JP6251383B2 - 債務不履行となる企業の蓋然性の計算 - Google Patents

Description

関連出願の相互参照
本出願は、２０１３年５月２日出願の米国仮特許出願第６１／８１８，７８４号の優先権を主張し、その内容全体が参照によって本明細書に組み込まれる。

本開示は、予測採点法の分野に属し、より詳細には信用力の採点の分野に関する。

この節に記載された手法は、追求され得るが、必ずしも従来考えられ、又は追求された手法ではない。したがって、この節に記載された手法は、本出願の特許請求の範囲に対して従来技術ではないことがあり、この節に包含することによって、従来技術とは認められない。

信用力スコアは企業に対する遅延支払の蓋然性を割り当てる、即ち債務不履行の蓋然性を割り当てる。２種類の信用力スコア、即ち判断的及び統計的信用力スコアがある。判断的スコアは、顧客信用調査管理者の判断及び経験に基づいて顧客信用調査管理者が作成する。統計的スコアは、企業の信用力価値を表すためのそのような企業の信用調査書記録の統計的解析の結果である。

統計において、回帰分析は、変数間の関係を推定するための統計的処理である。回帰分析は、従属変数と１つ又は複数の独立変数との間の関係に焦点を当てる場合、いくつかの変数をモデル化し分析する技法を含む。回帰分析は、独立変数のいずれか１つが変更される場合、その他の独立変数が固定されながら従属変数の典型的な値が、どのように変化するかを理解するのに役立つ。

回帰分析の精度は、部分的に、使用されるモデルの形態、及び独立変数の選択に依存する。即ち、適格なモデル及び独立変数の適切な選択によって、より正確な結果が得られ得る。

信用力の採点のための分析すべきデータは、一般にデータベースに記憶される。生成され、記憶され、処理される今日のデータ量の増加に起因して、運用データベースは、運用効率のために、構成され、分類され、フォーマット化される（例えば、処理量、処理速度、記憶保持能力）。これらの運用データベースに見出される生データは、しばしば経営分析者及び意思決定者にとって困惑させ理解できないように思われる数字及びコードの行及び列として存在する。更に、現代のデータベースに記録される生データの範囲及び膨大さは、有用な情報を検索することを困難にする。

したがって、回帰分析のためにモデルを開発し、独立変数を識別し選択するために１つ又は複数のデータベースからのデータを分析する技法が必要である。

本開示の目的は、回帰分析のためにモデルを開発し、かつ独立変数を識別し選択するために１つ又は複数のデータベースからのデータを分析する技法を提供することである。

本開示のさらなる目的は、モデルを利用して、対象企業に関連するデータを評価して対象企業の信用力スコアを生成する技法を提供することである。

これらの目的を実現するために、コンピュータを使用して、（ａ）データソースから電子通信により企業の記述子を受信すること、（ｂ）前記記述子をデータベースのデータと整合させ、これにより整合を生成すること、この時前記データは前記企業の固有の識別子を含み、（ｃ）ログに前記固有の識別子を含む信号を保存することと、（ｄ）前記ログにおいて前記固有の識別子を含む信号量を計数し、これにより前記固有の識別子に対する前記信号数を生成することと、（ｅ）前記信号数に基づいて前記企業の信用力スコアを計算することと、を含む操作を実行する方法が提供される。本方法を実行するシステム、及びプロセッサを制御して本方法を実行する記憶装置も提供される。

本開示の技法の使用のためのシステムのブロック図である。

図１のシステムの処理モジュールのブロック図である。

図２の処理モジュールの構成要素である活動信号発生器のブロック図である。

図２の処理モジュールの構成要素である売掛金処理モジュールのブロック図である。

図４の売掛金処理モジュールにより実行される例示的仮計算をリストする表の説明図である。

図２の処理モジュールの構成要素であるモデル発生器のブロック図である。

図５のモデル発生器により生成される第１の例示的モデル開発データセットをリストする表の説明図である。

図５のモデル発生器により生成される第２の例示的モデル開発データセットをリストする表の説明図である。

図２の処理モジュールの構成要素である採点処理のブロック図である。

図６の採点処理により採点される単一の企業のスコアカードの例を示す表である。

２つ以上の図面に共通の構成要素又は特徴は、それぞれの図面において同一の参照番号によって示される。

本開示は、支払を遅滞している対象企業の蓋然性を計算するためのシステム及び方法を提供する。システム及び方法は、蓋然性の割当てが実験的に導出され、実験的に実証され得る統計的スコアを利用する。蓋然性は、本明細書において活動信号として参照される、対象企業の不払い活動に関係するデータに基づいて計算される。活動信号は、他の企業により行われる記録維持処理から導出される。遅滞している対象企業の蓋然性は、対象企業に関する遅延支払とデータとの間の関係を見出す数理的技法から導出される。システムにより開発され利用されるモデルは、著しく遅滞している企業の不良の業績の定義を与える。採点処理は、モデルを利用して、対象企業のスコアを生成する。

図１は、本明細書に開示された技法を使用するためのシステム１００のブロック図である。システム１００は、（ａ）コンピュータ１０５と、（ｂ）ネットワーク１５０を介してコンピュータ１０５に通信可能に結合され、集合的にデータソース１４５呼ばれる、データソース１４５−１、１４５−２〜１４５−Ｎとを備える。

ネットワーク１５０は、データ通信ネットワークである。ネットワーク１５０は、私設ネットワーク又は公衆ネットワークであってもよく、
（ａ）例えば、部屋をカバーするパーソナルエリアネットワーク、（ｂ）例えば、建物をカバーするローカルエリアネットワーク、（ｃ）例えば、キャンパスをカバーするキャンパスエリアネットワーク、（ｄ）例えば、都市をカバーするメトロポリタンエリアネットワーク、（ｅ）例えば、大都市圏、広域境界又は国境にわたって接続する領域をカバーする、ワイドエリアネットワーク、又は（ｆ）インターネットのうちのいずれか又は全てを含み得る。通信は、電子信号及び光信号によりネットワーク１５０を介して行われる。

データソース１４５のそれぞれは、企業についての情報、即ち、データを備える実体、組織又は推移である。データソース１４５の例は、企業登記、電話帳、職員データ、売掛金請求書レベルの支払データ、他の企業についての引き合いを含む。

コンピュータ１０５は、データソース１４５からのデータを処理し、また、売掛金データ１３０、詳細取引データ１３５、及び企業参照データ１４０として本明細書において指定されたデータを処理し、活動信号データ（ＡＳＤ）１６０及びスコア１６５として指定されるデータを生成する。

売掛金データ１３０は、商品又はサービスを他の企業に提供した複数の企業から取得した売掛金データ、又は支払猶予期間である。対象となる企業についての売掛金データ１３０は、商品又はサービスの対象となる企業への納入業者から取得される。例えば、会社Ｂが、会社Ａへの商品又はサービスの納入業者であると仮定する。会社Ｂは、その帳簿に会社Ａから支払われるべき売掛金額を示す。実際に、会社Ａへ商品又はサービスを提供する会社が多数ある可能性があり、したがって、会社Ａに対する売掛金データは、これらの多くの会社からの会社Ａについての売掛金データを含むであろう。

詳細取引データ１３５は、対象となる企業についての他のデータであり、売掛金データ１３０から導出され得る。詳細取引データ１３５の例は、支払期日を６か月過ぎたアカウントの数及び未払い額合計を含む。

企業参照データ１４０は、企業を記述するデータである。例えば、対象企業について、企業参照データ１４０は、対象企業の固有の識別子、企業情報、財務諸表、従来の取引データを含むであろう。固有の識別子は、一意的に対象企業を識別する識別子である。データ汎用番号付システム（ＤＵＮＳ）の数字は、したがってそのような固有の識別子として働く。企業情報は、従業員数、操業年数、事業が分類される業界、例えば小売りなどの企業に関する情報である。財務諸表は、流動比率、即ち、（現在資産−在庫）／現在債務、及び債務合計額などの財務情報である。従来の取引データは、支払期日を３０日以上過ぎた額、支払期日を３０日以上過ぎた支払経験の数、順調な支払経験の数などの情報である。

ＡＳＤ１６０は、会社についての情報を含むデータ構造であり、この情報はデータソース１４５から取得されるデータから導出される。一般に、対象となる企業に関して、ＡＳＤ１６０は、対象となる企業に関連する他の会社による支払動向のレベルを示す。

スコア１６５は、信用力スコアが付与される企業の信用力価値を示す信用力スコアである。

売掛金データ１３０、詳細取引データ１３５、企業参照データ１４０、ＡＳＤ１６０及びスコア１６５は、１つ又は複数のデータベースに記憶される。１つ又は複数のデータベースは、単一の記憶装置、又は複数のそれぞれ独立した記憶装置を有する分散記憶システムとして構成され得る。システム１００においては、１つ又は複数のデータベースは、コンピュータ１０５に直接結合したものとして示されるが、ネットワーク１５０により、コンピュータ１０５から遠隔に配置され、コンピュータ１０５に結合され得る。

コンピュータ１０５は、ユーザーインターフェース１１０、プロセッサ１１５、プロセッサ１１５に結合されたメモリ１２０を含む。コンピュータ１０５は、本明細書においてはスタンドアロン装置として示されるが、そのように限定されず、むしろ分散処理システムにおいて他の装置（図示せず）に結合し得る。ユーザーインターフェース１１０は、使用者が情報及び命令選択をプロセッサ１１５に伝達することを可能にするための、キーボード又は音声認識サブシステムなどの入力装置を含む。

ユーザーインターフェース１１０はまた、表示装置若しくはプリンタ、又は音声合成器などの出力装置を含む。マウス、トラックボール、又はジョイスチックなどのカーソル制御は、使用者が追加の情報及び命令選択をプロセッサ１１５に伝達するために表示装置上でカーソルを操作することを可能にする。

プロセッサ１１５は、命令に応答し命令を実行する論理回路で構成される電子装置である。

メモリ１２０は、コンピュータプログラムにより符号化された有形のコンピュータ可読記憶装置である。この点に関連して、メモリ１２０は、プロセッサ１１５の動作を制御するためのプロセッサ１１５により可読かつ実行可能なデータ及び命令、即ちプログラムコードを記憶する。メモリ１２０は、ランダムアクセスメモリ（ＲＡＭ）、ハードドライブ、読み出し専用メモリ（ＲＯＭ）、又はそれらの組合せで実装され得る。メモリ１２０の構成要素のうちの１つは、処理モジュール１２５である。

処理モジュール１２５は、プロセッサ１１５によって可読であり、プロセッサ１１５を制御して企業の採点を実行する、即ち債務不履行の蓋然性を割り当てることによって企業を評価する命令のモジュールであり、債務不履行の蓋然性は、遅滞のスコア、即ちスコア１６５に変換される。処理モジュール１２５は、ユーザーインターフェース１１０に結果を出力し、またネットワーク１５０を介して遠隔装置（図示せず）に出力を向け得る。

本文書において、処理モジュール１２５又はその下位の処理によって実行される動作を説明する。しかしながら、実際には動作がコンピュータ１０５によって実行され、より具体的にはプロセッサ１１５によって実行される。

用語「モジュール」は、本明細書において使用され、独立型構成要素又は複数の下位の構成要素の統合された構成のいずれかとして具現化され得る機能的動作を指す。したがって、処理モジュール１２５は、単一のモジュール又は互いに協働して動作する複数のモジュールとして実装され得る。更に、本明細書において処理モジュール１２５は、メモリ１２０にインストールされ、したがってソフトウェアに実装されるように記載されるが、ハードウェア（例えば、電子回路）、ファームウェア、ソフトウェア、又はそれらの組合せのいずれにも実装され得る。

処理モジュール１２５は、すでにメモリ１２０にロードされていると示されるが、メモリ１２０への後続のロードのために記憶装置１９９上に構成され得る。記憶装置１９９は、処理モジュール１２５をコンピュータ可読記憶媒体の上に記録する有形の該コンピュータ可読記憶媒体である。記憶装置１９９の例は、コンパクトディスク、磁気テープ、読み出し専用メモリ、光記憶媒体、ハードドライブ又は複数の並列ハードドライブからなるメモリユニット、及びユニバーサルシリアルバス（ＵＳＢ）フラッシュドライブを含む。代替として、記憶装置１９９は、ランダムアクセスメモリ、又は遠隔の記憶システムに配置され、ネットワーク１５０を介してコンピュータ１０５に結合される他のタイプの電子記憶装置であり得る。

実際に、データソース１４５、売掛金データ１３０、詳細取引データ１３５、及び企業参照データ１４０は、多くの、例えば数百万のデータ項目を表すデータを含む。したがって、実際に、データは人によって処理され得ず、代わりに、コンピュータ１０５などのコンピュータを必要とする。

図２は、処理モジュール１２５のブロック図である。処理モジュール１２５は、いくつかの下位のモジュール、即ち、活動信号データ（ＡＳＤ）発生器２０５、売掛金（Ａ／Ｒ）処理２１０、モデル発生器２１５、及び採点処理２２０を含む。手短には、
（ａ）ＡＳＤ発生器２０５はデータソース１４５からのデータを分析し、ＡＳＤ１６０を生成し、ＡＳＤ１６０は、上述のように、対象となる企業に関連する、他の会社による、対象となる企業に関する支払動向のレベルを示し、
（ｂ）Ａ／Ｒ処理２１０は、対象企業の納入業者からの売掛金データ１３０を分析し、対象企業が、債務の支払に関して良好な資産状態にあるかどうか、又は債務の支払を遅滞しているかどうかを示す重みを生成し、
（ｃ）モデル発生器２１５は、様々な企業データ、ＡＳＤ１６０、及びＡ／Ｒ処理２１０からの重みを処理し、これらに基づき企業を採点するモデルを生成し、
（ｄ）採点処理２２０は、モデル発生器２１５からのモデルを利用して、スコア１６５を生成する。ＡＳＤ発生器２０５、Ａ／Ｒ処理２１０、モデル発生器２１５、採点処理２２０のそれぞれは、以下に更に詳細に説明される。

図３は、上述のようにデータソース１４５からのデータを分析するとともに、ＡＳＤ１６０を生成するＡＳＤ発生器２０５のブロック図である。ＡＳＤ発生器２０５は、整合処理３０５、ロギング処理３１０、及びアグリゲータ３１５を含む。

上述のデータソース１４５は、企業についての情報、即ちデータを備える企業実態、組織、又は推移である。データのフォーマットは、システム１００の動作には特には関連しないが、例示の目的で、データが記録に整理されることを仮定する。記述子３０１は、そのような記録の例であり、企業の様々な態様を記述するデータ、例えば、名称、住所、電話番号である。実際に、記述子３０１は、そのような多くの態様を含む。

整合処理３０５は、データソース１４５から、記述子３０１を受信し、又はその他の方法で取得し、記述子３０１をデータ企業参照データ１４０のデータと整合させる。

記述子３０１の属性は、一定ではない方法でデータソース１４５に企業ごとに取り込まれる。コンピュータ１０５は、利用可能な記述子３０１の情報を使用し、それに基づいて情報を最適な整合にする。例として、最も正確な整合を達成するための最大限必要な情報は、企業の名称及びその電話番号の情報を有することであると考えてみる。例示的なデータソース１４５−２及び記述子３０１は、企業名称のみについての情報を提供した。これは、整合の精度を限定するが、コンピュータ１０５は、記述子３０１から情報を取り出し、データベース１４０を検索して最も高い達成可能な精度及び整合で企業の記録を見出す。

上述の企業参照データ１４０は企業を記述するデータである。企業参照データ１４０は、記録に整理される。そのような１つの記録、即ち記録３４０は、代表的な例である。記録３４０は、固有の識別子３４１、企業情報３４２、財務諸表３４３、及び従来の取引データ３４４を含む。

本明細書において使用される整合とは、データ記憶装置からデータを検索すること、例えば、所与の照会に最良に整合する記録をデータベースから検索することを意味する。したがって、整合処理３０５は、企業参照データ１４０から記述子３０１に最良に整合するデータを検索する。

最良の整合は、必ずしも正しい整合とは限らないので、整合を見出すと、整合処理３０５はまた、正しい整合の信頼度のレベルを示す信頼度コードを提供する。例えば、５の信頼度コードは、整合がほとんど正しいこと、また１の信頼度コードは、正しい整合の比較的低い確実性を有することを示し得る。

整合処理３０５は、整合を見出すと、
（ａ）データが受信されたソースの識別、
（ｂ）整合がなされた時間（日付を含む）、
（ｃ）固有の識別子３４１、及び
（ｄ）信頼度コード
を含む信号３０６を生成する。

ロギング処理３１０は、信号３０６を受信し、この信号をメタデータ３２０として本明細書において指定されるログに入力する。

実際に、ＡＳＤ発生器２０５、又は下位の処理、即ち、整合処理３０５、ロギング処理３１０、及びアグリゲータ３１５は、データソース１４５からの複数の記述子を処理するように処理ループにおいて動作するであろう。したがって、整合処理２０５は、複数の信号を生成するであろうが、ここで信号３０６はそのような信号の１つに過ぎない。

表１は、いくつかの例示的メタデータ３２０をリストする。

例えば、表１の行１は、整合処理３０５が第１の信号、即ち信号１を生成したことを示し、第１の信号は、整合処理３０５が、時間ｔ０でデータソース１４５−２からの記述子３０１を企業参照データ１４０のデータに整合させたことを示す。この整合は、記述子３０１が固有の識別子０００００００１によって識別される企業に関係し、整合が２の信頼度コードを有することを示す。実際に、メタデータ３２０は、多くの、例えば何百万のデータ行を含むであろう。

アグリゲータ３１５は、データをメタデータ３２０から集約して、ＡＳＤ１６０を生成する。より具体的には、アグリゲータ３１５は、ある期間、即ち期間３１２に属するメタデータ３２０を考慮し、各固有の識別子に対して閾値３１３以上の信頼度コードを有する信号の全数、及び整合の全数を維持する。したがって、対象企業について、ＡＳＤ１６０は、固有の識別子３３０、信号数３３５、及び信頼度コード（ＣＣ）整合３３６を含む。信号数３３５は、期間３１２中に整合した特定の固有の識別子に対する全信号数である。ＣＣ整合３３６は、閾値３１３以上の信頼度コードを有するそのような整合の全数である。

例えば、表１を参照して、期間３１２がｔ０〜ｔ４の期間を定義し、閾値３１３が３の閾値の値を定義すると仮定する。表２は、ＡＳＤ１６０に対応する例示的データをリストする。

表２は、ｔ０〜ｔ４の期間中、固有の識別子０００００００１について、３つの全信号（表１、信号１、３及び４を参照）があり、そのような３つの信号のうち、３以上の信頼度コードを有する２つが整合した（表１、行３及び４を参照）。表２には示していないが、ＡＳＤ１６０は、信号３０６から導出された他の情報、例えば閾値３１３以上の信頼度コードを有する最大数の整合から得られたデータを提供したデータソース１４５の識別を含み得る。実際に、期間３１２は、ＡＳＤ発生器２０５がかなりの数の事象を寄せ集めることを可能にする長さ、例えば１２か月であろう。したがって、ＡＳＤ１６０は、多くの、例えば数百万のデータ行を含むであろう。

図４は、Ａ／Ｒ処理２１０のブロック図であり、Ａ／Ｒ処理２１０は、上述のように、対象企業の納入業者からの売掛金データ１３０を分析し、対象企業が、債務の支払について良好な資産状態にあるか、又は債務の支払を遅滞しているかどうかを示す重みを生成する。

実行中、Ａ／Ｒ処理２１０は仮計算４１８を生成する。図４Ａは、例示的仮計算４１８をリストする表、即ち表４５０を示す。

Ａ／Ｒ処理２１０はステップ４０５で始まる。

ステップ４０５において、Ａ／Ｒ処理２１０は、固有の識別子３３０によって識別される対象企業に対する売掛金データ１３０を取得する。より具体的には対象企業の各納入業者、即ち債権者に対して、Ａ／Ｒ処理２１０は、対象企業から納入業者に支払うべき残高、及び支払期日を過ぎた残高の額、例えば、支払期日を９１日以上過ぎた残高の額を取得する。この情報は、仮計算４１８に記憶される。

表４５０は、例えば、対象企業が（ａ）納入業者−１から＄１００，０００を借入れ、そのうち、支払期日を９１日以上過ぎたものが＄０であり、（ｂ）納入業者−１０から＄１，０００，０００を借入れ、そのうち支払期日を９１日以上過ぎたものが＄１５０，０００であることを示している。

ステップ４０５から、Ａ／Ｒ処理２１０は、ステップ４１０に進む。

ステップ４１０において、Ａ／Ｒ処理２１０は対象企業による借入残高合計、及び支払期日を９１日以上過ぎた残高合計の額を計算する。この情報は、仮計算４１８に記憶される。表４５０は、例えば、（ａ）借入残高合計が＄１，９００，０００であり、（ｂ）残高合計のうち＄１８０，０００が支払期日を９１日以上過ぎていることを示す。

ステップ４１０から、Ａ／Ｒ処理２１０はステップ４１５に進む。

ステップ４１５において、Ａ／Ｒ処理２１０は不履行率を計算し、リスクのあるアカウントを識別する。

対象企業の信用力を評価する一技法は、
（ｂ）借入残高合計に対する（ａ）支払期日を過ぎた残高合計の比率を計算することである。この比率が、特定の値、例えば、０．１０を超える場合、例えば１０％を超える特定のパーセントが支払期日を過ぎていることを示す場合、対象企業は、不良の信用リスクとして等級別にされる。表４５０に示されたデータを使用して、
支払期日を過ぎた残高合計／借入残高合計＝１８０，０００／１，９００，０００＝０．０９５ 式１
式１は、１０％未満が支払期日を過ぎており、対象企業は不良の信用リスクとして等級別にされないことを示している。

しかしながら、対象企業は、あるサービス納入業者について良好な条件であり得るが、別のサービス納入業者については支払が遅延し得る。この問題に対処するために、Ａ／Ｒ処理２１０は、各個々の納入業者に対する支払遅延を検討し、これにより不良の信用リスクの定義に異なる遅滞の程度を組み入れる。より具体的には、納入業者ごとに、Ａ／Ｒ処理２１０は、式２に示すように（ｂ）借入残高に対する（ａ）期限を過ぎた残高の不履行率を計算する。不履行率が特定の値、例えば０．１０を超える場合、そのような納入業者を有する対象企業のアカウントは、不良の信用リスクと識別される。
不履行率＝支払期日を過ぎた残高／借入残高 式２
納入業者−５については、
不履行率＝２５，０００／１００，０００＝０．２５ 式３
納入業者−１０については、
不履行率＝１５０，０００／１，０００，０００＝０．１５ 式４
したがって、納入業者−５及び納入業者１０については、対象企業のアカウントは、不良の信用リスクとして等級別にされる。

ステップ４１５から、Ａ／Ｒ処理２１０はステップ４２０に進む。

ステップ４２０において、対象企業に対して、Ａ／Ｒ処理２１０は「良好」の重み４２５、及び「不良」の重み４３０を計算する。

「良好」の重み４２５を計算するために、Ａ／Ｒ処理２１０は、納入業者のアカウントが良好である、即ち適切な締高と示される納入業者への借入額合計を計算し、次いで、（ｂ）借入残高合計に対する（ａ）適切な締高の比率を計算する。表４５０に示される本例では、適切な締高は、納入業者−１，２，３，４，６，７，８及び９に対する借入合計である。ここで、良好合計＝８００，０００であり、
「良好」の重み＝良好合計／借入残高合計＝８００，０００／１，９００，０００＝０．４２ 式５

「不良」の重み４３０を計算するためにＡ／Ｒ処理２１０は、アカウントが不良であると示される納入業者への借入額合計、即ち不適切な締高を計算し、次いで、（ｂ）借入残高合計に対する（ａ）不適切な締高の比率を計算する。表４５０に示す本例においては、不適切な締高は、納入業者５及び１０に対する借入額合計である。ここで、不適切な締高＝１，１００，０００であり、
「不良」の重み＝不適切な締高／借入残高＝１，１００，０００／１，９００，０００＝０．５８ 式６

「良好」の重み及び「不良」の重みの合計は１である、即ち０．４２＋０．５８＝１であることに留意されたい。これらの重みはまた、例えば１００のスケール上でスケールされ得、本例では、「良好」の重みが値４２をとり、「不良」の重みが値５８をとる。

アカウントレベルの企業支払行動を見ることが、企業の借入額合計に対する未払残高の重み付けを可能にし、このことが複数の納入業者に対する真の企業業績及び企業の傾向を獲得する。

図５は、モデル発生器２１５のブロック図であり、モデル発生器２１５は、上述のように、様々な企業データ、ＡＳＤ１６０、及びＡ／Ｒ処理２１０からの重みを処理し、それらに基づいて、企業を採点するモデルを生成する。モデル発生器２１５は、ステップ５０５により始まる。

ステップ５０５において、モデル発生器２１５は、企業参照データ１４０、詳細取引データ１３５、ＡＳＤ１６０、「良好」の重み４２５、及び「不良」の重み４３０を受信し、モデル開発データセット５１０を構築する。

図５Ａは、第１の例示的モデル開発データセット５１０を示す表、即ち表５５０の解説図である。

表５５０は、
（１）固有の識別子
（２）予測子：
（ａ）企業情報（ＢＩ）３４２、
（ｂ）財務諸表（ＦＳ）３４３、
（ｃ）従来の取引データ（ＴＴＤ）３４４、
（ｄ）詳細取引（ＤＴ）データ１３５、
（ｅ）信号数（ＮＳ）３３５、及び
（ｆ）信頼度コード整合（ＣＣＭ）３３６、
（ｇ）「良好」の重み（ＧＷ）４２５、及び
（ｈ）「不良」の重み（ＢＷ）４３０、並びに
（３）不良リスク指標（ＢＲＩ）
をリストするヘッダ行を有する。

表５５０では、各固有の識別子が対象企業を識別する。例えば、対象企業は、固有の識別子０００００００１に対応する。予測子は、対象企業を特徴づけるデータ項目である。任意の数の固有の識別子、及び任意の数の予測子があり得、実際には、多くの、例えば数百万の固有の識別子があるであろうし、多くの、例えば数百の予測子があるであろう。更に、実際には、表５５０の予測子のそれぞれは、複数の予測子を表す。例えば、実際には、企業情報の単一の列の代わりに、従業員数、操業年数、業界の列があるであろう。予測子は、回帰分析の独立変数とみなされる。例えば、信号数（ＮＳ）３３５、信頼度コード整合（ＣＣＭ）３３６、「良好」の重み（ＧＷ）４２５、「不良」の重み（ＢＷ）４３０のそれぞれは独立変数であることに留意する。

また表５５０では、対象企業の「良好」の重みがその「不良」の重みよりも小さい場合、対象企業が例えば、不良のリスクであるととみなされる場合、不良のリスク指標（ＢＲＩ）として示される列のセルは値「１」を含む。対象企業が、不良のリスクでないととみなされる場合、セルは、値「０」を含む。良好なリスク又は不良のリスクの指示は、予測子の所望の任意の組合せに基づき得る。不良のリスク指標は、回帰分析の目的のために従属変数とみなされる。

統計的モデルにおける従属変数は、複数の予測子、即ち独立変数を使用して予測しようとする測定である。このようにして、モデル発生器２１５は、対象企業と納入業者との間の債務上の良好な支払行動と不良の支払行動とを区別して、従属変数、この場合には不良のリスク指標を定義する。

図５Ｂは、第２の例示的モデル開発データセット５１０を示す表、即ち、表５６０の解説図である。

表５６０は、
（１）固有の識別子、
（２）予測子：
（ａ）信号数（ＮＳ）３３５、及び
（ｂ）「不良」の重み（ＢＷ）４３０
をリストするヘッダ行を有する。

例えば、信号数（ＮＳ）３３５、「不良」の重み（ＢＷ）４３０のそれぞれは、独立変数であることに留意する。表５６０の場合、不良のリスク指標、即ち従属変数は、「不良」の重み（ＢＷ）４３０から導出され得る。例えば、「不良」の重みが０．５０以上の場合、不良のリスク指標は１と想定される。

ステップ５０５から、モデル発生器２１５はステップ５１５へ進む。

ステップ５１５において、モデル発生器２１５はモデル開発データセット５１０について回帰分析を実行し、回帰モデル、即ちモデル５２０を生成する。式７は、モデル５２０の一般式である。
スコア＝Ｃ１（予測子１）＋Ｃ２（予測子２）＋．．．＋Ｃｍ（予測子ｍ） 式７

したがって、モデル５２０は、一連の変数、及び変数ごとに計算される係数からなる式である。例えば、モデル開発データセット５１０が表５６０に示すようなものである場合、信号数（ＮＳ）３３５及び「不良」の重み（ＢＷ）４３０、即ち独立変数は、式７において予測子として働く。

図６は採点処理２２０のブロック図であり、採点処理２２０は、上述のように、モデル発生器２１５からのモデルを利用して、スコア１６５を生成する。採点処理２２０は、ステップ６１０で始まる。

ステップ６１０において、採点処理２２０は、モデル開発データセット５１０からデータを取得し、モデル５２０を取り入れる。ステップ６１０から、採点処理２２０はステップ６２０へ進む。

ステップ６２０において、採点処理２２０は、ステップ６１０から取り入れられたモデルを評価し、こうしてスコア１６５を生成する。取り入れられたモデル５２０が特定の独立変数、例えば信号数（ＮＳ）３３５を含む場合、スコア１６５は、そのような独立変数に基づく、即ちそのような独立変数の関数となるであろう。

図７は、採点処理２２０にしたがって採点される単一の企業のスコアカードの例を示す表７００である。予測子の例示的リスト、即ち要因は、各予測子からの点がどのようにして合計スコアに累積するのかを示す。生のスコアは、母集団分布に基づいて定義されたパーセンタイル点、及びクラス値に変換される。パーセンタイルは、１〜１００の範囲を有し、ここで「１００」は最も低いリスクを意味する。パーセンタイルは、母集団のスコア分布に基づいて作成される。パーセンタイルは、全母集団に対してランクを生成する。１〜５の範囲で定義される例のようなクラスは、全母集団の記録の分布に基づいて生成される。最もリスクが低い母集団の１０％はクラス１であり、次の２０％はクラス２に割り当てられる。中間の４０％はクラス３である。母集団の２０％は、クラス４に等級別にされる。最もリスクが高い母集団の１０％は、クラス５に割り当てられる。プロセッサ１１５は、表７００を含む報告を作成し、この報告をユーザーインターフェース１１０によりコンピュータ１０５の使用者に、又はネットワーク１５０により遠隔の装置（図示せず）の使用者に送る。

試算の操作において、全部で３，３００，０００の企業が使用されて、モデル５２０が開発された。これらの企業について報告された取引は、２つの分類、即ち支払期日が９１日未満として定義される「良好」、及び著しく遅滞していると定義され実質的に支払期日を９１日以上過ぎている「不良」のうちのいずれか１つに等級別にされた。良好なアカウントは、その債務において期限までに又は最小限の遅延で支払われる。モデル開発の際、各企業は、「良好」な取引、及び「不良」の取引のパーセンテージに基づいて重み付けされた。例えば、特定の企業について、借入額合計の３０％が支払期日を９１日以上過ぎており、支払期日が９１日未満のものが７０％である場合、この会社は７０％の「良好」、及び３０％の「不良」と重み付けられる。３，３００，０００の母集団のうち、これらの企業に関係する営業勘定の約１０．２％が「不良」、又は著しく遅滞していた。

モデル開発処理において、データは、観測ウィンドウ及び実行ウィンドウとして指定される最低限２つの期間から収集された。観測ウィンドウは、全ての識別データ及び特性データが収集される期間を定義する。実行ウィンドウは、企業の支払行動を審査するためにアカウントが追跡される時間の長さを定義する。データのスナップショットは、モデルが開発されるとともに、他の何らかの時間フレームを表す時間フレームを表す。予測変数又は独立変数は、組み合わせて、同様の特性の異なるグループの記録を等級別にする成果及びセグメンテーションスキームを定義し得、このスナップショットから定義される。

例示的実施形態において、使用された観測スナップショットは２０１１年２月であり、実行スナップショットは２０１１年３月から２０１２年２月までの１２か月であった。観測ウィンドウデータから、大量のデータ解析が行われて統計的に著しい遅滞を予測するための最も重要な要因である変数決定し、それぞれに適した重みを計算した。

システム１００は、メタデータから定義される内部企業活動データ、及び取引データの細分のレベルを使用して予測子を生成する。操作手順についての生成されたメタデータ３２０からのデータは、我々のモデルにおける、特に限定された取引活動の記録、又は取引活動がない記録に対して有意の予測子であることを見出した。また、詳細取引データを使用して、良好な支払行動と不良の支払行動とをよりよく区別した。データソースは、１セットの有意の予測子をもたらした。

本明細書において記載される技法は、例示的であり、本開示に対して特定の限界を示唆するように解釈されるべきではない。様々な代替、組合せ、及び修正は、当業者によって考案され得ることが理解されるはずである。例えば、本明細書における処理に関係するステップは、別段にステップ自体によって特定又は規定されない限り任意の順番で実行され得る。

用語「備える（ｃｏｍｐｒｉｓｅｓ）」又は「備える（ｃｏｍｐｒｉｓｉｎｇ）」は、表明された特徴、整数、ステップ又は構成要素の存在を特定すると解釈されるが、１つ又は複数の他の特徴、整数、ステップ又は構成要素又はそれらのグループの存在を除外するものではない。「ａ」及び「ａｎ」という用語は、不定冠詞であり、したがって、複数の冠詞を有する実施形態を除外しない。

Claims (7)

1. コンピュータが、
   データソースから電子通信により企業の記述子を受信すること、
   前記記述子をデータベースのデータと整合させ、これにより整合を生成することと、この時前記データは前記企業の固有の識別子を含み、
   前記固有の識別子と前記整合の生成された前記整合に対応する時間を含む信号を、ログに保存することと、
   前記固有の識別子を含み、かつ前記対応する時間が特定のある期間に属することを示す、前記ログにおける信号量を計数し、これにより前記固有の識別子の信号数を生成することと、
   データセットに独立変数として前記信号数を含めることと、
   前記企業の複数の納入業者のそれぞれに関連するデータベースから、（ａ）前記企業から前記納入業者に支払われるべき残高を取得し、これにより前記納入業者に対する借入残高を生成し、かつ（ｂ）支払期日を過ぎた前記借入残高の額を取得し、これにより前記納入業者に対する支払期日を過ぎた残高を生成することと、
   前記企業による前記複数の納入業者に対する借入合計を計算し、これにより借入残高合計を生成することと、
   前記納入業者ごとに、（ｂ）前記納入業者に対する前記借入残高に対する（ａ）前記納入業者に対する支払期日を過ぎた前記残高を計算し、これにより前記納入業者に対する対応する不履行率を生成することと、
   前記企業が、不履行率の閾値よりも高い、対応する不履行率を有する前記納入業者のそれぞれに関して不良の信用リスクであることを指定し、これによりアカウントが不良であると指定された納入業者のセットを生成することと、
   アカウントが不良であると指定された前記納入業者のセットに対する借入額合計を計算し、これにより不適切な締高を生成することと、
   （ｂ）前記借入残高に対する（ａ）前記不適切な締高の比率を計算し、これにより「不良」の重みを生成することと、
   前記「不良」の重みを前記データセットにおいて独立変数として含むことと、
   前記データセットを回帰分析し、これによりモデルを生成することと、
   前記企業の信用力スコアの計算に前記モデルを利用することと、
   を含む操作を実行する、方法。
2. 前記整合させることはまた、前記整合が正しいという信頼度のレベルを示すコードを生成し、
   前記操作はまた、
   前記コードを前記ログに保存することと、
   （ａ）前記ログにおいて前記固有の識別子を含み、かつ（ｂ）前記信頼度のレベルが特定の信頼度のレベル閾値以上であることを指示する信号量を計数し、これにより前記固有の識別子に対する信頼度のある整合のカウントを生成することと、
   前記データセットにおける独立変数として前記固有の識別子に対する前記信頼度のある整合のカウントを含むことと
   を含む、請求項１に記載の方法。
3. プロセッサと、
   前記プロセッサにより可読の命令であって、
   データソースから電子通信により企業の記述子を受信し、
   前記記述子をデータベースのデータと整合させ、これにより整合を生成し、前記データは、前記企業の固有の識別子を含み、
   前記固有の識別子と前記整合の生成された前記整合に対応する時間を含む信号を、ログに保存し、
   前記固有の識別子を含み、かつ前記対応する時間が特定のある期間に属することを示す、前記ログにおける信号量を計数し、これにより前記固有の識別子の信号数を生成し、
   データセットに独立変数として前記信号数を含め、
   前記企業の複数の納入業者のそれぞれに関連するデータベースから、（ａ）前記企業から前記納入業者へ支払うべき残高を取得し、これにより前記納入業者に対する借入残高を生成し、かつ（ｂ）支払期日を過ぎた前記借入残高の額を取得し、これにより前記納入業者に対する支払期日を過ぎた残高を生成し、
   前記複数の納入業者に対する前記企業による借入合計を計算し、これにより借入残高合計を計算し、
   前記納入業者ごとに、（ｂ）前記納入業者に対する前記借入残高に対する（ａ）前記納入業者に対する支払期日を過ぎた前記残高の比率を計算し、これにより前記納入業者に対する対応する不履行率を生成し、
   前記企業が、不履行率閾値よりも高い、対応する不履行率を有する前記納入業者のそれぞれに関して不良の信用リスクであることを指定し、これによりアカウントが不良と指定された納入業者のセットを生成し、
   前記アカウントが不良と指定された前記納入業者のセットに対する借入額合計を計算し、これにより不適切な締高を生成し、
   （ｂ）前記借入残高合計に対する（ａ）前記不適切な締高の比率を計算し、これにより「不良」の重みを生成し、
   前記データセットにおいて独立変数として前記「不良」の重みを含み、
   前記データセットを回帰分析し、これによりモデルを生成し、
   前記企業の信用力スコアの計算に前記モデルを利用する、メモリと、
   を備えるシステム。
4. 前記整合を実行する前記命令はまた、前記プロセッサを制御して、
   前記整合が正しいという信頼度のレベルを指示するコードを生成し、
   前記命令はまた、前記プロセッサを制御して、
   前記コードを前記ログに保存し、
   （ａ）前記固有の識別子を前記ログに含み、かつ（ｂ）前記信頼度のレベルが特定の信頼度レベルの閾値以上であることを指示する信号量を計数し、これにより前記固有の識別子に対する信頼度の整合のカウントを生成し、
   前記データセットにおける独立変数として前記固有の識別子に対する前記信頼度の整合の前記カウントを含む、
   請求項３に記載のシステム。
5. コンピュータに、プロセッサを制御して、
   データソースから電子通信により企業の記述子を受信し、
   前記記述子をデータベースのデータと整合させ、これにより整合を生成し、前記データは、前記企業の固有の識別子を含み、
   前記固有の識別子と前記整合の生成された前記整合に対応する時間を含む信号を、ログに保存し、
   前記固有の識別子を含み、かつ前記対応する時間が特定のある期間に属することを示す、前記ログにおける信号量を計数し、これにより前記固有の識別子の信号数を生成し、
   データセットに独立変数として前記信号数を含め、
   前記企業の複数の納入業者のそれぞれに関連するデータベースから、（ａ）前記企業から前記納入業者へ支払うべき残高を取得し、これにより前記納入業者に対する借入残高を生成し、かつ（ｂ）支払期日を過ぎた前記借入残高の額を取得し、これにより前記納入業者に対する支払期日を過ぎた残高を生成し、
   前記複数の納入業者に対する前記企業による借入合計を計算し、これにより借入残高合計を生成し、
   前記納入業者ごとに、（ｂ）前記納入業者に対する前記借入残高に対する（ａ）前記納入業者に対する支払期日を過ぎた前記残高の比率を計算し、これにより前記納入業者に対する対応する不履行率を生成し、
   前記企業が、不履行率閾値よりも高い、対応する不履行率を有する前記納入業者のそれぞれに関して不良の信用リスクであることを指定し、これによりアカウントが不良と指定された納入業者のセットを生成し、
   前記アカウントが不良と指定された前記納入業者のセットに対する借入額合計を計算し、これにより不適切な締高を生成し、
   （ｂ）前記借入残高合計に対する（ａ）前記不適切な締高の比率を計算し、これにより「不良」の重みを生成し、
   前記データセットにおいて独立変数として前記「不良」の重みを含み、
   前記データセットを回帰分析し、これによりモデルを生成し、
   前記企業の信用力スコアの計算に前記モデルを利用する、
   操作を実行させるプログラムを記録した記録媒体。
6. 前記整合を実行する前記命令はまた、前記プロセッサを制御して、前記整合が正しいという信頼度のレベルを指示するコードを生成し、
   前記命令はまた、前記プロセッサを制御して、
   前記コードを前記ログに保存し、
   （ａ）前記固有の識別子を前記ログに含み、かつ（ｂ）前記信頼度のレベルが特定の信頼度レベルの閾値以上であることを指示する信号量を計数し、これにより前記固有の識別子に対する信頼度の整合のカウントを生成し、
   前記データセットにおける独立変数として前記固有の識別子に対する前記信頼度の前記整合のカウントを含む、請求項５に記載の記憶装置。
7. コンピュータに請求項１〜４のいずれか一項に記載の操作を実行させるためのプログラム。

Images