JP7400135B1 - 情報処理装置、情報処理方法、およびプログラム - Google Patents

Abstract

【課題】事後決済手段の利用金額の支払いが滞ることが予想される利用者を高精度に判別することができる情報処理装置、情報処理方法、およびプログラムを提供すること。【解決手段】利用者にサービスを提供するサービス提供装置と通信可能な情報処理装置であって、前記サービスの提供に際して事後決済手段を利用した前記利用者に関する利用者情報を取得する取得部と、前記事後決済手段の利用金額の支払いが滞った利用者の割合が所定値以上となるように前記利用者情報を絞り込むことにより、絞込情報を生成する絞込部と、過去の所定期間の前記利用者情報の特徴を学習した学習モデルを前記絞込情報に適用することにより、前記利用金額の支払いが滞る可能性が所定値より高い利用者を判別する判別部と、を備える情報処理装置。【選択図】図３

Description

本発明は、情報処理装置、情報処理方法、およびプログラムに関する。

従来、インターネットを介して様々な金融関係のサービスが提供されている。例えば、特許文献１には、金融業界においてローン設定の際のリスク評価を行うローン設定システムが提案されている。

特開２００５－１７４３６２号公報

しかしながら、特許文献１に記載のローン設定システムでは、クレジットカードなどの事後決済手段の利用金額の支払いが滞ることが予想される利用者を高精度に判別することが難しい場合があった。

本発明は、このような事情を考慮してなされたものであり、事後決済手段の利用金額の支払いが滞ることが予想される利用者を高精度に判別することができる情報処理装置、情報処理方法、およびプログラムを提供することを目的の一つとする。

本発明の一態様は、利用者にサービスを提供するサービス提供装置と通信可能な情報処理装置であって、前記サービスの提供に際して事後決済手段を利用した前記利用者に関する利用者情報を取得する取得部と、前記事後決済手段の利用金額の支払いが滞った利用者の割合が所定値以上となるように前記利用者情報を絞り込むことにより、絞込情報を生成する絞込部と、過去の所定期間の前記利用者情報の特徴を学習した学習モデルを前記絞込情報に適用することにより、前記利用金額の支払いが滞る可能性が所定値より高い利用者を判別する判別部と、を備える情報処理装置である。

本発明の一態様によれば、事後決済手段の利用金額の支払いが滞ることが予想される利用者を高精度に判別することができる情報処理装置、情報処理方法、およびプログラムを提供することができる。

情報処理システム１の全体構成を示す図である。 サービス利用時の処理の流れの一例を示すシーケンス図である。 情報処理装置１００の構成を示すブロック図である。 利用者情報１９１の一例を示す図である。 請求件数、未収発生件数、および未収発生率を、枠消化率ごとに示す図である。 請求件数、未収発生件数、および未収発生率を、入会経路ごとに示す図である。 学習データ１９３の一例を示す図である。 情報処理装置１００の処理の一例を示すフローチャートである。

以下、図面を参照し、本発明の情報処理装置、情報処理方法、およびプログラムについて説明する。情報処理装置は、事後決済手段の決済サービスを提供する。説明の便宜上、事後決済手段の一例としてクレジットカード払いについて説明するが、これに限らない。例えば、事後決済手段は、電子決済サービスの後払いであってもよい。

［情報処理システム］
図１は、情報処理システム１の全体構成を示す図である。情報処理システム１は、情報処理装置１００と、端末装置２００－１～２００－Ｎ（Ｎは２以上の自然数）と、サービス提供装置３００とを備える。情報処理装置１００、端末装置２００－１～２００－Ｎ、およびサービス提供装置３００は、ネットワークＮＷを介して通信する。ネットワークＮＷは、例えば、ＷＡＮ（Wide Area Network）やＬＡＮ（Local Area Network）、インターネット、プロバイダ装置、無線基地局、専用回線などのうち一部または全部を含む。

端末装置２００－１～２００－Ｎは、利用者によって使用される、スマートフォンなどの携帯電話やタブレット端末などであるが、これに限らない。例えば、端末装置２００－１～２００－Ｎは、ノート型ＰＣ（Personal Computer）やデスクトップ型ＰＣなどの端末装置であってもよい。以下、いずれの端末装置であるかを区別しないときは、単に端末装置２００と表記する。端末装置２００は、サービス提供装置３００と連携するアプリケーションを起動することで、サービス提供装置３００によって提供されるサービスを利用することができる。なお、端末装置２００は、サービス提供装置３００のＷＥＢサイトを表示するためのブラウザを介して、サービス提供装置によって提供されるサービスを利用してもよい。

サービス提供装置３００は、ネットワークＮＷを介して、端末装置２００に各種サービスを提供するサーバ装置である。サービス提供装置３００が提供するサービスは、例えば、ショッピングサービス、オークションサービス、金融取引サービス（株取引や為替取引など）などがある。

また、サービス提供装置３００は、サービスを利用する利用者ごとに、利用者に一意に割り当てられる利用者ＩＤに紐付けて、利用者によるサービスの利用状況や利用者の属性などの情報を記録して管理している。

情報処理装置１００は、クレジットカードの決済処理を行うコンピュータである。具体的に、情報処理装置１００は、サービス提供装置３００からクレジットカードの決済情報を受信し、受信した決済情報に基づいて決済処理を行う。情報処理装置１００の内部構成および情報処理装置１００の処理の詳細については後述する。

［サービス利用時の処理の流れ］
図２は、サービス利用時の処理の流れの一例を示すシーケンス図である。本シーケンス図では、サービス提供装置３００が提供するショッピングサービスを利用者が利用する例について説明する。まず、端末装置２００は、利用者からの指示に応じてショッピングサイトの閲覧要求をサービス提供装置３００に送信する（Ｓ１１）。ショッピングサイトの閲覧要求には、サービス提供装置３００によって提供されるショッピングサイトのＵＲＬ（Uniform Resource Locator）などが含まれる。

サービス提供装置３００は、端末装置２００からショッピングサイトの閲覧要求を受信すると、閲覧要求に含まれるＵＲＬに対応するサイト情報を端末装置に送信する（Ｓ１２）。サイト情報には、ショッピングサイトのＷＥＢページの情報が含まれる。例えば、ショッピングサイトのＷＥＢページの情報には、ショッピングサイトで販売されている商品の情報の一覧が含まれる。

端末装置２００は、サービス提供装置３００から受信したサイト情報に基づき、表示部にショッピングサイトを表示する（Ｓ１３）。端末装置２００の利用者は、ショッピングサイトに表示された複数の商品のうちの一つを選択し、商品購入の指示を入力する。商品購入の指示には、決済に用いられる利用者のクレジットカードに関する情報も含まれる。端末装置２００は、入力された商品購入の指示に基づき、商品購入要求をサービス提供装置３００に送信する（Ｓ１４）。商品購入要求には、商品を識別するための商品ＩＤ、商品の個数、および決済に用いられる利用者のクレジットカードに関する情報などが含まれる。

サービス提供装置３００は、商品購入要求を端末装置２００から受信すると、決済情報を情報処理装置１００に送信する（Ｓ１５）。決済情報には、決済金額、利用者のクレジットカードに関する情報、および商品に関する情報などが含まれる。

情報処理装置１００は、サービス提供装置３００から受信した決済情報に基づき、決済処理を行う（Ｓ１６）。決済処理において、情報処理装置１００は、後述する利用者情報に含まれる情報（利用金額、枠消化率、および利用履歴など）を更新する。決済処理が完了すると、情報処理装置１００は、決済完了通知をサービス提供装置３００に送信する（Ｓ１７）。

サービス提供装置３００は、情報処理装置１００から決済完了通知を受信すると、端末装置２００に決済完了通知を送信する（Ｓ１８）。これによって、ショッピングサイトを通じた利用者の商品の購入処理が完了する。

［情報処理装置の構成］
図３は、情報処理装置１００の構成を示すブロック図である。情報処理装置１００は、通信部１１０と、表示部１２０と、入力部１３０と、取得部１４０と、絞込部１５０と、判別部１６０と、通知部１７０と、学習モデル生成部１８０と、記憶部１９０とを備える。

通信部１１０は、ネットワークＮＷに接続するための通信インターフェースである。通信部１１０は、例えばネットワークインターフェースカードである。

表示部１２０は、液晶表示装置などの表示装置である。入力部１３０は、キーボードやポインティングデバイスなどの入力装置である。

取得部１４０、絞込部１５０、判別部１６０、通知部１７０、および学習モデル生成部１８０は、例えば、ＣＰＵ（Central Processing Unit）などのハードウェアプロセッサがプログラム（ソフトウェア）を実行することにより実現される。取得部１４０、絞込部１５０、判別部１６０、通知部１７０、および学習モデル生成部１８０は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）などのハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。プログラムは、予めＨＤＤ（Hard Disk Drive）やフラッシュメモリなどの記憶装置（非一過性の記憶媒体を備える記憶装置）に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭなどの着脱可能な記憶媒体（非一過性の記憶媒体）に格納されており、記憶媒体がドライブ装置に装着されることで記憶装置にインストールされてもよい。

記憶部１９０は、ＨＤＤやフラッシュメモリ、ＲＡＭ（Random Access Memory）などである。記憶部１９０は、情報処理装置１００がネットワークＮＷを介してアクセス可能なＮＡＳ（Network Attached Storage）装置であってもよい。記憶部１９０には、利用者情報１９１、学習モデル１９２、および学習データ１９３などの情報が格納される。

図４は、利用者情報１９１の一例を示す図である。利用者情報１９１は、利用者ＩＤ、氏名、カード番号、有効期限、利用金額、利用可能枠、枠消化率、入金方法、利用年数、入会経路、属性情報、および利用履歴が互いに対応付けられた情報である。

利用者ＩＤは、利用者を識別するための情報である。氏名は、利用者の氏名を表す情報である。カード番号は、利用者が所有するクレジットカードのカード番号に関する情報である。有効期限は、利用者が所有するクレジットカードの有効期限に関する情報である。利用金額は、利用者がクレジットカード決済で利用した所定期間（例えば１か月間）における利用金額である。利用可能枠は、利用者がクレジットカード決済で所定期間（例えば１か月間）において利用可能な金額の上限である。枠消化率は、利用者がクレジットカード決済で利用した所定期間（例えば１か月間）における利用可能枠の消化率である。例えば、枠消化率は、利用金額を利用可能額で除算した値に基づいて求めることができる。

入金方法は、クレジットカード決済の利用金額を返済するためのお金の入金方法を示す情報である。例えば、入金方法は、口座振替や、コンビニ支払いといった情報である。利用年数は、利用者がクレジットカードを利用している年数である。入会経路は、利用者がクレジットカードに入会した経路に関する情報である。例えば、入会経路は、旧サービスのクレジットカードからの切り替え、店頭経由、およびスマホアプリ経由などの情報である。属性情報は、利用者の属性に関する情報である。例えば、属性情報は、利用者の性別、年齢、職種、および住居状況などの情報である。利用履歴は、クレジットカード決済に関する履歴であり、決済日、決済金額、購入商品、および後述する当月未収の履歴などを含む。

［当月未収となる可能性の高い利用者の判別］
次に、当月未収となる可能性の高い利用者の判別処理について説明する。当月未収とは、銀行口座の残高不足により引き落としができないなどの理由で、当月においてクレジットカードなどの事後決済手段の利用金額の支払いが滞る状況を意味する。

当月未収となる利用者を事前（例えば、口座振替の２週間ほど前）に判別できれば、当該利用者に対して当月未収となることを未然に防止するための対策を講じることが可能となる。本実施形態の情報処理装置１００は、利用者情報１９１から得られる情報に基づいて当月未収となる可能性の高い利用者を判別するが、当月未収となる可能性の高い利用者を高精度に判別するためには、利用者情報１９１の絞り込みを行うことが効果的である。

まず、情報処理装置１００の取得部１４０は、サービスの提供に際してクレジットカードを利用した利用者に関する利用者情報１９１を取得する。次に、絞込部１５０は、過去の所定期間において当月未収となった利用者（クレジットカードの利用金額の支払いが滞った利用者）の割合が所定値以上となるように利用者情報１９１を絞り込むことにより、絞込情報を生成する。この点について、以下具体的に説明する。

［絞込情報の生成処理］
図５は、請求件数、未収発生件数、および未収発生率を、枠消化率ごとに示す図である。図５に示される例は、１か月間における請求件数、未収発生件数、および未収発生率の集計データを示す。請求件数は、クレジットカードを利用した利用者への利用金額の請求件数である。未収発生件数は、当月未収となった件数である。未収発生率は、当月未収が発生した割合であり、未収発生件数を請求件数で除算して得られた値に基づいて算出してよい。

図５に示されるように、枠消化率が１０％以上の利用者については、未収発生率が５．６１％となっている。枠消化率が２０％以上の利用者については、未収発生率が７．６５％となっている。枠消化率が３０％以上の利用者については、未収発生率が９．５０％となっている。枠消化率が４０％以上の利用者については、未収発生率が１０．７０％となっている。消化率が５０％以上の利用者については、未収発生率が１２．５７％となっている。消化率が６０％以上の利用者については、未収発生率が１３．９３％となっている。消化率が７０％以上の利用者については、未収発生率が１５．２８％となっている。消化率が８０％以上の利用者については、未収発生率が１６．５３％となっている。消化率が９０％以上の利用者については、未収発生率が１８．０２％となっている。

全請求件数のデータを使用する場合、未収発生件数が３．４６％となり、当月未収となる可能性の低い利用者のデータが多く含まれてしまう。そこで、絞込部１５０は、過去の所定期間において当月未収となった利用者（クレジットカードの利用金額の支払いが滞った利用者）の割合が所定値以上となるように利用者情報１９１を絞り込むことにより、絞込情報を生成する。

例えば、過去の所定期間において当月未収となった利用者の割合の目標値を１０％に設定する場合について説明する。過去の所定期間において当月未収となった利用者の割合が１０％以上となるように利用者情報を絞り込むためには、絞込部１５０は利用者情報１９１に含まれるデータのうち枠消化率が４０％以上のデータに絞り込むことにより、絞込情報を生成する。これによって、当月未収となる可能性の高い利用者を高精度に判別することが可能となる。

なお、当月未収となる可能性の高い利用者をより高精度に判別するためには、絞込部１５０は、利用者情報１９１を、サービスの利用についての利用金額の支払いが滞ったことの有る第１利用者層の情報である第１利用者情報と、利用金額の支払いが滞ったことの無い第２利用者層の情報である第２利用者情報とに区分し、第１利用者情報および第２利用者情報に対してそれぞれ異なる条件で絞り込むことにより、絞込情報を生成してもよい。第１利用者層は、所定期間において未収歴が１回だけある利用者層であってもよい。この点について、以下具体的に説明する。

例えば、第１利用者層のうち枠消化率が４０％以上の利用者については、未収発生率が１９．８％であった。この場合の未収発生率は目標値として設定した１０％を超えているため、絞込部１５０は、利用者情報１９１に含まれる第１利用者層のデータのうち枠消化率が４０％以上のデータに絞り込むことにより、絞込情報を生成する。

一方、第２利用者層のうち枠消化率が４０％以上の利用者については、未収発生率が３．２％であった。この場合の未収発生率は目標値として設定した１０％未満であるので、利用者情報１９１に含まれる第２利用者層のデータを更に絞り込む必要がある。

図６は、請求件数、未収発生件数、および未収発生率を、入会経路ごとに示す図である。図６に示される例は、１か月間における請求件数、未収発生件数、および未収発生率の集計データを示す。図６に示されるように、旧カードからの切り替えで入会した利用者については、未収発生率が３．３９％となっている。クレジットカード会社の店頭経由で入会した利用者については、未収発生率が３．７６％となっている。スマートフォンのアプリ経由で入会した利用者については、未収発生率が６．０３％となっている。利用者全体としては、未収発生率が３．５５％となっている。このことから、スマートフォンのアプリ経由で入会した利用者の未収発生率が高いことが分かる。

第２利用者層のうち枠消化率が４０％以上かつスマートフォンのアプリ経由で入会した利用者については、未収発生率が１７．２％であった。この場合の未収発生率は目標値として設定した１０％を超えているため、絞込部１５０は、利用者情報１９１に含まれる第２利用者層のデータのうち枠消化率が４０％以上かつスマートフォンのアプリ経由で入会した利用者のデータに絞り込むことにより、絞込情報を生成する。これによって、絞込部１５０は、当月未収となる可能性の高い利用者をより高精度に判別することができるように、利用者情報１９１を絞り込むことができる。

なお、絞込部１５０は枠消化率および入会経路に基づいて利用者情報１９１を絞り込むこととしたが、これに限らない。例えば、絞込部１５０は、利用可能枠、枠消化率、入金方法、利用年数、および入会経路のうちの少なくとも一つに基づいて利用者情報１９１を絞り込むことにより、絞込情報を生成してよい。

判別部１６０は、過去の所定期間の利用者情報１９１の特徴を学習した学習モデル１９２を絞込情報に適用することにより、利用金額の支払いが滞る可能性が所定値より高い利用者（当月未収となる可能性が所定値より高い利用者）を判別する。学習モデル１９２は、学習データ１９３を事前に学習することにより生成されたモデルである。以下、学習モデル１９２の生成処理について説明する。

［学習モデルの生成］
図７は、学習データ１９３の一例を示す図である。学習データ１９３は、学習モデル１９２を構築する利用者によって予め用意され、記憶部１９０に記憶されている。学習データ１９３は、過去の所定期間の利用者情報１９１に基づいて作成される。学習モデル生成部１８０は、学習データ１９３を学習することにより、学習モデル１９２を生成する。

図７に示されるように、学習データ１９３は、データＩＤと、生データと、時系列集計特徴量と、仮説ベース特徴量と、未収の有無とを含む。データＩＤは、データごとに一意に付与される識別情報である。

生データは、利用者の属性（例えば、性別、年齢、職種、住居状況など）およびクレジットカードの利用実績（例えば、利用金額、入金年月日など）を含む。生データは、利用者情報１９１に含まれる属性情報および利用履歴などから取得してよい。

時系列集計特徴量（第１特徴量）は、所定期間における利用実績の特徴量を示す。例えば、時系列集計特徴量は、過去の利用金額の平均値、標準偏差、最大値、最小値、前月と今月の利用金額の差分、および差分の平均値などである。時系列集計特徴量は、利用者情報１９１に含まれる利用履歴に基づいて算出されてよい。

仮説ベース特徴量（第２特徴量）は、当月未収となる可能性が高い利用者（利用金額の支払いが滞る可能性が高い利用者）の特徴として予め設定された特徴量である。言い換えると、仮説ベース特徴量は、ある特定の条件を満たす利用者が当月未収となる可能性が高いのではないかという仮説に基づいて予め設定された特徴量である。例えば、特定の職種の利用者や、特定の店舗での利用実績がある利用者は当月未収となる可能性が高いといった仮説が経験として得られている場合には、これらの条件を仮説ベース特徴量として学習データ１９３に組み込んでよい。

未収の有無は、利用者が所定期間内に実際に当月未収となったか否か（利用金額の支払いが滞ったか否か）を示す情報である。未収の有無は、利用者情報１９１に含まれる利用履歴から取得してよい。

学習モデル生成部１８０は、生データと、時系列集計特徴量（第１特徴量）と、仮説ベース特徴量（第２特徴量）と、未収の有無とを含む学習データ１９３を学習することにより、学習モデル１９２を生成する。判別部１６０は、学習モデル生成部１８０によって生成された学習モデル１９２を絞込情報に適用することにより、利用金額の支払いが滞る可能性が所定値より高い利用者（当月未収となる可能性が所定値より高い利用者）を判別する。

［情報処理装置の処理］
図８は、情報処理装置１００の処理の一例を示すフローチャートである。本フローチャートによる処理は、情報処理装置１００のプロセッサが記憶部１９０からプログラムを読み出して実行することにより開始される。

まず、図８のフローチャートにおいて、情報処理装置１００の取得部１４０は、サービスの提供に際してクレジットカードを利用した利用者に関する利用者情報１９１を取得する（Ｓ２０）。次に、絞込部１５０は、クレジットカードの利用金額の支払いが滞った利用者の割合が所定値（例えば１０％）以上となるように利用者情報１９１を絞り込むことにより、絞込情報を生成する（Ｓ２１）。

次に、判別部１６０は、過去の所定期間の利用者情報１９１の特徴を学習した学習モデル１９２を絞込情報に適用することにより、利用金額の支払いが滞る可能性が所定値より高い利用者（当月未収となる可能性が所定値より高い利用者）を判別する（Ｓ２２）。例えば、判別部１６０は、学習モデル１９２を絞込情報に適用することにより得られたスコアに基づいて、利用金額の支払いが滞る可能性を算出してよい。

その後、通知部１７０は、判別部１６０によって利用金額の支払いが滞る可能性が所定値より高いと判別された利用者の所有する端末装置２００に、利用金額の支払い方法の変更を促す案内または利用金額の引き落とし用の銀行口座に入金するよう促す案内を通知する（Ｓ２３）。例えば、利用金額の支払い方法の変更を促す案内は、リボルビング払いに変更するための案内であってよい。銀行口座に入金するよう促す案内は、次回の引き落とし予定の金額を銀行口座に入金するよう促す案内であってよい。通知部１７０は、利用者のメールアドレス宛にメールで案内を通知してもよいし、利用者の所有する端末装置２００にインストールされたアプリに案内を通知してもよい。案内を確認した利用者は、利用金額の支払い方法を変更したり、銀行口座に入金したりすることができる。これによって、利用金額の支払いが滞る利用者（当月未収となる利用者）の数を低減することができる。

なお、通知部１７０は、判別部１６０によって算出された利用金額の支払いが滞る可能性に応じて、通知方法を変更してもよい。例えば、通知部１７０は、利用金額の支払いが滞る可能性が予め設定された閾値未満である場合には、利用者のメールアドレス宛にメールで案内を通知してもよいし、利用者の所有する端末装置２００にインストールされたアプリに案内を通知してもよい。一方、通知部１７０は、利用金額の支払いが滞る可能性が予め設定された閾値以上である場合には、利用者に架電を行う旨を表示部１２０に表示するなどしてクレジットカード会社の担当者に通知してもよい。メールやアプリを用いた通知は、コストがかからないものの効果は小さい。一方、架電による通知は、コストがかかるものの効果が大きい。このため、通知部１７０は、利用金額の支払いが滞る可能性に応じて通知方法を変更することで、適切な案内を通知することができる。

以上説明したように、本実施形態の情報処理装置１００は、利用者にサービスを提供するサービス提供装置３００と通信可能である。情報処理装置１００は、サービスの提供に際して事後決済手段を利用した利用者に関する利用者情報１９１を取得する取得部１４０と、事後決済手段の利用金額の支払いが滞った利用者の割合が所定値以上となるように利用者情報１９１を絞り込むことにより、絞込情報を生成する絞込部１５０と、過去の所定期間の利用者情報の特徴を学習した学習モデル１９２を絞込情報に適用することにより、利用金額の支払いが滞る可能性が所定値より高い利用者を判別する判別部１６０とを備える。これによって、情報処理装置１００は、事後決済手段の利用金額の支払いが滞ることが予想される利用者を高精度に判別することができる。

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。

１ 情報処理システム
１００ 情報処理装置
１１０ 通信部
１２０ 表示部
１３０ 入力部
１４０ 取得部
１５０ 絞込部
１６０ 判別部
１７０ 通知部
１８０ 学習モデル生成部
１９０ 記憶部
１９１ 利用者情報
１９２ 学習モデル
１９３ 学習データ
２００ 端末装置
３００ サービス提供装置

Claims (13)

1. 利用者にサービスを提供するサービス提供装置と通信可能な情報処理装置であって、
   前記サービスの提供に際して事後決済手段を利用した前記利用者に関する利用者情報を取得する取得部と、
   前記利用者情報を、前記サービスの利用についての利用金額の支払いが滞ったことのある第１利用者層の情報である第１利用者情報と、前記利用金額の支払いが滞ったことのない第２利用者層の情報である第２利用者情報とに区分し、前記第１利用者情報に対して第１条件で絞り込むことにより、前記第１利用者情報と前記第２利用者情報とを区分した第１時点で前記利用金額の支払いが滞ったことのある前記第１利用者層のうち、前記第１時点よりも後の第２時点で更に前記利用金額の支払いが滞った利用者の割合が所定値以上となるように前記第１利用者情報を絞り込むとともに、前記第２利用者情報に対して前記第１条件とは異なる第２条件で絞り込むことにより、前記第１時点で前記利用金額の支払いが滞ったことのない前記第２利用者層のうち、前記第２時点で前記利用金額の支払いが滞った利用者の割合が前記所定値以上となるように前記第２利用者情報を絞り込むことで、絞込情報を生成する絞込部と、
   過去の所定期間の前記利用者情報の特徴を学習した学習モデルを前記絞込情報に適用することにより、前記利用金額の支払いが滞る可能性が所定値より高い利用者を判別する判別部と、
   を備える情報処理装置。
2. 利用者にサービスを提供するサービス提供装置と通信可能な情報処理装置であって、
   前記サービスの提供に際して事後決済手段を利用した前記利用者に関する利用者情報を取得する取得部と、
   前記事後決済手段の利用金額の支払いが滞った利用者の割合が所定値以上となるように前記利用者情報を絞り込むことにより、絞込情報を生成する絞込部と、
   過去の所定期間の前記利用者情報の特徴を学習した学習モデルを前記絞込情報に適用することにより、前記利用金額の支払いが滞る可能性が所定値より高い利用者を判別する判別部と、
   を備え、
   前記利用者情報は、前記事後決済手段の利用可能枠、前記利用可能枠の消化率を示す枠消化率、前記事後決済手段の入金方法、前記事後決済手段の利用年数、および前記事後決済手段の入会経路のうちの少なくとも一つを含み、
   前記絞込部は、前記利用可能枠、前記枠消化率、前記入金方法、前記利用年数、および前記入会経路のうちの少なくとも一つに基づいて前記利用者情報を絞り込むことにより、前記絞込情報を生成する、
   情報処理装置。
3. 利用者にサービスを提供するサービス提供装置と通信可能な情報処理装置であって、
   前記サービスの提供に際して事後決済手段を利用した前記利用者に関する利用者情報を取得する取得部と、
   前記事後決済手段の利用金額の支払いが滞った利用者の割合が所定値以上となるように前記利用者情報を絞り込むことにより、絞込情報を生成する絞込部と、
   過去の所定期間の前記利用者情報の特徴を学習した学習モデルを前記絞込情報に適用することにより、前記利用金額の支払いが滞る可能性が所定値より高い利用者を判別する判別部と、
   を備え、
   前記利用者の属性および前記事後決済手段の利用実績を含む生データと、所定期間における前記利用実績の特徴量を示す第１特徴量と、前記利用金額の支払いが滞る可能性が高い利用者の特徴として予め設定された第２特徴量と、前記利用金額の支払いが滞ったか否かを示す情報とを含む学習データを学習することにより、前記学習モデルを生成する学習モデル生成部を更に備える、
   情報処理装置。
4. 利用者にサービスを提供するサービス提供装置と通信可能な情報処理装置であって、
   前記サービスの提供に際して事後決済手段を利用した前記利用者に関する利用者情報を取得する取得部と、
   前記事後決済手段の利用金額の支払いが滞った利用者の割合が所定値以上となるように前記利用者情報を絞り込むことにより、絞込情報を生成する絞込部と、
   過去の所定期間の前記利用者情報の特徴を学習した学習モデルを前記絞込情報に適用することにより、前記利用金額の支払いが滞る可能性が所定値より高い利用者を判別する判別部と、
   を備え、
   前記判別部によって前記利用金額の支払いが滞る可能性が所定値より高いと判定された前記利用者の所有する端末装置に、前記利用金額の支払い方法の変更を促す案内または前記利用金額の引き落とし用の銀行口座に入金するよう促す案内を通知する通知部を更に備える、
   情報処理装置。
5. 前記事後決済手段は、クレジットカード払いまたは電子決済サービスの後払いである、
   請求項１から請求項４の何れか一項に記載の情報処理装置。
6. 利用者にサービスを提供するサービス提供装置と通信可能な情報処理装置が、
   前記サービスの提供に際して事後決済手段を利用した前記利用者に関する利用者情報を取得し、
   前記利用者情報を、前記サービスの利用についての利用金額の支払いが滞ったことのある第１利用者層の情報である第１利用者情報と、前記利用金額の支払いが滞ったことのない第２利用者層の情報である第２利用者情報とに区分し、
   前記第１利用者情報に対して第１条件で絞り込むことにより、前記第１利用者情報と前記第２利用者情報とを区分した第１時点で前記利用金額の支払いが滞ったことのある前記第１利用者層のうち、前記第１時点よりも後の第２時点で更に前記利用金額の支払いが滞った利用者の割合が所定値以上となるように前記第１利用者情報を絞り込むとともに、前記第２利用者情報に対して前記第１条件とは異なる第２条件で絞り込むことにより、前記第１時点で前記利用金額の支払いが滞ったことのない前記第２利用者層のうち、前記第２時点で前記利用金額の支払いが滞った利用者の割合が前記所定値以上となるように前記第２利用者情報を絞り込むことで、絞込情報を生成し、
   過去の所定期間の前記利用者情報の特徴を学習した学習モデルを前記絞込情報に適用することにより、前記利用金額の支払いが滞る可能性が所定値より高い利用者を判別する、
   情報処理方法。
7. 利用者にサービスを提供するサービス提供装置と通信可能な情報処理装置が、
   前記サービスの提供に際して事後決済手段を利用した前記利用者に関する利用者情報を取得し、
   前記事後決済手段の利用金額の支払いが滞った利用者の割合が所定値以上となるように前記利用者情報を絞り込むことにより、絞込情報を生成し、
   過去の所定期間の前記利用者情報の特徴を学習した学習モデルを前記絞込情報に適用することにより、前記利用金額の支払いが滞る可能性が所定値より高い利用者を判別し、
   前記利用者情報は、前記事後決済手段の利用可能枠、前記利用可能枠の消化率を示す枠消化率、前記事後決済手段の入金方法、前記事後決済手段の利用年数、および前記事後決済手段の入会経路のうちの少なくとも一つを含み、
   前記情報処理装置が、前記利用可能枠、前記枠消化率、前記入金方法、前記利用年数、および前記入会経路のうちの少なくとも一つに基づいて前記利用者情報を絞り込むことにより、前記絞込情報を生成する、
   情報処理方法。
8. 利用者にサービスを提供するサービス提供装置と通信可能な情報処理装置が、
   前記サービスの提供に際して事後決済手段を利用した前記利用者に関する利用者情報を取得し、
   前記事後決済手段の利用金額の支払いが滞った利用者の割合が所定値以上となるように前記利用者情報を絞り込むことにより、絞込情報を生成し、
   過去の所定期間の前記利用者情報の特徴を学習した学習モデルを前記絞込情報に適用することにより、前記利用金額の支払いが滞る可能性が所定値より高い利用者を判別し、
   前記利用者の属性および前記事後決済手段の利用実績を含む生データと、所定期間における前記利用実績の特徴量を示す第１特徴量と、前記利用金額の支払いが滞る可能性が高い利用者の特徴として予め設定された第２特徴量と、前記利用金額の支払いが滞ったか否かを示す情報とを含む学習データを学習することにより、前記学習モデルを生成する、
   情報処理方法。
9. 利用者にサービスを提供するサービス提供装置と通信可能な情報処理装置が、
   前記サービスの提供に際して事後決済手段を利用した前記利用者に関する利用者情報を取得し、
   前記事後決済手段の利用金額の支払いが滞った利用者の割合が所定値以上となるように前記利用者情報を絞り込むことにより、絞込情報を生成し、
   過去の所定期間の前記利用者情報の特徴を学習した学習モデルを前記絞込情報に適用することにより、前記利用金額の支払いが滞る可能性が所定値より高い利用者を判別し
   前記利用金額の支払いが滞る可能性が所定値より高いと判定された前記利用者の所有する端末装置に、前記利用金額の支払い方法の変更を促す案内または前記利用金額の引き落とし用の銀行口座に入金するよう促す案内を通知する、
   情報処理方法。
10. 利用者にサービスを提供するサービス提供装置と通信可能な情報処理装置に、
    前記サービスの提供に際して事後決済手段を利用した前記利用者に関する利用者情報を取得させ、
    前記利用者情報を、前記サービスの利用についての利用金額の支払いが滞ったことのある第１利用者層の情報である第１利用者情報と、前記利用金額の支払いが滞ったことのない第２利用者層の情報である第２利用者情報とに区分させ、
    前記第１利用者情報に対して第１条件で絞り込ませることにより、前記第１利用者情報と前記第２利用者情報とを区分した第１時点で前記利用金額の支払いが滞ったことのある前記第１利用者層のうち、前記第１時点よりも後の第２時点で更に前記利用金額の支払いが滞った利用者の割合が所定値以上となるように前記第１利用者情報を絞り込ませるとともに、前記第２利用者情報に対して前記第１条件とは異なる第２条件で絞り込ませることにより、前記第１時点で前記利用金額の支払いが滞ったことのない前記第２利用者層のうち、前記第２時点で前記利用金額の支払いが滞った利用者の割合が前記所定値以上となるように前記第２利用者情報を絞り込ませることで、絞込情報を生成させ、
    過去の所定期間の前記利用者情報の特徴を学習した学習モデルを前記絞込情報に適用することにより、前記利用金額の支払いが滞る可能性が所定値より高い利用者を判別させる、
    プログラム。
11. 利用者にサービスを提供するサービス提供装置と通信可能な情報処理装置に、
    前記サービスの提供に際して事後決済手段を利用した前記利用者に関する利用者情報を取得させ、
    前記事後決済手段の利用金額の支払いが滞った利用者の割合が所定値以上となるように前記利用者情報を絞り込ませることにより、絞込情報を生成させ、
    過去の所定期間の前記利用者情報の特徴を学習した学習モデルを前記絞込情報に適用することにより、前記利用金額の支払いが滞る可能性が所定値より高い利用者を判別させ、
    前記利用者情報は、前記事後決済手段の利用可能枠、前記利用可能枠の消化率を示す枠消化率、前記事後決済手段の入金方法、前記事後決済手段の利用年数、および前記事後決済手段の入会経路のうちの少なくとも一つを含み、
    前記情報処理装置に、前記利用可能枠、前記枠消化率、前記入金方法、前記利用年数、および前記入会経路のうちの少なくとも一つに基づいて前記利用者情報を絞り込ませることにより、前記絞込情報を生成させる、
    プログラム。
12. 利用者にサービスを提供するサービス提供装置と通信可能な情報処理装置に、
    前記サービスの提供に際して事後決済手段を利用した前記利用者に関する利用者情報を取得させ、
    前記事後決済手段の利用金額の支払いが滞った利用者の割合が所定値以上となるように前記利用者情報を絞り込ませることにより、絞込情報を生成させ、
    過去の所定期間の前記利用者情報の特徴を学習した学習モデルを前記絞込情報に適用することにより、前記利用金額の支払いが滞る可能性が所定値より高い利用者を判別させ、
    前記利用者の属性および前記事後決済手段の利用実績を含む生データと、所定期間における前記利用実績の特徴量を示す第１特徴量と、前記利用金額の支払いが滞る可能性が高い利用者の特徴として予め設定された第２特徴量と、前記利用金額の支払いが滞ったか否かを示す情報とを含む学習データを学習させることにより、前記学習モデルを生成させる、
    プログラム。
13. 利用者にサービスを提供するサービス提供装置と通信可能な情報処理装置に、
    前記サービスの提供に際して事後決済手段を利用した前記利用者に関する利用者情報を取得させ、
    前記事後決済手段の利用金額の支払いが滞った利用者の割合が所定値以上となるように前記利用者情報を絞り込ませることにより、絞込情報を生成させ、
    過去の所定期間の前記利用者情報の特徴を学習した学習モデルを前記絞込情報に適用することにより、前記利用金額の支払いが滞る可能性が所定値より高い利用者を判別させ、
    前記利用金額の支払いが滞る可能性が所定値より高いと判定された前記利用者の所有する端末装置に、前記利用金額の支払い方法の変更を促す案内または前記利用金額の引き落とし用の銀行口座に入金するよう促す案内を通知させる、
    プログラム。

Images