JP7309892B2 - 金融関連商品提示装置およびプログラム - Google Patents

Description

本発明は、金融関連商品提示装置およびプログラムに関する。

顧客への質問に対する回答を受信して、当該回答に基づいて顧客に提案すべき商品やサービスを決定するコンピュータシステムがある（例えば、特許文献１参照）。
［先行技術文献］
［特許文献］
［特許文献１］ 特許第６３２６５３８号

解決しようとする課題

しかしながら、上記コンピュータシステムにあっては顧客に対して質問への回答を要求しており、顧客フレンドリーとはいえない。例えば、商品やサービスが広義の金融関連の一例である保険に関するものである場合に、保険の既契約者からは契約時にすでに情報を取得しているので、この情報を活用することが求められている。

一般的開示

上記課題を解決するために、本発明の第１の態様においては、契約特定情報に対応付けて契約者に関する情報および更改前の契約特定情報を格納する格納部と、特定の前記契約特定情報に対応付けて格納された前記情報と、前記特定の契約特定情報に対応付けられた前記更改前の契約特定情報に対応付けて格納された前記情報とを前記格納部から読み出す読出部と、契約者に関する情報と契約している金融関連商品との関係を学習した機械学習モデルを用いて、前記読出部が読み出した情報に対して金融関連商品を提示する提示部とを備える金融関連商品提示装置が提供される。

本発明の第２の態様においては、コンピュータに、契約特定情報に対応付けて契約者に関する情報および更改前の契約特定情報を格納部に格納する格納機能と、特定の契約特定情報に対応付けて格納された情報と、特定の契約特定情報に対応付けられた更改前の契約特定情報に対応付けて格納された情報とを格納部から読み出す読出機能と、契約者に関する情報と契約している金融関連商品との関係を学習した機械学習モデルを用いて、読出機能により読み出した情報に対して金融関連商品を提示する提示機能とを実現させるプログラムが提供される。

本発明の第３の態様においては、契約者に関する情報と契約している金融関連商品との関係を学習した機械学習モデルの特徴量と、特徴量を解説した解説文とを対応付けて格納した解説文格納部と、対象者に関する情報に対して機械学習モデルを用いることにより、対象者への金融関連商品を提示する提示部とを備え、提示部は、金融関連商品を提示するのに用いた特徴量に基づいて、解説文格納部に格納された解説文をさらに提示する金融関連商品提示装置が提供される。

本発明の第４の態様においては、コンピュータに、契約者に関する情報と契約している金融関連商品との関係を学習した機械学習モデルの特徴量と、特徴量を解説した解説文とを対応付けて格納した解説文格納機能と、対象者に関する情報に対して機械学習モデルを用いることにより、対象者への金融関連商品を提示する提示機能とを実現させ、提示機能は、金融関連商品を提示するのに用いた特徴量に基づいて、解説文格納部に格納された解説文をさらに提示することを含むプログラムが提供される。

なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。

第１の実施形態に係る保険商品提示装置１０の機能ブロックを示す。 契約者情報ＤＢ１３０に格納されている契約者情報の例を示す。 保険商品提示装置１０の動作フローの一例を示す。 契約者情報を統合するステップＳ１０の動作フローの一例を示す。 統合情報格納部１００に格納された契約者情報等の例を示す。 保険商品の契約者を分析した決定木の一例である。 保険商品を提示するステップＳ３０の動作フローの一例を示す。 第２の実施形態に係る保険商品提示装置１２の機能ブロックを示す。 募集情報ＤＢ１３６に格納された募集に関する情報である募集情報の例を示す。 保険商品提示装置１２の動作フローの一例を示す。 保険商品について募集情報を説明変数として分析した決定木の一例である。 第３の実施形態に係る保険商品提示装置１４の機能ブロックを示す。 解説文格納部１５０に格納される解説文の例を示す。 解説文格納部１５０に格納される解説文の他の例を示す。 保険商品提示装置１０、１２、１４で学習および推論する他の機械学習モデル１６０の特徴量の例を示す。 保険商品提示装置１０、１２、１４で学習および推論するさらに他の機械学習モデル１７０の特徴量の例を示す。 本発明の複数の態様が全体的または部分的に具現化されてよいコンピュータ２２００の例を示す。

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

図１は第１の実施形態に係る保険商品提示装置１０の機能ブロックを示す。保険商品提示装置１０は例えば保険会社で管理されているコンピュータである。保険商品提示装置１０は代理店の募集人が使用する端末２０とインターネットなどの通信網により通信する。募集人は保険の募集をする、代理店の営業担当者等である。

保険商品提示装置１０は、契約者に関する契約者情報を格納している契約者情報ＤＢ１３０と、契約者からの苦情に関する苦情情報を格納している苦情情報ＤＢ１３２と、契約者が関与した事故に関する事故情報を格納している事故情報ＤＢ１３４を有する。これら契約者情報、苦情情報および事故情報は、保険会社の社員により直接、または、代理店の募集人の端末２０からそれぞれのデータベースに格納される。

保険商品提示装置１０はさらに、統合情報格納部１００、読出部１１０、推定部１１２および提示部１１４を備える。提示部１１４には機械学習モデル１２０が含まれる。

図２は、契約者情報ＤＢ１３０に格納されている契約者情報の例を示す。図２の契約者情報には、自動車保険の契約者に関する情報が例示されている。

契約者情報ＤＢ１３０には、契約者情報が保険証券番号ごとに、すなわち、保険証券番号に対応付けて格納されている。さらに、当該保険の契約がそれ以前の保険の契約期間満了に伴う等の更改である場合には、更改前の保険証券番号が現在の保険証券番号に対応付けて格納されている。なお、図２の例において当該保険の契約が更改によるものではない場合には、更改前の保険証券番号のフィールドに無効な値「＊」が格納される。

契約者情報には、契約期間、契約者氏名、契約者年齢、契約者性別、契約者住所、車種、車名および免許証の色が含まれる。これらの情報は契約時に必須の情報である。なお、車名には国産車であるか、外国車であるかを示す情報が含まれる。図２の例では、車名のフィードにおいて、車名の後に国産車であれば「（国）」、外国車であれば「（外）」の表記が付されている。

契約者情報には、自動車保険、火災保険、生命保険等を区別する保険種別、および、保険商品を特定する保険商品ＩＤも含まれる。図２に示す例において、保険種別および保険商品ＩＤは保険証券番号に含まれている。当該保険証券番号の最初のアルファベット１文字が保険種別を表す。例えば、自動車保険は「Ｊ」、火災保険は「Ｋ」、生命保険は「Ｓ」などである。さらに、当該保険証券番号の２番目から４番目までのアルファベット３文字が保険商品ＩＤを表す。よって、図２の例において「ＪＢＣＤ０００１」と「ＪＢＣＤ０００２」は自動車保険であって同一の保険商品であり、「ＪＢＣＸ０１９５」は自動車保険であるがそれらとは異なる保険商品であることを示す。

契約者情報にはさらに、契約時は必須でない任意の情報も含まれる。図２に示す、自動車保険における任意の情報の例は、配偶者の有無や持家と賃貸の別である。自動車保険における任意の情報には、自動車の車体の色、子供と同居の有無、子供の年齢、親と同居の有無、親の年齢等が含まれていてもよい。任意の情報は募集人が契約者から聞き出したものであってもよいし、契約に付随する契約者へのアンケートなどで取得してもよい。なお、保険種別が火災保険である場合には、広さ、地域、角部屋か否か、駅からの距離、階数などの資産価値の情報が含まれていてもよい。

図示は省略するが、苦情情報ＤＢ１３２には、保険証券番号に対応付けて、当該保険証券番号の契約者が保険について代理店または保険会社に申し立てた苦情の内容が苦情情報として格納されている。苦情を申し立てたことがない場合には当該フィールドにその旨を示す情報、例えば、無効な値「＊」が格納される。苦情情報は、苦情の内容をカテゴリー分けしたカテゴリーを示す情報や、苦情の度合いのランクを示す情報を含んでいてもよい。

同様に、事故情報ＤＢ１３４には、保険証券番号に対応付けて、当該保険証券番号の契約者が関与した事故の内容が事故情報として格納されている。特に、当該契約が自動車保険であれば自動車に関する事故の情報が格納され、当該契約が火災保険であれば火災に関する事故の情報が格納される。事故がない場合には当該フィールドにその旨を示す情報、例えば、無効な値「＊」が格納される。事項情報は、事故の内容をカテゴリー分けしたカテゴリーを示す情報や、事故の度合いのランクを示す情報を含んでいてもよい。

さらに、保険商品提示装置１０は、契約者から保険会社のコンタクトセンターへの電話のログを保険証券番号に対応付けてコンタクトセンター入電情報として格納していてもよい。保険商品提示装置１０はさらに、保険証券番号に対応付けられた情報が格納された外部ＤＢと接続されていてもよい。

図３は、保険商品提示装置１０の動作フローの一例を示す。保険商品提示装置１０は、契約者情報ＤＢ１３０等の契約者情報を統合し（Ｓ１０）、統合した契約者情報等を用いて保険商品ごとに決定木で分析して機械学習モデルとし（Ｓ２０）、当該機械学習モデルを用いて端末２０に向けて保険商品を提示する（Ｓ３０）。

図４は、契約者情報等を統合するステップＳ１０の動作フローの一例を示す。当該動作フローは、保険商品提示装置１０への直接の指示により、または、四半期ごと等、定期的に開始される。

読出部１１０は、契約者情報ＤＢ１３０から保険証券番号および当該保険証券番号に対応付けて格納されている契約者情報を読み出す（Ｓ１０１）。読出部１１０はさらに、同一の保険証券番号に対応付けて苦情情報ＤＢ１３２に格納されている苦情情報、および、事故情報ＤＢ１３４に格納されている事故情報を読み出す（同ステップ）。

読出部１１０は、ステップＳ１０１で読み出した保険証券番号に対応付けて更改前の保険証券番号が格納されているか否かを判断する（Ｓ１０３）。更改前の保険証券番号が格納されている場合（Ｓ１０３：Ｙｅｓ）、読出部１１０は、この更改前の保険証券番号に対応付けられた契約者情報を契約者情報ＤＢから読み出す（Ｓ１０５）。さらに、読出部１１０は、この更改前の保険証券番号に対応付けられた苦情情報および事故情報を苦情情報ＤＢ１３２および事故情報ＤＢ１３４から読み出す（同ステップ）。

図２に示す例において、保険証券番号「ＪＢＣＤ０５７１」に対応付けて更改前の保険証券番号「ＪＢＣＤ０００２」が格納されている。よって、読出部１１０は、ステップＳ１０３で保険証券番号「ＪＢＣＤ０５７１」の契約者情報、苦情情報および事故情報を読み出すとともに、Ｓ１０５で更改前の保険証券番号「ＪＢＣＤ０００２」の契約者情報、苦情情報および事故情報も読み出す。保険証券番号に対応付けられたコンタクトセンター入電情報や外部ＤＢが接続されている場合の外部データも読み出す。なお、契約者情報、苦情情報、事故情報およびその他契約者に関する情報をまとめて契約者情報等と呼ぶことがある。

次に、推定部１１２は、当該保険証券番号の契約者情報等と、更改前の保険証券番号の契約者情報等を比較して、年齢、契約期間以外に変更があるかどうか判断する（Ｓ１０７）。ここで、年齢と契約期間を除外するのは、更改前と後では年齢と契約期間が異なることは当然だからである。なお、ここでの年齢は契約者年齢の他に、任意の情報としての子供や親の年齢も含まれる。

当該保険証券番号の契約者情報等と、更改前の保険証券番号の契約者情報等との間に変更があった場合（Ｓ１０７：Ｙｅｓ）、推定部１１２は当該契約者のライフイベントを推定する（Ｓ１０９）。推定されたライフイベントは当該保険証券番号に関する新たな情報となる。

図２に示す例において、保険証券番号「ＪＢＣＤ０５７１」の契約者住所と、当該保険番号に対応付けられた更改前の保険証券番号「ＪＢＣＤ０００２」の契約者住所との間に変更がある。したがって、推定部１１２は当該契約者に「引越」というライフイベントがあったことを推定する。

ライフイベントは、変更があった情報の種類とライフイベントとを予め対応付けたルックアップテーブルを用いて推定する。対応付けの例は上記の通り、「契約者住所が変更」なら「引越」である。他にも、「子供の数が増えた」なら「出産」、「車名が変更」なら「自動車の買い替え」などである。これに代えてまたはこれに加えて、変更があった情報の種類とライフイベントとの関係を機械学習した学習モデルを用いてライフイベントを推定してもよい。

ステップＳ１０９の次、または、ステップＳ１０３およびＳ１０７のいずれかの判断がＮｏの場合に、推定部１１２は読み出した情報および推定したライフイベントを統合して統合情報格納部１００に格納する（Ｓ１１１）。これにより契約者単位での情報が得られたことになる。

図５は、統合情報格納部１００に格納された契約者情報等の例を示す。統合情報格納部１００には契約者氏名に対応付けて、当該契約者氏名における最新の保険証券番号および当該最新の保険証券番号の契約者情報等が格納される。

さらに、最新の保険証券番号に対応づいては格納されていなかったが、更改前の保険証券番号に対応づいて格納されていた契約者情報等も格納されている。図５に示す例において、契約者氏名「三井太郎」の最新の保険証券番号「ＪＢＣＤ０５７０」に対応付づけられた持家／賃貸の別の情報は格納されていなかった。しかしながら、保険証券番号「ＪＢＣＤ０５７０」の更改前の保険証券番号「ＪＢＣＤ０００１」に対応付けて「賃貸」が格納されていた。さらに、これらの保険証券番号間で契約者住所の変更はない。したがって、統合情報格納部１００には契約者氏名「三井太郎」に対応付けて「賃貸」を格納している。

さらに、統合情報格納部１００には推定部１１２で推定されたライフイベントも格納される。図５に示す例において、上記ステップＳ１０９で例示した、契約者氏名「住友花子」に「引越」のライフイベントがあったと推定したことに対応して、ライフイベントのフィールドに「引越」が格納されている。

以上により、情報を統合するステップＳ１０が終了する。統合情報格納部１００に格納された契約者は、それぞれの保険証券番号に対応した保険商品の既契約者であるともに、他の保険商品についての契約の候補者でもある。次に、提示部１１４は保険商品の契約者を決定木で分析する（Ｓ２０）。

図６は、保険商品の契約者を分析した決定木の一例である。決定木による分析は機械学習により行われる。分析により構築された決定木が、契約者情報等と保険商品との関係を学習した機械学習モデル１２０となる。

決定木の目的変数は、保険商品ごとの契約者である。図６の例においては、保険商品「自動車保険ＪＢＣＤ」に加入している契約者２００名が目的変数となっている。

説明変数としては、統合情報格納部１００に格納されている契約者情報等が用いられる。図６の例においては、「３５歳」を閾値とした「年齢」、「外国車か国産車かの別」、「引越の有無」等が説明変数として用いられている。これらのうち、例えば「年齢」は契約者情報ＤＢ１３０に直接的に格納されており、統合情報格納部１００にそのまま引き継がれた情報である。一方、「引越の有無」は契約者情報ＤＢ１３０に直接格納されていた「住所」の情報から、推定部１１２がライフイベントとして推定して統合情報格納部１００に格納された、いわば、合成変数である。

以上により、決定木で分析するステップＳ２０が終了する。次に、提示部１１４はこの決定木を用いて保険商品を提示する（Ｓ３０）。

図７は、保険商品を提示するステップＳ３０の動作フローの一例を示す。当該ステップＳ３０の動作フローは端末２０を介した募集人の指示により開始する。

提示部１１４は、統合情報格納部１００から契約者ごとに統合された契約者情報等を読み出す（Ｓ１３１）。提示部１１４は、特定の保険商品についての決定木に当該契約者情報等を当て嵌める（Ｓ１３３）。この場合の特定の保険商品からは、当該契約者がすでに契約している保険商品は除かれる。すでに契約している保険商品について契約の可能性を判断する必要がないからである。

すなわち、保険商品Ａに契約している契約者Ｘの契約者情報等を、保険商品Ｂの決定木に当て嵌める。これにより、契約者Ｘが保険商品Ｂにも契約する可能性を見積ることができる。

例えば、図５および図６の例で説明すると、契約者「東京次郎」について、保険商品「ＪＢＣＤ」の決定木を当て嵌めると、「年齢が３５歳以上」、「国産車」、「引越無」という情報から、保険商品「ＪＢＣＤ」のわずか４％の既契約者としか契約者情報等のプロファイルが一致していないことが分かる。よって、契約者「東京次郎」が保険商品「ＪＢＣＤ」に契約する可能性は低いと見積もられる。

提示部１１４は、当該契約者について、自身が契約している保険商品を除くすべての保険商品の決定木に対して当て嵌めを行う（Ｓ１３５）。提示部１１４は、その結果、プロファイルが一致した契約者が多い保険商品を、提案する保険商品として端末２０に出力する（Ｓ１３７）。この場合に、当て嵌めを行った複数の保険商品のうち、プロファイルが一致した既契約者の％が高い上位の所定個数の保険商品を提案してもよいし、プロファイルが一致した既契約者の％が一定値以上、例えば５０％以上、の保険商品を提案してもよい。

上記ステップＳ１３１からＳ１３７を、統合情報格納部１００に格納されている契約者についてすべて実行する（Ｓ１３９）。これによりステップＳ３０の動作フローが終了する。

以上、本実施形態によれば、統合した情報を用いて決定木を分析するので、より多くの説明変数の候補から適切な説明変数を選んで機械学習することができる。さらに、統合した情報を用いて決定木に当て嵌めを行うので、契約可能性がより高い保険商品を提示することができる。

図８は第２の実施形態に係る保険商品提示装置１２の機能ブロックを示す。保険商品提示装置１２において保険商品提示装置１０と同じ構成には同じ参照番号を付して説明を省略する。

保険商品提示装置１２は、保険商品提示装置１０の構成に加えて、募集情報ＤＢ１３６と、提示部１１６における機械学習モデル１２２とをさらに備える。保険商品提示装置１２の提示部１１６は、保険商品と募集に関する情報との関係を学習した機械学習モデル１２２を用いて、募集に関する情報を端末２０に提示する。

図９は、募集情報ＤＢ１３６に格納された募集に関する情報である募集情報の例を示す。募集情報ＤＢ１３６には募集人ＩＤに対応付けて、募集人氏名、募集人年齢、募集人性別、所属代理店ＩＤ、スキルレベル、当該募集人が成約させた保険証券番号、成約に寄与した募集活動が格納されている。これらの情報は、保険会社の社員により直接、または、代理店の募集人の端末２０から募集情報ＤＢ１３６に格納される。

図１０は、保険商品提示装置１２の動作フローの一例を示す。保険商品提示装置１２の動作フローは、保険商品提示装置１０の動作フローに加えて、提示部１１６が、募集情報を読み出すステップと（Ｓ２２）、当該募集情報を用いて決定木で分析するステップと（Ｓ２４）、募集情報の決定木を用いて募集を提案するステップ（Ｓ４０）とを備える。

図１１は、保険商品について募集情報を説明変数として分析した決定木の一例である。決定木による分析は、上記ステップＳ２２およびＳ２４において機械学習により行われる。分析により構築された決定木が、募集情報と保険商品との関係を学習した機械学習モデル１２２となる。

決定木の目的変数は保険商品ごとの延べの契約件数である。図１１の例においては、保険商品「自動車保険ＪＢＣＤ」に契約している契約件数５００件が目的変数となっている。ここで延べの件数は、募集情報ＤＢ１３６に格納されている、募集人が成約させた保険証券番号で算出される。よって、図６とは異なり、同一の契約者であっても更改等により当該保険商品に延べで複数回契約している場合にはそれぞれを別個の件数として数えてよい。

説明変数としては、募集情報ＤＢ１３６に格納されている募集情報が用いられる。説明変数として、さらに、募集情報ＤＢ１３６の募集情報と統合情報格納部１００の契約者情報等とに基づいた合成変数が用いられてもよい。この場合に、合成変数は同一の保険証券番号に対応付けられている契約者情報等と募集情報とから生成される。当該合成変数はその生成手順が予め提示部１１６に格納されていてよい。

図１１の例において、「募集活動」の「対面かインターネットか電話か」という説明変数は募集情報ＤＢ１３６に格納されている「成約に寄与した募集活動」である。一方、「募集人が契約者より年上か年下か」という説明変数は、同一の保険証券番号における募集情報ＤＢ１３６の「募集人年齢」と統合情報格納部１００の「契約者年齢」との比較により生成された合成変数である。他の合成変数として、統合情報格納部１００の「契約者住所と募集情報ＤＢ１３６の「代理店の住所」（図１１では不図示）から生成される、「住所の近さ」が用いられてもよい。

上記ステップＳ４０において、提示部１１６は募集情報と保険商品との関係を学習した機械学習モデル１２２である上記決定木を用いて募集の提案を行う。この場合に、提示部１１６はステップＳ３０で提示された保険商品について募集情報との関係を分析した決定木を用いる。例えば、ステップＳ３０で契約者Ｙに対して保険商品Ｃを提示した場合には、保険商品Ｃの決定木を用いて契約者Ｙに対する募集の提案を行う。

この場合、当該決定木での分析による既契約件数の％が高い上位の所定個数の募集情報を提案してもよいし、既契約件数の％が一定値以上、例えば５０％以上、の募集情報を提案してもよい。図１１の例において、既契約件数の％が最も高い募集情報を提案するのであれば、「募集人年齢」が「契約者年齢」より「年上」の募集人に、募集活動として「対面」かつ「車検時に案内」することを提案する。

以上、本実施形態によれば、第１の実施形態における効果に加えて、募集情報で分析した決定木を用いて募集を提案するので、契約の可能性をより高めることができる。加えて、保険会社が有している情報をより活用することができる。

なお、いずれの実施形態においても、上記ステップＳ３０において契約者ごとに全ての保険商品の決定木に当て嵌めることに代えて、それぞれの決定木で高い既契約者％となるプロファイルに当て嵌まる契約者を検索して、その決定木に対応する保険商品を当該契約者に対して提示してもよい。

さらに、いずれの実施形態においても、決定木で分析した契約者の保険種別と、当該決定木に当て嵌めを行う契約者の保険種別とが同一であってもよいし、異なっていてもよい。上記の例では、いずれも自動車保険であって、保険種別が同一である。同種の保険商品間では、ステップＳ３０で抽出された保険商品のうち、現在の保険商品より補償が厚いものを選択して提示してもよい。これにより、補償がより厚い保険商品への更改を提案することができる。

保険種別が異なる例として、自動車保険の契約者で決定木を構築し、当該決定木に火災保険や生命保険の契約者の契約者情報を当て嵌めることにより、火災保険や生命保険の契約者に自動車保険を提示してもよい。これにより、効率的に保険商品を重ね売りすることができる。

また、第２の実施形態において、個別の保険商品に対して募集情報の決定木を構築することに代えて、保険種別ごとに決定木を構築してもよい。これにより保険種別ごとに適切な募集を提案することができる。

いずれの実施形態においても、機械学習モデル１２０、１２２として決定木を説明したが、他の教師あり学習を用いた機械学習モデルが用いられてもよい。他の機械学習モデルとしてサポートベクターマシン、ニューラルネットワーク、ディープラーニングなどが挙げられる。

いずれの実施形態においても、契約者として個人の例を説明したが、契約者が法人の場合に適用してもよい。契約者が法人の場合には、契約者情報として契約者の取引先や関連会社の情報を含んでいてもよい。取引先および関連会社の情報は、例えば、株式会社帝国データバンクなどの企業調査会社から提供されるものを用いてもよい。これら取引先情報および関連会社の情報は決定木の説明変数として用いられてもよいし、保険の契約の候補者として保険商品が提示される対象にされてもよい。

図１２は、第３の実施形態に係る保険商品提示装置１４の機能ブロックを示す。保険商品提示装置１４において保険商品提示装置１０と同じ構成は同じ参照番号を付して説明を省略する。

保険商品提示装置１４は、解説文格納部１５０を有する。提示部１１４は、保険商品を提示するのに用いた特徴量に基づいて、解説文格納部１５０に格納された解説文を、保険商品とともに端末２０に提示する。

図１３は、解説文格納部１５０に格納される解説文の例を示す。解説文格納部１５０は、機械学習モデル１２０の特徴量と、特徴量を解説した解説文とを対応付けて格納している。

図１３は、機械学習モデル１２０が決定木である場合の例である。さらに具体的には図１３において、決定木として保険商品「労災保険」を提示する２つの終点（ターミナルノード、リーフノードなどともいう）があり、それぞれの終点に至る枝に対応する特徴量の組に、解説文が対応付けられている。この場合に、労災保険の契約者を決定木で分析し、例えば保険商品提示装置１４を使用するユーザが、その分析結果から契約率の高い終点に至る説明変数の値などを特徴量として抽出する。さらに当該ユーザが当該特徴量の組から、端末２０を使用する他のユーザへ当該労災保険を提示する理由を解説した解説文を作成し、解説文格納部１５０に格納しておく。

保険商品提示装置１４の提示部１１４は、学習済の機械学習モデル１２０に対象者に関する情報を入力することにより、保険商品提示装置１０と同様に保険商品を端末２０へ出力することに加えて、当該保険商品を提示するのに用いた特徴量に基づいて、解説文格納部１５０に格納された解説文をさらに出力する。図１３の例において、提示部１１４は、当該新たな契約者の情報によって決定木の終点１に至った場合に、保険商品「労災保険」とともに「終点１」に対応した解説文を出力する。

以上、第３の実施形態によれば、保険商品とともに解説文が提示されるので、端末２０のユーザが当該保険商品を提示された理由を知り、顧客に対して効率的なアプローチをすることができる。なお、第３の実施形態の変形例として、第１の実施形態におけるステップＳ１０の契約者情報の統合を行わなくてもよい。その場合には保険商品提示装置１４の推定部１１２および統合情報格納部１００を設けずに、読出部１１０が提示部１１４に読み出した情報を提供してよい。

図１４は、解説文格納部１５０に格納される解説文の他の例を示す。図１４の例において、特徴量および解説文が複数の説明変数ごとにまとめられている。さらに各説明変数での複数の特徴量のそれぞれに対して解説文が対応付けられている。

図１４の例において、提示部１１４は、機械学習モデル１２０が各説明変数について当該保険商品を提示するのに用いた特徴量に対応する解説文を並べて提示する。例えば、新たな契約者の情報のうち、契約者属性「契約者が２０である」かつ契約内容「三大疾病の保障をセット」という特徴量によって機械学習モデル１２０が保険商品「収入保障保険」を提示するに至ったとする。その場合に提示部１１４はそれぞれの特徴量に対応付けられた解説文を上から順につないで「自身で補償準備の検討を始める若い世代です。保障内容を重視されるお客様ですので追加提案が有効的です。」という解説文を提示する。

図１４の例は、機械学習モデル１２０が決定木でない場合など、特徴量の組み合わせを予め特定しておけない場合に用いられることが好ましい。この場合に、各説明変数からいずれの特徴量が抽出されても、それらの組み合わせに対応する解説文の合計の文字数が予め定められた字数以内になることが好ましい。図１４の例では４つの説明変数の中のいずれの特徴量が抽出された組み合わせにおいても、解説文の合計の文字数は１４３文字以下である。決定木以外の機械学習モデルとして、サポートベクターマシン、ランダムフォレスト、ＸＧブースト、ＬｉｇｈｔＧＢＭ、ロジスティクス回帰などが用いられ得る。

図１４の例において、４つの説明変数のそれぞれから１つずつ抽出した特徴量に対応する解説文を提示した。これに代えて、それよりも少ない予め定められた数の特徴量に対応する解説文を提示してもよい。この場合に、それぞれの特徴量のうち、当該保険商品を提示するのに重要度が高い順に、例えば重み付けが大きいものから順に当該数の特徴量を限定し、当該特徴量に対応する解説文を提示してもよい。

図１３および図１４の例において、解説文に加えて当該解説文に対応付けられている特徴量も提示されてよい。この場合に、特徴量そのままではなく特徴量が示す内容を表現した文字列を予め解説文格納部１５０に格納しておき、それを提示してもよい。例えば、特徴量が契約者の年齢の数値「２０以上３０未満」である場合には、それが示す内容を表現した「契約者が２０代」を予め格納しておきそれを提示してよい。

図１５は、保険商品提示装置１０、１２、１４で学習および推論する他の機械学習モデル１６０の特徴量の例を示す。図１５の機械学習モデル１６０は、保険商品の提示に関連した保険業務として、契約者の情報から自動車の買い替えを予測する。

図１５の例では、自動車保険の契約者を対象として自動車の買い替え実績の有無を、決定木と線形回帰を組み合わせて分析した、異種混合学習が行われている。保険商品提示装置１０等は、当該学習による機械学習モデル１６０を用いて、対象者の情報から、その重要度に応じた特徴量に基づいて買い替えの有無を推定する。推定された買い替えの予測を、保険商品の提示や保険募集に活用することができる。

図１６は、保険商品提示装置１０、１２、１４で学習および推論するさらに他の機械学習モデル１７０の特徴量の例を示す。図１６の機械学習モデル１７０は、保険商品の提示に関連した保険業務として、契約者の脱落の予兆を分析する。

図１６の例では、生命保険の契約者を対象として当該生命保険の契約脱落の有無を、アンサンブルモデルのＬｉｇｈｔＧＢＭで分析した。アンサンブルモデルは弱いモデルを複数利用して推定を行うものであり、他にランダムフォレスト、ＸＧＢｏｏｓｔなどが用いられ得る。なおＡＵＣは、Ａｒｅａ ｕｎｄｅｒ ａｎ ＲＯＣ ｃｕｒｖｅであって、モデルの評価指標である。保険商品提示装置１０等は、当該学習による機械学習モデル１７０を用いて、対象者の情報から、特徴量に基づいて契約脱落の有無を推定する。推定された脱落の有無を、保険商品の提示や保険募集に活用することができる。

いずれの実施形態においても、既存の顧客の情報を用いて当該既存の顧客に保険商品を提示する例を説明した。これに限られず、既存の顧客でなくても、未だ顧客となっていないいわば潜在的な顧客を対象者として、同様の種類の情報を用いて当該実施形態を適用することにより保険商品を提示することができる。

いずれの実施形態においても、保険を例として説明した。しかしながら、当該実施形態は保険に限られず、ローンなど銀行業に関する商品や、証券および債権などの狭義の金融商品などに適用することができる。換言すれば、本実施形態は、保険および銀行業に関する商品並びに狭義の金融商品を含む、広義の金融関連商品に適用することができる。その場合、上記実施形態における保険証券番号は、金融関連商品の売買等の契約を特定する契約特定情報の一例になっている。

本発明の様々な実施形態は、フローチャートおよびブロック図を参照して記載されてよく、ここにおいてブロックは、（１）操作が実行されるプロセスの段階または（２）操作を実行する役割を持つ装置のセクションを表わしてよい。特定の段階およびセクションが、専用回路、コンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプログラマブル回路、および／またはコンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプロセッサによって実装されてよい。専用回路は、デジタルおよび／またはアナログハードウェア回路を含んでよく、集積回路（ＩＣ）および／またはディスクリート回路を含んでよい。プログラマブル回路は、論理ＡＮＤ、論理ＯＲ、論理ＸＯＲ、論理ＮＡＮＤ、論理ＮＯＲ、および他の論理操作、フリップフロップ、レジスタ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラマブルロジックアレイ（ＰＬＡ）等のようなメモリ要素等を含む、再構成可能なハードウェア回路を含んでよい。

コンピュータ可読媒体は、適切なデバイスによって実行される命令を格納可能な任意の有形なデバイスを含んでよく、その結果、そこに格納される命令を有するコンピュータ可読媒体は、フローチャートまたはブロック図で指定された操作を実行するための手段を作成すべく実行され得る命令を含む、製品を備えることになる。コンピュータ可読媒体の例としては、電子記憶媒体、磁気記憶媒体、光記憶媒体、電磁記憶媒体、半導体記憶媒体等が含まれてよい。コンピュータ可読媒体のより具体的な例としては、フロッピー（登録商標）ディスク、ディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＯＭまたはフラッシュメモリ）、電気的消去可能プログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、静的ランダムアクセスメモリ（ＳＲＡＭ）、コンパクトディスクリードオンリメモリ（ＣＤ-ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、ブルーレイ（ＲＴＭ）ディスク、メモリスティック、集積回路カード等が含まれてよい。

コンピュータ可読命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、またはＳｍａｌｌｔａｌｋ（登録商標）、ＪＡＶＡ（登録商標）、Ｃ＋＋等のようなオブジェクト指向プログラミング言語、および「Ｃ」プログラミング言語または同様のプログラミング言語のような従来の手続型プログラミング言語を含む、１または複数のプログラミング言語の任意の組み合わせで記述されたソースコードまたはオブジェクトコードのいずれかを含んでよい。

コンピュータ可読命令は、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサまたはプログラマブル回路に対し、ローカルにまたはローカルエリアネットワーク（ＬＡＮ）、インターネット等のようなワイドエリアネットワーク（ＷＡＮ）を介して提供され、フローチャートまたはブロック図で指定された操作を実行するための手段を作成すべく、コンピュータ可読命令を実行してよい。プロセッサの例としては、コンピュータプロセッサ、処理ユニット、マイクロプロセッサ、デジタル信号プロセッサ、コントローラ、マイクロコントローラ等を含む。

図１７は、本発明の複数の態様が全体的または部分的に具現化されてよいコンピュータ２２００の例を示す。コンピュータ２２００にインストールされたプログラムは、コンピュータ２２００に、本発明の実施形態に係る装置に関連付けられる操作または当該装置の１または複数のセクションとして機能させることができ、または当該操作または当該１または複数のセクションを実行させることができ、および／またはコンピュータ２２００に、本発明の実施形態に係るプロセスまたは当該プロセスの段階を実行させることができる。そのようなプログラムは、コンピュータ２２００に、本明細書に記載のフローチャートおよびブロック図のブロックのうちのいくつかまたはすべてに関連付けられた特定の操作を実行させるべく、ＣＰＵ２２１２によって実行されてよい。

本実施形態によるコンピュータ２２００は、ＣＰＵ２２１２、ＲＡＭ２２１４、グラフィックコントローラ２２１６、およびディスプレイデバイス２２１８を含み、それらはホストコントローラ２２１０によって相互に接続されている。コンピュータ２２００はまた、通信インタフェース２２２２、ハードディスクドライブ２２２４、ＤＶＤ－ＲＯＭドライブ２２２６、およびＩＣカードドライブのような入／出力ユニットを含み、それらは入／出力コントローラ２２２０を介してホストコントローラ２２１０に接続されている。コンピュータはまた、ＲＯＭ２２３０およびキーボード２２４２のようなレガシの入／出力ユニットを含み、それらは入／出力チップ２２４０を介して入／出力コントローラ２２２０に接続されている。

ＣＰＵ２２１２は、ＲＯＭ２２３０およびＲＡＭ２２１４内に格納されたプログラムに従い動作し、それにより各ユニットを制御する。グラフィックコントローラ２２１６は、ＲＡＭ２２１４内に提供されるフレームバッファ等またはそれ自体の中にＣＰＵ２２１２によって生成されたイメージデータを取得し、イメージデータがディスプレイデバイス２２１８上に表示される。

通信インタフェース２２２２は、ネットワークを介して他の電子デバイスと通信する。ハードディスクドライブ２２２４は、コンピュータ２２００内のＣＰＵ２２１２によって使用されるプログラムおよびデータを格納する。ＤＶＤ－ＲＯＭドライブ２２２６は、プログラムまたはデータをＤＶＤ‐ＲＯＭ２２０１から読み取り、ハードディスクドライブ２２２４にＲＡＭ２２１４を介してプログラムまたはデータを提供する。ＩＣカードドライブは、プログラムおよびデータをＩＣカードから読み取り、および／またはプログラムおよびデータをＩＣカードに書き込む。

ＲＯＭ２２３０はその中に、アクティブ化時にコンピュータ２２００によって実行されるブートプログラム等、および／またはコンピュータ２２００のハードウェアに依存するプログラムを格納する。入／出力チップ２２４０はまた、様々な入／出力ユニットをパラレルポート、シリアルポート、キーボードポート、マウスポート等を介して、入／出力コントローラ２２２０に接続してよい。

プログラムが、ＤＶＤ－ＲＯＭ２２０１またはＩＣカードのようなコンピュータ可読媒体によって提供される。プログラムは、コンピュータ可読媒体から読み取られ、コンピュータ可読媒体の例でもあるハードディスクドライブ２２２４、ＲＡＭ２２１４、またはＲＯＭ２２３０にインストールされ、ＣＰＵ２２１２によって実行される。これらのプログラム内に記述される情報処理は、コンピュータ２２００に読み取られ、プログラムと、上記様々なタイプのハードウェアリソースとの間の連携をもたらす。装置または方法が、コンピュータ２２００の使用に従い情報の操作または処理を実現することによって構成されてよい。

例えば、通信がコンピュータ２２００および外部デバイス間で実行される場合、ＣＰＵ２２１２は、ＲＡＭ２２１４にロードされた通信プログラムを実行し、通信プログラムに記述された処理に基づいて、通信インタフェース２２２２に対し、通信処理を命令してよい。通信インタフェース２２２２は、ＣＰＵ２２１２の制御下、ＲＡＭ２２１４、ハードディスクドライブ２２２４、ＤＶＤ‐ＲＯＭ２２０１、またはＩＣカードのような記録媒体内に提供される送信バッファ処理領域に格納された送信データを読み取り、読み取られた送信データをネットワークに送信し、またはネットワークから受信された受信データを記録媒体上に提供される受信バッファ処理領域等に書き込む。

また、ＣＰＵ２２１２は、ハードディスクドライブ２２２４、ＤＶＤ‐ＲＯＭドライブ２２２６（ＤＶＤ‐ＲＯＭ２２０１）、ＩＣカード等のような外部記録媒体に格納されたファイルまたはデータベースの全部または必要な部分がＲＡＭ２２１４に読み取られるようにし、ＲＡＭ２２１４上のデータに対し様々なタイプの処理を実行してよい。ＣＰＵ２２１２は次に、処理されたデータを外部記録媒体にライトバックする。

様々なタイプのプログラム、データ、テーブル、およびデータベースのような様々なタイプの情報が記録媒体に格納され、情報処理を受けてよい。ＣＰＵ２２１２は、ＲＡＭ２２１４から読み取られたデータに対し、本開示の随所に記載され、プログラムの命令シーケンスによって指定される様々なタイプの操作、情報処理、条件判断、条件分岐、無条件分岐、情報の検索／置換等を含む、様々なタイプの処理を実行してよく、結果をＲＡＭ２２１４に対しライトバックする。また、ＣＰＵ２２１２は、記録媒体内のファイル、データベース等における情報を検索してよい。例えば、各々が第２の属性の属性値に関連付けられた第１の属性の属性値を有する複数のエントリが記録媒体内に格納される場合、ＣＰＵ２２１２は、第１の属性の属性値が指定される、条件に一致するエントリを当該複数のエントリの中から検索し、当該エントリ内に格納された第２の属性の属性値を読み取り、それにより予め定められた条件を満たす第１の属性に関連付けられた第２の属性の属性値を取得してよい。

上で説明したプログラムまたはソフトウェアモジュールは、コンピュータ２２００上またはコンピュータ２２００近傍のコンピュータ可読媒体に格納されてよい。また、専用通信ネットワークまたはインターネットに接続されたサーバーシステム内に提供されるハードディスクまたはＲＡＭのような記録媒体が、コンピュータ可読媒体として使用可能であり、それによりプログラムを、ネットワークを介してコンピュータ２２００に提供する。

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることができることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、請求の範囲の記載から明らかである。

請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。

１０、１２、１４ 保険商品提示装置、２０ 端末、１００ 統合情報格納部、１１０ 読出部、１１２ 推定部、１１４、１１６ 提示部、１２０、１２２ 機械学習モデル、１３０ 契約者情報ＤＢ、１３２ 苦情情報ＤＢ、１３４ 事故情報ＤＢ、１３６ 募集情報ＤＢ、１５０ 解説文格納部

Claims (4)

1. 契約者に関する情報と契約している金融関連商品との関係を学習した機械学習モデルの特徴量と、前記特徴量を解説した解説文とを対応付けて格納した解説文格納部と、
   対象者に関する情報に対して前記機械学習モデルを用いることにより、前記対象者への金融関連商品を提示する提示部と
   を備え、
   前記提示部は、前記金融関連商品を提示するのに用いた前記特徴量が予め定められた数以上ある場合に、前記予め定められた数の前記特徴量に対応する、前記解説文格納部に格納された前記解説文をさらに提示する金融関連商品提示装置。
2. 前記提示部は、前記特徴量のうち前記金融関連商品を提示するのに重要度が高い順から前記予め定められた数の前記特徴量に限定し、前記解説文を提示する請求項１に記載の金融関連商品提示装置。
3. 前記特徴量に対応する前記解説文の合計の文字数が予め定められた字数以内となる、複数の前記特徴量のそれぞれの前記解説文が格納されている請求項１または２に記載の金融関連商品提示装置。
4. コンピュータに、
   契約者に関する情報と契約している金融関連商品との関係を学習した機械学習モデルの特徴量と、前記特徴量を解説した解説文とを対応付けて格納した解説文格納機能と、
   対象者に関する情報に対して前記機械学習モデルを用いることにより、前記対象者への金融関連商品を提示する提示機能と
   を実現させ、
   前記提示機能は、前記金融関連商品を提示するのに用いた前記特徴量が予め定められた数以上ある場合に、前記予め定められた数の前記特徴量に対応する、前記解説文格納機能で格納された前記解説文をさらに提示することを含むプログラム。

Images