ホーム > 特許ランキング > 株式会社マネーフォワード
知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024035769
(43)【公開日】2024-03-14
(54)【発明の名称】情報処理システム、プログラム及び情報処理方法
(51)【国際特許分類】
G06Q 20/14 20120101AFI20240307BHJP
G06Q 10/04 20230101ALI20240307BHJP
【ＦＩ】
G06Q20/14
G06Q10/04
【審査請求】未請求
【請求項の数】13
【出願形態】ＯＬ
(21)【出願番号】P 2022197120
(22)【出願日】2022-12-09
(62)【分割の表示】P 2022139746の分割
【原出願日】2022-09-02
(71)【出願人】
【識別番号】513040384
【氏名又は名称】株式会社マネーフォワード
(74)【代理人】
【識別番号】110002789
【氏名又は名称】弁理士法人ＩＰＸ
(72)【発明者】
【氏名】山内 健太
(72)【発明者】
【氏名】小林 真央
【テーマコード（参考）】
5L049
5L055
【Ｆターム（参考）】
5L049AA04
5L055AA32
(57)【要約】 （修正有）
【課題】債権の債務者に対して督促行為を実行する場合又は督促行為を実行しない場合に債務者によって債権への支払いが行われるか予測を行う情報処理システム、プログラム及び情報処理方法を提供する。
【解決手段】クライアント装置の制御部が、予測対象の債権についての対象債権データを取得し、対象債権データを学習モデルに入力することで、予測対象の債権の債務者に対して、督促行為を実行する場合または督促行為を実行しない場合に債務者によって予測対象の債権への支払いが行われるかに関する予測を行う情報処理システムであって、学習モデルは、複数の債権のそれぞれについての説明変数データと、複数の債権のそれぞれの債務者に対して督促行為を実行した結果として支払いがされたか又は督促行為を実行しなかった結果として支払いがされたかの結果を示す支払い有無結果を表す目的変数データと、を学習することによって得られた学習モデルである。
【選択図】図６
【解決手段】クライアント装置の制御部が、予測対象の債権についての対象債権データを取得し、対象債権データを学習モデルに入力することで、予測対象の債権の債務者に対して、督促行為を実行する場合または督促行為を実行しない場合に債務者によって予測対象の債権への支払いが行われるかに関する予測を行う情報処理システムであって、学習モデルは、複数の債権のそれぞれについての説明変数データと、複数の債権のそれぞれの債務者に対して督促行為を実行した結果として支払いがされたか又は督促行為を実行しなかった結果として支払いがされたかの結果を示す支払い有無結果を表す目的変数データと、を学習することによって得られた学習モデルである。
【選択図】図６
【特許請求の範囲】
【請求項1】
情報処理システムであって
学習モデルを用いて、債権の債務者に対して督促行為を実行する場合または督促行為を実行しない場合に前記債務者によって前記債権への支払いが行われるかに関する予測を行う制御部を有し、
前記学習モデルは、複数の債権のそれぞれについての説明変数データと、前記複数の債権のそれぞれの債務者に対して督促行為を実行した結果として支払いがされたかまたは督促行為を実行しなかった結果として支払いがされたかの結果を示す支払い有無結果を表す目的変数データと、を学習することによって得られた学習モデルであり、
前記制御部は、
予測対象の債権についての対象債権データを取得し、
前記対象債権データを前記学習モデルに入力することで、予測対象の前記債権の債務者に対して、督促行為を実行する場合または督促行為を実行しない場合に前記債務者によって予測対象の前記債権への支払いが行われるかに関する予測を行う、
情報処理システム。
学習モデルを用いて、債権の債務者に対して督促行為を実行する場合または督促行為を実行しない場合に前記債務者によって前記債権への支払いが行われるかに関する予測を行う制御部を有し、
前記学習モデルは、複数の債権のそれぞれについての説明変数データと、前記複数の債権のそれぞれの債務者に対して督促行為を実行した結果として支払いがされたかまたは督促行為を実行しなかった結果として支払いがされたかの結果を示す支払い有無結果を表す目的変数データと、を学習することによって得られた学習モデルであり、
前記制御部は、
予測対象の債権についての対象債権データを取得し、
前記対象債権データを前記学習モデルに入力することで、予測対象の前記債権の債務者に対して、督促行為を実行する場合または督促行為を実行しない場合に前記債務者によって予測対象の前記債権への支払いが行われるかに関する予測を行う、
情報処理システム。
【請求項2】
請求項１に記載の情報処理システムにおいて、
前記制御部は、
複数の予測対象の債権についてのデータである複数の対象債権データを取得し、
前記複数の対象債権データを前記学習モデルに入力することで、予測対象の前記複数の債権のそれぞれの債務者に対して督促行為を実行する場合または督促行為を実行しない場合に前記それぞれの債務者によって予測対象の前記複数の債権への支払いが行われる確率をそれぞれ出力する、
情報処理システム。
前記制御部は、
複数の予測対象の債権についてのデータである複数の対象債権データを取得し、
前記複数の対象債権データを前記学習モデルに入力することで、予測対象の前記複数の債権のそれぞれの債務者に対して督促行為を実行する場合または督促行為を実行しない場合に前記それぞれの債務者によって予測対象の前記複数の債権への支払いが行われる確率をそれぞれ出力する、
情報処理システム。
【請求項3】
請求項２に記載の情報処理システムにおいて、
前記目的変数データは、支払いの期限を過ぎた後に債務者に対して電話による督促行為を実行した場合に、前記債務者によって前記債権への支払いが行われたかに関する電話督促支払データを含み、
前記制御部は、
前記複数の対象債権データを前記学習モデルに入力することで、予測対象の前記複数の債権のそれぞれの債務者に対して電話による督促行為を実行する場合に前記それぞれの債務者によって予測対象の前記複数の債権への支払いが行われる確率をそれぞれ出力する、
情報処理システム。
前記目的変数データは、支払いの期限を過ぎた後に債務者に対して電話による督促行為を実行した場合に、前記債務者によって前記債権への支払いが行われたかに関する電話督促支払データを含み、
前記制御部は、
前記複数の対象債権データを前記学習モデルに入力することで、予測対象の前記複数の債権のそれぞれの債務者に対して電話による督促行為を実行する場合に前記それぞれの債務者によって予測対象の前記複数の債権への支払いが行われる確率をそれぞれ出力する、
情報処理システム。
【請求項4】
請求項２に記載の情報処理システムにおいて、
前記目的変数データは、支払いの期限を過ぎた後に債務者に対して電話による督促行為を実行した場合に、前記債務者によって前記債権への支払いが行われなかったかに関する電話督促未払データを含み、
前記制御部は、
前記複数の対象債権データを前記学習モデルに入力することで、予測対象の前記複数の債権のそれぞれの債務者に対して電話による督促行為を実行しても前記それぞれの債務者によって予測対象の前記複数の債権への支払いが行われない確率をそれぞれ出力する、
情報処理システム。
前記目的変数データは、支払いの期限を過ぎた後に債務者に対して電話による督促行為を実行した場合に、前記債務者によって前記債権への支払いが行われなかったかに関する電話督促未払データを含み、
前記制御部は、
前記複数の対象債権データを前記学習モデルに入力することで、予測対象の前記複数の債権のそれぞれの債務者に対して電話による督促行為を実行しても前記それぞれの債務者によって予測対象の前記複数の債権への支払いが行われない確率をそれぞれ出力する、
情報処理システム。
【請求項5】
請求項２に記載の情報処理システムにおいて、
前記目的変数データは、支払いの期限を過ぎた後に債務者に対して電話による督促行為を実行しなかった場合に前記債務者によって前記債権への支払いが行われたかに関する自然支払データを含み、
前記制御部は、
前記複数の対象債権データを前記学習モデルに入力することで、予測対象の前記複数の債権のそれぞれの債務者に対して電話による督促行為を実行しなくても前記それぞれの債務者によって予測対象の前記複数の債権への支払いが行われる確率をそれぞれ出力する、
情報処理システム。
前記目的変数データは、支払いの期限を過ぎた後に債務者に対して電話による督促行為を実行しなかった場合に前記債務者によって前記債権への支払いが行われたかに関する自然支払データを含み、
前記制御部は、
前記複数の対象債権データを前記学習モデルに入力することで、予測対象の前記複数の債権のそれぞれの債務者に対して電話による督促行為を実行しなくても前記それぞれの債務者によって予測対象の前記複数の債権への支払いが行われる確率をそれぞれ出力する、
情報処理システム。
【請求項6】
請求項２に記載の情報処理システムにおいて、
前記目的変数データは、
支払いの期限を過ぎた後に債務者に対して電話による督促行為を実行した場合に、前記債務者によって前記債権への支払いが行われたかに関する電話督促支払データと、
支払いの期限を過ぎた後に債務者に対して電話による督促行為を実行した場合に、前記債務者によって前記債権への支払いが行われなかったかに関する電話督促未払データと、
支払いの期限を過ぎた後に債務者に対して電話による督促行為を実行しなかった場合に前記債務者によって前記債権への支払いが行われたかに関する自然支払データと、を含み、
前記制御部は、
前記複数の対象債権データを前記学習モデルに入力することで、
予測対象の前記複数の債権のそれぞれの債務者に対して電話による督促行為を実行する場合に前記それぞれの債務者によって予測対象の前記複数の債権への支払いが行われる確率と、
予測対象の前記複数の債権のそれぞれの債務者に対して電話による督促行為を実行しても前記それぞれの債務者によって予測対象の前記複数の債権への支払いが行われない確率と、
予測対象の前記複数の債権のそれぞれの債務者に対して電話による督促行為を実行しなくても前記それぞれの債務者によって予測対象の前記複数の債権への支払いが行われる確率と、をそれぞれ出力する、
情報処理システム。
前記目的変数データは、
支払いの期限を過ぎた後に債務者に対して電話による督促行為を実行した場合に、前記債務者によって前記債権への支払いが行われたかに関する電話督促支払データと、
支払いの期限を過ぎた後に債務者に対して電話による督促行為を実行した場合に、前記債務者によって前記債権への支払いが行われなかったかに関する電話督促未払データと、
支払いの期限を過ぎた後に債務者に対して電話による督促行為を実行しなかった場合に前記債務者によって前記債権への支払いが行われたかに関する自然支払データと、を含み、
前記制御部は、
前記複数の対象債権データを前記学習モデルに入力することで、
予測対象の前記複数の債権のそれぞれの債務者に対して電話による督促行為を実行する場合に前記それぞれの債務者によって予測対象の前記複数の債権への支払いが行われる確率と、
予測対象の前記複数の債権のそれぞれの債務者に対して電話による督促行為を実行しても前記それぞれの債務者によって予測対象の前記複数の債権への支払いが行われない確率と、
予測対象の前記複数の債権のそれぞれの債務者に対して電話による督促行為を実行しなくても前記それぞれの債務者によって予測対象の前記複数の債権への支払いが行われる確率と、をそれぞれ出力する、
情報処理システム。
【請求項7】
請求項１に記載の情報処理システムにおいて、
前記説明変数データは、債務者への請求書に関するデータであって、請求金額のデータと、取引の対象となる商品または役務の内容のデータと、支払い期限のデータとを含む、
情報処理システム。
前記説明変数データは、債務者への請求書に関するデータであって、請求金額のデータと、取引の対象となる商品または役務の内容のデータと、支払い期限のデータとを含む、
情報処理システム。
【請求項8】
請求項１に記載の情報処理システムにおいて、
前記説明変数データは、学習される前記複数の債権のそれぞれについての売手の属性のデータと、前記売手の債権がどのように支払われていたかに関する取引実績のデータとの少なくとも一方を含む、
情報処理システム。
前記説明変数データは、学習される前記複数の債権のそれぞれについての売手の属性のデータと、前記売手の債権がどのように支払われていたかに関する取引実績のデータとの少なくとも一方を含む、
情報処理システム。
【請求項9】
請求項１に記載の情報処理システムにおいて、
前記説明変数データは、前記債務者の属性のデータと、前記債務者の取引の実績に関するデータとの少なくとも一方を含む、
情報処理システム。
前記説明変数データは、前記債務者の属性のデータと、前記債務者の取引の実績に関するデータとの少なくとも一方を含む、
情報処理システム。
【請求項10】
請求項１に記載の情報処理システムにおいて、
前記制御部は、
一定の時間間隔で前記予測を行い、
前記予測が行われるタイミングにおける予測対象の前記債権は、支払いの期日が過ぎた債権である、
情報処理システム。
前記制御部は、
一定の時間間隔で前記予測を行い、
前記予測が行われるタイミングにおける予測対象の前記債権は、支払いの期日が過ぎた債権である、
情報処理システム。
【請求項11】
情報処理システムであって、
制御部を有し、
前記制御部は、
複数の債権のそれぞれについての説明変数データと、前記複数の債権のそれぞれの債務者に対して督促行為を実行した結果として支払いが行われたかまたは督促行為を実行しなかった結果として支払いが行われたかの結果を示す目的変数データと、を学習することにより学習モデルを取得する、
情報処理システム。
制御部を有し、
前記制御部は、
複数の債権のそれぞれについての説明変数データと、前記複数の債権のそれぞれの債務者に対して督促行為を実行した結果として支払いが行われたかまたは督促行為を実行しなかった結果として支払いが行われたかの結果を示す目的変数データと、を学習することにより学習モデルを取得する、
情報処理システム。
【請求項12】
プログラムであって、
コンピュータを、請求項１～１１の何れか１つに記載の情報処理システムの前記制御部として機能させるためのプログラム。
コンピュータを、請求項１～１１の何れか１つに記載の情報処理システムの前記制御部として機能させるためのプログラム。
【請求項13】
情報処理システムが実行する情報処理方法であって、
請求項１～１１の何れか１つに記載の情報処理システムの前記制御部が実行する各処理を備える、
情報処理方法。
請求項１～１１の何れか１つに記載の情報処理システムの前記制御部が実行する各処理を備える、
情報処理方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、情報処理システム、プログラム及び情報処理方法に関する。
【背景技術】
【0002】
従来の技術において、約定期日、約束期日、支払日に基づき債務者特性要因要素を決定し、以前の債務者特性要因要素の集合である累計債務者特性要因要素に加算し、加算した累計債務者特性要因要素に基づき債務者の特性に最も合致した顧客タイプを選択し、優先順位をつけて督促電話業務を出力しているので、顧客タイプに合致して電話業務をオペレータが実施することができ、効率的な督促業務を実行することができる技術が知られている（特許文献１）。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２００７－０９４９９８号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、特許文献１には機械学習を用いて督促を効率化することは開示されていない。
【0005】
上記事情を鑑み、機械学習を用いて督促を効率化する技術を提供することを目的とする。
【課題を解決するための手段】
【0006】
本発明の一態様によれば、情報処理システムが提供される。この情報処理システムは、情報処理システムであって学習モデルを用いて、債権の債務者に対して督促行為を実行する場合または督促行為を実行しない場合に債務者によって債権への支払いが行われるかに関する予測を行う制御部を有する。学習モデルは、複数の債権のそれぞれについての説明変数データと、複数の債権のそれぞれの債務者に対して督促行為を実行した結果として支払いがされたかまたは督促行為を実行しなかった結果として支払いがされたかの結果を示す支払い有無結果を表す目的変数データと、を学習することによって得られた学習モデルである。制御部は、予測対象の債権についての対象債権データを取得する。対象債権データを学習モデルに入力することで、予測対象の債権の債務者に対して、督促行為を実行する場合または督促行為を実行しない場合に債務者によって予測対象の債権への支払いが行われるかに関する予測を行う。
【図面の簡単な説明】
【0007】
【図1】本開示におけるビジネスモデルの一例を説明する図である。
【図2】本開示における債権の種類の一例を示す図である。
【図3】実施形態１に係る情報処理システム１のシステム構成の一例を示す図である。
【図4】実施形態１に係るサーバ装置２のハードウェア構成の一例を示す図である。
【図5】実施形態１に係るクライアント装置３のハードウェア構成の一例を示す図である。
【図6】実施形態１に係る情報処理システム１によって実行される情報処理の流れを示すアクティビティの一例を示す図である。
【図7】実施形態１に係る学習モデル５に機械学習させる処理の一例を示す図である。
【図8】実施形態１に係る説明変数データ４０の一例を示す図である。
【図9】実施形態１に係る学習済みの学習モデル７に予測させる処理の一例を示す図である。
【図10】実施形態１に係る電話督促支払データテーブルＴ１の一例を示す図である。
【図11】実施形態２に係る電話督促未払データテーブルＴ２の一例を示す図である。
【図12】実施形態３に係る自然支払データテーブルＴ３の一例を示す図である。
【図13】実施形態４に係る債権予測データテーブルＴ４の一例を示す図である。
【発明を実施するための形態】
【0008】
［実施形態］
以下、図面を用いて本発明の実施形態について説明する。以下に示す実施形態中で示した各種特徴事項は、互いに組み合わせ可能である。
以下、図面を用いて本発明の実施形態について説明する。以下に示す実施形態中で示した各種特徴事項は、互いに組み合わせ可能である。
【0009】
本実施形態では、図１に示すビジネスモデルにて債権の回収を行う例について説明する。図１は、本開示におけるビジネスモデルの一例を説明する図である。図１において、売手Ｘは、商品Ｐの売手である。債務者Ｙは、商品Ｐの買手である。債務者Ｙは、商品Ｐの支払いに関する債権の債務者である。代理者Ｚは、売手Ｘから債権を買い取り、商品Ｐの支払いに関する債権の回収を売手Ｘの代わりに行う。代理者Ｚは、商品Ｐの支払いに関する債権の債権者である。
【0010】
図１に示すビジネスモデルでは、まず、売手Ｘは、債務者Ｙに商品Ｐを掛けで販売する。商品Ｐを掛けで販売した売手Ｘは、商品Ｐの債権の回収の依頼を通知手段Ｎにより代理者Ｚに連絡する。売手Ｘから通知手段Ｎにより連絡を受けた代理者Ｚは、貸し倒れ等のリスクを考慮して、債権の審査を行う。審査を通過した債権について、代理者Ｚは、売手Ｘに商品Ｐの代金Ｍ１を支払う。ここで代金Ｍ１は、商品Ｐの売上額から代理者Ｚの手数料を差し引かれることがある。また、代理者Ｚは、債務者Ｙに商品Ｐの債権に関する支払いを請求手段Ｉにより請求する。請求手段Ｉにより請求を受けた債務者Ｙは、代金Ｍ２を代理者Ｚに支払う。以上がこのビジネスモデルの一連の流れである。このビジネスモデルは、ファクタリングともいう。なお、商品Ｐの代わりに、役務に関する取引が行われる場合についても同様である。
【0011】
いくつかの債務者Ｙは、期限内に債権に関する支払いを行わずに、支払いを遅延させている。代理者Ｚは、そのような債権の債務者Ｙに対して、メール、電話、訪問等により支払い督促を行なっている。
【0012】
本実施形態では、債権は、図２に示す種類に分類される。図２は、本開示における債権の種類の一例を示す図である。すなわち、債権は、支払い期限内に代金の支払いが行われる債権と、支払い期限内に代金の支払いが行われない債権とに少なくとも分類される。また、期限内に代金の支払いが行われない債権は、期限は超えるが自然に支払われる債権（以下クラスＡ）と、督促したら支払われる債権（以下クラスＢ）と、督促しても支払われない債権（以下クラスＣ）とに分類される。なお、クラスＣに分類されるにあたって、督促しても支払われなかったかの判断については、既に督促しており、かつ、一定の期間が経過した場合に、督促しても支払われなかったものと判断されてもよい。代理者Ｚは、コスト、時間、人的資源等の観点から、電話や訪問をできるだけせずに、効率的に支払いの督促を行いたい。例えば、クラスＡに該当するような債権に対しては、督促行為を実施する必要は高くないと考えられる一方で、クラスＢに該当するような債権に対しては、督促行為を実施する意義は高いと考えられるからである。
【0013】
本実施形態では、ファクタリングにあたり、期限内に代金の支払いが行われない債権が、期限は超えるが自然に支払われる債権であるか、督促したら支払われる債権であるか、または督促しても支払われない債権かを合理的に予測する方法について説明する。
【0014】
ところで、本実施形態に登場するソフトウェアを実現するためのプログラムは、コンピュータが読み取り可能な非一時的な記録媒体（Ｎｏｎ－Ｔｒａｎｓｉｔｏｒｙ Ｃｏｍｐｕｔｅｒ－Ｒｅａｄａｂｌｅ Ｍｅｄｉｕｍ）として提供されてもよいし、外部のサーバからダウンロード可能に提供されてもよいし、外部のコンピュータで当該プログラムを起動させてクライアント装置でその機能を実現（いわゆるクラウドコンピューティング）するように提供されてもよい。
【0015】
また、本実施形態において「部」とは、例えば、広義の回路によって実施されるハードウェア資源と、これらのハードウェア資源によって具体的に実現されうるソフトウェアの情報処理とを合わせたものも含みうる。また、本実施形態においては様々な情報を取り扱うが、これらの情報は、例えば電圧・電流を表す信号値の物理的な値、０または１で構成される２進数のビット集合体としての信号値の高低、または量子的な重ね合わせ（いわゆる量子ビット）によって表され、広義の回路上で通信・演算が実行されうる。
【0016】
また、広義の回路とは、回路（Ｃｉｒｃｕｉｔ）、回路類（Ｃｉｒｃｕｉｔｒｙ）、プロセッサ（Ｐｒｏｃｅｓｓｏｒ）、及びメモリ（Ｍｅｍｏｒｙ）等を少なくとも適当に組み合わせることによって実現される回路である。すなわち、特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Ｓｉｍｐｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＳＰＬＤ）、複合プログラマブル論理デバイス（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ：ＦＰＧＡ））等を含むものである。
【0017】
【0018】
図３は、実施形態１に係る情報処理システム１のシステム構成の一例を示す図である。図３が示すように、情報処理システム１は、サーバ装置２、クライアント装置３と、ネットワークＮＷとを含む。サーバ装置２は、ネットワークＮＷを介して、クライアント装置３と通信可能に構成される。これにより、サーバ装置２及びクライアント装置３は、相互に様々な情報を送信または受信することができる。なお、サーバ装置２及びクライアント装置３は、情報処理装置の一例であり、本実施形態に限定されるものではない。クライアント装置３は、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）、タブレット型コンピュータ、スマートフォン等の何れであってもよい。なお、サーバ装置２及びクライアント装置３は、複数あってもよい。
【0019】
【0020】
２．１．サーバ装置２のハードウェア構成
図４は、実施形態１に係るサーバ装置２のハードウェア構成の一例を示す図である。図４に示されるように、サーバ装置２は、制御部２１と、記憶部２２と、通信部２３とを備え、これらの構成要素がサーバ装置２の内部において通信バスを介して電気的に接続されている。サーバ装置２は、実施形態に係る処理を実行する。
図４は、実施形態１に係るサーバ装置２のハードウェア構成の一例を示す図である。図４に示されるように、サーバ装置２は、制御部２１と、記憶部２２と、通信部２３とを備え、これらの構成要素がサーバ装置２の内部において通信バスを介して電気的に接続されている。サーバ装置２は、実施形態に係る処理を実行する。
【0021】
制御部２１は、サーバ装置２に関連する全体動作の処理及び制御を行う。制御部２１は、例えば中央処理装置（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ：ＣＰＵ）である。制御部２１が、記憶部２２に記憶された所定のプログラムを読み出し、プログラムに基づき処理を実行することによって、サーバ装置２に係る種々の機能、例えば、後述する図６～図１３に示される処理が実現される。例えば、制御部２１は、学習モデルを用いて、債権の債務者に対して督促行為を実行する場合または督促行為を実行しない場合に債務者によって債権への支払いが行われるかに関する予測を行う。なお、制御部２１は単一であることに限定されず、機能ごとに複数の制御部２１を有するように実施してもよい。また、それらの組合せであってもよい。
【0022】
記憶部２２は、前述の記載により定義される様々な情報を記憶する。これは、例えば、制御部２１によって実行されるサーバ装置２に係る種々のプログラム等を記憶するソリッドステートドライブ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ：ＳＳＤ）等のストレージデバイスとして、プログラムの演算に係る一時的に必要な情報（引数、配列等）を記憶するランダムアクセスメモリ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ：ＲＡＭ）等のメモリとして実施されうる。記憶部２２は、制御部２１によって実行されるサーバ装置２に係る種々のプログラム、変数及び制御部２１がプログラムに基づき処理を実行する際に用いるデータ等を記憶している。記憶部２２は、記憶媒体の一例である。
【0023】
通信部２３は、ＵＳＢ、ＩＥＥＥ１３９４、Ｔｈｕｎｄｅｒｂｏｌｔ（登録商標）、有線ＬＡＮネットワーク通信等といった有線型の通信手段が好ましいものの、無線ＬＡＮネットワーク通信、ＬＴＥ／３Ｇ／４Ｇ／５Ｇ等のモバイル通信、ＢＬＵＥＴＯＯＴＨ（登録商標）通信等を必要に応じて含めてもよい。すなわち、これら複数の通信手段の集合として実施することがより好ましい。すなわち、サーバ装置２は、通信部２３を介して、外部から種々の情報を通信してもよい。
【0024】
２．２．クライアント装置３のハードウェア構成
図５は、実施形態１に係るクライアント装置３のハードウェア構成の一例を示す図である。図５に示されるように、クライアント装置３は、制御部３１と、記憶部３２と、通信部３３と、入力部３４と、出力部３５とを有し、これらの構成要素がクライアント装置３の内部において通信バスを介して電気的に接続されている。クライアント装置３は、実施形態に係る処理を実行する。クライアント装置３は、代理者Ｚに関連するユーザにより使用される。例えば、代理者Ｚが自然人である場合、クライアント装置３は、代理者Ｚにより使用される。また、代理者Ｚが法人である場合、クライアント装置３は、代理者Ｚの従業員、代理者Ｚの関連企業の従業員、代理者Ｚから業務委託を受けた者等により使用される。クライアント装置３の制御部３１、記憶部３２及び通信部３３については、サーバ装置２の制御部２１、記憶部２２及び通信部２３を参照されたい。
図５は、実施形態１に係るクライアント装置３のハードウェア構成の一例を示す図である。図５に示されるように、クライアント装置３は、制御部３１と、記憶部３２と、通信部３３と、入力部３４と、出力部３５とを有し、これらの構成要素がクライアント装置３の内部において通信バスを介して電気的に接続されている。クライアント装置３は、実施形態に係る処理を実行する。クライアント装置３は、代理者Ｚに関連するユーザにより使用される。例えば、代理者Ｚが自然人である場合、クライアント装置３は、代理者Ｚにより使用される。また、代理者Ｚが法人である場合、クライアント装置３は、代理者Ｚの従業員、代理者Ｚの関連企業の従業員、代理者Ｚから業務委託を受けた者等により使用される。クライアント装置３の制御部３１、記憶部３２及び通信部３３については、サーバ装置２の制御部２１、記憶部２２及び通信部２３を参照されたい。
【0025】
入力部３４は、クライアント装置３の筐体に含まれてもよいし、外付けされてもよい。例えば、入力部３４は、出力部３５と一体となってタッチパネルとして実施されてもよい。タッチパネルであれば、ユーザは、タップ操作、スワイプ操作等を入力することが可能である。もちろん、タッチパネルに代えて、スイッチボタン、マウス、ＱＷＥＲＴＹキーボード等を採用してもよい。すなわち、入力部３４がユーザによってなされた操作に基づく入力を受け付ける。当該入力が命令信号として、通信バスを介して制御部３１に転送され、制御部３１が必要に応じて所定の制御または演算を実行しうる。
【0026】
出力部３５は、クライアント装置３の表示部として機能することが可能である。出力部３５は、例えば、クライアント装置３の筐体に含まれてもよいし、外付けされてもよい。出力部３５は、ユーザが操作可能なグラフィカルユーザインターフェース（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ：ＧＵＩ）の画面を表示する。これは例えば、ＣＲＴディスプレイ、液晶ディスプレイ、有機ＥＬディスプレイ及びプラズマディスプレイ等の表示デバイスを、クライアント装置３の種類に応じて使い分けて実施することが好ましい。
【0027】
３．情報処理システム１の情報処理
続いて、本実施形態の情報処理システム１で実行される好ましい情報処理の一例を説明する。
続いて、本実施形態の情報処理システム１で実行される好ましい情報処理の一例を説明する。
【0028】
なお、本明細書において、ネットワークＮＷ、通信部２３及び通信部３３を介して送受信された種々のデータは、記憶部２２及び記憶部３２に記憶されるものとする。
【0029】
また、本明細書において、ネットワークＮＷ、通信部２３、通信部３３及び入力部３４に関連する情報処理を省略して記載することがある。例えば、制御部３１がユーザによる入力部３４への操作を介して所定の入力を受け付けることを、単に制御部３１がユーザから所定の入力を受け付けると記載することがある。また、制御部２１が通信部２３とネットワークＮＷと通信部３３とを介して、クライアント装置３との間で情報を送受信することを、単に制御部２１がクライアント装置３に情報を送信する、または単に制御部２１がクライアント装置３から情報を受信すると省略して記載することがある。制御部３１が通信部３３とネットワークＮＷと通信部２３とを介して、サーバ装置２と情報を送受信する場合についても同様である。
【0030】
本明細書において、出力部３５に情報を表示させる情報処理について、単に制御部３１がある情報を出力部３５に表示させるものとして、また、間接的には制御部２１がある情報を出力部３５に表示させるものとして省略して説明することがある。その場合例えば次に説明するような情報処理が実行されている。例えば、制御部３１は、ユーザによる画面の状態を変化させる指示を受け付ける。制御部３１は、その指示に基づいて表示情報を生成する。制御部３１は、生成した表示情報に基づいて、出力部３５への表示を制御する。また、他の例として、制御部３１は、ユーザによる画面に情報を表示させるための指示をユーザから受け付ける。制御部３１は、その指示をサーバ装置２に送信する。制御部２１は、その指示をクライアント装置３から受信する。制御部２１は、その指示に基づいて表示情報を生成する。制御部２１は、生成した表示情報をクライアント装置３に送信する。制御部３１は、生成した表示情報をサーバ装置２から受信する。制御部３１は、生成した表示情報に基づいて、出力部３５への表示を制御する。ここで表示情報とは、画面、画像、アイコン、テキスト等といった、ユーザが視認可能な態様で生成された情報そのものだけでなく、表示させるためのレンダリング情報を含む概念である。
【0031】
３．１ 情報処理の概要
本節では、前述した情報処理システム１による、情報処理方法を説明する。図６は、実施形態１に係る情報処理システム１によって実行される情報処理の流れを示すアクティビティの一例を示す図である。図６では、Ａ１～Ａ６の処理が学習済みの学習モデル７の取得に関する処理であり、Ａ７～Ａ１３の処理が学習済みの学習モデル７を使用した予測に関する処理である。
本節では、前述した情報処理システム１による、情報処理方法を説明する。図６は、実施形態１に係る情報処理システム１によって実行される情報処理の流れを示すアクティビティの一例を示す図である。図６では、Ａ１～Ａ６の処理が学習済みの学習モデル７の取得に関する処理であり、Ａ７～Ａ１３の処理が学習済みの学習モデル７を使用した予測に関する処理である。
【0032】
まず、制御部３１は、説明変数データ４０と、目的変数データとを含む教師データ４ａ、４ｂ、４ｃを取得する（Ａ１）。例えば、制御部３１は、図２に示す期限内に入金しない債務者の債権のデータを説明変数データ４０として特定する。制御部３１は、それぞれの説明変数データ４０について、目的変数データの分類をユーザから受け付けることで、教師データ４ａ、４ｂ、４ｃを取得する。
【0033】
続いて、制御部３１は、ユーザから機械学習の開始の指示を受け付ける。ユーザから機械学習の開始の指示を受け付けた場合、制御部３１は、教師データ４ａ、４ｂ、４ｃと機械学習の指示とをサーバ装置２に送信する（Ａ２）。
【0034】
続いて、制御部２１は、教師データ４ａ、４ｂ、４ｃと機械学習の指示とをクライアント装置３から受信する（Ａ３）。
【0035】
続いて、制御部２１は、教師データ４ａ、４ｂ、４ｃを用いて、説明変数データ４０を説明変数とし、目的変数データを目的変数として、学習モデル５に機械学習させる（Ａ４）。その後、制御部２１は、学習済みの学習モデル７を取得する。Ａ４については、図７を用いて詳述する。
【0036】
続いて、制御部２１は、学習済みの学習モデル７を取得した旨の通知をクライアント装置３に送信する（Ａ５）。
【0037】
続いて、制御部３１は、学習済みの学習モデル７を取得した旨の通知をサーバ装置２から受信する（Ａ６）。その後、制御部３１は、学習済みの学習モデル７を取得した旨の通知を出力部３５に表示させる。例えば、制御部３１は、「機械学習が完了し、学習モデルを取得しました」等の情報を出力部３５に表示させる。
【0038】
以上Ａ１～Ａ６の処理が学習済みの学習モデル７の取得に関する処理である。なお、図６では、Ａ１～Ａ１３の処理が一連の処理であるかのように説明しているが、情報処理システム１は、Ａ１～Ａ６の学習済みの学習モデル７の取得に関する処理と、Ａ７～Ａ１３の学習済みの学習モデル７を使用した予測に関する処理とを、一連の処理ではないものとして異なるタイミングで実行してもよい。例えば、既に精度の高い学習済みのモデルを取得していた場合、学習させることで以前よりも精度の低い学習済みのモデルとなってしまう場合等に、情報処理システム１は、Ａ１～Ａ６の処理を省略して、Ａ７～Ａ１３の処理のみを実行する。
【0039】
続いて、制御部３１は、予測対象の債権についてのデータである対象債権データ６を取得する（Ａ７）。制御部３１は、学習済みの学習モデル７を用いた予測の指示をユーザから受け付ける。
【0040】
続いて、予測の指示をユーザから受け付けた場合、制御部３１は、対象債権データ６と予測の指示とをサーバ装置２に送信する（Ａ８）。
【0041】
続いて、制御部３１は、対象債権データ６と予測の指示とクライアント装置３から受信する（Ａ９）。
【0042】
続いて、制御部２１は、対象債権データ６を学習済みの学習モデル７に入力し、債務者に対する督促行為の有無によって、債権への支払いが行われるかに関する予測を行う（Ａ１０）。例えば、制御部２１は、債務者に対する督促行為の有無によって、債権への支払いが行われるかの確率に関する予測を行う。その後、制御部２１は、債務者に対する督促行為の有無によって、債権への支払いが行われるかに関する予測の結果に関する出力データ８を出力する。ある観点によると、制御部２１は、予測対象の債権についての対象債権データ６を取得する。制御部２１は、対象債権データ６を学習済みの学習モデル７に入力することで、予測対象の債権の債務者に対して、督促行為を実行する場合または督促行為を実行しない場合に債務者によって予測対象の債権への支払いが行われるかに関する予測を行う。Ａ１０については、図８を用いて詳述する。なお、制御部２１は、例えば月に１回などの一定の時間間隔で予測を実行してもよく、予測が行われるタイミングにおける予測対象の複数の債権は、全て支払いの期日が過ぎた債権であってもよい。
【0043】
続いて、制御部２１は、予測の結果に関する出力データ８をクライアント装置３に送信する（Ａ１１）。
【0044】
続いて、制御部３１は、予測の結果に関する出力データ８をサーバ装置２から受信する（Ａ１２）。
【0045】
最後に、制御部３１は、予測の結果に関する出力データ８を出力部３５に表示させる（Ａ１３）。出力データ８は、電話督促支払データテーブルＴ１を含んでもよい。Ａ１３については、図１０を用いて詳述する。
【0046】
以上、本開示によれば、機械学習を用いて督促を効率化する技術を提供することができる。また、特許文献１では、特許文献１の図８に示されるように、顧客が実際に期限内に支払ったか、顧客への督促として電話をかけた回数、などに基づいて、顧客の特性を決定及び分類している。従って、特許文献１では、新規の顧客は"まだわからない（初期段階）"という特性に分類されてしまう。
【0047】
また、特許文献１では、同一顧客による支払い行為や督促行為の履歴がたまっていかないと、信頼性のある分類とはならないと考えられる。また、本実施形態が対象とするファクタリングにおいて、売手Ｘと債務者Ｙが存在する請求書に関する督促を対象としており、特許文献１とはビジネスモデル上の違いも存在する。
【0048】
本開示によれば、機械学習によって得られた学習モデルを利用することにより、新規の債権（新規の債務者Ｙの債権、もしくは、売手Ｘと債務者Ｙとの新規ペアの債権）に対しても、督促の要否に関する予測をすることができる。さらに、本開示によれば、機械学習によって得られた学習モデルによって、精度及び信頼性の高い方法で督促の要否を判断する技術を提供することができる。
【0049】
また、機械学習を用いる処理を行うにあたって、複雑な情報処理を必要としないため、サーバ装置２及びクライアント装置３のキャッシュメモリの使用も少なくすることができる。また、キャッシュメモリの使用を少なくすることができる結果として、大掛かりな装置またはコンピュータ等を必要としないため、安価に情報処理を実行することができる。
【0050】
３．２ 情報処理の詳細
次に、図７～図１０を用いて、上記概説した情報処理の詳細部分を説明する。まず、図７を用いて、図６のアクティビティＡ４の学習モデル５に機械学習させる処理の詳細について説明する。図７は、実施形態１に係る学習モデル５に機械学習させる処理の一例を示す図である。
次に、図７～図１０を用いて、上記概説した情報処理の詳細部分を説明する。まず、図７を用いて、図６のアクティビティＡ４の学習モデル５に機械学習させる処理の詳細について説明する。図７は、実施形態１に係る学習モデル５に機械学習させる処理の一例を示す図である。
【0051】
図７には、複数の教師データ４ａ、４ｂ、４ｃと、学習モデル５と、が含まれる。教師データ４ａ、４ｂ、４ｃは、図２に示す期限内に入金しない債務者の債権のデータから選定されるデータである。複数の教師データ４ａ、４ｂ、４ｃは、任意のタイミングで、任意の期間のデータを対象に集計されて、教師データとして使用されるデータである。任意のタイミングは、例えば、毎月１日、毎週月曜日、前回の集計から５０日後等のタイミングである。任意の期間は、例えば、直近の集計から３０日の期間、直近の集計から１年の期間等の期間である。
【0052】
教師データ４ａは、説明変数データ４０と、自然支払データ４１とを含む。説明変数データ４０については、図８を用いて詳述する。自然支払データ４１は、支払いの期限を過ぎた後に債務者に対して電話による督促行為を実行しなかった場合に債務者によって債権が支払われたかに関するデータである。自然支払データ４１は、目的変数データの一例である。なお、電話の他にメール及び訪問等の督促行為が行われてもよく、その場合は、自然支払データ４１の代わりに、督促自然支払データが使用される。督促自然支払データは、支払いの期限を過ぎた後に債務者に対して督促行為を実行しなかった場合に債務者によって債権が支払われたかに関するデータである。督促自然支払データは、目的変数データの一例である。
【0053】
教師データ４ｂは、説明変数データ４０と、電話督促支払データ４２とを含む。電話督促支払データ４２は、支払いの期限を過ぎた後に債務者に対して電話による督促行為を実行した場合に、債務者によって債権への支払いが行われたかに関するデータである。電話督促支払データ４２は、目的変数データの一例である。なお、電話の他にメール及び訪問等の督促行為が行われてもよく、その場合は、電話督促支払データ４２の代わりに、督促支払データが使用される。督促支払データは、支払いの期限を過ぎた後に債務者に対して督促行為を実行した場合に、債務者によって債権への支払いが行われたかに関するデータである。督促支払データは、目的変数データの一例である。
【0054】
ある教師データ４ｃは、説明変数データ４０と、電話督促未払データ４３とを含む。電話督促未払データ４３は、支払いの期限を過ぎた後に債務者に対して電話による督促行為を実行した場合に、債務者によって債権への支払いが行われなかったかに関するデータである。電話督促未払データ４３は、目的変数データの一例である。なお、電話の他にメール及び訪問等の督促行為が行われてもよく、その場合は、電話督促未払データ４３の代わりに、督促未払データが使用される。督促未払データは、支払いの期限を過ぎた後に債務者に対して督促行為を実行した場合に、債務者によって債権への支払いが行われなかったかに関するデータである。督促未払データは、目的変数データの一例である。
【0055】
また、例えば、教師データ４ａ、４ｂ、４ｃは、次のように作成される。制御部３１は、請求書に関連するデータから説明変数データ４０を取得する。制御部３１は、ある説明変数データ４０に対して自然支払データ４１に分類することをユーザから受け付けることで、教師データ４ａを取得する。制御部３１は、ある説明変数データ４０に対して電話督促支払データ４２に分類することをユーザから受け付けることで、教師データ４ｂを取得する。制御部３１は、ある説明変数データ４０に対して電話督促未払データ４３に分類することをユーザから受け付けることで、教師データ４ｃを取得する。制御部３１は、上記した説明変数データ４０への分類を複数の説明変数データ４０に対して行なうことで、複数の教師データ４ａ、４ｂ、４ｃを取得する。なお、説明変数データ４０の分類は、サーバ装置２により行われてもよい。
【0056】
学習モデル５は、機械学習に利用される学習モデルである。学習モデル５は、任意の機械学習の手法により学習を行なうことによって生成／更新される。任意の機械学習の手法は、分類問題を解ければよく、例えば、ロジスティック回帰、決定木、ランダムフォレスト、勾配ブースティング決定木、ニューラルネットワーク等の手法である。
【0057】
実施形態１において、制御部２１は、説明変数データ４０を説明変数として、電話督促支払データ４２を目的変数として、任意の機械学習の手法により学習モデル５に学習させる。学習が終了した場合、制御部２１は、学習済みの学習モデル７を取得する。ある観点によると、制御部２１は、複数の債権のそれぞれについての説明変数データ４０と、複数の債権のそれぞれの債務者に対して督促行為を実行した結果として支払いがされたかまたは督促行為を実行しなかった結果として支払いがされたかの結果を示す目的変数データと、を学習することにより学習済みの学習モデル７を取得する。
【0058】
次に、図８を用いて、機械学習における説明変数である説明変数データ４０について説明する。図８は、実施形態１に係る説明変数データ４０の一例を示す図である。説明変数データ４０に関連する各データは、クラスＡ、クラスＢ及びクラスＣと相関のある説明変数として使用される。なお、以下では制御部２１が説明変数データ４０に関連する各データを取得するものとして説明するが、制御部２１の代わりに制御部３１が取得してもよい。
【0059】
説明変数データ４０は、債務者への請求書に関するデータである。説明変数データ４０は、請求書から取得できるデータを用いて、任意の手法を用いることで特定可能なデータを含む。任意の手法は、データベースを参照する手法、スクレイピングにより取得する手法、ユーザの入力により取得する手法等が挙げられる。説明変数データ４０は、債務者データ４００と、売手データ４０１と、請求金額データ４０２と、代理者データ４０３と、請求日データ４０４と、支払期限データ４０５と、取引対象データ４０６と、を含んでもよい。
【0060】
債務者データ４００と、売手データ４０１とについては、後述する。請求金額データ４０２は、請求金額のデータであり、例えば、「３９，５００円」等のデータである。代理者データ４０３は、代理者Ｚを特定するデータであり、代理者Ｚの名称、住所等のデータが含まれる。請求日データ４０４は、請求日に関するデータであり、例えば、「２０２０年１０月３０日」等のデータである。支払期限データ４０５は、支払いの期限に関するデータであり、例えば、「２０２０年１１月３０日」等のデータである。取引対象データ４０６は、取引の対象となる商品または役務の内容のデータであり、「商品Ａ」等のデータである。
【0061】
債務者データ４００は、債務者Ｙに紐づくデータであり、債務者Ｙの属性のデータと、債務者Ｙの取引の実績に関するデータとの少なくとも１つを含む。ここで、債務者Ｙの取引の実績に関するデータは、債務者実績データと省略して称される。なお、債務者データ４００に紐づいて取得可能なデータは、債務者データ４００に含まれるものとする。
【0062】
債務者Ｙの属性のデータは、例えば、次の方法により取得される。制御部２１は、債務者データ４００から債務者Ｙの名称のデータと、債務者Ｙの住所のデータとを取得する。制御部２１は、債務者Ｙの名称のデータと、債務者Ｙの住所のデータとに基づいて債務者Ｙを特定する。特定した債務者Ｙが法人である場合、制御部２１は、上記した任意の手法により、その債務者Ｙの資本金、従業員数、業種、設立からの経過時間、上場の有無、法人番号の有無等に関するデータを、債務者Ｙの属性のデータとして取得する。例えば、予測対象の債権の債務者の属性として、債務者が上場企業である場合には、過去のデータに含まれる上場企業である他の債務者と同じような支払いをする可能性が高いと考えることができる。
【0063】
制御部２１は、債務者データ４００と、請求金額データ４０２と、代理者データ４０３と、請求日データ４０４と、支払期限データ４０５と、取引対象データ４０６とのうち少なくとも１つに基づいて特定した債務者Ｙについて、過去に処理された債務者Ｙに紐づく債権から、任意の債務者実績データを取得する。例えば、金額に関連する債務者実績データを取得する場合、制御部２１は、債務者データ４００と、請求金額データ４０２とに基づいて、金額に関連する債務者実績データを取得する。例えば、代理者Ｚに関連する債務者実績データを取得する場合、制御部２１は、債務者データ４００と、代理者データ４０３とに基づいて、代理者Ｚに関連する債務者実績データを取得する。例えば、期間に関連する債務者実績データを取得する場合、制御部２１は、債務者データ４００と、請求日データ４０４または支払期限データ４０５とに基づいて、期間に関連する債務者実績データを取得する。例えば、取引対象に関連する債務者実績データを取得する場合、制御部２１は、債務者データ４００と、取引対象データ４０６とに基づいて、取引対象に関連する債務者実績データを取得する。
【0064】
債務者実績データは、例えば、債務者Ｙに紐づく過去に処理された債権について、請求日の日付と支払い期限との間の日数に関するデータと、支払いの期日から支払われるまでにどのくらい遅延したのかに関するデータと、督促を行ってから支払われるまでにどのくらい遅延したのかに関するデータとを含んでもよい。
債務者実績データは、例えば、債務者Ｙに紐づく過去に処理された債権について、督促せずに支払われた債権の件数と、督促することで支払われた債権の件数と、督促したが支払われなかった債権の件数（未入金の件数）との少なくとも１つのデータを含んでもよい。例えば、通常は、期日内に支払った過去の実績が多い債務者は、今後も期日内に支払う可能性が高いと考えられる。また、過去の実績として、期日を過ぎるが督促をせずに支払った実績が多い債務者や、督促をした結果として支払実績が多い債務者は、今後も同じような支払いをする可能性が高いと考えられる。
債務者実績データは、例えば、債務者Ｙに紐づく過去に処理された債権について、取引の対象となった商品または役務の内容のデータを含んでもよい。
債務者実績データは、例えば、債務者Ｙ自身に累計で何回の督促を行ったかのデータと、債務者Ｙに紐づく過去に処理された債権毎に累計で何回の督促を行ったかのデータを含んでもよい。
債務者実績データは、例えば、債務者Ｙに紐づく過去に処理された債権について、督促を行ったことで支払われたかのデータを含んでもよい。
債務者実績データは、例えば、債務者Ｙに紐づく過去に処理された債権について、請求書を、電子メールにより債務者Ｙに送信したか、または郵送により債務者Ｙに送信したかのデータを含んでもよい。例えば、請求書を郵送により送信した債務者Ｙは、請求書の現物があるため、請求書の存在を比較的認知しやすい状態である。それにもかかわらず、請求書を郵送により送信した債務者Ｙは、支払いを行っていないこととなるため、クラスＣに分類される可能性が高くなることがある。
債務者実績データは、例えば、直近の一定期間内における、債務者Ｙに紐づく過去に処理された債権についてのデータを含んでもよい。直近の一定期間内は、対象債権の予測を行う時点から起算して１年以内、１ヶ月以内、１週間以内等であってもよい。
債務者実績データは、例えば、債務者Ｙに紐づく過去に処理された債権について、督促せずに支払われた債権の件数と、督促することで支払われた債権の件数と、督促したが支払われなかった債権の件数（未入金の件数）との少なくとも１つのデータを含んでもよい。例えば、通常は、期日内に支払った過去の実績が多い債務者は、今後も期日内に支払う可能性が高いと考えられる。また、過去の実績として、期日を過ぎるが督促をせずに支払った実績が多い債務者や、督促をした結果として支払実績が多い債務者は、今後も同じような支払いをする可能性が高いと考えられる。
債務者実績データは、例えば、債務者Ｙに紐づく過去に処理された債権について、取引の対象となった商品または役務の内容のデータを含んでもよい。
債務者実績データは、例えば、債務者Ｙ自身に累計で何回の督促を行ったかのデータと、債務者Ｙに紐づく過去に処理された債権毎に累計で何回の督促を行ったかのデータを含んでもよい。
債務者実績データは、例えば、債務者Ｙに紐づく過去に処理された債権について、督促を行ったことで支払われたかのデータを含んでもよい。
債務者実績データは、例えば、債務者Ｙに紐づく過去に処理された債権について、請求書を、電子メールにより債務者Ｙに送信したか、または郵送により債務者Ｙに送信したかのデータを含んでもよい。例えば、請求書を郵送により送信した債務者Ｙは、請求書の現物があるため、請求書の存在を比較的認知しやすい状態である。それにもかかわらず、請求書を郵送により送信した債務者Ｙは、支払いを行っていないこととなるため、クラスＣに分類される可能性が高くなることがある。
債務者実績データは、例えば、直近の一定期間内における、債務者Ｙに紐づく過去に処理された債権についてのデータを含んでもよい。直近の一定期間内は、対象債権の予測を行う時点から起算して１年以内、１ヶ月以内、１週間以内等であってもよい。
【0065】
売手データ４０１は、売手Ｘに紐づくデータであり、学習される前記複数の債権のそれぞれについての売手Ｘの属性のデータと、売手Ｘの債権がどのように支払われていたかに関する取引実績のデータとの少なくとも一方を含む。ここで売手Ｘの債権がどのように支払われていたかに関する取引実績のデータは、売手実績データと省略して称される。なお、売手データ４０１に紐づいて取得可能なデータは、売手データ４０１に含まれるものとする。
【0066】
学習される前記複数の債権のそれぞれについての売手Ｘの属性のデータは、例えば、次の方法により取得される。制御部２１は、売手データ４０１から売手Ｘの名称のデータと、売手Ｘの住所のデータとを取得する。制御部２１は、売手Ｘの名称のデータと、売手Ｘの住所のデータとに基づいて売手Ｘを特定する。特定した売手Ｘが法人である場合、制御部２１は、上記した任意の手法により、その売手Ｘの資本金、従業員数、業種、設立からの経過時間、上場の有無、法人番号の有無等に関するデータを、債務者Ｙの属性のデータとして取得する。
【0067】
制御部２１は、売手データ４０１と、請求金額データ４０２と、代理者データ４０３と、請求日データ４０４と、支払期限データ４０５と、取引対象データ４０６とのうち少なくとも１つに基づいて特定した売手Ｘについて、過去に処理された売手Ｘに紐づく債権から、任意の売手実績データを取得する。例えば、金額に関連する売手実績データを取得する場合、制御部２１は、売手データ４０１と、請求金額データ４０２とに基づいて、金額に関連する売手実績データを取得する。例えば、代理者Ｚに関連する売手実績データを取得する場合、制御部２１は、売手データ４０１と、代理者データ４０３とに基づいて、代理者Ｚに関連する売手実績データを取得する。例えば、期間に関連する売手実績データを取得する場合、制御部２１は、売手データ４０１と、請求日データ４０４または支払期限データ４０５とに基づいて、期間に関連する売手実績データを取得する。例えば、取引対象に関連する売手実績データを取得する場合、制御部２１は、売手データ４０１と、取引対象データ４０６とに基づいて、取引対象に関連する売手実績データを取得する。
【0068】
売手実績データは、例えば、売手Ｘに紐づく過去に処理された債権について、請求日の日付と支払い期限との間の日数に関するデータと、支払いの期日から支払われるまでにどのくらい遅延したのかに関するデータと、督促を行ってから支払われるまでにどのくらい遅延したのかに関するデータとを含んでもよい。
売手実績データは、例えば、売手Ｘに紐づく過去に処理された債権について、督促せずに支払われた債権の件数と、督促することで支払われた債権の件数と、督促したが支払われなかった債権の件数（未入金の件数）との少なくとも１つのデータを含んでもよい。例えば、督促したが支払われなかった債権に紐づく債務者は、クラスＣとの相関性が高くなる。
売手実績データは、例えば、売手Ｘに紐づく過去に処理された債権について、取引の対象となった商品または役務の内容のデータを含んでもよい。
売手実績データは、例えば、売手Ｘに紐づく過去に処理された債権について、売手Ｘに紐づく債務者Ｙに累計で何回の督促を行ったかのデータと、売手Ｘに紐づく過去に処理された債権毎に累計で何回の督促を行ったかのデータを含んでもよい。
売手実績データは、例えば、売手Ｘに紐づく過去に処理された債権について、督促を行ったことで支払われたかのデータを含んでもよい。
売手実績データは、例えば、売手Ｘに紐づく過去に処理された債権について、売手Ｘの売上の平均金額のデータを含んでもよい。
売手実績データは、例えば、売手Ｘに紐づく過去に処理された債権について、売手Ｘに紐づく債務者の傾向のデータを含んでもよい。債務者の傾向のデータは、例えば、売手Ｘと取引のある債務者には、飲食業の債務者が多く含まれる等のデータである。
売手実績データは、例えば、売手Ｘに紐づく過去に処理された債権について、売手Ｘの代理者Ｚに対しての実績のデータを含んでもよい。売手Ｘの代理者Ｚに対しての実績のデータは、例えば、代理者Ｚが売手Ｘを代理することで、代理者Ｚにどれだけ売上が出ていたかに関するデータを含む。
売手実績データは、例えば、直近の一定期間内における、過去に処理された売手Ｘに紐づく債権についてのデータを含んでもよい。直近の一定期間内は、対象債権の予測を行う時点から起算して１年以内、１ヶ月以内、１週間以内等であってもよい。
売手実績データは、例えば、売手Ｘに紐づく過去に処理された債権について、督促せずに支払われた債権の件数と、督促することで支払われた債権の件数と、督促したが支払われなかった債権の件数（未入金の件数）との少なくとも１つのデータを含んでもよい。例えば、督促したが支払われなかった債権に紐づく債務者は、クラスＣとの相関性が高くなる。
売手実績データは、例えば、売手Ｘに紐づく過去に処理された債権について、取引の対象となった商品または役務の内容のデータを含んでもよい。
売手実績データは、例えば、売手Ｘに紐づく過去に処理された債権について、売手Ｘに紐づく債務者Ｙに累計で何回の督促を行ったかのデータと、売手Ｘに紐づく過去に処理された債権毎に累計で何回の督促を行ったかのデータを含んでもよい。
売手実績データは、例えば、売手Ｘに紐づく過去に処理された債権について、督促を行ったことで支払われたかのデータを含んでもよい。
売手実績データは、例えば、売手Ｘに紐づく過去に処理された債権について、売手Ｘの売上の平均金額のデータを含んでもよい。
売手実績データは、例えば、売手Ｘに紐づく過去に処理された債権について、売手Ｘに紐づく債務者の傾向のデータを含んでもよい。債務者の傾向のデータは、例えば、売手Ｘと取引のある債務者には、飲食業の債務者が多く含まれる等のデータである。
売手実績データは、例えば、売手Ｘに紐づく過去に処理された債権について、売手Ｘの代理者Ｚに対しての実績のデータを含んでもよい。売手Ｘの代理者Ｚに対しての実績のデータは、例えば、代理者Ｚが売手Ｘを代理することで、代理者Ｚにどれだけ売上が出ていたかに関するデータを含む。
売手実績データは、例えば、直近の一定期間内における、過去に処理された売手Ｘに紐づく債権についてのデータを含んでもよい。直近の一定期間内は、対象債権の予測を行う時点から起算して１年以内、１ヶ月以内、１週間以内等であってもよい。
【0069】
説明変数データ４０は、ファクタリングにおける債権の審査の時点での、債務者Ｙの属性のデータと、債務者Ｙの取引の実績に関するデータと、学習される前記複数の債権のそれぞれについての売手Ｘの属性のデータと、売手Ｘの債権がどのように支払われていたかに関する取引実績のデータとを含んでもよい。また、ファクタリングにおける債権の審査では、債務者Ｙの属性のデータと、債務者Ｙの取引の実績に関するデータと、学習される前記複数の債権のそれぞれについての売手Ｘの属性のデータと、売手Ｘの債権がどのように支払われていたかに関する取引実績のデータとに基づいて、債権の審査が行われる。説明変数データ４０は、この債権の審査の結果を含んでもよい。なお、ファクタリングにおける審査の時点のデータ以外の説明変数データ４０については、学習の実行の時点を基準として取得可能なデータを基本的に用いることができるが、これに限定されるものではない。
【0070】
次に、図９を用いて、図６のアクティビティＡ１０の対象債権データ６を学習済みの学習モデル７に入力し、出力データ８を出力する処理の詳細について説明する。図９は、実施形態１に係る学習済みの学習モデル７に予測させる処理の一例を示す図である。
【0071】
図９には、対象債権データ６と、学習済みの学習モデル７と、出力データ８とが含まれる。対象債権データ６は、債権への支払いが行われるかの予測の対象となる債権に関するデータである。学習済みの学習モデル７は、複数の債権のそれぞれについての説明変数データ４０と、複数の債権のそれぞれの債務者に対して督促行為を実行した結果として支払いがされたかまたは督促行為を実行しなかった結果として支払いがされたかの結果を示す目的変数データと、を学習することによって得られる学習モデルである。出力データ８は、予測対象の複数の債権のそれぞれの債務者に対して電話による督促行為を実行する場合にそれぞれの債務者によって予測対象の複数の債権への支払いが行われる確率を示すデータである。出力データ８は、テーブル形式の電話督促支払データテーブルＴ１であってもよい。電話督促支払データテーブルＴ１については、図１０を用いて詳述する。
【0072】
制御部２１は、複数の対象債権データ６を学習済みの学習モデル７に入力することで、出力データ８を出力する。ある観点によると、制御部２１は、複数の対象債権データ６を学習済みの学習モデル７に入力することで、予測対象の複数の債権のそれぞれの債務者に対して電話による督促行為を実行する場合にそれぞれの債務者によって予測対象の複数の債権への支払いが行われる確率をそれぞれ出力する。なお、電話の他にメール及び訪問等の督促行為が行われる確率を出力する場合、制御部２１は、複数の対象債権データ６を学習済みの学習モデル７に入力することで、予測対象の複数の債権のそれぞれの債務者に対して督促行為を実行する場合にそれぞれの債務者によって予測対象の複数の債権への支払いが行われる確率をそれぞれ出力する。
【0073】
また、制御部２１は、所定のタイミングにおいて、出力データ８を出力してもよい。所定のタイミングは、毎日、月の初め、毎週月曜日等としてもよく、ユーザが任意に設定することができるタイミングである。ある観点によると、制御部２１は、所定のタイミングにおいて、対象債権データ６を学習済みの学習モデル７に入力することで、予測対象の債権の債務者に対して督促行為を実行する場合または督促行為を実行しない場合に債務者によって予測対象の債権が支払われるかに関する予測を行う。また、制御部２１は、一定の時間間隔で予測を行う。このとき、予測が行われるタイミングにおける予測対象の債権は、支払いの期日が過ぎた債権である。
【0074】
【0075】
電話督促支払データテーブルＴ１は、債権のデータと、その債権の債務者がクラスＢに該当するかの確率とを示すテーブル形式のデータである。電話督促支払データテーブルＴ１は、代理者Ｚに関連するユーザにより参照される。クライアント装置３を使用するユーザは、電話督促支払データテーブルＴ１を参照した上で、督促の業務を行う。電話督促支払データテーブルＴ１は、債権ＩＤデータＴ１０と、売手データＴ１１と、債務者データＴ１２と、債務額データＴ１３と、未払額データＴ１４と、支払日データＴ１５と、支払期限データＴ１６と、クラスＢの確率データＴ１７とが含まれる。
【0076】
債権ＩＤデータＴ１０は、債権を特定するＩＤのデータであり、「１００００１」等のデータである。売手データＴ１１は、売手Ｘの法人または自然人の名称のデータであり、「株式会社りんご販売」等のデータである。債務者データＴ１２は、債務者Ｙの法人または自然人の名称のデータであり、「財閥株式会社」等のデータである。債務額データＴ１３は、債権について支払う必要のある金額のデータであり、「２６４，０００円」、「１，４６５，０００円」等のデータである。
【0077】
未払額データＴ１４は、債権について未払いの金額のデータであり、「２６４，０００円」等のデータである。支払いが行われた債権に関する未払額データＴ１４には、「０」が与えられる。支払いの一部が行われた債権に関する未払額データＴ１４には、残りの未払いの金額が与えられてもよい。例えば、債権ＩＤデータＴ１０が「１００００３」の債権について、７００，０００円のみの支払いが行われたものとする。その場合の債務額データＴ１３は、「１，４６５，０００円」となり、未払額データＴ１４は、「７６５，０００円」となる。支払日データＴ１５は、支払い日のデータであり、「２０２２／１２／１５」等のデータである。支払いが行われていない債権に関する支払日データＴ１５には、「Ｎｏｎｅ」が与えられる。支払期限データＴ１６は、支払いの期限のデータであり、「２０２２／１１／３０」等のデータである。クラスＢの確率データＴ１７は、債務者がクラスＢである確率を示すデータである。
【0078】
以上によれば、機械学習を用いて督促を効率化する技術を提供することができる。また、督促により支払いが行われる可能性が高い債権に対して、人的資源を効率的に分配することができる。
【0079】
続いて、実施形態２～４について、説明する。実施形態２～４では、様々な目的変数データを用いて、クラスＡ、クラスＢ、クラスＣに関する予測を行う他の例について説明する。ある観点によると、制御部２１は、複数の予測対象の債権についてのデータである複数の対象債権データ６を取得する。制御部２１は、複数の対象債権データ６を学習済みの学習モデル７に入力することで、図１１～図１３に示すような、予測対象の複数の債権のそれぞれの債務者に対して督促行為を実行する場合または督促行為を実行しない場合にそれぞれの債務者によって予測対象の複数の債権への支払いが行われる確率をそれぞれ出力する。
【0080】
［実施形態２］
実施形態２では、督促しても支払われない債権（クラスＣ）であるかを予測する場合について説明する。実施形態２のシステム構成は、実施形態１のシステム構成と同様である。実施形態２のサーバ装置及びクライアント装置のハードウェア構成は、実施形態１のサーバ装置２及びクライアント装置３のハードウェア構成と同様である。実施形態２の情報処理については、実施形態１と略同様であり、実施形態１と異なる点を以下で説明する。
実施形態２では、督促しても支払われない債権（クラスＣ）であるかを予測する場合について説明する。実施形態２のシステム構成は、実施形態１のシステム構成と同様である。実施形態２のサーバ装置及びクライアント装置のハードウェア構成は、実施形態１のサーバ装置２及びクライアント装置３のハードウェア構成と同様である。実施形態２の情報処理については、実施形態１と略同様であり、実施形態１と異なる点を以下で説明する。
【0081】
実施形態２において、制御部２１は、説明変数データ４０を説明変数として、電話督促未払データ４３を目的変数として、任意の機械学習の手法により学習モデル５に学習させる。
【0082】
実施形態２の制御部２１は、複数の対象債権データ６を学習済みの学習モデル７に入力することで、図１１に示す電話督促未払データテーブルＴ２を含む出力データ８を出力する。ある観点によると、制御部２１は、複数の対象債権データ６を学習済みの学習モデル７に入力することで、予測対象の複数の債権のそれぞれの債務者に対して電話による督促行為を実行してもそれぞれの債務者によって予測対象の複数の債権への支払いが行われない確率をそれぞれ出力する。なお、電話の他にメール及び訪問等の督促行為が行われる確率を出力する場合、制御部２１は、複数の対象債権データ６を学習済みの学習モデル７に入力することで、予測対象の複数の債権のそれぞれの債務者に対して督促行為を実行してもそれぞれの債務者によって予測対象の複数の債権への支払いが行われない確率をそれぞれ出力する。
【0083】
図１１は、実施形態２に係る電話督促未払データテーブルＴ２の一例を示す図である。電話督促未払データテーブルＴ２は、債権のデータと、その債権の債務者がクラスＣに該当するかの確率とを示すテーブル形式のデータである。電話督促未払データテーブルＴ２は、電話督促支払データテーブルＴ１と比較して、クラスＢの確率データＴ１７を有さない代わりに、クラスＣの確率データＴ２０を有する。クラスＣの確率データＴ２０は、債務者がクラスＣである確率を示すデータである。
【0084】
これにより、督促しても支払いが行われない可能性が高い債権に対して、特別な対応を早急に取る等のことが可能となり、債権への支払いの確率を高めることができる。
【0085】
［実施形態３］
実施形態３では、期限は超えるが自然に支払われる債権（クラスＡ）であるかを予測する場合について説明する。実施形態３のシステム構成は、実施形態１のシステム構成と同様である。実施形態３のサーバ装置及びクライアント装置のハードウェア構成は、実施形態１のサーバ装置２及びクライアント装置の３ハードウェア構成と同様である。実施形態３の情報処理については、実施形態１と略同様であり、実施形態１と異なる点を以下で説明する。
実施形態３では、期限は超えるが自然に支払われる債権（クラスＡ）であるかを予測する場合について説明する。実施形態３のシステム構成は、実施形態１のシステム構成と同様である。実施形態３のサーバ装置及びクライアント装置のハードウェア構成は、実施形態１のサーバ装置２及びクライアント装置の３ハードウェア構成と同様である。実施形態３の情報処理については、実施形態１と略同様であり、実施形態１と異なる点を以下で説明する。
【0086】
実施形態３において、制御部２１は、説明変数データ４０を説明変数として、自然支払データ４１を目的変数として、任意の機械学習の手法により学習モデル５に学習させる。
【0087】
実施形態３の制御部２１は、複数の対象債権データ６を学習済みの学習モデル７に入力することで、図１２に示す自然支払データテーブルＴ３を含む出力データ８を出力する。ある観点によると、制御部２１は、複数の対象債権データ６を学習済みの学習モデル７に入力することで、予測対象の複数の債権のそれぞれの債務者に対して電話による督促行為を実行しなくてもそれぞれの債務者によって予測対象の複数の債権が支払われる確率をそれぞれ出力する。なお、電話の他にメール及び訪問等の督促行為が行われる確率を出力する場合、制御部２１は、複数の対象債権データ６を学習済みの学習モデル７に入力することで、予測対象の複数の債権のそれぞれの債務者に対して督促行為を実行しなくてもそれぞれの債務者によって予測対象の複数の債権が支払われる確率をそれぞれ出力する。
【0088】
図１２は、実施形態３に係る自然支払データテーブルＴ３の一例を示す図である。自然支払データテーブルＴ３は、債権のデータと、その債権がクラスＡに該当するかの確率とを示すテーブル形式のデータである。自然支払データテーブルＴ３は、電話督促支払データテーブルＴ１と比較して、クラスＢの確率データＴ１７を有さない代わりに、クラスＡの確率データＴ３０を有する。クラスＡの確率データＴ３０は、債権がクラスＡであるかの確率を示すデータである。
【0089】
これにより、督促をしなくても支払いが行われる可能性が高い債権に対して、督促を行わないという選択肢をとり、人的資源を効率的に活用することができる。
【0090】
上記の実施形態１～３では、クラスＡ～Ｃのそれぞれの確率に基づいて、制御部２１は、クラスＡ～Ｃであるかの判定の結果を出力してもよい。例えば、実施形態３において、制御部２１は、クラスＡの確率が５０％以上の場合は、「クラスＡと予測」等のデータを出力し、クラスＡの確率が５０％未満の場合は、「クラスＡではないと予測」等のデータを出力してもよい。
【0091】
［実施形態４］
実施形態４では、債権がクラスＡとクラスＢとクラスＣとの何れであるかを予測する場合について説明する。実施形態４のシステム構成は、実施形態１のシステム構成と同様である。実施形態４のサーバ装置及びクライアント装置のハードウェア構成は、実施形態１のサーバ装置２及びクライアント装置３のハードウェア構成と同様である。実施形態４の情報処理については、実施形態１と略同様であり、実施形態１と異なる点を以下で説明する。
実施形態４では、債権がクラスＡとクラスＢとクラスＣとの何れであるかを予測する場合について説明する。実施形態４のシステム構成は、実施形態１のシステム構成と同様である。実施形態４のサーバ装置及びクライアント装置のハードウェア構成は、実施形態１のサーバ装置２及びクライアント装置３のハードウェア構成と同様である。実施形態４の情報処理については、実施形態１と略同様であり、実施形態１と異なる点を以下で説明する。
【0092】
実施形態３において、制御部２１は、説明変数データ４０を説明変数として、自然支払データ４１、電話督促支払データ４２及び電話督促未払データ４３を目的変数として、任意の機械学習の手法により学習モデル５に学習させる。
【0093】
実施形態４の制御部２１は、複数の対象債権データ６を学習済みの学習モデル７に入力することで、図１３に示す債権予測データテーブルＴ４を含む出力データ８を出力する。債権予測データテーブルＴ４は、債権のデータと、その債権がクラスＡ、クラスＢ及びクラスＣの何れに該当するかの確率とを示すテーブル形式のデータである。ある観点によると、制御部２１は、複数の対象債権データ６を学習済みの学習モデル７に入力する。制御部２１は、予測対象の複数の債権のそれぞれの債務者に対して電話による督促行為を実行する場合にそれぞれの債務者によって予測対象の複数の債権への支払いが行われる確率と、予測対象の複数の債権のそれぞれの債務者に対して電話による督促行為を実行してもそれぞれの債務者によって予測対象の複数の債権への支払いが行われない確率と、予測対象の複数の債権のそれぞれの債務者に対して電話による督促行為を実行しなくてもそれぞれの債務者によって予測対象の複数の債権への支払いが行われる確率と、をそれぞれ出力する。
【0094】
図１３は、実施形態４に係る債権予測データテーブルＴ４の一例を示す図である。自然支払データテーブルＴ３は、電話督促支払データテーブルＴ１と比較して、クラスＢの確率データＴ１７を有さない代わりに、クラスＡの相対確率データＴ４０と、クラスＢの相対確率データＴ４１と、クラスＣの相対確率データＴ４２とを有する。
【0095】
クラスＡの相対確率データＴ４０は、債権が相対的にクラスＡである確率を示すデータである。クラスＢの相対確率データＴ４１は、債権が相対的にクラスＢである確率を示すデータである。クラスＣの相対確率データＴ４２は、債権が相対的にクラスＣである確率を示すデータである。それぞれの相対確率データＴ４０、Ｔ４１、Ｔ４２は、相対的であるため、ある債権について、クラスＡとクラスＢとクラスＣとのそれぞれの確率を足し合わせると１００％となる。例えば、債権ＩＤが「１００００１」の債権について、クラスＡの相対確率データＴ４０の「０．３０」と、クラスＢの相対確率データＴ４１の「０．５０」と、クラスＣの相対確率データＴ４２の「０．２０」とを足し合わせると「１」となる。
【0096】
これにより、督促をしなくても支払いが行われる可能性が高い債権に対して、督促を行わないという選択肢をとり、人的資源を効率的に活用することができる。また、督促により支払いが行われる可能性が高い債権に対して、人的資源を効率的に分配することができる。さらに、督促しても支払いが行われない可能性が高い債権に対して、特別な対応を早急に取る等のことが可能となり、債権への支払いの確率を高めることができる。
【0097】
図１０～図１３に示されるようなリストは、支払期限である「２０２２／１１／３０」の後である「２０２２／１２／１」に出力される。このようにすることで、既に支払い済みの請求書についてのデータがリストアップされることを防止することができる。すなわち、複数の予測対象の債権は、支払期日を過ぎたもののみであってもよい。また、図１０～図１３に示されるようなリストは、確率の高い順や低い順に並べ替えることが可能である。図１０～図１３に示されるようなリストは、例えば、電話による督促業務を行うオペレータが業務で用いる画面に表示され、オペレータはリストを見ながら、電話による督促業務の優先順位を検討することができる。
【0098】
なお、図１０～図１３の確率は、例示的に入れている数値であって、本開示のモデルによって得られる実際の値ではない点に留意されたい。図１０～図１３に示される確率以外のデータについても同じく例示的なデータである点に留意されたい。
【0099】
［実施形態５］
実施形態５では、全ての情報処理を１台のコンピュータで実行する場合について説明する。
実施形態５では、全ての情報処理を１台のコンピュータで実行する場合について説明する。
【0100】
実施形態５の情報処理システムは、実施形態１と比較して、サーバ装置及びネットワークを有さず、クライアント装置のみで構成される。ある観点によると、情報処理システムに例示されるシステムとは、１つまたはそれ以上の装置または構成要素からなるものである。従って、サーバ装置単体またはクライアント装置は、単体であっても情報処理システムに例示されるシステムに含まれる。なお、実施形態５のクライアント装置の各ハードウェア構成については、実施形態１のクライアント装置３の構成と同様である。
【0101】
実施形態５では、実施形態１と比較して、サーバ装置とクライアント装置との間での情報の送受信が行われず、全ての処理がクライアント装置で行われる。例えば、実施形態５の情報処理システムは、図６のＡ２～Ａ３、Ａ５～Ａ６、Ａ８～Ａ９、Ａ１１～Ａ１２における情報の送受信の処理を実行しない。実施形態５のクライアント装置は、図６の情報の送受信の処理以外の情報処理を実行する。
【0102】
これにより、ネットワークに接続しなくても、機械学習を用いて督促を効率化する技術を提供することができる。
【0103】
［実施形態６］
実施形態６では、学習済みの学習モデル７の取得または学習済みの学習モデル７を使用した予測の何れかの情報処理をクライアント装置で実行する場合について説明する。実施形態６のシステム構成は、実施形態１のシステム構成と同様である。実施形態６のサーバ装置及びクライアント装置のハードウェア構成は、実施形態１のサーバ装置及びクライアント装置のハードウェア構成と同様である。
実施形態６では、学習済みの学習モデル７の取得または学習済みの学習モデル７を使用した予測の何れかの情報処理をクライアント装置で実行する場合について説明する。実施形態６のシステム構成は、実施形態１のシステム構成と同様である。実施形態６のサーバ装置及びクライアント装置のハードウェア構成は、実施形態１のサーバ装置及びクライアント装置のハードウェア構成と同様である。
【0104】
実施形態６では、Ａ１～Ａ６の学習済みの学習モデル７の取得に関する処理をクライアント装置のみで実行してもよい。すなわち、実施形態６の情報処理システムは、図６のＡ２～Ａ３、Ａ５～Ａ６における情報の送受信の処理を実行しない。実施形態６のクライアント装置は、図６のＡ１～Ａ６における情報の送受信の処理以外の情報処理を実行する。この場合、制御部３１は、学習済みの学習モデル７をサーバ装置２にアップロードする。
【0105】
また、実施形態６では、Ａ７～Ａ１３の学習済みの学習モデル７を使用した予測に関する処理をクライアント装置のみで実行してもよい。すなわち、実施形態６の情報処理システムは、図６のＡ８～Ａ９、Ａ１１～Ａ１２における情報の送受信の処理を実行しない。実施形態６のクライアント装置は、図６におけるＡ７～Ａ１３の情報の送受信の処理以外の情報処理を実行する。この場合、制御部３１は、学習済みの学習モデル７をサーバ装置２からダウンロードする。
【0106】
これにより、様々な情報処理システムの形態にて、情報処理を実行することができる。
【0107】
［その他］
図２において、期限内に代金の支払いが行われない債権は、期限は超えるが自然に支払われる債権（クラスＡ）と、督促したら支払われる債権（クラスＢ）と、督促しても支払われない債権（クラスＣ）との何れかに分類されるものとして説明したが、さらにクラスＡ、クラスＢ及びクラスＣの何れにも分類されないクラスＤに分類されてもよい。また、クラスＤに分類される場合、それを機械学習してもよい。なお、クラスＤは、例えば、督促も入金もされてない債権である。
図２において、期限内に代金の支払いが行われない債権は、期限は超えるが自然に支払われる債権（クラスＡ）と、督促したら支払われる債権（クラスＢ）と、督促しても支払われない債権（クラスＣ）との何れかに分類されるものとして説明したが、さらにクラスＡ、クラスＢ及びクラスＣの何れにも分類されないクラスＤに分類されてもよい。また、クラスＤに分類される場合、それを機械学習してもよい。なお、クラスＤは、例えば、督促も入金もされてない債権である。
【0108】
目的変数データは、債権がクラスＤに該当するかに関するデータを含む。制御部２１は、複数の対象債権データ６を学習済みの学習モデル７に入力することで、予測対象の複数の債権のそれぞれの債権に対してクラスＤに該当するかの確率をそれぞれ出力する。
【0109】
また、実施形態では、クラスＡ～Ｃの確率を出力するものとして説明したが、変形例では、予測される支払いの日を出力してもよい。その場合、制御部２１は、支払い期限と、実際に支払いがされた日付と、の日数の間隔を目的変数として使用することにより、学習済みのモデルを取得する。その場合、制御部２１は、実施形態１にて説明した説明変数の他に、クラスＡ～Ｃの何れに分類されたかのデータを説明変数として使用してもよい。
【0110】
また、実施形態では、債権は、請求書であるものとして説明したが、代金の支払いを求めるものであればよく、契約書、勘定書、インボイス、伝票等の形態であってもよい。
【0111】
前述の実施形態に係る情報処理システム１に関して、コンピュータを、情報処理システム１の制御部３１として機能させるプログラムであってもよい。また、情報処理システム１が実行する情報処理方法であってもよい。
【0112】
さらに、次に記載の各態様で提供されてもよい。
【0113】
（１）情報処理システムであって学習モデルを用いて、債権の債務者に対して督促行為を実行する場合または督促行為を実行しない場合に前記債務者によって前記債権への支払いが行われるかに関する予測を行う制御部を有し、前記学習モデルは、複数の債権のそれぞれについての説明変数データと、前記複数の債権のそれぞれの債務者に対して督促行為を実行した結果として支払いがされたかまたは督促行為を実行しなかった結果として支払いがされたかの結果を示す支払い有無結果を表す目的変数データと、を学習することによって得られた学習モデルであり、前記制御部は、予測対象の債権についての対象債権データを取得し、前記対象債権データを前記学習モデルに入力することで、予測対象の前記債権の債務者に対して、督促行為を実行する場合または督促行為を実行しない場合に前記債務者によって予測対象の前記債権への支払いが行われるかに関する予測を行う、情報処理システム。
【0114】
このような構成によれば、機械学習を用いて督促を効率化する技術を提供することができる。
【0115】
（２）上記（１）に記載の情報処理システムにおいて、前記制御部は、複数の予測対象の債権についてのデータである複数の対象債権データを取得し、前記複数の対象債権データを前記学習モデルに入力することで、予測対象の前記複数の債権のそれぞれの債務者に対して督促行為を実行する場合または督促行為を実行しない場合に前記それぞれの債務者によって予測対象の前記複数の債権への支払いが行われる確率をそれぞれ出力する、情報処理システム。
【0116】
このような構成によれば、複数の債権に対して、機械学習を用いて督促を効率化する技術を提供することができる。
【0117】
（３）上記（２）に記載の情報処理システムにおいて、前記目的変数データは、支払いの期限を過ぎた後に債務者に対して電話による督促行為を実行した場合に、前記債務者によって前記債権への支払いが行われたかに関する電話督促支払データを含み、前記制御部は、前記複数の対象債権データを前記学習モデルに入力することで、予測対象の前記複数の債権のそれぞれの債務者に対して電話による督促行為を実行する場合に前記それぞれの債務者によって予測対象の前記複数の債権への支払いが行われる確率をそれぞれ出力する、情報処理システム。
【0118】
このような構成によれば、督促により支払いが行われる可能性が高い債権に対して、人的資源を効率的に分配することができる。
【0119】
（４）上記（２）～（３）の何れか１つに記載の情報処理システムにおいて、前記目的変数データは、支払いの期限を過ぎた後に債務者に対して電話による督促行為を実行した場合に、前記債務者によって前記債権への支払いが行われなかったかに関する電話督促未払データを含み、前記制御部は、前記複数の対象債権データを前記学習モデルに入力することで、予測対象の前記複数の債権のそれぞれの債務者に対して電話による督促行為を実行しても前記それぞれの債務者によって予測対象の前記複数の債権への支払いが行われない確率をそれぞれ出力する、情報処理システム。
【0120】
このような構成によれば、督促しても支払いが行われない可能性が高い債権に対して、特別な対応を早急に取る等のことが可能となり、債権への支払いの確率を高めることができる。
【0121】
（５）上記（２）～（４）の何れか１つに記載の情報処理システムにおいて、前記目的変数データは、支払いの期限を過ぎた後に債務者に対して電話による督促行為を実行しなかった場合に前記債務者によって前記債権への支払いが行われたかに関する自然支払データを含み、前記制御部は、前記複数の対象債権データを前記学習モデルに入力することで、予測対象の前記複数の債権のそれぞれの債務者に対して電話による督促行為を実行しなくても前記それぞれの債務者によって予測対象の前記複数の債権への支払いが行われる確率をそれぞれ出力する、情報処理システム。
【0122】
このような構成によれば、督促をしなくても支払いが行われる可能性が高い債権に対して、督促を行わないという選択肢をとり、人的資源を効率的に活用することができる。
【0123】
（６）上記（２）～（５）の何れか１つに記載の情報処理システムにおいて、前記目的変数データは、支払いの期限を過ぎた後に債務者に対して電話による督促行為を実行した場合に、前記債務者によって前記債権への支払いが行われたかに関する電話督促支払データと、支払いの期限を過ぎた後に債務者に対して電話による督促行為を実行した場合に、前記債務者によって前記債権への支払いが行われなかったかに関する電話督促未払データと、支払いの期限を過ぎた後に債務者に対して電話による督促行為を実行しなかった場合に前記債務者によって前記債権への支払いが行われたかに関する自然支払データと、を含み、前記制御部は、前記複数の対象債権データを前記学習モデルに入力することで、予測対象の前記複数の債権のそれぞれの債務者に対して電話による督促行為を実行する場合に前記それぞれの債務者によって予測対象の前記複数の債権への支払いが行われる確率と、予測対象の前記複数の債権のそれぞれの債務者に対して電話による督促行為を実行しても前記それぞれの債務者によって予測対象の前記複数の債権への支払いが行われない確率と、予測対象の前記複数の債権のそれぞれの債務者に対して電話による督促行為を実行しなくても前記それぞれの債務者によって予測対象の前記複数の債権への支払いが行われる確率と、をそれぞれ出力する、情報処理システム。
【0124】
このような構成によれば、督促をしなくても支払いが行われる可能性が高い債権に対して、督促を行わないという選択肢をとり、人的資源を効率的に活用することができる。また、督促により支払いが行われる可能性が高い債権に対して、人的資源を効率的に分配することができる。さらに、督促しても支払いが行われない可能性が高い債権に対して、特別な対応を早急に取る等のことが可能となり、債権への支払いの確率を高めることができる。
【0125】
（７）上記（１）～（６）の何れか１つに記載の情報処理システムにおいて、前記説明変数データは、債務者への請求書に関するデータであって、請求金額のデータと、取引の対象となる商品または役務の内容のデータと、支払い期限のデータとを含む、情報処理システム。
【0126】
このような構成によれば、請求書に関するデータを用いるため、どのような債務者であるかを高い精度で予測することができる。
【0127】
（８）上記（１）～（７）の何れか１つに記載の情報処理システムにおいて、前記説明変数データは、学習される前記複数の債権のそれぞれについての売手の属性のデータと、前記売手の債権がどのように支払われていたかに関する取引実績のデータとの少なくとも一方を含む、情報処理システム。
【0128】
このような構成によれば、未入金件数に関するデータを用いるため、どのような債務者であるかを高い精度で予測することができる。
【0129】
（９）上記（１）～（８）の何れか１つに記載の情報処理システムにおいて、前記説明変数データは、前記債務者の属性のデータと、前記債務者の取引の実績に関するデータとの少なくとも一方を含む、情報処理システム。
【0130】
このような構成によれば、審査に関するデータを用いるため、どのような債務者であるかを高い精度で予測することができる。
【0131】
（１０）上記（１）～（９）の何れか１つに記載の情報処理システムにおいて、前記制御部は、一定の時間間隔で前記予測を行い、前記予測が行われるタイミングにおける予測対象の前記債権は、支払いの期日が過ぎた債権である、情報処理システム。
【0132】
このような構成によれば、ユーザは所定のタイミングにおいて、予測の結果を利用することができる。
【0133】
（１１）情報処理システムであって、制御部を有し、前記制御部は、複数の債権のそれぞれについての説明変数データと、前記複数の債権のそれぞれの債務者に対して督促行為を実行した結果として支払いが行われたかまたは督促行為を実行しなかった結果として支払いが行われたかの結果を示す目的変数データと、を学習することにより学習モデルを取得する、情報処理システム。
【0134】
このような構成によれば、機械学習を用いて督促を効率化する技術を提供することができる。
【0135】
（１２）プログラムであって、コンピュータを、上記（１）～（１１）の何れか１つに記載の情報処理システムの前記制御部として機能させるためのプログラム。
【0136】
（１３）情報処理システムが実行する情報処理方法であって、上記（１）～（１１）の何れか１つに記載の情報処理システムの前記制御部が実行する各処理を備える、情報処理方法。
もちろん、この限りではない。
もちろん、この限りではない。
【0137】
最後に、本発明に係る種々の実施形態を説明したが、これらは、例として提示したものであり、発明の範囲を限定することは意図していない。当該新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。当該実施形態やその変形は、発明の範囲や要旨に含まれると共に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。
【符号の説明】
【0138】
１ ：情報処理システム
２ ：サーバ装置
２１ ：制御部
２２ ：記憶部
２３ ：通信部
３ ：クライアント装置
３１ ：制御部
３２ ：記憶部
３３ ：通信部
３４ ：入力部
３５ ：出力部
４ａ ：教師データ
４ｂ ：教師データ
４ｃ ：教師データ
４０ ：説明変数データ
４１ ：自然支払データ
４２ ：電話督促支払データ
４３ ：電話督促未払データ
４００ ：債務者データ
４０１ ：売手データ
４０２ ：請求金額データ
４０３ ：代理者データ
４０４ ：請求日データ
４０５ ：支払期限データ
４０６ ：取引対象データ
５ ：学習モデル
６ ：対象債権データ
７ ：学習モデル
８ ：出力データ
Ｉ ：請求手段
Ｍ１ ：代金
Ｍ２ ：代金
Ｎ ：通知手段
ＮＷ ：ネットワーク
Ｐ ：商品
Ｔ１ ：電話督促支払データテーブル
Ｔ１０ ：取引ＩＤデータ
Ｔ１１ ：売手データ
Ｔ１２ ：債務者データ
Ｔ１３ ：債務額データ
Ｔ１４ ：未払額データ
Ｔ１５ ：支払日データ
Ｔ１６ ：支払期限データ
Ｔ１７ ：確率データ
Ｔ２ ：電話督促未払データテーブル
Ｔ２０ ：確率データ
Ｔ３ ：自然支払データテーブル
Ｔ３０ ：確率データ
Ｔ４ ：債務者予測データテーブル
Ｔ４０ ：相対確率データ
Ｔ４１ ：相対確率データ
Ｔ４２ ：相対確率データ
Ｘ ：売手
Ｙ ：債務者
Ｚ ：代理者
２ ：サーバ装置
２１ ：制御部
２２ ：記憶部
２３ ：通信部
３ ：クライアント装置
３１ ：制御部
３２ ：記憶部
３３ ：通信部
３４ ：入力部
３５ ：出力部
４ａ ：教師データ
４ｂ ：教師データ
４ｃ ：教師データ
４０ ：説明変数データ
４１ ：自然支払データ
４２ ：電話督促支払データ
４３ ：電話督促未払データ
４００ ：債務者データ
４０１ ：売手データ
４０２ ：請求金額データ
４０３ ：代理者データ
４０４ ：請求日データ
４０５ ：支払期限データ
４０６ ：取引対象データ
５ ：学習モデル
６ ：対象債権データ
７ ：学習モデル
８ ：出力データ
Ｉ ：請求手段
Ｍ１ ：代金
Ｍ２ ：代金
Ｎ ：通知手段
ＮＷ ：ネットワーク
Ｐ ：商品
Ｔ１ ：電話督促支払データテーブル
Ｔ１０ ：取引ＩＤデータ
Ｔ１１ ：売手データ
Ｔ１２ ：債務者データ
Ｔ１３ ：債務額データ
Ｔ１４ ：未払額データ
Ｔ１５ ：支払日データ
Ｔ１６ ：支払期限データ
Ｔ１７ ：確率データ
Ｔ２ ：電話督促未払データテーブル
Ｔ２０ ：確率データ
Ｔ３ ：自然支払データテーブル
Ｔ３０ ：確率データ
Ｔ４ ：債務者予測データテーブル
Ｔ４０ ：相対確率データ
Ｔ４１ ：相対確率データ
Ｔ４２ ：相対確率データ
Ｘ ：売手
Ｙ ：債務者
Ｚ ：代理者
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
