ElithとNVIDIAが公開した金融向け日本語合成ペルソナ「Nemotron-Personas-Finance-Japan」の中身を確認してみた

こんちには。製造ビジネステクノロジー部の中村（@nokomoro3）です。

2026年11月9日に、株式会社ElithとNVIDIAから、日本の家計や金融リテラシーを反映した合成ペルソナデータセット「Nemotron-Personas-Finance-Japan」が公開されました。

• Nemotron-Personas-Finance-Japan（Hugging Face Blog）
• nvidia/Nemotron-Personas-Finance-Japan（Hugging Face）

実在の顧客データを使わずに、金融分野の顧客対応AIの開発や評価に使える日本語のペルソナを100万人分収録したデータセットです。
ライセンスはCC BY 4.0で、商用利用もできます。

本記事では、まずデータセットの構成と作り方を整理し、そのうえで実際にデータの一部をダウンロードして、どのような人物像がどの程度の粒度で書かれているかを確認しました。

結論

• データセットの構成
  • 100万レコードで、1レコードが1人の人物を表現（100万人分のデータ）
  • 1人につき、金融、金融行動、金銭面の懸念、職業、スポーツ、芸術、旅行、料理、汎用の9種類のペルソナ記述がある
  • 全50フィールドのうち、20がペルソナの記述（自然言語）、30が年齢や世帯の金融資産などの構造化された属性
• 作り方
  • 国勢調査、全国家計構造調査、金融経済教育推進機構（J-FLEC）の調査などの公的統計から、確率的グラフィカルモデル（NeMo SDG-PGMs）で属性を生成
  • その属性を条件にして、gemma-4-31B-itで日本語の記述を生成する（NeMo Data Designerで実行）
• 実データを確認した感想
  • 世帯の金融資産、金融リテラシー、保有する金融商品、住宅ローンの有無、スマートフォン利用などの属性で、目的の顧客像を絞り込めそう
  • 1人分の記述は、属性と整合した具体的な生活像になっている
  • ただし、構造化された属性とテキストの記述が細部で食い違う例もあり
• 注意点
  • 統計との整合は公式に示されているが、実運用での有効性を独立に検証した結果はこれから
  • 職業と学歴の独立性など、統計の制約による仮定がある。また18歳未満のデータは含まれない

Nemotron-Personas-Finance-Japanの概要

このデータセットは、先に公開されていた「Nemotron-Personas-Japan」を金融分野向けに拡張したものです。

Nemotron-Personas-Japanは年齢、地域、学歴、職業といった基本属性をもとにペルソナを作っていましたが、本データセットではこれに「家族構成、世帯の金融資産、金融リテラシー、健康状態」など、金融の相談場面で必要になる属性を加えています。

データセットカードには、規模について次のように書かれています。

「1レコードに9つのペルソナ」とありますが、これは9人分の人物が入っているという意味ではありません。
1人の人物を、お金の使い方、金融上の行動、お金の不安、職業、趣味などの9つの観点から別々に記述しています。

また、氏名は専用のフィールドとしては提供されておらず、ペルソナの記述文の中にだけ現れます。

設計に参加した組織

設計にあたっては、損害保険ジャパン、東京海上ホールディングス、福岡銀行、みずほフィナンシャルグループ、明治安田生命保険、金融データ活用推進協会（FDUA）の意見を取り入れたと説明されています。

銀行、損害保険、生命保険の各業態が入っているため、預金や資産運用だけでなく、保険や住宅ローン、老後資金、相続といった相談場面を想定した属性が用意されています。

どのように作られているか

生成は、統計に基づいて属性を決め、その属性から日本語の記述を書く段階の2段構成となっています。

1. 確率的グラフィカルモデルのフレームワーク「NeMo SDG-PGMs」で、統計の分布に従って年齢、性別、地域、学歴、職業、世帯構成、所得、資産などの属性を組み合わせて生成
2. 生成した属性を条件として、gemma-4-31B-itで9種類のペルソナと11種類の背景を日本語で記述
3. これらの処理を、合成データ生成の基盤「NeMo Data Designer」で、テンプレート、出力の検証、再試行などとともに大規模に実行

以下の2つのツールは、どちらもApache 2.0のOSSとして公開されています。

• NeMo SDG-PGMs
  • 確率的グラフィカルモデル（ベイジアンネットワーク）で、属性どうしの関係を保った合成データを生成するPythonライブラリ
  • pgmpyを拡張したもので、複数のネットワークを段階的につなげる機能、指定した値を条件とした生成、制約を満たさないサンプルを棄却する機能などを持つ
  • Data Designerのプラグインとして、列を生成する部品の1つに組み込める
• NeMo Data Designer
  • ゼロから、またはシードデータをもとに合成データセットを作るフレームワーク
  • 列どうしの関係の指定、LLMによるテキスト生成、PythonやSQL、LLMによる出力の検証などを組み合わせてパイプラインを組める
  • pip install data-designer でインストールできる

属性の元になったデータとして、データセットカードには次の3つが挙げられています。

• 総務省統計局の国勢調査（リンク先は、データセットカードが示している、国勢調査を基にした2024年の人口推計のページ）
• 名字由来netが提供した日本人の姓と名（姓9.7万件、名2万件）
• 金融経済教育推進機構（J-FLEC）の調査、統計

世帯の金融資産については、2019年の全国家計構造調査における、世帯主の性別、年齢階級別の分布に基づくと書かれています。

属性を先に統計から決めることで、LLMに人物像を自由に書かせた場合に起こりやすい偏りを抑えています。
LLMにまかせると、都道府県ごとの大卒者の割合のような細かい分布は再現しにくく、データセットカードでも「検証したどのLLMもこの精度のデータを生成できなかった」と述べています。

統計より細かくした点

公的統計をそのまま使うだけでなく、AIの学習や評価で必要になる部分は統計より細かく設定しているようです。

• 教育：学歴を13区分にした。実データでは、大学と大学院が文系と理系に分かれ、「大学卒 文系」とは別に「大学 文系」（在学中と思われる）という値もある
• 職業：業種と企業規模（大手、中堅、中小）を組み合わせ、自営業や専門職も加えて1,600以上のカテゴリにした
• ライフステージ：学生、退職者、失業中の人など、一般の統計では目立ちにくい状態を表現した
• 家計：個人の収入と消費性向に加えて、世帯の金融資産と実物資産（持ち家、車）を持たせた
• デジタルと金融のリテラシー：インターネットやスマートフォンの利用状況と、金融リテラシーのスコアを持たせた

データの中身を確認する

ここからは、実際にデータをダウンロードして中身を確認します。
全8ファイルのうち1ファイル（約174MB、12.5万件）だけを取得し、Polarsで集計しました。

検証環境は、macOS（Apple Silicon）、Python 3.14.0、Polars 2.1.0、datasets 5.1.0です。

pip install polars==2.1.0 datasets==5.1.0

データは次のコマンドで1ファイルだけダウンロードしました。

curl -L -o train0.parquet \
  https://huggingface.co/datasets/nvidia/Nemotron-Personas-Finance-Japan/resolve/main/data/train-00000-of-00008.parquet

全体を読み込む場合は、データセットカードにある通り datasets ライブラリで読み込めます（初回は約1.39GBをダウンロードします）。

from datasets import load_dataset

ds = load_dataset("nvidia/Nemotron-Personas-Finance-Japan", split="train")

ダウンロードせずに一部だけ見たい場合は、streaming=True を指定すると先頭から順に読み込めます。

ds = load_dataset("nvidia/Nemotron-Personas-Finance-Japan", split="train", streaming=True)
row = next(iter(ds))
print(row["persona"])

以降の数値は、この1ファイル（12.5万件）での集計です。

構造化された属性の分布

金融に関係する主な属性の分布は次の通りでした。

import polars as pl

df = pl.read_parquet("train0.parquet")

# 分布の出力
for c in ["household_financial_assets", "financial_literacy", "securities_mix", "housing_type"]:
    print(
        df[c]
        .value_counts(sort=True)
        .with_columns((pl.col("count") / df.height * 100).round(1).alias("pct"))
    )

世帯の金融資産（household_financial_assets）は、100万円未満が20.9%と最も多く、2,000万円以上も合わせて20.4%（2,000～4,999万円が15.1%、5,000万円以上が5.3%）ありました。
資産の少ない世帯から多い世帯まで幅広く含まれています。

金融リテラシー（financial_literacy）は100点満点のスコアを5段階に区切ったもので、0～20点が18.3%、84～100点が23.9%と、低い層から高い層まで分かれています。

有価証券の内訳（securities_mix）は73.1%が「非該当」で、有価証券を持つ人は約27%でした。
持っている人の中では、投資信託のみ（8.5%）、株式のみ（7.6%）、株式と投資信託（7.1%）が多くなっています。
なお、securities_mix に値がある12.5万件中33,627件は、すべて保有金融資産（financial_assets_held）にも株式や投資信託などが含まれており、この2つの属性は互いに整合していました。

住居（housing_type）は、持ち家でローンなしが47.2%、賃貸が28.0%、持ち家でローンありが19.0%です。

そのほか、スマートフォンの保有は「あり」が81.4%、インターネットの利用は「あり」が83.4%で、どちらも「なし」が1割強含まれていました。
就業状態では、就業が60.8%、家事が13.5%、通学が3.1%、完全失業が2.6%で、退職者などを含む「その他」が20.0%です。

年齢は18～100歳で、中央値は54歳でした。

条件を指定して顧客像を絞り込む

構造化された属性が30もあると、特定の顧客像を条件で絞り込むことが可能です。

データセットカードでも「地方在住の年金生活者による資産承継の相談」が例として挙げられているので、これに近い条件で絞り込んでみました。

q = df.filter(
    (pl.col("region") != "関東地方")
    & (pl.col("age").is_between(68, 78))
    & (pl.col("work_state") == "その他")
    & (pl.col("household_financial_assets").is_in(["2000–4999万円", "5000万円以上"]))
    & (pl.col("financial_literacy") == "0–20点")
)
print(q.height)  # 134

関東地方以外に住む68～78歳で、仕事をしておらず、世帯の金融資産が2,000万円以上あるのに、金融リテラシーのスコアが低い人という条件です。
12.5万件中134件が該当しました。

金融商品の勧誘では、顧客の知識、経験、財産の状況に照らして不適当な勧誘をしないこと（適合性原則）が求められます。
資産は多い一方で金融リテラシーのスコアが低いという組み合わせは、商品の勧め方や説明の仕方が適切かを確かめる評価シナリオの条件として使えそうです。
年齢や地域だけで人物像を決めるのではなく、資産やリテラシーなどの属性を組み合わせて条件を作れる点が、このデータセットの使いやすいところです。

1人分のペルソナ

絞り込んだ134件から1件を取り出しました。
属性は次の通りです（抜粋）。

この人物について書かれた記述の一部が次の通りです。

[persona]
竹田 由利菜は、長野県の自宅で家計を切り盛りし、
スマートフォンで子どもたちととりとめもない会話を交わしながら穏やかに暮らしている。

[financial_behavior_persona]
竹田 由利菜は、家計の管理を一手に引き受けている。お金のことで判断に迷ったときは夫に相談するが、
複雑な運用話よりも、現在の預貯金がいくらあるかという確実な数字を確認し合う。

[financial_concerns_persona]
竹田 由利菜は、食料品などの物価上昇に敏感に反応している。
毎月の支出が年金収入を上回るなかで、日々の買い物で予算をオーバーすることに小さく不安を感じている。

[financial_background]
夫が退職し、世帯収入が年金のみとなった。生活水準を維持するため、
毎月の支出が収入を上回っており、蓄えてきた資産を取り崩して補っている。

[money_attribute]
お金の運用に関する知識はほとんどない。派手な投資よりも、銀行の預金や保険など、
目に見えて確実な形で資産を保持することに安心感を覚える。

[financial_plan]
8100万円の金融資産から、毎月の不足分を補いながら生活を維持する。
数年後には、世帯で所有している車の買い替えに数百万円を充てる予定である。

[household_background]
夫と二人で松本市の自宅に住んでいる。離れて暮らす50歳の長男と46歳の長女からは定期的に連絡があり、
家族の近況を報告し合っている。

記述の多くは、構造化された属性と対応しています。
消費性向が120%以上であることは「毎月の支出が年金収入を上回る」「資産を取り崩して補っている」として、金融リテラシーが低いことは「運用に関する知識はほとんどない」として書かれています。

金融資産の「8100万円」も「5,000万円以上」の区分に収まっており、車の保有や子どもの有無も記述に反映されています。
料理のペルソナでは信州そば、旅行のペルソナでは静岡への小旅行が出てくるなど、居住地に合わせた具体的な描写もありました。

一方で、細部では属性とずれる箇所もあります。

属性では株式と債券を保有していることになっていますが、記述では「派手な投資よりも、銀行の預金や保険など」に安心感を覚える人として書かれ、株式や債券は出てきません。
株式を相続などで受け取ったまま持っている人と解釈すれば矛盾とまでは言えませんが、記述だけを読むと有価証券を持っていない人に見えます。

今回見たのは1件だけなので、このようなずれがどの程度の頻度で起きるかは確認できていません。
属性とテキストの両方をAIに渡して評価する場合は、どちらを正とするかを決めておく必要がありそうです。

想定されている使い方

公式ブログとデータセットカードでは、次のような使い方が挙げられています。

• 顧客対応エージェントや、営業、マーケティング向けAIの評価
• ペルソナを種にした、複数ターンの対話データの生成
• ユーザーシミュレーションのフレームワーク「NeMo User Sim」と組み合わせた、利用者の反応のシミュレーション
• 顧客対応AIのレッドチーミング
• 都市部と地方、年齢層、学歴、経済状況などをまたいだバイアスや公平性の検証
• 日本の文化や家計の事情に沿ったデータによるファインチューニング

金融機関の顧客データは機微な個人情報であり、AIの開発や評価のために外部のサービスやチームに渡すのは簡単ではありません。

合成ペルソナであれば、顧客データを使わずに、たとえば「顧客の知識や資産の状況に合わない、リスクの高い商品を勧めていないか」といった観点で顧客対応AIを評価するシナリオを作ることが可能かもしれません。

関連データセット

同じ日に、日本語の個人情報（PII）の検出とマスキング向けのデータセット「Nemotron-PII-Japan」も公開されています。

Nemotron-Personas-Japanのペルソナをもとに作られた、個人情報のラベル付きの合成ビジネス文書10万件を収録しており、個人情報の検出モデルやマスキングの仕組みの学習と検証に使えます。

• nvidia/Nemotron-PII-Japan（Hugging Face）
• Nemotron-Personas コレクション（Hugging Face）

利用時の注意点

まず、品質の裏付けは公開元による説明にとどまります。

データセットカードには年齢、婚姻状況、学歴、所得、金融資産などの分布が統計と整合していることを示す図がありますが、このデータで評価した顧客対応AIが実運用でも同じように振る舞うかどうかは検証が必要です。

次に、統計の制約による仮定があります。

データセットカードでは、職業は都道府県と性別を条件とすると学歴とは独立している、と仮定していることが明記されています。
属性の組み合わせによっては、現実より不自然な人物像が生成される可能性があります。
また、国勢調査には生物学的性別と独立したジェンダーの統計がないため、性別は男性と女性の2値のみです。

さらに、データセットに含まれないものもあります。

18歳未満は含まれておらず、氏名と合成住所のフィールドや、医療分野のペルソナは、NVIDIAのエンタープライズ向けの版にのみ含まれると説明されています。

最後に、合成データである以上、現実の顧客の事情をすべて再現できるわけではありません。

統計で表せる属性の組み合わせは現実に近づけられても、個々の家庭の込み入った事情や、統計に現れにくい少数派の状況は、記述を生成したLLMの想像の範囲にとどまります。

まとめ

Nemotron-Personas-Finance-Japanは、日本の公的統計に基づく属性と、その属性に沿った日本語の記述を100万人分収録した、金融分野向けの合成ペルソナデータセットです。

世帯の金融資産、金融リテラシー、保有金融商品、住宅ローンの有無などで顧客像を絞り込めるため、顧客対応AIの評価シナリオや対話データの生成に使いやすい構成になっています。
CC BY 4.0で商用利用もできるので、金融分野でAIを開発、評価している方は一度中身を確認してみてはいかがでしょうか。

本記事がご参考になれば幸いです。