JP2023148438A - 情報処理システム、方法及びプログラム - Google Patents

Abstract

【課題】ユーザに対するオペレーションに起因する当該ユーザの行動変容をユーザスコアの推定に反映することを課題とする。【解決手段】情報処理システムに、所定のアクションの実行をユーザに促すための該ユーザに対する所定のオペレーションが、該ユーザがアクションを実行するか否かに与える効果を、ユーザにかかる属性データ群に基づき推定する効果推定部２１と、ユーザがアクションを実行しない蓋然性に基づくリスクを、属性データ群に基づき推定するリスク推定部２２と、推定された効果及びリスクに基づいて、属性データ群を拡張する属性拡張部２３と、拡張された属性データ群に基づいて、ユーザに設定されるユーザスコアを推定するユーザスコア推定部２４と、を備えた。【選択図】図２

Description

本開示は、ユーザに関するスコアを算出するための技術に関する。

従来、ユーザの行動を示す行動情報を取得するユーザ情報取得部と、行動情報に基づいて、将来のユーザの融資に対する返済能力に関する信用度を判定する信用度判定部と、を備える判定装置が提案されている（特許文献１を参照）。また、金融機関が融資先の信用度を自動的に判定する融資先信用度判定プログラムが知られている（例えば、特許文献２を参照）。

特開２０２１－１７４０３９号公報 特開２０２１－１４０２１０号公報

従来、ユーザの行動履歴に基づいてユーザの信用度等を表すユーザスコアを算出する技術が提案されている。また、ユーザスコアの算出に際して、ユーザに係るリスクを考慮して算出を行うことも提案されている。しかし、ユーザスコアの算出に際して当該ユーザの属性として扱われる属性データは主としてユーザが置かれた環境やユーザによる自発的な行動を示すもの等に留まっており、ユーザスコアの正確性を向上させるにあたって改善の余地があった。

本開示は、上記した問題に鑑み、ユーザに対するオペレーションに起因する当該ユーザの行動変容をユーザスコアの推定に反映することを課題とする。

本開示の一例は、所定のアクションの実行をユーザに促すための該ユーザに対する所定のオペレーションが、該ユーザが前記アクションを実行するか否かに与える効果を、該ユーザにかかる属性データ群に基づき推定する効果推定手段と、前記ユーザが前記アクションを実行しない蓋然性に基づくリスクを、前記属性データ群に基づき推定するリスク推定手段と、推定された前記効果及び前記リスクに基づいて、前記属性データ群を拡張する属性拡張手段と、拡張された前記属性データ群に基づいて、前記ユーザに設定されるユーザスコアを推定するユーザスコア推定手段と、を備える情報処理システムである。

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

本開示によれば、ユーザに対するオペレーションに起因する当該ユーザの行動変容をユーザスコアの推定に反映することが可能となる。

第１実施形態に係る情報処理システムの構成を示す概略図である。 第１実施形態に係る情報処理装置の機能構成の概略を示す図である。 第１実施形態に係る因果スコアの推定処理に関する簡略図である。 第１実施形態に係るリスク指標の推定処理に関する簡略図である。 第１実施形態に係るユーザスコアの推定処理に関する簡略図である。 第１実施形態において採用される機械学習モデルの決定木の概念を簡略図である。 第１実施形態に係る機械学習処理の流れを示すフローチャートである。 第１実施形態に係るユーザスコア推定処理の流れを示すフローチャートである。 第２実施形態に係るユーザスコアの推定処理に関する簡略図である。 第２実施形態に係るユーザスコアの推定処理に関する簡略図である。

＜第１実施形態＞
以下、本開示に係る情報処理装置、方法及びプログラムの実施の形態を、図面に基づいて説明する。但し、以下に説明する実施の形態は、実施形態を例示するものであって、本開示に係る情報処理装置、方法及びプログラムを以下に説明する具体的構成に限定するものではない。実施にあたっては、実施の態様に応じた具体的構成が適宜採用され、また、種々の改良や変形が行われてよい。

本実施形態では、本開示に係る技術を、ユーザに関連する何らかの尺度（例えば、信用等）を示すユーザスコア２４１を管理するユーザスコア管理システムのために実施した場合の実施の形態について説明する。但し、本開示に係る技術は、ユーザスコア２４１を推定するための技術について広く用いることが可能であり、本開示の適用対象は、実施形態において示した例に限定されない。

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

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

情報処理装置１は、ユーザ毎にユーザスコア２４１を管理し、サービス提供システム５に対してユーザスコア２４１を提供する。サービス提供システム５は、情報処理装置１から提供されたユーザスコア２４１に応じて、対象ユーザに対するサービスをカスタマイズすることが可能である。

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

サービス提供システム５によって提供されるサービスは、例えば、地図情報サービスやクレジットカード／後払い決済サービス、電子マネー決済サービス、オンラインショッピングサービス、オンライン予約サービス、オペレーションセンターサービス等である。なお、「後払い決済」には、所謂Ｂｕｙ Ｎｏｗ Ｐａｙ Ｌａｔｅｒ（ＢＮＰＬ）等と称されるサービスに限定されず、あらゆる後払いによる商品／サービスの購入が含まれるものとする。サービス提供システム５によって提供されるサービスは本実施形態における例示に限定されない。そして、サービス提供システム５は、サービスの提供に際してユーザから取得された当該ユーザの属性データ群２００を情報処理装置１に通知する。ここで、ユーザの属性データ群２００には当該ユーザによるサービスの利用履歴データが含まれる。サービスの利用履歴データの内容はサービスの内容に応じて様々であり、例えば、ユーザの位置情報の履歴データ、クレジットカード利用額／後払い決済利用額の支払履歴データ、電子マネー利用履歴データ、取引履歴データ、予約履歴データ、オペレーションセンターからのユーザに対するオペレーション履歴データ等が含まれてよい。

本実施形態に係るシステムでは、サービス提供システム５として、オペレーションセンター管理システム５ａと、クレジットカード／後払い決済管理システム５ｂと、が互いに通信可能に接続されている。オペレーションセンターには、オペレーションセンター管理システム５ａによる指示に従ってオペレーションを行うためのオペレーション端末（図示は省略する）が設置され、オペレータは、オペレーション端末を操作して、ユーザに対するオペレーションを行う。ユーザは、クレジットカード／後払い決済の利用者であり、金融機関等を介してクレジットカード利用額／後払い決済利用額の入金を行い、クレジットカード利用額／後払い決済利用額の支払履歴データは、クレジットカード／後払い決済管理システム５ｂを介してオペレーションセンター管理システム５ａに通知される。

オペレーションセンター管理システム５ａは、支払いが遅延しているクレジットカード利用額及び／又は後払い決済利用額の支払いを督促して債権を回収するためのオペレーションセンターを管理するためのシステムである。通常、クレジットカード利用額／後払い決済利用額の支払いは、毎月の引き落とし日にユーザの口座から引き落とされる、又は指定日までにユーザから入金される、等の方法で行われるが、ユーザの口座の残高が不足していたり、ユーザが指定日までの入金を行わなかったり等の理由でクレジットカード利用額／後払い決済利用額の支払いが規定日までに完了しない場合がある。このため、従来、クレジットカード利用額／後払い決済利用額の支払いをユーザに督促して債権を回収するために、オペレーションセンター（コールセンター）からの顧客に対する架電やメッセージ送信等のオペレーションが行われている。

一般的には、デフォルト（債務不履行）を回避するために、ユーザに対するオペレーションは有効であり、オペレーションの量を増やすほど債権の回収率は上がる。しかし一方で、オペレーションの量を増やすほど、オペレーションのための人件費やシステム利用料、システム維持費用等のコストが増大する。そこで、本開示に係るシステムでは、上記した問題に鑑み、債権の回収率を下げることなく、オペレーションに係るコストを抑制するための技術を採用している。なお、本実施形態では、主として所定のオペレーションがユーザへの架電である例について説明するが、所定のオペレーションの内容は限定されず、ユーザに所定のアクションを促すための種々のオペレーションであってよい。

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

図３は、実施形態に係る因果スコアの推定処理に関する簡略図である。効果推定部２１は、所定のアクションの実行をユーザに促すための当該ユーザに対する所定のオペレーションが、当該ユーザがアクションを実行するか否かに与える効果を推定する。本実施形態において、所定のアクションは、支払いが遅延しているクレジットカード利用額／後払い決済利用額の支払いである。なお、具体的な支払手段は限定されず、指定口座への振込や指定窓口での支払等であってよい。また、本実施形態において、所定のオペレーションは、支払いが遅延しているクレジットカード利用額／後払い決済利用額の支払いのための督促の架電である。なお、ユーザに対する架電は、録音又は機械音声を用いた自動架電であってもよいし、オペレータ（人間）がユーザと会話する架電であってもよい。そして、本実施形態において、効果推定部２１は、対象ユーザに係る１又は複数のユーザ属性を含む属性データ群２００の入力に対して、当該ユーザに対するオペレーションの効果を示す因果スコア（ｃａｕｓａｌｉｔｙ ｓｃｏｒｅ）２１１を出力する効果推定モデル２１０を用いて、オペレーションの効果を推定する。

図４は、実施形態に係るリスク指標２２１の推定処理に関する簡略図である。リスク推定部２２は、ユーザが上記説明した所定のアクションを実行しない蓋然性に基づくリスクを推定する。リスクの表現方法は限定されず、様々な指標が採用されてよいが、例えば、リスクは、債権が回収されずにデフォルトとなる確率を用いて表現することが出来る。そして、本実施形態において、リスク推定部２２は、対象ユーザに係る１又は複数のユーザ属性を含む属性データ群２００の入力に対して、当該ユーザについて債権が回収されずにデフォルトとなる確率を示すリスク指標２２１を出力するリスク推定モデル２２０を用いて、ユーザがアクションを実行しない蓋然性に基づくリスクを推定する。但し、リスクは、リスク推定モデル２２０を用いずに、例えば所定のルールに従って推定されてもよい。例えば、リスクは、ユーザ属性又はユーザ属性の組合せ毎に予め対応する値を保持しておき、この値を読み出すことで取得されてもよい。また、リスクを示す指標には、デフォルトとなる確率以外の指標が採用されてよい。例えば、リスクをクラス（ランク）分けし、いずれのクラス（ランク）であるかを指標として用いてもよい。

属性拡張部２３は、ユーザにかかる属性データ群２００を拡張する。ユーザにかかる属性データ群２００には、オペレーションセンター管理システム５ａ及びクレジットカード／後払い決済管理システム５ｂから取得された利用履歴データを含む属性データが含まれるが、この際、属性拡張部２３は、推定された効果（本実施形態では、因果スコア２１１）及びリスク（本実施形態では、リスク指標２２１）に基づいて、ユーザにかかる属性データ群２００を拡張する。なお、本実施形態において、属性拡張部２３は、推定された因果スコア２１１及びリスク指標２２１をそのままユーザにかかる属性データ群２００の一部として決定し、属性データ群２００を拡張する。但し、属性拡張部２３は、推定された因果スコア２１１及びリスク指標２２１に対して何らかの加工（正規化やランク化、ラベル化等）を施して属性データとしてもよいし、推定された因果スコア２１１及びリスク指標２２１を用いて算出された他の種類のスコアを属性データとしてもよい。また、他の種類のスコアの算出には、他の機械学習モデルが介在してもよい。

ここで、属性拡張部２３によって拡張される属性データ群２００には、デモグラフィック属性、ビヘイビオラル属性、又はサイコグラフィック属性が含まれてよい。デモグラフィック属性は、例えば、ユーザの性別（ジェンダー）、家族構成、年齢等であり、ビヘイビオラル属性は、サービスの利用履歴データに基づいてよく、例えば、キャッシング利用有無、リボ払い利用有無、所定の口座に係る入出金履歴、賭博又はくじを含む何らかの商品に係る商取引履歴（オンラインマーケットプレイス等におけるオンライン取引履歴を含んでよい）等であり、サイコグラフィック属性は、例えば、賭博又はくじに係る趣向等である。但し、利用可能なユーザの属性は、本実施形態における例示に限定されない。例えば、オペレーションセンター等からの「オペレーション（架電等）に要する時間」、「クレジットカード利用額／後払い決済利用額」も、属性として用いられてよい。

そして、属性データ群２００には、上記した属性データに加えて更に、効果推定部２１によって効果推定モデル２１０を用いて推定された因果スコア２１１と、リスク推定部２２によってリスク推定モデル２２０を用いて推定されたリスク指標２２１とが含まれる。

図５は、実施形態に係るユーザスコアの推定処理に関する簡略図である。ユーザスコア推定部２４は、属性データ群２００に基づいて、ユーザに設定されるユーザスコア２４１を推定する。本実施形態において、ユーザスコア推定部２４は、ユーザの属性データ群２００をユーザスコア推定モデル２４０に入力することで、当該ユーザに設定されるユーザスコア２４１を推定する。ここで、ユーザスコア推定モデル２４０の出力値は、例として、０を最小値、１を最大値として正規化／規格化されたユーザスコア２４１である。

機械学習部２５は、ユーザスコア推定部２４によるユーザスコア推定に用いられるユーザスコア推定モデル２４０と、効果推定部２１による効果推定に用いられる効果推定モデル２１０と、リスク推定部２２によるリスク推定に用いられるリスク推定モデル２２０と、を生成及び／又は更新する。ユーザスコア推定モデル２４０は、対象ユーザに係る１又は複数の属性データ（属性データ群２００）が入力された場合に、ユーザに関連する何らかの尺度（例えば、信用等）を示すユーザスコア２４１を出力する機械学習モデルである。また、効果推定モデル２１０は、対象ユーザに係る１又は複数のユーザ属性のデータが入力された場合に、当該ユーザに対するオペレーションの効果の多寡を示す因果スコア２１１を出力する機械学習モデルである。また、リスク推定のためのリスク推定モデル２２０は、対象ユーザに係る１又は複数のユーザ属性のデータが入力された場合に、当該ユーザがアクションを実行しない蓋然性に基づくリスクの程度を示すリスク指標２２１を出力する機械学習モデルである。

ユーザスコア推定モデル２４０の生成及び／又は更新にあたって、機械学習部２５は、ユーザ毎に、当該ユーザのデモグラフィック属性を含む属性データ群２００を入力値とし当該ユーザに係るユーザスコア２４１を出力値として定義した教師データに基づいて、ユーザスコア推定モデル２４０を作成する。上述の通り、ユーザスコア推定モデル２４０に入力される属性データ群２００には、効果推定部２１によって推定された因果スコア２１１及びリスク推定部２２によって推定されたリスク指標２２１が属性データ群２００に含まれ、対応するユーザのユーザスコア２４１と組み合わせられて、教師データとして機械学習部２５に入力される。教師データに設定されるユーザスコア２４１は、ルールベースで決定されたユーザスコアであってよく、マニュアルで設定された（アノテーションがなされた）ユーザスコアであってもよい。また、ユーザスコア推定モデル２４０によって過去に出力された後で、管理者等によって修正されたユーザスコアであってもよい。

本開示に係る技術を実装するにあたり効果推定モデル２１０、リスク推定モデル２２０、ユーザスコア推定モデル２４０等として採用可能な機械学習モデル生成のフレームワークは、例として、アンサンブル学習アルゴリズムに基づく。当該フレームワークには、例えば、勾配ブースティング決定木（Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ：ＧＢＤＴ）に基づく機械学習フレームワーク（例えば、ＬｉｇｈｔＧＢＭ）が採用されてよい。換言すると、当該フレームワークは、前後の弱学習器（弱分類器）間で正解と予測値との誤差を引き継がせるような決定木モデルに基づく機械学習フレームワークが採用されてよい。ここでの予測値とは、例として、ユーザスコア２４１の予測値を指す。なお、当該フレームワークは、ＬｉｇｈｔＧＢＭの他、ＸＧＢｏｏｓｔやＣａｔＢｏｏｓｔ等のブースティング手法を採用してよい。決定木を用いるフレームワークによれば、ニューラルネットワークを用いるフレームワークと比較して少ないパラメータ調整の手間で、比較的高い性能を有する機械学習モデルを生成することが出来る。但し、本開示に係る技術を実装するにあたり採用可能な機械学習モデル生成のフレームワークは、本実施形態における例示に限定されない。例えば、学習器として勾配ブースティング決定木に代えてランダムフォレスト等の他の学習器が採用されてよいし、ニューラルネットワーク等の所謂弱学習器とは称されない学習器が採用されてもよい。また、特にニューラルネットワーク等の所謂弱学習器とは称されない学習器が採用される場合には、アンサンブル学習が採用されなくてもよい。

図６は、本実施形態において効果推定モデル２１０、リスク推定モデル２２０、ユーザスコア推定モデル２４０等として採用される機械学習モデルの決定木の概念を簡略化して示す図である。決定木アルゴリズムに基づいた勾配ブースティングの機械学習フレームワークを採用する場合、決定木の各ノードの分岐条件の最適化が行われる。具体的には、決定木アルゴリズムに基づいた勾配ブースティングの機械学習フレームワークでは、一つの親のノードから分岐した二つの子のノードの夫々が示す属性を有するユーザ群についてユーザスコア２４１を夫々算出し、このユーザスコア２４１の差分が大きくなるように（例えば、差分が最大になるように、又は所定の閾値以上になるように）、即ち、二つの子のノードがきれいに分岐するように、親のノードの分岐条件が最適化される。例えば、ノードの分岐条件として示される属性が年齢である場合、分岐の閾値に設定される年齢を変更したり、分岐条件を年齢以外の属性に変更したりしてもよい。また、例えば、ユーザスコア推定モデル２４０におけるノードの分岐条件として示される属性が因果スコア２１１である場合、分岐の閾値に設定される因果スコア２１１の多寡を変更したり、分岐条件を因果スコア２１１以外の属性に変更したりしてもよい。また、例えば、ノードの分岐条件として示される属性がリスク指標２２１である場合、分岐の閾値に設定されるリスク指標２２１の多寡やクラス（ランク）を変更したり、分岐条件をリスク指標２２１以外の属性に変更したりしてもよい。このようにして、決定木の全ノードの分岐条件を再帰的に最適化することで、属性データ群２００に基づくユーザスコア２４１の推定精度を向上させることができる。

効果推定モデル２１０の生成及び／又は更新にあたって、機械学習部２５は、オペレーションセンター管理システム５ａ及びクレジットカード／後払い決済管理システム５ｂから取得したデータに基づいて、ユーザの属性毎に、所定の属性を有する複数のユーザのうちオペレーションを受けたユーザによるアクションの実行率（債権の回収率）に係る統計量と、複数のユーザのうちオペレーションを受けなかったユーザによるアクションの実行率に係る統計量とに基づくスコアを、当該属性を有するユーザに対するオペレーションの効果を示す因果スコア２１１として定義した教師データ（機械学習用データ）を作成する。そして、機械学習部２５は、当該教師データに基づいて、効果推定モデル２１０を作成する。本実施形態では、例として、オペレーションの内容がユーザへの架電であった場合、「（ユーザが架電された場合における債権の回収率）－（ユーザが架電されなかった場合における債権の回収率）」の式により各統計量の差分に基づく因果スコア２１１が算出され、算出された因果スコア２１１が対応するユーザの属性データと組み合わせられて、教師データとして機械学習部２５に入力される。なお、本実施形態では、統計量として平均値を用いる例を説明する。但し、統計量としては例えば最頻値や中央値等の統計的指標が用いられてもよい。ここで、アクションの実行率に係る統計量は、各ユーザの所定期間（例えば、所定の月）内の過去の債権回収率に基づいてよい。また、本実施形態では、各統計量の差分に基づく因果スコア２１１を算出することとしているが、当該差分に統計的な有意差が認められない場合には、因果スコア２１１をゼロ又は略ゼロとしてよい。ここで、当該有意差の存否の判定には既存の統計的手法が採用されてよい。例えば、各月のユーザの平均回収率等の集合について標準誤差や信頼区間を考慮し、架電の有無による回収率の変化について統計的有意性を考慮することが出来る。このようにすることで、同一グループ内のユーザによる平均回収率のばらつきを考慮して因果スコア２１１を推定（算出）することが可能となる。

教師データの作成にあたって、一度架電されたユーザは、以後架電されなかったユーザにはなり得ないため、１のユーザについては、当該ユーザが架電された場合の回収率と架電されなかった場合の回収率とのいずれか一方のみを取得可能である。このため、架電の効果の教師データは、共通の属性を有するユーザ群毎に作成される。即ち、ある共通の属性を有するユーザからなるユーザ群に対する架電の効果を示す因果スコア２１１は、例えば、当該共通の属性を有する複数のユーザを架電される第１サブユーザ群と架電されない第２サブユーザ群とに分け、架電された第１サブユーザ群からの債権の回収率の平均値と架電されなかった第２サブユーザ群からの債権の回収率の平均値とを夫々算出し、これらの回収率の平均値の差分を上述した式に基づいて算出することによって取得される。例えば、架電された第１サブユーザ群からの債権の回収率の平均値が８０％であり、架電されなかった第２サブユーザ群からの債権の回収率の平均値が７０％である場合、当該ユーザ群に対する架電の効果を示す因果スコア２１１は、「１０」である。

また、効果推定モデル２１０の生成又は更新においても、採用可能な機械学習モデル生成のフレームワークは限定されないが、決定木アルゴリズムに基づいた勾配ブースティングの機械学習フレームワークが採用されてよいことは、上記説明したユーザスコア推定モデル２４０の生成及び／又は更新と同様である。

リスク推定モデル２２０の生成及び／又は更新にあたって、機械学習部２５は、オペレーションセンター管理システム５ａ及びクレジットカード／後払い決済管理システム５ｂから取得したデータに基づいて、ユーザの属性毎に、所定の属性を有する複数のユーザのデフォルト発生率に係る統計量（本実施形態では、平均値。但し、例えば最頻値や中央値等の統計的指標が用いられてもよい。）を、当該属性を有するユーザのリスクの程度を示すリスク指標２２１として定義した教師データを作成する。そして、機械学習部２５は、当該教師データに基づいて、リスク推定モデル２２０を作成する。算出されたリスク指標２２１は、対応するユーザの属性データと組み合わせて、教師データとして機械学習部２５に入力される。また、リスク推定モデル２２０の生成又は更新においても、採用可能な機械学習モデル生成のフレームワークは限定されないが、決定木アルゴリズムに基づいた勾配ブースティングの機械学習フレームワークが採用されてよいことは、上記説明したユーザスコア推定モデル２４０の生成及び／又は更新と同様である。

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

図７は、本実施形態に係る機械学習処理の流れを示すフローチャートである。本フローチャートに示された処理は、管理者によって指定されたタイミングで実行される。

ステップＳ１０１及びステップＳ１０２では、効果推定モデル２１０が生成及び／又は更新される。機械学習部２５は、オペレーションセンター管理システム５ａ及び／又はクレジットカード／後払い決済管理システム５ｂにおいて過去に蓄積された、ユーザの属性データ、オペレーション履歴データ、及びクレジットカード利用額／後払い決済利用額の支払履歴データに基づいて、複数のユーザ属性（属性データ群２００）の夫々について因果スコア２１１を算出し、ユーザ属性（属性データ群２００）と因果スコア２１１との組み合わせを含む教師データを作成する（ステップＳ１０１）。ここで、オペレーション履歴データは、ユーザ毎に、当該ユーザに対してオペレーションが行われたか否かを把握することが可能なデータを含み、支払履歴データは、ユーザ毎に、当該ユーザのクレジットカード利用額／後払い決済利用額の支払有無（デフォルトの有無）を把握することが可能なデータを含む。そして、機械学習部２５は、作成された教師データを効果推定モデル２１０に入力し、効果推定部２１による効果推定に用いられる効果推定モデル２１０を生成又は更新する（ステップＳ１０２）。その後、処理はステップＳ１０３へ進む。

ステップＳ１０３及びステップＳ１０４では、リスク推定に用いられるリスク推定モデル２２０が生成及び／又は更新される。機械学習部２５は、オペレーションセンター管理システム５ａ及び／又はクレジットカード／後払い決済管理システム５ｂにおいて過去に蓄積された、ユーザの属性データ、オペレーション履歴データ、及びクレジットカード利用額／後払い決済利用額の支払履歴データに基づいて、複数のユーザ属性（属性データ群２００）の夫々についてリスク指標２２１を算出し、ユーザ属性（属性データ群２００）とリスク指標２２１との組み合わせを含む教師データを作成する（ステップＳ１０３）。そして、機械学習部２５は、作成された教師データをリスク推定モデル２２０に入力し、リスク推定部２２によるリスク推定に用いられるリスク推定モデル２２０を生成又は更新する（ステップＳ１０４）。その後、処理はステップＳ１０５へ進む。

ステップＳ１０５及びステップＳ１０６では、ユーザスコア推定モデル２４０が生成及び／又は更新される。機械学習部２５は、オペレーションセンター管理システム５ａ及び／又はクレジットカード／後払い決済管理システム５ｂにおいて過去に蓄積されたユーザ毎の属性データ群２００と、対応するユーザについて予め決定されたユーザスコア２４１と、の組み合わせを含む教師データを作成する（ステップＳ１０５）。そして、機械学習部２５は、作成された教師データをユーザスコア推定モデル２４０に入力し、ユーザスコア推定部２４によるユーザスコア推定に用いられるユーザスコア推定モデル２４０を生成又は更新する（ステップＳ１０６）。その後、本フローチャートに示された処理は終了する。

図８は、本実施形態に係るユーザスコア推定処理の流れを示すフローチャートである。本フローチャートに示された処理は、管理者によって指定されたタイミングで、対象となるユーザ毎に実行される。

ステップＳ２０１及びステップＳ２０２では、オペレーションの効果及びユーザがアクションを実行しない蓋然性に基づくリスクが推定される。リスク推定部２２は、複数のユーザの夫々について、ステップＳ１０４で生成及び／又は更新されたリスク推定モデル２２０に対して対象ユーザに係る１又は複数のユーザ属性のデータ（属性データ群２００）を入力し、当該リスク推定モデル２２０からの出力として、当該ユーザに対応するリスク指標２２１を取得する（ステップＳ２０１）。また、効果推定部２１は、複数のユーザの夫々について、ステップＳ１０２で生成及び／又は更新された効果推定モデル２１０に対して対象ユーザに係る１又は複数のユーザ属性のデータ（属性データ群２００）を入力し、当該効果推定モデル２１０からの出力として、当該ユーザに対応する因果スコア２１１を取得する（ステップＳ２０２）。その後、処理はステップＳ２０３へ進む。

ステップＳ２０３及びステップＳ２０４では、ユーザスコア２４１が推定され、出力される。属性拡張部２３は、ステップＳ２０１及びステップＳ２０２で推定された因果スコア２１１及びリスク指標２２１に基づいて、ユーザにかかる属性データ群２００を拡張する（ステップＳ２０３）。なお、本実施形態では因果スコア２１１及びリスク指標２２１がそのまま属性データ群２００の一部（新たなユーザ属性）として決定（追加）されることで属性データ群２００が拡張されるため、属性拡張部２３は、対象ユーザについてオペレーションセンター管理システム５ａやクレジットカード／後払い決済管理システム５ｂから取得される等して予め保持されている属性データ群２００にステップＳ２０１及びステップＳ２０２で推定された因果スコア２１１及びリスク指標２２１を追加することで、当該ユーザの属性データ群２００拡張する。そして、ユーザスコア推定部２４は、ステップＳ２０３で拡張された属性データ群２００に基づいてユーザスコア２４１を推定し、オペレーションセンター管理システム５ａに対して出力する（ステップＳ２０４）。本実施形態において、ユーザスコア推定部２４は、対象ユーザの因果スコア２１１及びリスク指標２２１を含む属性データ群２００をユーザスコア推定モデル２４０に入力し、出力された値を当該ユーザに設定されるユーザスコア２４１として取得する。但し、ユーザスコア２４１の推定方法は、本実施形態における例示に限定されない。例えば、ユーザスコア２４１は、属性データ群２００を機械学習モデルではない所定の関数に入力して算出された値を含むものであってもよい。その後、本フローチャートに示された処理は終了する。

ユーザ毎に設定されたユーザスコア２４１は、オペレーションセンター管理システム５ａ及びクレジットカード／後払い決済管理システム５ｂ等のサービス提供システム５に対して提供され、サービス提供システム５によって対象ユーザに対して提供されるサービスのカスタマイズ等に活用される。例えば、オペレーションセンター管理システム５ａは、ユーザスコア２４１に従って対象ユーザへのオペレーションを管理し、オペレーション端末は、オペレーションセンター管理システム５ａによって出力された指示に従ってオペレーションを実行する。

＜効果＞
本実施形態によれば、ユーザに対するオペレーションに起因する当該ユーザの行動変容をユーザスコア２４１の推定に反映することが可能となる。また、様々なユーザ属性データを用いることで、対象ユーザについて一部の属性データが存在しない場合であっても、精度の高いユーザスコア２４１を推定（算出）することが可能となる。

＜第２実施形態＞
上記説明した実施形態では、推定された因果スコア２１１及びリスク指標２２１に基づき拡張された属性データ群２００に基づき、対象ユーザのユーザスコア２４１を推定する例について説明したが、推定された因果スコア２１１及びリスク指標２２１は属性データ群２００の拡張の用のみに供されるとは限らず、例えば、以下のような利用方法が挙げられる。なお、上記説明した第１実施形態と概略同様の構成については、説明を省略する。

図９は、第２実施形態に係るユーザスコアの推定処理に関する簡略図である。ユーザスコア推定部２４は、因果スコア２１１および／またはリスク指標２２１に応じて、複数のユーザスコア推定モデル（第１ユーザスコア推定モデル２４０Ａ、第２ユーザスコア推定モデル２４０Ｂ、第３ユーザスコア推定モデル２４０Ｃ、・・・第ｎユーザスコア推定モデル２４０Ｎ（ｎは整数））から１のユーザスコア推定モデル２４０を選択し決定し、属性データ群２００に基づきユーザスコア２４１（ユーザスコア２４１Ａ、ユーザスコア２４１Ｂ、ユーザスコア２４１Ｃ、・・・ユーザスコア２４１Ｎ）を推定する。ここで、ｎ＞１であってよく、ｎ＝２であってよく、ｎ＝３であってよく、ｎが示すユーザスコア推定モデル２４０の数量に制限はない。また、ここで、入力される属性データ群２００は、因果スコアおよび／またはリスク指標２２１によって拡張されたものであってよく、因果スコアおよび／またはリスク指標２２１によって拡張されていないものであってもよい。また、各ユーザスコア推定モデル２４０は、因果スコア２１１および／またはリスク指標２２１が共通または類似する教師データでトレーニング（学習処理）がなされている。スコア推定対象のユーザにかかる因果スコア２１１および／またはリスク指標２２１が所定の範囲内の因果スコア２１１および／またはリスク指標２２１を示す場合、当該の範囲内の因果スコア２１１および／またはリスク指標２２１に応じて予めトレーニングされたユーザスコア推定モデル２４０を用いて、ユーザスコア２４１を推定する。

図１０は、第２実施形態に係るユーザスコアの推定処理に関する簡略図である。ユーザスコア推定部２４は、属性データ群２００をユーザスコア推定モデル２４０に入力することで得られたユーザスコア２４１を、スコア推定対象のユーザにかかる因果スコア２１１および／またはリスク指標２２１に基づき調整、修正、補正、変更等してユーザスコア２４１Ｄを決定してよい。ここで、ユーザスコア推定部２４は、因果スコア２１１が所定の閾値を超過する場合、ユーザスコア推定モデル２４０が出力したユーザスコア２４１の上方修正を行い、ユーザスコア２４１Ｄを決定してよい。一方、ユーザスコア推定部２４は、リスク指標２２１が所定の閾値を超過する場合、ユーザスコア推定モデル２４０が出力したユーザスコア２４１の下方修正を行い、ユーザスコア２４１Ｄを決定してよい。ユーザスコア推定モデル２４０が出力したユーザスコア２３１の修正等に際し、出力されたユーザスコア２４１に適用する係数、付加されるスコア等は、因果スコア２１１および／またはリスク指標２２１と所定の閾値との差分等によって適宜、決定されてよい。

＜その他のバリエーション＞
上記説明した実施形態では、ユーザに対するオペレーションが架電である例について説明したが、ユーザに対するオペレーションの種類は、架電に限定されない。例えば、ユーザに対するオペレーションの種類として、メッセージ送信が採用されてもよい。なお、ここでメッセージ送信のための手段は限定されず、電子メールシステム、ショートメッセージサービス（ＳＭＳ）、又はソーシャルネットワーキングサービス（ＳＮＳ）のメッセージ送受信サービス等が利用されてよい。

また、上記説明した実施形態では、１種類のオペレーション（架電）について推定された効果に基づいて属性データ群２００が拡張される例について説明したが、属性データ群２００は、複数種類のオペレーション（例えば、架電およびメッセージ送信）の夫々について推定された効果に基づいて拡張されてもよく、当該効果に基づいてユーザスコア２４１を決定してよい。この場合、効果推定部２１は、所定のアクションの実行をユーザに促すための当該ユーザに対する第一のオペレーション（例えば、架電）が、当該ユーザがアクションを実行するか否かに与える第一の効果、及び、所定のアクションの実行をユーザに促すための当該ユーザに対する第二のオペレーション（例えば、メッセージ送信）が、当該ユーザがアクションを実行するか否かに与える第二の効果を推定し、属性拡張部２３は、推定された第一の効果（第１因果スコア）、第二の効果（第２因果スコア）及びリスクのそれぞれに基づいて、ユーザにかかる属性データ群２００を拡張してよく、ユーザスコア推定モデル２４０の決定とユーザスコア２４１の推定を行ってよい。このとき、効果推定部２１は、第１因果スコア及び第２因果スコアに基づき因果スコア２１１を決定してもよい。具体的には、効果推定部２１は、例えば、第１因果スコア及び第２因果スコアの加重平均を因果スコア２１１として算出してよい。

この場合、オペレーションの効果を推定するための効果推定モデル２１０も、オペレーションの種類毎に生成及び更新される。例えば、第一のオペレーションが架電であり第二のオペレーションがメッセージ送信である場合、架電の効果推定モデル２１０、及びメッセージ送信の効果推定モデル２１０が生成及び更新されてよい。

また、上記説明した実施形態では、オペレーションを受けたサブユーザ群のアクション実行率と、オペレーションを受けなかったサブユーザ群のアクション実行率との差分を因果スコア２１１として用いる例について説明したが、因果スコア２１１には、その他の方法で算出されたものが用いられてもよい。例えば、効果推定のための効果推定モデル２１０の生成及び／又は更新にあたって、機械学習部２５は、ユーザの属性毎に、所定の属性を有する複数のユーザのうちオペレーションに対する所定のリアクションを行なったユーザによるアクションの実行率に係る統計量と、複数のユーザのうち所定のリアクションを行わなかったユーザによるアクションの実行率に係る統計量とに基づくスコアを、当該属性を有するユーザに係る因果スコア２１１として定義した教師データに基づいて、効果推定モデル２１０を作成してもよい。例として、本バリエーションでは、「（ユーザが所定のリアクションを行った場合における債権の回収率）－（ユーザが所定のリアクションを行わなかった場合における債権の回収率）」の式により、因果スコア２１１が算出される。

ここで、所定のリアクションは、例えば、架電に対するダイヤルプッシュ等によるユーザの応答、又は架電に対するユーザからの折り返し電話に伴うオペレータとの通話、メッセージに対する返信、メッセージの既読化等である。更に、リアクションの内容として、支払いに対する肯定的な回答や、支払予定日の回答の有無等が考慮されてよい。ユーザによるリアクションが音声によるリアクションであった場合には、ユーザの音声に基づいてユーザの感情等を判定し、リアクションが肯定的であったか否かを判定することも可能である。

また、上記説明した推定された因果スコア２１１及びリスク指標２２１に基づき、属性データ群２００が拡張される例と、ユーザスコア推定モデル２４０またはユーザスコア２４１の決定が行われる例と、を示したが、因果スコア２１１及びリスク指標２２１に代えて、因果スコア２１１及びリスク指標２２１に基づく１の何らかの別の指標（スコア）に基づき、属性データ群２００は拡張されてよく、ユーザスコア推定モデル２４０またはユーザスコア２４１の決定が行われてよい。このとき、当該１の何らかの別の指標（スコア）は、情報処理装置１により、重み付けされた因果スコア２１１及びリスク指標のそれぞれに基づいてルールベースで決定されてよく、何らかの機械学習モデルに対して拡張されていない属性データ群２００と、重み付けされた因果スコア２１１及びリスク指標のそれぞれと、を入力することで決定されてよい。

１ 情報処理装置

Claims (10)

1. 所定のアクションの実行をユーザに促すための該ユーザに対する所定のオペレーションが、該ユーザが前記アクションを実行するか否かに与える効果を、該ユーザにかかる属性データ群に基づき推定する効果推定手段と、
   前記ユーザが前記アクションを実行しない蓋然性に基づくリスクを、前記属性データ群に基づき推定するリスク推定手段と、
   推定された前記効果及び前記リスクに基づいて、前記属性データ群を拡張する属性拡張手段と、
   拡張された前記属性データ群に基づいて、前記ユーザに設定されるユーザスコアを推定するユーザスコア推定手段と、
   を備える情報処理システム。
2. 前記効果推定手段は、前記ユーザに係る１又は複数の属性の入力に対して、該ユーザに対する前記オペレーションの効果を示すスコアを出力する効果推定モデルを用いて、前記オペレーションの効果を推定する、
   請求項１に記載の情報処理システム。
3. 前記効果推定モデルは、所定の属性を有する複数のユーザのうち前記オペレーションを受けたユーザによる前記アクションの実行率に係る統計量と、前記複数のユーザのうち前記オペレーションを受けなかったユーザによる前記アクションの実行率に係る統計量とに基づくスコアを、前記属性を有するユーザに対する前記オペレーションの効果を示すスコアとして定義した教師データに基づいて、作成される、
   請求項２に記載の情報処理システム。
4. 前記効果推定手段は、所定のアクションの実行をユーザに促すための該ユーザに対する第一のオペレーションが、該ユーザが前記アクションを実行するか否かに与える第一の効果、及び、前記所定のアクションの実行をユーザに促すための該ユーザに対する第二のオペレーションが、該ユーザが前記アクションを実行するか否かに与える第二の効果を推定し、
   前記属性拡張手段は、推定された前記第一の効果、前記第二の効果及び前記リスクに基づいて、前記属性データ群を拡張する、
   請求項１から３のいずれか一項に記載の情報処理システム。
5. 前記リスク推定手段は、前記ユーザに係る１又は複数の属性の入力に対して、該ユーザについて債権が回収されずにデフォルトとなる確率を示すリスク指標を出力するリスク推定モデルを用いて、前記リスクを推定する、
   請求項１から４のいずれか一項に記載の情報処理システム。
6. 前記ユーザスコア推定手段は、前記ユーザの属性データ群をユーザスコア推定モデルに入力することで、該ユーザに設定されるユーザスコアを推定する、
   請求項１から５のいずれか一項に記載の情報処理システム。
7. 前記ユーザスコア推定手段は、勾配ブースティング決定木に基づく機械学習フレームワークを用いて生成された前記ユーザスコア推定モデルを用いて、前記ユーザスコアを推定する、
   請求項６に記載の情報処理システム。
8. 前記ユーザスコア推定手段は、ユーザのデモグラフィック属性を含む属性データ群を入力値とし該ユーザに係る前記ユーザスコアを出力値とする教師データを用いて生成された前記ユーザスコア推定モデルを用いて、前記ユーザに設定されるユーザスコアを推定する、
   請求項７に記載の情報処理システム。
9. コンピュータが、
   所定のアクションの実行をユーザに促すための該ユーザに対する所定のオペレーションが、該ユーザが前記アクションを実行するか否かに与える効果を、該ユーザにかかる属性データ群に基づき推定する効果推定ステップと、
   前記ユーザが前記アクションを実行しない蓋然性に基づくリスクを、前記属性データ群に基づき推定するリスク推定ステップと、
   推定された前記効果及び前記リスクに基づいて、前記属性データ群を拡張する属性拡張ステップと、
   拡張された前記属性データ群に基づいて、前記ユーザに設定されるユーザスコアを推定するユーザスコア推定ステップと、
   を実行する方法。
10. コンピュータを、
    所定のアクションの実行をユーザに促すための該ユーザに対する所定のオペレーションが、該ユーザが前記アクションを実行するか否かに与える効果を、該ユーザにかかる属性データ群に基づき推定する効果推定手段と、
    前記ユーザが前記アクションを実行しない蓋然性に基づくリスクを、前記属性データ群に基づき推定するリスク推定手段と、
    推定された前記効果及び前記リスクに基づいて、前記属性データ群を拡張する属性拡張手段と、
    拡張された前記属性データ群に基づいて、前記ユーザに設定されるユーザスコアを推定するユーザスコア推定手段と、
    として機能させるプログラム。
    
    

Images