以下に、本願にかかる算出装置、算出方法、算出方プログラムおよびモデルを実施するための形態(以下、「実施形態」と呼ぶ)について図面を参照しつつ説明する。なお、この実施形態により本願にかかる算出装置、算出方法、算出方プログラムおよびモデルが限定されるものではない。また、以下の実施形態において、同一の部位には同一の符号を付し、重複する説明は省略される。
〔1.算出処理〕
まず、図1を用いて、実施形態に係る算出処理の一例について説明する。図1は、実施形態にかかる算出処理の一例を示す図である。図1では、実施形態にかかる算出装置100による算出処理について説明する。具体的には、図1では、算出装置100によって、対象のユーザが資産形成できているか否かの度合いを示す指標値を算出する算出処理が行われる例について説明する。
図1の例では、算出装置100と、ユーザ端末10とが図示しない通信ネットワーク(例えば、インターネット)を介して通信可能に接続される。
ここで、実施形態にかかる算出装置100が以下に示す算出処理を行うにあたっての前提について説明する。例えば、年金問題や雇用不安のために、老後の蓄えについてより不安を抱く人が多くなってきている。しかしながら、漠然と将来への不安や、資産形成の必要性を感じるだけであり、資産形成のために具体的なアクションを起こす人は少ないのが現実である。このようなことから、実施形態にかかる算出装置100、ユーザに対して、資産形成のためのアクションを起こさなければならないといった行動意欲をより高めるための処理を行うものである。
具体的には、実施形態にかかる算出装置100は、まず、ユーザの行動を示す行動情報を取得する。そして、算出装置100は、行動情報が取得されたユーザのうち資産形成に関する金融活動に基づいて定められたユーザである第1ユーザの行動を示す第1行動情報と、評価対象のユーザである第2ユーザの行動を示す第2行動情報とに基づいて、第2ユーザの資産形成に関する指標値を算出する。
より具体的には、算出装置100は、第1ユーザの第1行動情報に基づいて、第1ユーザがどのような行動を行う傾向にあるかを機械学習し、学習結果が反映されたモデルを生成する。かかるモデルは、評価対象のユーザである第2ユーザの第2行動情報が入力された場合に、第1行動情報と第2行動情報との相関性を示す指標値(以下、「相関スコア」と表記する場合がある)を出力するモデルである。したがって、算出装置100は、モデルに対して第2ユーザの第2行動情報を入力することにより出力された相関スコアに基づいて、第2ユーザの資産形成に関する指標値を算出する。
なお、第2ユーザの資産形成に関する指標値は、第2ユーザが資産形成できているか否かの度合い(レベル)を示す指標値、あるいは、第2ユーザが資産形成できているか否かを評価する評価値と言い換えることができる。したがって、以下の実施形態では、第2ユーザの資産形成に関する指標値を「評価スコア」と表記する場合がある。
ユーザ端末10は、評価対象のユーザ、すなわち評価スコアが算出される対象のユーザである第2ユーザによって利用される情報処理装置である。ユーザ端末10は、例えば、スマートフォンや、タブレット型端末や、ノート型PC(Personal Computer)や、デスクトップPCや、携帯電話機や、PDA(Personal Digital Assistant)等である。図1の例では、ユーザ端末10は、第2ユーザによって利用される。また、ユーザ端末10は、算出装置100によって算出された評価スコアに基づく評価結果が表示される所定のコンテンツを表示する。
さて、ここからは、図1を用いて、実施形態にかかる算出処理について流れに沿って説明する。まず、算出装置100は、ユーザの行動を示す行動情報を取得する(ステップS1)。例えば、算出装置100は、アセットマネジメントに関する調査結果を示すデータ(以下、「アセマネデータ」)を取得し、自装置内のアセマネ調査結果記憶部121に格納する。アセマネデータは、アンケート等によりユーザから取得されたデータであり、例えば、ユーザ属性情報(年齢、性別等)、家計情報(支出額等)、家族情報(家族の構成、家族の年収等)、投資情報(金融リテラシー等)、ライフプラン(ローン計画、セカンドライフ計画等)を含む。このようなことから、アセマネデータとは、どのような資産形成に関する金融活動を行っているかを示す行動情報を含むものといえる。
例えば、算出装置100は、アセマネデータを管理する所定の外部サーバから、かかるアセマネデータを取得する。なお、アセマネデータを管理する所定の外部サーバは、例えば、算出装置100を管理する事業主(以下、「事業主X」とする)によって管理されるサーバ装置である。
また、例えば、算出装置100は、各ユーザの購買履歴データを取得し、自装置内の購買履歴記憶部122に格納する。購買履歴は、例えば、各ユーザがいつ、何を、いくらで購入したかといった購買行動を示す情報である購買情報の履歴データである。なお、算出装置100は、購買履歴以外にも検索履歴、決済履歴、オークション利用履歴を取得してもよい。なお、決済履歴には、例えば、クレジットカード決済による決済履歴、あるいは、所定のポイント(例えば、事業主Xにより発行されるポイント)決済による決済履歴がある。以下の実施形態では、決済履歴は、クレジットカード決済による決済履歴であるものとする。
例えば、算出装置100は、購買履歴データを管理する所定の外部サーバから、かかるアセマネデータを取得する。購買履歴データを管理する所定の外部サーバは、事業主Xにより管理されるサーバ装置であり、ユーザに所定のショッピングサイトを提供する。
次に、算出装置100は、アセマネ調査結果記憶部121を参照し、資産形成に関する金融活動に基づいて定められたユーザである第1ユーザを特定する(ステップS2)。上記の通り、アセマネ調査結果記憶部121には、資産形成に関する金融活動を示す情報であるアセマネデータが記憶される。したがって、算出装置100は、アセマネデータを分析し、アセマネ調査結果記憶部121に記憶されるユーザのうち、例えば、投資に関する行動を行っているユーザを第1ユーザとして特定する。なお、投資に関する行動を行っている第1ユーザを「第1ユーザ601」とする。
また、算出装置100は、投資に関する知識を有しているユーザ、あるいは、所定額以上の資産を保有しているユーザを第1ユーザとして特定してもよい。このような第1ユーザは、資産形成能力の高いユーザ、すなわち、資産形成につながるような行動を行っていると考えられるユーザである。また、どのようなユーザを第1ユーザとして特定させるかは、例えば、事業主Xによって予め設定される。
次に、算出装置100は、ステップS2で特定した第1ユーザ601が行った行動を示す行動情報である第1行動情報を取得する。例えば、算出装置100は、購買履歴記憶部122を参照し、ステップS2で特定した第1ユーザ601が行った購買行動に対応する購買情報(第1行動情報の一例)を取得する(ステップS3)。
次に、算出装置100は、ステップS3で取得した購買情報に基づいて、第1行動情報と第2行動情報との相関性を示す指標値を出力するモデルを生成する(ステップS4)。例えば、算出装置100は、第1行動情報に基づいて生成されるモデルであって、第2行動情報が入力された場合に、第1行動情報と第2行動情報との相関性を示す指標値を出力するモデルを生成する。
上記の通り、第1ユーザ601は、資産形成能力が高く、資産形成につながるような行動(購買行動)を行っていると考えられるユーザである。このため、第1行動情報(第1ユーザ601の購買情報)に基づいて生成されるモデルは、資産形成能力が高く、資産形成につながるような行動(購買行動)を行っていると考えられるユーザは、どのような購買行動を行う傾向にあるかといったことが学習された学習結果が反映されたモデルである。したがって、このモデルに第2行動情報が入力された場合、この第2行動情報がモデル生成に用いられた第1行動情報により類似するほど、より高い指標値(相関スコア)が出力される。
図1では、算出装置100は、購買行動のみを用いてモデルを生成する例を示す。しかし、算出装置100は、例えば、検索履歴に基づく行動情報、決済履歴に基づく行動情報、オークション利用履歴に基づく行動情報もさらに考慮したモデルを生成してよい。なお、第2行動情報は、図1の例では、評価対象のユーザである第2ユーザの購買行動に対応する購買情報である。かかる第2行動情報も購買履歴記憶部122に格納されている。
モデル生成処理の詳細は後述するが、算出装置100は、例えば、第1ユーザ601を正解データ(教師データ、目的変数)とし、第1ユーザ601の購買情報(ステップS3で取得したもの)に含まれる所定の情報を素性(説明変数)とするサポートベクターマシン(Support Vector Machine)等の回帰学習モデルを生成する。所定の情報とは、例えば、第1ユーザ601によって購入された商品に関する情報であり、購入された商品の属する「商品カテゴリ」、かかる商品が購入された「曜日」、かかる商品の「価格帯」、かかる商品がセール時に購入されたか否かを示す「セール情報」である。
なお、ステップS4で生成されたモデルを「モデルMD01」とする。算出装置100は、生成したモデルMD01を所定の記憶部に格納しておく。
ここで、評価対象(算出処理対象)のユーザである第2ユーザが、算出装置100にアクセスしてきたとする(ステップS5)。かかる第2ユーザを「第2ユーザ70」とする。一例を示すと、第2ユーザ70のユーザ端末10が、第2ユーザ70の操作に従って、算出装置100によって提供されるコンテンツC1−1の配信要求を算出装置100に対して送信したとする。
算出装置100は、ユーザ端末10から配信要求を受信すると、購買履歴記憶部122から第2ユーザ70の購買情報を取得する。そして、算出装置100は、取得した購買情報をモデルMD01に入力することにより(ステップS6)、第1行動情報(第1ユーザ601の購買情報)と第2行動情報(第2ユーザ70の購買情報)との相関性を示す相関スコアを出力する(ステップS7)。
算出装置100は、出力した相関スコアに基づいて、第2ユーザ70の資産形成に関する指標値、すなわち、第2ユーザ70が資産形成できているか評価する評価スコアを算出する(ステップS8)。例えば、算出装置100は、相関スコアに所定の値を乗じることにより評価スコアを算出してもよいし、相関スコアそのものを評価スコアとしてもよい。
次に、算出装置100は、算出した評価スコアを第2ユーザ70に提示する(ステップS9)。例えば、算出装置100は、評価スコアが表示されるコンテンツC1−1を第2ユーザ70のユーザ端末10に配信する。
さて、これまで説明してきたように、実施形態にかかる算出装置100は、ユーザの行動を示す行動情報を取得する。そして、算出装置100は、行動情報が取得されたユーザのうち資産形成に関する金融活動に基づいて定められたユーザである第1ユーザの行動を示す第1行動情報と、評価対象のユーザである第2ユーザの行動を示す第2行動情報とに基づいて、第2ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置100は、資産形成能力が高いと考えられる第1ユーザと比較して、第2ユーザが資産形成できているか否かを客観的に評価する値である評価スコアを算出することができる。
また、実施形態にかかる算出装置100は、評価スコアを算出することにより、例えば、評価スコアが表示されるコンテンツを提供することができるため、第2ユーザに対して、資産形成のためのアクションを起こさなければならないといった行動意欲をより高めることができる。
〔2.算出システムの構成〕
次に、図2を用いて、実施形態にかかる算出装置100が含まれる算出システム1の構成について説明する。図2は、実施形態にかかる算出システム1の構成例を示す図である。図2に例示するように、実施形態にかかる算出システム1には、ユーザ端末10と、外部サーバ30と、算出装置100とが含まれる。これらの各種装置は、ネットワークN(例えば、インターネット)を介して、有線又は無線により通信可能に接続される。なお、図2に示した算出システム1には、複数台のユーザ端末10や、複数台の外部サーバ30が含まれてもよい。
ユーザ端末10は、評価対象のユーザ、すなわち評価スコアが算出される対象のユーザである第2ユーザによって利用される情報処理装置であり、算出装置100から受信した評価スコアを表示する。
外部サーバ30は、算出装置100以外のサーバ装置であり、算出装置100によって行動情報が取得される取得元のサーバ装置である。例えば、外部サーバ30は、アセマネデータを管理するサーバ装置、ショッピングサイトを提供することにより、購買履歴を蓄積しているショッピングサーバである。また、外部サーバ30は、検索サービスを提供することにより、入力された検索キーワードを検索履歴として蓄積している検索サーバでもよい。
また、外部サーバ30は、所定のクレジットカードを管理するカード会社のサーバ装置で(カード会社サーバ)あってもよいし、所定のポイントを管理するポイント管理サーバであってもよいし、オークションサービスを提供することにより、入札および落札に関する履歴を蓄積しているオークションサーバであってもよい。
なお、本実施形態では、外部サーバ30は、算出装置100を所有する事業主Xによって管理されているものとする。したがって、上記のショッピングサイト、検索サービス、オークションサービスも、事業主Xによって運営される。また、上記のクレジットカードは、事業主Xあるいは事業主Xの関連会社によって発行されるクレジットカードである。
算出装置100は、図1で説明した算出処理を行うサーバ装置である。具体的には、算出装置100は、外部サーバ30からユーザに関する情報を取得する。例えば、算出装置100は、外部サーバ30の1つであるアセマネデータ管理サーバから、資産形成に関する金融活動を示す行動情報(アセマネデータ)を取得する。また、例えば、算出装置100は、外部サーバ30の1つであるショッピングサーバから、ユーザの購買情報を含む購買履歴を取得する。
そして、算出装置100は、取得したアセマネデータを参照し、資産形成に関する金融活動に基づいて定められたユーザである第1ユーザを特定する。また、算出装置100は、取得した購買履歴を参照し、特定した第1ユーザに対応する購買情報(第1行動情報の一例)を取得する。そして、算出装置100は、第1行動情報と、評価対象のユーザである第2ユーザの行動を示す第2行動情報とに基づいて、第2ユーザの評価スコアを算出する。
なお、算出装置100は、第1行動情報として第1ユーザに対応する購買情報を用いるだけでなく、第1行動情報として第1ユーザが行った検索行動を示す検索情報、第1ユーザがクレジットカードを利用(クレジットカード決済)して行った購買行動を示す購買情報、あるいは、第1ユーザが行った落札を示す落札情報をさらに用いる場合がある。
〔3.算出装置の構成〕
次に、図3を用いて、実施形態にかかる算出装置100について説明する。図3は、実施形態にかかる算出装置100の構成例を示す図である。図3に示すように、算出装置100は、通信部110と、記憶部120と、制御部130とを有する。
(通信部110について)
通信部110は、例えば、NIC(Network Interface Card)等によって実現される。そして、通信部110は、ネットワークNと有線または無線で接続され、例えば、ユーザ端末10、外部サーバ30との間で情報の送受信を行う。
(記憶部120について)
記憶部120は、例えば、RAM(Random Access Memory)、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。記憶部120は、アセマネ調査結果記憶部121と、購買履歴記憶部122と、検索履歴記憶部123と、決済履歴記憶部124と、オークション利用履歴125を有する。
(アセマネ調査結果記憶部121)
アセマネ調査結果記憶部121は、アセットマネジメントに関する調査結果を示すデータ(アセマネデータ)を記憶する記憶部である。アセマネデータは、後述する取得部131によって、例えば、外部サーバ30の1つであるアセマネデータ管理サーバから取得される。アセマネデータには、ユーザがどのような資産形成に関する金融活動を行っているかを示す行動情報が含まれる。なお、アセットマネジメントに関する調査は、例えば、事業主Xに対して会員登録している(アカウントを取得している)ユーザに対して、所定のコンテンツ内においてアンケート形式で行われる。
ここで、図4に実施形態にかかるアセマネ調査結果記憶部121の一例を示す。図4の例では、アセマネ調査結果記憶部121は、「ユーザID」、「属性情報」、「家計情報」、「家族情報」、「教育方針」、「投資情報」、「ライフプラン」といった項目を有する。なお、図4の例では、説明を簡単にするために、各項目の内容に概念的な記号を用いているが、実際には、各項目には以下に示す情報が対応付けられる。
「ユーザID」は、ユーザまたはユーザ端末10を識別するための識別情報を示す。「ユーザID」は、例えば、事業主Xにより運営される各種コンテンツを利用するためにユーザが事業主Xに対して会員登録した際に、ユーザに対応付けられる識別情報である。「ユーザID」は、算出装置100(あるいは、事業主Xに属する所定のサーバ)によって動的に発行されてもよいし、会員登録の際にユーザに設定されてもよい。
「属性情報」は、ユーザの年齢、性別、職業、結構有無、子供有無、住居形態等である。「家計情報」は、月収(手取り)、支出額/月、ローン額/月、貯蓄額等である。「家族情報」は、配偶者の年齢および職業、子供の人数および年齢等である。
「教育方針」は、教育機関(幼稚園、小学校、中学校、高校、大学)に対して希望する運営形態(国公立、私立等)等である。「投資情報」は、投資経験有無、現在所有している金融商品(株、投信、国債等)、保有金融商品の金額、借金(ローン以外)の金額、金融リテラシー等である。「ライフプラン」は、大型出費計画(例えば、車など高額商品を購入予定であるか否か)、子供の結構資金援助額、ローン繰上返済計画(返済期間、金利等)、セカンドライフについて(開始年齢、生活費等)等である。なお、上記に示した各項目の内容は、一例であり、上記例に限定されるものではない。
(購買履歴記憶部122について)
購買履歴記憶部122は、購買履歴を記憶する記憶部である。購買履歴は、後述する取得部131によって、例えば、外部サーバ30の1つであるショッピングサーバから取得される。購買履歴は、例えば、各ユーザがいつ、何を、いくらで購入したかといった購買行動を示す情報である購買情報の履歴データである。
ここで、図5に実施形態にかかる購買履歴記憶部122の一例を示す。図5の例では、購買履歴記憶部122は、「ユーザID」、「商品」、「商品カテゴリ」、「曜日」、「価格帯」、「セール情報」、「まとめ買情報」といった項目を有する。また、これら各項目は、算出装置100によるモデル生成処理における素性となりうる情報(素性情報)である。
「ユーザID」は、ユーザまたはユーザ端末10を識別するための識別情報を示す。「ユーザID」は、例えば、事業主Xにより運営される各種コンテンツを利用するためにユーザが事業主Xに対して会員登録した際に、ユーザに対応付けられる識別情報である。「ユーザID」は、算出装置100(あるいは、事業主Xに属する所定のサーバ)によって動的に発行されてもよいし、会員登録の際にユーザに設定されてもよい。
「商品」は、ユーザに購入された商品を識別可能な情報を示す。例えば、「商品」は、ユーザに購入された商品の商品名、あるいは、商品の個体識別情報(例えば、商品番号)を示す。「商品カテゴリ」は、「商品」の属するカテゴリを示す。例えば、取得部131は、購買履歴を取得した場合に、取得した購買履歴に含まれる各「商品」について「商品カテゴリ」を判定し、判定結果を「商品カテゴリ」として入力する。
「曜日」は、「商品」が購入された曜日を示す。例えば、取得部131は、購買履歴を取得した場合に、取得した購買履歴に含まれる各「商品」について、当該「商品」に対応する日付情報に基づき「曜日」を判定し、判定結果を「曜日」として入力する。
「価格帯」は、「商品」の価格が含まれる価格帯を示す。例えば、取得部131は、購買履歴を取得した場合に、取得した購買履歴に含まれる各「商品」について、当該「商品」に対応する価格情報に基づき「価格帯」を判定し、判定結果を「価格帯」として入力する。一例を示すと、ある商品の価格が「500円」である場合、取得部131は、「価格帯」に「1,000円未満」を入力する。
「セール情報」は、対応するユーザが「商品」をセール時に購入したか否かを示す。例えば、取得部131は、購買履歴を取得した場合に、取得した購買履歴に含まれる「商品」がセール時に購入されている場合、この「商品」を購入したユーザに対応する「セール情報」に「1」を入力する。また、取得部131は、「商品」がセール以外(通常時)に購入されている場合、この「商品」を購入したユーザに対応する「セール情報」に「0」を入力する。なお、取得部131は、セール時に「商品」が購入された回数を「セール情報」として入力してもよい。
「まとめ買情報」は、ユーザがまとめ買いを行ったか否かを示す。例えば、取得部131は、同一日に所定数以上の商品を購入したユーザはまとめ買いを行ったと判断し、「まとめ買情報」に「1」を入力する。また、取得部131は、同一日に所定数未満の数しか商品を購入していないユーザはまとめ買いを行っていないと判断し、「まとめ買情報」に「0」を入力する。なお、算出装置100は、まとめ買いが行われた回数を「まとめ買情報」として入力してもよい。
すなわち、図5の例では、ユーザID「U1」によって識別されるユーザ(ユーザU1)が、商品カテゴリ「生活雑貨」に分類され、価格「500円」であるため価格帯「1,000円未満」に属する商品「S02」を「水曜」に購入した例を示す。また、ユーザU1が、「セール時に商品を購入したことがある」例を示す。また、ユーザU1が、「まとめ買いを行ったことがある」例を示す。
(検索履歴記憶部123について)
検索履歴記憶部123は、検索履歴を記憶する記憶部である。検索履歴は、後述する取得部131によって、例えば、外部サーバ30の1つである検索サーバから取得される。検索履歴は、例えば、各ユーザがいつ、どのような検索キーワードを用いて検索を行ったかといった検索行動を示す情報である検索情報の履歴データである。
ここで、図6に実施形態にかかる検索履歴記憶部123の一例を示す。図6の例では、検索履歴記憶部123は、「ユーザID」、「検索日時」、「検索キーワード」、「カテゴリ」といった項目を有する。また、これら各項目は、算出装置100によるモデル生成処理における素性となりうる情報(素性情報)である。
「ユーザID」は、ユーザまたはユーザ端末10を識別するための識別情報を示す。「ユーザID」は、例えば、事業主Xにより運営される各種コンテンツを利用するためにユーザが事業主Xに対して会員登録した際に、ユーザに対応付けられる識別情報である。「ユーザID」は、算出装置100(あるいは、事業主Xに属する所定のサーバ)によって動的に発行されてもよいし、会員登録の際にユーザに設定されてもよい。
「検索日時」は、「検索キーワード」を用いて検索が行われた日付を示す。「検索キーワード」は、検索に用いられたキーワードを示す。「カテゴリ」は、「検索キーワード」が属するカテゴリを示す。例えば、取得部131は、検索履歴を取得した場合に、取得した検索履歴に含まれる各「検索キーワード」について「カテゴリ」を判定し、判定結果を「カテゴリ」として入力する。
すなわち、図6の例では、ユーザU1が、検索日時「2017年5月19日」に検索キーワード「KW11」を用いて検索を行った例を示す。また、この検索キーワード「KW11」は、カテゴリ「納税」に属するワードであると判定された例を示す。
(決済履歴記憶部124について)
決済履歴記憶部124は、例えば、クレジットカード利用履歴を記憶する記憶部である。クレジットカード利用履歴は、取得部131によって、例えば、外部サーバ30の1つであるカード会社サーバから取得される。クレジットカード利用履歴は、例えば、クレジットカード決済により各ユーザがいつ、いくらの買い物を行ったか(クレジットカード利用金額はいくらか)といった購買行動を示す情報であるカード利用購買情報の履歴データである。なお、決済履歴記憶部124には、ポイント決済による購買行動を示す履歴データが記憶されてもよい。
決済履歴記憶部124は、例えば、図5に示す購買履歴記憶部122に含まれる項目のうち、「曜日」および「価格帯」のみで構成されるものである。したがって、決済履歴記憶部124の図示は省略する。
(オークション利用履歴125について)
オークション利用履歴125は、オークション利用履歴を記憶する記憶部である。オークション利用履歴は、取得部131によって、例えば、外部サーバ30の1つであるオークションサーバから取得される。オークション利用履歴は、例えば、各ユーザがいつ、何を、いくらで落札したかといった落札行動を示す情報である落札情報の履歴データである。
ここで、図7に実施形態にかかるオークション利用履歴125の一例を示す。図7の例では、オークション利用履歴125は、「ユーザID」、「落札日時」、「落札商品」、「商品カテゴリ」、「落札金額」といった項目を有する。また、これら各項目は、算出装置100によるモデル生成処理における素性となりうる情報(素性情報)である。
「ユーザID」は、ユーザまたはユーザ端末10を識別するための識別情報を示す。「ユーザID」は、例えば、事業主Xにより運営される各種コンテンツを利用するためにユーザが事業主Xに対して会員登録した際に、ユーザに対応付けられる識別情報である。「ユーザID」は、算出装置100(あるいは、事業主Xに属する所定のサーバ)によって動的に発行されてもよいし、会員登録の際にユーザに設定されてもよい。
「落札日時」は、「落札商品」が落札された日付を示す。「落札商品」は、ユーザに落札された商品を識別可能な情報を示す。例えば、「落札商品」は、ユーザに落札された商品の商品名、あるいは、商品の個体識別情報(例えば、商品番号)を示す。「商品カテゴリ」は、「落札商品」の属するカテゴリを示す。例えば、取得部131は、オークション利用履歴を取得した場合に、取得したオークション利用履歴に含まれる各「落札商品」について「商品カテゴリ」を判定し、判定結果を「商品カテゴリ」として入力する。
「落札金額」は、「落札商品」が落札された金額を示す。また、「落札金額」は、落札された金額そのものではなく、図5の例のように、「価格帯」で示されてもよい。
すなわち、図7の例では、ユーザU1が、落札日時「2017年5月18日」に、「コート」を「30,000円」で落札した例を示す。また、落札商品「コート」が商品カテゴリ「ファッション」に分類された例を示す。
(その他の記憶部)
ここで、図示しないが、算出装置100がさらに有してよい記憶部の一例について説明する。例えば、算出装置100は、どのようなユーザを第1ユーザとして特定するかを指示した指示情報を記憶する記憶部を有してよい。例えば、かかる記憶部には、「投資に関する行動を行っているユーザ」を第1ユーザとして特定するよう指示する指示情報、「投資に関する知識を有しているユーザ」を第1ユーザとして特定するよう指示する指示情報、また、「所定額以上の資産を保有しているユーザ」を第1ユーザとして特定するよう指示する指示情報が記憶される。
また、算出装置100は、生成部133によって生成されたモデルを記憶する記憶部を有してよい。例えば、かかる記憶部には、各モデルを識別する識別情報と、モデルとが対応付けられた状態で記憶される。
(制御部130について)
図3に戻り、制御部130は、CPU(Central Processing Unit)やMPU(Micro Processing Unit)等によって、情報処理装置100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。また、制御部130は、例えば、ASIC(Application Specific Integrated Circuit)やFPGA(Field Programmable Gate Array)等の集積回路により実現される。
図3に示すように、制御部130は、取得部131と、特定部132と、生成部133と、受信部134と、算出部135と、提供部136とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部130の内部構成は、図3に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部130が有する各処理部の接続関係は、図3に示した接続関係に限られず、他の接続関係であってもよい。
(取得部131について)
取得部131は、ユーザの行動を示す行動情報を取得する。例えば、取得部131は、外部サーバ30の1つであるアセマネデータ管理サーバからアセマネデータを取得する。アセマネデータには、資産形成に関する金融活動としてユーザがどのような金融活動を行ったかを示す行動情報が含まれる。また、取得部131は、取得したアセマネデータをアセマネ調査結果記憶部121に格納する。
また、取得部131は、外部サーバ30の1つであるショッピングサーバから、購買履歴を取得する。購買履歴は、ユーザの購買行動を示す購買情報の履歴データである。また、取得部131は、取得した購買履歴を購買履歴記憶部122に格納する。
また、取得部131は、外部サーバ30の1つである検索サーバから、検索履歴を取得する。検索履歴は、ユーザの検索行動を示す検索情報の履歴データである。また、取得部131は、取得した検索履歴を検索履歴記憶部123に格納する。
また、取得部131は、外部サーバ30の1つであるカード会社サーバから、クレジットカード決済による決済履歴を取得する。決済履歴は、クレジットカード決済による購買行動を示す購買情報の履歴データである。また、取得部131は、取得した決済履歴を決済履歴記憶部124に格納する。なお、取得部131は、外部サーバ30の1つであるポイント管理サーバから、ポイント決済による決済履歴を取得し、決済履歴記憶部124に格納してもよい。
また、取得部131は、外部サーバ30の1つであるオークションサーバから、オークション利用履歴を取得する。オークション利用履歴は、オークションにおける落札行動を示す情報である落札情報の履歴データである。また、取得部131は、取得したオークション利用履歴をオークション利用履歴記憶部125に格納する。なお、取得部131は、落札履歴だけでなく入札履歴も取得してよい。
(特定部132について)
特定部132は、取得部131により行動情報が取得されたユーザの(取得部131により取得された行動情報に含まれるユーザ)のうち、資産形成に関する金融活動に基づいて定められたユーザである第1ユーザを特定する。アセマネ調査結果記憶部121には、資産形成に関する金融活動を示す情報であるアセマネデータが記憶される。したがって、特定部132は、アセマネデータを分析し、アセマネ調査結果記憶部121に記憶されるユーザのうち、例えば、投資に関する行動を行っているユーザを第1ユーザとして特定する。なお、算出装置100は、投資に関する知識を有しているユーザ、あるいは、所定額以上の資産を保有しているユーザを第1ユーザとして特定してもよい。このような第1ユーザは、資産形成能力の高いユーザ、すなわち、資産形成につながるような行動を日頃から行っていると考えられるユーザである。
ここで、投資に関する行動を行っている第1ユーザとして、例えば、第1ユーザ601が特定されたとする。また、投資に関する知識を有している第1ユーザとして、例えば、第1ユーザ602が特定されたとする。また、所定額以上の資産を保有している第1ユーザとして、例えば、第1ユーザ603が特定されたとする。
かかる場合、特定部132は、第1ユーザ601〜603の行動を示す行動情報である第1行動情報を取得する。例えば、特定部132は、購買履歴記憶部122を参照し、第1ユーザ601〜603の購買行動に対応する購買情報(第1行動情報の一例)を取得する。一例を示すと、第1ユーザ601〜603のうちの1人がユーザU1であった場合には、特定部132は、購買履歴記憶部122に記憶されている購買情報のうち、ユーザID「U1」が対応付けられる購買情報を取得する。
また、特定部132は、検索履歴記憶部123を参照し、第1ユーザ601〜603の検索行動に対応する検索情報(第1行動情報の一例)を取得する。また、特定部132は、決済履歴記憶部124を参照し、第1ユーザ601〜603のカード利用による購買行動に対応する購買情報(第1行動情報の一例)を取得する。また、特定部132は、オークション履歴記憶部125を参照し、第1ユーザ601〜603の落札行動に対応する落札情報(第1行動情報の一例)を取得する。
(生成部133について)
生成部133は、資産形成に関する金融活動に基づいて定められたユーザである第1ユーザの行動を示す行動情報と、評価対象のユーザである第2ユーザの行動を示す行動情報とに基づいて、第1行動情報と第2行動情報との相関性を示す指標値を出力するよう、コンピュータを機能させるためのモデルを生成する。具体的には、生成部133は、第1行動情報に基づくモデルであって、第2行動情報が入力された場合に、第1行動情報と第2行動情報との相関性を示す指標値を出力するモデルを生成する。
より具体的には、生成部133は、第1行動情報のうち、第1ユーザとの相関性がより高い第1行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習したモデルであって、第2行動情報が入力された場合に、第1行動情報と第2行動情報との相関性を示す指標値を出力するモデルを生成する。
さらに一例を示すと、生成部133は、第1行動情報として第1ユーザの購買履歴に含まれる行動情報のうち、第1ユーザとの相関性がより高い行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習し、学習結果を反映したモデルを生成する。また、生成部133は、第1行動情報として第1ユーザの検索履歴に含まれる行動情報のうち、第1ユーザとの相関性がより高い行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習し、学習結果を反映したモデルを生成する。
また、生成部133は、第1行動情報として第1ユーザのクレジットカード利用履歴に含まれる行動情報のうち、第1ユーザとの相関性がより高い行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習し、学習結果を反映したモデルを生成する。また、生成部133は、第1行動情報として第1ユーザのオークション利用履歴に含まれる行動情報のうち、第1ユーザとの相関性がより高い行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習し、学習結果を反映したモデルを生成する。
すなわち、生成部133は、特定部132によって取得された第1ユーザの行動を示す第1行動情報を素性とし、正解データである第1ユーザを当てるためのモデルを生成する。具体的には、生成部133は、素性となる第1行動情報のうち、どのような情報にどのような重みが与えられるかを回帰的に学習させたモデルを生成する。言い換えれば、生成部133は、正解データとして取得された第1行動情報のうち、いずれの情報が「資産形成のための(資産形成につながる)行動」に影響を与えるか、といったことを示すモデルを生成する。
以下に、生成部133が生成するモデルの一例を示す。なお、生成部133が生成するモデルは以下のものに限られず、第1行動情報に基づくモデルであって、第2行動情報が入力された場合に、第1行動情報と第2行動情報との相関性を示す指標値を出力するモデルであれば、どのようなモデルであってもよい。また、上記例に従い、特定部132によって特定された第1ユーザである第1ユーザ601〜603を用いて説明する。
例えば、生成部133は、第1ユーザ601〜603が資産形成のための(資産形成につながる)行動を行ったことを示した結果情報を機械学習における目的変数とする。そして、生成部132は、特定部132によって取得された第1ユーザ601〜603の行動を示す第1行動情報を説明変数(素性)とする。そして、生成部133は、目的変数と説明変数とを用いて、第1ユーザ601〜603に関するモデルを生成する。例えば、生成部133は、購買履歴記憶部122、検索履歴記憶部123、決済履歴記憶部124、オークション利用履歴記憶部125に記憶されているあらゆる情報、あるいは、一部の情報を説明変数として用いることができる。
例えば、生成部133は、第1ユーザ601〜603が資産形成のための(資産形成につながる)行動を行ったという結果情報と、第1行動情報との関係を示す式を生成する。さらに、生成部133は、個々の第1行動情報、すなわち第1行動情報に含まれる素性それぞれが、第1ユーザ601〜603が資産形成のための(資産形成につながる)行動を行ったという結果の事象に対して、どのような重みを有するかを学習して算出する。これにより、生成部133は、第1ユーザ601〜603が資産形成のための(資産形成につながる)行動を行ったという事象に対して、個々の第1行動情報がどのくらい寄与するのかといった情報を得ることができる。例えば、生成部133は、下記式(1)を作成する。
y = ω1・x1 + ω2・x2 + ω3・x3 + ω4・x4 + ω5・x5 ・・・+ ωN・xN ・・・(1)(Nは任意の数)
上記式(1)において、「y」は、「第1ユーザ601〜603が資産形成のための(資産形成につながる)行動を行ったか否か」という事象を示す。学習において、第1ユーザ601〜603を正解データとするのであれば、「y」は「1」の値を取る。
また、上記式(1)において、「x」は、第1行動情報、より具体的には、第1行動情報に含まれる素性である各説明変数に対応する。また、上記式(1)において、「ω」は、「x」に対する重み係数を示す。このように、上記式(1)は、第1ユーザ601〜603の第1行動情報から抽出された素性情報に対応する説明変数「x」と、重み係数「ω」とを含む変数(例えば、「ω1・x1」)を組合せることにより作成される。
例えば、図5に示す購買履歴記憶部122の例を用いて、「x1」は、「第1ユーザ601〜603は、商品カテゴリ「飲料水」に属する「商品」を購入した」であるとする。また、「x2」は、「第1ユーザ601〜603は、曜日「水曜」に「商品」を購入した」であるとする。また、「x3」は、「第1ユーザ601〜603は「セール時」に「商品」を購入した」であるとする。
なお、ここでは、説明を簡単にするために、説明変数として、商品カテゴリ「飲料水」、曜日「水曜」、セール情報「セール時に買物した」を用いた場合の例を示したが、これらは一例に過ぎず、例えば、購買履歴記憶部122に基づく説明変数には、商品カテゴリ「生活雑貨」、「アクセサリ」等といったように、第1ユーザ601〜603によって購入された各「商品」が属する商品カテゴリが存在する。また、素性としての「価格帯」や「まとめ買い情報」についても、例えば、価格帯「1,000未満」、まとめ買い情報「まとめ買いしたことがある」といった説明変数が存在することはいうまでもない。
また、図6に示す検索履歴記憶部123の例を用いて、「x4」は、「第1ユーザ601〜603は検索キーワード「ゴルフ」を用いて検索した」であるとする。なお、これは一例であり、検索履歴記憶部123に基づく説明変数には、検索キーワード「ふるさと納税」、「新聞」等といったように、第1ユーザ601〜603によって用いられた各種検索キーワードが存在する。
また、図7に示すオークション利用履歴記憶部125を用いて、「x5」は、「第1ユーザ601〜603は「ソファー」を落札した」であるとする。なお、これは一例であり、オークション利用履歴記憶部125に基づく説明変数には、落札商品「デスクトップパソコン」、「毛皮コート」等といったように、第1ユーザ601〜603によって落札された各種商品が存在する。
ここで、第1ユーザ601〜603に該当するユーザは、各記憶部に記憶されている情報量にもよるが、実際には、数百人単位、あるいは、数千人単位(あるいはそれ以上)で存在する(例えば、ユーザU1、U3、U4、U11・・・)。したがって、生成部133は、第1ユーザ601〜603に該当する各ユーザ毎に、上記式(1)を生成する。そして、生成部132は、生成した式を機械学習のサンプルとする。そして、生成部133は、サンプルとなる式の演算処理(回帰学習)を行うことにより、重み係数「ω」に対応する値を導出する。すなわち、生成部133は、上記式(1)を満たすような重み係数「ω」を決定する。
言い換えれば、生成部133は、説明変数が目的変数「y」に与える影響を示す重み係数「ω」を決定することができる。例えば、生成部133は、「資産形成のための(資産形成につながる)行動を行った」という事象に対して、「第1ユーザ601〜603が購入した「商品」が属する「商品カテゴリ」」が他の変数と比較して大きく寄与しているのであれば、「第1ユーザ601〜603が購入した「商品」が属する「商品カテゴリ」」に対応する重み係数「ω1」の値を、他の変数と比較して大きな値で算出する。
例えば、事業主Xが運営するショッピングサイトでは、毎週「水曜」にセールが行われる、あるいは、ポイントが倍になるといった情報が判明しているうえで、「水曜に買物する」が他の変数と比較して大きく事象に寄与しているのであれば、第1ユーザ601〜603は、資産形成のため、例えば、少しでも節約できるよう、水曜に買物しようとしたこと等が考えられる。
また、例えば、検索キーワード「ふるさと納税」が他の変数と比較して大きく事象に寄与しているのであれば、第1ユーザ601〜603は、資産形成のため、少しでもお得な情報を入手できるよう、検索キーワード「ふるさと納税」で検索を行おうとしたこと等が考えられる。
また、例えば、落札商品「交通チケット」が他の変数と比較して大きく事象に寄与しているのであれば、第1ユーザ601〜603は、資産形成のため、少しでも節約できるよう、オークションを利用してより安く商品を手に入れようとしたこと等が考えられる。
このように、生成部132が各素性情報を組み込んだモデルを生成することで、「資産形成のための(資産形成につながる)行動を行った」という事象を発生させる要因となった情報を高い精度で推定することができる。
上記のようにして、生成部133は、第1ユーザが「資産形成のための(資産形成につながる)行動を行った」という事象に至る傾向と、第1行動情報(素性)との関連性を求めるためのモデルを生成する。すなわち、生成部133は、生成したモデルに、評価対象とする第2ユーザの行動情報である第2行動情報を入力した場合に、第2行動情報が「資産形成のための(資産形成につながる)行動を行った」という事象、言い換えれば、第2行動情報が第1行動情報にどのくらい類似した傾向を有するか、といった関連性を示す評価値を出力させることができる。
なお、例示したモデルは一例であり、生成部133が生成するモデルは上記の例に限られない。したがって、例えば、生成部133は、他の統計的処理によりモデルを生成してもよいし、また、ニューラルネットワークを利用したモデル等を生成してもよい。また、学習処理(機械学習)においては、線形回帰、ロジスティック回帰、サポートベクタ―マシン、決定木、ハザード分析等の種々の手法が利用されてもよい。
また、上記例の様にして生成されたモデルを「モデルMD01」とすると、例えば、生成部133は、モデルMD01を所定の記憶部に格納する。また、生成部133は、所定期間(例えば、1週間)毎に生成処理を行うことで、所定期間毎のモデルを更新してもよい。
(受信部134について)
受信部134は、評価対象のユーザである第2ユーザのユーザ端末10から、所定のコンテンツの配信要求を受信する。かかる配信要求は、算出部135に対して第2ユーザの資産形成に関する指標値を算出するよう要求するものでもある。
なお、かかる所定のコンテンツは、実施形態にかかる算出装置100以外の他のサーバ装置から配信されるものであってもよく、この場合、ユーザ端末10は、他のサーバ装置に配信要求を送信する。また、他のサーバ装置は、ユーザ端末10から配信要求を受信したことを算出装置100に通知する。これにより、算出部135は、算出装置10によって他のサーバ装置からの通知が受信された場合に、第2ユーザの資産形成に関する指標値を算出してもよい。
また、所定のコンテンツは、例えば、算出部135により算出された評価スコアに基づく評価結果であって、第2ユーザが資産形成できているか否かが評価された評価結果が所定の態様で表示されるコンテンツである。図1でも示したが、この所定のコンテンツを「コンテンツC1−1」とする。
(算出部135について)
算出部135は、資産形成に関する金融活動に基づいて定められたユーザである第1ユーザの行動を示す第1行動情報と、評価対象のユーザである第2ユーザの行動を示す第2行動情報とに基づいて、第2ユーザの資産形成に関する指標値(評価スコア)を算出する。例えば、算出部135は、生成部133によって生成されたモデルから出力された相関スコアに基づいて、評価スコアを算出する。
具体的には、算出部135は、生成部133が生成したモデルに、処理対象とする第2ユーザの行動を示す第2行動情報を入力することにより、第2ユーザに対する相関スコアを出力される。出力された相関スコアは、第1ユーザと第2ユーザとの相関性を示す。より具体的には、相関スコアは、第1行動情報と第2行動情報との相関性を示す。例えば、第1行動情報と第2行動情報との相関性がより高いという事象は、この第2行動情報によって示される行動を行ったユーザ、すなわち第2ユーザが、資産形成により関連する(資産形成によりつながる)行動を行った、ということを示す。
算出部135は、相関スコアそのものを第2ユーザに対する評価スコアとしてもよいし、相関スコアを正規化する等の処理を行い、処理後に算出された値を評価スコアとしてもよい。例えば、算出部135は、モデルから出力された相関スコアを100段階の数値に正規化する処理を行い、処理後に算出された1から100までの値を第2ユーザに対する評価スコアとしてもよい。また、算出部135は、相関スコアをシグモイドフィッティング(Sigmoid fitting)等を用いて確率値に変換してもよい。
以下に、算出部134による算出処理の一例を示す。ここでは、生成部133により上記式(1)に基づくモデルMD01が生成されているものとする。また、ユーザ端末10が、第2ユーザ70の操作に従って、算出装置100にコンテンツC1−1の配信要求を送信したものとする。
算出部135は、受信部134によって配信要求が受信すると、購買履歴記憶部122、検索履歴記憶部123、決済履歴記憶部124、オークション利用履歴記憶部125それぞれから第2ユーザ70の行動情報を抽出する。例えば、第2ユーザ70がユーザU2であるとすると、算出部135は、購買履歴記憶部122からユーザID「U2」に対応する購買情報(第2行動情報の一例)として、各素性を抽出する。
図5の例では、算出部135は、例えば、商品「S51」について、商品カテゴリ「生活家電」、曜日「水」、価格帯「10,000円〜20,000円」、セール情報「0」、まとめ買情報「1」を抽出する。また、算出部135は、例えば、商品「S25」について、商品カテゴリ「アクセサリ」、曜日「木」、価格帯「5,000円〜10,000円」、セール情報「0」、まとめ買情報「1」を抽出する。
そして、算出部135は、商品「S51」および商品「S25」毎に、モデルMD01を用いて相関スコアを算出する。商品「S51」について説明すると、算出部135は、商品カテゴリ「生活雑貨」を示す説明変数、曜日「水」を示す説明変数、価格帯「10,000円〜20,000円」を示す説明変数、セール情報「0」を示す説明変数、まとめ買情報「1」を示す説明変数、それぞれには数値「1」を入力する。また、算出部135は、上記以外の説明変数には「0」を入力する。
このようにすることで、重み係数を含む説明変数毎に数値が得られるため、算出部135は、上記式(1)に示されている通り、得られた数値を足し合わせることにより相関スコアを算出する。同様にして、算出部135は、商品「S25」についても相関スコアを算出する。そして、算出部135は、各相関スコアを平均して得られた値を、最終的な相関スコアとする。なお、算出部135は、ユーザU2に購入された商品のうち、いずれか1つの商品に対応する購買情報(例えば、購入日時が最も新しい購買情報)のみを用いて、相関スコアを算出してもよい。また、算出部135は、ユーザU2に購入された商品のうち、所定期間(例えば、最近1週間)のうちに購入された商品に対応する購買情報を用いて、相関スコアを算出してもよい。
(提供部136について)
提供部136は、算出部135により算出された評価スコアに基づく評価結果であって、この評価スコアが算出される対象となった第2ユーザが資産形成できているか否かが評価された評価結果が所定の態様で表示される第1コンテンツを、かかる第2ユーザに提示する。
以下に、提供部136による提示処理の一例を示す。まず、受信部134により、第2ユーザ70からコンテンツC1−1の配信要求を受信されたことに応じて、算出部135が、上記例のようにして評価スコアを算出したものとする。例えば、算出部135は、算出部135が、第2ユーザ70の評価スコアとして「65点」を算出したものとする。
このような状態において、提供部136は、評価スコアに基づいて、第2ユーザ70が資産形成できているか否かを評価する評価結果を示す評価情報を生成する。例えば、提供部136は、評価情報を評価スコア(数値情報)そのものとしてもよい。また、提供部136は、評価スコアに応じた画像情報を生成してもよい。例えば、提供部136は、評価スコアが「低」、「中」、「高」のいずれに分類されるかを判定したうえで、特定した分類を示す画像情報を生成してもよい。一例を示すと、提供部136は、評価スコアが「高」に分類されると判定した場合には、漢字「高」を示す画像情報を生成する。
また、提供部136は、「低」、「中」、「高」に応じた顔画像を生成してもよい。例えば、提供部136は、評価スコアが「高」に分類されると判定した場合には、微笑んでいる顔画像、評価スコアが「中」に分類されると判定した場合には、ノーマルな顔画像、評価スコアが「低」に分類されると判定した場合には、泣いている顔画像を生成する。本実施形態では、提供部136は、評価情報を評価スコア(数値情報)そのものとする。また、かかる評価情報を評価情報J11とする。
次に、提供部136は、評価結果が表示される第1コンテンツであるコンテンツC1−1を生成する。ここで、図8に、提供部136によって生成されるコンテンツの一例を示す。コンテンツC1−1には、各種コンテンツ(例えば、メール、天気予報、お気に入り情報、旅行検索、ブログ等)へ遷移させるためのメニュー(見出し)が表示される領域R1と、記事コンテンツや広告コンテンツが縦方向に一列に一覧表示される領域R2とが含まれる。
提供部136は、図8に示すように、例えば、評価スコアとして「65点」を示す評価情報J11が、領域R2において一番上に表示されるコンテンツC1−1を生成する。そして、提供部136は、生成したコンテンツC1−1を第2ユーザ70のユーザ端末10に配信する。そして、ユーザ端末10は、コンテンツC1−1を内蔵されている表示画面に表示する。これにより、算出装置100は、コンテンツC1−1において第2ユーザ70の目に留まり易い位置に突然「65点」を表示させることができるため、第2ユーザ70に対してこのスコアに対する興味を抱かせることができる。すなわち、算出装置100は、第2ユーザ70に対して資産形成のためのアクションを起こさせる「気づき」をまずここで与えることができる。
また、スコア表示によって興味が高められた第2ユーザ70が、「さらに詳しく」と書かれたボタンB11を押下したとする。かかる場合、ユーザ端末10は、ボタンB11が押下された旨の情報を算出装置100に送信する。例えば、受信部134によってこの情報が受信されると、提供部136は、評価情報J1をさらに詳細に説明するコンテンツC1−2を生成する。
例えば、提供部136は、評価スコア(図8の例では「65点」)が算出されるうえで、より影響を及ぼした行動を示す行動情報である内部情報J12を含むコンテンツC1−2を生成する。内部情報J12としての行動情報は、より具体的には、生成部133により生成されたモデルに含まれる重み係数のうち、より大きな値を示す重み係数(例えば、上位3つの重み係数)に対応する行動情報(説明変数)である。第2ユーザ70が、この内部情報J12としての行動情報により関連する行動を行っているほど評価スコアは高くなるため、内部情報J12としての行動情報は評価スコアにより影響を及ぼした行動といえる。
例えば、説明変数「水曜に買物する」に対応する重み係数、説明変数「「ふるさと納税」で検索」に対応する重み係数、説明変数「「交通チケット」を落札」に対応する重み係数それぞれの値が、モデルM01に含まれる重み係数の値の中でより大きい上位3つであったとすると、提供部136は、図8の例の通り、内部情報J12を生成する。そして、提供部136は、内部情報J12を含むコンテンツC1−2をユーザ端末10に配信する。そして、ユーザ端末10は、コンテンツC1−2を内蔵されている表示画面に表示する。
これにより、算出装置100は、資産を増やすには内部情報J12によって示されるような行動を行えば効果的であるといったことに気付かせることができる。また、算出装置100は、例えば、第2ユーザ70に対して、内部情報J12によって示されるような行動を行うことにより資産を増やそうといった意欲を高めることができる。
なお、提供部136は、評価スコアの詳細な説明情報や、ボタンB12を押下して次のコンテンツも利用するよう誘導する情報であるテキストJ13もコンテンツC1−2に含めてもよい。ちなみに、コンテンツC1−2に含まれるボタンB12が押下された場合の処理については、後ほど変形例にて説明する。
〔4.処理手順〕
次に、図9を用いて、実施形態にかかる算出装置100が実行する算出処理の手順について説明する。図9は、実施形態にかかる算出装置100による算出処理手順を示すフローチャートである。
まず、算出装置100は、ユーザの行動を示す行動情報を取得する(ステップS101)。例えば、算出装置100は、行動情報として資産形成に関する金融活動を示す行動情報、購買情報、検索情報、落札情報を取得する。次に、算出装置100は、行動情報が取得されたユーザのうち資産形成に関する金融活動に基づいて定められたユーザである第1ユーザを特定する(ステップS102)。例えば、算出装置100は、第1ユーザとして投資に関する行動を行っているユーザ、投資に関する知識を有しているユーザ、あるいは、所定額以上の資産を保有しているユーザを特定する。
次に、算出装置100は、第1ユーザの行動を示す第1行動情報を取得する(ステップS103)。例えば、算出装置100は、第1行動情報として、第1ユーザの購買情報、検索情報、落札情報を取得する。また、算出装置100は、第1行動情報に基づくモデルであって、評価対象の第2ユーザの行動を示す第2行動情報が入力された場合に、第1行動情報と第2行動情報との相関性を示す指標値を出力するモデルを生成する(ステップS104)。
次に、算出装置100は、コンテンツの配信要求を受信したか否かを判定する(ステップS105)。例えば、算出装置100は、第2ユーザが資産形成できているか否かが評価された評価結果が所定の態様で表示される第1コンテンツの配信要求を受信したか否かを判定する。なお、かかる配信要求は、ステップS104で生成されたモデルを用いたスコア算出処理を算出装置100に行わせるための要求と読み換えることができる。
算出装置100は、配信要求を受信していないと判定した場合には(ステップS105;No)、受信するまで待機する。一方、算出装置100は、配信要求を受信したと判定した場合には(ステップS105;Yes)、モデルに第2ユーザの行動を示す第2行動情報を入力することにより、第2ユーザに対する相関スコアを出力する(ステップS106)。出力された相関スコアは、第1行動情報と第2行動情報との相関性を示す。また、算出装置100は、相関スコアに基づいて、第2ユーザに対する評価スコアを算出する(ステップS107)。
そして、算出装置100は、評価スコアに基づく評価結果であって、第2ユーザが資産形成できているか否かが評価された評価結果が所定の態様で表示される第1コンテンツを生成し、生成した第1コンテンツを配信要求を送信したユーザ端末10に配信する(ステップS108)。また、算出装置100は、モデルを生成してから所定期間が経過したか否かを判定する(ステップS109)。算出装置100は、所定期間経過していないと判定した場合には(ステップS109;No)、処理を終了する。一方、算出装置100は、所定期間経過したと判定した場合には(ステップS109;Yes)、ステップS101に戻り、新たな情報でモデルを生成し直す。
〔5.変形例〕
上記実施形態にかかる算出装置100は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、算出装置100の他の実施形態について説明する。
〔5−1.入力情報を用いた評価〕
上記の実施形態では、算出部135が、生成部133によって生成されたモデルを用いて、第2ユーザに対する評価スコアを算出し、提供部136が、評価スコアに基づく評価結果が表示される第1コンテンツを第2ユーザに提示する例を示した。
しかし、算出部135は、第1コンテンツを提供された第2ユーザにより入力された入力情報に基づいて、第2ユーザの資産形成に関する指標値をさらに算出してもよい。かかる評価値は、第2ユーザにより入力された入力情報そのものを用いたシミュレーションにより算出されるため、モデルを用いて算出される評価値(評価スコア)と比較して、より正確な値といえる。したがって、第2ユーザにより入力された入力情報に基づき算出される評価値を「正評価スコア」と表記する。また、提供部136は、正評価スコアに基づく評価結果であって、第2ユーザが資産形成できているか否かが評価された評価結果が所定の態様で表示される第2コンテンツを第2ユーザに提供する。この点について、図8および図10を用いて説明する。
まず、図8において、第1コンテンツであるコンテンツC1−1の配信要求を算出装置100に対して送信した第2ユーザ70が、コンテンツC1−2に遷移し、さらに「設問に回答する」と記載されたボタンB12を押下したとする。かかる場合、ユーザ端末10は、ボタンB12が押下された旨の情報を算出装置100に送信する。例えば、受信部134によってこの情報が受信されると、提供部136は、図10に示すコンテンツPをユーザ端末10に配信する。図10は、設問に対する回答を受け付けるコンテンツPの一例を示す図である。コンテンツPは、資産形成に関する指標値(正評価スコア)を算出するうえで必要となるユーザ情報の入力を設問形式で受け付けるためのコンテンツである。図10の例では、コンテンツPには、子供の人数を入力させるための入力欄、子供の年齢を入力させるための入力欄が含まれる。なお、図10に示される設問は、一例に過ぎず、実際には、例えば、図4に示すような各項目に関する設問に対する入力が求められる。
例えば、第2ユーザ70によってコンテンツPに入力された入力情報が、提供部136によって受信されたとすると、算出部135は、その入力情報に基づいて、第2ユーザ70の資産形成に関する指標値を算出する。例えば、算出部135は、入力情報に基づいて、第2ユーザ70が所定の年齢になった場合における第2ユーザ70の資産を予測し、予測した資産に基づいて、第2ユーザ70に対する正評価スコアを算出する。
例えば、算出部100は、これまで第2ユーザによって入力された入力情報、PFM(Personal Financial Management)連携により取得した個人財務状況、あるいは、所定の機関(例えば、銀行)との連携により取得した個人財務状況を自装置内の記憶部に格納しているものとする。かかる場合、算出部135は、第2ユーザ70により入力された入力情報と、上記のような個人財務状況とに基づいて、例えば、経時変化(年齢経過)に伴う第2ユーザ70の資産をシミュレーションする。そして、算出部135は、65歳時における資産(貯蓄額)の目標額を例えば「3,000万円」とした場合、シミュレーションにより得られた資産額が「3,000万円」に対してどれだけ達成できているかを示すスコアを正評価スコアとして算出する。なお、目標額はファイナンシャルプランナーにおける統計データに基づき算出装置100に対して予め設定されるものであってもよいし、第2ユーザ70によって設定されてもよい。
このようにして、算出部135は、例えば、正評価スコア「75点」を算出したとする。また、第2ユーザ70が「30代男性」であったとすると、算出部100は、全国ランキングとして、これまで、「30代男性」の第2ユーザ(例えば、総数3,800,000人)に対して算出した正評価スコアのうち、何位であるかを算出する。ここでは、算出部135は、第2ユーザ70に対して順位「1,400,000位/3,800,000人中」を算出したとする。
このような状態において、提供部136は、正評価スコアに基づく評価結果であって、第2ユーザ70が資産形成できているか否かが評価された評価結果が所定の態様で表示される第2コンテンツを生成する。例えば、提供部136は、図10に示すように、評価結果として上記の様にして算出された評価スコア「75点」、順位「1,400,000位/3,800,000人中」が表示されるコンテンツC2(第2コンテンツの一例)を生成する。
なお、提供部136は、図10に示すように、第2ユーザ70の収入および支出に基づく資産の移り変わりを示すグラフ(シミュレーション結果)であるシミュレーション情報J21、および、目標額を達成するためのアドバイス情報J22(例えば、月々の貯蓄額)、および、高ランクの人がどのような行動特性を有しているかを示す行動特性情報J23が表示されるようにしてもよい。
また、提供部136は、これらの情報に加えて、入力情報を用いたシミュレーション結果に基づいて、正評価スコアの内訳を示すスコアであるサブスコアも表示されるようにしてもよい。例えば、算出部135は、資産形成につながると考えられる行動にはプラスの値のサブスコアであって、資産形成によりつながり易いと考えられる行動ほど大きなプラス値となるサブスコアをその行動毎に算出する。また、算出部135は、資産形成につながらないと考えられる行動にはマイナスの値のサブスコアであって、資産形成によりつながり難いと考えられる行動ほど大きなマイナス値となるサブスコアをその行動毎に算出する。そして、提供部136は、行動毎に算出されたサブスコアの総計が正評価スコアとなることがわかるように、正評価スコアとサブスコアとが表示されるコンテンツC2を生成する。
このように、実施形態にかかる算出装置100は、上記の実施形態で説明した第1コンテンツ(図8)によって資産形成に対する興味が高められた第2ユーザがより詳細な情報を希望した場合に(ボタンB12押下)、かかる第2ユーザに対して各種情報の入力を求める。そして、算出装置100は、入力された入力情報に基づいて、かかる第2ユーザの資産形成に関する指標値(正評価スコア)を算出し、算出した指標値が表示される第2コンテンツを提示する。これにより、実施形態にかかる算出装置100は、第2ユーザの資産形成に関する現状を提示することができるため、第2ユーザに対して資産形成のための具体的なアクションを起こすよう効果的に誘導することができる。
〔5−2.モデルについて(1)〕
上記の実施形態では、生成部133が、第1行動情報に基づくモデルであって、第2行動情報が入力された場合に、第1行動情報と第2行動情報との相関性を示す指標値を出力するモデルを1つ生成する例を示した。しかし、生成部133は、評価対象の第2ユーザに合わせて、複数のモデルを生成してもよい。例えば、生成部133は、年代に応じたモデルを生成してもよい。また、かかる場合、算出部135は、生成部133により生成されたモデルのうち、第2ユーザの年代に応じたモデルを用いて、第2ユーザに対する評価スコアを算出する。
生成部133は、例えば、年代「30代」に応じたモデルを生成する場合、購買履歴記憶部122、検索履歴記憶部123、決済履歴記憶部124、オークション利用履歴記憶部125に記憶されている行動情報のうち、「30代」の第1ユーザの第1行動情報のみを用いて、モデルを生成する。他の年代についても同様である。また、評価対象の第2ユーザが「30代」である場合、算出部135は、「30代」に対応するモデルに、かかる第2ユーザの第2行動情報を入力することにより、相関スコアを出力する。そして、算出部135は、出力した相関スコアに基づいて、評価スコアを算出する。
これにより、実施形態にかかる算出装置100は、評価スコアをより高い精度で算出することができる。なお、生成部133は、年代ではなく、年収に応じたモデルを生成してもよい。また、かかる場合、算出部135は、生成部133により生成されたモデルのうち、第2ユーザの年収に応じたモデルを用いて、第2ユーザに対する評価スコアを算出する。
生成部133は、例えば、年収「400万円台」に応じたモデルを生成する場合、購買履歴記憶部122、検索履歴記憶部123、決済履歴記憶部124、オークション利用履歴記憶部125に記憶されている行動情報能うち、「400万円台」の第1ユーザの第1行動情報のみを用いて、モデルを生成する。他の年代についても同様である。これにより、実施形態にかかる算出装置100は、評価スコアをより高い精度で算出することができる。
〔5−3.モデルについて(2)〕
上記実施形態では、生成部133が、第1行動情報として、第1ユーザの購買情報、検索情報、オークション利用による落札情報に基づいて、モデルを生成する例を示した。しかし、これらの情報は一例であり、生成部133は、他の行動情報をさらに用いて、モデルを生成してもよい。例えば、生成部133は、第1行動情報として、各種コンテンツ(例えば、記事コンテンツや広告コンテンツ)の閲覧履歴に含まれる行動情報さらに用いて、モデルを生成する。閲覧履歴は、いつ、どのようなコンテンツを閲覧したかといったコンテンツ閲覧行動を示す閲覧情報の履歴データである。
これにより、実施形態にかかる算出装置100は、資産形成のための(資産形成につながる)行動を行う第1ユーザは、どのようなコンテンツを閲覧する傾向にあるか(例えば、第1ユーザはユースをよく見る等)をさらに考慮したモデルを生成することができるため、評価スコアの精度を高めることができる。また、算出装置100は、どのような行動が資産形成につながるかを第2ユーザに提示する場合に、よりバラエティに富んだ行動を提示することができる。
〔5−4.モデルについて(3)〕
また、上記実施形態では、生成部133が、説明変数「x」と、重み係数「ω」とを含む変数を組合せたモデルを生成し、これを機械学習することで、重み係数を導出することを上記(1)を用いて説明した。ここで、生成部133は、導出した重み係数のうち、所定の第1行動情報に基づく学習により導出した重み係数には、さらに所定の重み付けを行ってもよい。
例えば、セール時に商品を買うようにしている人は、生活費を節約することができると考えられる。したがって、「セール時に商品を購入する」といった購買情報は、資産形成により繋がり易い行動といえる。かかる場合、上記式(1)の例を用いると、生成部133は、「第1ユーザ601〜603は「セール時」に「商品」を購入した」とする説明変数「x3」に対応する重み係数「ω3」に、さらに所定の重み付けを行う。例えば、生成部133は、重み係数「ω3」に対して「1.2」を乗じる。なお、かかる処理は、説明変数「x3」に対応する重み係数の値を、機械学習により導出されたときの値よりも動的に大きくするものである。
なお、上記のように重み係数をより大きくする処理は、「セール時に商品を購入する」といった購買情報以外の他の購買情報に対しても行われてよいことはいうまでもない。例えば、まとめ買いをするようにしている人は、生活費を節約することができると考えられる。したがって、「まとめ買いをする」といった購買情報は、資産形成により繋がり易い行動といえる。かかる場合、生成部133は、「第1ユーザ601〜603は「まとめ買いをした」とする説明変数に対応する重み係数に、さらに所定の重み付けを行う。
これにより、実施形態にかかる算出装置100は、資産形成により繋がり易い行動の影響を強く反映したモデルを生成することができるため、結果的に評価スコアの精度を高めることができる。
〔6.ハードウェア構成〕
また、上述してきた実施形態にかかる算出装置100は、例えば図11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11は、算出装置100の機能を実現するコンピュータ1000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又は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、および、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、通信網50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、通信網50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又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が実施形態にかかる算出装置100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130の機能を実現する。また、HDD1400には、記憶部120内のデータが格納される。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、通信網50を介してこれらのプログラムを取得してもよい。
〔7.その他〕
上記実施形態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。
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、上述してきた各実施形態は、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。
〔8.効果〕
実施形態にかかる算出装置100は、取得部131と、算出部135とを有する。取得部131は、ユーザの行動を示す行動情報を取得する。算出部135は、取得部131により行動情報が取得されたユーザのうち資産形成に関する金融活動に基づいて定められたユーザである第1ユーザの行動を示す第1行動情報と、評価対象のユーザである第2ユーザの行動を示す第2行動情報とに基づいて、第2ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置100は、第1ユーザと比較して、第2ユーザが資産形成できているか否かを客観的に評価する値である評価スコアを算出することができる。また、算出装置100は、評価スコアを算出することにより、例えば、評価スコアが表示されるコンテンツを提供することができるため、第2ユーザに対して、資産形成のためのアクションを起こさなければならないといった行動意欲をより高めることができる。
また、算出部135は、第1ユーザとして、投資に関する行動を行っているユーザ、投資に関する知識を有しているユーザ、または、所定額以上の資産を保有しているユーザの行動を示す第1行動情報と、第2行動情報とに基づいて、第2ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置100は、資産形成能力が高いと考えられる第1ユーザと比較して、第2ユーザが資産形成できているか否かを客観的に評価する値である評価スコアを算出することができる。
また、算出部135は、第1行動情報に基づいて生成されるモデルであって、第2行動情報が入力された場合に、第1行動情報と前記第2行動情報との相関性を示す指標値を出力するモデルを用いて、第2ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置100は、例えば、「資産形成のための(資産形成につながる)行動を行った」という事象を発生させる要因となった情報を高い精度で推定することができる。また、算出装置100は、第2行動情報が第1行動情報にどのくらい類似した傾向を有するか、といった関連性を示す値を算出することができる。
また、算出部135は、第1行動情報のうち、第1ユーザとの相関性がより高い第1行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習されたモデルを用いて、前記第2ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置100は、第2行動情報が第1行動情報に類似しているほど、第2ユーザの資産形成に関する指標値を高い値で算出することができるため、かかる指標値が提示された第2ユーザに対して、資産形成につながる行動ができているかを容易に認識させることができる。
また、算出部135は、第1行動情報として第1ユーザの購買履歴に含まれる行動情報のうち、第1ユーザとの相関性がより高い行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習されたモデルを用いて、第2ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置100は、第1行動情報によって示される購買行動に第2ユーザの購買行動が類似しているほど、第2ユーザの資産形成に関する指標値を高い値で算出することができるため、かかる指標値が提示された第2ユーザに対して、資産形成につながる購買行動ができているかを容易に認識させることができる。
また、算出部135は、第1行動情報として第1ユーザの検索履歴に含まれる行動情報のうち、第1ユーザとの相関性がより高い行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習されたモデルを用いて、第2ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置100は、第1行動情報によって示される検索行動に第2ユーザの検索行動が類似しているほど、第2ユーザの資産形成に関する指標値を高い値で算出することができるため、かかる指標値が提示された第2ユーザに対して、資産形成につながる検索行動ができているかを認識させることができる。
また、算出部135は、第1行動情報として第1ユーザの決済履歴に含まれる行動情報のうち、第1ユーザとの相関性がより高い行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習されたモデルを用いて、第2ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置100は、例えば、第1行動情報によって示されるクレジットカード利用状況に第2ユーザのクレジットカード利用状況が類似しているほど、第2ユーザの資産形成に関する指標値を高い値で算出することができるため、かかる指標値が提示された第2ユーザに対して、資産形成につながるクレジットカード利用ができているかを認識させることができる。
また、算出部135は、第1行動情報として第1ユーザのオークション利用履歴に含まれる行動情報のうち、第1ユーザとの相関性がより高い行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習されたモデルを用いて、第2ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置100は、第1行動情報によって示される落札状況に第2ユーザの落札状況が類似しているほど、第2ユーザの資産形成に関する指標値を高い値で算出することができるため、かかる指標値が提示された第2ユーザに対して、資産形成につながるオークション利用ができているかを認識させることができる。
また、算出部135は、重み係数のうち、所定の第1行動情報に基づき学習された重み係数には、さらに所定の重み付けがされるモデルを用いて、第2ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置100は、資産形成により繋がり易い行動の影響を強く反映したモデルを生成することができるため、結果的に指標値の精度を高めることができる。
また、算出部135は、モデルのうち、第2ユーザの年代に応じたモデルを用いて、第2ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置100は、指標値をより高い精度で算出することができる。
また、算出部135は、モデルのうち、第2ユーザの年収に応じたモデルに用いて、第2ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置100は、指標値をより高い精度で算出することができる。
また、実施形態にかかる算出装置100は、提供部136を有する。提供部136は、算出部135により算出された指標値に基づく評価結果であって、第2ユーザが資産形成できているか否かが評価された評価結果が所定の態様で表示される第1コンテンツを第2ユーザに提供する。
これにより、実施形態にかかる算出装置100は、第2ユーザに対して資産形成のためのアクションを起こさせる「気づき」を与えることができる。
また、算出部135は、第1コンテンツを提供された第2ユーザにより入力された入力情報に基づいて、第2ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置100は、第2ユーザの資産形成に関する現状を提示することができるため、第2ユーザに対して資産形成のための具体的なアクションを起こすよう効果的に誘導することができる。
また、算出部135は、入力情報に基づいて、第2ユーザが所定の年齢になった場合における第2ユーザの資産を予測し、予測した資産に基づいて、第2ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置100は、第2ユーザ本人の入力情報を用いるため、モデルを用いた場合よりも精度の高い指標値を算出することができる。
また、提供部136は、指標値に基づく評価結果であって、第2ユーザが資産形成できているか否かが評価された評価結果が所定の態様で表示される第2コンテンツを第2ユーザに提供する。
これにより、実施形態にかかる算出装置100は、第2ユーザの資産形成に関する現状を提示することができるため、第2ユーザに対して資産形成のための具体的なアクションを起こすよう効果的に誘導することができる。
以上、本願の実施形態をいくつかの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。
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。