JP7370435B1 - 情報処理装置、方法及びプログラム - Google Patents

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）。

特開２０１９－０２１０８０号公報

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。

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。 実施形態に係る情報処理装置の機能構成の概略を示す図である。 実施形態に係る後払いリスク推定処理の簡略図である。 実施形態におい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。 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。 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。 第一のバリエーションに係る情報処理装置の機能構成の概略を示す図である。 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。 第二のバリエーションに係る情報処理装置の機能構成の概略を示す図である。 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。

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。

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。

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。

＜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。

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。

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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
    
    

Images