JP6679648B2 - 情報処理装置、情報処理方法、情報処理プログラム、判定装置、判定方法及び判定プログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法、情報処理プログラム、判定装置、判定方法及び判定プログラムに関する。

従来、クレジットカードの審査等の与信審査に用いられる指標を提供する技術が知られている。例えば、ユーザの属性情報や信用履歴情報といった個人情報をスコアリングエンジンにかけて数値化し、クレジットカードの発行可否を判断する技術が提案されている。

特開２００３−４４６６８号公報

しかしながら、上記の従来技術では、与信審査の精度を高めることができるとは限らない。上記の従来技術では、ユーザの属性情報や信用履歴情報といった個人情報を数値化するにすぎず、過去に延滞で信用情報に傷がついてしまったが、状況も変わり、現在は返済能力に問題がないユーザであっても、クレジットカードを発行不可と判断される場合がある。

本願は、上記に鑑みてなされたものであって、与信審査の精度を高めることができる情報処理装置、情報処理方法、情報処理プログラム、判定装置、判定方法及び判定プログラムを提供することを目的とする。

本願に係る情報処理装置は、所定の与信を供与された第１ユーザのネットワーク上の行動履歴のうち、前記第１ユーザが当該所定の与信を供与される前の行動履歴である第１行動履歴に関する情報を取得する取得部と、前記取得部によって取得された第１行動履歴に関する情報と前記第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、前記所定の与信に関する与信審査の対象である第２ユーザのネットワーク上の行動履歴である第２行動履歴に関する情報から、当該第２ユーザの信用力を推定する推定部とを備えたことを特徴とする。

実施形態の一態様によれば、与信審査の精度を高めることができるといった効果を奏する。

図１は、実施形態に係る第１モデル生成処理の一例を示す図である。 図２は、実施形態に係る情報処理の一例を示す図である。 図３は、実施形態に係る情報処理システムの構成例を示す図である。 図４は、実施形態に係る情報処理装置の構成例を示す図である。 図５は、実施形態に係るユーザ情報記憶部の一例を示す図である。 図６は、実施形態に係る返済実績記憶部の一例を示す図である。 図７は、実施形態に係る判定装置の構成例を示す図である。 図８は、実施形態に係る第１モデル生成処理手順を示すフローチャートである。 図９は、実施形態に係る情報処理手順を示すフローチャートである。 図１０は、変形例に係る第２モデル生成処理の一例を示す図である。 図１１は、変形例に係る情報処理の一例を示す図である。 図１２は、変形例に係る第２モデル生成処理手順を示すフローチャートである。 図１３は、変形例に係る情報処理手順を示すフローチャートである。 図１４は、情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る情報処理装置、情報処理方法、情報処理プログラム、判定装置、判定方法及び判定プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置、情報処理方法、情報処理プログラム、判定装置、判定方法及び判定プログラムが限定されるものではない。また、以下の各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．第１モデル生成処理の一例〕
まず、図１を用いて、実施形態に係る第１モデル生成処理の一例について説明する。図１は、実施形態に係る第１モデル生成処理の一例を示す図である。本願に係る第１モデル生成処理は、情報処理装置１００によって行われる。情報処理装置１００は、クレジットカード会社と連携して、クレジットカードの新規申込者である新規ユーザの信用力を推定するサーバ装置である。以下では、適宜、クレジットカードの新規申込者を新規ユーザと表記する。

ここで、「債務不履行」とは、債務者が正当な事由がないのに債務の本旨に従った履行をしないことを意味する。具体的には、「債務不履行」には、クレジットカードの支払いの不払いや延滞が含まれる。すなわち、クレジットカードの支払いを延滞しただけで、最終的に支払いが行われた場合は、債務不履行である。なお、延滞の場合、支払い期限から３か月経つまでの期間に支払いが行われた場合は、債務不履行を起こしたという事実が信用情報に記録されない。また、支払い期限から３か月経った時点で支払いが行われなかった場合は、最終的に支払いが行われた場合であっても、債務不履行を起こしたという事実が信用情報に記録される。

図１に示す例では、情報処理装置１００は、クレジットカードの発行実績がある第１ユーザがクレジットカードを持つ前の第１ユーザのネットワーク上の行動履歴に関する情報と、第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、新規ユーザのネットワーク上の行動履歴に関する情報から、新規ユーザが債務不履行を起こすか否かに関する指標値を算出する第１モデルＭ１を生成する。例えば、情報処理装置１００は、ユーザの行動履歴に関する情報として、ユーザのネットワーク上の商取引履歴、閲覧履歴、検索履歴、ＳＮＳ利用履歴等に関する情報を用いる。

具体的には、情報処理装置１００は、新規ユーザのネットワーク上の行動履歴に関する情報が入力された場合に、新規ユーザが債務不履行を起こす確率であるデフォルト確率を算出する第１モデルＭ１を生成する。生成処理の詳細は後述するが、情報処理装置１００は、例えば、クレジットカードの発行実績がある第１ユーザを正解データ（教師データ、目的変数）とし、第１ユーザのネットワーク上の行動履歴のうち、第１ユーザがクレジットカードを持つ前の行動履歴である第１行動履歴に関する情報を素性（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。

ここで、ユーザがクレジットカードを持つという行為の発生時期について定義する。本明細書中では、ユーザがクレジットカードを持つという行為は、クレジットカード会社によってユーザに対してクレジットカードが発行された日であるカード発行日以降に発生するとみなすことにする。逆に、ユーザにクレジットカードが発行された日であるカード発行日より前は、ユーザはクレジットカードを持っていないとみなすこととする。なお、クレジットカードの発行実績があるとは、ユーザがクレジットカードを持つということであり、ユーザにクレジットカードが発行されたことを意味するものとする。

情報処理装置１００は、第１ユーザがクレジットカードを持つ前の第１ユーザのネットワーク上の行動履歴に関する情報として、第１ユーザに対するクレジットカード発行日を基準日として、基準日より前の期間１（＝１年間）における第１ユーザのネットワーク上の商取引履歴、閲覧履歴等に関する情報を用いる。例えば、第１ユーザＵ１１に対するクレジットカード発行日が２０１６年２月１日であるとすると、情報処理装置１００は、第１ユーザＵ１１のネットワーク上の行動履歴に関する情報として、２０１５年２月１日から２０１６年１月３１日までの１年間における第１ユーザＵ１１のネットワーク上の商取引履歴、閲覧履歴等に関する情報を用いる。

また、情報処理装置１００は、第１ユーザが債務不履行を起こしたか否かの実績として、第１ユーザに対するクレジットカード発行日を基準日として、基準日以降の期間２（＝１年３か月間）に第１ユーザが債務不履行を起こしたか否かの実績を用いる。例えば、上述した第１ユーザＵ１１の場合、情報処理装置１００は、第１ユーザＵ１１が債務不履行を起こしたか否かの実績として、２０１６年２月１日から２０１７年４月３０日までの１年３か月間に第１ユーザＵ１１が債務不履行を起こしたか否かの実績を用いる。例えば、情報処理装置１００は、第１ユーザＵ１１が２０１６年２月１日から２０１７年４月３０日までの１年３か月間に債務不履行を起こしたという実績を用いる。

期間２は、基準日であるカード発行日から３か月間と、基準日から３か月後以降の１年間との合計の期間である。ここで、カード発行日から３か月間は、ユーザがクレジットカード会社に支払いをしなくても、ユーザが債務不履行とはみなされない期間である。例えば、ユーザが故意にではなく、不注意でクレジットカード会社に対する支払い自体を忘れるといったことがある。したがって、カード発行日から３か月間は、ユーザがクレジットカード会社に支払いをしない場合であっても、債務不履行を起こしたという事実が信用情報に記録されない。一方、カード発行日から３か月後以降は、ユーザがクレジットカードの支払いをしない場合は、債務不履行を起こしたという事実が信用情報に記録される。

一般的に、金融業界では、債務不履行や長期間の延滞を起こしたという事実が信用情報に記録されることを、「信用情報に傷が付く」と称する。また、金融機関等は、融資可否や融資可能な金額を判断するために、信用情報機関から取得した信用情報に基づいて審査を行う。一般的に、信用情報に傷が付いたユーザは返済能力がないとみなされ、融資を受けるのが困難となる。

一般に、クレジットカード業界では、支払い期限から３か月経ってもユーザがクレジットカードの支払いをしない場合に、ユーザが債務不履行を起こしたという事実が信用情報に記録される。なお、支払い期限から３か月経ってもユーザがクレジットカードの支払いをしないことを、「未収３」、「延滞」、「督促」、「ネガ」等と称する場合がある。ここで、「未収」とは、未収納の略である。すなわち、「未収」とは、金などをまだ徴収・収納していないことを意味する。

一般に、ユーザがクレジットカードを利用した場合、クレジットカード会社に対する支払い期限は、クレジットカード会社によって異なる。例えば、クレジットカード会社に対する支払い期限が、ユーザがクレジットカードを利用した月の翌月の月末である場合を例として説明する。一般に、クレジットカード会社に対する支払いは、ユーザがクレジットカード申し込み時に登録した銀行口座から、支払い期限に代金が自動的に引き落とされることにより行われる。例えば、あるユーザＵ３が２０１６年２月にクレジットカードを利用して買い物Ａをした場合、クレジットカード会社に対する買い物Ａの代金の支払い期限が、２０１６年３月末であるとする。この時、ユーザＵ３が、２０１６年３月末に買い物Ａの代金を支払わないことを、例えば「未収１」と称する。より具体的には、「未収１」とは、支払い期限である２０１６年３月末にユーザＵ３によって登録された銀行口座の残高が不足しており、買い物Ａの代金を引き落とせないような場合を指す。また、ユーザＵ３が、支払い期限の翌月である２０１６年４月末になっても買い物Ａの代金を支払わないことを、例えば「未収２」と称する。より具体的には、「未収２」とは、支払い期限の翌月である２０１６年４月末になってもユーザＵ３によって登録された銀行口座の残高が不足しており、買い物Ａの代金を引き落とせないような場合を指す。また、ユーザＵ３が、支払い期限の翌々月である２０１６年５月末になっても買い物Ａの代金を支払わないことを、「未収３」と称する。より具体的には、「未収３」とは、支払い期限の翌々月である２０１６年５月末になってもユーザＵ３によって登録された銀行口座の残高が不足しており、買い物Ａの代金を引き落とせないような場合を指す。ユーザＵ３は、「未収３」となった場合に、債務不履行を起こしたという事実が信用情報に記録される。

〔２．情報処理の一例〕
次に、図２を用いて、実施形態に係る情報処理の一例について説明する。図２は、実施形態に係る情報処理の一例を示す図である。図２に示す例では、情報処理装置１００は、図１で説明した第１モデルＭ１を用いて、クレジットカードの新規申込者である第２ユーザのネットワーク上の行動履歴に関する情報から、第２ユーザが債務不履行を起こすか否かに関する指標値を算出する。

より具体的には、情報処理装置１００は、第１モデルＭ１に、第２ユーザのネットワーク上の行動履歴に関する情報を入力することにより、第２ユーザが債務不履行を起こす確率であるデフォルト確率を算出する。

情報処理装置１００は、第２ユーザのネットワーク上の行動履歴に関する情報として、第２ユーザによるクレジットカード申込日を基準日として、基準日より前の期間１（＝１年間）における第２ユーザのネットワーク上の商取引履歴、閲覧履歴等に関する情報を用いる。例えば、第２ユーザＵ１によるクレジットカード申込日が２０１８年２月１日であるとすると、情報処理装置１００は、新規ユーザである第２ユーザＵ１のネットワーク上の行動履歴に関する情報として、２０１７年２月１日から２０１８年１月３１日までの１年間における第２ユーザＵ１のネットワーク上の商取引履歴、閲覧履歴等に関する情報を用いる。

また、情報処理装置１００は、第２ユーザによるクレジットカード申込日を基準日として、基準日以降の期間２（＝１年３か月間）に第２ユーザが債務不履行を起こす確率であるデフォルト確率を算出する。例えば、上述した第２ユーザＵ１の場合、情報処理装置１００は、第２ユーザＵ１が債務不履行を起こす確率であるデフォルト確率として、２０１８年２月１日から２０１９年４月３０日までの１年３か月間に第２ユーザＵ１が債務不履行を起こす確率であるデフォルト確率を算出する。

続いて、情報処理装置１００は、算出したデフォルト確率に基づいて、第２ユーザの信用力を推定する。例えば、情報処理装置１００は、算出したデフォルト確率が所定の閾値を下回る場合には、第２ユーザは債務不履行を起こす可能性が低いとみなして、第２ユーザはクレジットカードを発行するに足る信用力があると推定する。一方、情報処理装置１００は、算出したデフォルト確率が所定の閾値以上である場合には、第２ユーザは債務不履行を起こす可能性が高いとみなして、第２ユーザはクレジットカードを発行するに足る信用力がないと推定する。続いて、情報処理装置１００は、第２ユーザの信用力を推定すると、クレジットカード会社によって管理されるサーバ装置である判定装置２００に推定した第２ユーザの信用力に関する情報を送信する。判定装置２００は、情報処理装置１００から第２ユーザの信用力に関する情報を受信すると、第２ユーザの信用力に関する情報に基づいて、第２ユーザがクレジットカードを発行可能なユーザであるか否かを判定する。判定装置２００は、第２ユーザがクレジットカードを発行可能なユーザであると判定した場合には、第２ユーザに対してクレジットカードを発行する。

上述したように、情報処理装置１００は、クレジットカードの発行実績がある第１ユーザのネットワーク上の行動履歴のうち、第１ユーザがクレジットカードを発行される前の行動履歴である第１行動履歴に関する情報を取得する。そして、情報処理装置１００は、取得した第１行動履歴に関する情報と第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、クレジットカードの新規与信の対象である第２ユーザのネットワーク上の行動履歴である第２行動履歴に関する情報から、第２ユーザの信用力を推定する。例えば、情報処理装置１００は、ユーザが債務不履行を起こす確率であるデフォルト確率を算出する。そして、情報処理装置１００は、算出したデフォルト確率からユーザの信用力を推定する。これにより、情報処理装置１００は、例えば、過去に延滞等で信用情報に傷がついてしまったが、状況も変わり、現在は信用力に問題がないユーザの信用力を適切に推定することができる。

これまでの与信審査では、外部の信用情報機関から取得した信用情報に基づいてしか、ユーザの信用力を推定することができなかった。したがって、一度でも信用情報に傷がついてしまったユーザは、一律に与信審査で信用力がないと推定され、クレジットカードを発行不可と判定されていた。しかしながら、実際には、クレジットカードを発行不可と判定されたユーザ中にも、信用力のあるユーザが一定数存在することが知られている。このような実情にもかかわらず、これまでの与信審査では、そのようなユーザを救済する術がなかった。本願発明に係る情報処理装置１００によって、信用情報とは別の軸からユーザの信用力を推定することができるようになった。すなわち、情報処理装置１００によって、ネットワーク上の行動履歴に基づいてユーザの信用力を推定することができるようになった。すなわち、情報処理装置１００によって、過去に延滞等で信用情報に傷がついてしまったため、従来の与信審査に落ちたユーザの中から、現在は信用力に問題がないユーザの信用力を精度よく推定することができるようになった。そして、情報処理装置１００によって、現在は信用力に問題がないユーザについては、クレジットカードを発行可能とすることができるようになった。したがって、情報処理装置１００は、与信審査の精度を高めることができる。

なお、図２では、情報処理装置１００がデフォルト確率を算出し、算出したデフォルト確率から第２ユーザの信用力を推定する例を示したが、情報処理装置１００が算出したデフォルト確率を判定装置２００に送信して、判定装置２００がデフォルト確率に基づいて第２ユーザの信用力を推定してもよい。

〔３．情報処理システムの構成〕
図３を用いて、実施形態に係る情報処理装置１００が含まれる情報処理システム１の構成について説明する。図３は、実施形態に係る情報処理システム１の構成例を示す図である。図３に例示するように、実施形態に係る情報処理システム１には、ユーザ端末１０と、信用情報機関サーバ２０と、電子商取引サーバ３０と、コンテンツサーバ４０と、検索サーバ５０と、ＳＮＳ（Social Networking Service）サーバ６０と、情報処理装置１００と、判定装置２００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３に示した情報処理システム１には、複数台のユーザ端末１０や、複数台の判定装置２００や、複数台の信用情報機関サーバ２０や、複数台の電子商取引サーバ３０や、複数台のコンテンツサーバ４０や、複数台の検索サーバ５０や、複数台のＳＮＳサーバ６０や、複数台の情報処理装置１００が含まれてもよい。

ユーザ端末１０は、第２ユーザＵ１によって利用される情報処理装置である。例えば、ユーザ端末１０は、タブレット型端末、ＰＣ（Personal Computer）、携帯電話機、ＰＤＡ（Personal Digital Assistant）等である。ユーザ端末１０は、判定装置２００にアクセスすることで、判定装置２００からウェブページを取得し、取得したウェブページを表示画面に表示する。ユーザ端末１０は、取得したウェブページを通じた第２ユーザＵ１の操作に応じて、判定装置２００にクレジットカードの入会申込みに関する情報を送信する。

信用情報機関サーバ２０は、ユーザの信用情報を調査する信用調査サービスを提供する信用情報機関によって管理されるサーバ装置である。例えば、信用情報機関サーバ２０は、ユーザの信用情報を調査して、クレジットやローンなどの信用取引に関する契約内容や、返済・支払状況、利用残高といった取引の履歴である信用履歴に関する情報（信用情報）を保持する。なお、ユーザが過去に債務不履行（デフォルト）や長期間の延滞等を起こした場合は、所定期間の間、信用情報に債務不履行や長期間の延滞等を起こしたという記録が残る。例えば、クレジットカードの支払いについては、支払い期限から３か月経ってもユーザがクレジットカードの支払いをしない場合に、債務不履行を起こしたという事実が信用情報に記録される。信用情報機関サーバ２０は、判定装置２００から信用情報の取得要求を受け付けると、信用情報を判定装置２００に送信する。

電子商取引サーバ３０は、ショッピングサービスやオークションサービスといった電子商取引サービスを提供するサーバ装置である。例えば、電子商取引サーバ３０は、ユーザの電子商取引サービスの利用履歴である商取引履歴に関する情報を保持する。例えば、電子商取引サーバ３０は、商取引履歴に関する情報として、ユーザによる商品等の購買回数、購買の合計金額、使用ポイント数、支払方法毎の購入回数、会員費の支払い状況、個人間取引における評価等の情報を保持する。また、電子商取引サーバ３０は、ユーザによるオークションサービスへのユーザの入札履歴、落札履歴、出品履歴に関する情報として、入札金額、入札回数等、落札金額、落札回数等、出品金額、出品回数等の情報を保持する。電子商取引サーバ３０は、情報処理装置１００から商取引履歴の取得要求を受け付けると、商取引履歴を情報処理装置１００に送信する。

コンテンツサーバ４０は、ニュース記事等のコンテンツ配信サービスを提供するサーバ装置である。例えば、コンテンツサーバ４０は、ユーザによるコンテンツの閲覧履歴に関する情報を保持する。コンテンツサーバ４０は、情報処理装置１００から閲覧履歴に関する情報の取得要求を受け付けると、閲覧履歴に関する情報を情報処理装置１００に送信する。

検索サーバ５０は、検索サービスを提供するサーバ装置である。例えば、検索サーバ５０は、ユーザによって検索された検索クエリの履歴である検索履歴に関する情報を保持する。検索サーバ５０は、情報処理装置１００から検索履歴に関する情報の取得要求を受け付けると、検索履歴に関する情報を情報処理装置１００に送信する。

ＳＮＳサーバ６０は、ＳＮＳサービスを提供するサーバ装置である。例えば、ＳＮＳサーバ６０は、ユーザによって利用されたＳＮＳサービスの利用履歴に関する情報を保持する。ＳＮＳサーバ６０は、情報処理装置１００からＳＮＳサービスの利用履歴に関する情報の取得要求を受け付けると、ＳＮＳサービスの利用履歴に関する情報を情報処理装置１００に送信する。

情報処理装置１００は、図１で説明した第１モデル生成処理を行うサーバ装置である。また、情報処理装置１００は、図２で説明した情報処理を行うサーバ装置である。情報処理装置１００は、図１で説明した第１モデル生成処理や図２で説明した情報処理で用いるユーザのネットワーク上の行動履歴に関する情報を各種サーバから取得する。例えば、情報処理装置１００は、ユーザの電子商取引履歴に関する情報を電子商取引サーバ３０から取得する。また、情報処理装置１００は、ユーザの閲覧履歴に関する情報をコンテンツサーバ４０から取得する。また、情報処理装置１００は、ユーザの検索履歴に関する情報を検索サーバ５０から取得する。また、情報処理装置１００は、ユーザのＳＮＳサービスの利用履歴に関する情報をＳＮＳサーバ６０から取得する。また、情報処理装置１００は、ユーザの属性情報を判定装置２００や電子商取引サーバ３０から取得する。また、情報処理装置１００は、ユーザが債務不履行を起こしたか否かの実績を判定装置２００から取得する。

判定装置２００は、クレジットカードの発行会社（いわゆるイシュア）によって管理されるサーバ装置である。判定装置２００は、クレジットカードの新規申込者である新規ユーザのユーザ端末１０からクレジットカードの発行依頼を受け付けると、新規ユーザを審査する。まず、判定装置２００は、信用情報機関サーバ２０から新規ユーザの信用情報を取得して、新規ユーザが過去に延滞や債務不履行を起こしていないかどうかを審査する。そして、判定装置２００は、信用履歴の審査で問題がなければ、審査を可決させる。そして、判定装置２００は、新規ユーザにクレジットカードを発行する。

一方、判定装置２００は、信用情報の審査で否決となった新規ユーザについては、信用力を推定するよう情報処理装置１００に依頼する。例えば、判定装置２００は、新規ユーザの信用力を推定するよう情報処理装置１００に依頼する。判定装置２００は、情報処理装置１００から新規ユーザの信用力に関する情報を受信すると、新規ユーザの信用力に関する情報に基づいて、新規ユーザがクレジットカードを発行可能なユーザであるか否かを判定する。判定装置２００は、新規ユーザがクレジットカードを発行可能なユーザであると判定した場合には、新規ユーザに対してクレジットカードを発行する。一方、判定装置２００は、新規ユーザがクレジットカードを発行可能なユーザでないと判定した場合には、新規ユーザに対してクレジットカードを発行しない。なお、判定装置２００は、信用情報の審査結果と情報処理装置１００から受信した信用力に関する情報とを組み合わせて、総合的に新規ユーザがクレジットカードを発行可能なユーザであるか否かを判定してもよい。そして、判定装置２００は、総合的な判定で問題がないと判定した場合に、新規ユーザに対してクレジットカードを発行するようにしてもよい。

また、判定装置２００は、クレジットカードの発行実績があるユーザが債務不履行を起こしたか否かの実績の取得要求を情報処理装置１００から受け付けると、ユーザが債務不履行を起こしたか否かの実績を情報処理装置１００に送信する。

図３に示す例では、情報処理装置１００と判定装置２００とが別々の装置である例を示したが、情報処理装置１００と判定装置２００とは一体の装置であってもよい。具体的には、情報処理装置１００は、第２ユーザの信用力を推定すると、第２ユーザの信用力に関する情報に基づいて、第２ユーザがクレジットカードを発行可能なユーザであるか否かを判定する。続いて、情報処理装置１００は、第２ユーザがクレジットカードを発行可能なユーザであると判定した場合には、第２ユーザに対してクレジットカードを発行する。

〔４．情報処理装置の構成〕
次に、図４を用いて、実施形態に係る情報処理装置１００の構成について説明する。図４は、実施形態に係る情報処理装置１００の構成例を示す図である。図４に示すように、情報処理装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、情報処理装置１００は、情報処理装置１００の管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。

（通信部１１０）
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、ネットワークと有線または無線で接続され、例えば、ユーザ端末１０と信用情報機関サーバ２０と電子商取引サーバ３０とコンテンツサーバ４０と検索サーバ５０とＳＮＳサーバ６０と判定装置２００との間で情報の送受信を行う。

（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部１２０は、図４に示すように、ユーザ情報記憶部１２１と、返済実績記憶部１２２と、モデル記憶部１２３とを有する。

（ユーザ情報記憶部１２１）
ユーザ情報記憶部１２１は、クレジットカードの発行実績がある第１ユーザに関する各種の情報を記憶する。図５に、実施形態に係るユーザ情報記憶部の一例を示す。図５に示す例では、ユーザ情報記憶部１２１は、「ユーザＩＤ」、「期間区分」、「ユーザ属性」、「商取引履歴」、「閲覧履歴」、「検索履歴」、「ＳＮＳ利用履歴」といった項目を有する。

「ユーザＩＤ」は、クレジットカードの発行実績がある第１ユーザを識別するための識別情報を示す。「期間区分」は、第１ユーザに対するクレジットカード発行日を基準日として、基準日より前の期間１（＝１年間）を１か月毎に１２の区分に分けた期間を示す。例えば、図５の１レコード目に示す例では、期間区分「１月目」は、期間１（＝１年間）の最初の１か月間を示す。例えば、図５の２レコード目に示す例では、期間区分「２月目」は、期間１（＝１年間）の次の１か月間を示す。例えば、図５の５レコード目に示す例では、期間区分「１２月目」は、期間１（＝１年間）の最後の１か月間を示す。

「ユーザ属性」は、第１ユーザに対するクレジットカード発行日を基準日として、基準日より前の期間１（＝１年間）における１か月毎の第１ユーザの属性情報を示す。例えば、「ユーザ属性」は、期間１における１か月毎の第１ユーザの属性情報として、毎月決まった日にち（例えば、毎月２７日）における属性情報を示す。具体的には、ユーザの属性情報は、判定装置２００から取得されたクレジットカード会社の顧客としてのユーザの顧客属性情報である。例えば、ユーザの属性情報は、ユーザの性別、年齢、職業、年収、居住地といったデモグラフィック情報である。また、ユーザの属性情報は、電子商取引サーバ３０から取得した情報と合わせた情報であってもよい。図５の１レコード目に示す例では、ユーザ属性「（１）ユーザ属性＃Ｕ１１」は、期間１の最初の１か月間における第１ユーザＵ１１の属性情報を示す。

「商取引履歴」は、第１ユーザに対するクレジットカード発行日を基準日として、基準日より前の期間１における１か月毎の第１ユーザの商取引履歴に関する情報を示す。図５の１レコード目に示す例では、ユーザ属性「（１）商取引履歴＃Ｕ１１」は、図１で示した基準日より前の期間１の最初の１か月間における第１ユーザＵ１１の商取引履歴に関する情報に対応する。

「閲覧履歴」は、第１ユーザに対するクレジットカード発行日を基準日として、基準日より前の期間１における１か月毎の第１ユーザの閲覧履歴に関する情報を示す。なお、閲覧履歴には、ユーザが所定の広告コンテンツを選択したというアクセス履歴を含むものとする。図５の１レコード目に示す例では、閲覧履歴「（１）閲覧履歴＃Ｕ１１」は、図１で示した基準日より前の期間１の最初の１か月間における第１ユーザＵ１１の閲覧履歴に関する情報に対応する。

「検索履歴」は、第１ユーザに対するクレジットカード発行日を基準日として、基準日より前の期間１における１か月毎の第１ユーザの検索履歴に関する情報を示す。図５の１レコード目に示す例では、検索履歴「（１）検索履歴＃Ｕ１１」は、図１で示した基準日より前の期間１の最初の１か月間における第１ユーザＵ１１の検索履歴に関する情報に対応する。

「ＳＮＳ利用履歴」は、第１ユーザに対するクレジットカード発行日を基準日として、基準日より前の期間１における１か月毎の第１ユーザのＳＮＳ利用履歴に関する情報を示す。図５の１レコード目に示す例では、ＳＮＳ利用履歴「（１）ＳＮＳ利用履歴＃Ｕ１１」は、図１で示した基準日より前の期間１の最初の１か月間における第１ユーザＵ１１のＳＮＳ利用履歴に関する情報に対応する。

（返済実績記憶部１２２）
返済実績記憶部１２２は、クレジットカードの発行実績がある第１ユーザの返済実績に関する各種の情報を記憶する。図６に、実施形態に係る返済実績記憶部１２２の一例を示す。図６に示す例では、返済実績記憶部１２２は、「ユーザＩＤ」、「融資金額（円）」、「返済実績」といった項目を有する。

「ユーザＩＤ」は、ク第１ユーザを識別するための識別情報を示す。「融資金額（円）」は、第１ユーザに対する融資金額を示す。「返済実績」は、第１ユーザに対するクレジットカード発行日を基準日として、基準日より後の期間２（＝１年３か月）に第１ユーザが債務不履行を起こしたか否かの実績を示す。図６の１レコード目に示す例では、ユーザＩＤ「Ｕ１１」（ユーザＵ１１）で識別される第１ユーザは、図１で示した第１ユーザＵ１１に対応する。また、融資金額「２０万（円）」は、第１ユーザＵ１１に対する融資金額が２０万円であることを示す。また、返済実績「×」は、第１ユーザＵ１１に対するクレジットカード発行日を基準日として、基準日以降の期間２に第１ユーザＵ１１が債務不履行を起こしたことを示す。

（モデル記憶部１２３）
モデル記憶部１２３は、情報処理装置１００によって生成された第１モデルＭ１に関する情報を記憶する。具体的には、モデル記憶部１２３は、情報処理装置１００によって生成された第１モデルを識別する「モデルＩＤ」と第１モデルＭ１のモデルデータとを関連付けて格納する。例えば、モデルＩＤ「Ｍ１」で識別される第１モデルは、図１と図２の第１モデルＭ１に対応する。

（制御部１３０）
図４の説明に戻って、制御部１３０は、コントローラ（controller）であり、例えば、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（生成プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、コントローラであり、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４に示すように、制御部１３０は、取得部１３１と、生成部１３２と、推定部１３３と、受付部１３４と、送信部１３５とを有し、以下に説明する情報処理の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４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。

（取得部１３１）
取得部１３１は、所定の与信を供与された第１ユーザのネットワーク上の行動履歴のうち、第１ユーザが所定の与信を供与される前の行動履歴である第１行動履歴に関する情報を取得する。ここで、「所定の与信を供与された」とは、金融機関等による融資や融資枠、支払い承諾（保証）等を供与されたことや、クレジットカード会社の利用可能枠を供与されたことや、与信枠を増枠されたことを意味する。なお、「所定の与信に関する与信審査」とは、金融機関等がユーザに供与した融資や融資枠、支払い承諾（保証）等に関する与信審査や、クレジットカード会社がユーザに供与した利用可能枠に関する与信審査や、クレジットカード会社がユーザに供与した与信枠の増枠や減枠といった与信枠の変更に関する与信審査を意味する。

具体的には、取得部１３１は、クレジットカードの発行実績がある第１ユーザのネットワーク上の行動履歴のうち、第１ユーザがクレジットカードを持つ前の行動履歴である第１行動履歴に関する情報を取得する。例えば、取得部１３１は、第１ユーザのネットワーク上の行動履歴のうち、第１ユーザに対するクレジットカード発行日を基準日として、基準日より前の期間１（＝１年間）における第１ユーザのネットワーク上の行動履歴である第１行動履歴に関する情報を取得する。例えば、取得部１３１は、期間１における第１ユーザのネットワーク上の行動履歴に関する情報を１か月毎に取得してもよい。そして、取得部１３１は、第１行動履歴に関する情報を取得すると、ユーザ情報記憶部１２１に格納する。例えば、取得部１３１は、第１行動履歴に関する情報を１か月毎に取得して、１か月毎に取得した第１行動履歴に関する情報を期間区分と対応付けてユーザ情報記憶部１２１に格納する。なお、取得部１３１は、第１ユーザのネットワーク上の行動履歴に関する情報を必ずしも１か月毎に取得しなくてもよい。例えば、取得部１３１は、第１ユーザのネットワーク上の行動履歴に関する情報を所定の期間毎（例えば１日毎や４か月毎等）に取得してもよい。

例えば、取得部１３１は、基準日より前の期間１における１か月毎の第１ユーザの商取引履歴に関する情報を電子商取引サーバ３０から取得する。例えば、取得部１３１は、第１ユーザの商取引履歴に関する情報として、電子商取引サービスにおける期間１における１か月毎の商品等の購買回数、購入金額、使用ポイント数、支払方法毎の購入回数、会員費の支払い状況（会員費の不払いの有無等）、個人間取引における評価（１〜５までの５段階の数値による評価や、優・良・可等の離散値による評価）に関する情報を取得する。また、取得部１３１は、第１ユーザの商取引履歴に関する情報として、第１ユーザによるオークションサービスへの期間１における１か月毎の入札履歴（入札金額、入札回数等）、落札履歴（落札金額、落札回数等）、出品履歴（出品金額、出品回数等）に関する情報を取得する。そして、取得部１３１は、第１ユーザの商取引履歴に関する情報を取得すると、取得した第１ユーザの商取引履歴に関する情報を期間区分ごとにユーザ情報記憶部１２１の「商取引履歴」の項目に格納する。

例えば、取得部１３１は、基準日より前の期間１における１か月毎の第１ユーザの閲覧履歴をコンテンツサーバ４０から取得する。例えば、取得部１３１は、第１ユーザの閲覧履歴に関する情報として、第１ユーザが所定のニュース記事等のテキストコンテンツを閲覧した閲覧回数を１か月毎に取得する。例えば、取得部１３１は、第１ユーザの閲覧履歴に関する情報として、第１ユーザが所定の動画コンテンツを視聴した視聴回数を１か月毎に取得する。例えば、取得部１３１は、第１ユーザの閲覧履歴に関する情報として、第１ユーザが所定の広告コンテンツにアクセスしたアクセス回数を１か月毎に取得する。そして、取得部１３１は、第１ユーザの閲覧履歴に関する情報を取得すると、取得した第１ユーザの閲覧履歴に関する情報を期間区分ごとにユーザ情報記憶部１２１の「閲覧履歴」の項目に格納する。

例えば、取得部１３１は、基準日より前の期間１における１か月毎の第１ユーザの検索履歴に関する情報を検索サーバ５０から取得する。例えば、取得部１３１は、第１ユーザの検索履歴に関する情報として、第１ユーザが所定の検索クエリを検索した検索回数を１か月毎に取得する。例えば、取得部１３１は、第１ユーザが所定の検索クエリを検索した検索頻度を取得する。例えば、取得部１３１は、第１ユーザが所定の検索クエリを検索した検索有無を取得する。例えば、取得部１３１は、第１ユーザによって検索された検索クエリのスコアを取得する。例えば、取得部１３１は、ｔｆ−ｉｄｆ（Term Frequency、Inverse Document Frequency）等の重み値を取得する。例えば、取得部１３１は、ｔｆ−ｉｄｆ等の重み値を利用して、第１ユーザに特徴的な検索クエリを判定してもよい。なお、取得部１３１は、第１ユーザによって検索された検索クエリに共起する共起ワードの重み等を取得してもよい。共起ワードの重みは、例えば、ｔｆ−ｉｄｆ等によりスコアリングされた数値や、共起ワードの出現率に基づく所定の指標値等が対応する。そして、取得部１３１は、第１ユーザの検索履歴に関する情報を取得すると、取得した第１ユーザの検索履歴に関する情報を期間区分ごとにユーザ情報記憶部１２１の「検索履歴」の項目に格納する。

例えば、取得部１３１は、基準日より前の期間１における１か月毎の第１ユーザのＳＮＳ利用履歴に関する情報をＳＮＳサーバ６０から取得する。例えば、取得部１３１は、第１ユーザのＳＮＳ利用履歴に関する情報として、第１ユーザが所定のＳＮＳを利用した利用回数を取得する。例えば、取得部１３１は、第１ユーザのＳＮＳ利用履歴に関する情報として、第１ユーザが所定のＳＮＳに投稿した投稿回数を取得する。例えば、取得部１３１は、第１ユーザのＳＮＳ利用履歴に関する情報として、第１ユーザが所定のＳＮＳに投稿した投稿記事に含まれるキーワードの出現数を取得する。例えば、取得部１３１は、ＳＮＳに投稿された投稿記事ごとに、短文を特徴付ける語として抽出された単語をキーワードとし、その出現数を取得してもよい。例えば、取得部１３１は、ｔｆ−ｉｄｆなど、短文中に出現する各単語をスコアリングするアルゴリズムを利用することにより短文を特徴付けるキーワードを抽出してもよい。そして、取得部１３１は、第１ユーザのＳＮＳ利用履歴に関する情報を取得すると、取得した第１ユーザのＳＮＳ利用履歴に関する情報を期間区分ごとにユーザ情報記憶部１２１の「ＳＮＳ利用履歴」の項目に格納する。

また、取得部１３１は、第１ユーザが債務不履行を起こしたか否かの実績を取得する。具体的には、取得部１３１は、第１ユーザに対するクレジットカード発行日を基準日として、基準日以降の期間２（＝１年３か月間）に第１ユーザが債務不履行を起こしたか否かの実績を判定装置２００から取得する。取得部１３１は、第１ユーザが債務不履行を起こしたか否かの実績を取得すると、取得した情報を返済実績記憶部１２２に格納する。

（生成部１３２）
生成部１３２は、取得部１３１によって取得された第１行動履歴に関する情報と第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、第２ユーザの第２行動履歴に関する情報から、第２ユーザが債務不履行を起こすか否かに関する指標値を算出するモデルを生成する。生成部１３２は、モデルを生成すると、生成したモデルをモデル記憶部１２３に格納する。

具体的には、生成部１３２は、クレジットカードの発行実績がある第１ユーザのネットワーク上の行動履歴のうち、第１ユーザがクレジットカードを持つ前の行動履歴である第１行動履歴に関する情報と、第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、クレジットカードの新規申込者である第２ユーザの第２行動履歴に関する情報から、第２ユーザが債務不履行を起こすか否かに関する指標値を算出する第１モデルを生成する。例えば、生成部１３２は、第１ユーザのネットワーク上の行動履歴のうち、第１ユーザがクレジットカードを持つ前の行動履歴である第１行動履歴に関する情報と第１ユーザが債務不履行を起こしたか否かの実績とに基づいて生成される第１モデルであって、第２ユーザの第２行動履歴に関する情報が入力された場合に、第２ユーザが債務不履行を起こす確率であるデフォルト確率を算出する第１モデルＭ１を生成する。

以下に、生成部１３２が生成するモデルの一例を示す。なお、生成部１３２が生成するモデルは以下のものに限られず、第１行動履歴に関する情報と第１ユーザが債務不履行を起こしたか否かの実績とに基づいて生成されるモデルであって、第２行動履歴に関する情報が入力された場合に、第２ユーザが債務不履行を起こす確率であるデフォルト確率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。

具体的には、生成部１３２は、第１ユーザが債務不履行を起こしたか否かを示す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、期間１における１か月毎の第１ユーザのネットワーク上の行動履歴に関する各情報を説明変数（素性）とする。言い換えると、生成部１３２は、期間１の期間区分「Ｍ月目」（Ｍ＝１、２、…、１２）における第１ユーザのネットワーク上の行動履歴に関する各情報を説明変数（素性）とする。

例えば、生成部１３２は、ユーザ情報記憶部１２１を参照して、期間１の期間区分「Ｍ月目」（Ｍ＝１、２、…、１２）における第１ユーザのネットワーク上の商取引履歴に関する情報を素性とする。例えば、生成部１３２は、期間１の期間区分「Ｍ月目」（Ｍ＝１、２、…、１２）における第１ユーザによる商品等の購買回数、購入金額、使用ポイント数、支払方法毎の購入回数、会員費の支払い状況（会員費の不払いの有無等）、個人間取引における評価（１〜５までの５段階の数値による評価や、優・良・可等の離散値による評価）に関する情報をそれぞれ素性とする。例えば、生成部１３２は、期間１の期間区分「Ｍ月目」（Ｍ＝１、２、…、１２）における第１ユーザによるオークションサービスへの入札金額、入札回数、落札金額、落札回数、出品金額、出品回数等に関する情報をそれぞれ素性とする。

また、生成部１３２は、ユーザ情報記憶部１２１を参照して、期間１の期間区分「Ｍ月目」（Ｍ＝１、２、…、１２）における第１ユーザのネットワーク上の閲覧履歴に関する情報を素性とする。例えば、生成部１３２は、期間１の期間区分「Ｍ月目」（Ｍ＝１、２、…、１２）に第１ユーザが所定のニュース記事等のテキストコンテンツを閲覧した閲覧回数を素性とする。例えば、取得部１３１は、期間１の期間区分「Ｍ月目」（Ｍ＝１、２、…、１２）に第１ユーザが所定の動画コンテンツを視聴した視聴回数を素性とする。例えば、取得部１３１は、期間１の期間区分「Ｍ月目」（Ｍ＝１、２、…、１２）に第１ユーザが所定の広告コンテンツにアクセスしたアクセス回数を素性とする。

また、生成部１３２は、ユーザ情報記憶部１２１を参照して、期間１の期間区分「Ｍ月目」（Ｍ＝１、２、…、１２）における第１ユーザのネットワーク上の検索履歴に関する情報を素性とする。例えば、生成部１３２は、期間１の期間区分「Ｍ月目」（Ｍ＝１、２、…、１２）に第１ユーザが所定の検索クエリを検索した検索回数を素性とする。例えば、生成部１３２は、期間１の期間区分「Ｍ月目」（Ｍ＝１、２、…、１２）に第１ユーザが所定の検索クエリを検索した検索頻度を素性とする。例えば、生成部１３２は、期間１の期間区分「Ｍ月目」（Ｍ＝１、２、…、１２）に第１ユーザが所定の検索クエリを検索した検索有無を素性とする。例えば、生成部１３２は、期間１の期間区分「Ｍ月目」（Ｍ＝１、２、…、１２）に第１ユーザによって検索された検索クエリのスコアを素性とする。例えば、生成部１３２は、期間１の期間区分「Ｍ月目」（Ｍ＝１、２、…、１２）に第１ユーザによって検索された検索クエリのｔｆ−ｉｄｆ等の重み値を素性とする。

また、生成部１３２は、ユーザ情報記憶部１２１を参照して、期間１の期間区分「Ｍ月目」（Ｍ＝１、２、…、１２）における第１ユーザのネットワーク上のＳＮＳ利用履歴に関する情報を素性とする。例えば、生成部１３２は、期間１の期間区分「Ｍ月目」（Ｍ＝１、２、…、１２）に第１ユーザが所定のＳＮＳを利用した利用回数を素性とする。例えば、生成部１３２は、期間１の期間区分「Ｍ月目」（Ｍ＝１、２、…、１２）に第１ユーザが所定のＳＮＳに投稿した投稿回数を素性とする。例えば、生成部１３２は、期間１の期間区分「Ｍ月目」（Ｍ＝１、２、…、１２）に第１ユーザが所定のＳＮＳに投稿した投稿記事に含まれるキーワードの出現数を素性とする。

そして、生成部１３２は、目的変数と説明変数とを用いて、モデルを生成する。生成部１３２は、種々の説明変数を用いてモデルを生成する。例えば、生成部１３２は、ユーザ情報記憶部１２１に記憶されているあらゆる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１３２は、第１ユーザが債務不履行を起こしたか否かという結果情報と、第１ユーザがクレジットカードを持つ前の行動履歴に関する情報を示す式を生成する。さらに、生成部１３２は、第１ユーザがクレジットカードを持つ前の行動履歴に関する個々の情報が、第１ユーザが債務不履行を起こしたか否か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１３２は、ユーザが債務不履行を起こすという事象に対して、個々の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１３２は、下記式（１）を作成する。

ｙ ＝ ω_１・ｘ_１ ＋ ω_２・ｘ_２ ＋ ω_３・ｘ_３ ・・・＋ ω_Ｎ・ｘ_Ｎ ・・・（１）（Ｎは任意の数）

上記式（１）は、例えば、個々の第１ユーザごとに作成される。上記式（１）において、「ｙ」は、「第１ユーザが債務不履行を起こしたか否か」という事象を示す。学習において、債務不履行を起こした第１ユーザＵ１１を正解データとするのであれば、「ｙ」は「１」の値を取る。また、学習において、債務不履行を起こさなかった第１ユーザＵ１２を正解データとするのであれば、「ｙ」は「０」の値を取る。

また、上記式（１）において、「ｘ」は、期間１における１か月毎の第１ユーザのネットワーク上の行動履歴に関する情報（素性）である各説明変数に対応する。すなわち、「ｘ」は、期間１の期間区分「Ｍ月目」（Ｍ＝１、２、…、１２）における第１ユーザのネットワーク上の行動履歴に関する情報（素性）である。また、上記式（１）において、「ω」は、「ｘ」の係数であり、所定の重み値を示す。具体的には、「ω_１」は、「ｘ_１」の重み値であり、「ω_２」は、「ｘ_２」の重み値であり、「ω_３」は、「ｘ_３」の重み値である。このように、上記式（１）は、期間１における１か月毎の第１ユーザのネットワーク上の行動履歴に関する情報から抽出された特徴情報に対応する説明変数「ｘ」と、所定の重み値「ω」とを含む変数（例えば、「ω_１・ｘ_１」）を組合せることにより作成される。

例えば、上記式（１）において、仮に、「ｘ_１」は、「期間１の期間区分「１月目」における第１ユーザＵ１１の商品等の購買回数」であるとする。例えば、「ｘ_１」は、「２０（回）」であるとする。また、「ｘ_２」は、「期間１の期間区分「１月目」における第１ユーザＵ１１の商品等の購買金額の合計金額」であるとする。例えば、「ｘ_２」は、「５０，０００（円）」であるとする。また、「ｘ_３」は、「期間１の期間区分「１月目」における第１ユーザＵ１１の個人間取引における評価」であるとする。例えば、「ｘ_３」は、「５」（個人間取引評価が、１〜５までの５段階の数値で評価される場合）であるとする。この場合、第１ユーザＵ１１に対応する上記式（１）は、以下の式（２）のように表すことができる。

ｙ（債務不履行を起こした第１ユーザＵ１１）（＝１） ＝ ω_１・（期間１の期間区分「１月目」における第１ユーザＵ１１の商品等の購買回数（＝２０（回））） ＋ ω_２・（期間１の期間区分「１月目」における第１ユーザＵ１１の商品等の購買金額の合計金額（＝５０，０００（円））） ＋ ω_３・（期間１の期間区分「１月目」における第１ユーザＵ１１の個人間取引における評価（＝５）） ＋ ω_Ｎ・ｘ_Ｎ ・・・（２）

生成部１３２は、上記式（２）のように、第１ユーザごとに式を生成する。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１３２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、所定の重み値「ω」に対応する値を導出する。すなわち、生成部１３２は、上記式（２）を満たすような所定の重み値「ω」を決定する。言い換えれば、生成部１３２は、所定の説明変数が目的変数「ｙ」に与える影響を示す重み値「ω」を決定することができる。例えば、「第１ユーザＵ１１が債務不履行を起こした」という事象に対して、「期間１の期間区分「１月目」における第１ユーザＵ１１の商品等の購買金額の合計金額」が他の変数と比較して大きく寄与しているのであれば、「期間１の期間区分「１月目」における第１ユーザＵ１１の商品等の購買金額の合計金額」に対応する重み値「ω_２」の値は、他の変数と比較して大きな値が算出される。

上記のようにして、生成部１３２は、第１ユーザが債務不履行を起こすに至るという傾向と、第１ユーザがクレジットカードを持つ前の行動履歴に関する情報（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１３２は、生成したモデルに、クレジットカードの新規申込者である第２ユーザのネットワーク上の行動履歴に関する情報を入力した場合に、それらの情報が「第２ユーザが債務不履行を起こす」という事象、言い換えれば第１ユーザ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スコアを出力することができる。なお、上記式（２）を用いた算出処理では、左辺を「１」や「０」そのものとするのではなく、所定の誤差を想定し、かかる誤差との差異を２乗した値が最小値となるよう近似する最小二乗法などの手法を用いて、「ω」の最適解を算出してもよい。

また、生成部１３２は、例えば、期間１の期間区分「１２月目」における第１ユーザＵ１１の個人間取引における評価の数値が所定の閾値を下回る第１ユーザは債務不履行を起こす傾向が高く、個人間取引評価の数値が所定の閾値以上である第１ユーザは債務不履行を起こす傾向が低いといった傾向を見出すようなモデルを生成できる。このことは、処理対象となる第２ユーザの期間１の期間区分「１２月目」における個人間取引評価の数値が所定の閾値を下回る場合、第２ユーザが将来的に債務不履行を起こす可能性が高いことを意味する。すなわち、「期間１の期間区分「１２月目」における個人間取引評価の数値」は、「債務不履行を起こす」という結果に対して（第１ユーザとの相関性を求める素性として）重みが重い要素であるといえる。

なお、生成部１３２は、いかなる学習アルゴリズムを用いてモデルを生成してもよい。例えば、生成部１３２は、ニューラルネットワーク（neural network）、サポートベクターマシン、クラスタリング、強化学習等の学習アルゴリズムを用いてモデルを生成する。一例として、生成部１３２がニューラルネットワークを用いてモデルを生成する場合、モデルは、一以上のニューロンを含む入力層と、一以上のニューロンを含む中間層と、一以上のニューロンを含む出力層とを有する。

モデルは、第２ユーザの第２行動履歴に関する情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された所定の第２行動履歴に関する情報に応じて、第２ユーザが債務不履行を起こすか否かに関する指標値を出力層から出力するよう、コンピュータを機能させる。

モデルは、第２ユーザの第２行動履歴に関する情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された、所定の第２行動履歴に関する情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、第２ユーザが債務不履行を起こすか否かに関する指標値を出力層から出力するよう、コンピュータを機能させる。

ここで、モデルが「y=ω₁*x₁+ω₂*x₂+・・・+ω_i*x_i」で示す回帰モデルで実現されるとする。この場合、モデルが含む第１要素は、x₁やx₂等といった入力データ（x_i）に対応する。また、第１要素の重みは、x_iに対応する係数ω_iに対応する。ここで、回帰モデルは、入力層と出力層とを有する単純パーセプトロンと見做すことができる。各モデルを単純パーセプトロンと見做した場合、第１要素は、入力層が有するいずれかのノードに対応し、第２要素は、出力層が有するノードと見做すことができる。

また、モデルがＤＮＮ（Deep Neural Network）等、１つまたは複数の中間層を有するニューラルネットワークで実現されるとする。この場合、モデルが含む第１要素は、入力層または中間層が有するいずれかのノードに対応する。また、第２要素は、第１要素と対応するノードから値が伝達されるノードである次段のノードに対応する。また、第１要素の重みは、第１要素と対応するノードから第２要素と対応するノードに伝達される値に対して考慮される重みである接続係数に対応する。

情報処理装置１００は、上述した回帰モデルやニューラルネットワーク等、任意の構造を有するモデルを用いて、指標値の算出を行う。具体的には、モデルは、第２ユーザの第２行動履歴に関する情報が入力された場合に、第２ユーザが債務不履行を起こすか否かに関する指標値を出力するように係数が設定される。情報処理装置１００は、このようなモデルを用いて、指標値を算出する。

なお、上記例では、モデルが、第２ユーザのネットワーク上の行動履歴に関する情報が入力された場合に、第２ユーザが債務不履行を起こすか否かに関する指標値を出力するモデル（モデルＭＸとする）である例を示した。しかし、実施形態に係るモデルは、モデルＭＸにデータの入出力を繰り返すことで得られる結果に基づいて生成されるモデルであってもよい。例えば、モデルは、第２ユーザのネットワーク上の行動履歴に関する情報を入力とし、モデルＭＸが出力する第２ユーザが債務不履行を起こすか否かに関する指標値を出力とするよう学習されたモデル（モデルＭＹ)であってもよい。または、モデルは、所定の第２ユーザのネットワーク上の行動履歴に関する情報を入力とし、モデルＭＹの出力値を出力とするよう学習されたモデルであってもよい。

また、情報処理装置１００がＧＡＮ（Generative Adversarial Networks）を用いた算出処理を行う場合、モデルは、ＧＡＮの一部を構成するモデルであってもよい。

（推定部１３３）
推定部１３３は、取得部１３１によって取得された第１行動履歴に関する情報と第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、所定の与信に関する与信審査の対象である第２ユーザの第２行動履歴に関する情報から、第２ユーザの信用力を推定する。具体的には、推定部１３３は、受付部１３４が第２ユーザに対する審査の依頼を判定装置２００から受け付けると、第２ユーザの信用力を推定する。例えば、推定部１３３は、第２ユーザの信用力として、第２ユーザのデフォルト確率を算出する。また、推定部１３３は、算出したデフォルト確率に基づいて、第２ユーザの信用力を推定してもよい。また、推定部１３３は、算出したデフォルト確率に基づいて、第２ユーザの返済能力を推定してもよい。

より具体的には、推定部１３３は、取得部１３１によって取得された第１行動履歴に関する情報と第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、第２ユーザの第２行動履歴に関する情報から、第２ユーザが債務不履行を起こすか否かに関する指標値を算出する。例えば、推定部１３３は、生成部１３２によって生成されたモデルを用いて、第２ユーザが債務不履行を起こすか否かに関する指標値を算出する。例えば、推定部１３３は、生成部１３２によって生成された第１モデルに第２ユーザの第２行動履歴に関する情報を入力することにより、第２ユーザが債務不履行を起こすか否かに関する指標値を算出する。例えば、推定部１３３は、第２ユーザが債務不履行を起こすか否かに関する指標値として、デフォルト確率を算出する。

続いて、推定部１３３は、算出した指標値に基づいて、第２ユーザの信用力を推定する。例えば、推定部１３３は、算出したデフォルト確率が所定の閾値を下回る場合には、第２ユーザは債務不履行を起こす可能性が低いとみなして、第２ユーザはクレジットカードを発行するに足る信用力があると推定する。一方、推定部１３３は、算出したデフォルト確率が所定の閾値以上である場合には、第２ユーザは債務不履行を起こす可能性が高いとみなして、第２ユーザはクレジットカードを発行するに足る信用力がないと推定する。

（受付部１３４）
受付部１３４は、第２ユーザに対する審査の依頼を判定装置２００から受け付ける。例えば、受付部１３４は、すべての新規ユーザに対する審査の依頼を判定装置２００から受け付ける。例えば、受付部１３４は、信用情報の審査で否決となった新規ユーザに対する審査の依頼を判定装置２００から受け付ける。

（送信部１３５）
送信部１３５は、推定部１３３によって推定された第２ユーザの信用力を判定装置２００に送信する。具体的には、送信部１３５は、推定部１３３によって推定された第２ユーザの信用力の有無に関する情報を判定装置２００に送信する。あるいは、送信部１３５は、推定部１３３によって算出されたデフォルト確率を判定装置２００に送信してもよい。

〔５．判定装置の構成〕
次に、図７を用いて、実施形態に係る判定装置２００の構成について説明する。図７は、実施形態に係る判定装置２００の構成例を示す図である。図７に示すように、判定装置２００は、通信部２１０と、記憶部２２０と、制御部２３０とを有する。なお、判定装置２００は、判定装置２００の管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。

（通信部２１０）
通信部２１０は、例えば、ＮＩＣ等によって実現される。そして、通信部２１０は、ネットワークと有線または無線で接続され、例えば、ユーザ端末１０と情報処理装置１００との間で情報の送受信を行う。

（記憶部２２０）
記憶部２２０は、例えば、ＲＡＭ、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２２０は、図７に示すように、ユーザ情報記憶部２２１と、返済実績記憶部２２２とを有する。

（ユーザ情報記憶部２２１）
ユーザ情報記憶部２２１は、クレジットカード会社の顧客としてのユーザの顧客情報を記憶する。具体的には、ユーザ情報記憶部２２１は、ユーザの顧客情報として、ユーザの属性情報を記憶する。例えば、ユーザ情報記憶部２２１は、ユーザの属性情報として、ユーザの性別、年齢、職業、年収、居住地といったデモグラフィック情報を記憶する。例えば、ユーザ情報記憶部２２１は、クレジットカードの発行実績がある第１ユーザに関する属性情報を記憶する。また、ユーザ情報記憶部２２１は、クレジットカードの新規申込者である第２ユーザに関する属性情報を記憶する。また、ユーザ情報記憶部２２１は、ユーザの顧客情報として、クレジットカードの発行実績がある第１ユーザに対する融資金額や返済実績を記憶する。

（制御部２３０）
図７の説明に戻って、制御部２３０は、コントローラであり、例えば、ＣＰＵやＭＰＵ等によって、判定装置２００内部の記憶装置に記憶されている各種プログラム（生成プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部２３０は、コントローラであり、例えば、ＡＳＩＣやＦＰＧＡ等の集積回路により実現される。

図７に示すように、制御部２３０は、受付部２３１と、審査部２３２と、取得部２３３と、判定部２３４と、サービス提供部２３５とを有し、以下に説明する情報処理の作用を実現または実行する。なお、制御部２３０の内部構成は、図７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。

（受付部２３１）
受付部２３１は、クレジットカードの新規申込者である新規ユーザのユーザ端末１０からクレジットカードの発行依頼を受け付ける。例えば、受付部２３１は、新規ユーザのユーザ端末１０に配信されたクレジットカードの発行依頼を受け付けるためのページを介して、新規ユーザのユーザ端末１０からクレジットカードの発行依頼を受け付ける。

（審査部２３２）
審査部２３２は、第２ユーザの信用情報を信用情報機関から取得し、取得した信用情報に基づく与信審査を行う。例えば、審査部２３２は、受付部２３１がクレジットカードの発行依頼を受け付けると、信用情報機関サーバ２０から新規ユーザの信用情報を取得して、新規ユーザが過去に延滞や債務不履行を起こしていないかどうかを審査する。そして、審査部２３２は、信用情報の審査で問題がなければ、審査を可決させる。

一方、審査部２３２は、信用情報の審査で否決となった新規ユーザについては、信用力を推定するよう情報処理装置１００に依頼する。例えば、審査部２３２は、新規ユーザの信用力を推定するよう情報処理装置１００に依頼する。

また、審査部２３２は、クレジットカードの発行実績があるユーザが債務不履行を起こしたか否かの実績の取得要求を情報処理装置１００から受け付けると、ユーザが債務不履行を起こしたか否かの実績を情報処理装置１００に送信する。

（取得部２３３）
取得部２３３は、第２ユーザの信用力を取得する。具体的には、取得部２３３は、所定の与信を供与された第１ユーザのネットワーク上の行動履歴のうち、第１ユーザが所定の与信を供与される前の行動履歴である第１行動履歴に関する情報と第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、所定の与信に関する与信審査の対象である第２ユーザのネットワーク上の行動履歴である第２行動履歴に関する情報から推定された第２ユーザの信用力を取得する。具体的には、取得部２３３は、情報処理装置１００によって推定された新規ユーザの信用力に関する情報を情報処理装置１００から取得する。

あるいは、取得部２３３は、第２ユーザの信用力を推定することにより取得してもよい。例えば、取得部２３３は、情報処理装置１００によって算出されたデフォルト確率を情報処理装置１００から取得する。続いて、取得部２３３は、取得したデフォルト確率が所定の閾値を下回る場合には、新規ユーザは債務不履行を起こす可能性が低いとみなして、新規ユーザはクレジットカードを発行するに足る信用力があると推定する。一方、取得部２３３は、取得したデフォルト確率が所定の閾値以上である場合には、新規ユーザは債務不履行を起こす可能性が高いとみなして、新規ユーザはクレジットカードを発行するに足る信用力がないと推定する。

また、例えば、取得部２３３は、第１行動履歴に関する情報と第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、第２ユーザの第２行動履歴に関する情報から、第２ユーザが債務不履行を起こすか否かに関する指標値を算出するモデルであって、情報処理装置１００によって生成されたモデルを情報処理装置１００から取得してもよい。取得部２３３は、情報処理装置１００からモデルを取得すると、取得したモデルに第２ユーザの第２行動履歴に関する情報を入力することにより、第２ユーザが債務不履行を起こすか否かに関する指標値として、デフォルト確率を算出してもよい。

（判定部２３４）
判定部２３４は、取得部２３３によって取得された第２ユーザの信用力に基づいて、第２ユーザに対してクレジットカードに関するサービスを提供可能であるか否かを判定する。具体的には、判定部２３４は、情報処理装置１００から新規ユーザの信用力に関する情報を受信すると、新規ユーザの信用力に関する情報に基づいて、新規ユーザがクレジットカードを発行可能なユーザであるか否かを判定する。例えば、判定部２３４は、審査部２３２による審査の結果、審査否決となった第２ユーザの第２行動履歴に関する情報から推定された第２ユーザの信用力に基づいて、第２ユーザに対するクレジットカードに関するサービスの提供可否を判定する。例えば、判定部２３４は、第２ユーザに対するクレジットカードに関するサービスの提供可否として、第２ユーザに対してクレジットカードを発行可能であるか否かを判定する。なお、判定部２３４は、信用情報の審査結果と情報処理装置１００から受信した信用力に関する情報とを組み合わせて、総合的に新規ユーザがクレジットカードを発行可能なユーザであるか否かを判定してもよい。

（サービス提供部２３５）
サービス提供部２３５は、判定部２３４によって第２ユーザに対してクレジットカードに関するサービスを提供可能であると判定された場合に、第２ユーザに対してクレジットカードに関するサービスを提供する。具体的には、サービス提供部２３５は、判定部２３４によって新規ユーザがクレジットカードを発行可能なユーザであると判定された場合に、新規ユーザに対してクレジットカードを発行する。一方、サービス提供部２３５は、判定部２３４によって新規ユーザがクレジットカードを発行可能なユーザでないと判定された場合には、新規ユーザに対してクレジットカードを発行しない。

〔６．生成処理のフロー〕
次に、図８を用いて、実施形態に係る生成処理の手順について説明する。図８は、実施形態に係る第１モデル生成処理手順を示すフローチャートである。

図８に示すように、情報処理装置１００は、クレジットカードの発行実績があるユーザのネットワーク上の行動履歴に関する情報であって、当該ユーザがカードを持つ前のネットワーク上の行動履歴に関する情報を取得する（ステップＳ１０１）。

続いて、情報処理装置１００は、発行実績があるユーザがカードを持つ前のネットワーク上の行動履歴に関する情報と当該ユーザが債務不履行を起こしたか否かの実績とに基づいて、新規ユーザのネットワーク上の行動履歴に関する情報から、新規ユーザのデフォルト確率を算出する第１モデルを生成する（ステップＳ１０２）。

〔７．情報処理のフロー〕
次に、図９を用いて、実施形態に係る情報処理の手順について説明する。図９は、実施形態に係る情報処理手順を示すフローチャートである。

図９に示すように、情報処理装置１００は、新規ユーザに対する審査依頼を判定装置２００から受け付けたか否かを判定する（ステップＳ２０１）。情報処理装置１００は、新規ユーザに対する審査依頼を受け付けていないと判定した場合（ステップＳ２０１；Ｎｏ）は、新規ユーザに対する審査依頼を受け付けるまで待機する。

また、情報処理装置１００は、新規ユーザに対する審査依頼を受け付けたと判定した場合（ステップＳ２０１；Ｙｅｓ）は、新規ユーザのネットワーク上の行動履歴に関する情報を取得する（ステップＳ２０２）。

続いて、情報処理装置１００は、新規ユーザのネットワーク上の行動履歴に関する情報を生成した第１モデルに入力することにより、新規ユーザのデフォルト確率を算出する（ステップＳ２０３）。

続いて、情報処理装置１００は、新規ユーザの信用力を推定する（ステップＳ２０４）。

なお、ステップＳ２０１の手順とステップＳ２０２〜ステップＳ２０３の手順とは、順不同とする。例えば、情報処理装置１００は、判定装置２００から新規ユーザに関する情報を受け付けると、新規ユーザのネットワーク上の行動履歴に関する情報を取得する。続いて、情報処理装置１００は、新規ユーザのネットワーク上の行動履歴に関する情報を生成した第１モデルに入力することにより、新規ユーザのデフォルト確率を算出する。続いて、情報処理装置１００は、新規ユーザの信用力を推定する。その後、情報処理装置１００は、新規ユーザに対する審査依頼を判定装置２００から受け付けてもよい。

〔８．変形例〕
上述した実施形態に係る情報処理システム１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、情報処理システム１の他の実施形態について説明する。なお、実施形態と同一部分には、同一符号を付して説明を省略する。

〔８−１．途上与信の場合〕
途上与信とは、クレジットカードなどの信用供与を行った後に、ユーザのクレジットの利用状況や返済状況を審査（チェック）することを指す。途上与信は、ユーザに対する与信枠（利用限度額）の見直し（変更）、延滞発生の未然防止、偽造・不正カードの早期発見などに役立てることを目的として行われる。例えば、クレジットカード会社は、途上与信によって、このままではユーザが債務不履行を起こしそうだと判断すると、クレジットカードの利用停止や、与信枠の減枠を行う。一方、クレジットカード会社は、途上与信によって、与信枠を増枠してもユーザから回収できると判断すると、ユーザに対して与信枠の増枠を提案する。

図１と図２では、情報処理装置１００がクレジットカードの新規申込者である新規ユーザの信用力を推定する例を示したが、クレジットカードの途上与信の対象者である途上ユーザの信用力を推定してもよい。この点について図１０と図１１を用いて説明する。

〔８−１−１．第２モデル生成処理の一例〕
まず、図１０を用いて、変形例に係る第２モデル生成処理の一例について説明する。図１０は、変形例に係る第２モデル生成処理の一例を示す図である。情報処理装置１００は、クレジットカード会社と連携して、クレジットカードの途上与信の対象者である途上ユーザの信用力を推定する。なお、以下では、適宜、クレジットカードの途上与信の対象者を途上ユーザと表記する。

図１０に示す例では、生成部１３２は、与信枠の増枠実績がある第１ユーザのネットワーク上の行動履歴のうち、第１ユーザの与信枠が増枠される前の行動履歴に関する情報と、第１ユーザが増枠後に債務不履行を起こしたか否かの実績とに基づいて、クレジットカードの途上与信の対象者である第２ユーザのネットワーク上の行動履歴に関する情報から、第２ユーザが債務不履行を起こすか否かに関する指標値を算出する第２モデルを生成する。

すなわち、生成部１３２は、クレジットカードの途上与信の対象者である第２ユーザのネットワーク上の行動履歴に関する情報が入力された場合に、第２ユーザが債務不履行を起こす確率であるデフォルト確率を算出する第２モデルＭ２を生成する。生成部１３２は、例えば、与信枠の増枠実績がある第１ユーザを正解データ（教師データ、目的変数）とし、第１ユーザのネットワーク上の行動履歴のうち、第１ユーザの与信枠が増枠される前の行動履歴である第１行動履歴に関する情報を素性（説明変数）とするサポートベクターマシン等の回帰学習モデルを生成する。

生成部１３２は、第１ユーザの与信枠が増枠される前の第１ユーザの行動履歴に関する情報として、第１ユーザに対する与信枠の増枠日を基準日として、基準日より前の期間１（＝１年間）における第１ユーザのネットワーク上の商取引履歴、閲覧履歴等に関する情報を用いる。例えば、第１ユーザＵ２１に対する与信枠の増枠日が２０１６年２月１日であるとすると、生成部１３２は、第１ユーザＵ２１のネットワーク上の行動履歴に関する情報として、２０１５年２月１日から２０１６年１月３１日までの１年間における第１ユーザＵ２１のネットワーク上の商取引履歴、閲覧履歴等に関する情報を用いる。

また、生成部１３２は、第１ユーザが増枠後に債務不履行を起こしたか否かの実績として、第１ユーザに対する与信枠の増枠日を基準日として、基準日以降の期間２（＝１年３か月間）に第１ユーザが増枠後に債務不履行を起こしたか否かの実績を用いる。例えば、上述した第１ユーザＵ２１の場合、生成部１３２は、第１ユーザＵ２１が債務不履行を起こしたか否かの実績として、２０１６年２月１日から２０１７年４月３０日までの１年３か月間に第１ユーザＵ２１が債務不履行を起こしたか否かの実績を用いる。例えば、生成部１３２は、第１ユーザＵ２１が２０１６年２月１日から２０１７年４月３０日までの１年３か月間に債務不履行を起こしたという実績を用いる。

〔８−１−２．情報処理の一例〕
次に、図１１を用いて、変形例に係る情報処理の一例について説明する。図１１は、変形例に係る情報処理の一例を示す図である。図１１に示す例では、情報処理装置１００は、図１０で説明した第２モデルＭ２を用いて、クレジットカードの途上与信の対象者である第２ユーザのネットワーク上の行動履歴に関する情報から、第２ユーザが債務不履行を起こすか否かに関する指標値を算出する。

より具体的には、推定部１３３は、図１０で説明した第２モデルＭ２に、クレジットカードの途上与信の対象者である第２ユーザのネットワーク上の行動履歴に関する情報を入力することにより、第２ユーザが債務不履行を起こす確率であるデフォルト確率を算出する。例えば、推定部１３３は、図１０で説明したサポートベクターマシン等の回帰学習モデルに、クレジットカードの途上与信の対象者である第２ユーザＵ２のネットワーク上の行動履歴に関する情報を入力することにより、第２ユーザＵ２が債務不履行を起こす確率であるデフォルト確率を算出する。

推定部１３３は、クレジットカードの途上与信の対象者である第２ユーザのネットワーク上の行動履歴に関する情報として、第２ユーザに対する途上与信の与信日を基準日として、基準日より前の期間１（＝１年間）における第２ユーザのネットワーク上の商取引履歴、閲覧履歴等に関する情報を用いる。例えば、第２ユーザＵ２に対する途上与信の与信日が２０１８年２月１日であるとすると、推定部１３３は、途上ユーザである第２ユーザＵ２のネットワーク上の行動履歴に関する情報として、２０１７年２月１日から２０１８年１月３１日までの１年間における第２ユーザＵ２のネットワーク上の商取引履歴、閲覧履歴等に関する情報を用いる。

また、推定部１３３は、第２ユーザが債務不履行を起こすか否かに関する指標値として、第２ユーザに対する途上与信の与信日を基準日として、基準日以降の期間２（＝１年３か月間）に第２ユーザが債務不履行を起こすか否かに関する指標値を算出する。例えば、上述した第２ユーザＵ２の場合、推定部１３３は、第２ユーザＵ２が債務不履行を起こす確率であるデフォルト確率として、２０１８年２月１日から２０１９年４月３０日までの１年３か月間に第２ユーザＵ２が債務不履行を起こす確率であるデフォルト確率を算出する。

続いて、推定部１３３は、算出したデフォルト確率に基づいて、第２ユーザの信用力を推定する。例えば、推定部１３３は、算出したデフォルト確率が所定の閾値を下回る場合には、第２ユーザは債務不履行を起こす可能性が低いとみなして、第２ユーザは与信枠を増枠するに足る信用力があると推定する。一方、推定部１３３は、算出したデフォルト確率が所定の閾値以上である場合には、第２ユーザは債務不履行を起こす可能性が高いとみなして、第２ユーザは与信枠を増枠するに足る信用力がないと推定する。続いて、送信部１３５は、推定部１３３によって推定された第２ユーザの信用力に関する情報を判定装置２００に送信する。判定部２３４は、第２ユーザに対するクレジットカードに関するサービスの提供可否として、第２ユーザに対して所定の与信に関する与信枠を変更可能であるか否かを判定する。具体的には、判定部２３４は、情報処理装置１００から第２ユーザの信用力に関する情報を受信すると、第２ユーザの信用力に関する情報に基づいて、第２ユーザが与信枠を増枠可能なユーザであるか否かを判定する。サービス提供部２３５は、判定部２３４によって第２ユーザが与信枠を増枠可能なユーザであると判定された場合には、第２ユーザに対する与信枠を増枠する。一方、サービス提供部２３５は、判定部２３４によって第２ユーザが与信枠を増枠可能なユーザでないと判定された場合には、第２ユーザに対する与信枠を減枠する。なお、与信枠を減枠には、融資可能金額の減額だけでなく、クレジットカードの使用そのものを停止することを含む。

上述したように、情報処理装置１００は、与信枠の増枠実績がある第１ユーザのネットワーク上の行動履歴のうち、第１ユーザの与信枠が増枠される前の行動履歴である第１行動履歴に関する情報を取得する。そして、情報処理装置１００は、取得した第１行動履歴に関する情報と第１ユーザが増枠後に債務不履行を起こしたか否かの実績とに基づいて、クレジットカードの途上与信の対象である第２ユーザのネットワーク上の行動履歴である第２行動履歴に関する情報から、第２ユーザの信用力を推定する。これにより、情報処理装置１００は、例えば、途上与信の前に延滞で信用情報に傷がついてしまったが、状況も変わり、現在は信用力に問題がないユーザの信用力を適切に推定することができる。すなわち、情報処理装置１００は、現在は信用力に問題がないユーザについては、クレジットカードの与信枠を増枠可能とさせることができる。また、情報処理装置１００は、信用力に問題があるユーザについては、クレジットカードの与信枠を減枠可能とさせることができる。したがって、情報処理装置１００は、与信審査の精度を高めることができる。

〔８−１−３．生成処理のフロー〕
次に、図１２を用いて、変形例に係る生成処理の手順について説明する。図１２は、変形例に係る第２モデル生成処理手順を示すフローチャートである。

図１２に示すように、情報処理装置１００は、与信枠を増枠されたユーザのネットワーク上の行動履歴に関する情報であって、当該ユーザが与信枠を増枠される前のネットワーク上の行動履歴に関する情報を取得する（ステップＳ３０１）。

続いて、情報処理装置１００は、与信枠の増枠実績があるユーザが与信枠を増枠される前のネットワーク上の行動履歴に関する情報と当該ユーザが債務不履行を起こしたか否かの実績とに基づいて、途上ユーザのネットワーク上の行動履歴に関する情報から、途上ユーザのデフォルト確率を算出する第２モデルを生成する（ステップＳ３０２）。

〔８−１−４．情報処理のフロー〕
次に、図１３を用いて、変形例に係る情報処理の手順について説明する。図１３は、変形例に係る情報処理手順を示すフローチャートである。

図１３に示すように、情報処理装置１００は、途上ユーザに対する審査依頼を判定装置２００から受け付けたか否かを判定する（ステップＳ４０１）。情報処理装置１００は、途上ユーザに対する審査依頼を受け付けていないと判定した場合（ステップＳ４０１；Ｎｏ）は、途上ユーザに対する審査依頼を受け付けるまで待機する。

また、情報処理装置１００は、途上ユーザに対する審査依頼を受け付けたと判定した場合（ステップＳ４０１；Ｙｅｓ）は、途上ユーザのネットワーク上の行動履歴に関する情報を取得する（ステップＳ４０２）。

続いて、情報処理装置１００は、途上ユーザのネットワーク上の行動履歴に関する情報を生成した第２モデルに入力することにより、途上ユーザのデフォルト確率を算出する（ステップＳ４０３）。

続いて、情報処理装置１００は、途上ユーザの信用力を推定する（ステップＳ４０４）。

なお、ステップＳ４０１の手順とステップＳ４０２〜ステップＳ４０３の手順とは、順不同とする。例えば、情報処理装置１００は、判定装置２００から途上ユーザに関する情報を受け付けると、途上ユーザのネットワーク上の行動履歴に関する情報を取得する。続いて、情報処理装置１００は、途上ユーザのネットワーク上の行動履歴に関する情報を生成した第２モデルに入力することにより、途上ユーザのデフォルト確率を算出する。その後、情報処理装置１００は、途上ユーザに対する審査依頼を判定装置２００から受け付けてもよい。

〔８−２．新しい行動情報ほど重みを大きくした推定処理〕
図１と図２、及び、図１０と図１１では、情報処理装置１００が、第２ユーザの第２行動履歴に関する情報に時間的な重みを付けずに、第２ユーザの信用力を推定する例を示したが、第２行動履歴に関する情報に含まれる行動情報のうち、現在時期に近い時期の行動情報ほど重みを大きくして、第２ユーザの信用力を推定してもよい。

具体的には、推定部１３３は、第２行動履歴に関する情報に含まれる行動情報のうち、現在時期に近い時期の行動情報ほど重みを大きくして、第２ユーザの信用力を推定する。例えば、生成部１３２は、第１ユーザの第１行動履歴に関する情報のうち、現在時期に近い時期の行動情報ほど重みを大きくして、第１行動履歴に関する情報と第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、第２ユーザの第２行動履歴に関する情報から、第２ユーザが債務不履行を起こすか否かに関する指標値を算出する第１モデルを生成する。

例えば、生成部１３２は、期間１の期間区分「ｋ月目」（ｋ＝１、２、…、１１）における第１ユーザのネットワーク上の行動履歴に関する情報よりも、期間１の期間区分「（ｋ＋１）月目」における第１ユーザのネットワーク上の行動履歴に関する情報の重み「ω」が大きくなるように、第１モデルを生成する。例えば、生成部１３２は、期間１の期間区分「ｋ月目」（ｋ＝１、２、…、１１）における第１ユーザの商品等の購買回数よりも、期間１の期間区分「（ｋ＋１）月目」における第１ユーザの商品等の購買回数の重み「ω」が大きくなるように、第１モデルを生成する。続いて、推定部１３３は、生成部１３２によって生成された第１モデルに第２ユーザの第２行動履歴に関する情報を入力することにより、第２行動履歴に含まれる行動情報のうち、現在時期に近い時期の行動情報ほど重みを大きくして、第２ユーザのデフォルト確率を算出する。続いて、推定部１３３は、現在時期に近い時期の行動情報ほど重みを大きくして算出された指標値に基づいて、第２ユーザの信用力を推定する。

これにより、情報処理装置１００は、第２行動履歴に含まれる行動情報の中でも、より鮮度の高い行動情報を重視して、第２ユーザの信用力を推定することができる。すなわち、情報処理装置１００は、現在の第２ユーザの信用力をより反映すると考えられる鮮度の高い行動情報に基づいて、第２ユーザ信用力を推定することができる。したがって、情報処理装置１００は、ユーザの信用力に現在は問題がないかどうかをより精度よく判定することができる。したがって、情報処理装置１００は、与信審査の精度を高めることができる。

〔８−３．デフォルト確率の変遷に基づく推定処理〕
図１と図２、及び、図１０と図１１では、情報処理装置１００が、基準日に算出した指標値であるデフォルト確率に基づいて、第２ユーザの信用力を推定する例を示したが、デフォルト確率の変遷に基づいて、第２ユーザの信用力を推定してもよい。

具体的には、推定部１３３は、推定部１３３によって算出されたデフォルト確率の変遷に基づいて、第２ユーザの信用力を推定する。例えば、生成部１３２は、第１行動履歴に関する情報に第１ユーザの返済実績の変遷を含めて、第１行動履歴に関する情報と第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、クレジットカードの新規申込者である第２ユーザの第２行動履歴に関する情報から、第２ユーザが債務不履行を起こすか否かに関する指標値を算出する第１モデルを生成する。すなわち、生成部１３２は、第１ユーザの返済実績の変遷を第１モデルの素性に加えて、第１モデルを生成する。続いて、推定部１３３は、生成部１３２によって生成された第１モデルに、第２ユーザのデフォルト確率の変遷を含む第２行動履歴に関する情報を入力することにより、第２ユーザのデフォルト確率を算出する。続いて、推定部１３３は、推定部１３３によって算出された指標値に基づいて、第２ユーザの信用力を推定する。

これにより、情報処理装置１００は、例えば、デフォルト確率がどんどん良くなっているユーザについては、債務不履行を起こしにくいといった傾向を学習したモデルにより、第２ユーザのデフォルト確率を算出することができる。逆に、情報処理装置１００は、例えば、デフォルト確率がどんどん悪くなっているユーザについては、債務不履行を起こしやすいといった傾向を学習したモデルにより、第２ユーザのデフォルト確率を算出することができる。したがって、情報処理装置１００は、ユーザの信用力に現在は問題がないかどうかをより精度よく推定することができる。したがって、情報処理装置１００は、与信審査の精度を高めることができる。

〔８−４．所定の条件を満たす第１ユーザ群の行動履歴に基づく推定処理〕
図１と図２、及び、図１０と図１１では、情報処理装置１００が、クレジットカードの発行実績がある第１ユーザの第１行動履歴に関する情報に基づいて、第２ユーザの信用力を推定する例を示したが、第１ユーザの中から所定の条件を満たす第１ユーザのグループを選択して、選択された第１ユーザ群の第１行動履歴に関する情報に基づいて、第２ユーザの信用力を推定してもよい。具体的には、推定部１３３は、第２ユーザに対する所定の与信審査より前に設定された第１審査基準を満たす第１ユーザであって、第２ユーザに対する所定の与信審査の審査基準である第２審査基準を満たさない第１ユーザの第１行動履歴に関する情報に基づいて、第２ユーザの信用力を推定する。例えば、生成部１３２は、第２ユーザに対する所定の与信審査より前に設定された第１審査基準を満たす第１ユーザであって、第２ユーザに対する所定の与信審査の審査基準である第２審査基準を満たさない第１ユーザの第１行動履歴に関する情報と第１ユーザの返済実績とに基づいて、第２ユーザの第２行動履歴に関する情報から、第２ユーザが債務不履行を起こすか否かに関する指標値を算出する第１モデルを生成する。続いて、推定部１３３は、生成部１３２によって生成された第１モデルに、第２ユーザの第２行動履歴に関する情報を入力することにより、第２ユーザのデフォルト確率を算出する。続いて、推定部１３３は、算出したデフォルト確率に基づいて、第２ユーザの信用力を推定する。

これにより、情報処理装置１００は、例えば、第１審査基準が第２審査基準よりも緩い場合、第１ユーザの中から、第１審査基準を満たすため、クレジットカードを発行されたが、第２審査基準は満たさないため、現状であれば与信審査で落ちる第１ユーザ群の第１行動履歴に関する情報に基づいて、モデルを生成することができる。ここで、第１ユーザ群とは、現状の与信審査に通らないユーザ群である。また、第２ユーザは、カード会社による信用情報の審査で否決となったユーザである。したがって、第１ユーザ群は、第２ユーザと属性が似ているユーザ群であると推定される。すなわち、情報処理装置１００は、第２ユーザにより近い属性を持つと考えられる第１ユーザ群の第１行動履歴に基づいて、第２ユーザのデフォルト確率を算出するモデルを生成するため、第１モデルの精度を高めることができる。したがって、情報処理装置１００は、ユーザの信用力に現在は問題がないかどうかをより精度よく推定することができる。したがって、情報処理装置１００は、与信審査の精度を高めることができる。

〔８−５．その他の推定処理の例〕
図１と図２、及び、図１０と図１１では、情報処理装置１００が、第２ユーザの信用力を推定する例を示したが、第２ユーザの信用力以外を推定してもよい。

〔８−５−１．ユーザの信用力に関する指標値の算出処理〕
図１と図２、及び、図１０と図１１では、情報処理装置１００が、デフォルト確率を算出し、算出したデフォルト確率に基づいてユーザの信用力を推定する例を示したが、情報処理装置１００が第２ユーザの信用力に関する指標値そのものを算出してもよい。例えば、推定部１３３は、取得部１３１によって取得された第１行動履歴に関する情報と第１ユーザの信用力の実績とに基づいて、第２ユーザの第２行動履歴に関する情報から、第２ユーザの信用力に関する指標値を算出する。推定部１３３は、算出した指標値に基づいて、第２ユーザの信用力を推定する。例えば、推定部１３３は、算出した信用力に関する指標値が所定の閾値以下である場合には、第２ユーザは信用力があると推定する。また、推定部１３３は、算出した信用力に関する指標値が所定の閾値を上回る場合には、第２ユーザは信用力がないと推定する。

〔８−５−２．ユーザが金銭に関する問題行動を起こすか否かに関する指標値の算出処理〕
また、情報処理装置１００は、第２ユーザが金銭に関する何らかの問題行動を起こすか否かに関する指標値を算出してもよい。金銭に関する何らかの問題行動とは、例えば、債務不履行以外の支払いの延滞であってもよい。例えば、推定部１３３は、取得部１３１によって取得された第１行動履歴に関する情報と第１ユーザが問題行動を起こしたか否か実績とに基づいて、第２ユーザの第２行動履歴に関する情報から、第２ユーザが問題行動を起こすか否かに関する指標値を算出する。推定部１３３は、算出した指標値に基づいて、第２ユーザが問題行動を起こすか否かに関する指標を推定する。例えば、推定部１３３は、算出した問題行動を起こすか否かに関する指標値が所定の閾値以下である場合には、第２ユーザは問題行動を起こす可能性が低いと推定する。また、推定部１３３は、算出した問題行動を起こすか否かに関する指標値が所定の閾値を上回る場合には、第２ユーザは問題行動を起こす可能性が高いと推定する。

〔８−５−３．ユーザの返済能力に関する指標値の算出処理〕
また、情報処理装置１００は、第２ユーザの返済能力に関する指標値を算出してもよい。例えば、推定部１３３は、取得部１３１によって取得された第１行動履歴に関する情報と第１ユーザの返済能力の実績とに基づいて、第２ユーザの第２行動履歴に関する情報から、第２ユーザの返済能力に関する指標値を算出する。推定部１３３は、算出した指標値に基づいて、第２ユーザの返済能力を推定する。例えば、推定部１３３は、算出した返済能力に関する指標値が所定の閾値以下である場合には、第２ユーザは返済能力があると推定する。また、推定部１３３は、算出した返済能力に関する指標値が所定の閾値を上回る場合には、第２ユーザは返済能力がないと推定する。

〔９．効果〕
上述してきたように、実施形態に係る情報処理装置１００は、取得部１３１と推定部１３３とを備える。取得部１３１は、所定の与信を供与された第１ユーザのネットワーク上の行動履歴のうち、第１ユーザが所定の与信を供与される前の行動履歴である第１行動履歴に関する情報を取得する。推定部１３３は、取得部１３１によって取得された第１行動履歴に関する情報と第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、所定の与信に関する与信審査の対象である第２ユーザのネットワーク上の行動履歴である第２行動履歴に関する情報から、第２ユーザの信用力を推定する。

これにより、情報処理装置１００は、例えば、過去に延滞で信用情報に傷がついてしまったが、状況も変わり、現在は信用力に問題がないユーザの信用力を適切に推定することができる。これまでの与信審査では、信用情報に基づいて、ユーザの信用力を推定することしかできなかった。したがって、一度でも信用情報に傷がついてしまったユーザは、一律に与信審査で信用力がないと推定され、クレジットカードを発行不可と判定されていた。しかしながら、実際には、クレジットカードを発行不可と判定されたユーザ中にも、信用力があるユーザが一定数存在することが知られている。このような実情にもかかわらず、これまでの与信審査では、そのようなユーザを救済する術がなかった。ここで、情報処理装置１００により、ネットワーク上の行動履歴に基づいて、ユーザの信用力を推定することができるようになった。これにより、情報処理装置１００は、クレジットカードを発行不可と判定されたユーザの信用力を精度よく測定することができるようになった。すなわち、情報処理装置１００は、現在は信用力に問題がないユーザについては、所定の与信を供与可能とすることができる。したがって、情報処理装置１００は、与信審査の精度を高めることができる。

また、推定部１３３は、与信審査より前に設定された第１審査基準を満たす第１ユーザであって、与信審査の審査基準である第２審査基準を満たさない第１ユーザの第１行動履歴に関する情報に基づいて、第２ユーザの信用力を推定する。

これにより、情報処理装置１００は、例えば、第１審査基準が第２審査基準よりも緩い場合、第１ユーザの中から、第１審査基準を満たすため、クレジットカードを発行されたが、第２審査基準は満たさないため、現状であれば与信審査で落ちる第１ユーザ群の第１行動履歴に関する情報に基づいて、モデルを生成することができる。ここで、第１ユーザ群とは、現状の与信審査に通らないユーザ群である。また、第２ユーザは、カード会社による信用情報の審査で否決となったユーザである。したがって、第１ユーザ群は、第２ユーザと属性が似ているユーザ群であると推定される。すなわち、情報処理装置１００は、第２ユーザにより近い属性を持つと考えられる第１ユーザ群の第１行動履歴に基づいて、第２ユーザのデフォルト確率を算出するモデルを生成するため、第１モデルの精度を高めることができる。したがって、情報処理装置１００は、ユーザの信用力に現在は問題がないかどうかをより精度よく推定することができる。したがって、情報処理装置１００は、与信審査の精度を高めることができる。

また、推定部１３３は、第２行動履歴に関する情報に含まれる行動情報のうち、現在時期に近い時期の行動情報ほど重みを大きくして、第２ユーザの信用力を推定する。

これにより、情報処理装置１００は、第２行動履歴に関する情報に含まれる行動情報の中でも、より鮮度の高い行動情報を重視して、第２ユーザの信用力を推定することができる。すなわち、情報処理装置１００は、現在の第２ユーザの信用力をより反映すると考えられる鮮度の高い行動情報に基づいて、第２ユーザの信用力を推定することができる。したがって、情報処理装置１００は、与信審査の精度を高めることができる。

また、推定部１３３は、取得部１３１によって取得された第１行動履歴に関する情報と第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、第２ユーザの第２行動履歴に関する情報から、第２ユーザが債務不履行を起こすか否かに関する指標値を算出する。

これにより、情報処理装置１００は、例えば、過去に延滞で信用情報に傷がついてしまったが、状況も変わり、現在は信用力に問題がないユーザが債務不履行を起こすか否かを数値により客観的に推定することができる。したがって、情報処理装置１００は、与信審査の精度を高めることができる。

また、推定部１３３は、指標値の変遷に基づいて、第２ユーザの信用力を推定する。

これにより、情報処理装置１００は、例えば、デフォルト確率がどんどん良くなっているユーザについては、債務不履行を起こしにくいといった傾向を学習したモデルにより、第２ユーザのデフォルト確率を算出することができる。逆に、情報処理装置１００は、例えば、デフォルト確率がどんどん悪くなっているユーザについては、債務不履行を起こしやすいといった傾向を学習したモデルにより、第２ユーザのデフォルト確率を算出することができる。したがって、情報処理装置１００は、ユーザの信用力に現在は問題がないかどうかをより精度よく推定することができる。したがって、情報処理装置１００は、与信審査の精度を高めることができる。

また、実施形態に係る情報処理装置１００は、生成部１３２をさらに備える。生成部１３２は、取得部１３１によって取得された第１行動履歴に関する情報と第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、第２ユーザの第２行動履歴に関する情報から、第２ユーザが債務不履行を起こすか否かに関する指標値を算出するモデルを生成する。推定部１３３は、生成部１３２によって生成されたモデルを用いて、第２ユーザが債務不履行を起こすか否かに関する指標値を算出する。

これにより、情報処理装置１００は、第２ユーザが債務不履行を起こすか否かに関する指標値をより高い精度で算出することができる。したがって、情報処理装置１００は、与信審査の精度を高めることができる。

また、実施形態に係る判定装置２００は、取得部２３３と判定部２３４を備える。取得部２３３は、所定の与信を供与された第１ユーザのネットワーク上の行動履歴のうち、第１ユーザが所定の与信を供与される前の行動履歴である第１行動履歴に関する情報と第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、所定の与信に関する与信審査の対象である第２ユーザのネットワーク上の行動履歴である第２行動履歴に関する情報から推定された第２ユーザの信用力を取得する。判定部２３４は、取得部２３３によって取得された第２ユーザの信用力に基づいて、第２ユーザに対してクレジットカードに関するサービスを提供可能であるか否かを判定する。

これにより、判定装置２００は、例えば、過去に延滞で信用情報に傷がついてしまったが、状況も変わり、現在は信用力に問題がないユーザに対するクレジットカードサービスの提供可否を適切に判定することができる。

また、実施形態に係る判定装置２００は、審査部２３２をさらに備える。審査部２３２は、第２ユーザの信用情報を信用情報機関から取得し、取得した信用情報に基づく与信審査を行う。判定部２３４は、審査部２３２による審査の結果、審査否決となった第２ユーザの第２行動履歴に関する情報から推定された第２ユーザの信用力に基づいて、第２ユーザに対するクレジットカードに関するサービスの提供可否を判定する。

これにより、判定装置２００は、信用情報の審査で否決となったユーザに対するクレジットカードサービスの提供可否を適切に判定することができる。これにより、判定装置２００は、信用情報の審査で否決となったユーザについても、クレジットカードに関するサービスの提供可否を精度よく判定することができる。

また、判定部２３４は、第２ユーザに対するクレジットカードに関するサービスの提供可否として、第２ユーザに対してクレジットカードを発行可能であるか否かを判定する。

これにより、判定装置２００は、信用情報の審査で否決となったユーザについても、クレジットカードの発行可否を精度よく判定することができる。すなわち、判定装置２００は、信用情報の審査で否決となったユーザの中から、現在は信用力に問題がないユーザを救済して、クレジットカードを発行可能と判定されれば、クレジットカードを発行することができる。

また、判定部２３４は、第２ユーザに対するクレジットカードに関するサービスの提供可否として、第２ユーザに対して所定の与信に関する与信枠を変更可能であるか否かを判定する。

これにより、判定装置２００は、信用情報の審査で否決となったユーザについても、与信枠の変更可否を精度よく判定することができる。すなわち、判定装置２００は、信用情報の審査で否決となったユーザの中から、現在は信用力に問題がないユーザを救済して、与信枠を変更可能と判定されれば、与信枠を変更することができる。

〔１０．ハードウェア構成〕
また、上述してきた実施形態に係る情報処理装置１００は、例えば図１４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１４は、情報処理装置１００の機能を実現するコンピュータ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を備える。

ＣＰＵ１１００は、ＲＯＭ１３００または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、及び、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、所定の通信網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所定の通信網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またはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、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が実施形態に係る情報処理装置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またはデータを実行することにより、制御部１３０の機能を実現する。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、他の装置から所定の通信網を介してこれらのプログラムを取得してもよい。

以上、本願の実施形態のいくつかを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。

〔１１．その他〕
また、上記実施形態及び変形例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。例えば、各図に示した各種情報は、図示した情報に限られない。

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、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

また、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、推定部は、推定手段や推定回路に読み替えることができる。

１ 情報処理システム
１０ ユーザ端末
２０ 信用情報機関サーバ
３０ 電子商取引サーバ
４０ コンテンツサーバ
５０ 検索サーバ
６０ ＳＮＳサーバ
１００ 情報処理装置
１２１ ユーザ情報記憶部
１２２ 返済実績記憶部
１２３ モデル記憶部
１３１ 取得部
１３２ 生成部
１３３ 推定部
１３４ 受付部
１３５ 送信部
２００ 判定装置
２２１ ユーザ情報記憶部
２２２ 返済実績記憶部
２３１ 受付部
２３２ 審査部
２３３ 取得部
２３４ 判定部
２３５ サービス提供部

Claims (14)

1. 所定の与信を供与された第１ユーザのネットワーク上の行動履歴のうち、前記第１ユーザが当該所定の与信を供与される前の行動履歴である第１行動履歴に関する情報を取得する取得部と、
   前記取得部によって取得された第１行動履歴に関する情報と前記第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、前記所定の与信に関する与信審査の対象である第２ユーザであって、信用情報に基づく与信審査で否決となった第２ユーザのネットワーク上の行動履歴である第２行動履歴に関する情報から、当該第２ユーザの信用力を推定する推定部
   を備えることを特徴とする情報処理装置。
2. 前記推定部は、
   前記所定の与信に関する与信審査において用いられる審査基準である第２審査基準が用いられるより前に用いられた第１審査基準であって、前記第２審査基準よりも緩い審査基準である第１審査基準を満たす第１ユーザであって、当該第２審査基準を満たさない当該第１ユーザの第１行動履歴に関する情報に基づいて、前記第２ユーザの信用力を推定する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記推定部は、
   前記第２行動履歴に関する情報に含まれる行動情報のうち、現在時期に近い時期の行動情報ほど重みを大きくして、前記第２ユーザの信用力を推定する
   ことを特徴とする請求項１または２に記載の情報処理装置。
4. 前記推定部は、
   前記取得部によって取得された第１行動履歴に関する情報と前記第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、前記第２ユーザの第２行動履歴に関する情報から、前記第２ユーザの信用力として、当該第２ユーザが債務不履行を起こすか否かに関する指標値を算出する
   ことを特徴とする請求項１〜３のいずれか１つに記載の情報処理装置。
5. 前記推定部は、
   前記指標値の変遷に基づいて、前記第２ユーザの信用力を推定する
   ことを特徴とする請求項４に記載の情報処理装置。
6. 前記取得部によって取得された第１行動履歴に関する情報と前記第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、前記第２ユーザの第２行動履歴に関する情報から、当該第２ユーザが債務不履行を起こすか否かに関する指標値を算出するモデルを生成する生成部をさらに備え、
   前記推定部は、
   前記生成部によって生成されたモデルを用いて、前記第２ユーザが債務不履行を起こすか否かに関する指標値を算出する
   ことを特徴とする請求項４または５に記載の情報処理装置。
7. コンピュータが実行する情報処理方法であって、
   所定の与信を供与された第１ユーザのネットワーク上の行動履歴のうち、前記第１ユーザが当該所定の与信を供与される前の行動履歴である第１行動履歴に関する情報を取得する取得工程と、
   前記取得工程によって取得された第１行動履歴に関する情報と前記第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、前記所定の与信に関する与信審査の対象である第２ユーザのネットワーク上の行動履歴である第２行動履歴に関する情報から、当該第２ユーザの信用力を推定する推定工程
   を含むことを特徴とする情報処理方法。
8. 所定の与信を供与された第１ユーザのネットワーク上の行動履歴のうち、前記第１ユーザが当該所定の与信を供与される前の行動履歴である第１行動履歴に関する情報を取得する取得手順と、
   前記取得手順によって取得された第１行動履歴と前記第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、前記所定の与信に関する与信審査の対象である第２ユーザのネットワーク上の行動履歴である第２行動履歴に関する情報から、当該第２ユーザの信用力を推定する推定手順
   をコンピュータに実行させることを特徴とする情報処理プログラム。
9. 所定の与信を供与された第１ユーザのネットワーク上の行動履歴のうち、前記第１ユーザが当該所定の与信を供与される前の行動履歴である第１行動履歴に関する情報と当該第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、当該所定の与信に関する与信審査の対象である第２ユーザのネットワーク上の行動履歴である第２行動履歴に関する情報から推定された当該第２ユーザの信用力を取得する取得部と、
   前記取得部によって取得された第２ユーザの信用力に基づいて、当該第２ユーザに対してクレジットカードに関するサービスを提供可能であるか否かを判定する判定部
   を備えることを特徴とする判定装置。
10. 前記第２ユーザの信用情報を信用情報機関から取得し、取得した信用情報に基づく与信審査を行う審査部をさらに備え、
    前記判定部は、
    前記審査部による審査の結果、審査否決となった第２ユーザの第２行動履歴に関する情報から推定された当該第２ユーザの信用力に基づいて、当該第２ユーザに対するクレジットカードに関するサービスの提供可否を判定する
    ことを特徴とする請求項９に記載の判定装置。
11. 前記判定部は、
    前記第２ユーザに対するクレジットカードに関するサービスの提供可否として、前記第２ユーザに対してクレジットカードを発行可能であるか否かを判定する
    ことを特徴とする請求項９または１０に記載の判定装置。
12. 前記判定部は、
    前記第２ユーザに対するクレジットカードに関するサービスの提供可否として、前記第２ユーザに対して所定の与信に関する与信枠を変更可能であるか否かを判定する
    ことを特徴とする請求項９または１０に記載の判定装置。
13. コンピュータが実行する判定方法であって、
    所定の与信を供与された第１ユーザのネットワーク上の行動履歴のうち、前記第１ユーザが当該所定の与信を供与される前の行動履歴である第１行動履歴に関する情報と当該第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、当該所定の与信に関する与信審査の対象である第２ユーザであって、信用情報に基づく与信審査で否決となった第２ユーザのネットワーク上の行動履歴である第２行動履歴に関する情報から推定された当該第２ユーザの信用力を取得する取得工程と、
    前記取得工程によって取得された第２ユーザの信用力に基づいて、当該第２ユーザに対してクレジットカードに関するサービスを提供可能であるか否かを判定する判定工程
    を含むことを特徴とする判定方法。
14. 所定の与信を供与された第１ユーザのネットワーク上の行動履歴のうち、前記第１ユーザが当該所定の与信を供与される前の行動履歴である第１行動履歴に関する情報と当該第１ユーザが債務不履行を起こしたか否かの実績とに基づいて、当該所定の与信に関する与信審査の対象である第２ユーザであって、信用情報に基づく与信審査で否決となった第２ユーザのネットワーク上の行動履歴である第２行動履歴に関する情報から推定された当該第２ユーザの信用力を取得する取得手順と、
    前記取得手順によって取得された第２ユーザの信用力に基づいて、当該第２ユーザに対してクレジットカードに関するサービスを提供可能であるか否かを判定する判定手順
    をコンピュータに実行させることを特徴とする判定プログラム。

Images