JP6559744B2 - 情報処理装置、情報処理方法及びプログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法及びプログラムに関する。

与信の判断に関連する技術として特許文献１には、次のようなローン与信判断システムが記載されている。特許文献１のローン与信判断システムでは、顧客情報に基づいて属性分類に対する属性情報、不動産情報、資金情報等のファクターの選択を行い、更にファクター別の回帰係数の設定を行い、適正レートを算出し、顧客提示レートが上記算出された適正レートを超える場合、貸し出しの承認を行う。さらに、特許文献１のローン与信判断システムでは、貸し出し後、返済状況等を考慮した許諾判断基準の修正処理を行い、最近の情報に基づいて行う。

特開２００８−９０６８９号公報

特許文献１の技術では、属性情報、不動産情報、資金情報等が必要になる。金融機関がこれらの情報を取得するために、顧客がローン申込書等に様々な情報を記入する必要がある。属性情報等を利用すれば、デフォルトを予測する精度が向上するため、金融機関としてはデフォルトリスクを低減できる。しかしながら、ローン申込書等に様々な情報を記入することは煩雑である。また、ローン申込書等には、年収等のように記入に心理的な負荷のある項目もある。このため、顧客がローン等の申し込みの作業を中断して手続から離脱する離脱率が高くなる傾向にある。

本発明は、デフォルトの発生を抑制しつつ、離脱率を低減させることを目的とする。

本発明の情報処理装置は、個人を特定できる情報である特定情報を受信する受信手段と、外部装置からの要求に応じて前記要求に対応する個人信用情報を前記外部装置に送信する個人信用情報管理装置から受信した前記個人信用情報であって、前記受信手段によって受信された前記特定情報に対応する前記個人の前記個人信用情報を取得する取得手段と、前記取得手段によって取得された前記個人信用情報に基づいて、予め定められたモデルの入力データを決定する入力データ決定手段と、前記入力データ決定手段によって決定された前記入力データ、及び、前記モデルに基づいて、デフォルト確率を決定するデフォルト確率決定手段と、を有し、前記入力データ決定手段は、前記取得手段によって取得された前記個人信用情報に基づいて、前記モデルの前記入力データとして、前記個人の前記個人信用情報に対する照会に関する変数であって、取引の形態ごとの照会に関する情報に基づいて決定された変数である１又は２以上の照会関連変数の入力データを決定する。

本発明によれば、デフォルトの発生を抑制しつつ、離脱率を低減させることができる。

図１は、与信システムのハードウェア構成の一例を示す図である。 図２は、与信サーバのソフトウェア構成の一例を示す図である。 図３は、顧客端末に表示される画面の一例を示す図である。 図４は、与信システムの処理シーケンスの一例を示す図である。 図５は、個人信用情報の一例を示す図である。 図６は、変換テーブルの一例を示す図である。 図７は、説明変数の重要度を説明する図である。 図８は、モデルごとのＡＲの一例を示す図である。 図９は、与信処理のフローチャートの一例を示す図である。 図１０は、ＣＡＰ曲線を示す図である。 図１１は、ＡＲの定義を説明するための図である。 図１２は、決定木により表現されるモデルのイメージを示す図である。 図１３は、第２クレジット情報の例を示す図である。

以下、本発明の実施形態について図面に基づいて説明する。
［与信システムの全体構成］
まず、図１を参照して、与信システム１の全体構成について説明する。図１は、与信システム１の構成の一例を示す図である。与信システム１は、顧客からの入力データに基づいてローン等の与信判断を行うシステムであり、与信サーバ１００と、顧客端末２００と、個人信用情報サーバ３００とを備える。

与信サーバ１００は、顧客からの入力データに基づいてローン等の与信判断を行う情報処理装置である。
顧客端末２００は、顧客がローン等を申し込むために使用する情報処理装置である。顧客端末２００として、スマートフォンを含む携帯電話、タブレット端末、パーソナルコンピュータ等が使われるが、これらに限定されるものではない。
個人信用情報サーバ３００は、個人信用情報を管理する情報処理装置であり、外部の情報処理装置からの要求に応じて、要求に対応する個人信用情報を外部の情報処理装置に送信する。
与信サーバ１００と、顧客端末２００と、個人信用情報サーバ３００とは、ネットワーク１０を介してデータ通信が可能である。ネットワーク１０には、インターネット等が使われる。

［ハードウェア構成］
次に、図１を参照して、与信システム１を構成する情報処理装置のハードウェア構成について説明する。
まず、与信サーバ１００のハードウェア構成について説明する。与信サーバ１００は、ハードウェアとして、ＣＰＵ１０１と、記憶装置１０２と、通信インタフェース１０３と、これらを接続するバス１０４とを備える。
ＣＰＵ１０１は、与信サーバ１００の全体を制御する。ＣＰＵ１０１が記憶装置１０２等に記憶されているプログラムに基づき処理を実行することによって与信サーバ１００のソフトウェア構成及び後述の図４、図９に示す与信サーバ１００の処理が実現される。
記憶装置１０２は、ＲＡＭ、ＲＯＭ、ＨＤＤ等の記憶装置であって、プログラムを記憶したり、ＣＰＵ１０１がプログラムに基づき処理を実行する際に利用するデータ等を記憶したりする。また、記憶装置１０２は、与信サーバ１００が個人信用情報サーバ３００から取得する個人信用情報を記憶する。
通信インタフェース１０３は、与信サーバ１００と、顧客端末２００及び個人信用情報サーバ３００等の外部装置との通信の制御を司る。

次に、顧客端末２００のハードウェア構成について説明する。顧客端末２００は、ハードウェアとして、ＣＰＵ２０１と、記憶装置２０２と、通信インタフェース２０３と、入力装置２０４と、表示装置２０５と、これらを接続するバス２０６とを備える。
ＣＰＵ２０１は、顧客端末２００の全体を制御する。ＣＰＵ２０１が記憶装置２０２等に記憶されているプログラムに基づき処理を実行することによって後述の図４に示す顧客端末２００の処理が実現される。

記憶装置２０２は、ＲＡＭ、ＲＯＭ、ＨＤＤ等の記憶装置であって、プログラムを記憶したり、ＣＰＵ２０１がプログラムに基づき処理を実行する際に利用するデータ等を記憶したりする。
通信インタフェース２０３は、顧客端末２００と、与信サーバ１００等の外部装置との通信の制御を司る。
入力装置２０４は、タッチパネル、マウス、又は、キーボード等であり、ユーザの指示を受け付ける。
表示装置２０５は、液晶モニタ等であって画像を表示できる。

次に、個人信用情報サーバ３００のハードウェア構成について説明する。個人信用情報サーバ３００は、ハードウェアとして、ＣＰＵ３０１と、記憶装置３０２と、通信インタフェース３０３と、これらを接続するバス３０４とを備える。
ＣＰＵ３０１、記憶装置３０２、及び、通信インタフェース３０３は、与信サーバ１００の同名称のものと同様であるため、説明を省略する。ＣＰＵ３０１が記憶装置３０２等に記憶されているプログラムに基づき処理を実行することによって後述の図４に示す個人信用情報サーバ３００の処理が実現される。

［ソフトウェア構成］
次に、図２を参照して、与信サーバ１００の機能を実現するソフトウェア構成について説明する。図２は、与信サーバ１００のソフトウェア構成の一例を示す図である。与信サーバ１００は、受信部１１０と、取得部１１１と、入力データ決定部１１２と、デフォルト確率決定部１１３と、第１審査部１１４と、第２審査部１１５とを備える。

受信部１１０は、顧客端末２００から、特定情報を受信する。特定情報は個人を特定できる情報であり、氏名、生年月日、及び、電話番号を含む。氏名には、カナで表されたカナ氏名が使われる。本実施形態では、特定情報は、更に、個人の所定の本人確認情報を含む。本人確認情報は、本人証明情報との照合に使われる情報であり、本実施形態では住所が使われる。本人証明情報は、本人確認情報を証明可能な情報であり、例えば、運転免許証やパスポートの画像データが使われる。なお、個人を特定する情報としては、与信システムにおいて採用される認証方法に応じて、例えば、信頼性の高い所定のＳＮＳのアカウント情報や生体情報（指紋情報等）などを利用する構成であってもよい。
取得部１１１は、受信部１１０によって受信された特定情報に基づいて、個人信用情報サーバ３００から個人信用情報を取得する。本実施形態の取得部１１１は、受信部１１０によって受信された氏名、生年月日、及び、電話番号を、個人信用情報を管理する個人信用情報サーバ３００に送信し、個人信用情報サーバ３００から個人信用情報を受信することで、個人信用情報を取得する。
入力データ決定部１１２は、取得部１１１によって取得された個人信用情報に基づいて、後述の個人信用情報明細モデルの入力データを決定する。
デフォルト確率決定部１１３は、入力データ決定部１１２によって決定された入力データ、及び、個人信用情報明細モデルに基づいて、デフォルト確率を決定する。
第１審査部１１４は、デフォルト確率決定部１１３によって決定されたデフォルト確率に基づいて、第１審査を行う。第１審査は、ローン等の諾否の仮審査である。
第２審査部１１５は、第１審査部１１４によって承諾されたとき、本人証明情報と、受信部１１０によって受信される本人確認情報とに基づいて、第２審査を行う。第２審査は、ローン等の諾否の本審査である。本実施形態の第２審査部１１５は、本人確認情報として住所を使う。

［申込画面］
次に、図３を参照して申込画面４００について説明する。図３は、申込画面４００の一例を示す図である。申込画面４００は、顧客端末２００の表示装置２０５に表示される画面であり、顧客が与信システム１を使用してローン等の申し込みを行うために使われる。申込画面４００での顧客の入力により、顧客端末２００は、特定情報を受け付ける。
申込画面４００は、カナ氏名を入力するためのカナ氏名入力部４０１と、生年月日を入力するための生年月日入力部４０２と、電話番号を入力するための電話番号入力部４０３と、住所を入力するための住所入力部４０４と、申し込みを実行するための申込ボタン４０５と、申し込みをキャンセルするためのキャンセルボタン４０６とを備える。
顧客端末２００のＣＰＵ２０１は、記憶装置２０２に記憶されたアプリケーションを実行して申込画面４００を表示してもよい。また、顧客端末２００のＣＰＵ２０１は、ＷＥＢブラウザを実行し、与信サーバ１００等から申込画面４００のデータを取得して、ＷＥＢブラウザに申込画面４００を表示してもよい。

［処理シーケンス］
次に、図４を参照して、与信システム１の処理シーケンスについて説明する。図４は、与信システム１の処理シーケンスの一例を示す図である。
顧客端末２００は、予め図３の申込画面４００を表示しているものとする。
ＳＱ１００において、顧客端末２００は、申込画面４００に入力された特定情報を受け付ける。より具体的には、顧客端末２００は、カナ氏名、生年月日、電話番号、及び、住所を受け付ける。
ＳＱ１０１において、顧客端末２００は、申込画面４００の申込ボタン４０５が押下されると、ＳＱ１００で受け付けた特定情報を与信サーバ１００に送信する。与信サーバ１００は、特定情報を受信する。
ＳＱ１０２において、与信サーバ１００は、カナ氏名、生年月日、及び、電話番号を個人信用情報サーバ３００に送信する。与信サーバ１００は、カナ氏名、生年月日、及び、電話番号を受信する。

ＳＱ１０３において、個人信用情報サーバ３００は、ＳＱ１０２で受信したカナ氏名、生年月日、及び、電話番号に対応する個人信用情報を、与信サーバ１００に送信する。与信サーバ１００は、個人信用情報を受信する。
ＳＱ１０４において、与信サーバ１００は、仮審査を行う。本シーケンスでは、与信サーバ１００は、仮審査の結果が仮承諾であったものとする。
ＳＱ１０５において、与信サーバ１００は、仮審査の結果（仮承諾）を、顧客端末２００に送信する。顧客端末２００は、仮審査の結果を受信する。
ＳＱ１０６において、顧客端末２００は、仮審査の結果を表示する。また、顧客端末２００は、本人証明情報を受け付ける。本人証明情報は、本人確認情報を証明できる情報であり、本人証明情報として、例えば、運転免許証の画像データやパスポートの画像データが使用できる。顧客端末２００がカメラを備えるとき、顧客端末２００は、顧客の操作によって顧客端末２００のカメラで運転免許証等を撮影して、本人証明情報を取得することで、本人証明情報を受け付ける。顧客端末２００は、他の装置から本人証明情報を受信する等、他の方法で本人証明情報を受け付けてもよい。

ＳＱ１０７において、顧客端末２００は、ＳＱ１０６で受け付けた本人証明情報を与信サーバ１００に送信する。与信サーバ１００は、本人証明情報を受信する。
ＳＱ１０８において、与信サーバ１００は、本審査を行う。本シーケンスでは、与信サーバ１００は、本審査の結果が本承諾であったものとする。
ＳＱ１０９において、与信サーバ１００は、本審査の結果（本承諾）を、顧客端末２００に送信する。顧客端末２００は、本審査の結果を受信して表示する。

［個人信用情報］
次に、図５を参照して、個人信用情報サーバ３００で管理される個人信用情報について説明する。図５は、個人信用情報の例を示す図である。個人信用情報は、ローン等の契約内容や支払い状況等を表す情報である。
個人信用情報には、本人情報５００、借入情報５１０、クレジット情報５２０、照会履歴５３０、及び、借入残高履歴５４０が含まれる。
本人情報５００は、本人に関する情報であり、氏名、生年月日、性別、住所、電話番号、及び、勤務先等の情報が含まれる。本人情報５００の氏名には、カナで表されたカナ氏名が含まれる。

借入情報５１０は、貸金債権に関する情報であり、日本においては貸金業法に対応する情報である。借入情報５１０は、複数のレコードを含むことができる。借入情報５１０のそれぞれのレコードは、会社コード、残高、及び、入金状況等を含む。借入情報５１０の１件のレコードが、１つの債権を表す。
借入情報５１０の会社コードは、本人情報５００で特定される個人の契約先の会社を識別できる記号である。会社コードの１文字目は会社の種別を表す。特に会社コードの１文字目が「Ｓ」のとき、この会社コードに対応する会社は貸金専業者であることを表す。
借入情報５１０の残高は、本人情報５００で特定される個人が、借入情報５１０の会社コードで識別される会社から借入れしている金額の残高である。
借入情報５１０の入金状況は、過去の所定回の入金状況を表す。入金状況の数値は延滞日数である。例えば、「前回」が「０」のとき、前回の入金では延滞が発生していないことを表す。また、「３回前」が「１０」のとき、３回前の入金で１０日の延滞が発生したことを表す。

クレジット情報５２０は、クレジットに関する情報等の、貸金債権以外の債権情報であり、日本においては割賦販売法に対応する情報である。クレジット情報５２０は、複数のレコードを含むことができる。クレジットに関する情報にはクレジットカードを使ったショッピングの取引の情報が含まれる。クレジット情報５２０の１件のレコードが、顧客が契約しているクレジットカードの１枚を表す。クレジット情報５２０のそれぞれのレコードは、契約終了日、契約額、保証額、及び、残高等を含む。
クレジット情報５２０の契約終了日は、返済が終わった完済日、又は、契約の解約日である。
クレジット情報５２０の契約額は、個別契約の場合は契約の金額であり、包括契約の場合は限度額である。限度額は、キャッシングとショッピングの合算額である。
クレジット情報５２０の保証額は、契約時の保証金額である。
クレジット情報５２０の残高は、割賦残高とキャッシング残高との合計である。クレジット情報５２０の残高は、割賦残高であってもよい。

照会履歴５３０は、個人信用情報へのアクセス（個人信用情報の照会）の履歴であり、複数のレコードを含むことができる。照会履歴５３０の１件のレコードが、個人信用情報への１回のアクセスを表す。照会履歴５３０は、照会日時、及び、取引形態等を含む。
クレジット情報５２０の照会日時は、個人信用情報へのアクセスが行われた日時である。
クレジット情報５２０の取引形態は、個人信用情報へのアクセスを行う会社と本人情報５００で特定される個人との取引形態である。

借入残高履歴５４０は、借入残高の履歴であり、借入残高履歴５４０には通常履歴５５０と最大借入残高履歴５６０とが含まれる。
通常履歴５５０は、直近月から直近月の１０カ月前の月までの１カ月ごとの借入残高の履歴である。各月の履歴には、当該月の基準日における総量規制対象となる借入の件数及び借入残高と総量規制対象以外の借入の件数及び借入残高とが含まれる。借入の件数は、債権の件数を表す。基準日は、１日、又は、月の末日等である。直近月は、通常履歴５５０における最も新しい月である。
最大借入残高履歴５６０は、個人信用情報サーバ３００が管理している範囲での借入残高が最大だった月の基準日における借入残高の履歴である。最大借入残高履歴５６０は、借入残高履歴５４０の各月のデータと同じ形式のデータであり、最大借入残高履歴５６０には借入残高が最大だった月が年月の形式で記録される。

［個人信用情報明細モデル］
次に、個人信用情報明細モデルについて説明する。個人信用情報明細モデルは、本発明の予め定められたモデルの一例であり、個人信用情報に含まれる情報に基づくデータを入力データとし、デフォルト確率を出力データとするモデルである。個人信用情報明細モデルは、予め蓄積された複数の個人信用情報に対して統計処理等を施すことで得ることができる。本実施形態の個人信用情報明細モデルは、ロジスティック回帰分析を用いて構築されたものであり、次の式１、及び、式２で表される。
Ｚ＝α＋β１×ｘ１＋β２×ｘ２＋…＋β１７×ｘ１７ ・・・ （式１）
ＰＤ＝１／（１＋ｅｘｐ（−Ｚ）） ・・・ （式２）
式１のＺはＺスコアであり、αは切片、ｘ１からｘ１７までは説明変数、β１からβ１７まではロジスティック回帰分析によって予め決定されているパラメータである。式２のＰＤはデフォルト確率であり、ｅｘｐはｅ（自然対数の底）を底とする指数関数を表す。
説明変数ｘ１からｘ１７までが個人信用情報明細モデルの入力データであり、デフォルト確率ＰＤが個人信用情報明細モデルの出力データである。デフォルト確率ＰＤは、説明変数ｘ１からｘ１７の基となる個人信用情報が表す顧客のデフォルト確率である。デフォルト確率とは、貸し倒れや延滞、あるいは債務者区分変更や条件変更など、当初契約していた条件での貸出先からの返済が滞る確率、すなわち、貸出先が将来的に債務不履行の状態に陥る確率である。

切片α、及び、パラメータβ１からβ１７までは、例えば、予め与信サーバ１００が蓄積した個人信用情報である基礎情報を用いて、与信サーバ１００がロジスティック回帰分析を行うことで決定する。切片α、及び、パラメータβ１からβ１７までは、与信サーバ１００以外の情報処理装置が決定してもよい。
基礎情報は、金融機関等で与信された個人の個人信用情報であってもよい。
また、基礎情報は、金融機関等で与信された個人の個人信用情報に、金融機関等で与信されなかった個人の個人信用情報を含めてもよい。この場合、金融機関等で与信されなかった個人は、デフォルトが発生したものとして扱う。

次に、入力データである説明変数について説明する。ここでは、後述の重要度が５％以上の説明変数について説明する。
説明変数ｘ１は、顧客の年齢である。入力データ決定部１１２は、図５の本人情報５００に含まれる生年月日から年齢を算出することで、年齢を決定する。なお、顧客とは、個人信用情報が表す個人のことである。
説明変数ｘ２は、照会関連変数である。照会関連変数は、顧客の個人信用情報に対する照会に関する変数である。照会関連変数には、顧客の個人信用情報に対する照会の件数に関するものや日数に関するものが含まれる。なお、照会の日数は、同一日に２以上の照会があった場合でも「１」とカウントする。

本実施形態では、照会関連変数として、顧客の個人信用情報に対する照会の件数のうち、一部の照会件数（以下、特定照会件数）が用いられる。本実施形態における特定照会件数は、顧客の個人信用情報に対する照会の件数のうち、住宅ローン照会の件数を除いた件数である。住宅ローン照会は、顧客との取引形態が住宅ローンである会社が、住宅ローンに関する調査のために行う照会である。特定照会件数は、図５の照会履歴５３０から決定できる。入力データ決定部１１２は、図５の照会履歴５３０に含まれるレコードのうち、取引形態が住宅ローンのレコードを除いたレコードの数を特定照会件数と決定する。
なお、照会関連変数としては、上述した例に限定されるものではなく、下表に示すような変数が想定される。また、件数や日数のカウントは過去の全ての履歴を対象としてもよいし、予め定められた特定の期間のみ（すなわち、所定の照会の件数や日数）を対象としてもよく、特に限定はされない。入力データ決定部１１２は、図５の照会履歴５３０に基づいて、照会関連変数を決定する。

説明変数ｘ３は、ショッピング関連変数である。ショッピング関連変数は、顧客のショッピングによるローンに関する変数である。本実施形態では、ショッピング関連変数として、ショッピング枠消化率が使われる。ショッピング関連変数のうち、ショッピング枠消化率は、クレジットカードのショッピング枠の消化率であり、図５のクレジット情報５２０から決定できる。ショッピング枠消化率は、次の式３で表される。
（ショッピング枠消化率）＝（クレジットカードのショッピング枠の使用済み残高の合計）／（クレジットカードのショッピング枠の合計） ・・・ （式３）

入力データ決定部１１２は、次の手順でショッピング枠消化率を決定する。
第１ステップにおいて、入力データ決定部１１２は、クレジット情報５２０が表すクレジットカードのうち、契約が終了していないクレジットカードを抽出する。契約が終了していないクレジットカードとは、契約終了日の記載がないクレジットカードである。
第２ステップにおいて、入力データ決定部１１２は、第１ステップで抽出されたクレジットカードのそれぞれについて、ショッピング枠を決定する。ショッピング枠は、クレジットカードのショッピングの限度額であり、契約額、及び、保証額のいずれか大きい方である。
第３ステップにおいて、入力データ決定部１１２は、第１ステップで抽出されたクレジットカードのショッピング枠の合計を算出して、式３の「クレジットカードのショッピング枠の合計」とする。
第４ステップにおいて、入力データ決定部１１２は、第１ステップ抽出されたクレジットカードの残高の合計を算出して、式３の「クレジットカードのショッピング枠の使用済み残高の合計」とする。ショッピング枠の使用済み残高は、クレジットカード利用によるショッピング支払債務の残高である。
第５ステップにおいて、入力データ決定部１１２は、第３、第４ステップで算出した「クレジットカードのショッピング枠の合計」及び「クレジットカードのショッピング枠の使用済み残高の合計」と式３とから、ショッピング枠消化率を算出することで、ショッピング枠消化率を決定する。

なお、ショッピング関連変数としては、上述した例に限定されるものではなく、下表に示すような変数が想定される。

上表において、ショッピング枠のあるクレジットカードとは、契約が終了していないクレジットカードのうち、ショッピング枠が０ではないクレジットカードである。ショッピング枠を利用しているクレジットカードとは、契約が終了していないクレジットカードのうち、クレジット情報５２０の残高が０ではないクレジットカードである。ショッピング関連変数の計算に使われるクレジットカードは顧客が契約しているクレジットカードである。また、上表においては、全てのクレジットカード等を対象として各変数の値を算出する例について挙げているが、所定のクレジットカード（例えば使用中のクレジットカードのみ）を対象として各変数の値を算出する構成であってもよく、特に限定されない。そして、上表に例示した変数は、個人信用情報のうち、各クレジットカードの契約状況、クレジットカードごとのショッピング枠、又は当該ショッピング枠の残高等に基づいて算出されるショッピングの利用の程度を評価可能な指標値といえる。

説明変数ｘ４は、借入履歴関連変数である。借入履歴関連変数は、借入の履歴に関する変数である。本実施形態の説明変数ｘ４には、借入履歴関連変数である借入残高変化情報が使われる。借入残高変化情報は、所定時の借入残高と、所定時より前の借入残高との差に基づく情報であり、図５の借入残高履歴５４０から決定できる。本実施形態の借入残高変化情報は、例えば次の式４で定義される。
（借入残高変化情報）＝（（直近月の総量規制対象の借入残高）−（直近月の１０カ月前の総量規制対象の借入残高））／１０ ・・・ （式４）
直近月の総量規制対象の借入残高、及び、直近月の１０カ月前の総量規制対象の借入残高は、通常履歴５５０に含まれる情報である。入力データ決定部１１２は、借入残高履歴５４０の通常履歴５５０、及び、式４に基づいて借入残高変化情報を算出することで、借入残高変化情報を決定する。なお、上記残高変化情報は一例であって、直近月の１０ヶ月前の総量規制対象の借入残高を用いるものに限定されない。

説明変数ｘ５は、借入履歴関連変数である。本実施形態の説明変数ｘ５には、借入履歴関連変数である最大残高経過情報が使われる。最大残高経過情報は、借入残高が最大のときからの経過時間に基づく情報であり、借入残高履歴５４０から決定できる。
ここで、図６を参照して、最大残高経過情報の決定に使われる変換テーブルについて説明する。図６は、変換テーブルの一例を示す図である。変換テーブルは、最大残高経過時間の範囲と、最大残高経過時間対数オッズとを対応付ける。変換テーブルは、与信サーバ１００の記憶装置１０２に記憶される。最大残高経過時間は、図５の通常履歴５５０の直近月の１日から、最大借入残高履歴５６０に記録された月の１日までの日数であり、借入残高が最大のときからの経過時間を表す。最大残高経過時間対数オッズは、最大残高経過時間デフォルト確率の対数オッズである。最大残高経過時間デフォルト確率は、予め用意された複数の個人信用情報から決定される最大残高経過時間と、予め用意された複数の個人信用情報のそれぞれから判別できるデフォルト発生の有無とから、統計処理等によって決定されるデフォルト確率である。より具体的には、最大残高経過時間デフォルト確率は、予め用意された複数の個人信用情報のうち、予め用意された個人信用情報から決定される最大残高経過時間が最大残高経過時間の範囲に含まれる個人信用情報から、統計処理等によって決定されるデフォルト確率である。

最大残高経過時間デフォルト確率は、例えば与信サーバ１００が、予め蓄積された複数の個人信用情報に基づいて、予め次のように決定する。与信サーバ１００は、予め蓄積された複数の個人信用情報を、最大残高経過時間の範囲ごとに複数のグループに分類し、最大残高経過時間の範囲のグループごとに、対応する個人信用情報の件数を取得し、最大残高経過時間の範囲のグループごとの総件数Ａとする。また、与信サーバ１００は、最大残高経過時間の範囲のグループのそれぞれに対応する個人信用情報のうち、デフォルトが発生したことを示す個人信用情報の件数を、最大残高経過時間の範囲のグループごとのデフォルト件数Ｂとする。そして、与信サーバ１００は、最大残高経過時間の範囲のグループのそれぞれにおける「Ａ／Ｂ」を、最大残高経過時間の範囲に対応する最大残高経過時間デフォルト確率と決定する。

入力データ決定部１１２は、次のように最大残高経過情報を決定する。まず、入力データ決定部１１２は、通常履歴５５０、及び、最大借入残高履歴５６０に基づいて、最大残高経過時間を決定する。次に、入力データ決定部１１２は、決定した最大経過残高経過時間に対応する最大残高経過時間対数オッズを、変換テーブルから取得し、取得した最大残高経過時間対数オッズを最大残高経過情報と決定する。
このように、説明変数ｘ５には、最大残高経過情報として最大残高経過時間対数オッズが使われる。

なお、変換テーブルには、最大残高経過時間対数オッズの代わりに最大残高経過時間デフォルト確率を格納し、変換テーブルは、最大残高経過時間をグループ化し、それぞれの最大残高経過時間のグループと最大残高経過時間デフォルト確率とを対応づけてもよい。このとき、入力データ決定部１１２は、最大残高経過時間デフォルト確率を最大残高経過情報と決定し、説明変数ｘ５には、最大残高経過情報として最大残高経過時間デフォルト確率が使われる。また、入力データ決定部１１２は、最大残高経過時間を最大残高経過情報と決定してもよい。このとき、説明変数ｘ５には、最大残高経過時間が使われる。また、入力データ決定部１１２は、最大残高経過時間を月数で表した最大残高経過月数を最大残高経過情報と決定してもよい。

なお、借入履歴関連変数としては、上述した例に限定されるものではなく、下表に示すような変数が想定される。そして、下表に例示した変数は、所定期間ごとの借入の件数又は当該借入の残高の少なくともいずれかに基づいて算出される借入状況を評価可能な指標値といえる。

借入残高増加額は、上表の通り、個人信用情報の範囲内での総量規制対象の借入残高の増加額である。入力データ決定部１１２は、図５の通常履歴５５０を参照し、直近月の総量規制対象の借入残高から、最も古い月である直近月の１０カ月前の総量規制対象の借入残高を減算して、借入残高増加額とする。図５の通常履歴５５０の例では、直近月の総量規制対象の借入残高は「１０００００」であり、近月の１０カ月前の総量規制対象の借入残高は「０」である。したがって、入力データ決定部１１２は、借入残高増加額を「１０００００」（＝１０００００−０）とする。

借入件数増加件数は、上表の通り、直近での総量規制対象の債権数の増加数である。入力データ決定部１１２は、図５の通常履歴５５０を参照し、直近月の総量規制対象の債権数から直近月の１カ月前の総量規制対象の債権数を減算して借入件数増加件数とする。図５の通常履歴５５０の例では、直近月の総量規制対象の債権数は「１」である。また、直近月の１カ月前の総量規制対象の債権数は「１」である。よって、直近での総量規制対象の債権数の増加数は「０」（＝１−１）である。したがって、入力データ決定部１１２は、借入件数増加件数を「０」とする。

借入残高減少回数は、上表の通り、個人信用情報の範囲内での総量規制対象の借入残高が減少した回数である。入力データ決定部１１２は、図５の通常履歴５５０を参照し、総量規制対象の借入残高が前月より減っている月の数をカウントして、借入残高減少回数とする。図５の通常履歴５５０の例では、直近月、直近月の３カ月前、直近月の４カ月前、直近月の５カ月前、及び、直近月の６カ月前で、総量規制対象の借入残高が前月より減っている。したがって、入力データ決定部１１２は、借入残高減少回数を「５」とする。

借入履歴の情報は、顧客のデフォルト確率と一定の相関関係があると考えられる。したがって、説明変数に借入履歴関連変数を使うことで、借入履歴に基づいてデフォルト確率を決定することが可能となり、デフォルト確率の精度を上げることができる。

説明変数ｘ６は、総残高である。総残高は、借入の残高の合計であり、借入情報５１０から決定できる。入力データ決定部１１２は、借入情報５１０に含まれるレコードの残高の合計を算出して、総残高と決定する。
説明変数ｘ７は、専業契約件数である。専業契約件数は、顧客が行っている借入の契約のうち、顧客が貸金専業者と行っている契約の件数であり、借入情報５１０から決定できる。入力データ決定部１１２は、借入情報５１０に含まれるレコードのうち、会社コードが貸金専業者のレコードの数を専業契約件数と決定する。上記の通り、会社コードの１文字目が「Ｓ」のとき、この会社コードに対応する会社は貸金専業者である。

次に、図７を参照して、説明変数の重要度について説明する。図７は、説明変数の重要度を説明する図の一例である。図７には、説明変数と、説明変数が表す内容と、標準化パラメータと、重要度とが示される。
標準化パラメータは、説明変数に対応する式１のパラメータを標準化した値であり、例えば標準偏回帰係数である。なお、説明変数ｘｉ（ｉは自然数）に対応するパラメータは、パラメータβｉである。
説明変数ｘｉの重要度は、次の式５で算出される値であり、大きいほど説明変数がデフォルト確率ＰＤに寄与していることを表す。
（説明変数ｘｉの重要度）＝｜パラメータβｉを標準化した値｜／（｜パラメータβ１を標準化した値｜＋｜パラメータβ２を標準化した値｜＋…＋｜パラメータβ１７を標準化した値｜） ・・・ （式５）
図７から分かるように説明変数ｘ１からｘ７までが、重要度が５％以上の説明変数である。

［モデルの比較］
次に、図８を参照して、個人信用情報明細モデルの精度と、その他のモデルの精度とを比較する。図８は、モデルごとのＡＲ（ａｃｃｕｒａｃｙ ｒａｔｉｏ）の一例を示す図である。
ここで、図１０、図１１を参照してＡＲについて説明する。図１０はＣＡＰ曲線を示す図である。ＣＡＰ曲線は次の手順で描かれる。
（１）対象データをＰＤの大きい順（リスクが高いと予測される順番）に並び替える。
（２）並び替えた先が正常先であるか、ＤＦ先（デフォルト先）であるかを順に判別していく。
（３）「判別した件数÷全件数」の全体累積構成比を横軸にとる。
このとき、「判別した不良件数÷全不良件数」を縦軸としてプロットした曲線が不良累積構成比曲線（ＣＡＰ曲線）となる。また、「判別した正常件数÷全正常件数」を縦軸としてプロットした曲線が正常累積構成比曲線となる。
仮に完全な精度を持つパーフェクトモデルでＣＡＰ曲線をプロットした場合、ＣＡＰ曲線は、図１０の破線で示すように「全不良件数÷全件数」横軸点で縦軸１００％まで直線が引かれ、その後は上底に沿って真っ直ぐ右に引かれる。逆に無判別モデルの場合、ＣＡＰ曲線は図１０のプロットなしの実線で示すように対角線となる。ＣＡＰ曲線がパーフェクトモデルのラインに近づくほどモデルの判別力が高い。

図１１は、ＡＲの定義を説明するための図である。無判別モデルＣＡＰ曲線（対角線）と実際にモデルが描くＣＡＰ曲線とで囲まれる面積をＡ、パーフェクトモデルＣＡＰ曲線と実際にモデルが描くＣＡＰ曲線とで囲まれる面積をＢとする。
このとき、Ａ／Ａ＋Ｂとして定義される値がＡＲ（ａｃｃｕｒａｃｙ ｒａｔｉｏ）である。モデルの精度が低ければＣＡＰ曲線は対角線に近づき、分子のＡは０に近づく。逆に精度が高ければＣＡＰ曲線はパーフェクトモデルの物に近づき、分子のＡと分母のＡ＋Ｂが近づいていく。すなわち、ＡＲの取り得る範囲は０≦ＡＲ≦１であり、１に近いほどモデルの精度は高いということになる。

以下、個人信用情報明細モデルと比較するモデルについて説明する。ここでは、個人信用情報明細モデルと比較するモデルとして、属性モデル、及び、属性個人信用情報明細モデルを挙げる。
属性モデルが個人信用情報明細モデルと異なるのは、説明変数として属性データのみが使われる点である。属性データは、顧客がローン等の契約の申込書に記入したデータである。属性モデルでは、属性データとして、職種、従業員数、勤続年数、業種、住居形態、勤務形態、未既婚、就職時年齢、子供人数、同居家族数、年齢、性別、業種と規模、家族状況、年収、及び、借入に関する情報が使われる。
属性個人信用情報明細モデルが個人信用情報明細モデルと異なるのは、説明変数として、個人信用情報明細モデルの説明変数に加えて、属性データが使われる点である。属性個人信用情報明細モデルでは、属性データとして、住居形態、勤続年数、及び、年収に関する情報が使われる。

図８には、モデルごとに、構築、及び、検証のＡＲが示される。構築のＡＲは、モデルの構築に用いた個人信用情報、及び、属性データを使ったときのＡＲである。検証のＡＲは、モデルの構築に用いなかった個人信用情報、及び、属性データを使った場合のＡＲである。
図８から分かるように、個人信用情報明細モデルでは、構築のＡＲと検証のＡＲとは近似した値であるため、過学習は行われてない。また、個人信用情報明細モデルは、属性モデルと比べて精度が高い。また、個人信用情報明細モデルは、属性個人信用情報明細モデルと比べて実質的には同程度の精度を備えるといえる。すなわち、個人信用情報明細モデルによれば、様々な属性情報を用いなくとも、高精度な与信リスクの判断が可能となる。

［与信処理］
次に、図９を参照して、与信処理について説明する。図９は、与信処理のフローチャートの一例を示す図である。与信処理は、図４に示す処理シーケンスにおいて、与信サーバ１００が行う処理である。
Ｓ１００において、受信部１１０は、顧客端末２００から特定情報を受信する。受信部１１０は、特定情報として、カナ氏名、生年月日、電話番号、及び、住所を受信する。
Ｓ１０１において、取得部１１１は、Ｓ１００で受信された特定情報を個人信用情報サーバ３００に送信して、個人信用情報サーバ３００に対して、Ｓ１００で受信された特定情報に対応する個人信用情報を要求する。取得部１１１は、特定情報として、カナ氏名、生年月日、及び、電話番号を送信する。
Ｓ１０２において、取得部１１１は、個人信用情報サーバ３００から個人信用情報を受信して、Ｓ１００で受信された特定情報に対応する個人信用情報を取得する。

Ｓ１０３において、入力データ決定部１１２は、Ｓ１０２で受信された個人信用情報に基づいて、個人信用情報明細モデルの入力データである説明変数ｘ１からｘ１７までを決定する。なお、説明変数ｘ１からｘ７までの決定方法は既に説明した通りである。
Ｓ１０４において、デフォルト確率決定部１１３は、Ｓ１０３で決定された説明変数ｘ１からｘ１７まで、及び、個人信用情報明細モデルに基づいて、デフォルト確率を決定する。より具体的には、デフォルト確率決定部１１３は、Ｓ１０３で決定された説明変数ｘ１からｘ１７までを式１に代入してＺスコアを算出し、算出したＺスコアを式２に代入してデフォルト確率ＰＤを算出することで、デフォルト確率ＰＤを決定する。

Ｓ１０５において、第１審査部１１４は、Ｓ１０４で決定されたデフォルト確率に基づいてローン等の契約の諾否の仮審査を行う。より具体的には、第１審査部１１４は、予め定められたローン等の契約の金利から、Ｓ１０４で決定されたデフォルト確率、及び、予め定められた経費等を表す金利を減算した値が、予め定められた値以上のとき、仮承諾するものと判定し、予め定められた値未満のとき、仮承諾せず拒否するものと判定する。
Ｓ１０６において、第１審査部１１４は、Ｓ１０５で仮承諾したか否かを判定する。第１審査部１１４は、Ｓ１０５で仮承諾したとき処理をＳ１０７に進め、仮承諾していないとき処理をＳ１０８に進める。

Ｓ１０７において、第１審査部１１４は、顧客端末２００に、仮審査の結果として仮承諾である旨を送信する。
Ｓ１０８において、第１審査部１１４は、顧客端末２００に、仮審査の結果として拒否である旨を送信する。
Ｓ１０９において、第２審査部１１５は、顧客端末２００から、本人証明情報を受信する。

Ｓ１１０において、第２審査部１１５は、Ｓ１０９で受信された本人証明情報と、Ｓ１００で受信された本人確認情報である住所とに基づいて、ローン等の諾否の本審査を行う。より具体的には、第２審査部１１５は、Ｓ１０９で受信された本人証明情報から、本人確認情報である住所を抽出する。第２審査部１１５は、本人証明情報から抽出した住所と、Ｓ１００で受信された住所とが一致するとき、本人確認が成功し、本承諾するものと判定する。第２審査部１１５は、本人証明情報から抽出した住所と、Ｓ１００で受信された住所とが一致しないとき、本人確認に失敗し、本承諾せずに拒否するものと判定する。
Ｓ１１１において、第２審査部１１５は、Ｓ１１０で本承諾したか否かを判定する。第２審査部１１５は、Ｓ１１０で本承諾したとき処理をＳ１１２に進め、本承諾していないとき処理をＳ１１３に進める。
Ｓ１１２において、第２審査部１１５は、顧客端末２００に、本審査の結果として本承諾である旨を送信する。
Ｓ１１３において、第２審査部１１５は、顧客端末２００に、本審査の結果として拒否である旨を送信する。

［効果］
以上説明したように、与信サーバ１００は、顧客端末２００から特定情報を受信し、受信した特定情報に基づいて個人信用情報を取得し、取得した個人信用情報に基づいてデフォルト確率を決定する。よって、所定の精度でデフォルト確率を決定できる。また、特定情報からデフォルト確率を決定でき、契約の諾否等の判断が可能になる。したがって、顧客は、ローン申込書等のように様々な情報を記入する必要がなくなる。また、顧客は、年収等のように記入に心理的な負荷のある項目を入力する必要がない。このため、デフォルトの発生を抑制しつつ、離脱率を低減させることができる。
また、与信サーバ１００は、顧客端末２００から、特定情報として、氏名、生年月日、及び、電話番号を受信する。与信サーバ１００は、氏名、生年月日、及び、電話番号を個人信用情報サーバに送信して、個人信用情報サーバから個人信用情報を受信して、デフォルト確率を決定する。したがって、顧客は、少ない情報の入力のみでローン等を申し込むことができるため、離脱率を低減させることができる。

また、与信サーバ１００は、個人信用情報に基づいて、個人信用情報明細モデルの入力データを決定する。したがって、個人信用情報に含まれるデータをそのまま使う場合と比べて、デフォルト確率の精度の向上に寄与する入力データを使うことができるため、与信サーバ１００が決定するデフォルト確率の精度を確保できる。
特に、与信サーバ１００は、個人信用情報に基づいて、個人信用情報明細モデルの入力データとして、特定照会件数、ショッピング枠消化率、借入残高変化情報、最大残高経過情報、総残高、及び、専業契約件数を決定する。これらは、図７に示すように重要度が高いデータであり、与信サーバ１００が決定するデフォルト確率の精度を確保できる。

特定照会件数は、顧客の個人信用情報に対する照会の件数のうち、住宅ローン照会の件数を除いた件数である。よって、特定照会件数は、住宅ローンと比べてデフォルトの発生率が高いと考えられる取引形態に関する照会の件数を表す。したがって、特定照会件数は、デフォルト確率を高精度に決定することに寄与する。
ショッピング枠消化率は、クレジットカードのショッピング枠の消化率であり、デフォルト確率との相関が強いと考えられる。したがって、ショッピング枠消化率は、デフォルト確率を高精度に決定することに寄与する。
借入残高変化情報は、所定時の借入残高と、所定時より前の借入残高との差に基づく情報であり、借入残高の変化の傾向を表す。このような借入残高は、デフォルト確率との相関が強いと考えられる。したがって、借入残高変化情報は、デフォルト確率を高精度に決定することに寄与する。

最大残高経過情報は、借入残高が最大のときからの経過時間に基づく情報であり、デフォルト確率との相関が強いと考えられる。したがって、最大残高経過情報は、デフォルト確率を高精度に決定することに寄与する。
総残高は、借入の残高の合計であり、借入の残高が多いほどデフォルト確率が高いと考えられる。すなわち、総残高は、デフォルト確率との相関が強いと考えられる。したがって、総残高は、デフォルト確率を高精度に決定することに寄与する。
専業契約件数は、顧客が行っている借入の契約のうち、顧客が貸金専業者と行っている契約の件数である。専業契約件数が多いほどデフォルト確率が高いと考えられる。すなわち、専業契約件数は、デフォルト確率との相関が強いと考えられる。したがって、専業契約件数は、デフォルト確率を高精度に決定することに寄与する。

＜その他の実施形態＞
上記の実施形態の個人信用情報明細モデルは、入力データとなる説明変数はｘ１からｘ１７までの１７個ある。しかし、入力データは１７個に限定されるものではない。例えば、入力データに、借入情報５１０から決定される借入総残高、及び、専業契約件数が含まれなくてもよい。この場合でも、離脱率を低減させることができ、与信サーバ１００が決定するデフォルト確率の精度を確保できる。
なお、説明変数の組合せは任意であるが、上述した重要度の説明からもわかるとおり、照会関連変数を含めた場合、与信サーバ１００が決定するデフォルトの予測精度が高くなる。また、照会関連変数に加え、ショッピング関連変数を含めた場合、与信サーバ１００が決定するデフォルト確率の精度はさらに高くなる。
なお、さらに他の種類の説明変数を加えてもよく限定はされない。

また、個人信用情報サーバ３００が管理する個人信用情報は、図１３に示す第２クレジット情報５７０を含んでいてもよい。第２クレジット情報５７０は、顧客が契約しているクレジットカードに関する情報である。クレジット情報５２０の１件のレコードが、顧客が契約しているクレジットカードの１枚を表す。第２クレジット情報５２０のそれぞれのレコードは、照会日、契約日、キャッシング枠、キャッシング枠の使用済み残高、残債額、及び、入金額等を含む。

第２クレジット情報５２０の照会日は、与信サーバ１００が個人信用情報サーバ３００から個人信用情報を取得した日である。
第２クレジット情報５２０の契約日は、顧客がクレジットカードの契約をした日である。
第２クレジット情報５２０のキャッシング枠は、キャッシング利用可能金額である。
第２クレジット情報５２０のキャッシング枠の使用済み残高は、クレジットカード利用によるキャッシング支払債務の残高である。
第２クレジット情報５２０の残債額は、顧客がクレジット会社等に支払わなければならない総額である。
第２クレジット情報５２０の入金額は、顧客がクレジット会社等に入金した金額である。

また、上記の実施形態では、説明変数ｘ３に、ショッピング関連変数が使われた。しかし、説明変数には、ショッピング関連変数以外のクレジット関連変数を使ってもよい。クレジット関連変数は、顧客が契約しているクレジットカードに関する変数である。クレジット関連変数には、上記のショッピング関連変数が含まれる。また、クレジット関連変数として、下表に示す変数も想定される。

クレジット利用期間は、上表の通り、クレジットカードごとに算出した利用期間の最大値である。利用期間は、例えば年単位で表す。入力データ決定部１１２は、図１３の第２クレジット情報５７０を参照し、クレジットカードごとに、照会日と契約日とから利用期間を算出する。利用期間は、例えば「照会日の年−契約日の年」で算出する。次に、入力データ決定部１１２は、算出した利用期間の最大値をクレジット利用期間とする。図１３の例では、第３カードの利用期間の８年が最大値である。したがって、入力データ決定部１１２は、クレジット利用期間を「８」とする。

クレジット残支払い合計値は、上表の通り、クレジットカードごとに算出した「残債額／入金額」の合計値である。また、クレジット残支払い最大値は、上表の通り、クレジットカードごとに算出した「残債額／入金額」の最大値である。入力データ決定部１１２は、図１３の第２クレジット情報５７０に基づいて、クレジット残支払い合計値、及び、クレジット残支払い最大値を決定できる。

キャッシング関連変数は、上表の通り、顧客が契約しているクレジットカードのキャッシングに関する変数であり、より具体的として、下表の変数が挙げられる。なお、下表においては、全てのクレジットカード等を対象として各変数の値を算出する例について挙げているが、所定のクレジットカード（例えば使用中のクレジットカードのみ）を対象として各変数の値を算出する構成であってもよく、特に限定されない。そして、下表に例示した変数は、個人信用情報のうち、各クレジットカードの契約状況、クレジットカードごとのキャッシング枠、当該キャッシング枠の残高等に基づいて算出されるキャッシングの利用の程度を評価可能な指標値といえる。

入力データ決定部１１２は、図１３の第２クレジット情報５７０に基づいて、キャッシング関連変数を決定できる。なお、キャッシング枠を利用しているクレジットカードは、第２クレジット情報５７０のキャッシング枠の使用済み残高が０ではないクレジットカードである。キャッシング枠のあるクレジットカードは、第２クレジット情報５７０のキャッシング枠が０ではないクレジットカードである。

顧客のクレジットカードのショッピングの情報やキャッシングの情報を含むクレジットカードの情報は、顧客のデフォルト確率と一定の相関関係があると考えられる。したがって、説明変数にクレジット関連変数を使うことで、顧客のクレジットカードの情報に基づいてデフォルト確率を決定することが可能となり、デフォルト確率の精度を上げることができる。

また、説明変数に、延滞関連変数を使ってもよい。延滞関連変数は、入金の延滞に関する変数であり、より具体的として、下表の変数が挙げられる。そして、下表に例示した変数は、債権別の返済期限ごとの入金状況に基づいて算出される延滞状況を評価可能な指標値といえる。

連続延滞回数は、上表の通り、過去の所定回（例えば６回、又は１２回）の入金の範囲で発生した連続延滞の回数の最大値である。入力データ決定部１１２は、図５の借入情報５１０の入金状況を参照して、入金の遅延が連続して発生した回数を取得する。次に、入力データ決定部１１２は、取得した回数の最大値を、連続延滞回数とする。
図５の借入情報５１０では、過去６回の入金の範囲では、第１債権、及び、第３債権について、前回、２回前、及び、３回前に、３回連続して延滞が発生している。また、過去６回の入金の範囲では、４回前以前に延滞は発生していない。したがって、入力データ決定部１１２は、過去６回の入金の範囲では、連続延滞回数を３とする。
また、過去１２回の入金の範囲では、さらに、第１債権、第２債権、及び、第３債権について、７回前から１１回前まで５回連続して延滞が発生している。したがって、入力データ決定部１１２は、過去１２回の入金の範囲では、連続延滞回数を５とする。

回別最大延滞日数は、上表の通り、過去の所定回（例えば６回、又は１２回）の入金の範囲で、債権別、かつ、回別に延滞日数を集計したときの最大値である。入力データ決定部１１２は、図５の借入情報５１０の入金状況を参照して、債権別、かつ、回別に延滞日数を集計したときの最大値を、回別最大延滞日数とする。
図５の借入情報５１０では、入金状況において、予め、債権別、かつ、回別に延滞日数が集計されている。図５の借入情報５１０では、過去６回の入金の範囲では、第３債権の前回の入金の延滞日数１５が最大である。したがって、入力データ決定部１１２は、過去６回の入金の範囲では、回別最大延滞日数を１５とする。
また、過去１２回の入金の範囲では、第１債権の１０回前の入金の延滞日数３０が最大である。したがって、入力データ決定部１１２は、過去１２回の入金の範囲では、回別最大延滞日数を３０とする。

回別延滞債権件数は、上表の通り、過去の所定回（例えば６回、又は、１２回）の入金の範囲で延滞が発生した債権の件数である。入力データ決定部１１２は、図５の借入情報５１０の入金状況を参照して、過去の所定回の入金の範囲で延滞が発生した債権の件数を回別延滞債権件数とする。
図５の借入情報５１０では、過去６回の入金の範囲では、第１債権、及び、第３債権で入金の延滞が発生している。したがって、入力データ決定部１１２は、過去６回の入金の範囲では、回別延滞債権件数を２とする。
図５の借入情報５１０では、過去１２回の入金の範囲では、第１債権、第２債権、及び、第３債権で入金の延滞が発生している。したがって、入力データ決定部１１２は、過去１２回の入金の範囲では、回別延滞債権件数を３とする。

借入情報５１０の入金状況が、図５に示すような回別ではなく、月別で表されているとき、入力データ決定部１１２は、月別に表された借入情報５１０の入金状況を参照して、連続延滞月数、月別最大延滞日数、及び、月別延滞債権件数を、それぞれ、連続延滞回数、回別最大延滞日数、及び、回別延滞債権件数と同様に決定できる。

顧客の過去の入金の延滞の情報は、今後の入金の延滞を予測する上で重要な情報である。金融機関等で与信を行う審査官も入金の延滞の情報を重要視するのが一般的である。したがって、説明変数に延滞関連変数を使うことで、顧客の過去の入金の延滞の情報に基づいてデフォルト確率を決定することが可能となり、デフォルト確率の精度を上げることができる。

上記の実施形態の個人信用情報明細モデルは、ロジスティック回帰分析を用いるものである。しかし、個人信用情報明細モデルは、決定木、サポートベクターマシン、集団学習、又は、ニューラルネットワーク等を使うものであってもよい。

なお、ロジスティック回帰分析モデルでは、モデル全体として１つのデフォルト率を算出する数式で表わされるが、本発明を適用可能なモデルは、個人信用情報から決定される種々の変数とデフォルト確率との関係を一般化して表現したものであればよく、モデルは全体として一つの数式で表現されるものに限定されない。
図１２は決定木により表現されるモデルのイメージを示す図である。図１２に示すとおり、決定木は、各入力変数の値と入力変数間の関係に基づいてデフォルト確率ＰＤを決定するものであり、全体として一つの数式により表わされるわけではない。すなわち、決定木によりデフォルト確率ＰＤを決定する場合、変数ごとの分岐の条件や分岐の結果次に判断対象となる変数が予め定められており、このような条件分岐等の判断を行うためのプログラムやデータベース（あるいはデータファイル）などが用いられる。

また、上記の実施形態では、与信サーバ１００は、個人信用情報に基づいて、個人信用情報明細モデルの入力データの年齢を決定する。しかし、与信サーバ１００は、顧客端末２００から受信する生年月日に基づいて、個人信用情報明細モデルの入力データの年齢を決定してもよい。
また、上記の実施形態では、与信サーバ１００は、図９のＳ１１０で、本人証明情報から住所を抽出する。しかし、与信システム１のオペレータが本人証明情報を参照して、本人証明情報に記載された住所を与信サーバ１００に入力してもよい。このとき、与信サーバ１００は、図９のＳ１１０で、オペレータにより入力された住所を使って本審査を行う。
また、与信サーバ１００は、本審査は行わず、仮審査までの処理を行うようにしてもよい。このとき、図３の申込画面４００には住所入力部４０４は無くてもよく、与信サーバ１００は顧客端末２００から住所を受信しなくてもよい。

以上、本発明を実施形態と共に説明したが、上記実施形態は本発明を実施するにあたっての具体化の例を示したものに過ぎず、これらによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその技術思想、又はその主要な特徴から逸脱することなく、様々な形で実施することができる。

１ 与信システム
１００ 与信サーバ
２００ 顧客端末
３００ 個人信用情報サーバ

Claims (8)

1. 個人を特定できる情報である特定情報を受信する受信手段と、
   外部装置からの要求に応じて前記要求に対応する個人信用情報を前記外部装置に送信する個人信用情報管理装置から受信した前記個人信用情報であって、前記受信手段によって受信された前記特定情報に対応する前記個人の前記個人信用情報を取得する取得手段と、
   前記取得手段によって取得された前記個人信用情報に基づいて、予め定められたモデルの入力データを決定する入力データ決定手段と、
   前記入力データ決定手段によって決定された前記入力データ、及び、前記モデルに基づいて、デフォルト確率を決定するデフォルト確率決定手段と、
   を有し、
   前記入力データ決定手段は、前記取得手段によって取得された前記個人信用情報に基づいて、前記モデルの前記入力データとして、前記個人の前記個人信用情報に対する照会に関する変数であって、取引の形態ごとの照会に関する情報に基づいて決定された変数である１又は２以上の照会関連変数の入力データを決定する情報処理装置。
2. 前記入力データ決定手段は、少なくとも１つの前記照会関連変数の入力データとして、所定の期間における前記個人の前記個人信用情報に対する所定の照会の件数又は照会の日数の合計数を決定する請求項１記載の情報処理装置。
3. 前記入力データ決定手段は、少なくとも１つの前記照会関連変数の入力データとして、所定の期間における前記個人の前記個人信用情報に対する照会の件数のうち、所定の照会の件数を除いた特定照会件数を決定する請求項１又は２記載の情報処理装置。
4. 前記入力データ決定手段は、少なくとも１つの前記照会関連変数の入力データとして、所定の期間における前記個人の前記個人信用情報に対する照会の日数のうち、所定の日数を除いた特定照会日数を決定する請求項１乃至３何れか１項記載の情報処理装置。
5. 前記受信手段は、特定情報として氏名、生年月日、及び、電話番号を受信し、
   前記取得手段は、前記受信手段によって受信された氏名、生年月日、及び、電話番号を、前記個人信用情報を管理する前記個人信用情報管理装置に送信し、前記個人信用情報管理装置から前記個人信用情報を受信することで、前記個人信用情報を取得する請求項１乃至４何れか１項記載の情報処理装置。
6. 情報処理装置が実行する情報処理方法であって、
   個人を特定できる情報である特定情報を受信する受信ステップと、
   外部装置からの要求に応じて前記要求に対応する個人信用情報を前記外部装置に送信する個人信用情報管理装置から受信した前記個人信用情報であって、前記受信ステップによって受信された前記特定情報に対応する前記個人の前記個人信用情報を取得する取得ステップと、
   前記取得ステップによって取得された前記個人信用情報に基づいて、予め定められたモデルの入力データを決定する入力データ決定ステップと、
   前記入力データ決定ステップによって決定された前記入力データ、及び、前記モデルに基づいて、デフォルト確率を決定するデフォルト確率決定ステップと、
   を有し、
   前記入力データ決定ステップでは、前記取得ステップによって取得された前記個人信用情報に基づいて、前記モデルの前記入力データとして、前記個人の前記個人信用情報に対する照会に関する変数であって、取引の形態ごとの照会に関する情報に基づいて決定された変数である１又は２以上の照会関連変数の入力データを決定する情報処理方法。
7. コンピュータを、請求項１乃至５何れか１項記載の情報処理装置の各手段として機能させるためのプログラム。
8. 氏名、生年月日、電話番号、及び、個人の所定の情報である本人確認情報を受信する受信手段と、
   前記受信手段によって受信された氏名、生年月日、及び、電話番号を、個人信用情報を管理する個人信用情報管理装置に送信し、前記個人信用情報管理装置から前記個人信用情報を受信することで、前記個人の前記個人信用情報を取得する取得手段と、
   前記取得手段によって取得された前記個人信用情報に基づいて、予め定められたモデルの入力データを決定する入力データ決定手段と、
   前記入力データ決定手段によって決定された前記入力データ、及び、前記モデルに基づいて、デフォルト確率を決定するデフォルト確率決定手段と、
   前記デフォルト確率決定手段によって決定されたデフォルト確率に基づいて、審査を行う第１審査手段と、
   前記第１審査手段によって承諾されたとき、前記本人確認情報を証明可能な本人証明情報と、前記受信手段によって受信される前記本人確認情報とに基づいて、審査を行う第２審査手段と、
   を有し、
   前記入力データ決定手段は、前記取得手段によって取得された前記個人信用情報に基づいて、前記モデルの前記入力データとして、前記個人の前記個人信用情報に対する照会に関する変数であって、取引の形態ごとの照会に関する情報に基づいて決定された変数である１又は２以上の照会関連変数の入力データを決定する情報処理装置。

Images