JP2020522832A - 信用力があると判定された消費者にローンを発行するシステムおよび方法 - Google Patents

Abstract

システムおよび方法は、消費者の信用力を判定し、ローンを発行し、その消費者について行動プロファイルを生成する。１組の初期データを消費者から取得する。このデータは、非識別属性を含み、消費者の識別を可能にする名前全体、クレジット・カード番号、パスポート番号、または政府発行ＩＤ番号を入手しない。ユーザＩＤ番号は、取引データベースにおける実ユーザに対する１組の初期データと一致する。複数のユーザ・プロファイル間の平均与信額に基づいて信用スコアを照合し、消費者に対して最大与信額を決定する。格納されている消費者ローン・データに機械学習モデルを適用し、消費者が最大許容与信額の増額を必要とするとき、および最大許容与信額の増額に伴うリスクを判定することができる。【選択図】図１

Description

[0001] このＰＣＴ出願は、２０１８年４月２７日に出願された一部継続出願第１５／９６４，２４７号に基づく。一部継続出願第１５／９６４，２４７号は、２０１７年１２月２０日に出願された米国特許出願第１５／８４７，９９１号に基づく。米国特許出願第１５／８４７，９９１号は、２０１７年８月１０日に出願された米国仮特許出願第６２／５４３，４４３号に基づき、更に２０１７年６月５日に出願されば米国仮特許出願第６２／５１５，０５３号に基づく。これらの出願をここで引用したことにより、その開示内容全体が本願にも含まれるものとする。

[0002] 本発明は、モバイル・バンキングの分野に関し、更に特定すれば、本発明は、個人またはエンティティの信用力を判定し、ローンを発行し、コンピュータ処理およびシステム動作を強化し、データベース間の相互作用を強化し、不良債権の予想を可能にしつつ、行動プロファイルを生成するシステムおよび方法に関する。

[0003] 移動体ユーザは、現在では、移動体ワイヤレス通信デバイス、即ち、移動体電話機、パッド、パーソナル・コンピュータ、およびノートブック・コンピュータのような移動体デバイスを使用して、ｅ−ｗａｌｌｅｔのようなプラットフォーム、あるいはＵｂｅｒ、Ｆａｃｅｂｏｏｋ、ｅＢａｙ、またはその他のサービスというような、他のホスティング取引アプリケーション(hosting transactional application)を使用して、資金を受け取り、資金を移動させ、請求書の支払いを行い、異なる商品を購入する。ｅ−ｗａｌｌｅｔは、電子財布としても知られており、１つの態様では、これはＷｉｎｄｏｗｓ（登録商標）、Ａｐｐｌｅ（登録商標）、および他の移動体プラットフォームを含む異なるシステムと共に動作するディジタル・ウォレットである。ｅ−ｗａｌｌｅｔは、例えば、２５６ビットＡＥＳ暗号化を使用して、パスワード、クレジット・カード番号、および他の個人情報を安全に格納することができる。データは、ｅ−ｗａｌｌｅｔのデスクトップ、および提供され選択された移動体バージョンと同期が取られる。ディジタル・ウォレットは、個人が電子取引を行うことを可能にし、個人の銀行口座をディジタル・ウォレットにリンクすることができる。ｅ−ｗａｌｌｅｔアプリケーションに関連する他のデータには、運転免許、健康保険証、ポイント・カード、または他の識別カード、および移動体デバイス上に格納される文書を含むことができる。ときには、ユーザの移動体電話番号が、一位の識別子として役割を果たすこともあり、移動体金銭取引のためにショート・メッセージ・サービス（ＳＭＳ）を使用することもできる。

[0004] このようなローン処理システムの一例が、消費者のために短期ローンを処理し資金を供給する方法を提供する米国特許出願公開第２０１２／０２３９５５３号に開示されている。このローン・システムは、移動体信用記憶施設量(mobile credit storage facility amount)をユーザに関連する移動体デバイスにリンクする。消費者からの短期ローン申し込みが、移動体デバイスを通じて受け取られ、エンティティは短期ローンの承認を付与または拒否する。ユーザに関連する移動体デバイス識別番号、正式名、および社会保障番号というような、異なる個人識別情報(identity information)を使用することができる。識別情報は、信用履歴を記録および確定し、取引を処理するために使用することができる。

[0005] この種のローン処理システムでは、ユーザは匿名のままでいることはできない。何故なら、消費者のようなユーザの名前、社会保障番号、およびクレジット／デビット・カード情報というような個人識別情報が、短期ローンまたは他のローンを付与すべきかまたは拒否すべきか判断するために要求されるからである。このような個人データを要求しそれを処理すると時間がかかり、異なるサーバおよびデータベースにおける処理のために、複雑さや処理オーバーヘッドが余分に増えるおそれがある。特に、少額のナノおよびマイクロ・ローンに対して、広範な個人データの引き出しおよび処理を必要とせずに、処理速度および効率を高めるためのもっと効率的な方法が望まれる。

[0006] この摘要は、詳細な説明において以下で更に説明する概念から選択したものを紹介するために設けられている。この摘要は、特許請求する主題の主要な特徴や必須の特徴を特定することを意図するのではなく、特許請求する主題の範囲を限定するときに補助として使用されることを意図するのでもない。

[0007] 信用力を判定しローンを消費者に発行する方法は、消費者の移動体ワイヤレス通信デバイスを、ワイヤレス通信ネットワークを通じて、通信モジュール、プロセッサ、および取引データベースが接続されているローン発行サーバに接続するステップを含む。この方法は、ローン発行サーバにおいて、消費者の電子財布（ｅ−ｗａｌｌｅｔ）、および消費者についてのデータを収容する公的データ源の内少なくとも１つから、１組の初期データを取得するステップを含む。１組の初期データには、消費者の非識別属性が含まれ、消費者の識別を可能にする氏名全体、クレジット・カード番号、パスポート番号、または政府発行ＩＤ番号を得ることはない。この方法は、消費者について取得されている１組の初期データと一致するユーザＩＤ番号をローン発行サーバにおいてランダムに生成するステップと、１組の初期データ、および消費者に対応するユーザＩＤ番号を取引データベースにユーザ・プロファイルとして格納するステップとを含む。更に、この方法は、ローン発行サーバにおいて、取引データベースに格納されている複数のユーザ・プロファイル間における平均与信額に基づいて、更にユーザＩＤ番号に基づくデータ属性ストリングおよび１組の初期データを照合して、消費者に対する最大許容与信額を決定することによって、信用スコア(credit score)を生成するステップを含む。ローンの承認は、消費者の最大許容与信額に基づいて行われ、ローン承認コードがローン発行サーバから消費者のワイヤレス通信デバイスに送信され、消費者の移動体ワイヤレス通信デバイス上でアプリケーション・プログラミング・インターフェース（ＡＰＩ）を起動し(initiate)、行われるローンの額を確認または入力する。この方法は、行われるローンの確認または額、およびそれがどのように散乱される(disperse)かの指示を、逆に消費者から受けるステップと、応答して消費者のｅ−ｗａｌｌｅｔに入金する、またはローンの額以内で消費者の口座に関連する請求書に対して支払うステップとを含む。

[0008] また、この方法は、不良債権の予想も可能にし、ローン返済の期限日を確定するステップと、消費者との反復ローン取引についてローン毎にローン返済データを含む消費者ローン・データを、取引データベース内に格納するステップとを含んでもよい。この格納された消費者ローン・データに基づいて、この方法は、ローン発行サーバにおいて、機械学習モデルを消費者ローン・データに適用し、消費者がいつ最大許容与信額における増額を必要とするか判定し、そしてこの最大許容与信額の増額に伴うリスクを判定する。

[0009] 機械学習モデルは、平均、標準偏差、中央値、尖度、および歪度を考慮に入れる移動枠を含むことができる回帰モデルを構成する。更に、この方法は、過去の入力／出力データを機械学習モデルに入力するステップを含んでもよく、過去の入力／出力データは、過去の消費者ローン・データに関する入力ベクトルと、および消費者が不良債権に陥るか否かを示す０と１との間の確率に関する出力とを含む。

[0010] ０．６よりも大きい確率は、消費者が不良債権に陥る高いリスクを示す。機械学習モデルからの目標可変成果(target variable outcome)は、消費者に７日以内に不良債権のリスクがあるか否かを示す二進成果を含んでもよい。更に、この方法は、６か月の期間にわたって消費者ローン・データを収集するステップと、消費者を１）不良債権に陥る高い危険確率を有する不良顧客と、２）不良債権に陥る低い危険確率を有する優良顧客というような、２つのクラスに分類するステップを含んでもよい。

[0011] 更に、この方法は、消費者の場所、ならびにｅ−ｗａｌｌｅｔおよびローン発行サーバの内少なくとも１つへの現金入金に基づいて、消費者についての行動プロファイルを生成するステップと、更に周期的場所パターンをローンおよび取引活動に相関付けるステップと、消費者プロファイルおよび周期性によって、ローン実行パターン、ローンの使用、ローン返済、および取引活動を予測するステップを含んでもよい。更に、この方法は、各取引の内容を通じて提供される消費者情報による消費者セグメント化に基づいて行動プロファイルを生成するステップと、親和性および購入経路分析を使用して、販促および季節的根拠(promotional and seasonal basis)ならびに経時的な購入間の連係(linking)に応じて、互いに関連して販売する製品を識別するステップとを含んでもよい。

[0012] 更に、この方法は、消費者の移動体ワイヤレス通信デバイスをワイヤレス通信ネットワークおよびローン発行サーバに、ｅ−ｗａｌｌｅｔを通じて接続するステップと、ｅ−ｗａｌｌｅｔに登録した消費者および彼らの取引についての情報を取引データベースに格納するステップと、移動体ワイヤレス通信デバイス上にアプリケーション・プログラミング・インターフェース（ＡＰＩ）を表示するステップとを含んでもよく、消費者は移動体ワイヤレス通信デバイス上でＡＰＩを通じてｅ−ｗａｌｌｅｔと対話処理し、非識別属性は、性別、年齢、場所、電話の種類、および携帯電話事業者を含む。

[0013] 更に、この方法は、ランダムに生成されたユーザＩＤ番号とタグ付けされているｅ−ｗａｌｌｅｔに、ＡＰＩを通じて、最大与信額を送信するステップと、ユーザＩＤ番号を実際の消費者と照合するステップと、新たな属性を消費者に追加し、この消費者のためにｅ−ｗａｌｌｅｔに信用貸しするステップとを含んでもよい。ローン承認コードを受けたことに応答して、消費者は移動体ワイヤレス通信デバイス上で少なくとも１つのＡＰＩ画面にアクセスし、行われるローンの額を示すデータを入力し、ローンを得るためにこのデータをローン発行サーバに送信する。

[0014] 信用力を判定しローンを消費者に発行するシステムは、通信モジュールと、プロセッサと、これらに接続された取引データベースとを有するローン発行サーバを備える。このローン発行サーバにワイヤレス通信ネットワークが接続される。プロセッサおよび通信モジュールは、ワイヤレス通信ネットワークを通じて、ワイヤレス通信デバイスを操作する消費者と通信し、消費者の電子財布（ｅ−ｗａｌｌｅｔ）および消費者についてのデータを収容する公的データ源の内少なくとも１つから、１組の初期データを取得するために、互いに動作する。１組の初期データは、消費者の非識別属性を含み、消費者の識別を可能にする名前全体、クレジット・カード番号、パスポート番号、または政府発行ＩＤ番号を得ることはない。更に、コントローラは、消費者について取得された１組の初期データと一致するユーザＩＤ番号をランダムに生成し、１組の初期データおよび 消費者に対応するユーザＩＤ番号を、取引データベースにユーザ・プロファイルとして格納するように構成される。プロセッサは、 取引データベースに格納されている複数のユーザ・プロファイル間における平均与信額に基づいて、信用スコアを生成し、ユーザＩＤ番号に基づいてデータ属性ストリングおよび１組の初期データを照合し、消費者に対する最大許容与信額を決定する。コントローラは、消費者の最大許容与信額に基づいてローンを承認し、ローン承認コードを消費者のワイヤレス通信デバイスに送信し、消費者の移動体ワイヤレス通信デバイス上でアプリケーション・プログラミング・インターフェース（ＡＰＩ）を起動し、行われるローンの額を確認または入力し、行われるローンの確認または額、およびどのようにそれが散乱されるかの指示を、逆に消費者から受けるように、通信モジュールを構成する。応答して、プロセッサは、消費者のｅ−ｗａｌｌｅｔに入金する、またはローンの額以内で消費者の口座に関連する請求書に対して支払う。

[0015] プロセッサは、ローン返済の期限日を確定することができ、消費者との反復ローン取引についてローン毎にローン返済データを含む消費者ローン・データを、取引データベース内に格納し、この格納された消費者ローン・データに基づいて、ローン発行サーバにおいて、機械学習モデルを消費者ローン・データに適用し、消費者がいつ最大許容与信額における増額を必要とするか判定し、そしてこの最大許容与信額の増額に伴うリスクを判定する。

[0016] 機械学習モデルは、平均、標準偏差、中央値、尖度、および歪度を考慮に入れる移動枠を含むことができる回帰モデルを構成し、プロセッサは、更に、過去の入力／出力データを機械学習モデルに入力するように構成され、過去の入力／出力データは、過去の消費者ローン・データに関する入力ベクトルと、消費者が不良債権に陥るか否かを示す０と１との間の確率に関する出力とを含む。０．６よりも大きい確率は、消費者が不良債権に陥る高いリスクを示す。機械学習モデルからの目標可変成果(target variable outcome)は、消費者に７日以内に不良債権のリスクがあるか否かを示す二進成果を含んでもよい。

[0017] プロセッサは、６か月の期間にわたって消費者ローン・データを収集し、消費者を１）不良債権に陥る高い危険確率を有する不良顧客と、２）不良債権に陥る低い危険確率を有する優良顧客というような、２つのクラスに分類するように構成されてもよい。プロセッサは、消費者の場所、ならびにｅ−ｗａｌｌｅｔおよびローン発行サーバの内少なくとも１つへの現金入金に基づいて、消費者についての行動プロファイルを生成し、更に、周期的場所パターンをローンおよび取引活動に相関付け、更に消費者プロファイルおよび周期性によって、ローン実行パターン、ローンの使用、ローン返済、および取引活動を予測するように構成されてもよい。プロセッサは、各取引の内容を通じて提供される消費者情報による消費者セグメント化に基づいて行動プロファイルを生成し、親和性および購入経路分析を使用して、販促および季節的根拠ならびに経時的な購入間の連係に応じて、互いに関連して販売する製品を識別するように構成されてもよい。

[0018] 更に、プロセッサは、消費者の移動体ワイヤレス通信デバイスをワイヤレス通信ネットワークおよびローン発行サーバに、ｅ−ｗａｌｌｅｔを通じて接続し、ｅ−ｗａｌｌｅｔに登録した消費者および彼らの取引についての情報を取引データベースに格納し、移動体ワイヤレス通信デバイス上にアプリケーション・プログラミング・インターフェース（ＡＰＩ）を表示するように構成されてもよく、消費者は移動体ワイヤレス通信デバイス上でＡＰＩを通じてｅ−ｗａｌｌｅｔと対話処理し、非識別属性は、性別、年齢、場所、電話の種類、および携帯電話事業者を含んでもよい。プロセッサは、ランダムに生成されたユーザＩＤ番号とタグ付けされているｅ−ｗａｌｌｅｔに、ＡＰＩを通じて、最大与信額を送信し、ユーザＩＤ番号を実際の消費者と照合し、新たな属性を消費者に追加し、この消費者のためにｅ−ｗａｌｌｅｔに信用貸しするように構成されてもよい。

[0019] 本発明の他の目的、特徴、および利点は、以下に続く本発明の詳細な説明を、添付図面を参照しながら検討することによって明白になろう。図面において、
図１は、非限定的な実施例によるローン発行システムのコンポーネントを示す断片的ブロック図である。 図２は、プレスコアリング・プロセスのデータ・フローを示す断片的ブロック流れ図である。 図３は、与信決定更新のシステム・コンポーネント間におけるデータ・フローを示す断片的ブロック流れ図である。 図４は、データ・ウェアハウス内のコンポーネント間におけるデータ・フローを示す断片的ブロック流れ図である。 図５は、図１のシステムを使用して外部データを取得するブロック図である。 図６は、図１のシステムを使用する属性選択を示すフローチャートである。 図７は、図１のシステムを使用するローンおよび実行の種類を示すブロック図である。 図８は、図１のシステムを使用してローン請求を確認するフロー・シーケンスである。 図９は、請求書に対して支払い通知を受けるフロー・シーケンスである。 図１０は、保証された与信(guaranteed credit)のフロー・シーケンスである。 図１１は、完了した返済のフロー・シーケンスである。 図１２は、一部返済のフロー・シーケンスである。 図１３は、ローンを請求するＵＤＤＳメニューのワイヤ・フレーム例である。 図１４は、ローン支払いのＵＳＳＤメニューのワイヤ・フレーム例である。 図１５は、ローン相談のＵＳＳＤメニューのワイヤ・フレーム例である。 図１６は、事前承認ローンを請求するための移動体電話機上におけるアプリケーション・メニューのワイヤ・フレーム例である。 図１７は、ローン支払いに対する図１６のアプリケーション・メニューのワイヤ・フレーム例である。 図１８は、ローン支払いに対するアプリケーション・メニューのワイヤ・フレーム例である。 図１９は、ローン相談に対するアプリケーション・メニューのワイヤ・フレーム例である。 図２０は、ローン相談に対するアプリケーション・メニューのワイヤ・フレーム例である。 図２１は、ヘルプを求めることに対するアプリケーション・メニューのワイヤ・フレーム例である。 図２２は、ヘルプ・メニューにおける通知に対するアプリケーション・メニューのワイヤ・フレーム例である。 図２３は、よくある質問に対するアプリケーション・メニューのワイヤ・フレーム例である。 図２４は、問い合わせフォームに対するアプリケーション・メニューのワイヤ・フレーム例である。 図２５は、チャット・セッションに対するアプリケーション・メニューのワイヤ・フレーム例である。 図２６は、図１のローン発行システムを使用するウェブ・ポータルのホーム・ページのワイヤ・フレーム例である。 図２７は、ローン請求を確認するためのウェブ・ポータルのワイヤ・フレーム例である。 図２８は、ローン請求を確認するためのウェブ・ポータルの他のワイヤ・フレーム例である。 図２９は、全てのローンを相談するためのウェブ・ポータルのワイヤ・フレーム例である。 図３０は、ローンを選択するためのウェブ・ポータルのワイヤ・フレーム例である。 図３１は、選択したローンを相談するためのウェブ・ポータルのワイヤ・フレーム例である。 図３２は、選択したローンを支払うためのウェブ・ポータルのワイヤ・フレーム例である。 図３３は、選択したローンを支払うためのウェブ・ポータルのワイヤ・フレーム例である。 図３４は、支払いを確認するためのウェブ・ポータルのワイヤ・フレーム例である。 図３５は、ヘルプ・メニューのためのウェブ・ポータルのワイヤ・フレーム例である。 図３６は、ヘルプ・メニューのためのウェブ・ポータルのワイヤ・フレーム例である。 図３７は、履歴メニューを示すためのウェブ・ポータルのワイヤ・フレーム例である。 図３８は、履歴メニューのためのウェブ・ポータルのワイヤ・フレーム例である。 図３９は、履歴メニューおよび証明書要求に対するウェブ・ポータルのワイヤ・フレーム例である。 図４０は、図１のローン発行システムを使用する消費者の行動予測に対する断片的時間グラフである。 図４１は、ユーザによって行われる再入金(recharge)に対する時系列の移動平均を示すグラフである。 図４２は、データ集合に対する分類分散(classed distribution)を示す円グラフである。 図４３Ａ〜図４３Ｈは、２つのクラスにおける異なる傾向の例を示すグラフである。 図４３Ｉ〜図４３Ｐは、２つのクラスにおける異なる傾向の例を示すグラフである。 図４４Ａは、優良債権のラグ・プロットを示すグラフである。図４４Ｂは、定期債権(regular debt)のラグ・プロットを示すグラフである。図４４Ｃは、不良債権のラグ・プロットを示すグラフである。 図４５は、特徴(features)の格付けを示す棒グラフである。 図４６は、追加する訓練例が多い程高くなる真陽性率（ＴＰＲ）についての学習曲線を示すグラフである。 図４７は、性能測定基準(performance metrics)を示すチャートである。 図４８Ａは、不良債権状態に入った２人の顧客に対する確率Ｐ（ｌ）を示すグラフである。 図４８Ｂは、不良債権状態に入った２人の顧客に対する確率Ｐ（ｌ）を示すグラフである。 図４９Ａは、不良債権状態に入った２人の定期不良顧客についての確率Ｐ（Ｉ）を示すグラフである。 図４９Ｂは、不良債権状態に入った２人の定期不良顧客についての確率Ｐ（Ｉ）を示すグラフである。 図５０Ａは、クラス０からの２人の顧客についての確率Ｐ（ｌ）を示すグラフである。 図５０Ｂは、クラス０からの２人の顧客についての確率Ｐ（ｌ）を示すグラフである。 図５１は、警告対閾値の割合を示し、更に真陽性率および偽陽性率を示すグラフである。 図５２は、不良債権予想および信用リスク保護のためのアーキテクチャのグラフィック・モデルである。

[0074] これより、好ましい実施形態を示す添付図面を参照しながら、異なる実施形態について更に詳しく説明する。多くの異なる形態を明記することができるが、説明する実施形態は、本明細書において明記される実施形態に限定されるように解釈してはならない。逆に、これらの実施形態は、本開示に抜けがなく完全であり、その範囲を当業者に完全に伝えるように提示されている。

[0075] 以下で詳細に説明するローン発行システムは、ローン発行サーバを通じて動作する信用承認およびローン発行システムまたはプラットフォームを含み、ユーザの移動体ワイヤレス通信デバイスにおいて、あるいはユーザのウェブ・ポータルまたは関連ソフトウェア・プラットフォームにおいて、匿名で使用するためのナノおよびマイクロ与信およびプレスコアリング(pre-scoring)を可能にする。これは、名前、姓、社会保障番号、クレジットおよび／またはデビット・カード情報、およびユーザの信用履歴というような、個人的な情報そして多くの場合機密情報をも要求する既存のシステムの欠点を克服する新たな信用評価システムである。このローン発行システムを使用すると、信用力を理解することが困難な、若い人、賃借人、収入が少ない人というような人を格付けすることができる。ｅ−ｗａｌｌｅｔあるいは他の取引プラットフォーム、例えば、Ｕｂｅｒ、Ｆａｃｅｂｏｏｋ、ｅＢａｙ、または同様のプラットフォームというようなプラットフォームにおけるユーザ取引データに基づいて、プレスコアリングを匿名で行うことができる。データは、非限定的な例として、ユーザの場所、性別、年齢層、携帯電話事業者、および携帯電話モデルに基づくことができる。

[0076] システム・サーバおよび任意の関連プロセッサの一部としてのローン・ルール・エンジンは、システム・アーキテクチャの一部としてローン・ルール・エンジンとして動作する与信決定エンジン・アルゴリズムを含み、機械学習データ挙動分析および予測数学モデルを使用することができる。ローン・ルール・エンジンの一部としての信用スコアリング・アルゴリズムは動的であり、データ相関に基づいて連続的にスコアリング(scoring)を調節し、最大ローン発行の額、および、例えば、最小不良債権値の係数(factor)としてユーザに発行される最大ローン数を最適化する。このシステム・アーキテクチャは、例えば、Ａｍａｚｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅ（ＡＷＳ）およびＰＣＩ準拠コンポーネントをホストすることによって、システム応答における安全性および速度、ならびにスケーラビリティを確保するが、コンピュータおよびシステムの動作改善も確保する。ユーザの体験を最適化し、数秒、例えば、最大でも２０秒でローンおよび与信決定を戻すために、プレスコアリングを可能にするようにデータを管理することができる。この時間期間は、多くの例における任意の送信遅延を含むことができる。ローン発行システムによって使用されるこの匿名分析手法は、例えば、モデル−ビュー−コントローラ（ＭＶＣ）のような異なる設計パターンを有するＵＮＩＸ（登録商標）系システムを使用して、ユーザが情報を入力するあらゆる必要性を排除し、一層簡素で効率的なフレームワークが得られる。これは、プラットフォーム独立であり、顧客体験改良のために、異なるクライアント・エージェントをサポートする。

[0077] 説明するローン発行システムは、本明細書においてはＭＯシステムとも呼ばれ、図面において「ＭＯ＄」という記号で説明することもあるが、ローン・ルール・エンジンとして動作し、更にＭＯサーバまたは別のデータベースと統合されデータ・ウェアハウスとして動作するデータベースと動作する、ＭＯサーバおよびプロセッサを含む完全なシステム・アーキテクチャおよびプラットフォームである。他のシステム・コンポーネントには、ユーザに関連するｅ−ｗａｌｌｅｔ、アプリケーションＡＰＩ、およびアプリケーション・データベースを含んでもよい。ローン・ルール・エンジンは、与信決定エンジンとして動作する。ＭＯシステムは、革新的であり、ユーザにとって秘密でありそして機密(confidential)である場合もある従前からのデータおよび信用記録のいずれも使用しない。ＭＯシステムは、匿名でユーザを予め採点する。通例、与信またはローン決定を行うために、ユーザの名前、姓、社会保障番号、またはクレジット／デビット・カード情報というような個人情報を組み込むことは必要でない。ＭＯシステムは、ｅ−ｗａｌｌｅｔまたは他のホスティング・アプリケーションからの取引データを分析し、この情報を外部データ源からのデータと組み合わせて、最大与信額を指定する。これは、大抵の場合、ナノローンまたはマイクロ・ローンで有用であるような少額(smaller amount)である。ＭＯシステムは、与信およびローン・システムとして、ウェブ・ポータルにおいて移動体デバイス・アプリケーションまたはホスティング・アプリケーションと共に組み込まれるように、ｅ−ｗａｌｌｅｔと統合される。ＭＯシステムは、ユーザに優しく直観的であり、一例では、ローンを得る即ち実行のために、移動体デバイスまたは他のデバイス上において、最大でも３回のクリックまたは入力しか使用しない。ユーザは、追加の詳細情報を提供する必要が全くない。与信決定は、ＭＯシステムが自動的に収集する取引データおよび外部データ源からのデータに基づく。このシステムの利点は、多くの場合、ユーザが既に予め承認されていることである。一旦請求されたなら、１分未満でローンがｅ−ｗａｌｌｅｔまたはホスティング・アプリケーションに入金される。

[0078] 以下で更に詳しく説明するように、ＭＯシステムは、積極型(proactive)、反応型(reactive)、および法人型(corporate)というように、３つの与信型をサポートし、更に、無制限型、制限型、および直接請求書支払い型というような、３つの実行型をサポートする。ＭＯシステムは、異なるユーザへのメッセージ配信を管理するために、顧客通信マネージャ（ＣＣＭ：Customer Communication Manager）をＭＯサーバの一部として含むことができる。これは、ユーザがローンをいつでもどこでも請求できるように、２４／７で利用可能である。ＭＯシステムは、ユーザＩＤも個人情報も格納しない。何故なら、データは匿名識別コードを通じて処理されるからである。

[0079] このシステムは、信用力を判断し、消費者にローンを発行し、消費者の行動プロファイルを生成するように動作する。消費者の移動体ワイヤレス通信デバイスが、ワイヤレス通信ネットワークを通じて、ローン発行サーバに接続される。ローン発行サーバは、通信モジュール、コントローラとしてのプロセッサ、およびこれらに接続された取引データベースを有する。この方法は、ローン発行サーバにおいて、消費者の電子財布（ｅ−ｗａｌｌｅｔ）および消費者についてのデータを収容する公的データ源の内少なくとも１つから１組の初期データを取得するステップを含む。１組の初期データは消費者の非識別属性を含み、消費者の識別を可能にする名前全体、クレジット・カード番号、パスポート番号、または政府発行ＩＤ番号を得ることはない。この方法は、ローン発行サーバにおいて、消費者について取得された１組の初期データと一致するユーザＩＤ番号をランダムに生成するステップと、１組の初期データおよび消費者に対応するユーザＩＤ番号を、ユーザ・プロファイルとして、取引データベースに格納するステップとを含む。

[0080] 更に、この方法は、ローン発行サーバにおいて、取引データベース内に格納されている複数のユーザ・プロファイル間における平均与信額に基づいて、そしてユーザＩＤ番号に基づくデータ属性ストリングおよび１組の初期データを照合して、消費者に対して最大許容与信額を決定することによって、信用スコアを生成するステップを含む。消費者の最大許容与信額に基づいて、ローンを承認し、ローン承認コードをローン発行サーバから消費者のワイヤレス通信デバイスに送信し、消費者の移動体ワイヤレス通信デバイス上でアプリケーション・プログラミング・インターフェース（ＡＰＩ）を起動し、行われるローンの額を確認または入力する。この方法は、行われるローンの確認または額、およびどのようにそれが散乱されるかという指示を、逆に消費者から受け、応答して、消費者のｅ−ｗａｌｌｅｔに入金するか、または消費者の口座に関連する請求を、ローンの額内で支払うステップを含む。消費者についての行動プロファイルを、消費者の場所、ならびにｅ−ｗａｌｌｅｔおよびローン発行サーバの少なくとも１つに対する現金入金に基づいて生成し、周期的位置パターンをローンおよび取引活動と相関付ける。

[0081] 更に、この方法は、消費者会話モデリングまたはマルチスレッド分析(multi-threaded analysis)、あるいはこれらの組み合わせを使用して、行動プロファイルを生成するステップを含んでもよい。更に、この方法は、各取引の内容を通じて提供される消費者情報による消費者セグメント化に基づいて行動プロファイルを生成するステップと、親和性および購入経路分析を使用して、販促および季節的根拠ならびに経時的な購入間の連係に応じて、互いに関連して販売する製品を識別するステップとを含んでもよい。

[0082] 消費者のチェックインおよび消費者の場所を、場所関連データベース(known-locations database)と突き合わせて照合してもよい。このデータベースは、店舗(stores)、私的な場所、公的な場所、および取引データに関するデータを含み、周期的場所パターンをローンおよび取引活動に相関付ける。この方法は、消費者プロファイルおよび周期性によって、ローン実行パターン、ローンの使用、ローン返済、および取引活動を予測するステップを含んでもよい。この方法は、消費者の移動体ワイヤレス通信デバイスをワイヤレス通信ネットワークおよびローン発行サーバに、ｅ−ｗａｌｌｅｔを通じて接続するステップと、ｅ−ｗａｌｌｅｔに登録した消費者および彼らの取引についての情報を取引データベースに格納し、移動体ワイヤレス通信デバイス上にアプリケーション・プログラミング・インターフェース（ＡＰＩ）を表示するステップを含んでもよい。消費者は、移動体ワイヤレス通信デバイス上のＡＰＩを通じて、ｅ−ｗａｌｌｅｔと対話処理する。

[0083] 非識別属性には、性別、年齢、場所、電話の種類、および携帯電話事業者を含むことができる。この方法は、最大与信額を、ＡＰＩを通じて、ランダムに生成されるユーザＩＤ番号とタグ付けされたｅ−ｗａｌｌｅｔに送信するステップと、ユーザＩＤ番号を実際の消費者と照合するステップと、新たな属性を消費者に追加するステップと、この消費者のためにｅ−ｗａｌｌｅｔに信用貸しするステップとを含んでもよい。ローン承認コードを受けたことに応答して、消費者は、移動体ワイヤレス通信デバイス上の少なくとも１つのＡＰＩ画面にアクセスし、行われるローンの額を示すデータを入力し、ローンを得るために、このデータをローン発行サーバに送信する。

[0084] 信用力を判定し消費者にローンを発行する方法は、消費者の移動体ワイヤレス通信デバイスを、ワイヤレス通信ネットワークを通じて、ローン発行サーバに接続するステップを含む。ローン発行サーバは、通信モジュール、コントローラとしてのプロセッサ、およびこれらに接続された取引データベースを有する。この方法は、ローン発行サーバにおいて、消費者の電子財布（ｅ−ｗａｌｌｅｔ）および消費者についてのデータを収容する公的データ源の内少なくとも１つから１組の初期データを取得するステップを含み、この１組の初期データは、消費者の非識別属性を含み、消費者の識別を可能にする、名前全体、クレジット・カード番号、パスポート番号、または政府発行のＩＤ番号を得ることはない。更に、この方法は、ローン発行サーバにおいて、消費者について取得されている１組の初期データと一致するユーザＩＤ番号をランダムに生成するステップと、１組の初期データ、および消費者に対応するユーザＩＤ番号を、ユーザ・プロファイルとして、取引データベースに格納するステップとを含む。この方法は、ローン発行サーバにおいて、取引データベース内に格納されている複数のユーザ・プロファイル間における平均与信額に基づいて、そしてユーザＩＤ番号に基づくデータ属性ストリングを初期の一組のデータと照合して、消費者に対する最大許容与信額を決定することによって、信用スコアを生成するステップを含む。消費者の最大許容与信額に基づいてローンが承認され、ローン承認コードが、ローン発行サーバから消費者のワイヤレス通信デバイスに送信され、消費者の移動体ワイヤレス通信デバイス上でアプリケーション・プログラミング・インターフェース（ＡＰＩ）を起動し、行われるローンの額を確認または入力し、行われるローンの確認または額、およびそれがどのように散乱されるかの指示を、逆に消費者から受ける。応答して、消費者のｅ−ｗａｌｌｅｔに入金されるか、または消費者の口座に関連する請求が、ローンの額以内で支払われる。

[0085] 信用力を判定しローンを消費者に発行するシステムは、ローン発行サーバを含むことができ、このローン発行サーバは、通信モジュール、プロセッサまたはコントローラ、およびこれらに接続された取引データベースを有する。ワイヤレス通信ネットワークがローン発行サーバに接続される。コントローラとしてのプロセッサおよび通信モジュールは、互いに動作して、ワイヤレス通信ネットワークを通じて、ワイヤレス通信デバイスを操作する消費者と通信し、１組の初期データを、消費者の電子財布（ｅ−ｗａｌｌｅｔ）および消費者についてのデータを収容する公的データ源の内少なくとも１つから取得する。１組の初期データは、消費者の非識別属性を含み、消費者の識別を可能にする名前全体、クレジット・カード番号、パスポート番号、または政府発行のＩＤ番号を得ることはない。更に、プロセッサは、消費者について取得されている１組の初期データと一致するユーザＩＤ番号をランダムに生成し、この１組の初期データ、および消費者に対応するユーザＩＤ番号を、ユーザ・プロファイルとして、取引データベースに格納するように構成される。プロセッサは、取引データベース内に格納されている複数のユーザ・プロファイル間における平均与信額に基づいて信用スコアを生成し、ユーザＩＤ番号に基づくデータ属性ストリングおよび１組の初期データを照合して、消費者に対する最大許容与信額を決定する。プロセッサは、消費者の最大許容与信額に基づいてローンを承認し、ローン承認コードを消費者のワイヤレス通信デバイスに送信するように通信モジュールを構成し、消費者の移動体ワイヤレス通信デバイス上でアプリケーション・プログラミング・インターフェース（ＡＰＩ）を起動し、行われるローンの額を確認または入力し、行われるローンの確認または額、およびそれがどのように散乱されるかの指示を、逆に消費者から受ける。応答して、プロセッサは消費者のｅ−ｗａｌｌｅｔに入金するか、または消費者の口座に関連する請求をローンの額内で支払う。

[0086] プロセッサは、消費者の場所、ならびにｅ−ｗａｌｌｅｔおよびローン発行サーバの内少なくとも１つに対する現金入金に基づいて、消費者についての行動プロファイルを生成し、更に周期的な場所パターンをローンおよび取引活動と相関付けるように構成される。プロセッサは、消費者の会話モデリング、またはマルチスレッド分析、あるいはこれらの組み合わせを使用して、行動プロファイルを生成するように構成される。プロセッサは、各取引の内容を通じて提供される消費者情報による消費者セグメント化に基づいて行動プロファイルを生成し、親和性および購入経路分析を使用して、販促および季節的根拠ならびに経時的な購入間の連係に応じて、互いに関連して販売する製品を識別するように構成される。コントローラは、ｅ−ｗａｌｌｅｔおよびローン発行サーバの内少なくとも１つに対する消費者の現金入金および消費者の場所(location for a consumer)を、場所関連データベース(known-location database)と照合するように構成される。場所関連データベースは、店舗、私的な場所、公的な場所、および取引データに関するデータを含み、周期的場所パターンをローンおよび取引活動に相関付ける。非識別属性は、性別、年齢、場所、電話の種類、および携帯電話事業者を含む。

[0087] 以上のシステムおよび方法は、消費者がいつ最大許容与信額における増額を必要とするか判定し、そしてこの最大許容与信額の増額に伴うリスクを判定することができる。ローン返済の期限日を確定し、このシステムは、消費者との反復ローン取引についてローン毎にローン返済データを含む消費者ローン・データを、取引データベース内に格納する。この格納された消費者ローン・データに基づいて、このシステムは、ローン発行サーバにおいて、機械学習モデルを消費者ローン・データに適用し、消費者がいつ最大許容与信額における増額を必要とするか判定し、そしてこの最大許容与信額の増額に伴うリスクを判定する。

[0088] 一例では、このモデル(the machine the model)は、平均、標準偏差、中央値、尖度、および歪度を考慮に入れる移動枠を含むことができる回帰モデルを含んでもよい。更に、このシステムおよび方法は、過去の入力／出力データを機械学習モデルに入力するステップを含んでもよい。この過去入力／出力データは、過去の消費者ローン・データに関する入力ベクトルと、消費者が不良債権に陥るか否かを示す０と１との間の確率に関する出力とを含む。更に他の例では、０．６よりも大きい確率は、消費者が不良債権に陥る高いリスクを示す。機械学習モデルからの目標可変成果(target variable outcome)は、消費者に７日以内に不良債権のリスクがあるか否かを示す二進成果を含んでもよい。

[0089] このシステムおよび方法は、６か月の期間にわたって消費者ローン・データを収集するステップと、消費者を２つのクラス、即ち、（１）不良債権に陥る高いリスク確率を有する不良顧客と、（２）不良債権に陥る低いリスク確率を有する優良顧客に分類するステップを含んでもよい。更に、このシステムおよび方法は、消費者の場所、ならびにｅ−ｗａｌｌｅｔおよびローン発行サーバの内少なくとも１つに対する現金入金に基づいて、消費者についての行動プロファイルを生成し、更に周期的な場所パターンをローンおよび取引活動と相関付け、消費者プロファイルおよび周期性によって、ローン実行パターン、ローンの使用、ローン返済、および取引活動を予測することができる。

[0090] 更に、この方法は、各取引の内容を通じて提供される消費者情報による消費者セグメント化に基づいて行動プロファイルを生成するステップと、親和性および購入経路分析を使用して、販促および季節的根拠ならびに経時的な購入間の連係に応じて、互いに関連して販売する製品を識別するステップとを含んでもよい。

[0091] 図１は、与信決定およびローン発行システムの一例の上位ブロック図であり、１００で全体的に示されたネットワーク接続システム全体の基本的コンポーネントを図示する。このシステムは、同様にローン発行サーバに対応するＭＯサーバ１０１ａを含むＭＯシステム１０１を含み、仮想プライベート・クラウド（ＶＰＣ）１０２に関連するコンポーネントを有することができる。これらのコンポーネントには、ＲＥＳＴ ＡＰＩ１０４が含まれ、インターネット上のコンピュータ・システム間における相互運用性に対応し(provide)、本システムがテキスト情報にアクセスし操作することを可能にする。ＭＯシステム１０１は、コントローラ１０６としてのプロセッサを、他の回路コンポーネントと共に含む。他のコンポーネントには、ローカル・ルール・エンジンとして動作するソフトウェアおよび／またはファームウェア、統合されたまたは別個の取引データベースを含み、取引データベースは、データ・ウェアハウス１０８のサブコンポーネントであっても、データ・ウェアハウス１０８を含んでもよい。データ・ウェアハウス１０８は、ＭＯサーバ１０１ａに組み込むことも、別体にすることもできる。

[0092] ＭＯサーバ１０１は、コントローラ１０６としてプロセッサを含み、プロセッサは更に機械学習モジュールも含むことができる。機械学習モジュールは、プロセッサに、機械学習モデルを任意の格納されている消費者ローン・データに適用させ、消費者が最大許容与信額の増額を請求するときを判定させ、そして最大許容与信額の増額に伴うリスクを判定させるように動作する。顧客としての消費者の異なる取引をデータ・ウェアハウスに格納することができ、顧客としての消費者によって実行される異なる取引を反映する異なる取引、および彼らの過去の履歴も格納することができる。この情報を格納し、後に機械学習モデルを、格納されている消費者ローン・データに適用し、消費者が最大許容与信額の増額を請求するときを判定し、そして最大許容与信額の増額に伴うリスクを判定することができる。機械学習モデルを適用する機械学習モジュールの更に他の態様について、平均、標準偏差、中央値、尖度、および歪度を考慮に入れる移動枠を有する回帰モデルの使用等を以下で説明する。

[0093] 通信モジュール１０７は、コントローラ１０６と共に動作し、ワイヤレス・ネットワークのような通信ネットワーク１０７ａと通信する。しかしながら、モジュール１０７は、陸線系、ＷｉＦｉ、または他の通信プロトコルとしても動作することができる。コントローラおよびローカル・ルール・エンジン１０６は、ｅ−ｗａｌｌｅｔアプリケーション１１０に対応するワレットＡＰＩとインターフェースする。非限定的な例では、ＭＯシステム１０１と統合されるものとして、Ａｍａｚｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅｓ（ＡＷＳ）１１２について説明するが、ＡＷＳ以外でも、他の種類のネットワーク・システムを実装し、使用することもできる。ローンの消費者としてのユーザは、彼らの移動体デバイス１１４およびそのアプリケーションを、Ａｍａｚｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅ ウェブ・アプリケーション・ファイアウォール（ＡＷＳ ＷＡＦ）１１６のインターフェースと共に動作させ、ウェブ・アプリケーションを一般的なウェブ・エクスプロイトから保護し、セキュア・ロック・ロゴ(secure lock logo)１１８によって示されるように、セキュリティを提供する。セキュア・ロック・ロゴ１１８は、セキュリティ侵害の悪化(compromising security breach)および他の出来事、または過度なリソースを消費するデータ侵害に対して保護するために、しかるべきコードおよび／またはハードウェア・コンポーネントを含む。ＭＯシステム１０１は、どのデータ・トラフィックを許容するか制御することができ、ウェブ・アプリケーションを阻止する(block)ことができ、カスタム化可能なウェブ・セキュリティ・ルールを定めることができる。異なる時間フレームおよびアプリケーション毎に、カスタム・ルールを作成することもできる。ＭＯシステム１０１のシステム操作者は、ＭＯサーバと関連付けられるような、ＡＰＩを使用して、改良のあらゆる作成および展開、システム動作、およびウェブ・セキュリティ・ルールの維持を自動化する。

[0094] ＡＷＳ ＷＡＦ１１６は、Ａｍａｚｏｎ ＣｌｏｕｄＦｒｏｎｔ１２０と統合される。Ａｍａｚｏｎ ＣｌｏｕｄＦｒｏｎｔ１２０は、通例、アプリケーション負荷バランサ（ＡＬＢ：application load balancer）を含む。ＣｌｏｕｄＦｒｏｎｔ１２０は、ウェブ・サービスとして動作して、レイテンシが低くデータ転送速度が高い効果的なデータ分散を可能にする。他の種類のウェブ・サービス・システムを使用することもできる。Ａｍａｚｏｎ ＣｌｏｕｄＦｒｏｎｔ１２０は、仮想プライベート・クラウド（ＶＰＣ）１０２と相互動作して、ＭＯシステム１０１が定める仮想ネットワークにおいて種々のリソースを投下する(launch)ために、ＣｌｏｕｄＦｒｏｎｔ１２０の論理的に分離されたセクションをプロビジョニングする。これによって、ルート・テーブル１２２ｃおよびネットワーク・ゲートウェイ１２２ｄに対するＩＰアドレス範囲１２２ａ、サブネット１２２ｂ、ならびに構成を含む、仮想ネットワーキング環境全体の制御を可能にする。ハードウェアＶＰＮ接続１２４は、企業データ・センタ１２６とＭＯシステムの仮想プライベート・クラウド１０２との間に存在し、ＡＷＳＣｌｏｕｄＦｒｏｎｔを企業データ・センタの拡張部として利用することができる。企業データ・センタ１２６は、しかるべきサーバまたはプロセッサ１２６ａ、データベース１２６ｂ、および通信モジュール１２６ｃを含む。通信モジュール１２６ｃは、ＭＯシステム１０１に対応するＭＯサーバと通信し、非限定的な例では、企業データ・センタを組み込むことができる。

[0095] 仮想プライベート・クラウド１０２の一部は、代表的状態転送（ＲＥＳＴ： Representational State Transfer）アプリケーション・プログラミング・インターフェース（ＡＰＩ）１０４であり、インターネット上のコンピュータ・システム間において相互運用性を提供し、異なるデータ要求元システムが、同型の予め定められた１組のステートレス動作を使用して、ウェブ・リソースの表現にアクセスし、これを操作することを可能にする。Ａｍａｚｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅｓ１１２は、ＡＷＳ鍵管理サービス（ＫＭＳ）１２８と相互動作し、暗号を管理し、ＡＷＳサービス全域にわたってデータを暗号化するために、鍵の格納、管理、および監査(auditing)を行う(provide)。ＡＷＳ ＣｌｏｕｄＴｒａｉｌ１３０は、アカウント上で行われたＡＰＩコールを記録し、ログ・ファイルを、例えば、クラウド・ストレージとして、「Ｓ３」バケットまたはデータベースに配信する。一例では、クラウドのような１つ以上のデータベースが、取引データベースとして動作するデータ・ウェアハウス１０８の一部となることができ、ユーザ活動の可視化に対応する。何故なら、これはＭＯシステム１０１のアカウント上で行われたＡＰＩコールを記録するからである。ＣｌｏｕｄＴｒａｉｌ１３０は、各ＡＰＩコールについての情報を記録することができ、この情報には、ＡＰＩの名称、コール元の識別情報(identity)、時間、および異なるパラメータが含まれる。この情報は、ＡＷＳリソースに対して行われた変更を追跡し、セキュリティ強化およびユーザの識別向上を決定するために、サービスによって要求されてもよく、またはサービスによって戻される応答エレメントであってもよい。

[0096] ＡＷＳ識別およびアクセス管理（ＩＡＭ：Identity and Access Management）１３４は、ＭＯシステム１０１が個々のアクセスおよび集合アクセスを安全に制御し、ユーザ識別情報を作成および管理し、異なるリソースにアクセスする許可をこれらのユーザに付与することを可能にする。ＡＷＳクラウドＨＳＭサービス１３６は、異なる要件の順守を可能にし、クラウド内におけるハードウェア・セキュリティ・モジュール・アプライアンスを使用するデータ・セキュリティを含む。これは、暗号鍵の管理を補助することもできる。ＡＷＳ ＣＯＮＦＩＧモジュール１３８は、順守監査、セキュリティ分析、変更管理、および運用上のトラブルシューティングを可能にする。構成の変化および関係の見直しを伴う異なるリソースを、一覧に纏める(inventoried)ことができる。ＲＥＳＴ ＡＰＩ１０４は、ＭＯシステム１０１のコントローラ１０６およびデータ・ウェアハウス１０８の一部として、 ローン・ルール・エンジンと相互動作する。

[0097] ＭＯシステム１０１は、非限定的な一例では、２−フェーズ手法で動作する。図２および図３は、それぞれのプレスコアリング・プロセス（図２）および与信決定更新相互作用（図３）で使用されるコンポーネントを示す。基本的なコンポーネントについて、新たな参照番号を付けて説明して、図２に示す。ユーザ・デバイス１５０が、アプリケーションの一部として、ｅ−ｗａｌｌｅｔ１５２およびアプリケーションＡＰＩ１５４と相互動作し、ＭＯシステム１０１とインターフェースしてローンを獲得し、更に、データ・ウェアハウス１５８と相互動作するアプリケーション・データベース１５６とインターフェースする。アプリケーションＡＰＩ１５４は、与信決定エンジン１６０と相互動作する。図１に示すように、与信決定エンジン１６０は、ローン・ルール・エンジン１０６に対応することができる。モジュール／コンポーネントの多くは、同じＭＯサーバ内に組み込むことができ、または別個にすることもできる。データ・ウェアハウス１５８は、図１におけるデータ・ウェアハウス１０８に対応することができる。アプリケーション・データベース１５６は、別個であることまたはデータ・ウェアハウスと統合することができ、リレーショナルおよび非リレーショナル・コンポーネントを含むことができる。消費者からの初期データは、最初にアプリケーション・データベース１５６に格納することができ、データ・ウェアハウスよりも動的で短期用のメモリにすることもできる。図１における他のユニットは、それぞれ、図１のｅ−ｗａｌｌｅｔ１１０から図２におけるｅ−ｗａｌｌｅｔ１５２までのような種々のコンポーネントに対応することができ、アプリケーション・データベース１５６は、データ・ウェアハウス１５８の一部に対応することができ、または仮想プライベート・クラウド１０２の一部のような別個のデータベースであってもよいが、場合によっては、ＭＯシステム１０１およびＭＯサーバのコンポーネントの一部のままであってもよい。

[0098] これより図３を参照すると、与信決定更新相互作用の同様の図が示されているが、外部データ源１６２も示す。ここで図４を参照すると、データ・ウェアハウス１５８はデータ源１６２からデータを受信する。データ源１６２は、ＥＴＬ（抽出、変換、ロード）ジョブおよび機械学習コンポーネント１６４と相互動作する。一方、機械学習コンポーネント１６４は、Ａｍａｚｏｎ単純クラウド記憶サービス（Ｓ３）１６６のようなデータ・ストアと相互動作し、非限定的な例では、インターネット・データ・ウェアハウス・サービス１６８としてのＡｍａｚｏｎ Ｒｅｄｓｈｉｆｔと相互動作する。これらのコンポーネントは、機械学習を通じて、ビジネス・インテリジェンス報告モジュール１７０と相互動作する。このプロセスでは、ＳＱＬ（構造的クエリ言語）および既存のビジネス・インテリジェンス・ツールを使用して、データを分析し、最も精度が高いデータ型を有するテーブルおよびコラムを作成し、方式の変更を検出し、テーブルを最新に保つことができる。何十ものデータ入力を接続することができ、取引データおよびユーザ・データを分析するために、マッシュアップ(mash up)を作成することができる。データの型に応じて、リレーショナル・データベースおよび非リレーショナル・データベースの双方を使用することができる。

[0099] 図２におけるフロー・シーケンスによって全体的に示す第１フェーズでは、ユーザ１５０が最初にｅ−ｗａｌｌｅｔ１５２またはＭＯシステム１０１に接続されている他の取引アプリケーション・プラットフォームにサインインすると、本システムは、エンジン１６０の処理によって、通例では、１組の初期データに基づいて、そしてユーザについての識別データを全く取得せずに、第１の予め承認された最大与信額を生成する。この最初の匿名与信決定は、通例、ユーザ・データがシステムに渡されてから２０秒以内に行うことができる。

[00100] 図３におけるフロー・シーケンスによって全体的に示す第２フェーズでは、ユーザ・データが最初にデータ・ウェアハウス１５８に格納され初期最大与信額が指定された後、ＭＯシステム１０１は、周期的に最大与信額を更新するために、取引データおよび外部データを取得し始める。エンド・ユーザはローンを請求できないことは決してなく、ＭＯシステム１０１によって予め承認され設定された最大与信額までの貸し付け資金の放出(release)しか請求することができない。

フェーズ１：初期ユーザ・プロファイルの生成および最大与信額
[00101] コントローラ１０６（図１）の一部であってもよい、本システムの与信スコアリング・エンジン１６０、およびデータ・ウェアハウス１５８は、アプリケーションＡＰＩ１５４を通じて、ソースｅ−ｗａｌｌｅｔ１５２および取引アプリケーションによって、１組の初期ユーザ・データを取得する。

[00102] 図２のフロー・シーケンスに示すように、ユーザ１５０はｅ−ｗａｌｌｅｔ１５２と通信し、アプリケーションＡＰＩ１５４によって初期ユーザ・データを伝達する。アプリケーションＡＰＩ１５４は、ＭＯシステム１０１によって実装され、移動体デバイス上に送り込まれた(bring up)アプリケーション、またはウェブ・ポータルを通じてアクセスするアプリケーションとすることができる。このデータは、アプリケーション・データベース１５６およびデータ・ウェアハウス１５８に格納される。この初期ユーザ・データに基づいて、ユーザは与信請求を行い、アプリケーションＡＰＩ１５４は顧客（ユーザ）に対して行うことができるローンの最大額について、与信（またはローン）エンジン１６０に問い合わせ、最大ローン額についてのデータを戻す。この初期請求に基づいて、ユーザがＭＯシステムにどのように接触したかに応じて、 最大ローン額についての応答がユーザの移動体デバイス１５０に、または一例として、ウェブ・ポータルに戻される。この最大ローン額情報は、アプリケーションＡＰＩ１５４からアプリケーション・データベース１５６にも転送され、データ・ウェアハウス１５８に格納される。

[00103] この１組の初期データは、外部データ源に基づく、外部データベースからのユーザ・データとの初期通信から引き出されてもよく、性別、年齢、場所、電話の種類、携帯電話事業者、およびランダムに生成されたユーザＩＤを含むことができる。ユーザＩＤは、ｅ−ｗａｌｌｅｔ１５２および取引アプリケーション・データベース１５６において実際のユーザ(physical user)に設定されたこのデータと一意に一致する。ＭＯシステム１０１は、名前全体、住所、クレジット・カード番号、パスポート番号、または政府発行のＩＤ番号というような、ユーザ１５０の識別を可能にする情報を全く取得しない。

[00104] ユーザ毎に生成される初期データ構造の一例は、ユーザＩＤ、属性１、属性２、属性３、属性４、．．．、属性Ｎである。本システムは、この初期属性ストリングを使用して、このユーザ属性ストリングをユーザのデータベースと照合し、ユーザ・プロファイルに対して最大信用スコアを適用することによって、このユーザに対する即座信用スコアを生成する。最大信用スコアは、１組の初期属性と一致する全てのユーザ・プロファイル間における平均信用力として計算される。

[00105] 初期ユーザＩＤ：Ｎ個の属性。
[00106] ａ）ユーザ・データベース照合。
[00107] 同じＮ個の属性値と照合するユーザによるフィルタ。Ｎ＋Ｙ〜Ｚの属性を有するＸユーザ・プロファイル。
[00108] ｂ）最大与信額の計算
[00109] Ｎ＋Ｙ〜Ｚの属性を有するユーザ・プロファイルに対する最大与信額の平均値、
[00110] Ｎ＋Ｙ〜Ｚの属性を有するユーザ・プロファイルに対する返済ローン予測の相関付けおよび確率、および
[00111] ビジネス・ルールの適用。

[00112] このユーザについて計算された最大与信額を、次に、ＭＯシステムのＡＰＩ１５４を通じて、ｅ−ｗａｌｌｅｔ１５２に送り、次いで取引またはアプリケーションＡＰＩ１５４を、ランダムに生成されたユーザＩＤ番号とタグ付けする。次いで、ｅ−ｗａｌｌｅｔ１５２および「取引」ＡＰＩアプリケーション１５４は、ユーザＩＤをＭＯシステム１０１を操作する(operating with)実際の物理ユーザと照合し、このユーザに対して、最大与信額の値は、予め承認された与信額となる。
[00113] 以上のプロセスは、ユーザ・データの最初の取得から、ユーザに対する最大与信額の伝達まで、典型的な事例では、約２０秒を要するとすればよい。

フェーズ２：ユーザ・プロファイル・データの拡大(expansion)
[00114] 一旦新たなユーザがデータ・ウェアハウス１５８に記録され、初期最大信用スコアが生成されたなら、ＭＯシステム１０１は、ローン活動を使用して、ユーザ・プロファイルに新たな属性を追加および計算し、ｅ−ｗａｌｌｅｔ１５２および取引アプリケーションＡＰＩ１５４から全ての取引データを取得するプロセスを開始する。この例では、ユーザ取引データは、ｅ−ｗａｌｌｅｔ１５２および取引アプリケーションＡＰＩ１５４から、Ｘ時間毎に１回インポートすることができる。

[00115] また、ＭＯシステム１０１は、関連する外部属性をユーザ・プロファイルと照合する。ＭＯシステム１０１は、一例では外部データ源１６２のような、種々の公的ドメイン源からインポートされる外部データのデータベースを生成することもできる。この外部データは、連続的に更新され、ユーザの初期の汎用属性、例えば、場所リンク属性(location linked attributes)、性別リンク属性、年齢リンク属性、携帯電話事業者リンク属性、およびセル・フォン・タイプ・リンク属性(cell phone type linked attributes)にリンクするユーザに相関付けられる。

[00116] 新たなデータ属性は、データ・ウェアハウス１５８に格納され、ユーザＩＤのような一意のユーザＩＤ、およびＮ（初期）＋Ｘ（取引）＋Ｙ（外部）＋Ｚ（ローン／返済）のような属性に関連付けられる。

ローン活動
[00117] これらの活動は、ローン取引（借りたローン、ローンの使用、額、日付けおよび時間）および返済活動（返済、額、日付けおよび時間）を含む。

取引データ
[00118] 取引データは、ｅ−ｗａｌｌｅｔ１５２およびそのＭＯサーバ上のＭＯシステム１０１において現れる(occur)ような、アプリケーション・プラットフォーム上の取引活動からの全てのデータ、例えば、以下のような、ユーザのディジタル行動の輪郭を描く、データを含むことができる。
[00119] 現金入金(cash-in)取引（額、入金の種類、入金の場所、日付けおよび時間）、
[00120] 現金引き出し取引（額、引き出しの種類、引き出しの場所、日付けおよび時間）、
[00121] 請求書支払い取引（請求書の種類、請求書のステータス［期限切れ、前払い、定刻］、額、日付けおよび時間）、
[00122] 購入取引（額、購入の種類、購入の場所、日付けおよび時間）、
[00123] 携帯電話補給(top up)（額、補給の場所、日付けおよび時間）、
[00124] ログイン活動（ログインの日付けおよび時間、セッションの期間、セッション・フロー、各画面上で費やされた時間）、
[00125] 販売取引（販売額、販売する製品の種類、販売の場所、日付けおよび時間）、
[00126] 委任取引（手数料の額、委任の種類、日付けおよび時間）、
[00127] 送金取引（送信／受信、送信者／受信者、額、場所、日付けおよび時間）、および
[00128] ｅ−ｗａｌｌｅｔ／プラットフォームに記録されている任意の他の取引または活動。

外部データ
[00129] 外部データは、図３および図４に示すような、外部データ源１６２から受信することができ、以下のような、公的ドメイン源、有料データ源(paid for data sources)、ならびに移動体運用者の履歴データ・アーカイブから収集されるデータを含むことができる。

[00130] ジオロケーションによる犯罪記録、
[00131] ジオロケーションによる任意の住宅の価値、
[00132] ジオロケーションによる任意の賃貸住宅の価値、
[00133] ジオロケーション、性別、および年齢集合による平均収入、
[00134] ジオロケーションおよび性別による教育データ、
[00135] ジオロケーションによる公共交通機関の選択肢、
[00136] ジオロケーション、性別、および年齢群別のソーシャル・メディア活動、
[00137] ジオロケーション別に利用可能なインフラストラクチャおよびサービス（病院、歯医者、医療機関、スーパーマーケット、ハードウェア店、家具店、商店街等）、ならびに
[00138] 移動体使用データ（アカウントの使用年数(age)、発呼数、着呼数、移動体番号の発呼数、平均月間利用(spending)、月間補給数等）。

[00139] これより図５を参照すると、潜在的顧客としてのユーザの信用力およびリスクを判定するために使用される外部変数を収集するプロセスの更なる詳細が示されている。外部変数は、全て公開情報と見なされ、公共および私的インフラストラクチャ、天気、格付け、周囲の店舗の公開評価というようなジオロケーション情報を通じて収集することができる。共通のデータ源には、Ｇｏｏｇｌｅ ＭａｐｓおよびＯｐｅｎ Ｓｔｒｅｅｔ Ｍａｐｓというようなウェブ・マッピング・サービス、ウェブ・サービス、ウェブ・ページ、ならびに公開データ・レポジトリが含まれる。Ｏｐｅｎ Ｓｔｒｅｅｔ Ｍａｐ２００、Ｇｏｏｇｌｅ２０２、Ｔｒｉｐ Ａｄｖｉｓｏｒ２０４、および他のデータ源２０６というような、種々のデータ源が、非限定的な例として、示されている。

[00140] 例えば、Ｏｐｅｎ Ｓｔｒｅｅｔ Ｍａｐアプリケーションは、Ａｍａｚｏｎ ウェブ・サービス・クラウド・ストレージ２０８（Ｓ３）から入手可能であり、Ｇｏｏｇｌｅ Ｐｌａｃｅｓ ＡＰＩおよびウェブ・サービス２１０は、Ｇｏｏｇｌｅ ＭａｐｓおよびＧｅｏｃｏｄｉｎｇ ＡＰＩ２１２を含む、Ｇｏｏｇｌｅと相互動作することができる。ウェブ・スクレーピング(web scraping)２１４を、他の取得方法２１６と共に使用してもよい。利用することができるデータ取得方法は、他にも多数ある。データが収集され、ウェブからローカル・レポジトリ２２０にコピーされ、次いで、生データ２２２は洗浄され(cleansed)（２２４）、変換され（２２６）、統合構造(aggregate features)が構築され（２２８）、最終的な構造が選択される（２３０）。尚、データ源の種類によってハーベスト・プロセス(harvest process)が決定され、一部のデータ源はテーブルのような直接ダウンロードに利用可能であることは理解されてしかるべきである。他のデータ源には、データにアクセスするために追加の方法を必要とするものもある。例えば、Ｇｏｏｇｌｅ Ｍａｐｓのデータおよび情報は、問い合わせによって得ることができ、種々のＧｏｏｇｌｅアプリケーション・プログラミング・インターフェース上で入手可能なデータを要求することができる。ウェブ・スクレーピング技法は、ウェブ・ページのような文書に収容されている情報にアクセスするための有用なツールである。関連情報を解析しキャプチャするために、データ解析プログラムを使用することもできる。一旦生データが収集されデータ源からローカル・レポジトリにコピーされたなら、本システムは予備処理ステージを実行し、予測モデルに使用することができる新たな構造を構築および選択するために、データを洗浄および変換する。

[00141] 特徴選択２３０を使用して、ＭＯサーバの一部、即ち、ＭＯシステム１０１としてのＭＯプロセッサ、およびルール・エンジン１０６は、社会経済学的ステータス、購買力、経済動学、および土地利用というような、いくつかの顧客特性を説明するのに寄与が大きい変数はどれか推論することができる。異なる方法によって、外部変数と目標特性との間の関係を確立することもできる。

[00142] 非限定的な学習方法として、異なる処理方法およびアルゴリズムを使用することもできる。例えば、各外部変数と目標との間の関連(association)を推論するために、相関係数を使用することもできる。相関が最も高い変数が、より良い目標記述子と見なされる。例えば、順位相関は、異なる変数の順位間の関係、または同じ変数の異なる順位間の関係を研究することができ、一方２つの変数間の線形関係の強さおよび方向の尺度は、変数の（サンプル）の共分散をそれらの（サンプル）標準偏差の積で除算することによって定めることができる。

[00143] 情報利得方法(information gain method)を使用することもでき、この方法は、情報利得に基づいて属性の関連性を計算し、それに応じて重みをこれらに割り当てる。属性の重みが大きい程、その関連性が高いと見なされる。情報利得は、大抵の場合、属性の関連性を判断するためのよい尺度となるが、いくつかの欠点を有する場合もあり、多数の異なる値を取る可能性がある属性に情報利得を適用するときに、顕著な問題が発生する。この問題は、利得比(gain ratio)によって対処することができる。任意の決定木学習において、情報利得比は情報利得の固有情報に対する比であり、属性を選択するときに分岐の数およびサイズを考慮に入れることによって、多値属性に向かうバイアスを低減することができる。利得比法を使用するランダム力(random force)は、利得比を使用するランダム力を属性選択器として訓練する。情報は、属性重みを生成するための利得比と見なすことができる。この判断法は、ランダム判断力(random decision force)としても知られており、一例では、訓練時に複数の決定木を構築し、クラスのモードであるクラスを分類として出力し、または平均予測を個々の木の回帰として出力することによって、動作する。

[00144] また、ジニ不純係数に基づいて設定される所与の外部変数の属性の関連性を計算するジニ係数による重みを使用することもできる。ジニ係数演算子による重みは、クラス分布のジニ係数を計算することによって、目標属性に関する属性の重みを計算する。属性の重みが大きい程、関連が深いと見なされる。これは、ジニ係数(Gini coefficient)における統計的分散の尺度として動作し、度数分布の値間で同一にする(making equality)。

[00145] 入力集合の変数毎に、目標に関する重みを計算することによって、外部変数の関連性を計算するサポート・ベクトル・マシン（ＳＶＭ）による重みを使用することができる。この重みは、ＳＶＭによって計算される超平面(hyper plain)の係数を表す。これらは、分類および回帰分析のために使用されるデータを分析する、教師付き学習モデルとして動作する。

[00146] これより図６を参照すると、各方法によって採用される上位(top)属性間で選択するために使用される投票によって特徴を選択し、以前では別個に実行されていた予測を計算するための非限定的なアセンブリ戦略が示されている。入力データは、外部変数２３２および目標２３４を有し、学習方法２３６は、投票２４０によって予測２３８において１番の重み(the top by weight)を選択し、選択された外部変数を確定する。

[00147] これより図７を参照すると、ＭＯシステムによってサポートされる製品提供(product offering)を最大化するためのローンおよび実行(disbursement)の種類例が示されている。積極型２５０、反応型２５２、および法人２５４ローンがサポートされ、更に無制限型２６０ａ、制限型２６０ｂ、および請求書支払い支出(bill pay disbursement)型２６２ａがサポートされる。図示のように、顧客通信マネージャ２５８は、ユーザと共に、通例、彼らの移動体アプリケーションを通じて機能し、ユーザへの全てのメッセージ配信は、ＭＯシステム１０１によって、顧客通信マネージャ・モジュール２５８を通じて管理される。このモデル２５８は全てのメッセージ配信を管理する。顧客通信マネージャ・モジュール２５８は、パスワードおよびアクセス変更を含む、受取人のユーザ・アカウントを管理する。積極型システム２５０によって示すように、ユーザはアプリケーションにアクセスし、プレスコアリングによって最大与信額が表示され、顧客(client)は額を選択し、ローンが実行される（ブロック２６０）。これは、任意の現金引き出し(cash out)に対してローンがユーザに入金される無制限型（ブロック２６０ａ）、またはローンがユーザのサブウォレット(sub-wallet)に入金され、現金引き出しが特定の使用に制限される（ブロック２６０ｂ）限定型のいずれかである。反応型システム２５２では、ユーザは期限日が近い請求書を有し、ＭＯシステム１０１は、請求書に対して支払うために利用可能な与信額(credit)をユーザに伝える。ｅ−ｗａｌｌｅｔを通すことなく、請求書を直接支払うために（ブロック２６２）、ローンを実行することができる（ブロック２６２ａ）。請求書支払いとして、第３の種類の支出(disbursement)が行われ、ユーザの財布を通すことなく（またはユーザの財布に入れることなく）、直接請求書に対して支払うために、ローンが使用される（ブロック２６２）。法人ローン２５４では、統合ローン・モジュールによって、会社が特定の目的のために従業員にローンを提供することができる。

[00148] これより図８〜図１２を参照すると、保証される積極型、反応型、および法人与信というような、図７に示した種々のプロセスのためのフロー・シーケンスが示されている。図１１では、完済または部分返済（図１２）として、取り立て(collection)を示す。これらの図の各々は、ユーザ・デバイス１５０を示し、クラウド３００によって示されるアプリケーションと共に動作し、ローン・ルール・エンジン１０６およびデータ・ウェアハウス１０８を含むシステムと相互動作する。矢印Ａはユーザに対応し、Ｂはｅ−ｗａｌｌｅｔアプリケーションに対応し、Ｃはシステム・ルール・エンジンに対応する。

[00149] ここで図８を参照すると、積極的与信のフロー・シーケンスが示されており、ローン請求の種々のステップがあり、与信通知において口座を確認し、それに続いて入金される口座の確認が行われ、通知され、ｅ−ｗａｌｌｅｔに入金される。周期的なユーザ・データ更新によって、取引要求が行われ、取引処理によって請求書支払いが行われる。これは、ＭＯシステム１００のローン・ルール・エンジン１０６およびデータ・ウェアハウス１０８とユーザとの対話処理によって遂行される。このプロセスにおいて、サーバ１０１はローン承認コードを承認の一部として生成し、移動体ワイヤレス通信デバイスに送信する。これによって、消費者のデバイス上でＡＰＩを起動させ、消費者が、貸し付け総額、およびそれがどのように散乱されるかについても確認または入力することが可能になる。他の変形も行われてもよい。

[00150] ここで図９を参照すると、反応型与信のフロー・シーケンスが示されており、種々のステップおよび通知があり、図１０では、保証額のような法人与信のフロー・シーケンスが示されている。

[00151] ここで図１１を参照すると、完済におけるような取り立て(collection)が示されており、図１２では、この取り立てが、部分的返済として、フローのシーケンスによって示されている。

[00152] 再度図８を参照すると、積極型与信の詳細が示されており、ユーザは、彼らのデバイス１５０において、ローン請求のための取引を開始し、ユーザが事前承認され、ユーザが使用している移動体デバイス上においてというように、最大与信額がアプリケーションＡＰＩにおいて示される。ＭＯシステム１０１は、通知によって額を確認し、ユーザは確認し、この額が与信され、財布に入金される。また、取引要求によって、ユーザ・データが周期的に更新され、データ・ウェアハウスに格納されているデータは、ユーザ・データによって更新される。取引処理は、一例として、ＭａｓｔｅｒＣａｒｄまたはＶＩＳＡのような、クレジット・カード・プロセッサによって行われ、または請求書の支払いは、図示する非限定的な例におけるように、ケーブル・テレビ会社またはＤｉｒｅｃｔ ＴＶにというように行われる。ローン承認コードは、ユーザのＡＰＩが、ｅ−ｗａｌｌｅｔに入金することを可能にすることを確認できるように、ローン請求を確認するための通知のように単純にすることができる。

[00153] ここで図９を参照すると、反応型与信プロセスが示されており、ＭＯシステム１０１が、請求書に対して支払う事前承認与信についての通知によって、取引を開始し、この例では、通知はユーザの移動体電話機に対して行われる。与信が確認され、請求書支払い通知が、周期的に行われるユーザ・データ更新において、取引処理によって行われる。

[00154] 図１０に示す法人保証与信では、確認された事前承認与信について通知が行われ、入金されるｅ−ｗａｌｌｅｔによって、与信口座通知が行われ、続いて、周期的なユーザ・データ更新において取引要求が行われる。

[00155] 取り立て(collection)に対する完済(complete repayment)を図１１に示す。ここでは、ローン額を増額するために通知が行われ、利子(interest)を含み、ユーザの口座から資金が出され、ＭＯシステム１０１に入金される。与信額が増額されたという通知が行われ、次いで、クレジットが支払われ与信額が増額されたという通知が、デバイスおよびアプリケーションに対して行われる。ユーザ・データは周期的に更新される。

[00156] 取り立てに対する一部返済が図１２に示されており、同様の通知が、ローン額が増額されたことを示すが、アプリケーションから、ユーザが口座に資金を有していないという通知が出され、新たな残高を、毎日増大する利子と共に、支払われなければならないという通知が出される。これがトリガするのは、ローン全額および利子が返済されるまで、ユーザが入金を行うと直ちに資金がＭＯシステムに支払われるときである。次いで、ユーザはアプリケーションを通じて入金を行い、資金はユーザの口座から引き出され、ＭＯ口座に入金される。アプリケーションは、クレジットが部分的に支払われたという通知を出し、この時点において、ローン全額が返済されるまで、このプロセスが繰り返される。ユーザは入金を行うことができ、資金はユーザの口座から引き出されてＭＯシステムの口座に入金され、次いでクレジットが全額支払われたという通知が行われる。このユーザ・データの格納および更新が行われる。これらの例全てにおいて、ＡＰＩまたは他の機能を起動し、ローンの額または確認というようなデータの更なる入力を可能にするために、ローン承認コードを生成することができる。

[00157] これより図１３〜図１５を参照すると、ＧＳＭ（登録商標）電話機を含む移動体デバイス上で使用することができるＵＳＳＤメニューの潜在的なスクリーン・ショットとして、ワイヤ・フレームが示されている。ＵＳＳＤ上で送られるメッセージは、標準化団体によって定められず、このため、ＭＯシステム１０１およびそのネットワーク事業者が、図示のように、最も適したメニューを実装することができる。

[00158] 図１３に示すように、ワイヤ・フレームは、ユーザがローンを請求したことを示し、主メニューおよび選択されたローンを示す（ブロック４００）。事前承認ローンが請求され（ブロック４０２）、事前承認ローンが表示され、請求に対する金額を入力することができる（ブロック４０４）。ユーザは受け入れることができ（ブロック４０６）、主メニューの指示と共に、ローンが届けられる（ブロック４０８）。ローンを支払うためのワイヤ・フレームが図１４に示され、主メニューにおいてローン額が示され（ブロック４１０）、支払いのための事前承認ローンが示され（ブロック４１２）、続いて、支払うことが選択されたローンおよびその日付けを示し（ブロック４１４）、現在のローン額を示し（ブロック４１６）、ここで情報を挿入または確認することができ、続いて首尾良く支払われる（ブロック４１８）。

[00159] 一例として、ＵＳＳＤメニューを使用してローンの相談をするためのワイヤ・フレームを図１５に示す。主メニューが示され、ローンが選択され（ブロック４２０）、事前承認ローンについての相談が選択される（ブロック４２２）。ユーザが相談したいローンを選択するためにメニューが使用され、オープン・ローン(open loan)が選択される（ブロック４２４）。ユーザは、相談するローンを、特定の日付けと合わせて選択し（ブロック４２６）、これに続いて、その日付けの現在のローン額、および最終支払い日のような詳細が表示され（ブロック４２８）、過去の支払いに対する選択を示し、その過去の支払いが示される（ブロック４３０）。

[00160] これより図１６〜図２５を参照すると、多くの従来からの移動体デバイス上で使用することができるアプリケーション・メニューの潜在的なスクリーン・ショットとして、ワイヤ・フレームが示されている。尚、巨額のドルであるように思われるものは、僅か数ドルの通貨単位(monetary denomiination)に対応する場合もあり得ることは、理解されてしかるべきである。何故なら、この例は、非常に大きな数値が、換算すると、僅か数米ドルに対応する可能性がある外国における可能性もあり、したがって、ナノおよびマイクロ・ローンを示すことになるからである。例えば、図１６は、事前承認ローンの請求を示し、事前承認額が２５，０００ドルであることが示され（ブロック４５０）、次いでローンの請求がなされ（ブロック４５２）、１，０００ドルのような、入力することができる額、および３０日以内に返済される額が示され、利用規約(terms and conditions)の同意が示される（ブロック４５２）。ローンが交付されたという通知が出される（ブロック４５４）。ローンが予定通りに返済された場合、事前承認額は増額し続ける。この時点において、契約書を送ることができ、ローンについての更なる詳細が電子メールでユーザに宛てられる。ブロック４５２において、この契約およびその他の条件を説明する条件が受け入れられる。

[00161] これより図１７および図１８を参照すると、ローンを支払うときの潜在的なスクリーン・ショットとしてのワイヤ・フレームが示され、支払いを入力し（ブロック４５６）、続いて、３つの異なるローンが示される「私のローン」のように、異なるローンが示される（ブロック４５８）。図１８では、ローン１の額、日付け、および利子、ならびに支払い総額が示されている（ブロック４６０）。支払う額について、値を入力することができ、支払い完了が示され（ブロック４６２）、取引番号、日付け、時刻、および許可番号を有し、支払われたローンの額を反映する。

[00162] これより図１９および図２０を参照すると、ローンを相談するためのワイヤ・フレーム例が示されており、事前承認額についての相談ブロックが選択され（ブロック４６４）、これに相談すべきローンが続き、「私のローン」として異なるローンを示し（ブロック４６６）、初期額を反映し、資本金、今日の利子、今日の総額、および最終支払い日を、最終日の額および支払い選択と共に示す（ブロック４６８）。これに続いてローンが表示され、総額を支払うか、または他の額を支払いに選択するかが示される（ブロック４７０）。

[00163] これより図２１〜図２５を参照すると、ヘルプ・メニューの異なるワイヤ・フレームが示されており、初期メニュー（ブロック４７２）があり、これに続いて、ヘルプ・ボタンを選択した後（ブロック４７２）にローン・ヘルプが表示され、異なる通知、よくある質問、連絡先フォーム、およびチャットの選択を示し、ユーザはこれらにタッチする、即ち、選択することができる（ブロック４７４）。図２２において、初期通知ブロックが選択されて（ブロック４７６）異なる通知が示され、異なる支払いおよびローン（ブロック４７８）について異なる通知を示し、更に最初の支払いならびにその情報およびデータについての詳細（ブロック４８０）を示す。ブロックの選択により（ブロック４８２）図２３のよくある質問が示され、質問の選択肢が示され、この中から選択することができる（ブロック４８４）。図２４の連絡先フォーム（ブロック４８６）が示され、ＭＯシステムおよびそのネットワーク管理者に連絡するためのメニューが示される（ブロック４８８）。ヘルプ・メニュー（ブロック４９０）において該当するチャット・ボタンを選択することによって、ネットワーク管理者とチャットすることができ、続いて、チャットのための情報をユーザが入力することができる（ブロック４９２）。

[00164] これより、図２６〜図３９を参照すると、ＭＯシステム１０１として動作するＭＯサーバへの従来のインターネット接続によってパーソナル・コンピュータ上で使用するためというような、ウェブ・ポータル・アプリケーションの潜在的なスクリーン・ショットのワイヤ・フレームが示されている。ここで図２６を参照すると、ホーム・ページ例が示されおり、ローンの請求、どの位請求するのか、ならびにローン期間、コスト、および返済総額についての情報が示され、請求が行われる。ローン請求の確認および返済についての情報、支払い遅延についての情報、および期限内返済に基づく事前承認額の潜在的な増額の条件を受け入れる必要性を図２７に示す。

[00165] 確認を図２８に示す。ｅ−ｗａｌｌｅｔへというような、ローンの送達(delivery)についての情報、ローンの契約および詳細についての情報がある。全てのローンを相談するためのワイヤ・フレームを図２９に示す。図３０には、相談するローンを選択するためのワイヤ・フレームを示し、オープン・ローンのステータスを図３１に、日付け、支払い、新たな保留額、最終支払い日、およびその他のデータに関する情報と共に示す。図３２に示す可能な一部支払いと共に、ローン選択を示し、図３３に選択したローンの支払額を示し、支払いの確認を図３４に示す。ヘルプ・メニューを図３５に示し、よくある質問、ならびにナノおよびマイクロ・ローンを示すことによって、ＭＯシステムとは何かに対する回答を示す。図３６にヘルプ・メニューを示し、図３７にクローズド・ローン(closed loan)を示す。図３８にローン相談(loan to consult)を示し、クローズド・ローン証明書の要求を、クローズド・ローンの履歴の一部として示す。これは、ファイル上で電子メールで、図３９に示すシステムに宛てて送られ、ここに格納される。

[00166] これより図４０を参照すると、非限定的な例による行動予測の時間グラフが示され、本システムは、ｅ−ｗａｌｌｅｔへのユーザの入金、あるいはＭＯシステム１０１、サーバ、またはルール・エンジンを有するプロセッサと通信する取引プログラムに基づいて、ユーザについての行動プロファイルを生成することができる。ユーザの場所に基づいて、ＭＯシステム１０１は周期的な場所パターンをローンおよび取引活動に相関付ける。ＭＯシステム１０１は、ユーザの場所および現金入金(user location check-ins)を、一例として、場所関連データベースと照合する。場所関連データベースは、店舗、私的な場所、公共の場所に関するデータ、ならびに取引データを含むその他のデータを含み、周期的場所パターンをローンおよび取引活動に相関付ける。このようにして、ユーザ・プロファイルおよび周期性を、ローン実行パターン、ローンの使用、ローン返済、および取引活動について予測することができる。

[00167] この三次元時間グラフでは、特定のユーザについての場所を含む、異なる属性がＸ軸に沿って示され、取引の種類、額、および時間の記録(log)がＹ軸に沿って示されている。各日は、ユーザの活動をＺ軸に沿って示すので、既知の属性、場所、取引の種類、額、および時間を日Ｘまで、日毎に示す。このように、各日は、基本的な属性を有するユーザ毎に、店舗の位置に基づいて、特定の取引の種類、およびその特定の取引の額を有する。これらは互いに相関付けられる。

[00168] このように、図４０に示すように、ユーザＸＹＺ１２３４５が、日Ｘ＋Ｎに金額範囲［＄〜＄＄］で取引Ｚを行う特定の割合の確率(probability of a certain percentage)を知ることができる。各日は、各々具体的な場所にある１つ以上具体的な店舗を訪れ、具体的な取引を行うユーザＸＹＺ１２３４５を含む。具体的な取引は、ＭＯによって追跡され続ける。この情報に基づいて、特定の日、およびどの種類の取引が可能な店舗において具体的なドル範囲で行われ得るかに関して、消費者についての行動予測を確立することができる。これは特定の割合の確率に過ぎないが、本システムは、この種のデータおよび行動予測を消費者毎に使用することを可能にし、したがって、個々の消費者、消費者の部分集合(sub-unit)、または多数の消費者について、予測パターンを作ることができる。このデータを商人および／または他のラージ・データ販売業者に提供することができる。当然、消費者の個人情報および移動体通信デバイスの識別子も機密に保たれる。

[00169] 例えば、先に説明したフェーズ１のような、初期ユーザ・プロファイルの生成、および最大与信額の決定によって、システムがユーザ属性ストリングをユーザのデータベースと照合し、最大与信額をユーザに適用することを可能にする。新たなユーザがＭＯシステムおよびデータ・ウェアハウス１０８に記録され、異なるローン活動のような、異なる属性がユーザ毎に解明される(profiled)。取引データの記録が、ｅ−ｗａｌｌｅｔまたは取引アプリケーションから、ＡＰＩを通じて保持され、数時間毎に１回インポートされる。種々の公的ドメイン源によってインポートされる外部データも更新し、異なるユーザに相関付けることができる。

[00170] 日毎に、ユーザがｅ−ｗａｌｌｅｔまたは取引アプリケーションを使用する毎にというように、現金取引、特定の店舗に対する現金入金の種類、現金入金の場所、および日時というような、異なる取引データを記録することができる。また、請求書支払い取引だけでなく、現金引出取引も保持することができ、更に特定すれば、金額、購入の種類、購入場所、および日時を含む購入取引を保持することができる。これは、ログイン活動および販売取引と相関付けられ、あらゆる送金取引を含む。

[00171] 異なる種類の行動予測モデルおよびアルゴリズムを学習方法として使用することができ、ユーザ・プロファイルおよびローン実行パターンの周期性、ローンの使用、ローン返済、ならびに取引活動を予測するための行動プロファイルを生成し易くする。例えば、購入傾向、購入履歴のような、そして公に入手可能であるソーシャル・メディア活動をも含む、消費者行動データを利用する顧客会話モデリング（ＣＣＭ）を使用することができる。顧客のチャーン、リスク、または取得予測というような顧客行動活動のマルチスレッド分析、および線形回帰または分類モデルのバッチ計算を含むことができる従前からのツールを使用することができる。顧客会話モデリングは、本システムが、顧客行動が行われる前にそれを予測することを可能にし、行動変化を設定するための傾向検出のようなマルチスレッド行動に照準を当てることができ、チャネルを跨いでイベントを追跡し、これらを時間的に整列し、マルチチャネル行動間の相関を見出す整列アルゴリズムによる、行動パターンの持続、時間および場所を考慮に入れる循環パターン、およびマルチスレッド・パターンにおける消費者との過去の対話処理の深さ／広さの認識よりも重要である。

[00172] ファジー・クラスタリング、主要成分分析、および判別分析を使用することができる。いくつかの技法には、系列パターン・マイニングおよび相関ルール・マイニングを含んでもよい。また、重要な相関ルールの効果的なマイニングのために重み係数および効用(utility)を使用し、更に従前からのアプリオリ・アルゴリズムをも利用して、１組の相関ルールをデータベースから生成し、アプリオリ・アルゴリズムの非単調特性(anti-monotone property)を活用することができる。Ｋ−項目の集合が頻繁であるためには、この項目集合の（Ｋ−１）部分集合の全てが頻繁でなければならず、１組の相関ルールをマイニングし、重み時期(weight age)（Ｗ利得）および効用（Ｕ−利得）制約を受ければよい。マイニングされたあらゆる相関ルールに対して、複合効用重みスコア(combined utility weight score)を計算することができる。

[00173] 決定木および他のデータ・マイニング技法を使用することができる。決定木は、大きな１組のデータを小さなクラスに分割して分析することができ、木の各レベルが１つの判断に対応する。ノードおよびリーフが、いくつかの目標変数に似ているデータのクラスを構成することができる。名義値(nominal)（分類別で順序付けられない）、序数値(ordinal)（分類別で(categorical)あり、順序付けられる）、および区間(interval)値（順序付けられた値であり、平均化することができる）があり得る。決定木は、各リーフを純粋な集合として有することができ、部分集合が小さくなり過ぎて特異性のために精度の低い結果が生じない限り、純粋な集合だけが残るまで、木を更に分割することができる。１つの可能なアリゴリズムに、ＩＤ３、即ち、反復二分法３を、決定木構築アルゴリズムとしてあげることができる。これは、集合のエレメントが特定の型であることがどれ位確信できるかの尺度として、エントロピを使用する。

[00174] また、Ａ／Ｂ／多変量検査、顧客エンゲージメント、および行動ターゲティングというような、異なる分析技法を使用することもできる。同様の特性に基づいて顧客を統計的に総合的に分類し、目標に設定したマーケティング機会に合わせて、絞り込んだ(smaller)しかも同様の集合体を識別するのに役立つ顧客セグメント化のような、異なる高度分析を適用することもできる。バスケット・セグメント化(basket segmentation)は、顧客情報を各取引の内容を通じて提供することを可能にし、一方親和性および購入経路分析は、販促および季節的根拠ならびに経時的な購入間の連係に応じて、互いに関連して販売する製品を識別する。マーケティング・ミックス・モデリングは、顧客販促キャンペーンならびに製品傾向モデルおよび顧客行動を予測する損耗モデルから、いくつかの応答モデルを提供する。

[00175] ランダム力を含む他のロジスティック回帰およびニューラル・ネットワークは、入力としての固定長の特徴ベクトルに動作するベクトル・ベース・モデルを使用することができる。顧客履歴は、固定の１組の特徴に変換され、これらの特徴は、ドメインの専門家によって作成され(craft)、予測精度に対して信頼性のある１組の特徴を有する指標を反映することができる。実証実験の異なる反復を使用することができる。

[00176] １つの可能な技法をあげるとすると、再帰型ニューラル・ネットワーク（ＲＮＮ：recurrent neural network）を使用して、一連の取り込まれた顧客行為、および行為毎に更新される潜在状態を維持するデータに適用することができるベクトル・ベース方法を克服することであろう。ロジスティック回帰に似たベクトル・ベース機械学習の欠点の１つは、ドメインの知識およびデータ・サイン直観(data-sign intuition)を必要とすることであり、元の入力データから二進入力ベクトルを作成する、必要な前処理を含むことがある。

[00177] 特徴ベクトルにエンコードされた信号は、予測モデルによって拾い上げられる。
[00178] ベクトル・ベース方法とは対称的に、回帰型ニューラル・ネットワーク（ＲＮＮ）は、可変長ＴのシーケンスＸ＝（ｘ_ｉ，．．．，ｘ_Ｔ）を直接入力として取り込む。ＲＮＮは、計算セルの接続されたシーケンスとして構築することができる。ステップｔにおけるセルは、入力ｘ_Ｔを取り込み、隠れ状態h_t ∈ R^dを維持する。この隠れ状態は、直前の時間ステップｈ_ｔ−ｉにおける入力 ｘ_Ｔ およびセル状態から、次のように計算される。
ｈ_ｔ＝σ（Ｗ_ｘｘ_ｔ＋Ｗ_ｈｈ_ｔ−１＋ｂ）

[00179] ここで、Ｗ_ｘおよびＷ_ｈは、学習される重み行列であり、ｂは学習されるバイアス・ベクトルであり、σはシグモイド関数である。現在の時間ステップｔまでの入力シーケンス（ｘ_ｉ，．．．，ｘ_Ｔ）からデータを取り込む隠れ状態ｈ_ｔを使用することができる。早期入力からのデータを経時的に用意することができる。隠れ状態の次元ｄは、シナリオの時間動態の複雑さにしたがって選択されるハイパーパラメータとすることができる。

[00180] 長い短期メモリ・セル（ＬＳＴＭ：long short-term memory cell）を使用することができ、長期依存性を保存し易くし、更に長期メモリに対して追加のセル状態Ｃを維持し易くする。ゲーティング動作のカスケードを使用して、あらゆる隠れ状態およびセル状態ｈ_ｔおよびＣ_ｔを計算することもできるであろう。
ｆｔ＝σ（Ｗｆ［ｈｔ−１，ｘｔ］＋ｂｆ）
ｉｔ＝σ（Ｗｉ［ｈｔ−１，ｘｔ］＋ｂｉ）
Ｃ＾ｔ＝ｔａｎｈ（Ｗｃ［ｈｔ−１，ｘｔ］＋ｂＣ）
Ｃｔ＝ｆｔＣｔ−１＋ｉｔＣ＾ｔ
ｏｔ＝σ（Ｗ_Ｏ［ｈｔ−１，ｘｔ］＋ｂ_Ｏ）
ｈｔ＝ｏｔｔａｎｈ（Ｃｔ）

[00181] このカスケードでは、Ｗおよびｂは、学習される重み行列およびバイアス・ベクトルとすることができる。最終的な隠れ状態ｈＴはシーケンスを分類することができる。何故なら、単純な線形層または非線形層のシーケンスとすることができる予測ネットワークにｈＴを入力することができるからである。

[00182] 訓練期間があり、計算セルのパラメータＷおよびｂを使用して、予測精度を高めるのに役立てるために、入力シーケンスにおいて信号を検出することができる。入力シーケンスＸは、このプロセスによって、適した特徴ベクトルｈＴに圧縮される。多くの場合、圧縮プロセスは生入力からの特徴学習と見なされ、作業集約的人間特徴設計が、ネットワークを適用する前に、要求されなくてもよい理由となる。これらのモデルは、複雑で、ベクトル・ベース・システムと比較すると、学習および予測ステージに長い処理時間を要する。他にも調整すべきアーキテクチャの選択肢およびハイパーパラメータがあるので、これは更に複雑になる場合もある。

[00183] これらは、非限定的な例にしたがってシステムを使用して行うことができる、一種の行動予測分析の非限定的な例に過ぎない。
[00184] 以上で説明したシステムおよび方法は、図１に示したＭＯサーバ１０１の一部として機械学習モジュールを使用して、不良債権分析を実行することもできる。不良債権は、毎年収益の損失を著しく増大させる可能性がある。予測分析方法を使用することによって、負債損失を予測および回避することによって、本システムの有用性を改善することができる。システム１００が利用する重要な考慮事項があってもよく、このシステムは不良債権を予測および防止する方法を含む。システム１００は、分析モデリングと機械学習技法との組み合わせを使用する。予測モデルは、消費者としての顧客の履歴および取引データにおいて見出されるパターンを利用して、顧客のリスク、即ち、消費者が不良債権に陥るリスクを識別する。このモデルは、要因間の関係を取り込み、特定の１組の条件と関連付けられた、その消費者の不良債権のリスクまたは潜在性の評価を可能にする。これは、システム１００における自動意志決定を誘導し易くするので、システムは、消費者が最大許容与信額の増額を必要とするときを判定し、そして最大許容与信額の増額に伴うリスクを判定する。モデル成果に閾値を設定することができる。

[00185] 機械学習モデルは、不良債権予想を構築および実装することができる。問題は、教師付き学習問題として定式化することができ、システム１００は、顧客取引行動のような入力変数と、顧客毎に不良債権化(fall into bad dept)のラベルとを有する。システム１００は、入力データを処理し、関係を発見し、ラベルのような出力データを有する。入力データは、消費者ローン後データ(post consumer loan data)に関するような数値ベクトルとして表されてもよく、出力は０と１との間の確率でもよい。この確率は、顧客が不良債権に陥る確率を、例えば、０．６よりも大きな閾値のような値を表す。これは調節することができる。（１）問題の定義、（２）探索的データ分析、（３）特徴の順位付け、（４）モデル選択、および（５）モデル評価を含む種々のモデリング・ステップがある。

[00186] 問題定義に関して、不良債権の予想を導き出すのは常に容易であるのではない。何故なら、顧客(client)または消費者としての、顧客(customer)の借金を支払う能力に影響を及ぼす変数の数を予測するのが難しいからである。通例、その手法は、顧客(client)毎にモデルを訓練し、次いでデフォルトと関係付けられた与信変数の異常を識別する。この手法は、非常に顧客(client)集中型(centric)であり、未知の顧客または多くの取引履歴を有さない顧客に、この方法を適用することを困難にする。本システムは、一般化した手法を使用して、顧客(client)に無関係に、消費者が不良債権に陥る可能性(chance)を判定することができ、本システムは取引変数を探索し、不良債権行動を予測するパターンを一般化することができる。システム１００は、リスク影響度(risk severity)に対して敏感になるために、継続されることが予期される不良債権確率を戻すことができる。これは、顧客(client)のリスクの追跡を可能にし、０．６から変化するというような、顧客(client)定義閾値を、出力閾値として使用する結果に繋がり、本システムおよび方法を時間的に一層柔軟にすることができる。

[00187] 分析される特徴ベクトルがある。本システムは、機械学習モデリングを使用して、入力データの特徴と目標変数との間に、統計的に信頼できる関係を識別するという目的を有する。異なる特徴を使用することができ、これらの特徴は、非限定的な例として、６か月の時間枠における顧客(client)からの取引データと、顧客が次の７日の内に不良債権領域に向かって移動しているか否かを示す二進成果として目標変数とを含むことができる。特徴は時系列（経時的な顧客行動測定変数）から抽出されてもよく、これらの値は、顧客が不良債権になろうとしている時に警告することができる傾向、季節性、または変化を評価するのを補助することができる。使用することができる移動枠技法は７日のサンプリングを有するので、入力信号を滑らかにするために、６か月の時間枠にわたって取引変数を測定するとよい。得られた滑らかな時系列に基づいて、本システムは以下の統計、即ち、平均、標準偏差、中央値、尖度、および歪度を抽出することができる。時系列間の比率、および異なる取引変数の組み合わせを含む、他の変数を追加してもよい。

[00188] 図４１は、時系列の一例であり、その移動平均および移動標準偏差を示す。滑らかにした時系列の最後の点が、時系列全体を仮定する過去の成分を含むという仮定に基づいて、入力ベクトルを作成するために１０個の最後の点を使用することができる。不良債権リスクに基づいて顧客(client)が有することができるクラスは２つあり、論理１で表す不良債権の確率が高い顧客（ＢＡＤ）、および論理０で表すリスク確率が低い優良顧客（ＧＯＯＤ）である。

[00189] また、モデリングという目的もある。１つの目的は、精度であり、不良債権予測方法が、双方の可能な出力において高い性能を発揮し、不良債権の顧客を識別し、優良顧客を識別するようにする。また、連続出力を有する連続出力目的もあり、この特徴は、顧客のリスク影響度(risk severity)パスを追跡するために重要である。

[00190] 探索的データ分析が次のステージであってもよい。このステージは、取引データ集合の分析を主導して、視覚的方法および解釈を使用して、それらの主要な特性を要約する。つまり、システム１００は、形式的なモデリングを超えて、データがシステムに言えることを明らかにすることができる。この分析に基づくと、正確で精度が高い経験的手法に導くことができる仮説を策定することができる。一例として使用されるデータ集合は、２０３人の「優良」顧客および１１５人の不良債権に陥った顧客から成る３１８人の顧客を含むのでもよい。このデータ集合をクラス分けした分布を図４２に示す。これらの数値は、６３．８％および３６．２％に対応し、不良債権および優良債権を示すラベルがある。システム１００は、対にした変数を１つずつ分析することができ、指定されたラベルで区別する。この初期手法により、いくつかの変数はデフォルトのリスク行動と一層高く相関付けられると判定することができる。このステージにおいて、本システムは仮定を行い、仮説を生成し、今後の順位付けに関して次のステージで使用される候補変数を選択する。

[00191] 特徴順位付けステージでは、本システムは、本システムが使用する関連特徴（変数、予測子）の最終的な部分集合を選択することができる。以下の４つの理由から、関連が生じる。（１）モデルの簡素化、（２）短い訓練時間、（３）高さ一般化パワー(height generalization power)、および（４）次元の呪い(curse)を回避する。

[00192] 本システムは、標準的な方法を利用するために特徴順位付けを自動化し、不良債権を予想するためのモデルに最良な予測変数をモデルに供給する。再帰的特徴削減にしたがって、最も高く相関付けられたものから最も低く相関付けられたものまでの不良債権t区別のための最良の特徴は、（１）類似系列(kind series)における最大移動枠、（２）時系列における中央移動枠、（３）時系列における歪度移動枠、（４）時系列における最小移動枠、および（５）収入／支出比である。

[00193] 図４３Ａから図４３Ｐは、優良債権および不良債権についての棒グラフおよび散布図の代表的な例として、異なるグラフを示し、一方図４４Ａから図４４Ｃは３つの顧客クラスについてのラグ・プロットを示す。ラグ・プロットは、優良顧客および不良顧客の傾向を示す。この種の行動は、特徴順位付け方法の関係目的(relation objective)となることができる。この方法の出力は、得られる情報または特徴の予測力のスコアであってもよい。

[00194] 最終スコアは、以下の方法スコアの平均に基づいてもよい。
[00195] ＡＮＯＶＡ：分散の分析、
[00196] 相互情報：非負値としての２つのランダム変数間の情報スコアであり、変数間の依存性を測定する。

[00197] ランダム・フォーレスト：ランダム決定力は、分類のためのアンサンブル学習方法内にある。
[00198] カイ二乗：これは、分類別特徴(categorical features)間における相関または関連(association)の可能性を、それらの度数分布を使用して評価するために、分類別特徴の集合体に適用される統計的検査である。

[00199] 入力特徴に対する順位付けは、非限定的な例として図４５に示すプロットのように、表すことができる。水平軸に沿って、尖度（ｋｕｒｔ）、最大（ｍａｘ）、平均、中央値、歪度指図(skew commision)、およびその他の識別子が示されている。

[00200] 次に、モデル選択の例を示す。本システムは、時系列から抽出され、前述のアルゴリズムによって順位付けされた統計的特徴に基づいて、モデルを選択することができる。次の７日以内に不良債権を予測する分類モデルを検査することができる。入力変数は、変数の性質に基づいて異なる範囲を有し、外れ値の除去後に変数によってスケーリングされる内部空間範囲可変性を低下させる。本システムは、このステージにおいて、方法の範囲を検査し、定められた測定基準（ＦＩスコア）に基づいて、最も性能が良い方法を選択する目的を有する。

[00201] 次の方法、ランダム力、ロジスティック回帰、エキストラ・ツリー(extra trees)、サポート・ベクトル・マシン、およびＫＮＮを検査した。
[00202] 実験的設定の一例では、性能測定基準を考慮に入れ、システムはＦ１スコアを使用した。これはスコアを計算するために検査の正確さ「ｐ」およびリコール(recall)「ｒ」双方を考慮する尺度である。正確さ「ｐ」は、正しい陽性結果の数を、クラシファイアから戻された全ての陽性結果の数で除算した数値であり、「ｒ」は、正しい陽性結果(correct positive results)の数を全ての関連するサンプルで除算した数値である。一例では、検査分割(test partitioning)を訓練することができ、アルゴリズムに交差検証を当てはめるために、顧客の７０％を使用した。見えないデータでアルゴリズムを検査するために、顧客の約３０％を予約した。出力閾値として、顧客に対する不良債権確率が０．６よりも高い場合、この閾値の例では、高いリスクと見なされる。

[00203] モデルが検出する真陽性（不良債権）率は、図４６のグラフに示すように、データが多い程高くなる。図４６は、学習曲線を表示し、真陽性率（ＴＰＲ）が高くなることを示し、ＴＰＲのロジスティック回帰としてより多くの訓練例を追加し、更に訓練スコアおよび交差検証スコアも示す。検査（見えない）例について、図４７の例において、性能測定基準を示す。

[00204] また、本システムが行うモデル評価もある。２つのモデリングの目的を達成するために、本システムは高いＦＩスコアおよび連続出力を見て、提案する方法において、これらの目的を、ロジスティック回帰モデルとして当てはめる。次に、連続確率予測を使用するモデルの連続出力に関する更に詳しい説明が続く。

[00205] 顧客のスコアは、不良債権に陥る確率であってもよい。本システムは、不良顧客または消費者が高リスク領域に近づきつつあるときに、その顧客が債務不履行に陥ること、あるいは予想確率(frecated or forecast probability)において、不良債権が連続的に増大することを「仮定する」ことができる。この挙動は、高リスク確率が許容限度を超えたときに、閾値を定めるのに非常に便利である。一例では、モデルを訓練した後、本システムは、一例として、異なるクラスの６人の顧客を取り込み、異なる期間に顧客がどのように分類されたか証明する。顧客（消費者）毎に、５週間の間不良債権スコアを計算した。図４８Ａおよび図４８Ｂに示すように、潜在的な不良債権顧客に対して、確率が６０％未満になるのは希であり、一方優良顧客は２０％未満の不良債権確率を有した。図４８Ａおよび図４８Ｂは、不良債権状態に入った２人の顧客に対する確率Ｐ（Ｉ）、および不良債権状態に入った２人の通常（不良）顧客の確率Ｐ（Ｉ）を示し、図４９Ａおよび図４９Ｂも同様である。

[00206] 図５０Ａおよび図５０Ｂは、クラス０からの２人の顧客に対する確率Ｐ（Ｉ）のグラフを示す。図４８Ａ、図４８Ｂ、図４９Ａ、図４９Ｂ、図５０Ａ、および図５０Ｂにおけるこれらの例は、任意の顧客のリスク評価を追跡するために、本システムを使用できることを示す。顧客または消費者が高リスク領域から低リスク領域に移りつつあっても、または高リスク領域を後にして優良顧客になっても関係ない。警報閾値を設けてもよい。

[00207] 消費者としての顧客は、不良リスク(bad risk)予測に対する感度を下げるまたは上げるために、モデルを較正することができる。１つの可能なルールは、高リスク顧客の５０％だけに警報を出し、閾値を移動させるリスクが０．７６よりも高くなるようにすることである。顧客が警報に対してより積極的になる必要がある場合、本システムは、他の例として、閾値を０．６よりも高く移動させることもできる。

[00208] 図５１は、警告の閾値に対する割合を示し、更にＴＰＲ（真陽性率）およびＦＰＲ（偽陽性率）を示すグラフである。
[00209] 与信リスク予測用モデル・アーキテクチャとして、概要を図５２に示す。前処理は、第１ステップ、それに続く外れ値除去およびデータ・スケーリングとすればよい。これに続いて、特徴順位付けを行い、異なる特徴のリストを得て、更に、ＡＮＯＶＡ、相互情報、ランダム・フォーレスト、またはカイ二乗を含んでもよい。続いて、モデル選択を行い、例として、ランダム・フォーレスト、ロジスティック回帰、エキストラ・ツリー、およびサポート・ベクトル・マシンを含んでもよい。続いて、モデル評価を行い、連続確率予測およびＦＩスコアを得ることができる。このモデル・アーキテクチャにおける最終ステップには、警報下限を定める警報閾値が含まれる。

[00210] 先に記したように、非限定的な例によれば、６か月間の取引を追跡し、以下で説明するような債権追跡アルゴリズムを使用して、顧客が与信増額を請求するときを判定するだけでなく、この顧客にもっと多くの金銭を貸し付けるリスク、および債務不履行のリスクを低減することができる。本システムは、２つの変数の組み合わせを使用することができ、第１変数を顧客の優良行動に関係付け、第２変数を顧客の不良行動に関係付け、これら２つの変数の線形結合(linear combination)を行い、貸し手または企業に全くリスクをかけることなく、顧客がもっと多くの金銭を必要とするときを特定する。

[00211] 先に記したように、時系列（経時的な顧客行動変数）から特徴を抽出し、これらの値が、顧客が不良債権の状況に入ろうとしているときに警報を出すことができる 傾向、季節性、または変化を予測するに役立つ。一例では、７つの点の移動枠を、日として使用し、入力信号を滑らかにする。この移動枠では、使用される統計には、平均、標準偏差、中央値、尖度、および歪度が含まれる。他の変数を追加してもよく、委託および手数料間、ならびに再委託(recharge)および手数料間の比率を含むことができる。図４１のグラフに示すような時系列は、再委託についてであってもよく、点線でユーザを示し、移動平均の日を実践で示し、移動標準偏差を破線で示す。

[00212] 先に記したように、移動枠の点は、平均、標準偏差、および中央値のような測定値を含み、これらはデータ集合の値の中心傾向の尺度となり、平均(mean)（平均(average)）は、全てのデータ入力値の和を入力数で除算した値であり、中央値は、データ集合を順番に並べたときにデータの中央に位置する値である。データ集合が奇数の入力数を有するとき、中央値は中央のデータ入力であってもよく、データが偶数の入力数を有する場合、中央値は、中央にある２つの値を加算し、その結果を２で除算することによって得ればよい。いくつかの外れ値があり、これらは最大値でも最小値でもないが、残りのデータによって確定されるパターンとは異なり、平均値に影響を及ぼし、したがって、中央値は中心傾向の尺度として機能する(accommodate)ことができる。ばらつきの尺度があり、標準偏差が、サンプルまたは母数の可変性および一貫性を測定するために、これらを採用する(takes into effect)。分散および標準偏差は、どの位データが離間するかについての考えを与える。データが平均の近くに位置するとき、標準偏差は小さくなるが、データが広い値の範囲に広がるとき、標準偏差「Ｓ」は大きくなり、外れ値が標準偏差を大きくする。

[00213] 歪度および尖度を測定し、これらの変数を使用することにより、データ集合の位置および可変性を特徴付けることができ、歪度は対称性または対称性欠如の尺度となり、非対称的なデータ集合は、中心点の左および右で同じになる。尖度は、正規分布に対して、データが重い裾を持つか、または軽い裾を持つか測定する。つまり、高い尖度を有するデータ集合は、重い裾または外れ値を有する傾向があり、低い尖度を有するデータ集合は、軽い裾を有する、または外れ値を欠く傾向がある。歪度に使用できる１つの式に、歪度のフィッシャ−ピアソン係数をあげることができる。尚、正規分布に対する歪度はゼロ（０）であるのはもっともであり、対称的なデータはいずれもゼロ（０）に近い歪度を有するはずであることは、理解されてしかるべきである。歪度が負値である場合、データが左に裾を引くことを示し、歪度が正値である場合、右に裾を引くことを示す。つまり、左に裾を引くとき、左の裾は右の裾と比較して長くなる。

[00214] ユーザが「不良債権」状態にあるか否かについて先に記したような確率は、ロジスティック回帰モデルによって計算され、ロジスティック回帰は、従属変数が二又（二進）になるときに実行する回帰分析を使用することができる。一例では、これは予測分析であり、データを記述し、１つの従属二進変数と１つ以上の名義、序数、間隔、または比率レベル独立(ratio-level independent)変数との間の関係を説明する。また、回帰モデルは、従属変数が分類別であり、アルゴリズムが二進従属変数を使用してもよいように、定められてもよく、出力は、成果を現す２つの値「０」および「１」を取ることができる。つまり、リスク要因の存在が、直接確率モデルとして、特定の要因により、所与の成果の見込みを高めることを示すことができる。

[00215] 教師付き学習では、本システムは、機械学習によって、入力−出力対の例に基づいて入力を出力にマッピングする関数を処理し、１組の訓練例としてのラベル付き訓練データから関数を推論する。各例は、ベクトルのような入力オブジェクトと、教師信号のような所望の出力値との対であってもよい。訓練データを分析し、推論された関数を生成することができ、新たな例をマッピングするために使用することができる。一般に、訓練例を決定することができ、訓練集合として使用されるデータの型を決定し、訓練集合を集めることができる。学習された関数を表す入力特徴を決定し、対応する学習アルゴリズムにおいて、学習された関数の構造を決定することができる。

[00216] 尚、再帰的特徴消去（ＲＦＥ）は、モデル、例えば、回帰モデルまたはＳＶＭを繰り返し構築し、係数に基づいてというようにして、最良または最低いずれかの性能を発揮する特徴を選択することができ、その特徴を除外し、残りの特徴を用いてプロセスを繰り返すことは理解されてしかるべきである。これは、データ集合における全ての特徴が尽きるまで適用することができ、いつ除外されたかにしたがって、特徴を順位付けすることができる。線形相関を用いると、各特徴を独立して評価することができる。

[00217] 時系列におけるローリング・ウィンドウ(rolling window)としても知られる移動枠(moving window)に関して、経時的なモデル安定性を評価することができる。つまり、サンプルを通じて、固定サイズのローリング・ウィンドウにわたってパラメータ推定値を計算することができる。ローリング推定値は、不安定性を取り込むこともある。過去のデータによる検証試験(back testing)を使用することができ、最初に過去のデータを推定サンプルおよび予測サンプルに分割し、推定サンプルを使用してモデルを当てはめ、予測サンプルに対して、Ｈ−ステップ先の予測を行う。つまり、ローリング時間枠によるローリング回帰としての本システムは、元の全サンプルの内下位例(sub-example)によって、システムに回帰を繰り返し行わせることができる。次いで、回帰係数の時系列を受けることができ、これを分析することができる。

[00218] 再度、不良債権を有する顧客についての図４４Ａから図４４Ｃを参照すると、線形関係がある場合もある。ラグ・プロットは、２つの変数（ｘ，ｙ）が「遅れた」散布図であってもよく、「遅れ」(lagged)は固定量の経過時間であり、時系列における１組の観察が、第２以降のデータ集合に対して「遅れて」プロットされている。K番目の遅れは、時点ｉの前に「ｋ」個の時間点が発生した時間期間としてもよく、最も一般的に使用される遅れは、一次遅れプロットのように、１である。つまり、ラグ・プロットは、システムがモデルの適合性、過度に高いまたは低い値を有するデータ点のような外れ点、パターンがないデータを示すあらゆるランダム性、時系列における誤差項が期間毎に移転する系列相関、および規則的な周期で起こった時系列データにおける周期的な変動を示すことができる季節性をチェックすることを可能にすることができる。図４４Ａから図４４Ｃに示した例に基づいて、システムは、優良および不良の２つの集合体に分類できることは明白である。

[00219] 再度図４６を参照すると、学習曲線が示されており、真陽性率が、訓練例を追加するに連れて、高くなっている。訓練例は、スコアおよびロジスティック回帰（ＴＰＲ）と共に、真陽性率として示されている。これによって、感度および特殊性を、二進分類検査の性能の統計的尺度とすることができ、感度は、真陽性率として、検出のリコールまたは確率とも呼ばれ、正しく識別された陽性の割合を測定し、一方、特殊性は、真陰性率として、そのように正しく識別された陰性の割合を測定する。

[00220] 金融問題に適用される不良債権予測の一例では、本システムは、探索的データ分析から開始することができ、システムは、定められた問題に基づいて、差別力(discrimination power)を有する変数を識別する。直前の説明において識別された最も重要な変数を、低次元および連続空間に変換し、得られた特徴空間において、識別された「最も重要な変数」の代表性(representativeness)を測定するのは重要である。第１ステップでは、変数間の相関を分析することができ、２つの方法が目的を達成することができる。

[00221] 複数の対応分析特徴相関を使用することができる。名義カテゴリ・データ(nominal categorical data)のためのこのデータ分析技法では、データ集合における基礎構造を検出および表現することができ、点としてのデータを低次元ユークリッド空間において表現する。これは、多変量データ分析における分析上の課題であり、冗長で関連のない変数を識別することを含み、この冗長性に取り組むための予測モデリングは、変数の集合体を識別することができ、これら自体の間で相関付けできるもの、および同じデータ集合における他の変数集合体によって訂正できないものにする。多重コレスポンデンス分析は、多変量データ分析およびデータ・マイニングを使用して、カテゴリ変数の集合体間における変数連携(variable association)の低次元視覚的表現を発見および構築する。ＭＣＡ特徴相関付けおよびデータは、洞察(insight)のために外挿補間することができ、入力変数が目標変数に対して、そして互いに対してどれくらい近いか判定することができる。

[00222] 本システムは、ピアソン相関またはスピアマン相関を使用してというようにして、変数空間の相関付けの妥当性を判断することができる。相関付けによって、本システムが、広いクラスの従属を伴う統計的関係を判定し、互いに線形関係を有する変数がどれくらい近いか判定することを可能にすることができる。相関付けは、予測関係を示すことができる。２つの量の間における従属の一層馴染みのある測定値は、ピアソン積率相関係数であり、２つの変数の共分散を、標準偏差の積によって除算することができる。スピアマン順位相関係数を順位相関係数としてもよく、１つの変数が増加するに連れて、他の変数が増加する傾向にある範囲を、線形関係によってこの増加を表現することを必要とせずに、測定することができる。つまり、相関係数は、２つの変数が一緒に変化する傾向がある範囲を測定し、この関係の強さおよび方向の双方を記述する。

[00223] ピアソンの積率相関は、２つの連続変数間における線形関係を評価し、１つの変数における変化が他の変数における比例変化と関連付けられるとき、線形となる。スピアマンの順位相関は、２つの連続または順序変数間における単調関係を評価することができる。単調関係では、変数は一緒に変化する傾向があるが、必ずしも一定の率ではない。変数間の関係は、散布図によって調べられることが多く、この場合、相関係数は線形（ピアソン）または単調（スピアマン）関係だけを測定する。ピアソンおよびスピアマン相関係数は双方共、−１から＋１までの範囲の値を取ることができ、一定量だけ１つの変数が増加し、他の変数も増加して線分を形成するとき、ピアソン相関係数は＋１となることができる。この場合、スピアマン相関係数も＋１となる。

[00224] １つの変数が増加するときに他の変数も増加するが、量が一定でない関係が生じたとき、ピアソン相関係数は正になるが、＋１未満であり、スピアマン係数は＋１に等しいままである。関係がランダムであるかまたは存在しないとき、双方の相関係数は殆ど０となる。関係が減少関係に対して完全な線になる場合、相関係数は−１となる。１つの変数が減少し他の変数が増加するが、量が一定でないという関係である場合、ピアソン相関係数は負になるが、−１よりも大きく、スピアマン係数は−１に等しいままである。先に注記したように、−１または１の相関値は、円の半径と円周との間の関係のように、正確な線形関係を暗示する。２つの変数が相関付けられるとき、関係の種類を記述するために、回帰分析を形成することが多い。

[00225] 一旦分析が完了したなら、本システムは仮説を立て、結論を出すことができる。一例では、関連変数は、（１）ブロックの数、（２）転移(transfer)の数、ならびに（３）平均ＩおよびＤとすることができる。相関変数は、（１）委託(consignment)、ＩおよびＤ、転移、および委任(commission)、ならびに（２）クレジット・ライン(credit line)、委託、ＩおよびＤ、委任を含むことができる。変数間の関係の種類は、一般に線形ではない。

[00226] モデルにおいて使用され、今後の順位付けのために単独で有することができるよりも多くの情報を提供する変数間における変換、組み合わせ、および比率として定められる特徴を識別することができる。特徴の情報を増やすために、クライアント(client)が生成する頻度に基づいて変数を集合化することができる。特徴の再定義の後、最も情報量が多い特徴のみをアルゴリズムに入力するために、これらに順位付けすることができる。この目的を達成するために、決定木、カイ二乗、および軽減(relief)のような特徴重要順位付け方法(feature important ranking method)の組み合わせを実装することができる。

[00227] 決定木は、平均再入金(average recharges)、番号ブロック(number block)および平均委託、ならびに異なる転移(transfer)というような種々の集合体と共に使用することができ、ジニ係数はときとしてジニ比率(gini ratio)または正規化ジニと表現されることもあり、これは、度数分布の値間における同一を示す統計的ばらつきの尺度となる。

[00228] また、本システムはカイ二乗検査を統計的仮説検査として使用してもよく、帰無仮説が真であるとき、検査統計のサンプリング分布がカイ二乗分布となることは理解されてしかるべきである。ランダム決定力は、訓練時に、アンサンブル学習方法または分類、回帰および構築決定木として使用され、クラスのモードであるクラスを出力してもよい。２つのランダム変数の相互情報は、２つの変数間の相互依存性の尺度として使用されてもよい。分散分析（ＡＮＯＶＡ）は、統計モデルおよび手順の集合体(collection)として、分類(groups)間のばらつきとして使用されてもよい。特定の変数における被観察分散は、ばらつきの異なる発生源(sources)に帰される成分に請願(petition)されてもよい。ロジスティック回帰は、決定木に対して１つまたは他のいくつかの利点があるとしてよい。双方共高速な方法であるが、ロジスティック回帰の方が、軸に対して必ずしも平行でない１つの判断境界がある場合に、より良く動作することができ、決定木は、１つしか基礎判断境界がないのではなく、多数ある状況に適用することができる。

[00229] 本発明の多くの変更および他の実施形態は、以上の説明および添付図面に提示された教示の恩恵を有する当業者には想起されよう。したがって、本発明は、開示した具体的な実施形態に限定されるのではないこと、そして変更および実施形態は、添付する請求項の範囲内に含まれることを意図することは理解されよう。

Claims (32)

1. 信用力を判定しローンを消費者に発行するシステムであって、
   通信モジュール、プロセッサ、および取引データベースが接続されたローン発行サーバと、
   前記ローン発行サーバに接続されたワイヤレス通信ネットワークと、
   を備え、
   前記プロセッサおよび通信モジュールが、前記ワイヤレス通信ネットワークを通じてワイヤレス通信デバイスを操作する消費者と通信し、前記消費者の電子財布（ｅ−ｗａｌｌｅｔ）または前記消費者についてのデータを収容する公的データ源の内少なくとも１つから、１組の初期データを取得するように動作し、前記１組の初期データが、前記消費者の識別を可能にする名前全体、クレジット・カード番号、パスポート番号、または政府発行ＩＤ番号を取得せずに、前記消費者の非識別属性を含み、
   前記プロセッサが、更に、
   前記消費者について取得された前記１組の初期データと一致するユーザＩＤ番号をランダムに生成し、前記１組の初期データおよび前記消費者に対応するユーザＩＤ番号を、ユーザ・プロファイルとして、前記取引データベースに格納し、
   前記取引データベースに格納されている複数のユーザ・プロフィール間における平均与信額に基づいて、信用スコアを生成し、前記ユーザＩＤ番号に基づくデータ属性ストリングを前記１組の初期データと照合して、前記消費者に対する最大許容与信額を決定し、
   前記消費者の最大許容与信額に基づいてローンを承認し、ローン承認コードを前記消費者のワイヤレス通信デバイスに送信するように前記通信モジュールを構成し、前記消費者の前記移動ワイヤレス通信デバイス上でアプリケーション・プログラミング・インターフェース（ＡＰＩ）を起動し、行われるローンの額を確認または入力し、前記行われるローンの確認または額、およびそれがどのように散乱されるかの指示を、逆に前記消費者から受け、
   応答して、前記消費者のｅ−ｗａｌｌｅｔに入金する、または前記ローンの額以内で、前記消費者の口座に関連する請求書に対して支払うように構成される、システム。
2. 請求項１記載のシステムにおいて、前記プロセッサが、消費者の場所、ならびに前記ｅ−ｗａｌｌｅｔおよび前記ローン発行サーバの内少なくとも１つへの現金入金に基づいて、前記消費者についての行動プロファイルを生成し、更に、周期的場所パターンをローンおよび取引行動に相関付けるように構成される、システム。
3. 請求項２記載のシステムにおいて、前記プロセッサが、消費者会話モデリングまたはマルチスレッド分析、あるいはこれらの任意の組み合わせを使用して、前記行動プロファイルを生成するように構成される、システム。
4. 請求項２記載のシステムにおいて、前記プロセッサが、各取引の内容によって提供される消費者情報による消費者セグメント化に基づいて、更に親和性および購入経路分析を使用して、前記行動プロファイルを生成し、販促および季節的根拠ならびに経時的な購入間の連係に応じて、互いに関連して販売する製品を識別するように構成される、システム。
5. 請求項１記載のシステムにおいて、前記プロセッサが、ｅ−ｗａｌｌｅｔおよびローン発行サーバの内少なくとも１つに対する消費者の現金入金および消費者の場所を、店舗、私的な場所、公的な場所、および取引データに関するデータを含み、周期的場所パターンをローンおよび取引活動に相関付ける、場所関連データベースと照合するように構成される、システム。
6. 請求項１記載のシステムにおいて、前記非識別属性が、性別、年齢、場所、電話の種類、および携帯電話事業者を含む、システム。
7. 信用力を判定してローンを消費者に発行し、不良債権を予想するシステムであって、
   通信モジュール、プロセッサ、および取引データベースが接続されたローン発行サーバと、
   前記ローン発行サーバに接続されたワイヤレス通信ネットワークと、
   を備え、
   前記プロセッサおよび通信モジュールが、前記ワイヤレス通信ネットワークを通じてワイヤレス通信デバイスを操作する消費者と通信し、１組の初期データを前記消費者の電子財布（ｅ−ｗａｌｌｅｔ）または前記消費者についてのデータを収容する公的データ源の内少なくとも１つから取得するように動作し、前記１組の初期データが、前記消費者の識別を可能にする名前全体、クレジット・カード番号、パスポート番号、または政府発行ＩＤ番号を取得せずに、前記消費者の非識別属性を含み、
   前記プロセッサが、更に、
   前記消費者について取得された前記１組の初期データと一致するユーザＩＤ番号をランダムに生成し、前記１組の初期データおよび前記消費者に対応するユーザＩＤ番号を、ユーザ・プロファイルとして、前記取引データベースに格納し、
   前記取引データベースに格納されている複数のユーザ・プロフィール間における平均与信額に基づいて、信用スコアを生成し、前記ユーザＩＤ番号に基づくデータ属性ストリングおよび前記１組の初期データを照合して、前記消費者に対する最大許容与信額を決定し、
   前記消費者の最大許容与信額に基づいてローンを承認し、ローン承認コードを前記消費者のワイヤレス通信デバイスに送信するように前記通信モジュールを構成し、前記消費者の前記移動ワイヤレス通信デバイス上でアプリケーション・プログラミング・インターフェース（ＡＰＩ）を起動し、行われるローンの額を確認または入力し、前記行われるローンの確認または額、およびそれがどのように散乱されるかの指示を、逆に前記消費者から受け、
   応答して、前記消費者のｅ−ｗａｌｌｅｔに入金する、または前記ローンの額以内で、前記消費者の口座に関連する請求書に対して支払い、
   前記ローンの返済に対して期限日を確定し、
   前記消費者との反復ローン取引についてローン毎にローン返済データを含む消費者ローン・データを、取引データベース内に格納し、前記格納された消費者ローン・データに基づいて、前記ローン発行サーバにおいて、機械学習モデルを前記消費者ローン・データに適用し、前記消費者がいつ最大許容与信額における増額を必要とするか、および前記最大許容与信額の増額に伴うリスクを判定する、
   ように構成される、システム。
8. 請求項７記載のシステムにおいて、前記機械学習モデルが、平均、標準偏差、中央値、尖度、および歪度を考慮に入れる移動枠を有する回帰モデルを含む、システム。
9. 請求項７記載のシステムにおいて、前記プロセッサが、更に、過去の入力／出力データを前記機械学習モデルに入力するように構成され、前記過去の入力／出力データが、過去の消費者ローン・データに関する入力ベクトルと、消費者が不良債権に陥るか否かを示す０と１との間の確率に関する出力とを含む、システム。
10. 請求項７記載のシステムにおいて、前記０．６よりも大きい確率が、消費者が不良債権に陥る高いリスクを示す、システム。
11. 請求項１０記載のシステムにおいて、前記機械学習モデルからの目標可変成果(target variable outcome)が、消費者に７日以内に不良債権のリスクがあるか否かを示す二進成果を含む、システム。
12. 請求項７記載のシステムにおいて、前記プロセッサが、６か月の期間にわたって前記消費者ローン・データを収集し、消費者を１）不良債権に陥る高い危険確率を有する不良顧客と、２）不良債権に陥る低い危険確率を有する優良顧客という、２つのクラスに分類するように構成される、システム。
13. 請求項７記載のシステムにおいて、前記プロセッサが、前記消費者の場所、ならびに前記ｅ−ｗａｌｌｅｔおよび前記ローン発行サーバの内少なくとも１つへの現金入金に基づいて、前記消費者についての行動プロファイルを生成し、更に、周期的場所パターンをローンおよび取引活動に相関付け、更に消費者プロファイルおよび周期性によって、
    ローン実行パターン、
    ローンの使用、
    ローン返済、および
    取引活動を予測するように構成される、システム。
14. 請求項７記載のシステムにおいて、前記プロセッサが、各取引の内容によって提供される消費者情報による消費者セグメント化に基づいて、更に親和性および購入経路分析を使用して、前記行動プロファイルを生成し、販促および季節的根拠ならびに経時的な購入間の連係に応じて、互いに関連して販売する製品を識別するように構成される、システム。
15. 請求項７記載のシステムにおいて、前記プロセッサが、更に、前記消費者の移動体ワイヤレス通信デバイスを前記ワイヤレス通信ネットワークおよび前記ローン発行サーバに、前記ｅ−ｗａｌｌｅｔを通じて接続し、前記ｅ−ｗａｌｌｅｔに登録した消費者および彼らの取引についての情報を前記取引データベースに格納し、
    前記移動体ワイヤレス通信デバイス上にアプリケーション・プログラミング・インターフェース（ＡＰＩ）を表示するように構成され、前記消費者が、前記移動体ワイヤレス通信デバイス上でＡＰＩを通じて前記ｅ−ｗａｌｌｅｔと対話処理し、
    前記非識別属性が、性別、年齢、場所、電話の種類、および携帯電話事業者を含む、システム。
16. 請求項７記載のシステムにおいて、前記プロセッサが、
    ランダムに生成されたユーザＩＤ番号とタグ付けされている前記ｅ−ｗａｌｌｅｔに、ＡＰＩを通じて、最大与信額を送信し、
    前記ユーザＩＤ番号を前記実際の消費者と照合し、
    新たな属性を前記消費者に追加し、前記消費者のためにｅ−ｗａｌｌｅｔに信用貸しするように構成される、システム。
17. 信用力を判定し、ローンを消費者に発行する方法であって、
    消費者の移動体ワイヤレス通信デバイスを、ワイヤレス通信ネットワークを通じて、通信モジュール、プロセッサ、および取引データベースが接続されているローン発行サーバに接続するステップと、
    前記ローン発行サーバにおいて、前記消費者の電子財布（ｅ−ｗａｌｌｅｔ）、および消費者についてのデータを収容する公的データ源の内少なくとも１つから、１組の初期データを取得するステップであって、前記１組の初期データが、消費者の識別を可能にする氏名全体、クレジット・カード番号、パスポート番号、または政府発行ＩＤ番号を得ることなく、前記消費者の非識別属性を含む、ステップと、
    前記消費者について取得されている１組の初期データと一致するユーザＩＤ番号をローン発行サーバにおいてランダムに生成し、前記１組の初期データ、および前記消費者に対応するユーザＩＤ番号を、ユーザ・プロファイルとして、前記取引データベースに格納するステップと、
    前記ローン発行サーバにおいて、前記取引データベースに格納されている複数のユーザ・プロファイル間における平均与信額に基づいて、更に前記ユーザＩＤ番号に基づくデータ属性ストリングおよび前記１組の初期データを照合して、前記消費者に対する最大許容与信額を決定することによって、信用スコアを生成するステップと、
    前記消費者の最大許容与信額に基づいてローンを承認し、ローン承認コードを前記ローン発行サーバから前記消費者の前記移動ワイヤレス通信デバイスに送信し、前記消費者の前記移動ワイヤレス通信デバイス上でアプリケーション・プログラミング・インターフェース（ＡＰＩ）を起動し、行われるローンの額を確認または入力するステップと、
    前記行われるローンの確認または額、およびそれがどのように散乱されるかの指示を、逆に前記消費者から受けるステップと、
    応答して、前記消費者のｅ−ｗａｌｌｅｔに入金する、または前記ローンの額以内で、前記消費者の口座に関連する請求書に対して支払うステップと、
    を含む、方法。
18. 請求項１７記載の方法であって、更に、前記ｅ−ｗａｌｌｅｔおよび前記ローン発行サーバの内少なくとも１つへの消費者の現金入金、ならびに消費者の位置を、店舗、私的な場所、公的な場所、および取引データに関するデータを含み、周期的場所パターンをローンおよび取引活動に相関付ける、場所関連データベースと照合するステップを含む、方法。
19. 請求項１７記載の方法であって、更に、消費者プロファイルおよび周期性によって、
    ローン実行パターン、
    ローンの使用、
    ローン返済、および
    取引活動を予測するステップを含む、方法。
20. 請求項１７記載の方法であって、更に、
    前記消費者の移動体ワイヤレス通信デバイスを前記ワイヤレス通信ネットワークおよび前記ローン発行サーバに、前記ｅ−ｗａｌｌｅｔを通じて接続し、前記ｅ−ｗａｌｌｅｔに登録した消費者および彼らの取引についての情報を前記取引データベースに格納するステップと、
    前記移動体ワイヤレス通信デバイス上にアプリケーション・プログラミング・インターフェース（ＡＰＩ）を表示するステップであって、前記消費者が、前記移動体ワイヤレス通信デバイス上でＡＰＩを通じて前記ｅ−ｗａｌｌｅｔと対話処理する、ステップと、
    を含む、方法。
21. 請求項１７記載の方法であって、更に、前記消費者の場所、ならびに前記ｅ−ｗａｌｌｅｔおよび前記ローン発行サーバの内少なくとも１つへの現金入金に基づいて、前記消費者についての行動プロファイルを生成し、更に、周期的場所パターンをローンおよび取引活動に相関付けるステップを含む、方法。
22. 請求項２１記載の方法であって、更に、消費者会話モデリングまたはマルチスレッド分析、あるいはこれらの任意の組み合わせを使用して、前記行動プロファイルを生成するステップを含む、方法。
23. 請求項２１記載の方法であって、更に、各取引の内容によって提供される消費者情報による消費者セグメント化に基づいて、更に親和性および購入経路分析を使用して、前記行動プロファイルを生成し、販促および季節的根拠ならびに経時的な購入間の連係に応じて、互いに関連して販売する製品を識別するステップを含む、方法。
24. 請求項２１記載の方法であって、更に、消費者の現金入金および消費者の位置を、店舗、私的な場所、公的な場所、および取引データに関するデータを含み、周期的場所パターンをローンおよび取引活動に相関付ける、場所関連データベースと照合するステップを含む、方法。
25. 信用力を判定してローンを消費者に発行し、不良債権を予想する方法であって、
    消費者の移動体ワイヤレス通信デバイスを、ワイヤレス通信ネットワークを通じて、通信モジュール、プロセッサ、および取引データベースが接続されているローン発行サーバに接続するステップと、
    前記ローン発行サーバにおいて、前記消費者の電子財布（ｅ−ｗａｌｌｅｔ）、および消費者についてのデータを収容する公的データ源の内少なくとも１つから、１組の初期データを取得するステップであって、前記１組の初期データが、消費者の識別を可能にする氏名全体、クレジット・カード番号、パスポート番号、または政府発行ＩＤ番号を得ることなく、前記消費者の非識別属性を含む、ステップと、
    前記消費者について取得されている１組の初期データと一致するユーザＩＤ番号をローン発行サーバにおいてランダムに生成し、前記１組の初期データ、および前記消費者に対応するユーザＩＤ番号を、ユーザ・プロファイルとして、前記取引データベースに格納するステップと、
    前記ローン発行サーバにおいて、前記取引データベースに格納されている複数のユーザ・プロファイル間における平均与信額に基づいて、更にユーザＩＤ番号および１組の初期データに基づいてデータ属性ストリングを照合して、前記消費者に対する最大許容与信額を決定することによって、信用スコアを生成するステップと、
    前記消費者の最大許容与信額に基づいてローンを承認し、ローン承認コードを前記ローン発行サーバから前記消費者のワイヤレス通信デバイスに送信し、前記消費者の前記移動ワイヤレス通信デバイス上でアプリケーション・プログラミング・インターフェース（ＡＰＩ）を起動し、行われるローンの額を確認または入力するステップと、
    前記行われるローンの確認または額、およびそれがどのように散乱されるかの指示を、逆に前記消費者から受けるステップと、
    応答して、前記消費者のｅ−ｗａｌｌｅｔに入金する、または前記ローンの額以内で、前記消費者の口座に関連する請求書に対して支払うステップと、
    前記ローンの返済に対して期限日を確定するステップと、
    前記消費者との反復ローン取引についてローン毎にローン返済データを含む消費者ローン・データを、取引データベース内に格納し、前記格納された消費者ローン・データに基づいて、前記ローン発行サーバにおいて、機械学習モデルを前記消費者ローン・データに適用し、前記消費者がいつ最大許容与信額における増額を必要とするか、および前記最大許容与信額の増額に伴うリスクを判定するステップと、
    を含む、方法。
26. 請求項２５記載の方法において、前記機械学習モデルが、平均、標準偏差、中央値、尖度、および歪度を考慮に入れる移動枠を有する回帰モデルを含む、方法。
27. 請求項２５記載の方法であって、更に、過去の入力／出力データを前記機械学習モデルに入力するステップを含み、前記過去の入力／出力データが、過去の消費者ローン・データに関する入力ベクトルと、および消費者が不良債権に陥るか否かを示す０と１との間の確率に関する出力とを含む、方法。
28. 請求項２５記載の方法であって、更に、前記消費者の場所、ならびに前記ｅ−ｗａｌｌｅｔおよび前記ローン発行サーバの内少なくとも１つへの現金入金に基づいて、前記消費者についての行動プロファイルを生成し、更に、周期的場所パターンをローンおよび取引活動に相関付け、更に消費者プロファイルおよび周期性によって、
    ローン実行パターン、
    ローンの使用、
    ローン返済、および
    取引活動を予測するステップを含む、方法。
29. 請求項２５記載の方法であって、更に、各取引の内容によって提供される消費者情報による消費者セグメント化に基づいて、更に親和性および購入経路分析を使用して、前記行動プロファイルを生成し、販促および季節的根拠ならびに経時的な購入間の連係に応じて、互いに関連して販売する製品を識別するステップを含む、方法。
30. 請求項２５記載の方法であって、更に、
    前記消費者の移動体ワイヤレス通信デバイスを前記ワイヤレス通信ネットワークおよび前記ローン発行サーバに、前記ｅ−ｗａｌｌｅｔを通じて接続し、前記ｅ−ｗａｌｌｅｔに登録した消費者および彼らの取引についての情報を前記取引データベースに格納するステップと、
    前記移動体ワイヤレス通信デバイス上にアプリケーション・プログラミング・インターフェース（ＡＰＩ）を表示し、前記消費者が、前記移動体ワイヤレス通信デバイス上でＡＰＩを通じて前記ｅ−ｗａｌｌｅｔと対話処理するステップと、
    を含み、
    前記非識別属性が、性別、年齢、場所、電話の種類、および携帯電話事業者を含む、方法。
31. 請求項２５記載の方法であって、更に、
    ランダムに生成されたユーザＩＤ番号とタグ付けされている前記ｅ−ｗａｌｌｅｔに、ＡＰＩを通じて、最大与信額を送信するステップと、
    前記ユーザＩＤ番号を前記実際の消費者と照合するステップと、
    新たな属性を前記消費者に追加し、前記消費者のためにｅ−ｗａｌｌｅｔに信用貸しするステップと、
    を含む、方法。
32. 請求項２５記載の方法において、前記ローン承認コードを受けたことに応答して、前記消費者が、前記移動体ワイヤレス通信デバイス上で少なくとも１つのＡＰＩ画面にアクセスし、行われるローンの額を示すデータを入力し、前記ローンを得るために、前記データを前記ローン発行サービスに送信する、方法。
    

Images