JP6990163B2

JP6990163B2 - Forecasting device, forecasting method, and forecasting program

Info

Publication number: JP6990163B2
Application number: JP2018205447A
Authority: JP
Inventors: 武 ▲吉▼村; 和博松本; 弘晃江崎; 太樹今田
Original assignee: Yahoo Japan Corp
Current assignee: Yahoo Japan Corp
Priority date: 2018-10-31
Filing date: 2018-10-31
Publication date: 2022-01-12
Anticipated expiration: 2038-10-31
Also published as: JP2020071680A

Description

本出願は、予測装置、予測方法、及び予測プログラムに関する。 The present application relates to predictors, prediction methods, and prediction programs.

従来、インターネットを介したサービスの提供が盛んに行われている。たとえば金融業界においてローン設定の際のリスク評価を行うシステムなども提案されている。 Conventionally, services have been actively provided via the Internet. For example, in the financial industry, a system for assessing risk when setting a loan has been proposed.

特開２００５－１７４３６２号公報Japanese Unexamined Patent Publication No. 2005-174362

ところで、近年、事後払いの決済手段であるクレジットカードの利用代金を未払いのままで債務整理を行うクレジットカードの利用者が存在する。このため、カード会社は利用代金を完全に回収することが難しくなっているという問題がある。 By the way, in recent years, there are credit card users who perform debt consolidation without paying the usage fee of the credit card, which is a postpaid payment method. Therefore, there is a problem that it is difficult for the card company to completely collect the usage fee.

本願は、上記に鑑みてなされたものであって、債務が回収できない事態をできるだけ未然に防止することを目的とする。 The present application has been made in view of the above, and an object thereof is to prevent a situation in which the debt cannot be recovered as much as possible.

本願に係る予測装置は、事後決済対象となる対象利用者に関するユーザ情報を取得する取得部と、債務整理を行った債務整理者に関するユーザ情報の特徴を学習した予測モデルを用いて、前記対象利用者のユーザ情報から、前記対象利用者により債務整理が行われる可能性を予測する予測部とを備えることを特徴とする。 The prediction device according to the present application uses the target usage unit that acquires user information about the target user to be settled after the fact and a prediction model that learns the characteristics of the user information about the debt consolidation person who has performed debt consolidation. It is characterized by including a prediction unit that predicts the possibility that debt consolidation will be performed by the target user from the user information of the person.

実施形態の態様の１つによれば、債務が回収できない事態をできるだけ未然に防止できるという効果を奏する。 According to one of the embodiments, it is possible to prevent the situation where the debt cannot be collected as much as possible.

図１は、実施形態に係る予測方法の説明図である。FIG. 1 is an explanatory diagram of a prediction method according to an embodiment. 図２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。FIG. 2 is a diagram showing a configuration example of an information processing system according to an embodiment. 図３は、実施形態に係る情報処理装置の構成例を示すブロック図である。FIG. 3 is a block diagram showing a configuration example of the information processing apparatus according to the embodiment. 図４は、学習用データ格納部に記憶される学習用データを概念的に示す図である。FIG. 4 is a diagram conceptually showing the learning data stored in the learning data storage unit. 図５は、実施形態に係る学習用データの設定期間の一例を示す図である。FIG. 5 is a diagram showing an example of a setting period of learning data according to an embodiment. 図６は、カード情報格納部に記憶されるカード情報を概念的に示す図である。FIG. 6 is a diagram conceptually showing card information stored in the card information storage unit. 図７は、実施形態に係る取得部により取得されるユーザ情報の一例を示す図である。FIG. 7 is a diagram showing an example of user information acquired by the acquisition unit according to the embodiment. 図８は、実施形態に係る情報処理装置が実行する処理手順の一例を示すフローチャートである。FIG. 8 is a flowchart showing an example of a processing procedure executed by the information processing apparatus according to the embodiment. 図９は、情報処理装置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。FIG. 9 is a hardware configuration diagram showing an example of a computer 1000 that realizes the functions of an information processing device.

以下に、本願に係る予測装置、予測方法、及び予測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、以下に説明する複数の実施形態により本願に係る予測装置、予測方法、及び予測プログラムが限定されるものではない。また、以下に説明する複数の実施形態は、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。また、以下に説明する複数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。 Hereinafter, the prediction device, the prediction method, and the embodiment for implementing the prediction program (hereinafter referred to as “the embodiment”) according to the present application will be described in detail with reference to the drawings. It should be noted that the plurality of embodiments described below do not limit the prediction device, prediction method, and prediction program according to the present application. Further, the plurality of embodiments described below can be appropriately combined as long as the processing contents do not contradict each other. Further, in the plurality of embodiments described below, the same parts are designated by the same reference numerals, and duplicate description is omitted.

［１．予測方法］
図１は、実施形態に係る予測方法の説明図である。実施形態に係る予測方法は、本願に係る予測装置の一つとして例示する情報処理装置１により実行される。以下、図１を参照して、実施形態に係る予測方法について説明する。 [1. Prediction method]
FIG. 1 is an explanatory diagram of a prediction method according to an embodiment. The prediction method according to the embodiment is executed by the information processing device 1 exemplified as one of the prediction devices according to the present application. Hereinafter, the prediction method according to the embodiment will be described with reference to FIG.

図１に示すように、実施形態に係る情報処理システムＳは、情報処理装置１と、サービス提供装置２－１～２－ｎと、端末装置３－１～３－ｎとを含む。情報処理装置１は、インターネットなどの通信ネットワークに接続されており、通信ネットワークを介して、サービス提供装置２－１～２－ｎと通信可能である。以下の説明においては、説明の便宜上、サービス提供装置２－１～２－ｎを特に区別することなくサービス提供装置２と表記し、端末装置３－１～３－ｎを特に区別することなく端末装置３と表記し、端末装置３－１～３－ｎのユーザを端末ユーザと表記する場合がある。 As shown in FIG. 1, the information processing system S according to the embodiment includes an information processing device 1, a service providing device 2-1 to 2-n, and a terminal device 3-1 to 3-n. The information processing device 1 is connected to a communication network such as the Internet, and can communicate with the service providing devices 2-1 to 2-n via the communication network. In the following description, for convenience of explanation, the service providing devices 2-1 to 2-n are referred to as the service providing device 2 without any particular distinction, and the terminal devices 3-1 to 3-n are not particularly distinguished. It may be referred to as device 3, and users of terminal devices 3-1 to 3-n may be referred to as terminal users.

端末装置３は端末ユーザが所有する装置である。端末装置３はインターネットなどの通信ネットワークに接続されており、通信ネットワークを介して、サービス提供装置２と通信可能である。端末ユーザは、端末装置３を操作してサービス提供装置２へアクセスすることで、通信ネットワークを介して、サービス提供装置２により提供されるサービスを利用できる。 The terminal device 3 is a device owned by the terminal user. The terminal device 3 is connected to a communication network such as the Internet, and can communicate with the service providing device 2 via the communication network. By operating the terminal device 3 to access the service providing device 2, the terminal user can use the service provided by the service providing device 2 via the communication network.

図１に示す場合おいて、端末ユーザは、サービス提供装置２から提供されるサービスを利用する際のユーザＩＤとして、たとえば「Ｕ０１」が割り当てられている。端末装置３－１のユーザＵ_１は、たとえば事後決済手段の一例であるクレジットカードＣ１を所有し、クレジットカードの事後決済サービスの利用者の中で事後決済対象となる対象利用者となり得る。 In the case shown in FIG. 1, the terminal user is assigned, for example, "U01" as a user ID when using the service provided by the service providing device 2. The user U ₁ of the terminal device 3-1 owns, for example, a credit card C1 which is an example of a post-payment means, and may be a target user to be a post-payment target among users of a credit card post-payment service.

サービス提供装置２は、通信ネットワークを介して、端末ユーザに各種サービスを提供するサーバ装置である。サービス提供装置２が提供するサービスは、たとえば端末ユーザが端末装置３にインストールされた各種アプリケーションを介して利用可能なサービスや、ブラウザを介して利用可能なサービスを含む。サービス提供装置２が提供するサービスを例示すると、たとえばニュース提供サービス、オークションサービス、動画コンテンツ配信サービス、クレジットカードのオンラインサービス、情報検索サービス、天気予報サービス、ショッピングサービス、金融取引（株取引等）サービス、路線検索サービス、地図提供サービス、旅行サービス、飲食店紹介サービス、ブログサービス等がある。 The service providing device 2 is a server device that provides various services to terminal users via a communication network. The service provided by the service providing device 2 includes, for example, a service that can be used by a terminal user via various applications installed in the terminal device 3, and a service that can be used via a browser. Examples of services provided by the service providing device 2 include news providing service, auction service, video content distribution service, credit card online service, information search service, weather forecast service, shopping service, financial transaction (stock transaction, etc.) service. , Route search service, map provision service, travel service, restaurant introduction service, blog service, etc.

また、サービス提供装置２は、サービスを利用する端末ユーザごとに、端末ユーザに一意に割り当てられるユーザＩＤに紐付けて、端末ユーザによるサービスの利用状況や端末ユーザの属性などのユーザ情報を記録して管理する。 Further, the service providing device 2 records user information such as the service usage status by the terminal user and the attributes of the terminal user in association with the user ID uniquely assigned to the terminal user for each terminal user who uses the service. And manage.

サービス提供装置２により管理されるサービスの利用状況は、たとえばニュース提供サービス、オークションサービス、動画コンテンツ配信サービス、クレジットカードのオンラインサービス、情報検索サービス、天気予報サービス、ショッピングサービス、金融取引（株取引等）サービス、路線検索サービス、地図提供サービス、旅行サービス、飲食店紹介サービス、ブログサービス等の利用状況を含む。端末ユーザによるサービスの利用状況は、端末ユーザがサービスの利用時の行動を表わす行動履歴ともいえる。端末ユーザによるサービスの利用状況は、端末ユーザが事後決済対象となる対象利用者であれば、対象利用者のサービスの利用状況と言い換えることができる。 The usage status of the service managed by the service providing device 2 is, for example, a news providing service, an auction service, a video content distribution service, a credit card online service, an information search service, a weather forecast service, a shopping service, a financial transaction (stock transaction, etc.). ) Includes usage status of services, route search services, map provision services, travel services, restaurant introduction services, blog services, etc. The usage status of the service by the terminal user can be said to be an action history showing the behavior when the terminal user uses the service. The usage status of the service by the terminal user can be rephrased as the usage status of the service of the target user if the terminal user is the target user to be settled after the fact.

サービス提供装置２により管理される端末ユーザの属性は、デモグラフィック属性およびサイコグラフィック属性を含む。デモグラフィック属性は、端末ユーザの性別や年齢、住所などの人口統計学的な情報である。サイコグラフィック属性は、端末ユーザのライフサイクル、価値観、個性、購買動機等、端末ユーザの様々な属性を包括することで推定される情報である。端末ユーザの属性は、端末ユーザが事後決済対象となる対象利用者であれば、対象利用者の属性と言い換えることができる。 The terminal user attributes managed by the service providing device 2 include demographic attributes and psychographic attributes. Demographic attributes are demographic information such as the gender, age, and address of the terminal user. Psychographic attributes are information estimated by including various attributes of terminal users such as life cycle, values, individuality, and purchasing motivation of terminal users. The attribute of the terminal user can be rephrased as the attribute of the target user if the terminal user is the target user to be settled after the fact.

サービス提供装置２－１～２－ｎにより提供される全てのサービスは、端末ユーザごとに割り当てられた１つのユーザＩＤに紐付けられる。サービス提供装置２は、情報処理装置１からの要求に応じて、事後決済対象となる対象利用者のユーザ情報（サービスの利用状況および属性）を情報処理装置１に提供できる。 All services provided by the service providing devices 2-1 to 2-n are associated with one user ID assigned to each terminal user. The service providing device 2 can provide the information processing device 1 with user information (service usage status and attributes) of the target user to be settled after the fact in response to a request from the information processing device 1.

ところで、近年、事後払いの決済手段であるクレジットカードの利用代金を未払いのままで債務整理を行う利用者が存在することを原因として、カード会社は利用代金を完全に回収することが難しくなっている現状に鑑み、クレジットカードなどを所有する事後決済対象の対象利用者により、債務整理が行われる可能性を予測したいという要請がある。そこで、情報処理装置１は、図１に示す予測方法を実施する。 By the way, in recent years, it has become difficult for card companies to completely collect the usage fee due to the existence of users who perform debt consolidation without paying the usage fee of the credit card, which is a postpaid payment method. In view of the current situation, there is a request to predict the possibility of debt consolidation by the target users who own credit cards and are subject to post-payment. Therefore, the information processing apparatus 1 implements the prediction method shown in FIG.

すなわち、かかる情報処理装置１は、債務整理を行った債務整理者のユーザ情報の特徴を学習した予測モデルを生成する（ステップＳ１）。たとえば情報処理装置１は、サービス提供装置２から収集されるユーザ情報と、当該ユーザ情報に紐づく端末ユーザにより債務整理が行われたか否かを示す情報とを対応付けた学習データを用いた機械学習により、予測モデルを生成できる。ユーザ情報には、上述したように、サービスの利用状況（行動履歴）及び属性が含まれる。この機械学習により、債務整理者のサービスの利用状況（行動履歴）および属性の特徴が学習される。 That is, the information processing apparatus 1 generates a prediction model that learns the characteristics of the user information of the debt consolidation person who performed the debt consolidation (step S1). For example, the information processing device 1 is a machine using learning data in which user information collected from the service providing device 2 is associated with information indicating whether or not debt consolidation has been performed by a terminal user associated with the user information. By training, a predictive model can be generated. As described above, the user information includes the service usage status (behavior history) and attributes. By this machine learning, the usage status (behavior history) of the service of the debt collector and the characteristics of the attributes are learned.

たとえば情報処理装置１により生成され、予測モデル格納部に記憶される予測モデルは、以下に示す式（１）で表すことができる。 For example, the prediction model generated by the information processing apparatus 1 and stored in the prediction model storage unit can be represented by the following equation (1).

ｙ＝ Σｗ_ｎｘ_ｎ … （１） y = Σw _n x _n ... (1)

上記の式（１）の左辺の変数「ｙ」は予測モデルの目的変数（従属変数）を示す。予測モデルは、変数「ｙ」に対応する出力値（スコア）として、対象利用者により債務整理が行われる可能性を予測するための予測情報（予測値）を出力する。変数「ｙ」に対応する出力値（予測情報）は、たとえば「０～１」の値を取り、出力値（予測情報）が「１」に近い程、対象利用者により債務整理が行われる可能性が高いことを示し、出力値（予測値）が「０」に近い程、対象利用者により債務整理が行われる可能性が低いことを示す。なお、変数「ｙ」に対応する出力値（予測値）は、「０～１」の値に限らず、「－１～１」の値等、種々の範囲の値であってもよい。 The variable "y" on the left side of the above equation (1) indicates the objective variable (dependent variable) of the prediction model. The prediction model outputs prediction information (prediction value) for predicting the possibility of debt consolidation by the target user as an output value (score) corresponding to the variable “y”. The output value (prediction information) corresponding to the variable "y" takes, for example, a value of "0 to 1", and the closer the output value (prediction information) is to "1", the more debt consolidation can be performed by the target user. It indicates that the property is high, and the closer the output value (predicted value) is to "0", the lower the possibility that debt consolidation will be performed by the target user. The output value (predicted value) corresponding to the variable "y" is not limited to the value of "0 to 1", and may be a value in various ranges such as a value of "-1 to 1".

また、上記の式（１）の右辺の変数「ｘ_ｎ」は予測モデルの説明変数（被従属変数、特徴量）を示す。上記の式（１）の右辺の変数「ｗ_ｎ」は、変数「ｘ_ｎ」に対応する重みを示す。また、変数「ｎ」は、たとえば１以上の任意の自然数であり、予測モデルに用いられる説明変数の数に対応する値となる。たとえば予測モデルに用いられる説明変数が４つである場合、変数「ｎ」は、「１」～「４」の値（自然数）となる。上記の式（１）を展開すると、以下の式（２）となる。 Further, the variable "x _n " on the right side of the above equation (1) indicates an explanatory variable (dependent variable, feature amount) of the prediction model. The variable "w _n " on the right side of the above equation (1) indicates the weight corresponding to the variable "x _n ". Further, the variable "n" is, for example, an arbitrary natural number of 1 or more, and is a value corresponding to the number of explanatory variables used in the prediction model. For example, when there are four explanatory variables used in the prediction model, the variable "n" is a value (natural number) of "1" to "4". When the above equation (1) is expanded, the following equation (2) is obtained.

ｙ＝ω_１・ｘ_１＋ω_２・ｘ_２＋・・・＋ω_ｎ・ｘ_ｎ・・・（２） y = ω ₁・ x ₁ ＋ ω ₂・ x ₂ ＋・・・＋ ω _n・ x _n・・・ (2)

上記の式（２）において、「ｘ_１」や「ｘ_２」などの説明変数として、対象利用者のサービスの利用状況から抽出可能な各種情報および対象利用者の属性のうちの少なくとも一方を適用できる。サービスの利用状況から抽出可能な各種情報は、たとえばオークション落札回数、コンテンツ購入回数、ショッピング購入回数、カード決済回数、特定の検索クエリによる検索回数、特定の広告コンテンツの閲覧回数などの対象利用者の行動履歴を含む。特定の検索クエリとして、債務整理に関するワードなどが例示される。特定の広告コンテンツとして、債務整理に関する手続を代理する法的サービスに関する広告が例示される。対象利用者の属性は、上述したように、デモグラフィック属性およびサイコグラフィック属性を含む。 In the above equation (2), at least one of various information that can be extracted from the usage status of the service of the target user and the attributes of the target user is applied as explanatory variables such as "x ₁ " and "x ₂ ". can. Various information that can be extracted from the usage status of the service includes, for example, the number of auction successful bids, the number of content purchases, the number of shopping purchases, the number of card payments, the number of searches by a specific search query, the number of views of a specific advertising content, etc. Includes action history. Examples of specific search queries include words related to debt consolidation. Specific advertising content exemplifies advertisements relating to legal services that represent debt consolidation procedures. Target user attributes include demographic and psychographic attributes, as described above.

予測モデル格納部に記憶される予測モデルは、対象利用者に関するユーザ情報（サービスの利用状況及び属性）と、対象利用者により債務整理が行われたか否かを示す情報（正解情報）とが対応付けられた学習データを用いて、予測モデルから出力される予測情報（予測値）が正解情報に近づくように「ｘ_ｎ」に対応する重み「ｗ_ｎ」を最適化する学習処理によって生成される。たとえば債務整理が行われたことを示す値として「１」が正解情報として与えられるとき、変数「ｙ」に対応する出力値ができるだけ「１」に近づくような変数「ｘ_ｎ」に対応する重み「ｗ_ｎ」を求めるための学習処理を行う。また、たとえば債務整理が行われなかったことを示す値として「０」が正解情報として与えられるとき、変数「ｙ」に対応する出力値ができるだけ「０」に近づくような変数「ｘ_ｎ」に対応する重み「ｗ_ｎ」を求めるための学習処理を行う。 The prediction model stored in the prediction model storage unit corresponds to user information (service usage status and attributes) related to the target user and information indicating whether or not debt consolidation has been performed by the target user (correct answer information). Using the attached learning data, it is generated by a learning process that optimizes the weight "w _n " corresponding to "x _n " so that the prediction information (prediction value) output from the prediction model approaches the correct answer information. .. For example, when "1" is given as correct answer information as a value indicating that debt consolidation has been performed, the weight corresponding to the variable "x _n " so that the output value corresponding to the variable "y" is as close to "1" as possible. Performs learning processing to obtain "w _n ". Further, for example, when "0" is given as correct answer information as a value indicating that debt consolidation has not been performed, the variable "x _n " is set so that the output value corresponding to the variable "y" is as close to "0" as possible. A learning process is performed to obtain the corresponding weight "w _n ".

なお、情報処理装置１は、月に１回以上カードを利用している前記対象利用者に関するユーザ情報を用いて学習モデルを生成してもよいし、クレジットカードの利用可能枠を増枠した対象利用者に関するユーザ情報を用いて学習モデルを生成してもよい。 The information processing device 1 may generate a learning model using the user information about the target user who uses the card at least once a month, or may increase the credit card usable limit. A learning model may be generated using user information about the user.

情報処理装置１は、カード情報格納部から、事後決済対象である対象利用者に対応するユーザＩＤを取得し、取得したユーザＩＤに紐づくユーザ情報の提供をサービス提供装置２に要求する（ステップＳ２）。情報処理装置１は、たとえばクレジットカードを所有する全ての端末ユーザを事後決済対象である対象利用者として選択できる。 The information processing device 1 acquires a user ID corresponding to the target user to be settled after the fact from the card information storage unit, and requests the service providing device 2 to provide the user information associated with the acquired user ID (step). S2). The information processing device 1 can select, for example, all terminal users who own a credit card as target users to be settled after the fact.

サービス提供装置２は、情報処理装置１の要求に含まれるユーザＩＤに基づいて、ユーザＩＤに紐づくサービスの利用状況および属性をユーザ情報として取得し、取得したサービスの利用状況および属性をユーザ情報として情報処理装置１に提供する（ステップＳ３）。 The service providing device 2 acquires the usage status and attributes of the service associated with the user ID as user information based on the user ID included in the request of the information processing device 1, and obtains the acquired service usage status and attributes as user information. (Step S3).

情報処理装置１は、予測モデル格納部に記憶される予測モデルを用いて、サービス提供装置２から提供されるユーザ情報（サービスの利用状況及び属性）から、対象利用者により債務整理が行われる可能性を予測する（ステップＳ４）。たとえば情報処理装置１は、対象利用者のサービスの利用状況から抽出可能な各種情報および対象利用者の属性を予測モデルに入力し、予測モデルから出力される予測情報に基づいて、対象利用者により債務整理が行われる可能性を予測できる。 The information processing device 1 can perform debt consolidation by the target user from the user information (service usage status and attributes) provided by the service providing device 2 by using the prediction model stored in the prediction model storage unit. Predict sex (step S4). For example, the information processing apparatus 1 inputs various information that can be extracted from the usage status of the service of the target user and the attributes of the target user into the prediction model, and based on the prediction information output from the prediction model, the target user It is possible to predict the possibility of debt consolidation.

このように、情報処理装置１は、事後決済対象である対象利用者により債務整理が行われる可能性を予測できる。 In this way, the information processing apparatus 1 can predict the possibility that debt consolidation will be performed by the target user who is the target of post-settlement.

［２．システム構成］
図２は、実施形態に係る情報処理システムＳの構成例を示す図である。図２に示すように、実施形態に係る情報処理システムＳは、情報処理装置１と、複数のサービス提供装置２－１～２－ｎと、複数の端末装置３－１～３－ｎとを含む。 [2. System configuration]
FIG. 2 is a diagram showing a configuration example of the information processing system S according to the embodiment. As shown in FIG. 2, the information processing system S according to the embodiment includes an information processing device 1, a plurality of service providing devices 2-1 to 2-n, and a plurality of terminal devices 3-1 to 3-n. include.

これらの各種装置は、通信ネットワークＮを介して、有線または無線により通信可能に接続される。通信ネットワークＮは、たとえば、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、電話網（携帯電話網、固定電話網等）、地域ＩＰ（Internet Protocol）網、インターネット等である。通信ネットワークＮの接続形態は、無線であるか、または有線であるか、あるいは有線および無線の組合せであるかを問わない。 These various devices are connected so as to be communicable by wire or wirelessly via the communication network N. The communication network N is, for example, a LAN (Local Area Network), a WAN (Wide Area Network), a telephone network (mobile telephone network, fixed telephone network, etc.), a regional IP (Internet Protocol) network, the Internet, or the like. The connection form of the communication network N may be wireless, wired, or a combination of wired and wireless.

端末装置３（３－１～３－ｎ）は、上述したように、サービス提供装置２（２－１～２－ｎ）により提供されるサービスを利用する端末ユーザによって利用される装置である。端末装置３は、例えば、スマートフォンを含む携帯電話機、タブレット端末、デスクトップ型ＰＣ、ノート型ＰＣ、並びにＰＤＡ（Personal Digital Assistant）等の端末装置である。端末装置３には、眼鏡型や時計型の情報処理端末であるウェアラブルデバイス（wearable device）も含まれる。 As described above, the terminal device 3 (3-1 to 3-n) is a device used by a terminal user who uses the service provided by the service providing device 2 (2-1 to 2-n). The terminal device 3 is, for example, a mobile phone including a smartphone, a tablet terminal, a desktop PC, a notebook PC, and a terminal device such as a PDA (Personal Digital Assistant). The terminal device 3 also includes a wearable device which is a glasses-type or watch-type information processing terminal.

端末装置３は、端末ユーザによる操作に応じて、サービス提供装置２から提供される各種サービスを利用するための各種機能を備える。これらの各種機能には、通信ネットワークＮを介してデータ通信を実行する機能、サービス提供装置２から提供される各種サービスを利用するためのアプリケーションにより実現される機能、並びにブラウザ機能を含む。端末装置３は、サービス提供装置２に対してサービスの提供を受けるために、通信ネットワークＮを介して、サービス提供装置２にアクセスできる。端末ユーザには、事後決済手段の一例であるクレジットカードの所有者が含まれる。 The terminal device 3 has various functions for using various services provided by the service providing device 2 in response to an operation by the terminal user. These various functions include a function of executing data communication via the communication network N, a function realized by an application for using various services provided by the service providing device 2, and a browser function. The terminal device 3 can access the service providing device 2 via the communication network N in order to receive the service provided to the service providing device 2. Terminal users include credit card owners, which are an example of post-payment means.

サービス提供装置２は、上述したように、通信ネットワークＮを通じて、各種サービスを端末ユーザへ提供するサーバ装置である。サービス提供装置２は、端末装置３に各種サービスを提供する機能や、情報処理装置１に対して端末ユーザのサービスの利用状況および属性を提供する機能を備える。 As described above, the service providing device 2 is a server device that provides various services to terminal users through the communication network N. The service providing device 2 has a function of providing various services to the terminal device 3 and a function of providing the service usage status and attributes of the terminal user to the information processing device 1.

サービス提供装置２は、端末装置３からのアクセスを受け付けると、通信ネットワークＮを介して、各種サービスを提供する。サービス提供装置２により提供される各種サービスを例示すると、たとえば端末装置３に配信するウェブページを介して、ニュース提供サービス、オークションサービス、動画コンテンツ配信サービス、クレジットカードのオンラインサービス、情報検索サービス、天気予報サービス、ショッピングサービス、金融取引（株取引等）サービス、路線検索サービス、地図提供サービス、旅行サービス、飲食店紹介サービス、ブログサービス等がある。 Upon receiving the access from the terminal device 3, the service providing device 2 provides various services via the communication network N. For example, various services provided by the service providing device 2 include a news providing service, an auction service, a video content distribution service, a credit card online service, an information search service, and weather via a web page distributed to the terminal device 3. There are forecast service, shopping service, financial transaction (stock transaction, etc.) service, route search service, map provision service, travel service, restaurant introduction service, blog service, etc.

サービス提供装置２は、たとえばオークションサービスの提供に伴い、オークションサイトを利用する端末ユーザの出品履歴や落札履歴（落札回数を含む）などの情報を記録して保存できる。また、サービス提供装置２は、動画などのコンテンツの配信サービスの提供に伴い、配信サービスを利用する端末ユーザのコンテンツ視聴履歴や購入履歴（コンテンツ購入回数を含む）などの情報を記録して保存できる。 The service providing device 2 can record and store information such as an exhibition history and a successful bid history (including the number of successful bids) of a terminal user who uses the auction site, for example, with the provision of the auction service. Further, the service providing device 2 can record and save information such as a content viewing history and a purchase history (including the number of times of content purchase) of a terminal user who uses the distribution service in accordance with the provision of a content distribution service such as a moving image. ..

また、サービス提供装置２は、電子商取引サービスの提供に伴い、電子商取引を利用するユーザの注文履歴（ショッピング購入回数を含む）などの情報を記録して保存できる。また、サービス提供装置２は、クレジットカードのオンラインサービスの提供に伴い、クレジットカードのオンラインサービスを利用するユーザの決済履歴などの情報（決済回数や公共料金などの各種料金の支払い履歴を含む）を記録して保存できる。 Further, the service providing device 2 can record and store information such as an order history (including the number of shopping purchases) of a user who uses the electronic commerce along with the provision of the electronic commerce service. Further, the service providing device 2 obtains information such as payment history of a user who uses the credit card online service (including payment history of various charges such as the number of payments and utility charges) in connection with the provision of the credit card online service. Can be recorded and saved.

また、サービス提供装置２は、たとえばブラウザ機能により表示可能なニュース提供サイトのウェブページに含まれる広告コンテンツの閲覧履歴などの情報などを記録して保存できる。閲覧履歴は、債務整理に関する手続を代理する法的サービスに関する広告などの特定のコンテンツの閲覧回数を含む。また、サービス提供装置２は、旅行などのオンライン予約サービスの提供に伴い、旅行などのオンライン予約サービスを利用する端末ユーザの予約履歴などを記録して保存できる。 Further, the service providing device 2 can record and save information such as a browsing history of advertising contents included in a web page of a news providing site that can be displayed by a browser function, for example. Browsing history includes the number of views of certain content, such as advertisements for legal services that represent debt consolidation procedures. Further, the service providing device 2 can record and save the reservation history of the terminal user who uses the online reservation service such as travel along with the provision of the online reservation service such as travel.

また、サービス提供装置２は、情報検索サービスの提供に伴い、端末ユーザの検索履歴などの情報を記録して保存できる。検索履歴は、債務整理に関するワードなどの特定の検索クエリによる検索回数を含む。 Further, the service providing device 2 can record and store information such as a search history of the terminal user with the provision of the information retrieval service. The search history includes the number of searches by a particular search query, such as a word about debt consolidation.

また、サービス提供装置２は、端末装置３へのサービスの提供に際し、端末ユーザごとに、端末ユーザによる各種サービスについての利用状況、すなわち端末ユーザのサービス利用時の行動履歴を記録して管理する。サービス提供装置２は、端末ユーザに一意に割り当てるユーザＩＤに紐付けて、端末ユーザによるサービスの利用状況を保存する。サービス提供装置２－１～２－ｎは、それぞれ、端末ユーザごとに割り当てる１つのユーザＩＤに紐付けてサービスの利用状況を保存する。サービス提供装置２は、端末ユーザによるサービスの利用状況を情報処理装置１に提供できる。情報処理装置１は、ユーザＩＤを指定することにより、サービス提供装置２により保存されている全てのサービスの利用状況を取得できる。 Further, the service providing device 2 records and manages the usage status of various services by the terminal user, that is, the action history when the terminal user uses the service, for each terminal user when the service is provided to the terminal device 3. The service providing device 2 stores the usage status of the service by the terminal user in association with the user ID uniquely assigned to the terminal user. Each of the service providing devices 2-1 to 2-n stores the usage status of the service in association with one user ID assigned to each terminal user. The service providing device 2 can provide the information processing device 1 with the usage status of the service by the terminal user. By designating the user ID, the information processing device 1 can acquire the usage status of all the services stored by the service providing device 2.

また、サービス提供装置２は、端末ユーザごとに、端末ユーザの属性であるデモグラフィック属性およびサイコグラフィック属性を管理する。デモグラフィック属性は、端末ユーザの性別や年齢、住所などの人口統計学的な情報である。サイコグラフィック属性は、端末ユーザのライフサイクル、価値観、個性、購買動機等、端末ユーザの様々な属性を包括することで推定される情報である。サービス提供装置２は、端末ユーザに対する各種サービスの提供を通じて、端末ユーザのサービスの利用状況（行動履歴）に基づく情報を解析し、解析結果を端末ユーザごとに端末ユーザの属性として記録できる。 Further, the service providing device 2 manages the demographic attribute and the psychographic attribute, which are the attributes of the terminal user, for each terminal user. Demographic attributes are demographic information such as the gender, age, and address of the terminal user. Psychographic attributes are information estimated by including various attributes of terminal users such as life cycle, values, individuality, and purchasing motivation of terminal users. The service providing device 2 can analyze information based on the service usage status (behavior history) of the terminal user through the provision of various services to the terminal user, and can record the analysis result as an attribute of the terminal user for each terminal user.

［３．情報処理装置］
図３は、実施形態に係る情報処理装置１の構成例を示すブロック図である。図３に示すように、実施形態に係る情報処理装置１は、上述したように、事後決済対象となる対象利用者により債務整理が行われる可能性を予測する装置であり、デスクトップ型ＰＣやノート型ＰＣなどパーソナルコンピュータ、並びサーバなどの情報処理装置である。情報処理装置１は、クレジットカードのオンラインサービスを提供するサービス提供装置２を管理する装置であってもよい。 [3. Information processing equipment]
FIG. 3 is a block diagram showing a configuration example of the information processing apparatus 1 according to the embodiment. As shown in FIG. 3, as described above, the information processing device 1 according to the embodiment is a device that predicts the possibility that debt consolidation will be performed by the target user who is the target of post-settlement, such as a desktop PC or a notebook. It is an information processing device such as a personal computer such as a type PC and an array server. The information processing device 1 may be a device that manages a service providing device 2 that provides an online service of a credit card.

かかる情報処理装置１は、通信部１１と、記憶部１２と、制御部１３とを備える。なお、図示は省略するが、情報処理装置１を利用する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）などを備えてよい。 The information processing device 1 includes a communication unit 11, a storage unit 12, and a control unit 13. Although not shown, an input unit (for example, a keyboard, a mouse, etc.) that accepts various operations from an administrator or the like using the information processing device 1, and a display unit (for example, a liquid crystal display, etc.) for displaying various information, etc. ) Etc. may be provided.

（通信部１１）
通信部１１は、例えば、通信ネットワークＮに通信可能に接続された装置との間で通信するＮＩＣ（Network Interface Card）等のインターフェイスである。制御部１３は、通信部１１を介して、サービス提供装置２などとの間で各種の情報を送受信する。 (Communication unit 11)
The communication unit 11 is, for example, an interface such as a NIC (Network Interface Card) that communicates with a device communicably connected to the communication network N. The control unit 13 transmits and receives various information to and from the service providing device 2 and the like via the communication unit 11.

（記憶部１２）
記憶部１２は、学習用データ格納部２１と、カード情報格納部２２と、予測モデル格納部２３とを備える。記憶部１２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。 (Memory unit 12)
The storage unit 12 includes a learning data storage unit 21, a card information storage unit 22, and a prediction model storage unit 23. The storage unit 12 is realized by, for example, a semiconductor memory element such as a RAM (Random Access Memory) or a flash memory (Flash Memory), or a storage device such as a hard disk or an optical disk.

（学習用データ格納部２１）
学習用データ格納部２１は、予測モデルを生成するための学習用データ２１０を記憶する。図４は、学習用データ格納部２１に記憶される学習用データ２１０を概念的に示す図である。学習用データ格納部２１に記憶される学習用データ２１０は、予測モデルを構築するユーザによって予め用意される。 (Learning data storage unit 21)
The learning data storage unit 21 stores learning data 210 for generating a prediction model. FIG. 4 is a diagram conceptually showing the learning data 210 stored in the learning data storage unit 21. The learning data 210 stored in the learning data storage unit 21 is prepared in advance by the user who constructs the prediction model.

図４に示すように、学習用データ２１０は、たとえば、データＩＤ、サービスの利用状況、属性、債務整理の有無などの項目に対応する情報を含み、これらの情報は互いに対応付けられている。学習用データ２１０の構成する情報は、それぞれ、端末ユーザのユーザ情報から抽出される。データＩＤは、データごとに一意に付与される識別情報である。 As shown in FIG. 4, the learning data 210 includes information corresponding to items such as a data ID, a service usage status, an attribute, and the presence / absence of debt consolidation, and these information are associated with each other. The information constituting the learning data 210 is extracted from the user information of the terminal user, respectively. The data ID is identification information uniquely assigned to each data.

サービスの利用状況は、落札回数、購入回数、決済回数、検索回数、閲覧回数などの情報を含む。落札回数は、たとえばオークションサイトでの落札回数である。購入回数は、たとえばショッピングサイトでの購入回数である。決済回数は、クレジットカードの決済回数である。検索回数は、情報検索サービスの検索履歴に記録された特定の検索クエリの検索回数である。特定の検索クエリは、任意整理や自己破産などの債務整理に関する検索クエリである。閲覧回数は、特定の広告の閲覧回数である。特定の広告は、債務整理に関する手続を代理する法的サービスに関する広告である。属性は、デモグラフィック属性およびサイコグラフィック属性のうちの少なくとも一方に含まれる情報である。サービスの利用状況および属性は、サービス提供装置２から収集できる。 The usage status of the service includes information such as the number of successful bids, the number of purchases, the number of payments, the number of searches, and the number of views. The number of successful bids is, for example, the number of successful bids on an auction site. The number of purchases is, for example, the number of purchases on a shopping site. The number of payments is the number of credit card payments. The number of searches is the number of searches for a specific search query recorded in the search history of the information retrieval service. A specific search query is a search query for debt consolidation such as voluntary consolidation or self-bankruptcy. The number of views is the number of views of a specific advertisement. A particular advertisement is an advertisement for a legal service that represents a debt consolidation procedure. An attribute is information contained in at least one of a demographic attribute and a psychographic attribute. The usage status and attributes of the service can be collected from the service providing device 2.

債務整理の有無は、たとえばクレジットカードの所有者である端末ユーザにより、情報処理装置１が設定する所定期間内に債務整理が行われたか否かを示す情報である。債務整理が行われたか否かを示す情報は、クレジットカードの所有者である端末ユーザにより任意整理や自己破産の手続きを受任した弁護士或いは司法書士からの受任通知を受領したか否かに基づいて設定できる。図４に示す学習用データ２１０は一例に過ぎず、学習用データ２１０に含める情報は、予測モデルを構築するユーザによって任意に選択できる。 The presence / absence of debt consolidation is information indicating whether or not debt consolidation has been performed within a predetermined period set by the information processing apparatus 1 by, for example, a terminal user who is the owner of the credit card. Information indicating whether or not debt consolidation has been carried out is based on whether or not the terminal user who is the owner of the credit card has received a notice of acceptance from a lawyer or judicial scrivener who has undergone voluntary consolidation or self-bankruptcy proceedings. Can be set. The learning data 210 shown in FIG. 4 is only an example, and the information to be included in the learning data 210 can be arbitrarily selected by the user who constructs the prediction model.

学習用データ２１０は、たとえばカード利用代金の引き落とし日間の１か月間に記録されたユーザ情報と、後の引き落とし日から１年６か月が経過するまでの間に債務整理が行われたか否かの情報とで構成できる。図５は、実施形態に係る学習用データ２１０の設定期間の一例を示す図である。たとえばカード利用代金の引き落とし日が毎月２５日であると仮定する。この場合、学習用データ２１０として、図５に示すように、たとえば「２０１７年１月２５日から２０１７年２月２５日」の期間におけるユーザ情報と、当該ユーザ情報に紐づく端末ユーザについて「２０１７年２月２５日から２０１８年８月２５日」の１年６か月間に債務整理が行われたか否かの情報とで構成できる。図５に示す設定期間は一例であり、カード利用代金の引き落とし日間の１か月間に特に限定される必要はなく、予測モデルの作成方針によって任意の期間を設定できる。たとえば、１日～末日までの１か月間のユーザ情報と、当該ユーザ情報に紐づく端末ユーザにより末日から１年６か月間に債務整理が行われたか否かを示す情報とを対応付けた学習用データ２１０を構成できる。また、債務整理が行われたか否かを示す情報も、後の引き落とし日あるいは末日から１年６か月が経過するまでの間の情報に特に限定される必要はなく、予測モデルの作成方針によって任意の期間を設定できる。 The learning data 210 is, for example, the user information recorded during one month of the card usage fee withdrawal date, and whether or not debt consolidation was performed between the later withdrawal date and one year and six months. It can be composed of the information of. FIG. 5 is a diagram showing an example of a setting period of the learning data 210 according to the embodiment. For example, assume that the withdrawal date of the card usage fee is the 25th of every month. In this case, as the learning data 210, as shown in FIG. 5, for example, the user information in the period of "January 25, 2017 to February 25, 2017" and the terminal user associated with the user information are "2017". It can be composed of information on whether or not debt consolidation was carried out during the one year and six months from February 25, 2018 to August 25, 2018. The setting period shown in FIG. 5 is an example, and is not particularly limited to one month of the card usage fee withdrawal day, and any period can be set according to the prediction model creation policy. For example, learning that associates user information for one month from the first day to the last day with information indicating whether or not debt consolidation was performed by the terminal user associated with the user information within one year and six months from the last day. Data 210 can be configured. In addition, the information indicating whether or not debt consolidation has been carried out does not have to be limited to the information from the later withdrawal date or the last day until one year and six months have passed, and it depends on the forecast model creation policy. Any period can be set.

また、学習用データ２１０は、予測モデルを生成するためのユーザ情報として、月に１回以上カードを利用している端末ユーザのサービスの利用状況および属性に基づく情報のうちの少なくとも一方を採用してもよい。月の１回以上のカードを利用しているか否かの判定は、過去の所定期間のカード利用回数の平均値を採用できる。 Further, the learning data 210 adopts at least one of the information based on the service usage status and attributes of the terminal user who uses the card at least once a month as the user information for generating the prediction model. You may. For the determination of whether or not the card is used at least once a month, the average value of the number of times the card is used in the past predetermined period can be adopted.

また、学習用データ２１０は、予測モデルを生成するためのユーザ情報として、カードの利用可能枠を増枠した端末ユーザのサービスの利用状況および属性に基づく情報のうちの少なくとも一方を採用してもよい。 Further, even if the learning data 210 adopts at least one of the information based on the service usage status and the attribute of the terminal user who has increased the usable limit of the card as the user information for generating the prediction model. good.

また、学習用データ２１０は、予測モデルを生成するためのユーザ情報として、未払いのカード利用代金（未払い残高）がある端末ユーザのサービスの利用状況および属性に基づく情報のうちの少なくとも一方を採用してもよい。あるいは、学習用データ２１０は、予測モデルを生成するためのユーザ情報として、未払いのカード利用代金（未払い残高）が一定の金額を超えている端末ユーザのサービスの利用状況および属性に基づく情報のうちの少なくとも一方を採用してもよい。 Further, the learning data 210 adopts at least one of the information based on the service usage status and attributes of the terminal user who has an unpaid card usage fee (unpaid balance) as the user information for generating the prediction model. You may. Alternatively, the learning data 210 is, as user information for generating a prediction model, among information based on the service usage status and attributes of the terminal user whose unpaid card usage fee (unpaid balance) exceeds a certain amount. At least one of the above may be adopted.

（カード情報格納部２２）
カード情報格納部２２は、事後決済手段であるクレジットカードの所有者に関するカード情報２２０を記憶する。図６は、カード情報格納部２２に記憶されるカード情報２２０を概念的に示す図である。 (Card information storage unit 22)
The card information storage unit 22 stores card information 220 regarding the owner of a credit card, which is a post-payment means. FIG. 6 is a diagram conceptually showing the card information 220 stored in the card information storage unit 22.

図６に示すように、カード情報２２０は、たとえばユーザＩＤ、氏名、期間、利用金額、繰越金額、利用可能枠、支払日、請求確定日、及び返済方法などの項目に対応する情報を含み、これらの情報は互いに対応付けられている。カード情報２２０に含まれるユーザＩＤは、クレジットカードの所有者である端末ユーザに一意に割り当てられる。かかるユーザＩＤは、端末ユーザがサービス提供装置２からサービスの提供を受ける際に割り当てられたユーザＩＤと同一のＩＤであってもよい。この場合、情報処理装置１の管理者は、サービス提供装置２からクレジットカードの所有者である端末ユーザのユーザＩＤを予め取得して、取得したユーザＩＤをカード情報２２０に紐付けて登録しておく。なお、カード情報２２０に含まれるユーザＩＤとして、端末ユーザがサービス提供装置２からサービスの提供を受ける際に割り当てられたユーザＩＤに連携される連携ＩＤなどを用いてもよい。 As shown in FIG. 6, the card information 220 includes information corresponding to items such as a user ID, a name, a period, a usage amount, a carry-forward amount, an available limit, a payment date, a billing confirmation date, and a repayment method. These pieces of information are associated with each other. The user ID included in the card information 220 is uniquely assigned to the terminal user who is the owner of the credit card. Such a user ID may be the same ID as the user ID assigned when the terminal user receives the service from the service providing device 2. In this case, the administrator of the information processing device 1 acquires in advance the user ID of the terminal user who is the owner of the credit card from the service providing device 2, and registers the acquired user ID in association with the card information 220. deep. As the user ID included in the card information 220, a cooperation ID linked to the user ID assigned when the terminal user receives the service from the service providing device 2 may be used.

カード情報２２０に含まれる氏名はクレジットカードを所有する名義人の名前である。カード情報２２０に含まれる期間は、たとえばカードの利用期間に対応し、通常、前回のカード引き落とし日から次のカード引き落とし日までの期間に対応する。カード情報２２０に含まれる利用金額は、現時点でのカードの利用代金に対応する。カード情報２２０に含まれる繰越金額は、前回のカード利用料金の引き落とし日に清算されなかったカードの利用代金に対応する。カード情報２２０に含まれる利用可能枠は、カードによる決済が可能な上限の金額に対応する。カード情報２２０に含まれる支払日はカードの利用代金の引き落とし日に対応する。カード情報２２０に含まれる返済方法はカードの利用代金の返済方法に対応する。 The name included in the card information 220 is the name of the holder who owns the credit card. The period included in the card information 220 corresponds to, for example, the card usage period, and usually corresponds to the period from the previous card withdrawal date to the next card withdrawal date. The usage amount included in the card information 220 corresponds to the current usage amount of the card. The carry-forward amount included in the card information 220 corresponds to the usage fee of the card that was not settled on the previous withdrawal date of the card usage fee. The available limit included in the card information 220 corresponds to the maximum amount of money that can be settled by the card. The payment date included in the card information 220 corresponds to the withdrawal date of the card usage fee. The repayment method included in the card information 220 corresponds to the repayment method of the card usage fee.

（予測モデル格納部２３）
予測モデル格納部２３は、事後決済対象となる対象利用者により債務整理が行われる可能性を予測するための予測モデルの情報を記憶する。予測モデル格納部２３に記憶される予測モデルの情報は予め生成されてもよいし、債務整理の可能性の予測に先駆けて生成されてもよい。また、予測モデル格納部２３は、生成部３１により生成された予測モデルの情報を記憶してもよいし、サービス提供装置２などの他の装置により生成された予測モデルの情報を取得して記憶してもよい。たとえば図４および図５に示す学習用データ２１０を用いて作成された予測モデルであれば、直近に実施されたカードの利用代金の引き落とし日間の１か月間のユーザ情報から、直近に実施されたカードの利用代金の引き落とし日間の１か月間を構成する後のカード引き落とし日から１年６か月以内に債務整理が行われる可能性を予測できる。予測モデル格納部２３に記憶される予測モデルは、上記式（１）で表すことができる。 (Predictive model storage unit 23)
The prediction model storage unit 23 stores information on a prediction model for predicting the possibility that debt consolidation will be performed by the target user who is the target of post-settlement. The information of the prediction model stored in the prediction model storage unit 23 may be generated in advance, or may be generated prior to the prediction of the possibility of debt consolidation. Further, the prediction model storage unit 23 may store the information of the prediction model generated by the generation unit 31, or acquires and stores the information of the prediction model generated by another device such as the service providing device 2. You may. For example, in the case of the prediction model created using the learning data 210 shown in FIGS. 4 and 5, the most recently executed was performed from the user information for one month of the most recently executed card usage fee withdrawal day. It is possible to predict the possibility that debt consolidation will be carried out within one year and six months from the card withdrawal date after forming one month of the card usage fee withdrawal date. The prediction model stored in the prediction model storage unit 23 can be represented by the above equation (1).

また、予測モデル格納部２３に記憶される予測モデルは、月に１回以上カードを利用しているクレジットカードの所有者である端末ユーザのサービスの利用状況および属性に基づく情報のうちの少なくとも一方を用いて生成されてもよい。月の１回以上のカードを利用しているか否かの判定は、過去の所定期間のカード利用回数の平均値を採用できる。 Further, the prediction model stored in the prediction model storage unit 23 is at least one of information based on the service usage status and attributes of the terminal user who is the owner of the credit card who uses the card at least once a month. May be generated using. For the determination of whether or not the card is used at least once a month, the average value of the number of times the card is used in the past predetermined period can be adopted.

また、予測モデル格納部２３に記憶される予測モデルは、カードの利用可能枠を増枠したクレジットカードの所有者である端末ユーザのサービスの利用状況および属性に基づく情報のうちの少なくとも一方を用いて生成されてもよい。 Further, the prediction model stored in the prediction model storage unit 23 uses at least one of the information based on the service usage status and the attribute of the terminal user who is the owner of the credit card whose usable limit of the card is increased. May be generated.

予測モデル格納部２３に記憶される予測モデルは、未払いのカード利用代金（未払い残高）があるクレジットカードの所有者である端末ユーザのサービスの利用状況および属性に基づく情報のうちの少なくとも一方をもちいて生成されてもよい。あるいは、予測モデル格納部２３に記憶される予測モデルは、未払い残高が一定の金額を超えているクレジットカードの所有者である端末ユーザのサービスの利用状況および属性に基づく情報のうちの少なくとも一方を用いて生成されてもよい。 The prediction model stored in the prediction model storage unit 23 uses at least one of information based on the service usage status and attributes of the terminal user who is the owner of the credit card having an unpaid card usage fee (unpaid balance). May be generated. Alternatively, the prediction model stored in the prediction model storage unit 23 contains at least one of information based on the service usage status and attributes of the terminal user who is the owner of the credit card whose outstanding balance exceeds a certain amount. May be generated using.

なお、予測モデル格納部２３に記憶される予測モデルは、機械学習に関する任意の公知技術を用いて生成されてよい。予測モデル格納部２３に記憶される予測モデルは、線形回帰や非線形回帰等の機械学習に関する技術やＳＶＭ（Support Vector Machine）、その他の機械学習法を用いて生成されてよい。また、予測モデル格納部２３に記憶される予測モデルは、深層学習（ディープラーニング）の技術を用いて生成されてもよい。深層学習の技術は、たとえばＤＮＮ（Deep Neural Network）、ＲＮＮ（Recurrent Neural Network）、及びＣＮＮ（Convolutional Neural Network）等の種々のディープラーニングの技術を含む。 The predictive model stored in the predictive model storage unit 23 may be generated by using any known technique related to machine learning. The prediction model stored in the prediction model storage unit 23 may be generated by using a technique related to machine learning such as linear regression or non-linear regression, SVM (Support Vector Machine), or other machine learning method. Further, the predictive model stored in the predictive model storage unit 23 may be generated by using a technique of deep learning. Deep learning techniques include various deep learning techniques such as DNN (Deep Neural Network), RNN (Recurrent Neural Network), and CNN (Convolutional Neural Network).

（制御部１３）
制御部１３は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置１内部の記憶装置に記憶されている各種プログラム（推定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１３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。 (Control unit 13)
In the control unit 13, for example, various programs (corresponding to an example of an estimation program) stored in the storage device inside the information processing device 1 by a CPU (Central Processing Unit), an MPU (Micro Processing Unit), or the like work on the RAM. It is realized by being executed as an area. Further, the control unit 13 is realized by, for example, an integrated circuit such as an ASIC (Application Specific Integrated Circuit) or an FPGA (Field Programmable Gate Array).

制御部１３は、生成部３１と、取得部３２と、予測部３３とを備え、以下に説明する情報処理装置１の処理機能や作用を実現または実行する。なお、制御部１３の内部構成は、図３に示した構成に限られず、後述する処理を実現または実行可能な構成であれば他の構成であってもよい。 The control unit 13 includes a generation unit 31, an acquisition unit 32, and a prediction unit 33, and realizes or executes the processing functions and operations of the information processing apparatus 1 described below. The internal configuration of the control unit 13 is not limited to the configuration shown in FIG. 3, and may be any other configuration as long as the processing described later can be realized or executed.

（生成部３１）
生成部３１は、学習用データ格納部２１に記憶されている学習用データ２１０を用いて、事後決済対象となる対象利用者により債務整理が行われる可能性を予測するための予測モデルを生成する。生成部３１は、予め用意された学習用データ格納部２１に記憶される学習用データ２１０を用いた機械学習により生成される。生成部３１は、生成した予測モデルを予測モデル格納部２３に記憶させる。 (Generation unit 31)
The generation unit 31 uses the learning data 210 stored in the learning data storage unit 21 to generate a prediction model for predicting the possibility that debt consolidation will be performed by the target user to be settled after the fact. .. The generation unit 31 is generated by machine learning using the learning data 210 stored in the learning data storage unit 21 prepared in advance. The generation unit 31 stores the generated prediction model in the prediction model storage unit 23.

（取得部３２）
取得部３２は、事後決済対象である対象利用者のユーザ情報を取得する。取得部３２は、カード情報格納部２２に記憶されているカード情報２２０に基づいて、事後決済対象である対象利用者の中から、予め予測候補とする対象利用者を選択できる。たとえば取得部３２は、予測候補とする対象利用者として、クレジットカードの所有者の全てを選択してもよいし、クレジットカードの所有者の中から未払いのカード利用代金（未払い残高）がある所有者を選択してもよい。 (Acquisition unit 32)
The acquisition unit 32 acquires the user information of the target user who is the target of the post-settlement. Based on the card information 220 stored in the card information storage unit 22, the acquisition unit 32 can select a target user as a prediction candidate in advance from the target users to be settled after the fact. For example, the acquisition unit 32 may select all credit card owners as target users as prediction candidates, or possesses an unpaid card usage fee (unpaid balance) among credit card owners. May be selected.

取得部３２は、予測候補として選択した対象利用者のユーザ情報（サービスの利用状況及び属性）をサービス提供装置２から取得する。たとえば取得部３２は、予測候補として選択した対象利用者のユーザＩＤを取得し、取得したユーザＩＤに紐づくユーザ情報の提供をサービス提供装置２に要求することにより、サービス提供装置２からユーザ情報を取得する。 The acquisition unit 32 acquires user information (service usage status and attributes) of the target user selected as a prediction candidate from the service providing device 2. For example, the acquisition unit 32 acquires the user ID of the target user selected as a prediction candidate, and requests the service providing device 2 to provide the user information associated with the acquired user ID, so that the user information is provided from the service providing device 2. To get.

図７は、実施形態に係る取得部３２により取得されるユーザ情報の一例を示す図である。図７に示すように、取得部３２は、たとえば債務整理の予測候補として選択したユーザについて、ユーザＩＤ、氏名、サービスの利用状況、及び属性をユーザ情報として取得できる。取得部３２は、たとえばサービスの利用状況として、直近のカードの利用代金の引き落とし日間の１か月間である２０１８年９月２５日から２０１８年１０月２５日までの情報を取得できる。 FIG. 7 is a diagram showing an example of user information acquired by the acquisition unit 32 according to the embodiment. As shown in FIG. 7, the acquisition unit 32 can acquire a user ID, a name, a service usage status, and attributes as user information for a user selected as a prediction candidate for debt consolidation, for example. For example, the acquisition unit 32 can acquire information on the usage status of the service from September 25, 2018 to October 25, 2018, which is one month of the withdrawal date of the latest card usage fee.

また、取得部３２が取得するユーザ情報の記録期間は、直近のカードの利用代金の引き落とし日間の１か月間である場合に特に限定される必要はなく、予測モデルを作成する際の学習用データに対応する期間に応じて、任意の期間を設定できる。たとえば１日から末日までの１か月間のユーザ情報と、債務整理が行われたか否かを示す情報とを対応付けた学習用データを用いた機械学習により予測モデルが生成された場合、取得部３２は、対象利用者の１日から末日までに記録されたユーザ情報を取得すればよい。 Further, the recording period of the user information acquired by the acquisition unit 32 does not have to be particularly limited to one month of the withdrawal date of the latest card usage fee, and is learning data when creating a prediction model. Any period can be set according to the period corresponding to. For example, when a prediction model is generated by machine learning using learning data that associates user information for one month from the first day to the last day with information indicating whether or not debt consolidation has been performed, the acquisition unit. 32 may acquire the user information recorded from the first day to the last day of the target user.

（予測部３３）
予測部３３は、予測モデル格納部２３に記憶される予測モデルを用いて、事後決済対象である対象利用者のユーザ情報から、債務整理が行われる可能性を予測する。予測部３３は、たとえば２０１８年１０月２５日から１年６か月が経過するまでの間に、対象利用者により債務整理が行われる可能性を予測する。 (Prediction unit 33)
The prediction unit 33 predicts the possibility that debt consolidation will be performed from the user information of the target user who is the target of post-settlement, using the prediction model stored in the prediction model storage unit 23. The forecasting unit 33 predicts the possibility that debt consolidation will be carried out by the target user, for example, from October 25, 2018 to the lapse of one year and six months.

すなわち予測部３３は、上記式（１）に示す予測モデルを用いて、事後決済対象である対象利用者、すなわちクレジットカードの所有者である端末ユーザにより債務整理が行われる可能性を予測するための予測情報を算出する。上記式（１）に示す予測モデルは、事後決済対象である対象利用者、すなわちクレジットカードの所有者である端末ユーザに関するサービスの利用状況および属性に基づく情報を入力として、債務整理が行われる可能性を示す予測情報（予測値）を出力できる。 That is, the prediction unit 33 predicts the possibility that debt consolidation will be performed by the target user who is the target of post-settlement, that is, the terminal user who is the owner of the credit card, using the prediction model shown in the above formula (1). Predictive information is calculated. In the prediction model shown in the above formula (1), debt consolidation can be performed by inputting information based on the service usage status and attributes of the target user who is the target of post-payment, that is, the terminal user who is the owner of the credit card. Prediction information (prediction value) indicating sex can be output.

そして、予測部３３は、算出した予測情報（予測値）が予め定められる閾値以上であるかを判定する。予測部３３は、判定の結果、予測値が予め定められる閾値以上である場合、事後決済対象となる対象利用者により債務整理が行われる可能性が高いと予測する。反対に、予測部３３は、判定の結果、予測情報（予測値）が予め定められる閾値未満である場合、事後決済対象となる対象利用者により債務整理が行われる可能性が低いと予測する。 Then, the prediction unit 33 determines whether the calculated prediction information (prediction value) is equal to or higher than a predetermined threshold value. As a result of the determination, the prediction unit 33 predicts that if the predicted value is equal to or higher than a predetermined threshold value, there is a high possibility that the target user to be settled after the fact will perform debt consolidation. On the contrary, the prediction unit 33 predicts that if the prediction information (prediction value) is less than a predetermined threshold value as a result of the determination, it is unlikely that the target user to be settled after the fact will perform debt consolidation.

予測部３３による予測結果は、たとえばカードの利用可能枠の減枠などに利用できる。たとえば債務整理が行われる可能性が高いと予測された対象利用者については、カード利用可能枠を予め減枠することができる。カード利用可能枠の減枠は、たとえばカードの利用代金の引き落とし日の翌日にカード利用可能枠が開放される際に実施できる。 The prediction result by the prediction unit 33 can be used, for example, to reduce the usable limit of the card. For example, for the target users who are predicted to have a high possibility of debt consolidation, the card usage limit can be reduced in advance. The card usage limit can be reduced, for example, when the card usage limit is opened the day after the card usage fee is withdrawn.

［４．処理手順］
図８を用いて、実施形態に係る情報処理装置１による処理の手順の一例について説明する。図８は、実施形態に係る情報処理装置１が実行する処理手順の一例を示すフローチャートである。 [4. Processing procedure]
An example of the processing procedure by the information processing apparatus 1 according to the embodiment will be described with reference to FIG. FIG. 8 is a flowchart showing an example of a processing procedure executed by the information processing apparatus 1 according to the embodiment.

図８に示すように、取得部３２は、カード情報２２０を参照して、債務整理が行われる可能性を予測する処理の予測候補となる対象利用者を選択する（ステップＳ１０１）。 As shown in FIG. 8, the acquisition unit 32 refers to the card information 220 and selects a target user as a prediction candidate for the process of predicting the possibility of debt consolidation (step S101).

続いて、取得部３２は、予測候補として選択した対象利用者のユーザ情報をサービス提供装置２から取得する（ステップＳ１０２）。 Subsequently, the acquisition unit 32 acquires the user information of the target user selected as the prediction candidate from the service providing device 2 (step S102).

続いて、予測部３３は、予測モデル格納部２３に記憶されている予測モデルを用いて、取得部３２により取得されたユーザ情報から、債務整理が行われる可能性を予測し（ステップＳ１０３）、図８に示す処理を終了する。 Subsequently, the prediction unit 33 predicts the possibility of debt consolidation from the user information acquired by the acquisition unit 32 using the prediction model stored in the prediction model storage unit 23 (step S103). The process shown in FIG. 8 is terminated.

［５．変形例］
上述した情報処理装置１は、上述してきた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。以下に、情報処理装置１の他の実施形態について説明する。 [5. Modification example]
The information processing apparatus 1 described above may be implemented in various different forms other than the above-described embodiment. Hereinafter, other embodiments of the information processing apparatus 1 will be described.

［５－１．サービスの利用状況（行動履歴）または属性による予測］
上述した実施形態において、情報処理装置１は、債務整理を行った債務整理者のユーザ情報、すなわちサービスの利用状況および属性に基づく情報を用いて生成された予測モデルに基づいて、事後決済対象となる対象利用者により債務整理が行われる可能性を予測する例を説明したが、この例には特に限定される必要はない。情報処理装置１は、債務整理者のサービスの利用状況または属性のいずれか一方に基づいて生成した予測モデルに基づいて、事後決済対象となる対象利用者により債務整理が行われる可能性が予測してもよい。 [5-1. Service usage status (behavior history) or prediction by attribute]
In the above-described embodiment, the information processing apparatus 1 sets the post-settlement target based on the user information of the debt consolidation person who performed the debt consolidation, that is, the prediction model generated using the information based on the usage status and attributes of the service. The example of predicting the possibility of debt consolidation by the target user has been described, but the example is not particularly limited. The information processing device 1 predicts the possibility that debt consolidation will be performed by the target user who is the target of post-settlement based on the prediction model generated based on either the usage status or the attribute of the debt collector's service. You may.

情報処理装置１は、たとえば債務整理者の検索履歴を用いて予測モデルを生成することにより、かかる予測モデルを用いて、事後決済対象となる対象利用者の検索履歴から債務整理が行われる可能性を予測できる。情報処理装置１は、たとえば債務整理者のサイコグラフィック属性に基づいて予測モデルを生成することにより、かかる予測モデルを用いて、事後決済対象となる対象利用者のライフサイクル、価値観、個性などから債務整理が行われる可能性を予測できる。 The information processing apparatus 1 may generate a prediction model using, for example, the search history of the debt consolidation person, and the debt consolidation may be performed from the search history of the target user to be settled after the fact using the prediction model. Can be predicted. The information processing device 1 generates a prediction model based on, for example, the psychographic attributes of the debt consolidation person, and uses the prediction model to determine the life cycle, values, individuality, etc. of the target user to be settled after the fact. You can predict the possibility of debt consolidation.

［５－２．ハードウェア構成］
上述してきた実施形態および変形例に係る情報処理装置１は、たとえば図９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。以下、情報処理装置１を例に挙げて説明する。 [5-2. Hardware configuration]
The information processing apparatus 1 according to the above-described embodiment and modification is realized by, for example, a computer 1000 having a configuration as shown in FIG. Hereinafter, the information processing apparatus 1 will be described as an example.

図９は、情報処理装置１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、およびメディアインターフェイス（Ｉ／Ｆ）１７００を有する。 FIG. 9 is a hardware configuration diagram showing an example of a computer 1000 that realizes the functions of the information processing apparatus 1. The computer 1000 has a CPU 1100, a RAM 1200, a ROM 1300, an HDD 1400, a communication interface (I / F) 1500, an input / output interface (I / F) 1600, and a media interface (I / F) 1700.

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に記憶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記憶する。 The CPU 1100 operates based on a program stored in the ROM 1300 or the HDD 1400, and controls each part. The ROM 1300 stores a boot program executed by the CPU 1100 when the computer 1000 is started, a program depending on the hardware of the computer 1000, and the like.

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記憶する。通信インターフェイス１５００は、通信ネットワークＮ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、通信ネットワークＮを介して他の機器へ送信する。 The HDD 1400 stores a program executed by the CPU 1100, data used by such a program, and the like. The communication interface 1500 receives data from another device via the communication network N and sends it to the CPU 1100, and transmits the data generated by the CPU 1100 to the other device via the communication network N.

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、および、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、入出力インターフェイス１６００を介して生成したデータを出力装置へ出力する。 The CPU 1100 controls an output device such as a display or a printer, and an input device such as a keyboard or a mouse via the input / output interface 1600. The CPU 1100 acquires data from the input device via the input / output interface 1600. Further, the CPU 1100 outputs the data generated via the input / output interface 1600 to the output device.

メディアインターフェイス１７００は、記録媒体１８００に記憶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、たとえば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。 The media interface 1700 reads a program or data stored in the recording medium 1800 and provides the program or data to the CPU 1100 via the RAM 1200. The CPU 1100 loads the program from the recording medium 1800 onto the RAM 1200 via the media interface 1700, and executes the loaded program. The recording medium 1800 is, for example, an optical recording medium such as a DVD (Digital Versatile Disc) or PD (Phase change rewritable Disk), a magneto-optical recording medium such as MO (Magneto-Optical disk), a tape medium, a magnetic recording medium, or a semiconductor memory. And so on.

たとえば、コンピュータ１０００が実施形態に係る情報処理装置１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１３が備える生成部３１、取得部３２、及び予測部３３の各機能を実現する。また、ＨＤＤ１４００には、記憶部１２に記憶される情報と同様のデータが記憶される。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、他の装置から通信ネットワークＮを介してこれらのプログラムを取得してもよい。 For example, when the computer 1000 functions as the information processing apparatus 1 according to the embodiment, the CPU 1100 of the computer 1000 executes the program loaded on the RAM 1200, so that the generation unit 31, the acquisition unit 32, and the control unit 13 include the generation unit 31 and the acquisition unit 32. And each function of the prediction unit 33 is realized. Further, the HDD 1400 stores the same data as the information stored in the storage unit 12. The CPU 1100 of the computer 1000 reads and executes these programs from the recording medium 1800, but as another example, these programs may be acquired from another device via the communication network N.

コンピュータ１０００は、ＣＰＵ１１００の代わりに、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路によって処理を実行してもよい。 The computer 1000 may execute processing by an integrated circuit such as an ASIC (Application Specific Integrated Circuit) or an FPGA (Field Programmable Gate Array) instead of the CPU 1100.

［６．効果］
上述してきたように、実施形態に係る情報処理装置１（予測装置の一例）は、取得部３２と予測部３３とを備える。取得部３２は、事後決済対象となる対象利用者に関するユーザ情報を取得する。予測部３３は、債務整理を行った債務整理者に関するユーザ情報の特徴を学習した予測モデルを用いて、前記対象利用者のユーザ情報から、前記対象利用者により債務整理が行われる可能性を予測する。これにより、情報処理装置１は、事後決済手対象である対象利用者により債務整理が行われる可能性を予測でき、債務が回収できない事態をできるだけ未然に防止できる。 [6. effect]
As described above, the information processing device 1 (an example of the prediction device) according to the embodiment includes an acquisition unit 32 and a prediction unit 33. The acquisition unit 32 acquires user information regarding the target user to be settled after the fact. The prediction unit 33 predicts the possibility that debt consolidation will be performed by the target user from the user information of the target user by using a prediction model that learns the characteristics of the user information regarding the debt consolidation user who has performed debt consolidation. do. As a result, the information processing apparatus 1 can predict the possibility that debt consolidation will be performed by the target user who is the target of the post-settlement, and can prevent the situation where the debt cannot be collected as much as possible.

また、ユーザ情報は、対象利用者に対して通信ネットワークを通じて提供される各種サービスについての対象利用者によるサービスの利用状況および対象利用者の属性に基づく情報のうちの少なくとも一方を含む。これにより、情報処理装置１は、事後決済対象となる対象利用者のサービスの利用状況及び属性に基づく情報のうちの少なくとも一方に基づいて債務整理が行われる可能性を予測できる。 In addition, the user information includes at least one of information based on the service usage status by the target user and the attributes of the target user for various services provided to the target user through the communication network. As a result, the information processing apparatus 1 can predict the possibility that debt consolidation will be performed based on at least one of the information based on the service usage status and attributes of the target user to be settled after the fact.

また、予測モデルは、債務整理者により債務整理が行われたか否かを示す情報と、サービスの利用状況および属性に基づく情報のうちの少なくとも一方とを対応付けた学習用データを用いた機械学習に基づいて生成される。これにより、情報処理装置１は、かかる予測モデルを用いて、たとえば対象利用者のサービスの利用状況および属性から債務整理が行われる可能性を簡易に予測できる。また、情報処理装置１は、予測モデルを用いて、たとえば対象利用者のサービスの利用状況のみから債務整理が行われる可能性を簡易に予測できる。また、情報処理装置１は、予測モデルを用いて、たとえば対象利用者の属性のみから債務整理が行われる可能性を簡易に予測できる。 In addition, the prediction model is machine learning using learning data that associates information indicating whether or not debt consolidation has been performed by a debt consolidation person with at least one of information based on service usage status and attributes. Is generated based on. Thereby, the information processing apparatus 1 can easily predict the possibility of debt consolidation from, for example, the usage status and attributes of the service of the target user by using such a prediction model. Further, the information processing apparatus 1 can easily predict the possibility that debt consolidation will be performed only from the usage status of the service of the target user, for example, by using the prediction model. Further, the information processing apparatus 1 can easily predict the possibility that debt consolidation will be performed only from the attributes of the target user, for example, by using the prediction model.

また、対象利用者は、事後決済手段としてクレジットカードを所有する所有者であって、予測モデルは、対象利用者のうち、月に１回以上クレジットカードを利用している対象利用者のサービスの利用状況および属性に基づく情報のうちの少なくとも一方を用いて生成される。これにより、クレジットカードを所有者する対象利用者により債務整理が行われる可能性の予測の確度が高める効果が期待できる。 In addition, the target user is the owner who owns the credit card as a post-payment method, and the prediction model is the service of the target user who uses the credit card at least once a month among the target users. Generated using at least one of usage and attribute-based information. This can be expected to have the effect of increasing the accuracy of forecasting the possibility of debt consolidation by the target user who owns the credit card.

また、対象利用者は、事後決済手段としてクレジットカードを所有する所有者であって、予測モデルは、対象利用者のうち、クレジットカードの利用可能枠を増枠した対象利用者の前記サービスの利用状況に基づく情報を用いて生成される。これにより、クレジットカードを所有者する対象利用者により債務整理が行われる可能性の予測の確度が高める効果が期待できる。 In addition, the target user is the owner who owns the credit card as a post-payment method, and the prediction model is the use of the service of the target user who has increased the credit card usable limit among the target users. Generated with context-based information. This can be expected to have the effect of increasing the accuracy of forecasting the possibility of debt consolidation by the target user who owns the credit card.

また、予測モデルは、対象利用者に関するサービスの利用状況および属性に基づく情報を入力して、債務整理が行われる可能性を示す予測情報を出力する。これにより、情報処理装置１は、予測モデルから出力される予測情報から、債務整理が行われる可能性を簡易に予測できる。 In addition, the forecast model inputs information based on the service usage status and attributes of the target user, and outputs forecast information indicating the possibility of debt consolidation. As a result, the information processing apparatus 1 can easily predict the possibility of debt consolidation from the prediction information output from the prediction model.

１情報処理装置
２サービス提供装置
３端末装置
１１通信部
１２記憶部
１３制御部
３１生成部
３２取得部
３３予測部 1 Information processing device 2 Service provider 3 Terminal device 11 Communication unit 12 Storage unit 13 Control unit 31 Generation unit 32 Acquisition unit 33 Prediction unit

Claims

The acquisition department that acquires user information about the target user who is the target of post-settlement,
Using a prediction model that learns the characteristics of user information about the debt consolidation person who performed debt consolidation, a prediction unit that predicts the possibility that debt consolidation will be performed by the target user from the user information of the target user. Prepare,
The user information is
Includes at least one of the service usage status by the target user and the information based on the attributes of the target user for various services provided to the target user through the communication network.
The usage status of the service is
Includes the number of searches by specific search queries for debt consolidation and the number of views of specific advertising content for legal services that represent debt consolidation procedures.
The prediction model is
Information set based on whether or not the acceptance notification from the debt consolidation agent's agent has been received, indicating whether or not the debt consolidation has been performed by the debt consolidation agent, and the use of the service. Generated based on machine learning using learning data associated with at least one of the situation and information based on the attributes.
The information predicted by the prediction model is the information used for reducing the available slots of the card.
A prediction device characterized by that.

The target user is
An owner who owns a credit card as a means of post-payment
The prediction model is
Among the target users, the target user who uses the credit card at least once a month is characterized by being generated using at least one of the usage status of the service and the information based on the attribute. The prediction device according to claim 1 .

The target user is
An owner who owns a credit card as a means of post-payment
The prediction model is
Among the target users, the target user is generated by using at least one of the usage status of the service of the target user and the information based on the attribute, which is an increase in the usable limit of the credit card. The prediction device according to claim 1 .

The prediction model is
The prediction device according to claim 1 , wherein information based on the service usage status and the attribute regarding the target user is input, and prediction information indicating the possibility of debt consolidation is output.

It ’s a prediction method that a computer uses.
Steps to acquire user information about the target user to be settled after the fact,
It includes a step of predicting the possibility of debt consolidation by the target user from the user information of the target user by using a prediction model that learns the characteristics of the user information about the debt consolidation person who performed the debt consolidation. ,
The user information is
Includes at least one of the service usage status by the target user and the information based on the attributes of the target user for various services provided to the target user through the communication network.
The usage status of the service is
Includes the number of searches by specific search queries for debt consolidation and the number of views of specific advertising content for legal services that represent debt consolidation procedures.
The prediction model is
Information set based on whether or not the acceptance notification from the debt consolidation agent's agent has been received, indicating whether or not the debt consolidation has been performed by the debt consolidation agent, and the use of the service. Generated based on machine learning using learning data associated with at least one of the situation and information based on the attributes.
The information predicted by the prediction model is the information used for reducing the available slots of the card.
A prediction method characterized by that.

On the computer
Steps to acquire user information about the target user to be settled after the fact,
Using a prediction model that learns the characteristics of user information about the debt consolidation person who performed debt consolidation, the step of predicting the possibility that debt consolidation will be performed by the target user from the user information of the target user is executed. Let me
The user information is
Includes at least one of the service usage status by the target user and the information based on the attributes of the target user for various services provided to the target user through the communication network.
The usage status of the service is
Includes the number of searches by specific search queries for debt consolidation and the number of views of specific advertising content for legal services that represent debt consolidation procedures.
The prediction model is
Information set based on whether or not the acceptance notification from the debt consolidation agent's agent has been received, indicating whether or not the debt consolidation has been performed by the debt consolidation agent, and the use of the service. Generated based on machine learning using learning data associated with at least one of the situation and information based on the attributes.
The information predicted by the prediction model is the information used for reducing the available slots of the card.
A forecasting program characterized by that.