特開 2024-83176 情報処理システム、情報処理方法及びプログラム

(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】P2024083176

(43)【公開日】2024-06-20

(54)【発明の名称】情報処理システム、情報処理方法及びプログラム

(51)【国際特許分類】

   G06Q 20/24 20120101AFI20240613BHJP

【ＦＩ】

G06Q20/24

【審査請求】有

【請求項の数】13

【出願形態】ＯＬ

(21)【出願番号】P 2022197545

(22)【出願日】2022-12-10

(71)【出願人】

【識別番号】399037405

【氏名又は名称】楽天グループ株式会社

(74)【代理人】

【識別番号】100145838

【弁理士】

【氏名又は名称】畑添 隆人

(74)【代理人】

【識別番号】100103137

【弁理士】

【氏名又は名称】稲葉 滋

(74)【代理人】

【識別番号】100216367

【弁理士】

【氏名又は名称】水谷 梨絵

(72)【発明者】

【氏名】山下 智彦

(72)【発明者】

【氏名】町田 大樹

(72)【発明者】

【氏名】オシュ スブラタ

(72)【発明者】

【氏名】梅田 卓志

【テーマコード（参考）】

5L020

5L055

【Ｆターム（参考）】

5L020AA52

5L055AA52

(57)【要約】

【課題】信用度が所定の基準に満たないユーザに対して、自由度の高い信用払いサービスの利用を訴求することを課題とする。
【解決手段】情報処理システムに、ユーザに設定される信用スコアを推定する信用スコア推定部２３と、信用スコアによって示される信用度が所定の信用度に満たない所定の範囲内であるか否かを判定する判定部２５と、ユーザの信用度が所定の範囲内であると判定された場合に、当該ユーザが信用払いを利用する場合の精算方法として、通常の精算方法として設定された第一の精算方法と異なる第二の精算方法を当該ユーザに対して提案する提案部２６と、を備えた。
【選択図】図２

【特許請求の範囲】

【請求項1】

ユーザに係る属性データ群に基づいて、該ユーザに設定される信用スコアを推定する信用スコア推定手段と、
前記信用スコアによって示される前記ユーザの信用度が、所定の信用度に満たない所定の範囲内であるか否かを判定する判定手段と、
前記ユーザの信用度が前記所定の範囲内であると判定された場合に、該ユーザが信用払いを利用する場合の精算方法として、該信用払いの通常の精算方法として設定された第一の精算方法と異なる第二の精算方法を、該ユーザに対して提案する、提案手段と、
を備える、情報処理システム。

【請求項2】

前記提案手段は、前記ユーザの信用度が前記所定の範囲内であると判定された場合に、該ユーザが前記信用払いを利用する場合の精算方法として、前記第一の精算方法に設定された精算タイミングと異なる精算タイミングが設定された前記第二の精算方法を、該ユーザに対して提案する、
請求項１に記載の情報処理システム。

【請求項3】

前記提案手段は、前記ユーザの信用度が前記所定の範囲内であると判定された場合に、該ユーザが前記信用払いを利用する場合の精算方法として、前記第一の精算方法に設定された精算タイミングよりも遅延した精算タイミングが設定された前記第二の精算方法を、該ユーザに対して提案する、
請求項２に記載の情報処理システム。

【請求項4】

前記判定手段は、前記信用スコアによって示される前記ユーザの信用度が、第一の信用度に満たず且つ第二の信用度以上である所定の範囲内であるか否かを判定する、
請求項１に記載の情報処理システム。

【請求項5】

前記提案手段は、前記ユーザに対して、前記信用払いを提供するサービスへの加入を更に提案する、
請求項１に記載の情報処理システム。

【請求項6】

前記提案手段は、商品又はサービスの購入代金を決済するための前記ユーザによる指示が受け付けられたことを契機として、該ユーザに対して前記第二の精算方法を提案する、
請求項１に記載の情報処理システム。

【請求項7】

前記信用スコア推定手段は、前記属性データ群を入力値とし、該属性データ群が共通するユーザに係る後払い決済の支払履歴に基づいて決定された前記信用スコアを出力値とする教師データを用いて生成及び／又は更新された信用スコア推定モデルを用いて、前記ユーザに設定される信用スコアを推定する、
請求項１に記載の情報処理システム。

【請求項8】

前記信用スコア推定モデルの出力値は、前記ユーザが後払い決済を利用した場合に後払い決済の精算が該ユーザによって正しく履行されない後払いリスクに応じて変化するスコアである、
請求項７に記載の情報処理システム。

【請求項9】

前記ユーザについて、前記信用払いの利用可否又は前記精算方法の利用可否の判定に適した量の与信データが蓄積されているか否かを判定する与信データ判定手段を更に備え、
前記信用スコア推定手段は、少なくとも前記与信データの蓄積量が不足していると判定されたユーザについて、前記後払いリスクに応じて変化する信用スコアを推定し、
前記提案手段は、少なくとも前記与信データの蓄積量が不足していると判定されたユーザに対して、前記第二の精算方法を提案する、
請求項８に記載の情報処理システム。

【請求項10】

前記信用スコア推定手段は、勾配ブースティング決定木に基づく機械学習フレームワークを用いて生成及び／又は更新された前記信用スコア推定モデルを用いて、前記信用スコアを推定する、
請求項７に記載の情報処理システム。

【請求項11】

前記ユーザ自身から提供されたユーザ提供データ又は該ユーザの履歴データに基づいて、該ユーザについて事実であると確認可能な事実属性を決定する事実属性決定手段と、
少なくとも該ユーザに係る前記事実属性に基づいて、該ユーザについて推定された推定属性を決定する推定属性決定手段と、を更に備え、
前記信用スコア推定手段は、前記対象ユーザに係る前記事実属性及び推定属性を含む属性データ群に基づいて、前記対象ユーザの信用スコアを推定する、
請求項１に記載の情報処理システム。

【請求項12】

コンピュータが、
ユーザに係る属性データ群に基づいて、該ユーザに設定される信用スコアを推定する信用スコア推定ステップと、
前記信用スコアによって示される前記ユーザの信用度が、所定の信用度に満たない所定の範囲内であるか否かを判定する判定ステップと、
前記ユーザの信用度が前記所定の範囲内であると判定された場合に、該ユーザが信用払いを利用する場合の精算方法として、該信用払いの通常の精算方法として設定された第一の精算方法と異なる第二の精算方法を、該ユーザに対して提案する、提案ステップと、
を実行する情報処理方法。

【請求項13】

コンピュータを、
ユーザに係る属性データ群に基づいて、該ユーザに設定される信用スコアを推定する信用スコア推定手段と、
前記信用スコアによって示される前記ユーザの信用度が、所定の信用度に満たない所定の範囲内であるか否かを判定する判定手段と、
前記ユーザの信用度が前記所定の範囲内であると判定された場合に、該ユーザが信用払いを利用する場合の精算方法として、該信用払いの通常の精算方法として設定された第一の精算方法と異なる第二の精算方法を、該ユーザに対して提案する、提案手段と、
として機能させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、ユーザの信用度を判定する技術に関する。

【背景技術】

【0002】

従来、ユーザの行動を示す行動情報を取得するユーザ情報取得部と、行動情報に基づいて、将来のユーザの融資に対する返済能力に関する信用度を判定する信用度判定部と、を備える判定装置が提案されている（特許文献１を参照）。

【0003】

また、従来、ユーザの信頼度の高さに応じたスコアを出力する機械学習モデルと、スコアが閾値以上であってリボルビング払いを利用していないユーザにリボルビング払いの利用を提案する提案部とを有する情報処理装置が提案されている（特許文献２を参照）。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０２１－１７４０３９号公報

【特許文献2】特開２０２２－１５７７４６号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

従来、ユーザの信用度に応じて信用払いの精算方法のオプションを提案する技術が提案されている。しかし、従来の技術は信用度が高いユーザに対する特典としてオプションを提案するものであり、信用度が所定の基準に満たないユーザに対して、自由度の高い信用払いサービスの利用を訴求するという点で改善の余地があった。

【0006】

本開示は、上記した問題に鑑み、信用度が所定の基準に満たないユーザに対して、自由度の高い信用払いサービスの利用を訴求することを課題とする。

【課題を解決するための手段】

【0007】

本開示の一例は、ユーザに係る属性データ群に基づいて、該ユーザに設定される信用スコアを推定する信用スコア推定手段と、前記信用スコアによって示される前記ユーザの信用度が、所定の信用度に満たない所定の範囲内であるか否かを判定する判定手段と、前記ユーザの信用度が前記所定の範囲内であると判定された場合に、該ユーザが信用払いを利用する場合の精算方法として、該信用払いの通常の精算方法として設定された第一の精算方法と異なる第二の精算方法を、該ユーザに対して提案する、提案手段と、を備える、情報処理システムである。

【0008】

本開示は、情報処理装置、システム、コンピュータによって実行される方法又はコンピュータに実行させるプログラムとして把握することが可能である。また、本開示は、そのようなプログラムをコンピュータその他の装置、機械等が読み取り可能な記録媒体に記録したものとしても把握できる。ここで、コンピュータ等が読み取り可能な記録媒体とは、データやプログラム等の情報を電気的、磁気的、光学的、機械的又は化学的作用によって蓄積し、コンピュータ等から読み取ることができる記録媒体をいう。

【発明の効果】

【0009】

本開示によれば、信用度が所定の基準に満たないユーザに対して、自由度の高い信用払いサービスの利用を訴求することが可能となる。

【図面の簡単な説明】

【0010】

【図1】実施形態に係る情報処理システムの構成を示す概略図である。

【図2】実施形態に係る情報処理装置の機能構成の概略を示す図である。

【図3】実施形態に係る信用スコア推定処理の簡略図である。

【図4】実施形態において採用される機械学習モデルの決定木の概念を簡略図である。

【図5】実施形態における信用度の所定の範囲を示す図である。

【図6】実施形態に係る機械学習処理の流れを示すフローチャートである。

【図7】実施形態に係るスコア算出処理の流れを示すフローチャートである。

【図8】実施形態に係る精算方法提案処理の流れを示すフローチャートである。

【図9】バリエーションに係る情報処理装置の機能構成の概略を示す図である。

【発明を実施するための形態】

【0011】

以下、本開示に係る情報処理装置、方法及びプログラムの実施の形態を、図面に基づいて説明する。但し、以下に説明する実施の形態は、実施形態を例示するものであって、本開示に係る情報処理装置、方法及びプログラムを以下に説明する具体的構成に限定するものではない。実施にあたっては、実施の態様に応じた具体的構成が適宜採用され、また、種々の改良や変形が行われてよい。本発明は、後述する実施形態、バリエーションの夫々における構成の少なくとも一部を適宜、互いに採用することができる。

【0012】

本実施形態では、本開示に係る技術を、新規のクレジットカードユーザを増やすことを目的として、クレジットカードサービス未入会のユーザに対して、クレジットカードサービスへの入会と、当該クレジットカード利用時の清算方法として１回払い以外のオプション（例えば、リボルビング払い等）が利用可能であることと、を提案するために実施した場合の態様について説明する。但し、本開示に係る技術は、ユーザに対して信用払いの清算方法を提案するための技術について広く用いることが可能であり、本開示の適用対象は、実施形態において示した例に限定されない。例えば、本開示に係る技術は、既存の（入会済の）クレジットカードサービスユーザに対して、当該クレジットカード利用時の清算方法のオプションを提案するために実施されてもよい。

【0013】

＜システムの構成＞
図１は、本実施形態に係る情報処理システムの構成を示す概略図である。本実施形態に係る情報処理システムでは、情報処理装置１と、１又は複数のサービス提供システム５と、が互いに通信可能に接続されている。ユーザは、サービス提供システム５によって提供されるサービスの利用者であり、ユーザ端末からサービス提供システム５にアクセスすることでサービスの提供を受ける。

【0014】

情報処理装置１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ ａｎｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）やＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等の記憶装置１４、ＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）等の通信ユニット１５、等を備えるコンピュータである。但し、情報処理装置１の具体的なハードウェア構成に関しては、実施の態様に応じて適宜省略や置換、追加が可能である。また、情報処理装置１は、単一の筐体からなる装置に限定されない。情報処理装置１は、所謂クラウドや分散コンピューティングの技術等を用いた、複数の装置によって実現されてよい。

【0015】

サービス提供システム５は、ＣＰＵ、ＲＯＭ、ＲＡＭ、記憶装置、通信ユニット、入力装置、出力装置等（図示は省略する）を備えるコンピュータである。また、これらのシステム及び端末は、いずれも、単一の筐体からなる装置に限定されない。これらのシステム及び端末は、所謂クラウドや分散コンピューティングの技術等を用いた、複数の装置によって実現されてよい。

【0016】

サービス提供システム５によって提供されるサービスは、例えば、オンラインショッピングサービス、オンライン予約サービス、銀行サービス、クレジットカード／後払い決済サービス、電子マネー決済サービス、広告サービス、オペレーションセンターサービス、又は地図情報サービス等である。なお、「後払い決済」には、所謂Ｂｕｙ Ｎｏｗ Ｐａｙ Ｌａｔｅｒ（ＢＮＰＬ）と称されるサービスに限定されず、あらゆる後払いによる商品／サービスの購入が含まれてよいものとする。

【0017】

サービス提供システム５によって提供されるサービスは本実施形態における例示に限定されない。そして、サービス提供システム５は、サービスの提供に際してユーザ関連データを情報処理装置１に通知する。ここで、ユーザ関連データには当該ユーザによるサービスの利用履歴データが含まれる。サービスの利用履歴データの内容はサービスの内容に応じて様々であり、例えば、ユーザの位置情報の履歴データ、クレジットカード利用額／後払い決済利用額の支払履歴データ、電子マネー利用履歴データ、取引履歴データ（商品等の購入履歴データを含む）、予約履歴データ、オペレーションセンターからのユーザに対するオペレーション履歴データ等が含まれてよい。

【0018】

本実施形態では、サービス提供システム５によって提供される各種サービスのうち、クレジットカードサービスについて、ユーザに対して精算方法（精算方式、返済方法及び返済方式を含む。）のオプションを提案する態様を説明する。但し、ユーザに対して精算方法が提案される対象となるサービスは、信用払いに関するサービスであればよく、クレジットカードサービスに限定されない。

【0019】

クレジットカードサービスを利用した場合の精算方法としては、１）１回払い、２）ボーナス１回払い、３）分割払い、及び４）リボルビング払い、等が挙げられる。本実施形態に係るシステムでは、例えば、信用スコアが低いユーザに対して、１回払いの精算方法に代えて、２）ボーナス１回払い、３）分割払い、又は４）リボルビング払い、等の、多様な精算方法をオプションとして提案（リコメンド）することとしている。

【0020】

本開示に係る情報処理装置では、ユーザ属性データ等を入力として信用スコア（本実施形態では、後払いリスクを示すスコア）を出力する機械学習モデルを用いる。なお、ここで入力として用いられる属性データにはデフォルト（債務不履行）を示すデータも含まれてよい。様々な属性データを入力として用いることで、本開示に係る情報処理装置１によれば、ユーザの属性全般が統一的に反映されることで生成された普遍的（ｕｎｉｖｅｒｓａｌ）且つ一般化された（ｇｅｎｅｒａｌｉｚｅｄ）信用スコアを算出する。算出された信用スコアは、後払い決済サービス等における与信審査（後払い決済の承認又は却下を伴う判定）に用いることが可能であるが、上述の通り、本実施形態では、算出された信用スコアを、ユーザを精算方法オプション提案の対象とするか否かの判定に用いる。

【0021】

ここで、ユーザ属性データには、事実属性データ及び推定属性データが含まれる。属性データは、例えば、スコア（例えば、０以上１以下の連続的な値）又はラベル（例えば、有無や是非に応じた二値）等のデータ形式で表されるデータが含まれる。但し、属性データのフォーマットは本開示における例示に限定されない。また、属性データには、例えば、オンラインサービス利用状況、ポイントを含む電子的バリューの利用状況が含まれてよい。また、オンラインサービス利用状況には、オンラインショッピングサービス又はオンライン予約サービスにおけるキャンセル数、キャンセル率、及びオーダー数の少なくともいずれかが含まれてよい。

【0022】

事実属性データは、ユーザ自身から提供されることで得られたユーザ提供データやユーザについて収集された履歴データ等に基づいて、当該ユーザについて事実であると確認可能な事実属性（ｆａｃｔｕａｌ ａｔｔｒｉｂｕｔｅ）を示すデータである。ユーザ提供データとしては、例えば、ユーザ自身によって登録された氏名やメールアドレス、電話番号、住所、勤務先、就学先等を含む登録データや、アンケート等にユーザ自身が回答した結果得られたデータが挙げられる。履歴データとしては、例えば、上述した、サービス提供システム５によって提供される電子商取引サービスの利用履歴データが挙げられる。事実属性データは、先述のユーザ提供データや履歴データが、マーケティング及び／又は分析目的に適したデータ形式に変換されたデータであることが好ましい。例えば、利用履歴データに基づいて得ることができる事実属性データとして、ユーザが頻繁に利用する商品／サービスのジャンル／カテゴリやブランドの他、ユーザが頻繁に訪れる商業地や行楽地、観光地等が挙げられる。

【0023】

また、推定属性データは、ユーザ提供データや履歴データ、事実属性データ等に基づいて推定されることで得られる推定属性（ｉｎｆｅｒｒｅｄ ａｔｔｒｉｂｕｔｅ）を示すデータである。本実施形態において、推定属性データは、機械学習技術を用いて推定又は予測されたユーザの性格等を含む。推定属性データは、ターゲティングに用いられた場合にユーザの行動（振る舞い）に影響する属性についてのデータであることが好ましい。

【0024】

本実施形態において、各属性データには、重みが設定される。重みは、信用スコアの算出にあたって属性データが用いられる際の、属性データと信用スコアとの相関性の高さを示すものであり、後述する機械学習部２４によって信用スコアの適切性が評価される毎に、モデルのパラメータが、信用スコアがより適切な値となるように調整される。各属性データと対応する重みは、例として、後述の決定モデル等の信用スコア算出のためのモデルにおける各ノード（各回帰木）と対応する重みに相当し、信用スコアが算出される過程で適宜、決定される。なお、信用スコアは、例として、各ノードの重みに基づいて決定される。

【0025】

ここで、属性データ群には、デモグラフィック属性、ビヘイビオラル属性、又はサイコグラフィック属性が含まれてよい。デモグラフィック属性は、例えば、ユーザの性別（ジェンダー）、家族構成、年齢等であり、ビヘイビオラル属性は、サービスの利用履歴データに基づいてよく、例えば、キャッシング利用有無、リボ払い利用有無、所定の口座に係る入出金履歴、賭博又はくじを含む何らかの商品／サービスに係る商取引履歴（オンラインマーケットプレイス等におけるオンライン取引履歴を含んでよい）、位置情報や場所情報を用いたユーザの移動履歴等であり、サイコグラフィック属性は、例えば、賭博又はくじに係る趣向等である。但し、利用可能なユーザの属性は、本実施形態における例示に限定されない。例えば、オペレーションセンターサービス等からの「オペレーション（架電等）に要する時間」、「クレジットカード利用額／後払い決済利用額」も、属性として用いられてよい。デモグラフィック属性及びビヘイビオラル属性は、事実属性として扱われてよい。サイコグラフィック属性は、推定属性として扱われてよい。なお、デモグラフィック属性に類する属性がユーザ提供データ又は履歴データを根拠とする事実属性に基づいて推定された推定属性であってよい。同様に、ビヘイビオラル属性に類する属性がユーザ提供データ又は履歴データを根拠とする事実属性に基づいて推定された推定属性であってよい。サイコグラフィック属性は、ユーザによる意思入力の結果を一例として含むユーザ提供データを根拠とする事実属性であってよい。

【0026】

図２は、本実施形態に係る情報処理装置１の機能構成の概略を示す図である。情報処理装置１は、記憶装置１４に記録されているプログラムが、ＲＡＭ１３に読み出され、ＣＰＵ１１によって実行されて、情報処理装置１に備えられた各ハードウェアが制御されることで、事実属性決定部２１、推定属性決定部２２、信用スコア推定部２３、機械学習部２４、判定部２５、及び提案部２６を備える情報処理装置として機能する。なお、本実施形態及び後述する他の実施形態では、情報処理装置１の備える各機能は、汎用プロセッサであるＣＰＵ１１によって実行されるが、これらの機能の一部又は全部は、１又は複数の専用プロセッサによって実行されてもよい。

【0027】

事実属性決定部２１は、ユーザ自身から提供されたユーザ提供データ及び／又は当該ユーザの履歴データに基づいて、当該ユーザについて事実であると確認可能な事実属性データを決定する。本実施形態において、事実属性決定部２１は、ユーザ提供データ及び／又は履歴データを集計する、マップ等の他のデータを参照して該当する属性を決定する、ユーザ提供データ及び／又は履歴データをそのまま用いる、等の手法を用いて、当該ユーザに係る事実属性データを決定する。なお、本実施形態では、ユーザに係る事実属性データをユーザ提供データ及び／又は該ユーザの履歴データに基づいて決定する方法を採用しているが、ユーザに係る事実属性データはその他の方法で取得されてもよい。

【0028】

推定属性決定部２２は、少なくとも、事実属性決定部２１によって対象ユーザについて決定された１又は複数の事実属性データを含むユーザ関連データに基づいて、当該ユーザについて推定された推定属性データを決定する。本実施形態において、推定属性決定部２２は、対象ユーザに係る１又は複数の事実属性データを含むユーザ関連データを機械学習モデルである属性推定モデルに入力して得られた出力値に基づいて、推定属性を決定する。なお、本実施形態において、属性推定モデルからの出力値は対象ユーザが所定の推定属性を有する蓋然性を示す値であり、推定属性決定部２２は、属性推定モデルから得られた出力値が所定の範囲内にある場合に、対象ユーザが当該推定属性を有すると決定する。対象ユーザが所定の推定属性を有すると決定された場合、推定属性決定部２２は、対象ユーザについて推定された属性データのラベルを、属性の有無又は属性の種類を示す値に設定する。また、推定属性データはラベルではなくスコアで示されてもよい。この場合、推定属性決定部２２は、対象ユーザについて推定された属性データのスコアに、推定された属性が適用され得る度合い（確率）を示す値を設定する。当該度合いは、属性推定モデルの出力値であってよい。

【0029】

信用スコア推定部２３は、対象ユーザに係る事実属性及び推定属性を含む属性データ群に基づいて、対象ユーザの信用スコア（本実施形態では、後払いリスクに基づいて算出された信用スコア）を推定する。ここで、後払いリスクとは、対象ユーザが後払い決済を利用した場合に後払い決済の精算が当該対象ユーザによって正しく履行されないリスクを何らかの指標（本実施形態では、後払いリスクの大きさに応じて変化する信用スコア）で表したものである。この際、信用スコア推定部２３は、決定された事実属性及び／又は推定属性に対して何らかの加工（正規化やランク化、ラベル化等）を施して属性データ群の一部としてもよいし、決定された事実属性及び／又は推定属性を用いて算出された他の種類のスコア（例えば、所謂信用スコア等）又はラベルを属性データ群の全部又は一部としてもよい。ここで、他の種類のスコア又はラベルの算出には、他の機械学習モデルが介在してもよい。

【0030】

図３は、本実施形態に係る信用スコア推定処理の簡略図である。本実施形態において、信用スコア推定部２３は、ユーザの属性データ群を信用スコア推定モデルに入力することで、当該ユーザの信用スコアを推定（算出）する。ここで、信用スコア推定モデルの出力値は、例として、０を最小値、１を最大値として正規化／規格化された信用スコアである。

【0031】

機械学習部２４は、信用スコア推定部２３による信用スコア推定に用いられる信用スコア推定モデルを生成及び／又は更新する。信用スコア推定モデルは、対象ユーザに係る１又は複数の属性データ（属性データ群）が入力された場合に、対象ユーザが後払い決済を利用した場合に後払い決済の精算が当該対象ユーザによって正しく履行されないリスクの程度を示す信用スコアを出力する機械学習モデルである。このような機械学習モデルを用いることで、本実施形態では、単なる信用スコアではなく、後払いに特化したファクターが考慮された出力を、信用スコアとして得ることが出来る。また、本実施形態では、信用スコアの値が大きいほど信用度が高く（リスクが低い）、信用スコアの値が小さいほど信用度が低い（リスクが高い）信用スコアを採用する例を示して説明するが、スコアの値の大小とリスクの高低との関係は逆であってもよい。

【0032】

信用スコア推定モデルの生成及び／又は更新にあたって、機械学習部２４は、ユーザ毎に、当該ユーザの属性データ群を入力値とし当該属性データ群が共通するユーザに係る信用スコアを出力値として定義した教師データを作成する。そして、機械学習部２４は、当該教師データに基づいて、信用スコア推定モデルを生成及び／又は更新する。上述の通り、信用スコア推定モデルに入力される属性データ群には、事実属性決定部２１によって決定された事実属性データと、事実属性データを含むユーザ関連データに基づいて推定属性決定部２２によって推定された推定属性データが含まれ、対応するユーザの信用スコアと組み合わせられて、教師データとして機械学習部２４に入力される。本実施形態において、教師データに設定される信用スコアは、入力値としてのユーザ属性の組み合わせに相当するユーザの、後払い決済の支払い履歴データに基づいて決定された信用スコアであある。ここで、後払い決済の支払い履歴データは、後払い決済におけるデフォルト（債務不履行）の有無やデフォルト額を示すデータ等を含む。この際、信用スコアは、ルールベースで決定された信用スコアであってよく、マニュアルで設定された（アノテーションがなされた）信用スコアであってもよい。また、信用スコア推定モデルによって過去に出力された後で、管理者等によって修正された信用スコアであってもよい。

【0033】

本開示に係る技術を実装するにあたり信用スコア推定モデル等として採用可能な機械学習モデル生成／更新のフレームワークは、例として、アンサンブル学習アルゴリズムに基づく。当該フレームワークには、例えば、勾配ブースティング決定木（Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ：ＧＢＤＴ）に基づく機械学習フレームワーク（例えば、ＬｉｇｈｔＧＢＭ）が採用されてよい。換言すると、当該フレームワークは、前後の弱学習器（弱分類器）間で正解と予測値との誤差を引き継がせるような決定木モデルに基づく機械学習フレームワークが採用されてよい。ここでの予測値とは、例として、信用スコアの予測値を指す。なお、当該フレームワークは、ＬｉｇｈｔＧＢＭの他、ＸＧＢｏｏｓｔやＣａｔＢｏｏｓｔ等のブースティング手法を採用してよい。決定木を用いるフレームワークによれば、ニューラルネットワークを用いるフレームワークと比較して少ないパラメータ調整の手間で、比較的高い性能を有する機械学習モデルを生成／更新することができる。但し、本開示に係る技術を実装するにあたり採用可能な機械学習モデル生成／更新のフレームワークは、本実施形態における例示に限定されない。例えば、学習器として勾配ブースティング決定木に代えてランダムフォレスト等の他の学習器が採用されてよいし、ニューラルネットワーク等の所謂弱学習器とは称されない学習器が採用されてもよい。また、特にニューラルネットワーク等の所謂弱学習器とは称されない学習器が採用される場合には、アンサンブル学習が採用されなくてもよい。

【0034】

図４は、本実施形態において信用スコア推定モデル等として採用される機械学習モデルの決定木の概念を簡略図である。決定木アルゴリズムに基づいた勾配ブースティングの機械学習フレームワークを採用する場合、決定木の各ノードの分岐条件の最適化が行われる。具体的には、決定木アルゴリズムに基づいた勾配ブースティングの機械学習フレームワークでは、一つの親のノードから分岐した二つの子のノードの夫々が示す属性を有するユーザ群について信用スコアを夫々算出し、この信用スコアの差分が大きくなるように（例えば、差分が最大になるように、又は所定の閾値以上になるように）、即ち、二つの子のノードがきれいに分岐するように、親のノードの分岐条件が最適化される。例えば、ノードの分岐条件として示される属性が年齢である場合、分岐の閾値に設定される年齢を変更したり、分岐条件を年齢以外の属性に変更したりしてもよい。このようにして、決定木の全ノードの分岐条件を再帰的に最適化することで、属性データ群に基づく信用スコアの推定精度を向上させることができる。

【0035】

判定部２５は、信用スコアによって示されるユーザの信用度が、所定の信用度に満たない所定の範囲内であるか否かを判定する。本実施形態において、判定部２５は、ユーザの信用度が所定の範囲内であるか否かを、当該ユーザの信用スコアと所定の閾値とを比較することによって判定する。本実施形態において用いられる信用スコアは、値が大きいほど信用度が高いことを示すスコアである。このため、判定部２５は、当該ユーザの信用スコアが所定の閾値未満である場合に、当該信用スコアによって示されるユーザの信用度が、所定の信用度に満たない所定の範囲内であると判定する。

【0036】

ここで、第一の閾値及び第二の閾値は、提案の対象となる精算方法に応じて決定されることが好ましい。例えば、提案の対象となる精算方法がリボルビング払いである場合、第一の閾値は、１回払いに代えてリボルビング払いを利用する動機を有さないと推定される信用スコアの高いユーザを除外可能な値に設定されることが好ましい。また、第二の閾値は、信用払いを利用可能な程度の信用スコアを有さないユーザを除外可能な値に設定されることが好ましい。

【0037】

図５は、本実施形態における信用度の所定の範囲を示す図である。即ち、上記「所定の範囲」には、下限が設けられていてもよい。この場合、判定部２５は、信用スコアによって示されるユーザの信用度が、第一の信用度に満たず且つ第二の信用度以上である所定の範囲内であるか否かを判定する。より具体的には、判定部２５は、信用スコアが、第一の信用度に対応する第一の閾値未満であり、且つ第二の信用度に対応する第二の閾値以上であるか否かを判定する。「所定の範囲」に上限及び下限を設けることで、提案の対象ユーザから、提案したい第二の精算方法に対応するユーザを抽出することが出来る。

【0038】

提案部２６は、ユーザの信用度が所定の範囲内であると判定された場合に、当該ユーザが信用払いを利用する場合の精算方法として、第一の精算方法と異なる第二の精算方法を、当該ユーザに対して提案する。ここで、第一の精算方法は、当該信用払いの通常の精算方法として設定された精算方法である。本実施形態において、第一の精算方法と第二の精算方法とでは、精算タイミングが異なる。例えば、信用払いがクレジットカード払いであり、通常の精算方法（第一の精算方法）として翌月１回払いが設定されているとする。この場合、第二の精算方法としては、精算タイミングが異なる精算方法、具体的には、ボーナス１回払い、分割払い、又はリボルビング払いを採用することが出来る。また、前記したこれらの第二の精算方法には、いずれも翌月１回払いに比べて遅延した精算タイミングが設定されている。このようにすることで、信用度が所定の信用度に満たないユーザに対しても、通常の精算方法よりも精算タイミングが遅延した精算方法を提案し、ユーザの利便性を高めることができる。

【0039】

なお、本実施形態では、信用払いの具体的な方法としてクレジットカード払いを例に挙げて説明するが、具体的な信用払いの方法はクレジットカード払いに限定されない。その他の信用払い方法について、本開示に係る技術が採用されてもよい。

【0040】

また、提案部２６によるユーザへの具体的な提案方法は特定の提案方法に限定されないが、例えば、決済画面上のアプリ内メッセージによる提案、汎用のメッセージサービス（ソーシャルネットワークシステム、ショートメッセージサービス等）による提案等、決済時に即時的に提案可能な方法が採用されてよい。また、クレジットカードアプリ上で支払い金額をユーザが確認した際にアプリ内メッセージを表示させることによる提案や、支払い金額を示すオブジェクトの付近にその他の精算方法を強調するオブジェクトを表示処理するような提案の形式が採用されてもよい。

【0041】

また、提案部２６は、ユーザに対して、第二の精算方法の提案と併せて、信用払いを提供するサービス（本実施形態では、クレジットカードサービス）への加入を更に提案してもよい。このようにすることで、与信関連データが蓄積されていないために信用払いのためのサービスがこれまで提案されていなかったユーザに対して、サービスへの新規加入を効果的に促すことが出来る。

【0042】

また、提案部２６は、ユーザに対して、第二の精算方法を提案する際に、第二の精算方法による信用払いを行う決済を条件として、ポイント等の電子的バリュー又は所定の商取引と対応する電子クーポンを当該ユーザに対して付与することを報知してよい。このとき、電子的バリュー及び／又は電子クーポンは、クレジットカードサービス又は当該クレジットカードサービスと共通するユーザＩＤ及び電子的バリューを管理するサービスプラットフォームにより、当該ユーザに対して付与される。なお、提案部２６は、決済額、決済内容又は第二の精算方法に基づいて、電子的バリュー及び／又は電子クーポンを決定してよい。

【0043】

＜処理の流れ＞
次に、本実施形態に係る情報処理装置によって実行される処理の流れを説明する。なお、以下に説明する処理の具体的な内容及び処理順序は、本開示を実施するための一例である。具体的な処理内容及び処理順序は、本開示の実施の形態に応じて適宜選択されてよい。

【0044】

図６は、本実施形態に係る機械学習処理の流れを示すフローチャートである。本フローチャートに示された処理は、定期的に、又は管理者によって指定されたタイミングで実行される。

【0045】

本実施形態において、機械学習処理では、信用スコア推定モデルが生成及び／又は更新される。機械学習部２４は、過去に蓄積されたユーザ毎の属性データ群と、対応するユーザについて予め決定された信用スコアと、の組み合わせを含む教師データを作成する（ステップＳ１０１）。そして、機械学習部２４は、作成された教師データを信用スコア推定モデルに入力し、信用スコア推定部２３による信用スコア推定に用いられる信用スコア推定モデルを生成及び／又は更新する（ステップＳ１０２）。その後、本フローチャートに示された処理は終了する。

【0046】

図７は、本実施形態に係るスコア算出処理の流れを示すフローチャートである。本フローチャートに示された処理は、定期的に、又は指定されたタイミングで、対象ユーザ毎に実行される。

【0047】

ステップＳ２０１及びステップＳ２０２では、事実属性データ及び推定属性データが決定される。事実属性決定部２１は、対象ユーザのユーザ提供データ及び／又は履歴データに基づいて、対象ユーザに係る事実属性データを決定する（ステップＳ２０１）。そして、推定属性決定部２２は、少なくともステップＳ２０１で決定された事実属性データに基づいて、対象ユーザに係る推定属性データを決定する（ステップＳ２０２）。その後、処理はステップＳ２０３へ進む。

【0048】

ステップＳ２０３及びステップＳ２０４では、信用スコアが決定され、出力される。信用スコア推定部２３は、ステップＳ２０１で決定された事実属性データ及びステップＳ２０２で決定された推定属性データを含む属性データ群を決定する（ステップＳ２０３）。そして、信用スコア推定部２３は、ステップＳ２０３で決定された属性データ群を信用スコア推定モデルに入力し、出力された値を、対象ユーザが後払い決済を利用した場合に後払い決済の精算が当該対象ユーザによって正しく履行されないリスクに応じて変化する信用スコアとして取得する（ステップＳ２０４）。但し、信用スコアの推定方法は、本実施形態における例示に限定されない。例えば、信用スコアは、属性データ群を機械学習モデルではない所定の関数や統計モデル等に入力して算出された値を含むものであってもよい。その後、本フローチャートに示された処理は終了する。

【0049】

図８は、本実施形態に係る精算方法提案処理の流れを示すフローチャートである。本フローチャートに示された処理は、商品又はサービスの購入代金を決済するためのユーザによる指示が受け付けられたこと等を契機として、対象ユーザ毎に実行される。但し、精算方法提案処理の実行タイミングは、決済時に限定されなくてもよい。例えば、ターゲットへの広告表示や広告メッセージの送信等が実行される際に、精算方法提案処理が実行されることとしてもよい。

【0050】

ステップＳ３０１及びステップＳ３０２では、対象ユーザの信用スコアが、所定の信用度に満たない所定の範囲内であるか否かが判定される。判定部２５は、スコア算出処理で推定された対象ユーザの信用スコアを取得し（ステップＳ３０１）、当該信用スコアが、予め設定された第一の閾値未満且つ第二の閾値以上であるか否かを判定する（ステップＳ３０２）。対象ユーザの信用スコアが第一の閾値以上であるか、又は第二の閾値未満であると判定された場合（ステップＳ３０２のＮＯ）、本フローチャートに示された処理は終了する。一方、対象ユーザの信用スコアが第一の閾値未満且つ第二の閾値以上であると判定された場合（ステップＳ３０２のＹＥＳ）、処理はステップＳ３０３へ進む。

【0051】

ステップＳ３０３では、対象ユーザに対して、第二の精算方法が提案される。提案部２６は、ステップＳ３０２において対象ユーザの信用スコアが第一の閾値未満且つ第二の閾値以上であると判定された場合、当該対象ユーザが信用払いを利用する場合の精算方法として、当該信用払いの通常の精算方法として設定された第一の精算方法（例えば、１回払い）と異なる第二の精算方法（例えば、リボルビング払い）を、当該ユーザに対して提案する。その後、本フローチャートに示された処理は終了する。
＜効果＞
本実施形態によれば、信用度が所定の基準に満たないユーザに対して、自由度の高い信用払いサービスの利用を訴求することが可能となる。

【0052】

＜バリエーション＞
上記説明した実施形態では、特に対象となるユーザ群を絞らずに後払いリスクに基づく信用度判定を行い、信用度が所定の範囲内であると判定されたユーザに対して精算方法オプションの提案を行う例を説明したが、信用データ（クレジットヒストリー等）が十分に蓄積されているユーザ群については、後払いリスクに基づく精算方法オプションの提案を行わず、信用データ（クレジットヒストリー等）が十分に蓄積されてないユーザ群について、後払いリスクに基づく精算方法オプション（例えば、リボルビング払い）の提案を行うこととしてもよい。ここで、信用データが十分に蓄積されていないユーザ群とは、例えば若年層等の、資金力や信用度が比較的低いためにリボルビング払いのニーズが高いユーザ群である。以下、本バリエーションに係る情報処理装置１ｂについて、上記説明した第一のバリエーションと共通する部分については説明を省略し、上記説明した第一のバリエーションとの差異について説明する。

【0053】

図９は、バリエーションに係る情報処理装置１ｂの機能構成の概略を示す図である。情報処理装置１ｂのハードウェア構成については、図１を参照して説明した情報処理装置１と同様であるため、説明を省略する。情報処理装置１ｂは、記憶装置１４に記録されているプログラムが、ＲＡＭ１３に読み出され、ＣＰＵ１１によって実行されて、情報処理装置１に備えられた各ハードウェアが制御されることで、事実属性決定部２１、推定属性決定部２２、信用スコア推定部２３、機械学習部２４、判定部２５、提案部２６、及び与信データ判定部２７を備える情報処理装置として機能する。即ち、本バリエーションに係る情報処理装置１ｂは、与信データ判定部２７を更に備える。

【0054】

与信データ判定部２７は、ユーザについて、信用払いの利用可否又は精算方法の利用可否の判定に適した量の与信データ（例えば、クレジットヒストリー）が蓄積されているか否かを判定する。具体的には、与信データ判定部２７は、ユーザについて蓄積されたクレジットヒストリーの種類及び／又は分量に基づいて、予め設定された所定の基準を満たしているか否かを判定する。ここで、所定の基準とは、例えば、必要とされている特定の種類のクレジットヒストリーの有無、又はクレジットヒストリーの分量の閾値、である。

【0055】

そして、本バリエーションにおいて、信用スコア推定部は、少なくとも与信データの蓄積量が不足していると判定されたユーザについて、後払いリスクに応じて変化する信用スコアを推定する。また、提案部２６は、少なくとも与信データの蓄積量が不足していると判定されたユーザに対して、第二の精算方法を提案する。信用スコアの算出及び精算方法の提案の処理の流れについては、上記説明した実施形態と概略同様であるため、説明を省略する。

【符号の説明】

【0056】

１ 情報処理装置

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】