JP2020071680A - 予測装置、予測方法、及び予測プログラム - Google Patents

Abstract

【課題】債務が回収できない事態をできるだけ未然に防止すること。【解決手段】本願に係る予測装置は、事後決済対象となる対象利用者に関するユーザ情報を取得する取得部と、債務整理を行った債務整理者に関するユーザ情報の特徴を学習した予測モデルを用いて、前記対象利用者のユーザ情報から、前記対象利用者により債務整理が行われる可能性を予測する予測部とを備えることを特徴とする。【選択図】図３

Description

本出願は、予測装置、予測方法、及び予測プログラムに関する。

従来、インターネットを介したサービスの提供が盛んに行われている。たとえば金融業界においてローン設定の際のリスク評価を行うシステムなども提案されている。

特開２００５−１７４３６２号公報

ところで、近年、事後払いの決済手段であるクレジットカードの利用代金を未払いのままで債務整理を行うクレジットカードの利用者が存在する。このため、カード会社は利用代金を完全に回収することが難しくなっているという問題がある。

本願は、上記に鑑みてなされたものであって、債務が回収できない事態をできるだけ未然に防止することを目的とする。

本願に係る予測装置は、事後決済対象となる対象利用者に関するユーザ情報を取得する取得部と、債務整理を行った債務整理者に関するユーザ情報の特徴を学習した予測モデルを用いて、前記対象利用者のユーザ情報から、前記対象利用者により債務整理が行われる可能性を予測する予測部とを備えることを特徴とする。

実施形態の態様の１つによれば、債務が回収できない事態をできるだけ未然に防止できるという効果を奏する。

図１は、実施形態に係る予測方法の説明図である。 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、学習用データ格納部に記憶される学習用データを概念的に示す図である。 図５は、実施形態に係る学習用データの設定期間の一例を示す図である。 図６は、カード情報格納部に記憶されるカード情報を概念的に示す図である。 図７は、実施形態に係る取得部により取得されるユーザ情報の一例を示す図である。 図８は、実施形態に係る情報処理装置が実行する処理手順の一例を示すフローチャートである。 図９は、情報処理装置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。

以下に、本願に係る予測装置、予測方法、及び予測プログラム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詳細に説明する。なお、以下に説明する複数の実施形態により本願に係る予測装置、予測方法、及び予測プログラムが限定されるものではない。また、以下に説明する複数の実施形態は、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。また、以下に説明する複数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．予測方法］
図１は、実施形態に係る予測方法の説明図である。実施形態に係る予測方法は、本願に係る予測装置の一つとして例示する情報処理装置１により実行される。以下、図１を参照して、実施形態に係る予測方法について説明する。

図１に示すように、実施形態に係る情報処理システムＳは、情報処理装置１と、サービス提供装置２−１〜２−ｎと、端末装置３−１〜３−ｎとを含む。情報処理装置１は、インターネットなどの通信ネットワークに接続されており、通信ネットワークを介して、サービス提供装置２−１〜２−ｎと通信可能である。以下の説明においては、説明の便宜上、サービス提供装置２−１〜２−ｎを特に区別することなくサービス提供装置２と表記し、端末装置３−１〜３−ｎを特に区別することなく端末装置３と表記し、端末装置３−１〜３−ｎのユーザを端末ユーザと表記する場合がある。

端末装置３は端末ユーザが所有する装置である。端末装置３はインターネットなどの通信ネットワークに接続されており、通信ネットワークを介して、サービス提供装置２と通信可能である。端末ユーザは、端末装置３を操作してサービス提供装置２へアクセスすることで、通信ネットワークを介して、サービス提供装置２により提供されるサービスを利用できる。

図１に示す場合おいて、端末ユーザは、サービス提供装置２から提供されるサービスを利用する際のユーザＩＤとして、たとえば「Ｕ０１」が割り当てられている。端末装置３−１のユーザＵ_１は、たとえば事後決済手段の一例であるクレジットカードＣ１を所有し、クレジットカードの事後決済サービスの利用者の中で事後決済対象となる対象利用者となり得る。

サービス提供装置２は、通信ネットワークを介して、端末ユーザに各種サービスを提供するサーバ装置である。サービス提供装置２が提供するサービスは、たとえば端末ユーザが端末装置３にインストールされた各種アプリケーションを介して利用可能なサービスや、ブラウザを介して利用可能なサービスを含む。サービス提供装置２が提供するサービスを例示すると、たとえばニュース提供サービス、オークションサービス、動画コンテンツ配信サービス、クレジットカードのオンラインサービス、情報検索サービス、天気予報サービス、ショッピングサービス、金融取引（株取引等）サービス、路線検索サービス、地図提供サービス、旅行サービス、飲食店紹介サービス、ブログサービス等がある。

また、サービス提供装置２は、サービスを利用する端末ユーザごとに、端末ユーザに一意に割り当てられるユーザＩＤに紐付けて、端末ユーザによるサービスの利用状況や端末ユーザの属性などのユーザ情報を記録して管理する。

サービス提供装置２により管理されるサービスの利用状況は、たとえばニュース提供サービス、オークションサービス、動画コンテンツ配信サービス、クレジットカードのオンラインサービス、情報検索サービス、天気予報サービス、ショッピングサービス、金融取引（株取引等）サービス、路線検索サービス、地図提供サービス、旅行サービス、飲食店紹介サービス、ブログサービス等の利用状況を含む。端末ユーザによるサービスの利用状況は、端末ユーザがサービスの利用時の行動を表わす行動履歴ともいえる。端末ユーザによるサービスの利用状況は、端末ユーザが事後決済対象となる対象利用者であれば、対象利用者のサービスの利用状況と言い換えることができる。

サービス提供装置２により管理される端末ユーザの属性は、デモグラフィック属性およびサイコグラフィック属性を含む。デモグラフィック属性は、端末ユーザの性別や年齢、住所などの人口統計学的な情報である。サイコグラフィック属性は、端末ユーザのライフサイクル、価値観、個性、購買動機等、端末ユーザの様々な属性を包括することで推定される情報である。端末ユーザの属性は、端末ユーザが事後決済対象となる対象利用者であれば、対象利用者の属性と言い換えることができる。

サービス提供装置２−１〜２−ｎにより提供される全てのサービスは、端末ユーザごとに割り当てられた１つのユーザＩＤに紐付けられる。サービス提供装置２は、情報処理装置１からの要求に応じて、事後決済対象となる対象利用者のユーザ情報（サービスの利用状況および属性）を情報処理装置１に提供できる。

ところで、近年、事後払いの決済手段であるクレジットカードの利用代金を未払いのままで債務整理を行う利用者が存在することを原因として、カード会社は利用代金を完全に回収することが難しくなっている現状に鑑み、クレジットカードなどを所有する事後決済対象の対象利用者により、債務整理が行われる可能性を予測したいという要請がある。そこで、情報処理装置１は、図１に示す予測方法を実施する。

すなわち、かかる情報処理装置１は、債務整理を行った債務整理者のユーザ情報の特徴を学習した予測モデルを生成する（ステップＳ１）。たとえば情報処理装置１は、サービス提供装置２から収集されるユーザ情報と、当該ユーザ情報に紐づく端末ユーザにより債務整理が行われたか否かを示す情報とを対応付けた学習データを用いた機械学習により、予測モデルを生成できる。ユーザ情報には、上述したように、サービスの利用状況（行動履歴）及び属性が含まれる。この機械学習により、債務整理者のサービスの利用状況（行動履歴）および属性の特徴が学習される。

たとえば情報処理装置１により生成され、予測モデル格納部に記憶される予測モデルは、以下に示す式（１）で表すことができる。

ｙ ＝ Σｗ_ｎｘ_ｎ … （１）

上記の式（１）の左辺の変数「ｙ」は予測モデルの目的変数（従属変数）を示す。予測モデルは、変数「ｙ」に対応する出力値（スコア）として、対象利用者により債務整理が行われる可能性を予測するための予測情報（予測値）を出力する。変数「ｙ」に対応する出力値（予測情報）は、たとえば「０〜１」の値を取り、出力値（予測情報）が「１」に近い程、対象利用者により債務整理が行われる可能性が高いことを示し、出力値（予測値）が「０」に近い程、対象利用者により債務整理が行われる可能性が低いことを示す。なお、変数「ｙ」に対応する出力値（予測値）は、「０〜１」の値に限らず、「−１〜１」の値等、種々の範囲の値であってもよい。

また、上記の式（１）の右辺の変数「ｘ_ｎ」は予測モデルの説明変数（被従属変数、特徴量）を示す。上記の式（１）の右辺の変数「ｗ_ｎ」は、変数「ｘ_ｎ」に対応する重みを示す。また、変数「ｎ」は、たとえば１以上の任意の自然数であり、予測モデルに用いられる説明変数の数に対応する値となる。たとえば予測モデルに用いられる説明変数が４つである場合、変数「ｎ」は、「１」〜「４」の値（自然数）となる。上記の式（１）を展開すると、以下の式（２）となる。

ｙ＝ω_１・ｘ_１＋ω_２・ｘ_２＋・・・＋ω_ｎ・ｘ_ｎ ・・・（２）

上記の式（２）において、「ｘ_１」や「ｘ_２」などの説明変数として、対象利用者のサービスの利用状況から抽出可能な各種情報および対象利用者の属性のうちの少なくとも一方を適用できる。サービスの利用状況から抽出可能な各種情報は、たとえばオークション落札回数、コンテンツ購入回数、ショッピング購入回数、カード決済回数、特定の検索クエリによる検索回数、特定の広告コンテンツの閲覧回数などの対象利用者の行動履歴を含む。特定の検索クエリとして、債務整理に関するワードなどが例示される。特定の広告コンテンツとして、債務整理に関する手続を代理する法的サービスに関する広告が例示される。対象利用者の属性は、上述したように、デモグラフィック属性およびサイコグラフィック属性を含む。

予測モデル格納部に記憶される予測モデルは、対象利用者に関するユーザ情報（サービスの利用状況及び属性）と、対象利用者により債務整理が行われたか否かを示す情報（正解情報）とが対応付けられた学習データを用いて、予測モデルから出力される予測情報（予測値）が正解情報に近づくように「ｘ_ｎ」に対応する重み「ｗ_ｎ」を最適化する学習処理によって生成される。たとえば債務整理が行われたことを示す値として「１」が正解情報として与えられるとき、変数「ｙ」に対応する出力値ができるだけ「１」に近づくような変数「ｘ_ｎ」に対応する重み「ｗ_ｎ」を求めるための学習処理を行う。また、たとえば債務整理が行われなかったことを示す値として「０」が正解情報として与えられるとき、変数「ｙ」に対応する出力値ができるだけ「０」に近づくような変数「ｘ_ｎ」に対応する重み「ｗ_ｎ」を求めるための学習処理を行う。

なお、情報処理装置１は、月に１回以上カードを利用している前記対象利用者に関するユーザ情報を用いて学習モデルを生成してもよいし、クレジットカードの利用可能枠を増枠した対象利用者に関するユーザ情報を用いて学習モデルを生成してもよい。

情報処理装置１は、カード情報格納部から、事後決済対象である対象利用者に対応するユーザＩＤを取得し、取得したユーザＩＤに紐づくユーザ情報の提供をサービス提供装置２に要求する（ステップＳ２）。情報処理装置１は、たとえばクレジットカードを所有する全ての端末ユーザを事後決済対象である対象利用者として選択できる。

サービス提供装置２は、情報処理装置１の要求に含まれるユーザＩＤに基づいて、ユーザＩＤに紐づくサービスの利用状況および属性をユーザ情報として取得し、取得したサービスの利用状況および属性をユーザ情報として情報処理装置１に提供する（ステップＳ３）。

情報処理装置１は、予測モデル格納部に記憶される予測モデルを用いて、サービス提供装置２から提供されるユーザ情報（サービスの利用状況及び属性）から、対象利用者により債務整理が行われる可能性を予測する（ステップＳ４）。たとえば情報処理装置１は、対象利用者のサービスの利用状況から抽出可能な各種情報および対象利用者の属性を予測モデルに入力し、予測モデルから出力される予測情報に基づいて、対象利用者により債務整理が行われる可能性を予測できる。

このように、情報処理装置１は、事後決済対象である対象利用者により債務整理が行われる可能性を予測できる。

［２．システム構成］
図２は、実施形態に係る情報処理システムＳ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Ｓは、情報処理装置１と、複数のサービス提供装置２−１〜２−ｎと、複数の端末装置３−１〜３−ｎとを含む。

これらの各種装置は、通信ネットワークＮを介して、有線または無線により通信可能に接続される。通信ネットワークＮは、たとえば、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、電話網（携帯電話網、固定電話網等）、地域ＩＰ（Internet Protocol）網、インターネット等である。通信ネットワークＮの接続形態は、無線であるか、または有線であるか、あるいは有線および無線の組合せであるかを問わない。

端末装置３（３−１〜３−ｎ）は、上述したように、サービス提供装置２（２−１〜２−ｎ）により提供されるサービスを利用する端末ユーザによって利用される装置である。端末装置３は、例えば、スマートフォンを含む携帯電話機、タブレット端末、デスクトップ型ＰＣ、ノート型ＰＣ、並びにＰＤＡ（Personal Digital Assistant）等の端末装置である。端末装置３には、眼鏡型や時計型の情報処理端末であるウェアラブルデバイス（wearable device）も含まれる。

端末装置３は、端末ユーザによる操作に応じて、サービス提供装置２から提供される各種サービスを利用するための各種機能を備える。これらの各種機能には、通信ネットワークＮを介してデータ通信を実行する機能、サービス提供装置２から提供される各種サービスを利用するためのアプリケーションにより実現される機能、並びにブラウザ機能を含む。端末装置３は、サービス提供装置２に対してサービスの提供を受けるために、通信ネットワークＮを介して、サービス提供装置２にアクセスできる。端末ユーザには、事後決済手段の一例であるクレジットカードの所有者が含まれる。

サービス提供装置２は、上述したように、通信ネットワークＮを通じて、各種サービスを端末ユーザへ提供するサーバ装置である。サービス提供装置２は、端末装置３に各種サービスを提供する機能や、情報処理装置１に対して端末ユーザのサービスの利用状況および属性を提供する機能を備える。

サービス提供装置２は、端末装置３からのアクセスを受け付けると、通信ネットワークＮを介して、各種サービスを提供する。サービス提供装置２により提供される各種サービスを例示すると、たとえば端末装置３に配信するウェブページを介して、ニュース提供サービス、オークションサービス、動画コンテンツ配信サービス、クレジットカードのオンラインサービス、情報検索サービス、天気予報サービス、ショッピングサービス、金融取引（株取引等）サービス、路線検索サービス、地図提供サービス、旅行サービス、飲食店紹介サービス、ブログサービス等がある。

サービス提供装置２は、たとえばオークションサービスの提供に伴い、オークションサイトを利用する端末ユーザの出品履歴や落札履歴（落札回数を含む）などの情報を記録して保存できる。また、サービス提供装置２は、動画などのコンテンツの配信サービスの提供に伴い、配信サービスを利用する端末ユーザのコンテンツ視聴履歴や購入履歴（コンテンツ購入回数を含む）などの情報を記録して保存できる。

また、サービス提供装置２は、電子商取引サービスの提供に伴い、電子商取引を利用するユーザの注文履歴（ショッピング購入回数を含む）などの情報を記録して保存できる。また、サービス提供装置２は、クレジットカードのオンラインサービスの提供に伴い、クレジットカードのオンラインサービスを利用するユーザの決済履歴などの情報（決済回数や公共料金などの各種料金の支払い履歴を含む）を記録して保存できる。

また、サービス提供装置２は、たとえばブラウザ機能により表示可能なニュース提供サイトのウェブページに含まれる広告コンテンツの閲覧履歴などの情報などを記録して保存できる。閲覧履歴は、債務整理に関する手続を代理する法的サービスに関する広告などの特定のコンテンツの閲覧回数を含む。また、サービス提供装置２は、旅行などのオンライン予約サービスの提供に伴い、旅行などのオンライン予約サービスを利用する端末ユーザの予約履歴などを記録して保存できる。

また、サービス提供装置２は、情報検索サービスの提供に伴い、端末ユーザの検索履歴などの情報を記録して保存できる。検索履歴は、債務整理に関するワードなどの特定の検索クエリによる検索回数を含む。

また、サービス提供装置２は、端末装置３へのサービスの提供に際し、端末ユーザごとに、端末ユーザによる各種サービスについての利用状況、すなわち端末ユーザのサービス利用時の行動履歴を記録して管理する。サービス提供装置２は、端末ユーザに一意に割り当てるユーザＩＤに紐付けて、端末ユーザによるサービスの利用状況を保存する。サービス提供装置２−１〜２−ｎは、それぞれ、端末ユーザごとに割り当てる１つのユーザＩＤに紐付けてサービスの利用状況を保存する。サービス提供装置２は、端末ユーザによるサービスの利用状況を情報処理装置１に提供できる。情報処理装置１は、ユーザＩＤを指定することにより、サービス提供装置２により保存されている全てのサービスの利用状況を取得できる。

また、サービス提供装置２は、端末ユーザごとに、端末ユーザの属性であるデモグラフィック属性およびサイコグラフィック属性を管理する。デモグラフィック属性は、端末ユーザの性別や年齢、住所などの人口統計学的な情報である。サイコグラフィック属性は、端末ユーザのライフサイクル、価値観、個性、購買動機等、端末ユーザの様々な属性を包括することで推定される情報である。サービス提供装置２は、端末ユーザに対する各種サービスの提供を通じて、端末ユーザのサービスの利用状況（行動履歴）に基づく情報を解析し、解析結果を端末ユーザごとに端末ユーザの属性として記録できる。

［３．情報処理装置］
図３は、実施形態に係る情報処理装置１の構成例を示すブロック図である。図３に示すように、実施形態に係る情報処理装置１は、上述したように、事後決済対象となる対象利用者により債務整理が行われる可能性を予測する装置であり、デスクトップ型ＰＣやノート型ＰＣなどパーソナルコンピュータ、並びサーバなどの情報処理装置である。情報処理装置１は、クレジットカードのオンラインサービスを提供するサービス提供装置２を管理する装置であってもよい。

かかる情報処理装置１は、通信部１１と、記憶部１２と、制御部１３とを備える。なお、図示は省略するが、情報処理装置１を利用する管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）などを備えてよい。

（通信部１１）
通信部１１は、例えば、通信ネットワークＮに通信可能に接続された装置との間で通信するＮＩＣ（Network Interface Card）等のインターフェイスである。制御部１３は、通信部１１を介して、サービス提供装置２などとの間で各種の情報を送受信する。

（記憶部１２）
記憶部１２は、学習用データ格納部２１と、カード情報格納部２２と、予測モデル格納部２３とを備える。記憶部１２は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）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。

（学習用データ格納部２１）
学習用データ格納部２１は、予測モデルを生成するための学習用データ２１０を記憶する。図４は、学習用データ格納部２１に記憶される学習用データ２１０を概念的に示す図である。学習用データ格納部２１に記憶される学習用データ２１０は、予測モデルを構築するユーザによって予め用意される。

図４に示すように、学習用データ２１０は、たとえば、データＩＤ、サービスの利用状況、属性、債務整理の有無などの項目に対応する情報を含み、これらの情報は互いに対応付けられている。学習用データ２１０の構成する情報は、それぞれ、端末ユーザのユーザ情報から抽出される。データＩＤは、データごとに一意に付与される識別情報である。

サービスの利用状況は、落札回数、購入回数、決済回数、検索回数、閲覧回数などの情報を含む。落札回数は、たとえばオークションサイトでの落札回数である。購入回数は、たとえばショッピングサイトでの購入回数である。決済回数は、クレジットカードの決済回数である。検索回数は、情報検索サービスの検索履歴に記録された特定の検索クエリの検索回数である。特定の検索クエリは、任意整理や自己破産などの債務整理に関する検索クエリである。閲覧回数は、特定の広告の閲覧回数である。特定の広告は、債務整理に関する手続を代理する法的サービスに関する広告である。属性は、デモグラフィック属性およびサイコグラフィック属性のうちの少なくとも一方に含まれる情報である。サービスの利用状況および属性は、サービス提供装置２から収集できる。

債務整理の有無は、たとえばクレジットカードの所有者である端末ユーザにより、情報処理装置１が設定する所定期間内に債務整理が行われたか否かを示す情報である。債務整理が行われたか否かを示す情報は、クレジットカードの所有者である端末ユーザにより任意整理や自己破産の手続きを受任した弁護士或いは司法書士からの受任通知を受領したか否かに基づいて設定できる。図４に示す学習用データ２１０は一例に過ぎず、学習用データ２１０に含める情報は、予測モデルを構築するユーザによって任意に選択できる。

学習用データ２１０は、たとえばカード利用代金の引き落とし日間の１か月間に記録されたユーザ情報と、後の引き落とし日から１年６か月が経過するまでの間に債務整理が行われたか否かの情報とで構成できる。図５は、実施形態に係る学習用データ２１０の設定期間の一例を示す図である。たとえばカード利用代金の引き落とし日が毎月２５日であると仮定する。この場合、学習用データ２１０として、図５に示すように、たとえば「２０１７年１月２５日から２０１７年２月２５日」の期間におけるユーザ情報と、当該ユーザ情報に紐づく端末ユーザについて「２０１７年２月２５日から２０１８年８月２５日」の１年６か月間に債務整理が行われたか否かの情報とで構成できる。図５に示す設定期間は一例であり、カード利用代金の引き落とし日間の１か月間に特に限定される必要はなく、予測モデルの作成方針によって任意の期間を設定できる。たとえば、１日〜末日までの１か月間のユーザ情報と、当該ユーザ情報に紐づく端末ユーザにより末日から１年６か月間に債務整理が行われたか否かを示す情報とを対応付けた学習用データ２１０を構成できる。また、債務整理が行われたか否かを示す情報も、後の引き落とし日あるいは末日から１年６か月が経過するまでの間の情報に特に限定される必要はなく、予測モデルの作成方針によって任意の期間を設定できる。

また、学習用データ２１０は、予測モデルを生成するためのユーザ情報として、月に１回以上カードを利用している端末ユーザのサービスの利用状況および属性に基づく情報のうちの少なくとも一方を採用してもよい。月の１回以上のカードを利用しているか否かの判定は、過去の所定期間のカード利用回数の平均値を採用できる。

また、学習用データ２１０は、予測モデルを生成するためのユーザ情報として、カードの利用可能枠を増枠した端末ユーザのサービスの利用状況および属性に基づく情報のうちの少なくとも一方を採用してもよい。

また、学習用データ２１０は、予測モデルを生成するためのユーザ情報として、未払いのカード利用代金（未払い残高）がある端末ユーザのサービスの利用状況および属性に基づく情報のうちの少なくとも一方を採用してもよい。あるいは、学習用データ２１０は、予測モデルを生成するためのユーザ情報として、未払いのカード利用代金（未払い残高）が一定の金額を超えている端末ユーザのサービスの利用状況および属性に基づく情報のうちの少なくとも一方を採用してもよい。

（カード情報格納部２２）
カード情報格納部２２は、事後決済手段であるクレジットカードの所有者に関するカード情報２２０を記憶する。図６は、カード情報格納部２２に記憶されるカード情報２２０を概念的に示す図である。

図６に示すように、カード情報２２０は、たとえばユーザＩＤ、氏名、期間、利用金額、繰越金額、利用可能枠、支払日、請求確定日、及び返済方法などの項目に対応する情報を含み、これらの情報は互いに対応付けられている。カード情報２２０に含まれるユーザＩＤは、クレジットカードの所有者である端末ユーザに一意に割り当てられる。かかるユーザＩＤは、端末ユーザがサービス提供装置２からサービスの提供を受ける際に割り当てられたユーザＩＤと同一のＩＤであってもよい。この場合、情報処理装置１の管理者は、サービス提供装置２からクレジットカードの所有者である端末ユーザのユーザＩＤを予め取得して、取得したユーザＩＤをカード情報２２０に紐付けて登録しておく。なお、カード情報２２０に含まれるユーザＩＤとして、端末ユーザがサービス提供装置２からサービスの提供を受ける際に割り当てられたユーザＩＤに連携される連携ＩＤなどを用いてもよい。

カード情報２２０に含まれる氏名はクレジットカードを所有する名義人の名前である。カード情報２２０に含まれる期間は、たとえばカードの利用期間に対応し、通常、前回のカード引き落とし日から次のカード引き落とし日までの期間に対応する。カード情報２２０に含まれる利用金額は、現時点でのカードの利用代金に対応する。カード情報２２０に含まれる繰越金額は、前回のカード利用料金の引き落とし日に清算されなかったカードの利用代金に対応する。カード情報２２０に含まれる利用可能枠は、カードによる決済が可能な上限の金額に対応する。カード情報２２０に含まれる支払日はカードの利用代金の引き落とし日に対応する。カード情報２２０に含まれる返済方法はカードの利用代金の返済方法に対応する。

（予測モデル格納部２３）
予測モデル格納部２３は、事後決済対象となる対象利用者により債務整理が行われる可能性を予測するための予測モデルの情報を記憶する。予測モデル格納部２３に記憶される予測モデルの情報は予め生成されてもよいし、債務整理の可能性の予測に先駆けて生成されてもよい。また、予測モデル格納部２３は、生成部３１により生成された予測モデルの情報を記憶してもよいし、サービス提供装置２などの他の装置により生成された予測モデルの情報を取得して記憶してもよい。たとえば図４および図５に示す学習用データ２１０を用いて作成された予測モデルであれば、直近に実施されたカードの利用代金の引き落とし日間の１か月間のユーザ情報から、直近に実施されたカードの利用代金の引き落とし日間の１か月間を構成する後のカード引き落とし日から１年６か月以内に債務整理が行われる可能性を予測できる。予測モデル格納部２３に記憶される予測モデルは、上記式（１）で表すことができる。

また、予測モデル格納部２３に記憶される予測モデルは、月に１回以上カードを利用しているクレジットカードの所有者である端末ユーザのサービスの利用状況および属性に基づく情報のうちの少なくとも一方を用いて生成されてもよい。月の１回以上のカードを利用しているか否かの判定は、過去の所定期間のカード利用回数の平均値を採用できる。

また、予測モデル格納部２３に記憶される予測モデルは、カードの利用可能枠を増枠したクレジットカードの所有者である端末ユーザのサービスの利用状況および属性に基づく情報のうちの少なくとも一方を用いて生成されてもよい。

予測モデル格納部２３に記憶される予測モデルは、未払いのカード利用代金（未払い残高）があるクレジットカードの所有者である端末ユーザのサービスの利用状況および属性に基づく情報のうちの少なくとも一方をもちいて生成されてもよい。あるいは、予測モデル格納部２３に記憶される予測モデルは、未払い残高が一定の金額を超えているクレジットカードの所有者である端末ユーザのサービスの利用状況および属性に基づく情報のうちの少なくとも一方を用いて生成されてもよい。

なお、予測モデル格納部２３に記憶される予測モデルは、機械学習に関する任意の公知技術を用いて生成されてよい。予測モデル格納部２３に記憶される予測モデルは、線形回帰や非線形回帰等の機械学習に関する技術やＳＶＭ（Support Vector Machine）、その他の機械学習法を用いて生成されてよい。また、予測モデル格納部２３に記憶される予測モデルは、深層学習（ディープラーニング）の技術を用いて生成されてもよい。深層学習の技術は、たとえばＤＮＮ（Deep Neural Network）、ＲＮＮ（Recurrent Neural Network）、及びＣＮＮ（Convolutional Neural Network）等の種々のディープラーニングの技術を含む。

（制御部１３）
制御部１３は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置１内部の記憶装置に記憶されている各種プログラム（推定プログラムの一例に相当）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１３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。

制御部１３は、生成部３１と、取得部３２と、予測部３３とを備え、以下に説明する情報処理装置１の処理機能や作用を実現または実行する。なお、制御部１３の内部構成は、図３に示した構成に限られず、後述する処理を実現または実行可能な構成であれば他の構成であってもよい。

（生成部３１）
生成部３１は、学習用データ格納部２１に記憶されている学習用データ２１０を用いて、事後決済対象となる対象利用者により債務整理が行われる可能性を予測するための予測モデルを生成する。生成部３１は、予め用意された学習用データ格納部２１に記憶される学習用データ２１０を用いた機械学習により生成される。生成部３１は、生成した予測モデルを予測モデル格納部２３に記憶させる。

（取得部３２）
取得部３２は、事後決済対象である対象利用者のユーザ情報を取得する。取得部３２は、カード情報格納部２２に記憶されているカード情報２２０に基づいて、事後決済対象である対象利用者の中から、予め予測候補とする対象利用者を選択できる。たとえば取得部３２は、予測候補とする対象利用者として、クレジットカードの所有者の全てを選択してもよいし、クレジットカードの所有者の中から未払いのカード利用代金（未払い残高）がある所有者を選択してもよい。

取得部３２は、予測候補として選択した対象利用者のユーザ情報（サービスの利用状況及び属性）をサービス提供装置２から取得する。たとえば取得部３２は、予測候補として選択した対象利用者のユーザＩＤを取得し、取得したユーザＩＤに紐づくユーザ情報の提供をサービス提供装置２に要求することにより、サービス提供装置２からユーザ情報を取得する。

図７は、実施形態に係る取得部３２により取得されるユーザ情報の一例を示す図である。図７に示すように、取得部３２は、たとえば債務整理の予測候補として選択したユーザについて、ユーザＩＤ、氏名、サービスの利用状況、及び属性をユーザ情報として取得できる。取得部３２は、たとえばサービスの利用状況として、直近のカードの利用代金の引き落とし日間の１か月間である２０１８年９月２５日から２０１８年１０月２５日までの情報を取得できる。

また、取得部３２が取得するユーザ情報の記録期間は、直近のカードの利用代金の引き落とし日間の１か月間である場合に特に限定される必要はなく、予測モデルを作成する際の学習用データに対応する期間に応じて、任意の期間を設定できる。たとえば１日から末日までの１か月間のユーザ情報と、債務整理が行われたか否かを示す情報とを対応付けた学習用データを用いた機械学習により予測モデルが生成された場合、取得部３２は、対象利用者の１日から末日までに記録されたユーザ情報を取得すればよい。

（予測部３３）
予測部３３は、予測モデル格納部２３に記憶される予測モデルを用いて、事後決済対象である対象利用者のユーザ情報から、債務整理が行われる可能性を予測する。予測部３３は、たとえば２０１８年１０月２５日から１年６か月が経過するまでの間に、対象利用者により債務整理が行われる可能性を予測する。

すなわち予測部３３は、上記式（１）に示す予測モデルを用いて、事後決済対象である対象利用者、すなわちクレジットカードの所有者である端末ユーザにより債務整理が行われる可能性を予測するための予測情報を算出する。上記式（１）に示す予測モデルは、事後決済対象である対象利用者、すなわちクレジットカードの所有者である端末ユーザに関するサービスの利用状況および属性に基づく情報を入力として、債務整理が行われる可能性を示す予測情報（予測値）を出力できる。

そして、予測部３３は、算出した予測情報（予測値）が予め定められる閾値以上であるかを判定する。予測部３３は、判定の結果、予測値が予め定められる閾値以上である場合、事後決済対象となる対象利用者により債務整理が行われる可能性が高いと予測する。反対に、予測部３３は、判定の結果、予測情報（予測値）が予め定められる閾値未満である場合、事後決済対象となる対象利用者により債務整理が行われる可能性が低いと予測する。

予測部３３による予測結果は、たとえばカードの利用可能枠の減枠などに利用できる。たとえば債務整理が行われる可能性が高いと予測された対象利用者については、カード利用可能枠を予め減枠することができる。カード利用可能枠の減枠は、たとえばカードの利用代金の引き落とし日の翌日にカード利用可能枠が開放される際に実施できる。

［４．処理手順］
図８を用いて、実施形態に係る情報処理装置１による処理の手順の一例について説明する。図８は、実施形態に係る情報処理装置１が実行する処理手順の一例を示すフローチャートである。

図８に示すように、取得部３２は、カード情報２２０を参照して、債務整理が行われる可能性を予測する処理の予測候補となる対象利用者を選択する（ステップＳ１０１）。

続いて、取得部３２は、予測候補として選択した対象利用者のユーザ情報をサービス提供装置２から取得する（ステップＳ１０２）。

続いて、予測部３３は、予測モデル格納部２３に記憶されている予測モデルを用いて、取得部３２により取得されたユーザ情報から、債務整理が行われる可能性を予測し（ステップＳ１０３）、図８に示す処理を終了する。

［５．変形例］
上述した情報処理装置１は、上述してきた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。以下に、情報処理装置１の他の実施形態について説明する。

［５−１．サービスの利用状況（行動履歴）または属性による予測］
上述した実施形態において、情報処理装置１は、債務整理を行った債務整理者のユーザ情報、すなわちサービスの利用状況および属性に基づく情報を用いて生成された予測モデルに基づいて、事後決済対象となる対象利用者により債務整理が行われる可能性を予測する例を説明したが、この例には特に限定される必要はない。情報処理装置１は、債務整理者のサービスの利用状況または属性のいずれか一方に基づいて生成した予測モデルに基づいて、事後決済対象となる対象利用者により債務整理が行われる可能性が予測してもよい。

情報処理装置１は、たとえば債務整理者の検索履歴を用いて予測モデルを生成することにより、かかる予測モデルを用いて、事後決済対象となる対象利用者の検索履歴から債務整理が行われる可能性を予測できる。情報処理装置１は、たとえば債務整理者のサイコグラフィック属性に基づいて予測モデルを生成することにより、かかる予測モデルを用いて、事後決済対象となる対象利用者のライフサイクル、価値観、個性などから債務整理が行われる可能性を予測できる。

［５−２．ハードウェア構成］
上述してきた実施形態および変形例に係る情報処理装置１は、たとえば図９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。以下、情報処理装置１を例に挙げて説明する。

図９は、情報処理装置１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、およ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に記憶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記憶する。

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記憶する。通信インターフェイス１５００は、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、通信ネットワーク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、および、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、入出力インターフェイス１６００を介して生成したデータを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に記憶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、たとえば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。

たとえば、コンピュータ１０００が実施形態に係る情報処理装置１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１３が備える生成部３１、取得部３２、及び予測部３３の各機能を実現する。また、ＨＤＤ１４００には、記憶部１２に記憶される情報と同様のデータが記憶される。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。

コンピュータ１０００は、ＣＰＵ１１００の代わりに、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路によって処理を実行してもよい。

［６．効果］
上述してきたように、実施形態に係る情報処理装置１（予測装置の一例）は、取得部３２と予測部３３とを備える。取得部３２は、事後決済対象となる対象利用者に関するユーザ情報を取得する。予測部３３は、債務整理を行った債務整理者に関するユーザ情報の特徴を学習した予測モデルを用いて、前記対象利用者のユーザ情報から、前記対象利用者により債務整理が行われる可能性を予測する。これにより、情報処理装置１は、事後決済手対象である対象利用者により債務整理が行われる可能性を予測でき、債務が回収できない事態をできるだけ未然に防止できる。

また、ユーザ情報は、対象利用者に対して通信ネットワークを通じて提供される各種サービスについての対象利用者によるサービスの利用状況および対象利用者の属性に基づく情報のうちの少なくとも一方を含む。これにより、情報処理装置１は、事後決済対象となる対象利用者のサービスの利用状況及び属性に基づく情報のうちの少なくとも一方に基づいて債務整理が行われる可能性を予測できる。

また、予測モデルは、債務整理者により債務整理が行われたか否かを示す情報と、サービスの利用状況および属性に基づく情報のうちの少なくとも一方とを対応付けた学習用データを用いた機械学習に基づいて生成される。これにより、情報処理装置１は、かかる予測モデルを用いて、たとえば対象利用者のサービスの利用状況および属性から債務整理が行われる可能性を簡易に予測できる。また、情報処理装置１は、予測モデルを用いて、たとえば対象利用者のサービスの利用状況のみから債務整理が行われる可能性を簡易に予測できる。また、情報処理装置１は、予測モデルを用いて、たとえば対象利用者の属性のみから債務整理が行われる可能性を簡易に予測できる。

また、対象利用者は、事後決済手段としてクレジットカードを所有する所有者であって、予測モデルは、対象利用者のうち、月に１回以上クレジットカードを利用している対象利用者のサービスの利用状況および属性に基づく情報のうちの少なくとも一方を用いて生成される。これにより、クレジットカードを所有者する対象利用者により債務整理が行われる可能性の予測の確度が高める効果が期待できる。

また、対象利用者は、事後決済手段としてクレジットカードを所有する所有者であって、予測モデルは、対象利用者のうち、クレジットカードの利用可能枠を増枠した対象利用者の前記サービスの利用状況に基づく情報を用いて生成される。これにより、クレジットカードを所有者する対象利用者により債務整理が行われる可能性の予測の確度が高める効果が期待できる。

また、予測モデルは、対象利用者に関するサービスの利用状況および属性に基づく情報を入力して、債務整理が行われる可能性を示す予測情報を出力する。これにより、情報処理装置１は、予測モデルから出力される予測情報から、債務整理が行われる可能性を簡易に予測できる。

１ 情報処理装置
２ サービス提供装置
３ 端末装置
１１ 通信部
１２ 記憶部
１３ 制御部
３１ 生成部
３２ 取得部
３３ 予測部

Claims (8)

1. 事後決済対象となる対象利用者に関するユーザ情報を取得する取得部と、
   債務整理を行った債務整理者に関するユーザ情報の特徴を学習した予測モデルを用いて、前記対象利用者のユーザ情報から、前記対象利用者により債務整理が行われる可能性を予測する予測部と
   を備えることを特徴とする予測装置。
2. 前記ユーザ情報は、
   前記対象利用者に対して通信ネットワークを通じて提供される各種サービスについての前記対象利用者によるサービスの利用状況および前記対象利用者の属性に基づく情報のうちの少なくとも一方を含むことを特徴する請求項１に記載の予測装置。
3. 前記予測モデルは、
   前記債務整理者により債務整理が行われたか否かを示す情報と、前記サービスの利用状況および前記属性に基づく情報のうちの少なくとも一方とを対応付けた学習用データを用いた機械学習に基づいて生成されることを特徴とする請求項２に記載の予測装置。
4. 前記対象利用者は、
   事後決済手段としてクレジットカードを所有する所有者であって、
   前記予測モデルは、
   前記対象利用者のうち、月に１回以上クレジットカードを利用している前記対象利用者の前記サービスの利用状況および前記属性に基づく情報のうちの少なくとも一方を用いて生成されることを特徴とする請求項３に記載の予測装置。
5. 前記対象利用者は、
   事後決済手段としてクレジットカードを所有する所有者であって、
   前記予測モデルは、
   前記対象利用者のうち、前記クレジットカードの利用可能枠を増枠した前記対象利用者の前記サービスの利用状況および前記属性に基づく情報のうちの少なくとも一方を用いて生成されることを特徴とする請求項３に記載の予測装置。
6. 前記予測モデルは、
   前記対象利用者に関する前記サービスの利用状況および前記属性に基づく情報を入力して、前記債務整理が行われる可能性を示す予測情報を出力することを特徴とする請求項３に記載の予測装置。
7. コンピュータが実行する予測方法であって、
   事後決済対象となる対象利用者に関するユーザ情報を取得するステップと、
   前記対象利用者のユーザ情報から、前記対象利用者により債務整理が行われる可能性を予測するステップと
   を含むことを特徴とする予測方法。
8. コンピュータに、
   事後決済対象となる対象利用者に関するユーザ情報を取得するステップと、
   前記対象利用者のユーザ情報から、前記対象利用者により債務整理が行われる可能性を予測するステップと
   を実行させることを特徴とする予測プログラム。

Images