21、p22、p23、p24、p25、p26)=(0.01、0.1、0.2、0.5、0.7、0.7)となる。C社による返済確率をp3k(k=1、2、3、4、5、6)とすると、(p31、p32、p33、p34、p35、p36)=(0.7、0.75、0.8、0.9、0.9、0.9)となる。D社による返済確率をp4k(k=1、2、3、4、5、6)とすると、(p41、p42、p43、p44、p45、p46)=(0.01、0.1、0.2、0.3、0.9、0.99)となる。E社による返済確率をp5k(k=1、2、3、4、5、6)とすると、(p51、p52、p53、p54、p55、p56)=(0.3、0.4、0.5、0.6、0.7、0.8)となる。
決定部134は、指標値が所定の閾値以上である融資金額を、融資先候補の与信枠として決定する。具体的には、決定部134は、融資先候補の返済確率pn(n=1、2、3、4、5)が所定の閾値P(例えば、Pは0.6とする。)以上である融資金額を、融資先候補の与信枠として決定する。すると、融資先候補の返済確率pn(n=1、2、3、4、5)についての条件は、以下の式(1)で表される。
続いて、決定部134は、融資先候補と総額が定められた融資先候補に対する融資金額との組み合わせのうち、融資先候補に対する融資金額の総額内で、融資先候補に対する融資金額と融資金額ごとに算出された指標値とに基づいて算出される数値の総和が大きい組み合わせほど優先的に選択して、選択した組み合わせに応じて融資先候補とその融資先候補の与信枠とを決定する。すると、融資金額の総額の上限である1憶6千万(円)をL、融資先候補であるA社に対する融資金額をL1、B社に対する融資金額をL2、C社に対する融資金額をL3、D社に対する融資金額をL4、E社に対する融資金額をL5とすると、融資金額の総額に上限があるという条件は、以下の式(2)で表される。
例えば、決定部134は、融資先候補と総額が定められた融資先候補に対する融資金額との組み合わせのうち、融資先候補に対する融資金額の総額内で、融資先候補に対する融資金額Ln(円)(n=1、2、3、4、5)と融資金額ごとに算出された返済確率pn(n=1、2、3、4、5)とを乗じて得られる数値の総和が大きい組み合わせほど優先的に選択して、選択した組み合わせに応じて融資先候補とその融資先候補の与信枠とを決定する。例えば、決定部134は、線形計画法を用いて、上記の式(1)及び式(2)の下で、以下の式(3)で表される目的関数が最大となるように最適化問題を解くことにより、融資先候補に対する融資金額Ln(円)と融資金額ごとに算出された返済確率pn(n=1、2、3、4、5)とを乗じて得られる数値の総和が大きい組み合わせのなかから優先的に(p1、p2、p3、p4、p5)=(0.8、0.7、0.7、0.9、0.6)と(L1、L2、L3、L4、L5)=(5千万、百万、1億、百万、5百万)(円)の組み合わせが選択される。決定部134は、このようにして選択した組み合わせに応じて、融資先候補とその融資先候補の与信枠とを決定する。
これにより、情報処理装置100は、融資金額の総額が定められている場合であっても、融資先毎に最適な与信枠を割り振ることができる。したがって、情報処理装置100は、融資を受ける融資先候補と融資を行う銀行の双方にとってメリットがある与信枠を決定することができる。したがって、情報処理装置100は、適切な与信枠を決定することができる。
〔5−2.融資先の総数に制限がある場合〕
図1では、情報処理装置100が融資先の総数に特に制限がない場合に融資先候補の与信枠を決定する例を示したが、融資先の総数に制限があってもよい。この点について図9を用いて説明する。図9は、変形例に係る情報処理の一例を示す図である。図9に示す例では、融資先の総数の上限が3社である場合に、5つの融資先候補A社〜E社の中から最適な融資先を選択して、選択した融資先に最適な与信枠を決定する。
取得部131は、融資先候補であるA社に関する情報を取得する。算出部133は、取得部131によって取得された融資先候補であるA社に関する情報に基づいて、所定の融資金額ごとに、融資先候補であるA社による返済可否に関する指標値を算出する。続いて、算出部133は、所定の融資金額ごとに算出された指標値に基づいて、所定の融資金額ごとに融資先候補であるA社による返済確率p1k(k=1、2、3、4、5、6)を算出する。例えば、融資先候補であるA社による融資金額「1億(円)」の返済確率をp11、融資金額「5千万(円)」の返済確率をp12、融資金額「1千万(円)」の返済確率をp13、融資金額「5百万(円)」の返済確率をp14、融資金額「百万(円)」の返済確率をp15、融資金額「5十万(円)」の返済確率をp16とすると、(p11、p12、p13、p14、p15、p16)=(0.2、0.8、0.9、0.99、0.99、0.99)となる。同様にして、算出部133は、所定の融資金額ごとに算出された指標値に基づいて、所定の融資金額ごとに融資先候補であるB社による返済確率をp2k(k=1、2、3、4、5、6)とすると、(p21、p22、p23、p24、p25、p26)=(0.01、0.1、0.2、0.5、0.7、0.7)となる。C社による返済確率をp3k(k=1、2、3、4、5、6)とすると、(p31、p32、p33、p34、p35、p36)=(0.7、0.75、0.8、0.9、0.9、0.9)となる。D社による返済確率をp4k(k=1、2、3、4、5、6)とすると、(p41、p42、p43、p44、p45、p46)=(0.01、0.1、0.2、0.3、0.9、0.99)となる。E社による返済確率をp5k(k=1、2、3、4、5、6)とすると、(p51、p52、p53、p54、p55、p56)=(0.3、0.4、0.5、0.6、0.7、0.8)となる。
続いて、決定部134は、総数が定められた融資先候補と融資先候補に対する融資金額との組み合わせのうち、融資先候補の総数内で、融資先候補に対する融資金額と融資金額ごとに算出された指標値とに基づいて算出される数値の総和が大きい組み合わせほど優先的に選択して、選択した組み合わせに応じて融資先候補とその融資先候補の与信枠とを決定する。すると、融資先の総数の上限である3をNとすると、融資先の総数に上限があるという条件は、以下の式(4)で表される。
例えば、決定部134は、総数が定められた融資先候補と融資先候補に対する融資金額との組み合わせのうち、融資先候補の総数内で、融資先候補に対する融資金額Ln(円)(n=1、2、3、4、5)と融資金額ごとに算出された返済確率pn(n=1、2、3、4、5)とを乗じて得られる数値の総和が大きい組み合わせほど優先的に選択して、選択した組み合わせに応じて融資先候補とその融資先候補の与信枠とを決定する。例えば、決定部134は、線形計画法を用いて、上記の式(1)及び式(4)の下で、下記の式(3)で表される目的関数が最大となるように最適化問題を解くことにより、融資先候補に対する融資金額Ln(円)と融資金額ごとに算出された返済確率pn(n=1、2、3、4、5)とを乗じて得られる数値の総和が大きい組み合わせのなかから優先的に(p1、p3、p4)=(0.8、0.7、0.9)と(L1、L3、L4)=(5千万、1億、百万)(円)の組み合わせが選択される。決定部134は、このようにして選択した組み合わせに応じて、融資先候補とその融資先候補の与信枠とを決定する。
これにより、情報処理装置100は、融資先の総数が定められている場合であっても、最適な融資先を選択して、選択した融資先に最適な与信枠を割り振ることができる。したがって、情報処理装置100は、融資を受ける融資先候補と融資を行う銀行の双方にとってメリットがある与信枠を決定することができる。したがって、情報処理装置100は、適切な与信枠を決定することができる。
〔5−3.融資金額の総額と融資先の総数の双方に制限がある場合〕
図8では、情報処理装置100が、融資金額の総額に上限がある場合に、融資先候補の各社にとって最適な与信枠を決定する例を示した。また、図9では、情報処理装置100が、融資先の総数に上限がある場合に、最適な融資先を選択して、選択した融資先に最適な与信枠を決定する例を示した。ところで、情報処理装置100は、融資金額の総額と融資先の総数の双方に制限がある場合に、最適な融資先を選択して、選択した融資先に最適な与信枠を決定してもよい。例えば、決定部134は、線形計画法を用いて、上記の式(1)、式(2)、式(4)の3つの制約条件の下で、下記の式(3)で表される目的関数が最大となるように最適化問題を解くことにより、融資先候補に対する融資金額Ln(円)と融資金額ごとに算出された返済確率pn(n=1、2、3、4、5)とを乗じて得られる数値の総和が大きい組み合わせのなかから優先的に最適な融資先候補とその融資先候補に対する融資金額との組み合わせが選択される。決定部134は、このようにして選択した組み合わせに応じて、融資先候補とその融資先候補の与信枠とを決定する。
〔5−4.返済確率の大きさに比例した与信枠の決定〕
図1では、情報処理装置100が算出した返済確率の大きさに関わらず、融資先候補である企業A社の与信枠を決定する例を示した。ところで、情報処理装置100は、算出した返済確率に比例するように融資先候補である企業A社の与信枠を決定してもよい。例えば、図1に示す例では、情報処理装置100は、算出した返済確率「0.8」と融資金額「5千万(円)」とを乗じた金額である「4千万(円)」を融資先候補である企業A社の与信枠として決定してもよい。
また、情報処理装置100は、図1に示す決定方法によって決定された与信枠の前後の融資金額をその融資金額に対応する返済確率によって重みづけした金額を融資先候補である企業A社の与信枠として決定してもよい。例えば、情報処理装置100は、図1に示す決定方法によって決定された与信枠「5千万(円)」の前後の融資金額「1憶(円)」と融資金額「1千万(円)」とにそれぞれの返済確率を重みとして乗じた金額を足し合わせて、平均した金額を融資先候補である企業A社の与信枠として決定してもよい。
〔5−5.融資金額の算出〕
図1では、情報処理装置100が、枠の金額が決まっている融資金額の中から選択する形で、融資先候補である企業A社の与信枠を決定する例を示した。しかしながら、情報処理装置100は、融資金額が決まっていない場合には、融資先候補である企業A社に対する融資金額を算出してもよい。具体的には、生成部132は、融資先に関する情報に基づいて、融資先候補に関する情報から、融資先候補に対する融資金額を推定する適正融資額決定モデルを生成する。
例えば、生成部132は、融資先に関する情報として、融資先が返済期限内に返済できた与信枠の金額を取得する。例えば、生成部132は、返済実績記憶部122を参照して、融資先である企業F社が返済期限内に与信枠「1億(円)」を返済できたという情報を取得する。生成部132は、融資先である企業F社が返済期限内に返済できた与信枠の金額として「1億(円)」を取得する。
また、生成部132は、返済実績記憶部122を参照して、融資先である企業G社が返済期限内に与信枠「1億(円)」を返済できなかったという情報を取得する。この場合、生成部132は、融資先である企業G社は、与信枠「1億(円)」より一段階下の与信枠「5千万(円)」であれば返済期限内に返済できたであろうとみなす。そして、生成部132は、融資先である企業G社が返済期限内に返済できた与信枠の金額として「5千万(円)」を取得する。
なお、生成部132は、融資先である企業F社が返済期限内に与信枠「1億(円)」を返済できたという情報に基づいて、融資先である企業F社は、「1億(円)」より一段階上の与信枠「1憶5千万(円)」であっても返済期限内に返済できたであろうとみなしてもよい。そして、生成部132は、融資先である企業F社が返済期限内に返済できた与信枠の金額として「1憶5千万(円)」を取得してもよい。
また、生成部132は、融資先に関する情報として、融資先の名称とともに検索されている検索クエリを取得する。例えば、生成部132は、融資先情報記憶部121の「企業名+KW」の項目を参照して、融資先である企業F社の名称とともに検索されている検索クエリ「上場」を取得する。
また、生成部132は、融資先に関する情報として、融資先が属する業種の同業他社の名称とともに検索されている検索クエリを取得する。例えば、生成部132は、融資先情報記憶部121の「業種別KWトレンド」の項目を参照して、融資先である企業F社が属する建設業界の同業他社の名称と共に検索された検索クエリ「急成長」を取得する。
また、生成部132は、融資先に関する情報として、融資先の取引履歴に関する情報を取得する。例えば、生成部132は、融資先情報記憶部121の「銀行データ」の項目を参照して、融資先である企業F社の取引履歴に関する情報として、顧客属性情報、普通預金元帳、当座勘定元帳、商流明細、事業継続性評価等の情報を取得する。
また、生成部132は、融資先に関する情報として、融資先の信用情報を取得する。例えば、生成部132は、融資先情報記憶部121の「信用調査会社データ」の項目を参照して、融資先である企業F社の信用情報として、業種コードの上2桁(01〜99)、倒産フラグ、評点、設立年月、資本金、従業員数、工場数、事業所数、前々期決算の売上高、前々期決算の利益金、前期決算の売上高、前期決算の利益金、当期決算の売上高、当期決算の利益金、当期売上の伸長率、当期売上の伸長額、前期売上の伸長率、前期売上の伸長額、当期利益の伸長率、当期利益の伸長額、前期利益の伸長率、前期利益の伸長額、従業員一人当り月間の売上金額、従業員一人当り月間の利益金額等の情報を取得する。
また、生成部132は、融資先に関する情報として、融資先が属する業種の業種別株価指数データを取得する。例えば、生成部132は、融資先情報記憶部121の「業種別株価指数データ」の項目を参照して、融資先である企業F社が属する建設業の業種別株価指数やその増減率等の情報を取得する。
このようにして、生成部132は、融資先に関する情報に基づいて、融資先候補に関する情報から、融資先候補に対する融資金額を推定する適正融資額決定モデルを生成する。算出部133は、生成部132によって生成された適正融資額決定モデルに、融資先候補に関する情報を入力データとして入力することにより、融資先候補に対する融資金額を算出する。
〔6.効果〕
上述してきたように、実施形態に係る情報処理装置100は、算出部133と決定部134とを備える。算出部133は、融資先の候補である融資先候補に関する情報に基づいて、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を算出する。決定部134は、算出部133によって算出された指標値に基づいて、融資先候補の与信枠を決定する。
これにより、情報処理装置100は、所定の融資金額ごとに、融資先候補による返済可否を指標値によって客観的に把握することができる。したがって、情報処理装置100は、適切な与信枠を決定することができる。また、情報処理装置100は、例えば、融資条件を判定するための信用情報を取得し難い非上場企業やベンチャー企業、中小企業等である場合であっても、人手に寄らずに、客観的な指標値によって融資先候補の与信枠を自動的に決定可能とすることができる。また、情報処理装置100は、融資を行う銀行の手間を省くことができる。
また、決定部134は、指標値が所定の閾値以上である融資金額を、融資先候補の与信枠として決定する。また、決定部134は、融資金額が大きいほど優先的に、融資先候補の与信枠として決定する。
これにより、情報処理装置100は、融資先候補による返済可能性が所定の閾値以上である融資金額の中から、最も大きい融資金額を融資先候補の与信枠として決定することができる。したがって、情報処理装置100は、融資を受ける融資先候補と融資を行う銀行の双方にとってメリットがある与信枠を決定することができる。したがって、情報処理装置100は、適切な与信枠を決定することができる。
また、決定部134は、総数が定められた融資先候補と融資先候補に対する融資金額との組み合わせのうち、融資先候補の総数内で、融資先候補に対する融資金額と融資金額ごとに算出された指標値とに基づいて算出される数値の総和が大きい組み合わせほど優先的に選択して、選択した組み合わせに応じて融資先候補とその融資先候補の与信枠とを決定する。
これにより、情報処理装置100は、融資先の総数が定められている場合であっても、最適な融資先を選択して、選択した融資先に最適な与信枠を割り振ることができる。したがって、情報処理装置100は、融資を受ける融資先候補と融資を行う銀行の双方にとってメリットがある与信枠を決定することができる。したがって、情報処理装置100は、適切な与信枠を決定することができる。
また、決定部134は、融資先候補と総額が定められた融資先候補に対する融資金額との組み合わせのうち、融資先候補に対する融資金額の総額内で、融資先候補に対する融資金額と融資金額ごとに算出された指標値とに基づいて算出される数値の総和が大きい組み合わせほど優先的に選択して、選択した組み合わせに応じて融資先候補とその融資先候補の与信枠とを決定する。
これにより、情報処理装置100は、融資金額の総額が定められている場合であっても、融資先毎に最適な与信枠を割り振ることができる。したがって、情報処理装置100は、融資を受ける融資先候補と融資を行う銀行の双方にとってメリットがある与信枠を決定することができる。したがって、情報処理装置100は、適切な与信枠を決定することができる。
また、算出部133は、融資先候補に関する情報として、融資先候補の名称とともに検索される検索クエリに関する情報に基づいて、指標値を算出する。
これにより、情報処理装置100は、融資先候補に関するネガティブ・ポジティブな評判といった動的なデータに基づいて、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を算出することができる。したがって、情報処理装置100は、適切な与信枠を決定することができる。
また、算出部133は、融資先候補に関する情報として、当該融資先候補の同業他者の名称とともに検索される検索クエリに関する情報に基づいて、指標値を算出する。
これにより、情報処理装置100は、融資先候補が属する業界のリアルタイムな市場変化や業界のトレンドといった動的なデータに基づいて、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を算出することができる。したがって、情報処理装置100は、適切な与信枠を決定することができる。
また、実施形態に係る情報処理装置100は、生成部132をさらに備える。生成部132は、融資先に関する情報と融資先による返済実績とに基づいて、融資先候補に関する情報から、所定の融資金額ごとに、融資先候補による返済可否に関する指標値を推定するモデルを生成する。算出部133は、生成部132が生成したモデルを用いて、指標値を算出する。
これにより、情報処理装置100は、所定の融資金額ごとに、融資先候補による返済可否に関する指標値をより高い精度で算出することができる。したがって、情報処理装置100は、適切な与信枠を決定することができる。
〔7.ハードウェア構成〕
また、上述してきた実施形態に係る情報処理装置100は、例えば図10に示すような構成のコンピュータ1000によって実現される。図10は、情報処理装置100の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ1000は、CPU1100、RAM1200、ROM1300、HDD1400、通信インターフェイス(I/F)1500、入出力インターフェイス(I/F)1600、及びメディアインターフェイス(I/F)1700を備える。
CPU1100は、ROM1300またはHDD1400に格納されたプログラムに基づいて動作し、各部の制御を行う。ROM1300は、コンピュータ1000の起動時にCPU1100によって実行されるブートプログラムや、コンピュータ1000のハードウェアに依存するプログラム等を格納する。
HDD1400は、CPU1100によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス1500は、所定の通信網を介して他の機器からデータを受信してCPU1100へ送り、CPU1100が生成したデータを所定の通信網を介して他の機器へ送信する。
CPU1100は、入出力インターフェイス1600を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。CPU1100は、入出力インターフェイス1600を介して、入力装置からデータを取得する。また、CPU1100は、生成したデータを入出力インターフェイス1600を介して出力装置へ出力する。
メディアインターフェイス1700は、記録媒体1800に格納されたプログラムまたはデータを読み取り、RAM1200を介してCPU1100に提供する。CPU1100は、かかるプログラムを、メディアインターフェイス1700を介して記録媒体1800からRAM1200上にロードし、ロードしたプログラムを実行する。記録媒体1800は、例えばDVD(Digital Versatile Disc)、PD(Phase change rewritable Disk)等の光学記録媒体、MO(Magneto-Optical disk)等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。
例えば、コンピュータ1000が実施形態に係る情報処理装置100として機能する場合、コンピュータ1000のCPU1100は、RAM1200上にロードされたプログラムまたはデータを実行することにより、制御部130の機能を実現する。コンピュータ1000のCPU1100は、これらのプログラムを記録媒体1800から読み取って実行するが、他の例として、他の装置から所定の通信網を介してこれらのプログラムを取得してもよい。
以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。
〔8.その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。
また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。
また、上述してきた「部(section、module、unit)」は、「手段」や「回路」などに読み替えることができる。例えば、決定部は、決定手段や決定回路に読み替えることができる。