JP7130104B1 - Information processing device, information processing method, and information processing program - Google Patents

Information processing device, information processing method, and information processing program Download PDF

Info

Publication number
JP7130104B1
JP7130104B1 JP2021188588A JP2021188588A JP7130104B1 JP 7130104 B1 JP7130104 B1 JP 7130104B1 JP 2021188588 A JP2021188588 A JP 2021188588A JP 2021188588 A JP2021188588 A JP 2021188588A JP 7130104 B1 JP7130104 B1 JP 7130104B1
Authority
JP
Japan
Prior art keywords
store
information
information processing
processing apparatus
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2021188588A
Other languages
Japanese (ja)
Other versions
JP2023075594A (en
Inventor
康貴 田中
健 清水
則明 渡来
秀紀 來田
辰徳 伊藤
慎太郎 堀
伸一 岩本
浩司 塚本
明弘 小出
朋史 市丸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yahoo Japan Corp
Original Assignee
Yahoo Japan Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yahoo Japan Corp filed Critical Yahoo Japan Corp
Priority to JP2021188588A priority Critical patent/JP7130104B1/en
Application granted granted Critical
Publication of JP7130104B1 publication Critical patent/JP7130104B1/en
Publication of JP2023075594A publication Critical patent/JP2023075594A/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

【課題】債権の買い取りに関する適切なサービスを提供可能にする。【解決手段】本願に係る情報処理装置は、分類部と、決定部とを有する。分類部は、ネットワーク上の商取引サイトに出店する複数のストアの各々に関するストア情報に基づいて、複数のストアを複数のグループに分類する。決定部は、分類部により分類されたグループごとに、債権の買い取りに関する条件を決定する。例えば、分類部は、商取引サイトに出店するストアと、商取引サイトからの退店との関連性の特徴を学習した学習モデルを用いて、複数のストアを複数のグループに分類する。【選択図】図8An object of the present invention is to make it possible to provide appropriate services regarding the purchase of bonds. An information processing apparatus according to the present application has a classification section and a determination section. The classification unit classifies the plurality of stores into a plurality of groups based on the store information regarding each of the plurality of stores that open on the commercial transaction site on the network. The determination unit determines the conditions for purchasing bonds for each group classified by the classification unit. For example, the classification unit classifies a plurality of stores into a plurality of groups using a learning model that has learned characteristics of relationships between stores that open on the commercial transaction site and stores that leave the commercial transaction site. [Selection drawing] Fig. 8

Description

本発明は、情報処理装置、情報処理方法、及び情報処理プログラムに関する。 The present invention relates to an information processing device, an information processing method, and an information processing program.

従来、債権の買い取り(以下「ファクタリング」ともいう)に関する種々の技術が提供されている。例えば、将来債権額を予測し、予測した将来債権額に応じた資金提供を行う技術が提供されている。 Conventionally, various techniques have been provided regarding the purchase of receivables (hereinafter also referred to as "factoring"). For example, technology is provided for predicting the amount of future claims and providing funds according to the predicted future amount of claims.

特許第6836255号公報Japanese Patent No. 6836255 特開2021-033762号公報Japanese Patent Application Laid-Open No. 2021-033762

しかしながら、上記の従来技術には、改善の余地がある。例えば、上記の従来技術では、将来債権額を予測して、その額に応じた資金提供を行っているに過ぎず、柔軟な債権の買い取りを行うことが難しい。そのため、債権の買い取りに関する適切なサービスを提供可能にすることが望まれている。 However, the above conventional techniques have room for improvement. For example, in the above-described conventional technology, the amount of future receivables is predicted, and funds are provided according to the amount, and it is difficult to flexibly purchase receivables. Therefore, it is desired to be able to provide appropriate services regarding the purchase of bonds.

本願は、上記に鑑みてなされたものであって、債権の買い取りに関する適切なサービスを提供可能にする情報処理装置、情報処理方法、及び情報処理プログラムを提供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 provide an information processing device, an information processing method, and an information processing program capable of providing appropriate services regarding the purchase of claims.

本願に係る情報処理装置は、ネットワーク上の商取引サイトに出店する複数のストアの各々に関するストア情報に基づいて、前記複数のストアを複数のグループに分類する分類部と、前記分類部により分類されたグループごとに、債権の買い取りに関する条件を決定する決定部と、を備えたことを特徴とする。 An information processing apparatus according to the present application includes a classification unit that classifies the plurality of stores into a plurality of groups based on store information about each of the plurality of stores that open on a commercial transaction site on a network; and a decision unit that decides the conditions regarding the purchase of bonds for each group.

実施形態の一態様によれば、債権の買い取りに関する適切なサービスを提供可能にすることができるという効果を奏する。 According to one aspect of the embodiment, there is an effect that it is possible to provide an appropriate service regarding the purchase of a bond.

図1は、実施形態に係る情報処理の一例を示す図である。FIG. 1 is a diagram illustrating an example of information processing according to an embodiment. 図2は、情報処理装置が実行する情報処理の一例を示す図である。FIG. 2 is a diagram illustrating an example of information processing executed by an information processing apparatus; 図3は、情報処理装置が実行する情報処理の一例を示す図である。FIG. 3 is a diagram illustrating an example of information processing executed by an information processing apparatus; 図4は、情報処理装置が実行する情報処理の一例を示す図である。FIG. 4 is a diagram illustrating an example of information processing executed by an information processing apparatus; 図5は、情報処理装置が実行する情報処理の一例を示す図である。FIG. 5 is a diagram illustrating an example of information processing executed by an information processing apparatus; 図6は、情報処理装置が実行する情報処理の一例を示す図である。FIG. 6 is a diagram illustrating an example of information processing executed by an information processing apparatus; 図7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. 7 is a diagram illustrating a configuration example of an information processing system according to the embodiment; 図8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。FIG. 8 is a diagram illustrating a configuration example of an information processing apparatus according to the embodiment; 図9は、実施形態に係る出店者情報記憶部の一例を示す図である。9 is a diagram illustrating an example of a store owner information storage unit according to the embodiment; FIG. 図10は、実施形態に係るモデル情報記憶部の一例を示す図である。10 is a diagram illustrating an example of a model information storage unit according to the embodiment; FIG. 図11は、実施形態に係る閾値情報記憶部の一例を示す図である。11 is a diagram illustrating an example of a threshold information storage unit according to the embodiment; FIG. 図12は、実施形態に係るグループ情報記憶部の一例を示す図である。12 is a diagram illustrating an example of a group information storage unit according to the embodiment; FIG. 図13は、実施形態に係る社会状況情報記憶部の一例を示す図である。13 is a diagram illustrating an example of a social situation information storage unit according to the embodiment; FIG. 図14は、実施形態に係る商取引サイト情報記憶部の一例を示す図である。14 is a diagram illustrating an example of a commercial transaction site information storage unit according to the embodiment; FIG. 図15は、実施形態に係るファクタリング情報記憶部の一例を示す図である。15 is a diagram illustrating an example of a factoring information storage unit according to the embodiment; FIG. 図16は、情報処理装置が実行する情報処理の流れの一例を示すフローチャートである。FIG. 16 is a flowchart illustrating an example of the flow of information processing executed by the information processing device. 図17は、情報処理装置が実行する情報処理の流れの一例を示すフローチャートである。FIG. 17 is a flowchart illustrating an example of the flow of information processing executed by the information processing device. 図18は、情報処理装置が実行する情報処理の流れの一例を示すフローチャートである。FIG. 18 is a flowchart illustrating an example of the flow of information processing executed by the information processing device. 図19は、情報処理装置が実行する情報処理の流れの一例を示すフローチャートである。FIG. 19 is a flowchart showing an example of the flow of information processing executed by the information processing device. 図20は、情報処理装置が実行する情報処理の流れの一例を示すフローチャートである。FIG. 20 is a flowchart showing an example of the flow of information processing executed by the information processing device. 図21は、情報処理装置が実行する情報処理の流れの一例を示すフローチャートである。FIG. 21 is a flowchart illustrating an example of the flow of information processing executed by the information processing device. 図22は、情報処理装置が実行する情報処理の流れの一例を示すフローチャートである。FIG. 22 is a flowchart illustrating an example of the flow of information processing executed by the information processing device. 図23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。FIG. 23 is a hardware configuration diagram showing an example of a computer that implements the functions of the information processing apparatus.

以下に、本願に係る情報処理装置、情報処理方法、及び情報処理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、及び情報処理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。 Hereinafter, modes for implementing an information processing apparatus, an information processing method, and an information processing program (hereinafter referred to as "embodiments") according to the present application will be described in detail with reference to the drawings. The information processing apparatus, information processing method, and information processing program according to the present application are not limited to this embodiment. Also, in each of the following embodiments, the same parts are denoted by the same reference numerals, and overlapping descriptions are omitted.

(実施形態)
〔1.情報処理〕
以下、図1を用いて、情報処理システム1が実行する情報処理の一例について説明する。図1は、実施形態に係る情報処理の一例を示す図である。情報処理システム1は、電子商取引(EC:Electronic Commerce)サービスに関する情報処理を実行する。例えば、情報処理システム1の情報処理装置100は、ネットワーク(例えば、インターネット)上の商取引サイトに出店する事業者の債権の買い取りに関する情報処理を実行する。商取引サイトは、例えば電子商店街(オンラインモール)である。なお、商取引サイトは、以下に示す情報処理が適用可能であれば、電子商店街に限られず、例えば、オンラインショッピングサイト、オークションサイト、フリーマーケットサイト等の様々な形態の商取引サイトであってもよい。また、以下では、商取引サイトに出店する事業者を出店者と記載し、商取引サイトに出店後にその商取引サイトから退店した事業者を退店者と記載する場合がある。
(embodiment)
[1. information processing]
An example of information processing executed by the information processing system 1 will be described below with reference to FIG. FIG. 1 is a diagram illustrating an example of information processing according to an embodiment. The information processing system 1 executes information processing related to electronic commerce (EC) services. For example, the information processing device 100 of the information processing system 1 executes information processing regarding the purchase of credits of businesses that open stores on commercial transaction sites on a network (for example, the Internet). The commercial transaction site is, for example, an electronic shopping mall (online mall). Note that the commercial transaction site is not limited to an electronic shopping mall as long as the following information processing can be applied. . Further, hereinafter, a business operator who opens a store on a commercial transaction site may be referred to as a store owner, and a business operator who has left the commercial transaction site after opening a store may be referred to as a store closing person.

以下に示す情報処理では、債権の一例として将来債権を対象として処理する場合を示す。ここでいう将来債権は、例えば、商取引サイトに出店したストアについて未だ発生していない将来の売上である。将来債権は、商取引サイトに出店したストアが商取引サイトにおいて将来発生させることが期待される売上であってもよい。なお、以下に示す将来債権を対象とする処理は一例に過ぎず、債権は、将来債権に限らず、以下に示す情報処理が適用可能であれば、どのような債権であってもよい。例えば、債権は、ファクタリングの対象とすることが法令等で許可されている債権であれば、どのような債権であってもよい。 In the information processing described below, a case of processing future claims as an example of claims will be shown. The future receivables referred to here are, for example, future sales that have not yet occurred for a store opened on a commercial transaction site. The future receivables may be sales expected to be generated in the future on the commercial transaction site by a store opened on the commercial transaction site. It should be noted that the following processing for future claims is merely an example, and the claims are not limited to future claims, and may be any claims as long as the following information processing can be applied. For example, the receivables may be any receivables as long as they are legally permitted to be factored.

〔1-1.情報処理システムの構成〕
図1~図6に示す処理の説明に先立って、図1及び図7を用いて情報処理システム1の構成について説明する。図7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7に示すように、情報処理システム1は、ユーザ端末10と、ストア装置20と、ウェブサーバ30と、情報処理装置100とが含まれる。ユーザ端末10と、ストア装置20と、ウェブサーバ30と、情報処理装置100とは所定のネットワーク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。なお、図7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、複数台のストア装置20や、複数台のウェブサーバ30や、複数台の情報処理装置100が含まれてもよい。
[1-1. Configuration of information processing system]
Prior to explaining the processing shown in FIGS. 1 to 6, the configuration of the information processing system 1 will be explained using FIGS. 1 and 7. FIG. FIG. 7 is a diagram illustrating a configuration example of an information processing system according to the embodiment; As shown in FIG. 7 , the information processing system 1 includes a user terminal 10 , a store device 20 , a web server 30 and an information processing device 100 . The user terminal 10, the store device 20, the web server 30, and the information processing device 100 are communicatively connected via a predetermined network N by wire or wirelessly. Note that the information processing system 1 shown in FIG. 7 may include a plurality of user terminals 10, a plurality of store devices 20, a plurality of web servers 30, and a plurality of information processing devices 100. good.

ユーザ端末10は、ユーザによって利用されるコンピュータである。ユーザ端末10は、ユーザが携帯可能なデバイス(端末装置)である。例えば、ユーザ端末10は、ブラウザに表示されるウェブページやアプリケーション用のコンテンツ等のコンテンツにアクセスするユーザによって利用される。例えば、ユーザ端末10は、ユーザが商取引サイトのコンテンツ(ウェブページ等)を閲覧するためや、商取引サイトにおいて商品を購入したり、商品情報の評価(いわゆるレビュー)を投稿したりするために利用される。 A user terminal 10 is a computer used by a user. The user terminal 10 is a device (terminal device) that can be carried by the user. For example, the user terminal 10 is used by a user who accesses content such as web pages displayed on a browser and content for applications. For example, the user terminal 10 is used by the user to view contents (web pages, etc.) of a commercial transaction site, purchase products on the commercial transaction site, and post product information evaluations (so-called reviews). be.

ユーザ端末10は、例えば、スマートフォンや、タブレット型端末や、ノート型PC(Personal Computer)や、携帯電話機や、PDA(Personal Digital Assistant)等により実現される。図1は、ユーザ端末10がスマートフォンである場合を示す。なお、以下では、ユーザ端末10をユーザと表記する場合がある。すなわち、以下では、ユーザをユーザ端末10と読み替えることもできる。 The user terminal 10 is realized by, for example, a smart phone, a tablet terminal, a notebook PC (Personal Computer), a mobile phone, a PDA (Personal Digital Assistant), or the like. FIG. 1 shows a case where the user terminal 10 is a smart phone. In addition, below, the user terminal 10 may be described as a user. That is, hereinafter, the user can also be read as the user terminal 10 .

ストア装置20は、ストアに関する事業を行う事業者によって利用されるコンピュータである。例えば、ストア装置20は、商取引サイトに出店するストア(店舗)の事業者(出店者)によって利用される。ストア装置20は、ウェブサーバ30との間で情報を送受信する。事業者は、ストア装置20を用いて、ウェブサーバ30が提供する商取引サイトへの出店を行う。ストア装置20は、事業者が商取引サイトへ出店するストアに関する各種情報をウェブサーバ30へ送信する。例えば、ストア装置20は、ストアに関する各種情報を情報処理装置100に送信する。ストア装置20は、情報処理装置100が要求する情報を、情報処理装置100に送信する。 The store device 20 is a computer used by a business operator who conducts business related to stores. For example, the store device 20 is used by an operator (operator) of a store (store) that opens a store on a commercial transaction site. Store device 20 transmits and receives information to and from web server 30 . The business uses the store device 20 to open a store on the commercial transaction site provided by the web server 30 . The store device 20 transmits to the web server 30 various kinds of information about the store opened by the business operator on the commercial transaction site. For example, the store device 20 transmits various information regarding the store to the information processing device 100 . The store device 20 transmits information requested by the information processing device 100 to the information processing device 100 .

ストア装置20は、例えば、スマートフォンや、タブレット型端末や、ノート型PC(ノートパソコン)や、デスクトップPCや、携帯電話機や、PDA等により実現される。図1は、ストア装置20がノートパソコンである場合を示す。なお、以下では、ストア装置20をストアまたはストアを出店した事業者(出店者)と表記する場合がある。すなわち、以下では、ストアまたは事業者(出店者)をストア装置20と読み替えることもできる。 The store device 20 is realized by, for example, a smart phone, a tablet terminal, a notebook PC (laptop computer), a desktop PC, a mobile phone, a PDA, or the like. FIG. 1 shows a case where the store device 20 is a notebook computer. Note that the store device 20 may be hereinafter referred to as a store or a business operator (operator) who has opened a store. That is, hereinafter, the store or business operator (store owner) can also be read as the store device 20 .

ウェブサーバ30は、ユーザに対して電子商取引サービスを提供するサーバ装置である。ウェブサーバ30は、ネットワーク上の電子商店街等の商取引サイトを提供する。ウェブサーバ30は、ユーザに商取引サイトにおけるオンラインショッピングのサービスを提供する。例えば、ウェブサーバ30は、ユーザが利用するユーザ端末10からの要求に応じて商取引サイトに関する各種情報を提供したり、ユーザが購入を希望する商品の購入処理を実行したりする。 The web server 30 is a server device that provides electronic commerce services to users. The web server 30 provides a commercial transaction site such as an electronic shopping mall on the network. The web server 30 provides users with online shopping services at commercial transaction sites. For example, the web server 30 provides various types of information regarding commercial transaction sites in response to requests from the user terminal 10 used by the user, and executes purchase processing for products that the user wishes to purchase.

ウェブサーバ30が提供する商取引サイトにおいては、各事業者が種々のカテゴリの商品を扱う店舗(ストア)を出店する。ウェブサーバ30は、事業者が利用するストア装置20から商取引サイトへの出店の要求を受け付ける。ウェブサーバ30は、ストア装置20から事業者が商取引サイトへ出店するストアに関する各種情報を受信する。ウェブサーバ30は、要求元の事業者が出店するストアを商取引サイトに追加する。なお、上述したウェブサーバ30と、ストア装置20及びユーザ端末10との間の情報通信等は、一般的な電子商取引サービスでのオンラインショッピングの場合と同様であるため、詳細な説明は省略する。 In the commercial transaction site provided by the web server 30, each business operator opens a store (store) that handles products of various categories. The web server 30 accepts a request to open a store on the commercial transaction site from the store device 20 used by the business. The web server 30 receives, from the store device 20, various kinds of information about the store opened by the business operator on the commercial transaction site. The web server 30 adds the store opened by the requesting business to the commercial transaction site. Information communication and the like between the web server 30, the store device 20, and the user terminal 10 described above are the same as in the case of online shopping in a general electronic commerce service, so detailed descriptions thereof will be omitted.

ウェブサーバ30は、情報処理装置100へ情報提供を行う。ウェブサーバ30は、情報処理装置100が処理に必要な様々な情報を情報処理装置100へ送信する。ウェブサーバ30は、商取引サイトに関する情報を情報処理装置100へ提供する。例えば、ウェブサーバ30は、商取引サイトにおいて収集した各種情報を情報処理装置100へ提供する。例えば、ウェブサーバ30は、商取引サイトにおける各ストアの販売に関する履歴や各ユーザの購入に関する履歴等の様々な情報を情報処理装置100へ提供する。ウェブサーバ30は、ストア装置20及びユーザ端末10から収集した情報を情報処理装置100へ提供する。 The web server 30 provides information to the information processing device 100 . The web server 30 transmits to the information processing apparatus 100 various information necessary for processing by the information processing apparatus 100 . The web server 30 provides the information processing device 100 with information regarding commercial transaction sites. For example, the web server 30 provides the information processing apparatus 100 with various types of information collected at a commercial transaction site. For example, the web server 30 provides the information processing apparatus 100 with various information such as a history of sales at each store on the commercial transaction site and a history of purchases by each user. The web server 30 provides information collected from the store device 20 and the user terminal 10 to the information processing device 100 .

情報処理装置100は、商取引サイトに出店する事業者の債権の買い取りに関する情報処理を実行するコンピュータである。例えば、情報処理装置100は、各種情報を用いて、債権の買い取りに関する条件(「ファクタリング条件」ともいう)を決定する決定装置である。また、情報処理装置100は、各種情報を用いて、ストアの債権の買取上限額を決定する。また、情報処理装置100は、推定(予測)したストアの退店確率に基づいて、ストアの将来債権に対応する売掛金の回収態様を決定する。また、情報処理装置100は、商取引サイトに出店する複数のストアのうち、債権の買い取りの提案先となる提案先ストアを決定する。 The information processing device 100 is a computer that executes information processing related to the purchase of credits of businesses that open stores on commercial transaction sites. For example, the information processing device 100 is a determination device that determines conditions (also referred to as “factoring conditions”) regarding the purchase of bonds using various types of information. Further, the information processing apparatus 100 determines the maximum purchase amount of the credits of the store using various types of information. In addition, the information processing apparatus 100 determines the mode of collection of accounts receivable corresponding to the future credit of the store based on the estimated (predicted) store closing probability. Further, the information processing apparatus 100 determines the proposed store to which the purchase of the bond is proposed from among the plurality of stores opened on the commercial transaction site.

〔1-2.情報処理システムにおける処理の全体概要〕
ここから、図1~図6を用いて、情報処理システム1が行う情報処理の一例について説明する。まず、図1を用いて、情報処理システム1の各装置間での情報の送受信を含む情報処理システム1における処理の概要を説明した後、図2~図6を用いて各情報処理の詳細を説明する。なお、情報処理システム1において提供される電子商取引サービスについては、債権の買い取りに関する点以外は、一般的な電子商取引サービスと同様であるため、債権の買い取りに関する処理以外の点の詳細な説明は適宜省略する。
[1-2. Overall overview of processing in information processing system]
An example of information processing performed by the information processing system 1 will now be described with reference to FIGS. 1 to 6. FIG. First, using FIG. 1, an outline of processing in the information processing system 1 including transmission and reception of information between each device of the information processing system 1 will be described. Then, details of each information processing will be described using FIGS. explain. The electronic commerce service provided by the information processing system 1 is the same as general electronic commerce services except for the purchase of claims. omitted.

まず、事業者が利用するストア装置20は、事業者のストアを出店する処理を行う(ステップS1)。例えば、ストア装置20は、事業者の操作に応じてストアの出店をウェブサーバ30に要求し、ウェブサーバ30は、ストア装置20からの要求に応じて事業者のストアを商取引サイトへ追加する。 First, the store device 20 used by the business performs processing for opening the store of the business (step S1). For example, the store device 20 requests the web server 30 to open a store in response to the operator's operation, and the web server 30 adds the business operator's store to the commercial transaction site in response to the request from the store device 20 .

また、ユーザ端末10を利用するユーザは、ウェブサーバ30が提供する商取引サイトを利用する(ステップS2)。例えば、ウェブサーバ30は、ユーザが利用するユーザ端末10からの要求に応じて、ユーザに商取引サイトにおけるオンラインショッピングのサービスを提供する。例えば、ウェブサーバ30は、商取引サイトに関する各種情報をユーザ端末10へ提供したり、ユーザが購入を希望する商品の購入処理を実行したりする。 Also, the user using the user terminal 10 uses the commercial transaction site provided by the web server 30 (step S2). For example, the web server 30 provides users with online shopping services on commercial transaction sites in response to requests from the user terminals 10 used by the users. For example, the web server 30 provides the user terminal 10 with various information related to commercial transaction sites, and executes purchase processing for products that the user wishes to purchase.

そして、情報処理装置100は、処理に用いる情報をウェブサーバ30から取得する(ステップS3)。情報処理装置100は、商取引サイトに関する情報をウェブサーバ30から受信する。例えば、情報処理装置100は、ウェブサーバ30が商取引サイトのサービスで収集した各種情報をウェブサーバ30から取得する。例えば、情報処理装置100は、商取引サイトにおける各ストアの販売に関する履歴や各ユーザの購入に関する履歴等の様々な情報をウェブサーバ30から取得する。なお、情報処理装置100は、ストア装置20またはユーザ端末10から情報を取得してもよい。 Then, the information processing apparatus 100 acquires information used for processing from the web server 30 (step S3). The information processing device 100 receives information on commercial transaction sites from the web server 30 . For example, the information processing apparatus 100 acquires from the web server 30 various types of information that the web server 30 has collected through the services of the commercial transaction site. For example, the information processing apparatus 100 acquires various information from the web server 30, such as a history of sales at each store on the commercial transaction site and a history of purchases by each user. Note that the information processing device 100 may acquire information from the store device 20 or the user terminal 10 .

そして、情報処理装置100は、取得した情報を用いて、各種の情報処理を実行する(ステップS4)。情報処理装置100は、取得した情報を用いて、決定処理を実行する。例えば、情報処理装置100は、取得した情報を用いて、債権の買い取りに関する条件を決定する決定処理を実行するが、この点の詳細は後述する。 Then, the information processing apparatus 100 executes various information processing using the acquired information (step S4). The information processing apparatus 100 executes the determination process using the acquired information. For example, the information processing apparatus 100 uses the acquired information to execute determination processing for determining the conditions for purchasing the bond, details of which will be described later.

そして、情報処理装置100は、決定処理により決定した情報を用いて、事業者へサービスを提供する(ステップS5)。例えば、情報処理装置100は、決定処理により決定した情報を用いて、事業者へ情報提供サービスを行う。情報処理装置100は、決定処理により決定した情報を、事業者が利用するストア装置20へ送信する。例えば、情報処理装置100は、決定処理により決定した情報に基づくストアの債権の買取上限額を示す情報を、事業者が利用するストア装置20へ送信する。このように、情報処理装置100は、決定処理により決定した情報を用いて、事業者へ情報提供を行うことにより、債権の買い取りに関する適切なサービスを提供することができる。なお、情報処理装置100がストアへ提供するサービスの詳細については後述する。 Then, the information processing apparatus 100 uses the information determined by the determination process to provide the service to the business operator (step S5). For example, the information processing apparatus 100 uses the information determined by the determination process to provide the information providing service to the business operator. The information processing device 100 transmits the information determined by the determination process to the store device 20 used by the business. For example, the information processing device 100 transmits, to the store device 20 used by the business operator, information indicating the maximum purchase amount of credits of the store based on the information determined by the determination process. In this way, the information processing apparatus 100 can provide appropriate services related to the purchase of claims by providing information to the business operator using the information determined by the determination process. The details of the services provided to the store by the information processing apparatus 100 will be described later.

〔1-3.情報処理の詳細〕
上述した情報処理システム1が行う情報処理を前提として、情報処理装置100により実行される各種の情報処理の詳細を説明する。なお、上記で説明した内容と同様の点については適宜説明を省略する。また、以下で説明する各種の処理は適宜組み合わせてもよい。
[1-3. Information processing details]
Assuming the information processing performed by the information processing system 1 described above, details of various information processing performed by the information processing apparatus 100 will be described. It should be noted that descriptions of the same points as those described above will be omitted as appropriate. Also, various types of processing described below may be combined as appropriate.

〔1-3-1.分類に基づく処理〕
例えば、情報処理装置100は、複数のストアを複数のグループにグルーピング(分類)したグルーピング結果を用いて、決定処理を行ってもよい。この場合、情報処理装置100は、ストアのデータ(ストア情報)に基づいて算出した回収不能になる確率を示す情報に基づいて、ストアをグルーピングし、グループごとに指標値の一例である買取上限月数等のファクタリング条件を決定する。そして、情報処理装置100は、買取上限月数にストアの売上実績(直近一カ月等)に基づく値を乗じて買取上限額を決定する。このような分類に基づく処理の一例を、図2を用いて説明する。図2は、情報処理装置が実行する情報処理の一例を示す図である。なお、図2の例では商取引サイトに出店されたストアの一例として、ストアSP1、SP2、SP12、SP15等の一部のストアのみを図示するが、商取引サイトには多数のストアが出店しているものとする。
[1-3-1. Processing based on classification]
For example, the information processing apparatus 100 may perform determination processing using grouping results obtained by grouping (classifying) a plurality of stores into a plurality of groups. In this case, the information processing apparatus 100 groups the stores based on information indicating the probability of non-collection calculated based on the store data (store information), and sets the purchase limit month, which is an example of an index value, for each group. Determine factoring conditions such as numbers. Then, the information processing apparatus 100 multiplies the upper limit number of months for purchase by a value based on the store's sales performance (last month or the like) to determine the upper limit purchase price. An example of processing based on such classification will be described with reference to FIG. FIG. 2 is a diagram illustrating an example of information processing executed by an information processing apparatus; In the example of FIG. 2, only some stores such as stores SP1, SP2, SP12, and SP15 are shown as examples of stores opened on the commercial transaction site, but there are many stores on the commercial transaction site. shall be

図2では、ストアが商取引サイトから退店する確率(可能性)を示すスコア(「退店スコア」ともいう)を出力する学習モデル(以下単に「モデル」ともいう)であるモデルM1を用いて、情報処理装置100がグルーピングを行う場合を一例して示す。モデルM1は、退店モデルであり、機械学習により学習されるモデルである。なお、退店に関する情報を用いたグルーピングは、一例に過ぎず、情報処理装置100は、退店に限らず、債権が回収不能になるリスクに関する情報を用いてストアのグルーピングを行ってもよい。 In FIG. 2, a model M1, which is a learning model (hereinafter simply referred to as "model") that outputs a score (also referred to as "store exit score") indicating the probability (possibility) that a store will withdraw from a commercial transaction site, is used. , a case where the information processing apparatus 100 performs grouping. The model M1 is a store closing model, and is a model learned by machine learning. Note that the grouping using the information on closing the store is only an example, and the information processing apparatus 100 may group the stores using information on the risk of not being able to collect the credit, not limited to the closing of the store.

例えば、債権が回収不能になるリスクには、商取引サイトにとってネガティブな事象(「ネガティブ事象」ともいう)が含まれる。ネガティブ事象には、ネガティブ事象を発生させ得るストアにより様々な行為(「ネガティブ行為」ともいう)が含まれる。例えば、ネガティブ事象には、規約違反、連絡不能、違反物販売、悪質な広告、偽物販売、出店料滞納、ストア評価の急落、キャンセル多発、配送遅延等が含まれる。例えば、情報処理装置100は、上述したようなネガティブ事象を含む様々なリスクに関する情報を用いてストアのグルーピングを行ってもよい。また、情報処理装置100は、ストアの退店等のリスクに関する情報に限らず、ストアの将来性に関する情報を用いてストアのグルーピングを行ってもよい。 For example, the risk of uncollectible receivables includes negative events (also referred to as “negative events”) for the commercial transaction site. Negative events include various actions (also referred to as "negative actions") by the store that can cause negative events. For example, negative events include violation of terms, inability to contact, sales of illegal products, malicious advertisements, sales of counterfeit goods, delinquency in payment of store opening fees, sudden drop in store evaluation, frequent cancellations, delivery delays, and the like. For example, the information processing apparatus 100 may group stores using information on various risks including negative events as described above. In addition, the information processing apparatus 100 may group the stores using information regarding the future potential of the store, in addition to the information regarding the risk of closing the store.

また、情報処理装置100は、学習モデルを提供するモデル提供サーバ等からモデルM1を取得してもよいし、自装置でモデルM1を学習してもよい。例えば、情報処理装置100は、モデルM1を学習する場合、モデル情報記憶部122(図10参照)に格納された学習データLDT1を用いて、モデルM1を学習する。例えば、学習データLDT1には、ストアに関する情報(「ストア情報」ともいう)と、そのストアが退店したか否かを示すラベル(「正解情報」ともいう)とを対応付けたデータが含まれる。 Further, the information processing apparatus 100 may acquire the model M1 from a model providing server or the like that provides a learning model, or may learn the model M1 by itself. For example, when learning the model M1, the information processing apparatus 100 learns the model M1 using learning data LDT1 stored in the model information storage unit 122 (see FIG. 10). For example, the learning data LDT1 includes data in which information about a store (also referred to as "store information") is associated with a label indicating whether or not the store has closed (also referred to as "correct information"). .

なお、ストア情報には、ストアの事業者の事業に関する情報(事業情報)、ストアで取引(販売)される商品に関する情報(商品情報)、ストアで取引(販売)される商品のカテゴリに関する情報(カテゴリ情報)、ストアの売上に関する情報(売上情報)、ストアに関連する評価対象の評価に関する情報(評価情報)等、様々な情報が含まれてもよいが、詳細は後述する。また、例えば、各ストアの正解情報としては、そのストアが退店した場合は「1」が割り当てられ、そのストアが退店していない場合は「0」が割り当てられる。例えば、各ストアの正解情報としては、ある時点(時点X)までのストアのストア情報に、そのストアが時点Xから一年以内に退店した場合は「1」が割り当てられ、そのストアが時点Xから一年以内に退店していない場合は「0」が割り当てられてもよい。この場合、情報処理装置100は、一年に限らず、所望の期間(例えば一カ月、六カ月、五年等)内にストアが退店する確率(可能性)を推定(予測)するモデルを生成することができる。 In addition, store information includes information on the business of the store operator (business information), information on products traded (sold) at the store (product information), information on the category of products traded (sold) at the store ( category information), information on sales of the store (sales information), information on evaluation of an evaluation target related to the store (evaluation information), and the like, the details of which will be described later. Further, for example, as the correct information for each store, "1" is assigned when the store is closed, and "0" is assigned when the store is not closed. For example, as the correct information for each store, "1" is assigned to store information of a store up to a certain point in time (point in time X) if the store closed within one year from point in time X, and the store is "0" may be assigned if the store has not exited within one year from X. In this case, the information processing apparatus 100 creates a model for estimating (predicting) the probability (possibility) that the store will close within a desired period (for example, one month, six months, five years, etc.), not limited to one year. can be generated.

例えば、情報処理装置100は、モデルM1が出力するスコアが、モデルM1に入力したストアのストア情報に対応付けられた正解情報(ラベル)に近づくように、バックプロパゲーション(誤差逆伝播法)等の手法により学習処理を行う。例えば、情報処理装置100は、ストアの事業情報、商品情報、カテゴリ情報、売上情報、及び評価情報等の少なくとも1つを含むストア情報が入力されたモデルM1が出力するスコアが、そのストアに対応付けられた正解情報に近づくように学習処理を行う。例えば、情報処理装置100は、正解情報が「1」である場合、その正解情報が割り当てられたストアのストア情報が入力された場合に、モデルM1が出力するスコアが「1」に近づくように、学習処理を行う。また、例えば、情報処理装置100は、正解情報が「0」である場合、その正解情報が割り当てられたストアのストア情報が入力された場合に、モデルM1が出力するスコアが「0」に近づくように、学習処理を行う。 For example, the information processing apparatus 100 performs back propagation (error backpropagation) or the like so that the score output by the model M1 approaches the correct information (label) associated with the store information of the store input to the model M1. The learning process is performed by the method of For example, the information processing apparatus 100 determines that the score output by the model M1 to which store information including at least one of store business information, product information, category information, sales information, evaluation information, etc. is input corresponds to the store. Learning processing is performed so as to approach the attached correct information. For example, when the correct answer information is "1" and the store information of the store to which the correct answer information is assigned is input, the information processing apparatus 100 makes the score output by the model M1 approach "1". , the learning process is performed. Further, for example, when the correct information is "0" and the store information of the store to which the correct information is assigned is input, the information processing apparatus 100 makes the score output by the model M1 approach "0". , the learning process is performed.

例えば、情報処理装置100は、学習処理によりノード間で値が伝達する際に考慮される重み(すなわち、接続係数)の値を調整する。このように、情報処理装置100は、モデルM1における出力と、入力に対応する正解情報との誤差が少なくなるようにパラメータ(接続係数)を補正するバックプロパゲーション等の処理によりモデルM1を学習する。例えば、情報処理装置100は、所定の損失(ロス)関数を最小化するようにバックプロパゲーション等の処理を行うことによりモデルM1を生成する。これにより、情報処理装置100は、モデルM1のパラメータを学習する学習処理を行うことができる。 For example, the information processing apparatus 100 adjusts the values of weights (that is, connection coefficients) that are considered when values are transmitted between nodes by learning processing. In this way, the information processing apparatus 100 learns the model M1 by processing such as back propagation that corrects the parameters (connection coefficients) so that the error between the output of the model M1 and the correct information corresponding to the input is reduced. . For example, the information processing apparatus 100 generates the model M1 by performing processing such as back propagation so as to minimize a predetermined loss function. Thereby, the information processing apparatus 100 can perform learning processing for learning the parameters of the model M1.

なお、モデルの学習手法については、上述した手法に限定されるものではなく、任意の公知技術が適用可能である。なお、各モデルの生成は、機械学習に関する種々の従来技術を適宜用いて行われてもよい。例えば、モデルの生成は、SVM(Support Vector Machine)等の教師あり学習の機械学習に関する技術を用いて行われてもよい。また、例えば、モデルの生成は、教師なし学習の機械学習に関する技術を用いて行われてもよい。例えば、モデルの生成は、深層学習(ディープラーニング)の技術を用いて行われてもよい。例えば、モデルの生成は、DNN(Deep Neural Network)やRNN(Recurrent Neural Network)やCNN(Convolutional Neural Network)等の種々のディープラーニングの技術を適宜用いて行われてもよい。なお、上記モデルの生成に関する記載は例示であり、モデルの生成は、取得可能な情報等に応じて適宜選択された学習手法により行われてもよい。すなわち、情報処理装置100は、学習データに含まれるストア情報が入力された場合に、正解情報に対応するスコアを出力するようにモデルM1を学習可能であれば、どのような手法によりモデルM1の生成を行ってもよい。 Note that the model learning method is not limited to the method described above, and any known technique can be applied. Note that each model may be generated using various conventional techniques related to machine learning as appropriate. For example, a model may be generated using a technology related to supervised learning machine learning such as SVM (Support Vector Machine). Also, for example, model generation may be performed using techniques related to unsupervised machine learning. For example, model generation may be performed using deep learning techniques. For example, the model may be generated using various deep learning techniques such as DNN (Deep Neural Network), RNN (Recurrent Neural Network), and CNN (Convolutional Neural Network). Note that the above description of model generation is an example, and model generation may be performed by a learning method appropriately selected according to obtainable information and the like. That is, if the information processing apparatus 100 can learn the model M1 so as to output a score corresponding to the correct answer information when the store information included in the learning data is input, what kind of method can be used to train the model M1? You can generate.

ここから、上述した内容を前提として、図2に示す情報処理について詳細に説明する。まず、図2では、情報処理装置100は、商取引サイトに出店する複数のストアの各々について退店スコアを算出する。情報処理装置100は、ストアSP1のストア情報SINF1をモデルM1に入力する(ステップS11-1)。例えば、情報処理装置100は、ストアSP1の事業情報、商品情報、カテゴリ情報、売上情報、及び評価情報等の少なくとも1つを含むストア情報SINF1をモデルM1に入力する。ストア情報SINF1が入力されたモデルM1は、スコアを出力する(ステップS11-2)。図2の例では、ストア情報SINF1が入力されたモデルM1は、スコアSC1に示すようなスコア「0.9」を出力する。このように、ストアSP1の退店スコアは「0.9」であり「1」に近いため、情報処理装置100は、ストアSP1が商取引サイトから退店する可能性が高いと推定することができる。 From here, the information processing shown in FIG. 2 will be described in detail on the premise of the above-described contents. First, in FIG. 2, the information processing apparatus 100 calculates a closing score for each of a plurality of stores that open on the commercial transaction site. The information processing apparatus 100 inputs the store information SINF1 of the store SP1 to the model M1 (step S11-1). For example, the information processing device 100 inputs store information SINF1 including at least one of business information, merchandise information, category information, sales information, evaluation information, etc. of the store SP1 to the model M1. The model M1 to which the store information SINF1 is input outputs a score (step S11-2). In the example of FIG. 2, model M1 to which store information SINF1 is input outputs a score of "0.9" as indicated by score SC1. In this way, since the closing score of the store SP1 is "0.9", which is close to "1", the information processing apparatus 100 can estimate that the store SP1 is likely to exit the commercial transaction site. .

また、情報処理装置100は、ストアSP2のストア情報SINF2をモデルM1に入力する(ステップS11-3)。例えば、情報処理装置100は、ストアSP2の事業情報、商品情報、カテゴリ情報、売上情報、及び評価情報等の少なくとも1つを含むストア情報SINF2をモデルM1に入力する。ストア情報SINF2が入力されたモデルM1は、スコアを出力する(ステップS11-4)。図2の例では、ストア情報SINF2が入力されたモデルM1は、スコアSC2に示すようなスコア「0.05」を出力する。このように、ストアSP2の退店スコアは「0.05」であり「0」に近いため、情報処理装置100は、ストアSP2が商取引サイトから退店する可能性が低いと推定することができる。 The information processing apparatus 100 also inputs the store information SINF2 of the store SP2 to the model M1 (step S11-3). For example, the information processing device 100 inputs store information SINF2 including at least one of business information, product information, category information, sales information, evaluation information, etc. of the store SP2 to the model M1. The model M1 to which the store information SINF2 is input outputs a score (step S11-4). In the example of FIG. 2, the model M1 to which the store information SINF2 is input outputs a score of "0.05" as indicated by the score SC2. In this way, since the exit score of the store SP2 is "0.05" and close to "0", the information processing device 100 can estimate that the possibility of the store SP2 exiting the commercial transaction site is low. .

同様に、情報処理装置100は、ストアSP12のストア情報SINF12をモデルM1に入力し(ステップS11-5)、ストア情報SINF12が入力されたモデルM1がスコアを出力する(ステップS11-6)。図2の例では、ストア情報SINF12が入力されたモデルM1は、スコアSC12に示すようなスコア「0.07」を出力する。また、情報処理装置100は、ストアSP15のストア情報SINF15をモデルM1に入力し(ステップS11-7)、ストア情報SINF15が入力されたモデルM1がスコアを出力する(ステップS11-8)。図2の例では、ストア情報SINF15が入力されたモデルM1は、スコアSC15に示すようなスコア「0.15」を出力する。同様の処理により、情報処理装置100は、ストアSP1、SP2、SP12、SP15以外のストアについても同様に退店スコアを算出するが詳細な説明は省略する。 Similarly, the information processing apparatus 100 inputs the store information SINF12 of the store SP12 to the model M1 (step S11-5), and the model M1 to which the store information SINF12 is input outputs a score (step S11-6). In the example of FIG. 2, the model M1 to which the store information SINF12 is input outputs a score of "0.07" as indicated by the score SC12. The information processing apparatus 100 also inputs the store information SINF15 of the store SP15 to the model M1 (step S11-7), and the model M1 to which the store information SINF15 is input outputs a score (step S11-8). In the example of FIG. 2, the model M1 to which the store information SINF15 is input outputs a score of "0.15" as indicated by the score SC15. Through similar processing, the information processing apparatus 100 similarly calculates closing scores for stores other than the stores SP1, SP2, SP12, and SP15, but detailed description thereof will be omitted.

そして、情報処理装置100は、各ストアの退店スコアに基づいて、複数のストアを複数のグループに分類する(ステップS12)。情報処理装置100は、各ストアの退店スコアと複数の閾値とを用いて、各ストアを複数のグループにグルーピングする。例えば、情報処理装置100は、閾値情報記憶部123(図11参照)に記憶されたグルーピングに関する閾値を用いて、各ストアを複数のグループにグルーピングする。図2では説明を簡単にするために、「0.1」間隔で増加する9個の閾値を用いる場合を一例として説明する。具体的には、値「0.1」の第1閾値TH1、値「0.2」の第2閾値TH2、値「0.3」の第3閾値TH3、値「0.4」の第4閾値TH4、値「0.5」の第5閾値TH5、値「0.6」の第6閾値TH6、値「0.7」の第7閾値TH7、値「0.8」の第8閾値TH8、値「0.9」の第9閾値TH9が用いられる。 Then, the information processing device 100 classifies the plurality of stores into a plurality of groups based on the closing score of each store (step S12). The information processing apparatus 100 groups each store into a plurality of groups using the closing score of each store and a plurality of thresholds. For example, the information processing apparatus 100 groups each store into a plurality of groups using the thresholds for grouping stored in the threshold information storage unit 123 (see FIG. 11). In FIG. 2, in order to simplify the explanation, the case of using nine thresholds that increase at intervals of "0.1" will be explained as an example. Specifically, a first threshold TH1 of value "0.1", a second threshold TH2 of value "0.2", a third threshold TH3 of value "0.3", and a fourth threshold TH3 of value "0.4" Threshold TH4, fifth threshold TH5 with value "0.5", sixth threshold TH6 with value "0.6", seventh threshold TH7 with value "0.7", eighth threshold TH8 with value "0.8" , a ninth threshold TH9 of value "0.9" is used.

情報処理装置100は、各ストアの退店スコアと9個の閾値(第1閾値TH1~第9閾値TH9)とを比較した比較結果に応じて、各ストアを複数のグループにグルーピングする。情報処理装置100は、図2のグルーピング情報GLT1に示すように、各ストアの退店スコアに応じて、各ストアを10個のグループにグルーピングする。具体的には、情報処理装置100は、第1グループ、第2グループ、第3グループ、第4グループ、第5グループ、第6グループ、第7グループ、第8グループ、第9グループ、及び第10グループいずれかに各ストアを分類する。なお、グループの数は10個に限らず、例えば5個、15個等の任意の数であってもよい。 The information processing apparatus 100 groups each store into a plurality of groups according to the comparison result of comparing the closing score of each store with nine thresholds (first threshold TH1 to ninth threshold TH9). The information processing apparatus 100 groups each store into 10 groups according to the closing score of each store, as shown in the grouping information GLT1 of FIG. Specifically, the information processing apparatus 100 includes the first group, the second group, the third group, the fourth group, the fifth group, the sixth group, the seventh group, the eighth group, the ninth group, and the tenth group. Sort each store into one of the groups. Note that the number of groups is not limited to 10, and may be any number such as 5 or 15, for example.

ここで、図2のグルーピング情報GLT1に示すように、各グループには、将来債権の買取対象とする月数(「買取対象月数」ともいう)が対応付けられている。これにより、情報処理装置100は、グループごとに、債権の買い取りに関する条件を決定する。例えば、情報処理装置100は、退店確率が低いと推定されるストアが属するグループ程、長い買取対象月数を割り当てると決定する。このように、情報処理装置100は、退店の可能性が低いグループ程、そのグループに属するストアに有利な条件を決定する。すなわち、情報処理装置100は、リスクが低いグループ程、そのグループに属するストアに有利な条件を決定する。 Here, as shown in the grouping information GLT1 in FIG. 2, each group is associated with the number of months to be purchased for future bonds (also referred to as "number of months to be purchased"). Thereby, the information processing apparatus 100 determines the conditions for purchasing the bond for each group. For example, the information processing apparatus 100 determines to allocate a longer number of purchase target months to a group to which a store that is estimated to have a lower store closing probability belongs. In this way, the information processing apparatus 100 determines conditions that are advantageous to the stores belonging to a group with a lower possibility of closing. That is, the information processing apparatus 100 determines conditions that are advantageous to stores belonging to a group with a lower risk.

図2の例では、退店確率が最も低いと推定されるストアが属する第1グループには買取対象月数として最長の「3」が対応付けられる。この場合、情報処理装置100は、第1グループに属するストアについては三カ月先までの将来債権の買い取りの対象とすることを示す。 In the example of FIG. 2, the first group to which the store estimated to have the lowest closing probability belongs is associated with "3", which is the longest purchase target month number. In this case, the information processing device 100 indicates that the stores belonging to the first group are subject to purchase of future claims up to three months ahead.

また、退店確率が最も高いと推定されるストアが属する第10グループには買取対象月数として最短の「0」が対応付けられる。この場合、情報処理装置100は、第10グループに属するストアについては将来債権の買い取りを行わないことを示す。例えば、情報処理装置100は、将来債権以外の買い取りも行う場合、第10グループに属するストアについては将来債権以外の買い取りのみを行う。 In addition, the tenth group to which the store estimated to have the highest closing probability belongs is associated with "0", which is the shortest number of months to be purchased. In this case, the information processing apparatus 100 indicates that future claims will not be purchased from stores belonging to the tenth group. For example, when the information processing apparatus 100 also purchases items other than future claims, the information processing apparatus 100 only purchases items other than future claims for stores belonging to the tenth group.

例えば、情報処理装置100は、退店スコアが第1閾値TH1未満であるストアを第1グループに分類する。図2では、情報処理装置100は、退店スコアが「0.05」であり、第1閾値TH1の「0.1」未満であるストアSP2を第1グループに分類する。また、情報処理装置100は、退店スコアが「0.07」であり、第1閾値TH1の「0.1」未満であるストアSP12を第1グループに分類する。 For example, the information processing apparatus 100 classifies stores whose closing score is less than the first threshold TH1 into the first group. In FIG. 2, the information processing apparatus 100 classifies the store SP2 whose exit score is "0.05" and is less than the first threshold TH1 of "0.1" into the first group. Further, the information processing apparatus 100 classifies the store SP12 whose closing score is "0.07" and which is less than the first threshold TH1 of "0.1" into the first group.

また、情報処理装置100は、退店スコアが第1閾値TH1以上であり第2閾値TH2未満であるストアを第2グループに分類する。図2では、情報処理装置100は、退店スコアが「0.15」であり、第1閾値TH1の「0.1」以上であり第2閾値TH2の「0.2」未満であるストアSP15を第2グループに分類する。 In addition, the information processing apparatus 100 classifies stores whose closing scores are equal to or greater than the first threshold TH1 and less than the second threshold TH2 into the second group. In FIG. 2, the information processing apparatus 100 determines that the closing score of the store SP15 is "0.15", is equal to or greater than the first threshold TH1 of "0.1", and is less than the second threshold TH2 of "0.2". are classified into the second group.

また、情報処理装置100は、退店スコアが第2閾値TH2以上であり第3閾値TH3未満であるストアを第3グループに分類する。図2では、情報処理装置100は、退店スコア(例えば「0.23」)が第2閾値TH2の「0.2」以上であり第3閾値TH3の「0.3」未満であるストアSP3を第3グループに分類する。同様に、情報処理装置100は、第3閾値TH3~第9閾値TH9を用いて、条件を満たすストアを第4グループ~第9グループに分類する。 In addition, the information processing apparatus 100 classifies stores whose closing scores are equal to or greater than the second threshold TH2 and less than the third threshold TH3 into the third group. In FIG. 2, the information processing apparatus 100 determines that the exit score (for example, "0.23") of the store SP3 is equal to or greater than "0.2" of the second threshold TH2 and less than "0.3" of the third threshold TH3. are classified into the third group. Similarly, the information processing apparatus 100 classifies the stores satisfying the conditions into the fourth to ninth groups using the third threshold TH3 to ninth threshold TH9.

また、情報処理装置100は、退店スコアが第9閾値TH9以上であるストアを第10グループに分類する。図2では、情報処理装置100は、退店スコアが「0.9」であり、第9閾値TH9の「0.9」以上であるストアSP1を第10グループに分類する。 In addition, the information processing apparatus 100 classifies stores whose exit score is equal to or higher than the ninth threshold TH9 into the tenth group. In FIG. 2, the information processing apparatus 100 classifies the store SP1 whose exit score is "0.9" and whose closing score is equal to or greater than the ninth threshold TH9 of "0.9" into the tenth group.

なお、上述した処理は一例に過ぎず、情報処理装置100は、様々な情報を適宜用いて各ストアを複数のグループにグルーピングしてもよい。例えば、情報処理装置100は、各ストアの退店スコアに各ストアの売上を乗算した値(「損害スコア」ともいう)を用いてグルーピングしてもよい。この場合、情報処理装置100は、損害スコアが低い程、債権の買い取りに関する条件が良いグループに分類してもよい。 Note that the above-described processing is merely an example, and the information processing apparatus 100 may group each store into a plurality of groups using various information as appropriate. For example, the information processing apparatus 100 may perform grouping using a value obtained by multiplying the closing score of each store by the sales of each store (also referred to as a "damage score"). In this case, the information processing apparatus 100 may classify the lower the damage score into a group with better conditions regarding the purchase of the bond.

また、情報処理装置100は、閾値を用いずに各ストアを複数のグループにグルーピングしてもよい。例えば、情報処理装置100は、比率や対数に関する情報を基にグルーピングしてもよい。例えば、情報処理装置100は、各グループに属するスコアができる限り同じ比率になるように、グルーピングしてもよい。例えば、情報処理装置100は、各ストアを退店スコアが低い方から順にソートして、各グループに均等にグループが分類されるように第1グループから第10グループに10分割してもよい。 Further, the information processing apparatus 100 may group each store into a plurality of groups without using thresholds. For example, the information processing apparatus 100 may perform grouping based on information regarding ratios and logarithms. For example, the information processing apparatus 100 may perform grouping so that scores belonging to each group have the same ratio as much as possible. For example, the information processing apparatus 100 may sort each store in descending order of closing scores, and divide the stores into 10 groups from the first group to the tenth group so that the groups are evenly classified into each group.

そして、情報処理装置100は、分類結果に応じて各ストアの将来債権の買取上限額を決定する(ステップS13)。例えば、情報処理装置100は、図2中の算出関数FC1に示すような「買取上限額=売上×買取対象月数」の式を用いて、各ストアの将来債権の買取上限額を決定する。具体的には、情報処理装置100は、ストアの売上に、そのストアが属するグループに割り当てられた買取対象月数を乗算した値を、そのストアの将来債権の買取上限額を決定する。ストアの売上には、そのストアの直前一カ月の売上の値が用いられてもよいし、過去の月の売上の平均値が用いられてもよい。なお、直前一カ月の売上及び過去の月の売上の平均値は一例に過ぎず、ストアの売上には、そのストアの一カ月の売上として利用可能な値であればどのような値が用いられてもよく、例えば今後の一カ月の売上の予測値(推定値)が用いられてもよい。 Then, the information processing apparatus 100 determines the maximum purchase amount of future bonds of each store according to the classification result (step S13). For example, the information processing apparatus 100 determines the upper limit purchase amount of future bonds of each store using the formula "purchase upper limit amount=sales×number of months to be purchased" as shown in the calculation function FC1 in FIG. Specifically, the information processing apparatus 100 determines the upper limit purchase amount of future bonds of the store by multiplying the sales of the store by the number of months to be purchased assigned to the group to which the store belongs. For the sales of a store, the sales of the store in the immediately preceding month may be used, or the average sales of past months may be used. Note that the sales for the previous month and the average sales for the past month are only examples, and any value that can be used as the sales for the store for the month is used for the sales of the store. For example, a predicted value (estimated value) of sales for the next month may be used.

例えば、情報処理装置100は、ストアSP1の売上が値SL1である場合、買取対象月数が「0」である第10グループに属するストアSP1については、買取上限額を「0(=SL1×0)」と決定する。なお、値SL1は、例えば「3万円」、「15万円」等の具体的な数値であるものとする。 For example, when the sales of the store SP1 is the value SL1, the information processing apparatus 100 sets the purchase upper limit to "0 (=SL1×0 )”. Note that the value SL1 is assumed to be a specific numerical value such as "30,000 yen" or "150,000 yen".

また、情報処理装置100は、ストアSP2の売上が値SL2である場合、買取対象月数が「3」である第1グループに属するストアSP2については、買取上限額を「PL2(=SL2×3)」と決定する。なお、値SL2は、例えば「5万円」、「12万円」等の具体的な数値であるものとする。すなわち、買取上限額PL2は、売上の値SL2の3倍の値となる。同様に、情報処理装置100は、他のストアについても買取上限額を決定する。 Further, when the sales of the store SP2 is the value SL2, the information processing apparatus 100 sets the purchase upper limit to "PL2 (=SL2×3 )”. It is assumed that the value SL2 is a specific numerical value such as "50,000 yen" or "120,000 yen". That is, the purchase upper limit PL2 is three times the sales value SL2. Similarly, the information processing apparatus 100 determines the maximum purchase amount for other stores.

なお、情報処理装置100は、他の情報を用いて買取上限額を調整してもよい。例えば、情報処理装置100は、過去にファクタリングを利用履歴があるストアであって、遅延などが無く回収が完了したストアについては、買取上限額を上昇させてもよい。例えば、情報処理装置100は、ユーザの評価が高いストアや将来性が高いストアについては、買取上限額を上昇させてもよい。例えば、情報処理装置100は、後述する将来性モデルが出力したスコアが所定の閾値以上である場合、買取上限額を上昇させてもよい。 Note that the information processing apparatus 100 may adjust the purchase upper limit using other information. For example, the information processing apparatus 100 may increase the purchase upper limit for a store that has used factoring in the past and has completed collection without delay. For example, the information processing apparatus 100 may increase the purchase upper limit for a store highly rated by users or a store with a high future potential. For example, the information processing apparatus 100 may increase the maximum purchase amount when a score output by a future potential model, which will be described later, is equal to or greater than a predetermined threshold.

そして、情報処理装置100は、決定した情報を用いて情報提供を行う(ステップS14)。例えば、情報処理装置100は、買取上限額が所定の値以上であるストアにその買取上限額を示す情報を提供してもよい。この場合、情報処理装置100は、買取上限額が所定の値(例えば10万円等)以上であるストアのストア装置20に、その買取上限額を示す情報を送信してもよい。また、情報処理装置100は、買取対象月数が所定の値以上であるストアにその買取上限額または買取対象月数を示す情報を提供してもよい。この場合、情報処理装置100は、買取対象月数が所定の値(例えば2ヵ月等)以上であるストアのストア装置20に、その買取上限額または買取対象月数を示す情報を送信してもよい。 Then, the information processing apparatus 100 provides information using the determined information (step S14). For example, the information processing apparatus 100 may provide information indicating the maximum purchase amount to a store whose maximum purchase amount is equal to or greater than a predetermined value. In this case, the information processing device 100 may transmit information indicating the maximum purchase price to the store device 20 of the store whose maximum purchase price is equal to or greater than a predetermined value (for example, 100,000 yen). In addition, the information processing apparatus 100 may provide information indicating the purchase upper limit amount or the number of months to be purchased to a store whose number of months to be purchased is equal to or greater than a predetermined value. In this case, the information processing device 100 may transmit information indicating the purchase upper limit amount or the number of months to be purchased to the store device 20 of the store whose number of months to be purchased is equal to or greater than a predetermined value (for example, two months). good.

このように、情報処理装置100は、商取引サイトに出店する複数のストアを複数のグループに分類し、分類したグループごとに、債権の買い取りに関する条件を決定する。これにより、情報処理装置100は、決定した条件に応じた債権の買い取りを行うことができるため、債権の買い取りに関する適切なサービスを提供可能にすることができる。例えば、将来債権についてファクタリングを行う場合、将来債権を買い取るため、近い将来に退店されてしまうと資金回収が困難になる場合がある。そこで、情報処理装置100は、退店等のリスクに応じたグルーピングを行い、そのグループごとに買取対象月数等の指標値を決定することで、資金回収が困難になる可能性を低減させることができる。 In this way, the information processing apparatus 100 classifies a plurality of stores that open on the commercial transaction site into a plurality of groups, and determines the conditions regarding the purchase of bonds for each classified group. As a result, the information processing apparatus 100 can purchase the bond according to the determined conditions, and can provide an appropriate service related to the purchase of the bond. For example, when factoring future receivables, the future receivables will be purchased, so if the store closes in the near future, it may be difficult to collect the funds. Therefore, the information processing device 100 performs grouping according to the risk of closing the store, etc., and determines an index value such as the number of months to be purchased for each group, thereby reducing the possibility of difficulty in collecting funds. can be done.

なお、上述した例では、学習モデルであるモデルM1を用いて、退店スコアを算出する場合を一例として示したが、情報処理装置100は、学習モデルを用いることなく、各ストアの退店スコアを算出してもよい。この場合、情報処理装置100は、例えば、ルールベースで、各ストアの退店スコアを算出してもよい。情報処理装置100は、例えば条件と退店スコアとを対応付けたルール情報を用いて、各ストアの退店スコアを算出してもよい。情報処理装置100は、ストア情報と各ルール(条件)とを比較し、ストアのストア情報がルールを満たす場合、そのルールの退店スコアをそのストアの退店スコアとしてもよい。また、情報処理装置100は、ストア情報と各グループに属するルール(条件)とを比較し、ストアのストア情報がルールを満たすグループにそのストアを分類してもよい。 In the above example, the model M1, which is a learning model, is used to calculate the closing score, but the information processing apparatus 100 calculates the closing score of each store without using the learning model. may be calculated. In this case, the information processing apparatus 100 may calculate the closing score of each store based on rules, for example. The information processing apparatus 100 may calculate the closing score of each store, for example, using rule information that associates conditions with closing scores. The information processing apparatus 100 compares the store information with each rule (condition), and if the store information of the store satisfies the rule, the store exit score of the rule may be used as the store exit score of the store. The information processing apparatus 100 may also compare the store information with rules (conditions) belonging to each group, and classify the stores into groups in which the store information of the stores satisfies the rules.

〔1-3-2.期間に対応するモデルに基づく処理〕
なお、上述したグルーピングに基づく処理は一例に過ぎず、情報処理装置100は、グルーピングを行うことなく、債権の買い取りに関する条件を決定してもよい。この場合、情報処理装置100は、ストアのデータ(ストア情報)を用いてある期間内に退店や規約違反等のネガティブ事象の発生確率する確率(可能性)を推定する学習モデルを生成し、推定した情報に基づいて将来債権の買取上限月数等のファクタリング条件を決定する。
[1-3-2. Processing based on the model corresponding to the period]
Note that the processing based on the grouping described above is merely an example, and the information processing apparatus 100 may determine the conditions regarding the purchase of bonds without grouping. In this case, the information processing apparatus 100 generates a learning model for estimating the probability (possibility) of occurrence of negative events such as store closures and rule violations within a certain period of time using store data (store information), Based on the estimated information, factoring conditions such as the maximum number of months for purchase of future receivables are determined.

なお、図3では、商取引サイトからのストアの退店をネガティブ事象の一例として説明するが、上述したように、ネガティブ事象は、ストアの退店に限らず、規約違反、連絡不能、違反物販売、悪質な広告、偽物販売、出店料滞納、ストア評価の急落、キャンセル多発、配送遅延等であってもよい。例えば、情報処理装置100は、期間ごとのストアの退店の確率(可能性)を示すスコアを出力する複数のモデルを用いてストアが退店する可能性が所定の基準を満たす期間を推定し、その期間に基づいてファクタリング条件を決定する。 In FIG. 3, the closing of the store from the commercial transaction site will be described as an example of a negative event. . For example, the information processing device 100 estimates a period in which the possibility of store closure satisfies a predetermined criterion using a plurality of models that output a score indicating the probability (possibility) of store closure for each period. , to determine the factoring terms based on that period.

この点について、図3を用いて説明する。図3は、情報処理装置が実行する情報処理の一例を示す図である。図3では、期間に対応するモデルに基づく処理を一例として説明する。図3の例ではストアSP12がファクタリング条件を決定する対象となるストア(「対象ストア」ともいう)である場合を一例として説明するが、対象ストアはストアSP12に限らず、商取引サイトに出店するいずれのストアであってもよい。なお、上述した内容と同様の点については適宜説明を省略する。 This point will be described with reference to FIG. FIG. 3 is a diagram illustrating an example of information processing executed by an information processing apparatus; FIG. 3 illustrates an example of processing based on a model corresponding to a period. In the example of FIG. 3, the case where the store SP12 is the target store for determining the factoring conditions (also referred to as the "target store") will be described as an example, but the target store is not limited to the store SP12. store. It should be noted that descriptions of the same points as those described above will be omitted as appropriate.

図3では、ストアが商取引サイトから所定の期間内に退店する確率(可能性)を示すスコア(退店スコア)を出力する学習モデル(モデル)であるモデルM11、M12、M13、M14等の複数のモデルを用いて、情報処理装置100が決定処理を行う場合を一例して示す。モデルM11、M12、M13、M14等は、各々が異なる期間に対応する退店モデルであり、機械学習により学習されるモデルである。 In FIG. 3, models M11, M12, M13, M14, etc., which are learning models (models) that output a score (store exit score) indicating the probability (possibility) that the store will exit the commercial transaction site within a predetermined period of time. A case where the information processing apparatus 100 performs determination processing using a plurality of models is shown as an example. Models M11, M12, M13, M14, etc. are store exit models corresponding to different periods, and are learned by machine learning.

ここで、モデルM11は、その時点から一ヶ月の間に対象ストアが商取引サイトから退店する確率(可能性)を示すスコアを出力するモデルである。モデルM12は、その時点から二ヶ月の間に対象ストアが商取引サイトから退店する確率(可能性)を示すスコアを出力するモデルである。モデルM13は、その時点から三ヶ月の間に対象ストアが商取引サイトから退店する確率(可能性)を示すスコアを出力するモデルである。モデルM14は、その時点から四ヶ月の間に対象ストアが商取引サイトから退店する確率(可能性)を示すスコアを出力するモデルである。なお、図3では、モデルM11、M12、M13、M14のみを図示するが、五ヶ月の間に対象ストアが商取引サイトから退店する確率(可能性)を示すスコアを出力するモデルM15、六ヶ月の間に対象ストアが商取引サイトから退店する確率(可能性)を示すスコアを出力するモデルM16等の各期間に対応するモデルが用いられてもよい。また、期間が一ヶ月に限らず、一週間等の任意の間隔であってもよい。 Here, the model M11 is a model that outputs a score indicating the probability (possibility) that the target store will withdraw from the commercial transaction site within one month from that point. The model M12 is a model that outputs a score indicating the probability (possibility) that the target store will withdraw from the commercial transaction site within two months from that time. The model M13 is a model that outputs a score indicating the probability (possibility) that the target store will withdraw from the commercial transaction site within three months from that point. The model M14 is a model that outputs a score indicating the probability (possibility) that the target store will withdraw from the commercial transaction site within four months from that point. In FIG. 3, only the models M11, M12, M13, and M14 are illustrated, but the model M15, which outputs a score indicating the probability (possibility) that the target store will withdraw from the commercial transaction site within five months, A model corresponding to each period may be used, such as the model M16 that outputs a score indicating the probability (possibility) that the target store will withdraw from the commercial transaction site during the period. Also, the period is not limited to one month, and may be any interval such as one week.

また、情報処理装置100は、学習モデルを提供するモデル提供サーバ等から複数のモデルM11、M12、M13、M14等を取得してもよいし、自装置で複数のモデルM11、M12、M13、M14等を学習してもよい。例えば、情報処理装置100は、モデルM11を学習する場合、モデル情報記憶部122(図10参照)に格納された学習データLDT11を用いて、モデルM11を学習する。例えば、学習データLDT11には、ストアに関する情報(ストア情報)と、ストア情報中の最新の情報が取得された時点(「起算時点」ともいう)から一ヶ月以内にストアが退店したか否かを示すラベル(正解情報)とを対応付けたデータが含まれる。 Further, the information processing apparatus 100 may acquire a plurality of models M11, M12, M13, M14, etc. from a model providing server or the like that provides learning models, or may acquire a plurality of models M11, M12, M13, M14 by itself. etc. can be learned. For example, when learning the model M11, the information processing apparatus 100 learns the model M11 using learning data LDT11 stored in the model information storage unit 122 (see FIG. 10). For example, the learning data LDT11 includes information about the store (store information) and whether or not the store closed within one month from the time when the latest information in the store information was acquired (also referred to as "starting time"). contains data associated with a label (correct answer information) indicating

例えば、各ストアの正解情報としては、そのストアが起算時点から一ヶ月以内に退店した場合は「1」が割り当てられ、そのストアが起算時点から一ヶ月以内に退店していない場合は「0」が割り当てられる。情報処理装置100は、ストアのストア情報が入力されたモデルM11が出力するスコアが、そのストアに対応付けられた正解情報に近づくように学習処理を行う。例えば、情報処理装置100は、正解情報が「1」である場合、その正解情報が割り当てられたストアのストア情報が入力された場合に、モデルM11が出力するスコアが「1」に近づくように、学習処理を行う。また、例えば、情報処理装置100は、正解情報が「0」である場合、その正解情報が割り当てられたストアのストア情報が入力された場合に、モデルM11が出力するスコアが「0」に近づくように、学習処理を行う。なお、モデルM11の学習処理については、モデルM1の学習処理と同様であるため、詳細な説明は省略する。 For example, as the correct information for each store, "1" is assigned if the store has closed within one month from the start of the calculation, and "1" is assigned if the store has not closed within one month from the start of the calculation. 0” is assigned. The information processing apparatus 100 performs learning processing so that the score output by the model M11 to which the store information of the store is input approaches the correct information associated with the store. For example, when the correct answer information is "1" and the store information of the store to which the correct answer information is assigned is input, the information processing apparatus 100 makes the score output by the model M11 approach "1". , the learning process is performed. Further, for example, when the correct information is "0" and the store information of the store to which the correct information is assigned is input, the information processing apparatus 100 makes the score output by the model M11 approach "0". , the learning process is performed. Note that the learning process for the model M11 is the same as the learning process for the model M1, so detailed description will be omitted.

また、情報処理装置100は、モデルM12を学習する場合、モデル情報記憶部122に格納された学習データLDT12を用いて、モデルM12を学習する。例えば、学習データLDT12には、ストアに関する情報(ストア情報)と、ストア情報中の最新の情報が取得された時点(起算時点)から二ヶ月以内にストアが退店したか否かを示すラベル(正解情報)とを対応付けたデータが含まれる。 When learning the model M12, the information processing apparatus 100 uses the learning data LDT12 stored in the model information storage unit 122 to learn the model M12. For example, the learning data LDT12 contains information about the store (store information) and a label ( Correct answer information) are associated with each other.

例えば、各ストアの正解情報としては、そのストアが起算時点から二ヶ月以内に退店した場合は「1」が割り当てられ、そのストアが起算時点から二ヶ月以内に退店していない場合は「0」が割り当てられる。情報処理装置100は、ストアのストア情報が入力されたモデルM12が出力するスコアが、そのストアに対応付けられた正解情報に近づくように学習処理を行う。例えば、情報処理装置100は、正解情報が「1」である場合、その正解情報が割り当てられたストアのストア情報が入力された場合に、モデルM12が出力するスコアが「1」に近づくように、学習処理を行う。また、例えば、情報処理装置100は、正解情報が「0」である場合、その正解情報が割り当てられたストアのストア情報が入力された場合に、モデルM12が出力するスコアが「0」に近づくように、学習処理を行う。なお、モデルM12の学習処理については、モデルM1、M11の学習処理と同様であるため、詳細な説明は省略する。 For example, as the correct information for each store, "1" is assigned if the store has closed within two months from the start of the calculation, and "1" is assigned if the store has not closed within two months from the start of the calculation. 0” is assigned. The information processing apparatus 100 performs learning processing so that the score output by the model M12 to which the store information of the store is input approaches the correct information associated with the store. For example, when the correct answer information is "1" and the store information of the store to which the correct answer information is assigned is input, the information processing apparatus 100 makes the score output by the model M12 approach "1". , the learning process is performed. Further, for example, when the correct answer information is "0", the score output by the model M12 approaches "0" when the store information of the store to which the correct answer information is assigned is input to the information processing apparatus 100. , the learning process is performed. Note that the learning process for the model M12 is the same as the learning process for the models M1 and M11, so a detailed description thereof will be omitted.

同様に、情報処理装置100は、モデルM13を学習する場合、モデル情報記憶部122に格納された学習データLDT13を用いて、モデルM13を学習し、モデルM14を学習する場合、モデル情報記憶部122に格納された学習データLDT14を用いて、モデルM14を学習する。例えば、学習データLDT13には、ストアに関する情報(ストア情報)と、ストア情報中の最新の情報が取得された時点(起算時点)から三ヶ月以内にストアが退店したか否かを示すラベル(正解情報)とを対応付けたデータが含まれる。例えば、学習データLDT14には、ストアに関する情報(ストア情報)と、ストア情報中の最新の情報が取得された時点(起算時点)から四ヶ月以内にストアが退店したか否かを示すラベル(正解情報)とを対応付けたデータが含まれる。なお、モデルM13、M14の学習処理については、モデルM1、M11、M12の学習処理と同様であるため、詳細な説明は省略する。なお、情報処理装置100は、学習データに含まれるストア情報が入力された場合に、正解情報に対応するスコアを出力するようにモデルM11、M12、M13、M14を学習可能であれば、どのような手法によりモデルM11、M12、M13、M14の生成を行ってもよい。 Similarly, when learning the model M13, the information processing apparatus 100 uses the learning data LDT13 stored in the model information storage unit 122 to learn the model M13, and when learning the model M14, the model information storage unit 122 The model M14 is learned using the learning data LDT14 stored in . For example, the learning data LDT13 contains information about the store (store information) and a label ( Correct answer information) are associated with each other. For example, the learning data LDT14 contains information about the store (store information) and a label ( Correct answer information) are associated with each other. Note that the learning process for the models M13 and M14 is the same as the learning process for the models M1, M11 and M12, so a detailed description will be omitted. If the information processing apparatus 100 can learn the models M11, M12, M13, and M14 so as to output a score corresponding to the correct answer information when the store information included in the learning data is input, how can the information processing apparatus 100 The models M11, M12, M13, and M14 may be generated by any method.

ここから、上述した内容を前提として、図3に示す情報処理について詳細に説明する。まず、図3では、情報処理装置100は、対象ストアであるストアSP12について期間ごとに退店スコアを算出する。情報処理装置100は、ストアSP12のストア情報SINF12-1を、一ヶ月の間に退店する確率(可能性)を予測するモデルM11に入力する(ステップS21-1)。例えば、情報処理装置100は、ストアSP12の事業情報、商品情報、カテゴリ情報、売上情報、及び評価情報等の少なくとも1つを含むストア情報SINF12-1をモデルM11に入力する。ストア情報SINF12-1が入力されたモデルM11は、退店スコアを出力する(ステップS21-2)。図3の例では、ストア情報SINF12-1が入力されたモデルM11は、スコアSC12-1に示すような、一ヶ月の間に退店する確率(可能性)を示す退店スコア「0.02」を出力する。このように、ストアSP12の一ヶ月の間に退店する確率(可能性)を示す退店スコアは「0.02」であり「0」に近いため、情報処理装置100は、ストアSP12が、その時点から一ヶ月の間に商取引サイトから退店する可能性が低いと推定することができる。 From now on, the information processing shown in FIG. 3 will be described in detail on the premise of the above-described contents. First, in FIG. 3, the information processing apparatus 100 calculates the closing score for each period for the store SP12, which is the target store. The information processing apparatus 100 inputs the store information SINF12-1 of the store SP12 to the model M11 that predicts the probability (possibility) of closing the store within one month (step S21-1). For example, the information processing device 100 inputs store information SINF12-1 including at least one of business information, merchandise information, category information, sales information, evaluation information, etc. of the store SP12 to the model M11. The model M11 to which the store information SINF12-1 is input outputs a store exit score (step S21-2). In the example of FIG. 3, the model M11 to which the store information SINF12-1 is input has a closing score of 0.02 indicating the probability (possibility) of closing the store within one month, as indicated by the score SC12-1. ' is output. In this way, since the closing score indicating the probability (possibility) of closing the store SP12 in one month is "0.02", which is close to "0", the information processing apparatus 100 determines that the store SP12 It can be estimated that there is a low possibility of exiting from the commercial transaction site within one month from that point.

また、情報処理装置100は、ストアSP12のストア情報SINF12-2を、二ヶ月の間に退店する確率(可能性)を予測するモデルM12に入力する(ステップS21-3)。例えば、ストア情報SINF12-2は、ストア情報SINF12-1と同じストア情報である。なお、期間ごとにモデルの入力が異なる場合、ストア情報SINF12-2は、ストア情報SINF12-1と異なってもよく、例えば収集期間が異なるストア情報であってもよい。ストア情報SINF12-2が入力されたモデルM12は、退店スコアを出力する(ステップS21-4)。図3の例では、ストア情報SINF12-2が入力されたモデルM12は、スコアSC12-2に示すような、二ヶ月の間に退店する確率(可能性)を示す退店スコア「0.2」を出力する。 The information processing apparatus 100 also inputs the store information SINF12-2 of the store SP12 to the model M12 that predicts the probability (possibility) of closing the store within two months (step S21-3). For example, the store information SINF12-2 is the same store information as the store information SINF12-1. Note that if the input of the model differs for each period, the store information SINF12-2 may be different from the store information SINF12-1. For example, the store information may have different collection periods. The model M12 to which the store information SINF12-2 is input outputs a store exit score (step S21-4). In the example of FIG. 3, the model M12 to which the store information SINF12-2 is input has a store closing score of 0.2 indicating the probability (possibility) of closing the store within two months, as indicated by the score SC12-2. ' is output.

同様に、情報処理装置100は、ストアSP12のストア情報SINF12-3を、三ヶ月の間に退店する確率(可能性)を予測するモデルM13に入力し(ステップS21-5)、ストア情報SINF12-3が入力されたモデルM13が退店スコアを出力する(ステップS21-6)。例えば、ストア情報SINF12-3は、ストア情報SINF12-1と同じストア情報である。なお、期間ごとにモデルの入力が異なる場合、ストア情報SINF12-3は、ストア情報SINF12-1及びストア情報SINF12-2と異なってもよい。図3の例では、ストア情報SINF12-3が入力されたモデルM13は、スコアSC12-3に示すような、三ヶ月の間に退店する確率(可能性)を示す退店スコア「0.52」を出力する。 Similarly, the information processing apparatus 100 inputs the store information SINF12-3 of the store SP12 into the model M13 that predicts the probability (possibility) of closing the store within three months (step S21-5), and stores the store information SINF12. The model M13, to which -3 is input, outputs the closing score (step S21-6). For example, the store information SINF12-3 is the same store information as the store information SINF12-1. Note that if the input of the model differs for each period, the store information SINF12-3 may be different from the store information SINF12-1 and the store information SINF12-2. In the example of FIG. 3, the model M13 to which the store information SINF12-3 is input has a closing score of 0.52 indicating the probability (possibility) of closing the store within three months, as indicated by the score SC12-3. ' is output.

また、情報処理装置100は、ストアSP12のストア情報SINF12-4を、四ヶ月の間に退店する確率(可能性)を予測するモデルM14に入力し(ステップS21-7)、ストア情報SINF12-4が入力されたモデルM14が退店スコアを出力する(ステップS21-8)。図3の例では、ストア情報SINF12-4が入力されたモデルM14は、スコアSC12-4に示すような、四ヶ月の間に退店する確率(可能性)を示す退店スコア「0.65」を出力する。このように、情報処理装置100は、期間が長くなるにつれて、値が大きくなる退店スコアを算出する。なお、情報処理装置100は、五ヶ月の間に退店する確率(可能性)を示す退店スコアや六ヶ月の間に退店する確率(可能性)を示す退店スコアを算出してもよい。 Further, the information processing apparatus 100 inputs the store information SINF12-4 of the store SP12 into the model M14 for predicting the probability (possibility) of closing the store in four months (step S21-7), and stores the store information SINF12-4. The model M14 to which 4 is input outputs a closing score (step S21-8). In the example of FIG. 3, the model M14 to which the store information SINF12-4 is input has a store closing score of 0.65 indicating the probability (possibility) of closing the store within four months, as indicated by the score SC12-4. ' is output. In this way, the information processing apparatus 100 calculates a closing score that increases in value as the period lengthens. The information processing apparatus 100 may calculate a store closing score indicating the probability (possibility) of closing the store within five months or a closing score indicating the probability (possibility) of closing the store within six months. good.

そして、情報処理装置100は、期間ごとのストアSP12の退店スコアに基づいて、ストアSP12の将来債権の買取対象月数を決定する(ステップS22)。例えば、情報処理装置100は、閾値情報記憶部123(図11参照)に記憶された退店時期推定に関する閾値を用いて、ストアSP12の退店する可能性が高くなる時期を推定する。図3では、退店時期推定に関する閾値TH11の値が0.5である場合を一例として説明する。 Then, the information processing apparatus 100 determines the number of months to be purchased for the future bond of the store SP12 based on the closing score of the store SP12 for each period (step S22). For example, the information processing apparatus 100 estimates the time when the store SP12 is likely to be closed, using the threshold for closing time estimation stored in the threshold information storage unit 123 (see FIG. 11). In FIG. 3, a case where the value of the threshold TH11 related to the closing time estimation is 0.5 will be described as an example.

情報処理装置100は、各モデルが出力した退店スコアと、閾値TH11とを比較し、その比較結果に基づいて、対象ストアの将来債権の買取対象月数を決定する。例えば、情報処理装置100は、退店スコアが閾値TH11以上となった学習モデルのうち、最も期間が短い学習モデルに対応する期間を、対象ストアの将来債権の買取対象月数に決定する。図3では、情報処理装置100は、モデルM11、M12、M13、M14等が出力した退店スコアと、閾値TH11の値「0.5」との比較により、ストアSP12の将来債権の買取対象月数を決定する。情報処理装置100は、三ヶ月の間に退店する確率(可能性)を予測するモデルM13が出力した退店スコア「0.52」が閾値TH11以上であるため、図3の対象月数情報TM1に示すように、ストアSP12の将来債権の買取対象月数を「3」に決定する。 The information processing apparatus 100 compares the closing score output by each model with the threshold value TH11, and determines the number of months to be purchased for the future bond of the target store based on the comparison result. For example, the information processing apparatus 100 determines the period corresponding to the learning model with the shortest period among the learning models for which the closing score is equal to or greater than the threshold TH11 as the number of months to be purchased for the future bond of the target store. In FIG. 3, the information processing apparatus 100 compares the closing score output by the models M11, M12, M13, M14, etc. with the value of the threshold TH11 of "0.5" to determine the future bond purchase target month of the store SP12. determine the number. Since the closing score "0.52" output by the model M13 for predicting the probability (possibility) of closing the store in three months is equal to or greater than the threshold TH11, the information processing apparatus 100 determines the number of target months information in FIG. As indicated by TM1, the number of months to be purchased for future bonds of the store SP12 is determined to be "3".

なお、上述した処理は一例に過ぎず、情報処理装置100は、種々の情報を適宜用いて、対象ストアの将来債権の買取対象月数を決定してもよい。例えば、情報処理装置100は、退店スコアが閾値TH11以上となった学習モデルのうち、最も期間が短い学習モデルに対応する期間よりも短い期間を、対象ストアの将来債権の買取対象月数に決定してもよい。この場合、情報処理装置100は、退店スコアが閾値TH11以上となったモデルM13に対応する期間(三ヶ月)よりも短い期間(例えば2ヵ月等)を、ストアSP12の将来債権の買取対象月数に決定してもよい。また、例えば、情報処理装置100は、各期間の退店スコアを累積した値を用いて、将来債権の買取対象月数を決定してもよい。例えば、情報処理装置100は、退店スコアを月の短い順に累積することにより、累積スコアを算出し、累積スコアと閾値とを比較し、累積スコアが閾値を超えたときの月数を買取対象月数に決定してもよい。この場合、情報処理装置100は、例えば一ヶ月後の退店スコアが「0.02」であり、二ヶ月後の退店スコアが「0.2」である場合、累積スコアを「0.22(=0.02+0.2)」と算出する。そして、閾値が「0.2」である場合、情報処理装置100は、累積スコア「0.22」が閾値「0.2」を超えた月数「2」を買取対象月数に決定する。 Note that the above-described processing is merely an example, and the information processing apparatus 100 may use various information as appropriate to determine the number of months to be purchased for the future bond of the target store. For example, the information processing device 100 sets a period shorter than the period corresponding to the learning model with the shortest period among the learning models for which the closing score is equal to or greater than the threshold TH11 as the number of months to be purchased for future bonds of the target store. may decide. In this case, the information processing apparatus 100 selects a period (for example, two months) shorter than the period (three months) corresponding to the model M13 in which the closing score is equal to or higher than the threshold TH11 as the purchase target month of future bonds of the store SP12. number can be determined. Further, for example, the information processing apparatus 100 may determine the number of months to be purchased for future bonds by using a value obtained by accumulating store closing scores for each period. For example, the information processing apparatus 100 accumulates store closing scores in ascending order of month to calculate the accumulated score, compares the accumulated score with a threshold, and purchases the number of months when the accumulated score exceeds the threshold. You can decide on the number of months. In this case, for example, if the exit score after one month is "0.02" and the exit score after two months is "0.2", the information processing apparatus 100 sets the cumulative score to "0.22". (=0.02+0.2)". Then, when the threshold is "0.2", the information processing apparatus 100 determines the number of months "2" in which the accumulated score "0.22" exceeds the threshold "0.2" as the number of months to be purchased.

そして、情報処理装置100は、決定した買取対象月数とストアSP12の売上の情報に基づいて、ストアSP12の将来債権の買取上限額を決定するが、図2で説明した処理と同様であるため詳細な説明は省略する。例えば、情報処理装置100は、算出関数FC1(図2参照)を用いて、ストアSP2の売上が値SL2である場合、ストアSP12の買取上限額を「PL2(=SL2×3)」と決定する。 Then, the information processing device 100 determines the maximum purchase amount of future bonds of the store SP12 based on the determined number of months to be purchased and the sales information of the store SP12. Detailed description is omitted. For example, the information processing apparatus 100 uses the calculation function FC1 (see FIG. 2) to determine the purchase upper limit of the store SP12 to be "PL2 (=SL2×3)" when the sales of the store SP2 is the value SL2. .

そして、情報処理装置100は、決定した情報を用いて情報提供を行う(ステップS23)。なお、情報提供については図2で説明した処理と同様であるため詳細な説明は省略するが、例えば、情報処理装置100は、ストアSP12の事業者に買取対象月数または買取上限額を示す情報を提供してもよい。この場合、情報処理装置100は、ストアSP12の事業者が利用するストア装置20に、ストアSP12の買取対象月数または買取上限額を示す情報を送信してもよい。 Then, the information processing apparatus 100 provides information using the determined information (step S23). Since the information provision is the same as the processing described with reference to FIG. 2, a detailed description will be omitted. may be provided. In this case, the information processing device 100 may transmit information indicating the number of months to be purchased or the maximum purchase price of the store SP 12 to the store device 20 used by the business operator of the store SP 12 .

このように、情報処理装置100は、対象ストアについて期間ごとに退店スコアを予測し、予測した期間ごとの退店スコアを用いて、債権の買い取りに関する条件を決定する。これにより、情報処理装置100は、決定した条件に応じた債権の買い取りを行うことができるため、債権の買い取りに関する適切なサービスを提供可能にすることができる。例えば、将来債権についてファクタリングを行う場合、将来債権を買い取るため、近い将来に退店されてしまうと資金回収が困難になる場合がある。そこで、情報処理装置100は、対象ストアが退店する可能性が高くなる期間を予測し、その期間に応じて買取対象月数等の指標値を決定することで、資金回収が困難になる可能性を低減させることができる。 In this way, the information processing apparatus 100 predicts the closing score of the target store for each period, and uses the predicted closing score for each period to determine the conditions for purchasing the bond. As a result, the information processing apparatus 100 can purchase the bond according to the determined conditions, and can provide an appropriate service related to the purchase of the bond. For example, when factoring future receivables, the future receivables will be purchased, so if the store closes in the near future, it may be difficult to collect the funds. Therefore, the information processing device 100 predicts a period in which the target store is likely to close, and determines an index value such as the number of months to be purchased according to the period, thereby making it difficult to collect funds. can be reduced.

上述したように、例えば、情報処理装置100は、ストアの退店までの期間を推定し、その期間の売上を買取対象期間とすることにより、買取対象とする債権額を増やすことができる。なお、上述した処理は一例に過ぎず、情報処理装置100は、様々な情報を用いてファクタリング条件を決定する。例えば、情報処理装置100は、ネガティブ事象の各々の発生確率を推定する複数のモデルを用いてもよい。この場合、情報処理装置100は、ネガティブ事象に対応する複数のモデルが出力した複数のスコアを用いてストアの退店確率を推定してもよい。情報処理装置100は、ネガティブ事象の各々の発生確率を算出して、算出した発生確率に基づいてストアの退店確率を推定して、推定した退店確率に基づいてファクタリング条件を決定してもよい。 As described above, for example, the information processing apparatus 100 can increase the amount of receivables to be purchased by estimating the period until closing of the store and setting the sales during that period as the period to be purchased. Note that the processing described above is merely an example, and the information processing apparatus 100 determines factoring conditions using various types of information. For example, the information processing apparatus 100 may use multiple models for estimating the probability of occurrence of each negative event. In this case, the information processing apparatus 100 may estimate the store exit probability using a plurality of scores output by a plurality of models corresponding to negative events. The information processing apparatus 100 calculates the occurrence probability of each negative event, estimates the store closing probability based on the calculated occurrence probability, and determines factoring conditions based on the estimated closing probability. good.

〔1-3-3.社会状況に基づく処理〕
なお、情報処理装置100は、ストアの情報に限らず、様々な情報を用いてもよい。例えば、情報処理装置100は、社会の経済状況等の社会状況を用いてもよい。この場合、情報処理装置100は、株価等の社会状況に基づいて退店ストア総数(以下単に「退店ストア数」や「退店数」ともいう)を推定し、推定した退店ストア数に基づいて買取条件を設定してもよい。例えば、情報処理装置100は、推定した退店ストア数をストアのグルーピングに反映する。
[1-3-3. Processing based on social conditions]
Note that the information processing apparatus 100 may use various information other than the information of the store. For example, the information processing apparatus 100 may use social conditions such as social economic conditions. In this case, the information processing apparatus 100 estimates the total number of closed stores (hereinafter simply referred to as “the number of closed stores” or “the number of closed stores”) based on social conditions such as stock prices, and determines the estimated number of closed stores. Purchasing conditions may be set based on this. For example, the information processing apparatus 100 reflects the estimated number of closed stores in the store grouping.

なお、図4では、商取引サイトから退店するストアの数(退店ストア数)をネガティブ事象の発生数の一例として説明するが、上述したように、発生数の推定対象とするネガティブ事象は、ストアの退店に限らず、規約違反、連絡不能、違反物販売、悪質な広告、偽物販売、出店料滞納、ストア評価の急落、キャンセル多発、配送遅延等であってもよい。このように、対象とするネガティブ事象の発生数は退店数に限らず、様々なネガティブ事象の発生数であってもよい。例えば、情報処理装置100は、社会の経済状況を示す社会状況情報を用いて退店ストア数を推定し、推定した退店ストア数に基づいてファクタリング条件を決定する。 In FIG. 4, the number of stores exiting the commercial transaction site (the number of stores closing) will be described as an example of the number of occurrences of negative events. Not limited to exiting the store, violation of terms, inability to contact, sale of illegal goods, malicious advertisement, sale of counterfeit goods, delinquency in payment of opening fee, rapid drop in store evaluation, frequent cancellations, delay in delivery, etc. In this way, the number of occurrences of negative events to be targeted is not limited to the number of closings, and may be the number of occurrences of various negative events. For example, the information processing apparatus 100 estimates the number of closed stores using social situation information indicating the social economic situation, and determines factoring conditions based on the estimated number of closed stores.

この点について、図4を用いて説明する。図4は、情報処理装置が実行する情報処理の一例を示す図である。図4は、社会状況に基づく処理の一例を示す。図4では、社会状況に基づき推定した退店数を基にグルーピングに用いる閾値を変更する処理を一例として説明する。具体的には、図4では、社会状況に基づき推定した退店数を基に、図2で用いた閾値を変更する処理を一例として説明する。なお、上述した内容と同様の点については適宜説明を省略する。 This point will be described with reference to FIG. FIG. 4 is a diagram illustrating an example of information processing executed by an information processing apparatus; FIG. 4 shows an example of processing based on social conditions. FIG. 4 illustrates an example of processing for changing the threshold value used for grouping based on the number of store closings estimated based on social conditions. Specifically, in FIG. 4, processing for changing the threshold used in FIG. 2 based on the number of store closings estimated based on social conditions will be described as an example. It should be noted that descriptions of the same points as those described above will be omitted as appropriate.

図4では、社会状況に対応する退店ストアの数を示すスコアを出力する学習モデル(モデル)であるモデルM31を用いて、情報処理装置100が閾値の変更を行う場合を一例して示す。モデルM31は、退店ストアの数の推定に用いるモデルであり、機械学習により学習されるモデルである。図4では、モデルM31が退店ストアの数を示すスコアとして、退店数を出力する場合を一例として説明するが、モデルM31が出力するスコアは退店数自体に限らず、退店数の算出に用いる値(例えばその時点での退店数に対する比率等)であってもよい。 FIG. 4 shows an example in which the information processing apparatus 100 changes the threshold using a model M31, which is a learning model that outputs a score indicating the number of closed stores corresponding to social conditions. The model M31 is a model used for estimating the number of closed stores, and is a model learned by machine learning. In FIG. 4, a case where the model M31 outputs the number of store closures as a score indicating the number of stores that have closed will be described as an example. It may be a value used for calculation (for example, the ratio of the number of store closings at that time).

また、情報処理装置100は、学習モデルを提供するモデル提供サーバ等からモデルM31を取得してもよいし、自装置でモデルM31を学習してもよい。例えば、情報処理装置100は、モデルM31を学習する場合、モデル情報記憶部122(図10参照)に格納された学習データLDT31を用いて、モデルM31を学習する。例えば、学習データLDT31には、社会状況に関する情報(「社会状況情報」ともいう)と、その社会状況に対応する退店数を示すラベル(「正解情報」ともいう)とを対応付けたデータが含まれる。 Further, the information processing apparatus 100 may acquire the model M31 from a model providing server or the like that provides a learning model, or may learn the model M31 by itself. For example, when learning the model M31, the information processing apparatus 100 learns the model M31 using learning data LDT31 stored in the model information storage unit 122 (see FIG. 10). For example, the learning data LDT31 includes data in which information about social conditions (also referred to as “social condition information”) is associated with a label indicating the number of store closures corresponding to the social condition (also referred to as “correct information”). included.

なお、社会状況情報には、景気(経済状況)に関する情報等の様々な社会状況を示す情報が含まれる。例えば、社会状況情報は、株価、失業率、金利等、経済状況を示す様々な情報が含まれる。例えば、社会状況の正解情報としては、その社会状況に対応する時点における退店ストアの数が対応付けられる。図4では、各社会状況の正解情報としては、ある時点(時点X)の社会状況情報に、その時点Xから三カ月後の退店ストア数が割り当てられる場合を一例として示す。情報処理装置100は、社会状況に対応する時点から半年後の退店数を推定するモデルM31を生成する。なお、情報処理装置100は、三カ月後に限らず、社会状況の時点に対応する所望の将来(例えば一カ月後、六カ月後、一年後、五年後等)の退店ストア数を推定(予測)するモデルを生成することができる。 The social situation information includes information indicating various social situations, such as information on business conditions (economic conditions). For example, social condition information includes various information indicating economic conditions such as stock prices, unemployment rates, and interest rates. For example, as the correct answer information of the social situation, the number of closed stores at the time corresponding to the social situation is associated. FIG. 4 shows, as an example, the case where the number of closed stores after three months from time X is assigned to social situation information at a certain time (time X) as correct information for each social situation. The information processing apparatus 100 generates a model M31 for estimating the number of store closings half a year from the point corresponding to the social situation. Note that the information processing apparatus 100 estimates the number of closing stores not only in three months but also in a desired future (for example, one month, six months, one year, five years, etc.) corresponding to the social situation. It can generate a model that (predicts).

例えば、情報処理装置100は、モデルM31が出力するスコアが、モデルM31に入力したストアの社会状況情報に対応付けられた正解情報(ラベル)に近づくように、学習処理を行う。例えば、情報処理装置100は、正解情報が「100」である場合、その正解情報が割り当てられたストアの社会状況情報が入力された場合に、モデルM31が出力するスコアが「100」に近づくように、学習処理を行う。また、例えば、情報処理装置100は、正解情報が「5」である場合、その正解情報が割り当てられたストアの社会状況情報が入力された場合に、モデルM31が出力するスコアが「5」に近づくように、学習処理を行う。商取引サイトからストアが退店した場合、そのストアからの債権の回収が不能になるため、図4では、情報処理装置100は、債権の回収不能数として、商取引サイトからストアの退店数を推定するために用いるモデルM31を学習する。なお、モデルM31の学習処理については、モデルM1等の学習処理と同様であるため、詳細な説明は省略する。なお、情報処理装置100は、学習データに含まれる社会状況情報が入力された場合に、正解情報に対応するスコアを出力するようにモデルM31を学習可能であれば、どのような手法によりモデルM31の生成を行ってもよい。 For example, the information processing apparatus 100 performs learning processing so that the score output by the model M31 approaches the correct information (label) associated with the social situation information of the store input to the model M31. For example, when the correct answer information is "100", the information processing apparatus 100 is configured so that the score output by the model M31 approaches "100" when the social situation information of the store to which the correct answer information is assigned is input. Then, the learning process is performed. Further, for example, when the correct information is "5", the information processing apparatus 100 changes the score output by the model M31 to "5" when the social situation information of the store to which the correct information is assigned is input. Learning processing is performed so as to approach. When a store closes from a commercial transaction site, it becomes impossible to collect the receivables from that store. Therefore, in FIG. Learn the model M31 used to Note that the learning process for the model M31 is the same as the learning process for the model M1 and the like, so detailed description thereof will be omitted. If the information processing apparatus 100 can learn the model M31 so as to output a score corresponding to the correct answer information when the social situation information included in the learning data is input, what kind of method can be used for the model M31? may be generated.

ここから、上述した内容を前提として、図4に示す情報処理について詳細に説明する。まず、情報処理装置100は、処理時点(現在)の社会状況を示す社会状況情報SDT11をモデルM31に入力する(ステップS31-1)。例えば、情報処理装置100は、現在の株価、失業率、金利等の少なくとも1つを含む社会状況情報SDT11をモデルM31に入力する。社会状況情報SDT11が入力されたモデルM31は、スコアを出力する(ステップS31-2)。図4の例では、社会状況情報SDT11が入力されたモデルM31は、スコアSC31に示すような退店数「NW1」を出力する。なお、退店数NW1は、推定される退店数を示す具体的な値(例えば200等)であるものとする。このように、図4では、情報処理装置100は、債権の回収不能数として、商取引サイトからストアの退店数を推定する。 From now on, the information processing shown in FIG. 4 will be described in detail based on the above-described contents. First, the information processing apparatus 100 inputs social situation information SDT11 indicating the social situation at the time of processing (current) to the model M31 (step S31-1). For example, the information processing device 100 inputs social situation information SDT11 including at least one of the current stock price, unemployment rate, interest rate, etc. to the model M31. The model M31 to which the social situation information SDT11 is input outputs a score (step S31-2). In the example of FIG. 4, the model M31 to which the social situation information SDT11 is input outputs the store closing number "NW1" as indicated by the score SC31. It is assumed that the closing number NW1 is a specific value (for example, 200) indicating the estimated closing number. Thus, in FIG. 4, the information processing apparatus 100 estimates the number of store closings from the commercial transaction site as the number of uncollectible claims.

そして、情報処理装置100は、推定した退店数に基づいて、閾値を決定する(ステップS32)。図4では、情報処理装置100は、その時点まで用いていた閾値情報TL1を、閾値情報TL2に変更する。例えば、情報処理装置100は、推定した退店数NW1が所定の条件を満たす場合、閾値を下げる。例えば、情報処理装置100は、その時点(現在)での退店数(「現時点実測値」ともいう)よりも、退店数NW1の方が大きい場合、閾値を下げる。図4では、説明を簡単にするために、情報処理装置100が各閾値を0.5だけ低下させる場合を一例として説明するが、情報処理装置100は、その時点(現在)での退店数(現時点実測値)と、退店数NW1との比較に応じて、閾値を上昇または低下させることにより、閾値を変更してもよい。この場合、情報処理装置100は、退店数NW1が、現時点実測値と異なることを所定の条件として、閾値を決定してもよい。 Then, the information processing apparatus 100 determines a threshold value based on the estimated number of store closings (step S32). In FIG. 4, the information processing apparatus 100 changes the threshold information TL1 used up to that point to the threshold information TL2. For example, the information processing apparatus 100 lowers the threshold when the estimated store closing number NW1 satisfies a predetermined condition. For example, the information processing apparatus 100 lowers the threshold when the number of closings NW1 is greater than the number of closings NW1 at that point in time (currently) (also referred to as "actual measured value at present"). In FIG. 4, in order to simplify the explanation, a case where the information processing apparatus 100 lowers each threshold value by 0.5 will be described as an example. The threshold value may be changed by increasing or decreasing the threshold value according to the comparison between the (measured value at the present time) and the closing number NW1. In this case, the information processing apparatus 100 may determine the threshold based on a predetermined condition that the store closing number NW1 differs from the current measured value.

例えば、情報処理装置100は、現時点実測値と、退店数NW1との比較結果に応じて、閾値を決定してもよい。例えば、情報処理装置100は、現時点実測値と、退店数NW1との差または比に応じて各閾値を下げてもよい。例えば、情報処理装置100は、現時点実測値に対する退店数NW1が「0.9」である場合、各閾値に「0.9」を乗算することにより、各閾値を更新してもよい。例えば、情報処理装置100は、現時点実測値に対する退店数NW1が「1.05」である場合、各閾値に「1.05」を乗算することにより、各閾値を更新してもよい。また、情報処理装置100は、各閾値を個別に変更してもよい。例えば、情報処理装置100は、その時点(現在)での退店数と退店数NW1との差または比に応じて、第1閾値TH1のみを下げてもよい。なお、上記は一例に過ぎず、情報処理装置100は、様々な情報を適宜用いた処理により、閾値を変更してもよい。 For example, the information processing apparatus 100 may determine the threshold value according to the result of comparison between the current actual measurement value and the closing number NW1. For example, the information processing apparatus 100 may lower each threshold according to the difference or ratio between the current actual measurement value and the closing number NW1. For example, when the store closing count NW1 for the current actual measurement value is "0.9", the information processing apparatus 100 may update each threshold by multiplying each threshold by "0.9". For example, when the number NW1 of store closings with respect to the current actual measurement value is "1.05", the information processing apparatus 100 may update each threshold by multiplying each threshold by "1.05". Further, the information processing apparatus 100 may individually change each threshold. For example, the information processing apparatus 100 may lower only the first threshold TH1 according to the difference or ratio between the number of store closings at that time (current) and the number of store closings NW1. Note that the above is merely an example, and the information processing apparatus 100 may change the threshold by performing processing using various information as appropriate.

そして、情報処理装置100は、変更後の閾値情報TL2を用いて、複数のストアを複数のグループに分類する(ステップS33)。なお、ステップS33以降の処理は、各閾値の値以外は、図1のステップS12以降の処理と同様であるため、詳細な説明は省略する。 Then, the information processing apparatus 100 classifies the multiple stores into multiple groups using the changed threshold information TL2 (step S33). Note that the processing after step S33 is the same as the processing after step S12 in FIG. 1 except for each threshold value, so detailed description thereof will be omitted.

このように、情報処理装置100は、経済状況に基づいて推定される退店数に基づいて、閾値を変更し、変更した閾値を用いて複数のストアを複数のグループに分類し、分類したグループごとに、債権の買い取りに関する条件を決定する。これにより、情報処理装置100は、経済状況に応じて適切に調整された閾値を用いて処理を行い、債権の買い取りを行うことができるため、債権の買い取りに関する適切なサービスを提供可能にすることができる。例えば、将来債権についてファクタリングを行う場合、将来債権を買い取るため、近い将来に退店されてしまうと資金回収が困難になる場合がある。そこで、情報処理装置100は、経済状況を加味した上でグルーピングを行い、そのグループごとに買取対象月数等の指標値を決定することで、資金回収が困難になる可能性を低減させることができる。 In this way, the information processing apparatus 100 changes the threshold value based on the number of store closures estimated based on the economic situation, classifies a plurality of stores into a plurality of groups using the changed threshold value, and classifies the classified groups. determine the terms and conditions for the purchase of receivables. As a result, the information processing apparatus 100 can perform processing using threshold values that are appropriately adjusted according to the economic situation, and can purchase claims. can be done. For example, when factoring future receivables, the future receivables will be purchased, so if the store closes in the near future, it may be difficult to collect the funds. Therefore, the information processing device 100 performs grouping in consideration of the economic situation, and determines an index value such as the number of months to be purchased for each group, thereby reducing the possibility of difficulty in collecting funds. can.

なお、上述した例では、学習モデルであるモデルM31を用いて、退店数を算出する場合を一例として示したが、情報処理装置100は、学習モデルを用いることなく、退店数を算出してもよい。この場合、情報処理装置100は、例えば、ルールベースで、退店数を算出してもよい。情報処理装置100は、例えば条件と退店数とを対応付けたルール情報を用いて、退店数を算出してもよい。情報処理装置100は、社会状況情報と各ルール(条件)とを比較し、社会状況情報がルールを満たす場合、そのルールの退店数を用いてもよい。また、情報処理装置100は、グルーピングを行うことなく、債権の買い取りに関する条件を決定してもよい。この場合、情報処理装置100は、推定した退店数(発生数)に応じて、将来債権の買取対象月数を決定してもよい。例えば、情報処理装置100は、推定した退店数(発生数)を変数(説明変数)として、買取対象月数を出力値(目的変数)とする関数を用いて、将来債権の買取対象月数を決定してもよい。 In the above example, the case where the number of store closings is calculated using the model M31, which is a learning model, is shown as an example, but the information processing apparatus 100 calculates the number of store closings without using the learning model. may In this case, the information processing apparatus 100 may calculate the number of store closings on a rule basis, for example. The information processing apparatus 100 may calculate the number of store closings using, for example, rule information that associates conditions with the number of store closings. The information processing apparatus 100 may compare the social situation information with each rule (condition), and if the social situation information satisfies the rule, the number of closings of the rule may be used. Further, the information processing apparatus 100 may determine the conditions regarding the purchase of bonds without grouping. In this case, the information processing apparatus 100 may determine the number of months to be purchased for future claims according to the estimated number of closings (number of occurrences). For example, the information processing apparatus 100 uses a function with the estimated number of closings (number of occurrences) as a variable (explanatory variable) and the number of months to be purchased as an output value (objective variable) to determine the number of months to be purchased for future bonds. may be determined.

上述のように、情報処理装置100は、社会状況(経済状況)に基づいて、退店数を推定し、推定した退店数に基づいて、グルーピングに用いる閾値を変更する。情報処理装置100は、経済状況を基に将来の退店ストア数を推定し、推定した退店ストア数を基に変更した閾値を用いてグルーピングし、ファクタリング条件を決定する。このように、情報処理装置100は、ファクタリングの条件に対応付けられたグループにストアをグルーピングすることで、ストアのファクタリング条件を推定した退店数を基に決定することができる。 As described above, the information processing apparatus 100 estimates the number of store closings based on social conditions (economic conditions), and changes the threshold used for grouping based on the estimated number of store closings. The information processing apparatus 100 estimates the future number of stores to close based on the economic situation, performs grouping using a threshold changed based on the estimated number of stores to close, and determines factoring conditions. In this way, the information processing apparatus 100 can determine the store factoring condition based on the estimated number of closings by grouping stores into groups associated with factoring conditions.

なお、情報処理装置100は、将来の社会状況(経済状況)を示す予測情報に基づいて、退店数を推定し、推定した退店数に基づいて、グルーピングに用いる閾値を変更してもよい。この場合、情報処理装置100は、所定の外部装置から提供される将来の社会状況(経済状況)を示す予測情報を取得し、取得した予測情報を用いて、退店数を推定してもよい。また、情報処理装置100は、社会状況(経済状況)に基づいて、退店数を推定し、推定した退店数に基づいて、各グループのファクタリング条件を変更してもよい。例えば、情報処理装置100は、推定した退店数が所定数以上である場合、各グループの買い取り対象月数を低下させてもよい。また、例えば、情報処理装置100は、推定した退店数が所定数未満である場合、各グループの買い取り対象月数を増加させてもよい。 Note that the information processing apparatus 100 may estimate the number of closings based on prediction information indicating future social conditions (economic conditions), and change the threshold used for grouping based on the estimated number of closings. . In this case, the information processing apparatus 100 may acquire prediction information indicating future social conditions (economic conditions) provided from a predetermined external device, and estimate the number of closings using the acquired prediction information. . Further, the information processing apparatus 100 may estimate the number of store closings based on social conditions (economic conditions), and change the factoring conditions for each group based on the estimated number of store closings. For example, the information processing apparatus 100 may reduce the number of months to be purchased for each group when the estimated number of closings is equal to or greater than a predetermined number. Further, for example, when the estimated number of store closings is less than a predetermined number, the information processing apparatus 100 may increase the number of months to be purchased for each group.

なお、上述した処理は一例に過ぎず、情報処理装置100は、様々な情報を用いて処理を行ってもよい。例えば、情報処理装置100は、その時点(現在)の退店ストア数と、推定した退店ストア数とに基づいて、債権の買い取りに関する条件を決定してもよい。例えば、情報処理装置100は、退店数の相対的数値に基づいてファクタリング条件を決定してもよい。例えば、情報処理装置100は、その時点(現在)の退店ストア数と現在を「1」とし、推定した退店ストア数がその1.2倍である「1.2」である場合、ファクタリング条件を2割低下させてもよい。この場合、情報処理装置100は、現在の一のストアの買取対象月数が「2」である場合、その一のストアの買取対象月数を「1.6」に低下させてもよい。 Note that the above-described processing is merely an example, and the information processing apparatus 100 may perform processing using various types of information. For example, the information processing apparatus 100 may determine the conditions for purchasing bonds based on the number of closed stores at that time (current) and the estimated number of closed stores. For example, the information processing apparatus 100 may determine factoring conditions based on the relative number of closings. For example, the information processing apparatus 100 assumes that the number of closed stores at that time (current) and the current number is "1", and if the estimated number of closed stores is "1.2", which is 1.2 times that, factoring The conditions may be reduced by 20%. In this case, if the current number of months to be purchased for one store is "2", the information processing apparatus 100 may reduce the number of months to be purchased for that one store to "1.6".

また、例えば、情報処理装置100は、現在の退店ストア総数が100であり、景気状況が下降気味で来年は退店ストア数が200と推定される場合、グルーピングする際の閾値を変更してもよい。この場合、例えば、情報処理装置100は、ある閾値の値を「0.6」から「0.5」に変更してもよい。これにより、情報処理装置100は、あるグループに属する退店スコア0.6-0.8から、0.5-0.8に変更してもよい。情報処理装置100は、買取対象月数を減らしてもよい。 Further, for example, when the current total number of closed stores is 100 and it is estimated that the number of closed stores will be 200 next year due to a downward trend in economic conditions, the information processing apparatus 100 changes the threshold for grouping. good too. In this case, for example, the information processing apparatus 100 may change the threshold value from "0.6" to "0.5". Accordingly, the information processing apparatus 100 may change the closing score belonging to a certain group from 0.6-0.8 to 0.5-0.8. The information processing device 100 may reduce the number of months to be purchased.

また、情報処理装置100は、様々な要素ごとに退店スコア数を予測してもよい。例えば、情報処理装置100は、商取引サイトで取り扱われる商品ごとに退店ストア数を予測してもよい。この場合、情報処理装置100は、商品ごとの経済状況に基づいて、商品ごとに退店ストア数を予測してもよい。例えば、情報処理装置100は、その時点で流行している商品(トレンド商品)である場合、その商品については退店スコア数を低く予測してもよい。例えば、情報処理装置100は、コロナウィルス等の感染症が流行している時点で在宅グッズが流行している場合、在宅グッズに関連する商品については退店スコア数を低く予測してもよい。 In addition, the information processing apparatus 100 may predict the store closing score for each of various factors. For example, the information processing device 100 may predict the number of closing stores for each product handled on the commercial transaction site. In this case, the information processing apparatus 100 may predict the number of closing stores for each product based on the economic situation for each product. For example, if the product is popular at the time (trend product), the information processing apparatus 100 may predict a low exit score for that product. For example, the information processing apparatus 100 may predict a low store exit score for products related to home goods when home goods are prevalent at the time when an infectious disease such as coronavirus is prevalent.

〔1-3-4.カテゴリに基づく処理〕
なお、情報処理装置100は、ストアが取り扱う商品のカテゴリに応じて、ストアのファクタリング条件を決定してもよい。この場合、情報処理装置100は、対象ストアの過去の売上の傾向と、商取引サイトで取り扱われる商品のカテゴリごとの過去の売上の傾向とに基づいて、対象ストアの債権のファクタリング条件を決定してもよい。
[1-3-4. Processing based on category]
The information processing apparatus 100 may determine the factoring conditions of the store according to the category of products handled by the store. In this case, the information processing device 100 determines the factoring conditions for the receivables of the target store based on the past sales trends of the target store and the past sales trends for each product category handled on the commercial transaction site. good too.

なお、図5では、ストアが主に取り扱う商品(主力商品)に対応するカテゴリ(「メインカテゴリ」ともいう)と、主力商品以外でストアが取り扱う商品(サブ商品)に対応するカテゴリ(「サブカテゴリ」ともいう)とに応じて処理を行う場合を一例として示す。この点について、図5を用いて説明する。図5は、情報処理装置が実行する情報処理の一例を示す図である。図5では、カテゴリに基づく処理を一例として説明する。なお、情報処理装置100は、対象ストアが取り扱う商品のカテゴリに応じて、対象ストアの債権のファクタリング条件を決定すれば、メインカテゴリ及びサブカテゴリ等のカテゴリの種別を分けることなく、対象ストアの債権のファクタリング条件を決定してもよい。 In addition, in FIG. 5, a category (also referred to as "main category") corresponding to the product (main product) mainly handled by the store and a category ("sub-category") corresponding to the product (sub-product) handled by the store other than the main product A case where processing is performed in accordance with (also referred to as) is shown as an example. This point will be described with reference to FIG. FIG. 5 is a diagram illustrating an example of information processing executed by an information processing apparatus; In FIG. 5, processing based on categories will be described as an example. If the factoring conditions for the receivables of the target store are determined according to the category of the product handled by the target store, the information processing device 100 can Factoring terms may be determined.

図5の例ではストアSP15がファクタリング条件を決定する対象となるストア(対象ストア)である場合を一例として説明するが、対象ストアはストアSP15に限らず、商取引サイトに出店するいずれのストアであってもよい。なお、上述した内容と同様の点については適宜説明を省略する。 In the example of FIG. 5, the case where the store SP15 is the target store (target store) for determining the factoring conditions will be described as an example, but the target store is not limited to the store SP15, and can be any store that opens on a commercial transaction site. may It should be noted that descriptions of the same points as those described above will be omitted as appropriate.

図5では、カテゴリごとの売上の傾向を推定するスコアを出力する学習モデル(モデル)であるモデルM41を用いて、情報処理装置100が決定処理を行う場合を一例して示す。モデルM41は、カテゴリに対応するストアの売上の傾向を推定するカテゴリ売上モデルであり、機械学習により学習されるモデルである。なお、図5では、メインカテゴリ及びサブカテゴリに共通のモデルM41を用いる場合を示すが、メインカテゴリとサブカテゴリとは個別のモデルが用いられてもよい。 FIG. 5 shows an example of the case where the information processing apparatus 100 performs determination processing using a model M41, which is a learning model (model) that outputs a score for estimating sales trends for each category. The model M41 is a category sales model for estimating sales trends of stores corresponding to categories, and is a model learned by machine learning. Although FIG. 5 shows a case where a common model M41 is used for the main category and subcategories, separate models may be used for the main category and subcategories.

また、情報処理装置100は、学習モデルを提供するモデル提供サーバ等からモデルM41等を取得してもよいし、自装置でモデルM41等を学習してもよい。例えば、情報処理装置100は、モデルM41を学習する場合、モデル情報記憶部122(図10参照)に格納された学習データLDT41を用いて、モデルM41を学習する。例えば、学習データLDT41には、一のストアが取り扱う商品の一のカテゴリに関する情報(ストア別カテゴリ情報)及び商取引サイトにおけるその一のカテゴリに関する情報(サイト内カテゴリ情報)と、その一のストアにおける一のカテゴリの売上の傾向を示すラベル(正解情報)とを対応付けたデータが含まれる。 Further, the information processing apparatus 100 may acquire the model M41 or the like from a model providing server or the like that provides learning models, or may learn the model M41 or the like by itself. For example, when learning the model M41, the information processing apparatus 100 learns the model M41 using learning data LDT41 stored in the model information storage unit 122 (see FIG. 10). For example, the learning data LDT41 includes information on one category of products handled by one store (category information by store), information on the one category on the commercial transaction site (in-site category information), and one store on the one store. This includes data associated with labels (correct information) that indicate sales trends of categories.

例えば、学習データLDT41には、ある時点(時点X)での一のストアにおける一のカテゴリに属する商品の売上を示す情報を含むストア別カテゴリ情報、及びある時点(時点X)での商取引サイト全体でのその一のカテゴリに属する商品の売上を示す情報を含むサイト内カテゴリ情報と、その一のストアにおける一のカテゴリの売上の時点X以降の変化を示すラベル(正解情報)とを対応付けたデータが含まれる。ストア別カテゴリ情報には、ある時点(時点X)までのストアにおける一のカテゴリに属する商品の売上の推移を示す情報が含まれてもよい。例えば、ストア別カテゴリ情報には、ある時点(時点X)までの複数の時点に対応するストアにおける一のカテゴリに属する商品の複数の売上の情報が含まれてもよい。 For example, the learning data LDT41 includes store-by-store category information including information indicating sales of products belonging to one category in one store at a certain point in time (point X), and the entire commercial transaction site at a certain point in time (point X). In-site category information including information indicating the sales of products belonging to that one category in the store, and labels (correct information) indicating changes after time point X in the sales of one category in that one store are associated. Contains data. The store-by-store category information may include information indicating changes in sales of products belonging to one category in a store up to a certain point in time (point in time X). For example, the store-by-store category information may include information on multiple sales of products belonging to one category in stores corresponding to multiple points of time up to a certain point of time (point of time X).

サイト内カテゴリ情報には、ある時点(時点X)までの商取引サイト全体における一のカテゴリに属する商品の売上の推移を示す情報が含まれてもよい。例えば、サイト内カテゴリ情報には、ある時点(時点X)までの複数の時点に対応する商取引サイト全体における一のカテゴリに属する商品の複数の売上の情報が含まれてもよい。なお、ストア別カテゴリ情報とサイト内カテゴリ情報とを合わせてモデル入力情報と記載する場合がある。例えば、時点Xにおける一のストアにおける一のカテゴリの売上と、時点Xから所定の期間経過後の時点(時点Y)との関係を示す値が正解情報として対応付けられる。 The intra-site category information may include information indicating changes in sales of products belonging to one category in the entire commercial transaction site up to a certain point in time (point in time X). For example, the intra-site category information may include information on multiple sales of products belonging to one category in the entire commercial transaction site corresponding to multiple time points up to a certain time point (time point X). In some cases, store-specific category information and in-site category information are collectively referred to as model input information. For example, a value indicating the relationship between sales of one category in one store at time X and time (time Y) after a predetermined period of time has elapsed from time X is associated as correct information.

例えば、時点Yにおける一のストアにおける一のカテゴリの売上が、時点Xにおける一のストアにおける一のカテゴリの売上の1.5倍(すなわち売上増加)である場合、値「1.5」が正解情報として対応付けられる。このように、一のストアにおける一のカテゴリの売上の時点X以降に増加している場合、1よりも大きい値が正解情報として対応付けられる。時点Yにおける一のストアにおける一のカテゴリの売上が、時点Xにおける一のストアにおける一のカテゴリの売上の0.6倍(すなわち売上減少)である場合、値「0.6」が正解情報として対応付けられる。例えば、一のストアにおける一のカテゴリの売上の時点X以降に減少している場合、1よりも小さい値が正解情報として対応付けられる。すなわち、学習データLDT41には、ある時点(時点X)から一のカテゴリが上昇トレンドであるか、下降トレンドであるか否かを示す情報が正解情報として含まれる。なお、上記は一例に過ぎず、正解情報には様々な情報が用いられてもよい。例えば、正解情報には時点Yの売上の値自体が用いられてもよい。この場合、モデルM41は、対象ストアにおけるカテゴリの売上の推定値を示すスコアを出力する。 For example, if the sales of one category in one store at time Y is 1.5 times the sales of one category in one store at time X (i.e., sales increase), the value "1.5" is correct. Associated as information. In this way, if the sales of one category in one store have increased after time point X, a value greater than 1 is associated as correct information. If the sales of one category in one store at time Y is 0.6 times the sales of one category in one store at time X (ie sales decrease), the value "0.6" is correct information be associated. For example, if the sales of one category in one store are decreasing after time X, a value smaller than 1 is associated as correct information. That is, the learning data LDT41 includes, as correct information, information indicating whether one category is in an upward trend or a downward trend from a certain time point (time point X). Note that the above is only an example, and various types of information may be used as the correct answer information. For example, the sales value itself at time Y may be used as the correct answer information. In this case, the model M41 outputs a score that indicates the estimated sales of the category at the target store.

情報処理装置100は、対象ストアの一のカテゴリに対応するモデル入力情報が入力されたモデルM41が出力するスコアが、そのモデル入力情報に対応付けられた正解情報に近づくように学習処理を行う。例えば、情報処理装置100は、正解情報が「1.2」である場合、その正解情報が割り当てられたモデル入力情報が入力された場合に、モデルM41が出力するスコアが「1.2」に近づくように、学習処理を行う。また、えば、情報処理装置100は、正解情報が「0.8」である場合、その正解情報が割り当てられたモデル入力情報が入力された場合に、モデルM41が出力するスコアが「0.8」に近づくように、学習処理を行う。なお、モデルM41の学習処理については、モデルM1等の学習処理と同様であるため、詳細な説明は省略する。また、情報処理装置100は、学習データに含まれるモデル入力情報が入力された場合に、正解情報に対応するスコアを出力するようにモデルM41を学習可能であれば、どのような手法によりモデルM41の生成を行ってもよい。 The information processing apparatus 100 performs learning processing so that the score output by the model M41 to which the model input information corresponding to one category of the target store is input approaches the correct information associated with the model input information. For example, when the correct answer information is "1.2" and the model input information to which the correct answer information is assigned is input, the information processing apparatus 100 sets the score output by the model M41 to "1.2". Learning processing is performed so as to approach. Further, for example, when the correct information is "0.8" and the model input information to which the correct information is assigned is input, the information processing apparatus 100 sets the score output by the model M41 to "0.8". ”, the learning process is performed. Note that the learning process for the model M41 is the same as the learning process for the model M1 and the like, so detailed description thereof will be omitted. Further, if the information processing apparatus 100 can learn the model M41 so as to output a score corresponding to the correct answer information when the model input information included in the learning data is input, what kind of method is used for the model M41? may be generated.

ここから、上述した内容を前提として、図5に示す情報処理について詳細に説明する。まず、情報処理装置100は、ストアSP15のメインカテゴリとサブカテゴリとを決定する。例えば、情報処理装置100は、ストアSP15のストア情報を参照して、ストアSP15のメインカテゴリとサブカテゴリとを決定する。例えば、情報処理装置100は、ストアSP15が取り扱うカテゴリのうち、最も売上が大きいカテゴリをメインカテゴリに決定してもよい。例えば、情報処理装置100は、ストアSP15が取り扱うカテゴリのうち、最も商品数が多いカテゴリをメインカテゴリに決定してもよい。また、情報処理装置100は、ストアSP15が取り扱うカテゴリのうち、メインカテゴリ以外をサブカテゴリに決定してもよい。 Based on the above-described content, the information processing shown in FIG. 5 will be described in detail below. First, the information processing device 100 determines the main category and subcategories of the store SP15. For example, the information processing apparatus 100 refers to the store information of the store SP15 and determines the main category and subcategories of the store SP15. For example, the information processing apparatus 100 may determine the category with the highest sales among the categories handled by the store SP 15 as the main category. For example, the information processing apparatus 100 may determine the category with the largest number of products among the categories handled by the store SP 15 as the main category. Further, the information processing apparatus 100 may determine categories handled by the store SP 15 other than the main category as subcategories.

なお、上述したメインカテゴリ及びサブカテゴリの決定は一例に過ぎず、情報処理装置100は、様々な情報を適宜用いて、メインカテゴリ及びサブカテゴリを決定してもよい。情報処理装置100は、ストアSP15が取り扱うカテゴリのうち、メインカテゴリの次に売上が大きいカテゴリをサブカテゴリに決定してもよい。また、情報処理装置100は、ストアSP15が取り扱うカテゴリのうち、メインカテゴリの次に商品数が多いカテゴリをサブカテゴリに決定してもよい。 The determination of the main category and subcategories described above is merely an example, and the information processing apparatus 100 may determine the main category and subcategories using various information as appropriate. The information processing apparatus 100 may determine the category with the next largest sales after the main category among the categories handled by the store SP 15 as the subcategory. Further, the information processing apparatus 100 may determine, as a subcategory, the category with the second largest number of products after the main category among the categories handled by the store SP 15 .

情報処理装置100は、出店者情報記憶部121(図9参照)に記憶されたカテゴリ情報を用いて、ストアSP15のメインカテゴリとサブカテゴリとを決定してもよい。なお、ストアSP15のメインカテゴリとサブカテゴリとがストアSP15の事業者により指定される場合、情報処理装置100は、ストアSP15の事業者による指定に応じて、ストアSP15のメインカテゴリとサブカテゴリとを決定する。以下では、ストアSP15のメインカテゴリがカテゴリ#1に決定され、サブカテゴリがカテゴリ#2に決定された場合を、一例として説明する。カテゴリ#1およびカテゴリ#2は、例えば、食品、飲料、酒類、衣類、化粧品等の具体的なカテゴリであるものとする。 The information processing device 100 may determine the main category and subcategories of the store SP15 using the category information stored in the store owner information storage unit 121 (see FIG. 9). When the main category and subcategories of the store SP15 are designated by the operator of the store SP15, the information processing device 100 determines the main category and subcategories of the store SP15 according to the designation by the operator of the store SP15. . In the following, a case where the main category of the store SP15 is determined as category #1 and the subcategory is determined as category #2 will be described as an example. Category #1 and category #2 are, for example, specific categories such as foods, beverages, alcoholic beverages, clothes, and cosmetics.

情報処理装置100は、処理時点(現在)のストアSP15のメインカテゴリであるカテゴリ#1に対応するモデル入力情報MINF15-1をモデルM41に入力する(ステップS41-1)。例えば、情報処理装置100は、現在のストアSP15のカテゴリ#1に属する商品の売上を示す情報を含むストア別カテゴリ情報、及び現在の商取引サイト全体でのそのカテゴリ#1に属する商品の売上を示す情報を含むサイト内カテゴリ情報を含むモデル入力情報MINF15-1をモデルM41に入力する。モデル入力情報MINF15-1が入力されたモデルM41は、スコアを出力する(ステップS41-2)。図5の例では、モデル入力情報MINF15-1が入力されたモデルM41は、スコアSC31に示すようなスコア「VL41」を出力する。なお、メインスコアVL41は、ストアSP15のメインカテゴリ(カテゴリ#1)について推定されるトレンドの傾向を示す値(例えば0.4、2.5等)であるものとする。 The information processing apparatus 100 inputs the model input information MINF15-1 corresponding to the category #1, which is the main category of the store SP15 at the time of processing (current), to the model M41 (step S41-1). For example, the information processing device 100 indicates store-by-store category information including information indicating sales of products belonging to category #1 of the current store SP15, and sales of products belonging to category #1 on the current commercial transaction site as a whole. The model input information MINF15-1 including the in-site category information including the information is input to the model M41. The model M41 to which the model input information MINF15-1 is input outputs a score (step S41-2). In the example of FIG. 5, the model M41 to which the model input information MINF15-1 is input outputs a score "VL41" as indicated by the score SC31. It should be noted that the main score VL41 is a value (for example, 0.4, 2.5, etc.) indicating the tendency of the trend estimated for the main category (category #1) of the store SP15.

また、情報処理装置100は、処理時点(現在)のストアSP15のサブカテゴリであるカテゴリ#2に対応するモデル入力情報MINF15-2をモデルM41に入力する(ステップS41-3)。例えば、情報処理装置100は、現在のストアSP15のカテゴリ#2に属する商品の売上を示す情報を含むストア別カテゴリ情報、及び現在の商取引サイト全体でのそのカテゴリ#2に属する商品の売上を示す情報を含むサイト内カテゴリ情報を含むモデル入力情報MINF15-2をモデルM41に入力する。モデル入力情報MINF15-2が入力されたモデルM41は、スコアを出力する(ステップS41-4)。図5の例では、モデル入力情報MINF15-2が入力されたモデルM41は、スコアSC31に示すようなスコア「VL42」を出力する。なお、サブスコアVL42は、ストアSP15のサブカテゴリ(カテゴリ#2)について推定されるトレンドの傾向を示す値(例えば0.6、1.8等)であるものとする。 The information processing apparatus 100 also inputs the model input information MINF15-2 corresponding to the category #2, which is the subcategory of the store SP15 at the time of processing (current), to the model M41 (step S41-3). For example, the information processing device 100 indicates store-by-store category information including information indicating sales of products belonging to category #2 of the current store SP15, and sales of products belonging to category #2 on the current commercial transaction site as a whole. The model input information MINF15-2 including the in-site category information including the information is input to the model M41. The model M41 to which the model input information MINF15-2 is input outputs a score (step S41-4). In the example of FIG. 5, the model M41 to which the model input information MINF15-2 is input outputs a score "VL42" as indicated by the score SC31. The subscore VL42 is assumed to be a value (for example, 0.6, 1.8, etc.) indicating the tendency of the trend estimated for the subcategory (category #2) of the store SP15.

そして、情報処理装置100は、ストアSP15が取り扱う商品のカテゴリのトレンド傾向に基づいて、ストアSP15の将来債権の買取上限額を決定する(ステップS42)。図5では、情報処理装置100は、ストアSP15が取り扱う商品のカテゴリのトレンド傾向に基づいて、ストアSP15の将来債権の買取対象月数を決定する。例えば、情報処理装置100は、メインカテゴリのスコア(メインスコア)と、サブカテゴリのスコア(サブスコア)を変数(説明変数)として、買取対象月数を出力値(目的変数)とする関数(「月数算出関数FC2」ともいう)を用いて、ストアSP15の将来債権の買取対象月数を決定する。 Then, the information processing apparatus 100 determines the maximum purchase amount of future bonds of the store SP 15 based on the trend trend of the product category handled by the store SP 15 (step S42). In FIG. 5, the information processing apparatus 100 determines the number of months to be purchased for future bonds of the store SP15 based on the trend of the category of products handled by the store SP15. For example, the information processing apparatus 100 uses a function ("number of months Calculation function FC2”) is used to determine the number of months to be purchased for the future bond of the store SP15.

例えば、月数算出関数FC2は、メインスコアと第1係数(第1重み)とを乗算した第1値と、サブスコアと第2係数(第2重み)とを乗算した第2値とにより買取対象月数を算出する関数である。例えば、月数算出関数FC2は、第1値と第2値との合算値を買取対象月数として出力する。例えば、情報処理装置100は、メインカテゴリのスコア(メインスコア)に対応する第1重みを、サブカテゴリのスコア(サブスコア)に対応する第2重みよりも大きくなるように、各重みの値を決定してもよい。また、情報処理装置100は、第2重みに所定の減衰値(例えば0.8等)を乗算した値を、サブスコアに乗算して第2値を算出してもよい。 For example, the number of months calculation function FC2 uses a first value obtained by multiplying the main score by a first coefficient (first weight) and a second value obtained by multiplying the subscore by a second coefficient (second weight). A function that calculates the number of months. For example, the number-of-months calculation function FC2 outputs the total value of the first value and the second value as the number of months to be purchased. For example, the information processing device 100 determines the value of each weight so that the first weight corresponding to the main category score (main score) is greater than the second weight corresponding to the subcategory score (subscore). may Further, the information processing apparatus 100 may calculate the second value by multiplying the subscore by a value obtained by multiplying the second weight by a predetermined attenuation value (for example, 0.8).

図5では、情報処理装置100は、ストアSP15のメインスコアVL41に第1重みを乗算した第1値と、ストアSP15のサブスコアVL42に第2重みを乗算した第2値とによりストアSP15の買取対象月数を示す値VL43を算出する。なお、値VL43は、買取対象月数を示す具体的な値(例えば、1.5、3等)であるものとする。 In FIG. 5, the information processing apparatus 100 determines the purchase target of the store SP15 based on the first value obtained by multiplying the main score VL41 of the store SP15 by the first weight and the second value obtained by multiplying the sub-score VL42 of the store SP15 by the second weight. A value VL43 indicating the number of months is calculated. Note that the value VL43 is a specific value (for example, 1.5, 3, etc.) indicating the number of months to be purchased.

ここで、情報処理装置100は、様々な情報を用いてカテゴリの重み付けを決定してもよい。情報処理装置100は、様々な情報を用いて第1重みの値及び第2重みの値を決定してもよい。例えば、情報処理装置100は、カテゴリの商品点数で重みづけしてもよいし、カテゴリの売上で重みづけしてもよい。例えば、情報処理装置100は、カテゴリの商品点数が多い程、重みの値を大きくしてもよいし、カテゴリの売上が多い程、重みの値を大きくしてもよい。例えば、情報処理装置100は、メインカテゴリの売上が多い程、第1重みの値を大きくしてもよい。例えば、情報処理装置100は、サブカテゴリの商品点数が多い程、第2重みの値を大きくしてもよい。 Here, the information processing apparatus 100 may determine the weighting of categories using various information. The information processing apparatus 100 may determine the value of the first weight and the value of the second weight using various information. For example, the information processing apparatus 100 may weight by the product score of the category, or may weight by the sales of the category. For example, the information processing apparatus 100 may increase the weight value as the number of products in the category increases, or increase the weight value as the sales in the category increase. For example, the information processing apparatus 100 may increase the value of the first weight as the sales of the main category increase. For example, the information processing apparatus 100 may increase the value of the second weight as the number of products in the subcategory increases.

そして、情報処理装置100は、決定した買取対象月数とストアSP15の売上の情報に基づいて、ストアSP15の将来債権の買取上限額を決定するが、図2で説明した処理と同様であるため詳細な説明は省略する。情報処理装置100は、図5の買取上限情報PL1に示すように、ストアSP15の買取上限額を「PL41」と決定する。例えば、情報処理装置100は、算出関数FC1(図2参照)を用いて、ストアSP15の売上が値SL15である場合、ストアSP15の買取上限額を「PL41(=SL15×VL43)」と決定する。 Then, the information processing device 100 determines the maximum purchase amount of future bonds of the store SP15 based on the determined number of months to be purchased and the sales information of the store SP15. Detailed description is omitted. The information processing device 100 determines the upper limit purchase price of the store SP15 to be "PL41", as indicated by the upper limit purchase price information PL1 in FIG. For example, the information processing apparatus 100 uses the calculation function FC1 (see FIG. 2) to determine the purchase upper limit of the store SP15 to be "PL41 (=SL15×VL43)" when the sales of the store SP15 is the value SL15. .

そして、情報処理装置100は、決定した情報を用いて情報提供を行う(ステップS43)。なお、情報提供については図2で説明した処理と同様であるため詳細な説明は省略するが、例えば、情報処理装置100は、ストアSP15の事業者に買取対象月数または買取上限額を示す情報を提供してもよい。この場合、情報処理装置100は、ストアSP15の事業者が利用するストア装置20に、ストアSP15の買取対象月数または買取上限額を示す情報を送信してもよい。 Then, the information processing apparatus 100 provides information using the determined information (step S43). Since the information provision is the same as the processing described with reference to FIG. 2, detailed description will be omitted. may be provided. In this case, the information processing device 100 may transmit information indicating the number of months to be purchased or the maximum purchase amount of the store SP 15 to the store device 20 used by the business operator of the store SP 15 .

このように、情報処理装置100は、対象ストアについてカテゴリの情報を用いて、債権の買い取りに関する条件を決定する。これにより、情報処理装置100は、対象ストアが取り扱う商品のカテゴリに応じた債権の買い取りを行うことができるため、債権の買い取りに関する適切なサービスを提供可能にすることができる。例えば、将来債権についてファクタリングを行う場合、将来債権を買い取るため、近い将来に退店されてしまうと資金回収が困難になる場合がある。そこで、情報処理装置100は、対象ストアが取り扱う商品のカテゴリのトレンドに応じて買取対象月数等の指標値を決定することで、資金回収が困難になる可能性を低減させることができる。 In this way, the information processing apparatus 100 determines the conditions regarding the purchase of the bond using the category information for the target store. As a result, the information processing apparatus 100 can purchase claims according to the category of products handled by the target store, and can provide an appropriate service related to the purchase of claims. For example, when factoring future receivables, the future receivables will be purchased, so if the store closes in the near future, it may be difficult to collect the funds. Therefore, the information processing apparatus 100 can reduce the possibility of difficulty in collecting funds by determining an index value such as the number of months to be purchased according to the trend of the category of products handled by the target store.

上述した例では、情報処理装置100は、ストアが取り扱っている商品のカテゴリごとの上昇トレンド、下降トレンドを示すスコアを算出し、ファクタリング条件を決定する。なお、上述した処理は一例に過ぎず、情報処理装置100は、様々な情報を用いてファクタリング条件を決定してもよい。例えば、情報処理装置100は、メインカテゴリのスコアが高ければ、買取上限額を上昇させてもよい。また、情報処理装置100は、商品数が多いカテゴリ程、重みづけを大きくしてもよい。また、情報処理装置100は、売上が多いカテゴリ程、重みづけを大きくしてもよい。上述したように、各ストアについて、メインカテゴリ等はあらかじめ登録されていてもよい。また、情報処理装置100は、対象ストアが全体として人気があるカテゴリを取り扱っている場合、そのカテゴリでのシェア(占有率)に基づいて、対象ストアのファクタリング条件を決定してもよい。 In the example described above, the information processing apparatus 100 calculates scores indicating upward trends and downward trends for each category of products handled by the store, and determines factoring conditions. Note that the processing described above is merely an example, and the information processing apparatus 100 may determine factoring conditions using various types of information. For example, the information processing apparatus 100 may increase the purchase upper limit if the main category score is high. Further, the information processing apparatus 100 may give a greater weight to a category having a larger number of products. In addition, the information processing apparatus 100 may give a higher weighting to categories with higher sales. As described above, the main category and the like may be registered in advance for each store. Further, when the target store handles a category that is popular as a whole, the information processing apparatus 100 may determine the factoring condition of the target store based on the share (occupancy rate) in that category.

また、情報処理装置100は、対象ストアにおいて取扱う商品が最も多いカテゴリがメインカテゴリかどうかで重みづけを変更してもよい。例えば、情報処理装置100は、特定のカテゴリの上昇または下降の傾向が通常より顕著である等、所定の条件を満たすかに応じて場合、対象ストアのファクタリング条件を決定してもよい。また、例えば、情報処理装置100は、ストアの売上が下降傾向である場合であっても、その時点での人気のカテゴリ(例えばコロナ関連グッズ等)を取り扱っているストアである場合、そのストアのファクタリング条件を良くしてもよい。 Further, the information processing apparatus 100 may change the weighting depending on whether the category that handles the largest number of products in the target store is the main category. For example, the information processing apparatus 100 may determine the factoring condition for the target store depending on whether a predetermined condition is satisfied, such as the tendency of a specific category to rise or fall more prominently than usual. Further, for example, even if the sales of the store are on a downward trend, the information processing apparatus 100 may detect that the store deals with popular categories (for example, corona-related goods, etc.) at that time. Factoring conditions may be improved.

〔1-3-5.複数の観点のモデルに基づく処理〕
なお、情報処理装置100は、1つの観点でのモデルに限らず、複数の観点のモデルに基づいて処理を行ってもよい。この場合、情報処理装置100は、ストアが商取引サイトからの退店を予測する退店モデル(退店予測モデル)と、ストアの将来可能性を予測する将来性モデル(将来可能性予測モデル)との2つのモデルを用いて、将来債権の買取上限月数等のファクタリング条件を決定する。
[1-3-5. Processing Based on Models of Multiple Viewpoints]
Note that the information processing apparatus 100 may perform processing based on a model from a plurality of viewpoints instead of a model from one viewpoint. In this case, the information processing device 100 includes a store closure model (store closure prediction model) for predicting that the store will leave the commercial transaction site, and a future possibility model (future possibility prediction model) for predicting the future potential of the store. Using these two models, factoring conditions such as the maximum number of months for purchase of future receivables are determined.

なお、図6では、商取引サイトからのストアの退店をネガティブ事象の一例として説明するが、上述したように、ネガティブ事象は、ストアの退店に限らず、規約違反、連絡不能、違反物販売、悪質な広告、偽物販売、出店料滞納、ストア評価の急落、キャンセル多発、配送遅延等であってもよい。例えば、情報処理装置100は、退店モデルであるモデルM1と将来性モデルであるモデルM2との2つの異なる観点でのモデルを用いて、期間ごとのストアの退店の確率(可能性)を示すスコアを出力する複数のモデルを用いて、ストアの債権の買い取りに関する条件を決定する。 In FIG. 6, the closing of the store from the commercial transaction site will be described as an example of a negative event. . For example, the information processing apparatus 100 calculates the probability (possibility) of closing a store for each period using models from two different viewpoints, a model M1 that is a store closing model and a model M2 that is a future model. A number of models that output indicative scores are used to determine the conditions for the purchase of the store's bonds.

この点について、図6を用いて説明する。図6は、情報処理装置が実行する情報処理の一例を示す図である。図6では、複数の観点のモデルに基づく処理の一例を説明する。図5の例ではストアSP12がファクタリング条件を決定する対象となるストア(対象ストア)である場合を一例として説明するが、対象ストアはストアSP12に限らず、商取引サイトに出店するいずれのストアであってもよい。なお、上述した内容と同様の点については適宜説明を省略する。例えば、図6で用いるモデルM1は、図2のモデルM1と同様であるため、その学習処理等の説明については省略する。 This point will be described with reference to FIG. FIG. 6 is a diagram illustrating an example of information processing executed by an information processing apparatus; FIG. 6 illustrates an example of processing based on a model of multiple viewpoints. In the example of FIG. 5, the case where the store SP12 is the target store (target store) for determining the factoring conditions will be described as an example, but the target store is not limited to the store SP12, and can be any store that opens on the commercial transaction site. may It should be noted that descriptions of the same points as those described above will be omitted as appropriate. For example, the model M1 used in FIG. 6 is the same as the model M1 in FIG. 2, so the explanation of the learning process and the like is omitted.

図6では、商取引サイトに出店するストアの売上に関する将来可能性を示すスコア(「将来性スコア」ともいう)を出力する学習モデル(モデル)であるモデルM2を用いて、情報処理装置100が決定処理を行う場合を一例して示す。モデルM2は、将来性モデルであり、機械学習により学習されるモデルである。 In FIG. 6, the information processing apparatus 100 determines using a model M2, which is a learning model (model) that outputs a score (also referred to as a "future score") indicating the future possibility of sales of a store opening on a commercial transaction site. An example of processing is shown. The model M2 is a future model and is a model learned by machine learning.

また、情報処理装置100は、学習モデルを提供するモデル提供サーバ等からモデルM2を取得してもよいし、自装置でモデルM2を学習してもよい。例えば、情報処理装置100は、モデルM2を学習する場合、モデル情報記憶部122(図10参照)に格納された学習データLDT2を用いて、モデルM2を学習する。例えば、学習データLDT2には、ストアに関する情報(ストア情報)と、ストア情報中の最新の情報が取得された時点(取得時点)以降に、そのストアの売上がどのように変化したかを示すラベル(正解情報)とを対応付けたデータが含まれる。 Further, the information processing apparatus 100 may acquire the model M2 from a model providing server or the like that provides a learning model, or may learn the model M2 by itself. For example, when learning the model M2, the information processing apparatus 100 learns the model M2 using learning data LDT2 stored in the model information storage unit 122 (see FIG. 10). For example, the learning data LDT2 contains information about a store (store information) and a label indicating how the sales of the store changed after the latest information in the store information was acquired (acquisition point). (Correct answer information) and data associated with each other are included.

例えば、ストアの正解情報としては、そのストアが取得時点から所定の期間経過後(例えば一ヶ月等)に売上が1.5倍(すなわち売上増加)になった場合は「1.5」が割り当てられ、そのストア取得時点から所定の期間経過後に売上が0.8倍(すなわち売上減少)になった場合は「0.8」が割り当てられる。情報処理装置100は、ストアのストア情報が入力されたモデルM2が出力するスコアが、そのストアに対応付けられた正解情報に近づくように学習処理を行う。例えば、情報処理装置100は、正解情報が「1.8」である場合、その正解情報が割り当てられたストアのストア情報が入力された場合に、モデルM2が出力するスコアが「1.8」に近づくように、学習処理を行う。また、例えば、情報処理装置100は、正解情報が「0.2」である場合、その正解情報が割り当てられたストアのストア情報が入力された場合に、モデルM2が出力するスコアが「0.2」に近づくように、学習処理を行う。この場合、ストアが売上に関して将来性が高い場合は1よりも大きい値のスコアを出力し、ストアが売上に関して将来性が率い場合は1よりも小さい値のスコアを出力するモデルM2が生成される。なお、モデルM2の学習処理については、モデルM1の学習処理と同様であるため、詳細な説明は省略する。 For example, as the correct information for a store, if the store's sales increase by 1.5 times (i.e., sales increase) after a predetermined period of time (for example, one month) from the time of acquisition, "1.5" is assigned. If the sales increase by 0.8 times (that is, the sales decrease) after the elapse of a predetermined period from the store acquisition time, "0.8" is assigned. The information processing apparatus 100 performs learning processing so that the score output by the model M2 to which the store information of the store is input approaches the correct answer information associated with the store. For example, when the correct answer information is "1.8" and the store information of the store to which the correct answer information is assigned is input, the information processing apparatus 100 outputs a score of "1.8" from the model M2. The learning process is performed so as to approach Further, for example, when the correct information is "0.2", the information processing apparatus 100 determines that the score output by the model M2 is "0.2" when the store information of the store to which the correct information is assigned is input. 2”, the learning process is performed. In this case, a model M2 is generated that outputs a score greater than 1 if the store is highly prospective in terms of sales and outputs a score less than 1 if the store is leading in terms of sales. . Note that the learning process for the model M2 is the same as the learning process for the model M1, so detailed description will be omitted.

ここから、上述した内容を前提として、図6に示す情報処理について詳細に説明する。まず、図6では、情報処理装置100は、対象ストアであるストアSP12について退店スコア及び将来性スコアを算出する。情報処理装置100は、処理時点(現在)のストアSP12のストア情報SINF12をモデルM1に入力する(ステップS51-1)。ストア情報SINF12が入力されたモデルM1は、スコアを出力する(ステップS51-2)。図6の例では、ストア情報SINF12が入力されたモデルM1は、スコアSC51に示すようなスコア「VL51」を出力する。なお、退店スコアVL51は、ストアSP12が商取引サイトから退店する確率(可能性)を示す値(例えば0.1、0.75等)であるものとする。 From now on, the information processing shown in FIG. 6 will be described in detail based on the above-described contents. First, in FIG. 6, the information processing apparatus 100 calculates a closing score and a future score for the store SP12, which is the target store. The information processing apparatus 100 inputs the store information SINF12 of the store SP12 at the time of processing (current) to the model M1 (step S51-1). The model M1 to which the store information SINF12 is input outputs a score (step S51-2). In the example of FIG. 6, the model M1 to which the store information SINF12 is input outputs the score "VL51" as indicated by the score SC51. It is assumed that the closing score VL51 is a value (for example, 0.1, 0.75, etc.) indicating the probability (possibility) that the store SP12 will withdraw from the commercial transaction site.

また、情報処理装置100は、処理時点(現在)のストアSP12のストア情報SINF12をモデルM2に入力する(ステップS51-3)。ストア情報SINF12が入力されたモデルM2は、スコアを出力する(ステップS51-4)。図6の例では、ストア情報SINF12が入力されたモデルM2は、スコアSC52に示すようなスコア「VL52」を出力する。なお、将来性スコアVL52は、ストアSP12の売上に関する将来性を示す値(例えば0.6、1.5等)であるものとする。なお、図6では説明を簡単にするために、モデルM1及びモデルM2の入力情報が同じである場合を示したが、モデルM1及びモデルM2の入力情報は異なってもよい。 The information processing apparatus 100 also inputs the store information SINF12 of the store SP12 at the time of processing (current) to the model M2 (step S51-3). The model M2 to which the store information SINF12 is input outputs a score (step S51-4). In the example of FIG. 6, the model M2 to which the store information SINF12 is input outputs a score "VL52" as indicated by the score SC52. It is assumed that the future score VL52 is a value (for example, 0.6, 1.5, etc.) indicating the future regarding sales of the store SP12. In order to simplify the explanation, FIG. 6 shows the case where the input information of the model M1 and the model M2 is the same, but the input information of the model M1 and the model M2 may be different.

そして、情報処理装置100は、ストアSP12の退店スコアVL51と将来性スコアVL52とに基づいて、ストアSP12の将来債権の買取上限額を決定する(ステップS52)。図6では、情報処理装置100は、ストアSP12の退店スコアVL51と将来性スコアVL52とに基づいて、ストアSP12の将来債権の買取対象月数を決定する。例えば、情報処理装置100は、退店スコアと将来性スコアを変数(説明変数)として、買取対象月数を出力値(目的変数)とする関数(「月数算出関数FC3」ともいう)を用いて、ストアSP12の将来債権の買取対象月数を決定する。 Then, the information processing apparatus 100 determines the maximum purchase amount of future bonds of the store SP12 based on the closing score VL51 and the future potential score VL52 of the store SP12 (step S52). In FIG. 6, the information processing apparatus 100 determines the number of months for purchase of future bonds of the store SP12 based on the closing score VL51 and the future potential score VL52 of the store SP12. For example, the information processing device 100 uses a function (also referred to as “number of months calculation function FC3”) that uses the closing score and future score as variables (explanatory variables) and the number of months to be purchased as an output value (objective variable). to determine the number of months to be purchased for the future bond of the store SP12.

例えば、月数算出関数FC3は、退店スコアの逆数と第1係数(第1重み)とを乗算した第1値と、将来性スコアと第2係数(第2重み)とを乗算した第2値とにより買取対象月数を算出する関数である。例えば、月数算出関数FC3は、第1値と第2値との合算値を買取対象月数として出力する。 For example, the number-of-months calculation function FC3 is a first value obtained by multiplying the reciprocal of the closing score by a first coefficient (first weight), and a second value obtained by multiplying the future score by a second coefficient (second weight). It is a function that calculates the number of months to be purchased based on the value. For example, the number-of-months calculation function FC3 outputs the total value of the first value and the second value as the number of months to be purchased.

図6では、情報処理装置100は、ストアSP12の退店スコアVL51の逆数に第1重みを乗算した第1値と、ストアSP12の将来性スコアVL52に第2重みを乗算した第2値とによりストアSP12の買取対象月数を示す値VL53を算出する。なお、値VL53は、買取対象月数を示す具体的な値(例えば、1.5、3等)であるものとする。 In FIG. 6, the information processing apparatus 100 obtains a first value obtained by multiplying the reciprocal of the closing score VL51 of the store SP12 by a first weight, and a second value obtained by multiplying the future potential score VL52 of the store SP12 by a second weight. A value VL53 indicating the number of months for purchase of the store SP12 is calculated. It is assumed that the value VL53 is a specific value (for example, 1.5, 3, etc.) indicating the number of months to be purchased.

なお、第1重みの値及び第2重みの値は適宜設定されてもよい。例えば、ストアの退店リスクを重要視する場合は第1重みの値を大きく設定してもよい。また、例えば、ストアの将来性を重要視する場合は第2重みの値を大きく設定してもよい。 Note that the value of the first weight and the value of the second weight may be set as appropriate. For example, the value of the first weight may be set large if the risk of closing the store is emphasized. Also, for example, when the future potential of the store is emphasized, the value of the second weight may be set large.

そして、情報処理装置100は、決定した買取対象月数とストアSP12の売上の情報に基づいて、ストアSP12の将来債権の買取上限額を決定するが、図2で説明した処理と同様であるため詳細な説明は省略する。情報処理装置100は、図6の買取上限情報PL2に示すように、ストアSP12の買取上限額を「PL51」と決定する。例えば、情報処理装置100は、算出関数FC1(図2参照)を用いて、ストアSP12の売上が値SL12である場合、ストアSP12の買取上限額を「PL51(=SL12×VL53)」と決定する。 Then, the information processing device 100 determines the maximum purchase amount of future bonds of the store SP12 based on the determined number of months to be purchased and the sales information of the store SP12. Detailed description is omitted. The information processing apparatus 100 determines the upper purchase limit of the store SP12 to be "PL51" as indicated by the purchase upper limit information PL2 in FIG. For example, the information processing apparatus 100 uses the calculation function FC1 (see FIG. 2) to determine the purchase upper limit of the store SP12 to be "PL51 (=SL12×VL53)" when the sales of the store SP12 is the value SL12. .

そして、情報処理装置100は、決定した情報を用いて情報提供を行う(ステップS53)。なお、情報提供については図2で説明した処理と同様であるため詳細な説明は省略するが、例えば、情報処理装置100は、ストアSP12の事業者に買取対象月数または買取上限額を示す情報を提供してもよい。この場合、情報処理装置100は、ストアSP12の事業者が利用するストア装置20に、ストアSP12の買取対象月数または買取上限額を示す情報を送信してもよい。 Then, the information processing apparatus 100 provides information using the determined information (step S53). Since the information provision is the same as the processing described with reference to FIG. 2, a detailed description will be omitted. may be provided. In this case, the information processing device 100 may transmit information indicating the number of months to be purchased or the maximum purchase price of the store SP 12 to the store device 20 used by the business operator of the store SP 12 .

このように、情報処理装置100は、複数の観点に基づいて、対象ストアの債権の買い取りに関する条件を決定する。これにより、情報処理装置100は、複数の観点を総合的に考慮して、対象ストアの債権の買い取りを行うことができるため、債権の買い取りに関する適切なサービスを提供可能にすることができる。例えば、将来債権についてファクタリングを行う場合、将来債権を買い取るため、近い将来に退店されてしまうと資金回収が困難になる場合がある。そこで、情報処理装置100は、対象ストアの退店リスクや将来性を総合的に加味した買取対象月数等の指標値を決定することで、資金回収が困難になる可能性を低減させることができる。 In this way, the information processing apparatus 100 determines the conditions for purchasing the bond of the target store based on a plurality of viewpoints. As a result, the information processing apparatus 100 can comprehensively consider a plurality of points of view when purchasing the bond of the target store, so that an appropriate service regarding the purchase of the bond can be provided. For example, when factoring future receivables, the future receivables will be purchased, so if the store closes in the near future, it may be difficult to collect the funds. Therefore, the information processing apparatus 100 can reduce the possibility of difficulty in collecting funds by determining an index value such as the number of months to be purchased that comprehensively considers the closing risk and future potential of the target store. can.

上述したように、情報処理装置100は、退店モデルと将来性モデルとを分割しておくことで、学習データが膨大になることを抑制しつつ、処理の精度を高めることができる。なお、上述した処理は一例に過ぎず、情報処理装置100は、様々な情報を用いて処理を行ってもよい。例えば、退店モデルは、過去のストアのデータを入れて、所定期間内に退店したかどうかを出力するように学習されたモデルであってもよい。また、将来性モデルは、将来的に売上アップするか否かに限らず、来客数、商品数、ストアの評価数等を予測するモデルであってもよい。例えば、情報処理装置100は、流行している(バズっている)商品の取り扱い比率が高くなっているか否か等に応じて、ストアのファクタリング条件を決定してもよい。 As described above, the information processing apparatus 100 can improve the accuracy of processing while suppressing learning data from becoming enormous by dividing the closing model and the future model. Note that the above-described processing is merely an example, and the information processing apparatus 100 may perform processing using various types of information. For example, the exit model may be a model trained to input past store data and output whether or not the customer exited the store within a predetermined period of time. Further, the potential model is not limited to whether or not sales will increase in the future, and may be a model that predicts the number of visitors, the number of products, the number of store evaluations, and the like. For example, the information processing apparatus 100 may determine the factoring conditions of the store depending on whether or not the handling ratio of trendy (buzzy) products is high.

〔1-3-6.回収態様の決定〕
次に、ファクタリングが行われた場合の金銭の回収態様の決定の一例を説明する。例えば、情報処理装置100は、ストアへの将来債権に関するファクタリングが行われた場合に、将来債権に対応する売掛金の回収態様を決定する。情報処理装置100は、ストアの退店確率に基づいて回収率の下限を決定する。例えば、情報処理装置100は、ストアの所定期間後の退店確率に応じて、月々の償還率の下限を決定する。例えば、情報処理装置100は、一月ごとに退店確率を予測して、退店確率が所定の閾値を超えた月までに回収が完了するように回収率の下限を決定する。
[1-3-6. Determination of collection mode]
Next, an example of determining the mode of collection of money when factoring is performed will be described. For example, the information processing apparatus 100 determines the mode of collection of the accounts receivable corresponding to the future receivable when factoring is performed on the future receivable to the store. The information processing apparatus 100 determines the lower limit of the collection rate based on the store closing probability. For example, the information processing apparatus 100 determines the lower limit of the monthly redemption rate according to the store closing probability after a predetermined period of time. For example, the information processing apparatus 100 predicts the store closing probability for each month and determines the lower limit of the recovery rate so that the collection will be completed by the month in which the store closing probability exceeds a predetermined threshold.

例えば、情報処理装置100は、期間ごとの退店スコアを算出し、退店スコアが閾値を超える期間を回収期間に決定し、決定した回収期間内に全額回収できるように下限を決定する。この場合、情報処理装置100は、図3に示すような各々が異なる期間に対応する複数のモデルを用いて、回収期間に決定する。この点について、図3を参照しつつ説明する。なお、以下では、ストアSP12が対象ストアであり、ストアSP12が将来債権に関するファクタリングを行う場合を一例として説明する。また、上述した処理と同様の点については適宜説明を省略する。 For example, the information processing apparatus 100 calculates a closing score for each period, determines a period in which the closing score exceeds a threshold as a collection period, and determines a lower limit so that the entire amount can be collected within the determined collection period. In this case, the information processing apparatus 100 determines the recovery period using a plurality of models each corresponding to a different period as shown in FIG. This point will be described with reference to FIG. In addition, below, store SP12 is a target store, and the case where store SP12 performs factoring regarding a future claim is demonstrated as an example. In addition, the description of the points similar to those of the above-described processing will be omitted as appropriate.

例えば、情報処理装置100は、期間ごとのストアSP12の退店確率を示す退店スコアに基づいて、ストアSP12の将来債権に対応する売掛金の回収態様を決定する。例えば、情報処理装置100は、閾値情報記憶部123(図11参照)に記憶された退店時期推定に関する閾値を用いて、ストアSP12の将来債権に対応する売掛金の回収期間を決定する。 For example, the information processing apparatus 100 determines the mode of collection of the accounts receivable corresponding to the future receivables of the store SP12 based on the store closing score indicating the closing probability of the store SP12 for each period. For example, the information processing apparatus 100 determines the collection period of the accounts receivable corresponding to future claims of the store SP 12 using the threshold value related to the store closing time estimation stored in the threshold information storage unit 123 (see FIG. 11).

情報処理装置100は、各モデルが出力した退店スコアと、閾値TH11とを比較し、その比較結果に基づいて、対象ストアの将来債権に対応する売掛金の回収期間に決定する。例えば、情報処理装置100は、退店スコアが閾値TH11以上となった学習モデルのうち、最も期間が短い学習モデルに対応する期間を、対象ストアの将来債権に対応する売掛金の回収期間に決定する。情報処理装置100は、モデルM11、M12、M13、M14等が出力した退店スコアと、閾値TH11の値「0.5」との比較により、ストアSP12の将来債権に対応する売掛金の回収期間を決定する。情報処理装置100は、三ヶ月の間に退店する確率(可能性)を予測するモデルM13が出力した退店スコア「0.52」が閾値TH11以上であるため、ストアSP12の将来債権に対応する売掛金の回収期間を「三ヶ月」に決定する。 The information processing apparatus 100 compares the closing score output by each model with the threshold value TH11, and based on the comparison result, determines the collection period for the accounts receivable corresponding to the future receivables of the target store. For example, the information processing apparatus 100 determines the period corresponding to the learning model with the shortest period among the learning models for which the closing score is equal to or greater than the threshold TH11 as the collection period for the accounts receivable corresponding to the future receivables of the target store. . The information processing apparatus 100 compares the closing score output by the models M11, M12, M13, M14, etc. with the value of the threshold TH11 "0.5" to determine the collection period of the accounts receivable corresponding to the future receivables of the store SP12. decide. Since the store exit score "0.52" output by the model M13 that predicts the probability (possibility) of closing the store within three months is equal to or greater than the threshold TH11, the information processing apparatus 100 corresponds to the future claim of the store SP12. Set the collection period for accounts receivable to “three months”.

なお、上述した処理は一例に過ぎず、情報処理装置100は、種々の情報を適宜用いて、将来債権に対応する売掛金の回収期間を決定してもよい。例えば、情報処理装置100は、退店スコアが閾値TH11以上となった学習モデルのうち、最も期間が短い学習モデルに対応する期間よりも短い期間を、将来債権に対応する売掛金の回収期間に決定してもよい。この場合、情報処理装置100は、退店スコアが閾値TH11以上となったモデルM13に対応する期間(三ヶ月)よりも短い期間(例えば2ヵ月等)を、ストアSP12の将来債権に対応する売掛金の回収期間に決定してもよい。 Note that the above-described processing is merely an example, and the information processing apparatus 100 may use various types of information as appropriate to determine the collection period for accounts receivable corresponding to future claims. For example, the information processing apparatus 100 determines a period shorter than the period corresponding to the learning model with the shortest period among the learning models for which the closing score is equal to or greater than the threshold TH11 as the collection period for the accounts receivable corresponding to future claims. You may In this case, the information processing apparatus 100 sets a period (for example, two months) shorter than the period (three months) corresponding to the model M13 in which the closing score is equal to or higher than the threshold TH11 to the accounts receivable corresponding to the future receivables of the store SP12. may be determined during the collection period.

そして、情報処理装置100は、決定した回収期間に応じて、ストアSP12の将来債権に対応する売掛金の回収率を決定する。例えば、情報処理装置100は、決定した回収期間内に全額回収できるように回収率を決定する。例えば、情報処理装置100は、ストアSP12の将来債権に対応する売掛金の回収期間を三ヶ月に決定した場合、三ヶ月以内に全額回収できるように、ストアSP12の月ごとの支払率(回収率)を「33.4%」に決定する。 Then, the information processing apparatus 100 determines the collection rate of the accounts receivable corresponding to the future receivables of the store SP12 according to the determined collection period. For example, the information processing apparatus 100 determines the collection rate so that the entire amount can be collected within the determined collection period. For example, when the collection period for the accounts receivable corresponding to future receivables of the store SP 12 is determined to be three months, the information processing apparatus 100 sets the monthly payment rate (collection rate) of the store SP 12 so that the entire amount can be collected within three months. is determined to be "33.4%".

そして、情報処理装置100は、決定した情報を対象ストアに通知する。例えば、情報処理装置100は、ストアSP12の事業者が利用するストア装置20に、回収期間が「三ヶ月」であり、月ごとの支払率(回収率)が「33.4%」であることを示す情報を送信する。 Then, the information processing apparatus 100 notifies the target store of the determined information. For example, the information processing device 100 informs the store device 20 used by the operator of the store SP 12 that the collection period is "three months" and the monthly payment rate (collection rate) is "33.4%." Send information indicating

このように、情報処理装置100は、対象ストアについて期間ごとに退店スコアを予測し、予測した期間に応じて、対象ストアの将来債権に対応する売掛金の回収態様を決定する。これにより、情報処理装置100は、対象ストアが退店するリスクを加味した回収態様を決定することができるため、債権の買い取りに関する適切なサービスを提供可能にすることができる。例えば、将来債権についてファクタリングを行う場合、将来債権を買い取るため、近い将来に退店されてしまうと資金回収が困難になる場合がある。そこで、情報処理装置100は、対象ストアが退店する可能性が高くなる期間を予測し、その期間に応じて回収期間及び回収率を決定することで、資金回収が困難になる可能性を低減させることができる。 In this way, the information processing apparatus 100 predicts the closing score of the target store for each period, and determines the collection mode of the accounts receivable corresponding to the future credit of the target store according to the predicted period. As a result, the information processing apparatus 100 can determine a collection mode that takes into account the risk of closing of the target store, so that it is possible to provide an appropriate service regarding the purchase of the credit. For example, when factoring future receivables, the future receivables will be purchased, so if the store closes in the near future, it may be difficult to collect the funds. Therefore, the information processing device 100 predicts a period during which the target store is likely to close, and determines the collection period and collection rate according to that period, thereby reducing the possibility of difficulty in collecting funds. can be made

上述した処理により、情報処理装置100は、回収率をストア側が設定できる場合であっても、回修期間が伸びないように回収率の下限を決定することができる。上述したように、情報処理装置100は、債権の回収率の下限を決定する。例えば、情報処理装置100は、十カ月後に退店確率が最大になる場合、ファクタリングした額の10%を毎月回収するように回収態様を決定してもよい。例えば、情報処理装置100は、九カ月後に退店確率が最大になる場合、九カ月間で全額回収できるように回収率を決定してもよい。 Through the above-described processing, the information processing apparatus 100 can determine the lower limit of the collection rate so that the repair period does not extend even when the store side can set the collection rate. As described above, the information processing apparatus 100 determines the lower limit of the collection rate of the claim. For example, the information processing apparatus 100 may determine the collection mode so that 10% of the factored amount is collected every month when the probability of closing the store is maximized after ten months. For example, the information processing apparatus 100 may determine the recovery rate so that the full amount can be recovered in nine months when the probability of closing the store is maximized after nine months.

なお、情報処理装置100は、対象ストアの将来債権に対応する売掛金の回収が所定の条件を満たす場合、対象ストアの将来債権に対応する売掛金の回収態様を更新してもよい。例えば、情報処理装置100は、対象ストアの将来債権に対応する売掛金の回収が遅延した場合、対象ストアの退店確率を更新し、更新した対象ストアの退店確率に基づいて、対象ストアの将来債権に対応する売掛金の回収態様を更新する。例えば、閾値を超える期間が五カ月から四カ月になった場合、情報処理装置100は、回収期間を一ヶ月短くして、その期間での回収率を決定してもよい。 Note that the information processing apparatus 100 may update the collection mode of the accounts receivable corresponding to the future claim of the target store when the collection of the accounts receivable corresponding to the future claim of the target store satisfies a predetermined condition. For example, when the collection of the accounts receivable corresponding to the future credit of the target store is delayed, the information processing device 100 updates the closing probability of the target store, and calculates the future closing probability of the target store based on the updated closing probability of the target store. Update the collection mode of accounts receivable corresponding to receivables. For example, when the period over which the threshold value is exceeded has changed from five months to four months, the information processing apparatus 100 may shorten the collection period by one month and determine the collection rate for that period.

このように、情報処理装置100は、ストアが支払いを遅延する場合、回収期間を延長してもよいし、回収率を再度算出してもよい。また、情報処理装置100は、ファクタリングしなおす場合に、回収率を再度算出してもよい。 In this way, when the store delays payment, the information processing apparatus 100 may extend the collection period or calculate the collection rate again. Further, the information processing apparatus 100 may calculate the recovery rate again when factoring is performed again.

〔1-3-7.ストアへのサービス提供〕
ここから、ストアへのサービス提供の一例を説明する。情報処理装置100は、図2に示すステップS5においてストアへのサービス提供を行う。情報処理装置100は、ファクタリングの提案先となるストア(「提案先ストア」ともいう)を決定する。例えば、情報処理装置100は、商取引サイトに出店する複数のストアの各々に関するストア情報に基づいて、複数のストアのうち、債権の買い取りの提案先となる提案先ストアを決定する。
[1-3-7. Provision of services to stores]
An example of service provision to the store will now be described. The information processing apparatus 100 provides services to the store in step S5 shown in FIG. The information processing apparatus 100 determines a store to which factoring is proposed (also referred to as a “proposal destination store”). For example, the information processing apparatus 100 determines, from among the plurality of stores, the proposed store to which the bond purchase is proposed, based on the store information regarding each of the plurality of stores that open on the commercial transaction site.

そして、情報処理装置100は、決定した提案先ストアに債権の買い取りを提案する情報を提供する。例えば、情報処理装置100は、決定した提案先ストアについて、図2~図5に示すような決定処理によりその提案先ストアの買取対象月数や買取上限額を決定し、決定した買取対象月数や買取上限額を示す情報を提案先ストアに提供する。例えば、情報処理装置100は、図2~図5に示すような決定処理により決定した提案先ストアの買取対象月数または買取上限額を示す情報を、提案先ストアの事業者が利用するストア装置20に送信する。 Then, the information processing apparatus 100 provides the determined proposal destination store with information proposing the purchase of the bond. For example, the information processing apparatus 100 determines the number of months to be purchased and the maximum purchase amount of the proposed store by the determination processing shown in FIGS. and information indicating the purchase limit amount to the proposed store. For example, the information processing apparatus 100 transmits information indicating the number of months to be purchased or the maximum purchase amount of the proposed store determined by the determination processing shown in FIGS. 20.

ここで、情報処理装置100は、様々な情報を用いて、提案先ストアを決定してもよい。例えば、情報処理装置100は、ストアが広告を出しているか否かを示す情報を含むストア情報を用いて、提案先ストアを決定してもよい。例えば、情報処理装置100は、広告を出しているか否かに応じて、提案先ストアを決定してもよい。例えば、情報処理装置100は、広告を出していないストアを提案先ストアに決定する。これにより、情報処理装置100は、現状広告を出しておらず、出せば売上が伸びることが予想されるストアに対してファクタリングを提案することができる。 Here, the information processing apparatus 100 may determine the proposal destination store using various information. For example, the information processing apparatus 100 may determine the suggested store using store information including information indicating whether the store is advertising. For example, the information processing apparatus 100 may determine the suggested store depending on whether an advertisement is being displayed. For example, the information processing apparatus 100 determines a store that does not advertise as the proposed store. As a result, the information processing apparatus 100 can propose factoring to a store that does not currently advertise but whose sales are expected to increase if it does.

また、例えば、情報処理装置100は、ストアが取り扱う商品である取扱商品を示す情報を含むストア情報を用いて、提案先ストアを決定してもよい。例えば、情報処理装置100は、ストアの取扱商品に応じて、提案先ストアを決定してもよい。例えば、情報処理装置100は、取扱商品の数が所定の閾値未満のストアを提案先ストアに決定する。これにより、情報処理装置100は、商品アイテム数が少なく、商品アイテム数を増やせば売上が伸びることが予想されるストアに対してファクタリングを提案することができる。 Further, for example, the information processing apparatus 100 may determine the suggested store by using store information including information indicating products handled by the store. For example, the information processing apparatus 100 may determine the suggested store according to the products handled by the store. For example, the information processing apparatus 100 determines, as the proposal destination store, a store whose number of products handled is less than a predetermined threshold. As a result, the information processing apparatus 100 can propose factoring to a store that has a small number of product items and is expected to increase sales by increasing the number of product items.

また、情報処理装置100は、商取引サイトに出店するストアと、ストアが売上増大のための施策(「実行施策」ともいう)を行った場合の売上の変化との関連性の特徴を学習した学習モデル(「施策効果予測モデル」ともいう)を用いて、提案先ストアを決定してもよい。この場合、情報処理装置100は、提案先決定モデルが出力するスコアが所定の閾値以上であるストアを、提案先ストアに決定する。この場合、情報処理装置100は、提案先ストアにファクタリング条件とともに、実行施策を提案する。また、情報処理装置100は、実行施策の実行を条件として、提案先ストアにファクタリング条件を提案してもよい。 In addition, the information processing apparatus 100 learns the characteristics of the relationship between the store that opens on the commercial transaction site and the change in sales when the store takes measures to increase sales (also referred to as "execution measures"). A model (also referred to as a "policy effect prediction model") may be used to determine the proposed store. In this case, the information processing apparatus 100 determines a store whose score output by the proposal destination determination model is equal to or greater than a predetermined threshold as the proposal destination store. In this case, the information processing apparatus 100 proposes the execution measures together with the factoring conditions to the proposal destination store. Further, the information processing apparatus 100 may propose a factoring condition to the proposal destination store on the condition that the execution measure is executed.

例えば、施策効果予測モデルは、ストアのストア情報と、そのストアが行った実行施策を示す施策情報とを入力として、そのストアが施策を行った場合の売上の増減を示す値を出力とするモデルである。例えば、情報処理装置100は、ストアのストア情報及びそのストアが行った実行施策を示す施策情報を含むモデル入力情報と、そのモデル入力情報に対応する売上の増減を示す値(正解情報)とが対応付けられた学習データを用いて、施策効果予測モデルを学習する。なお、情報処理装置100は、学習モデルを提供するモデル提供サーバ等から施策効果予測モデルを取得してもよい。 For example, the measure effect prediction model is a model that inputs store information and measure information indicating the measures taken by the store, and outputs a value that indicates the increase or decrease in sales when the store implements the measures. is. For example, the information processing apparatus 100 stores model input information including store information of a store and measure information indicating measures taken by the store, and a value (correct answer information) indicating an increase or decrease in sales corresponding to the model input information. A policy effect prediction model is learned using the associated learning data. The information processing apparatus 100 may acquire the policy effect prediction model from a model providing server or the like that provides learning models.

例えば、情報処理装置100は、広告等の施策を行った場合の売上の変化(増減)を学習したモデル(施策効果予測モデル)を用いて、ファクタリング提案先を決定してもよい。情報処理装置100は、あるストアについて施策効果予測モデルが広告等の施策を行った場合に売上が増加することを示すスコアを出力する場合、そのストアを提案先ストアに決定してもよい。 For example, the information processing apparatus 100 may determine a factoring proposal destination using a model (policy effect prediction model) that has learned changes (increase or decrease) in sales when a measure such as an advertisement is implemented. The information processing apparatus 100 may determine a store as a proposal destination store when the policy effect prediction model outputs a score indicating that sales will increase when a policy such as an advertisement is implemented for a certain store.

上述したように、情報処理装置100は、ファクタリングの提案先ストアを決定する。なお、上述した処理は一例に過ぎず、情報処理装置100は、様々な情報を適宜用いて処理を行ってもよい。例えば、情報処理装置100は、広告を出す場所を変更すれば伸びるストアがある場合、そのストアにファクタリングを提案してもよい。また、例えば、情報処理装置100は、将来性があるカテゴリの商品を取り扱っていて、広告を出す場所を変更すれば伸びるストアが場合、そのストアにファクタリングを提案してもよい。また、情報処理装置100は、広告の提供先にするユーザ(ターゲットユーザ)を示す情報と、そのターゲットユーザへの広告を行う場合のファクタリング条件とを提案してもよい。 As described above, the information processing apparatus 100 determines the store to which factoring is proposed. Note that the above-described processing is merely an example, and the information processing apparatus 100 may perform processing using various types of information as appropriate. For example, the information processing apparatus 100 may propose factoring to the store when there is a store that can be expanded by changing the place where the advertisement is displayed. In addition, for example, if a store that handles products in a category with future potential and can grow by changing the place where the advertisement is displayed, the information processing apparatus 100 may propose factoring to the store. In addition, the information processing apparatus 100 may propose information indicating a user (target user) to whom advertisements are to be provided, and factoring conditions when advertising to the target users.

〔2.情報処理装置の構成〕
次に、図8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8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8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。
[2. Configuration of Information Processing Device]
Next, the configuration of the information processing apparatus 100 according to the embodiment will be described using FIG. FIG. 8 is a diagram illustrating a configuration example of the information processing apparatus 100 according to the embodiment. As shown in FIG. 8, the information processing apparatus 100 has a communication section 110, a storage section 120, and a control section . The information processing apparatus 100 includes an input unit (for example, a keyboard, a mouse, etc.) that receives various operations from an administrator of the information processing apparatus 100, and a display unit (for example, a liquid crystal display, etc.) for displaying various information. may have.

(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、ユーザ端末10、ストア装置20、及びウェブサーバ30との間で情報の送受信を行う。
(Communication unit 110)
The communication unit 110 is realized by, for example, a NIC (Network Interface Card) or the like. The communication unit 110 is connected to the network by wire or wirelessly, and transmits and receives information to and from the user terminal 10 , the store device 20 and the web server 30 .

(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。実施形態に係る記憶部120は、図8に示すように、出店者情報記憶部121と、モデル情報記憶部122と、閾値情報記憶部123と、グループ情報記憶部124と、社会状況情報記憶部125と、商取引サイト情報記憶部126と、ファクタリング情報記憶部127とを有する。また、記憶部120は、上記に限らず、種々の情報を記憶してもよい。
(storage unit 120)
The storage unit 120 is realized by, for example, a semiconductor memory device such as a RAM (Random Access Memory) or a flash memory, or a storage device such as a hard disk or an optical disk. As shown in FIG. 8, the storage unit 120 according to the embodiment includes a store owner information storage unit 121, a model information storage unit 122, a threshold information storage unit 123, a group information storage unit 124, and a social situation information storage unit. 125 , a commercial transaction site information storage unit 126 and a factoring information storage unit 127 . In addition, the storage unit 120 may store various types of information, not limited to the above.

(出店者情報記憶部121)
実施形態に係る出店者情報記憶部121は、商取引サイトに出店する事業者に関する情報を記憶する。例えば、出店者情報記憶部121は、商取引サイトに事業者(出店者)が出店したストア(店舗)に関する各種情報を記憶する。例えば、出店者情報記憶部121に記憶される情報は、通信ネットワークを介して、ウェブサーバ30から取得される。図9は、実施形態に係る出店者情報記憶部の一例を示す図である。図9に示す出店者情報記憶部121は、「出店者」、「ストア」、「出店日」、「退店日」、「退店理由」、「ストア情報」、「スコア情報」といった項目を有する。また、「ストア情報」には、「事業情報」、「商品情報」、「カテゴリ情報」、「売上情報」、「評価情報」といった項目が含まれる。また、「スコア情報」には、「退店」、「将来性」といった項目が含まれる。
(Store owner information storage unit 121)
The shop owner information storage unit 121 according to the embodiment stores information about businesses that open shops on commercial transaction sites. For example, the store owner information storage unit 121 stores various types of information related to a store opened by a business operator (store owner) on a commercial transaction site. For example, the information stored in the store owner information storage unit 121 is obtained from the web server 30 via the communication network. 9 is a diagram illustrating an example of a store owner information storage unit according to the embodiment; FIG. The store owner information storage unit 121 shown in FIG. 9 stores items such as "store owner", "store", "store opening date", "store closing date", "store closing reason", "store information", and "score information". have. "Store information" includes items such as "business information", "merchandise information", "category information", "sales information", and "evaluation information". The "score information" includes items such as "store closing" and "future potential".

「出店者」は、商取引サイトに出店する事業者を識別する情報(事業者IDまたは名称等)を示す。例えば、「出店者」は、商取引サイトに過去に出店していた、もしくは現時点で出店している事業者を識別する情報を示す。「ストア」は、事業者が商取引サイトに出店したストア(店舗)を示す。 "Store owner" indicates information (business operator ID, name, etc.) that identifies a business operator that opens a store on the commercial transaction site. For example, "store owner" indicates information identifying a business that has opened a store in the commercial transaction site in the past or is currently opening a store. "Store" indicates a store (store) opened by the business operator on the commercial transaction site.

なお、図9に示す出店者情報記憶部121では、各事業者が1つのストアを商取引サイトに出店する例を示すが、各事業者は、複数のストアを商取引サイトに出店してもよい。この場合、事業者は、取り扱う商品のカテゴリや、事業形態に応じて、ストアを使い分けることができる。例えば、強制退店等により退店されたストアを有する事業者の他のストアについても退店させる(出店の権利を失わせる)処理が行なわれてもよい。 Note that although the store owner information storage unit 121 shown in FIG. 9 shows an example in which each business operator opens one store on the commercial transaction site, each business operator may open a plurality of stores on the commercial transaction site. In this case, the business operator can use different stores according to the category of products handled and the type of business. For example, a process of closing (losing the right to open a store) may be performed for other stores of a company having a store that has been closed due to forced closure or the like.

「出店日」は、商取引サイトに出店した日を示す。「退店日」は、商取引サイトから退店した日を示す。なお、現時点で退店していない事業者(あるいはストア)については、退店日の項目は空欄(「-」(ハイフン))となる。 "Store opening date" indicates the date of opening the store on the commercial transaction site. "Date of exit" indicates the date of exit from the commercial transaction site. For business operators (or stores) that have not closed at this time, the closing date item is blank ("-" (hyphen)).

「ストア情報」は、ストアに関する各種情報が含まれる。「ストア情報」には、ストアの事業者が登録した情報(登録データ)、及びストアの運営により蓄積される履歴(実績データ)が含まれる。例えば、「ストア情報」には、情報処理装置100がモデルの学習に用いる情報が含まれる。 "Store information" includes various information about the store. The "store information" includes information (registration data) registered by the store operator, and history (actual data) accumulated by the operation of the store. For example, “store information” includes information used by the information processing apparatus 100 for model learning.

「事業情報」は、事業に関する情報を示す。「事業情報」には、法人または個人事業主等の事業形態を示す情報、資本金等の事業資金に関する情報、ストアの業種を示す情報、ストアの継続年数等、事業に関する各種情報が含まれる。また、「事業情報」には、事業者に関する情報が含まれてもよい。例えば、「事業情報」には、事業者の属性情報等が含まれてもよい。また、「事業情報」には、事業者の財務状況を示す財務情報が含まれてもよい。なお、上記は一例に過ぎず、「事業情報」には、事業に関する様々な情報が含まれてもよい。図9の例では、「事業情報#1」といった抽象的な符号で示すが、ストアに対応する事業情報が格納される。 "Business information" indicates information about business. "Business information" includes various types of business-related information such as information indicating business forms such as corporations or sole proprietors, information about business funds such as capital, information indicating the type of store, and the number of years the store has been in business. Also, the "business information" may include information about the business. For example, the "business information" may include attribute information of the business operator. Also, the "business information" may include financial information indicating the financial status of the business. It should be noted that the above is merely an example, and the "business information" may include various information related to business. In the example of FIG. 9, business information corresponding to the store is stored, although indicated by an abstract code such as "business information #1".

「商品情報」は、ストアで取引される商品に関する情報を示す。「商品情報」には、商品を識別する情報(JANコードまたは商品ID等)、商品名、商品の画像、商品の説明文、商品の価格、商品の在庫数、商品のカテゴリ等、商品に関する各種情報が含まれる。なお、上記は一例に過ぎず、「商品情報」には、商品に関する様々な情報が含まれてもよい。図9の例では、「商品情報#1」といった抽象的な符号で示すが、ストアに対応する商品情報が格納される。 "Product information" indicates information related to products traded at the store. "Product information" includes information that identifies the product (JAN code or product ID, etc.), product name, product image, product description, product price, product inventory, product category, and various other information related to the product. Contains information. Note that the above is only an example, and the "merchandise information" may include various information about the merchandise. In the example of FIG. 9, the item information corresponding to the store is stored, although indicated by an abstract code such as "merchandise information #1".

「カテゴリ情報」は、ストアで取引される商品のカテゴリに関する情報を示す。「カテゴリ情報」には、ストアで取引される商品のカテゴリを示す情報が含まれる。「カテゴリ情報」には、そのストアが主として(メインで)取引する商品のカテゴリであるメインカテゴリ、そのストアがメインカテゴリ以外で取引する商品のカテゴリであるサブカテゴリ等を示す情報が含まれる。 "Category information" indicates information about the category of products traded in the store. "Category information" includes information indicating the category of products traded at the store. The "category information" includes information indicating the main category, which is the category of products that the store mainly trades, and the subcategory, which is the category of products that the store trades in other than the main category.

例えば、メインカテゴリやサブカテゴリは、ストアの事業者が指定してもよいし、ストアの売上等から決定されてもよい。また、メインカテゴリが複数あってもよく、サブカテゴリは無くてもよい。なお、上記は一例に過ぎず、「カテゴリ情報」には、カテゴリに関する様々な情報が含まれてもよい。図9の例では、「カテゴリ情報#1」といった抽象的な符号で示すが、ストアに対応するカテゴリ情報が格納される。 For example, the main category and subcategories may be specified by the store operator, or may be determined based on the sales of the store. Also, there may be multiple main categories and no subcategories. Note that the above is only an example, and the "category information" may include various information related to the category. In the example of FIG. 9, the category information corresponding to the store is stored, although indicated by an abstract code such as "category information #1".

「売上情報」は、ストアの売上に関する情報を示す。「売上情報」には、ストアでの売上を示す情報が含まれる。「売上情報」には、ストアにおける商品の売上件数を示す情報が、ストアにおける商品の売上金額を示す情報が含まれる。例えば、「売上情報」には、一日、一週間、一カ月等の期間ごと売上を示す情報が含まれる。「売上情報」には、ストアで取引される商品ごとの売上を示す情報、カテゴリごとの売上を示す情報等、売上に関する様々な情報が含まれてもよい。 "Sales information" indicates information on store sales. "Sales information" includes information indicating sales at the store. The "sales information" includes information indicating the number of items sold at the store and information indicating the sales amount of the item at the store. For example, "sales information" includes information indicating sales for each period such as one day, one week, and one month. The “sales information” may include various information regarding sales, such as information indicating sales for each product traded at the store, information indicating sales for each category, and the like.

なお、「売上情報」には、商品ごとの売上件数や売上金額等の情報が含まれてもよい。「売上情報」には、商品の売上件数や売上金額の値や、取り扱う商品数に対する売上件数の割合や、件数や金額の集計期間等、売上件数や売上金額に関する種々の情報が含まれてもよい。なお、上記は一例に過ぎず、「売上情報」には、売上に関する様々な情報が含まれてもよい。図9の例では、「売上情報#1」といった抽象的な符号で示すが、ストアに対応する売上情報が格納される。 The "sales information" may include information such as the number of sales and the amount of sales for each product. "Sales information" may include various information related to the number of sales and the amount of sales, such as the number of products sold and the amount of sales, the ratio of the number of sales to the number of products handled, and the period for counting the number of sales and the amount. good. Note that the above is only an example, and the "sales information" may include various information regarding sales. In the example of FIG. 9, sales information corresponding to the store is stored, although indicated by an abstract code such as "sales information #1".

「評価情報」は、事業者、事業者が出店したストア、及びストアで取引される商品等への評価に関する情報を示す。「評価情報」には、ユーザからの評価を示す情報が含まれる。例えば、「評価情報」には、商取引サイトのストアに対応するページへの一日のアクセス数(ページビュー数)、ストアに対してユーザが投稿したレビューの数を示すストアレビュー数、ユーザが投稿したレビューにおいてストアを評価したストア評点等の情報が含まれる。ページビュー数には、一日に限らず所定の期間(一週間等)のページビュー数が含まれてもよい。例えば、ストアレビュー数は、ストアにおける1日の平均のストアレビュー数であってもよい。 "Evaluation information" indicates information on evaluations of the business operator, the store opened by the business operator, and the products traded at the store. "Evaluation information" includes information indicating evaluations from users. For example, the "evaluation information" includes the number of daily accesses (page views) to the page corresponding to the store on the commercial transaction site, the number of store reviews indicating the number of reviews posted by users to the store, and the number of reviews posted by users. It includes information such as the store rating that the store was rated in the reviews that were given. The number of page views may include the number of page views not only for one day but also for a predetermined period (one week, etc.). For example, the number of store reviews may be the daily average number of store reviews in the store.

例えば、ストア評点は、最低点「1」から最高点「5」までの5段階であってもよい。なお、ストア評点は、ストアが退店する迄にユーザから投稿されたレビューにおける評点の平均点であってもよい。なお、ストアレビュー数やストア評点は、所定期間(例えば1週間など)において集計した数や評点の平均が記憶されてもよいし、現時点までの累積数が記憶されてもよいし、現時点までの累積数をストアの継続年数で割った数など、様々な態様で集計された情報が記憶されてもよい。例えば、「評価情報」には、ページビューに対して投稿されたレビュー数の割合を示す情報が含まれてもよい。 For example, the store score may be five grades from the lowest point "1" to the highest point "5". Note that the store score may be an average score of reviews posted by users until the store closes. Note that the number of store reviews and the store rating may be stored as an average of the number or rating accumulated over a predetermined period (for example, one week), or may be stored as an accumulated number up to the present time. Information aggregated in various ways may be stored, such as the cumulative number divided by the age of the store. For example, the "evaluation information" may include information indicating the ratio of the number of reviews posted to page views.

例えば、「評価情報」には、商品に対して投稿されたレビューの数を示す商品レビュー数、商品に対してユーザが投稿したレビューにおける評点を示す商品評点等の情報が含まれる。例えば、商品評点は、最低点「1」から最高点「5」までの5段階であってもよい。なお、例えば、商品評点は、ストアにおける商品の取り扱いが終了する迄にユーザから投稿されたレビューにおける評点の平均点であってもよい。なお、上記は一例に過ぎず、「評価情報」には、評価に関する様々な情報が含まれてもよい。図9の例では、「評価情報#1」といった抽象的な符号で示すが、ストアに対応する評価情報が格納される。 For example, the "evaluation information" includes information such as the number of product reviews indicating the number of reviews posted on the product, and the product rating indicating the rating of reviews posted by users on the product. For example, the product rating may be five grades from the lowest point "1" to the highest point "5". Note that, for example, the product rating may be an average score of reviews posted by users until the product is sold in the store. Note that the above is merely an example, and the "evaluation information" may include various information regarding evaluation. In the example of FIG. 9, an abstract code such as "evaluation information #1" is used, but the evaluation information corresponding to the store is stored.

「スコア情報」は、ストアに対するスコア情報を示す。「スコア情報」には、情報処理装置100が推定した各種情報が含まれる。例えば、「スコア情報」には、モデルが出力したスコアが格納される。なお、図9に示すように、例えば既に退店したストア等、スコア算出の対象外のストアについては、スコア情報の項目は空欄(「-」(ハイフン))となる。 "Score information" indicates score information for the store. The “score information” includes various information estimated by the information processing apparatus 100 . For example, "score information" stores the score output by the model. Note that, as shown in FIG. 9, for stores that are not subject to score calculation, such as stores that have already closed, the score information items are blank ("-" (hyphen)).

「退店」は、ストアが商取引サイトから退店する確率(可能性)を示す。「退店」には、ストアが退店する確率(可能性)を示す退店スコアが格納される。例えば、「退店」には、退店モデル(例えばモデルM1)が出力したスコア(退店スコア)が格納される。図9の例では、「退店スコア#1」といった抽象的な符号で示すが、例えば「0.7」等の具体的な値(数値)が格納される。 "Exit" indicates the probability (possibility) that the store will exit from the commercial transaction site. Store closure score indicating the probability (possibility) of closure of the store is stored in "store closure". For example, the "exit" stores the score (exit score) output by the exit model (for example, model M1). In the example of FIG. 9, an abstract code such as "store closing score #1" is used, but a specific value (numerical value) such as "0.7" is stored.

「将来性」は、ストアの将来性を示す。「将来性」には、ストアの将来性を示す将来性スコアが格納される。例えば、「将来性」には、将来性モデル(例えばモデルM2)が出力したスコア(将来性スコア)が格納される。図9の例では、「将来性スコア#1」といった抽象的な符号で示すが、例えば「0.5」、「10」等の具体的な値(数値)が格納される。 "Future Potential" indicates the future potential of the store. "future potential" stores a future potential score indicating the future potential of the store. For example, "future potential" stores a score (future score) output by a potential model (for example, model M2). In the example of FIG. 9, an abstract code such as "future score #1" is used, but specific values (numerical values) such as "0.5" and "10" are stored.

なお、出店者情報記憶部121は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、出店者情報記憶部121は、退店したストアの退店理由を示す情報を記憶してもよい。例えば、退店理由は、後述するモデル生成処理における正解情報の区別に利用される。例えば、出店者情報記憶部121は、商取引サイトから強制的に退店させられたことを示す強制退店や、事業者による自発的な退店であることを示す休店等の情報を、退店理由を示す情報として記憶してもよい。 Note that the shop owner information storage unit 121 may store various types of information, not limited to the above, depending on the purpose. For example, the store owner information storage unit 121 may store information indicating the reason for closing the store. For example, the reason for leaving the store is used for distinguishing correct information in the model generation process described later. For example, the store owner information storage unit 121 stores information such as forced closure indicating that the store was forced to leave the commercial transaction site, or closed store indicating that the store was voluntarily closed by the business operator. It may be stored as information indicating the store reason.

(モデル情報記憶部122)
実施形態に係るモデル情報記憶部122は、モデルに関する情報を記憶する。例えば、モデル情報記憶部122は、学習処理により学習(生成)された学習済みモデル(モデル)の情報(モデルデータ)を記憶する。モデル情報記憶部122は、学習に用いたデータ(学習データ)を学習済みモデル(モデル)に対応付けて記憶する。図10は、実施形態に係るモデル情報記憶部の一例を示す図である。図10に示した例では、モデル情報記憶部122は、「モデルID」、「用途」、「モデルデータ」、「学習データ」といった項目が含まれる。図10の例では、モデル情報記憶部122は、学習に用いたデータ(学習データ)を学習済みモデル(モデル)に対応付けて記憶する。
(Model information storage unit 122)
The model information storage unit 122 according to the embodiment stores information about models. For example, the model information storage unit 122 stores information (model data) of a learned model (model) learned (generated) by the learning process. The model information storage unit 122 stores data used for learning (learning data) in association with a learned model (model). 10 is a diagram illustrating an example of a model information storage unit according to the embodiment; FIG. In the example shown in FIG. 10, the model information storage unit 122 includes items such as "model ID", "usage", "model data", and "learning data". In the example of FIG. 10, the model information storage unit 122 stores data used for learning (learning data) in association with a learned model (model).

「モデルID」は、モデルを識別するための識別情報を示す。「用途」は、対応するモデルの用途を示す。「モデルデータ」は、モデルのデータを示す。図10等では「モデルデータ」に「MDT1」といった概念的な情報が格納される例を示したが、実際には、モデルの構成(ネットワーク構成)の情報やパラメータに関する情報等、そのモデルを構成する種々の情報が含まれる。例えば、「モデルデータ」には、ネットワークの各層におけるノードと、各ノードが採用する関数と、ノードの接続関係と、ノード間の接続に対して設定される接続係数とを含む情報が含まれる。 "Model ID" indicates identification information for identifying a model. "Use" indicates the use of the corresponding model. "Model data" indicates model data. FIG. 10 shows an example in which conceptual information such as "MDT1" is stored in "model data", but in reality, the model is configured by information on the configuration (network configuration) of the model, information on parameters, etc. It contains various information about For example, "model data" includes information including nodes in each layer of the network, functions adopted by each node, connection relations of nodes, and connection coefficients set for connections between nodes.

「学習データ」は、学習済みモデル(モデル)の学習に用いられたデータを示す。「学習データ」には、対応するモデルの学習に用いられたデータセットを示す情報が記憶される。例えば、「学習データ」は、データ(入力情報)とそのデータに対応する正解情報(出力情報)とを対応付けて、学習データ(「学習用データ」ともいう)として記憶する。図10では「学習データ」に「LDT1」といった概念的な情報が格納される例を示したが、実際には、データ(入力情報)とそのデータに対応する正解情報(出力情報)等、対応するモデルの学習に用いられたデータに関する種々の情報が含まれる。 “Learning data” indicates data used for learning of a trained model (model). "Learning data" stores information indicating a data set used for learning the corresponding model. For example, "learning data" is stored as learning data (also referred to as "learning data") by associating data (input information) with correct information (output information) corresponding to the data. FIG. 10 shows an example in which conceptual information such as "LDT1" is stored in "learning data", but in reality, data (input information) and correct answer information (output information) corresponding to that data are stored. It contains various information about the data used to train the model.

図10では、モデルID「M1」により識別されるモデル(モデルM1)は、用途が「退店」であることを示す。すなわち、モデルM1は、入力されたデータに対応するストアが商取引サイトから退店する確率(可能性)を示す情報(スコア)を出力するモデルであることを示す。また、モデルM1のモデルデータは、モデルデータMDT1であることを示す。また、モデルM1の学習に用いられた学習データは、学習データLDT1であることを示す。 In FIG. 10, the model (model M1) identified by the model ID "M1" indicates that the application is "exit". That is, the model M1 is a model that outputs information (score) indicating the probability (possibility) that the store corresponding to the input data will withdraw from the commercial transaction site. It also indicates that the model data of the model M1 is the model data MDT1. It also indicates that the learning data used for learning the model M1 is the learning data LDT1.

また、モデルID「M2」により識別されるモデル(モデルM2)は、用途が「将来性」であることを示す。すなわち、モデルM2は、入力されたデータに対応するストアの将来性を示す情報(スコア)を出力するモデルであることを示す。例えば、モデルM2は、入力されたデータに対応するストアの売上の変化を推定するための情報(スコア)を出力する。モデルM2のモデルデータは、モデルデータMDT2であることを示す。また、モデルM2の学習に用いられた学習データは、学習データLDT2であることを示す。 Also, the model (model M2) identified by the model ID "M2" indicates that the application is "future potential". That is, the model M2 is a model that outputs information (score) indicating the future potential of the store corresponding to the input data. For example, the model M2 outputs information (score) for estimating changes in store sales corresponding to the input data. The model data of model M2 is model data MDT2. It also indicates that the learning data used for learning the model M2 is the learning data LDT2.

モデルID「M11」により識別されるモデル(モデルM11)は、用途が「一月後退店」であることを示す。すなわち、モデルM11は、入力されたデータに対応するストアが、商取引サイトから一カ月以内に退店する確率(可能性)を示す情報(スコア)を出力するモデルであることを示す。また、モデルM11のモデルデータは、モデルデータMDT11であることを示す。また、モデルM11の学習に用いられた学習データは、学習データLDT11であることを示す。 The model (model M11) identified by the model ID "M11" indicates that the application is "store closed in January". That is, the model M11 is a model that outputs information (score) indicating the probability (possibility) that the store corresponding to the input data will exit the commercial transaction site within one month. It also indicates that the model data of the model M11 is the model data MDT11. It also indicates that the learning data used for learning the model M11 is the learning data LDT11.

モデルID「M12」により識別されるモデル(モデルM12)は、用途が「二月後退店」であることを示す。すなわち、モデルM12は、入力されたデータに対応するストアが、商取引サイトから二カ月以内に退店する確率(可能性)を示す情報(スコア)を出力するモデルであることを示す。また、モデルM12のモデルデータは、モデルデータMDT12であることを示す。また、モデルM12の学習に用いられた学習データは、学習データLDT12であることを示す。 The model (model M12) identified by the model ID "M12" indicates that the application is "retirement store in February". That is, the model M12 is a model that outputs information (score) indicating the probability (possibility) that the store corresponding to the input data will exit the commercial transaction site within two months. Also, the model data of the model M12 indicates that it is the model data MDT12. It also indicates that the learning data used for learning the model M12 is the learning data LDT12.

モデルID「M13」により識別されるモデル(モデルM13)は、用途が「三月後退店」であることを示す。すなわち、モデルM13は、入力されたデータに対応するストアが、商取引サイトから三カ月以内に退店する確率(可能性)を示す情報(スコア)を出力するモデルであることを示す。また、モデルM13のモデルデータは、モデルデータMDT13であることを示す。また、モデルM13の学習に用いられた学習データは、学習データLDT13であることを示す。 The model (model M13) identified by the model ID "M13" indicates that the application is "retirement store in March". That is, the model M13 is a model that outputs information (score) indicating the probability (possibility) that the store corresponding to the input data will exit the commercial transaction site within three months. Also, the model data of the model M13 indicates that it is the model data MDT13. It also indicates that the learning data used for learning the model M13 is the learning data LDT13.

なお、図10ではモデルM13までを図示するが、モデル情報記憶部122は、例えば四月後退店を予測するモデルM14等、様々な期間に対応する退店の確率を推定(予測)するモデルを記憶してもよい。 Although FIG. 10 shows models up to model M13, the model information storage unit 122 stores models for estimating (predicting) the probability of store closures corresponding to various periods, such as model M14 for predicting store closures in April. You can remember.

モデルID「M31」により識別されるモデル(モデルM31)は、用途が「退店数」であることを示す。すなわち、モデルM31は、商取引サイトから退店するストアの数(退店数)を示す情報(スコア)を出力するモデルであることを示す。また、モデルM31のモデルデータは、モデルデータMDT31であることを示す。また、モデルM31の学習に用いられた学習データは、学習データLDT31であることを示す。 The model (model M31) identified by the model ID "M31" indicates that the usage is "number of store closings". In other words, the model M31 is a model that outputs information (score) indicating the number of stores closing from the commercial transaction site (number of closings). Also, the model data of the model M31 is model data MDT31. It also indicates that the learning data used for learning the model M31 is the learning data LDT31.

なお、モデルM31は一例に過ぎず、モデル情報記憶部122は、退店数の推定に用いるモデルM31に限らず、様々なネガティブ行為の発生数を推定(予測)するモデルを記憶してもよい。 Note that the model M31 is merely an example, and the model information storage unit 122 may store not only the model M31 used for estimating the number of store exits, but also models for estimating (predicting) the number of occurrences of various negative actions. .

モデルID「M41」により識別されるモデル(モデルM41)は、用途が「カテゴリ売上」であることを示す。すなわち、モデルM41は、入力されたデータに対応するカテゴリの商品についての商取引サイトでの売上を示す情報(スコア)を出力するモデルであることを示す。また、モデルM41のモデルデータは、モデルデータMDT41であることを示す。また、モデルM41の学習に用いられた学習データは、学習データLDT41であることを示す。カテゴリごとにモデルが学習される場合、モデル情報記憶部122は、カテゴリごとのモデルをカテゴリに対応付けて記憶してもよい。 The model (model M41) identified by the model ID "M41" indicates that the application is "category sales". In other words, the model M41 is a model that outputs information (score) indicating the sales at the commercial transaction site for the product of the category corresponding to the input data. Also, it indicates that the model data of the model M41 is the model data MDT41. It also indicates that the learning data used for learning the model M41 is the learning data LDT41. When a model is learned for each category, the model information storage unit 122 may store the model for each category in association with the category.

なお、モデル情報記憶部122は、上記に限らず、目的に応じて種々の情報を記憶してもよい。 Note that the model information storage unit 122 may store various types of information, not limited to the above, depending on the purpose.

(閾値情報記憶部123)
実施形態に係る閾値情報記憶部123は、閾値に関する各種情報を記憶する。図11は、実施形態に係る閾値情報記憶部の一例を示す図である。図11に示す閾値情報記憶部123は、「閾値」、「値」、「用途」といった項目が含まれる。
(Threshold information storage unit 123)
The threshold information storage unit 123 according to the embodiment stores various information regarding thresholds. 11 is a diagram illustrating an example of a threshold information storage unit according to the embodiment; FIG. The threshold information storage unit 123 shown in FIG. 11 includes items such as "threshold", "value", and "usage".

「閾値」は、閾値を識別する情報を示す。「値」は、対応する閾値の具体的な数値(値)を示す。「用途」は、対応する閾値が用いられる用途を示す。 "Threshold" indicates information for identifying a threshold. "Value" indicates a specific numerical value (value) of the corresponding threshold. "Application" indicates the application for which the corresponding threshold is used.

図11の例では、閾値「TH1」により識別される閾値(閾値TH1)の値は、「0.9」であることを示す。閾値TH1の用途は、グルーピング(分類)であることを示す。すなわち、閾値TH1は、ストアのグルーピング(分類)に用いる第1閾値であることを示す。例えば、閾値TH1は、第1グループのストアを分類するために用いられる第1閾値である。 The example of FIG. 11 indicates that the value of the threshold (threshold TH1) identified by the threshold "TH1" is "0.9". The use of the threshold TH1 indicates grouping (classification). That is, the threshold TH1 indicates that it is the first threshold used for grouping (classification) of stores. For example, threshold TH1 is the first threshold used to sort the first group of stores.

閾値「TH2」により識別される閾値(閾値TH2)の値は、「0.8」であることを示す。閾値TH2の用途は、グルーピング(分類)であることを示す。すなわち、閾値TH2は、ストアのグルーピング(分類)に用いる第2閾値であることを示す。例えば、閾値TH2は、第2グループのストアを分類するために用いられる第2閾値である。 The value of the threshold (threshold TH2) identified by the threshold "TH2" indicates that it is "0.8". The purpose of the threshold TH2 is grouping (classification). That is, the threshold TH2 indicates that it is the second threshold used for grouping (classification) of stores. For example, threshold TH2 is the second threshold used to sort the second group of stores.

閾値「TH11」により識別される閾値(閾値TH11)の値は、「VL11」であることを示す。閾値TH11の用途は、退店時期の推定であることを示す。すなわち、閾値TH11は、ストアが商取引サイトから退店する時期がいつであるかを推定するために用いる閾値であることを示す。なお、図11の例では、「VL11」といった抽象的な符号で示すが、各閾値の値は用途に応じた具体的な数値である。 The value of the threshold (threshold TH11) identified by the threshold "TH11" indicates "VL11". The purpose of the threshold TH11 is to estimate the closing time of the store. That is, the threshold TH11 indicates that it is a threshold used for estimating when the store will leave the commercial transaction site. In the example of FIG. 11, abstract codes such as "VL11" are used, but each threshold value is a specific numerical value according to the application.

閾値「TH21」により識別される閾値(閾値TH21)の値は、「VL21」であることを示す。閾値TH21の用途は、提案先の決定であることを示す。すなわち、閾値TH21は、提案を行うストアを決定するために用いる閾値であることを示す。 The value of the threshold (threshold TH21) identified by the threshold "TH21" indicates "VL21". The purpose of the threshold TH21 is to determine the proposal destination. That is, the threshold TH21 indicates that it is a threshold used for determining which store to propose.

なお、閾値情報記憶部123は、上記に限らず、目的に応じて種々の情報を記憶してもよい。 It should be noted that the threshold information storage unit 123 may store various types of information, not limited to the above, depending on the purpose.

(グループ情報記憶部124)
実施形態に係るグループ情報記憶部124は、グループに関する各種情報を記憶する。グループ情報記憶部124は、複数のグループの各々に対応する複数のグループに関する各種情報を記憶する。図12は、実施形態に係るグループ情報記憶部の一例を示す図である。図12に示すグループ情報記憶部124は、「グループID」、「グループ情報」、「メンバー」といった項目が含まれる。
(Group information storage unit 124)
The group information storage unit 124 according to the embodiment stores various information about groups. The group information storage unit 124 stores various types of information about a plurality of groups corresponding to each of the plurality of groups. 12 is a diagram illustrating an example of a group information storage unit according to the embodiment; FIG. The group information storage unit 124 shown in FIG. 12 includes items such as "group ID", "group information", and "members".

「グループID」は、グループを識別するための識別情報を示す。「グループ情報」は、対応するグループでのグループ情報を示す。例えば、「グループ情報」は、グループに設定される指標値(月数)の情報等を含むグループ情報を示す。図12では「グループ情報」に「SM1」といった概念的な情報が格納される例を示したが、実際には、グループに設定される指標値(月数)等といった具体的な情報が格納される。 "Group ID" indicates identification information for identifying a group. "Group information" indicates group information in the corresponding group. For example, "group information" indicates group information including information such as an index value (number of months) set for the group. FIG. 12 shows an example in which conceptual information such as 'SM1' is stored in 'group information'. be.

「メンバー」は、グループのメンバーを示す。例えば、「メンバー」には、グループに属するメンバー(ストア)を識別する情報(ストアID等)が記憶される。 "Member" indicates a member of a group. For example, "member" stores information (store ID, etc.) that identifies members (stores) belonging to the group.

図12では、グループID「GP1」により識別されるグループ(第1グループ)のグループ情報は、グループ情報SM1であることを示す。図12では、第1グループであるグループGP1には、指標値として「3」が設定されることを示す。例えば、第1グループであるグループGP1には、指標値として月数「3」が設定される。グループGP1には、メンバーとして、ストアSP2、SP12等が属することを示す。 FIG. 12 shows that the group information of the group (first group) identified by the group ID "GP1" is group information SM1. FIG. 12 shows that "3" is set as the index value for group GP1, which is the first group. For example, the number of months "3" is set as the index value for the group GP1, which is the first group. Stores SP2, SP12, etc. belong to group GP1 as members.

なお、グループ情報記憶部124は、上記に限らず、目的に応じて種々の情報を記憶してもよい。 Note that the group information storage unit 124 may store various types of information, not limited to the above, depending on the purpose.

(社会状況情報記憶部125)
実施形態に係る社会状況情報記憶部125は、社会状況に関する各種情報を記憶する。図13の例では、景気に関する社会状況情報を記憶する。図13は、実施形態に係る社会状況情報記憶部の一例を示す図である。図13に示す社会状況情報記憶部125は、「社会状況ID」、「時点」、「社会状況情報」といった項目が含まれる。
(Social situation information storage unit 125)
The social situation information storage unit 125 according to the embodiment stores various information about social situations. In the example of FIG. 13, it stores social situation information related to business conditions. 13 is a diagram illustrating an example of a social situation information storage unit according to the embodiment; FIG. The social situation information storage unit 125 shown in FIG. 13 includes items such as "social situation ID", "time point", and "social situation information".

「社会状況ID」は、社会状況(オブジェクト)を識別するための識別情報を示す。なお、各社会状況IDに対応付けて、その社会状況IDに対応する社会状況を特定するための文字情報等が記憶されてもよい。「時点」は、対応する社会状況であった時間(時点)を示す。例えば、「時点」は、対応する社会状況情報が取得された時間(時点)を示す。なお、図8の例では、時点を「時点#1」といった抽象的な符号で示すが、括弧内の「19XY年Z月…」等のように、対応する期間を示す情報等が含まれてもよい。 "Social Situation ID" indicates identification information for identifying a social situation (object). Character information or the like for identifying the social situation corresponding to the social situation ID may be stored in association with each social situation ID. "Time point" indicates the time (time point) when the corresponding social situation was present. For example, "point of time" indicates the time (point of time) when the corresponding social situation information was acquired. In the example of FIG. 8, the time point is indicated by an abstract code such as "time point #1", but information indicating the corresponding period such as "19XY year Z month ..." in parentheses is included. good too.

「社会状況情報」は、社会状況IDにより識別される社会状況に関する情報を示す。なお、図13の例では、社会状況情報を「SDT1」といった抽象的な符号で示すが、各社会状況情報は、社会状況IDにより識別される社会状況に対応する時点における景気(経済状況)に関する情報等の様々な社会状況を示す情報が含まれる。例えば、社会状況情報は、株価、失業率、金利等、経済状況を示す様々な情報が含まれる。 "Social situation information" indicates information about the social situation identified by the social situation ID. In the example of FIG. 13, the social situation information is indicated by an abstract code such as "SDT1", but each social situation information is related to the economy (economic situation) at the time corresponding to the social situation identified by the social situation ID. Information indicating various social conditions such as information is included. For example, social condition information includes various information indicating economic conditions such as stock prices, unemployment rates, and interest rates.

図13の例では、社会状況ID「SC1」により識別される社会状況は、時点#1に対応する社会状況であることを示す。社会状況ID「SC1」により識別される社会状況の社会状況情報は、社会状況情報SDT1であることを示す。 The example of FIG. 13 indicates that the social situation identified by the social situation ID "SC1" is the social situation corresponding to time #1. The social situation information of the social situation identified by the social situation ID "SC1" is social situation information SDT1.

なお、社会状況情報記憶部125は、上記に限らず、目的に応じて種々の情報を記憶してもよい。 It should be noted that the social situation information storage unit 125 may store various types of information, not limited to the above, depending on the purpose.

(商取引サイト情報記憶部126)
実施形態に係る商取引サイト情報記憶部126は、商取引サイトに関する各種情報を記憶する。例えば、商取引サイト情報記憶部126は、商取引サイトにおける全体の売上等、商取引サイトに関する統計的情報を記憶する。図14は、実施形態に係る商取引サイト情報記憶部の一例を示す図である。図14に示す商取引サイト情報記憶部126は、「カテゴリ」、「カテゴリ別売上情報」といった項目が含まれる。なお、図14の例では、カテゴリごとの売上情報を記憶する場合を一例として示すが、商取引サイト情報記憶部126は、カテゴリごとの売上情報に限らず、様々な情報を記憶してもよい。
(Commercial transaction site information storage unit 126)
The commercial transaction site information storage unit 126 according to the embodiment stores various information regarding commercial transaction sites. For example, the commercial transaction site information storage unit 126 stores statistical information regarding the commercial transaction site, such as overall sales at the commercial transaction site. 14 is a diagram illustrating an example of a commercial transaction site information storage unit according to the embodiment; FIG. The commercial transaction site information storage unit 126 shown in FIG. 14 includes items such as "category" and "sales information by category". In the example of FIG. 14, the case of storing sales information for each category is shown as an example, but the commercial transaction site information storage unit 126 may store various information other than sales information for each category.

「カテゴリ」は、カテゴリを識別するための識別情報を示す。図14では「カテゴリ」に「カテゴリ#1」といった概念的な情報が格納される例を示したが、実際には、カテゴリの名称やカテゴリの識別子(カテゴリID)等、カテゴリを特定するための情報が格納される。 "Category" indicates identification information for identifying the category. FIG. 14 shows an example in which conceptual information such as "category #1" is stored in "category". Information is stored.

「カテゴリ別売上情報」は、対応するカテゴリに属する商品の商取引サイトにおける売上を示す。図14では「カテゴリ別売上情報」に「カテゴリ売上#1」といった概念的な情報が格納される例を示したが、実際には、対応するカテゴリの売上を示す情報が格納される。なお、カテゴリ別売上情報には、カテゴリの売上のみに限らず、カテゴリの販売数等、カテゴリでの売上に関する各種情報が含まれてもよい。 "Category-specific sales information" indicates sales on the commercial transaction site of products belonging to the corresponding category. FIG. 14 shows an example in which conceptual information such as "category sales #1" is stored in "category-specific sales information", but actually information indicating the sales of the corresponding category is stored. Note that the sales information by category is not limited to category sales, and may include various types of information related to category sales, such as the number of categories sold.

図14では、カテゴリ#1の売上は、カテゴリ売上#1であることを示す。例えば、カテゴリ#1に属する商品の商取引サイトでの売上は、カテゴリ売上#1が示す値である。また、カテゴリ#2の売上は、カテゴリ売上#2であり、カテゴリ#3の売上は、カテゴリ売上#3であることを示す。 FIG. 14 shows that the sales of category #1 are category sales #1. For example, the sales of products belonging to category #1 on a commercial transaction site are the values indicated by category sales #1. Sales of category #2 are category sales #2, and sales of category #3 are category sales #3.

なお、商取引サイト情報記憶部126は、上記に限らず、目的に応じて種々の情報を記憶してもよい。 Note that the commercial transaction site information storage unit 126 may store various types of information, not limited to the above, depending on the purpose.

(ファクタリング情報記憶部127)
実施形態に係るファクタリング情報記憶部127は、ファクタリングに関する各種情報を記憶する。図15は、実施形態に係るファクタリング情報記憶部の一例を示す図である。図15に示すファクタリング情報記憶部127は、「ストア」、「ファクタリング情報」といった項目が含まれる。
(Factoring information storage unit 127)
The factoring information storage unit 127 according to the embodiment stores various information related to factoring. 15 is a diagram illustrating an example of a factoring information storage unit according to the embodiment; FIG. The factoring information storage unit 127 shown in FIG. 15 includes items such as "store" and "factoring information".

「ストア」は、ストアを識別するための識別情報を示す。「ファクタリング情報」は、対応するストアのファクタリングに関する情報(ファクタリング情報)を示す。例えば、「ファクタリング情報」は、対応するストアのファクタリングを利用中であるか否かを示す。例えば、「ファクタリング情報」が「-」(ハイフン)であるストアは、ファクタリングを利用していないストアであることを示す。 "Store" indicates identification information for identifying the store. "Factoring information" indicates information (factoring information) about factoring of the corresponding store. For example, "factoring information" indicates whether factoring of the corresponding store is being used. For example, a store whose "factoring information" is "-" (hyphen) indicates that the store does not use factoring.

「ファクタリング情報」がファクタリング情報#*(*は任意の数)であるストアは、ファクタリングを利用中のストアであることを示す。図15では「ファクタリング情報」に「ファクタリング情報#12」といった概念的な情報が格納される例を示したが、実際には、ファクタリングの金額やその回収態様(回収期間や回収間隔等)等、ファクタリングに関する具体的な情報が格納される。 A store whose "factoring information" is factoring information #* (* is an arbitrary number) indicates that the store is currently using factoring. FIG. 15 shows an example where conceptual information such as "factoring information #12" is stored in "factoring information", but in reality, the amount of factoring and its collection mode (collection period, collection interval, etc.), etc. Specific information about factoring is stored.

図15では、ストアSP1は、ファクタリングを利用していないことを示す。また、ストアSP12は、ファクタリングを利用中であり、そのファクタリング情報がファクタリング情報#12であることを示す。 FIG. 15 shows that the store SP1 does not use factoring. Also, the store SP12 indicates that factoring is being used and the factoring information is factoring information #12.

なお、ファクタリング情報記憶部127は、上記に限らず、目的に応じて種々の情報を記憶してもよい。 It should be noted that the factoring information storage unit 127 may store various types of information, not limited to the above, depending on the purpose.

(制御部130)
図8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(情報処理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。
(control unit 130)
Returning to the description of FIG. 8, the control unit 130 is a controller, and is stored in a storage device inside the information processing apparatus 100 by, for example, a CPU (Central Processing Unit), an MPU (Micro Processing Unit), or the like. Various programs (corresponding to an example of an information processing program) are executed by using the RAM as a work area. Also, the control unit 130 is a controller, and is implemented by an integrated circuit such as an ASIC (Application Specific Integrated Circuit) or an FPGA (Field Programmable Gate Array).

図8に示すように、制御部130は、取得部131と、学習部132と、推定部133と、分類部134と、判定部135と、決定部136と、提供部137とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部130の内部構成は、図8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。 As shown in FIG. 8, the control unit 130 includes an acquisition unit 131, a learning unit 132, an estimation unit 133, a classification unit 134, a determination unit 135, a determination unit 136, and a provision unit 137. It implements or executes the information processing functions and actions described below. Note that the internal configuration of the control unit 130 is not limited to the configuration shown in FIG. 8, and may be another configuration as long as it performs information processing described later.

(取得部131)
取得部131は、種々の情報を取得する。取得部131は、ユーザ端末10等の外部装置から各種情報を取得する。また、取得部131は、記憶部120から各種情報を取得する。また、取得部131は、出店者情報記憶部121や、モデル情報記憶部122や、閾値情報記憶部123や、グループ情報記憶部124や、社会状況情報記憶部125や、商取引サイト情報記憶部126や、ファクタリング情報記憶部127等から各種情報を取得する。
(Acquisition unit 131)
The acquisition unit 131 acquires various information. The acquisition unit 131 acquires various types of information from an external device such as the user terminal 10 . Also, the acquisition unit 131 acquires various types of information from the storage unit 120 . In addition, the acquisition unit 131 includes the store owner information storage unit 121, the model information storage unit 122, the threshold information storage unit 123, the group information storage unit 124, the social situation information storage unit 125, and the commercial transaction site information storage unit 126. Also, various information is acquired from the factoring information storage unit 127 or the like.

取得部131は、通信部110を介して、外部の情報処理装置から各種情報を受信する。取得部131は、受信した情報を記憶部120に格納する。取得部131は、ユーザ端末10、ストア装置20またはウェブサーバ30から各種情報を受信する。取得部131は、ユーザが利用するユーザ端末10から情報を取得する。取得部131は、ストア装置20から各種情報を取得する。例えば、取得部131は、出店者が利用するストア装置20から出店者が商取引サイトに出店したストアに関する情報を取得する。例えば、取得部131は、ウェブサーバ30から各種情報を取得する。例えば、取得部131は、ウェブサーバ30から商取引サイトに関する情報を取得する。例えば、取得部131は、ウェブサーバ30から商取引サイトのストアに関する情報を取得する。 Acquisition unit 131 receives various types of information from an external information processing device via communication unit 110 . Acquisition unit 131 stores the received information in storage unit 120 . Acquisition unit 131 receives various types of information from user terminal 10 , store device 20 , or web server 30 . The acquisition unit 131 acquires information from the user terminal 10 used by the user. The acquisition unit 131 acquires various types of information from the store device 20 . For example, the acquiring unit 131 acquires information about a store opened by a store owner on a commercial transaction site from the store device 20 used by the store owner. For example, the acquisition unit 131 acquires various information from the web server 30 . For example, the acquisition unit 131 acquires information on commercial transaction sites from the web server 30 . For example, the acquisition unit 131 acquires information about the store of the commercial transaction site from the web server 30 .

取得部131は、ネットワーク上の商取引サイトに出店する複数のストアの各々に関するストア情報を取得する。取得部131は、学習モデル(モデル)を取得する。取得部131は、ネットワーク上の商取引サイトに出店するストアである対象ストアの過去の売上を示すストア売上情報を取得する。取得部131は、商取引サイトで取り扱われる商品のカテゴリごとの過去の売上を示すカテゴリ売上情報を取得する。取得部131は、ネットワーク上の商取引サイトに出店するストアである対象ストアの過去の売上の推移を示すストア売上情報を取得する。取得部131は、商取引サイトで取り扱われる商品のカテゴリごとの過去の売上の推移を示すカテゴリ売上情報を取得する。 Acquisition unit 131 acquires store information about each of a plurality of stores opened on a commercial transaction site on the network. The acquisition unit 131 acquires a learning model (model). The acquiring unit 131 acquires store sales information indicating past sales of a target store, which is a store opened on a commercial transaction site on the network. The acquisition unit 131 acquires category sales information indicating past sales for each category of products handled on the commercial transaction site. The acquiring unit 131 acquires store sales information indicating past sales trends of a target store, which is a store opened on a commercial transaction site on the network. The acquisition unit 131 acquires category sales information indicating past sales trends for each category of products handled on the commercial transaction site.

取得部131は、ネットワーク上の商取引サイトに出店するストアにより生じる事象であって、商取引サイトにとってネガティブな事象であるネガティブ事象の発生確率を予測する第1学習モデルを取得する。取得部131は、商取引サイトに出店するストアの売上に関する将来可能性を予測する第2学習モデルを取得する。取得部131は、ストアのストア情報を入力として、ネガティブ事象がストアにより生じる発生確率を示すスコアを出力する第1学習モデルを取得する。 The acquiring unit 131 acquires a first learning model for predicting the probability of occurrence of a negative event, which is an event caused by a store opened on a commercial transaction site on the network and is a negative event for the commercial transaction site. Acquisition unit 131 acquires a second learning model that predicts the future possibility of sales of a store that opens on a commercial transaction site. The acquisition unit 131 acquires the first learning model that receives the store information of the store as an input and outputs a score indicating the probability of occurrence of a negative event caused by the store.

取得部131は、ストアのストア情報を入力として、ストアの売上に関する将来可能性を示すスコアを出力する第2学習モデルを取得する。取得部131は、ストアの債権が回収不能になる発生確率を予測する第1学習モデルを取得する。取得部131は、商取引サイトからのストアの退店の発生確率を予測する第1学習モデルを取得する。 Acquisition unit 131 acquires a second learning model that receives store information of a store as an input and outputs a score indicating the future possibility of sales of the store. The acquisition unit 131 acquires a first learning model that predicts the probability of occurrence of uncollectible receivables of the store. Acquisition unit 131 acquires a first learning model for predicting the probability of a store closing from a commercial transaction site.

取得部131は、ネットワーク上の商取引サイトに出店する複数のストアの各々に関するストア情報を取得する。取得部131は、複数のストアの各々が広告を出しているか否かを示す情報を含むストア情報を取得する。取得部131は、複数のストアの各々が取り扱う商品である取扱商品を示す情報を含むストア情報を取得する。 Acquisition unit 131 acquires store information about each of a plurality of stores opened on a commercial transaction site on the network. Acquisition unit 131 acquires store information including information indicating whether or not each of the plurality of stores is advertising. Acquisition unit 131 acquires store information including information indicating products handled by each of the plurality of stores.

(学習部132)
学習部132は、学習モデル(モデル)を学習する学習処理を実行する。例えば、学習部132は、取得部131により取得された各種情報に基づいて、学習処理を実行する。学習部132は、外部の情報処理装置からの情報や記憶部120に記憶された情報に基づいて、学習処理を実行する。学習部132は、モデル情報記憶部122に記憶された情報に基づいて、学習処理を実行する。学習部132は、学習により生成したモデルをモデル情報記憶部122に格納する。
(learning unit 132)
The learning unit 132 executes learning processing for learning a learning model (model). For example, the learning unit 132 executes learning processing based on various information acquired by the acquisition unit 131 . The learning unit 132 executes learning processing based on information from an external information processing device and information stored in the storage unit 120 . The learning section 132 executes learning processing based on the information stored in the model information storage section 122 . The learning unit 132 stores the model generated by learning in the model information storage unit 122 .

学習部132は、ネットワーク上の商取引サイトに出店するストアにより所定の期間内に生じる事象であって、商取引サイトにとってネガティブな事象であるネガティブ事象の発生確率を予測する学習モデルを学習する。学習部132は、ストアのストア情報を入力として、ネガティブ事象がストアにより生じる発生確率を示すスコアを出力する学習モデルを学習する。 The learning unit 132 learns a learning model that predicts the probability of occurrence of a negative event, which is an event that occurs within a predetermined period of time due to a store opening on a commercial transaction site on the network and that is a negative event for the commercial transaction site. The learning unit 132 learns a learning model that receives the store information of the store as an input and outputs a score indicating the probability of occurrence of a negative event caused by the store.

学習部132は、ストアの債権が回収不能になる発生確率を予測する学習モデルを学習する。学習部132は、商取引サイトからのストアの退店の発生確率を予測する学習モデルを学習する。 The learning unit 132 learns a learning model that predicts the probability that the store receivables will become uncollectible. The learning unit 132 learns a learning model for predicting the probability of store closures from commercial transaction sites.

学習部132は、各々が異なる期間に対応する複数の学習モデルであって、各々が対応する期間内にネガティブ事象がストアにより生じる発生確率を予測する複数の学習モデルを学習する。学習部132は、各々が対応する期間内にネガティブ事象がストアにより生じる発生確率を示すスコアを出力する複数の学習モデルを学習する。 The learning unit 132 learns a plurality of learning models each corresponding to a different period and predicting the probability of occurrence of a negative event caused by the store within the corresponding period. The learning unit 132 learns a plurality of learning models each outputting a score indicating the probability of occurrence of a negative event caused by the store within a corresponding period.

学習部132は、学習処理を行う。学習部132は、各種学習を行う。学習部132は、取得部131により取得された情報に基づいて、各種情報を学習する。学習部132は、モデルを学習(生成)する。学習部132は、モデル等の各種情報を学習する。学習部132は、学習によりモデルを生成する。学習部132は、種々の機械学習に関する技術を用いて、モデルを学習する。例えば、学習部132は、モデル(ネットワーク)のパラメータを学習する。学習部132は、種々の機械学習に関する技術を用いて、モデルを学習する。 The learning unit 132 performs learning processing. The learning unit 132 performs various types of learning. The learning unit 132 learns various types of information based on the information acquired by the acquisition unit 131 . The learning unit 132 learns (generates) a model. The learning unit 132 learns various types of information such as models. The learning unit 132 generates a model through learning. The learning unit 132 learns the model using various machine learning techniques. For example, the learning unit 132 learns model (network) parameters. The learning unit 132 learns the model using various machine learning techniques.

学習部132は、モデルM1、M2、M11、M12、M13、M21、M22、M31、M41等の各種の学習モデルを生成する。学習部132は、ネットワークのパラメータを学習する。例えば、学習部132は、モデルM1、M2、M11、M12、M13、M21、M22、M31、M41等の各種の学習モデルのネットワークのパラメータを学習する。学習部132は、モデル情報記憶部122に記憶された学習用データを用いて、学習処理を行うことにより、モデルM1、M2、M11、M12、M13、M21、M22、M31、M41等の各種の学習モデルを生成する。例えば、学習部132は、音声認識に用いられるモデルを生成する。学習部132は、モデルM1、M2、M11、M12、M13、M21、M22、M31、M41等の各種の学習モデルのネットワークのパラメータを学習することにより、モデルM1、M2、M11、M12、M13、M21、M22、M31、M41等の各種の学習モデルを生成する。 The learning unit 132 generates various learning models such as models M1, M2, M11, M12, M13, M21, M22, M31, and M41. The learning unit 132 learns network parameters. For example, the learning unit 132 learns network parameters of various learning models such as models M1, M2, M11, M12, M13, M21, M22, M31, and M41. The learning unit 132 performs learning processing using the learning data stored in the model information storage unit 122, thereby obtaining various models such as models M1, M2, M11, M12, M13, M21, M22, M31, and M41. Generate a learning model. For example, the learning unit 132 generates models used for speech recognition. The learning unit 132 learns the parameters of the networks of various learning models such as the models M1, M2, M11, M12, M13, M21, M22, M31, and M41, thereby obtaining the models M1, M2, M11, M12, M13, Various learning models such as M21, M22, M31, and M41 are generated.

学習部132は、モデル情報記憶部122に記憶された学習用データ(教師データ)に基づいて、学習処理を行う。学習部132は、モデル情報記憶部122に記憶された学習用データを用いて、学習処理を行うことにより、モデルM1、M2、M11、M12、M13、M21、M22、M31、M41等の各種の学習モデルを生成する。 The learning unit 132 performs learning processing based on learning data (teacher data) stored in the model information storage unit 122 . The learning unit 132 performs learning processing using the learning data stored in the model information storage unit 122, thereby obtaining various models such as models M1, M2, M11, M12, M13, M21, M22, M31, and M41. Generate a learning model.

例えば、学習部132は、ストアの退店の確率(可能性)の推定に用いるモデルを生成する。例えば、学習部132は、ストアのストア情報が入力された場合に、そのストア情報に対応するストアが商取引サイトから退店する確率(可能性)を示すスコアを出力するモデルを生成する。学習部132は、モデルM1のネットワークのパラメータを学習することにより、モデルM1を生成する。 For example, the learning unit 132 generates a model used for estimating the probability (possibility) of store closing. For example, the learning unit 132 generates a model that outputs a score indicating the probability (possibility) that the store corresponding to the store information will withdraw from the commercial transaction site when the store information of the store is input. The learning unit 132 generates the model M1 by learning the parameters of the network of the model M1.

学習部132による学習の手法は特に限定されないが、例えば、データ(入力情報)とその正解情報(出力情報)とを紐づけた学習用データを用意し、その学習用データを多層ニューラルネットワークに基づいた計算モデルに入力して学習してもよい。また、例えばCNN(Convolutional Neural Network)、3D-CNN等のDNN(Deep Neural Network)に基づく手法が用いられてもよい。学習部132は、音声等のような時系列データを対象とする場合、再帰型ニューラルネットワーク(Recurrent Neural Network:RNN)やRNNを拡張したLSTM(Long Short-Term Memory units)に基づく手法を用いてもよい。 The method of learning by the learning unit 132 is not particularly limited. It may be learned by inputting it into a calculation model. Also, for example, a technique based on DNN (Deep Neural Network) such as CNN (Convolutional Neural Network) and 3D-CNN may be used. When the learning unit 132 targets time-series data such as voice, a recurrent neural network (RNN) or a method based on LSTM (Long Short-Term Memory units) that is an extension of RNN is used. good too.

(推定部133)
推定部133は、種々の情報を推定する推定処理を実行する。推定部133は、推定処理により推定した情報を記憶部120に格納する。例えば、推定部133は、取得部131により取得された各種情報に基づいて、推定処理を実行する。推定部133は、記憶部120に記憶された各種情報に基づいて、推定処理を実行する。推定部133は、外部の情報処理装置から受信された各種情報に基づいて、推定処理を実行する。
(Estimation unit 133)
The estimation unit 133 executes estimation processing for estimating various information. The estimation unit 133 stores information estimated by the estimation process in the storage unit 120 . For example, the estimation unit 133 executes estimation processing based on various information acquired by the acquisition unit 131 . The estimation unit 133 executes estimation processing based on various information stored in the storage unit 120 . The estimation unit 133 executes estimation processing based on various information received from an external information processing device.

推定部133は、学習部132により学習されたモデルを用いて、推定処理を実行する。例えば、推定部133は、分類部134により分類された情報に基づいて、推定処理を実行する。例えば、推定部133は、判定部135により判定された情報に基づいて、推定処理を実行する。例えば、推定部133は、決定部136により決定された情報に基づいて、推定処理を実行する。 The estimation unit 133 uses the model learned by the learning unit 132 to perform estimation processing. For example, the estimation unit 133 executes estimation processing based on information classified by the classification unit 134 . For example, the estimation unit 133 executes estimation processing based on information determined by the determination unit 135 . For example, the estimation unit 133 performs estimation processing based on information determined by the determination unit 136 .

推定部133は、ネットワーク上の商取引サイトに出店するストアにより生じる事象であって、商取引サイトにとってネガティブな事象であるネガティブ事象の発生数を、社会の経済状況を示す社会状況情報を用いて推定する。推定部133は、ストアの債権の回収不能数を発生数として推定する。推定部133は、商取引サイトから退店するストア数を発生数として推定する。推定部133は、社会の経済状況と、商取引サイトからの退店数との関連性の特徴を学習した学習モデルを用いて、商取引サイトから退店するストア数を推定する。 The estimating unit 133 estimates the number of occurrences of negative events, which are events caused by a store opened on a commercial transaction site on the network and is a negative event for the commercial transaction site, using social situation information indicating the economic situation of society. . The estimation unit 133 estimates the number of irrecoverable claims of the store as the number of occurrences. The estimation unit 133 estimates the number of stores exiting the commercial transaction site as the number of occurrences. The estimating unit 133 estimates the number of stores that will exit the commercial transaction site using a learning model that has learned the characteristics of the relationship between the economic situation of society and the number of stores that have exited the commercial transaction site.

推定部133は、ネットワーク上の商取引サイトに出店するストアである対象ストアが所定の期間後に商取引サイトから退店する確率である退店確率を推定する。推定部133は、商取引サイトに出店するストアと、商取引サイトからの退店との関連性の特徴を学習した学習モデルを用いて、対象ストアの退店確率を推定する。 The estimation unit 133 estimates a store exit probability, which is the probability that a target store, which is a store that opens on a commercial transaction site on the network, will exit the commercial transaction site after a predetermined period of time. The estimating unit 133 estimates the closing probability of the target store using a learning model that has learned the characteristics of the relationship between the store opening on the commercial transaction site and the store closing from the commercial transaction site.

推定部133は、各々が異なる期間に対応する複数の学習モデルであって、各々が対応する期間内におけるストアが退店する確率を推定する複数の学習モデルを用いて、対象ストアの退店確率を推定する。推定部133は、各々が対応する期間内にストアが退店する確率を示すスコアを出力する複数の学習モデルを用いて、対象ストアの退店確率を推定する。推定部133は、対象ストアの将来債権に対応する売掛金の回収が遅延に関する条件を満たす場合、対象ストアの退店確率を更新する。 The estimating unit 133 estimates the store closing probability of the target store using a plurality of learning models each corresponding to a different period and estimating the probability of the store closing within the corresponding period. to estimate The estimating unit 133 estimates the closing probability of the target store using a plurality of learning models, each of which outputs a score indicating the probability that the store will close within the corresponding period. The estimating unit 133 updates the closing probability of the target store when the collection of the accounts receivable corresponding to the future credit of the target store satisfies the condition regarding the delay.

(分類部134)
分類部134は、種々の情報を分類する分類処理を実行する。分類部134は、分類処理により分類した情報を記憶部120に格納する。例えば、分類部134は、取得部131により取得された各種情報に基づいて、分類処理を実行する。分類部134は、記憶部120に記憶された各種情報に基づいて、分類処理を実行する。分類部134は、外部の情報処理装置から受信された各種情報に基づいて、分類処理を実行する。
(Classification unit 134)
The classification unit 134 executes classification processing for classifying various types of information. The classification unit 134 stores information classified by the classification process in the storage unit 120 . For example, the classification unit 134 executes classification processing based on various information acquired by the acquisition unit 131 . The classification unit 134 executes classification processing based on various information stored in the storage unit 120 . The classification unit 134 performs classification processing based on various types of information received from an external information processing device.

分類部134は、学習部132により学習されたモデルを用いて、分類処理を実行する。例えば、分類部134は、決定部136により決定された情報に基づいて、分類処理を実行する。例えば、分類部134は、判定部135により判定された情報に基づいて、分類処理を実行する。例えば、分類部134は、推定部133により推定された情報に基づいて、分類処理を実行する。 The classification unit 134 uses the model learned by the learning unit 132 to perform classification processing. For example, the classification unit 134 executes classification processing based on information determined by the determination unit 136 . For example, the classification unit 134 executes classification processing based on information determined by the determination unit 135 . For example, the classification unit 134 performs classification processing based on information estimated by the estimation unit 133 .

分類部134は、ネットワーク上の商取引サイトに出店する複数のストアの各々に関するストア情報に基づいて、複数のストアを複数のグループに分類する。分類部134は、ストア情報に基づく複数のストアの各々の債権の回収不能のリスクに応じて、複数のストアを複数のグループに分類する。分類部134は、商取引サイトからの退店の可能性に応じて、複数のストアを複数のグループに分類する。 The classification unit 134 classifies a plurality of stores into a plurality of groups based on store information relating to each of the plurality of stores opened on the commercial transaction site on the network. The classification unit 134 classifies a plurality of stores into a plurality of groups according to the risk of uncollectible claims of each of the plurality of stores based on the store information. The classification unit 134 classifies a plurality of stores into a plurality of groups according to the possibility of leaving the commercial transaction site.

分類部134は、商取引サイトに出店するストアと、商取引サイトからの退店との関連性の特徴を学習した学習モデルを用いて、複数のストアを複数のグループに分類する。分類部134は、複数のストアの各々が販売する商品の情報を含むストア情報に基づいて、複数のストアを複数のグループに分類する。分類部134は、複数のストアの各々の売上の情報を含むストア情報に基づいて、複数のストアを複数のグループに分類する。分類部134は、推定部133により推定された発生数に基づく閾値を用いて、商取引サイトに出店する複数のストアを複数のグループに分類する。 The classification unit 134 classifies a plurality of stores into a plurality of groups using a learning model that has learned characteristics of relationships between stores that open on the commercial transaction site and stores that exit the commercial transaction site. The classification unit 134 classifies a plurality of stores into a plurality of groups based on store information including information on products sold by each of the plurality of stores. The classification unit 134 classifies a plurality of stores into a plurality of groups based on store information including sales information of each of the plurality of stores. The classification unit 134 classifies a plurality of stores opened on the commercial transaction site into a plurality of groups using thresholds based on the number of occurrences estimated by the estimation unit 133 .

(判定部135)
判定部135は、各種情報を判定する判定処理を実行する。例えば、判定部135は、取得部131により取得された各種情報に基づいて、判定処理を実行する。例えば、判定部135は、記憶部120に記憶された情報に基づいて、判定処理を実行する。
(Determination unit 135)
The determination unit 135 executes determination processing for determining various types of information. For example, the determination unit 135 executes determination processing based on various information acquired by the acquisition unit 131 . For example, the determination unit 135 executes determination processing based on information stored in the storage unit 120 .

判定部135は、学習部132により学習されたモデルを用いて、判定処理を実行する。例えば、判定部135は、推定部133により推定された情報に基づいて、判定処理を実行する。例えば、判定部135は、分類部134により分類された情報に基づいて、判定処理を実行する。例えば、判定部135は、決定部136により決定された情報に基づいて、判定処理を実行する。 The determination unit 135 uses the model learned by the learning unit 132 to perform determination processing. For example, the determination unit 135 executes determination processing based on information estimated by the estimation unit 133 . For example, the determination unit 135 executes determination processing based on information classified by the classification unit 134 . For example, the determination unit 135 executes determination processing based on information determined by the determination unit 136 .

判定部135は、カテゴリごとの過去の売上に基づいて、カテゴリごとの売上の傾向を判定する。判定部135は、カテゴリごとの過去の売上の推移に基づいて、カテゴリごとの売上の傾向を判定する。例えば、判定部135は、モデルM41が出力したスコアを用いて、カテゴリごとの売上の傾向を判定する。例えば、判定部135は、モデルM41が出力したスコアが所定の閾値(例えば1.2等)以上である場合、モデルM41へ入力されたモデル入力情報に対応するカテゴリの売上の傾向が上昇トレンドであると判定する。例えば、判定部135は、モデルM41が出力したスコアが所定の閾値(例えば0.8等)未満である場合、モデルM41へ入力されたモデル入力情報に対応するカテゴリの売上の傾向が下降トレンドであると判定する。 The determining unit 135 determines the trend of sales for each category based on the past sales for each category. The determining unit 135 determines the trend of sales for each category based on the transition of past sales for each category. For example, the determination unit 135 uses the score output by the model M41 to determine the trend of sales for each category. For example, when the score output by the model M41 is equal to or greater than a predetermined threshold value (for example, 1.2), the determination unit 135 determines that the sales trend of the category corresponding to the model input information input to the model M41 is an upward trend. Determine that there is. For example, when the score output by the model M41 is less than a predetermined threshold value (for example, 0.8), the determination unit 135 determines that the sales trend of the category corresponding to the model input information input to the model M41 is a downward trend. Determine that there is.

判定部135は、種々の情報を生成する生成処理を実行してもよい。判定部135は、生成した情報を記憶部120に格納する。例えば、判定部135は、取得部131により取得された各種情報に基づいて、生成処理を実行する。判定部135は、記憶部120に記憶された各種情報に基づいて、生成処理を実行する。判定部135は、外部の情報処理装置から受信された各種情報に基づいて、生成処理を実行する。 The determination unit 135 may execute generation processing for generating various information. The determination unit 135 stores the generated information in the storage unit 120 . For example, the determination unit 135 executes generation processing based on various information acquired by the acquisition unit 131 . The determination unit 135 executes generation processing based on various information stored in the storage unit 120 . The determination unit 135 executes generation processing based on various types of information received from an external information processing device.

例えば、判定部135は、決定部136により決定された情報に基づいて、生成処理を実行する。例えば、判定部135は、判定部135により判定された情報に基づいて、生成処理を実行する。例えば、判定部135は、分類部134により分類された情報に基づいて、生成処理を実行する。例えば、判定部135は、推定部133により推定された情報に基づいて、生成処理を実行する。 For example, the determination unit 135 executes generation processing based on information determined by the determination unit 136 . For example, the determination unit 135 executes generation processing based on information determined by the determination unit 135 . For example, the determination unit 135 executes generation processing based on information classified by the classification unit 134 . For example, the determination unit 135 executes generation processing based on information estimated by the estimation unit 133 .

判定部135は、コンテンツを生成する。判定部135は、例えば、判定部135は、Java(登録商標)等の種々の技術を適宜用いて、ユーザ端末10へ提供する画面(コンテンツ)を生成する。なお、判定部135は、CSSやJavaScript(登録商標)やHTMLの形式に基づいて、ユーザ端末10へ提供する画面(コンテンツ)を生成してもよい。また、例えば、判定部135は、JPEG(Joint Photographic Experts Group)やGIF(Graphics Interchange Format)やPNG(Portable Network Graphics)など様々な形式で画面(コンテンツ)を生成してもよい。 The determination unit 135 generates content. For example, the determination unit 135 appropriately uses various techniques such as Java (registered trademark) to generate a screen (content) to be provided to the user terminal 10 . Note that the determination unit 135 may generate a screen (content) to be provided to the user terminal 10 based on CSS, JavaScript (registered trademark), or HTML formats. Further, for example, the determination unit 135 may generate screens (contents) in various formats such as JPEG (Joint Photographic Experts Group), GIF (Graphics Interchange Format), and PNG (Portable Network Graphics).

(決定部136)
決定部136は、種々の情報を決定する決定処理を実行する。決定部136は、決定した情報を記憶部120に格納する。例えば、決定部136は、取得部131により取得された各種情報に基づいて、決定処理を実行する。決定部136は、記憶部120に記憶された各種情報に基づいて、決定処理を実行する。例えば、決定部136は、外部の情報処理装置から受信された各種情報に基づいて、決定処理を実行する。
(Determination unit 136)
The determination unit 136 executes determination processing for determining various pieces of information. The determination unit 136 stores the determined information in the storage unit 120 . For example, the determination unit 136 executes determination processing based on various information acquired by the acquisition unit 131 . The determination unit 136 executes determination processing based on various information stored in the storage unit 120 . For example, the determination unit 136 executes determination processing based on various information received from an external information processing device.

決定部136は、学習部132により学習されたモデルを用いて、決定処理を実行する。例えば、決定部136は、推定部133により推定された情報に基づいて、決定処理を実行する。例えば、決定部136は、分類部134により分類された情報に基づいて、決定処理を実行する。例えば、決定部136は、判定部135により判定された情報に基づいて、決定処理を実行する。 The decision unit 136 uses the model learned by the learning unit 132 to execute decision processing. For example, the determination unit 136 executes determination processing based on information estimated by the estimation unit 133 . For example, the determination unit 136 executes determination processing based on information classified by the classification unit 134 . For example, the determination unit 136 executes determination processing based on information determined by the determination unit 135 .

例えば、決定部136は、推定部133により推定された情報に基づいて、各種情報を算出する。例えば、決定部136は、判定部135により判定された情報に基づいて、各種情報を算出する。例えば、決定部136は、判定部135により生成された情報に基づいて、各種情報を算出する。例えば、決定部136は、分類部134により分類された情報に基づいて、各種情報を算出する。決定部136は、モデルを用いて各種のスコアを算出する。例えば、決定部136は、各種のスコアを算出する。 For example, the determining unit 136 calculates various information based on information estimated by the estimating unit 133 . For example, the determination unit 136 calculates various information based on information determined by the determination unit 135 . For example, the determination unit 136 calculates various information based on information generated by the determination unit 135 . For example, the determination unit 136 calculates various information based on the information classified by the classification unit 134 . The determination unit 136 calculates various scores using models. For example, the determination unit 136 calculates various scores.

決定部136は、分類部134により分類されたグループごとに、債権の買い取りに関する条件を決定する。決定部136は、リスクが低いグループ程、当該グループに属するストアに有利な条件を決定する。決定部136は、退店の可能性が低いグループ程、当該グループに属するストアに有利な条件を決定する。 The determination unit 136 determines conditions for purchasing bonds for each group classified by the classification unit 134 . The decision unit 136 decides conditions that are advantageous to stores belonging to a group with a lower risk. The decision unit 136 decides conditions that are more advantageous to the stores belonging to the group for which the possibility of closing is lower.

決定部136は、グループごとに、将来債権の買い取りに関する条件を決定する。決定部136は、グループごとに、将来債権の買取りの指標値を決定する。決定部136は、一のストアが属するグループの指標値と、一のストアの売上とに基づいて、一のストアの将来債権の買取上限額を決定する。決定部136は、一のストアが属するグループの指標値と、一のストアの売上とを乗算した値に基づいて、一のストアの買取上限額を決定する。決定部136は、グループごとに、将来債権の買取り対象とする月数を指標値として決定する。 The determination unit 136 determines conditions for purchasing future bonds for each group. The determination unit 136 determines an index value for purchase of future bonds for each group. The determining unit 136 determines the maximum purchase amount of future bonds of one store based on the index value of the group to which the one store belongs and the sales of the one store. The determining unit 136 determines the purchase upper limit of one store based on the value obtained by multiplying the index value of the group to which the one store belongs by the sales of the one store. The determining unit 136 determines, for each group, the number of months for which future bonds are to be purchased as an index value.

決定部136は、学習部132により学習された学習モデルを用いて予測した対象ストアによるネガティブ事象の発生確率に基づいて、対象ストアの債権の買い取りに関する条件を決定する。決定部136は、対象ストアの債権が回収不能になる発生確率が低い程、対象ストアに有利な条件を決定する。決定部136は、対象ストアの退店の発生確率が低い程、対象ストアに有利な条件を決定する。 The determining unit 136 determines the conditions for purchasing the bond of the target store based on the probability of occurrence of a negative event by the target store predicted using the learning model learned by the learning unit 132 . The determination unit 136 determines conditions that are more advantageous to the target store as the probability of occurrence that the claim of the target store becomes uncollectible is lower. The decision unit 136 decides a condition that is more advantageous to the target store as the probability of closing of the target store is lower.

決定部136は、対象ストアによるネガティブ事象の発生確率に基づいて、対象ストアの将来債権の買い取りに関する条件を決定する。決定部136は、対象ストアの将来債権の買取りの指標値を決定する。決定部136は、対象ストアの指標値と、対象ストアの売上とに基づいて、対象ストアの将来債権の買取上限額を決定する。決定部136は、対象ストアの指標値と、対象ストアの売上とを乗算した値に基づいて、対象ストアの買取上限額を決定する。決定部136は、対象ストアの将来債権の買取り対象とする月数を指標値として決定する。 The determining unit 136 determines the conditions for purchasing the future bond of the target store based on the occurrence probability of the negative event by the target store. The determination unit 136 determines an index value for purchase of future bonds of the target store. The determining unit 136 determines the maximum purchase amount of future bonds of the target store based on the index value of the target store and the sales of the target store. The determining unit 136 determines the maximum purchase amount of the target store based on the product of the index value of the target store and the sales of the target store. The determining unit 136 determines the number of months for which the future bond of the target store is to be purchased as an index value.

決定部136は、複数の学習モデルを用いて、対象ストアの将来債権の買取り対象とする月数を指標値として決定する。決定部136は、スコアが閾値以上となった学習モデルのうち、最も期間が短い学習モデルに対応する期間に基づいて、対象ストアの将来債権の買取り対象とする月数を決定する。 The determining unit 136 determines, as an index value, the number of months for which the future bond of the target store is to be purchased, using a plurality of learning models. The determination unit 136 determines the number of months to purchase the future bonds of the target store based on the period corresponding to the learning model with the shortest period among the learning models whose scores are equal to or greater than the threshold.

決定部136は、推定部133により推定された発生数に基づいて、債権の買い取りに関する条件を決定する。 The determining unit 136 determines the conditions regarding the purchase of bonds based on the number of occurrences estimated by the estimating unit 133 .

決定部136は、ストア売上情報が示す対象ストアの売上の傾向と、カテゴリ売上情報が示す対象ストアが取り扱う商品である取扱商品に対応するカテゴリの売上の傾向とに基づいて、対象ストアの債権の買取上限額を決定する。決定部136は、ストア売上情報が示す対象ストアの売上推移の傾向と、カテゴリ売上情報が示す対象ストアが取り扱う商品である取扱商品に対応するカテゴリの売上推移の傾向とに基づいて、対象ストアの債権の買取上限額を決定する。決定部136は、対象ストアの取扱商品に基づいて、対象ストアに対応する対象カテゴリを決定し、決定した対象カテゴリの売上推移の傾向に基づいて、対象ストアの債権の買取上限額を決定する。 The determining unit 136 decides the amount of claims of the target store based on the sales trend of the target store indicated by the store sales information and the sales trend of the category corresponding to the product handled by the target store indicated by the category sales information. Determine the maximum purchase amount. The determination unit 136 selects the target store based on the sales trend of the target store indicated by the store sales information and the sales trend of the category corresponding to the product handled by the target store indicated by the category sales information. Determining the purchase limit of receivables. The determination unit 136 determines the target category corresponding to the target store based on the products handled by the target store, and determines the maximum purchase amount of the bond of the target store based on the sales transition trend of the determined target category.

決定部136は、対象ストアの取扱商品に基づいて、対象ストアに対応する複数の対象カテゴリを決定し、決定した複数の対象カテゴリの各々の売上推移の傾向に基づいて、対象ストアの債権の買取上限額を決定する。決定部136は、商取引サイトにおける複数の対象カテゴリの商品数に応じた重み付けに基づいて、対象ストアの債権の買取上限額を決定する。決定部136は、商取引サイトで取り扱われる商品数が多いカテゴリ程、重み付けを大きくして、対象ストアの債権の買取上限額を決定する。 The determination unit 136 determines a plurality of target categories corresponding to the target store based on the products handled by the target store, and purchases the credits of the target store based on the trend of sales transition of each of the determined target categories. Determine the maximum amount. The determination unit 136 determines the maximum purchase amount of the bond of the target store based on the weighting according to the number of products in the plurality of target categories on the commercial transaction site. The determination unit 136 determines the upper limit of the purchase amount of the bond of the target store by assigning a greater weight to a category with a larger number of products handled on the commercial transaction site.

決定部136は、複数の対象カテゴリのうち、メインカテゴリを決定し、決定したメインカテゴリの売上推移の傾向に基づいて、対象ストアの債権の買取上限額を決定する。決定部136は、複数の対象カテゴリのうち、メインカテゴリとは異なるカテゴリよりも、メインカテゴリの重みを大きくして、対象ストアの債権の買取上限額を決定する。 The determining unit 136 determines a main category from among the plurality of target categories, and determines the upper limit of the purchase amount of the bond of the target store based on the trend of sales transition of the determined main category. The determining unit 136 determines the maximum purchase amount of the bond of the target store by giving greater weight to the main category than categories different from the main category among the plurality of target categories.

決定部136は、所定の時点までのストアの売上推移の傾向及び当該ストアの取扱商品に対応するカテゴリの売上推移の傾向と、所定の時点以後の当該ストアの売上との関連性の特徴を学習した学習モデルを用いて、対象ストアの債権の買取上限額を決定する。 The determination unit 136 learns the characteristics of the relationship between the store sales transition trend up to a predetermined point in time, the sales transition trend in the category corresponding to the products handled by the store, and the store sales after the predetermined point in time. Using the learned model, determine the upper limit of the purchase amount of the bond of the target store.

決定部136は、対象ストアの将来債権の買取上限額を決定する。決定部136は、対象ストアの売上推移の傾向と、対象ストアの取扱商品に対応するカテゴリの売上推移の傾向とに基づいて、対象ストアの将来債権の買取りの指標値を決定し、決定した指標値を用いて、対象ストアの将来債権の買取上限額を決定する。決定部136は、判定部135による判定結果に応じて、対象ストアの債権の買取上限額を決定する。 The decision unit 136 decides the purchase upper limit of the future bond of the target store. The determination unit 136 determines an index value for purchase of future bonds of the target store based on the sales transition trend of the target store and the sales trend of the category corresponding to the product handled by the target store, and determines the determined index. The value is used to determine the maximum purchase amount of future receivables for the target store. The determining unit 136 determines the maximum purchase amount of the bond of the target store according to the determination result of the determining unit 135 .

例えば、決定部136は、判定部135により対象ストアのカテゴリの売上が上昇トレンドであると判定された場合、対象ストアの債権の買取上限額を上昇させてもよい。この場合、決定部136は、判定部135により対象ストアのメインカテゴリの売上が上昇トレンドであると判定された場合、対象ストアの債権の買取上限額を上昇させてもよい。また、例えば、決定部136は、判定部135により対象ストアのカテゴリの売上が下降トレンドであると判定された場合、対象ストアの債権の買取上限額を減少させてもよい。この場合、決定部136は、判定部135により対象ストアのメインカテゴリの売上が下降トレンドであると判定された場合、対象ストアの債権の買取上限額を減少させてもよい。 For example, when the determination unit 135 determines that the sales of the category of the target store are on an upward trend, the determination unit 136 may increase the maximum purchase amount of the bond of the target store. In this case, when the determination unit 135 determines that the sales of the main category of the target store are in an upward trend, the determination unit 136 may increase the maximum purchase amount of the bond of the target store. Further, for example, when the determination unit 135 determines that the sales of the category of the target store are in a downward trend, the determination unit 136 may decrease the maximum purchase amount of the bond of the target store. In this case, if the determination unit 135 determines that the sales of the main category of the target store are in a downward trend, the determination unit 136 may decrease the maximum purchase amount of the bond of the target store.

決定部136は、第1学習モデルを用いて予測した対象ストアによるネガティブ事象の発生確率と、第2学習モデルを用いて予測した対象ストアの売上の将来可能性とに基づいて、対象ストアの債権の買い取りに関する条件を決定する。決定部136は、対象ストアの債権が回収不能になる発生確率が低い程、対象ストアに有利な条件を決定する。決定部136は、対象ストアの退店の発生確率が低い程、対象ストアに有利な条件を決定する。 The determination unit 136 determines the credits of the target store based on the probability of occurrence of a negative event at the target store predicted using the first learning model and the future sales potential of the target store predicted using the second learning model. determine the conditions for the purchase of The determination unit 136 determines conditions that are more advantageous to the target store as the probability of occurrence that the claim of the target store becomes uncollectible is lower. The decision unit 136 decides a condition that is more advantageous to the target store as the probability of closing of the target store is lower.

決定部136は、商取引サイトに出店するストアと、商取引サイトからの退店との関連性の特徴を学習した第1学習モデルを用いて、対象ストアの債権の買い取りに関する条件を決定する。決定部136は、対象ストアによるネガティブ事象の発生確率と、対象ストアの売上の将来可能性とに基づいて、対象ストアの将来債権の買い取りに関する条件を決定する。 The determination unit 136 determines the conditions for purchasing the bond of the target store by using the first learning model that has learned the characteristics of the relationship between the store opening on the commercial transaction site and the store closing from the commercial transaction site. The determining unit 136 determines the conditions for purchasing the future bond of the target store based on the probability of occurrence of a negative event by the target store and the future sales potential of the target store.

決定部136は、推定部133により推定された対象ストアの退店確率に基づいて、対象ストアの将来債権に対応する売掛金の回収態様を決定する。決定部136は、対象ストアの退店確率に基づいて、対象ストアの将来債権に対応する売掛金の回収率を決定する。決定部136は、期間ごとの対象ストアの退店確率に基づいて、対象ストアの将来債権に対応する売掛金の回収態様を決定する。 The determining unit 136 determines the mode of collection of accounts receivable corresponding to future claims of the target store based on the closing probability of the target store estimated by the estimating unit 133 . The determining unit 136 determines the collection rate of the accounts receivable corresponding to future claims of the target store based on the store closing probability of the target store. The determination unit 136 determines the mode of collection of accounts receivable corresponding to future claims of the target store based on the closing probability of the target store for each period.

決定部136は、スコアが閾値以上となった学習モデルのうち、最も期間が短い学習モデルに対応する期間に基づいて、対象ストアの将来債権に対応する売掛金の回収態様を決定する。決定部136は、スコアが閾値以上となった学習モデルのうち、最も期間が短い学習モデルに対応する期間を、対象ストアの将来債権に対応する売掛金の回収期間に決定し、回収期間に応じて、対象ストアの将来債権に対応する売掛金の回収率を決定する。 The determining unit 136 determines the collection mode of the accounts receivable corresponding to future claims of the target store based on the period corresponding to the learning model with the shortest period among the learning models whose scores are equal to or greater than the threshold. The determination unit 136 determines the period corresponding to the learning model with the shortest period among the learning models whose scores are equal to or greater than the threshold as the collection period for the accounts receivable corresponding to the future receivables of the target store, and determines the collection period according to the collection period. , to determine the collection rate of accounts receivable corresponding to the future receivables of the subject store.

決定部136は、対象ストアの将来債権に対応する売掛金の回収が所定の条件を満たす場合、対象ストアの将来債権に対応する売掛金の回収態様を更新する。決定部136は、対象ストアの将来債権に対応する売掛金の回収が遅延に関する条件を満たす場合、対象ストアの将来債権に対応する売掛金の回収態様を更新する。決定部136は、更新された対象ストアの退店確率に基づいて、対象ストアの将来債権に対応する売掛金の回収態様を更新する。 If the collection of the accounts receivable corresponding to the future claims of the target store satisfies a predetermined condition, the determining unit 136 updates the collection mode of the accounts receivable corresponding to the future claims of the target store. The determination unit 136 updates the collection mode of the accounts receivable corresponding to the future claims of the target store when the collection of the accounts receivable corresponding to the future claims of the target store satisfies the condition regarding the delay. The determining unit 136 updates the collection mode of the accounts receivable corresponding to the future claim of the target store based on the updated closing probability of the target store.

決定部136は、複数のストアの各々に関するストア情報に基づいて、複数のストアのうち、債権の買い取りの提案先となる提案先ストアを決定する。決定部136は、広告を出しているか否かに応じて、提案先ストアを決定する。決定部136は、広告を出していないストアを提案先ストアに決定する。 The determination unit 136 determines, from among the plurality of stores, the proposed store to which the purchase of the bond is to be proposed, based on the store information regarding each of the plurality of stores. The determination unit 136 determines the suggested store depending on whether or not the advertisement is being displayed. The determination unit 136 determines a store that does not advertise as a proposed store.

決定部136は、取扱商品に応じて、提案先ストアを決定する。決定部136は、取扱商品の数が所定の閾値未満のストアを提案先ストアに決定する。 The decision unit 136 decides the proposed store according to the products handled. The determination unit 136 determines a store whose number of products handled is less than a predetermined threshold as a proposal destination store.

決定部136は、商取引サイトに出店するストアと、当該ストアが売上増大のための施策を行った場合の売上の変化との関連性の特徴を学習した学習モデルを用いて、提案先ストアを決定する。決定部136は、ストアのストア情報を入力として、施策を行った場合の売上の変化を示すスコアを出力する学習モデルを用いて、提案先ストアを決定する。決定部136は、学習モデルが出力するスコアが所定の閾値以上であるストアを、提案先ストアに決定する。 The determination unit 136 determines the store to be proposed by using a learning model that has learned the characteristics of the relationship between the store that opens on the commercial transaction site and the change in sales when the store implements measures to increase sales. do. The determining unit 136 determines a proposed store by using a learning model that receives store information of a store as input and outputs a score indicating a change in sales when a measure is implemented. The determining unit 136 determines a store whose score output by the learning model is equal to or greater than a predetermined threshold as a proposed store.

(提供部137)
提供部137は、各種情報を提供する。提供部137は、通信部110を介して、外部の情報処理装へ各種情報を送信する。提供部137は、ユーザ端末10やストア装置20やウェブサーバ30へ各種情報を送信する。提供部137は、コンテンツをユーザ端末10へ送信する。
(Providing unit 137)
The providing unit 137 provides various information. The providing unit 137 transmits various types of information to an external information processing device via the communication unit 110 . The providing unit 137 transmits various types of information to the user terminal 10 , the store device 20 and the web server 30 . The providing unit 137 transmits content to the user terminal 10 .

提供部137は、決定部136により決定された情報を提供する。提供部137は、判定部135により判定された情報を提供する。提供部137は、判定部135により生成された情報を提供する。提供部137は、分類部134により分類された情報を提供する。提供部137は、推定部133により推定された情報を提供する。 The providing unit 137 provides information determined by the determining unit 136 . The providing unit 137 provides information determined by the determining unit 135 . The providing unit 137 provides information generated by the determining unit 135 . The providing unit 137 provides information classified by the classifying unit 134 . The providing unit 137 provides information estimated by the estimating unit 133 .

提供部137は、決定部136により決定された情報を、対象となるストアが利用するストア装置20へ送信する。提供部137は、決定部136により決定された条件を示す情報を提供する。提供部137は、決定部136により決定された買取上限額を示す情報を提供する。提供部137は、決定部136により決定された対象ストアの将来債権に対応する売掛金の回収態様を示す情報を提供する。提供部137は、決定部136により決定された提案先ストアに債権の買い取りを提案する情報を提供する。 The providing unit 137 transmits the information determined by the determining unit 136 to the store device 20 used by the target store. The providing unit 137 provides information indicating the conditions determined by the determining unit 136 . The providing unit 137 provides information indicating the purchase upper limit determined by the determining unit 136 . The providing unit 137 provides information indicating the collection mode of accounts receivable corresponding to future claims of the target store determined by the determining unit 136 . The providing unit 137 provides the proposed store determined by the determining unit 136 with information proposing the purchase of the bond.

〔3.処理手順〕
次に、図16~図22を用いて、実施形態に係る情報処理装置100が実行する情報処理の手順について説明する。図16~図22は、情報処理装置が実行する情報処理の流れの一例を示すフローチャートである。
[3. Processing procedure]
Next, the procedure of information processing executed by the information processing apparatus 100 according to the embodiment will be described with reference to FIGS. 16 to 22. FIG. 16 to 22 are flowcharts showing an example of the flow of information processing executed by the information processing apparatus.

まず、図16について説明する。例えば、図16は、情報処理装置100が行うグループごとの債権の買い取りに関する条件の決定の一例を示す。図16では、情報処理装置100は、ネットワーク上の商取引サイトに出店する複数のストアの各々に関するストア情報に基づいて、複数のストアを複数のグループに分類する(ステップS101)。そして、情報処理装置100は、グループごとに、債権の買い取りに関する条件を決定する(ステップS102)。 First, FIG. 16 will be described. For example, FIG. 16 shows an example of determination of conditions for purchasing bonds for each group performed by the information processing apparatus 100 . In FIG. 16, the information processing apparatus 100 classifies a plurality of stores into a plurality of groups based on store information relating to each of the plurality of stores opened on the commercial transaction site on the network (step S101). Then, the information processing device 100 determines the conditions for purchasing the bond for each group (step S102).

次に、図17について説明する。例えば、図17は、情報処理装置100が行うモデルの学習及び学習したモデルを用いた処理の例を示す。図17では、情報処理装置100は、ネットワーク上の商取引サイトに出店するストアにより所定の期間内に生じる事象であって、商取引サイトにとってネガティブな事象であるネガティブ事象の発生確率を予測する学習モデルを学習する(ステップS201)。そして、情報処理装置100は、学習モデルを用いて予測した対象ストアによるネガティブ事象の発生確率に基づいて、対象ストアの債権の買い取りに関する条件を決定する(ステップS202)。 Next, FIG. 17 will be described. For example, FIG. 17 shows an example of model learning performed by the information processing apparatus 100 and processing using the learned model. In FIG. 17, the information processing apparatus 100 creates a learning model for predicting the probability of occurrence of a negative event, which is an event that occurs within a predetermined period of time due to a store opening on a commercial transaction site on the network and is a negative event for the commercial transaction site. It learns (step S201). Then, the information processing apparatus 100 determines the conditions for purchasing the bond of the target store based on the probability of occurrence of a negative event by the target store predicted using the learning model (step S202).

次に、図18について説明する。例えば、図18は、情報処理装置100が行う社会の経済状況に応じた債権の買い取りに関する条件の決定の例を示す。図18では、情報処理装置100は、ネットワーク上の商取引サイトに出店するストアにより生じる事象であって、商取引サイトにとってネガティブな事象であるネガティブ事象の発生数を、社会の経済状況を示す社会状況情報を用いて推定する(ステップS301)。そして、情報処理装置100は、推定された発生数に基づいて、債権の買い取りに関する条件を決定する(ステップS302)。 Next, FIG. 18 will be described. For example, FIG. 18 shows an example of how the information processing apparatus 100 decides the conditions regarding the purchase of bonds according to the social economic conditions. In FIG. 18, the information processing apparatus 100 calculates the number of occurrences of negative events, which are events caused by a store opened on a commercial transaction site on the network and is negative for the commercial transaction site, as social situation information indicating the economic situation of society. (step S301). Then, the information processing apparatus 100 determines the conditions for purchasing the bond based on the estimated number of occurrences (step S302).

次に、図19について説明する。例えば、図19は、情報処理装置100が行う債権の買取上限額の決定の例を示す。図19では、情報処理装置100は、ネットワーク上の商取引サイトに出店するストアである対象ストアの過去の売上を示すストア売上情報を取得する(ステップS401)。また、情報処理装置100は、商取引サイトで取り扱われる商品のカテゴリごとの過去の売上を示すカテゴリ売上情報を取得する(ステップS402)。そして、情報処理装置100は、ストア売上情報が示す対象ストアの売上の傾向と、カテゴリ売上情報が示す対象ストアが取り扱う商品である取扱商品に対応するカテゴリの売上の傾向とに基づいて、対象ストアの債権の買取上限額を決定する(ステップS403)。 Next, FIG. 19 will be described. For example, FIG. 19 shows an example of how the information processing apparatus 100 determines the maximum purchase amount of a bond. In FIG. 19, the information processing apparatus 100 acquires store sales information indicating past sales of a target store, which is a store opened on a commercial transaction site on the network (step S401). The information processing apparatus 100 also acquires category sales information indicating past sales for each category of products handled on the commercial transaction site (step S402). Then, the information processing device 100, based on the sales tendency of the target store indicated by the store sales information and the sales tendency of the category corresponding to the products handled by the target store indicated by the category sales information, is determined (step S403).

次に、図20について説明する。例えば、図20は、情報処理装置100が行う複数のモデルを用いた処理の例を示す。図20では、情報処理装置100は、ネットワーク上の商取引サイトに出店するストアにより生じる事象であって、商取引サイトにとってネガティブな事象であるネガティブ事象の発生確率を予測する第1学習モデルを取得する(ステップS501)。また、情報処理装置100は、商取引サイトに出店するストアの売上に関する将来可能性を予測する第2学習モデルを取得する(ステップS502)。そして、情報処理装置100は、第1学習モデルを用いて予測した対象ストアによるネガティブ事象の発生確率と、第2学習モデルを用いて予測した対象ストアの売上の将来可能性とに基づいて、対象ストアの債権の買い取りに関する条件を決定する(ステップS503)。 Next, FIG. 20 will be described. For example, FIG. 20 shows an example of processing using a plurality of models performed by the information processing apparatus 100 . In FIG. 20, the information processing apparatus 100 acquires a first learning model that predicts the probability of occurrence of a negative event, which is an event caused by a store that opens on a commercial transaction site on the network and is a negative event for the commercial transaction site ( step S501). The information processing apparatus 100 also acquires a second learning model that predicts the future possibility of the sales of the store that opens on the commercial transaction site (step S502). Then, the information processing device 100, based on the probability of occurrence of a negative event by the target store predicted using the first learning model and the future possibility of sales of the target store predicted using the second learning model, the target The conditions for purchasing the credits of the store are determined (step S503).

次に、図21について説明する。例えば、図21は、情報処理装置100が行う将来債権に対応する売掛金の回収態様の決定の例を示す。図21では、情報処理装置100は、ネットワーク上の商取引サイトに出店するストアである対象ストアが所定の期間後に商取引サイトから退店する確率である退店確率を推定する(ステップS601)。そして、情報処理装置100は、対象ストアの退店確率に基づいて、対象ストアの将来債権に対応する売掛金の回収態様を決定する(ステップS602)。 Next, FIG. 21 will be described. For example, FIG. 21 shows an example of how the information processing apparatus 100 determines the collection mode of accounts receivable corresponding to future claims. In FIG. 21, the information processing apparatus 100 estimates a store exit probability, which is the probability that a target store, which is a store that opens on a commercial transaction site on the network, will exit the commercial transaction site after a predetermined period of time (step S601). Then, the information processing apparatus 100 determines the mode of collection of accounts receivable corresponding to future claims of the target store based on the closing probability of the target store (step S602).

次に、図22について説明する。例えば、図22は、情報処理装置100が行う債権の買い取りの提案先の決定の例を示す。図22では、情報処理装置100は、ネットワーク上の商取引サイトに出店する複数のストアの各々に関するストア情報を取得する(ステップS701)。そして、情報処理装置100は、複数のストアの各々に関するストア情報に基づいて、複数のストアのうち、債権の買い取りの提案先となる提案先ストアを決定する(ステップS702)。 Next, FIG. 22 will be described. For example, FIG. 22 shows an example of determination of a party to whom the purchase of a bond is proposed by the information processing apparatus 100 . In FIG. 22, the information processing apparatus 100 acquires store information about each of a plurality of stores opened on a commercial transaction site on the network (step S701). Then, the information processing apparatus 100 determines, from among the plurality of stores, the proposed store to which the purchase of the bond is proposed, based on the store information regarding each of the plurality of stores (step S702).

〔4.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、分類部134と、決定部136とを有する。分類部134は、ネットワーク上の商取引サイトに出店する複数のストアの各々に関するストア情報に基づいて、複数のストアを複数のグループに分類する。決定部136は、分類部134により分類されたグループごとに、債権の買い取りに関する条件を決定する。
[4. effect〕
As described above, the information processing apparatus 100 according to the embodiment has the classification section 134 and the determination section 136 . The classification unit 134 classifies a plurality of stores into a plurality of groups based on store information relating to each of the plurality of stores opened on the commercial transaction site on the network. The determination unit 136 determines conditions for purchasing bonds for each group classified by the classification unit 134 .

このように、実施形態に係る情報処理装置100は、商取引サイトに出店する複数のストアを複数のグループに分類し、分類したグループごとに、債権の買い取りに関する条件を決定することにより、決定した条件に応じた債権の買い取りを行うことができるため、債権の買い取りに関する適切なサービスを提供可能にすることができる。 In this way, the information processing apparatus 100 according to the embodiment classifies a plurality of stores that open on a commercial transaction site into a plurality of groups, and determines conditions related to the purchase of bonds for each of the classified groups. Therefore, it is possible to provide appropriate services related to the purchase of claims.

また、実施形態に係る情報処理装置100において、分類部134は、ストア情報に基づく複数のストアの各々の債権の回収不能のリスクに応じて、複数のストアを複数のグループに分類する。 Further, in the information processing apparatus 100 according to the embodiment, the classification unit 134 classifies a plurality of stores into a plurality of groups according to the risk of uncollectible claims of each of the plurality of stores based on the store information.

このように、実施形態に係る情報処理装置100は、債権の回収不能のリスクに応じて、複数のストアを複数のグループに分類することにより、ストアを適切に分類することができ、債権の買い取りに関する適切なサービスを提供可能にすることができる。 As described above, the information processing apparatus 100 according to the embodiment classifies a plurality of stores into a plurality of groups according to the risk of uncollectible claims, thereby appropriately classifying the stores. can be made available to provide appropriate services for

また、実施形態に係る情報処理装置100において、決定部136は、リスクが低いグループ程、当該グループに属するストアに有利な条件を決定する。 In addition, in the information processing apparatus 100 according to the embodiment, the decision unit 136 decides conditions that are advantageous to stores belonging to a group with a lower risk.

このように、実施形態に係る情報処理装置100は、リスクが低いグループ程、当該グループに属するストアに有利な条件を決定することにより、債権の買い取りに関する適切なサービスを提供可能にすることができる。 In this way, the information processing apparatus 100 according to the embodiment can provide an appropriate service regarding the purchase of claims by determining conditions that are more advantageous to stores belonging to a group with a lower risk. .

また、実施形態に係る情報処理装置100において、分類部134は、商取引サイトからの退店の可能性に応じて、複数のストアを複数のグループに分類する。 Further, in the information processing apparatus 100 according to the embodiment, the classification unit 134 classifies a plurality of stores into a plurality of groups according to the possibility of leaving the commercial transaction site.

このように、実施形態に係る情報処理装置100は、商取引サイトからの退店の可能性に応じて、複数のストアを複数のグループに分類することにより、ストアを適切に分類することができ、債権の買い取りに関する適切なサービスを提供可能にすることができる。 In this way, the information processing apparatus 100 according to the embodiment classifies a plurality of stores into a plurality of groups according to the possibility of leaving the commercial transaction site, thereby appropriately classifying the stores. Appropriate services regarding the purchase of receivables can be provided.

また、実施形態に係る情報処理装置100において、決定部136は、退店の可能性が低いグループ程、当該グループに属するストアに有利な条件を決定する。 Further, in the information processing apparatus 100 according to the embodiment, the decision unit 136 decides conditions that are more advantageous to the stores belonging to the group for which the possibility of closing is lower.

このように、実施形態に係る情報処理装置100は、退店の可能性が低いグループ程、当該グループに属するストアに有利な条件を決定することにより、債権の買い取りに関する適切なサービスを提供可能にすることができる。 In this way, the information processing apparatus 100 according to the embodiment can provide an appropriate service related to the purchase of claims by determining favorable conditions for stores belonging to a group with a lower possibility of closing. can do.

また、実施形態に係る情報処理装置100において、分類部134は、商取引サイトに出店するストアと、商取引サイトからの退店との関連性の特徴を学習した学習モデルを用いて、複数のストアを複数のグループに分類する。 Further, in the information processing apparatus 100 according to the embodiment, the classification unit 134 classifies a plurality of stores using a learning model that has learned the characteristics of the relationship between stores that open on the commercial transaction site and stores that leave the commercial transaction site. Categorize into multiple groups.

このように、実施形態に係る情報処理装置100は、学習モデルを用いて複数のストアを複数のグループに分類することにより、ストアを適切に分類することができ、債権の買い取りに関する適切なサービスを提供可能にすることができる。 As described above, the information processing apparatus 100 according to the embodiment can classify a plurality of stores into a plurality of groups using a learning model, thereby appropriately classifying the stores and providing an appropriate service related to purchase of claims. can be made available.

また、実施形態に係る情報処理装置100において、決定部136は、グループごとに、将来債権の買い取りに関する条件を決定する。 In addition, in the information processing apparatus 100 according to the embodiment, the determination unit 136 determines conditions for purchasing future bonds for each group.

このように、実施形態に係る情報処理装置100は、グループごとに、将来債権の買い取りに関する条件を決定することにより、債権の買い取りに関する適切なサービスを提供可能にすることができる。 In this manner, the information processing apparatus 100 according to the embodiment can provide an appropriate service regarding the purchase of future claims by determining the conditions regarding the purchase of future claims for each group.

また、実施形態に係る情報処理装置100において、決定部136は、グループごとに、将来債権の買取りの指標値を決定する。 Further, in the information processing apparatus 100 according to the embodiment, the determining unit 136 determines an index value for purchasing future bonds for each group.

このように、実施形態に係る情報処理装置100は、グループごとに、将来債権の買取りの指標値を決定することにより、債権の買い取りに関する適切なサービスを提供可能にすることができる。 In this way, the information processing apparatus 100 according to the embodiment can provide an appropriate service related to the purchase of future claims by determining the index value for the purchase of future claims for each group.

また、実施形態に係る情報処理装置100において、決定部136は、一のストアが属するグループの指標値と、一のストアの売上とに基づいて、一のストアの将来債権の買取上限額を決定する。 In addition, in the information processing apparatus 100 according to the embodiment, the determination unit 136 determines the upper limit purchase amount of future bonds of one store based on the index value of the group to which the one store belongs and the sales of the one store. do.

このように、実施形態に係る情報処理装置100は、一のストアの指標値と売上とに基づいて、一のストアの将来債権の買取上限額を決定することにより、債権の買い取りに関する適切なサービスを提供可能にすることができる。 In this way, the information processing apparatus 100 according to the embodiment determines the maximum purchase amount of future claims of one store based on the index value and sales of one store, thereby providing an appropriate service related to the purchase of claims. can be provided.

また、実施形態に係る情報処理装置100において、決定部136は、一のストアが属するグループの指標値と、一のストアの売上とを乗算した値に基づいて、一のストアの買取上限額を決定する。 Further, in the information processing apparatus 100 according to the embodiment, the determining unit 136 sets the purchase upper limit amount of one store based on the value obtained by multiplying the index value of the group to which the one store belongs by the sales of the one store. decide.

このように、実施形態に係る情報処理装置100は、一のストアの指標値と売上とを乗算した値に基づいて、一のストアの将来債権の買取上限額を決定することにより、債権の買い取りに関する適切なサービスを提供可能にすることができる。 As described above, the information processing apparatus 100 according to the embodiment determines the maximum purchase amount of future claims of one store based on the value obtained by multiplying the index value of the one store by the sales. can be made available to provide appropriate services for

また、実施形態に係る情報処理装置100において、決定部136は、グループごとに、将来債権の買取り対象とする月数を指標値として決定する。 In addition, in the information processing apparatus 100 according to the embodiment, the determination unit 136 determines the number of months for which future claims are to be purchased as an index value for each group.

このように、実施形態に係る情報処理装置100は、グループごとに、将来債権の買取り対象とする月数を指標値として決定することにより、債権の買い取りに関する適切なサービスを提供可能にすることができる。 As described above, the information processing apparatus 100 according to the embodiment determines the number of months for which future claims are to be purchased as an index value for each group, thereby making it possible to provide appropriate services related to the purchase of claims. can.

また、実施形態に係る情報処理装置100において、分類部134は、複数のストアの各々が販売する商品の情報を含むストア情報に基づいて、複数のストアを複数のグループに分類する。 Further, in the information processing apparatus 100 according to the embodiment, the classification unit 134 classifies the plurality of stores into the plurality of groups based on the store information including the information of the products sold by each of the plurality of stores.

このように、実施形態に係る情報処理装置100は、複数のストアの各々が販売する商品の情報に基づいて、複数のストアを複数のグループに分類することができ、債権の買い取りに関する適切なサービスを提供可能にすることができる。 In this way, the information processing apparatus 100 according to the embodiment can classify a plurality of stores into a plurality of groups based on the information on the products sold by each of the plurality of stores, and provide appropriate services related to the purchase of claims. can be provided.

また、実施形態に係る情報処理装置100において、分類部134は、複数のストアの各々の売上の情報を含むストア情報に基づいて、複数のストアを複数のグループに分類する。 Further, in the information processing apparatus 100 according to the embodiment, the classification unit 134 classifies a plurality of stores into a plurality of groups based on store information including sales information of each of the plurality of stores.

このように、実施形態に係る情報処理装置100は、複数のストアの各々の売上の情報に基づいて、複数のストアを複数のグループに分類することができ、債権の買い取りに関する適切なサービスを提供可能にすることができる。 As described above, the information processing apparatus 100 according to the embodiment can classify a plurality of stores into a plurality of groups based on the sales information of each of the plurality of stores, and provide an appropriate service regarding the purchase of bonds. can be made possible.

また、実施形態に係る情報処理装置100は、提供部137を有する。提供部137は、決定部136により決定された条件を示す情報を提供する。 The information processing apparatus 100 according to the embodiment also has a providing unit 137 . The providing unit 137 provides information indicating the conditions determined by the determining unit 136 .

このように、実施形態に係る情報処理装置100は、条件を示す情報を提供することで、適切な情報提供を行うことができる。 Thus, the information processing apparatus 100 according to the embodiment can provide appropriate information by providing information indicating conditions.

〔5.ハードウェア構成〕
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23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23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。コンピュータ1000は、CPU1100、RAM1200、ROM1300、HDD(Hard Disk Drive)1400、通信インターフェイス(I/F)1500、入出力インターフェイス(I/F)1600、及びメディアインターフェイス(I/F)1700を有する。
[5. Hardware configuration]
The information processing apparatus 100 according to the embodiments described above is implemented by a computer 1000 configured as shown in FIG. 23, for example. FIG. 23 is a hardware configuration diagram showing an example of a computer that implements the functions of the information processing apparatus. Computer 1000 has CPU 1100 , RAM 1200 , ROM 1300 , HDD (Hard Disk Drive) 1400 , communication interface (I/F) 1500 , input/output interface (I/F) 1600 and media interface (I/F) 1700 .

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。 The CPU 1100 operates based on programs stored in the ROM 1300 or HDD 1400 and controls each section. The ROM 1300 stores a boot program executed by the CPU 1100 when the computer 1000 is started up, 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、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、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ネットワークNを介して他の機器へ送信する。 The HDD 1400 stores programs executed by the CPU 1100, data used by the programs, and the like. Communication interface 1500 receives data from other devices via network N, sends the data to CPU 1100, and transmits data generated by CPU 1100 to other devices via network N. FIG.

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。 The CPU 1100 controls output devices such as displays and printers, and input devices such as keyboards and mice, through an input/output interface 1600 . CPU 1100 acquires data from an input device via input/output interface 1600 . CPU 1100 also outputs the generated data to an output device via input/output interface 1600 .

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。 Media interface 1700 reads programs or data stored in recording medium 1800 and provides them to CPU 1100 via RAM 1200 . CPU 1100 loads such a program from recording medium 1800 onto RAM 1200 via 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 a PD (Phase change rewritable disc), a magneto-optical recording medium such as an MO (Magneto-Optical disk), a tape medium, a magnetic recording medium, or a semiconductor memory. etc.

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 100 according to the embodiment, the CPU 1100 of the computer 1000 implements the functions of the control unit 130 by executing programs loaded on the RAM 1200 . The CPU 1100 of the computer 1000 reads these programs from the recording medium 1800 and executes them, but as another example, these programs may be acquired via the network N from another device.

以上、本願の実施形態及び変形例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、発明の開示の行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。 As described above, some of the embodiments and modifications of the present application have been described in detail with reference to the drawings. It is possible to carry out the present invention in other forms with modifications and improvements.

〔6.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。
[6. others〕
Further, among the processes described in the above embodiments and modifications, all or part of the processes described as being performed automatically can be performed manually, or described as being performed manually. All or part of the processing can also be performed automatically by known methods. In addition, information including processing procedures, specific names, various data and parameters shown in the above documents and drawings can be arbitrarily changed unless otherwise specified. For example, the various information shown in each drawing is not limited to the illustrated information.

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。 Also, each component of each device illustrated is functionally conceptual, and does not necessarily need to be physically configured as illustrated. In other words, the specific form of distribution and integration of each device is not limited to the one shown in the figure, and all or part of them can be functionally or physically distributed and integrated in arbitrary units according to various loads and usage conditions. Can be integrated and configured.

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。 Also, the above-described embodiments and modifications can be appropriately combined within a range that does not contradict the processing content.

また、上述してきた「部(section、module、unit)」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。 Also, the above-mentioned "section, module, unit" can be read as "means" or "circuit". For example, the acquisition unit can be read as acquisition means or an acquisition circuit.

1 情報処理システム
100 情報処理装置
121 出店者情報記憶部
122 モデル情報記憶部
123 閾値情報記憶部
124 グループ情報記憶部
125 社会状況情報記憶部
126 商取引サイト情報記憶部
127 ファクタリング情報記憶部
130 制御部
131 取得部
132 学習部
133 推定部
134 分類部
135 判定部
136 決定部
137 提供部
10 ユーザ端末
20 ストア装置
30 ウェブサーバ
N ネットワーク
1 information processing system 100 information processing device 121 store owner information storage unit 122 model information storage unit 123 threshold information storage unit 124 group information storage unit 125 social situation information storage unit 126 commercial transaction site information storage unit 127 factoring information storage unit 130 control unit 131 Acquisition unit 132 Learning unit 133 Estimation unit 134 Classification unit 135 Determination unit 136 Determination unit 137 Provider 10 User terminal 20 Store device 30 Web server N Network

Claims (11)

ネットワーク上の商取引サイトに出店する複数のストアの各々に関するストア情報に基づいて算出される各ストアのスコアであって、前記商取引サイトから前記各ストアが退店した場合の損害に関するスコアである損害スコアを用いて、前記複数のストアを複数のグループに分類する分類部と、
前記分類部により分類されたグループごとに、債権の買い取りに関する条件を決定する決定部と、
を備えることを特徴とする情報処理装置。
A damage score that is a score of each store calculated based on store information about each of a plurality of stores that open on a commercial transaction site on the network, and that is a score related to damage when each of the stores exits the commercial transaction site. a classifier that classifies the plurality of stores into a plurality of groups using
a decision unit that decides conditions for purchasing bonds for each group classified by the classification unit;
An information processing device comprising:
前記決定部は、
グループごとに、将来債権の買い取りに関する条件を決定する
ことを特徴とする請求項1に記載の情報処理装置。
The decision unit
2. The information processing apparatus according to claim 1, wherein conditions for purchasing future claims are determined for each group.
前記決定部は、
グループごとに、前記将来債権の買取りの指標値を決定する
ことを特徴とする請求項に記載の情報処理装置。
The decision unit
3. The information processing apparatus according to claim 2 , wherein an index value for purchase of said future bond is determined for each group.
前記決定部は、
一のストアが属するグループの前記指標値と、前記一のストアの売上とに基づいて、前記一のストアの前記将来債権の買取上限額を決定する
ことを特徴とする請求項に記載の情報処理装置。
The decision unit
4. The information according to claim 3 , wherein an upper limit purchase amount of the future bond of the one store is determined based on the index value of the group to which the one store belongs and the sales of the one store. processing equipment.
前記決定部は、
前記一のストアが属するグループの前記指標値と、前記一のストアの前記売上とを乗算した値に基づいて、前記一のストアの前記買取上限額を決定する
ことを特徴とする請求項に記載の情報処理装置。
The decision unit
5. The purchase limit amount of the one store is determined based on a value obtained by multiplying the index value of the group to which the one store belongs by the sales of the one store. The information processing device described.
前記決定部は、
グループごとに、前記将来債権の買取り対象とする月数を前記指標値として決定する
ことを特徴とする請求項のいずれか1項に記載の情報処理装置。
The decision unit
6. The information processing apparatus according to any one of claims 3 to 5 , wherein the number of months for which the future claims are to be purchased is determined as the index value for each group.
前記分類部は、
前記複数のストアの各々が販売する商品の情報を含む前記ストア情報に基づいて、前記複数のストアを前記複数のグループに分類する
ことを特徴とする請求項1~のいずれか1項に記載の情報処理装置。
The classification unit
7. The store according to any one of claims 1 to 6 , wherein the plurality of stores are classified into the plurality of groups based on the store information including information on products sold by each of the plurality of stores. information processing equipment.
前記分類部は、
前記複数のストアの各々の売上の情報を含む前記ストア情報に基づいて、前記複数のストアを前記複数のグループに分類する
ことを特徴とする請求項1~のいずれか1項に記載の情報処理装置。
The classification unit
The information according to any one of claims 1 to 7 , wherein the plurality of stores are classified into the plurality of groups based on the store information including sales information of each of the plurality of stores. processing equipment.
前記決定部により決定された前記条件を示す情報を提供する提供部、
をさらに備えることを特徴とする請求項1~のうちいずれか1つに記載の情報処理装置。
a providing unit that provides information indicating the condition determined by the determining unit;
The information processing apparatus according to any one of claims 1 to 8 , further comprising:
コンピュータが実行する情報処理方法であって、
ネットワーク上の商取引サイトに出店する複数のストアの各々に関するストア情報に基づいて算出される各ストアのスコアであって、前記商取引サイトから前記各ストアが退店した場合の損害に関するスコアである損害スコアを用いて、前記複数のストアを複数のグループに分類する分類工程と、
前記分類工程により分類されたグループごとに、債権の買い取りに関する条件を決定する決定工程と、
を含むことを特徴とする情報処理方法。
A computer-executed information processing method comprising:
A damage score that is a score of each store calculated based on store information about each of a plurality of stores that open on a commercial transaction site on the network, and that is a score related to damage when each of the stores exits the commercial transaction site. a sorting step of sorting the plurality of stores into a plurality of groups using
a determination step of determining conditions related to the purchase of bonds for each group classified by the classification step;
An information processing method comprising:
ネットワーク上の商取引サイトに出店する複数のストアの各々に関するストア情報に基づいて算出される各ストアのスコアであって、前記商取引サイトから前記各ストアが退店した場合の損害に関するスコアである損害スコアを用いて、前記複数のストアを複数のグループに分類する分類手順と、
前記分類手順により分類されたグループごとに、債権の買い取りに関する条件を決定する決定手順と、
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。
A damage score that is a score of each store calculated based on store information about each of a plurality of stores that open on a commercial transaction site on the network, and that is a score related to damage when each of the stores exits the commercial transaction site. a classification procedure for classifying the plurality of stores into a plurality of groups using
a determination procedure for determining conditions relating to the purchase of bonds for each group classified by the classification procedure;
An information processing program characterized by causing a computer to execute
JP2021188588A 2021-11-19 2021-11-19 Information processing device, information processing method, and information processing program Active JP7130104B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2021188588A JP7130104B1 (en) 2021-11-19 2021-11-19 Information processing device, information processing method, and information processing program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021188588A JP7130104B1 (en) 2021-11-19 2021-11-19 Information processing device, information processing method, and information processing program

Publications (2)

Publication Number Publication Date
JP7130104B1 true JP7130104B1 (en) 2022-09-02
JP2023075594A JP2023075594A (en) 2023-05-31

Family

ID=83148901

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021188588A Active JP7130104B1 (en) 2021-11-19 2021-11-19 Information processing device, information processing method, and information processing program

Country Status (1)

Country Link
JP (1) JP7130104B1 (en)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002063490A (en) 2000-06-06 2002-02-28 Giichi Takasaki Virtual store system using electronic catalogue and system for constructing virtual store
JP2016164717A (en) 2015-03-06 2016-09-08 ガブリエル サイオンGabriel Scion Unsecured funding system for supporting store for undetermined future trade receivable and cash register with sales determination function and ticket machine used in the same
JP2018081671A (en) 2017-07-31 2018-05-24 ヤフー株式会社 Calculation device, calculation method, and calculation program
JP2020087183A (en) 2018-11-29 2020-06-04 Base株式会社 Computer system, method, and program for funding retailers in e-commerce
JP2020204936A (en) 2019-06-18 2020-12-24 ガブリエル サイオンGabriel Scion Unsecured funding system
JP2021033762A (en) 2019-08-27 2021-03-01 H.I.F.株式会社 Factoring server, method for factoring, and factoring program

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002063490A (en) 2000-06-06 2002-02-28 Giichi Takasaki Virtual store system using electronic catalogue and system for constructing virtual store
JP2016164717A (en) 2015-03-06 2016-09-08 ガブリエル サイオンGabriel Scion Unsecured funding system for supporting store for undetermined future trade receivable and cash register with sales determination function and ticket machine used in the same
JP2018081671A (en) 2017-07-31 2018-05-24 ヤフー株式会社 Calculation device, calculation method, and calculation program
JP2020087183A (en) 2018-11-29 2020-06-04 Base株式会社 Computer system, method, and program for funding retailers in e-commerce
JP2020204936A (en) 2019-06-18 2020-12-24 ガブリエル サイオンGabriel Scion Unsecured funding system
JP2021033762A (en) 2019-08-27 2021-03-01 H.I.F.株式会社 Factoring server, method for factoring, and factoring program

Also Published As

Publication number Publication date
JP2023075594A (en) 2023-05-31

Similar Documents

Publication Publication Date Title
US20210035152A1 (en) Predicting the effectiveness of a marketing campaign prior to deployment
US7720720B1 (en) System and method for generating effective recommendations
US20160321709A1 (en) Distributed system for processing of transaction data from a plurality of gas stations
JP6990163B2 (en) Forecasting device, forecasting method, and forecasting program
US9715702B2 (en) System and method for determining retail-business-rule coefficients from current prices
JP6262909B1 (en) Calculation device, calculation method, and calculation program
US11321724B1 (en) Product evaluation system and method of use
JP6679648B2 (en) Information processing device, information processing method, information processing program, determination device, determination method, and determination program
JP6709775B2 (en) Calculation device, calculation method, and calculation program
JP7117440B1 (en) Information processing device, information processing method, and information processing program
JP6267812B1 (en) Calculation device, calculation method, and calculation program
JP7130104B1 (en) Information processing device, information processing method, and information processing program
JP7133698B1 (en) Information processing device, information processing method, and information processing program
Kamaruddin Comparative Study on Sentiment Analysis Approach for Online Shopping Review
JP7086263B1 (en) Information processing equipment, information processing methods, and information processing programs
JP7090785B1 (en) Information processing equipment, information processing methods, and information processing programs
JP7091542B1 (en) Information processing equipment, information processing methods, and information processing programs
JP7091543B1 (en) Information processing equipment, information processing methods, and information processing programs
JP7352240B2 (en) Sales support equipment
JP6207711B1 (en) Determination apparatus, determination method, and determination program
US20220335485A1 (en) Partner fee recommendation service
US20220180388A1 (en) Methods and systems of an automated deals evaluation and management platform
JP6276459B1 (en) Determination apparatus, determination method, and determination program
CN117217874A (en) Electronic commerce management system based on data analysis
Ehsani et al. Customer purchase prediction in electronic markets from clickstream data using the Oracle meta-classifier

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211217

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20211217

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220208

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220405

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220510

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220629

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220809

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220823

R150 Certificate of patent or registration of utility model

Ref document number: 7130104

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S111 Request for change of ownership or part of ownership

Free format text: JAPANESE INTERMEDIATE CODE: R313111

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350