WO2020044408A1 - 銀行業務支援システム、銀行業務支援方法及び銀行業務支援プログラム - Google Patents

銀行業務支援システム、銀行業務支援方法及び銀行業務支援プログラム Download PDF

Info

Publication number
WO2020044408A1
WO2020044408A1 PCT/JP2018/031595 JP2018031595W WO2020044408A1 WO 2020044408 A1 WO2020044408 A1 WO 2020044408A1 JP 2018031595 W JP2018031595 W JP 2018031595W WO 2020044408 A1 WO2020044408 A1 WO 2020044408A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
customer
financial transaction
status
control unit
Prior art date
Application number
PCT/JP2018/031595
Other languages
English (en)
French (fr)
Inventor
真智子 長谷川
真也 井出
恭治 金光
上條　哲也
マルティン タンゲル
Original Assignee
株式会社みずほ銀行
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 株式会社みずほ銀行 filed Critical 株式会社みずほ銀行
Priority to US16/328,192 priority Critical patent/US11514516B2/en
Priority to PCT/JP2018/031595 priority patent/WO2020044408A1/ja
Priority to JP2018553253A priority patent/JP6526356B1/ja
Publication of WO2020044408A1 publication Critical patent/WO2020044408A1/ja
Priority to US18/052,450 priority patent/US20230092126A1/en

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/12—Accounting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • 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
    • G06Q40/03—Credit; Loans; Processing thereof
    • 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
    • G06Q40/06—Asset management; Financial planning or analysis

Definitions

  • the present disclosure relates to a banking support system, a banking support method, and a banking support program for supporting banking.
  • Patent Documents 1 and 2 provide various financial services and products such as deposits and loans. Then, technologies for predicting the behavior of a financial institution customer and proposing a service or a product are being studied (for example, see Patent Documents 1 and 2). In the technology described in Patent Document 1, motivation is provided only to customers who may visit the store.
  • the customer behavior management server of Patent Literature 1 predicts the visit date and time of a customer based on the visit history of the customer to the store and the stop-over information of the customer. It is determined whether or not the predicted visit date and time corresponds to the busy time of this store. If it is determined that the customer's visit date and time corresponds to the busy time, the customer is notified of information prompting the customer to visit another store.
  • the model creation device described in Patent Literature 2 models a customer's behavior by using the customer's recognition of the service as recognition including recognition of the existence of the service and recognition of the function of the service. Then, the prediction device predicts which service the customer selects using the customer behavior model.
  • Patent Document 3 technologies for supporting asset management by client's securities investment and facilitating lending operations and sound management of financial institutions are being studied (for example, see Patent Document 3).
  • a financial institution server issues a deposit account DB that stores information of a customer's deposit account opened at a financial institution and securities that are stored and managed by a securities company.
  • a depository account account DB that stores information on the depository deposit account of the customer opened at the financial institution in a form in which the depository is borrowed from the customer by the financial institution. Then, it accepts the customer's buying and selling instructions, creates trading agent information, transmits it to the securities company server, receives trading result information from the securities company server, and updates the balances in the deposit account DB and the depositary securities account DB.
  • a receiving unit receives a response to a requested task and a reason for determination from a contractor.
  • the type classification unit classifies the determination reason into a type based on the determination reason and the answer.
  • the type extraction unit extracts a reason for determination belonging to a predetermined type based on the classified type.
  • the providing unit provides the extracted determination reason.
  • JP 2016-173649 A JP 2005-352728 A JP 2007-47940 A JP 2016-177777 A
  • Patent Document 1 predicts the behavior of each customer, and does not predict customer behavior that contributes to the entire management. Further, in the technology described in Patent Literature 2, control of customer behavior in a bank is not considered. In the technology described in Patent Literature 3, sound management of financial institutions is considered, but it is not assumed that customer behavior is promoted.
  • the banking support system that solves the above problems stores, at each time, financial transaction conditions of financial transactions, customer status information, history information including the status of financial transactions with customers, and external status information. And a control unit connected to the user terminal and the information storage system. Then, the control unit acquires external situation information, financial transaction conditions, customer situation information, and financial transaction situation at the same time from the information storage system, and uses the acquired information as a data set for teacher data. Performs learning, generates a customer behavior prediction model that associates financial transaction conditions with financial transaction status, and uses the customer behavior prediction model for the current external situation and customer situation to correspond to the target value of the transaction situation. Calculate financial transaction conditions.
  • FIG. 1 is an explanatory diagram of a banking support system according to the embodiment.
  • FIG. 4 is an explanatory diagram of a hardware configuration example. It is explanatory drawing of the information storage part of this embodiment, (a) is a customer information storage part, (b) is an account information storage part, (c) is a transaction information storage part, (d) is a condition information storage part.
  • a banking business system including a user terminal 10, a support server 20, and a back-end system 40 (business system) is used.
  • customer behavior A1 is predicted using machine learning.
  • the customer behavior A1 includes depositing funds in a bank and borrowing funds from a bank.
  • the customer behavior A1 depends on the customer situation D01 according to the segment to which the customer attribute belongs, and the external situation D02 such as the price and the market situation.
  • the bank can prompt the customer behavior A1 by controlling the deposit condition D03 and the lending condition D04 as financial transaction conditions.
  • the borrowing (loan) and the deposit by the customer behavior A01 determine the cash D05 of the bank.
  • This bank action A2 includes financing and investment. In the present embodiment, it is assumed that securities are purchased, for example, as investments. This bank action A2 depends on external situations D11 such as market conditions and interbank interest rates, and regulations D12 such as restrictions.
  • the balance sheet BS1 of the bank is determined based on the cash D05, financing and investment.
  • the bank balance sheet BS1 will be described with reference to FIG.
  • the balance sheet BS1 includes cash, deposits, loans, securities, and other items as debits.
  • the credit is composed of customer deposits and net assets.
  • each item constituting the balance sheet BS1 has a priority or a restriction.
  • the priority (2) is “Loans and securities are b% (for example, about 70%) of customer deposits”.
  • Loans and securities have high profitability, but have a credit risk, resulting in a decrease in the equity ratio. Therefore, it is necessary to control the amount by the lending interest rate and the lending period.
  • This capital adequacy ratio regulation is a capital adequacy ratio for risk assets, and is a regulation that makes the Tier 1 ratio of common stock etc. about 10%.
  • the net assets are, for example, about 10% of the total assets. This net asset is used as a buffer when a loss occurs.
  • the liquidity coverage ratio is to secure assets with high liquidity in response to cash outflow during stress for 30 days.
  • the constraint (5) relates to “IRRRBB (interest rate risk of the bank)”. Specifically, the loss of interest rate risk (for example, US dollar / Euro: 200 bp, Japanese yen: 100 bp when interest rate rises) is to be limited to 15% of Tier 1.
  • the user terminal 10 is a computer terminal used by a person in charge of a bank.
  • the support server 20 includes a control unit 21 and a learning result storage unit 22.
  • the control unit 21 includes a support management unit 211, a learning unit 212, a prediction unit 213, and an analysis unit 214.
  • the support management unit 211 executes processing for supporting banking operations. Specifically, the support management unit 211 acquires various information from the back-end system 40 and provides the information to the learning unit 212 and the prediction unit 213. Further, it obtains a prediction result from the prediction unit 213 and outputs it to the user terminal 10.
  • the support management unit 211 holds a condition candidate list. In this condition candidate list, data on a plurality of deposit condition candidates and lending condition candidates used for the support processing are recorded.
  • the learning unit 212 performs machine learning using teacher data including variables constituting the input layer and the output layer, and executes a process of generating a prediction model.
  • the learning unit 212 generates a prediction model used for prediction from various types of information by multivariate analysis, machine learning, and deep learning.
  • the prediction unit 213 performs a process of predicting each variable using the prediction model generated by the learning unit 212.
  • the analysis unit 214 executes a process of predicting an action that maximizes profit in a business operation of the company.
  • the analysis unit 214 holds data on a reference ratio for evaluating the cash and deposit. Further, the analysis unit 214 executes an investment simulation and a procurement simulation according to the cash and customer balances. In the investment simulation and the procurement simulation, the simulation is performed in consideration of the above-described regulations (priorities and restrictions).
  • a simulation is conducted to purchase securities using surplus cash and deposits. For example, forecast the profit and loss of purchasing government bonds with the current surplus.
  • a simulation will be conducted to procure cash using the shortage of cash and deposits. For example, the profit and loss when cash is raised using the interbank interest rate with the current surplus is predicted.
  • the learning result storage unit 22 records prediction model data for predicting customer behavior. This prediction model data is recorded when learning is performed based on the customer situation, external situation, and interest rate. In the learning result storage unit 22, prediction model data relating to the customer is recorded.
  • the back-end system 40 functions as an information storage system. Therefore, the back-end system 40 includes a customer information storage unit 42, an account information storage unit 43, a transaction information storage unit 44, a condition information storage unit 45, an external situation storage unit 46, a regulation information storage unit 47, and a management information storage unit 48. Is provided.
  • the customer information storage unit 42 stores a customer management record for a bank customer.
  • the customer management record is registered when the customer opens an account at the bank, and is updated when it is changed.
  • the customer management record records customer identifiers such as customer numbers, customer information, customer attributes, and account identifier data.
  • customer identifier data area data relating to an identifier for specifying each bank customer is recorded.
  • customer information data area data on personal information (name, account identifier, contact information, address, etc.) of the customer is recorded.
  • the customer attribute data area data relating to the attributes (age, gender, occupation, etc.) of this customer is recorded.
  • the segment to which the customer belongs is determined by the customer attribute.
  • This customer attribute is stored in association with the registration time and the change time.
  • the account information storage unit 43 records an account management record 430 related to a bank account opened in a bank.
  • the account management record 430 is recorded when the balance of an account opened in a bank is statistically evaluated.
  • data relating to the evaluation time, segment, deposit type, and total amount of deposit balance are recorded.
  • evaluation time data area data relating to the time (year, month, and day) at which the account opened in the bank was evaluated is recorded.
  • segment data area data relating to an identifier for specifying a segment of a customer attribute is recorded.
  • the deposit type data area data relating to an identifier for specifying the type of deposit (for example, ordinary deposit, time deposit, etc.) is recorded.
  • the deposit balance total amount data area data on the total amount of balances of all accounts of the deposit type held by customers belonging to this segment is recorded.
  • the transaction information storage unit 44 records a transaction management record 440 relating to a transaction with a customer (loaned in this embodiment).
  • the transaction management record is recorded when the status of a transaction with a customer is statistically evaluated.
  • data on the evaluation time, segment, lending type, and total lending balance are recorded.
  • evaluation time data area data relating to the time (year, month, and day) at which the loan was evaluated at the bank is recorded.
  • segment data area data relating to an identifier for specifying a segment of a customer attribute is recorded.
  • the lending type data area data relating to an identifier for specifying the type of lending (for example, a home loan, a card loan, etc.) is recorded.
  • the loan balance total data area data relating to the total amount of the balance of all loans of the loan type to the customers belonging to this segment is recorded.
  • the condition information storage unit 45 records a deposit condition management record 450 and a lending condition management record 451.
  • the deposit condition management record 450 and the loan condition management record 451 are recorded when financial transaction conditions (deposit conditions and loan conditions) to be provided to the customer are determined.
  • the deposit condition management record 450 records data relating to a change time, a deposit type, and a deposit condition. In the change time data area, data relating to the date when the deposit condition was changed is recorded.
  • deposit type data area data relating to an identifier for specifying the type of deposit is recorded.
  • deposit condition data area data on the changed deposit condition (deposit interest rate, deposit period) is recorded.
  • the lending condition management record 451 records data on the change time, the lending type, and the lending condition. In the change time data area, data on the date when the lending condition was changed is recorded.
  • the lending type data area data relating to an identifier for specifying the type of lending is recorded.
  • the lending type according to the segment of the lending customer or the credit score may be recorded in the lending type data area.
  • the lending condition data area data on the changed lending condition (lending interest rate, lending period) is recorded.
  • data relating to various external situations is recorded in the external situation storage unit 46.
  • economic index information 461, market information 462, and interest rate information 463 are used as external situation information.
  • economic indicator information 461 information on the economic indicator is recorded in association with the time (year, month, day) when the economic indicator information was obtained.
  • this economic index for example, information on GDP, prices, and the like can be used.
  • the market information 462 records the market information in association with the time (date) at which the market information was obtained.
  • the market information for example, index information on government bonds (domestic / overseas), stocks (domestic / overseas), foreign exchange, and the like can be used.
  • the interest rate information 463 records interest rate information in association with the time (date) when the interest rate information was acquired.
  • the interest rate information for example, a self-bank interest rate, an overseas interest rate, another bank interest rate, an interbank interest rate, and the like can be used.
  • the regulation information storage unit 47 records regulation information on various regulations. This regulation information is recorded when the regulation is registered by the person in charge. In the regulation information, information on regulations (priority, restrictions, etc.), that is, priority information 471 and restriction information 472, is recorded in association with the time (year, month, day) when the restrictions were set.
  • regulations priority, restrictions, etc.
  • the management information storage unit 48 As shown in FIG. 4 (c), in the management information storage unit 48, various kinds of information on each element constituting the balance sheet explaining the business state of the bank are recorded. In the present embodiment, held securities information 481, financing information 482, and net asset information 483 are recorded.
  • the held securities information 481 records information on securities (brand, quantity, price) held by the bank.
  • information on the fund procured by the bank is recorded.
  • the net asset information 483 records information on net assets (assets and prices) held by the bank.
  • FIG. 2 is a hardware configuration example of the information processing apparatus H10 functioning as the user terminal 10 to the back-end system 40 and the like.
  • the information processing device H10 includes a communication device H11, an input device H12, a display device H13, a storage unit H14, and a processor H15. Note that this hardware configuration is an example, and may have other hardware.
  • the communication device H11 is an interface that establishes a communication path with another device to transmit and receive data, and is, for example, a network interface card or a wireless interface.
  • the input device H12 is a device that receives an input from a user or the like, and is, for example, a mouse or a keyboard.
  • the display device H13 is a display or a touch panel that displays various information.
  • the storage unit H14 is a non-transitory computer-readable medium or storage device that stores data and various programs for executing various functions of the user terminal 10 to the back-end system 40 (for example, the learning result storage unit 22, the advance preparation information, The storage unit 23, the customer information storage unit 42 to the management information storage unit 49).
  • Examples of the storage unit H14 include a ROM, a RAM, and a hard disk.
  • the processor H15 controls each process in the user terminal 10 to the back-end system 40 by using programs and data stored in the storage unit H14.
  • Examples of the processor H15 include, for example, a CPU and an MPU.
  • the processor H15 expands a program stored in a ROM or the like into a RAM and executes various processes corresponding to various processes. For example, when the banking support program is started, the processor H15 operates a process for executing each process shown in FIG. 7 described below.
  • a customer behavior prediction model for predicting a borrow increase / decrease and a deposit increase / decrease is calculated from the deposit conditions (before and after the change), the lending conditions (before and after the change), the external situation, and the customer situation.
  • the control unit 21 of the support server 20 executes a machine learning process of the customer behavior (Step S1-1). Specifically, the support management unit 211 of the control unit 21 specifies, as the evaluation time, the date when the deposit interest rate or the lending interest rate is changed from the condition information storage unit 45 (interest change time). Then, the support management unit 211 acquires, from the condition information storage unit 45, the deposit conditions and the lending conditions before and after the interest rate change time. Next, the support management unit 211 acquires the external situation information at the evaluation time from the external situation storage unit 46. Here, economic index information 461, market information 462, and interest rate information 463 are acquired as external situations.
  • the support management unit 211 acquires the customer attribute (segment) recorded in the customer management record 420 at the evaluation time from the customer information storage unit 42, and calculates the distribution of the customer attribute as the customer situation. Next, the support management unit 211 acquires the total amount of account balance recorded in the account information storage unit 43 and the total amount of loan balance recorded in the transaction information storage unit 44 before and after the evaluation time. Then, the support management unit 211 calculates an increase / decrease (money amount) of the deposit by subtracting the total amount of the account balance before the evaluation period from the total amount of the account balance after the evaluation period. Further, the support management unit 211 calculates the loan increase / decrease (money amount) by subtracting the total loan balance before the evaluation period from the total loan balance after the evaluation period.
  • the support management unit 211 creates a data set (teacher data) including, for each evaluation time, deposit conditions (before and after the evaluation time), lending conditions (before and after the evaluation time), external status, customer status, borrowing increase / decrease, and deposit increase / decrease. I do.
  • the learning unit 212 calculates a customer behavior prediction model by performing machine learning using the deposit condition and the customer status as input layers, and using the increase / decrease in borrowing and the increase / decrease in deposits as an output layer.
  • control unit 21 of the support server 20 executes a process of recording a learning result (step S1-2). Specifically, the learning unit 212 of the control unit 21 records the generated customer behavior prediction model in the learning result storage unit 22.
  • the control unit 21 of the support server 20 executes a setting process of the current situation (Step S1-3). Specifically, the support management unit 211 of the control unit 21 acquires the current external situation from the external situation storage unit 46. Further, the support management unit 211 acquires the customer attribute (segment) recorded in the current customer management record 420 from the customer information storage unit 42, and calculates the distribution of the customer attribute as the customer situation. Then, the prediction unit 213 sets the current external situation and the customer situation in the input layer of the customer behavior prediction model.
  • control unit 21 of the support server 20 executes a provisional setting process of the condition (step S1-4). Specifically, the support management unit 211 of the control unit 21 acquires new deposit condition candidates and loan condition candidates from the condition candidate list with respect to the current deposit conditions and loan conditions. Then, the prediction unit 213 sets the current deposit conditions, lending conditions, and the acquired candidate deposit conditions and lending conditions, in the input layer of the customer behavior prediction model.
  • control unit 21 of the support server 20 executes an increase / decrease prediction process (step S1-5). Specifically, the prediction unit 213 of the control unit 21 calculates an increase / decrease in deposits and an increase / decrease in borrowings of the output layer using a customer behavior prediction model.
  • control unit 21 of the support server 20 executes a cash and customer deposit evaluation process (step S1-6). Specifically, the support management unit 211 of the control unit 21 updates the current balance of the customer deposit and the current deposit based on the change in the deposit and the change in the borrowing calculated by the prediction unit 213. Then, the analysis unit 214 calculates the ratio of the cash deposit to the customer deposit and compares it with the reference ratio.
  • the control unit 21 of the support server 20 executes an investment simulation process (step S1-7). Specifically, the analysis unit 214 of the control unit 21 acquires securities information that can be purchased from an external site, and calculates funds when an investment is made. In this case, the investment amount is calculated so as to satisfy various regulations (priorities and restrictions) recorded in the regulation information storage unit 47.
  • the control unit 21 of the support server 20 executes a procurement simulation process (step S1-8). Specifically, the analysis unit 214 of the control unit 21 acquires available procurement information from an external site, and calculates funds when procurement is performed. In this case, a procurement simulation is performed so as to satisfy various regulations (priorities and restrictions) recorded in the regulation information storage unit 47.
  • the control unit 21 of the support server 20 executes a balance sheet evaluation process (step S1-9). Specifically, the support management unit 211 of the control unit 21 applies the simulation result to the balance sheet. Further, the support management unit 211 sets various information recorded in the management information storage unit 48 on the balance sheet. Next, the support management unit 211 applies the simulation results from the investment simulation processing (step S1-7) and the procurement simulation processing (step S1-8) to the balance sheet. Then, the support management unit 211 temporarily stores the calculated balance sheet in association with the deposit condition and the loan condition.
  • control unit 21 of the support server 20 executes a determination process as to whether or not to end (step S1-10). Specifically, the support management unit 211 of the control unit 21 determines whether all the deposit condition candidates and the loan condition candidates recorded in the condition candidate list have been used in the provisional condition setting process (step S1-4). Determines that the evaluation process has ended. On the other hand, if there are remaining deposit condition candidates and loan condition candidates that have not been used yet in the condition candidate list, it is determined that the process has not been completed.
  • step S1-10 the control unit 21 of the support server 20 repeats the processing after the provisional condition setting processing (step S1-4). If it is determined that the processing is to be ended (if “YES” in step S1-10), the control unit 21 of the support server 20 executes an output process (step S1-11). Specifically, the support management unit 211 of the control unit 21 specifies a balance sheet that satisfies the priority and the constraint in the temporarily stored balance sheet, and outputs the deposit condition and the loan condition in this case to the user terminal 10. . Then, using the output balance sheet, a financial transaction condition that has a target value (maximum profit) is specified.
  • the control unit 21 of the support server 20 executes a machine learning process of customer behavior (step S1-1).
  • a data set including deposit conditions, lending conditions, external conditions, customer conditions, increase / decrease in borrowings, and increase / decrease in deposits is created.
  • the learning unit 212 calculates a customer behavior prediction model by performing machine learning using the deposit condition to the customer status as an input layer, the borrowing increase / decrease, and the deposit increase / decrease as an output layer.
  • the deposit conditions and the lending conditions for the input layer it is possible to predict an increase or decrease in borrowing and an increase in deposits when the financial transaction conditions are changed.
  • control unit 21 of the support server 20 executes a provisional condition setting process (step S1-4) and an increase / decrease prediction process (step S1-5). This makes it possible to predict an increase or decrease in deposits and loans using the financial transaction condition candidates.
  • control unit 21 of the support server 20 executes an evaluation process for cash and customer deposits (step S1-6). If the cash deposit ratio is high, the control unit 21 of the support server 20 executes an investment simulation process (step S1-7). On the other hand, when the ratio of the cash is low, the control unit 21 of the support server 20 executes a procurement simulation process (step S1-8). This makes it possible to optimize the cash balance.
  • a simulation is performed so as to satisfy various regulations (priorities and restrictions) recorded in the regulation information storage unit 47.
  • a simulation can be performed in consideration of management priority and bank regulations.
  • control unit 21 of the support server 20 executes a balance sheet evaluation process (Step S1-9) and an output process (Step S1-11). Thereby, it is possible to evaluate the influence on the balance sheet when the financial transaction conditions are changed.
  • a second embodiment that embodies a banking business support system, a banking business support method, and a banking business support program will be described with reference to FIGS. 9 and 10.
  • the second embodiment has a configuration in which only the method of predicting customer behavior in the first embodiment is changed, and a detailed description of similar portions will be omitted.
  • a customer behavior prediction model is calculated by performing machine learning using the deposit condition to customer status as an input layer, the borrowing increase / decrease, and the deposit increase / decrease as an output layer.
  • a target increase / decrease in borrowing and a deposit condition for obtaining a deposit increase / decrease is calculated.
  • the control unit 21 of the support server 20 executes a machine learning process of the customer behavior (Step S2-1). Specifically, as in step S1-1, the support management unit 211 of the control unit 21 uses the information acquired from the back-end system 40 at each evaluation time to make a deposit condition, a loan condition, an external condition, Create a data set (teacher data) consisting of status, borrowing change, and deposit change. Next, the learning unit 212 uses the deposit conditions (before change), the loan conditions (before change), the borrowing increase / decrease, the deposit increase / decrease, the external situation, and the customer situation as input layers, and deposit conditions (after change), loan conditions (after change). ) Is used as an output layer to perform machine learning to calculate a customer behavior prediction model.
  • the control unit 21 of the support server 20 executes a process of recording a learning result as in step S1-2 (step S2-2).
  • the control unit 21 of the support server 20 executes a balance sheet evaluation process (Step S2-3).
  • the analysis unit 214 of the control unit 21 acquires various information from the management information storage unit 48 and inputs the information to the balance sheet.
  • the analysis unit 214 adjusts each item of the balance sheet with a predetermined fluctuation range, and creates a target balance sheet (target balance sheet).
  • the target balance sheet is, for example, a balance sheet that satisfies the priority items and restrictions recorded in the regulation information storage unit 47 and maximizes the profit.
  • control unit 21 of the support server 20 executes a target amount setting process for cash and deposits from the balance sheet (step S2-4). Specifically, the analysis unit 214 of the control unit 21 calculates the increase / decrease of the deposit from the difference between the customer deposit on the target balance sheet and the customer deposit on the current balance sheet. Further, the analysis unit 214 calculates the increase or decrease in borrowing from the difference between the loan on the target balance sheet and the loan on the current balance sheet.
  • control unit 21 of the support server 20 executes a current situation setting process as in step S1-3 (step S2-5).
  • the control unit 21 of the support server 20 executes a financial transaction condition prediction process (step S2-6).
  • the prediction unit 213 of the control unit 21 inputs the change in deposit and the change in borrowing calculated in step S2-4 to the customer behavior prediction model.
  • the prediction unit 213 calculates a deposit condition and a loan condition using the customer behavior prediction model.
  • control unit 21 of the support server 20 executes an output process (Step S2-7). Specifically, the support management unit 211 of the control unit 21 outputs the calculated deposit conditions (after the change) and the loan conditions (after the change) to the user terminal 10.
  • the control unit 21 of the support server 20 executes a machine learning process of customer behavior (step S2-1).
  • the learning unit 212 uses the deposit conditions (before change), the loan conditions (before change), the borrowing increase / decrease, the deposit increase / decrease, the external situation, and the customer situation as input layers, and deposit condition (after change), loan condition (after change). ) Is used as an output layer to perform machine learning to calculate a customer behavior prediction model. Thereby, financial transaction conditions for realizing the target balance sheet can be predicted.
  • an optimized balance sheet is searched by changing deposit conditions and lending conditions.
  • bank behavior for calculating a better balance sheet may be predicted by machine learning.
  • a bank behavior prediction model that associates the bank behavior pattern with the balance sheet using teacher data including the external situation information of the bank, cash and deposit, bank behavior pattern (financing or investment), and balance sheet evaluation results. Generate.
  • a bank behavior prediction model may be generated by using regulation information of financial transactions in an input layer.
  • financial transactions as customer behavior are predicted using financial transaction conditions.
  • Financial transactions are not limited to deposits and borrowings, but may be combined with one or the other.
  • customer behavior may be predicted using products and services provided by a bank.
  • a service information storage unit and a product information storage unit are provided in the back-end system 40, and history information on provision conditions and provision status of services and products is recorded. Then, machine learning is performed by using the provision conditions and provision status information of services and products as teacher data as a data set, and a customer behavior model is calculated.
  • teacher data is created using the information of the own bank.
  • machine learning may be performed including information of other lines.
  • information that cannot be obtained from another bank is complemented using information of the own bank.
  • the position information of the other bank branch is acquired, and is substituted by the customer information of the own bank branch located near the other bank branch.
  • the external situation information is recorded in the back-end system 40.
  • the external situation information may be obtained from an external system such as an information providing site.
  • the user terminal 10, the support server 20, and the back-end system 40 are used.
  • the hardware configuration is not limited to this. For example, these may be integrally configured.
  • the control unit 21 is not limited to performing software processing for all processing executed by itself.
  • the control unit 21 may include a dedicated hardware circuit (for example, an application specific integrated circuit (ASIC)) that performs hardware processing for at least a part of the processing executed by the control unit 21.
  • ASIC application specific integrated circuit
  • the control unit 21 includes 1) one or more processors that operate according to a computer program (software), 2) one or more dedicated hardware circuits that execute at least a part of various processes, or 3). It may be configured as a circuit including a combination thereof.
  • the processor includes a CPU and a memory such as a RAM and a ROM, and the memory stores program codes or instructions configured to cause the CPU to execute processing.
  • Memory or computer readable media includes any available media that can be accessed by a general purpose or special purpose computer.
  • Reference Signs List 10 user terminal 20 support server, 21 control unit, 22 learning result storage unit, 211 support management unit, 212 learning unit, 213 prediction unit, 214 analysis unit, 40 backend system, 42 ... customer information storage unit, 43 ... account information storage unit, 44 ... transaction information storage unit, 45 ... condition information storage unit, 46 ... external situation storage unit, 47 ... regulation information storage unit, 48 ... management information storage unit.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

的確かつ効率的な銀行業務の実行を支援するための銀行業務支援システム、方法及びプログラムを提供する。支援サーバ（２０）の制御部（２１）は、バックエンドシステム（４０）から、同一時期の外部状況情報、金融取引条件、顧客状況情報、金融取引状況を取得し、前記取得した情報をデータセットとする教師データを用いて機械学習を行ない、金融取引条件と金融取引状況とを関連付ける顧客行動予測モデルを生成し、現在の外部状況及び顧客状況に対して、前記顧客行動予測モデルを用いて、取引状況の目標値に対応する金融取引条件を算出する。

Description

銀行業務支援システム、銀行業務支援方法及び銀行業務支援プログラム
　本開示は、銀行業務を支援するための銀行業務支援システム、銀行業務支援方法及び銀行業務支援プログラムに関する。
　銀行においては、預金、貸出等の各種金融サービスや商品を提供している。そして、金融機関の顧客に対して、その行動を予測して、サービスや商品の提案を行なうための技術が検討されている（例えば、特許文献１、２参照）。この特許文献１に記載された技術においては、来店可能性のある顧客に限り動機付けを行なう。特許文献１の顧客行動管理サーバは、店舗への顧客の来店履歴及びこの顧客の立寄箇所情報に基づいて、この顧客の来店日時を予測する。予測した来店日時が、この店舗の繁忙時間に当たるか否かを判別し、この顧客の来店日時が繁忙時間に当たると判別した場合は、別の日時の来店を促す情報をこの顧客に通知する。
　また、特許文献２に記載されたモデル作成装置は、顧客のサービスに対する認知度をサービスの存在の認知及びサービスの機能の認知を含む認知度として、顧客行動をモデル化する。そして、予測装置は、顧客行動モデルを利用して、顧客がどのサービスを選択するかを予測する。
　また、顧客の証券投資による資産運用を支援し、金融機関の貸付業務の円滑化や経営の健全化を図るための技術も検討されている（例えば、特許文献３参照）。特許文献３に記載された技術においては、金融機関サーバに、金融機関に開設された顧客の預金口座の情報を記憶する預金口座ＤＢと、証券会社で保管・管理される有価証券に対して発行される預託証券を顧客から金融機関が借り入れる形で金融機関に開設された顧客の預託証券口座の情報を記憶する預託証券口座ＤＢとを設ける。そして、顧客の売買指示を受け付けて売買取次情報を作成して証券会社サーバへ送信し、証券会社サーバから売買結果情報を受信して預金口座ＤＢ及び預託証券口座ＤＢの残高を更新する。
　また、機械学習等を利用して、業務を支援する技術も検討されている（例えば、特許文献４参照）。この特許文献４に記載された技術においては、受付部が、依頼業務に対する回答と判断理由とを受注者から受け付ける。類型分類部は、判断理由と回答とに基づいた類型に判断理由を分類する。類型抽出部は、分類された類型に基づいて、所定の類型に属する判断理由を抽出する。提供部は、抽出された判断理由を提供する。
特開２０１６－１７３６４９号公報 特開２００５－３５２７２８号公報 特開２００７－４７９４０号公報 特開２０１６－１７７４７７号公報
　上記特許文献１に記載された技術では、各顧客の行動を予測しており、経営全体に資する顧客行動を予測するものではない。また、特許文献２に記載された技術では、銀行における顧客行動の制御は考慮されていない。特許文献３に記載された技術では、金融機関の経営の健全化は考慮されているが、顧客行動を促すことは想定されていない。
　・上記課題を解決する銀行業務支援システムは、時期毎に、金融取引の金融取引条件と、顧客状況情報と、顧客との間での金融取引状況を含む履歴情報と、外部状況情報とを記憶する情報記憶システムと、ユーザ端末及び前記情報記憶システムに接続される制御部とを備える。そして、前記制御部が、前記情報記憶システムから、同一時期の外部状況情報、金融取引条件、顧客状況情報、金融取引状況を取得し、前記取得した情報をデータセットとする教師データを用いて機械学習を行ない、金融取引条件と金融取引状況とを関連付ける顧客行動予測モデルを生成し、現在の外部状況及び顧客状況に対して、前記顧客行動予測モデルを用いて、取引状況の目標値に対応する金融取引条件を算出する。
　本開示によれば、的確かつ効率的な銀行業務の実行を支援することができる。
本実施形態の銀行業務支援システムの説明図。 ハードウェア構成例の説明図。 本実施形態の情報記憶部の説明図であって、（ａ）は顧客情報記憶部、（ｂ）は口座情報記憶部、（ｃ）は取引情報記憶部、（ｄ）は条件情報記憶部の説明図。 本実施形態の情報記憶部の説明図であって、（ａ）は外部状況記憶部、（ｂ）は規制情報記憶部、（ｃ）は経営情報記憶部の説明図。 本実施形態の顧客行動及び銀行行動の関係の説明図。 本実施形態のバランスシートの説明図。 本実施形態の顧客行動モデルの説明図。 他の実施形態の処理手順の説明図。 他の実施形態の顧客行動モデルの説明図。 他の実施形態の処理手順の説明図。
　（第１の実施形態）
　以下、図１～図７に従って、銀行業務支援システム、銀行業務支援方法及び銀行業務支援プログラムを具体化した一実施形態を説明する。本実施形態では、銀行（金融機関）における的確なバランスシートの実現のために、銀行の顧客に対して提供するサービスや商品の金融取引条件を制御する場合を想定する。
　ここでは、図１に示すように、ユーザ端末１０、支援サーバ２０、バックエンドシステム４０（業務システム）を備える銀行業務システムを用いる。
　まず、図５を用いて、本実施形態の概念を説明する。機械学習を用いて、顧客行動Ａ１を予測する場合を想定する。顧客行動Ａ１としては、銀行への資金の預金や銀行からの資金の借入がある。この顧客行動Ａ１は、顧客属性が属するセグメントに応じた顧客状況Ｄ０１、物価や市場状況等の外部状況Ｄ０２に依存する。この場合、銀行は、金融取引条件としての預金条件Ｄ０３や貸出条件Ｄ０４を制御することにより、顧客行動Ａ１を促すことができる。そして、この顧客行動Ａ０１による借入（貸出金）や預金により、銀行の現預金Ｄ０５が決まる。
　この現預金Ｄ０５に応じて銀行行動Ａ２を行なう。この銀行行動Ａ２には、資金調達や投資がある。本実施形態では、投資として、例えば有価証券購入を想定する。この銀行行動Ａ２は、市場状況やインターバンク金利等の外部状況Ｄ１１や、制約等の規制Ｄ１２に依存する。
　そして、現預金Ｄ０５、資金調達、投資に基づいて、銀行のバランスシートＢＳ１が決まる。
　次に、図６を用いて、銀行のバランスシートＢＳ１を説明する。このバランスシートＢＳ１は、借方として、現預金、貸出金、有価証券、その他の項目から構成される。また、貸方として、顧客預金、純資産の各項目から構成される。この場合、バランスシートＢＳ１を構成する各項目には、優先度や制約がある。
　例えば、優先度（１）としては、「現預金は顧客預金のａ％（例えば、２０％程度）」がある。現預金は、顧客預金の解約に対する備えであるが、収益性が低いため、現預金の割合が少ない方がよい。
　優先度（２）としては、「貸出金及び有価証券は、顧客預金のｂ％（例えば、７０％程度）」がある。貸出金及び有価証券は、収益性が高いが、信用リスクがあるため、自己資本比率は低下するためである。そこで、貸出金利、貸出期間で金額を制御する必要がある。
　優先度（３）としては、「有価証券は、優先度（１）、（２）を除いたｃ％（例えば、１０％程度）」がある。有価証券は、収益性では貸出金に劣後するものの、国債であれば信用リスクはない。そこで、現預金の余剰資金として運用する。
　また、制約（１）としては、「自己資本比率」に関する規制がある。この自己資本比率規制は、リスクアセットに対する自己資本比率であり、普通株式等のＴｉｅｒ１比率が１０％程度とする規制である。
　制約（２）としては、「純資産」に関する規制がある。純資産は総資産の例えば、１０％程度とする。この純資産は損失発生時のバッファとして用いる。
　制約（３）としては、「流動性カバレッジ比率」に関する規制がある。流動性カバレッジ比率では、３０日間のストレス時の資金流出に対応し、流動性が高い資産を確保することである。
　制約（４）としては、「安定調達比率」に関する規制がある。この安定調達比率は、短期に売却困難な資産に対し、中長期的に安定的な調達を確保することである。
　制約（５）は、「ＩＲＲＢＢ（銀行の金利リスク）」に関するものである。具体的には、金利リスク（例えば、米ドル・ユーロ：２００ｂｐ、日本円：１００ｂｐ金利上昇時）の損失をＴｉｅｒ１の１５％に限定することである。
　ユーザ端末１０は、銀行の担当者が用いるコンピュータ端末である。
　支援サーバ２０は、制御部２１、学習結果記憶部２２を備える。この制御部２１は、支援管理部２１１、学習部２１２、予測部２１３、解析部２１４を備える。
　支援管理部２１１は、銀行業務の業務を支援する処理を実行する。具体的には、支援管理部２１１は、バックエンドシステム４０から各種情報を取得し、学習部２１２や予測部２１３に提供する。更に、予測部２１３から予測結果を取得し、ユーザ端末１０に出力する。また、支援管理部２１１は、条件候補リストを保持する。この条件候補リストには、支援処理に用いる複数の預金条件候補、貸出条件候補に関するデータが記録されている。
　学習部２１２は、入力層や出力層を構成する各変数からなる教師データを用いて機械学習を行ない、予測モデルを生成する処理を実行する。この学習部２１２は、多変量解析、機械学習、ディープラーニングにより、各種情報から予測に用いる予測モデルを生成する。
　予測部２１３は、学習部２１２によって生成された予測モデルを用いて、各変数を予測する処理を実行する。
　解析部２１４は、企業の経営活動において、収益が最大になる行動を予測する処理を実行する。解析部２１４は、現預金を評価するための基準割合に関するデータを保持する。更に、解析部２１４は、現預金及び顧客預金残高に応じて、投資シミュレーション、調達シミュレーションを実行する。投資シミュレーション、調達シミュレーションにおいては、上述した規制（優先度や制約）を考慮して、シミュレーションを行なう。
　投資シミュレーションにおいては、余剰している現預金を用いて、有価証券を購入するシミュレーションを行なう。例えば、現在の余剰金で国債を購入した場合の損益を予測する。
　調達シミュレーションにおいては、不足している現預金を用いて、現金を調達するシミュレーションを行なう。例えば、現在の余剰金でインターバンク金利を用いて現金を調達した場合の損益を予測する。
　学習結果記憶部２２には、顧客の行動を予測するための予測モデルデータが記録される。この予測モデルデータは、顧客状況、外部状況、金利に基づいて、学習を行なった場合に記録される。この学習結果記憶部２２には、顧客に関する予測モデルデータが記録される。
　バックエンドシステム４０は、情報記憶システムとして機能する。このため、バックエンドシステム４０は、顧客情報記憶部４２、口座情報記憶部４３、取引情報記憶部４４、条件情報記憶部４５、外部状況記憶部４６、規制情報記憶部４７、経営情報記憶部４８を備える。
　図３（ａ）に示すように、顧客情報記憶部４２には、銀行の顧客についての顧客管理レコードが記録されている。顧客管理レコードは、顧客が銀行に口座を開設した場合に登録され、変更時等に更新される。顧客管理レコードには、顧客番号などの顧客識別子、顧客情報、顧客属性、口座識別子に関するデータが記録される。
　顧客識別子データ領域には、銀行の各顧客を特定するための識別子に関するデータが記録される。
　顧客情報データ領域には、この顧客の個人情報（氏名、口座識別子、連絡先、住所等）に関するデータが記録される。
　顧客属性データ領域には、この顧客の属性（年齢や性別、職種等）に関するデータが記録される。この顧客属性により、顧客が属するセグメントが決まる。この顧客属性は、登録時期や変更時期に関連付けられて記憶される。
　口座識別子データ領域には、この顧客が保有する口座を特定するための識別子（本支店コード、種別コード、口座番号）に関するデータが記録される。
　図３（ｂ）に示すように、口座情報記憶部４３には、銀行に開設された預金口座に関する口座管理レコード４３０が記録される。口座管理レコード４３０は、銀行に開設された口座の残高状況を統計的に評価したときに記録される。この口座管理レコード４３０には、評価時期、セグメント、預金種別、預金残高総量に関するデータが記録されている。
　評価時期データ領域には、銀行に開設された口座を評価した時期（年月日）に関するデータが記録される。
　セグメントデータ領域には、顧客属性のセグメントを特定するための識別子に関するデータが記録される。
　預金種別データ領域には、預金の種類（例えば、普通預金、定期預金等）を特定するための識別子に関するデータが記録される。
　預金残高総量データ領域には、このセグメントに属する顧客が保有する預金種別の全口座の残高の合計額に関するデータが記録される。
　図３（ｃ）に示すように、取引情報記憶部４４には、顧客との取引（本実施形態では貸出）に関する取引管理レコード４４０が記録される。取引管理レコードは、顧客との間での取引状況を統計的に評価したときに記録される。この取引管理レコードには、評価時期、セグメント、貸出種別、貸出残高総量に関するデータが記録されている。
　評価時期データ領域には、銀行における貸出を評価した時期（年月日）に関するデータが記録される。
　セグメントデータ領域には、顧客属性のセグメントを特定するための識別子に関するデータが記録される。
　貸出種別データ領域には、貸出の種類（例えば、住宅ローン、カードローン等）を特定するための識別子に関するデータが記録される。
　貸出残高総量データ領域には、このセグメントに属する顧客に対する貸出種別の全貸出の残高の合計額に関するデータが記録される。
　図３（ｄ）に示すように、条件情報記憶部４５には、預金条件管理レコード４５０や貸出条件管理レコード４５１が記録される。預金条件管理レコード４５０や貸出条件管理レコード４５１は、顧客に提供する金融取引条件（預金条件や貸出条件）が決められた場合に記録される。
　預金条件管理レコード４５０には、変更時期、預金種別、預金条件に関するデータが記録される。
　変更時期データ領域には、預金条件を変更した年月日に関するデータが記録される。
　預金種別データ領域には、預金の種類を特定するための識別子に関するデータが記録される。
　預金条件データ領域には、変更された預金条件（預金金利、預金期間）に関するデータが記録される。
　貸出条件管理レコード４５１には、変更時期、貸出種別、貸出条件に関するデータが記録される。
　変更時期データ領域には、貸出条件を変更した年月日に関するデータが記録される。
　貸出種別データ領域には、貸出の種類を特定するための識別子に関するデータが記録される。ここで、貸出種別データ領域に、貸出を行なう顧客のセグメントや与信スコアに応じた貸出種別を記録するようにしてもよい。
　貸出条件データ領域には、変更された貸出条件（貸出金利、貸出期間）に関するデータが記録される。
　図４（ａ）に示すように、外部状況記憶部４６には、各種外部状況に関するデータが記録される。本実施形態では、外部状況情報として、経済指標情報４６１、市場情報４６２、金利情報４６３を用いる。
　経済指標情報４６１には、経済指標情報を取得した時期（年月日）に関連付けて、経済指標に関する情報が記録される。この経済指標としては、例えば、ＧＤＰ、物価等に関する情報を用いることができる。
　市場情報４６２には、市場情報を取得した時期（年月日）に関連付けて、市場情報が記録される。この市場情報としては、例えば、国債（国内・海外）、株式（国内・海外）、為替等に関するインデックス情報を用いることができる。
　金利情報４６３には、金利情報を取得した時期（年月日）に関連付けて、金利情報が記録される。この金利情報としては、例えば、自行金利、海外金利、他行金利、インターバンク金利等を用いることができる。
　図４（ｂ）に示すように、規制情報記憶部４７には、各種規制に関する規制情報が記録される。この規制情報は、担当者により規制が登録された場合に記録される。
　規制情報には、規制が設定された時期（年月日）に関連付けて、規制（優先度や制約等）に関する情報、すなわち、優先情報４７１及び制約情報４７２が記録される。
　図４（ｃ）に示すように、経営情報記憶部４８には、銀行の経営状態を説明するバランスシートを構成する各要素についての各種情報が記録される。本実施形態では、保有有価証券情報４８１、資金調達情報４８２、純資産情報４８３が記録される。
　保有有価証券情報４８１には、銀行が保有する有価証券（銘柄、数量、価格）に関する情報が記録される。
　資金調達情報４８２には、銀行が調達した資金（調達先、金額）に関する情報が記録される。
　純資産情報４８３には、銀行が保有する純資産（資産内容、価格）に関する情報が記録される。
　（ハードウェア構成例）
　図２は、ユーザ端末１０～バックエンドシステム４０等として機能する情報処理装置Ｈ１０のハードウェア構成例である。
　情報処理装置Ｈ１０は、通信装置Ｈ１１、入力装置Ｈ１２、表示装置Ｈ１３、記憶部Ｈ１４、プロセッサＨ１５を有する。なお、このハードウェア構成は一例であり、他のハードウェアを有していてもよい。
　通信装置Ｈ１１は、他の装置との間で通信経路を確立して、データの送受信を実行するインタフェースであり、例えばネットワークインタフェースカードや無線インタフェース等である。
　入力装置Ｈ１２は、利用者等からの入力を受け付ける装置であり、例えばマウスやキーボード等である。
　表示装置Ｈ１３は、各種情報を表示するディスプレイやタッチパネル等である。
　記憶部Ｈ１４は、ユーザ端末１０～バックエンドシステム４０の各種機能を実行するためのデータや各種プログラムを格納する非一時的なコンピュータ可読媒体又は記憶装置（例えば、学習結果記憶部２２、事前準備情報記憶部２３、顧客情報記憶部４２～経営情報記憶部４９）である。記憶部Ｈ１４の一例としては、ＲＯＭ、ＲＡＭ、ハードディスク等がある。
　プロセッサＨ１５は、記憶部Ｈ１４に記憶されるプログラムやデータを用いて、ユーザ端末１０～バックエンドシステム４０における各処理を制御する。プロセッサＨ１５の一例としては、例えばＣＰＵやＭＰＵ等がある。このプロセッサＨ１５は、ＲＯＭ等に記憶されるプログラムをＲＡＭに展開して、各種処理に対応する各種プロセスを実行する。例えば、プロセッサＨ１５は、銀行業務支援プログラムが起動された場合、後述する図７に示す各処理を実行するプロセスを動作させる。
　（支援処理）
　図７、図８を用いて、支援処理を説明する。
　ここでは、図７に示すように、預金条件（変更前後）、貸出条件（変更前後）、外部状況、顧客状況から、借入増減、預金増減を予測する顧客行動予測モデルを算出する。
　図８に示すように、支援サーバ２０の制御部２１は、顧客行動の機械学習処理を実行する（ステップＳ１－１）。具体的には、制御部２１の支援管理部２１１は、条件情報記憶部４５から預金金利や貸出金利が変更された年月日（金利変更時期）を、評価時期として特定する。そして、支援管理部２１１は、条件情報記憶部４５から、金利変更時期前後の預金条件及び貸出条件を取得する。次に、支援管理部２１１は、評価時期の外部状況情報を外部状況記憶部４６から取得する。ここでは、外部状況として、経済指標情報４６１、市場情報４６２、金利情報４６３を取得する。更に、支援管理部２１１は、顧客情報記憶部４２から、評価時期における顧客管理レコード４２０に記録された顧客属性（セグメント）を取得し、顧客属性の分布を顧客状況として算出する。次に、支援管理部２１１は、評価時期前後における口座情報記憶部４３に記録された口座残高総量、取引情報記憶部４４に記録された貸出残高総量を取得する。そして、支援管理部２１１は、評価時期後の口座残高総量から評価時期前の口座残高総量を差し引くことにより、預金増減（金額）を算出する。更に、支援管理部２１１は、評価時期後の貸出残高総量から評価時期前の貸出残高総量を差し引くことにより、貸出増減（金額）を算出する。
　そして、支援管理部２１１は、評価時期毎に、預金条件（評価時期前後）、貸出条件（評価時期前後）、外部状況、顧客状況、借入増減、預金増減からなるデータセット（教師データ）を作成する。次に、学習部２１２は、預金条件～顧客状況を入力層とし、借入増減、預金増減を出力層として、機械学習を行なうことにより、顧客行動予測モデルを算出する。
　次に、支援サーバ２０の制御部２１は、学習結果の記録処理を実行する（ステップＳ１－２）。具体的には、制御部２１の学習部２１２は、生成した顧客行動予測モデルを学習結果記憶部２２に記録する。
　次に、支援サーバ２０の制御部２１は、現在状況の設定処理を実行する（ステップＳ１－３）。具体的には、制御部２１の支援管理部２１１は、外部状況記憶部４６から、現在の外部状況を取得する。更に、支援管理部２１１は、顧客情報記憶部４２から、現在の顧客管理レコード４２０に記録された顧客属性（セグメント）を取得し、顧客属性の分布を顧客状況として算出する。そして、予測部２１３は、現在の外部状況及び顧客状況を、顧客行動予測モデルの入力層に設定する。
　次に、支援サーバ２０の制御部２１は、条件の仮設定処理を実行する（ステップＳ１－４）。具体的には、制御部２１の支援管理部２１１は、現在の預金条件、貸出条件に対して、新たな預金条件候補、貸出条件候補を、条件候補リストから取得する。そして、予測部２１３は、現在の預金条件、貸出条件、及び取得した預金条件候補、貸出条件候補を、顧客行動予測モデルの入力層に設定する。
　次に、支援サーバ２０の制御部２１は、増減の予測処理を実行する（ステップＳ１－５）。具体的には、制御部２１の予測部２１３は、顧客行動予測モデルを用いて、出力層の預金増減、借入増減を算出する。
　次に、支援サーバ２０の制御部２１は、現預金と顧客預金の評価処理を実行する（ステップＳ１－６）。具体的には、制御部２１の支援管理部２１１は、予測部２１３が算出した預金増減、借入増減に基づいて、現在の顧客預金、現預金の残高を更新する。そして、解析部２１４は、顧客預金に対して現預金の割合を算出し、基準割合と比較する。
　ここで、現預金の割合が基準割合以上の場合には、支援サーバ２０の制御部２１は、投資シミュレーション処理を実行する（ステップＳ１－７）。具体的には、制御部２１の解析部２１４は、外部サイトから購入可能な有価証券情報を取得し、投資を行なった場合の資金計算を行なう。この場合、規制情報記憶部４７に記録されている各種規制（優先度や制約）を満たすように、投資金額を計算する。
　一方、現預金の割合が基準割合未満の場合には、支援サーバ２０の制御部２１は、調達シミュレーション処理を実行する（ステップＳ１－８）。具体的には、制御部２１の解析部２１４は、外部サイトから利用可能な調達情報を取得し、調達を行なった場合の資金計算を行なう。この場合、規制情報記憶部４７に記録されている各種規制（優先度や制約）を満たすように、調達シミュレーションを行なう。
　次に、支援サーバ２０の制御部２１は、バランスシートの評価処理を実行する（ステップＳ１－９）。具体的には、制御部２１の支援管理部２１１は、シミュレーション結果をバランスシートに適用する。更に、支援管理部２１１は、経営情報記憶部４８に記録されている各種情報をバランスシートに設定する。次に、支援管理部２１１は、投資シミュレーション処理（ステップＳ１－７）、調達シミュレーション処理（ステップＳ１－８）によるシミュレーション結果をバランスシートに適用する。そして、支援管理部２１１は、算出したバランスシートを、預金条件、貸出条件に関連付けて仮記憶する。
　次に、支援サーバ２０の制御部２１は、終了かどうかについての判定処理を実行する（ステップＳ１－１０）。具体的には、制御部２１の支援管理部２１１は、条件の仮設定処理（ステップＳ１－４）において、条件候補リストに記録されているすべての預金条件候補、貸出条件候補を使用した場合には、評価処理を終了と判定する。一方、条件候補リストにおいて、まだ使用していない預金条件候補や貸出条件候補が残っている場合には、終了でないと判定する。
　終了でないと判定した場合（ステップＳ１－１０において「ＮＯ」の場合）、支援サーバ２０の制御部２１は、条件の仮設定処理（ステップＳ１－４）以降の処理を繰り返す。
　終了と判定した場合（ステップＳ１－１０において「ＹＥＳ」の場合）、支援サーバ２０の制御部２１は、出力処理を実行する（ステップＳ１－１１）。具体的には、制御部２１の支援管理部２１１は、仮記憶したバランスシートにおいて、優先度や制約を満たすバランスシートを特定し、この場合の預金条件及び貸出条件を、ユーザ端末１０に出力する。そして、出力されたバランスシートを用いて、目標値（収益が最大）となる金融取引条件を特定する。
　以上、本実施形態によれば、以下に示す効果を得ることができる。
　（１－１）本実施形態では、支援サーバ２０の制御部２１は、顧客行動の機械学習処理を実行する（ステップＳ１－１）。評価時期毎に、預金条件、貸出条件、外部状況、顧客状況、借入増減、預金増減からなるデータセット（教師データ）を作成する。次に、学習部２１２は、預金条件～顧客状況を入力層、借入増減、預金増減を出力層として、機械学習を行なうことにより、顧客行動予測モデルを算出する。これにより、預金条件、貸出条件を入力層に用いることで、金融取引条件を変更した場合の借入増減、預金増減を予測することができる。
　外部状況を入力層に用いることにより、外部状況を考慮した借入増減、預金増減を予測することができる。
　顧客状況を入力層に用いることにより、顧客状況を考慮した借入増減、預金増減を予測することができる。
　（１－２）本実施形態では、支援サーバ２０の制御部２１は、条件の仮設定処理（ステップＳ１－４）、増減の予測処理（ステップＳ１－５）を実行する。これにより、金融取引条件候補を用いて、預金や貸出の増減を予測することができる。
　（１－３）本実施形態では、支援サーバ２０の制御部２１は、現預金と顧客預金の評価処理を実行する（ステップＳ１－６）。現預金の割合が高い場合には、支援サーバ２０の制御部２１は、投資シミュレーション処理を実行する（ステップＳ１－７）。一方、現預金の割合が低い場合には、支援サーバ２０の制御部２１は、調達シミュレーション処理を実行する（ステップＳ１－８）。これにより、現預金の残高の適正化を図ることができる。
　この場合、規制情報記憶部４７に記録されている各種規制（優先度や制約）を満たすように、シミュレーションを行なう。これにより、経営における優先度や銀行における規制を考慮したシミュレーションを行なうことができる。
　（１－４）本実施形態では、支援サーバ２０の制御部２１は、バランスシートの評価処理（ステップＳ１－９）、出力処理（ステップＳ１－１１）を実行する。これにより、金融取引条件を変更した場合のバランスシート上の影響を評価することができる。
　（第２の実施形態）
　次に、図９、図１０に従って、銀行業務支援システム、銀行業務支援方法及び銀行業務支援プログラムを具体化した第２の実施形態を説明する。なお、第２の実施形態は、第１の実施形態の顧客行動の予測方法を変更したのみの構成であるため、同様の部分についてはその詳細な説明を省略する。第１の実施形態では、預金条件～顧客状況を入力層、借入増減、預金増減を出力層として、機械学習を行なうことにより、顧客行動予測モデルを算出する。
　第２の実施形態では、図９に示すように、預金条件（変更前）、貸出条件（変更前）、外部状況、顧客状況において、目標とする借入増減、預金増減を得るための預金条件（変更後）、貸出条件（変更後）を予測する顧客行動予測モデルを算出する。
　図１０に示すように、支援サーバ２０の制御部２１は、顧客行動の機械学習処理を実行する（ステップＳ２－１）。具体的には、制御部２１の支援管理部２１１は、ステップＳ１－１と同様に、バックエンドシステム４０から、評価時期毎に取得した情報に基づいて、預金条件、貸出条件、外部状況、顧客状況、借入増減、預金増減からなるデータセット（教師データ）を作成する。次に、学習部２１２は、預金条件（変更前）、貸出条件（変更前）、借入増減、預金増減、外部状況、顧客状況を入力層とし、預金条件（変更後）、貸出条件（変更後）を出力層として、機械学習を行なうことにより、顧客行動予測モデルを算出する。
　まず、支援サーバ２０の制御部２１は、ステップＳ１－２と同様に、学習結果の記録処理を実行する（ステップＳ２－２）。
　次に、支援サーバ２０の制御部２１は、バランスシートの評価処理を実行する（ステップＳ２－３）。具体的には、制御部２１の解析部２１４は、経営情報記憶部４８から各種情報を取得し、バランスシートに入力する。次に、解析部２１４は、バランスシートの各項目を所定の変動幅で調整し、目標とするバランスシート（目標バランスシート）を作成する。この目標バランスシートにおいては、例えば、規制情報記憶部４７に記録された優先項目や制約を満たしながら、収益が最大になるバランスシートである。
　次に、支援サーバ２０の制御部２１は、バランスシートから現預金の目標額設定処理を実行する（ステップＳ２－４）。具体的には、制御部２１の解析部２１４は、目標のバランスシートにおける顧客預金と、現在のバランスシートにおける顧客預金との差額から預金増減を算出する。更に、解析部２１４は、目標のバランスシートにおける貸出金と、現在のバランスシートにおける貸出金との差額から借入増減を算出する。
　次に、支援サーバ２０の制御部２１は、ステップＳ１－３と同様に、現在状況の設定処理を実行する（ステップＳ２－５）。
　次に、支援サーバ２０の制御部２１は、金融取引条件の予測処理を実行する（ステップＳ２－６）。具体的には、制御部２１の予測部２１３は、ステップＳ２－４において算出した預金増減、借入増減を顧客行動予測モデルに入力する。そして、予測部２１３は、顧客行動予測モデルを用いて、預金条件、貸出条件を算出する。
　次に、支援サーバ２０の制御部２１は、出力処理を実行する（ステップＳ２－７）。具体的には、制御部２１の支援管理部２１１は、算出した預金条件（変更後）及び貸出条件（変更後）を、ユーザ端末１０に出力する。
　以上、本実施形態によれば、以下に示す効果を得ることができる。
　（２－１）本実施形態では、支援サーバ２０の制御部２１は、顧客行動の機械学習処理を実行する（ステップＳ２－１）。ここでは、学習部２１２は、預金条件（変更前）、貸出条件（変更前）、借入増減、預金増減、外部状況、顧客状況を入力層とし、預金条件（変更後）、貸出条件（変更後）を出力層として、機械学習を行なうことにより、顧客行動予測モデルを算出する。これにより、目標バランスシートを実現するための金融取引条件を、予測することができる。
　本実施形態は、以下のように変更して実施することができる。本実施形態及び以下の変更例は、技術的に矛盾しない範囲で互いに組み合わせて実施することができる。
　・上記第１の実施形態では、預金条件、貸出条件を変更することにより、最適化されたバランスシートを検索する。これに代えて、よりよいバランスシートを算出するための銀行行動についても機械学習により予測するようにしてもよい。この場合には、銀行の外部状況情報、現預金、銀行行動パターン（資金調達又は投資）、バランスシートの評価結果を含む教師データを用い、銀行行動パターンとバランスシートとを関連付ける銀行行動予測モデルを生成する。更に、金融取引の規制情報を入力層に用いて、銀行行動予測モデルを生成するようにしてもよい。
　・上記各実施形態では、金融取引条件を用いて、顧客行動としての金融取引（預金と借入）を予測する。金融取引は、預金、借入に限定されるものではなく、いずれか一方や他の取引と組み合わせてもよい。例えば、銀行が提供する商品やサービスを用いて、顧客行動を予測するようにしてもよい。この場合には、バックエンドシステム４０に、サービス情報記憶部や商品情報記憶部を設け、サービスや商品の提供条件や提供状況に関する履歴情報を記録する。そして、サービスや商品の提供条件や提供状況情報をデータセットとする教師データとして用いて機械学習を行ない、顧客行動モデルを算出する。
　・上記各実施形態では、自行の情報を用いて、教師データを作成する。これに加えて、他行の情報を含めて、機械学習を行なうようにしてもよい。ここで、他行より入手できない情報については、自行の情報を用いて補完する。例えば、顧客情報については、他行支店の位置情報を取得し、他行支店に近隣に存在する自行支店の顧客情報により代用する。
　・上記各実施形態では、外部状況情報をバックエンドシステム４０に記録する。外部状況情報は、情報提供サイト等の外部システムから取得するようにしてもよい。
　・上記各実施形態では、ユーザ端末１０、支援サーバ２０、バックエンドシステム４０を用いる。ハードウェア構成は、これに限定されるものではない。例えば、これらを一体で構成してもよい。
　・制御部２１は、自身が実行する全ての処理についてソフトウェア処理を行うものに限られない。たとえば、制御部２１は、自身が実行する処理の少なくとも一部についてハードウェア処理を行う専用のハードウェア回路（たとえば特定用途向け集積回路：ＡＳＩＣ）を備えてもよい。すなわち、制御部２１は、１）コンピュータプログラム（ソフトウェア）に従って動作する１つ以上のプロセッサ、２）各種処理のうち少なくとも一部の処理を実行する１つ以上の専用のハードウェア回路、或いは３）それらの組み合わせ、を含む回路（ｃｉｒｃｕｉｔｒｙ）として構成し得る。プロセッサは、ＣＰＵ並びに、ＲＡＭ及びＲＯＭ等のメモリを含み、メモリは、処理をＣＰＵに実行させるように構成されたプログラムコード又は指令を格納している。メモリすなわちコンピュータ可読媒体は、汎用又は専用のコンピュータでアクセスできるあらゆる利用可能な媒体を含む。
　１０…ユーザ端末、２０…支援サーバ、２１…制御部、２２…学習結果記憶部、２１１…支援管理部、２１２…学習部、２１３…予測部、２１４…解析部、４０…バックエンドシステム、４２…顧客情報記憶部、４３…口座情報記憶部、４４…取引情報記憶部、４５…条件情報記憶部、４６…外部状況記憶部、４７…規制情報記憶部、４８…経営情報記憶部。

Claims (9)

  1. 　時期毎に、金融取引の金融取引条件と、顧客状況情報と、顧客との間での金融取引状況を含む履歴情報と、外部状況情報とを記憶する情報記憶システムと、
    　ユーザ端末及び前記情報記憶システムに接続される制御部とを備えた銀行業務支援システムであって、
    　前記制御部が、
    　前記情報記憶システムから、同一時期の外部状況情報、金融取引条件、顧客状況情報、金融取引状況を取得し、
    　前記取得した情報をデータセットとする教師データを用いて機械学習を行ない、金融取引条件と金融取引状況とを関連付ける顧客行動予測モデルを生成し、
    　現在の外部状況及び顧客状況に対して、前記顧客行動予測モデルを用いて、取引状況の目標値に対応する金融取引条件を算出することを特徴とする銀行業務支援システム。
  2. 　前記金融取引条件として、金利を用いることを特徴とする請求項１に記載の銀行業務支援システム。
  3. 　前記金融取引には、預金と貸出の少なくとも一方を含み、
    　前記金融取引状況としての預金状況と貸出状況に基づいて、銀行の経営状況を予測することを特徴とする請求項１又は２に記載の銀行業務支援システム。
  4. 　銀行の資産状況を記憶する経営情報記憶部を更に備え、
    　前記制御部が、
    　前記経営情報記憶部に記憶した資産状況に基づいて算出した資金調達及び投資の金額を取得し、
    　前記資金調達及び投資の金額に基づいてバランスシートを算出することを特徴とする請求項１～３のいずれか一項に記載の銀行業務支援システム。
  5. 　前記制御部が、
    　目標バランスシートを取得し、前記目標バランスシートにおける資金調達又は投資の金額を特定し、
    　前記金額に基づいて、前記金融取引状況の目標値を算出することを特徴とする請求項１～４のいずれか一項に記載の銀行業務支援システム。
  6. 　前記制御部が、銀行の外部状況情報、現預金、銀行行動パターン、バランスシートの評価結果を含む教師データを用い、銀行行動パターンとバランスシートとを関連付ける銀行行動予測モデルを生成することを特徴とする請求項５に記載の銀行業務支援システム。
  7. 　前記情報記憶システムは、金融取引の規制情報を更に記憶し、
    　前記制御部が、前記情報記憶システムに記憶された金融取引の規制情報を用いて、銀行行動を予測することを特徴とする請求項１～６のいずれか一項に記載の銀行業務支援システム。
  8. 　時期毎に、金融取引の金融取引条件と、顧客状況情報と、顧客との間での金融取引状況を含む履歴情報と、外部状況情報とを記憶する情報記憶システムと、
    　ユーザ端末及び前記情報記憶システムに接続される制御部とを備えた銀行業務支援システムを用いて、銀行業務を支援するための方法であって、
    　前記制御部が、
    　前記情報記憶システムから、同一時期の外部状況情報、金融取引条件、顧客状況情報、金融取引状況を取得し、
    　前記取得した情報をデータセットとする教師データを用いて機械学習を行ない、金融取引条件と金融取引状況とを関連付ける顧客行動予測モデルを生成し、
    　現在の外部状況及び顧客状況に対して、前記顧客行動予測モデルを用いて、取引状況の目標値に対応する金融取引条件を算出することを特徴とする銀行業務支援方法。
  9. 　時期毎に、金融取引の金融取引条件と、顧客状況情報と、顧客との間での金融取引状況を含む履歴情報と、外部状況情報とを記憶する情報記憶システムと、
    　ユーザ端末及び前記情報記憶システムに接続される制御部とを備えた銀行業務支援システムを用いて、銀行業務を支援するためのプログラムであって、
    　前記制御部を、
    　前記情報記憶システムから、同一時期の外部状況情報、金融取引条件、顧客状況情報、金融取引状況を取得し、
    　前記取得した情報をデータセットとする教師データを用いて機械学習を行ない、金融取引条件と金融取引状況とを関連付ける顧客行動予測モデルを生成し、
    　現在の外部状況及び顧客状況に対して、前記顧客行動予測モデルを用いて、取引状況の目標値に対応する金融取引条件を算出する手段として機能させることを特徴とする銀行業務支援プログラム。
PCT/JP2018/031595 2018-08-27 2018-08-27 銀行業務支援システム、銀行業務支援方法及び銀行業務支援プログラム WO2020044408A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
US16/328,192 US11514516B2 (en) 2018-08-27 2018-08-27 Banking operation support system, banking operation support method, and banking operation support program
PCT/JP2018/031595 WO2020044408A1 (ja) 2018-08-27 2018-08-27 銀行業務支援システム、銀行業務支援方法及び銀行業務支援プログラム
JP2018553253A JP6526356B1 (ja) 2018-08-27 2018-08-27 銀行業務支援システム、銀行業務支援方法及び銀行業務支援プログラム
US18/052,450 US20230092126A1 (en) 2018-08-27 2022-11-03 Banking operation support system, banking operation support method, and banking operation support program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/031595 WO2020044408A1 (ja) 2018-08-27 2018-08-27 銀行業務支援システム、銀行業務支援方法及び銀行業務支援プログラム

Related Child Applications (2)

Application Number Title Priority Date Filing Date
US16/328,192 A-371-Of-International US11514516B2 (en) 2018-08-27 2018-08-27 Banking operation support system, banking operation support method, and banking operation support program
US18/052,450 Continuation US20230092126A1 (en) 2018-08-27 2022-11-03 Banking operation support system, banking operation support method, and banking operation support program

Publications (1)

Publication Number Publication Date
WO2020044408A1 true WO2020044408A1 (ja) 2020-03-05

Family

ID=66730649

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/031595 WO2020044408A1 (ja) 2018-08-27 2018-08-27 銀行業務支援システム、銀行業務支援方法及び銀行業務支援プログラム

Country Status (3)

Country Link
US (2) US11514516B2 (ja)
JP (1) JP6526356B1 (ja)
WO (1) WO2020044408A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11520836B2 (en) * 2019-06-06 2022-12-06 Brandy Smith Automated platform for data management

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002288421A (ja) * 2001-03-26 2002-10-04 Dai-Ichi Mutual Life Insurance Co 融資ポートフォリオ最適行動シミュレーション・システム及びその方法
JP2003114977A (ja) * 2001-10-03 2003-04-18 Hitachi Ltd 顧客生涯価値算出方法およびシステム
JP2017151527A (ja) * 2016-02-22 2017-08-31 株式会社三菱総合研究所 情報処理装置及び情報処理方法

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6941287B1 (en) * 1999-04-30 2005-09-06 E. I. Du Pont De Nemours And Company Distributed hierarchical evolutionary modeling and visualization of empirical data
US8788404B1 (en) * 2003-12-11 2014-07-22 Cornell Research Foundation, Inc. Structured finance securities option pricing architecture and process
JP2005352728A (ja) 2004-06-10 2005-12-22 Nippon Telegr & Teleph Corp <Ntt> 需要予測方法および需要予測装置
JP4676276B2 (ja) 2005-08-08 2011-04-27 株式会社大和証券グループ本社 口座管理システムおよび口座管理方法、並びにプログラム
US8423323B2 (en) * 2005-09-21 2013-04-16 Icosystem Corporation System and method for aiding product design and quantifying acceptance
US20070226163A1 (en) * 2006-01-13 2007-09-27 Robles Daniel R Innovation Bank; a Novel Method of Business Related to the Integration and Capitalization of Knowledge Assets
US8924269B2 (en) * 2006-05-13 2014-12-30 Sap Ag Consistent set of interfaces derived from a business object model
US20090144123A1 (en) * 2007-11-30 2009-06-04 Sap Ag System and Method of Demand Modeling for Financial Service Products
US8210425B2 (en) * 2008-04-25 2012-07-03 Netsuite, Inc. Multiple rate currency consolidator
US8571948B1 (en) * 2008-06-16 2013-10-29 Bank Of America Corporation Extension of credit for monetary items still in transport
US8799150B2 (en) * 2009-09-30 2014-08-05 Scorelogix Llc System and method for predicting consumer credit risk using income risk based credit score
US10607284B2 (en) * 2011-06-21 2020-03-31 Early Warning Services, Llc System and method to search and verify borrower information using banking and investment account data and process to systematically share information with lenders and government sponsored agencies for underwriting and securitization phases of the lending cycle
US8645270B2 (en) * 2011-10-24 2014-02-04 Paynection Enhanced customer interaction channel systems and methods
JP6458572B2 (ja) 2015-03-16 2019-01-30 カシオ計算機株式会社 顧客行動管理装置、顧客行動管理方法およびプログラム
JP6465708B2 (ja) 2015-03-19 2019-02-06 ヤフー株式会社 情報提供装置、情報提供方法および情報提供プログラム
JP6098982B2 (ja) 2015-08-31 2017-03-22 株式会社三菱総合研究所 情報処理装置及び情報処理方法
US10872369B1 (en) * 2015-12-28 2020-12-22 Wells Fargo Bank, N.A. Systems and methods for providing intelligent electronic communications
US11200597B2 (en) * 2016-01-07 2021-12-14 Worldpay, Llc Systems and methods for identification of predicted consumer spend based on historical purchase activity progressions
GB201610984D0 (en) * 2016-06-23 2016-08-10 Microsoft Technology Licensing Llc Suppression of input images
US10997672B2 (en) * 2017-05-31 2021-05-04 Intuit Inc. Method for predicting business income from user transaction data
US10360631B1 (en) * 2018-02-14 2019-07-23 Capital One Services, Llc Utilizing artificial intelligence to make a prediction about an entity based on user sentiment and transaction history
US10902514B2 (en) * 2018-04-10 2021-01-26 Wells Fargo Bank, N.A. Systems and methods for private loan creation
US11682074B2 (en) * 2018-04-13 2023-06-20 Gds Link Llc Decision-making system and method based on supervised learning
US11126893B1 (en) * 2018-05-04 2021-09-21 Intuit, Inc. System and method for increasing efficiency of gradient descent while training machine-learning models

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002288421A (ja) * 2001-03-26 2002-10-04 Dai-Ichi Mutual Life Insurance Co 融資ポートフォリオ最適行動シミュレーション・システム及びその方法
JP2003114977A (ja) * 2001-10-03 2003-04-18 Hitachi Ltd 顧客生涯価値算出方法およびシステム
JP2017151527A (ja) * 2016-02-22 2017-08-31 株式会社三菱総合研究所 情報処理装置及び情報処理方法

Also Published As

Publication number Publication date
US20230092126A1 (en) 2023-03-23
US20210383466A1 (en) 2021-12-09
JPWO2020044408A1 (ja) 2020-09-03
JP6526356B1 (ja) 2019-06-05
US11514516B2 (en) 2022-11-29

Similar Documents

Publication Publication Date Title
US9773242B1 (en) Mobile point-of-sale crowdfunding
JP4977028B2 (ja) 組み合わせ売買およびリスク管理ｇｕｉ表示を表示するためのシステムおよび方法
CN108780559A (zh) 目标达成证券投资组合生成装置、程序以及方法
JP2008512775A5 (ja)
US11386488B2 (en) System and method for combining product specific data with customer and merchant specific data
KR20060085565A (ko) 카드 사용과 연계된 간접투자형 금융상품 운용 시스템 및방법
JP7311495B2 (ja) 改善された住宅ローン金利決定
US9558490B2 (en) Systems and methods for predicting a merchant&#39;s change of acquirer
JP7156783B2 (ja) 金融資産ファンドを管理するためのコンピュータベースのシステムおよびコンピュータにより実行される方法
JP2012517632A (ja) 変換係数を用いたオンライン上における販売手当算出方法、販売手当算出システム、及びその記録媒体
KR20170076100A (ko) 투자자와 판매자를 중계하는 피투피 플랫폼 서비스 시스템
US20080262961A1 (en) Merchant Credit Risk Monitoring
JP7042637B2 (ja) プログラム、情報処理装置、情報処理方法及び仮想通貨取引システム
JP2017120583A (ja) 自動与信システム
JP7360808B2 (ja) 銀行業務支援システム、銀行業務支援方法及び銀行業務支援プログラム
Vasile et al. Banking relationship management: A new paradigm
US20210158439A1 (en) Method for Optimizing Usage Savings in Financial Accounts
US20230092126A1 (en) Banking operation support system, banking operation support method, and banking operation support program
US20160019646A1 (en) Computer systems and methods for balancing indexes
US20200234372A1 (en) System and Method For Automated Investment
KR101795685B1 (ko) 실물 화폐를 이용한 거래 방법 및 장치
US20220309493A1 (en) Expediting transaction settlement
JP7053077B1 (ja) シングルユーザアクションによる意思決定を支援するための方法及びシステム
Chouhan et al. The effect of financial technology (Fin-tech) on the conventional banking industry in India
JP2018037080A (ja) 一般消費者向け持ち株会装置、プログラム及び方法

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2018553253

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18931327

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18931327

Country of ref document: EP

Kind code of ref document: A1