Media > AI活用ユースケース > 財務 > 割賦販売の会社が、契約と入金の記録から Python で翌月の口座振替の不能の起こりやすさを予測し、早めに案内の連絡をする候補を出す

割賦販売の会社が、契約と入金の記録から Python で翌月の口座振替の不能の起こりやすさを予測し、早めに案内の連絡をする候補を出す

実装ステータス:構成例 技術的に実現可能な構成として設計したもの。自社未検証

個品割賦の契約と入金の記録から、Python で契約ごとに翌月の口座振替が不能になる起こりやすさを確率で出します。振替日の前に残高の案内や支払日の相談の連絡をする候補の一覧を、回収の担当に渡します。

サマリー
連携・自動化
Python
対象業界
小売/金融
対象部門
財務
対象業務
分類・仕分け/集計・分析
主な課題
人手が足りない/判断に時間がかかる/期限・対応漏れが起きる
AIで行う処理
予測
主な効果
判断支援/工数削減/機会損失防止
導入難易度
★★★★★
実装レベル
本格構成
費用感
個別開発(大)
人間の確認
条件付き
現在工数
60h/月
AI導入後
20h/月
想定削減
67%
年間削減
480h
モデル条件による試算値です。実在企業の実績ではありません。

01導入前 / 導入後の業務フロー

導入前(Before)
  1. 振替の結果が確定したら、基幹システムから「前月に遅れ・再振替のあった契約」の一覧を書き出す
  2. 窓口の対応の記録から、支払の相談や住所の変更があった契約を拾って一覧に足す
  3. 担当が1件ずつ、契約の残りの回数・支払額・過去の遅れ方・前回の連絡の結果を見る
  4. 連絡するか、何で連絡するか(手紙・SMS・電話)を決め、督促の記録の仕組みに予定を入れる
  5. 振替日の前に、案内を送るか電話をかける
  6. 振替の結果が出たら、連絡した契約が入ったかを見る
導入後(After)
  1. 自動振替の結果が確定した翌朝、Python が基幹システムの書き出しを読み込み、契約中の全件の項目を作る
  2. 自動学習済みのモデルで、契約ごとに翌月の振替が不能になる確率を出す
  3. 自動確率の高い順に並べ、窓口の対応の記録と前回の連絡の結果を横に付けた一覧を作る
  4. 自動担当の人数と連絡できる件数から、上位の600件を「確認する候補」として印を付ける
  5. 人担当が候補を上から見て、連絡するか・手段を決め、督促の記録の仕組みに予定を入れる
  6. 人振替日の前に、案内を送るか電話をかける
  7. 自動振替の結果が出たら、確率と実際の結果、連絡の有無を並べて記録する
各工程の詳しい説明を読む
  1. 振替の結果が確定したら、基幹システムから「前月に遅れ・再振替のあった契約」の一覧を書き出す
  2. 窓口の対応の記録から、支払の相談や住所の変更があった契約を拾って一覧に足す
  3. 担当が1件ずつ、契約の残りの回数・支払額・過去の遅れ方・前回の連絡の結果を見る
  4. 連絡するか、何で連絡するか(手紙・SMS・電話)を決め、督促の記録の仕組みに予定を入れる
  5. 振替日の前に、案内を送るか電話をかける
  6. 振替の結果が出たら、連絡した契約が入ったかを見る

(a)初めての遅れを拾えない。 1番と2番の一覧は、過去に何かあった契約しか拾いません。 一度も遅れたことのない契約が翌月に不能になると、それは振替の結果が出て初めて分かります。

(b)見る順番が決まっていない。 600件を1件ずつ見ていくと、月の終わりに見た契約ほど、連絡が振替日の直前になります。 手紙は間に合わなくなり、電話だけが残ります。

(c)連絡が効いたかを数えていない。 6番は件数を数えるだけで、どんな契約に連絡すると入るようになるのかは記録から見えていません。

(d)担当によって選び方が違う。 ベテランは「支払額が収入に比べて重そうな契約」を勘で見分けますが、その見分け方は記録に残っていません。

  1. 【自動】 振替の結果が確定した翌朝、Python が基幹システムの書き出しを読み込み、契約中の全件の項目を作る
  2. 【自動】 学習済みのモデルで、契約ごとに翌月の振替が不能になる確率を出す
  3. 【自動】 確率の高い順に並べ、窓口の対応の記録と前回の連絡の結果を横に付けた一覧を作る
  4. 【自動】 担当の人数と連絡できる件数から、上位の600件を「確認する候補」として印を付ける
  5. 【人】 担当が候補を上から見て、連絡するか・手段を決め、督促の記録の仕組みに予定を入れる
  6. 【人】 振替日の前に、案内を送るか電話をかける
  7. 【自動】 振替の結果が出たら、確率と実際の結果、連絡の有無を並べて記録する

5番目で決めるのは担当です。 一覧が出すのは、過去の記録から見た不能の起こりやすさで、窓口で聞いた事情や、お客様が支払日の変更を相談中であることは確率に入りきりません。 担当はそれを足して連絡の要否を決めます。

4番目で件数を人手に合わせているのは、確率の高い順に並べただけでは担当が見る範囲が決まらないからです。 確率が補正されていれば、「上位600件で、翌月の不能のおよそ何件を先回りできるか」を事前に数えられます。

02今回想定するシステム構成

構成図
割賦の基幹システム(契約・請求・入金・振替の結果)
+ 督促の記録(連絡の日時・手段・結果) + 窓口の対応の記録(相談の種類)
   │
   ▼【トリガー】毎月の振替の結果の確定(月1回)、モデルの作り直しは3か月に1回
Python(pandas)
   ├──▶ 契約ごと・基準日ごとに1行の項目を作る
   ▼
scikit-learn の HistGradientBoostingClassifier
   │   翌月の振替が不能になるか(1/0)を学ぶ
   ▼
scikit-learn の CalibratedClassifierCV(FrozenEstimator で包む)
   │   確かめ用の月の記録で、確率を補正する
   ▼
Python ── 確率の順の一覧、候補の印、前月の当たり方の記録
   ▼
【人】回収の担当が、連絡の要否と手段を決める
役割想定する製品代替候補
実行環境Python(pandas・scikit-learn)R
処理エンジンscikit-learn の HistGradientBoostingClassifierscikit-learn の LogisticRegression、LightGBM の LGBMClassifier
集計Python(確率の補正、候補の一覧、当たり方の記録)表計算の計算式
保管社内のファイルサーバー(学習の記録、月ごとの確率、連絡と結果の記録)-

新しく足すのは、Python の処理と、基幹システムからの月次の書き出しだけです。 基幹システムにも督促の記録の仕組みにも書き込みません。この構成が出すのは、確率の一覧と候補の印までです。

予測のエンジンに HistGradientBoostingClassifier を選んだのは、欠けた値と区分の項目をそのまま扱えるからです。 公式のページでは、欠けた値(NaN)をそのまま扱え、学習のときに分かれ目ごとに欠けた値をどちらに送るかを学ぶとされています。初めての振替の前の契約には「前回の入金の日のずれ」がありませんが、欠けたまま渡せます。区分の項目は categorical_features の既定の from_dtype で、pandas の区分の型の列がそのまま区分として扱われます。

確率の補正に CalibratedClassifierCV を使います。 公式のページでは、学習済みの分類器は FrozenEstimator で包んで補正でき、そのとき渡した記録はすべて補正に使われ、学習と補正の記録が重ならないよう利用者が自分で気を付けるとされています。

生成AIは使いません。 出すのは確率の一覧です。

03どうやって実装するのか

Step1

処理の起点を決める

毎月の口座振替の結果が確定した翌朝に、契約中の全件の確率を出します。 結果が確定すると、基幹システムが前月までの請求・入金・振替の結果を書き出します。社内のサーバーで Python のスクリプトを月1回動かし、担当が出社するまでに一覧ができている形にします。

動かす日を振替の結果の確定に合わせるのは、予測の基準日をそろえるためです。 基準日より後の入金や窓口の記録を項目に入れると、学習のときには知りえなかった情報で当てることになります。 基準日は「当月の振替の結果の確定日」に固定し、スクリプトに基準日を引数で渡します。

モデルの作り直しは3か月に1回にします。 作り直す前と後で、直近3か月の当たり方(上位600件に入った不能の割合と、確率の当たり方)を比べ、悪くなっていれば前のモデルのまま使います。 一覧には、モデルの作成日と基準日を必ず印字します。

景気や賞与の時期で不能の起こり方が大きく動いたときは、作り直しを早めます。 保存・ログで、補正した確率の合計と実際の不能の件数を毎月並べ、3か月続けて大きく離れたら作り直します。

Step2

入力データを集める

データ中身取得元
契約の記録契約の番号、契約日、支払の回数と残りの回数、毎月の支払額、ボーナス払いの有無、商品の区分、加盟店の業種割賦の基幹システム
振替の記録月ごとの請求額、振替の結果(入金・不能・再振替で入金)、不能の理由の区分(残高不足・口座の解約など)割賦の基幹システム
入金の記録振込での入金の日と額、振替日からのずれ、一部の入金割賦の基幹システム
窓口の記録相談の種類(支払日の変更・住所の変更・口座の変更・支払の相談)と日付窓口の対応の記録
連絡の記録案内・電話の日時と手段、つながったか督促の記録の仕組み

入れないものを先に決めます。 指定信用情報機関から受けた情報は、この構成には入れません。 割賦販売法では、個別信用購入あっせん業者などが指定信用情報機関から提供を受けた特定信用情報を、支払能力調査以外の目的に使用してはならないとされています(第35条の3の59)。延滞の予兆の予測は支払能力調査ではないので、自社の契約と入金の記録だけで作ります。

性別・年齢・国籍・家族構成も項目にしません。 当たり方が少し良くなることがあっても、属性で連絡の多い少ないが決まる仕組みは、説明がつきません。 支払の記録に表れた行動だけを項目にします。

連絡の記録を入れるのは、学習の目的の値をゆがめないためです。 運用を始めると、確率の高い契約ほど連絡を受け、連絡を受けたことで入金されるようになります。連絡の有無を記録しておかないと、作り直しのたびに「確率が高かったのに入った」契約が増え、モデルが自分の効き目を打ち消す方向に学びます(前処理の6番目)。

Step3

データの取得方法を決める

取るものどこから何に使うか
契約・振替・入金の記録基幹システムから、振替の結果の確定後に CSV で書き出す項目と目的の値
窓口の記録対応の記録の仕組みから、相談の種類と日付だけを書き出す項目
連絡の記録督促の記録の仕組みから書き出す項目と、作り直しのときの印
担当の人数と連絡できる件数課長が月初に表に入れる候補の印の件数

窓口の記録は、相談の種類と日付だけにします。 対応の記録の本文には、お客様の家計や病気の事情が書かれていることがあります。本文は書き出さず、種類の区分の列だけを取ります。

書き出しは基準日の時点の姿で取ります。 基幹システムの「現在の状態」の項目(いまの残高、いまの延滞の区分)を後から書き出すと、過去の基準日にはまだ無かった変化が混ざります。 学習用の記録は、月ごとの請求と振替の結果の履歴から、基準日ごとに組み立て直します。

Step4

AIへ渡す前に整形する

  1. 契約×基準日で1行にする … 基準日ごとに、その時点で契約中の全件を1行ずつ並べます
  2. 目的の値を作る … 基準日の翌月の振替が不能だったら1、入金されたら0。再振替で入ったものも、最初の振替が不能なら1にします
  3. 過去の行動の項目を作る … 直近3・6・12か月の不能の回数、再振替で入った回数、入金の日のずれの平均、最後の不能からの月数、残りの回数の割合
  4. 区分の列の型をそろえる … 商品の区分、加盟店の業種、不能の理由の区分を pandas の Categorical の型にします
  5. すでに延滞中の契約を外す … 基準日に督促の手順に入っている契約は、この一覧の対象にしません
  6. 連絡の印を付ける … 基準日から翌月の振替日までに案内・電話をした契約に印を付けます
  7. 学習・補正・確かめの月を時間で分ける … 古い月で学習し、その次の数か月で確率を補正し、いちばん新しい数か月で確かめます

2番目で再振替の入金を1にするのは、この構成が「最初の振替で入るか」を当てるためです。 再振替で入るかどうかまで含めると、手数料と遅延損害金がかかる前に案内するというねらいからずれます。

6番目の印の扱いが、この構成の肝の一つです。 連絡を受けて入金した契約は、連絡が無ければ不能だったかもしれません。 運用を始めた後の作り直しでは、印の付いた行を学習から外すか、印を項目に入れて「連絡が無い場合」の値で予測します。どちらにするかは、運用前の記録で当たり方を比べて決めます。

7番目で月をランダムに分けないのは、同じ月の景気の中の契約が学習と確かめの両方に入るのを避けるためです。 同じお客様の別の月の行が学習と確かめに分かれると、当たり方が実際より良く見えます。月で切り、確かめの月にはそれより前の月の記録だけで作ったモデルを当てます。

Step5

AIに処理させる

させるのは、契約ごとに翌月の振替が不能になる確率を出すことだけです。

出すもの作り方使いみち
不能の確率学習した分類器を、補正用の月で補正した確率並べる順番と、件数の見込み
確率の主な理由の項目確率を押し上げた行動の項目の上位(直近の不能・入金のずれなど)担当が記録を見に行く先
候補の印確率の上位から、課長が入れた連絡できる件数まで担当が確認する範囲
上位の件数で先回りできる見込み候補の確率の合計人手の釣り合いの判断

補正の方法は、既定の sigmoid にします。 公式のページでは、isotonic は補正の記録が少ないとき(1,000よりずっと少ないとき)は過学習しやすいので勧めないとされています。不能の起こる割合は数%なので、補正用の月に入る不能の件数は多くありません。件数が十分にそろうまでは sigmoid のままにします。

class_weight="balanced" は使いません。 公式のページでは、balanced はクラスの数の逆数に比例して重みを付けるとされています。不能の少なさを重みで補うと並び順は保たれても、出てくる値が実際の不能の割合より大きく出ます。 この構成では確率の合計で件数を見込むので、重みを付けずに学び、補正で合わせます。

させないこと理由
与信の可否・限度の設定法令の支払能力調査の手順で、別に行う
契約の解除・期限の利益の喪失の判断割賦販売法の書面の催告の手順に沿って人が決める
督促の文面・回数の決定社内の督促の基準と担当が決める
信用情報機関への登録の判断実際の延滞の事実に基づいて別に行う
お客様の評価・格付け確率は翌月の連絡の順番のためだけに使う

2行目は、とくに気を付けてください。 割賦販売法では、個別信用購入あっせん業者は、支払分の支払が無いとき、20日以上の相当な期間を定めて書面で催告し、その期間内に支払われないときでなければ、契約を解除したり、まだ期日の来ていない支払分を請求したりできないとされています(第35条の3の17)。確率が高いことは、この手順を早める理由になりません。 一覧は「案内」の候補を出すもので、催告や解除の候補ではありません。

Step6

指示内容を固定する

生成AIを使わないので、プロンプトはありません。 かわりに、学習・補正・確かめの中身を示します。

from sklearn.ensemble import HistGradientBoostingClassifier
from sklearn.calibration import CalibratedClassifierCV
from sklearn.frozen import FrozenEstimator
from sklearn.metrics import brier_score_loss
import numpy as np

CAT = ["product", "merchant_type", "last_fail_reason"]
NUM = ["fail_3m", "fail_12m", "refund_ok_6m", "lag_mean_6m",
       "months_since_fail", "remain_ratio", "monthly_pay", "bonus_pay",
       "contact_req_3m", "addr_change_3m"]
X_cols = CAT + NUM

tr = rows[rows.base_month <= "2025-12"]                      # 学習
ca = rows[rows.base_month.between("2026-01", "2026-04")]     # 補正
te = rows[rows.base_month >= "2026-05"]                      # 確かめ

mono = {"fail_3m": 1, "fail_12m": 1, "months_since_fail": -1}
base = HistGradientBoostingClassifier(learning_rate=0.05, max_iter=500,
                                      min_samples_leaf=200,
                                      monotonic_cst=mono)
base.fit(tr[X_cols], tr["y"], X_val=ca[X_cols], y_val=ca["y"])

cal = CalibratedClassifierCV(FrozenEstimator(base), method="sigmoid")
cal.fit(ca[X_cols], ca["y"])

p = cal.predict_proba(te[X_cols])[:, 1]
print(brier_score_loss(te["y"], p))
for m, g in te.assign(p=p).groupby("base_month"):           # 月ごとの上位600件
    top = g.nlargest(600, "p")
    print(m, top["y"].sum(), g["y"].sum(), round(top["p"].sum(), 1))

monotonic_cst で向きを決めているのは、直近の不能が多いほど確率が上がるという当たり前を守るためです。 公式のページでは、制約は2値の分類でだけ有効で、正のクラスの確率に対してかかるとされています。記録の少ない帯で「不能が多いほど確率が下がる」逆転を止めます。

X_val と y_val を渡しているのは、学習の止めどころを補正用の月で見るためです。 公式のページでは、early_stopping の既定の auto は、件数が1万を超えるか X_val と y_val を fit に渡したときに有効になるとされています。ここでは件数が1万を超えますが、止めどころを学習と別の月で見るために明示して渡します。

いちばん大事なのは、最後の3つの数を月ごとに見ることです。 上位600件に入った実際の不能の件数、その月の不能の総数、上位600件の確率の合計です。1つ目と3つ目が近ければ補正が効いており、1つ目が2つ目に占める割合が、これまでの担当の選び方より高ければ、並べ替えの意味があります。

Step7

出力形式を固定する

回収の担当に渡すのは、次の一覧です。

【翌月の振替の不能の見込み(基準日 2026-10-31/モデル作成 2026-08-01)】

順位契約番号不能の確率主な理由窓口の記録前回の連絡印
1K-21-04832170.62直近3か月の不能2回・入金のずれ大支払の相談(10/12)9/20 電話・つながらず候補
2K-23-11209540.48最後の不能から1か月-10/18 SMS候補
3K-24-00577310.41一部の入金・ボーナス払いあり口座の変更(10/25)-候補・初

【上位600件の見込み:確率の合計 152.4件/全件の確率の合計 498.7件】

「初」は、これまで一度も不能になっていない契約に付けます。 担当の経験では選ばれにくい契約で、この印の付いた契約にどれだけ先回りできたかが、この構成の効き目を表します。

下の1行で、担当の人数と見込みを釣り合わせます。 上位600件で先回りできる見込みが全体の3割なら、件数を増やすか、手紙とSMSの比率を変えるかを課長が決めます。

機械で読む用には、同じ内容を CSV でも残します。 列は、基準日、契約番号、確率、理由の上位3つ、候補の印、担当が決めた連絡の要否と手段、連絡の日、翌月の振替の結果、モデルの作成日です。

Step8

システムへ連携する

つなぎ先方式内容
割賦の基幹システム振替の結果の確定後に CSV で書き出す契約・振替・入金の記録
窓口の対応の記録相談の種類と日付の列だけを CSV で書き出す項目
督促の記録の仕組み連絡の記録を CSV で書き出す/一覧からは書き込まない項目と印
共有フォルダ一覧の表と CSV を置く担当が見る
指定信用情報機関の情報つながない-

督促の記録の仕組みには書き込みません。 候補の印を連絡の予定として自動で入れると、担当が窓口の事情を見ないまま連絡が飛びます。 担当が決めた予定を、担当が入れます。

Step9

人が確認する

  1. モデルの作成日と基準日を見る … 基準日が当月の振替の結果の確定日になっているかを確かめます
  2. 窓口の記録を見る … 支払日の変更を相談中、すでに一部を振り込んだ、などの事情があれば連絡を見送ります
  3. 手段を決める … 確率が高く前回の電話がつながらなかった契約は手紙、初めての契約はSMSの案内、のように決めます
  4. 見送った理由を一言残す … 「相談中」「入金予定の連絡あり」が多い契約の型は、項目を見直す材料になります

2番目を省かないでください。 確率は記録から見た起こりやすさで、昨日の電話で「来週振り込む」と聞いたことは入っていません。 同じ週に何度も連絡すると、案内が督促に聞こえます。

目標は、600件をならして1件2分です。 確率の高い順に見るので、上位は記録をよく見て、下のほうは窓口の記録の有無だけを見て決める、という時間の配り方になります。

Step10

例外に対処する

起きること対応
振替の結果の書き出しが遅れる一覧を作らず、基準日の無い一覧は使わない
契約したばかりで記録が無い確率は出すが「新規」と印を付け、上位でも窓口の記録を必ず見る
口座の解約で不能になった不能の理由の区分で別に出し、口座の変更の案内に回す
同じお客様が複数の契約を持つお客様ごとにまとめ、いちばん高い確率で並べる。連絡は1回にする
確率の合計と実際の不能が離れる3か月続いたら作り直しを早め、それまでは件数の見込みを使わない
作り直したモデルが前より外れる前のモデルのまま使い、作り直しの記録を残す
支払の相談・債務整理の連絡が来ている一覧から外し、決まった担当の手順に回す

4行目は、運用を始めてすぐに出ます。 冷蔵庫とエアコンを別々の契約で買ったお客様に、契約ごとに案内を送ると同じ日に2通届きます。 お客様の番号でまとめてから並べます。

最後の行は、案内の対象から必ず外します。 弁護士などから連絡が来ている契約に、一覧の順位で案内を送ってはいけません。

Step11

記録を残す

  • 実行の日時、基準日、使ったモデルの作成日、学習・補正に使った月と件数、外した契約と理由
  • 契約ごとの確率、理由の上位、候補の印
  • 担当が決めた連絡の要否と手段、見送った理由
  • 連絡の日時と、つながったか
  • 翌月の振替の結果
  • 月ごとの当たり方(上位の件数に入った不能の割合、確率の合計と実際の件数、「初」の契約に先回りできた件数)

連絡と結果の組を残すのは、作り直しのためと、連絡の効き目を数えるためです。 同じくらいの確率で、連絡した契約としなかった契約の振替の結果を比べると、手紙とSMSと電話のどれが効いているかの手がかりになります。ただし担当が選んで連絡しているので、差のすべてを連絡の効き目と読まないでください。

04実装レベルの3段階

最小構成:手で書き出した過去の記録で Python を動かし、上位の件数の当たり方を担当の選び方と比べる / 並べ替えの効き目の確認
半自動化:上記+毎月の振替の結果の確定後に、全件の確率の順の一覧を出す / 候補の並べ替え
本格構成:上記+確率の補正、件数の見込み、理由の項目、窓口の記録と前回の連絡の付記、当たり方の記録、連絡の印を考えた作り直しまで行う / 候補の一覧から見直しまで

本記事の想定は本格構成です。 半自動化では並び順は出ますが、担当はまだ窓口の記録と前回の連絡を自分で引きに行き、上位何件まで見るかを勘で決めています。 半自動化で1件6分が4分ほどに、本格構成で2分になります。 差が大きいのは、窓口の記録と前回の連絡の付記が、記録があれば機械で並べられる作業だからです。 段階を飛ばさないでください。 半自動化を3か月使うと、確率の高い契約のうち、担当が見送った理由の型が見えます。その型を項目や例外の扱いに入れてから、件数の見込みを足します。

05工数削減シミュレーション

前提値(モデル条件)
対象人数
5 名
月間件数
600 件
1件あたり現在時間
6 分
1件あたり導入後時間
2 分
現在  600件 × 6分 ÷ 60 = 60 時間/月
導入後 600件 × 2分 ÷ 60 = 20 時間/月
月間削減時間
40h
削減率
67%
年間削減時間
480h
年間金額換算(時間単価3,000円)
144万円
モデル条件による試算であり、実際の効果は業務内容・運用方法によって異なります。

自社条件で導入効果を整理したい方へ

このユースケースを自社に当てはめた場合の前提値と削減見込みを、業務ヒアリングをもとに整理します。

AI活用について相談する

06向いている企業・向いていない企業

向いている
  1. 家電・住宅設備・リフォーム・自転車・楽器などの加盟店を通じて個品割賦(ショッピングクレジット)を扱い、契約中の件数が数万件ある会社。毎月の口座振替の不能が出てから督促を始めていて、振替の前に連絡する先を担当の経験で選んでいる場合。契約と入金の記録が3年分以上、振替不能と再振替の履歴まで残っている場合。
向いていない
  1. 契約中の件数が数千件で、振替の前に全件へ案内を送っても負担にならない場合。振替不能の記録を残しておらず、入金の有無しか分からない場合。延滞が出た後の督促の文面や手順を整えたい場合(別の構成が向きます)。なお、与信の可否、限度の設定、契約の解除、期限の利益の喪失、信用情報機関への登録の判断は、この構成では代替できません。

07最小構成で試す方法

  1. 直近3年分の月ごとの請求・振替・入金の記録を、基幹システムから書き出す
  2. 第7章の前処理で、契約×基準日の行と、翌月の不能の目的の値を作る
  3. 古い2年で学習し、次の半年で補正し、いちばん新しい半年で確かめる
  4. 確かめの半年の各月で、上位600件に入った不能の件数を数える
  5. 同じ月に、当時の担当が選んだ600件に入っていた不能の件数を並べる

最初は、連絡の印の扱いを気にせずに始めます。 試す期間の記録は、まだこの一覧を使っていない時期のものなので、連絡の偏りは当時の担当の選び方の分しかありません。

出てきた内容判断
上位600件に入った不能が、当時の担当の選び方より多い補正を足し、月次で一覧を出す段階に進む
件数は同じくらいだが「初」の契約を多く拾っている担当の選び方と並べて使う形で始める
当たりが良すぎる基準日より後の情報(現在の残高、督促の区分)が項目に入っていないかを確かめる

2行目でも使う価値はあります。 担当の経験で選んだ600件と、確率で選んだ600件の重なりを数えると、担当が見ていなかった型の契約(ボーナス払いのある契約、口座を変えたばかりの契約など)が見えてきます。重ならなかった分だけを追加で確認する形でも、一覧は役に立ちます。

3行目でよくあるのは、基幹システムの「現在の延滞の区分」を項目に入れていることです。 その区分は翌月の不能が起きた後に付くもので、学習の当たりは良くなりますが、予測のときには分かりません。 項目の一覧を作るとき、1つずつ「基準日に分かるか」を書き添えておくと、この誤りを防げます。

08実装時につまずきやすいポイント

問題対策
基準日より後の情報が項目に入る履歴から基準日の姿を組み立て直し、項目ごとに「基準日に分かるか」を書く
連絡して入った契約で、モデルが効き目を打ち消す連絡の印を付け、外すか項目に入れるかを運用前に比べて決める
balanced の重みで確率が大きく出る重みを付けずに学び、補正用の月で補正する
補正の記録が少ないのに isotonic を使う不能の件数がそろうまでは sigmoid にする
月をランダムに分けて確かめる月で切り、確かめの月より前の記録だけで学ぶ
指定信用情報機関の情報を項目に入れる支払能力調査以外の目的に使わない。 自社の記録だけで作る
同じお客様に契約ごとに案内が届くお客様の番号でまとめて並べる
確率の高さを解除や催告の理由にする一覧は案内の候補だけ。 解除は法令の手順で人が決める

上の2行が、この構成の失敗のほとんどです。 どちらも「基準日に何が分かっていたか」と「連絡が結果を変えること」から起きます。ここを押さえれば、残りは補正の扱いと運用の注意で足ります。

6行目と最後の行は、作る前に法務と決めておきます。 項目の一覧と、一覧の使いみちの範囲を文書にし、作り直しのたびに項目が増えていないかを確かめます。

09セキュリティ・AIガバナンス上の注意点

この構成で扱うデータ: お客様ごとの契約の内容、毎月の支払額、振替の結果、入金の記録、窓口への相談の種類です。個人の支払の状況そのもので、外に出れば信用に関わる情報です。

  1. データを外に出さない … 予測は社内のサーバーの中で動き、生成AIや外部のサービスに記録を送りません
  2. 指定信用情報機関の情報を使わない … 割賦販売法で支払能力調査以外の目的への使用が禁じられています。 学習の記録にも一覧にも入れません
  3. 使いみちを案内の順番に限る … 確率を与信・限度・解除・督促の強さの判断に回しません。社内の規程に「この一覧の使いみち」を書いておきます
  4. 属性で差を付けない … 性別・年齢・国籍・家族構成を項目にせず、支払の記録に表れた行動だけで並べます
  5. 一覧を見られる人を限る … 回収の担当と課長だけが見られる場所に置き、営業や加盟店には渡しません
  6. お客様への伝え方を決める … 案内は「残高のご確認」「支払日のご相談」の文面にし、「延滞の恐れがある」と伝える文面にしません

誤りが起きた場合のリスクは、不能になる契約を見落とすことと、必要の無いお客様に案内を重ねて不快にさせることの2つです。 前者は基準日の扱いを誤ると起き、後者はお客様ごとにまとめずに連絡すると起きます。どちらも並べる前の処理から出ているので、そこだけは設計で守ります。

10まず何から始めるか

1週目:使いみちと項目の線引きを決める

法務と回収の責任者で、この一覧を何に使い、何に使わないかを文書にします。指定信用情報機関の情報と属性を項目にしないことも、ここで決めます。

2〜3週目:基準日ごとの記録を組み立てる

直近3年分の請求・振替・入金の履歴を書き出し、基準日ごとに契約中の全件を1行ずつ並べた表を作ります。項目ごとに「基準日に分かるか」を書き添えます。

4週目:担当の選び方と比べる

第8章のとおり、古い2年で学習し、新しい半年で、上位600件に入った不能の件数を、当時の担当の選び方と並べます。

2か月目: 毎月の振替の結果の確定後に、全件の確率の順の一覧を出す半自動化を始めます。担当はこれまでどおり自分の選び方でも見ながら、一覧と見比べます。3か月目以降: 確率の補正、件数の見込み、窓口の記録と前回の連絡の付記、連絡の印を足します。確率の合計と実際の不能の件数が近い月が続き、「初」の契約への案内が担当の手で回るようになった時点で、この構成は完成です。


11関連ユースケース

12この仕組みを理解するための記事

13技術仕様の確認日・参考情報

技術仕様確認日:2026-11-19/最終更新:2026-11-19
確認した内容情報源確認日
HistGradientBoostingClassifier の loss の既定が log_loss であること。欠けた値(NaN)をそのまま扱い、分かれ目ごとに欠けた値の送り先を学ぶこと。categorical_features の既定が from_dtype であること。class_weight の balanced がクラスの数の逆数に比例して重みを付けること。early_stopping の既定 auto は件数が1万を超えるか X_val・y_val を渡したときに有効になること。monotonic_cst は2値の分類でだけ有効で正のクラスの確率にかかること(scikit-learn 1.9.1)scikit-learn: HistGradientBoostingClassifier2026-11-19
CalibratedClassifierCV の method の既定が sigmoid で、isotonic・temperature もあること。isotonic は補正の記録が1,000よりずっと少ないときは過学習しやすく勧めないこと。学習済みの分類器は FrozenEstimator で包んで補正でき、そのとき渡した記録はすべて補正に使われ、学習と補正の記録が重ならないよう利用者が気を付けること(scikit-learn 1.9.1)scikit-learn: CalibratedClassifierCV2026-11-19
個別信用購入あっせん業者は、支払分の支払が無いとき、20日以上の相当な期間を定めて書面で催告し、その期間内に支払われないときでなければ契約の解除や期日未到来の支払分の請求ができないこと(第35条の3の17)。加入個別信用購入あっせん業者などが、指定信用情報機関から提供を受けた特定信用情報を支払能力調査以外の目的に使用し、または第三者に提供してはならないこと(第35条の3の59)(2025-06-01 施行の版)e-Gov 法令API: 割賦販売法2026-11-19

与信、限度、催告、契約の解除、信用情報機関への登録、お客様への連絡の文面は、法令と自社の規程で決めてください。 本記事は上記の公開情報で確認できた範囲だけを扱っています。

実装ステータス:構成例。 公開仕様に基づいて設計した構成であり、当社で実際に構築・検証したものではありません。工数の数値はモデル条件による試算です。

自社の業務に使えるAI活用候補を整理します

このユースケース(UC-4203)についてのご相談はこちらから。

AI活用について相談する
目次