JP7280403B1 - 情報処理装置、情報処理方法および情報処理プログラム - Google Patents

Abstract

【課題】実店舗における将来の動向を適切に予測すること。【解決手段】実施形態に係る情報処理装置は、店舗グループに含まれる実店舗それぞれに関する店舗情報を取得する取得部と、取得部によって取得された店舗情報を入力した際に、店舗グループの将来の動向に関する将来情報を出力する学習モデルを学習する学習部とを備える。【選択図】図１

Description

本発明は、情報処理装置、情報処理方法および情報処理プログラムに関する。

従来、電子商店街へ出店するオンライン店舗に関する情報に基づき、当該店舗の将来の売上を予測する技術がある。たとえば、かかる技術では、予測した将来の売上額に応じた債権を当該店舗から買い取ることで、当該店舗に対して資金提供を行う（たとえば、特許文献１参照）。

特許第６８３６２５５号公報

しかしながら、従来技術では、改善の余地がある。たとえば、従来技術では、オンライン店舗に対して、将来の売上を予測するものの、オフラインの実店舗への適用は困難である。そのため、実店舗における将来の動向を適切に予測することが望まれている。

本発明は、上記に鑑みてなされたものであって、実店舗における将来の動向を適切に予測することができる情報処理装置、情報処理方法および情報処理プログラムを提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明に係る情報処理装置は、実店舗それぞれに関する店舗情報を取得する取得部と、前記取得部によって取得された前記店舗情報を入力した際に、所定のエリアにおける決済サービスの利用態様に関する将来情報を出力する学習モデルを前記エリア毎に学習する学習部とを備える。

本発明によれば、実店舗における将来の動向を適切に予測することができる。

図１は、実施形態に係る情報処理の一例を示す図である。 図２Ａは、実施形態に係る学習モデルによる出力結果の一例を示す図である。 図２Ｂは、実施形態に係る学習モデルによる出力結果の一例を示す図である。 図２Ｃは、実施形態に係る学習モデルによる出力結果の一例を示す図である。 図３は、実施形態に係る情報処理装置の構成例を示すブロック図である。 図４は、実施形態に係る店舗情報データベースの一例を示す図である。 図５は、実施形態に係る加盟店情報データベースの一例を示す図である。 図６は、実施形態に係るエリア情報データベースの一例を示す図である。 図７は、実施形態に係るモデルデータベースの一例を示す図である。 図８は、実施形態に係るファクタリングデータベースの一例を示す図である。 図９は、実施形態に係るファクタリングの申し込み画面の一例を示す図である。 図１０は、実施形態に係るファクタリングの申し込み画面の一例を示す図である。 図１１は、実施形態に係る情報処理の一例を示すフローチャートである。 図１２は、実施形態に係る情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る情報処理装置、情報処理方法およ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」と記載する。）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、情報処理方法および情報処理プログラムが限定されるものではない。

〔１．実施形態〕
図１を用いて、本実施形態の情報処理装置等により実現される情報処理について説明する。図１は、実施形態に係る情報処理の一例を示す図である。なお、図１では、本実施形態に係る情報処理装置１０によって、実施形態に係る情報処理などが実現されるものとする。

図１に示すように、実施形態に係る情報処理システム１は、情報処理装置１０と、利用者端末５０と、決済サーバ１００と、店舗端末２００と、事業者端末３００とを含む。情報処理装置１０、利用者端末５０、決済サーバ１００、店舗端末２００および事業者端末３００は、ネットワークを介して有線または無線により相互に通信可能に接続される。ネットワークは、例えば、インターネットなどのＷＡＮ（Wide Area Network）である。なお、図１に示した情報処理システム１には、情報処理装置１０、利用者端末５０、決済サーバ１００、店舗端末２００および事業者端末３００がそれぞれ複数台含まれていてもよい。

図１に示す情報処理装置１０は、実施形態に係る情報処理を実行する情報処理装置であり、サーバ装置やクラウドシステム等により実現される。例えば、情報処理装置１０は、決済サーバ１００が提供する利用者端末５０を用いる電子決済に関する電子決済サービスに関する情報に基づき、電子決済サービスの加盟店から債権の買い取りを行うことで、加盟店に対し資金を提供するファクタリングサービスを提供する。

例えば、決済サーバ１００は、取引対象の提供者（事業者）や取引対象が提供される利用者の口座を管理しており、利用者からの決済要求に従って、口座間において電子マネーの移行等を行うことで、各種決済を実現する。なお、電子マネーとは、例えば、各種企業が独自に用いるポイントや通貨等であってもよく、日本円やドル等の国家により提供される貨幣を電子的に取引可能としたものであってもよい。

また、決済サーバ１００は、電子決済サービスにおいて利用者に付与され、電子決済サービスにおいて利用可能な利益（クーポン等）に関する利益情報を、利益の提供者（言い換えると、クーポンの企画、設定等を行い、クーポンの原資を出資（提供）する者）から受け付け、自装置の記憶部で管理する。

また、決済サーバ１００は、各エリアに所在する店舗（電子決済サービスの加盟店）等の情報を含むエリア情報を自装置の記憶部で管理する。例えば、情報処理装置１０は、各エリアを識別する識別情報（エリアＩＤ）や、各エリアの所在情報（所在地や範囲など）、各エリア内の道路情報、各エリア内の路線情報、各エリアに所在する店舗などを含むエリア情報を記憶する。なお、エリアは、任意の広さの範囲が適宜設定されてもよい。例えば、エリアは、緯度及び経度を基に同様の大きさの網の目（メッシュ）に分割されたものであってもよい。すなわち、エリアは、地域メッシュで区切られたエリアであってもよい。この場合、エリアＩＤには、地域メッシュコードが用いられてもよい。なお、上記は、一例であり、エリアは、地域メッシュに限らず種々の情報を基に設定されてもよい。例えば、エリアは、「町」、「区」、「市」、「県」等の行政区画を基に設定されてもよい。また、エリアは、店舗等の施設ごとに設定されてもよいし、通りや商店街等ごとに設定されてもよい。

図１に示す利用者端末５０は、利用者Ｕによって利用される情報処理装置である。利用者端末５０は、例えば、スマートフォンや、タブレット型端末、ノート型ＰＣ（Personal Computer）、デスクトップＰＣ、携帯電話機、ＰＤＡ（Personal Digital Assistant）等により実現される。

図１に示す店舗端末２００は、利用者に取引対象を提供する店舗によって利用される情報処理装置である。店舗端末２００は、例えば、ＰＯＳ（Point of Sales）端末や、スマートフォン、タブレット型端末、ノート型ＰＣ、デスクトップＰＣ、携帯電話機、ＰＤＡ等により実現される。また、店舗端末２００は、決済サーバ１００によって配信される情報を、ウェブブラウザやアプリケーションにより表示する。なお、図１に示す例では、店舗端末２００がＰＯＳ端末である場合を示す。

なお、利用者端末５０及び店舗端末２００は、所定の情報処理を実現する制御情報を情報処理装置１０から受け取った場合には、制御情報に従って情報処理を実現する。ここで、制御情報は、例えば、ＪａｖａＳｃｒｉｐｔ（登録商標）等のスクリプト言語やＣＳＳ（Cascading Style Sheets）等のスタイルシート言語、Ｊａｖａ（登録商標）等のプログラミング言語、ＨＴＭＬ（HyperText Markup Language）等のマークアップ言語等により記述される。なお、決済サーバ１００から配信される所定のアプリケーションそのものを制御情報とみなしてもよい。

図１に示す事業者端末３００は、例えば、各店舗を運営する事業者によって利用される情報処理装置である。事業者端末３００は、スマートフォン、タブレット型端末、ノート型ＰＣ、デスクトップＰＣ、携帯電話機、ＰＤＡ等により実現される。また、事業者端末３００は、情報処理装置１０や決済サーバ１００によって配信される情報を、ウェブブラウザやアプリケーションにより表示する。なお、図１に示す例では、事業者端末３００がノート型ＰＣである場合を示す。

〔１－１．利用者端末５０を用いた決済について〕
ここで、情報処理装置１０が実行する提供処理に先立ち、利用者端末５０を用いた決済（電子決済）の一例について説明する。なお、以下の説明では、店舗Ａに配置された２次元コード（ＱＲコード（登録商標））であって、店舗Ａを識別する店舗識別情報を示す２次元コードを用いて、利用者Ｕが利用者端末５０を用いた決済を行う例について説明するが、実施形態は、これに限定されるものではない。以下に説明する決済の一例は、任意の利用者が任意の利用者端末５０を用いて、任意の店舗にて決済を行う場合においても適用可能である。また、店舗識別情報は、ＱＲコードのみならず、バーコードや所定のマーク、番号等であってもよい。

例えば、利用者Ｕが店舗Ａにて各種の商品やサービスといった決済対象（取引対象）の利用や購入に伴う決済を行う場合、利用者Ｕは、利用者端末５０に予めインストールされた決済アプリを起動する。そして、利用者Ｕは、決済アプリを介して、店舗Ａに設置された店舗識別情報を撮影する。このような場合、利用者端末５０は、決済対象の価格を入力するための画面を表示し、利用者Ｕ或いは店舗Ａの店員から決済金額の入力を受け付ける。そして、利用者端末５０は、利用者Ｕを識別する利用者識別情報と、店舗識別情報（若しくは、店舗識別情報が示す情報、すなわち、店舗Ａ（若しくは店舗Ａの事業者）を示す情報（例えば、店舗ＩＤ）と、決済金額とを示す決済情報を情報処理装置１０へ送信する。

このような場合、情報処理装置１０は、利用者識別情報が示す利用者Ｕの口座から、店舗識別情報が示す店舗Ａの口座へと、決済金額が示す額の電子マネーを移行させる。そして、情報処理装置１０は、決済が完了した旨の通知を利用者端末５０へ送信する。このような場合、利用者端末５０は、決済が完了した旨の画面や所定の音声を出力することで、電子マネーによる決済が行われた旨を通知する。

なお、利用者端末５０を用いた決済は、上述した処理に限定されるものではない。例えば、利用者端末５０を用いた決済は、店舗Ａに設置された店舗端末２００を用いたものであってもよい。例えば、利用者端末５０は、利用者Ｕを識別するための利用者識別情報を画面上に表示させる。このような場合、店舗Ａに設置された店舗端末２００は、利用者端末５０に表示された利用者識別情報を読み取り、利用者識別情報（若しくは、利用者識別情報が示す情報、すなわち、利用者Ｕを示す情報（例えば、利用者ＩＤ）と、決済金額と、店舗Ａを識別する情報とを示す決済情報を決済サーバ１００へ送信する。このような場合、情報処理装置１０は、利用者識別情報が示す利用者Ｕの口座から、店舗Ａの口座へ、決済金額が示す額の電子マネーを移行させ、店舗Ａの店舗端末２００或いは利用者端末５０に対し、決済が完了した旨の画面や所定の音声を出力させることで、決済が行われた旨を通知してもよい。

また、利用者端末５０を用いた決済は、利用者Ｕが予め電子マネーをチャージした口座から店舗Ａの口座へ電子マネーを移行させる処理のみならず、例えば、利用者Ｕが予め登録したクレジットカードを用いた決済であってもよい。このような場合、例えば、利用者端末５０は、店舗Ａの口座に対して決済金額の電子マネーを移行させるとともに、利用者Ｕのクレジットカードの運用会社（カード会社）に対し、決済金額を請求してもよい。

〔１－２．実施形態に係る情報処理について〕
実施形態に係る情報処理装置１０は、各店舗で行われた電子決済サービスの決済履歴に基づき、各店舗の事業者に対しファクタリングサービスを提供する。ここで、ファクタリングサービスとは、店舗の将来の売り上げの一部を債権として買い取ることで、事業者に対し資金を提供するサービスである。

このようなファクタリングサービスを提供するうえで、店舗の将来の動向に応じて債権の買い取り条件（以下、ファクタリング条件）の決定を行う必要がある。

そこで、実施形態に係る情報処理装置１０では、各店舗の将来の動向を示す将来情報を推定する学習モデル（以下、モデル）を学習し、当該モデルの推定結果に基づき、ファクタリング条件を決定する。以下では、チェーンストアを運営する事業者（たとえば、運営本部）に対しファクタリングサービスを提供することとし、チェーンストア単位で将来の動向を予測するためのモデルを学習する場合について説明する。なお、モデルの学習は、チェーンストア単位に限定されず、店舗単位、店舗カテゴリ単位など任意の単位に設定することにしてもよい。

たとえば、図１に示すように、実施形態に係る情報処理システム１において、利用者Ｕが店舗Ａで電子決済サービスを用いて商品（あるいはサービス）を購入した場合、決済情報が決済サーバ１００に通知される（ステップＳ１）。決済サーバ１００は、各店舗から通知される決済情報を集約し、各店舗における電子決済サービスの取引情報を情報処理装置１０へ通知する（ステップＳ２）。たとえば、取引情報には、各店舗における電子決済サービスの取引高、取引日時、各店舗を利用した利用者、購入した商品に関する情報などが含まれる。

情報処理装置１０は、取引情報を店舗情報データベースに格納するとともに、店舗情報データベースに格納された店舗情報をチェーンストア単位で集約したチェーン情報を学習データとしてモデルの学習を行う(ステップＳ３)。

ここで、店舗情報には、各店舗の店舗カテゴリに関するカテゴリ情報、各店舗における電子決済サービスの取引情報、立地等に関する地理情報、利用する利用者に関する利用者情報、営業時間に関する営業時間情報などといった店舗に関する各種情報が含まれる。また、チェーン情報は、これら店舗情報をチェーンストア単位で集約した情報である。

たとえば、図１に示すように、情報処理装置１０は、チェーン情報に基づき、モデルＭ１～Ｍ３（以下、モデルＭとも記載）の学習を行う。図１に示すモデルＭ１は、各チェーンストアのグループ特性を考慮したスコアを推定するモデルである。

たとえば、情報処理装置１０は、チェーンストアに加盟する加盟店（以下、チェーン店とも記載）の増減数に関する店舗数情報、各チェーン店における電子決済サービスの取引履歴に関する情報等を学習データとして用い、モデルＭ１の学習を行う。すなわち、モデルＭ１は、チェーン店それぞれにおける電子決済サービスの取引履歴からチェーン店の増減数をチェーンストアに関する将来情報として推定するモデルである。

たとえば、図２Ａに示すように、モデルＭ１は、チェーンストアにおけるチェーン店数の動向を推定するモデルである。なお、図２Ａは、実施形態に係る学習モデルによる出力結果の一例を示す図である。たとえば、モデルＭ１は、図２Ａに破線で示すように、中期、あるいは、長期などといった複数の時間軸で店舗数（チェーン店数）を推定する。

この場合、モデルＭ１を推定する時間軸に応じた複数のモデルで構成するようにしてもよい。すなわち、モデルＭ１が、中期の時間軸で店舗数を推定するモデルと、長期の時間軸で店舗数を推定するモデルとによって構成されるようにしてもよい。

なお、モデルＭ１は、チェーンストア全体における電子決済サービスの将来の利用態様を将来情報として推定するモデルであってもよい。モデルＭ１は、チェーンストアで電子決済サービスのサービス加盟店が撤退する撤退確率を推定するモデルであってもよく、チェーンストアにおける将来の電子決済サービスの取引高あるいは利用するユーザ層の推移などといった将来情報を推定するモデルであってもよい。なお、撤退とは、店舗の閉店あるいはその他の理由に基づき、店舗が電子決済サービスから撤退することを示す。

図１に示すモデルＭ２は、エリア特性を考慮して、電子決済サービスの将来の利用態様に関する情報を将来情報として推定するモデルである。たとえば、モデルＭ２は、エリアごとの店舗情報を学習データとして、エリア毎に学習したモデルである。

ここで、エリアによって、天候や、人口動態、あるいは地場産業などが異なるので、エリアによって、ニーズ、ビジネス戦略、ライバル店等が異なることが想定される。そのため、情報処理装置１０は、エリアごと学習データを準備し、モデルＭ２を生成することで、エリア毎にこれらの特性を可視化する。

モデルＭ２の学習段階において、情報処理装置１０は、各エリアにおけるチェーン店の増減数に関する情報、電子決済サービスの取引履歴に関する情報等を学習データとして用い、エリア毎にモデルＭ２の学習を行う。

たとえば、図２Ｂに示すように、モデルＭ２は、チェーンストアにおけるエリアごとの撤退確率を示す情報を出力するモデルである。なお、図２Ｂは、実施形態に係る学習モデルによる出力結果の一例を示す図である。図２Ｂでは、エリアが、北海道、東北、関東、中部、近畿、中国、九州などといった７地方区分である場合を例示しているが、エリアの設定については、都道府県単位、市町村単位など任意の区分とすることにしてもよい。また、エリアの設定については、人口動態が類似する複数の区域を同一エリアと設定するなど、隣り合う区域であることを要件とするものではない。

図１に示すモデルＭ３は、各チェーン店の営業時間特性を考慮して、電子決済サービスの将来の利用態様に関する情報を将来情報として推定するモデルである。たとえば、情報処理装置１０は、各チェーン店の営業時間に関する営業時間情報、電子決済サービスの取引履歴に関する情報を学習データとして用い、モデルＭ３の学習を行う。

たとえば、情報処理装置１０は、チェーンストア全体における１カ月単位あたりの総営業時間、従業員数、電子決済サービスの取引額（月商）等を学習データとして、モデルＭ３の学習を行う。

たとえば、図２Ｃに示すように、モデルＭ３は、撤退確率と営業時間（月商／総営業時間）との関係性を学習したモデルである。なお、図２Ｂは、実施形態に係る学習モデルによる出力結果の一例を示す図である。図２Ｃでは、撤退確率と営業時間との関係を２次元で表しているが、説明便宜のためであって、これに限定されるものではい。

情報処理装置１０は、このような営業時間と、撤退確率との関係性を学習することによって、たとえば、営業時間と、撤退確率との関係性を可視化することができる。

つづいて、図１に示すように、情報処理装置１０は、事業者端末３００からファクタリングの申し込みを受け付けると（ステップＳ４）、各モデルＭ１～Ｍ３に対し、対応する事業者のチェーン情報を入力することで、撤退スコアを算出する（ステップＳ５）。

たとえば、情報処理装置１０は、モデルＭ１を用いることで、事業者が運営するチェーンストアの店舗数の増減に関するスコアを撤退スコアとして算出し、モデルＭ２を用いることで、各エリアにおける撤退スコアを算出する。また、情報処理装置１０は、モデルＭ３を用いることで、営業時間に応じた撤退スコアを算出する。

ここで、撤退スコアは、たとえば、チェーンストア全体におけるチェーン店の増減数に関するスコアである。たとえば、撤退スコアが高いほど、チェーン店が減少する可能性が高いことを示唆しており、撤退スコアが低いほど、チェーン店が減少しにくい、あるいは、増加することを示唆している。

たとえば、チェーン店が増加すると、チェーン店の増加に伴い、チェーンストア全体における電子決済サービスの利用額の増加が期待される。そのため、撤退スコアとは、チェーンストアにおける電子決済サービスの利用額の推移を予測するための指標となり、債権が貸し倒れるリスクを数値化した値とも見做すことができる。具体的には、撤退スコアが低いほど、債権の貸し倒れるリスクが低く、撤退スコアが高いほど、債権の貸し倒れるリスクが高くなると見做すことができる。

そして、情報処理装置１０は、モデルＭ１～Ｍ３を用いて算出した撤退スコアに応じて、ファクタリング条件を決定する（ステップＳ６）。たとえば、情報処理装置１０は、撤退スコアが低いほど、すなわち、撤退する可能性が低く、債権が貸し倒れるリスクが低い事業者ほど、有利なファクタリング条件を決定する。

たとえば、ファクタリング条件は、債権の買取上限額、回収態様などといった条件が含まれ、情報処理装置１０は、撤退スコアに応じて、これらの条件を決定することになる。たとえば、情報処理装置１０は、撤退スコアが低いほど、債権の買取上限額を高くするといったくしたり、ファクタリング条件を決定する。

その後、情報処理装置１０は、決定したファクタリング条件に基づき、事業者と間で契約し、事業者から債権の買い取りを行うことで、事業者に対し資金提供を行う（ステップＳ７）。

このように、実施形態に係る情報処理装置１０は、各店舗情報に基づき、モデルＭ１～Ｍ３を学習する。したがって、実施形態に係る情報処理装置１０によれば、実店舗における将来の動向を適切に予測することができる。

また、実施形態に係る情報処理装置１０では、モデルＭ１～Ｍ３の出力結果に基づき、ファクタリング条件を決定することで、実店舗の将来の動向に応じて適切なファクタリング条件を決定することができる。

なお、モデルＭ１～Ｍ３の利用目的は、ファクタリング条件の決定に限定されず、たとえば、電子決済サービスからの撤退の回避、あるいは、新規取り扱いに関する営業活動に活用することも可能である。たとえば、撤退スコアが高いチェーン店あるいはチェーンストアについては、営業活動を強化するなどといった電子決済サービスのマーケティングに生かすことができる。

〔１－３．実施形態に係る学習処理について〕
たとえば、上記の学習データには、各チェーンストアのチェーン情報と、当該チェーンストアのチェーン店の増減数や、電子決済サービスの取引高を示すラベル（「正解情報」ともいう）とを対応付けたデータが含まれる。

また、例えば、正解情報としては、チェーン店数が減少した場合は「１」が割り当てられ、チェーン店数が減少していない場合は「０」が割り当てられる。なお、正解情報として、ある時点（時点Ｘ）までのチェーン情報に、チェーン店数が時点Ｘから一年以内に減少した場合は「１」が割り当てられ、そのチェーン店数が時点Ｘから一年以内に減少していない場合は「０」が割り当てられてもよい。この場合、情報処理装置１０は、一年に限らず、所望の期間（例えば一カ月、六カ月、五年等）内にチェーン店数が減少する確率（可能性）を推定（予測）するモデルを生成することができる。

例えば、情報処理装置１０は、モデルＭが出力するスコアが、モデルＭに入力したチェーンストアのチェーン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１０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チェーンストアのチェーン情報が入力された場合に、モデルＭ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１０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チェーンのチェーン情報が入力された場合に、モデルＭが出力するスコアが「０」に近づくように、学習処理を行う。

例えば、情報処理装置１０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１０は、モデルＭ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Ｍを学習する。例えば、情報処理装置１０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Ｍを生成する。これにより、情報処理装置１０は、モデルＭのパラメータを学習する学習処理を行うことができる。

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１０は、学習データに含まれるチェーン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Ｍを学習可能であれば、どのような手法によりモデルＭの生成を行ってもよい。

〔２‐１．情報処理装置の構成例〕
次に、図３を用いて、情報処理装置１０の構成例について説明する。図２は、実施形態に係る情報処理装置１０の構成例を示すブロック図である。図２に示すように、情報処理装置１０は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。

通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークＮと有線または無線で接続され、決済サーバ１００、事業者端末３００等との間で情報の送受信を行う。

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。図３に示すように、記憶部１２０は、店舗情報データベース１２１と、加盟店情報データベース１２２と、地理情報データベース１２３と、モデルデータベース１２４と、ファクタリングデータベース１２５とを有する。

店舗情報データベース１２１は、電子決済サービスを利用する各店舗に関する情報を記憶するデータベースである。図４は、実施形態に係る店舗情報データベース１２１に記憶する情報の一例を示す図である。

図４に示すように、店舗情報データベース１２１は、「店舗ＩＤ」、「加盟店ＩＤ」、「出店日」、「閉店日」、「カテゴリＩＤ」、「売上高」、「取扱高」、「住所」、「営業時間」、「従業員数」などといった項目の情報を互いに対応付けて記憶する。

「店舗ＩＤ」は、店舗を識別するための識別子である。たとえば、店舗ＩＤは、電子決済サービスにおける店舗ＩＤが用いられる。「加盟店ＩＤ」は、対応する店舗ＩＤによって識別される店舗が加盟するチェーン店を識別するための識別子である。

たとえば、同一のチェーンストアに加盟している場合、同一の加盟店ＩＤが付与される。なお、同一のチェーンストアに加盟している場合であっても、各店舗の契約態様に応じて、異なるＩＤを付与することにしてもよい。すなわち、「加盟店ＩＤ」は、直営店あるいはフランチャイズ店を識別するための識別子を含むようにしてもよい。

「出店日」は、対応する店舗ＩＤによって識別される店舗が出店した日であり、「閉店日」は、対応する店舗ＩＤによって識別される店舗が閉店（店じまい）した日であり、「出店日」および「閉店日」については、それぞれ電子決済サービスの加盟店となった加盟日、電子決済サービスから撤退した撤退日へ読み替えることにしてもよい。

「カテゴリＩＤ」は、対応する店舗ＩＤによって識別される店舗の店舗カテゴリを識別するための識別子である。たとえば、業種、取扱商品（取扱サービス）によって、カテゴリＩＤが決定される。なお、一つの店舗に対し複数種別のカテゴリＩＤを付与するようにしてもよい。

「売上高」は、対応する店舗ＩＤによって識別される店舗の１か月あたりの売上高（すなわち、月商）であり、「取扱高」は、対応する店舗ＩＤによって識別される店舗における電子決済サービスの取扱高である。

「住所情報」は、対応する店舗ＩＤによって識別される店舗の住所に関する情報である。たとえば、「住所情報」には、店舗の所在地、店舗面積、駐車場の有無等に関する情報が含まれ得る。

「営業時間」は、対応する店舗ＩＤによって識別される店舗の営業時間に関する情報であり、「従業員数」は、対応する店舗ＩＤによって識別される店舗の従業員数に関する情報である。なお、従業員数については、対応する店舗に勤務する総従業員数に関する情報であってもよく、１度に勤務する従業員の数を含むようにしてもよい。また、従業員数については、雇用形態毎（正社員、アルバイトなど）の従業員数に関する情報を含むようにしてもよい。

図３の説明に戻り、加盟店情報データベース１２２について説明する。加盟店情報データベース１２２は、加盟店に関する情報を記憶するデータベースである。図５は、実施形態に係る加盟店情報データベース１２２に記憶する情報の一例を示す図である。

図５に示すように、加盟店情報データベース１２２は、「加盟店ＩＤ」、「店舗数」、「総営業時間」、「従業員数」、「月商」などといった項目の情報を互いに対応付けて記憶する。

「加盟店ＩＤ」は、チェーンストアを識別するための識別子であり、「店舗数」は、対応する加盟店ＩＤによって識別されるチェーンストアの店舗数である。「総営業時間」は、対応する加盟店ＩＤによって識別されるチェーンストア全体の１カ月当たりの営業時間の総和であり、「従業員数」は、チェーンストア全体の従業員数である。

また、「月商」は、対応する加盟店ＩＤによって識別されるチェーンストア全体の１か月の売り上げである。なお、月商については、チェーンストア全体の電子決済サービスの取引高の総和であってもよい。

図３の説明に戻り、地理情報データベース１２３について説明する。地理情報データベース１２３は、地理情報を記憶するデータベースである。図６は、実施形態に係る地理情報データベース１２３に記憶する情報の一例を示す図である。

図６に示すように、たとえば、地理情報データベース１２３は、「エリアＩＤ」、「人口情報」、「店舗情報」などといった項目の情報を互いに対応付けて記憶する。「エリアＩＤ」は、各エリアを識別するための識別子である。

「人口情報」は、対応するエリアＩＤによって識別されるエリアにおける人口に関する情報である。人口情報は、人口動態統計（年齢別の人口、性別）に関する情報、エリアにおける年収や、賃金に関する統計情報、エリアにおける時刻毎の人流に関する情報、電子決済サービスの利用者に関する情報などが含まれる。

「店舗情報」は、対応するエリアＩＤによって識別されるエリアに出店された店舗に関する情報である。たとえば、図６に示すように、店舗情報は、カテゴリ１、カテゴリ２など、店舗のカテゴリ毎に対応する店舗に関する情報である。ここでのカテゴリとは、たとえば、店舗カテゴリであり、店舗情報には、類似あるいは同一の店舗カテゴリに属する店舗に関する情報が格納される。なお、店舗カテゴリは、各店舗を業種で区分するようにしてもよく、取扱商品で区分するようにしてもよい。

なお、たとえば、カテゴリをチェーンストア単位とすることにしてもよく、この場合、店舗情報には、同一チェーンストアのチェーンストアに関する情報が格納される。この場合、たとえば、店舗情報には、チェーンストアのチェーン店の地理的な分布を示す情報（マップ情報にどのように各チェーン店が分布しているか）や、各チェーン店の家賃（あるいは地価）などを含むようにしてもよい。

図３の説明に戻り、モデルデータベース１２４について説明する。モデルデータベース１２４は、モデルを記憶するデータベースである。図７は、実施形態に係るモデルデータベース１２４に記憶する情報の一例を示す図である。

図７に示すように、モデルデータベース１２４は、「モデルＩＤ」、「用途」、「モデルデータ」および「学習データ」などといった項目の情報を互いに対応付けて記憶する。「モデルＩＤ」は、各モデルを識別するための識別子である。

「用途」は、対応するモデルＩＤによって識別されるモデルの用途を示す。図７に示す例では、用途に、「グループ特性」、「エリア特性（ＡＲ１～ＡＲ３）」、「営業時間特性」が含まれる場合を示している。

「モデルデータ」は、対応するモデルＩＤによって識別されるモデルのデータ本体であり、「学習データ」は、対応するモデルＩＤによって識別されるモデルを生成するための学習モデルである。

図３の説明に戻り、ファクタリングデータベース１２５について説明する。ファクタリングデータベース１２５は、ファクタリングに関する各種情報を記憶する。図８は、実施形態に係るファクタリングデータベース１２５に記憶する情報の一例を示す図である。

図８に示すように、ファクタリングデータベース１２５は、「加盟店ＩＤ」、「スコア情報」、「ファクタリング情報」などといった項目の情報を互いに対応付けて記憶する。「加盟店ＩＤ」は、チェーンストアを識別するための識別子である。

「スコア情報」は、対応する加盟店ＩＤによって識別されるチェーンストアに対するスコアである。「ファクタリング情報」は、対応するチェーン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）であるチェーンストアは、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。

「ファクタリング情報」がファクタリング情報＃２であるチェーンストアは、ファクタリングを利用中のチェーンストアであることを示し、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。

図３の説明に戻り、制御部１３０について説明する。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１０内部の記憶装置に記憶されている各種プログラムがＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。実施形態に係る制御部１３０は、取得部１３１と、学習部１３２と、推定部１３３と、決定部１３４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。

取得部１３１は、各実店舗に関する店舗情報を取得し、店舗情報データベース１２１へ格納する。たとえば、取得部１３１は、実店舗における電子決済サービスの取引に関する取引情報を決済サーバ１００から取得する。たとえば、取得部１３１は、実店舗における売上高に関する売上情報を取得するようにしてもよい。なお、売上情報とは、決済サーバ１００が提供する決済サーバ１００が提供する決済サービスの取引高に加え、現金、クレジットカードなどその他の決済手段を含めた店舗の売り上げに関する情報である。たとえば、取得部１３１は、各実店舗、あるいは、チェーンストア本部へのアンケートによって売上情報を取得する。なお、取得部１３１は、各実店舗における電子決済サービスの取引履歴から売上情報を推定するようにしてもよい。また、売上情報については、たとえば、月商であってもよく、１か月間の利益（月商から経費を差し引いた額）であってもよい。

また、取得部１３１は、各店舗に関する店舗情報として、営業時間情報、従業員情報を取得する。取得部１３１は、たとえば、各実店舗に関するＷｅｂページ（店舗のホームページなど）、あるいは、各店舗へアンケートを実施することで、営業時間情報や従業員情報を取得する。なお、取得部１３１は、電子決済サービスの利用時刻から営業時間情報を推定するようにしてもよい。たとえば、取得部１３１は、電子決済サービスが利用された時刻と、電子決済サービスが利用されない時刻とに基づき、各店舗の営業時間を推定するようにしてもよい。

また、取得部１３１は、各利用者端末５０の位置情報に基づき、どの利用者が従業員かを推定したうえで、従業員情報を推定するようにしてもよい。たとえば、取得部１３１は、各実店舗における一般的な滞在時間を集計したうえで、一般的な滞在時間よりも滞在時間が長い利用者を従業員として推定するようにしてもよい。なお、取得部１３１は、たとえば、決済サーバ１００が提供する電子決済サービス、あるいは、電子決済サービスと紐づいたポータルサイトの登録情報に基づき、各利用者の勤務先に関する情報から各店舗における従業員を特定するようにしてもよい。

また、取得部１３１は、各エリアに関するエリア情報を取得する。エリア情報には、たとえば、人口動態（世代別の人口）、電子決済サービスのユーザ数、各エリアにおける流動人口（人流）に関する情報等が含まれる。

また、たとえば、エリア情報には、各エリアにおける地価、家賃相場（地価）、業種ごとの給与相場に関する情報を含むようにしてよい。たとえば、取得部１３１は、これらエリア情報を外部サーバ（不図示）から取得する。

学習部１３２は、取得部１３１によって取得された各種情報に基づき、モデルＭ１～Ｍ３を学習する。上述のように、モデルＭ１は、チェーンストア毎のグループ特性を考慮して、チェーンストアの将来の動向を推定するモデルである。

たとえば、モデルＭ１の学習段階において、学習部１３２は、チェーンストアに加盟する各チェーン店の電子決済サービスの取引高に関する取引履歴、チェーンストアの店舗数に関するデータを学習データとして学習する。

たとえば、学習部１３２は、各チェーンストアのチェーン店に関する店舗情報をチェーンストア毎に集約したチェーン情報を学習データとして、モデルＭ１の学習を行う。

たとえば、学習データには、各チェーンストアのチェーン情報と、当該チェーンストアの加盟店の増減数あるいは電子決済サービスの取引高を示すラベル（「正解情報」ともいう）とを対応付けたデータが含まれる。

また、例えば、正解情報としては、チェーン店数が減少した場合は「１」が割り当てられ、チェーン店数が減少していない場合は「０」が割り当てられる。例えば、学習部１３２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チェーンストアのチェーン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１０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チェーン店のチェーン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。なお、学習部１３２は、正解情報として、チェーン店数が増加した場合を「１」、チェーン店数が増加していない場合を「０」としてモデルＭ１の学習を行うようにしてもよい。

また、モデルＭ１の学習段階において、学習部１３２は、正解情報としてチェーンストア全体における電子決済サービスの取引高が減少（あるいは増加）した場合を「１」、電子決済サービスの取引高が減少（あるいは増加）してない場合を「０」としてモデルＭ１の学習を行うようにしてもよい。

なお、ここでは、店舗グループをチェーンストア単位としたがこれに限定されず、店舗グループを店舗カテゴリ（たとえば、コンビニ、ドラッグストア等）とするようにしてもよく、各店舗の客層、顧客単価などに応じて、任意の店舗グループを作成するようにしてもよい。すなわち、顧客単価が類似する、あるいは、客層が類似する複数の実店舗で店舗グループを作成し、モデルＭ１の学習を行うようにしてもよい。

また、学習部１３２は、エリア特性を考慮して将来情報を出力するモデルＭ２に関しては、エリア毎に学習を行う。すなわち、モデルＭ２は、それぞれのエリア毎に生成されることになる。

この場合、学習データには、モデルＭ１の学習データに用いたチェーン情報をエリアごとに分割したデータ、対応するエリアにおける家賃相場（あるいは地価）に関するデータ、人口に関するデータ等が含まれる。

この際、学習データとして、学習対象とするエリアにおいて対象とする店舗（チェーンストア）と店舗カテゴリが類似する実店舗の店舗数およびそれら店舗それぞれの売上高等を用いることにしてもよい。

換言すれば、たとえば、該当エリアにおける店舗カテゴリ全体の需要等を考慮して、モデルＭ２の学習を行うようにしてもよい。より具体的な例を挙げると、たとえば、大阪エリアでは、たこ焼きやお好み焼きが他のエリアに比べて需要が高く、店舗数や売り上げが他のエリアに比べて高いとされている。

モデルＭ２では、該当エリアにおける店舗カテゴリ全体、店舗数や売り上げに基づき、エリアにおける特性を可視化することができる。つまり、学習部１３２は、該当エリアにおけるチェーンストアに関する情報のみならず、店舗カテゴリ全体、あるいは、同業者の店舗情報に基づき、モデルＭ２の学習を行うことで、対象となるエリアの特性を適切に反映することができる。

また、学習部１３２は、営業時間特性を考慮した将来情報を出力するモデルＭ３を学習する。この場合の学習データは、たとえば、チェーンストア全体における１か月あたりの営業時間情報や、チェーン店の実際の増減数に関するデータと、電子決済サービスの１か月あたりの取引高に関するデータが含まれる。

ここで、営業時間情報は、各店舗における１か月あたりの総営業時間、従業員一人当たりの労働時間、営業時間態様に関する情報が含まれる。なお、営業時間態様とは、たとえば、２４時間営業、深夜営業の有無、早朝営業の有無、休業日などが含まれる。

モデルＭ３の学習データは、営業時間情報と、電子決済サービスの取引情報とに基づいて生成され、たとえば、１時間当たりの売上高（月商／総営業時間）、従業員一人当たりの売上高（月商／従業員数）、労働単価、電子決済サービスの取引高に関するデータが含まれる。

たとえば、学習部１３２は、チェーンストアのチェーン店数が減少したデータに正解情報「１」、チェーン店数が減少していない場合のデータに正解情報「０」のラベルを紐づけてモデルＭ３の学習を行う。

また、学習部１３２は、電子決済サービスの取引高が増加（あるいは減少）した店舗のデータに正解情報「１」、電子決済サービスの取引高が増加（あるいは減少）していない店舗のデータに正解情報「０」を紐づけた学習データを用いてモデルＭ３の学習を行うようにしてもよい。

なお、上述の例において、電子決済サービスの取引高を学習データとしてモデルＭ１～Ｍ３の学習を行う場合について説明したが、別途、電子決済サービス以外の取引高（月商）を学習データとしてモデルＭ１～Ｍ３の学習を行うようにしてもよい。

推定部１３３は、学習部１３２によって学習されたモデルＭを用いて、実店舗の将来の動向を推定する。たとえば、学習部１３２は、対象となるチェーンストアのチェーン情報をモデルＭ１に入力することで、当該チェーンストアの将来情報を推定する。なお、ここでの将来情報には、たとえば、チェーンストアの撤退スコア（撤退確率）であるが、チェーンストアにおけるチェーン店の増減数、チェーンストア全体の電子決済サービスの取引高の増減額などに関する情報であってもよい。

また、推定部１３３は、対象となるエリアにおけるチェーンストアのチェーン情報を対象となるモデルＭ２にそれぞれ入力することで、エリア毎のチェーンストアにおける電子決済サービスの利用態様に関する将来情報を推定する。

たとえば、ここでの将来情報は、対応するエリアにおけるチェーンストアの撤退スコアであるが、各エリアにおけるチェーンストアにおけるチェーン店の増減数、チェーンストア全体の電子決済サービスの取引高の増減額などに関する情報であってもよい。

また、推定部１３３は、対象となるチェーンストアの営業時間に関する営業時間情報を含むチェーン情報をモデルＭ３に入力することで、チェーンストアにおける電子決済サービスの利用態様に関する将来情報を推定する。たとえば、モデルＭ３は、営業時間情報からチェーンストアにおける撤退スコアを出力するモデルであるが、チェーンストアにおける将来の電子決済サービスの取引額に関するスコアを出力するモデル、あるいは、チェーンストアの将来の店舗数を推定するモデルであってもよい。

たとえば、ここでの営業時間情報には、営業時間に関する各種情報が含まれ、対象となるチェーンストアにおける１か月あたりの総営業時間（各チェーン店の営業時間の総和）、従業員一人当たりの１か月当たりの労働時間数（総営業時間／従業員数）、従業員一人当たりの労働単価（月商／従業員数）等が含まれる。

なお、推定部１３３は、各チェーンストアについて所定周期で将来情報を推定するようにしてもよく、チェーンストアからファクタリングの申し込みを受けて、当該チェーンストアについて将来情報を推定するようにしてもよい。

決定部１３４は、推定部１３３による推定結果に基づき、ファクタリング条件を決定する。たとえば、決定部１３４は、推定部１３３による推定結果と予め設定されたファクタリングルールとに基づき、チェーンストアに対するファクタリング条件を決定する。たとえば、ファクタリング条件は、債権の買い取り金額、回収態様、手数料などが含まれる。

なお、決定部１３４は、たとえば、実際に債権の買取を行った際のファクタリング条件と、その回収状況とを学習データとして学習されたモデルに基づき、ファクタリング条件を決定するようにしてもよい。

たとえば、かかるモデルは、チェーンストアに関するスコア情報と、実際に債権の買取を行った際のファクタリング条件とにおいて、債権の回収ができた場合、あるいは、回収ができなかった場合を正解情報とする学習データを用いて生成することができる。

ここで、図９および図１０を用いて、ファクタリングの申し込み手順の一例について説明する。図９および図１０は、ファクタリングの申し込み画面の一例を示す図である。図９に示す例では、申し込み可能な条件（すなわち、ファクタリング条件）が表示される画面上に、今回必要な金額および毎月の打ち上げからの返済率を事業者が入力する入力欄が併せて表示される。

たとえば、事業者は、ファクタリング条件によって提示された資金化上限額を上限として、債権の買い取りを申請することができ、当該債権に対する返済率をあわせて設定することができる。

事業者が、図９に示す金額、返済率を入力し、次へのボタンを選択すると、図１０に示す画面に遷移する。図１０に示す画面では、申込内容の確認に関する情報、利用規約へ遷移するボタンが表示され、事業者は、申込内容を確認し、利用規約を承諾したうえで、申し込みボタンを選択することで、申込内容に基づくファクタリングが成立する。

たとえば、決定部１３４は、ファクタリングが成立すると、申込内容をファクタリングデータベース１２５（図３参照）へ格納し、返済率に関する情報を決済サーバ１００へ通知する。これにより、決済サーバ１００は、かかる返済率に基づき、事業者の毎月の売り上げから返済率に応じた金額を差し引くことで、債権に対する資金回収を行うことができる。

〔３．実施形態に係る情報処理の処理手順について〕
次に、図１１を用いて、実施形態に係る情報処理装置１０が実行する処理手順の一例について説明する。図１１は、実施形態に係る情報処理の一例を示すフローチャートである。

図１１に示すように、まず、情報処理装置１０は、店舗に関する情報を取得し（ステップＳ１０１）、当該店舗に関する情報に基づいて、学習モデル（モデルＭ１～Ｍ３）の学習を行う（ステップＳ１０２）。

つづいて、情報処理装置１０は、たとえば、事業者端末３００からのアクセスによってファクタリングを受け付けたか否かを判定する（ステップＳ１０３）。情報処理装置１０は事業者端末３００からファクタリングを受け付けた場合（ステップＳ１０３；Ｙｅｓ）、ステップＳ１０４の処理へ進み、ファクタリングを受け付けていない場合（ステップＳ１０３；Ｎｏ）、ステップＳ１０１の処理へ戻る。

つづいて、情報処理装置１０は、学習モデル（モデルＭ１～Ｍ３）を用いて、事業者のスコアを算出し（ステップＳ１０４）、当該スコアに基づいてファクタリング条件を決定する（ステップＳ１０５）。そして、情報処理装置１０は、処理を終了する。

〔４．変形例〕
ところで、上述した実施形態では、実店舗を対象として場合について説明したが、これに限定されるものではない。たとえば、オフライン販売とオンライン販売を組み合わせてサービスを提供する店舗を対象とすることにしてもよい。たとえば、この場合、オンライン販売分については、たとえば、各種ＥＣサイトの販売履歴を学習データとしてモデルＭの学習を行う。また、たとえば、このような場合には、オフライン販売分とオンライン販売分とをあわせてモデルＭの学習を行うようにしてもよく、オフライン販売分のモデルＭとオンライン販売分のモデルＭとをそれぞれ学習するようにしてもよい。

〔５．効果〕
実施形態に係る情報処理装置１０は、実店舗それぞれに関する店舗情報を取得する取得部１３１と、取得部１３１によって取得された店舗情報を入力した際に、所定のエリアにおける決済サービスの利用態様に関する将来情報を出力する学習モデルをエリア毎に学習する学習部１３２とを備える。したがって、実施形態に係る情報処理装置１０によれば、実店舗における将来の動向を適切に予測することができる。

また、実施形態に係る学習部１３２は、実店舗における前記決済サービスの取引高に関する情報を学習データとして学習モデルを学習する。したがって、実施形態に係る情報処理装置１０によれば、決済サービスの取引高に基づく将来情報を適切に推定することができる。

また、実施形態に係る学習部１３２は、実店舗の店舗カテゴリに基づき、将来情報を出力する学習モデルを学習する。したがって、実施形態に係る情報処理装置１０によれば、モデルによって店舗カテゴリを考慮した将来情報を出力することができるので、将来情報を適切に推定することができる。

また、実施形態に係る学習部１３２は、店舗カテゴリが類似する実店舗の店舗情報を学習データとして学習モデルを学習する。したがって、実施形態に係る情報処理装置１０によれば、モデルによって他の店舗の動向を考慮した将来情報を出力することができるので、将来情報を適切に推定することができる。

また、実施形態に係る学習部１３２は、エリアの人口に関する人口情報を学習データとして学習モデルを学習する。したがって、実施形態に係る情報処理装置１０によれば、人口に基づいて将来情報を適切に推定することができる。

また、実施形態に係る学習部１３２は、人口情報として、決済サービスの利用者数に関する情報を利用する。したがって、実施形態に係る情報処理装置１０によれば、電子決済サービスに関する将来情報を適切に推定することができる。

また、実施形態に係る学習部１３２は、実店舗それぞれの家賃に関する家賃情報を学習データとして学習モデルを学習する。したがって、実施形態に係る情報処理装置１０によれば、家賃と将来情報との関係性に基づいて、適切な将来情報を推定することができる。

また、実施形態に係る情報処理装置１０は、学習部１３２によって学習された学習モデルを用いて予測された将来情報に基づいて、前記実店舗の債権の買い取りに関する買い取り条件を決定する決定部１３４を備える。したがって、実施形態に係る情報処理装置１０によれば、債権の買取条件を適切に決定することができる。

また、実施形態に係る学習部１３２は、実店舗の債権が回収不能になる確率を将来情報として出力する学習モデルを学習し、決定部１３４は、回収不能になる確率が低いほど、実店舗に有利な買い取り条件を決定する。したがって、実施形態に係る情報処理装置１０によれば、債権の買取条件を適切に決定することができる。

また、実施形態に係る情報処理方法は、コンピュータが実行する情報処理方法であって、実店舗それぞれに関する店舗情報を取得する取得工程と、取得工程によって取得された店舗情報を入力した際に、所定のエリアにおける決済サービスの利用態様に関する将来情報を出力する学習モデルをエリア毎に学習する学習工程とを含む。したがって、実施形態に係る情報処理方法によれば、実店舗における将来の動向を適切に予測することができる。

また、実施形態に係る情報処理プログラムは、実店舗それぞれに関する店舗情報を取得する取得手順と、取得手順によって取得された店舗情報を入力した際に、所定のエリアにおける決済サービスの利用態様に関する将来情報を出力する学習モデルをエリア毎に学習する学習手順とをコンピュータに実行させる。したがって、実施形態に係る情報処理プログラムによれば、実店舗における将来の動向を適切に予測することができる。

〔６．ハードウェア構成〕
また、上述してきた実施形態に係る情報処理装置１０は、例えば図１２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１２は、実施形態に係る情報処理装置１０の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、ネットワーク（通信ネットワーク）Ｎを介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータをネットワークＮを介して他の機器へ送信する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置（図１２では、出力装置および入力装置を総称して「入出力装置」と記載する）を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が実施形態に係る情報処理装置１０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４０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。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

〔７．その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

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

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。

１ 情報処理システム
１０ 情報処理装置
５０ 利用者端末
１００ 決済サーバ
１２１ 店舗情報データベース
１２２ 加盟店情報データベース
１２３ 地理情報データベース
１２４ モデルデータベース
１２５ ファクタリングデータベース
１３０ 制御部
１３１ 取得部
１３２ 学習部
１３３ 推定部
１３４ 決定部
２００ 店舗端末
３００ 事業者端末
Ｍ モデル（学習モデルの一例）

Claims (11)

1. 実店舗それぞれに関する店舗情報を取得する取得部と、
   前記取得部によって取得された前記店舗情報を入力した際に、所定のエリアにおける決済サービスの利用態様に関する将来情報として前記実店舗が前記決済サービスの加盟店から撤退するか否かを示す撤退スコアを出力する学習モデルを前記エリア毎に学習する学習部と
   を備え、
   前記学習部は、
   利用者の端末装置にインストールされたアプリケーションが店舗を示す識別情報を読み取り、利用者の個人口座を示す識別情報を送金元の情報とし、読み取られた店舗を示す識別情報を送金先として所定の決済サーバに送信することで、あるいは、当該アプリケーションが表示する当該利用者の個人口座を示す識別情報を店舗の端末が読み取り、当該利用者の個人口座を示す識別情報を送金元とし、当該店舗を示す識別情報を送金先として電子マネーを移動させることで決済が実現される前記決済サービスの取引履歴を含む前記店舗情報を用いて、前記学習モデルを前記エリア毎に学習すること
   を特徴とする情報処理装置。
2. 前記学習部は、
   前記実店舗における前記決済サービスの取引高に関する情報を学習データとして前記学習モデルを学習すること
   を特徴とする請求項１に記載の情報処理装置。
3. 前記学習部は、
   前記実店舗の店舗カテゴリに基づき、前記将来情報を出力する前記学習モデルを学習すること
   を特徴とする請求項１または２に記載の情報処理装置。
4. 前記学習部は、
   前記店舗カテゴリが類似する前記実店舗の前記店舗情報を学習データとして前記学習モデルを学習すること
   を特徴とする請求項３に記載の情報処理装置。
5. 前記学習部は、
   前記エリアの人口に関する人口情報を学習データとして前記学習モデルを学習すること
   を特徴とする請求項１～４のいずれか一つに記載の情報処理装置。
6. 前記学習部は、
   前記人口情報として、前記決済サービスの利用者数に関する情報を利用すること
   を特徴とする請求項５に記載の情報処理装置。
7. 前記学習部は、
   前記実店舗それぞれの家賃に関する家賃情報を学習データとして前記学習モデルを学習すること
   を特徴とする請求項１～６のいずれか一つに記載の情報処理装置。
8. 前記学習部によって学習された前記学習モデルから出力される前記将来情報に基づいて、前記実店舗の債権の買い取りに関する買い取り条件を決定する決定部
   を備えることを特徴とする請求項１～７のいずれか一つに記載の情報処理装置。
9. 前記学習部は、
   前記実店舗の債権が回収不能になる確率を前記将来情報として出力する前記学習モデルを学習し、
   前記決定部は、
   前記回収不能になる確率が低いほど、有利な前記買い取り条件を決定すること
   を特徴とする請求項８に記載の情報処理装置。
10. コンピュータが実行する情報処理方法であって、
    実店舗それぞれに関する店舗情報を取得する取得工程と、
    前記取得工程によって取得された前記店舗情報を入力した際に、所定のエリアにおける決済サービスの利用態様に関する将来情報として前記実店舗が前記決済サービスの加盟店から撤退するか否かを示す撤退スコアを出力する学習モデルを前記エリア毎に学習する学習工程と
    を含み、
    前記学習工程は、
    利用者の端末装置にインストールされたアプリケーションが店舗を示す識別情報を読み取り、利用者の個人口座を示す識別情報を送金元の情報とし、読み取られた店舗を示す識別情報を送金先として所定の決済サーバに送信することで、あるいは、当該アプリケーションが表示する当該利用者の個人口座を示す識別情報を店舗の端末が読み取り、当該利用者の個人口座を示す識別情報を送金元とし、当該店舗を示す識別情報を送金先として電子マネーを移動させることで決済が実現される前記決済サービスの取引履歴を含む前記店舗情報を用いて、前記学習モデルを前記エリア毎に学習すること
    を特徴とする情報処理方法。
11. 実店舗それぞれに関する店舗情報を取得する取得手順と、
    前記取得手順によって取得された前記店舗情報を入力した際に、所定のエリアにおける決済サービスの利用態様に関する将来情報として前記実店舗が前記決済サービスの加盟店から撤退するか否かを示す撤退スコアを出力する学習モデルを前記エリア毎に学習する学習手順と
    をコンピュータに実行させ、
    前記学習手順は、
    利用者の端末装置にインストールされたアプリケーションが店舗を示す識別情報を読み取り、利用者の個人口座を示す識別情報を送金元の情報とし、読み取られた店舗を示す識別情報を送金先として所定の決済サーバに送信することで、あるいは、当該アプリケーションが表示する当該利用者の個人口座を示す識別情報を店舗の端末が読み取り、当該利用者の個人口座を示す識別情報を送金元とし、当該店舗を示す識別情報を送金先として電子マネーを移動させることで決済が実現される前記決済サービスの取引履歴を含む前記店舗情報を用いて、前記学習モデルを前記エリア毎に学習すること
    を特徴とする情報処理プログラム。

Images