JP7370435B1 - 情報処理装置、方法及びプログラム - Google Patents
情報処理装置、方法及びプログラム Download PDFInfo
- Publication number
- JP7370435B1 JP7370435B1 JP2022155941A JP2022155941A JP7370435B1 JP 7370435 B1 JP7370435 B1 JP 7370435B1 JP 2022155941 A JP2022155941 A JP 2022155941A JP 2022155941 A JP2022155941 A JP 2022155941A JP 7370435 B1 JP7370435 B1 JP 7370435B1
- Authority
- JP
- Japan
- Prior art keywords
- target user
- deferred payment
- risk
- distribution
- user
- 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
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title description 33
- 238000010801 machine learning Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 5
- 238000012384 transportation and delivery Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 abstract description 13
- 238000005457 optimization Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 29
- 230000008569 process Effects 0.000 description 21
- 238000003066 decision tree Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000003542 behavioural effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 208000001613 Gambling Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】日常生活で蓄積され得る情報に基づいて簡便な広告最適化を行うことを課題とする。【解決手段】情報処理装置に、対象ユーザに係る属性データに基づいて、対象ユーザが後払い決済を利用した場合に後払い決済の精算が対象ユーザによって正しく履行されない後払いリスクを推定する後払いリスク推定部23と、対象ユーザについて推定された後払いリスクに基づいて、対象ユーザへの保険商品の広告配信の優先度を決定する配信優先度決定部25と、を備えた。【選択図】図2
Description
本開示は、広告配信を支援するための技術に関する。
従来、提供者によって提供された生体情報に関連する情報を取得するデータ取得部と、生体情報に関連する情報に基づいて生体情報の提供に対するフィードバックとして提供者に提供される報酬値を決定する決定部と、を備えるデータ管理システムが提案されている(特許文献1を参照)。
従来、生体情報に関連する情報に基づいて、生体情報の提供者に提供される報酬値を決定するデータ管理システムが提案されており、これにより、ユーザの健康リスクに応じた保険商品の広告最適化を行い得る。しかし、特定の保険商品の広告最適化を行うために直接参照可能なユーザの属性情報(上記した例では、生体情報)を十分に取得することには様々な困難がある。
本開示は、上記した問題に鑑み、日常生活で蓄積され得る情報に基づいて簡便な広告最適化を行うことを課題とする。
本開示の一例は、対象ユーザに係る属性データに基づいて、該対象ユーザが後払い決済を利用した場合に後払い決済の精算が該対象ユーザによって正しく履行されない後払いリスクを推定する後払いリスク推定手段と、前記対象ユーザについて推定された前記後払いリスクに基づいて、該対象ユーザへの保険商品の広告配信の優先度を決定する配信優先度決定手段と、を備える情報処理装置である。
本開示は、情報処理装置、システム、コンピュータによって実行される方法又はコンピュータに実行させるプログラムとして把握することが可能である。また、本開示は、そのようなプログラムをコンピュータその他の装置、機械等が読み取り可能な記録媒体に記録したものとしても把握できる。ここで、コンピュータ等が読み取り可能な記録媒体とは、データやプログラム等の情報を電気的、磁気的、光学的、機械的又は化学的作用によって蓄積し、コンピュータ等から読み取ることができる記録媒体をいう。
本開示によれば、日常生活で蓄積され得る情報に基づいて簡便な広告最適化を行うことが可能となる。
以下、本開示に係る情報処理装置、方法及びプログラムの実施の形態を、図面に基づいて説明する。但し、以下に説明する実施の形態は、実施形態を例示するものであって、本開示に係る情報処理装置、方法及びプログラムを以下に説明する具体的構成に限定するものではない。実施にあたっては、実施の態様に応じた具体的構成が適宜採用され、また、種々の改良や変形が行われてよい。本発明は、後述する実施形態、バリエーションの夫々における構成の少なくとも一部を適宜、互いに採用することができる。
本実施形態では、本開示に係る技術を、所定のオンラインサービスのユーザに対して保険商品(例えば、自動車保険や損害保険)のバナー広告を表示する際の、配信対象ユーザ(広告の表示対象とするユーザ)を決定するために実施した場合の態様について説明する。但し、本開示に係る技術は、広告の配信対象ユーザを決定するための技術について広く用いることが可能であり、本開示の適用対象は、実施形態において示した例に限定されない。
<システムの構成>
図1は、本実施形態に係る情報処理システムの構成を示す概略図である。本実施形態に係る情報処理システムでは、情報処理装置1と、1又は複数のサービス提供システム5と、が互いに通信可能に接続されている。ユーザは、サービス提供システム5によって提供されるサービスの利用者であり、ユーザ端末からサービス提供システム5にアクセスすることでサービスの提供を受ける。
図1は、本実施形態に係る情報処理システムの構成を示す概略図である。本実施形態に係る情報処理システムでは、情報処理装置1と、1又は複数のサービス提供システム5と、が互いに通信可能に接続されている。ユーザは、サービス提供システム5によって提供されるサービスの利用者であり、ユーザ端末からサービス提供システム5にアクセスすることでサービスの提供を受ける。
情報処理装置1は、CPU(Central Processing Unit)11、ROM(Read Only Memory)12、RAM(Random Access Memory)13、EEPROM(Electrically Erasable and Programmable Read Only Memory)やHDD(Hard Disk Drive)等の記憶装置14、NIC(Network Interface Card)等の通信ユニット15、等を備えるコンピュータである。但し、情報処理装置1の具体的なハードウェア構成に関しては、実施の態様に応じて適宜省略や置換、追加が可能である。また、情報処理装置1は、単一の筐体からなる装置に限定されない。情報処理装置1は、所謂クラウドや分散コンピューティングの技術等を用いた、複数の装置によって実現されてよい。
サービス提供システム5は、CPU、ROM、RAM、記憶装置、通信ユニット、入力装置、出力装置等(図示は省略する)を備えるコンピュータである。また、これらのシステム及び端末は、いずれも、単一の筐体からなる装置に限定されない。これらのシステム及び端末は、所謂クラウドや分散コンピューティングの技術等を用いた、複数の装置によって実現されてよい。
サービス提供システム5によって提供されるサービスは、例えば、オンラインショッピングサービス、オンライン予約サービス、クレジットカード/後払い決済サービス、電子マネー決済サービス、オペレーションセンターサービス、又は地図情報サービス等である。なお、「後払い決済」には、所謂Buy Now Pay Later(BNPL)と称されるサービスに限定されず、あらゆる後払いによる商品/サービスの購入が含まれてよいものとする。
サービス提供システム5によって提供されるサービスは本実施形態における例示に限定されない。そして、サービス提供システム5は、サービスの提供に際してユーザ関連データを情報処理装置1に通知する。ここで、ユーザ関連データには当該ユーザによるサービスの利用履歴データが含まれる。サービスの利用履歴データの内容はサービスの内容に応じて様々であり、例えば、ユーザの位置情報の履歴データ、クレジットカード利用額/後払い決済利用額の支払履歴データ、電子マネー利用履歴データ、取引履歴データ(商品等の購入履歴データを含む)、予約履歴データ、オペレーションセンターからのユーザに対するオペレーション履歴データ等が含まれてよい。
更に、サービス提供システム5は、ユーザに対する広告配信を行う。より具体的には、サービス提供システム5は、ユーザに対して、サービス提供システム5によって提供される各種サービスのWebページ内に広告を挿入する形式で、ユーザに対して広告配信を行う。本実施形態において、ここで配信される広告には、ユーザ毎に当該ユーザを配信対象とするか否かが判断される所定の保険商品の広告が含まれる。
情報処理装置1は、サービス提供システム5に対して、対象ユーザを所定の保険商品等の金融商品の広告配信対象とするか否かを判断するためのデータを提供する。サービス提供システム5は、情報処理装置1から提供されたデータに応じて、対象ユーザに対する広告配信をカスタマイズすることが可能である。例えば、情報処理装置1は、サービス提供システム5から提供された配信候補リストに対して、当該配信候補リストに含まれるユーザ毎に優先度(配信適否)を追加したリストを返す方式で、サービス提供システム5に対して対象ユーザを広告配信対象とするか否かを判断するためのデータを提供することが出来る。配信候補リストは、既にサービス提供システム5が保有している会員データから、契約者分析によって抽出されたユーザのリストであってよい。例えば、配信される広告が自動車保険の広告であれば、会員データを分析し、自動車又は自動車免許を保有しているユーザや、自動車又は自動車免許を保有している可能性が高いユーザを抽出することで、配信候補リストを作成することが出来る。
但し、ここで情報処理装置1からサービス提供システム5に対して提供されるデータの形式や種類は限定されない。例えば、情報処理装置1は、サービス提供システム5に対してユーザのスコア(後述するリスクスコア等)や配信推奨リスト、配信除外リスト等を提供する方式で、対象ユーザを広告配信対象とするか否かを判断するためのデータを提供することが出来る。また、例えば、情報処理装置1は、サービス提供システム5からのユーザIDを指定した個別の問い合わせに応じて広告配信の適否を判断可能なデータ返す方式で、対象ユーザを広告配信対象とするか否かを判断するためのデータを提供することとしてもよい。
ここで、保険商品の広告を配信する場合、広告配信の優先度は、保険金支払を受ける可能性に応じて設定されることが望ましい。しかし、広告の配信候補となるユーザには様々な属性を有するユーザが含まれており、例えば若年層ユーザについて保険金支払を受ける可能性を推測することは、推測モデルのための教師データの不足やユーザ属性データの不足等の理由により、困難であった。
本実施形態に係るシステムでは、従来サービス提供システムのための後払い決済の承認又は却下を判定するために用いられていた後払いリスクに基づいて、所定の保険商品の広告配信の優先度を決定することとしている。
本開示に係る情報処理装置では、ユーザ属性データ等を入力として後払いリスク(本実施形態では、リスクスコア)を出力する機械学習モデルを用いる。なお、ここで入力として用いられる属性データにはデフォルト(債務不履行)を示すデータも含まれてよい。様々な属性データを入力として用いることで、本開示に係る情報処理装置1によれば、ユーザの属性全般が統一的に反映されることで生成された普遍的(universal)且つ一般化された(generalized)リスクスコアを算出する。算出されたリスクスコアは、後払い決済サービス等における与信審査(後払い決済の承認又は却下を伴う判定)に用いることが可能であるが、上述の通り、本実施形態では、算出されたリスクスコアを、ユーザを所定の保険商品の広告配信対象とするか否かの判定に用いる。本実施形態では、算出されたリスクスコアを、保険商品と同様、財形商品、積立商品、株式、投資信託等の他の金融商品の広告配信対象としてユーザを決定するか否かの判定に用いてよい。
ここで、ユーザ属性データには、事実属性データ及び推定属性データが含まれる。属性データは、例えば、スコア(例えば、0以上1以下の連続的な値)又はラベル(例えば、有無や是非に応じた二値)等のデータ形式で表されるデータが含まれる。但し、属性データのフォーマットは本開示における例示に限定されない。また、属性データには、例えば、オンラインサービス利用状況、ポイントを含む電子的バリューの利用状況が含まれてよい。また、オンラインサービス利用状況には、オンラインショッピングサービス又はオンライン予約サービスにおけるキャンセル数、キャンセル率、及びオーダー数の少なくともいずれかが含まれてよい。
事実属性データは、ユーザ自身から提供されることで得られたユーザ提供データやユーザについて収集された履歴データ等に基づいて、当該ユーザについて事実であると確認可能な事実属性(factual attribute)を示すデータである。ユーザ提供データとしては、例えば、ユーザ自身によって登録された氏名やメールアドレス、電話番号、住所、勤務先、就学先等を含む登録データや、アンケート等にユーザ自身が回答した結果得られたデータが挙げられる。履歴データとしては、例えば、上述した、サービス提供システム5によって提供される電子商取引サービスの利用履歴データが挙げられる。事実属性データは、先述のユーザ提供データや履歴データが、マーケティング及び/又は分析目的に適したデータ形式に変換されたデータであることが好ましい。例えば、利用履歴データに基づいて得ることができる事実属性データとして、ユーザが頻繁に利用する商品/サービスのジャンル/カテゴリやブランドの他、ユーザが頻繁に訪れる商業地や行楽地、観光地等が挙げられる。
また、推定属性データは、ユーザ提供データや履歴データ、事実属性データ等に基づいて推定されることで得られる推定属性(inferred attribute)を示すデータである。本実施形態において、推定属性データは、機械学習技術を用いて推定又は予測されたユーザの性格等を含む。推定属性データは、ターゲティングに用いられた場合にユーザの行動(振る舞い)に影響する属性についてのデータであることが好ましい。
本実施形態において、各属性データには、重みが設定される。重みは、後払いリスク(本実施形態では、リスクスコア)の算出にあたって属性データが用いられる際の、属性データとリスクスコアとの相関性の高さを示すものであり、後述する機械学習部24によってリスクスコアの適切性が評価される毎に、モデルのパラメータが、リスクスコアがより適切な値となるように調整される。各属性データと対応する重みは、例として、後述の決定モデル等のリスクスコア算出のためのモデルにおける各ノード(各回帰木)と対応する重みに相当し、リスクスコアが算出される過程で適宜、決定される。なお、リスクスコアは、例として、各ノードの重みに基づいて決定される。
ここで、属性データ群には、デモグラフィック属性、ビヘイビオラル属性、又はサイコグラフィック属性が含まれてよい。デモグラフィック属性は、例えば、ユーザの性別(ジェンダー)、家族構成、年齢等であり、ビヘイビオラル属性は、サービスの利用履歴データに基づいてよく、例えば、キャッシング利用有無、リボ払い利用有無、所定の口座に係る入出金履歴、賭博又はくじを含む何らかの商品/サービスに係る商取引履歴(オンラインマーケットプレイス等におけるオンライン取引履歴を含んでよい)、位置情報や場所情報を用いたユーザの移動履歴等であり、サイコグラフィック属性は、例えば、賭博又はくじに係る趣向等である。但し、利用可能なユーザの属性は、本実施形態における例示に限定されない。例えば、オペレーションセンターサービス等からの「オペレーション(架電等)に要する時間」、「クレジットカード利用額/後払い決済利用額」も、属性として用いられてよい。デモグラフィック属性及びビヘイビオラル属性は、事実属性として扱われてよい。サイコグラフィック属性は、推定属性として扱われてよい。なお、デモグラフィック属性に類する属性がユーザ提供データ又は履歴データを根拠とする事実属性に基づいて推定された推定属性であってよい。同様に、ビヘイビオラル属性に類する属性がユーザ提供データ又は履歴データを根拠とする事実属性に基づいて推定された推定属性であってよい。サイコグラフィック属性は、ユーザによる意思入力の結果を一例として含むユーザ提供データを根拠とする事実属性であってよい。
図2は、本実施形態に係る情報処理装置1の機能構成の概略を示す図である。情報処理装置1は、記憶装置14に記録されているプログラムが、RAM13に読み出され、CPU11によって実行されて、情報処理装置1に備えられた各ハードウェアが制御されることで、事実属性決定部21、推定属性決定部22、後払いリスク推定部23、機械学習部24、及び配信優先度決定部25を備える情報処理装置として機能する。なお、本実施形態及び後述する他の実施形態では、情報処理装置1の備える各機能は、汎用プロセッサであるCPU11によって実行されるが、これらの機能の一部又は全部は、1又は複数の専用プロセッサによって実行されてもよい。
事実属性決定部21は、ユーザ自身から提供されたユーザ提供データ及び/又は当該ユーザの履歴データに基づいて、当該ユーザについて事実であると確認可能な事実属性データを決定する。本実施形態において、事実属性決定部21は、ユーザ提供データ及び/又は履歴データを集計する、マップ等の他のデータを参照して該当する属性を決定する、ユーザ提供データ及び/又は履歴データをそのまま用いる、等の手法を用いて、当該ユーザに係る事実属性データを決定する。なお、本実施形態では、ユーザに係る事実属性データをユーザ提供データ及び/又は該ユーザの履歴データに基づいて決定する方法を採用しているが、ユーザに係る事実属性データはその他の方法で取得されてもよい。
推定属性決定部22は、少なくとも、事実属性決定部21によって対象ユーザについて決定された1又は複数の事実属性データを含むユーザ関連データに基づいて、当該ユーザについて推定された推定属性データを決定する。本実施形態において、推定属性決定部22は、対象ユーザに係る1又は複数の事実属性データを含むユーザ関連データを機械学習モデルである属性推定モデルに入力して得られた出力値に基づいて、推定属性を決定する。なお、本実施形態において、属性推定モデルからの出力値は対象ユーザが所定の推定属性を有する蓋然性を示す値であり、推定属性決定部22は、属性推定モデルから得られた出力値が所定の範囲内にある場合に、対象ユーザが当該推定属性を有すると決定する。対象ユーザが所定の推定属性を有すると決定された場合、推定属性決定部22は、対象ユーザについて推定された属性データのラベルを、属性の有無又は属性の種類を示す値に設定する。また、推定属性データはラベルではなくスコアで示されてもよい。この場合、推定属性決定部22は、対象ユーザについて推定された属性データのスコアに、推定された属性が適用され得る度合い(確率)を示す値を設定する。当該度合いは、属性推定モデルの出力値であってよい。
後払いリスク推定部23は、対象ユーザに係る事実属性及び推定属性を含む属性データ群に基づいて、対象ユーザの後払いリスクを推定する。ここで、後払いリスクとは、対象ユーザが後払い決済を利用した場合に後払い決済の精算が当該対象ユーザによって正しく履行されないリスクを何らかの指標(本実施形態では、後払いリスクの大きさに応じて変化するリスクスコア)で表したものである。この際、後払いリスク推定部23は、決定された事実属性及び/又は推定属性に対して何らかの加工(正規化やランク化、ラベル化等)を施して属性データ群の一部としてもよいし、決定された事実属性及び/又は推定属性を用いて算出された他の種類のスコア(例えば、所謂信用スコア等)又はラベルを属性データ群の全部又は一部としてもよい。ここで、他の種類のスコア又はラベルの算出には、他の機械学習モデルが介在してもよい。
図3は、実施形態に係る後払いリスク推定処理の簡略図である。本実施形態において、後払いリスク推定部23は、ユーザの属性データ群を後払いリスク推定モデルに入力することで、当該ユーザの後払いリスクを推定(算出)する。ここで、後払いリスク推定モデルの出力値は、例として、0を最小値、1を最大値として正規化/規格化されたリスクスコアである。
機械学習部24は、後払いリスク推定部23による後払いリスク推定に用いられる後払いリスク推定モデルを生成及び/又は更新する。後払いリスク推定モデルは、対象ユーザに係る1又は複数の属性データ(属性データ群)が入力された場合に、対象ユーザが後払い決済を利用した場合に後払い決済の精算が当該対象ユーザによって正しく履行されないリスクの程度を示すリスクスコアを出力する機械学習モデルである。このような機械学習モデルを用いることで、本実施形態では、単なる信用スコアではなく、後払いに特化したファクターが考慮された出力を、リスクスコアとして得ることが出来る。但し、後払いリスク推定モデルの出力値はリスクスコアに限定されず、後払い決済の承認又は却下のいずれかを示すラベルであってもよい。また、本実施形態では、リスクスコアの値が大きいほどリスクが高く、リスクスコアの値が小さいほどリスクが低いリスクスコアを採用する例を示して説明するが、スコアの値の大小とリスクの高低との関係は逆であってもよい。
後払いリスク推定モデルの生成及び/又は更新にあたって、機械学習部24は、ユーザ毎に、当該ユーザの属性データ群を入力値とし当該ユーザに係るリスクスコアを出力値として定義した教師データを作成する。そして、機械学習部24は、当該教師データに基づいて、後払いリスク推定モデルを生成及び/又は更新する。上述の通り、後払いリスク推定モデルに入力される属性データ群には、事実属性決定部21によって決定された事実属性データと、事実属性データを含むユーザ関連データに基づいて推定属性決定部22によって推定された推定属性データが含まれ、対応するユーザのリスクスコアと組み合わせられて、教師データとして機械学習部24に入力される。本実施形態において、教師データに設定されるリスクスコアは、入力値としてのユーザ属性の組み合わせに相当するユーザの、後払い決済の支払い履歴データに基づいて決定されたリスクスコアであある。ここで、後払い決済の支払い履歴データは、後払い決済におけるデフォルト(債務不履行)の有無やデフォルト額を示すデータ等を含む。この際、リスクスコアは、ルールベースで決定されたリスクスコアであってよく、マニュアルで設定された(アノテーションがなされた)リスクスコアであってもよい。また、後払いリスク推定モデルによって過去に出力された後で、管理者等によって修正されたリスクスコアであってもよい。
本開示に係る技術を実装するにあたり後払いリスク推定モデル等として採用可能な機械学習モデル生成/更新のフレームワークは、例として、アンサンブル学習アルゴリズムに基づく。当該フレームワークには、例えば、勾配ブースティング決定木(Gradient Boosting Decision Tree:GBDT)に基づく機械学習フレームワーク(例えば、LightGBM)が採用されてよい。換言すると、当該フレームワークは、前後の弱学習器(弱分類器)間で正解と予測値との誤差を引き継がせるような決定木モデルに基づく機械学習フレームワークが採用されてよい。ここでの予測値とは、例として、リスクスコアの予測値を指す。なお、当該フレームワークは、LightGBMの他、XGBoostやCatBoost等のブースティング手法を採用してよい。決定木を用いるフレームワークによれば、ニューラルネットワークを用いるフレームワークと比較して少ないパラメータ調整の手間で、比較的高い性能を有する機械学習モデルを生成/更新することができる。但し、本開示に係る技術を実装するにあたり採用可能な機械学習モデル生成/更新のフレームワークは、本実施形態における例示に限定されない。例えば、学習器として勾配ブースティング決定木に代えてランダムフォレスト等の他の学習器が採用されてよいし、ニューラルネットワーク等の所謂弱学習器とは称されない学習器が採用されてもよい。また、特にニューラルネットワーク等の所謂弱学習器とは称されない学習器が採用される場合には、アンサンブル学習が採用されなくてもよい。
図4は、本実施形態において後払いリスク推定モデル等として採用される機械学習モデルの決定木の概念を簡略図である。決定木アルゴリズムに基づいた勾配ブースティングの機械学習フレームワークを採用する場合、決定木の各ノードの分岐条件の最適化が行われる。具体的には、決定木アルゴリズムに基づいた勾配ブースティングの機械学習フレームワークでは、一つの親のノードから分岐した二つの子のノードの夫々が示す属性を有するユーザ群についてリスクスコアを夫々算出し、このリスクスコアの差分が大きくなるように(例えば、差分が最大になるように、又は所定の閾値以上になるように)、即ち、二つの子のノードがきれいに分岐するように、親のノードの分岐条件が最適化される。例えば、ノードの分岐条件として示される属性が年齢である場合、分岐の閾値に設定される年齢を変更したり、分岐条件を年齢以外の属性に変更したりしてもよい。このようにして、決定木の全ノードの分岐条件を再帰的に最適化することで、属性データ群に基づくリスクスコアの推定精度を向上させることができる。
配信優先度決定部25は、対象ユーザについて後払いリスク推定部23によって推定された後払いリスク(リスクスコア)に基づいて、対象ユーザへの所定の保険商品等の金融商品の広告配信の優先度を決定する。例えば、配信優先度決定部25は、リスクスコアが所定の範囲内(例えば、所定の閾値以上)である場合に、対象ユーザを広告配信の対象から除外する処理(例えば、対象ユーザに広告の配信対象から除外するフラグを設定する処理)を行う。また、例えば、配信優先度決定部25は、リスクスコアに基づいて対象ユーザについての配信優先度の指標(スコアやランク)を決定し、対象ユーザに設定する処理を行ってもよい。
<処理の流れ>
次に、本実施形態に係る情報処理装置によって実行される処理の流れを説明する。なお、以下に説明する処理の具体的な内容及び処理順序は、本開示を実施するための一例である。具体的な処理内容及び処理順序は、本開示の実施の形態に応じて適宜選択されてよい。
次に、本実施形態に係る情報処理装置によって実行される処理の流れを説明する。なお、以下に説明する処理の具体的な内容及び処理順序は、本開示を実施するための一例である。具体的な処理内容及び処理順序は、本開示の実施の形態に応じて適宜選択されてよい。
図5は、本実施形態に係る機械学習処理の流れを示すフローチャートである。本フローチャートに示された処理は、定期的に、又は管理者によって指定されたタイミングで実行される。
本実施形態において、機械学習処理では、後払いリスク推定モデルが生成及び/又は更新される。機械学習部24は、過去に蓄積されたユーザ毎の属性データ群と、対応するユーザについて予め決定されたリスクスコアと、の組み合わせを含む教師データを作成する(ステップS101)。そして、機械学習部24は、作成された教師データを後払いリスク推定モデルに入力し、後払いリスク推定部23による後払いリスク推定に用いられる後払いリスク推定モデルを生成及び/又は更新する(ステップS102)。その後、本フローチャートに示された処理は終了する。
図6は、本実施形態に係る配信優先度決定処理(1)の流れを示すフローチャートである。本フローチャートに示された処理は、定期的に、又は指定されたタイミングで、対象ユーザ毎に実行される。本実施形態において、対象ユーザは、サービス提供システム5から提供された配信候補リストに掲載されたユーザである。
ステップS201及びステップS202では、事実属性データ及び推定属性データが決定される。事実属性決定部21は、対象ユーザのユーザ提供データ及び/又は履歴データに基づいて、対象ユーザに係る事実属性データを決定する(ステップS201)。そして、推定属性決定部22は、少なくともステップS201で決定された事実属性データに基づいて、対象ユーザに係る推定属性データを決定する(ステップS202)。その後、処理はステップS203へ進む。
ステップS203及びステップS204では、リスクスコアが決定され、出力される。後払いリスク推定部23は、ステップS201で決定された事実属性データ及びステップS202で決定された推定属性データを含む属性データ群を決定する(ステップS203)。そして、後払いリスク推定部23は、ステップS203で決定された属性データ群を後払いリスク推定モデルに入力し、出力された値を、対象ユーザが後払い決済を利用した場合に後払い決済の精算が当該対象ユーザによって正しく履行されないリスクに応じて変化するリスクスコアとして取得する(ステップS204)。但し、リスクスコアの推定方法は、本実施形態における例示に限定されない。例えば、リスクスコアは、属性データ群を機械学習モデルではない所定の関数や統計モデル等に入力して算出された値を含むものであってもよい。その後、処理はステップS205へ進む。
ステップS205及びステップS206では、対象ユーザの広告配信優先度が決定され、出力される。対象ユーザのリスクスコアが得られると、配信優先度決定部25は、対象ユーザのリスクスコアに従って、当該対象ユーザの広告配信優先度を決定する(ステップS205)。より具体的には、本実施形態では、対象ユーザのリスクスコアと所定の閾値とを比較し、閾値以上である場合に、対象ユーザについて、広告の配信対象から除外するフラグを設定する。一方、対象ユーザのリスクスコアが閾値未満である場合、対象ユーザは、広告の配信対象から除外されない。
情報処理装置1は、対象ユーザについて決定された広告配信の優先度を示すデータを、サービス提供システム5に対して提供する(ステップS206)。より具体的には、本実施形態において、情報処理装置1は、配信候補リストに、ユーザ毎に設定された優先度データ(広告配信の対象から除外するか否かを示すフラグ)を追加した更新済みの配信候補リストを、サービス提供システム5に対して提供する。但し、サービス提供システム5に対して対象ユーザを広告配信対象とするか否かを判断するための優先度データを提供するための具体的な方法は、本実施形態における例示に限定されない。例えば、情報処理装置1は、配信の対象から除外するか否かを示すフラグに代えて、サービス提供システム5が配信の優先度を判断するための指標(スコアやランク)を提供することとしてもよい。この際提供される指標には、対象ユーザのリスクスコアがそのまま用いられてもよいし、対象ユーザのリスクスコアに基づいて算出されたその他の指標が提供されてもよい。その後、本フローチャートに示された処理は終了する。
情報処理装置1から広告配信の優先度を示すデータ(本実施形態では、更新された配信候補リスト)を受信したサービス提供システム5は、受信されたデータに示された広告配信の優先度に従って、広告の配信処理を実行する。
<効果>
本実施形態によれば、日常生活で蓄積され得る情報に基づいて推測される後払いリスクを参照することで簡便な広告最適化を行うことが可能となる。また、このような広告最適化を行うことで、保険金支払可能性に応じて広告の配信対象を決定することが可能となる。
本実施形態によれば、日常生活で蓄積され得る情報に基づいて推測される後払いリスクを参照することで簡便な広告最適化を行うことが可能となる。また、このような広告最適化を行うことで、保険金支払可能性に応じて広告の配信対象を決定することが可能となる。
<第一のバリエーション>
上記説明した実施形態では、全てのケースについて後払いリスクに基づく広告配信の優先度決定を行う例を説明したが、広告対象商品専用のモデルを用いて優先度決定を行うことが可能な場合には、後払いリスクに基づく広告配信の優先度決定を行わず、専用のモデルを用いて優先度決定を行うこととしてもよい。以下、本バリエーションに係る情報処理装置1bについて、上記説明した実施形態と共通する部分については説明を省略し、上記説明した実施形態との差異について説明する。
上記説明した実施形態では、全てのケースについて後払いリスクに基づく広告配信の優先度決定を行う例を説明したが、広告対象商品専用のモデルを用いて優先度決定を行うことが可能な場合には、後払いリスクに基づく広告配信の優先度決定を行わず、専用のモデルを用いて優先度決定を行うこととしてもよい。以下、本バリエーションに係る情報処理装置1bについて、上記説明した実施形態と共通する部分については説明を省略し、上記説明した実施形態との差異について説明する。
本バリエーションでは、2つのモデル(第一のモデル及び第二のモデル)を用いて、広告配信の優先度決定を行う。ここで、第一のモデルは、上記説明した実施形態の後払いリスク推定モデルであり、ユーザの属性データ群を入力値とし当該ユーザに係る後払いリスク(リスクスコア)を出力値(ラベル)として定義した教師データを用いて生成及び/又は更新される機械学習モデルである。
一方、第二のモデルは、広告の対象商品/サービスに適したユーザ属性データを入力値とし、当該ユーザに係る対象商品/サービスに特化したファクターが考慮されたラベルを出力値として定義した教師データを用いて生成及び/又は更新される、広告対象商品専用のモデル(以下、「支払可能性推定モデル」と称する。)である。ここで、広告の対象商品/サービスに適したユーザ属性データとしては、例えば、自動車保険が対象商品である場合、過去n年間における自動車事故の有無を含む属性データが挙げられる。しかし、例えば若年層のユーザについては、「過去n年間における自動車事故の有無」のような属性データを得ることは困難である。
広告対象商品専用の支払可能性推定モデル(第二のモデル)が、優先度決定を行うために適切な量の教師データを用いて学習されている場合には、後払いリスク推定モデル(第一のモデル)を用いずに、広告対象商品専用の支払可能性推定モデルを用いて優先度決定を行う。一方で、後払いリスク推定モデルは、専用の支払可能性推定モデルが適切な量の教師データで学習されていない場合に、支払可能性推定モデルに代えて用いることが出来る。通常、広告対象商品専用の支払可能性推定モデルのための教師データに比べて、より一般的な後払いリスク推定モデルのための教師データが蓄積されやすいため、専用の支払可能性推定モデルのための適切な量の教師データが蓄積されていない場合であっても、多くの対象ユーザについて広告配信の優先度決定を行うことが出来る。
図7は、第一のバリエーションに係る情報処理装置1bの機能構成の概略を示す図である。情報処理装置1bのハードウェア構成については、図1を参照して説明した情報処理装置1と同様であるため、説明を省略する。情報処理装置1bは、記憶装置14に記録されているプログラムが、RAM13に読み出され、CPU11によって実行されて、情報処理装置1に備えられた各ハードウェアが制御されることで、事実属性決定部21、推定属性決定部22、後払いリスク推定部23、機械学習部24、配信優先度決定部25b、及び支払可能性推定部26を備える情報処理装置として機能する。
即ち、本バリエーションに係る情報処理装置1bは、支払可能性推定部26を更に備える。また、配信優先度決定部25bは、上記実施形態に係る配信優先度決定部25と処理の内容が一部異なる。
支払可能性推定部26は、対象ユーザに係る属性データに基づいて、保険商品を当該対象ユーザが購入した場合の保険金支払可能性を推定する。具体的には、支払可能性推定部26は、対象ユーザに係る属性データを支払可能性推定モデルに入力して得られた出力値に基づいて、対象ユーザの保険金支払可能性を推定する。ここで用いられる支払可能性推定モデルの具体的な態様は限定されず、支払可能性推定モデルは、機械学習モデル、所定の関数、統計モデル等であってよい。支払可能性推定モデルとして機械学習モデルが採用される場合、当該機械学習モデルの生成及び/又は更新は、その入力に広告の対象商品/サービスに適したユーザ属性データが用いられ、出力に保険金支払可能性を示すラベル又はスコアが用いられることを除いて、上記説明した後払いリスク推定モデルの生成及び/又は更新と概略同様であるため、説明を省略する。
配信優先度決定部25bは、対象ユーザについて推定された後払いリスク又は保険金支払可能性に基づいて、当該対象ユーザへの保険商品の広告配信の優先度を決定する。具体的には、配信優先度決定部25bは、支払可能性推定モデルのために用いられた教師データの量が所定の基準に達していない場合、対象ユーザについて推定された後払いリスクに基づいて、当該対象ユーザへの保険商品の広告配信の優先度を決定し、支払可能性推定モデルのために用いられた教師データの量が所定の基準に達している場合、対象ユーザについて推定された保険金支払可能性に基づいて、当該対象ユーザへの保険商品の広告配信の優先度を決定する。
図8は、第一のバリエーションに係る配信優先度決定処理(2)の流れを示すフローチャートである。本フローチャートに示された処理は、定期的に、又は指定されたタイミングで、対象ユーザ毎に実行される。
ステップS301からステップS303では、属性データ群が決定される。ステップS301からステップS303の処理は、図6を参照して説明した配信優先度決定処理(1)のステップS201からステップS203の処理と概略同様であるため、説明を省略する。その後、処理はステップS304へ進む。
ステップS304からステップS306では、スコアが決定され、出力される。情報処理装置1bは、支払可能性推定モデルのために用いられた教師データの量が所定の基準(例えば、所定のデータ数又は所定のデータサイズ)に達しているか否かを判定する(ステップS304)。支払可能性推定モデルのために用いられた教師データの量が所定の基準に達していない場合(支払可能性推定モデルのための教師データが不足している場合。ステップS304のYES)、後払いリスク推定部23は、ステップS303で決定された属性データ群を後払いリスク推定モデルに入力し、出力された値を、対象ユーザのリスクスコアとして取得する(ステップS305)。一方、支払可能性推定モデルのために用いられた教師データの量が所定の基準に達している場合(ステップS304のNO)、支払可能性推定部26は、ステップS303で決定された属性データ群を支払可能性推定モデルに入力し、出力された値を、対象ユーザが広告の対象である保険商品を購入した場合の保険金支払可能性に応じて変化する判定用スコアとして取得する(ステップS306)。その後、処理はステップS307へ進む。
ステップS307及びステップS308では、対象ユーザの広告配信優先度が決定され、出力される。対象ユーザのリスクスコア又は判定用スコアが得られると、配信優先度決定部25bは、対象ユーザのリスクスコア又は判定用スコアに従って、当該対象ユーザの広告配信優先度を決定する(ステップS307)。そして、情報処理装置1は、対象ユーザについて決定された広告配信の優先度を示すデータを、サービス提供システム5に対して提供する(ステップS308)。具体的な優先度の決定方法、及びサービス提供システム5への提供方法については、上記説明した実施形態と概略同様であるため、説明を省略する。なお、ここでリスクスコアと判定用スコアとでは判定のための閾値は異なってよい。その後、本フローチャートに示された処理は終了する。
<第二のバリエーション>
上記説明した実施形態では、配信候補リストに掲載された全てのユーザについて後払いリスクに基づく広告配信の優先度決定を行う例を説明したが、広告対象商品専用のモデルを用いて優先度決定を行うために適切な属性データが蓄積されているユーザについては、後払いリスクに基づく広告配信の優先度決定を行わず、専用のモデルを用いて優先度決定を行うために適切な属性データが蓄積されてないユーザについて、後払いリスクに基づく広告配信の優先度決定を行うこととしてもよい。以下、本バリエーションに係る情報処理装置1cについて、上記説明した第一のバリエーションと共通する部分については説明を省略し、上記説明した第一のバリエーションとの差異について説明する。
上記説明した実施形態では、配信候補リストに掲載された全てのユーザについて後払いリスクに基づく広告配信の優先度決定を行う例を説明したが、広告対象商品専用のモデルを用いて優先度決定を行うために適切な属性データが蓄積されているユーザについては、後払いリスクに基づく広告配信の優先度決定を行わず、専用のモデルを用いて優先度決定を行うために適切な属性データが蓄積されてないユーザについて、後払いリスクに基づく広告配信の優先度決定を行うこととしてもよい。以下、本バリエーションに係る情報処理装置1cについて、上記説明した第一のバリエーションと共通する部分については説明を省略し、上記説明した第一のバリエーションとの差異について説明する。
本バリエーションでは、第一のバリエーションと同様、2つのモデル(第一のモデル及び第二のモデル)を用いて、広告配信の優先度決定を行う。ここで、第一のモデル及び第二のモデルは、上記説明した第一のバリエーションの後払いリスク推定モデル及び支払可能性推定モデルと同様であるため、説明を省略する。
図9は、第二のバリエーションに係る情報処理装置1cの機能構成の概略を示す図である。情報処理装置1cのハードウェア構成については、図1を参照して説明した情報処理装置1と同様であるため、説明を省略する。情報処理装置1cは、記憶装置14に記録されているプログラムが、RAM13に読み出され、CPU11によって実行されて、情報処理装置1に備えられた各ハードウェアが制御されることで、事実属性決定部21、推定属性決定部22、後払いリスク推定部23、機械学習部24、配信優先度決定部25c、及び支払可能性推定部26を備える情報処理装置として機能する。
即ち、本バリエーションに係る情報処理装置1cにおいて、配信優先度決定部25cは、上記第一のバリエーションに係る配信優先度決定部25bと処理の内容が一部異なる。
配信優先度決定部25cは、対象ユーザについて蓄積された当該ユーザの属性データが所定の基準に達していない場合、換言すれば、対象ユーザについて蓄積された当該ユーザの属性データでは、支払可能性推定モデルを用いた妥当性の高い判定用スコアの推定が困難であると判定される場合、当該対象ユーザについて推定された後払いリスクに基づいて、当該対象ユーザへの保険商品の広告配信の優先度を決定する。ここで、対象ユーザについて蓄積された当該ユーザの属性データが所定の基準に達していない場合の例としては、自動車保険が対象商品であって対象ユーザについて過去n年間における自動車事故の有無を含む属性データが蓄積されていないこと挙げられる。上述の通り、例えば若年層のユーザについて、このような属性データを得ることは困難である。
図10は、第二のバリエーションに係る配信優先度決定処理(3)の流れを示すフローチャートである。本フローチャートに示された処理は、定期的に、又は指定されたタイミングで、対象ユーザ毎に実行される。
ステップS401からステップS403では、属性データ群が決定される。ステップS401からステップS403の処理は、図6を参照して説明した配信優先度決定処理(1)のステップS201からステップS203の処理と概略同様であるため、説明を省略する。その後、処理はステップS404へ進む。
ステップS404からステップS406では、スコアが決定され、出力される。情報処理装置1cは、対象ユーザについて蓄積された当該対象ユーザの属性データが、支払可能性推定モデルを用いた妥当性の高い判定用スコアの推定が可能であると判定するための所定の基準に達しているか否かを判定する(ステップS404)。対象ユーザの属性データが所定の基準に達していない場合(支払可能性推定モデルのための属性データが不足している場合。ステップS404のYES)、後払いリスク推定部23は、ステップS403で決定された属性データ群を後払いリスク推定モデルに入力し、出力された値を、対象ユーザのリスクスコアとして取得する(ステップS405)。一方、対象ユーザの属性データが所定の基準に達している場合(ステップS404のNO)、支払可能性推定部26は、ステップS403で決定された属性データ群を支払可能性推定モデルに入力し、出力された値を、対象ユーザの判定用スコアとして取得する(ステップS406)。その後、処理はステップS407へ進む。
ステップS407及びステップS408では、対象ユーザの広告配信優先度が決定され、出力される。ステップS407及びステップS408の処理は、図8を参照して説明した配信優先度決定処理(2)のステップS307及びステップS308の処理と概略同様であるため、説明を省略する。その後、本フローチャートに示された処理は終了する。
1 情報処理装置
Claims (11)
- 対象ユーザに係る属性データに基づいて、該対象ユーザが後払い決済を利用した場合に後払い決済の精算が該対象ユーザによって正しく履行されない後払いリスクを推定する後払いリスク推定手段と、
前記対象ユーザについて推定された前記後払いリスクに基づいて、該対象ユーザへの保険商品の広告配信の優先度を決定する配信優先度決定手段と、
を備える情報処理装置。 - 前記後払いリスク推定手段は、前記対象ユーザに係る属性データを機械学習モデルに入力して得られた出力値に基づいて、前記対象ユーザの後払いリスクを推定する、
請求項1に記載の情報処理装置。 - 前記機械学習モデルの出力値は、前記対象ユーザが後払い決済を利用した場合に後払い決済の精算が該対象ユーザによって正しく履行されないリスクに応じて変化するリスクスコアであり、
前記配信優先度決定手段は、前記リスクスコアが所定の範囲内である場合に、前記対象ユーザを前記広告配信の対象から除外する、
請求項2に記載の情報処理装置。 - 前記配信優先度決定手段は、前記リスクスコアが所定の閾値以上である場合に、前記対象ユーザを前記広告配信の対象から除外する、
請求項3に記載の情報処理装置。 - 前記後払いリスク推定手段は、オンラインショッピングサービス又はオンライン予約サービスにおけるキャンセル数、キャンセル率及びオーダー数の少なくともいずれかを入力値とする教師データを用いて生成及び/又は更新された前記機械学習モデルを用いて、前記対象ユーザの後払いリスクを推定する、
請求項2に記載の情報処理装置。 - 前記対象ユーザに係る属性データに基づいて、前記保険商品を該対象ユーザが購入した場合の保険金支払可能性を推定する支払可能性推定手段を更に備え、
前記配信優先度決定手段は、前記対象ユーザについて推定された前記後払いリスク又は前記保険金支払可能性に基づいて、該対象ユーザへの前記保険商品の広告配信の優先度を決定する、
請求項1に記載の情報処理装置。 - 前記支払可能性推定手段は、前記対象ユーザに係る属性データを支払可能性推定モデルに入力して得られた出力値に基づいて、前記対象ユーザの保険金支払可能性を推定し、
前記配信優先度決定手段は、前記支払可能性推定モデルのために用いられた教師データの量が所定の基準に達していない場合、前記対象ユーザについて推定された前記後払いリスクに基づいて、該対象ユーザへの前記保険商品の広告配信の優先度を決定する、
請求項6に記載の情報処理装置。 - 前記支払可能性推定手段は、前記対象ユーザに係る属性データを支払可能性推定モデルに入力して得られた出力値に基づいて、前記対象ユーザの保険金支払可能性を推定し、
前記配信優先度決定手段は、前記対象ユーザについて蓄積された該ユーザの属性データが所定の基準に達していない場合、該対象ユーザについて推定された前記後払いリスクに基づいて、該対象ユーザへの前記保険商品の広告配信の優先度を決定する、
請求項6に記載の情報処理装置。 - ユーザ自身から提供されたユーザ提供データ又は該ユーザの履歴データに基づいて、該ユーザについて事実であると確認可能な事実属性を決定する事実属性決定手段と、
少なくとも該ユーザに係る前記事実属性に基づいて、該ユーザについて推定された推定属性を決定する推定属性決定手段と、を更に備え、
前記後払いリスク推定手段は、前記対象ユーザに係る前記事実属性及び推定属性を含む属性データ群に基づいて、前記対象ユーザの後払いリスクを推定する、
請求項1に記載の情報処理装置。 - コンピュータが、
対象ユーザに係る属性データに基づいて、該対象ユーザが後払い決済を利用した場合に後払い決済の精算が該対象ユーザによって正しく履行されない後払いリスクを推定する後払いリスク推定ステップと、
前記対象ユーザについて推定された前記後払いリスクに基づいて、該対象ユーザへの保険商品の広告配信の優先度を決定する配信優先度決定ステップと、
を実行する方法。 - コンピュータを、
対象ユーザに係る属性データに基づいて、該対象ユーザが後払い決済を利用した場合に後払い決済の精算が該対象ユーザによって正しく履行されない後払いリスクを推定する後払いリスク推定手段と、
前記対象ユーザについて推定された前記後払いリスクに基づいて、該対象ユーザへの保険商品の広告配信の優先度を決定する配信優先度決定手段と、
として機能させるプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022155941A JP7370435B1 (ja) | 2022-09-29 | 2022-09-29 | 情報処理装置、方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022155941A JP7370435B1 (ja) | 2022-09-29 | 2022-09-29 | 情報処理装置、方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7370435B1 true JP7370435B1 (ja) | 2023-10-27 |
JP2024049611A JP2024049611A (ja) | 2024-04-10 |
Family
ID=88469027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022155941A Active JP7370435B1 (ja) | 2022-09-29 | 2022-09-29 | 情報処理装置、方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7370435B1 (ja) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060242039A1 (en) * | 2004-10-29 | 2006-10-26 | Haggerty Kathleen B | Method and apparatus for estimating the spend capacity of consumers |
JP2012500443A (ja) * | 2008-08-19 | 2012-01-05 | アリババ グループ ホールディング リミテッド | 信用リスク管理 |
JP2017182284A (ja) * | 2016-03-29 | 2017-10-05 | Profit Cube 株式会社 | ローン審査支援装置、システム及びプログラム |
JP2020098491A (ja) * | 2018-12-18 | 2020-06-25 | 株式会社Paidy | 注文決済装置、コンピュータプログラム及び注文決済方法 |
JP2020149618A (ja) * | 2019-03-15 | 2020-09-17 | セカンドサイト株式会社 | モデル構築システム、情報処理システムおよびプログラム |
JP7060747B1 (ja) * | 2021-05-27 | 2022-04-26 | PayPay株式会社 | 情報処理装置、サービス提供システム、情報処理方法、およびプログラム |
JP2022092833A (ja) * | 2020-12-11 | 2022-06-23 | 株式会社メルカリ | プログラム、情報処理方法、及び情報処理装置 |
JP7121850B1 (ja) * | 2021-08-16 | 2022-08-18 | PayPay株式会社 | 情報処理装置、情報処理方法、および情報処理プログラム |
-
2022
- 2022-09-29 JP JP2022155941A patent/JP7370435B1/ja active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060242039A1 (en) * | 2004-10-29 | 2006-10-26 | Haggerty Kathleen B | Method and apparatus for estimating the spend capacity of consumers |
JP2012500443A (ja) * | 2008-08-19 | 2012-01-05 | アリババ グループ ホールディング リミテッド | 信用リスク管理 |
JP2017182284A (ja) * | 2016-03-29 | 2017-10-05 | Profit Cube 株式会社 | ローン審査支援装置、システム及びプログラム |
JP2020098491A (ja) * | 2018-12-18 | 2020-06-25 | 株式会社Paidy | 注文決済装置、コンピュータプログラム及び注文決済方法 |
JP2020149618A (ja) * | 2019-03-15 | 2020-09-17 | セカンドサイト株式会社 | モデル構築システム、情報処理システムおよびプログラム |
JP2022092833A (ja) * | 2020-12-11 | 2022-06-23 | 株式会社メルカリ | プログラム、情報処理方法、及び情報処理装置 |
JP7060747B1 (ja) * | 2021-05-27 | 2022-04-26 | PayPay株式会社 | 情報処理装置、サービス提供システム、情報処理方法、およびプログラム |
JP7121850B1 (ja) * | 2021-08-16 | 2022-08-18 | PayPay株式会社 | 情報処理装置、情報処理方法、および情報処理プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2024049611A (ja) | 2024-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11392993B2 (en) | System and method providing personalized recommendations | |
TWI409712B (zh) | 以消費者推薦之社交網路行銷方法與裝置 | |
JP6767824B2 (ja) | 判定装置、判定方法及び判定プログラム | |
JP7060747B1 (ja) | 情報処理装置、サービス提供システム、情報処理方法、およびプログラム | |
US20110231246A1 (en) | Online and offline advertising campaign optimization | |
US10984432B2 (en) | Using media information for improving direct marketing response rate | |
US20110231243A1 (en) | Customer state-based targeting | |
US20110231245A1 (en) | Offline metrics in advertisement campaign tuning | |
CN112036952A (zh) | 用于基于离线、在线及信用相关数据的目标因特网营销的系统及方法 | |
US20140236695A1 (en) | Transaction log for loyalty based offers and awards | |
US20210012359A1 (en) | Device, method and computer-readable medium for making recommendations on the basis of customer attribute information | |
US20210182730A1 (en) | Systems and methods for detecting non-causal dependencies in machine learning models | |
US20110231244A1 (en) | Top customer targeting | |
CN112215448A (zh) | 分配客服的方法和装置 | |
JP2019091355A (ja) | 判定装置、判定方法及び判定プログラム | |
JP7370435B1 (ja) | 情報処理装置、方法及びプログラム | |
CN113516496B (zh) | 广告转化率预估模型构建方法、装置、设备及其介质 | |
Leyden | There’s an app (update) for that | |
TWI837066B (zh) | 資訊處理裝置、方法及程式產品 | |
JP7366218B1 (ja) | 情報処理装置、方法及びプログラム | |
JP7345032B1 (ja) | 与信審査装置、方法及びプログラム | |
TW202414308A (zh) | 資訊處理裝置、方法及程式產品 | |
JP7351887B2 (ja) | 情報処理装置、情報処理システム、および情報処理方法 | |
TW202416201A (zh) | 資訊處理裝置、方法及程式產品 | |
JP2024001669A (ja) | 審査装置、方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220929 |
|
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: 20231004 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231017 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7370435 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |