JP6405002B1 - 算出装置、算出方法、算出プログラムおよびモデル - Google Patents
算出装置、算出方法、算出プログラムおよびモデル Download PDFInfo
- Publication number
- JP6405002B1 JP6405002B1 JP2017120453A JP2017120453A JP6405002B1 JP 6405002 B1 JP6405002 B1 JP 6405002B1 JP 2017120453 A JP2017120453 A JP 2017120453A JP 2017120453 A JP2017120453 A JP 2017120453A JP 6405002 B1 JP6405002 B1 JP 6405002B1
- Authority
- JP
- Japan
- Prior art keywords
- user
- behavior
- information
- calculation
- asset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 264
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 134
- 238000011156 evaluation Methods 0.000 claims abstract description 115
- 230000000694 effects Effects 0.000 claims abstract description 32
- 230000009471 action Effects 0.000 claims description 120
- 238000000034 method Methods 0.000 claims description 33
- 238000004891 communication Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 description 178
- 238000003860 storage Methods 0.000 description 96
- 238000007726 management method Methods 0.000 description 42
- 230000008569 process Effects 0.000 description 23
- 238000012545 processing Methods 0.000 description 20
- 238000009826 distribution Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000010365 information processing Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000003651 drinking water Substances 0.000 description 2
- 235000020188 drinking water Nutrition 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010011469 Crying Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
【課題】資産形成能力が高いとされるユーザと比較して、対象となるユーザが資産形成できているか否かを客観的に評価すること。【解決手段】本願にかかる算出装置は、取得部と、算出部とを有する。取得部は、ユーザの行動を示す行動情報を取得する。算出部は、取得部により行動情報が取得されたユーザのうち資産形成に関する金融活動に基づいて定められたユーザである第１ユーザの行動を示す第１行動情報と、評価対象のユーザである第２ユーザの行動を示す第２行動情報とに基づいて、第２ユーザの資産形成に関する指標値を算出する。【選択図】図３
Description
本発明の実施形態は、算出装置、算出方法、算出プログラムおよびモデルに関する。
近年、年金問題や雇用不安のために、例えば、老後の蓄えについてより不安を抱く人が多くなってきた。しかしながら、漠然と不安を抱いているだけで、実際に、老後の蓄えのために具体的な資産形成あるいは資産運用を行っている人は少ないことも事実である。
例えば、特許文献１には、資産運用に対する自己管理のために、手軽にファイナンシャルプランの診断を受けることができる自動診断システムが開示されている。
しかしながら、上記の従来技術では、資産形成能力が高いとされるユーザと比較して、対象となるユーザが資産形成できているか否かを客観的に評価することができるとは限らない。例えば、上記の従来技術では、ユーザ情報に含まれる各種データの中から、金銭の収支状況、貯蓄や運用に使用できる資金の状況等、手元にある流動資金を計算し、保険料支払額やローン返済額の収入に対する割合、モデル別家計データ等、予め蓄積した知識ベース情報との比較を行うこととにより、収支のバランス、家計の健全度等、現状分析による問題点を抽出する。また、上記の従来技術では、抽出した問題点の解決策を提案する。
このように、上記の従来技術では、ユーザ情報と一般的な情報とを用いて、ユーザの資産に関する現状をシミュレーションしているに過ぎず、資産形成能力が高いとされるユーザと比較して、対象となるユーザが資産形成できているか否かを客観的に評価することができるとは限らない。
本願は、上記に鑑みてなされたものであって、資産形成能力が高いとされるユーザと比較して、対象となるユーザが資産形成できているか否かを客観的に評価することができる算出装置を提供することを目的とする。
本願にかかる算出装置は、ユーザの行動を示す行動情報を取得する取得部と、前記取得部により行動情報が取得されたユーザのうち、資産形成に関する金融活動に基づいて定められたユーザである第１ユーザの行動を示す第１行動情報と、評価対象のユーザである第２ユーザの行動を示す第２行動情報とに基づいて、第２ユーザの資産形成に関する指標値を算出する算出部とを有することを特徴とする。
実施形態の一態様によれば、資産形成能力が高いとされるユーザと比較して、対象となるユーザが資産形成できているか否かを客観的に評価することができるといった効果を奏する。
以下に、本願にかかる算出装置、算出方法、算出方プログラムおよびモデルを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ説明する。なお、この実施形態により本願にかかる算出装置、算出方法、算出方プログラムおよびモデルが限定されるものではない。また、以下の実施形態において、同一の部位には同一の符号を付し、重複する説明は省略される。
〔１．算出処理〕
まず、図１を用いて、実施形態に係る算出処理の一例について説明する。図１は、実施形態にかかる算出処理の一例を示す図である。図１では、実施形態にかかる算出装置１００による算出処理について説明する。具体的には、図１では、算出装置１００によって、対象のユーザが資産形成できているか否かの度合いを示す指標値を算出する算出処理が行われる例について説明する。
まず、図１を用いて、実施形態に係る算出処理の一例について説明する。図１は、実施形態にかかる算出処理の一例を示す図である。図１では、実施形態にかかる算出装置１００による算出処理について説明する。具体的には、図１では、算出装置１００によって、対象のユーザが資産形成できているか否かの度合いを示す指標値を算出する算出処理が行われる例について説明する。
図１の例では、算出装置１００と、ユーザ端末１０とが図示しない通信ネットワーク（例えば、インターネット）を介して通信可能に接続される。
ここで、実施形態にかかる算出装置１００が以下に示す算出処理を行うにあたっての前提について説明する。例えば、年金問題や雇用不安のために、老後の蓄えについてより不安を抱く人が多くなってきている。しかしながら、漠然と将来への不安や、資産形成の必要性を感じるだけであり、資産形成のために具体的なアクションを起こす人は少ないのが現実である。このようなことから、実施形態にかかる算出装置１００、ユーザに対して、資産形成のためのアクションを起こさなければならないといった行動意欲をより高めるための処理を行うものである。
具体的には、実施形態にかかる算出装置１００は、まず、ユーザの行動を示す行動情報を取得する。そして、算出装置１００は、行動情報が取得されたユーザのうち資産形成に関する金融活動に基づいて定められたユーザである第１ユーザの行動を示す第１行動情報と、評価対象のユーザである第２ユーザの行動を示す第２行動情報とに基づいて、第２ユーザの資産形成に関する指標値を算出する。
より具体的には、算出装置１００は、第１ユーザの第１行動情報に基づいて、第１ユーザがどのような行動を行う傾向にあるかを機械学習し、学習結果が反映されたモデルを生成する。かかるモデルは、評価対象のユーザである第２ユーザの第２行動情報が入力された場合に、第１行動情報と第２行動情報との相関性を示す指標値（以下、「相関スコア」と表記する場合がある）を出力するモデルである。したがって、算出装置１００は、モデルに対して第２ユーザの第２行動情報を入力することにより出力された相関スコアに基づいて、第２ユーザの資産形成に関する指標値を算出する。
なお、第２ユーザの資産形成に関する指標値は、第２ユーザが資産形成できているか否かの度合い（レベル）を示す指標値、あるいは、第２ユーザが資産形成できているか否かを評価する評価値と言い換えることができる。したがって、以下の実施形態では、第２ユーザの資産形成に関する指標値を「評価スコア」と表記する場合がある。
ユーザ端末１０は、評価対象のユーザ、すなわち評価スコアが算出される対象のユーザである第２ユーザによって利用される情報処理装置である。ユーザ端末１０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等である。図１の例では、ユーザ端末１０は、第２ユーザによって利用される。また、ユーザ端末１０は、算出装置１００によって算出された評価スコアに基づく評価結果が表示される所定のコンテンツを表示する。
さて、ここからは、図１を用いて、実施形態にかかる算出処理について流れに沿って説明する。まず、算出装置１００は、ユーザの行動を示す行動情報を取得する（ステップＳ１）。例えば、算出装置１００は、アセットマネジメントに関する調査結果を示すデータ（以下、「アセマネデータ」）を取得し、自装置内のアセマネ調査結果記憶部１２１に格納する。アセマネデータは、アンケート等によりユーザから取得されたデータであり、例えば、ユーザ属性情報（年齢、性別等）、家計情報（支出額等）、家族情報（家族の構成、家族の年収等）、投資情報（金融リテラシー等）、ライフプラン（ローン計画、セカンドライフ計画等）を含む。このようなことから、アセマネデータとは、どのような資産形成に関する金融活動を行っているかを示す行動情報を含むものといえる。
例えば、算出装置１００は、アセマネデータを管理する所定の外部サーバから、かかるアセマネデータを取得する。なお、アセマネデータを管理する所定の外部サーバは、例えば、算出装置１００を管理する事業主（以下、「事業主Ｘ」とする）によって管理されるサーバ装置である。
また、例えば、算出装置１００は、各ユーザの購買履歴データを取得し、自装置内の購買履歴記憶部１２２に格納する。購買履歴は、例えば、各ユーザがいつ、何を、いくらで購入したかといった購買行動を示す情報である購買情報の履歴データである。なお、算出装置１００は、購買履歴以外にも検索履歴、決済履歴、オークション利用履歴を取得してもよい。なお、決済履歴には、例えば、クレジットカード決済による決済履歴、あるいは、所定のポイント（例えば、事業主Ｘにより発行されるポイント）決済による決済履歴がある。以下の実施形態では、決済履歴は、クレジットカード決済による決済履歴であるものとする。
例えば、算出装置１００は、購買履歴データを管理する所定の外部サーバから、かかるアセマネデータを取得する。購買履歴データを管理する所定の外部サーバは、事業主Ｘにより管理されるサーバ装置であり、ユーザに所定のショッピングサイトを提供する。
次に、算出装置１００は、アセマネ調査結果記憶部１２１を参照し、資産形成に関する金融活動に基づいて定められたユーザである第１ユーザを特定する（ステップＳ２）。上記の通り、アセマネ調査結果記憶部１２１には、資産形成に関する金融活動を示す情報であるアセマネデータが記憶される。したがって、算出装置１００は、アセマネデータを分析し、アセマネ調査結果記憶部１２１に記憶されるユーザのうち、例えば、投資に関する行動を行っているユーザを第１ユーザとして特定する。なお、投資に関する行動を行っている第１ユーザを「第１ユーザ６０1」とする。
また、算出装置１００は、投資に関する知識を有しているユーザ、あるいは、所定額以上の資産を保有しているユーザを第１ユーザとして特定してもよい。このような第１ユーザは、資産形成能力の高いユーザ、すなわち、資産形成につながるような行動を行っていると考えられるユーザである。また、どのようなユーザを第１ユーザとして特定させるかは、例えば、事業主Ｘによって予め設定される。
次に、算出装置１００は、ステップＳ２で特定した第１ユーザ６０1が行った行動を示す行動情報である第１行動情報を取得する。例えば、算出装置１００は、購買履歴記憶部１２２を参照し、ステップＳ２で特定した第１ユーザ６０1が行った購買行動に対応する購買情報（第１行動情報の一例）を取得する（ステップＳ３）。
次に、算出装置１００は、ステップＳ３で取得した購買情報に基づいて、第１行動情報と第２行動情報との相関性を示す指標値を出力するモデルを生成する（ステップＳ４）。例えば、算出装置１００は、第１行動情報に基づいて生成されるモデルであって、第２行動情報が入力された場合に、第１行動情報と第２行動情報との相関性を示す指標値を出力するモデルを生成する。
上記の通り、第１ユーザ６０1は、資産形成能力が高く、資産形成につながるような行動（購買行動）を行っていると考えられるユーザである。このため、第１行動情報（第１ユーザ６０1の購買情報）に基づいて生成されるモデルは、資産形成能力が高く、資産形成につながるような行動（購買行動）を行っていると考えられるユーザは、どのような購買行動を行う傾向にあるかといったことが学習された学習結果が反映されたモデルである。したがって、このモデルに第２行動情報が入力された場合、この第２行動情報がモデル生成に用いられた第１行動情報により類似するほど、より高い指標値（相関スコア）が出力される。
図１では、算出装置１００は、購買行動のみを用いてモデルを生成する例を示す。しかし、算出装置１００は、例えば、検索履歴に基づく行動情報、決済履歴に基づく行動情報、オークション利用履歴に基づく行動情報もさらに考慮したモデルを生成してよい。なお、第２行動情報は、図１の例では、評価対象のユーザである第２ユーザの購買行動に対応する購買情報である。かかる第２行動情報も購買履歴記憶部１２２に格納されている。
モデル生成処理の詳細は後述するが、算出装置１００は、例えば、第１ユーザ６０1を正解データ（教師データ、目的変数）とし、第１ユーザ６０1の購買情報（ステップＳ３で取得したもの）に含まれる所定の情報を素性（説明変数）とするサポートベクターマシン（Support Vector Machine）等の回帰学習モデルを生成する。所定の情報とは、例えば、第１ユーザ６０1によって購入された商品に関する情報であり、購入された商品の属する「商品カテゴリ」、かかる商品が購入された「曜日」、かかる商品の「価格帯」、かかる商品がセール時に購入されたか否かを示す「セール情報」である。
なお、ステップＳ４で生成されたモデルを「モデルＭＤ０１」とする。算出装置１００は、生成したモデルＭＤ０１を所定の記憶部に格納しておく。
ここで、評価対象（算出処理対象）のユーザである第２ユーザが、算出装置１００にアクセスしてきたとする（ステップＳ５）。かかる第２ユーザを「第２ユーザ７０」とする。一例を示すと、第２ユーザ７０のユーザ端末１０が、第２ユーザ７０の操作に従って、算出装置１００によって提供されるコンテンツＣ１−１の配信要求を算出装置１００に対して送信したとする。
算出装置１００は、ユーザ端末１０から配信要求を受信すると、購買履歴記憶部１２２から第２ユーザ７０の購買情報を取得する。そして、算出装置１００は、取得した購買情報をモデルＭＤ０１に入力することにより（ステップＳ６）、第１行動情報（第１ユーザ６０1の購買情報）と第２行動情報（第２ユーザ７０の購買情報）との相関性を示す相関スコアを出力する（ステップＳ７）。
算出装置１００は、出力した相関スコアに基づいて、第２ユーザ７０の資産形成に関する指標値、すなわち、第２ユーザ７０が資産形成できているか評価する評価スコアを算出する（ステップＳ８）。例えば、算出装置１００は、相関スコアに所定の値を乗じることにより評価スコアを算出してもよいし、相関スコアそのものを評価スコアとしてもよい。
次に、算出装置１００は、算出した評価スコアを第２ユーザ７０に提示する（ステップＳ９）。例えば、算出装置１００は、評価スコアが表示されるコンテンツＣ１−１を第２ユーザ７０のユーザ端末１０に配信する。
さて、これまで説明してきたように、実施形態にかかる算出装置１００は、ユーザの行動を示す行動情報を取得する。そして、算出装置１００は、行動情報が取得されたユーザのうち資産形成に関する金融活動に基づいて定められたユーザである第１ユーザの行動を示す第１行動情報と、評価対象のユーザである第２ユーザの行動を示す第２行動情報とに基づいて、第２ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置１００は、資産形成能力が高いと考えられる第１ユーザと比較して、第２ユーザが資産形成できているか否かを客観的に評価する値である評価スコアを算出することができる。
また、実施形態にかかる算出装置１００は、評価スコアを算出することにより、例えば、評価スコアが表示されるコンテンツを提供することができるため、第２ユーザに対して、資産形成のためのアクションを起こさなければならないといった行動意欲をより高めることができる。
〔２．算出システムの構成〕
次に、図２を用いて、実施形態にかかる算出装置１００が含まれる算出システム１の構成について説明する。図２は、実施形態にかかる算出システム１の構成例を示す図である。図２に例示するように、実施形態にかかる算出システム１には、ユーザ端末１０と、外部サーバ３０と、算出装置１００とが含まれる。これらの各種装置は、ネットワークＮ（例えば、インターネット）を介して、有線又は無線により通信可能に接続される。なお、図２に示した算出システム１には、複数台のユーザ端末１０や、複数台の外部サーバ３０が含まれてもよい。
次に、図２を用いて、実施形態にかかる算出装置１００が含まれる算出システム１の構成について説明する。図２は、実施形態にかかる算出システム１の構成例を示す図である。図２に例示するように、実施形態にかかる算出システム１には、ユーザ端末１０と、外部サーバ３０と、算出装置１００とが含まれる。これらの各種装置は、ネットワークＮ（例えば、インターネット）を介して、有線又は無線により通信可能に接続される。なお、図２に示した算出システム１には、複数台のユーザ端末１０や、複数台の外部サーバ３０が含まれてもよい。
ユーザ端末１０は、評価対象のユーザ、すなわち評価スコアが算出される対象のユーザである第２ユーザによって利用される情報処理装置であり、算出装置１００から受信した評価スコアを表示する。
外部サーバ３０は、算出装置１００以外のサーバ装置であり、算出装置１００によって行動情報が取得される取得元のサーバ装置である。例えば、外部サーバ３０は、アセマネデータを管理するサーバ装置、ショッピングサイトを提供することにより、購買履歴を蓄積しているショッピングサーバである。また、外部サーバ３０は、検索サービスを提供することにより、入力された検索キーワードを検索履歴として蓄積している検索サーバでもよい。
また、外部サーバ３０は、所定のクレジットカードを管理するカード会社のサーバ装置で（カード会社サーバ）あってもよいし、所定のポイントを管理するポイント管理サーバであってもよいし、オークションサービスを提供することにより、入札および落札に関する履歴を蓄積しているオークションサーバであってもよい。
なお、本実施形態では、外部サーバ３０は、算出装置１００を所有する事業主Ｘによって管理されているものとする。したがって、上記のショッピングサイト、検索サービス、オークションサービスも、事業主Ｘによって運営される。また、上記のクレジットカードは、事業主Ｘあるいは事業主Ｘの関連会社によって発行されるクレジットカードである。
算出装置１００は、図１で説明した算出処理を行うサーバ装置である。具体的には、算出装置１００は、外部サーバ３０からユーザに関する情報を取得する。例えば、算出装置１００は、外部サーバ３０の１つであるアセマネデータ管理サーバから、資産形成に関する金融活動を示す行動情報（アセマネデータ）を取得する。また、例えば、算出装置１００は、外部サーバ３０の１つであるショッピングサーバから、ユーザの購買情報を含む購買履歴を取得する。
そして、算出装置１００は、取得したアセマネデータを参照し、資産形成に関する金融活動に基づいて定められたユーザである第１ユーザを特定する。また、算出装置１００は、取得した購買履歴を参照し、特定した第１ユーザに対応する購買情報（第１行動情報の一例）を取得する。そして、算出装置１００は、第１行動情報と、評価対象のユーザである第２ユーザの行動を示す第２行動情報とに基づいて、第２ユーザの評価スコアを算出する。
なお、算出装置１００は、第１行動情報として第１ユーザに対応する購買情報を用いるだけでなく、第１行動情報として第１ユーザが行った検索行動を示す検索情報、第１ユーザがクレジットカードを利用（クレジットカード決済）して行った購買行動を示す購買情報、あるいは、第１ユーザが行った落札を示す落札情報をさらに用いる場合がある。
〔３．算出装置の構成〕
次に、図３を用いて、実施形態にかかる算出装置１００について説明する。図３は、実施形態にかかる算出装置１００の構成例を示す図である。図３に示すように、算出装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。
次に、図３を用いて、実施形態にかかる算出装置１００について説明する。図３は、実施形態にかかる算出装置１００の構成例を示す図である。図３に示すように、算出装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。
（通信部１１０について）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークＮと有線または無線で接続され、例えば、ユーザ端末１０、外部サーバ３０との間で情報の送受信を行う。
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークＮと有線または無線で接続され、例えば、ユーザ端末１０、外部サーバ３０との間で情報の送受信を行う。
（記憶部１２０について）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ等の半導体メモリ素子またはハードディスク、光ディスク等の記憶装置によって実現される。記憶部１２０は、アセマネ調査結果記憶部１２１と、購買履歴記憶部１２２と、検索履歴記憶部１２３と、決済履歴記憶部１２４と、オークション利用履歴１２５を有する。
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ等の半導体メモリ素子またはハードディスク、光ディスク等の記憶装置によって実現される。記憶部１２０は、アセマネ調査結果記憶部１２１と、購買履歴記憶部１２２と、検索履歴記憶部１２３と、決済履歴記憶部１２４と、オークション利用履歴１２５を有する。
（アセマネ調査結果記憶部１２１）
アセマネ調査結果記憶部１２１は、アセットマネジメントに関する調査結果を示すデータ（アセマネデータ）を記憶する記憶部である。アセマネデータは、後述する取得部１３１によって、例えば、外部サーバ３０の１つであるアセマネデータ管理サーバから取得される。アセマネデータには、ユーザがどのような資産形成に関する金融活動を行っているかを示す行動情報が含まれる。なお、アセットマネジメントに関する調査は、例えば、事業主Ｘに対して会員登録している（アカウントを取得している）ユーザに対して、所定のコンテンツ内においてアンケート形式で行われる。
アセマネ調査結果記憶部１２１は、アセットマネジメントに関する調査結果を示すデータ（アセマネデータ）を記憶する記憶部である。アセマネデータは、後述する取得部１３１によって、例えば、外部サーバ３０の１つであるアセマネデータ管理サーバから取得される。アセマネデータには、ユーザがどのような資産形成に関する金融活動を行っているかを示す行動情報が含まれる。なお、アセットマネジメントに関する調査は、例えば、事業主Ｘに対して会員登録している（アカウントを取得している）ユーザに対して、所定のコンテンツ内においてアンケート形式で行われる。
ここで、図４に実施形態にかかるアセマネ調査結果記憶部１２１の一例を示す。図４の例では、アセマネ調査結果記憶部１２１は、「ユーザＩＤ」、「属性情報」、「家計情報」、「家族情報」、「教育方針」、「投資情報」、「ライフプラン」といった項目を有する。なお、図４の例では、説明を簡単にするために、各項目の内容に概念的な記号を用いているが、実際には、各項目には以下に示す情報が対応付けられる。
「ユーザＩＤ」は、ユーザまたはユーザ端末１０を識別するための識別情報を示す。「ユーザＩＤ」は、例えば、事業主Ｘにより運営される各種コンテンツを利用するためにユーザが事業主Ｘに対して会員登録した際に、ユーザに対応付けられる識別情報である。「ユーザＩＤ」は、算出装置１００（あるいは、事業主Ｘに属する所定のサーバ）によって動的に発行されてもよいし、会員登録の際にユーザに設定されてもよい。
「属性情報」は、ユーザの年齢、性別、職業、結構有無、子供有無、住居形態等である。「家計情報」は、月収（手取り）、支出額／月、ローン額／月、貯蓄額等である。「家族情報」は、配偶者の年齢および職業、子供の人数および年齢等である。
「教育方針」は、教育機関（幼稚園、小学校、中学校、高校、大学）に対して希望する運営形態（国公立、私立等）等である。「投資情報」は、投資経験有無、現在所有している金融商品（株、投信、国債等）、保有金融商品の金額、借金（ローン以外）の金額、金融リテラシー等である。「ライフプラン」は、大型出費計画（例えば、車など高額商品を購入予定であるか否か）、子供の結構資金援助額、ローン繰上返済計画（返済期間、金利等）、セカンドライフについて（開始年齢、生活費等）等である。なお、上記に示した各項目の内容は、一例であり、上記例に限定されるものではない。
（購買履歴記憶部１２２について）
購買履歴記憶部１２２は、購買履歴を記憶する記憶部である。購買履歴は、後述する取得部１３１によって、例えば、外部サーバ３０の１つであるショッピングサーバから取得される。購買履歴は、例えば、各ユーザがいつ、何を、いくらで購入したかといった購買行動を示す情報である購買情報の履歴データである。
購買履歴記憶部１２２は、購買履歴を記憶する記憶部である。購買履歴は、後述する取得部１３１によって、例えば、外部サーバ３０の１つであるショッピングサーバから取得される。購買履歴は、例えば、各ユーザがいつ、何を、いくらで購入したかといった購買行動を示す情報である購買情報の履歴データである。
ここで、図５に実施形態にかかる購買履歴記憶部１２２の一例を示す。図５の例では、購買履歴記憶部１２２は、「ユーザＩＤ」、「商品」、「商品カテゴリ」、「曜日」、「価格帯」、「セール情報」、「まとめ買情報」といった項目を有する。また、これら各項目は、算出装置１００によるモデル生成処理における素性となりうる情報（素性情報）である。
「ユーザＩＤ」は、ユーザまたはユーザ端末１０を識別するための識別情報を示す。「ユーザＩＤ」は、例えば、事業主Ｘにより運営される各種コンテンツを利用するためにユーザが事業主Ｘに対して会員登録した際に、ユーザに対応付けられる識別情報である。「ユーザＩＤ」は、算出装置１００（あるいは、事業主Ｘに属する所定のサーバ）によって動的に発行されてもよいし、会員登録の際にユーザに設定されてもよい。
「商品」は、ユーザに購入された商品を識別可能な情報を示す。例えば、「商品」は、ユーザに購入された商品の商品名、あるいは、商品の個体識別情報（例えば、商品番号）を示す。「商品カテゴリ」は、「商品」の属するカテゴリを示す。例えば、取得部１３１は、購買履歴を取得した場合に、取得した購買履歴に含まれる各「商品」について「商品カテゴリ」を判定し、判定結果を「商品カテゴリ」として入力する。
「曜日」は、「商品」が購入された曜日を示す。例えば、取得部１３１は、購買履歴を取得した場合に、取得した購買履歴に含まれる各「商品」について、当該「商品」に対応する日付情報に基づき「曜日」を判定し、判定結果を「曜日」として入力する。
「価格帯」は、「商品」の価格が含まれる価格帯を示す。例えば、取得部１３１は、購買履歴を取得した場合に、取得した購買履歴に含まれる各「商品」について、当該「商品」に対応する価格情報に基づき「価格帯」を判定し、判定結果を「価格帯」として入力する。一例を示すと、ある商品の価格が「５００円」である場合、取得部１３１は、「価格帯」に「１，０００円未満」を入力する。
「セール情報」は、対応するユーザが「商品」をセール時に購入したか否かを示す。例えば、取得部１３１は、購買履歴を取得した場合に、取得した購買履歴に含まれる「商品」がセール時に購入されている場合、この「商品」を購入したユーザに対応する「セール情報」に「１」を入力する。また、取得部１３１は、「商品」がセール以外（通常時）に購入されている場合、この「商品」を購入したユーザに対応する「セール情報」に「０」を入力する。なお、取得部１３１は、セール時に「商品」が購入された回数を「セール情報」として入力してもよい。
「まとめ買情報」は、ユーザがまとめ買いを行ったか否かを示す。例えば、取得部１３１は、同一日に所定数以上の商品を購入したユーザはまとめ買いを行ったと判断し、「まとめ買情報」に「１」を入力する。また、取得部１３１は、同一日に所定数未満の数しか商品を購入していないユーザはまとめ買いを行っていないと判断し、「まとめ買情報」に「０」を入力する。なお、算出装置１００は、まとめ買いが行われた回数を「まとめ買情報」として入力してもよい。
すなわち、図５の例では、ユーザＩＤ「Ｕ１」によって識別されるユーザ（ユーザＵ１）が、商品カテゴリ「生活雑貨」に分類され、価格「５００円」であるため価格帯「１，０００円未満」に属する商品「Ｓ０２」を「水曜」に購入した例を示す。また、ユーザＵ１が、「セール時に商品を購入したことがある」例を示す。また、ユーザＵ１が、「まとめ買いを行ったことがある」例を示す。
（検索履歴記憶部１２３について）
検索履歴記憶部１２３は、検索履歴を記憶する記憶部である。検索履歴は、後述する取得部１３１によって、例えば、外部サーバ３０の１つである検索サーバから取得される。検索履歴は、例えば、各ユーザがいつ、どのような検索キーワードを用いて検索を行ったかといった検索行動を示す情報である検索情報の履歴データである。
検索履歴記憶部１２３は、検索履歴を記憶する記憶部である。検索履歴は、後述する取得部１３１によって、例えば、外部サーバ３０の１つである検索サーバから取得される。検索履歴は、例えば、各ユーザがいつ、どのような検索キーワードを用いて検索を行ったかといった検索行動を示す情報である検索情報の履歴データである。
ここで、図６に実施形態にかかる検索履歴記憶部１２３の一例を示す。図６の例では、検索履歴記憶部１２３は、「ユーザＩＤ」、「検索日時」、「検索キーワード」、「カテゴリ」といった項目を有する。また、これら各項目は、算出装置１００によるモデル生成処理における素性となりうる情報（素性情報）である。
「ユーザＩＤ」は、ユーザまたはユーザ端末１０を識別するための識別情報を示す。「ユーザＩＤ」は、例えば、事業主Ｘにより運営される各種コンテンツを利用するためにユーザが事業主Ｘに対して会員登録した際に、ユーザに対応付けられる識別情報である。「ユーザＩＤ」は、算出装置１００（あるいは、事業主Ｘに属する所定のサーバ）によって動的に発行されてもよいし、会員登録の際にユーザに設定されてもよい。
「検索日時」は、「検索キーワード」を用いて検索が行われた日付を示す。「検索キーワード」は、検索に用いられたキーワードを示す。「カテゴリ」は、「検索キーワード」が属するカテゴリを示す。例えば、取得部１３１は、検索履歴を取得した場合に、取得した検索履歴に含まれる各「検索キーワード」について「カテゴリ」を判定し、判定結果を「カテゴリ」として入力する。
すなわち、図６の例では、ユーザＵ１が、検索日時「２０１７年５月１９日」に検索キーワード「ＫＷ１１」を用いて検索を行った例を示す。また、この検索キーワード「ＫＷ１１」は、カテゴリ「納税」に属するワードであると判定された例を示す。
（決済履歴記憶部１２４について）
決済履歴記憶部１２４は、例えば、クレジットカード利用履歴を記憶する記憶部である。クレジットカード利用履歴は、取得部１３１によって、例えば、外部サーバ３０の１つであるカード会社サーバから取得される。クレジットカード利用履歴は、例えば、クレジットカード決済により各ユーザがいつ、いくらの買い物を行ったか（クレジットカード利用金額はいくらか）といった購買行動を示す情報であるカード利用購買情報の履歴データである。なお、決済履歴記憶部１２４には、ポイント決済による購買行動を示す履歴データが記憶されてもよい。
決済履歴記憶部１２４は、例えば、クレジットカード利用履歴を記憶する記憶部である。クレジットカード利用履歴は、取得部１３１によって、例えば、外部サーバ３０の１つであるカード会社サーバから取得される。クレジットカード利用履歴は、例えば、クレジットカード決済により各ユーザがいつ、いくらの買い物を行ったか（クレジットカード利用金額はいくらか）といった購買行動を示す情報であるカード利用購買情報の履歴データである。なお、決済履歴記憶部１２４には、ポイント決済による購買行動を示す履歴データが記憶されてもよい。
決済履歴記憶部１２４は、例えば、図５に示す購買履歴記憶部１２２に含まれる項目のうち、「曜日」および「価格帯」のみで構成されるものである。したがって、決済履歴記憶部１２４の図示は省略する。
（オークション利用履歴１２５について）
オークション利用履歴１２５は、オークション利用履歴を記憶する記憶部である。オークション利用履歴は、取得部１３１によって、例えば、外部サーバ３０の１つであるオークションサーバから取得される。オークション利用履歴は、例えば、各ユーザがいつ、何を、いくらで落札したかといった落札行動を示す情報である落札情報の履歴データである。
オークション利用履歴１２５は、オークション利用履歴を記憶する記憶部である。オークション利用履歴は、取得部１３１によって、例えば、外部サーバ３０の１つであるオークションサーバから取得される。オークション利用履歴は、例えば、各ユーザがいつ、何を、いくらで落札したかといった落札行動を示す情報である落札情報の履歴データである。
ここで、図７に実施形態にかかるオークション利用履歴１２５の一例を示す。図７の例では、オークション利用履歴１２５は、「ユーザＩＤ」、「落札日時」、「落札商品」、「商品カテゴリ」、「落札金額」といった項目を有する。また、これら各項目は、算出装置１００によるモデル生成処理における素性となりうる情報（素性情報）である。
「ユーザＩＤ」は、ユーザまたはユーザ端末１０を識別するための識別情報を示す。「ユーザＩＤ」は、例えば、事業主Ｘにより運営される各種コンテンツを利用するためにユーザが事業主Ｘに対して会員登録した際に、ユーザに対応付けられる識別情報である。「ユーザＩＤ」は、算出装置１００（あるいは、事業主Ｘに属する所定のサーバ）によって動的に発行されてもよいし、会員登録の際にユーザに設定されてもよい。
「落札日時」は、「落札商品」が落札された日付を示す。「落札商品」は、ユーザに落札された商品を識別可能な情報を示す。例えば、「落札商品」は、ユーザに落札された商品の商品名、あるいは、商品の個体識別情報（例えば、商品番号）を示す。「商品カテゴリ」は、「落札商品」の属するカテゴリを示す。例えば、取得部１３１は、オークション利用履歴を取得した場合に、取得したオークション利用履歴に含まれる各「落札商品」について「商品カテゴリ」を判定し、判定結果を「商品カテゴリ」として入力する。
「落札金額」は、「落札商品」が落札された金額を示す。また、「落札金額」は、落札された金額そのものではなく、図５の例のように、「価格帯」で示されてもよい。
すなわち、図７の例では、ユーザＵ１が、落札日時「２０１７年５月１８日」に、「コート」を「３０，０００円」で落札した例を示す。また、落札商品「コート」が商品カテゴリ「ファッション」に分類された例を示す。
（その他の記憶部）
ここで、図示しないが、算出装置１００がさらに有してよい記憶部の一例について説明する。例えば、算出装置１００は、どのようなユーザを第１ユーザとして特定するかを指示した指示情報を記憶する記憶部を有してよい。例えば、かかる記憶部には、「投資に関する行動を行っているユーザ」を第１ユーザとして特定するよう指示する指示情報、「投資に関する知識を有しているユーザ」を第１ユーザとして特定するよう指示する指示情報、また、「所定額以上の資産を保有しているユーザ」を第１ユーザとして特定するよう指示する指示情報が記憶される。
ここで、図示しないが、算出装置１００がさらに有してよい記憶部の一例について説明する。例えば、算出装置１００は、どのようなユーザを第１ユーザとして特定するかを指示した指示情報を記憶する記憶部を有してよい。例えば、かかる記憶部には、「投資に関する行動を行っているユーザ」を第１ユーザとして特定するよう指示する指示情報、「投資に関する知識を有しているユーザ」を第１ユーザとして特定するよう指示する指示情報、また、「所定額以上の資産を保有しているユーザ」を第１ユーザとして特定するよう指示する指示情報が記憶される。
また、算出装置１００は、生成部１３３によって生成されたモデルを記憶する記憶部を有してよい。例えば、かかる記憶部には、各モデルを識別する識別情報と、モデルとが対応付けられた状態で記憶される。
（制御部１３０について）
図３に戻り、制御部１３０は、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置１００内部の記憶装置に記憶されている各種プログラムがＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。
図３に戻り、制御部１３０は、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置１００内部の記憶装置に記憶されている各種プログラムがＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。
図３に示すように、制御部１３０は、取得部１３１と、特定部１３２と、生成部１３３と、受信部１３４と、算出部１３５と、提供部１３６とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図３に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図３に示した接続関係に限られず、他の接続関係であってもよい。
（取得部１３１について）
取得部１３１は、ユーザの行動を示す行動情報を取得する。例えば、取得部１３１は、外部サーバ３０の１つであるアセマネデータ管理サーバからアセマネデータを取得する。アセマネデータには、資産形成に関する金融活動としてユーザがどのような金融活動を行ったかを示す行動情報が含まれる。また、取得部１３１は、取得したアセマネデータをアセマネ調査結果記憶部１２１に格納する。
取得部１３１は、ユーザの行動を示す行動情報を取得する。例えば、取得部１３１は、外部サーバ３０の１つであるアセマネデータ管理サーバからアセマネデータを取得する。アセマネデータには、資産形成に関する金融活動としてユーザがどのような金融活動を行ったかを示す行動情報が含まれる。また、取得部１３１は、取得したアセマネデータをアセマネ調査結果記憶部１２１に格納する。
また、取得部１３１は、外部サーバ３０の１つであるショッピングサーバから、購買履歴を取得する。購買履歴は、ユーザの購買行動を示す購買情報の履歴データである。また、取得部１３１は、取得した購買履歴を購買履歴記憶部１２２に格納する。
また、取得部１３１は、外部サーバ３０の１つである検索サーバから、検索履歴を取得する。検索履歴は、ユーザの検索行動を示す検索情報の履歴データである。また、取得部１３１は、取得した検索履歴を検索履歴記憶部１２３に格納する。
また、取得部１３１は、外部サーバ３０の１つであるカード会社サーバから、クレジットカード決済による決済履歴を取得する。決済履歴は、クレジットカード決済による購買行動を示す購買情報の履歴データである。また、取得部１３１は、取得した決済履歴を決済履歴記憶部１２４に格納する。なお、取得部１３１は、外部サーバ３０の１つであるポイント管理サーバから、ポイント決済による決済履歴を取得し、決済履歴記憶部１２４に格納してもよい。
また、取得部１３１は、外部サーバ３０の１つであるオークションサーバから、オークション利用履歴を取得する。オークション利用履歴は、オークションにおける落札行動を示す情報である落札情報の履歴データである。また、取得部１３１は、取得したオークション利用履歴をオークション利用履歴記憶部１２５に格納する。なお、取得部１３１は、落札履歴だけでなく入札履歴も取得してよい。
（特定部１３２について）
特定部１３２は、取得部１３１により行動情報が取得されたユーザの（取得部１３１により取得された行動情報に含まれるユーザ）のうち、資産形成に関する金融活動に基づいて定められたユーザである第１ユーザを特定する。アセマネ調査結果記憶部１２１には、資産形成に関する金融活動を示す情報であるアセマネデータが記憶される。したがって、特定部１３２は、アセマネデータを分析し、アセマネ調査結果記憶部１２１に記憶されるユーザのうち、例えば、投資に関する行動を行っているユーザを第１ユーザとして特定する。なお、算出装置１００は、投資に関する知識を有しているユーザ、あるいは、所定額以上の資産を保有しているユーザを第１ユーザとして特定してもよい。このような第１ユーザは、資産形成能力の高いユーザ、すなわち、資産形成につながるような行動を日頃から行っていると考えられるユーザである。
特定部１３２は、取得部１３１により行動情報が取得されたユーザの（取得部１３１により取得された行動情報に含まれるユーザ）のうち、資産形成に関する金融活動に基づいて定められたユーザである第１ユーザを特定する。アセマネ調査結果記憶部１２１には、資産形成に関する金融活動を示す情報であるアセマネデータが記憶される。したがって、特定部１３２は、アセマネデータを分析し、アセマネ調査結果記憶部１２１に記憶されるユーザのうち、例えば、投資に関する行動を行っているユーザを第１ユーザとして特定する。なお、算出装置１００は、投資に関する知識を有しているユーザ、あるいは、所定額以上の資産を保有しているユーザを第１ユーザとして特定してもよい。このような第１ユーザは、資産形成能力の高いユーザ、すなわち、資産形成につながるような行動を日頃から行っていると考えられるユーザである。
ここで、投資に関する行動を行っている第１ユーザとして、例えば、第１ユーザ６０1が特定されたとする。また、投資に関する知識を有している第１ユーザとして、例えば、第１ユーザ６０2が特定されたとする。また、所定額以上の資産を保有している第１ユーザとして、例えば、第１ユーザ６０3が特定されたとする。
かかる場合、特定部１３２は、第１ユーザ６０1〜６０3の行動を示す行動情報である第１行動情報を取得する。例えば、特定部１３２は、購買履歴記憶部１２２を参照し、第１ユーザ６０1〜６０3の購買行動に対応する購買情報（第１行動情報の一例）を取得する。一例を示すと、第１ユーザ６０1〜６０3のうちの１人がユーザＵ１であった場合には、特定部１３２は、購買履歴記憶部１２２に記憶されている購買情報のうち、ユーザＩＤ「Ｕ１」が対応付けられる購買情報を取得する。
また、特定部１３２は、検索履歴記憶部１２３を参照し、第１ユーザ６０1〜６０3の検索行動に対応する検索情報（第１行動情報の一例）を取得する。また、特定部１３２は、決済履歴記憶部１２４を参照し、第１ユーザ６０1〜６０3のカード利用による購買行動に対応する購買情報（第１行動情報の一例）を取得する。また、特定部１３２は、オークション履歴記憶部１２５を参照し、第１ユーザ６０1〜６０3の落札行動に対応する落札情報（第１行動情報の一例）を取得する。
（生成部１３３について）
生成部１３３は、資産形成に関する金融活動に基づいて定められたユーザである第１ユーザの行動を示す行動情報と、評価対象のユーザである第２ユーザの行動を示す行動情報とに基づいて、第１行動情報と第２行動情報との相関性を示す指標値を出力するよう、コンピュータを機能させるためのモデルを生成する。具体的には、生成部１３３は、第１行動情報に基づくモデルであって、第２行動情報が入力された場合に、第１行動情報と第２行動情報との相関性を示す指標値を出力するモデルを生成する。
生成部１３３は、資産形成に関する金融活動に基づいて定められたユーザである第１ユーザの行動を示す行動情報と、評価対象のユーザである第２ユーザの行動を示す行動情報とに基づいて、第１行動情報と第２行動情報との相関性を示す指標値を出力するよう、コンピュータを機能させるためのモデルを生成する。具体的には、生成部１３３は、第１行動情報に基づくモデルであって、第２行動情報が入力された場合に、第１行動情報と第２行動情報との相関性を示す指標値を出力するモデルを生成する。
より具体的には、生成部１３３は、第１行動情報のうち、第１ユーザとの相関性がより高い第１行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習したモデルであって、第２行動情報が入力された場合に、第１行動情報と第２行動情報との相関性を示す指標値を出力するモデルを生成する。
さらに一例を示すと、生成部１３３は、第１行動情報として第１ユーザの購買履歴に含まれる行動情報のうち、第１ユーザとの相関性がより高い行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習し、学習結果を反映したモデルを生成する。また、生成部１３３は、第１行動情報として第１ユーザの検索履歴に含まれる行動情報のうち、第１ユーザとの相関性がより高い行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習し、学習結果を反映したモデルを生成する。
また、生成部１３３は、第１行動情報として第１ユーザのクレジットカード利用履歴に含まれる行動情報のうち、第１ユーザとの相関性がより高い行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習し、学習結果を反映したモデルを生成する。また、生成部１３３は、第１行動情報として第１ユーザのオークション利用履歴に含まれる行動情報のうち、第１ユーザとの相関性がより高い行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習し、学習結果を反映したモデルを生成する。
すなわち、生成部１３３は、特定部１３２によって取得された第１ユーザの行動を示す第１行動情報を素性とし、正解データである第１ユーザを当てるためのモデルを生成する。具体的には、生成部１３３は、素性となる第１行動情報のうち、どのような情報にどのような重みが与えられるかを回帰的に学習させたモデルを生成する。言い換えれば、生成部１３３は、正解データとして取得された第１行動情報のうち、いずれの情報が「資産形成のための（資産形成につながる）行動」に影響を与えるか、といったことを示すモデルを生成する。
以下に、生成部１３３が生成するモデルの一例を示す。なお、生成部１３３が生成するモデルは以下のものに限られず、第１行動情報に基づくモデルであって、第２行動情報が入力された場合に、第１行動情報と第２行動情報との相関性を示す指標値を出力するモデルであれば、どのようなモデルであってもよい。また、上記例に従い、特定部１３２によって特定された第１ユーザである第１ユーザ６０1〜６０3を用いて説明する。
例えば、生成部１３３は、第１ユーザ６０1〜６０3が資産形成のための（資産形成につながる）行動を行ったことを示した結果情報を機械学習における目的変数とする。そして、生成部１３２は、特定部１３２によって取得された第１ユーザ６０1〜６０3の行動を示す第１行動情報を説明変数（素性）とする。そして、生成部１３３は、目的変数と説明変数とを用いて、第１ユーザ６０1〜６０3に関するモデルを生成する。例えば、生成部１３３は、購買履歴記憶部１２２、検索履歴記憶部１２３、決済履歴記憶部１２４、オークション利用履歴記憶部１２５に記憶されているあらゆる情報、あるいは、一部の情報を説明変数として用いることができる。
例えば、生成部１３３は、第１ユーザ６０1〜６０3が資産形成のための（資産形成につながる）行動を行ったという結果情報と、第１行動情報との関係を示す式を生成する。さらに、生成部１３３は、個々の第１行動情報、すなわち第１行動情報に含まれる素性それぞれが、第１ユーザ６０1〜６０3が資産形成のための（資産形成につながる）行動を行ったという結果の事象に対して、どのような重みを有するかを学習して算出する。これにより、生成部１３３は、第１ユーザ６０1〜６０3が資産形成のための（資産形成につながる）行動を行ったという事象に対して、個々の第１行動情報がどのくらい寄与するのかといった情報を得ることができる。例えば、生成部１３３は、下記式（１）を作成する。
ｙ ＝ ω1・ｘ1 ＋ ω2・ｘ2 ＋ ω3・ｘ3 ＋ ω4・ｘ4 ＋ ω5・ｘ5 ・・・＋ ωN・ｘN ・・・（１）（Ｎは任意の数）
上記式（１）において、「ｙ」は、「第１ユーザ６０1〜６０3が資産形成のための（資産形成につながる）行動を行ったか否か」という事象を示す。学習において、第１ユーザ６０1〜６０3を正解データとするのであれば、「ｙ」は「１」の値を取る。
また、上記式（１）において、「ｘ」は、第１行動情報、より具体的には、第１行動情報に含まれる素性である各説明変数に対応する。また、上記式（１）において、「ω」は、「ｘ」に対する重み係数を示す。このように、上記式（１）は、第１ユーザ６０1〜６０3の第１行動情報から抽出された素性情報に対応する説明変数「ｘ」と、重み係数「ω」とを含む変数（例えば、「ω1・ｘ1」）を組合せることにより作成される。
例えば、図５に示す購買履歴記憶部１２２の例を用いて、「ｘ1」は、「第１ユーザ６０1〜６０3は、商品カテゴリ「飲料水」に属する「商品」を購入した」であるとする。また、「ｘ2」は、「第１ユーザ６０1〜６０3は、曜日「水曜」に「商品」を購入した」であるとする。また、「ｘ3」は、「第１ユーザ６０1〜６０3は「セール時」に「商品」を購入した」であるとする。
なお、ここでは、説明を簡単にするために、説明変数として、商品カテゴリ「飲料水」、曜日「水曜」、セール情報「セール時に買物した」を用いた場合の例を示したが、これらは一例に過ぎず、例えば、購買履歴記憶部１２２に基づく説明変数には、商品カテゴリ「生活雑貨」、「アクセサリ」等といったように、第１ユーザ６０1〜６０3によって購入された各「商品」が属する商品カテゴリが存在する。また、素性としての「価格帯」や「まとめ買い情報」についても、例えば、価格帯「１，０００未満」、まとめ買い情報「まとめ買いしたことがある」といった説明変数が存在することはいうまでもない。
また、図６に示す検索履歴記憶部１２３の例を用いて、「ｘ4」は、「第１ユーザ６０1〜６０3は検索キーワード「ゴルフ」を用いて検索した」であるとする。なお、これは一例であり、検索履歴記憶部１２３に基づく説明変数には、検索キーワード「ふるさと納税」、「新聞」等といったように、第１ユーザ６０1〜６０3によって用いられた各種検索キーワードが存在する。
また、図７に示すオークション利用履歴記憶部１２５を用いて、「ｘ5」は、「第１ユーザ６０1〜６０3は「ソファー」を落札した」であるとする。なお、これは一例であり、オークション利用履歴記憶部１２５に基づく説明変数には、落札商品「デスクトップパソコン」、「毛皮コート」等といったように、第１ユーザ６０1〜６０3によって落札された各種商品が存在する。
ここで、第１ユーザ６０1〜６０3に該当するユーザは、各記憶部に記憶されている情報量にもよるが、実際には、数百人単位、あるいは、数千人単位（あるいはそれ以上）で存在する（例えば、ユーザＵ１、Ｕ３、Ｕ４、Ｕ１１・・・）。したがって、生成部１３３は、第１ユーザ６０1〜６０3に該当する各ユーザ毎に、上記式（１）を生成する。そして、生成部１３２は、生成した式を機械学習のサンプルとする。そして、生成部１３３は、サンプルとなる式の演算処理（回帰学習）を行うことにより、重み係数「ω」に対応する値を導出する。すなわち、生成部１３３は、上記式（１）を満たすような重み係数「ω」を決定する。
言い換えれば、生成部１３３は、説明変数が目的変数「ｙ」に与える影響を示す重み係数「ω」を決定することができる。例えば、生成部１３３は、「資産形成のための（資産形成につながる）行動を行った」という事象に対して、「第１ユーザ６０1〜６０3が購入した「商品」が属する「商品カテゴリ」」が他の変数と比較して大きく寄与しているのであれば、「第１ユーザ６０1〜６０3が購入した「商品」が属する「商品カテゴリ」」に対応する重み係数「ω1」の値を、他の変数と比較して大きな値で算出する。
例えば、事業主Ｘが運営するショッピングサイトでは、毎週「水曜」にセールが行われる、あるいは、ポイントが倍になるといった情報が判明しているうえで、「水曜に買物する」が他の変数と比較して大きく事象に寄与しているのであれば、第１ユーザ６０1〜６０3は、資産形成のため、例えば、少しでも節約できるよう、水曜に買物しようとしたこと等が考えられる。
また、例えば、検索キーワード「ふるさと納税」が他の変数と比較して大きく事象に寄与しているのであれば、第１ユーザ６０1〜６０3は、資産形成のため、少しでもお得な情報を入手できるよう、検索キーワード「ふるさと納税」で検索を行おうとしたこと等が考えられる。
また、例えば、落札商品「交通チケット」が他の変数と比較して大きく事象に寄与しているのであれば、第１ユーザ６０1〜６０3は、資産形成のため、少しでも節約できるよう、オークションを利用してより安く商品を手に入れようとしたこと等が考えられる。
このように、生成部１３２が各素性情報を組み込んだモデルを生成することで、「資産形成のための（資産形成につながる）行動を行った」という事象を発生させる要因となった情報を高い精度で推定することができる。
上記のようにして、生成部１３３は、第１ユーザが「資産形成のための（資産形成につながる）行動を行った」という事象に至る傾向と、第１行動情報（素性）との関連性を求めるためのモデルを生成する。すなわち、生成部１３３は、生成したモデルに、評価対象とする第２ユーザの行動情報である第２行動情報を入力した場合に、第２行動情報が「資産形成のための（資産形成につながる）行動を行った」という事象、言い換えれば、第２行動情報が第１行動情報にどのくらい類似した傾向を有するか、といった関連性を示す評価値を出力させることができる。
なお、例示したモデルは一例であり、生成部１３３が生成するモデルは上記の例に限られない。したがって、例えば、生成部１３３は、他の統計的処理によりモデルを生成してもよいし、また、ニューラルネットワークを利用したモデル等を生成してもよい。また、学習処理（機械学習）においては、線形回帰、ロジスティック回帰、サポートベクタ―マシン、決定木、ハザード分析等の種々の手法が利用されてもよい。
また、上記例の様にして生成されたモデルを「モデルＭＤ０１」とすると、例えば、生成部１３３は、モデルＭＤ０１を所定の記憶部に格納する。また、生成部１３３は、所定期間（例えば、１週間）毎に生成処理を行うことで、所定期間毎のモデルを更新してもよい。
（受信部１３４について）
受信部１３４は、評価対象のユーザである第２ユーザのユーザ端末１０から、所定のコンテンツの配信要求を受信する。かかる配信要求は、算出部１３５に対して第２ユーザの資産形成に関する指標値を算出するよう要求するものでもある。
受信部１３４は、評価対象のユーザである第２ユーザのユーザ端末１０から、所定のコンテンツの配信要求を受信する。かかる配信要求は、算出部１３５に対して第２ユーザの資産形成に関する指標値を算出するよう要求するものでもある。
なお、かかる所定のコンテンツは、実施形態にかかる算出装置１００以外の他のサーバ装置から配信されるものであってもよく、この場合、ユーザ端末１０は、他のサーバ装置に配信要求を送信する。また、他のサーバ装置は、ユーザ端末１０から配信要求を受信したことを算出装置１００に通知する。これにより、算出部１３５は、算出装置１０によって他のサーバ装置からの通知が受信された場合に、第２ユーザの資産形成に関する指標値を算出してもよい。
また、所定のコンテンツは、例えば、算出部１３５により算出された評価スコアに基づく評価結果であって、第２ユーザが資産形成できているか否かが評価された評価結果が所定の態様で表示されるコンテンツである。図１でも示したが、この所定のコンテンツを「コンテンツＣ１−１」とする。
（算出部１３５について）
算出部１３５は、資産形成に関する金融活動に基づいて定められたユーザである第１ユーザの行動を示す第１行動情報と、評価対象のユーザである第２ユーザの行動を示す第２行動情報とに基づいて、第２ユーザの資産形成に関する指標値（評価スコア）を算出する。例えば、算出部１３５は、生成部１３３によって生成されたモデルから出力された相関スコアに基づいて、評価スコアを算出する。
算出部１３５は、資産形成に関する金融活動に基づいて定められたユーザである第１ユーザの行動を示す第１行動情報と、評価対象のユーザである第２ユーザの行動を示す第２行動情報とに基づいて、第２ユーザの資産形成に関する指標値（評価スコア）を算出する。例えば、算出部１３５は、生成部１３３によって生成されたモデルから出力された相関スコアに基づいて、評価スコアを算出する。
具体的には、算出部１３５は、生成部１３３が生成したモデルに、処理対象とする第２ユーザの行動を示す第２行動情報を入力することにより、第２ユーザに対する相関スコアを出力される。出力された相関スコアは、第１ユーザと第２ユーザとの相関性を示す。より具体的には、相関スコアは、第１行動情報と第２行動情報との相関性を示す。例えば、第１行動情報と第２行動情報との相関性がより高いという事象は、この第２行動情報によって示される行動を行ったユーザ、すなわち第２ユーザが、資産形成により関連する（資産形成によりつながる）行動を行った、ということを示す。
算出部１３５は、相関スコアそのものを第２ユーザに対する評価スコアとしてもよいし、相関スコアを正規化する等の処理を行い、処理後に算出された値を評価スコアとしてもよい。例えば、算出部１３５は、モデルから出力された相関スコアを１００段階の数値に正規化する処理を行い、処理後に算出された１から１００までの値を第２ユーザに対する評価スコアとしてもよい。また、算出部１３５は、相関スコアをシグモイドフィッティング（Sigmoid fitting）等を用いて確率値に変換してもよい。
以下に、算出部１３４による算出処理の一例を示す。ここでは、生成部１３３により上記式（１）に基づくモデルＭＤ０１が生成されているものとする。また、ユーザ端末１０が、第２ユーザ７０の操作に従って、算出装置１００にコンテンツＣ１−１の配信要求を送信したものとする。
算出部１３５は、受信部１３４によって配信要求が受信すると、購買履歴記憶部１２２、検索履歴記憶部１２３、決済履歴記憶部１２４、オークション利用履歴記憶部１２５それぞれから第２ユーザ７０の行動情報を抽出する。例えば、第２ユーザ７０がユーザＵ２であるとすると、算出部１３５は、購買履歴記憶部１２２からユーザＩＤ「Ｕ２」に対応する購買情報（第２行動情報の一例）として、各素性を抽出する。
図５の例では、算出部１３５は、例えば、商品「Ｓ５１」について、商品カテゴリ「生活家電」、曜日「水」、価格帯「１０，０００円〜２０，０００円」、セール情報「０」、まとめ買情報「１」を抽出する。また、算出部１３５は、例えば、商品「Ｓ２５」について、商品カテゴリ「アクセサリ」、曜日「木」、価格帯「５，０００円〜１０，０００円」、セール情報「０」、まとめ買情報「１」を抽出する。
そして、算出部１３５は、商品「Ｓ５１」および商品「Ｓ２５」毎に、モデルＭＤ０１を用いて相関スコアを算出する。商品「Ｓ５１」について説明すると、算出部１３５は、商品カテゴリ「生活雑貨」を示す説明変数、曜日「水」を示す説明変数、価格帯「１０，０００円〜２０，０００円」を示す説明変数、セール情報「０」を示す説明変数、まとめ買情報「１」を示す説明変数、それぞれには数値「１」を入力する。また、算出部１３５は、上記以外の説明変数には「０」を入力する。
このようにすることで、重み係数を含む説明変数毎に数値が得られるため、算出部１３５は、上記式（１）に示されている通り、得られた数値を足し合わせることにより相関スコアを算出する。同様にして、算出部１３５は、商品「Ｓ２５」についても相関スコアを算出する。そして、算出部１３５は、各相関スコアを平均して得られた値を、最終的な相関スコアとする。なお、算出部１３５は、ユーザＵ２に購入された商品のうち、いずれか１つの商品に対応する購買情報（例えば、購入日時が最も新しい購買情報）のみを用いて、相関スコアを算出してもよい。また、算出部１３５は、ユーザＵ２に購入された商品のうち、所定期間（例えば、最近１週間）のうちに購入された商品に対応する購買情報を用いて、相関スコアを算出してもよい。
（提供部１３６について）
提供部１３６は、算出部１３５により算出された評価スコアに基づく評価結果であって、この評価スコアが算出される対象となった第２ユーザが資産形成できているか否かが評価された評価結果が所定の態様で表示される第１コンテンツを、かかる第２ユーザに提示する。
提供部１３６は、算出部１３５により算出された評価スコアに基づく評価結果であって、この評価スコアが算出される対象となった第２ユーザが資産形成できているか否かが評価された評価結果が所定の態様で表示される第１コンテンツを、かかる第２ユーザに提示する。
以下に、提供部１３６による提示処理の一例を示す。まず、受信部１３４により、第２ユーザ７０からコンテンツＣ１−１の配信要求を受信されたことに応じて、算出部１３５が、上記例のようにして評価スコアを算出したものとする。例えば、算出部１３５は、算出部１３５が、第２ユーザ７０の評価スコアとして「６５点」を算出したものとする。
このような状態において、提供部１３６は、評価スコアに基づいて、第２ユーザ７０が資産形成できているか否かを評価する評価結果を示す評価情報を生成する。例えば、提供部１３６は、評価情報を評価スコア（数値情報）そのものとしてもよい。また、提供部１３６は、評価スコアに応じた画像情報を生成してもよい。例えば、提供部１３６は、評価スコアが「低」、「中」、「高」のいずれに分類されるかを判定したうえで、特定した分類を示す画像情報を生成してもよい。一例を示すと、提供部１３６は、評価スコアが「高」に分類されると判定した場合には、漢字「高」を示す画像情報を生成する。
また、提供部１３６は、「低」、「中」、「高」に応じた顔画像を生成してもよい。例えば、提供部１３６は、評価スコアが「高」に分類されると判定した場合には、微笑んでいる顔画像、評価スコアが「中」に分類されると判定した場合には、ノーマルな顔画像、評価スコアが「低」に分類されると判定した場合には、泣いている顔画像を生成する。本実施形態では、提供部１３６は、評価情報を評価スコア（数値情報）そのものとする。また、かかる評価情報を評価情報Ｊ１１とする。
次に、提供部１３６は、評価結果が表示される第１コンテンツであるコンテンツＣ１−１を生成する。ここで、図８に、提供部１３６によって生成されるコンテンツの一例を示す。コンテンツＣ１−１には、各種コンテンツ（例えば、メール、天気予報、お気に入り情報、旅行検索、ブログ等）へ遷移させるためのメニュー（見出し）が表示される領域Ｒ１と、記事コンテンツや広告コンテンツが縦方向に一列に一覧表示される領域Ｒ２とが含まれる。
提供部１３６は、図８に示すように、例えば、評価スコアとして「６５点」を示す評価情報Ｊ１１が、領域Ｒ２において一番上に表示されるコンテンツＣ１−１を生成する。そして、提供部１３６は、生成したコンテンツＣ１−１を第２ユーザ７０のユーザ端末１０に配信する。そして、ユーザ端末１０は、コンテンツＣ１−１を内蔵されている表示画面に表示する。これにより、算出装置１００は、コンテンツＣ１−１において第２ユーザ７０の目に留まり易い位置に突然「６５点」を表示させることができるため、第２ユーザ７０に対してこのスコアに対する興味を抱かせることができる。すなわち、算出装置１００は、第２ユーザ７０に対して資産形成のためのアクションを起こさせる「気づき」をまずここで与えることができる。
また、スコア表示によって興味が高められた第２ユーザ７０が、「さらに詳しく」と書かれたボタンＢ１１を押下したとする。かかる場合、ユーザ端末１０は、ボタンＢ１１が押下された旨の情報を算出装置１００に送信する。例えば、受信部１３４によってこの情報が受信されると、提供部１３６は、評価情報Ｊ１をさらに詳細に説明するコンテンツＣ１−２を生成する。
例えば、提供部１３６は、評価スコア（図８の例では「６５点」）が算出されるうえで、より影響を及ぼした行動を示す行動情報である内部情報Ｊ１２を含むコンテンツＣ１−２を生成する。内部情報Ｊ１２としての行動情報は、より具体的には、生成部１３３により生成されたモデルに含まれる重み係数のうち、より大きな値を示す重み係数（例えば、上位３つの重み係数）に対応する行動情報（説明変数）である。第２ユーザ７０が、この内部情報Ｊ１２としての行動情報により関連する行動を行っているほど評価スコアは高くなるため、内部情報Ｊ１２としての行動情報は評価スコアにより影響を及ぼした行動といえる。
例えば、説明変数「水曜に買物する」に対応する重み係数、説明変数「「ふるさと納税」で検索」に対応する重み係数、説明変数「「交通チケット」を落札」に対応する重み係数それぞれの値が、モデルＭ０１に含まれる重み係数の値の中でより大きい上位３つであったとすると、提供部１３６は、図８の例の通り、内部情報Ｊ１２を生成する。そして、提供部１３６は、内部情報Ｊ１２を含むコンテンツＣ１−２をユーザ端末１０に配信する。そして、ユーザ端末１０は、コンテンツＣ１−２を内蔵されている表示画面に表示する。
これにより、算出装置１００は、資産を増やすには内部情報Ｊ１２によって示されるような行動を行えば効果的であるといったことに気付かせることができる。また、算出装置１００は、例えば、第２ユーザ７０に対して、内部情報Ｊ１２によって示されるような行動を行うことにより資産を増やそうといった意欲を高めることができる。
なお、提供部１３６は、評価スコアの詳細な説明情報や、ボタンＢ１２を押下して次のコンテンツも利用するよう誘導する情報であるテキストＪ１３もコンテンツＣ１−２に含めてもよい。ちなみに、コンテンツＣ１−２に含まれるボタンＢ１２が押下された場合の処理については、後ほど変形例にて説明する。
〔４．処理手順〕
次に、図９を用いて、実施形態にかかる算出装置１００が実行する算出処理の手順について説明する。図９は、実施形態にかかる算出装置１００による算出処理手順を示すフローチャートである。
次に、図９を用いて、実施形態にかかる算出装置１００が実行する算出処理の手順について説明する。図９は、実施形態にかかる算出装置１００による算出処理手順を示すフローチャートである。
まず、算出装置１００は、ユーザの行動を示す行動情報を取得する（ステップＳ１０１）。例えば、算出装置１００は、行動情報として資産形成に関する金融活動を示す行動情報、購買情報、検索情報、落札情報を取得する。次に、算出装置１００は、行動情報が取得されたユーザのうち資産形成に関する金融活動に基づいて定められたユーザである第１ユーザを特定する（ステップＳ１０２）。例えば、算出装置１００は、第１ユーザとして投資に関する行動を行っているユーザ、投資に関する知識を有しているユーザ、あるいは、所定額以上の資産を保有しているユーザを特定する。
次に、算出装置１００は、第１ユーザの行動を示す第１行動情報を取得する（ステップＳ１０３）。例えば、算出装置１００は、第１行動情報として、第１ユーザの購買情報、検索情報、落札情報を取得する。また、算出装置１００は、第１行動情報に基づくモデルであって、評価対象の第２ユーザの行動を示す第２行動情報が入力された場合に、第１行動情報と第２行動情報との相関性を示す指標値を出力するモデルを生成する（ステップＳ１０４）。
次に、算出装置１００は、コンテンツの配信要求を受信したか否かを判定する（ステップＳ１０５）。例えば、算出装置１００は、第２ユーザが資産形成できているか否かが評価された評価結果が所定の態様で表示される第１コンテンツの配信要求を受信したか否かを判定する。なお、かかる配信要求は、ステップＳ１０４で生成されたモデルを用いたスコア算出処理を算出装置１００に行わせるための要求と読み換えることができる。
算出装置１００は、配信要求を受信していないと判定した場合には（ステップＳ１０５；Ｎｏ）、受信するまで待機する。一方、算出装置１００は、配信要求を受信したと判定した場合には（ステップＳ１０５；Ｙｅｓ）、モデルに第２ユーザの行動を示す第２行動情報を入力することにより、第２ユーザに対する相関スコアを出力する（ステップＳ１０６）。出力された相関スコアは、第１行動情報と第２行動情報との相関性を示す。また、算出装置１００は、相関スコアに基づいて、第２ユーザに対する評価スコアを算出する（ステップＳ１０７）。
そして、算出装置１００は、評価スコアに基づく評価結果であって、第２ユーザが資産形成できているか否かが評価された評価結果が所定の態様で表示される第１コンテンツを生成し、生成した第１コンテンツを配信要求を送信したユーザ端末１０に配信する（ステップＳ１０８）。また、算出装置１００は、モデルを生成してから所定期間が経過したか否かを判定する（ステップＳ１０９）。算出装置１００は、所定期間経過していないと判定した場合には（ステップＳ１０９；Ｎｏ）、処理を終了する。一方、算出装置１００は、所定期間経過したと判定した場合には（ステップＳ１０９；Ｙｅｓ）、ステップＳ１０１に戻り、新たな情報でモデルを生成し直す。
〔５．変形例〕
上記実施形態にかかる算出装置１００は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、算出装置１００の他の実施形態について説明する。
上記実施形態にかかる算出装置１００は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、算出装置１００の他の実施形態について説明する。
〔５−１．入力情報を用いた評価〕
上記の実施形態では、算出部１３５が、生成部１３３によって生成されたモデルを用いて、第２ユーザに対する評価スコアを算出し、提供部１３６が、評価スコアに基づく評価結果が表示される第１コンテンツを第２ユーザに提示する例を示した。
上記の実施形態では、算出部１３５が、生成部１３３によって生成されたモデルを用いて、第２ユーザに対する評価スコアを算出し、提供部１３６が、評価スコアに基づく評価結果が表示される第１コンテンツを第２ユーザに提示する例を示した。
しかし、算出部１３５は、第１コンテンツを提供された第２ユーザにより入力された入力情報に基づいて、第２ユーザの資産形成に関する指標値をさらに算出してもよい。かかる評価値は、第２ユーザにより入力された入力情報そのものを用いたシミュレーションにより算出されるため、モデルを用いて算出される評価値（評価スコア）と比較して、より正確な値といえる。したがって、第２ユーザにより入力された入力情報に基づき算出される評価値を「正評価スコア」と表記する。また、提供部１３６は、正評価スコアに基づく評価結果であって、第２ユーザが資産形成できているか否かが評価された評価結果が所定の態様で表示される第２コンテンツを第２ユーザに提供する。この点について、図８および図１０を用いて説明する。
まず、図８において、第１コンテンツであるコンテンツＣ１−１の配信要求を算出装置１００に対して送信した第２ユーザ７０が、コンテンツＣ１−２に遷移し、さらに「設問に回答する」と記載されたボタンＢ１２を押下したとする。かかる場合、ユーザ端末１０は、ボタンＢ１２が押下された旨の情報を算出装置１００に送信する。例えば、受信部１３４によってこの情報が受信されると、提供部１３６は、図１０に示すコンテンツＰをユーザ端末１０に配信する。図１０は、設問に対する回答を受け付けるコンテンツＰの一例を示す図である。コンテンツＰは、資産形成に関する指標値（正評価スコア）を算出するうえで必要となるユーザ情報の入力を設問形式で受け付けるためのコンテンツである。図１０の例では、コンテンツＰには、子供の人数を入力させるための入力欄、子供の年齢を入力させるための入力欄が含まれる。なお、図１０に示される設問は、一例に過ぎず、実際には、例えば、図４に示すような各項目に関する設問に対する入力が求められる。
例えば、第２ユーザ７０によってコンテンツＰに入力された入力情報が、提供部１３６によって受信されたとすると、算出部１３５は、その入力情報に基づいて、第２ユーザ７０の資産形成に関する指標値を算出する。例えば、算出部１３５は、入力情報に基づいて、第２ユーザ７０が所定の年齢になった場合における第２ユーザ７０の資産を予測し、予測した資産に基づいて、第２ユーザ７０に対する正評価スコアを算出する。
例えば、算出部１００は、これまで第２ユーザによって入力された入力情報、ＰＦＭ（Personal Financial Management）連携により取得した個人財務状況、あるいは、所定の機関（例えば、銀行）との連携により取得した個人財務状況を自装置内の記憶部に格納しているものとする。かかる場合、算出部１３５は、第２ユーザ７０により入力された入力情報と、上記のような個人財務状況とに基づいて、例えば、経時変化（年齢経過）に伴う第２ユーザ７０の資産をシミュレーションする。そして、算出部１３５は、６５歳時における資産（貯蓄額）の目標額を例えば「３，０００万円」とした場合、シミュレーションにより得られた資産額が「３，０００万円」に対してどれだけ達成できているかを示すスコアを正評価スコアとして算出する。なお、目標額はファイナンシャルプランナーにおける統計データに基づき算出装置１００に対して予め設定されるものであってもよいし、第２ユーザ７０によって設定されてもよい。
このようにして、算出部１３５は、例えば、正評価スコア「７５点」を算出したとする。また、第２ユーザ７０が「３０代男性」であったとすると、算出部１００は、全国ランキングとして、これまで、「３０代男性」の第２ユーザ（例えば、総数３，８００，０００人）に対して算出した正評価スコアのうち、何位であるかを算出する。ここでは、算出部１３５は、第２ユーザ７０に対して順位「１，４００，０００位／３，８００，０００人中」を算出したとする。
このような状態において、提供部１３６は、正評価スコアに基づく評価結果であって、第２ユーザ７０が資産形成できているか否かが評価された評価結果が所定の態様で表示される第２コンテンツを生成する。例えば、提供部１３６は、図１０に示すように、評価結果として上記の様にして算出された評価スコア「７５点」、順位「１，４００，０００位／３，８００，０００人中」が表示されるコンテンツＣ２（第２コンテンツの一例）を生成する。
なお、提供部１３６は、図１０に示すように、第２ユーザ７０の収入および支出に基づく資産の移り変わりを示すグラフ（シミュレーション結果）であるシミュレーション情報Ｊ２１、および、目標額を達成するためのアドバイス情報Ｊ２２（例えば、月々の貯蓄額）、および、高ランクの人がどのような行動特性を有しているかを示す行動特性情報Ｊ２３が表示されるようにしてもよい。
また、提供部１３６は、これらの情報に加えて、入力情報を用いたシミュレーション結果に基づいて、正評価スコアの内訳を示すスコアであるサブスコアも表示されるようにしてもよい。例えば、算出部１３５は、資産形成につながると考えられる行動にはプラスの値のサブスコアであって、資産形成によりつながり易いと考えられる行動ほど大きなプラス値となるサブスコアをその行動毎に算出する。また、算出部１３５は、資産形成につながらないと考えられる行動にはマイナスの値のサブスコアであって、資産形成によりつながり難いと考えられる行動ほど大きなマイナス値となるサブスコアをその行動毎に算出する。そして、提供部１３６は、行動毎に算出されたサブスコアの総計が正評価スコアとなることがわかるように、正評価スコアとサブスコアとが表示されるコンテンツＣ２を生成する。
このように、実施形態にかかる算出装置１００は、上記の実施形態で説明した第１コンテンツ（図８）によって資産形成に対する興味が高められた第２ユーザがより詳細な情報を希望した場合に（ボタンＢ１２押下）、かかる第２ユーザに対して各種情報の入力を求める。そして、算出装置１００は、入力された入力情報に基づいて、かかる第２ユーザの資産形成に関する指標値（正評価スコア）を算出し、算出した指標値が表示される第２コンテンツを提示する。これにより、実施形態にかかる算出装置１００は、第２ユーザの資産形成に関する現状を提示することができるため、第２ユーザに対して資産形成のための具体的なアクションを起こすよう効果的に誘導することができる。
〔５−２．モデルについて（１）〕
上記の実施形態では、生成部１３３が、第１行動情報に基づくモデルであって、第２行動情報が入力された場合に、第１行動情報と第２行動情報との相関性を示す指標値を出力するモデルを１つ生成する例を示した。しかし、生成部１３３は、評価対象の第２ユーザに合わせて、複数のモデルを生成してもよい。例えば、生成部１３３は、年代に応じたモデルを生成してもよい。また、かかる場合、算出部１３５は、生成部１３３により生成されたモデルのうち、第２ユーザの年代に応じたモデルを用いて、第２ユーザに対する評価スコアを算出する。
上記の実施形態では、生成部１３３が、第１行動情報に基づくモデルであって、第２行動情報が入力された場合に、第１行動情報と第２行動情報との相関性を示す指標値を出力するモデルを１つ生成する例を示した。しかし、生成部１３３は、評価対象の第２ユーザに合わせて、複数のモデルを生成してもよい。例えば、生成部１３３は、年代に応じたモデルを生成してもよい。また、かかる場合、算出部１３５は、生成部１３３により生成されたモデルのうち、第２ユーザの年代に応じたモデルを用いて、第２ユーザに対する評価スコアを算出する。
生成部１３３は、例えば、年代「３０代」に応じたモデルを生成する場合、購買履歴記憶部１２２、検索履歴記憶部１２３、決済履歴記憶部１２４、オークション利用履歴記憶部１２５に記憶されている行動情報のうち、「３０代」の第１ユーザの第１行動情報のみを用いて、モデルを生成する。他の年代についても同様である。また、評価対象の第２ユーザが「３０代」である場合、算出部１３５は、「３０代」に対応するモデルに、かかる第２ユーザの第２行動情報を入力することにより、相関スコアを出力する。そして、算出部１３５は、出力した相関スコアに基づいて、評価スコアを算出する。
これにより、実施形態にかかる算出装置１００は、評価スコアをより高い精度で算出することができる。なお、生成部１３３は、年代ではなく、年収に応じたモデルを生成してもよい。また、かかる場合、算出部１３５は、生成部１３３により生成されたモデルのうち、第２ユーザの年収に応じたモデルを用いて、第２ユーザに対する評価スコアを算出する。
生成部１３３は、例えば、年収「４００万円台」に応じたモデルを生成する場合、購買履歴記憶部１２２、検索履歴記憶部１２３、決済履歴記憶部１２４、オークション利用履歴記憶部１２５に記憶されている行動情報能うち、「４００万円台」の第１ユーザの第１行動情報のみを用いて、モデルを生成する。他の年代についても同様である。これにより、実施形態にかかる算出装置１００は、評価スコアをより高い精度で算出することができる。
〔５−３．モデルについて（２）〕
上記実施形態では、生成部１３３が、第１行動情報として、第１ユーザの購買情報、検索情報、オークション利用による落札情報に基づいて、モデルを生成する例を示した。しかし、これらの情報は一例であり、生成部１３３は、他の行動情報をさらに用いて、モデルを生成してもよい。例えば、生成部１３３は、第１行動情報として、各種コンテンツ（例えば、記事コンテンツや広告コンテンツ）の閲覧履歴に含まれる行動情報さらに用いて、モデルを生成する。閲覧履歴は、いつ、どのようなコンテンツを閲覧したかといったコンテンツ閲覧行動を示す閲覧情報の履歴データである。
上記実施形態では、生成部１３３が、第１行動情報として、第１ユーザの購買情報、検索情報、オークション利用による落札情報に基づいて、モデルを生成する例を示した。しかし、これらの情報は一例であり、生成部１３３は、他の行動情報をさらに用いて、モデルを生成してもよい。例えば、生成部１３３は、第１行動情報として、各種コンテンツ（例えば、記事コンテンツや広告コンテンツ）の閲覧履歴に含まれる行動情報さらに用いて、モデルを生成する。閲覧履歴は、いつ、どのようなコンテンツを閲覧したかといったコンテンツ閲覧行動を示す閲覧情報の履歴データである。
これにより、実施形態にかかる算出装置１００は、資産形成のための（資産形成につながる）行動を行う第１ユーザは、どのようなコンテンツを閲覧する傾向にあるか（例えば、第１ユーザはユースをよく見る等）をさらに考慮したモデルを生成することができるため、評価スコアの精度を高めることができる。また、算出装置１００は、どのような行動が資産形成につながるかを第２ユーザに提示する場合に、よりバラエティに富んだ行動を提示することができる。
〔５−４．モデルについて（３）〕
また、上記実施形態では、生成部１３３が、説明変数「ｘ」と、重み係数「ω」とを含む変数を組合せたモデルを生成し、これを機械学習することで、重み係数を導出することを上記（１）を用いて説明した。ここで、生成部１３３は、導出した重み係数のうち、所定の第１行動情報に基づく学習により導出した重み係数には、さらに所定の重み付けを行ってもよい。
また、上記実施形態では、生成部１３３が、説明変数「ｘ」と、重み係数「ω」とを含む変数を組合せたモデルを生成し、これを機械学習することで、重み係数を導出することを上記（１）を用いて説明した。ここで、生成部１３３は、導出した重み係数のうち、所定の第１行動情報に基づく学習により導出した重み係数には、さらに所定の重み付けを行ってもよい。
例えば、セール時に商品を買うようにしている人は、生活費を節約することができると考えられる。したがって、「セール時に商品を購入する」といった購買情報は、資産形成により繋がり易い行動といえる。かかる場合、上記式（１）の例を用いると、生成部１３３は、「第１ユーザ６０1〜６０3は「セール時」に「商品」を購入した」とする説明変数「ｘ3」に対応する重み係数「ω3」に、さらに所定の重み付けを行う。例えば、生成部１３３は、重み係数「ω3」に対して「１．２」を乗じる。なお、かかる処理は、説明変数「ｘ3」に対応する重み係数の値を、機械学習により導出されたときの値よりも動的に大きくするものである。
なお、上記のように重み係数をより大きくする処理は、「セール時に商品を購入する」といった購買情報以外の他の購買情報に対しても行われてよいことはいうまでもない。例えば、まとめ買いをするようにしている人は、生活費を節約することができると考えられる。したがって、「まとめ買いをする」といった購買情報は、資産形成により繋がり易い行動といえる。かかる場合、生成部１３３は、「第１ユーザ６０1〜６０3は「まとめ買いをした」とする説明変数に対応する重み係数に、さらに所定の重み付けを行う。
これにより、実施形態にかかる算出装置１００は、資産形成により繋がり易い行動の影響を強く反映したモデルを生成することができるため、結果的に評価スコアの精度を高めることができる。
〔６．ハードウェア構成〕
また、上述してきた実施形態にかかる算出装置１００は、例えば図１１に示すような構成のコンピュータ１０００によって実現される。図１１は、算出装置１００の機能を実現するコンピュータ１０００の一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。
また、上述してきた実施形態にかかる算出装置１００は、例えば図１１に示すような構成のコンピュータ１０００によって実現される。図１１は、算出装置１００の機能を実現するコンピュータ１０００の一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。
ＣＰＵ１１００は、ＲＯＭ１３００又はＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。
ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、および、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、通信網５０を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを、通信網５０を介して他の機器へ送信する。
ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを、入出力インターフェイス１６００を介して出力装置へ出力する。
メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラム又はデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。
例えば、コンピュータ１０００が実施形態にかかる算出装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。また、ＨＤＤ１４００には、記憶部１２０内のデータが格納される。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを、記録媒体１８００から読み取って実行するが、他の例として、他の装置から、通信網５０を介してこれらのプログラムを取得してもよい。
〔７．その他〕
上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。
また、上述してきた各実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。
〔８．効果〕
実施形態にかかる算出装置１００は、取得部１３１と、算出部１３５とを有する。取得部１３１は、ユーザの行動を示す行動情報を取得する。算出部１３５は、取得部１３１により行動情報が取得されたユーザのうち資産形成に関する金融活動に基づいて定められたユーザである第１ユーザの行動を示す第１行動情報と、評価対象のユーザである第２ユーザの行動を示す第２行動情報とに基づいて、第２ユーザの資産形成に関する指標値を算出する。
実施形態にかかる算出装置１００は、取得部１３１と、算出部１３５とを有する。取得部１３１は、ユーザの行動を示す行動情報を取得する。算出部１３５は、取得部１３１により行動情報が取得されたユーザのうち資産形成に関する金融活動に基づいて定められたユーザである第１ユーザの行動を示す第１行動情報と、評価対象のユーザである第２ユーザの行動を示す第２行動情報とに基づいて、第２ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置１００は、第１ユーザと比較して、第２ユーザが資産形成できているか否かを客観的に評価する値である評価スコアを算出することができる。また、算出装置１００は、評価スコアを算出することにより、例えば、評価スコアが表示されるコンテンツを提供することができるため、第２ユーザに対して、資産形成のためのアクションを起こさなければならないといった行動意欲をより高めることができる。
また、算出部１３５は、第１ユーザとして、投資に関する行動を行っているユーザ、投資に関する知識を有しているユーザ、または、所定額以上の資産を保有しているユーザの行動を示す第１行動情報と、第２行動情報とに基づいて、第２ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置１００は、資産形成能力が高いと考えられる第１ユーザと比較して、第２ユーザが資産形成できているか否かを客観的に評価する値である評価スコアを算出することができる。
また、算出部１３５は、第１行動情報に基づいて生成されるモデルであって、第２行動情報が入力された場合に、第１行動情報と前記第２行動情報との相関性を示す指標値を出力するモデルを用いて、第２ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置１００は、例えば、「資産形成のための（資産形成につながる）行動を行った」という事象を発生させる要因となった情報を高い精度で推定することができる。また、算出装置１００は、第２行動情報が第１行動情報にどのくらい類似した傾向を有するか、といった関連性を示す値を算出することができる。
また、算出部１３５は、第１行動情報のうち、第１ユーザとの相関性がより高い第１行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習されたモデルを用いて、前記第２ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置１００は、第２行動情報が第１行動情報に類似しているほど、第２ユーザの資産形成に関する指標値を高い値で算出することができるため、かかる指標値が提示された第２ユーザに対して、資産形成につながる行動ができているかを容易に認識させることができる。
また、算出部１３５は、第１行動情報として第１ユーザの購買履歴に含まれる行動情報のうち、第１ユーザとの相関性がより高い行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習されたモデルを用いて、第２ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置１００は、第１行動情報によって示される購買行動に第２ユーザの購買行動が類似しているほど、第２ユーザの資産形成に関する指標値を高い値で算出することができるため、かかる指標値が提示された第２ユーザに対して、資産形成につながる購買行動ができているかを容易に認識させることができる。
また、算出部１３５は、第１行動情報として第１ユーザの検索履歴に含まれる行動情報のうち、第１ユーザとの相関性がより高い行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習されたモデルを用いて、第２ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置１００は、第１行動情報によって示される検索行動に第２ユーザの検索行動が類似しているほど、第２ユーザの資産形成に関する指標値を高い値で算出することができるため、かかる指標値が提示された第２ユーザに対して、資産形成につながる検索行動ができているかを認識させることができる。
また、算出部１３５は、第１行動情報として第１ユーザの決済履歴に含まれる行動情報のうち、第１ユーザとの相関性がより高い行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習されたモデルを用いて、第２ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置１００は、例えば、第１行動情報によって示されるクレジットカード利用状況に第２ユーザのクレジットカード利用状況が類似しているほど、第２ユーザの資産形成に関する指標値を高い値で算出することができるため、かかる指標値が提示された第２ユーザに対して、資産形成につながるクレジットカード利用ができているかを認識させることができる。
また、算出部１３５は、第１行動情報として第１ユーザのオークション利用履歴に含まれる行動情報のうち、第１ユーザとの相関性がより高い行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習されたモデルを用いて、第２ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置１００は、第１行動情報によって示される落札状況に第２ユーザの落札状況が類似しているほど、第２ユーザの資産形成に関する指標値を高い値で算出することができるため、かかる指標値が提示された第２ユーザに対して、資産形成につながるオークション利用ができているかを認識させることができる。
また、算出部１３５は、重み係数のうち、所定の第１行動情報に基づき学習された重み係数には、さらに所定の重み付けがされるモデルを用いて、第２ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置１００は、資産形成により繋がり易い行動の影響を強く反映したモデルを生成することができるため、結果的に指標値の精度を高めることができる。
また、算出部１３５は、モデルのうち、第２ユーザの年代に応じたモデルを用いて、第２ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置１００は、指標値をより高い精度で算出することができる。
また、算出部１３５は、モデルのうち、第２ユーザの年収に応じたモデルに用いて、第２ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置１００は、指標値をより高い精度で算出することができる。
また、実施形態にかかる算出装置１００は、提供部１３６を有する。提供部１３６は、算出部１３５により算出された指標値に基づく評価結果であって、第２ユーザが資産形成できているか否かが評価された評価結果が所定の態様で表示される第１コンテンツを第２ユーザに提供する。
これにより、実施形態にかかる算出装置１００は、第２ユーザに対して資産形成のためのアクションを起こさせる「気づき」を与えることができる。
また、算出部１３５は、第１コンテンツを提供された第２ユーザにより入力された入力情報に基づいて、第２ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置１００は、第２ユーザの資産形成に関する現状を提示することができるため、第２ユーザに対して資産形成のための具体的なアクションを起こすよう効果的に誘導することができる。
また、算出部１３５は、入力情報に基づいて、第２ユーザが所定の年齢になった場合における第２ユーザの資産を予測し、予測した資産に基づいて、第２ユーザの資産形成に関する指標値を算出する。
これにより、実施形態にかかる算出装置１００は、第２ユーザ本人の入力情報を用いるため、モデルを用いた場合よりも精度の高い指標値を算出することができる。
また、提供部１３６は、指標値に基づく評価結果であって、第２ユーザが資産形成できているか否かが評価された評価結果が所定の態様で表示される第２コンテンツを第２ユーザに提供する。
これにより、実施形態にかかる算出装置１００は、第２ユーザの資産形成に関する現状を提示することができるため、第２ユーザに対して資産形成のための具体的なアクションを起こすよう効果的に誘導することができる。
以上、本願の実施形態をいくつかの図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。
また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。
１ 算出システム
１０ ユーザ端末
３０ 外部サーバ
１００ 算出装置
１２１ アセマネ調査結果記憶部
１２２ 購買履歴記憶部
１２３ 検索履歴記憶部
１２４ 決済履歴記憶部
１２５ オークション利用履歴記憶部
１３１ 取得部
１３２ 特定部
１３３ 生成部
１３４ 受信部
１３５ 算出部
１３６ 提示部
１０ ユーザ端末
３０ 外部サーバ
１００ 算出装置
１２１ アセマネ調査結果記憶部
１２２ 購買履歴記憶部
１２３ 検索履歴記憶部
１２４ 決済履歴記憶部
１２５ オークション利用履歴記憶部
１３１ 取得部
１３２ 特定部
１３３ 生成部
１３４ 受信部
１３５ 算出部
１３６ 提示部
Claims (17)
- ユーザの行動を示す行動情報を取得する取得部と、
前記取得部により行動情報が取得されたユーザのうち資産形成に関する金融活動に基づいて所定額以上の資産を保有していると特定されたユーザである第１ユーザの当該金融活動以外の行動であって通信ネットワーク上における閲覧行動又は検索行動、購買行動、又はオークション利用に関する行動の少なくともいずれか一つを含む行動を示す第１行動情報と、評価対象のユーザである第２ユーザの当該金融活動以外の行動を示す第２行動情報とに基づいて、第２ユーザの資産形成に関する指標値を算出する算出部と
を有することを特徴とする算出装置。 - 前記算出部は、前記第１行動情報に基づいて生成されるモデルであって、前記第２行動情報が入力された場合に、前記第１行動情報と前記第２行動情報との相関性を示す指標値を出力するモデルを用いて、前記第２ユーザの資産形成に関する指標値を算出する
ことを特徴とする請求項１に記載の算出装置。 - 前記算出部は、前記第１行動情報のうち、前記第１ユーザとの相関性がより高い第１行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習されたモデルを用いて、前記第２ユーザの資産形成に関する指標値を算出する
ことを特徴とする請求項１または２に記載の算出装置。 - 前記算出部は、前記第１行動情報として前記第１ユーザの購買履歴に含まれる行動情報のうち、前記第１ユーザとの相関性がより高い行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習されたモデルを用いて、前記第２ユーザの資産形成に関する指標値を算出する
ことを特徴とする請求項３に記載の算出装置。 - 前記算出部は、前記第１行動情報として前記第１ユーザの検索履歴に含まれる行動情報のうち、前記第１ユーザとの相関性がより高い行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習されたモデルを用いて、前記第２ユーザの資産形成に関する指標値を算出する
ことを特徴とする請求項３または４に記載の算出装置。 - 前記算出部は、前記第１行動情報として前記第１ユーザの決済履歴に含まれる行動情報のうち、前記第１ユーザとの相関性がより高い行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習されたモデルを用いて、前記第２ユーザの資産形成に関する指標値を算出する
ことを特徴とする請求項３〜５のいずれか１つに記載の算出装置。 - 前記算出部は、前記第１行動情報として前記第１ユーザのオークション利用履歴に含まれる行動情報のうち、前記第１ユーザとの相関性がより高い行動情報に基づく重み係数ほど当該重み係数の値が大きくなるように学習されたモデルを用いて、前記第２ユーザの資産形成に関する指標値を算出する
ことを特徴とする請求項３〜６のいずれか１つに記載の算出装置。 - 前記算出部は、前記重み係数のうち、所定の第１行動情報に基づき学習された重み係数には、さらに所定の重み付けがされるモデルを用いて、前記第２ユーザの資産形成に関する指標値を算出する
ことを特徴とする請求項３〜７のいずれか１つに記載の算出装置。 - 前記算出部は、前記モデルのうち、前記第２ユーザの年代に応じたモデルを用いて、前記第２ユーザの資産形成に関する指標値を算出する
ことを特徴とする請求項２〜８のいずれか１つに記載の算出装置。 - 前記算出部は、前記モデルのうち、前記第２ユーザの年収に応じたモデルを用いて、前記第２ユーザの資産形成に関する指標値を算出する
ことを特徴とする請求項２〜９のいずれか１つに記載の算出装置。 - 前記算出部により算出された指標値に基づく評価結果であって、前記第２ユーザが資産形成できているか否かが評価された評価結果が所定の態様で表示される第１コンテンツを前記第２ユーザに提供する提供部をさらに有する
ことを特徴とする請求項１〜１０のいずれか１つに記載の算出装置。 - 前記算出部は、前記第１コンテンツを提供された前記第２ユーザにより入力された入力情報に基づいて、前記第２ユーザの資産形成に関する指標値を算出する
ことを特徴とする請求項１１に記載の算出装置。 - 前記算出部は、前記入力情報に基づいて、前記第２ユーザが所定の年齢になった場合における前記第２ユーザの資産を予測し、予測した資産に基づいて、前記第２ユーザの資産形成に関する指標値を算出する
ことを特徴とする請求項１２に記載の算出装置。 - 前記提供部は、前記指標値に基づく評価結果であって、前記第２ユーザが資産形成できているか否かが評価された評価結果が所定の態様で表示される第２コンテンツを前記第２ユーザに提供する
ことを特徴とする請求項１２または１３に記載の算出装置。 - 算出装置が実行する算出方法であって、
ユーザの行動を示す行動情報を取得する取得工程と、
前記取得工程により行動情報が取得されたユーザのうち資産形成に関する金融活動に基づいて所定額以上の資産を保有していると特定されたユーザである第１ユーザの当該金融活動以外の行動であって通信ネットワーク上における閲覧行動又は検索行動、購買行動、又はオークション利用に関する行動の少なくともいずれか一つを含む行動を示す第１行動情報と、評価対象のユーザである第２ユーザの当該金融活動以外の行動を示す第２行動情報とに基づいて、第２ユーザの資産形成に関する指標値を算出する算出工程と
を含むことを特徴とする算出方法。 - ユーザの行動を示す行動情報を取得する取得手順と、
前記取得手順により行動情報が取得されたユーザのうち資産形成に関する金融活動に基づいて所定額以上の資産を保有していると特定されたユーザである第１ユーザの当該金融活動以外の行動であって通信ネットワーク上における閲覧行動又は検索行動、購買行動、又はオークション利用に関する行動の少なくともいずれか一つを含む行動を示す第１行動情報と、評価対象のユーザである第２ユーザの当該金融活動以外の行動を示す第２行動情報とに基づいて、第２ユーザの資産形成に関する指標値を算出する算出手順と
をコンピュータに実行させることを特徴とする算出プログラム。 - 資産形成に関する金融活動に基づいて所定額以上の資産を保有していると特定されたユーザである第１ユーザの当該金融活動以外の行動であって通信ネットワーク上における閲覧行動又は検索行動、購買行動、又はオークション利用に関する行動の少なくともいずれか一つを含む行動を示す第１行動情報と、評価対象のユーザである第２ユーザの当該金融活動以外の行動を示す第２行動情報とに基づいて、前記第１行動情報と前記第２行動情報との相関性を示す指標値を出力するよう、コンピュータを機能させるためのモデル。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017120453A JP6405002B1 (ja) | 2017-06-20 | 2017-06-20 | 算出装置、算出方法、算出プログラムおよびモデル |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017120453A JP6405002B1 (ja) | 2017-06-20 | 2017-06-20 | 算出装置、算出方法、算出プログラムおよびモデル |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP6405002B1 true JP6405002B1 (ja) | 2018-10-17 |
| JP2019008343A JP2019008343A (ja) | 2019-01-17 |
Family
ID=63855092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017120453A Active JP6405002B1 (ja) | 2017-06-20 | 2017-06-20 | 算出装置、算出方法、算出プログラムおよびモデル |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6405002B1 (ja) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003099619A (ja) * | 2001-09-25 | 2003-04-04 | Mitsubishi Electric Corp | ファイナンシャルプランニングシステム及び方法 |
| JP2010501909A (ja) * | 2006-05-01 | 2010-01-21 | ケーク・フィナンシャル・コーポレーション | 投資情報のコンソリデーション、共有、及び分析 |
| JP2016119076A (ja) * | 2015-12-03 | 2016-06-30 | ヤフー株式会社 | 生成装置、生成方法及び生成プログラム |
| JP2017091245A (ja) * | 2015-11-11 | 2017-05-25 | ヤフー株式会社 | 実行装置、実行方法及び実行プログラム |
-
2017
- 2017-06-20 JP JP2017120453A patent/JP6405002B1/ja active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003099619A (ja) * | 2001-09-25 | 2003-04-04 | Mitsubishi Electric Corp | ファイナンシャルプランニングシステム及び方法 |
| JP2010501909A (ja) * | 2006-05-01 | 2010-01-21 | ケーク・フィナンシャル・コーポレーション | 投資情報のコンソリデーション、共有、及び分析 |
| JP2017091245A (ja) * | 2015-11-11 | 2017-05-25 | ヤフー株式会社 | 実行装置、実行方法及び実行プログラム |
| JP2016119076A (ja) * | 2015-12-03 | 2016-06-30 | ヤフー株式会社 | 生成装置、生成方法及び生成プログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2019008343A (ja) | 2019-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kumar et al. | Understanding the role of artificial intelligence in personalized engagement marketing | |
| Phillips | Pricing and revenue optimization | |
| Tang | Mine your customers or mine your business: the moderating role of culture in online word-of-mouth reviews | |
| Nitani et al. | On equity crowdfunding: investor rationality and success factors | |
| Chang et al. | The effects of channel experiences and direct marketing on customer retention in multichannel settings | |
| Zhang et al. | Consumer dynamics: Theories, methods, and emerging directions | |
| Thompson et al. | Feature fatigue: When product capabilities become too much of a good thing | |
| Ou et al. | The role of consumer confidence in creating customer loyalty | |
| Williams | Some determinants of the socially responsible investment decision: A cross-country study | |
| Mithas et al. | Why do customer relationship management applications affect customer satisfaction? | |
| Ehrlich et al. | The financial services marketing handbook: Tactics and techniques that produce results | |
| Shah et al. | Linking customer behaviors to cash flow level and volatility: Implications for marketing practices | |
| JP6262909B1 (ja) | 算出装置、算出方法及び算出プログラム | |
| Gómez Martínez et al. | Big data algorithmic trading systems based on investors’ mood | |
| Allweins et al. | The platform canvas—conceptualization of a design framework for multi-sided platform businesses | |
| JP6194092B1 (ja) | 算出装置、算出方法及び算出プログラム | |
| Wolkenfelt et al. | Effects of app pricing structures on product evaluations | |
| JP2019091355A (ja) | 判定装置、判定方法及び判定プログラム | |
| Paas et al. | Adoption of services and apps on mobile phones by micro-entrepreneurs in Sub-Saharan Africa | |
| Hunter et al. | ‘The equalizer’: Measuring and explaining the impact of online communities on consumer markets | |
| Jain | Macro forecasting using alternative data | |
| Seyyedamiri et al. | Creative advertising and business performance: An investigation of small and medium-sized enterprise in the traditional Iranian food industry | |
| JP6405002B1 (ja) | 算出装置、算出方法、算出プログラムおよびモデル | |
| Raco et al. | Strategic Priority Of Students’ Online Buying Behaviour In The Pandemic Era | |
| Das et al. | Inventory model for green products with payment strategy, selling price and green level dependent demand using teaching learning based optimization algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20180515 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180724 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20180801 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20180821 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180913 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6405002 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |