KR102084389B1 - 기업평가방법 및 시스템 - Google Patents

기업평가방법 및 시스템 Download PDF

Info

Publication number
KR102084389B1
KR102084389B1 KR1020190072239A KR20190072239A KR102084389B1 KR 102084389 B1 KR102084389 B1 KR 102084389B1 KR 1020190072239 A KR1020190072239 A KR 1020190072239A KR 20190072239 A KR20190072239 A KR 20190072239A KR 102084389 B1 KR102084389 B1 KR 102084389B1
Authority
KR
South Korea
Prior art keywords
value
label
companies
variable
company
Prior art date
Application number
KR1020190072239A
Other languages
English (en)
Inventor
박강희
김은선
최윤정
Original Assignee
한국과학기술정보연구원
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 한국과학기술정보연구원 filed Critical 한국과학기술정보연구원
Priority to KR1020190072239A priority Critical patent/KR102084389B1/ko
Application granted granted Critical
Publication of KR102084389B1 publication Critical patent/KR102084389B1/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
    • 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
    • G06Q10/103—Workflow collaboration or project management

Landscapes

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

Abstract

기술평가방법 및 시스템이 제공된다. 상기 기술평가방법은 컴퓨팅 장치에 의해서 수행되는 기업평가방법에 있어서, 다수의 기업 각각에 대한 제1 내지 제n 프로파일링 변수값(단, n은 2이상의 자연수)을 생성하되, 상기 각 프로파일링 변수값은 다수의 재무비율 변수값을 이용하여 생성되는 단계; 상기 다수의 기업 중에서, 제1 프로파일링 변수값을 기준으로, 최상위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제1 레이블값을 부여하는 단계; 상기 다수의 기업 중에서, 상기 다수의 재무비율 변수값 중에서 기설정된 재무비율 변수값을 기준으로, 최하위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제2 레이블값을 부여하는 단계; 및 상기 제1 내지 제n 프로파일링 변수값, 상기 제1 레이블 및 상기 제2 레이블을 이용하여 상기 다수의 기업에 대한 준지도 학습을 수행하여, 상기 다수의 기업 각각에 대해서 상기 제1 레이블값과 상기 제2 레이블값 사이의 제1 추론 레이블값을 부여하는 단계를 포함한다.

Description

기업평가방법 및 시스템{COMPANY EVALUATION SYSTEM AND EVALUATION METHOD THEREFOR}
본 발명은 기업평가방법 및 시스템에 관한 것으로, 더 자세하게는 기계학습 알고리즘을 활용한 기업평가방법 및 시스템을 제공하는 것이다.
기술사업화 지원기업 선정에 있어서, 기존에는 전문가 심사나 현장평가 등의 정성적 방법과 기업 정보 등의 정량적 방법이 함께 사용되고 있다. 여기서, 정성적 방법은 주관적이며 일관성이 부족하기 때문에, 명확하고 과학적인 기준이 요구된다.
대한민국 등록특허공보 제10-1908353호 (2018년10월10일 공고)
본 발명이 해결하고자 하는 과제는, 데이터 분석을 기반으로 명확하고 과학적인 방식으로 기업을 평가하는 기업평가방법을 제공하는 것이다.
본 발명이 해결하고자 하는 과제는, 데이터 분석을 기반으로 명확하고 과학적인 방식으로 기업을 평가하는 기업평가시스템을 제공하는 것이다.
본 발명의 과제는 이상에서 언급한 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 과제를 달성하기 위한 본 발명의 기업평가방법의 일 면(aspect)은, 컴퓨팅 장치에 의해서 수행되는 기업평가방법에 있어서, 다수의 기업 각각에 대한 제1 내지 제n 프로파일링 변수값(단, n은 2이상의 자연수)을 생성하되, 상기 각 프로파일링 변수값은 다수의 재무비율 변수값을 이용하여 생성되는 단계; 상기 다수의 기업 중에서, 제1 프로파일링 변수값을 기준으로, 최상위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제1 레이블값을 부여하는 단계; 상기 다수의 기업 중에서, 상기 다수의 재무비율 변수값 중에서 기설정된 재무비율 변수값을 기준으로, 최하위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제2 레이블값을 부여하는 단계; 및 상기 제1 내지 제n 프로파일링 변수값, 상기 제1 레이블 및 상기 제2 레이블을 이용하여 상기 다수의 기업에 대한 준지도 학습을 수행하여, 상기 다수의 기업 각각에 대해서 상기 제1 레이블값과 상기 제2 레이블값 사이의 제1 추론 레이블값을 부여하는 단계를 포함한다.
여기서, 상기 다수의 기업 중에서, 제2 프로파일링 변수값을 기준으로, 최상위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제3 레이블값을 부여하는 단계와, 상기 다수의 기업 중에서, 상기 다수의 재무비율 변수값 중에서 기설정된 재무비율 변수값을 기준으로, 최하위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제4 레이블값을 부여하는 단계와, 상기 제1 내지 제n 프로파일링 변수값, 상기 제3 레이블 및 상기 제4 레이블을 이용하여 상기 다수의 기업에 대한 준지도 학습을 수행하여, 상기 다수의 기업 각각에 대해서 상기 제3 레이블값과 상기 제4 레이블값 사이의 제2 추론 레이블값을 부여하는 단계를 더 포함한다.
여기서, 상기 제1 추론 레이블값과 상기 제2 추론 레이블값을 이용하여, 상기 다수의 기업 각각에 대한 평가결과를 산출하되, 상기 평가결과는 기업에 대한 점수, 순위, 등급 중 적어도 하나를 포함하는 단계를 더 포함한다.
여기서, 상기 평가결과를 산출하는 단계는, 상기 제1 내지 제n 프로파일링 변수값에 대한 가중치를 제공받고, 가중치를 반영하여 상기 다수의 기업 각각에 대한 평가결과를 산출한다.
여기서, 상기 제1 추론 레이블값과 상기 제2 추론 레이블값을 이용하여, 상기 다수의 기업 사이의 유사도를 나타내는 제1 기업 네트워크를 생성하는 단계를 더 포함한다.
여기서, 상기 제1 기업 네트워크를 이용하여, 신규기업과의 유사도가 제1 기준값보다 높은, 적어도 하나의 제1 기업을 선정하는 단계와, 상기 선정된 제1 기업의 평가결과를 기초로 상기 신규기업의 평가결과를 추정하는 단계를 더 포함한다.
여기서, 상기 신규기업과의 유사도가 상기 제1 기준값보다 높은 제1 기업을 선정하는 단계는, 상기 제1 프로파일링 변수값에 가장 높은 영향을 주는 제1 재무비율 변수값을 선정하고, 상기 제2 프로파일링 변수값에 가장 높은 영향을 주는 제2 재무비율 변수값을 선정하고, 상기 제1 재무비율 변수값과 상기 제2 재무비율 변수값을 이용하여, 상기 다수의 기업 사이의 유사도를 나타내는 제2 기업 네트워크를 생성하고, 상기 제2 기업 네트워크를 이용하여, 신규기업과의 유사도가 상기 제1 기준값보다 높은 상기 적어도 하나의 제1 기업을 선정하고, 선정된 상기 제1 기업이, 상기 제1 기업 네트워크에서도 상기 신규기업과의 유사도가 상기 제1 기준값보다 높은 것으로 간주하는 것을 포함한다.
여기서, 다수의 기업 각각에 대한 제1 내지 제n 프로파일링 변수값을 생성하는 단계는, 상관분석 및 군집분석 중 적어도 하나를 이용하여 서로의 상관관계가 제2 기준값보다 높은 다수의 재무비율변수를 그룹핑하여, 제1 내지 제n 재무비율변수그룹을 생성하고, 주성분분석을 이용하여 상기 제1 내지 제n 재무비율변수그룹 각각에 대응되는 제1 내지 제n 프로파일링 변수를 생성하되, 상기 각 프로파일링 변수는 대응되는 재무비율변수그룹 내의 다수의 재무비율변수를 기초로 생성된다. 상기 제1 내지 제n 프로파일링 변수 중 어느 하나는, 영업효율성, 보상탄력성, 재무건전성, 기업수익성, 자본활용성, 생산효율성 중 어느 하나이다.
여기서, 상기 제2 레이블값을 부여하는 단계는, 수익성 측면에서, 이자보상비율이 100% 미만이거나, 유동성 측면에서, 영업활동현금흐름이 마이너스이거나, 안정성 측면에서, 자본잠식상태인 기업에 대해서, 제2 레이블값을 부여한다.
상기 다른 과제를 달성하기 위한 본 발명의 기업평가시스템의 일 면(aspect)은, 프로세서; 및 메모리를 포함하되, 상기 메모리는 상기 프로세서가 다수의 기업 각각에 대한 제1 내지 제n 프로파일링 변수값(단, n은 2이상의 자연수)을 생성하되, 상기 각 프로파일링 변수값을 다수의 재무비율 변수값을 이용하여 생성하고, 상기 다수의 기업 중에서, 제1 프로파일링 변수값을 기준으로, 최상위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제1 레이블값을 부여하고, 상기 다수의 기업 중에서, 상기 다수의 재무비율 변수값 중에서 기설정된 재무비율 변수값을 기준으로, 최하위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제2 레이블값을 부여하고, 상기 제1 내지 제n 프로파일링 변수값, 상기 제1 레이블 및 상기 제2 레이블을 이용하여 상기 다수의 기업에 대한 준지도 학습을 수행하여, 상기 다수의 기업 각각에 대해서 상기 제1 레이블값과 상기 제2 레이블값 사이의 제1 추론 레이블값을 부여하되, 상기 제2 레이블값을 부여하는 것은, 상기 다수의 재무비율 변수값 중에서 이자보상비율이 100% 미만이거나, 영업활동현금흐름이 마이너스이거나, 자본잠식상태인 기업에 대해서, 제2 레이블값을 부여하는, 인스트럭션들(instructions)을 저장한다.
여기서, 상기 메모리는 상기 프로세서가 상기 다수의 기업 중에서, 제2 프로파일링 변수값을 기준으로, 최상위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제3 레이블값을 부여하고, 상기 다수의 기업 중에서, 상기 다수의 재무비율 변수값 중에서 기설정된 재무비율 변수값을 기준으로, 최하위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제4 레이블값을 부여하고, 상기 제1 내지 제n 프로파일링 변수값, 상기 제3 레이블 및 상기 제4 레이블을 이용하여 상기 다수의 기업에 대한 준지도 학습을 수행하여, 상기 다수의 기업 각각에 대해서 상기 제3 레이블값과 상기 제4 레이블값 사이의 제2 추론 레이블값을 부여하는, 인스트럭션들을 더 저장한다.
여기서, 상기 메모리는 상기 프로세서가 상기 제1 추론 레이블값과 상기 제2 추론 레이블값을 이용하여, 상기 다수의 기업 각각에 대한 평가결과를 산출하되, 상기 제1 내지 제n 프로파일링 변수값에 대한 가중치를 제공받고, 상기 가중치를 반영하여 상기 다수의 기업 각각에 대한 평가결과를 산출하는, 인스트럭션들을 더 저장한다.
여기서, 상기 메모리는 상기 프로세서가 상기 제1 추론 레이블값과 상기 제2 추론 레이블값을 이용하여, 상기 다수의 기업 사이의 유사도를 나타내는 제1 기업 네트워크를 생성하고, 상기 제1 기업 네트워크를 이용하여, 신규기업과의 유사도가 제1 기준값보다 높은, 적어도 하나의 제1 기업을 선정하고, 상기 선정된 제1 기업의 평가결과를 기초로 상기 신규기업의 평가결과를 추정하는, 인스트럭션들을 더 저장한다.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
도 1은 본 발명의 몇몇 실시예에 따른 기업평가방법을 설명하기 위한 순서도이다.
도 2는 도 1의 S10 단계(다수의 프로파일링 변수값 생성 단계)를 구체적으로 설명하기 위한 순서도이다.
도 3은 본 발명의 몇몇 실시예에 따른 기업평가방법에서 사용되는 프로파일링 변수의 예를 설명하는 도면이다.
도 4는 도 2 및 도 3을 이용하여 설명한 프로파일링 변수를 이용하여 다수의 기업을 분석한 결과이다.
도 5는 도 1의 S20 단계(다수의 기업에 레이블값 부여 단계)를 구체적으로 설명하기 위한 순서도이다.
도 6은 S20 단계의 결과를 설명하기 위한 개념도이다.
도 7은 도 1의 S30 단계에서 사용되는 제1 기업 네트워크를 설명하기 위한 도면이다.
도 8은 신규기업 평가방법을 설명하기 위한 도면이다.
도 9는 본 발명의 몇몇 실시예에 따른 기업평가시스템을 설명하기 위한 순서도이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
본 명세서에서, "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, 하드웨어적 또는 소프트웨어적으로 "~에 적합한," "~하는 능력을 가지는," "~하도록 변경된," "~하도록 만들어진," "~를 할 수 있는," 또는 "~하도록 설계된"과 상호 호환적으로(interchangeably) 사용될 수 있다. 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(예: CPU 또는 application processor)를 의미할 수 있다.
본 발명의 몇몇 실시예에 따른 기업평가방법은 기업평가시스템에 의해서 수행되고, 기업평가시스템은 적어도 하나의 컴퓨팅 장치로 구현된다.
컴퓨팅 장치는 예를 들어, 적어도 하나의 서버(예를 들어, 웹 서버, 어플리케이션 서버, 데이터베이스 서버, 보안 관리 서버, 통신 서버, 터미널 서버 등 다양한 형태의 서버)에 의해서 구현될 수 있으나, 이에 한정되지 않는다. 컴퓨팅 장치는 중앙 관리형 데이터 저장환경으로 구현될 수도 있고, 분산 데이터 저장환경으로 구현될 수도 있다.
또는, 컴퓨팅 장치는 예를 들면, 데스크탑 PC, 랩탑 PC, 넷북 컴퓨터, 워크스테이션, PDA, PMP(portable multimedia player), 스마트폰, 태블릿 PC, 이동 전화기, 영상 전화기, 전자책 리더기, MP3 플레이어, 의료기기, 카메라, 또는 웨어러블 장치 중 적어도 하나를 포함할 수 있다. 여기서, 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드 또는 문신), 또는 생체 이식형 회로 중 적어도 하나를 포함할 수 있다. 또는, 컴퓨팅 장치는 예를 들면, 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스, 홈 오토메이션 컨트롤 패널, 보안 컨트롤 패널, 미디어 박스(예: 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(예: XboxTM, PlayStationTM), 전자 사전, 전자 키, 캠코더, 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
또는, 컴퓨팅 장치는 각종 의료기기(예: 각종 휴대용 의료측정기기(혈당 측정기, 심박 측정기, 혈압 측정기, 또는 체온 측정기 등), MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 또는 초음파기 등), 네비게이션 장치, 위성 항법 시스템(GNSS(global navigation satellite system)), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트 장치, 선박용 전자 장비(예: 선박용 항법 장치, 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛(head unit), 산업용 또는 가정용 로봇, 드론(drone), 금융 기관의 ATM, 상점의 POS(point of sales), 또는 사물 인터넷 장치 (예: 전구, 각종 센서, 스프링클러 장치, 화재 경보기, 온도조절기, 가로등, 토스터, 운동기구, 온수탱크, 히터, 보일러 등) 중 적어도 하나를 포함할 수 있다. 어떤 실시예에 따르면, 컴퓨팅 장치는 가구, 건물/구조물 또는 자동차의 일부, 전자 보드(electronic board), 전자 사인 수신 장치(electronic signature receiving device), 프로젝터, 또는 각종 계측 기기(예: 수도, 전기, 가스, 또는 전파 계측 기기 등) 중 적어도 하나를 포함할 수 있다. 또는, 컴퓨팅 장치는 플렉서블하거나, 또는 전술한 다양한 장치들 중 둘 이상의 조합일 수 있다. 본 문서의 실시예에 따른 컴퓨팅 장치는 전술한 기기들에 한정되지 않는다. 본 문서에서, 사용자/평가자/전문가라는 용어는 컴퓨팅 장치를 사용하는 사람 또는 컴퓨팅 장치를 사용하는 장치(예: 인공지능 컴퓨팅 장치)를 지칭할 수 있다. 　
이하, 첨부한 도면들을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어 도면 부호에 상관없이 동일하거나 대응하는 구성 요소는 동일한 참조번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 몇몇 실시예에 따른 기업평가방법을 설명하기 위한 순서도이다.
도 1은 참고하면, 다수의 프로파일링 변수값을 생성한다(S10).
구체적으로, 다수의 기업 각각에 대한 제1 내지 제n 프로파일링 변수값(단, n은 2이상의 자연수)을 생성하되, 각 프로파일링 변수값은 다수의 재무비율 변수값을 이용하여 생성된다. 예를 들어, 상관분석 및 군집분석 중 적어도 하나를 이용하여 서로 상관관계가 높은 다수의 재무비율변수를 그룹핑하여 제1 내지 제n 재무비율변수그룹을 생성하고, 주성분분석을 이용하여 제1 내지 제n 재무비율변수그룹 각각에 대응되는 제1 내지 제n 프로파일링 변수를 생성하되, 각 프로파일링 변수는 대응되는 재무비율변수그룹 내의 다수의 재무비율변수를 기초로 생성된다. 제1 내지 제n 프로파일링 변수 중 어느 하나는, 영업효율성, 보상탄력성, 재무건전성, 기업수익성, 자본활용성, 생산효율성 중 어느 하나일 수 있다. 추가적으로, 기술잠재성도 포함될 수 있다. 다수의 프로파일링 변수값을 생성하는 방법에 대해서는 도 2 내지 도 4, 표 1 내지 표 3를 이용하여 구체적으로 후술한다.
이어서, 생성된 다수의 프로파일링 변수값을 기준으로, 다수의 기업에 대해서 레이블값 부여한다(S20).
예를 들어, 다수의 기업 중에서, 제1 프로파일링 변수값(예를 들어, 영업효율성)을 기준으로, 최상위 영역(예를 들어, 상위 1% 이내)에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제1 레이블값을 부여하고, 다수의 재무비율 변수값 중에서 기설정된 재무비율 변수값(예를 들어, 수익성, 유동성, 안정성 관련된 재무비율 변수값)을 기준으로, 최하위 영역(예를 들어, 하위 1%)에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제2 레이블값을 부여할 수 있다. 이어서, 제1 내지 제n 프로파일링 변수값, 제1 레이블 및 제2 레이블을 이용하여 다수의 기업에 대한 준지도 학습을 수행하여, 다수의 기업 각각에 대해서 제1 레이블값과 제2 레이블값 사이의 추론 레이블값을 부여할 수 있다. 전술한 방식으로, 다른 프로파일링 변수값(예를 들어, 보상탄력성)을 기준으로 제3 레이블값을 부여하여 준지도 학습을 수행할 수 있다. 이러한 레이블값 부여 방법에 대해서는 도 5 및 도 6, 표 4를 이용하여 구체적으로 후술한다.
이어서, 부여된 레이블값을 기초로, 적어도 하나의 기업에 대한 평가를 수행한다(S30).
부여된 레이블값을 기초로 한 기업 평가 방법은 다양하지만, 예를 들어, 스코어링(scoring) 방법, 유사기업 선정 방법, 신규기업 평가 방법 등이 있을 수 있다. 이에 대해서는 도 7 및 도 8, 표 5 내지 표 8을 이용하여 구체적으로 후술한다.
도 2는 도 1의 S10 단계(다수의 프로파일링 변수값 생성 단계)를 구체적으로 설명하기 위한 순서도이다.
도 2를 참조하면, 상관분석 또는 군집분석을 이용하여, 서로 상관관계가 높은 다수의 재무비율변수를 그룹핑하여 제1 내지 제n(단, n은 2이상의 자연수) 재무비율변수그룹(FRG1~FRG5)을 생성한다(S12).
구체적으로 설명하면, 기업정보 데이터베이스(예를 들어, 기업평가정보회사(예를 들어, NICE 평가정보 등)에서 제공하는 데이터)로부터 다수의 재무비율 변수값을 제공받는다. 재무비율 변수값 이외의 다른 정보, 예를 들어, 재무상태표, 현금흐름표, 손익계산서, 신용평점, 재무평점 등은 부가적으로(참고적으로) 사용될 수 있다.
재무비율 변수는 기업의 주요 재무정보를 정리하여 간결한 수치로 나타낸 변수이다. 재무비율 변수는 비율로 표현되어 기업 규모나 업종에 관계없이 공통된 단위로 분석이 가능하다. 예를 들어, 재무비율 변수는 [표 1]에 기재된 것과 같이, 6개의 카테고리로 구분될 수 있다.
[표 1]
Figure 112019062232313-pat00001
성장성에 관한 지표는 예를 들어, 총자산증가율, 유동자산증가율, 유형자산증가율, 자기자본증가율, 재고자산증가율 등을 포함한다. 손익의 관계비율은 예를 들어, 총자본영업이익율, 매출액영업이익율, 영업이익이자보상비율, 총자본순이익율 등을 포함한다. 자산자본의 관계비율은 예를 들어, 자기자본비율, 유동비율, 당좌비율, 현금비율 등을 포함한다. 자산자본의 회전율은 예를 들어, 총자본회전율, 비유동자산회전율, 자기자본회전율, 유형자산회전율 등을 포함한다. 생산성에 관한 지표는 예를 들어, 부가가치(종업원1인당), 매출액(종업원1인당), 인건비(종업원1인당), 총자본투자효율, 설비투자효율 등을 포함한다. 부가가치의 구성은 예를 들어, 법인세차감전순이익(구성비), 금융비용(구성비), 인건비(구성비), 감가상각비(구성비) 등을 포함한다.
제공받은 다수의 재무비율 변수값을 기초로, 서로 연관성이 높은 재무비율 변수끼리 그룹핑한다. 이렇게 그룹핑된 재무비율 변수는 기업정보를 압축적/요약적으로 표현할 수 있다. 그룹핑하는 방법으로 상관분석(correlation analysis) 및 군집 분석(cluster analysis) 중 적어도 하나가 이용될 수 있다. 상관분석은 두 변수 사이에 어떤 선형적 관계를 갖고 있는지를 분석하는 방법으로, 두 변수간의 관계의 강도를 상관계수로 나타내는 방법이다. 군집분석은 변수들이 속한 범주에 대한 사전정보가 없는 경우에 수행하는 비지도학습(unsupervised learning)의 일종으로 관측값들 사이의 거리(또는 유사성)을 이용하여 변수들을 자연스럽게 몇 개의 그룹 또는 군집으로 나누는 방법이다.
상관분석 및 군집분석 중 적어도 하나를 이용하여, 다수의 재무비율변수그룹(FRG1~FRG5)을 생성한다. 도 2에서는 예시적으로 5개의 재무비율변수그룹(FRG1~FRG5)을 생성하는 것으로 도시하였으나, 이에 한정되지 않는다. 4개 이하의 재무비율변수그룹이 생성될 수도 있고, 6개 이상의 재무비율변수그룹이 생성될 수도 있다.
한편, 상관분석 또는 군집분석의 수행결과, 높은 연관성을 보이는 재무비율변수들도 있고, 특별한 연관성을 보이지 않는 재무비율변수들도 있을 수 있다. 이러한 경우, 특별한 연관성을 보이지 않는 재무비율변수들은 배제하고 높은 연관성을 보이는 재무비율변수들만을 이용하여 재무비율변수그룹(FRG1~FRG5)을 생성한다.
전술한 분석방법을 이용하여, 본 발명자는 [표 2]와 같은, 6개의 재무비율변수그룹을 생성하였다. 여기서, 각 그룹에 속하는 재무비율변수는 예시적인 것이고, 권리범위가 이에 한정되지 않는다.
[표 2]
Figure 112019062232313-pat00002
이어서, 주성분분석(principal component analysis)을 이용하여, 제1 내지 제n(단, n은 2이상의 자연수) 재무비율변수그룹(FRG1~FRG5) 각각에 대응되는 제1 내지 제n 프로파일링 변수(PF1~PF5)를 생성한다(S14).
구체적으로, 주성분분석은 상관관계가 있는 다차원의 데이터를 저차원의 데이터로 요약하는 방법이다. 예를 들어, 다차원의 데이터를 2차원의 데이터로 변환할 수 있다. 다차원의 데이터를 한 개의 축으로 사상시켰을 때 분산이 가장 커지는 축을 첫 번째 좌표축으로, 두 번째로 커지는 축을 두 번째 좌표축으로 결정한다. 다차원의 데이터를 첫번째 좌표축, 두번째 좌표축이 이루는 평면으로 사상시킨다.
또는, 다차원의 데이터를 1차원의 데이터로 변환할 수 있다. 본 명세서에서는 예시적으로 1개의 차원으로 변환하였다. 이와 같이 1차원으로 변환된 데이터는 프로파일링 변수값이 된다. 정리하면, [표 2]의 재무비율변수그룹 각각은 [표 3]의 프로파일링 변수로 생성된다. 즉, [표 2]의 그룹1에 속하는 재무비율변수(수지비율, 금융비용/매출액비율, 차입금/매출액비율, 매출원가율, 부가가치율)를 기초로, [표 3]의 "영업효율성" 이라는 프로파일링 변수가 생성된다(각 프로파일링 변수의 명칭은 각 변수의 의미를 고려하여 본 발명자에 의해 부여됨).
[표 3]
Figure 112019062232313-pat00003
각 프로파일링 변수의 의미는 다음과 같다.
영업효율성은 매출액을 기준으로 영업활동에 소요되는 비용이나 원가 등을 나타내는 변수이고, 이를 통해서 영업활동의 효율성을 파악할 수 있다.
보상탄력성은 이자보상비율을 활용하여 부채에 기반한 이익발생을 의미한다. 이를 통해서 부족한 자본을 부채로 충당하였을 때, 발생하는 영업이익을 파악할 수 있다. 즉, 부채 상환 및 이자보상에 대한 탄력성을 나타낸다.
재무건전성은 부채비율 및 차입금이 기준이 된다. 이를 통해서 채무 지불능력(유동성)과 경기대응능력(안정성)을 파악할 수 있다. 즉, 기업 재무상태의 건전성을 대표한다.
기업수익성을 통해서 매출액순이익율이나 매출액영업이익율 등을 활용하여 영업활동으로 발생하는 매출액이 실제로 영업이익을 낳는지 파악할 수 있다. 이는 영업, 생산 등의 전체적인 기업활동에서 수익성으로 연결되는 지표로 활용한다.
자본활용성은 자기자본순이익율이나 총자본순이익율 등을 활용하여 자본에 기반한 이익발생을 나타낸다. 이를 통해서 기업활동에서 자본으로부터 발생하는 유동성, 안정성, 수익성 등을 파악할 수 있다.
생산효율성은 생산활동에서 발생하는 이익과 부가가치 등을 종업원1인 기준으로 반영 자본의 회전율과 이익을 반영한다.
그런데, 기업을 평가하는 데 있어서, 재무상황 뿐만 아니라 기술의 성장잠재성도 고려될 수 있다. 그런데, 전술한 프로파일링 변수를 생성하는 데 사용된 재무비율변수들은, 기술의 성장잠재성을 예상하기는 어려운 변수들이다. 따라서, 연구개발 현황을 나타내는 변수인 경상연구개발비를 이용하여 추가적으로 재무비율변수 및 재무비율변수그룹을 생성한다. 경상연구개발비는 기업의 연구개발이 수행되는 부서에서 경상적으로 발생하는 경비 등의 비용을 의미한다. 현재 제조 중인 제품이나, 생산방법, 제조기술의 개선을 위하여 경상적으로 지출한 비용들이 경상연구개발비로 처리된다. 추가적으로 생성된 재무비율변수는, 경상연구개발비/매출액, 경상연구개발비/영업이익, 경상연구개발비/인건비(1인당)이고, 이들을 이용하여 새로운 프로파일링 변수인 '기술잠재성'을 생성한다. 특정 기업을 평가할 때, 평가 목적에 따라 다른 프로파일링 변수와 함께 기술잠재성을 같이 사용할 수도 있고 사용하지 않을 수도 있다. 이하에서는, 다른 프로파일링 변수와 함께 기술잠재성도 같이 사용하는 것으로 설명한다.
도 3은 본 발명의 몇몇 실시예에 따른 기업평가방법에서 사용되는 프로파일링 변수의 예를 설명하는 도면이다.
도 3에 도시된 것과 같이, 사용되는 프로파일링 변수는, 영업효율성, 보상탄력성, 재무건전성, 기업수익성, 자본활용성, 생산효율성, 기술잠재성을 이용하여 기업을 평가한다.
도 4는 도 2 및 도 3을 이용하여 설명한 프로파일링 변수를 이용하여 다수의 기업을 분석한 결과이다.
도 4은 프로파일링 변수 각각을 기준으로 선별된 우량기업이 도시된다.
x축은 기업이고, y축은 프로파일링 변수값을 의미한다. 그리고 x축의 아래에는, 각 기업의 프로파일링 변수값이 표시하였다. 설명의 편의를 위해서 프로파일링 변수값이 상위 1% 이내에 속하면 ●로, 그렇지 않으면 ○로 표시하였다. 물론, 프로파일링 변수값이 숫자로 표시되어도 무방하다. 예를 들어, 기업(E1, E2)의 모든 프로파일링 변수값은 상위 1% 이내에 속하지 않는다. 기업(E11, E12, E13, E14)의 경우 영업효율성에 대응되는 값이 상위 1% 이내에 속하고, 기업(E21, E22, E23, E24)의 경우 보상탄력성에 대응되는 값이 상위 1% 이내에 속하고, 기업(E31, E32, E33, E34)의 경우 기술잠재성에 대응되는 값이 상위 1% 이내에 속한다.
그래프(PFa)는 각 기업의 영업효율성에 대응되는 값을 연결한 것이고, 그래프(PFb)는 각 기업의 보상탄력성에 대응되는 값을 연결한 것이고, 그래프(PFc)는 각 기업의 기술잠재성에 대응되는 값을 연결한 것이다.
도 4를 참조하면, 영업효율성 면에서 우량한 기업(E11, E12, E13, E14), 보상탄력성 면에서 우량한 기업(E21, E22, E23, E24), 기술잠재성 면에서 우량한 기업(E31, E32, E33, E34)은 서로 겹치지 않음을 확인할 수 있다. 즉, 본 발명의 몇몇 실시예에 따른 기업평가방법에서 사용되는 다수의 프로파일링 변수는, 서로 독립적으로(즉, 서로에게 종속되지 않도록) 다수의 기업을 평가하는 팩터(factor)임을 알 수 있다. 다르게 설명하면, 다수의 프로파일링 변수를 이용하면 기업을 다면적으로(다양한 측면으로) 고르게 평가할 수 있다.
도 5는 도 1의 S20 단계(다수의 기업에 레이블값 부여 단계)를 구체적으로 설명하기 위한 순서도이다. 도 6은 S20 단계의 결과를 설명하기 위한 개념도이다.
우선 도 5를 참조하면, 다수의 기업 중에서, 제1 프로파일링 변수값을 기준으로, 최상위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제1 레이블값을 부여한다(S22).
구체적으로, 제1 프로파일링 변수값(예를 들어, 영업효율성)을 기준으로 최상위 영역에 해당하는 변수값을 갖는 기업에 기설정된 제1 레이블값(예를 들어, +1)을 부여할 수 있다. 제1 레이블값은 +1이 아니라, +10 또는 +100과 같이, 평가에 적절한 값으로 설정할 수 있다.
이어서, 다수의 기업 중에서, 다수의 재무비율 변수값 중에서 기설정된 재무비율 변수값을 기준으로, 최하위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제2 레이블값을 부여한다(S24).
구체적으로, 제1 프로파일링 변수값을 기준으로 하지 않고, 기설정된 재무비율 변수값을 기준으로, 최하위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제2 레이블값(예를 들어, -1)을 부여할 수 있다. 제2 레이블값은 -1이 아니라, -10 또는 -100과 같이, 평가에 적절한 값으로 설정할 수 있다.
제2 레이블값을 부여받는 기업은, 기업존속에 반드시 필요한 수익성, 유동성, 안정성 중 적어도 하나에 이상이 있는 기업일 수 있다. 더 구체적으로, 수익성 측면에서 이자보상비율이 100% 미만이거나, 유동성 측면에서 영업활동현금흐름이 마이너스이거나, 안정성 측면에서 자본잠식상태인 기업에게 제2 레이블값(-1)을 부여할 수 있다. 평가 목적에 따라, 수익성, 유동성, 안정성 중 어느 하나에 이상이 있는 기업에 제2 레이블값을 부여할 수도 있고, 수익성, 유동성, 안정성 모두에 이상이 있는 기업에 제2 레이블값을 부여할 수도 있다.
이어서, 제1 내지 제n 프로파일링 변수값, 제1 레이블 및 제2 레이블을 이용하여 다수의 기업에 대한 준지도 학습(Semi-Supervised Learning, SSL)을 수행하여, 다수의 기업 각각에 대해서 제1 레이블값과 제2 레이블값 사이의 제1 추론 레이블값을 부여한다(S26). 여기서, "제1 레이블값과 제2 레이블값 사이"는 제2 레이블값보다 같거나 크고 제1 레이블값보다 같거나 작음의 의미한다.
구체적으로, 준지도학습은 기계학습의 한 범주로서, 레이블이 표시된 데이터와 레이블이 표시되지 않은 데이터를 모두 훈련에 사용하는 것을 의미한다. 준지도학습은 레이블이 표시된 데이터가 적고, 레이블이 표시되지 않은 데이터가 많은 경우에 주로 사용된다.
본 명세서의 예시에서, 제1 레이블 값을 부여받은 기업은 약 100개이고, 제2 레이블값을 부여받은 기업이 약 100개이고, 레이블값을 부여받지 않은 기업은 약 10,000개일 수 있다. 이러한 경우에, 준지도학습의 학습결과가 상당히 높을 수 있다. 준지도학습을 통해서, 약 10,000개의 기업에, 제1 프로파일링 변수를 기준으로 한 제1 추론 레이블값이 부여된다. 한편, 경우에 따라서, 준지도학습을 통해서 제1 레이블값(+1) 또는 제2 레이블값(-1)을 부여받은 기업(약 200(=100+100)개의 기업)의 레이블값도 변경될 수도 있다. 예를 들어, 제1 프로파일링 변수값(예를 들어, 영업효율성)을 기준으로 최상위 영역에 해당하지만, 나머지 프로파일링 변수값(예를 들어, 보상탄력성, 재무건전성 등)을 기준으로 최하위 영역에 해당하는 기업의 경우, 준지도학습에 의해서 레이블값이 변경될 수도 있다.
여기서, 도 6을 참조하면, 제1 프로파일링 변수값(예를 들어, 영업효율성)을 기준으로 기업2, 기업9는 최상위 영역에 위치하기 때문에, 기업2, 기업9에 제1 레이블값(+1)을 부여한다. 기설정된 재무비율 변수값(예를 들어, 안정성)을 기준으로 기업4, 기업6은 최하위 영역(자본잠식상태)에 위치하기 때문에, 기업4, 기업6에 제2 레이블값(-1)을 부여한다. 나머지 기업1, 기업3, 기업5, 기업7, 기업8, 기업10, 기업11, 기업12는 레이블값이 없는 상태이다.
이어서, 준지도학습을 통해서 기업1 내지 기업12에 추론 레이블값이 부여된다. 기업1 내지 기업12 모두 레이블값이 부여되기 때문에, 제1 프로파일링 변수값을 기준으로 순위, 등급, 점수 중 적어도 하나를 평가결과로 제시할 수 있다. 예를 들어, 도 6에 도시된 것과 같이, 기업2, 기업9, 기업11, 기업12, 기업1, 기업3, 기업5, 기업8, 기업10, 기업7, 기업4, 기업6 순서로 1등부터 12등까지 등수를 부여할 수 있다.
다시 도 5를 참조하면, 유사하게, 제1 프로파일링 변수값이 아닌 다른 프로파일링 변수값을 기준으로 준지도학습을 수행할 수도 있다.
즉, 다수의 기업 중에서, 제2 프로파일링 변수값(예를 들어, 보상탄력성)을 기준으로, 최상위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제3 레이블값(예를 들어, +1)을 부여한다.
이어서, 다수의 기업 중에서 다수의 재무비율 변수값 중에서 기설정된 재무비율 변수값을 기준으로, 최하위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제4 레이블값(예를 들어, -1)을 부여한다.
이어서, 제1 내지 제n 프로파일링 변수값, 제3 레이블(+1) 및 제4 레이블(-1)을 이용하여 다수의 기업에 대한 준지도 학습을 수행하여, 다수의 기업 각각에 대해서 제3 레이블값과 제4 레이블값 사이의 제2 추론 레이블값을 부여한다.
특히, 도 4를 이용하여 설명한 것과 같이, 제1 레이블값을 부여받는 기업(즉, 제1 프로파일링 변수값 기준으로 최상위기업)과 제3 레이블값을 부여받는 기업(즉, 제2 프로파일링 변수값 기준으로 최상위기업)은 서로 다를 수 있다. 하지만, 제2 레이블값을 부여받는 기업과 제4 레이블값을 부여받는 기업은 서로 동일할 수 있다. 즉, 어떤 프로파일링 변수값을 기준으로 잡는가에 따라서 최상위기업은 바뀔 수 있으나, 최하위기업(악성한계기업)은 변경되지 않는다. 악성한계기업은 기업의 존속을 위협받는 상태이기 때문에, 특정한 프로파일링 변수값이 좋다고 하더라도 악성한계기업을 좋게 평가하기 어렵기 때문이다.
전술한 방식으로, n개의 프로파일링 변수 각각에 대해서, 다수(즉, m개(단 m은 2이상의 자연수))의 기업에 레이블값을 부여한 결과는 예를 들어, 다음의 [표 4]와 같을 수 있다.
[표 4]
Figure 112019062232313-pat00004
이하에서 도 1의 S30 단계(부여된 레이블값을 기초로 적어도 하나의 기업을 평가)를 구체적으로 설명한다. 부여된 레이블값을 기초로 한 기업 평가 방법은 다양하지만, 이하에서는 스코어링(scoring) 방법, 유사기업 선정 방법, 신규기업 평가 방법 등에 대해서 설명한다.
우선, 표 5 내지 표 7을 이용하여 스코어링 방법을 설명한다. 전술한 다수의 프로파일링 변수값(영업효율성, 보상탄력성, 재무건전성, 기업수익성, 자본활용성, 생산효율성, 기술잠재성)을 기초로, 기업1과 기업2를 평가하는 방법을 설명한다.
표 5를 참고하면, 기업1, 기업2를 평가할 때, 프로파일링 변수에 별도의 가중치를 부여하지 않는다. 즉, 모든 프로파일링 변수에 동일한 가중치(예를 들어, 1/7)을 부여한다. 이러한 경우, 기업1과 기업2는 0.54라는 동일한 점수를 받는다.
[표 5]
Figure 112019062232313-pat00005
반면, 프로파일링 변수에 대한 가중치를 제공받는 경우, 가중치에 따라 기업에 대한 평가결과가 변경될 수 있다.
예를 들어, 표 6에서와 같이, 전문가1은 기술잠재성에 높은 가중치를 부여할 수 있다. 표 7에서와 같이, 전문가2는 영업효율성, 재무건전성, 생산효율성에 각각 0.4, 0.3, 0.3의 가중치를 부여할 수 있다. 이러한 경우, 전문가1은 기업1보다 기업2에 높은 점수를 줄 것이고, 전문가2는 기업2보다 기업1에 높은 점수를 주게 된다. 즉, 전문가의 기준(가중치)에 따라서 평가점수/순위/등급 등이 변경됨을 알 수 있다.
[표 6]
Figure 112019062232313-pat00006
[표 7]
Figure 112019062232313-pat00007
[표 5] 내지 [표 7]을 이용하여 설명한 스코어링 방법을 통해서, (가중치를 사용하거나, 가중치를 고려하지 않고) 다수의 기업의 점수를 매길 수 있다. 이러한 점수를 기초로 다수의 기업의 순위 또는 등급을 평가할 수 있다.
이어서, 도 7과 [표 4]를 이용하여, 유사기업 선정 방법을 설명한다. 도 7은 도 1의 S30 단계에서 사용되는 제1 기업 네트워크를 설명하기 위한 도면이다.
우선, [표 4]를 이용하여 설명한 것과 같이, n개의 프로파일링 변수 각각에 대해서, 다수(즉, m개(단 m은 2이상의 자연수))의 기업에 레이블값이 부여되어 있다. 여기서, 레이블값은 준지도학습을 통해서 추론된 값일 수 있다. 전술한 것과 같이, 준지도학습 이전에 먼저 부여받은 레이블값(예를 들어, 제1/제3 레이블값(+1) 또는 제2/제4 레이블값(-1))도 준지도학습에 의해서 변경/추론될 수 있다.
도 7을 참조하면, 이와 같이 추정된 레이블값을 이용하여, 다수의 기업 사이의 유사도를 나타내는 제1 기업 네트워크(100)를 생성한다. 도 7에서는 예시적으로, 12개의 기업 사이의 기업 네트워크를 도시한 것이다.
제1 기업 네트워크(100)는 다수의 노드(node)(N1~N12)와 다수의 에지(edge)(예를 들어, Wij)로 구성된다. 노드(N1~N12)는 기업에 대응되고, 에지는 다수의 기업 사이의 유사도에 대응된다. 노드i와 노드j 사이의 유사도는 Wij로 표현된다. 모든 노드들간의 유사도를 유사행렬 W=(Wij)로 표현하며, 유사도가 높다고 판단되는 노드들만 호로서 연결한다. 유사행렬 W는 준지도학습방법의 정확도에 중대한 영향을 미치는데, W를 구성하기 위해 k-nearest neighbor(KNN) 방법을 사용하거나, 일정거리 안에 있는 주위 노드들을 모두 연결하는 방법을 사용하기도 한다. 유사도 계산법은 다양한 방법이 사용될 수 있고, 유클리디언 거리(Euclidean distance), 민코스키 거리(Minkowski distance) 마할라노비스 거리(Mahalanobis distance), 코사인 유사도(Cosine similarity) 등이 사용될 수 있으며, 이에 한정되지 않는다.
제1 기업 네트워크(100) 상에서 호로서 서로 연결된 기업들은, 유사기업으로 평가한다. 예를 들어, 기업6은 기업1, 기업5, 기업7, 기업8과 유사기업으로 평가된다.
예를 들어, 기업6의 재무비율변수값 중에서 일부가 누락된 경우에는, 기업1, 기업5, 기업7, 기업8의 재무비율변수값을 이용하여 추정할 수 있다. 아래 [표 8]의 예시와 같이, 비유동부채비율의 값이 누락된 경우, 기업1, 기업5, 기업7, 기업8의 비유동부채비율값의 평균, 중간값, 최소값, 최대값, 제1사분위수, 제3사분위수 중 어느 하나로 기업6의 비유동부채비율값을 추정할 수 있다.
[표 8]
Figure 112019062232313-pat00008
이어서, 도 8을 참고하여, 신규기업 평가 방법을 설명한다.
도 8을 참고하면, 신규기업(N13)의 재무비율변수값이 충분히 다양하게 있는 경우에는, 신규기업(N13)의 다수의 프로파일링 변수값을 계산할 수 있다. 이러한 경우, 제1 기업 네트워크(100)를 이용하여, 신규기업(N13)과 유사도가 높은 기업(예를 들어, 기업5, 기업6, 기업9)을 선정한다.
선정된 제1 기업(기업5, 기업6, 기업9)의 평가결과를 기초로 신규기업의 평가결과를 추정한다. 추정방법은, 범위로 예상하거나, 평균값, 최소값, 최대값 등으로 예상될 수 있다.
예를 들어, 기업5가 상위 17%, 기업 6이 상위 20%, 기업9가 상위 25%에 해당한다면, 신규기업(N13)의 평가결과는 상위 17% 내지 상위 25% 사이에 해당한다고 예상할 수 있다(범위 예상 방식). 또는, 신규기업(N13)의 평가결과는 상위 약 21%에 해당한다고 예상할 수도 있다(평균값 예상 방식). 또는 신규기업(N13)의 평가결과는 상위 약 25%에 해당한다고 예상할 수도 있다(최소값 예상 방식).
한편, 신규기업(N13)의 신규기업(N13)의 재무비율변수값이 충분히 다양하게 없는 경우에는, 신규기업(N13)의 다수의 프로파일링 변수값을 계산할 수 없다. 따라서, 신규기업(N13)을 평가할 때, 제1 기업 네트워크(100)를 이용할 수 없다.
각 프로파일링 변수값에 가장 높은 영향을 주는 재무비율변수값을 선정한다.
예를 들어, 영업효율성에서는 수지비율, 보상탄력성에서는 영업활동현금흐름이자보상비율, 재무건전성에서는 차입금의존도, 기업수익성에서는 경영자본영업이익율, 자본활용성에서는 자기자본비율, 생산효율성에서는 자본금회전율, 기술잠재성에서는 경상연구개발비/매출액이 될 수 있다.
이와 같이 선정된 재무비율 변수값을 이용하여, 다수의 기업 사이의 유사도를 나타내는 제2 기업 네트워크를 생성한다. 제2 기업 네트워크를 생성하는 방법은, 제1 기업 네트워크를 생성하는 방법과 실질적으로 동일하다.
제2 기업 네트워크를 이용하여, 신규기업(N13)과 유사도가 높은 적어도 하나의 제1 기업을 선정한다. 예를 들어, 제2 기업 네트워크에서, 신규기업(N13)이 기업5(N5), 기업6(N6), 기업9(N9)과 가장 유사하다고 선정된다.
선정된 제1 기업(기업5, 기업6, 기업9)이, 제1 기업 네트워크에서도 신규기업과 유사도가 높은 것으로 간주한다. 따라서, 신규기업(N13)의 평가결과는 선정된 제1 기업(기업5, 기업6, 기업9)의 평가결과를 기초로 추정된다. 전술한 것과 같이, 추정방법은, 범위로 예상하거나, 평균값, 최소값, 최대값 등으로 예상될 수 있다.
이와 같이 상호 관련성이 높은 재무비율변수를 이용하여, 서로 독립적인 새로운 프로파일링 변수를 생성하고 준지도학습을 통해서 각 기업을 평가함으로써 명확하고 과학적인 방식으로 기업을 평가할 수 있다.
도 9는 본 발명의 몇몇 실시예에 따른 기업평가시스템을 설명하기 위한 순서도이다. 도 1 내지 도 8을 이용하여 설명한 기업평가방법을 구현하기 위한 예시적인 블록도이다. 설명의 편의상 도 1 내지 도 8을 이용하여 구체적으로 설명한 것은 생략하도록 한다.
도 9를 참조하면, 본 발명의 몇몇 실시예에 따른 기업평가시스템(10)은 프로세서(14), 통신 모듈(12), 메모리(16), 버스, 입출력 인터페이스 등을 포함할 수 있다.
버스에 의해서, 프로세서(14), 통신 모듈(12), 메모리(16) 등의 다양한 구성요소가 서로 연결 및 통신(즉, 제어 메시지 전달 및 데이터 전달)할 수 있다.
프로세서(14)는, 중앙처리장치, 어플리케이션 프로세서, 또는 커뮤니케이션 프로세서 중 하나 또는 그 이상을 포함할 수 있다. 프로세서(14)는 다른 구성요소들의 제어 및/또는 통신에 관한 연산이나 데이터 처리를 실행할 수 있다.
메모리(16)는 휘발성 메모리(예를 들어, DRAM, SRAM, 또는 SDRAM) 및/또는 비휘발성 메모리(예를 들어, OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, 플래시 메모리, PRAM, RRAM, MRAM, 하드 드라이브, 또는 솔리드 스테이트 드라이브(SSD))를 포함할 수 있다. 메모리(16)는 내장 메모리 및/또는 외장 메모리를 포함할 수 잇다. 메모리(16)는 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 저장할 수 있다. 또한, 메모리(16)는 소프트웨어 및/또는 프로그램을 저장할 수 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API), 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다. 커널, 미들웨어, 또는 API의 적어도 일부는, 운영 시스템으로 지칭될 수 있다.
메모리(16)는 도 1 내지 도 8를 이용하여 설명한 기업평가방법을 수행하기 위한 인스트럭션들(instructions)을 저장하고 있다. 예를 들어, 다수의 기업 각각에 대한 제1 내지 제n 프로파일링 변수값(단, n은 2이상의 자연수)을 생성하되, 상기 각 프로파일링 변수값을 다수의 재무비율 변수값을 이용하여 생성하고, 상기 다수의 기업 중에서, 제1 프로파일링 변수값을 기준으로, 최상위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제1 레이블값을 부여하고, 상기 다수의 기업 중에서, 상기 다수의 재무비율 변수값 중에서 기설정된 재무비율 변수값을 기준으로, 최하위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제2 레이블값을 부여하고, 상기 제1 내지 제n 프로파일링 변수값, 상기 제1 레이블 및 상기 제2 레이블을 이용하여 상기 다수의 기업에 대한 준지도 학습을 수행하여, 상기 다수의 기업 각각에 대해서 상기 제1 레이블값과 상기 제2 레이블값 사이의 제1 추론 레이블값을 부여하는 인스트럭션들을 포함한다.
통신 모듈(12)은 서버(10)가 네트워크를 거쳐서 다른 서버, 사용자(또는, 평가의뢰자, 기업담당자)(21), 평가자(22) 등과 통신할 수 있도록 한다.
본 명세서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. "모듈"은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. "모듈"은 기계적으로 또는 전자적으로 구현될 수 있으며, 예를 들면, 어떤 동작들을 수행하는, 알려졌거나 앞으로 개발될, ASIC(application-specific integrated circuit) 칩, FPGAs(field-programmable gate arrays), 또는 프로그램 가능 논리 장치를 포함할 수 있다. 다양한 실시예에 따른 장치(예: 모듈들 또는 그 기능들) 또는 방법(예: 동작들)의 적어도 일부는 프로그램 모듈의 형태로 컴퓨터로 판독 가능한 저장 매체에 저장된 명령어로 구현될 수 있다. 상기 명령어가 프로세서에 의해 실행될 경우, 프로세서가 상기 명령어에 해당하는 기능을 수행할 수 있다. 컴퓨터로 판독 가능한 기록 매체는, 하드디스크, 플로피디스크, 마그네틱 매체(예: 자기테이프), 광기록 매체(예: CD-ROM, DVD, 자기-광 매체 (예: 플롭티컬 디스크), 내장 메모리 등을 포함할 수 있다. 명령어는 컴파일러에 의해 만들어지는 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 다양한 실시예에 따른 모듈 또는 프로그램 모듈은 전술한 구성요소들 중 적어도 하나 이상을 포함하거나, 일부가 생략되거나, 또는 다른 구성요소를 더 포함할 수 있다. 다양한 실시예에 따른, 모듈, 프로그램 모듈 또는 다른 구성요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
네트워크는 유선 및 무선 방식을 모두 포함한다. 특히, 무선 통신은, 예를 들면, LTE, LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband), 또는 GSM(Global System for Mobile Communications) 등 중 적어도 하나를 사용하는 셀룰러 통신을 포함할 수 있다. 또는, 무선 통신은, WiFi(wireless fidelity), LiFi(light fidelity), 블루투스, 블루투스 저전력(BLE), 지그비(Zigbee), NFC(near field communication), 자력 시큐어 트랜스미션(Magnetic Secure Transmission), 라디오 프리퀀시(RF), 또는 보디 에어리어 네트워크(BAN) 중 적어도 하나를 포함할 수 있다. 또는, 무선 통신은 GNSS를 포함할 수 있다. GNSS는, 예를 들면, GPS(Global Positioning System), Glonass(Global Navigation Satellite System), Beidou Navigation Satellite System(이하 "Beidou") 또는 Galileo, the European global satellite-based navigation system일 수 있다. 유선 통신은, 예를 들면, USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service), 컴퓨터 네트워크(예: LAN 또는 WAN) 등 중 적어도 하나를 포함할 수 있다.
한편, 별도로 도시하지 않았으나, 도 1 내지 도 8을 이용하여 설명한 기업평가방법을 수행하기 위한 컴퓨터 프로그램의 인스트럭션들을 저장하는, 컴퓨터 판독 가능 저장 매체도, 본 발명의 권리범위에 포함된다.
이상과 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
10: 기술평가시스템
12: 통신 모듈
14: 프로세서
16: 메모리

Claims (15)

  1. 컴퓨팅 장치에 의해서 수행되는 기업평가방법에 있어서,
    다수의 기업 각각에 대한 제1 내지 제n 프로파일링 변수값(단, n은 2이상의 자연수)을 생성하되, 상기 각 프로파일링 변수값은 다수의 재무비율 변수값을 이용하여 생성되는 단계;
    상기 다수의 기업 중에서, 제1 프로파일링 변수값을 기준으로, 최상위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제1 레이블값을 부여하는 단계;
    상기 다수의 기업 중에서, 상기 다수의 재무비율 변수값 중에서 기설정된 재무비율 변수값을 기준으로, 최하위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제2 레이블값을 부여하는 단계; 및
    상기 제1 내지 제n 프로파일링 변수값, 상기 제1 레이블 및 상기 제2 레이블을 이용하여 상기 다수의 기업에 대한 준지도 학습을 수행하여, 상기 다수의 기업 각각에 대해서 상기 제1 레이블값과 상기 제2 레이블값 사이의 제1 추론 레이블값을 부여하는 단계를 포함하되,
    상기 제2 레이블값을 부여하는 단계는,
    상기 다수의 재무비율 변수값 중에서 이자보상비율이 100% 미만이거나, 영업활동현금흐름이 마이너스이거나, 자본잠식상태인 기업에 대해서, 제2 레이블값을 부여하는, 기업평가방법.
  2. 제 1항에 있어서,
    상기 다수의 기업 중에서, 제2 프로파일링 변수값을 기준으로, 최상위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제3 레이블값을 부여하는 단계와,
    상기 다수의 기업 중에서, 상기 다수의 재무비율 변수값 중에서 기설정된 재무비율 변수값을 기준으로, 최하위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제4 레이블값을 부여하는 단계와,
    상기 제1 내지 제n 프로파일링 변수값, 상기 제3 레이블 및 상기 제4 레이블을 이용하여 상기 다수의 기업에 대한 준지도 학습을 수행하여, 상기 다수의 기업 각각에 대해서 상기 제3 레이블값과 상기 제4 레이블값 사이의 제2 추론 레이블값을 부여하는 단계를 더 포함하는, 기업평가방법.
  3. 제 2항에 있어서,
    상기 제1 추론 레이블값과 상기 제2 추론 레이블값을 이용하여, 상기 다수의 기업 각각에 대한 평가결과를 산출하되, 상기 평가결과는 기업에 대한 점수, 순위, 등급 중 적어도 하나를 포함하는 단계를 더 포함하는, 기업평가방법.
  4. 제 3항에 있어서,
    상기 평가결과를 산출하는 단계는, 상기 제1 내지 제n 프로파일링 변수값에 대한 가중치를 제공받고, 가중치를 반영하여 상기 다수의 기업 각각에 대한 평가결과를 산출하는, 기업평가방법.
  5. 제 2항에 있어서,
    상기 제1 추론 레이블값과 상기 제2 추론 레이블값을 이용하여, 상기 다수의 기업 사이의 유사도를 나타내는 제1 기업 네트워크를 생성하는 단계를 더 포함하는, 기업평가방법.
  6. 제 5항에 있어서,
    상기 제1 기업 네트워크를 이용하여, 신규기업과의 유사도가 제1 기준값보다 높은, 적어도 하나의 제1 기업을 선정하는 단계와,
    상기 선정된 제1 기업의 평가결과를 기초로 상기 신규기업의 평가결과를 추정하는 단계를 더 포함하는, 기업평가방법.
  7. 제 6항에 있어서,
    상기 신규기업과의 유사도가 상기 제1 기준값보다 높은 제1 기업을 선정하는 단계는,
    상기 제1 프로파일링 변수값에 가장 높은 영향을 주는 제1 재무비율 변수값을 선정하고,
    상기 제2 프로파일링 변수값에 가장 높은 영향을 주는 제2 재무비율 변수값을 선정하고,
    상기 제1 재무비율 변수값과 상기 제2 재무비율 변수값을 이용하여, 상기 다수의 기업 사이의 유사도를 나타내는 제2 기업 네트워크를 생성하고,
    상기 제2 기업 네트워크를 이용하여, 신규기업과의 유사도가 상기 제1 기준값보다 높은 상기 적어도 하나의 제1 기업을 선정하고,
    선정된 상기 제1 기업이, 상기 제1 기업 네트워크에서도 상기 신규기업과의 유사도가 상기 제1 기준값보다 높은 것으로 간주하는 것을 포함하는, 기업평가방법.
  8. 제 1항에 있어서,
    다수의 기업 각각에 대한 제1 내지 제n 프로파일링 변수값을 생성하는 단계는,
    상관분석 및 군집분석 중 적어도 하나를 이용하여 서로의 상관관계가 제2 기준값보다 높은 다수의 재무비율변수를 그룹핑하여, 제1 내지 제n 재무비율변수그룹을 생성하고,
    주성분분석을 이용하여 상기 제1 내지 제n 재무비율변수그룹 각각에 대응되는 제1 내지 제n 프로파일링 변수를 생성하되, 상기 각 프로파일링 변수는 대응되는 재무비율변수그룹 내의 다수의 재무비율변수를 기초로 생성되는, 기업평가방법.
  9. 제 8항에 있어서,
    상기 제1 내지 제n 프로파일링 변수 중 어느 하나는, 영업효율성, 보상탄력성, 재무건전성, 기업수익성, 자본활용성, 생산효율성 중 어느 하나인, 기업평가방법.
  10. 삭제
  11. 제 1항 내지 제 9항 중 어느 한 항의 기업평가방법을 구현하기 위한 컴퓨터 프로그램의 인스트럭션들을 저장하는, 컴퓨터 판독 가능 저장 매체.
  12. 프로세서; 및
    메모리를 포함하되, 상기 메모리는
    상기 프로세서가
    다수의 기업 각각에 대한 제1 내지 제n 프로파일링 변수값(단, n은 2이상의 자연수)을 생성하되, 상기 각 프로파일링 변수값을 다수의 재무비율 변수값을 이용하여 생성하고,
    상기 다수의 기업 중에서, 제1 프로파일링 변수값을 기준으로, 최상위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제1 레이블값을 부여하고,
    상기 다수의 기업 중에서, 상기 다수의 재무비율 변수값 중에서 기설정된 재무비율 변수값을 기준으로, 최하위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제2 레이블값을 부여하고,
    상기 제1 내지 제n 프로파일링 변수값, 상기 제1 레이블 및 상기 제2 레이블을 이용하여 상기 다수의 기업에 대한 준지도 학습을 수행하여, 상기 다수의 기업 각각에 대해서 상기 제1 레이블값과 상기 제2 레이블값 사이의 제1 추론 레이블값을 부여하되,
    상기 제2 레이블값을 부여하는 것은,
    상기 다수의 재무비율 변수값 중에서 이자보상비율이 100% 미만이거나, 영업활동현금흐름이 마이너스이거나, 자본잠식상태인 기업에 대해서, 제2 레이블값을 부여하는, 인스트럭션들(instructions)을 저장하는 기업평가시스템.
  13. 제 12항에 있어서, 상기 메모리는
    상기 프로세서가
    상기 다수의 기업 중에서, 제2 프로파일링 변수값을 기준으로, 최상위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제3 레이블값을 부여하고,
    상기 다수의 기업 중에서, 상기 다수의 재무비율 변수값 중에서 기설정된 재무비율 변수값을 기준으로, 최하위 영역에 해당하는 변수값을 갖는 기업에 대해서 기설정된 제4 레이블값을 부여하고,
    상기 제1 내지 제n 프로파일링 변수값, 상기 제3 레이블 및 상기 제4 레이블을 이용하여 상기 다수의 기업에 대한 준지도 학습을 수행하여, 상기 다수의 기업 각각에 대해서 상기 제3 레이블값과 상기 제4 레이블값 사이의 제2 추론 레이블값을 부여하는, 인스트럭션들을 더 저장하는 기업평가시스템.
  14. 제 13항에 있어서, 상기 메모리는
    상기 프로세서가
    상기 제1 추론 레이블값과 상기 제2 추론 레이블값을 이용하여, 상기 다수의 기업 각각에 대한 평가결과를 산출하되,
    상기 제1 내지 제n 프로파일링 변수값에 대한 가중치를 제공받고, 상기 가중치를 반영하여 상기 다수의 기업 각각에 대한 평가결과를 산출하는, 인스트럭션들을 더 저장하는 기업평가시스템.
  15. 제 13항에 있어서, 상기 메모리는
    상기 프로세서가
    상기 제1 추론 레이블값과 상기 제2 추론 레이블값을 이용하여, 상기 다수의 기업 사이의 유사도를 나타내는 제1 기업 네트워크를 생성하고,
    상기 제1 기업 네트워크를 이용하여, 신규기업과의 유사도가 제1 기준값보다 높은, 적어도 하나의 제1 기업을 선정하고,
    상기 선정된 제1 기업의 평가결과를 기초로 상기 신규기업의 평가결과를 추정하는, 인스트럭션들을 더 저장하는 기업평가시스템.

KR1020190072239A 2019-06-18 2019-06-18 기업평가방법 및 시스템 KR102084389B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190072239A KR102084389B1 (ko) 2019-06-18 2019-06-18 기업평가방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190072239A KR102084389B1 (ko) 2019-06-18 2019-06-18 기업평가방법 및 시스템

Publications (1)

Publication Number Publication Date
KR102084389B1 true KR102084389B1 (ko) 2020-03-04

Family

ID=69783067

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190072239A KR102084389B1 (ko) 2019-06-18 2019-06-18 기업평가방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102084389B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102157275B1 (ko) * 2020-03-30 2020-09-17 주식회사 대구은행 재무제표 기반 재무등급 모델링 방법, 이를 수행하는 재무등급 모델링 모듈 및 이를 포함하는 재무제표 기반 대출 승인 서버
CN111754116A (zh) * 2020-06-24 2020-10-09 国家电网有限公司大数据中心 一种基于标签画像技术的信用评估方法及装置
KR102275986B1 (ko) * 2020-10-12 2021-07-13 동국대학교 산학협력단 솔루션 기반 데이터 분석 및 예측 장치 및 동작 방법
KR102677721B1 (ko) * 2022-11-30 2024-06-25 주식회사 비즈데이터 매출추이 데이터에 근거한 사업자 휴폐업 예측모델 시스템 및 방법

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013080456A (ja) * 2011-09-21 2013-05-02 Norihide Noda 企業評価システム、企業評価方法及び企業評価プログラム
KR20130098753A (ko) * 2012-02-28 2013-09-05 연세대학교 산학협력단 기술 신용 평가 방법, 시스템 및 그 기록매체
KR101488242B1 (ko) * 2014-05-20 2015-02-02 신용보증기금 기업가치의 평가시스템
KR101850753B1 (ko) * 2017-04-27 2018-05-31 한국과학기술정보연구원 유사기업 선정 기반의 시장 규모 및 예상 매출액 추정 장치 및 방법
KR101908353B1 (ko) 2017-09-01 2018-10-22 대한민국(우정사업본부) 기업 평가 시스템 및 그 평가 방법
KR20190064948A (ko) * 2017-12-01 2019-06-11 서강대학교산학협력단 준지도 학습에서의 꼭지점 중요도를 고려한 레이블 추론 방법 및 시스템

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013080456A (ja) * 2011-09-21 2013-05-02 Norihide Noda 企業評価システム、企業評価方法及び企業評価プログラム
KR20130098753A (ko) * 2012-02-28 2013-09-05 연세대학교 산학협력단 기술 신용 평가 방법, 시스템 및 그 기록매체
KR101488242B1 (ko) * 2014-05-20 2015-02-02 신용보증기금 기업가치의 평가시스템
KR101850753B1 (ko) * 2017-04-27 2018-05-31 한국과학기술정보연구원 유사기업 선정 기반의 시장 규모 및 예상 매출액 추정 장치 및 방법
KR101908353B1 (ko) 2017-09-01 2018-10-22 대한민국(우정사업본부) 기업 평가 시스템 및 그 평가 방법
KR20190064948A (ko) * 2017-12-01 2019-06-11 서강대학교산학협력단 준지도 학습에서의 꼭지점 중요도를 고려한 레이블 추론 방법 및 시스템

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102157275B1 (ko) * 2020-03-30 2020-09-17 주식회사 대구은행 재무제표 기반 재무등급 모델링 방법, 이를 수행하는 재무등급 모델링 모듈 및 이를 포함하는 재무제표 기반 대출 승인 서버
CN111754116A (zh) * 2020-06-24 2020-10-09 国家电网有限公司大数据中心 一种基于标签画像技术的信用评估方法及装置
CN111754116B (zh) * 2020-06-24 2023-10-17 国家电网有限公司大数据中心 一种基于标签画像技术的信用评估方法及装置
KR102275986B1 (ko) * 2020-10-12 2021-07-13 동국대학교 산학협력단 솔루션 기반 데이터 분석 및 예측 장치 및 동작 방법
KR102677721B1 (ko) * 2022-11-30 2024-06-25 주식회사 비즈데이터 매출추이 데이터에 근거한 사업자 휴폐업 예측모델 시스템 및 방법

Similar Documents

Publication Publication Date Title
US10659542B2 (en) System and methods for optimal allocation of multi-tenant platform infrastructure resources
US20070156479A1 (en) Multivariate statistical forecasting system, method and software
KR102084389B1 (ko) 기업평가방법 및 시스템
US10783442B1 (en) Demand forecasting via direct quantile loss optimization
US20200234218A1 (en) Systems and methods for entity performance and risk scoring
US20200327470A1 (en) Cognitively-Derived Knowledge Base of Supply Chain Risk Management
EP2608126A1 (en) System and method for generating a marketing-mix solution
US20200034776A1 (en) Managing skills as clusters using machine learning and domain knowledge expert
US20120072357A1 (en) Method and system for predicting property values within discrete finite market elements
US11875408B2 (en) Techniques for accurate evaluation of a financial portfolio
Chatzikonstantinou et al. Approximation of simulation-derived visual comfort indicators in office spaces: a comparative study in machine learning
US10685260B1 (en) Interactive modeling application adapted for execution via distributed computer-based systems
US12002096B1 (en) Artificial intelligence supported valuation platform
US11803793B2 (en) Automated data forecasting using machine learning
US11410111B1 (en) Generating predicted values based on data analysis using machine learning
Bruni et al. Lending decisions under uncertainty: a DEA approach
Khan et al. Effects of time-inconsistent preferences on information technology infrastructure investments with growth options
US10896388B2 (en) Systems and methods for business analytics management and modeling
US20210081965A1 (en) Indexing entities based on performance metrics
US11995667B2 (en) Systems and methods for business analytics model scoring and selection
Burnicki et al. Propagating error in land-cover-change analyses: impact of temporal dependence under increased thematic complexity
JP2020527776A (ja) 材料関連のエクスポージャおよび／またはエクスポージャ戦略の優先順位付けの自動分析
Kimiagari et al. Hybrid modeling approach to market deployment planning: an application to a natural disaster relief supply business venture
US10769651B2 (en) Estimating prospect lifetime values
WO2020150597A1 (en) Systems and methods for entity performance and risk scoring

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant