TWI837066B - 資訊處理裝置、方法及程式產品 - Google Patents
資訊處理裝置、方法及程式產品 Download PDFInfo
- Publication number
- TWI837066B TWI837066B TW112136652A TW112136652A TWI837066B TW I837066 B TWI837066 B TW I837066B TW 112136652 A TW112136652 A TW 112136652A TW 112136652 A TW112136652 A TW 112136652A TW I837066 B TWI837066 B TW I837066B
- Authority
- TW
- Taiwan
- Prior art keywords
- payment
- target user
- risk
- post
- user
- Prior art date
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims description 39
- 238000010801 machine learning Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 8
- 238000012384 transportation and delivery Methods 0.000 abstract description 35
- 238000005457 optimization Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 31
- 230000008569 process Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 12
- 238000003066 decision tree Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 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
- 238000004891 communication Methods 0.000 description 3
- 208000001613 Gambling Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002372 labelling Methods 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
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
[課題] 以基於日常生活中所能夠累積之資訊來進行簡便的廣告最佳化，作為課題。
[解決手段] 資訊處理裝置中係具備：後付風險推定部(23)，係基於對象使用者所相關之屬性資料，來推定在對象使用者利用了後付結帳的情況下後付結帳之結算不被對象使用者正常履行之後付風險；和投放優先度決定部(25)，係基於針對對象使用者所被推定出來的後付風險，來決定對對象使用者的保險商品的廣告投放之優先度。
Description
本揭露係有關於用來支援廣告投放所需之技術。
先前，一種資料管理系統，係具備：資料取得部，係取得藉由提供者所被提供的生物資訊所關連之資訊；和決定部，係基於生物資訊所關連之資訊而作為對生物資訊之提供的回饋來決定要被提供給提供者的報酬值，已被提出(參照專利文獻1)。
[先前技術文獻]
[專利文獻]
[專利文獻1] 日本特開2019-021080號公報
[發明所欲解決之課題]
先前，基於生物資訊所關連之資訊，來決定要被提供給生物資訊之提供者的報酬值的資料管理系統已被提出，藉此，可進行相應於使用者之健康風險的保險商品之廣告最佳化。可是，為了進行特定之保險商品之廣告最佳化而可直接參照的使用者的屬性資訊(在上記的例子中係為生物資訊)，若要充分地取得，則會遇到各式各樣的困難。
本揭露係有鑑於上記的問題，其課題在於，基於日常生活中所能夠累積之資訊來進行簡便的廣告最佳化。
[用以解決課題之手段]
本揭露之一例係為一種資訊處理裝置，係具備：後付風險推定手段，係用以基於對象使用者所相關之屬性資料，來推定在該對象使用者利用了後付結帳的情況下後付結帳之結算不被該對象使用者正常履行之後付風險；和投放優先度決定手段，係用以基於針對前記對象使用者所被推定出來的前記後付風險，來決定對該對象使用者的保險商品的廣告投放之優先度。
本揭露係可作為藉由資訊處理裝置、系統、電腦而被執行的方法或令電腦執行的程式，而加以界定。又，本揭露係也可作為將此種程式記錄至電腦或其他裝置、機械等可讀取之記錄媒體，而加以界定。此處，所謂的電腦等可讀取之記錄媒體，係指將資料或程式等之資訊以電性、磁性、光學性、機械性或化學性作用而加以積存，並可從電腦等加以讀取的記錄媒體。
[發明效果]
若依據本揭露，則可基於日常生活中所能夠累積之資訊來進行簡便的廣告最佳化。
以下，將本揭露所涉及之資訊處理裝置、方法及程式產品的實施形態，基於圖式而加以說明。但是，以下所說明的實施形態，係僅為例示實施形態，本揭露所涉及之資訊處理裝置、方法及程式產品並非限定於以下所說明的具體構成。在實施之際，可因應實施之態樣而適宜採用具體構成，又，可進行各種的改良或變形。本發明，係可將後述的實施形態、變形例之各者中的構成之至少一部分適宜地相互採用。
在本實施形態中是說明，將本揭露所涉及之技術，在對所定之線上服務之使用者顯示保險商品(例如汽車保險或損害保險)之橫幅廣告之際，為了決定投放對象使用者(視為廣告之顯示對象的使用者)而做實施之情況的態樣。但是，本揭露所涉及之技術，係可廣泛使用於用來決定廣告之投放對象使用者所需之技術，本揭露的適用對象係不限定於實施形態中所示的例子。
＜系統的構成＞
圖1係為本實施形態所述之資訊處理系統的構成的概略圖。本實施形態所述的資訊處理系統中，資訊處理裝置1、和1或複數個服務提供系統5，係被連接成可相互通訊。使用者，係為藉由服務提供系統5而被提供之服務的利用者，藉由從使用者終端向服務提供系統5進行存取以接受服務之提供。
資訊處理裝置1，係為具備：CPU(Central Processing Unit)11、ROM(Read Only Memory)12、RAM (Random Access Memory)13、EEPROM(Electrically
Erasable and Programmable Read Only Memory)或HDD (Hard Disk Drive)等之記憶裝置14、NIC(Network Interface Card)等之通訊單元15等的電腦。但是，關於資訊處理裝置1的具體的硬體構成，係因應實施的態樣而可適宜地省略或置換、追加。又，資訊處理裝置1係不限定於由單一的框體所成的裝置。資訊處理裝置1，係可藉由使用所謂的雲端或分散運算之技術等的複數個裝置來加以實現。
服務提供系統5，為具備CPU、ROM、RAM、記憶裝置、通訊單元、輸入裝置、輸出裝置等(圖示省略)的電腦。又，這些系統及終端，係皆不限定由單一的框體所成的裝置。這些系統及終端，係可藉由使用所謂雲端或分散運算之技術等的複數個裝置來加以實現。
藉由服務提供系統5而被提供的服務係為例如：線上購物服務、線上預約服務、***/後付結帳服務、電子貨幣結帳服務、作業中心服務、或地圖資訊服務等。此外，「後付結帳」係不限於被稱為所謂的Buy Now Pay Later(BNPL)的服務，可包含任何後付所致之商品/服務之購入。
藉由服務提供系統5而被提供的服務係不限定於本實施形態中的例示。然後，服務提供系統5，係在服務提供之際，將使用者關連資料，通知給資訊處理裝置1。此處，使用者關連資料中係含有，該當使用者所致之服務的利用履歷資料。服務的利用履歷資料之內容係會隨著服務之內容而有各式各樣，例如，使用者的位置資訊的履歷資料、***利用額/後付結帳利用額的繳款履歷資料、電子貨幣利用履歷資料、交易履歷資料(包含商品等之購入履歷資料)、預約履歷資料、從作業中心對使用者的作業履歷資料等。
再者，服務提供系統5，係還對使用者，進行廣告投放。更具體而言，服務提供系統5，係對使用者，以在藉由服務提供系統5而被提供的各種服務之Web頁面內***廣告的形式，來對使用者進行廣告投放。於本實施形態中，此處所被投放的廣告裡係包含有：按照每一使用者而被判斷是否要把該當使用者視為投放對象的所定之保險商品的廣告。
資訊處理裝置1，係對服務提供系統5，提供用來判斷是否可把對象使用者視為所定之保險商品等之金融商品的廣告投放對象所需之資料。服務提供系統5，係隨應於從資訊處理裝置1所被提供之資料，而可將針對對象使用者的廣告投放進行客製化。例如，資訊處理裝置1，係對從服務提供系統5所被提供的投放候補清單，以將按照該當投放候補清單中所包含之每一使用者而追加了優先度(投放適否)的清單予以回送的方式，就可對服務提供系統5提供用來判斷是否要把對象使用者視為廣告投放對象所需之資料。投放候補清單係可為，從服務提供系統5已經保有的會員資料，藉由簽約者分析而被抽出的使用者之清單。例如，若所被投放的廣告是汽車保險的廣告，則藉由分析會員資料，將保有汽車或汽車駕照的使用者、或保有汽車或汽車駕照的可能性為高的使用者予以抽出，就可作成投放候補清單。
但是，此處從資訊處理裝置1對服務提供系統5所被提供的資料的形式或種類，係無限定。例如，資訊處理裝置1，係可以對服務提供系統5提供使用者的分數(後述的風險分數等)或投放推薦清單、投放排除清單等的方式，來提供用來判斷是否要把對象使用者視為廣告投放對象所需之資料。又，例如，資訊處理裝置1，係亦可以隨應於來自服務提供系統5的指定有使用者ID的個別之查詢而回送可判斷廣告投放之適否之資料的方式，來提供用來判斷是否要把對象使用者視為廣告投放對象所需之資料。
此處，在投放保險商品之廣告的情況下，廣告投放的優先度，係隨應於接受保險金支付之可能性而被設定為佳。可是，作為廣告之投放候補的使用者中會包含有具有多樣屬性的使用者，例如若針對年輕層使用者來推測接受保險金支付之可能性，係因為推測模型所需之訓練資料的不足或使用者屬性資料的不足等之理由，而為困難。
在本實施形態所述的系統中，是基於先前服務提供系統所需之後付結帳之授權或拒絕的判定上所被使用的後付風險，來決定所定之保險商品的廣告投放之優先度。
在本揭露所涉及之資訊處理裝置中係使用，將使用者屬性資料等當作輸入而會將後付風險(在本實施形態中係為風險分數)予以輸出的機器學習模型。此外，這裡作為輸入而被使用的屬性資料中，亦可包含有表示違約(債務不履行)的資料。藉由把各式各樣的屬性資料當作輸入來使用，若依據本揭露所述之資訊處理裝置1，則可算出藉由使用者的全盤屬性都有被統一地反映而被生成的普遍性(universal)且一般化(generalized)的風險分數。已被算出的風險分數，係可使用於後付結帳服務等中的授信審查(後付結帳之認可或拒絕所伴隨之判定)，但如上述，在本實施形態中，是把已被算出之風險分數，使用在是否把使用者視為所定之保險商品的廣告投放對象的判定上。在本實施形態中，係可將所被算出的風險分數，與保險商品同樣地，使用於是否把使用者決定成為理財商品、定期定額商品、股票、投資信託等之其他金融商品的廣告投放對象的判定上。
此處，使用者屬性資料中係包含有事實屬性資料及推定屬性資料。屬性資料係含有例如：以分數(例如0以上1以下的連續值)或標籤(例如相應於有無或是非的二值)等之資料形式而被表示的資料。但是，屬性資料的格式係不限定於本揭露中的例示。又，屬性資料中係可包含有例如：線上服務利用狀況、包含點數在內的電子性額值之利用狀況。又，線上服務利用狀況中係可包含有：線上購物服務或線上預約服務中的取消數、取消率、及訂購數之至少任一者。
事實屬性資料係為，基於藉由使用者本身提供而被獲得的使用者提供資料或針對使用者而被收集的履歷資料等，關於該當使用者而可確認是屬於事實的表示事實屬性(factual attribute)的資料。作為使用者提供資料係可舉出例如：含有藉由使用者本身而被登錄的姓名或郵件位址、電話號碼、住址、工作地點、就學地點等的登錄資料、或使用者本身對問卷等做回答之結果所得到的資料。作為履歷資料係可舉出例如，上述的藉由服務提供系統5而被提供的電子商務交易服務之利用履歷資料。事實屬性資料，係為把前述的使用者提供資料或履歷資料，轉換成適合於市場行銷及/或分析目的資料形式而成的資料為佳。例如，作為可根據利用履歷資料而獲得的事實屬性資料，除了可舉出使用者所頻繁利用的商品/服務之類型/類別或品牌以外，還可舉出使用者所頻繁造訪的商業區或娛樂區、觀光區等。
又，推定屬性資料係為表示，基於使用者提供資料或履歷資料、事實屬性資料等而藉由推定所被獲得的表示推定屬性(inferred attribute)的資料。於本實施形態中，推定屬性資料係包含，使用機器學習技術而被推定或預測的使用者之性格等。推定屬性資料係為，在被使用於目標市場選擇的情況下，對使用者的行動(舉動)會造成影響的屬性所相關的資料為佳。
於本實施形態中，各屬性資料係被設定有權重。權重，係在後付風險(在本實施形態中係為風險分數)的算出時屬性資料被使用之際，表示屬性資料與風險分數之相關性之高低，藉由後述的機器學習部24而每次評價風險分數的適切性時，模型的參數就會被調整成，使得風險分數變成更加適切的值。與各屬性資料相對應的權重，作為例子，是相當於與後述的決策模型等之風險分數算出所需之模型中的各節點(各迴歸樹)相對應的權重，在風險分數被算出的過程中，會被適宜地決定。此外，風險分數，作為例子，是基於各節點的權重而被決定。
此處，屬性資料群中係可包含有：人口統計屬性、行為屬性、或心理統計屬性。人口統計屬性係為例如：使用者的性別(gender)、家庭組成、年齡等；行為屬性，係可基於服務的利用履歷資料，而為例如：電子現金利用有無、固定限額繳款利用有無、所定之戶頭所涉及之入出金履歷、包含賭博或彩券的某些商品/服務所涉及之商務交易履歷(可包含線上市集等中的線上交易履歷)、使用到位置資訊或場所資訊的使用者之移動履歷等；心理統計屬性係為例如涉及賭博或彩券之興趣等。但是，可利用之使用者的屬性，係不限定於本實施形態中的例示。例如，來自客服中心服務等之「客服(去電等)所需的時間」、「***利用額/後付結帳利用額」，也可當作屬性來使用。人口統計屬性及行為屬性，係可視為事實屬性。心理統計屬性，係可視為推定屬性。此外，與人口統計屬性類似的屬性係可為，基於以使用者提供資料或履歷資料為根據的事實屬性而被推定出來的推定屬性。同樣地，與行為屬性類似的屬性係可為，基於以使用者提供資料或履歷資料為根據的事實屬性而被推定出來的推定屬性。心理統計屬性係可為，根據以使用者所致之意思輸入之結果作為一例而含有的使用者提供資料而得的事實屬性。
圖2係為本實施形態所述之資訊處理裝置1的機能構成之概略的圖示。資訊處理裝置1，係藉由將記憶裝置14中所被記錄的程式，讀出至RAM13中，並藉由CPU11來加以執行，以控制資訊處理裝置1中所具備的各硬體，藉此而成為具備事實屬性決定部21、推定屬性決定部22、後付風險推定部23、機器學習部24、及投放優先度決定部25的資訊處理裝置而發揮機能。此外，在本實施形態及後述的其他實施形態中，資訊處理裝置1所具備的各機能，係藉由通用處理器也就是CPU11而被執行，但這些機能的部分或全部係亦可藉由1或複數個專用處理器而被執行。
事實屬性決定部21，係基於使用者本身所被提供的使用者提供資料及/或該當使用者的履歷資料，來決定關於該當使用者可確認是事實的事實屬性資料。於本實施形態中，事實屬性決定部21係採用：將使用者提供資料及/或履歷資料加以統計、參照地圖等之其他資料而決定相符的屬性、將使用者提供資料及/或履歷資料直接拿來使用等之手法，來決定該當使用者所相關之事實屬性資料。此外，在本實施形態中雖然是採用，將使用者所相關之事實屬性資料，基於使用者提供資料及/或該使用者之履歷資料而加以決定的方法，但使用者所相關之事實屬性資料亦可用其他方法而加以取得。
推定屬性決定部22，係至少基於含有藉由事實屬性決定部21而針對對象使用者而被決定之1或複數個事實屬性資料的使用者關連資料，來決定針對該當使用者而被推定之推定屬性資料。於本實施形態中，推定屬性決定部22係基於，藉由把含有對象使用者所相關之1或複數個事實屬性資料的使用者關連資料，輸入至屬於機器學習模型的屬性推定模型所得到之輸出值，來決定推定屬性。此外，於本實施形態中，來自屬性推定模型之輸出值係為表示對象使用者具有所定之推定屬性的蓋然性的值，推定屬性決定部22，係在從屬性推定模型所得之輸出值是落在所定之範圍內的情況下，就決定為對象使用者具有該當推定屬性。在已被決定為對象使用者具有所定之推定屬性的情況下，推定屬性決定部22，係將針對對象使用者而被推定之屬性資料之標籤，設定成表示屬性之有無或屬性之種類的值。又，推定屬性資料亦可不是用標籤而是用分數來表示。此情況下，推定屬性決定部22，係對針對對象使用者而被推定出來的屬性資料之分數，設定表示已被推定出來的屬性可被適用之程度(機率)的值。該當程度，係可為屬性推定模型的輸出值。
後付風險推定部23，係基於含有對象使用者所相關之事實屬性及推定屬性的屬性資料群，來推定對象使用者的後付風險。此處，所謂後付風險係為，在對象使用者利用了後付結帳的情況下，將後付結帳之結算不被該當對象使用者正常履行之風險，以某種指標(在本實施形態中係為隨應於後付風險之大小而變化的風險分數)來加以表示。此時，後付風險推定部23，係亦可對已被決定之事實屬性及/或推定屬性施行某些加工(正規化或排名化、標籤化等)以作為屬性資料群之一部分，亦可把使用已被決定之事實屬性及/或推定屬性而被算出之其他種類之分數(例如所謂信用分數等)或標籤，當作屬性資料群之全部或部分。此處，其他種類的分數或標籤之算出中，亦可有其他機器學習模型介入。
圖3係為實施形態所述之後付風險推定處理的簡略圖。在本實施形態中，後付風險推定部23，係藉由將使用者的屬性資料群輸入至後付風險推定模型，以推定(算出)該當使用者的後付風險。此處，後付風險推定模型的輸出值，作為例子，係為以0為最小值、以1為最大值而被正規化/規格化的風險分數。
機器學習部24，係將後付風險推定部23所做的後付風險推定時所被使用的後付風險推定模型，予以生成及/或更新。後付風險推定模型係為，在被輸入了對象使用者所相關之1或複數個屬性資料(屬性資料群)的情況下，會將表示對象使用者利用了後付結帳的情況下後付結帳之結算不被該當對象使用者正常履行之風險之程度的風險分數予以輸出的機器學習模型。藉由使用如此的機器學習模型，在本實施形態中，就可不單只有信用分數，而是將考慮到對後付做了特化之因子的輸出，當作風險分數而獲得。但是，後付風險推定模型的輸出值係不限定於風險分數，亦可為表示後付結帳之授權或拒絕之何者的標籤。又，在本實施形態中是展示，採用風險分數之值越大則風險越高、風險分數之值越小則風險越低的風險分數的例子來做說明，但分數之值的大小與風險的高低之關係亦可顛倒。
後付風險推定模型的生成及/或更新時，機器學習部24，係按照每一使用者，作成把該當使用者之屬性資料群定義作為輸入值並且把該當使用者所相關之風險分數定義作為輸出值的訓練資料。然後，機器學習部24，係基於該當訓練資料，來生成及/或更新後付風險推定模型。如上述，被輸入至後付風險推定模型的屬性資料群中，係含有已被事實屬性決定部21所決定之事實屬性資料、與基於含有事實屬性資料的使用者關連資料而被推定屬性決定部22所推定出來的推定屬性資料，會和對應的使用者的風險分數做組合，成為訓練資料而被輸入至機器學習部24。於本實施形態中，訓練資料中所被設定的風險分數係為，作為輸入值的相當於使用者屬性之組合的，基於使用者的後付結帳之支付履歷資料而被決定的風險分數。此處，後付結帳之支付履歷資料係包含，表示後付結帳中的違約(債務不履行)之有無或違約額的資料等。此時，風險分數，係可為規則基礎而被決定之風險分數，亦可為被手動設定的(被進行過註解的)風險分數。又，亦可為藉由後付風險推定模型而在過去曾經被輸出之後，藉由管理者等而被修正過的風險分數。
本揭露所涉及之技術在實作時能夠作為後付風險推定模型等而採用的機器學習模型生成/更新之框架，作為例子，是基於集成學習演算法。該當框架中係可採用例如：基於梯度提升決策樹(Gradient Boosting Decision Tree：GBDT)的機器學習框架(例如LightGBM)。換言之，該當框架係可採用，在前後的弱學習器(弱分類器)間會將正確答案與預測值之誤差予以繼承的基於此種決策樹模型的機器學習框架。此處所謂的預測值，作為例子，係指風險分數的預測值。此外，該當框架，係除了LightGBM以外，還可採用XGBoost或CatBoost等之boosting手法。若依據使用決策樹的框架，則相較於使用神經網路的框架，可用較少的參數調整之手續，就能生成/更新具有比較高性能的機器學習模型。但是，本揭露所涉及之技術在實作時所能夠採用的機器學習模型生成/更新之框架，係不限定於本實施形態中的例示。例如，作為學習器亦可取代梯度提升決策樹而改用隨機森林等其他的學習器，亦可採用神經網路等之不被稱為所謂弱學習器的學習器。又，尤其是在採用神經網路等之不被稱為所謂弱學習器的學習器的情況下，則亦可不採用集成學習。
圖4係為於本實施形態中作為後付風險推定模型等而被採用的機器學習模型的決策樹之概念的簡略圖。在採用基於決策樹演算法的梯度提升之機器學習框架的情況下，決策樹的各節點之分歧條件的最佳化會被進行。具體而言，在基於決策樹演算法的梯度提升之機器學習框架中，針對具有從一個母節點所分歧出來的二個子節點之各者所代表之屬性的使用者群，分別算出風險分數，將母節點的分歧條件進行最佳化，以使得該風險分數的差分會變大(例如使得差分變成最大，或變成所定之閾值以上)，亦即使得二個子節點能夠明確地分歧。例如，作為節點的分歧條件而被表示的屬性係為年齡的情況下，則亦可將被設定成分歧之閾值的年齡予以變更，或者亦可將分歧條件變更成年齡以外的屬性。如此，藉由將決策樹的全節點的分歧條件做遞迴性的最佳化，就可提升基於屬性資料群的風險分數的推定精度。
投放優先度決定部25，係基於針對對象使用者藉由後付風險推定部23所被推定出來的後付風險(風險分數)，來決定對對象使用者的所定之保險商品等之金融商品的廣告投放之優先度。例如，投放優先度決定部25，係在風險分數是落在所定之範圍內(例如所定之閾值以上)的情況下，進行將對象使用者從廣告投放之對象中予以排除的處理(例如對對象使用者設定從廣告之投放對象中予以排除之旗標的處理)。又，例如，投放優先度決定部25係亦可進行，基於風險分數來決定關於對象使用者的投放優先度之指標(分數或排名)，並設定至對象使用者的處理。
＜處理的流程＞
接著說明，藉由本實施形態所述的資訊處理裝置而被執行的處理之流程。此外，以下說明的處理的具體內容及處理順序，係為為了實施本揭露所需之一例。具體的處理內容及處理順序，係可隨著本揭露的實施形態而做適宜選擇。
圖5係為本實施形態所述之機器學習處理之流程的流程圖。本流程圖中所示的處理，係定期地，或在藉由管理者而被指定的時間點上被執行。
於本實施形態中，在機器學習處理中，後付風險推定模型會被生成及/或更新。機器學習部24係作成訓練資料，其中含有：過去所被累積之每一使用者的屬性資料群，和針對對應之使用者而被預先決定的風險分數之組合(步驟S101)。然後，機器學習部24，係將已被作成之訓練資料輸入至後付風險推定模型，將後付風險推定部23所做的後付風險推定時所被使用的後付風險推定模型予以生成及/或更新(步驟S102)。其後，本流程圖中所示的處理係結束。
圖6係為本實施形態所述之投放優先度決定處理(1)之流程的流程圖。本流程圖中所示的處理，係定期地，或在已被指定的時間點上，按照每一對象使用者而被執行。於本實施形態中，對象使用者，係為從服務提供系統5所被提供的投放候補清單中所被刊載的使用者。
在步驟S201及步驟S202中，事實屬性資料及推定屬性資料係被決定。事實屬性決定部21，係基於對象使用者的使用者提供資料及/或履歷資料，來決定對象使用者所相關之事實屬性資料(步驟S201)。然後，推定屬性決定部22，係至少基於步驟S201中所被決定之事實屬性資料，來決定對象使用者所相關之推定屬性資料(步驟S202)。其後，處理係往步驟S203前進。
在步驟S203及步驟S204中，風險分數係被決定、輸出。後付風險推定部23，係將含有步驟S201中所被決定之事實屬性資料及步驟S202中所被決定之推定屬性資料的屬性資料群，予以決定(步驟S203)。然後，後付風險推定部23，係將步驟S203中所被決定之屬性資料群，輸入至後付風險推定模型，並將所被輸出的值，當作對象使用者利用了後付結帳的情況下隨應於後付結帳之結算不被該當對象使用者正常履行之風險而變化的風險分數，而加以取得(步驟S204)。但是，風險分數的推定方法，係不限定於本實施形態中的例示。例如，風險分數係亦可為包含有，將屬性資料群輸入至非機器學習模型的所定之函數或統計模型等而被算出的值。其後，處理係往步驟S205前進。
在步驟S205及步驟S206中，對象使用者的廣告投放優先度係被決定、輸出。一旦得到對象使用者的風險分數，投放優先度決定部25，係依照對象使用者的風險分數，來決定該當對象使用者的廣告投放優先度(步驟S205)。更具體而言，在本實施形態中，係將對象使用者的風險分數與所定之閾值進行比較，若為閾值以上的情況下，則針對對象使用者，設定用來從廣告之投放對象中予以排除的旗標。另一方面，在對象使用者的風險分數是未滿閾值的情況下，對象使用者，係不會從廣告之投放對象被排除。
資訊處理裝置1，係將針對對象使用者所被決定的表示廣告投放之優先度的資料，對服務提供系統5進行提供(步驟S206)。更具體而言，於本實施形態中，資訊處理裝置1，係將對投放候補清單，追加了按照每一使用者所被設定的優先度資料(表示是否要從廣告投放之對象中予以排除的旗標)而成的已更新之投放候補清單，對服務提供系統5進行提供。但是，對服務提供系統5提供用來判斷是否把對象使用者視為廣告投放對象所需之優先度資料所需之具體的方法，係不限定於本實施形態中的例示。例如，資訊處理裝置1，亦可取帶表示是否從投放之對象中予以排除的旗標，改為提供用來讓服務提供系統5判斷投放之優先度所需之指標(分數或排名)。此時所被提供的指標，係可直接使用對象使用者的風險分數，亦可提供基於對象使用者的風險分數而被算出的其他之指標。其後，本流程圖中所示的處理係結束。
從資訊處理裝置1接收到表示廣告投放之優先度的資料(在本實施形態中係為已被更新之投放候補清單)的服務提供系統5，係依照已被接收之資料所示的廣告投放之優先度，來執行廣告的投放處理。
＜效果＞
若依據本揭露，則藉由參照基於日常生活中所能夠累積之資訊而被推測的後付風險，就可進行簡便的廣告最佳化。又，藉由進行如此的廣告最佳化，就可隨應於保險金支付可能性來決定廣告之投放對象。
＜第一變形例＞
在上記說明的實施形態中是說明，針對全部的案例都進行基於後付風險的廣告投放之優先度決定的例子，但在可使用廣告對象商品專用之模型來進行優先度決定的情況下，亦可不進行基於後付風險的廣告投放之優先度決定，而使用專用之模型來進行優先度決定。以下，針對本變形例所述之資訊處理裝置1b，關於與上記說明的實施形態共通的部分係省略說明，針對與上記說明的實施形態之差異來做說明。
在本變形例中，係使用2個模型(第一模型及第二模型)，來進行廣告投放之優先度決定。此處，第一模型，係為上記說明的實施形態的後付風險推定模型，係為使用了把使用者的屬性資料群當作輸入值並把該當使用者所相關之後付風險(風險分數)當作輸出值(標籤)而定義之訓練資料所被生成及/或更新的機器學習模型。
另一方面，第二模型係為，使用了把適合於廣告之對象商品/服務的使用者屬性資料當作輸入值，把考慮到對該當使用者所相關之對象商品/服務做了特化之因子的標籤當作輸出值而定義的訓練資料所被生成及/或更新的，廣告對象商品專用之模型(以下稱作「支付可能性推定模型」。)。此處，作為適合於廣告之對象商品/服務的使用者屬性資料，例如，在汽車保險是對象商品的情況下，可舉出含有過去n年間的汽車事故之有無的屬性資料。可是，例如針對年輕層之使用者，係難以獲得「過去n年間的汽車事故之有無」這類屬性資料。
廣告對象商品專用之支付可能性推定模型(第二模型)，是使用對進行優先度決定而言為適切的量的訓練資料而被進行過學習的情況下，則不使用後付風險推定模型(第一模型)，使用廣告對象商品專用之支付可能性推定模型來進行優先度決定。另一方面，後付風險推定模型，係在專用之支付可能性推定模型並未使用適切的量的訓練資料進行過學習的情況下，則可改為使用支付可能性推定模型。通常，相較於廣告對象商品專用之支付可能性推定模型所需的訓練資料，較為一般的後付風險推定模型所需的訓練資料是較容易被累積，因此即使在專用之支付可能性推定模型所需之適切的量的訓練資料尚未被累積的情況下，針對許多的對象使用者仍可進行廣告投放之優先度決定。
圖7係為第一變形例所述之資訊處理裝置1b的機能構成之概略的圖示。關於資訊處理裝置1b的硬體構成，係和參照圖1所說明的資訊處理裝置1相同，因此省略說明。資訊處理裝置1b，係藉由將記憶裝置14中所被記錄的程式，讀出至RAM13中，並藉由CPU11來加以執行，以控制資訊處理裝置1中所具備的各硬體，藉此而成為具備事實屬性決定部21、推定屬性決定部22、後付風險推定部23、機器學習部24、投放優先度決定部25b、及支付可能性推定部26的資訊處理裝置而發揮機能。
亦即，本變形例所述之資訊處理裝置1b，係還具備有支付可能性推定部26。又，投放優先度決定部25b，係和上記實施形態所述之投放優先度決定部25的處理之內容有部分不同。
支付可能性推定部26，係基於對象使用者所相關之屬性資料，來推定該當對象使用者購入了保險商品之情況下的保險金支付可能性。具體而言，支付可能性推定部26，係基於將對象使用者所相關之屬性資料輸入至支付可能性推定模型所得到的輸出值，來推定對象使用者的保險金支付可能性。這裡所被使用的支付可能性推定模型之具體的態樣係無限定，支付可能性推定模型，係可為機器學習模型、所定之函數、統計模型等。作為支付可能性推定模型是採用機器學習模型的情況下，該當機器學習模型之生成及/或更新，係除了在其輸入是使用了適合於廣告之對象商品/服務的使用者屬性資料，在輸出是使用了表示保險金支付可能性的標籤或分數以外，其餘皆和上記說明的後付風險推定模型之生成及/或更新概略相同，因此省略說明。
投放優先度決定部25b，係基於針對對象使用者所被推定出來的後付風險或保險金支付可能性，來決定對該當對象使用者的保險商品的廣告投放之優先度。具體而言，投放優先度決定部25b，係在為了支付可能性推定模型而被使用的訓練資料的量未達所定之基準的情況下，基於針對對象使用者所被推定出來的後付風險，來決定對該當對象使用者的保險商品的廣告投放之優先度；在為了支付可能性推定模型而被使用的訓練資料的量已達所定之基準的情況下，基於針對對象使用者所被推定出來的保險金支付可能性，來決定對該當對象使用者的保險商品的廣告投放之優先度。
圖8係為第一變形例所述之投放優先度決定處理(2)之流程的流程圖。本流程圖中所示的處理，係定期地，或在已被指定的時間點上，按照每一對象使用者而被執行。
在步驟S301至步驟S303中，屬性資料群係被決定。步驟S301至步驟S303之處理，係和參照圖6所說明的投放優先度決定處理(1)的步驟S201至步驟S203之處理概略相同，因此省略說明。其後，處理係往步驟S304前進。
在步驟S304至步驟S306中，分數係被決定、輸出。資訊處理裝置1b係判定，為了支付可能性推定模型而被使用的訓練資料的量，是否已達所定之基準(例如所定之資料數或所定之資料大小)(步驟S304)。在為了支付可能性推定模型而被使用的訓練資料的量未達所定之基準的情況下(支付可能性推定模型所需之訓練資料為不足的情況。步驟S304的YES)，則後付風險推定部23，係將步驟S303中所被決定的屬性資料群，輸入至後付風險推定模型，並將所被輸出的值，當作對象使用者的風險分數而加以取得(步驟S305)。另一方面，為了支付可能性推定模型而被使用的訓練資料的量是已達所定之基準的情況下(步驟S304的NO)，則支付可能性推定部26，係將步驟S303中所被決定的屬性資料群，輸入至支付可能性推定模型，並將所被輸出的值，當作對象使用者購入了廣告之對象也就是保險商品之情況下隨應於保險金支付可能性而變化的判定用分數而加以取得(步驟S306)。其後，處理係往步驟S307前進。
在步驟S307及步驟S308中，對象使用者的廣告投放優先度係被決定、輸出。一旦得到對象使用者的風險分數或判定用分數，投放優先度決定部25b，係依照對象使用者的風險分數或判定用分數，來決定該當對象使用者的廣告投放優先度(步驟S307)。然後，資訊處理裝置1，係將針對對象使用者所被決定的表示廣告投放之優先度的資料，對服務提供系統5進行提供(步驟S308)。關於具體的優先度之決定方法、及對服務提供系統5的提供方法，係和上記說明的實施形態概略相同，因此省略說明。此外，此處，在風險分數與判定用分數之間，判定所需之閾值可為不同。其後，本流程圖中所示的處理係結束。
＜第二變形例＞
在上記說明的實施形態中是說明，針對投放候補清單中所被刊載的全部使用者都進行基於後付風險的廣告投放之優先度決定的例子，但亦可為，針對已經累積了為了使用廣告對象商品專用之模型來進行優先度決定所需之適切的屬性資料的使用者，不進行基於後付風險的廣告投放之優先度決定，針對尚未累積為了使用專用之模型來進行優先度決定所需之適切的屬性資料的使用者，則進行基於後付風險的廣告投放之優先度決定而使用專用之模型來進行優先度決定。以下，針對本變形例所述之資訊處理裝置1c，關於與上記說明的第一變形例共通的部分係省略說明，針對與上記說明的第一變形例之差異來做說明。
在本變形例中，係和第一變形例同樣地，使用2個模型(第一模型及第二模型)，來進行廣告投放之優先度決定。此處，第一模型及第二模型，係和上記說明的第一變形例的後付風險推定模型及支付可能性推定模型相同，因此省略說明。
圖9係為第二變形例所述之資訊處理裝置1c的機能構成之概略的圖示。關於資訊處理裝置1c的硬體構成，係和參照圖1所說明的資訊處理裝置1相同，因此省略說明。資訊處理裝置1c，係藉由將記憶裝置14中所被記錄的程式，讀出至RAM13中，並藉由CPU11來加以執行，以控制資訊處理裝置1中所具備的各硬體，藉此而成為具備事實屬性決定部21、推定屬性決定部22、後付風險推定部23、機器學習部24、投放優先度決定部25c、及支付可能性推定部26的資訊處理裝置而發揮機能。
亦即，於本變形例所述的資訊處理裝置1c中，投放優先度決定部25c，係和上記第一變形例所述之投放優先度決定部25b的處理之內容有部分不同。
投放優先度決定部25c，係在針對對象使用者而被累積的該當使用者之屬性資料未達所定之基準的情況下，換言之，針對對象使用者而被累積的該當使用者之屬性資料中，使用支付可能性推定模型的妥當性高的判定用分數之推定被判定為困難的情況下，則基於針對該當對象使用者所被推定出來的後付風險，來決定對該當對象使用者的保險商品的廣告投放之優先度。此處，作為針對對象使用者而被累積的該當使用者之屬性資料未達所定之基準的情況的例子，可舉出：汽車保險為對象商品且關於對象使用者尚未累積含有在過去n年間的汽車事故之有無的屬性資料。如上述，例如針對年輕層之使用者，是難以獲得如此的屬性資料。
圖10係為第二變形例所述之投放優先度決定處理(3)之流程的流程圖。本流程圖中所示的處理，係定期地，或在已被指定的時間點上，按照每一對象使用者而被執行。
在步驟S401至步驟S403中，屬性資料群係被決定。步驟S401至步驟S403之處理，係和參照圖6所說明的投放優先度決定處理(1)的步驟S201至步驟S203之處理概略相同，因此省略說明。其後，處理係往步驟S404前進。
在步驟S404至步驟S406中，分數係被決定、輸出。資訊處理裝置1c係判定，針對對象使用者而被累積的該當對象使用者之屬性資料，是否已經達到可使用支付可能性推定模型進行妥當性高的判定用分數之推定所需之所定之基準(步驟S404)。對象使用者之屬性資料未達所定之基準的情況下(支付可能性推定模型所需之屬性資料為不足的情況。步驟S404的YES)，則後付風險推定部23，係將步驟S403中所被決定的屬性資料群，輸入至後付風險推定模型，並將所被輸出的值，當作對象使用者的風險分數而加以取得(步驟S405)。另一方面，對象使用者之屬性資料已達所定之基準的情況下(步驟S404的NO)，則支付可能性推定部26，係將步驟S403中所被決定的屬性資料群，輸入至支付可能性推定模型，並將所被輸出的值，當作對象使用者的判定用分數而加以取得(步驟S406)。其後，處
理係往步驟S407前進。
在步驟S407及步驟S408中，對象使用者的廣告投放優先度係被決定、輸出。步驟S407及步驟S408之處理，係和參照圖8所說明的投放優先度決定處理(2)的步驟S307及步驟S308之處理概略相同，因此省略說明。其後，本流程圖中所示的處理係結束。
1,1b,1c:資訊處理裝置
5:服務提供系統
11:CPU
12:ROM
13:RAM
14:記憶裝置
15:通訊單元
21:事實屬性決定部
22:推定屬性決定部
23:後付風險推定部
24:機器學習部
25,25b,25c:投放優先度決定部
26:支付可能性推定部
[圖1]實施形態所述之資訊處理系統的構成的概略圖。
[圖2]實施形態所述之資訊處理裝置的機能構成之概略的圖示。
[圖3]實施形態所述之後付風險推定處理的簡略圖。
[圖4]實施形態中所被採用的機器學習模型之決策樹之概念的簡略圖。
[圖5]實施形態所述之機器學習處理之流程的流程圖。
[圖6]實施形態所述之投放優先度決定處理(1)之流程的流程圖。
[圖7]第一變形例所述之資訊處理裝置的機能構成之概略的圖示。
[圖8]第一變形例所述之投放優先度決定處理(2)之流程的流程圖。
[圖9]第二變形例所述之資訊處理裝置的機能構成之概略的圖示。
[圖10]第二變形例所述之投放優先度決定處理(3)之流程的流程圖。
1:資訊處理裝置
21:事實屬性決定部
22:推定屬性決定部
23:後付風險推定部
24:機器學習部
25:投放優先度決定部
Claims (11)
- 一種資訊處理裝置，係具備： 後付風險推定手段，係用以基於對象使用者所相關之屬性資料，來推定在該對象使用者利用了後付結帳的情況下後付結帳之結算不被該對象使用者正常履行之後付風險；和 投放優先度決定手段，係用以基於針對前記對象使用者所被推定出來的前記後付風險，來決定對該對象使用者的保險商品的廣告投放之優先度。
- 如請求項1所記載之資訊處理裝置，其中， 前記後付風險推定手段，係基於將前記對象使用者所相關之屬性資料輸入至機器學習模型所得到的輸出值，來推定前記對象使用者的後付風險。
- 如請求項2所記載之資訊處理裝置，其中， 前記機器學習模型的輸出值係為，在前記對象使用者利用了後付結帳的情況下，隨應於後付結帳之結算不被該對象使用者正常履行之風險而變化的風險分數； 前記投放優先度決定手段，係在前記風險分數是落在所定之範圍內的情況下，將前記對象使用者從前記廣告投放之對象中予以排除。
- 如請求項3所記載之資訊處理裝置，其中， 前記投放優先度決定手段，係在前記風險分數是所定之閾值以上的情況下，將前記對象使用者從前記廣告投放之對象中予以排除。
- 如請求項2所記載之資訊處理裝置，其中， 前記後付風險推定手段係使用：使用了把線上購物服務或線上預約服務中的取消數、取消率及訂購數之至少任一者當作輸入值的訓練資料而被生成及/或更新的前記機器學習模型，來推定前記對象使用者的後付風險。
- 如請求項1所記載之資訊處理裝置，其中， 還具備：支付可能性推定手段，係用以基於前記對象使用者所相關之屬性資料，來推定在該對象使用者購入了前記保險商品之情況下的保險金支付可能性； 前記投放優先度決定手段，係基於針對前記對象使用者所被推定出來的前記後付風險或前記保險金支付可能性，來決定對該對象使用者的前記保險商品的廣告投放之優先度。
- 如請求項6所記載之資訊處理裝置，其中， 前記支付可能性推定手段，係基於將前記對象使用者所相關之屬性資料輸入至支付可能性推定模型所得到的輸出值，來推定前記對象使用者的保險金支付可能性； 前記投放優先度決定手段，係在為了前記支付可能性推定模型而被使用的訓練資料的量未達所定之基準的情況下，基於針對前記對象使用者所被推定出來的前記後付風險，來決定對該對象使用者的前記保險商品的廣告投放之優先度。
- 如請求項6所記載之資訊處理裝置，其中， 前記支付可能性推定手段，係基於將前記對象使用者所相關之屬性資料輸入至支付可能性推定模型所得到的輸出值，來推定前記對象使用者的保險金支付可能性； 前記投放優先度決定手段，係在針對前記對象使用者而被累積的該使用者之屬性資料未達所定之基準的情況下，基於針對該對象使用者所被推定出來的前記後付風險，來決定對該對象使用者的前記保險商品的廣告投放之優先度。
- 如請求項1所記載之資訊處理裝置，其中， 還具備： 事實屬性決定手段，係用以基於從使用者自身所提供的使用者提供資料或該使用者的履歷資料，而決定針對該使用者可確認是屬於事實的事實屬性；和 推定屬性決定手段，係用以至少基於該使用者所相關之前記事實屬性，而決定針對該使用者所被推定出來的推定屬性； 前記後付風險推定手段，係基於含有前記對象使用者所相關之前記事實屬性及推定屬性的屬性資料群，來推定前記對象使用者的後付風險。
- 一種方法，係由電腦來執行： 後付風險推定步驟，係基於對象使用者所相關之屬性資料，來推定在該對象使用者利用了後付結帳的情況下後付結帳之結算不被該對象使用者正常履行之後付風險；和 投放優先度決定步驟，係基於針對前記對象使用者所被推定出來的前記後付風險，來決定對該對象使用者的保險商品的廣告投放之優先度。
- 一種程式產品，係使電腦發揮功能而成為： 後付風險推定手段，係用以基於對象使用者所相關之屬性資料，來推定在該對象使用者利用了後付結帳的情況下後付結帳之結算不被該對象使用者正常履行之後付風險；和 投放優先度決定手段，係用以基於針對前記對象使用者所被推定出來的前記後付風險，來決定對該對象使用者的保險商品的廣告投放之優先度。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022-155941 | 2022-09-29 | ||
| 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 |
|---|---|
| TWI837066B true TWI837066B (zh) | 2024-03-21 |
| TW202414308A TW202414308A (zh) | 2024-04-01 |
Family
ID=88469027
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112136652A TWI837066B (zh) | 2022-09-29 | 2023-09-25 | 資訊處理裝置、方法及程式產品 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7370435B1 (zh) |
| TW (1) | TWI837066B (zh) |
Citations (6)
| 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 |
| CN101568937A (zh) * | 2007-05-02 | 2009-10-28 | 谷歌公司 | 具有混合的后付费和预付费能力的灵活广告计费*** |
| 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 |
| TWM547138U (zh) * | 2017-04-28 | 2017-08-11 | Happy Song Market Planning Ltd | 購物系統 |
| 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 |
| CN114255059A (zh) * | 2020-09-21 | 2022-03-29 | 北京鸿享技术服务有限公司 | 应用广告投放的监测方法、装置、***及可读存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| JP7066151B2 (ja) * | 2018-12-18 | 2022-05-13 | 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 |
| 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 |
-
2022
- 2022-09-29 JP JP2022155941A patent/JP7370435B1/ja active Active
-
2023
- 2023-09-25 TW TW112136652A patent/TWI837066B/zh active
Patent Citations (6)
| 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 |
| CN101568937A (zh) * | 2007-05-02 | 2009-10-28 | 谷歌公司 | 具有混合的后付费和预付费能力的灵活广告计费*** |
| 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 |
| TWM547138U (zh) * | 2017-04-28 | 2017-08-11 | Happy Song Market Planning Ltd | 購物系統 |
| 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 |
| CN114255059A (zh) * | 2020-09-21 | 2022-03-29 | 北京鸿享技术服务有限公司 | 应用广告投放的监测方法、装置、***及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2024049611A (ja) | 2024-04-10 |
| JP7370435B1 (ja) | 2023-10-27 |
| TW202414308A (zh) | 2024-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11170395B2 (en) | Digital banking platform and architecture | |
| US20210035152A1 (en) | Predicting the effectiveness of a marketing campaign prior to deployment | |
| US20200349641A1 (en) | System and method for determining credit and issuing a business loan using tokens and machine learning | |
| Keramati et al. | Improved churn prediction in telecommunication industry using data mining techniques | |
| US8412604B1 (en) | Financial account segmentation system | |
| US20140108156A1 (en) | Methods and systems for extracting and managing latent social networks for use in commercial activities | |
| CN112118116A (zh) | 基于电子商务平台中的设置来推荐商家讨论组的***和方法 | |
| US20210182730A1 (en) | Systems and methods for detecting non-causal dependencies in machine learning models | |
| JP2023164741A (ja) | 情報処理装置、方法及びプログラム | |
| TWI837066B (zh) | 資訊處理裝置、方法及程式產品 | |
| CN114298825A (zh) | 还款积极度评估方法及装置 | |
| US20130054326A1 (en) | Relationship Rewards | |
| JP7509858B2 (ja) | 情報処理システム、情報処理方法及びプログラム | |
| US20240095822A1 (en) | Information processing apparatus, method, and medium | |
| JP2022027520A (ja) | デジタルメッセージから情報を取得するためのシステムおよび方法 | |
| JP7345032B1 (ja) | 与信審査装置、方法及びプログラム | |
| TW202424873A (zh) | 資訊處理系統、資訊處理方法及程式產品 | |
| TW202424876A (zh) | 資訊處理系統、資訊處理方法及程式產品 | |
| TW202424874A (zh) | 資訊處理系統、資訊處理方法及程式產品 | |
| TW202401337A (zh) | 審查裝置、審查方法及程式產品 | |
| JP2024083177A (ja) | 情報処理システム、情報処理方法及びプログラム | |
| JP2023148437A (ja) | 情報処理システム、方法及びプログラム | |
| WO2024134925A1 (ja) | 信用学習装置、信用学習方法、信用推定装置、信用推定方法及びプログラム | |
| TW202427334A (zh) | 信用學習裝置、信用學習方法、信用推定裝置、信用推定方法及程式產品 | |
| JP2023148438A (ja) | 情報処理システム、方法及びプログラム |