JP7153787B1 - 算出装置、算出方法および算出プログラム - Google Patents

Abstract

【課題】モデルから出力されるスコアの信頼度を可視化すること。【解決手段】本願に係る算出装置は、サービスを利用した利用者の利用データに含まれるデータ項目の重要度を設定する設定部と、設定部によって設定された重要度に応じて、算出対象となる利用者の利用データを学習モデルに入力した際に当該学習モデルから出力される当該利用者に関するスコアの信頼度を算出する算出部とを備える。【選択図】図３

Description

本発明は、算出装置、算出方法および算出プログラムに関する。

従来、金融業界などの分野において、顧客データベースに蓄積した顧客情報から顧客の良し悪しをスコアとして算出し、当該スコアを与信審査に活用する技術がある。かかる技術においては、複数階層から成るモデルを用い、上位層のモデルの出力結果に応じて次の階層で用いるモデルを選択することで、最終的に出力するスコアの信頼度向上を図るものがある（例えば、特許文献１参照）。

特開２００２－９２３０５号公報

しかしながら、従来技術では、モデルから出力されるスコアの信頼度の可視化を行う点については考慮されていなかった。

本発明は、上記に鑑みてなされたものであって、モデルから出力されるスコアの信頼度を可視化することができる算出装置、算出方法および算出プログラムを提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明に係る算出装置は、サービスを利用した利用者の利用データに含まれるデータ項目の重要度を設定する設定部と、前記設定部によって設定された前記重要度に応じて、算出対象となる前記利用者の前記利用者データを学習モデルに入力した際に当該学習モデルから出力される当該利用者に関するスコアの信頼度を算出する算出部とを備える。

本発明によれば、モデルから出力されるスコアの信頼度を可視化することができる。

図１は、実施形態に係る情報処理の一例を示す図である。 図２は、実施形態に係る情報処理システムの構成例を示す図である。 図３は、実施形態に係る情報処理装置の構成例を示すブロック図である。 図４は、実施形態に係る利用者情報記憶部の一例を示す図である。 図５は、実施形態に係る重要度テーブル記憶部の一例を示す図である。 図６は、実施形態に係る与信審査処理の一例を示すフローチャートである。 図７は、実施形態に係る情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る算出装置、算出方法および算出プログラムを実施するための形態（以下、「実施形態」と記載する。）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る算出装置、算出方法および算出プログラムが限定されるものではない。

［実施形態］
〔１．情報処理〕
まず、図１を用いて、実施形態に係る情報処理の一例について説明する。図１は、実施形態に係る情報処理の一例を示す図である。なお、かかる情報処理方法は、たとえば、図１に示す情報処理装置１０によって実行される。なお、情報処理装置１０は、算出装置の一例である。

図１に示す情報処理装置１０は、たとえば、各種与信審査を行い、与信結果に応じて利用者Ｕ１に対して融資（あるいは後払いサービスの提供）を行うための各種情報処理を行う情報処理装置である。図１に示すように、たとえば、情報処理装置１０は、貸し倒れスコア推定モデルを有する。

貸し倒れスコア推定モデルは、利用者による各種サービスの利用データを入力すると、当該利用者の貸し倒れリスクに関する貸し倒れスコアを推定するモデルである。以下では、貸し倒れスコアが高いほど、貸し倒れる確率が高いものとして説明する。

また、ここでの各種サービスとは、所定のポータルサイトを通じて提供されるサービスであり、利用データには、ニュースサイト、ショッピングサイト、オークションサイト等の利用データや、ネット銀行、ネット証券、クレジットカード、電子決済サービス等の各種金融サービスの利用データに関する情報が含まれ得る。

また、たとえば、貸し倒れスコア推定モデルは、ＸＧｂｏｏｓｔなどといったＧＢＤＴ（Gradient Boosting Decision Tree）によって生成されるモデルである。なお、貸し倒れスコア推定モデルは、ニューラルネットワーク等、ＧＢＤＴ以外のモデルであってもよい。

なお、貸し倒れスコア推定モデルへ入力する利用データとして、ユーザ属性情報（性別、年齢、職業等）や、外部信用情報（他社から借り入れている借入の有無、返済状況、借入金額など信用機関情報から取得した信用度に関する情報）等を含むようにしてもよい。

しかしながら、これらの利用データについては、利用者Ｕ１によるユーザ属性情報の登録の有無、利用者Ｕ１が過去に他社借入やクレジットカードを所有していない場合には、外部信用情報を照会してもデータが得られない恐れがある。そのため、貸し倒れスコア推定モデルは、利用者Ｕ１によるサービスの利用履歴を用いて貸し倒れスコアを推定することで、サービスを利用するすべての利用者Ｕ１に対し貸し倒れスコアを推定することが可能となる。

ここで、たとえば、情報処理装置１０は、利用者Ｕ１から利用者端末１００を介して与信審査の申し込みを受け取ると（ステップＳ１）、利用者Ｕ１の各種サービスの利用データを貸し倒れスコア推定モデルに入力することで、利用者Ｕ１の貸し倒れリスクを推定する。

しかしながら、利用者Ｕ１によって利用するサービス数やサービス毎の利用形態が異なるので、利用者Ｕ１によって利用データに含まれるデータ項目が異なることになる。そのため、貸し倒れスコア推定モデルへ入力する利用データのデータ項目によって、貸し倒れスコア推定モデルから出力される貸し倒れリスクのスコアの信頼度が変化する恐れがある。

たとえば、ある利用者については、貸し倒れリスクを推定するために利用データが十分にあるものの、別の利用者については、貸し倒れリスクを推定するために十分な利用データが得られていないなどといったケースが想定される。

そこで、実施形態に係る情報処理装置１０は、利用データに含まれ得るデータ項目毎に重要度を設定し、利用データに実際に含まれるデータ項目の重要度に応じて、貸し倒れスコア推定モデルの出力結果に対する信頼度を算出することとした。

具体的には、たとえば、図１に示すように、情報処理装置１０は、貸し倒れスコア推定モデルに加え、重要度テーブルを有する。重要度テーブルは、データ項目毎の重要度が予め規定されたテーブルである。

たとえば、情報処理装置１０は、貸し倒れスコア推定モデルを生成した際に生成されるフィーチャーインポータンス（Feature Importance）を受け取って、重要度テーブルを設定する。ここでのフィーチャーインポータンスとは、ＧＢＤＴにおける各データ項目の出現回数に応じて生成される値である。重要度テーブルにおいて、ＧＢＤＴにおける出現回数が多いデータ項目ほど、高い重要度が設定され、出現回数が少ないデータ項目ほど、低い重要度が設定される。なお、ここでの重要度は、対応するデータ項目がどれだけジニ係数の減少に貢献したかを示す指標である。

同図に示す例では、重要度テーブルにおいて、データ項目「Ｃｏｌｕｍｎ１」の重要度が「１０」、「Ｃｏｌｕｍｎ２」の重要度が「５」、「Ｃｏｌｕｍｎ３」の重要度が「２」であることを示す。

実施形態に係る情報処理装置１０は、貸し倒れスコア推定モデルを用いた貸し倒れリスクの推定に先立って、利用データを貸し倒れスコア推定モデルへ入力した際に当該貸し倒れスコア推定モデルから出力される貸し倒れスコアの信頼度（以下、スコアの信頼度と記載）を算出する(ステップＳ２)。

たとえば、情報処理装置１０は、重要度テーブルを参照し、利用データに含まれるデータ項目毎の重要度を抽出し、抽出した重要度の総和をスコアの信頼度として算出する。たとえば、利用データにＣｏｌｕｍｎ１～Ｃｏｌｕｍｎ３のすべてのデータ項目が含まれる場合のスコアの信頼度は「１０＋５＋２＝１７」、Ｃｏｌｕｍｎ１、Ｃｏｌｕｍｎ３が含まれる場合のスコアの信頼度は、「１０＋２＝１２」となる。

すなわち、利用データに重要度が高いデータ項目がより多く含まれるほど、スコアの信頼度が高くなることになり、利用データに含まれるデータ項目が多くても、それぞれの重要度が低い場合には、スコアの信頼度が高い値を取りにくい。

たとえば、情報処理装置１０は、算出したスコアの信頼度が所定の閾値より低い場合、すなわち、貸し倒れスコア推定モデルの出力結果が当てにならないような場合には、与信申し込みの審査を打ち切る等といった対応を行うことが可能となる。

また、情報処理装置１０は、算出したスコアの信頼度が所定の閾値より高い場合、すなわち、貸し倒れスコア推定モデルの出力結果が適正なスコアを示すと期待される場合には、利用データを貸し倒れスコア推定モデルに入力し、貸し倒れスコアを推定する(ステップＳ３)。

その後、情報処理装置１０は、推定した貸し倒れスコアに応じて、審査結果を決定する（ステップＳ４）。たとえば、情報処理装置１０は、貸し倒れスコアが閾値を超える場合、すなわち、貸し倒れる可能性が高い場合には、審査結果ＮＧとし、貸し倒れスコアが閾値より低い場合に、審査結果ＯＫとして審査を通過させる。

これにより、情報処理装置１０では、信頼度が高い貸し倒れスコアのみを対象として、与信審査を行うことができるので、与信審査を適切に行うことができる。そして、情報処理装置１０は、申し込み元となる利用者端末１００に対し、審査結果を通知する（ステップＳ５）。

なお、たとえば、審査結果の最終決定については、オペレータなど、人手で行うようにしてもよい。また、たとえば、情報処理装置１０は、与信申し込みを行ったすべての利用者Ｕ１についてスコアの信頼度および貸し倒れスコアを導出したうえで、スコアの信頼度および貸し倒れスコアに応じて審査結果を決定するようにしてもよい。また、この場合に、たとえば、スコアの信頼度に応じて、与信上限額（融資額）や、利率等を決定するようにしてもよい。

このように、実施形態に係る情報処理装置１０は、利用データに含まれるデータ項目について予め重要度を設定しておき、実際の利用データに含まれるデータ項目に応じて、スコアの信頼度を算出する。

したがって、実施形態に係る情報処理装置１０によれば、モデルから出力されるスコアの信頼度を可視化することができる。また、情報処理装置１０では、スコアの信頼度を与信審査に適用することで、与信審査を適正に行うことができる。

〔２－１．情報処理システムの構成例〕
次に、図２を用いて、実施形態に係る情報処理システムの構成について説明する。図２は、実施形態に係る情報処理システムの構成例を示す図である。図２に示すように、実施形態に係る情報処理システム１は、情報処理装置１０と、複数の利用者端末１００と、複数の外部サーバ２００とを有する。

情報処理装置１０、利用者端末１００および外部サーバ２００は、それぞれ所定のネットワークＮを介してデータ通信を行う。外部サーバ２００は、利用者端末１００に対し各種サービスを提供するサーバ装置である。たとえば、外部サーバ２００が提供するサービスは、ニュースサイト、ショッピングサイト、オークションサイト等の提供、ネット銀行、ネット証券、クレジットカード、電子決済サービス等の各種金融サービスが含まれる。

たとえば、情報処理システム１において、各利用者はそれぞれ固有の識別情報（たとえば、ユーザＩＤ）によって管理される。たとえば、各利用者は、利用者端末１００を通じて、外部サーバ２００が提供するサービスを利用すると、外部サーバ２００は各利用者による利用データを蓄積する。

そして、情報処理装置１０は、各外部サーバ２００に蓄積された利用者の利用データを取得し、かかる利用データを用いることで、上述したスコアの信頼度を算出する。また、これら利用データは、貸し倒れスコア推定モデルを生成する際にも使用される。たとえば、実際に貸し倒れた利用者の利用データと、貸し倒れなかった利用者の利用データとを学習データとしてＧＢＤＴ等の機械学習を行うことで、貸し倒れスコア推定モデルが生成される。また、情報処理装置１０は、生成された貸し倒れスコア推定モデルのフィーチャーインポータンスに基づいて、利用データに含まれ得るデータ項目の重要度を設定する。

〔２－２．情報処理装置の構成例〕
次に、図３を用いて、情報処理装置１０の構成例について説明する。図３は、実施形態に係る情報処理装置１０の構成例を示すブロック図である。図３に示すように、情報処理装置１０は、通信部２０と、記憶部３０と、制御部４０とを有する。

通信部２０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部２０は、４Ｇ（Generation）、５Ｇ、ＬＴＥ（Long Term Evolution）、ＷｉＦｉ（登録商標）若しくは無線ＬＡＮ（Local Area Network）等といった各種の無線通信網若しくは各種の有線通信網といったネットワークを介して、外部装置との間で情報の送受信を行う。

記憶部３０は、例えば、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。また、記憶部３０は、利用者情報記憶部３１と、モデル記憶部３２と、重要度テーブル記憶部３３とを有する。

利用者情報記憶部３１は、各利用者に関する利用者情報を記憶する。図４は、実施形態に係る利用者情報記憶部３１の一例を示す図である。図４に示すように、利用者情報記憶部３１は、「利用者ＩＤ」、「Ｃｏｌｕｍｎ１」、「Ｃｏｌｕｍｎ２」、「Ｃｏｌｕｍｎ３」といった項目の情報を互いに対応付けて記憶する。

「利用者ＩＤ」は、各利用者を識別するための識別子である。「Ｃｏｌｕｍｎ１」、「Ｃｏｌｕｍｎ２」、「Ｃｏｌｕｍｎ３」は、それぞれ対応する利用者に関する情報であり、たとえば、氏名、性別、年齢、職業などといったデモグラフィック属性に関する情報や、各サービスの利用データがデータ項目ごとにそれぞれのＣｏｌｕｍｎに格納される。

なお、図４の例において、利用者ＩＤ「ＡＩＤ＃１」で識別される利用者のＣｏｌｕｍｎ３「ｎｕｌｌ」は、対応するデータが存在しないことを示す。すなわち、この場合、Ｃｏｌｕｍｎ３以外の利用データを用いて、貸し倒れスコア推定モデルによる貸し倒れスコアの推定が行われることを示す。

図３の説明に戻り、モデル記憶部３２について説明する。モデル記憶部３２は、貸し倒れスコア推定モデルを記憶する。上述のように、貸し倒れスコア推定モデルは、利用者の利用データが入力されると、当該利用者が貸し倒れを行うリスクを示す貸し倒れスコアを推定するモデルである。

重要度テーブル記憶部３３は、重要度テーブルを記憶する。重要度テーブルは、利用データに含まれ得るデータ項目と当該データ項目の重要度とを対応付けをテーブルである。図５は、実施形態に係る重要度テーブル記憶部３３の一例を示す図である。

図５に示すように、たとえば、重要度テーブル記憶部３３に記憶される重要度テーブルは、「データ項目」、「重要度」などといった項目の情報を互いに対応付けたテーブルである。「データ項目」は、利用データに含まれ得るデータ項目であり、「重要度」は、対応するデータ項目の重要度である。

データ項目の一例として、サービスそれぞれの利用データ、クレジットカード会員の有無、利用者登録を行ってからの経過日数、ショッピングサイトにおける購入金額等が挙げられる。

図３の説明に戻り、制御部４０について説明する。制御部４０は、例えば、コントローラ（controller）であり、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置１０内部の記憶装置に記憶されている各種プログラムがＲＡＭを作業領域として実行されることにより実現される。

図３に示すように、制御部４０は、設定部４１と、受付部４２と、算出部４３と、推定部４４と、決定部４５とを有する。設定部４１は、サービスを利用した利用者の利用データに含まれるデータ項目の重要度を設定する。

たとえば、設定部４１は、貸し倒れスコア推定モデルのフィーチャーインポータンスに基づいて、データ項目の重要度を設定する。上述したように、たとえば、貸し倒れスコア推定モデルは、ＧＢＤＴであり、フィーチャーインポータンスは、ＧＢＤＴの各決定木における特徴量（データ項目）の出現回数に応じて規定される値である。すなわち、ＧＢＤＴにおける出現回数が多いデータ項目であるほど、フィーチャーインポータンスが高い値となり、当該データ項目の重要度も高い値（より重要度が高い）となる。

設定部４１は、データ項目の重要度を設定すると、データ項目および重要度を重要度テーブルとして重要度テーブル記憶部３３に格納する。たとえば、設定部４１は、複数のデータ項目の組み合わせで重要度を設定するようにしてもよい。

すなわち、設定部４１は、各データ項目単体の重要度に加え、複数のデータ項目を組み合わせた際の当該組み合わせの重要度を別途設定するようにしてもよい。また、この場合、設定部４１は、データ項目単体の重要度および組み合わせの重要度それぞれについて所定の優先順位を付与するようにしてもよい。

また、設定部４１は、フィーチャーインポータンスに加え、たとえば、各データ項目のカーディナリティに基づいて、重要度を設定することにしてもよい。ここで、カーディナリティとは、各Ｃｏｌｕｍｎの値の種類であり、カーディナリティが高いほど、当該データ項目のデータは、多様な値を示すことになる。

たとえば、設定部４１は、カーディナリティが高いデータ項目の重要度をカーディナリティが低いデータ項目の重要度に比べて高く設定する。また、たとえば、設定部４１は、利用データのデータ量や、利用者が利用したサービス数に応じて、重要度を設定することにしてもよい。この場合、たとえば、設定部４１は、利用データのデータ量やサービス数が多いほど、重要度を高く設定するようにしてもよい。

受付部４２は、利用者から与信審査の申し込みを受け付ける。たとえば、受付部４２は、利用者端末１００から与信審査の申し込みとともに利用者ＩＤに関する情報を受け付け、当該利用者ＩＤに関する情報を算出部４３へ渡す。

算出部４３は、設定部４１によって設定された重要度に応じて、算出対象となる利用者の利用データを学習モデルに入力した際に当該学習モデルから出力される当該利用者に関するスコアの信頼度を算出する。

たとえば、算出部４３は、受付部４２から受け取った利用者ＩＤに基づき、当該利用者ＩＤに対応する利用データを利用者情報記憶部３１から取得する。つづいて、算出部４３は、重要度テーブル記憶部３３を参照し、取得した利用データに含まれるデータ項目の重要度をそれぞれ抽出し、当該抽出した重要度の総和をスコアの信頼度として算出する。

算出部４３は、算出したスコアの信頼度が閾値以下である場合、スコアの信頼度が低い場合には、たとえば、与信審査を打ち切り、スコアの信頼度が閾値を超える場合に、与信審査を継続する。なお、後述するように、情報処理装置１０は、与信上限額あるいは利率等の設定にスコアの信頼度を活用するようにしてもよい。

ところで、利用者がサービスをより多く利用するほど、当該利用者の利用データが多く蓄積されるので、時間経過に伴って、各利用者の利用データが増えることが期待される。そのため、算出部４３は、与信審査の申し込みを行ったものの、スコアの信頼度を低く与信審査を打ち切った利用者について所定の周期でスコアの信頼度を算出しなおすようにしてもよい。これにより、スコアの信頼度による与信審査の機会損失、すなわち、利用者に対して融資する際の機会損失の軽減を図ることができる。

推定部４４は、与信審査の申し込みを行った利用者の利用データをモデル記憶部３２に記憶された貸し倒れスコア推定モデルへ入力することで、当該利用者の貸し倒れスコアを推定する。

たとえば、推定部４４は、算出部４３によってスコアの信頼度が閾値を超える利用データを対象として、貸し倒れスコアを推定するようにしてもよく、与信審査の申し込みを行ったすべての利用者の貸し倒れスコアを推定するようにしてもよい。

決定部４５は、推定部４４によって推定された貸し倒れスコアに基づき、与信審査の審査結果を決定する。たとえば、決定部４５は、貸し倒れスコアが所定値より高い、すなわち、貸し倒れるリスクが高い利用者については、審査結果ＮＧに決定する。

また、決定部４５は、その他の利用者については審査結果をＯＫとしたうえで、貸し倒れスコアに応じた与信上限額（融資額）や利率等を決定する。たとえば、決定部４５は、貸し倒れスコアが低いほど、高い与信上限額や、低い利率に決定する。

また、この際、決定部４５は、貸し倒れスコアに加え、スコアの信頼度に応じて、与信上限額や利率を決定するようにしてもよい。たとえば、決定部４５は、貸し倒れスコアが低いものの、スコアの信頼度が低い場合には、当該貸し倒れスコアに対し設定された与信上限額よりも低い与信上限額に決定する、あるいは、高い利率に決定する。

この際、上述のように、利用データは時間経過に伴って、増加することが期待されるので、時間経過に伴い、スコアの信頼度が上がれば、決定部４５は、与信上限額の引き上げ、あるいは、利率を下げるようにしてもよい。

すなわち、決定部４５は、時間経過に伴って、与信上限額や利率を更新するようにしてもよい。また、たとえば、決定部４５は、スコアの信頼度が十分でない利用者については、予め与信上限額、利率が変動制である与信プランを提案するようにしてもよい。

〔３．処理フロー〕
次に、図６を用いて、実施形態に係る情報処理装置１０が実行する処理手順について説明する。図６は、実施形態に係る与信審査処理の一例を示すフローチャートである。

図６に示すように、まず、情報処理装置１０は、利用データに含まれるデータ項目の重要度を設定する(ステップＳ１０１)。つづいて、情報処理装置１０は、利用者から与信審査の申し込みを受け付けたか否かを判定する（ステップＳ１０２）。

情報処理装置１０は、与信審査の申し込みを受け付けた場合（ステップＳ１０２；Ｙｅｓ）、ステップＳ１０４の処理へ進み、与信審査の申し込みを受け付けていない場合（ステップＳ１０２；Ｎｏ）、ステップＳ１０２の処理を継続して行う。

つづいて、情報処理装置１０は、与信審査の申し込みを行った利用者の利用データを用い、重要度テーブルに基づき、スコアの信頼度を算出する（ステップＳ１０３）。つづいて、情報処理装置１０は、貸し倒れスコア推定モデルを用いて、貸し倒れスコアを推定する（ステップＳ１０４）。

その後、情報処理装置１０は、スコアの信頼度、貸し倒れスコアに基づいて、与信審査の審査結果を決定し（ステップＳ１０５）、処理を終了する。

〔４．変形例〕
ところで、上述した実施形態では、与信審査において貸し倒れスコアの信頼度を算出する場合を例に挙げて説明したが、これに限定されるものではない。すなわち、本願発明は、利用データを活用して、利用者に対するスコアリングを行うものであれば、種々のサービスに適用することができる。

また、上述した実施形態では、学習モデル（貸し倒れスコア推定モデル）がＧＢＤＴである場合について説明したが、これに限定されるものではない。たとえば、学習モデルは、ニューラルネットワークであってもよい。この場合、たとえば、ニューラルネットワークをＧＢＤＴに変換したうえで、変換後の学習モデルにおけるフィーチャーインポータンスに基づいて、データ項目の重要度を設定することにしてもよい。また、学習モデルがニューラルネットワークである場合には、特定のデータ項目を入力したときのスコアと、入力しなかったときのスコアとの差異によってデータ項目の重要度を設定するようにしてもよい。

また、上述した実施形態では、重要度テーブルに基づいて、スコアの信頼度を算出する場合について説明したが、スコアの信頼度については、別途生成した学習モデル（たとえば、回帰モデル）を用いて算出するようにしてもよい。

また、上述した実施形態では、利用者の利用データに含まれるデータ項目それぞれの重要度の総和をスコアの信頼度として算出する場合について説明したが、これに限定されるものではない。たとえば、利用データからランダムに抽出したデータ項目それぞれの重要度の総和をスコアの信頼度として算出することにしてもよい。

〔５．効果〕
上述した実施形態に係る情報処理装置１０は、サービスを利用した利用者の利用データに含まれるデータ項目の重要度を設定する設定部４１と、設定部４１によって設定された重要度に応じて、算出対象となる利用者の利用データを学習モデルに入力した際に当該学習モデルから出力される当該利用者に関するスコアの信頼度を算出する算出部４３とを備える。したがって、実施形態に係る情報処理装置１０によれば、モデルから出力されるスコアの信頼度の可視化することができる。

また、上述した実施形態に係る学習モデルは、複数の決定木を用いたモデルであって、設定部４１は、複数の決定木におけるデータ項目の出現回数に応じて、データ項目の重要度を設定する。したがって、実施形態に係る情報処理装置１０によれば、ジニ係数の減少に寄与する、換言すれば、スコアの推定に重要なデータ項目について重要度を高く設定することができる。

また、上述した実施形態に係る設定部４１は、複数のデータ項目の組み合わせに対して重要度を設定する。したがって、実施形態に係る情報処理装置１０によれば、データ項目単体、あるいは、データ項目の組み合わせに応じて、適切に重要度を設定することができる。

また、上述した実施形態に係る設定部４１は、利用データに含まれる利用者が利用したサービスの数に応じて、重要度を設定する。したがって、実施形態に係る情報処理装置１０によれば、たとえば、多様なサービスに関するデータ項目を有する利用データほど、重要度を高く設定することができるので、利用データに含まれるデータ項目のバランスを考慮した重要度を設定することができる。

また、上述した実施形態に係る設定部４１は、利用データのデータ量に応じて、重要度を設定する。したがって、実施形態に係る情報処理装置１０によれば、たとえば、利用データのデータ量が多いほど、換言すれば、特徴量が多いほど、重要度を高くすることができるので、スコアの信頼度を適切に算出することができる。

また、上述した実施形態に係る設定部４１は、データ項目のカーディナリティに応じて、重要度を設定する。したがって、実施形態に係る情報処理装置１０によれば、たとえば、カーディナリティが高いデータ項目ほど、重要度を高く設定することができるので、カーディナリティに応じた適切な重要度を設定することができる。

また、上述した実施形態に係る算出部４３は、算出対象となる利用者の利用データに含まれるデータ項目の重要度の総和を信頼度として算出する。したがって、実施形態に係る情報処理装置１０によれば、利用データに含まれるデータ項目の量ではなく、データ項目の量および質に応じて信頼度を算出することができるので、信頼度を適切に算出することができる。

また、上述した実施形態に係る学習モデルは、与信審査において、利用者の貸し倒れリスクに関するスコアを出力するモデルであって、算出部４３は、貸し倒れリスクに関するスコアの信頼度を算出する。したがって、実施形態に係る情報処理装置１０によれば、与信審査における適正な与信審査に寄与することができる。

また、上述した実施形態に係る情報処理装置１０は、貸し倒れリスクに関するスコアと、当該スコアの信頼度に応じて、利用者に対する与信審査の審査結果を決定する決定部４５を備える。したがって、実施形態に係る情報処理装置１０によれば、適正に与信審査を行うことができる。

また、上述した実施形態に係る決定部４５は、貸し倒れリスクに関するスコアと、当該スコアの信頼度に応じて、利用者に対する与信限度額または利率を決定する。したがって、実施形態に係る情報処理装置１０によれば、スコアの信頼度を利用することで、与信限度額または利率を適切に設定することができる。

また、上述した実施形態に係る算出方法は、コンピュータが実行する算出方法であって、サービスを利用した利用者の利用データに含まれるデータ項目の重要度を設定する設定工程と、設定工程によって設定された重要度に応じて、算出対象となる利用者の利用データを学習モデルに入力した際に当該学習モデルから出力される当該利用者に関するスコアの信頼度を算出する算出工程とを含む。したがって、実施形態に係る算出方法によれば、モデルから出力されるスコアの信頼度の可視化することができる。

また、上述した実施形態に係る算出プログラムは、サービスを利用した利用者の利用データに含まれるデータ項目の重要度を設定する設定手順と、設定手順によって設定された重要度に応じて、算出対象となる利用者の利用データを学習モデルに入力した際に当該学習モデルから出力される当該利用者に関するスコアの信頼度を算出する算出手順とをコンピュータに実行させる。したがって、実施形態に係る算出プログラムによれば、モデルから出力されるスコアの信頼度の可視化することができる。

〔６．ハードウェア構成〕
また、上述してきた実施形態に係る情報処理装置１０は、例えば図７に示すような構成のコンピュータ１０００によって実現される。図７は、実施形態に係る情報処理装置１０の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、ネットワーク（通信ネットワーク）Ｎを介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータをネットワークＮを介して他の機器へ送信する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置（図７では、出力装置および入力装置を総称して「入出力装置」と記載する）を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が実施形態に係る情報処理装置１０として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部４０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置からネットワークＮを介してこれらのプログラムを取得してもよい。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

〔７．その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。

１ 情報処理システム
１０ 情報処理装置（算出装置の一例）
２０ 通信部
３０ 記憶部
３１ 利用者情報記憶部
３２ モデル記憶部
３３ 重要度テーブル記憶部
４０ 制御部
４１ 設定部
４２ 受付部
４３ 算出部
４４ 推定部
４５ 決定部
１００ 利用者端末
２００ 外部サーバ
Ｕ１ 利用者

Claims (14)

1. サービスを利用した利用者の利用データに含まれるデータ項目の重要度を設定する設定部と、
   前記設定部によって設定された前記重要度に応じて、算出対象となる前記利用者の前記利用データを学習モデルに入力した際に当該学習モデルから出力される当該利用者に関するスコアの信頼度を算出する算出部と
   を備え、
   前記算出部は、
   前記算出対象となる前記利用者の前記利用データに含まれる前記データ項目の有無に応じて、前記信頼度を算出する
   ことを特徴とする算出装置。
2. サービスを利用した利用者の利用データに含まれるデータ項目の重要度を設定する設定部と、
   前記設定部によって設定された前記重要度に応じて、算出対象となる前記利用者の前記利用データを学習モデルに入力した際に当該学習モデルから出力される当該利用者に関するスコアの信頼度を算出する算出部と
   を備え、
   前記学習モデルは、
   複数の決定木を用いたモデルであって、
   前記設定部は、
   前記複数の決定木における前記データ項目の出現回数に応じて、前記データ項目の前記重要度を設定すること
   を特徴とする算出装置。
3. サービスを利用した利用者の利用データに含まれるデータ項目の重要度を設定する設定部と、
   前記設定部によって設定された前記重要度に応じて、算出対象となる前記利用者の前記利用データを学習モデルに入力した際に当該学習モデルから出力される当該利用者に関するスコアの信頼度を算出する算出部と
   を備え、
   前記設定部は、
   複数の前記データ項目の組み合わせに対して重要度を設定すること
   を特徴とする算出装置。
4. サービスを利用した利用者の利用データに含まれるデータ項目の重要度を設定する設定部と、
   前記設定部によって設定された前記重要度に応じて、算出対象となる前記利用者の前記利用データを学習モデルに入力した際に当該学習モデルから出力される当該利用者に関するスコアの信頼度を算出する算出部と
   を備え、
   前記設定部は、
   前記利用データに含まれる前記利用者が利用したサービスの数に応じて、前記重要度を設定すること
   を特徴とする算出装置。
5. サービスを利用した利用者の利用データに含まれるデータ項目の重要度を設定する設定部と、
   前記設定部によって設定された前記重要度に応じて、算出対象となる前記利用者の前記利用データを学習モデルに入力した際に当該学習モデルから出力される当該利用者に関するスコアの信頼度を算出する算出部と
   を備え、
   前記設定部は、
   前記利用データのデータ量に応じて、前記重要度を設定すること
   を特徴とする算出装置。
6. サービスを利用した利用者の利用データに含まれるデータ項目の重要度を設定する設定部と、
   前記設定部によって設定された前記重要度に応じて、算出対象となる前記利用者の前記利用データを学習モデルに入力した際に当該学習モデルから出力される当該利用者に関するスコアの信頼度を算出する算出部と
   を備え、
   前記設定部は、
   前記データ項目のカーディナリティに応じて、前記重要度を設定すること
   を特徴とする算出装置。
7. サービスを利用した利用者の利用データに含まれるデータ項目の重要度を設定する設定部と、
   前記設定部によって設定された前記重要度に応じて、算出対象となる前記利用者の前記利用データを学習モデルに入力した際に当該学習モデルから出力される当該利用者に関するスコアの信頼度を算出する算出部と
   を備え、
   前記算出部は、
   前記算出対象となる前記利用者の前記利用データに含まれる前記データ項目の重要度の総和を前記信頼度として算出すること
   を特徴とする算出装置。
8. 前記学習モデルは、
   与信審査において、前記利用者の貸し倒れリスクに関するスコアを出力するモデルであって、
   前記算出部は、
   前記貸し倒れリスクに関するスコアの前記信頼度を算出すること
   を特徴とする請求項１～７のいずれか一つに記載の算出装置。
9. 前記貸し倒れリスクに関するスコアと、当該スコアの信頼度に応じて、前記利用者に対する与信審査の審査結果を決定する決定部
   を備えることを特徴とする請求項８に記載の算出装置。
10. 前記決定部は、
    前記貸し倒れリスクに関するスコアと、当該スコアの信頼度に応じて、前記利用者に対する与信限度額または利率を決定すること
    を特徴とする請求項９に記載の算出装置。
11. コンピュータが実行する算出方法であって、
    サービスを利用した利用者の利用データに含まれるデータ項目の重要度を設定する設定工程と、
    前記設定工程によって設定された前記重要度に応じて、算出対象となる前記利用者の前記利用データを学習モデルに入力した際に当該学習モデルから出力される当該利用者に関するスコアの信頼度を算出する算出工程と
    を含み、
    前記算出工程は、
    前記算出対象となる前記利用者の前記利用データに含まれる前記データ項目の有無に応じて、前記信頼度を算出する
    ことを特徴とする算出方法。
12. サービスを利用した利用者の利用データに含まれるデータ項目の重要度を設定する設定手順と、
    前記設定手順によって設定された前記重要度に応じて、算出対象となる前記利用者の前記利用データを学習モデルに入力した際に当該学習モデルから出力される当該利用者に関するスコアの信頼度を算出する算出手順と
    をコンピュータに実行させ、
    前記算出手順は、
    前記算出対象となる前記利用者の前記利用データに含まれる前記データ項目の有無に応じて、前記信頼度を算出する
    ことを特徴とする算出プログラム。
13. コンピュータが実行する算出方法であって、
    サービスを利用した利用者の利用データに含まれるデータ項目の重要度を設定する設定工程と、
    前記設定工程によって設定された前記重要度に応じて、算出対象となる前記利用者の前記利用データを学習モデルに入力した際に当該学習モデルから出力される当該利用者に関するスコアの信頼度を算出する算出工程と
    を含み、
    前記算出工程は、
    前記算出対象となる前記利用者の前記利用データに含まれる前記データ項目の重要度の総和を前記信頼度として算出すること
    を特徴とする算出方法。
14. サービスを利用した利用者の利用データに含まれるデータ項目の重要度を設定する設定手順と、
    前記設定手順によって設定された前記重要度に応じて、算出対象となる前記利用者の前記利用データを学習モデルに入力した際に当該学習モデルから出力される当該利用者に関するスコアの信頼度を算出する算出手順と
    をコンピュータに実行させ、
    前記算出手順は、
    前記算出対象となる前記利用者の前記利用データに含まれる前記データ項目の重要度の総和を前記信頼度として算出すること
    を特徴とする算出プログラム。

Images