金融关联商品提示装置及程序的制作方法

1.本发明涉及一种金融关联商品提示装置及程序。


背景技术：

2.存在如下计算机系统，即，接收针对顾客的问题的回答，基于该回答而决定应当向顾客推荐的商品、服务(例如，参照专利文献1)。
3.专利文献1：日本特许第6326538号


技术实现要素：

4.然而，上述计算机系统中对于顾客而要求针对问题的回答，称不上对于顾客较为友好。例如，在商品、服务涉及作为广义的与金融关联的一个例子的保险的情况下，在签约时已经从保险的已签约者获取到信息，因此要求灵活运用该信息。
5.为了解决上述问题，在本发明的第1方式中，提供一种金融关联商品提示装置，具有：储存部，其将与契约者相关的信息以及更改前的契约特定信息以与契约特定信息相关联的方式进行储存；读取部，其从所述储存部读取与特定的所述契约特定信息相关联地储存的所述信息、以及与已与所述特定的契约特定信息相关联的所述更改前的契约特定信息相关联地储存的所述信息；以及提示部，其利用学习了与契约者相关的信息和签约的金融关联商品的关系的机器学习模型，针对所述读取部读取的信息而对金融关联商品进行提示。
6.在本发明的第2方式中，提供一种程序，其使计算机实现如下功能：储存功能，将与契约者相关的信息以及更改前的契约特定信息以与契约特定信息相关联的方式储存于储存部；读取功能，从储存部读取与特定的契约特定信息相关联地储存的信息、以及与已与特定的契约特定信息相关联的更改前的契约特定信息相关联地储存的信息；以及提示功能，利用学习了与契约者相关的信息和签约的金融关联商品的关系的机器学习模型，针对通过读取功能读取的信息而对金融关联商品进行提示。
7.在本发明的第3方式中，提供一种金融关联商品提示装置，其具有：解说文储存部，其将学习了与契约者相关的信息和签约的金融关联商品的关系的机器学习模型的特征量、以及解说了特征量的解说文相关联地进行储存；以及提示部，其针对与对象者相关的信息而利用机器学习模型，由此对向对象者的金融关联商品进行提示，提示部基于用于对金融关联商品进行提示的特征量而进一步对在解说文储存部中储存的解说文进行提示。
8.在本发明的第4方式中，提供一种程序，其使计算机实现如下功能：解说文储存功能，将学习了与契约者相关的信息和签约的金融关联商品的关系的机器学习模型的特征量、以及解说了特征量的解说文相关联地进行储存；以及提示功能，针对与对象者相关的信息而利用机器学习模型，由此对向对象者的金融关联商品进行提示，提示功能包含基于用于对金融关联商品进行提示的特征量而进一步对在解说文储存部中储存的解说文进行提示。
9.此外，上述发明内容并未列举出本发明的所有必要特征。另外，上述特征组的子组合也可以构成发明。
附图说明
10.图1表示第1实施方式所涉及的保险商品提示装置10的功能模块。
11.图2表示契约者信息db130中储存的契约者信息的例子。
12.图3表示保险商品提示装置10的动作流程的一个例子。
13.图4表示整合契约者信息的步骤s10的动作流程的一个例子。
14.图5表示整合信息储存部100中储存的契约者信息等的例子。
15.图6是对保险商品的契约者进行分析的决策树的一个例子。
16.图7表示对保险商品进行提示的步骤s30的动作流程的一个例子。
17.图8表示第2实施方式所涉及的保险商品提示装置12的功能模块。
18.图9表示募集信息db136中储存的作为与募集相关的信息的募集信息的例子。
19.图10表示保险商品提示装置12的动作流程的一个例子。
20.图11是以募集信息为说明变量而对保险商品进行分析的决策树的一个例子。
21.图12表示第3实施方式所涉及的保险商品提示装置14的功能模块。
22.图13表示解说文储存部150中储存的解说文的例子。
23.图14表示解说文储存部150中储存的解说文的其他例子。
24.图15表示保险商品提示装置10、12、14中学习及推论的其他机器学习模型160的特征量的例子。
25.图16表示保险商品提示装置10、12、14中学习及推论的另一其他机器学习模型170的特征量的例子。
26.图17表示可以将本发明的多个方式全部或一部分实现具体化的计算机2200的例子。
具体实施方式
27.下面，通过发明的实施方式对本发明进行说明，下面的实施方式并不是对权利要求书所涉及的发明进行限定。另外，实施方式中说明的特征的所有组合对于发明的解决方法来说未必是必不可少的。
28.图1表示第1实施方式所涉及的保险商品提示装置10的功能模块。保险商品提示装置10例如是由保险公司管理的计算机。保险商品提示装置10利用因特网等通信网而与代理店的募集人使用的终端20进行通信。募集人是进行保险的募集的、代理店的营业负责人等。
29.保险商品提示装置10具有：对与契约者相关的契约者信息进行储存的契约者信息db130；对与来自契约者的投诉相关的投诉信息进行储存的投诉信息db132；以及对与牵涉到契约者的事故相关的事故信息进行储存的事故信息db134。上述契约者信息、投诉信息以及事故信息由保险公司的职员直接、或者从代理店的募集人的终端20分别储存于各数据库。
30.保险商品提示装置10还具有整合信息储存部100、读取部110、推定部112以及提示部114。提示部114中包含机器学习模型120。
31.图2表示契约者信息db130中储存的契约者信息的例子。图2的契约者信息中举例示出了与汽车保险的契约者相关的信息。
32.在契约者信息db130中针对每个保险证券编号、即与保险证券编号相关联地对契约者信息进行储存。并且，在伴随着此前的保险的契约期间届满等而对该保险的契约进行了更改的情况下，与当前的保险证券编号相关联地对更改前的保险证券编号进行储存。此外，在图2的例子中该保险的契约并未更改的情况下，在更改前的保险证券编号的域储存无效值“＊”。
33.在契约者信息中包含契约期间、契约者姓名、契约者年龄、契约者性别、契约者住址、车型、车名以及驾照的颜色。上述信息在签约时是必不可少的信息。此外，车名中包含表示是国产车、还是外国车的信息。在图2的例子中，在车名的域中，如果是国产车，则在车名之后标注有“(国)”，如果是外国车，则在车名之后标注有“(外)”。
34.契约者信息中还包含对汽车保险、火灾保险、生命保险等进行区分的保险种类、以及确定保险商品的保险商品id。在图2所示的例子中，保险证券编号中包含保险种类及保险商品id。该保险证券编号的最初的1个罗马字母表示保险种类。例如，汽车保险为“j”，火灾保险为“k”，生命保险为“s”等。并且，该保险证券编号的第2位至第4位的罗马字母的3个字符表示保险商品id。因而，在图2的例子中，“jbcd0001”和“jbcd0002”是汽车保险、且是相同的保险商品，“jbcx0195”表示是汽车保险但却是与上述保险不同的保险商品。
35.契约者信息中还包含在签约时并非必不可少的任意信息。图2所示的汽车保险的任意信息的例子为配偶者的有无、持有和租赁的区别。汽车保险的任意信息中可以包含汽车的车身颜色、与孩子同居的有无、孩子的年龄、与父母同居的有无、父母的年龄等。任意信息可以是募集人从契约者询问出的信息，也可以通过合同后附的面向契约者的问卷调查等而获取。此外，在保险种类为火灾保险的情况下，可以包含范围大小、地域、是否为角落房间、距车站的距离、层数等资产价值的信息。
36.省略图示，但在投诉信息db132中作为投诉信息而对与保险证券编号相关联地由该保险证券编号的契约者针对保险而向代理店或保险公司申请的投诉内容进行储存。在未申请投诉的情况下，在该域对表示该主旨的信息、例如无效值“＊”进行储存。投诉信息可以包含表示对投诉的内容进行分类的类别的信息、表示投诉程度的等级的信息。
37.同样地，在事故信息db134中作为事故信息而与保险证券编号相关联地对牵涉到该保险证券编号的契约者的事故的内容进行储存。特别地，如果该契约是汽车保险，则对与汽车相关的事故的信息进行储存，如果该契约是火灾保险，则对与火灾相关的事故的信息进行储存。在无事故的情况下，在该域对表示该主旨的信息、例如无效值“＊”进行储存。事项信息可以包含表示对事故的内容进行分类的类别的信息、表示事故程度的等级的信息。
38.并且，保险商品提示装置10可以与保险证券编号相关联地，作为联络中心来电信息而对从契约者向保险公司的联络中心拨打的电话的日志进行储存。保险商品提示装置10还可以与外部db连接，该外部db对与保险证券编号相关联的信息进行储存。
39.图3表示保险商品提示装置10的动作流程的一个例子。保险商品提示装置10整合契约者信息db130等的契约者信息(s10)，利用整合后的契约者信息等针对每个保险商品利用决策树进行分析而形成机器学习模型(s20)，利用该机器学习模型面向终端20对保险商品进行提示(s30)。
的最新的保险证券编号“jbcd0570”相关联的持有/租赁的类别的信息进行储存。然而，与保险证券编号“jbcd0570”的更改前的保险证券编号“jbcd0001”相关联地对“租赁”进行了储存。并且，上述保险证券编号之间未发生契约者住址的变更。因此，在整合信息储存部100中与契约者姓名“三井太郎”相关联地对“租赁”进行储存。
51.并且，整合信息储存部100中还对由推定部112推定出的生活事件进行储存。在图5所示的例子中，与上述步骤s109中举例所示的、推定为契约者姓名“住友花子”发生了“搬家”的生活事件相对应地，在生活事件的域对“搬家”进行储存。
52.如上所述，整合信息的步骤s10结束。在整合信息储存部100中储存的契约者是与各保险证券编号分别对应的保险商品的已签约者，并且是关于其他保险商品的契约的候选者。接下来，提示部114利用决策树对保险商品的契约者进行分析(s20)。
53.图6是对保险商品的契约者进行分析的决策树的一个例子。通过机器学习而进行基于决策树的分析。通过分析而构建的决策树是对契约者信息等与保险商品的关系进行了学习的机器学习模型120。
54.决策树的目的变量是每个保险商品的契约者。在图6的例子中，加入保险商品“汽车保险jbcd”的200名契约者成为目的变量。
55.作为说明变量，使用在整合信息储存部100中储存的契约者信息等。在图6的例子中，使用以“35岁”为阈值的“年龄”、“外国车或国产车的类别”、“搬家的有无”等作为说明变量。其中，例如“年龄”直接储存于契约者信息db130，且是在整合信息储存部100中保持原样地继承的信息。另一方面，“搬家的有无”是推定部112根据契约者信息db130中直接储存的“住址”的信息，作为生活事件而推定且储存于整合信息储存部100的所谓合成变量。
56.如上所述，利用决策树进行分析的步骤s20结束。接下来，提示部114利用该决策树对保险商品进行提示(s30)。
57.图7表示对保险商品进行提示的步骤s30的动作流程的一个例子。根据经由终端20的募集人的指示而开始该步骤s30的动作流程。
58.提示部114从整合信息储存部100读取针对每个契约者而整合的契约者信息等(s131)。提示部114对关于特定的保险商品的决策树匹配该契约者信息等(s133)。从该情况下的特定的保险商品除去该契约者已经签约的保险商品。这是因为，关于已经签约的保险商品无需判断签约的可能性。
59.即，将针对保险商品a签约的契约者x的契约者信息等匹配于保险商品b的决策树。由此，能够预估契约者x针对保险商品b也签约的可能性。
60.例如，以图5及图6的例子进行说明，如果针对契约者“东京次郎”而对保险商品“jbcd”的决策树进行匹配，则根据“年龄为35岁以上”、“国产车”、“搬家无”之类的信息，能够判知只有保险商品“jbcd”的4％的已签约者的契约者信息等属性一致。因而，预估为契约者“东京次郎”针对保险商品“jbcd”签约的可能性较低。
61.提示部114针对该契约者对除了自己签约的保险商品的所有保险商品的决策树进行匹配(s135)。提示部114将其结果为属性一致的契约者较多的保险商品作为推荐的保险商品而向终端20输出(s137)。在该情况下，在进行了匹配的多个保险商品中，可以推荐属性一致的已签约者的％较高的上位的规定个数的保险商品，也可以推荐属性一致的已签约者的％为一定值以上、例如为50％以上的保险商品。
62.针对整合信息储存部100中储存的所有契约者都执行上述步骤s131至s137的步骤(s139)。由此结束步骤s30的动作流程。
63.如上所述，根据本实施方式，利用整合后的信息对决策树进行分析，因此能够从更多的说明变量的候选中选择适当的说明变量进行机器学习。并且，利用整合后的信息对决策树进行匹配，因此能够对签约可能性较高的保险商品进行提示。
64.图8表示第2实施方式所涉及的保险商品提示装置12的功能模块。在保险商品提示装置12中对与保险商品提示装置10相同的结构标注相同的参照标号并省略说明。
65.在保险商品提示装置10的结构的基础上，保险商品提示装置12还具有募集信息db136、以及提示部116的机器学习模型122。保险商品提示装置12的提示部116利用学习了保险商品和与募集相关的信息的关系的机器学习模型122，在终端20对与募集相关的信息进行提示。
66.图9表示在募集信息db136中储存的作为与募集相关的信息的募集信息的例子。在募集信息db136中与募集人id相关联地对募集人姓名、募集人年龄、募集人性别、所属代理店id、技能水平、该募集人完成签约的保险证券编号、有助于完成签约的募集活动进行储存。上述信息由保险公司的职员直接、或者从代理店的募集人的终端20储存于募集信息db136。
67.图10表示保险商品提示装置12的动作流程的一个例子。在保险商品提示装置10的动作流程的基础上，保险商品提示装置12的动作流程具有提示部116读取募集信息的步骤(s22)、利用该募集信息以决策树进行分析的步骤(s24)、以及利用募集信息的决策树推荐募集的步骤(s40)。
68.图11是关于保险商品以募集信息为说明变量而分析的决策树的一个例子。在上述步骤s22及s24中通过机器学习而进行基于决策树的分析。通过分析而构建的决策树是学习了募集信息与保险商品的关系的机器学习模型122。
69.决策树的目的变量是每个保险商品的全部契约件数。在图11的例子中，对于保险商品“汽车保险jbcd”签约的500件的契约件数为目的变量。这里，全部件数通过在募集信息db136中储存的、募集人已签约的保险证券编号而进行计算。因而，与图6不同，在即使是同一契约者也通过更改等而针对该保险商品全部签约了多次的情况下，可以将它们作为不同的件数而计数。
70.作为说明变量，使用在募集信息db136中储存的募集信息。作为说明变量，还可以使用基于募集信息db136的募集信息以及整合信息储存部100的契约者信息等的合成变量。在该情况下，合成变量根据与同一保险证券编号相关联的契约者信息等以及募集信息而生成。该合成变量的生成次序可以预先储存于提示部116。
71.在图11的例子中，“募集活动”的“当面或因特网或电话”之类的说明变量是募集信息db136中储存的“有助于完成签约的募集活动”。另一方面，“募集人比契约者年龄大或年龄小”之类的说明变量是通过同一保险证券编号的募集信息db136的“募集人年龄”和整合信息储存部100的“契约者年龄”的对比而生成的合成变量。作为其他合成变量，也可以使用根据整合信息储存部100的“契约者住址”以及募集信息db136的“代理店的地址”(图11中未图示)而生成的“住址的接近度”。
72.在上述步骤s40中，提示部116利用学习了募集信息与保险商品的关系的机器学习
模型122即上述决策树而进行募集的推荐。在该情况下，提示部116利用关于步骤s30中提示的保险商品而对与募集信息的关系进行了分析的决策树。例如，在步骤s30中针对契约者y而对保险商品c进行了提示的情况下，利用保险商品c的决策树而进行针对契约者y的募集的推荐。
73.在该情况下，可以推荐基于利用该决策树的分析的已签约件数的％较高的上位的规定个数的募集信息，也可以推荐已签约件数的％为一定值以上、例如为50％以上的募集信息。在图11的例子中，如果推荐已签约件数的％最高的募集信息，则对于“募集人年龄”比“契约者”“年龄大”的募集人作为募集活动而推荐“当面”且“在车检时告知”。
74.如上所述，根据本实施方式，在第1实施方式的效果的基础上，利用根据募集信息进行了分析的决策树而推荐募集，因此能够进一步提高签约的可能性。并且，能够更灵活运用保险公司保有的信息。
75.此外，在任意实施方式中，都可以取代上述步骤s30中针对每个契约者与所有保险商品的决策树进行匹配的方式，而是检索各决策树中与较高的已签约者％的属性匹配的契约者，针对该契约者而提示与该决策树对应的保险商品。
76.并且，在任意实施方式中，利用决策树分析的契约者的保险种类与针对该决策树进行匹配的契约者的保险种类都可以相同，也可以不同。在上述例子中，均是汽车保险、且保险种类相同。在相同种类的保险商品之间，在步骤s30中提取出的保险商品中，可以选择与当前的保险商品相比而补偿优厚的保险商品进行提示。由此，可以推荐更改为补偿更优厚的保险商品。
77.作为保险种类不同的例子，可以由汽车保险的契约者构建决策树，使火灾保险、生命保险的契约者的契约者信息与该决策树匹配，针对火灾保险、生命保险的契约者而提示汽车保险。由此，能够有效地反复销售保险商品。
78.另外，在第2实施方式中，可以取代针对个别的保险商品构建募集信息的决策树的方式而针对每个保险种类构建决策树。由此，能够针对每个保险种类而推荐适当的募集。
79.在任意实施方式中都作为机器学习模型120、122而对决策树进行了说明，但也可以利用其他的具有教师且利用了学习的机器学习模型。作为其他机器学习模型，可以举出支持向量机、神经网络、深度学习等。
80.在任意实施方式中，都作为契约者而对个人的例子进行了说明，但也可以应用于契约者是法人的情况。在契约者是法人的情况下，作为契约者信息可以包含契约者的供应商、关联公司的信息。供应商及关联公司的信息例如可以利用由株式会社帝国数据银行(株式会社帝国
データバンク
)等企业调查公司提供的信息。上述供应商信息及关联公司的信息可以用作决策树的说明变量，也可以作为保险的契约的候补者而设为提示保险商品的对象。
81.图12表示第3实施方式所涉及的保险商品提示装置14的功能模块。在保险商品提示装置14中对与保险商品提示装置10相同的结构标注相同的参照标号并省略说明。
82.保险商品提示装置14具有解说文储存部150。提示部114基于用于提示保险商品的特征量而在终端20对解说文储存部150中储存的解说文和保险商品一起进行提示。
83.图13表示在解说文储存部150中储存的解说文的例子。解说文储存部150对机器学习模型120的特征量以及解说特征量的解说文相关联地进行储存。
84.图13是机器学习模型120为决策树的情况下的例子。更具体而言，在图13中，作为决策树而存在对保险商品“工伤保险”进行提示的2个终点(也称为终端节点、叶节点等)，使得解说文与对应于到达各终点的枝的特征量的组合相关联。在该情况下，利用决策树对工伤保险的契约者进行分析，例如使用保险商品提示装置14的用户从其分析结果提取出到达契约率较高的终点的说明变量的值等作为特征量。并且，该用户根据该特征量的组合而制作解说向使用终端20的其他用户对该工伤保险进行提示的理由的解说文，并预先储存于解说文储存部150。
85.保险商品提示装置14的提示部114将与对象者相关的信息输入至学习完毕的机器学习模型120，从而在与保险商品提示装置10同样地将保险商品向终端20输出的基础上，基于用于提示该保险商品的特征量进一步将解说文储存部150中储存的解说文输出。在图13的例子中，在利用该新的契约者的信息而到达决策树的终点1的情况下，提示部114将与“终点1”对应的解说文和保险商品“工伤保险”一起输出。
86.如上所述，根据第3实施方式，对解说文和保险商品一起进行提示，因此终端20的用户能够获知提示该保险商品的理由，对顾客进行有效的接洽。此外，作为第3实施方式的变形例，可以不进行第1实施方式中的步骤s10的契约者信息的整合。在该情况下，可以不设置保险商品提示装置14的推定部112及整合信息储存部100而提供读取部110在提示部114读取的信息。
87.图14表示在解说文储存部150中储存的解说文的其他例子。在图14的例子中，针对多个说明变量的每个变量而整理了特征量及解说文。并且使得解说文与各说明变量的多个特征量分别相关联。
88.在图14的例子中，提示部114对与机器学习模型120针对各说明变量而提示该保险商品时使用的特征量对应的解说文进行并列提示。例如，在新的契约者的信息中，机器学习模型120利用契约者属性“契约者20岁”且契约内容“设定三大疾病的保障”之类的特征量对保险商品“收入保障保险”进行提示。在该情况下，提示部114从上方按顺序将与各特征量分别相关联的解说文串联起来而对“是自己开始补偿准备的研究的年轻一代。是重视保障内容的客户，因此追加推荐有效。”之类的解说文进行提示。
89.图14的例子优选用于机器学习模型120并非决策树的情况等、未预先确定特征量的组合的情况。在该情况下，即使从各说明变量提取出任意特征量，也优选与它们的组合对应的解说文的合计字数处于预先规定的字数以内。在图14的例子中，即使在提取出4个说明变量中的任意特征量的组合中，解说文的合计字数也为143个字符以下。作为除了决策树以外的机器学习模型，可以使用支持向量机、随机森林、xg提升(boost)、lightgbm、逻辑回归等。
90.在图14的例子中，对与从4个说明变量分别1个1个地提取出的特征量对应的解说文进行了提示。也可以取代上述方式，对与少于上述特征量的预先规定的数量的特征量对应的解说文进行提示。在该情况下，在各特征量中，可以按照对于提示该保险商品的重要度高的顺序、例如从权重大的商品按顺序限定该数量的特征量，提示与该特征量对应的解说文。
91.在图13及图14的例子中，除了解说文以外还可以对与该解说文相关联的特征量进行提示。在该情况下，不将特征量保持原样，而是将表述了特征量表示的内容的字符串预先
储存于解说文储存部150并对其进行提示。例如，在特征量为契约者的年龄的数值“为20以上而小于30”的情况下，可以预先对表述了其表示的内容的“契约者为20多岁一代”进行储存并对其进行提示。
92.图15表示保险商品提示装置10、12、14中学习及推论的其他机器学习模型160的特征量的例子。作为与保险商品的提示相关联的保险业务，图15的机器学习模型160根据契约者的信息而预测汽车的重新购买。
93.在图15的例子中，进行如下异种混合学习，即，对决策树和线性回归进行组合而分析了以汽车保险的契约者为对象而汽车的重新购买成绩的有无。保险商品提示装置10等利用基于该学习的机器学习模型160，根据对象者的信息并基于与其重要度相应的特征量而推定重新购买的有无。可以将推定出的重新购买的预测结果灵活运用于保险商品的提示、保险募集。
94.图16表示保险商品提示装置10、12、14中学习及推论的另一其他机器学习模型170的特征量的例子。作为与保险商品的提示相关联的保险业务，图16的机器学习模型170分析契约者脱单的预兆。
95.在图16的例子中，利用集成模型的light gbm分析了以生命保险的契约者为对象而该生命保险的契约脱单的有无。集成模型利用多个较弱的模型进行推定，除此以外也可以利用随机森林、xgboost等。此外，auc是area under an roc curve(roc曲线下的面积)、且是模型的评价指标。保险商品提示装置10等利用基于该学习的机器学习模型170，根据对象者的信息并基于特征量而推定契约脱单的有无。可以将推定出的脱单的有无灵活运用于保险商品的提示、保险募集。
96.在任意实施方式中都对利用已有顾客的信息向该已有顾客提示保险商品的例子进行了说明。并不局限于此，即使不是已有顾客，也可以以尚未成为顾客的所谓潜在顾客为对象者，利用同种信息并应用该实施方式而提示保险商品。
97.在任意实施方式中都以保险为例进行了说明。然而，该实施方式并不局限于保险，也可以应用于贷款等与银行业相关的商品、证券及债权等狭义的金融商品等。换言之，本实施方式可以应用于包含与保险及银行业相关的商品以及狭义的金融商品在内的广义的金融关联商品。在该情况下，上述实施方式中的保险证券编号成为确定金融关联商品的买卖等的契约的契约特定信息的一个例子。
98.可以参照流程图及框图而对本发明的各种实施方式进行记载，这里，模块可以表示(1)执行操作的过程的阶段、或者(2)具有执行操作的作用的装置的部分。特定的阶段以及部分可以利用专用电路、与计算机可读介质上储存的计算机可读指令一起供给的可编程电路、和/或与计算机可读介质上储存的计算机可读指令一起供给的处理器而安装。专用电路可以包含数字和/或模拟硬件电路，也可以包含集成电路(ic)和/或分立电路。可编程电路可以包含逻辑and、逻辑or、逻辑xor、逻辑nand、逻辑nor、以及其他逻辑操作、触发电路、寄存器、现场可编程门阵列(fpga)、可编程逻辑阵列(pla)等之类的存储器要素等可再构成的硬件电路。
99.计算机可读介质可以包含能够对利用适当的设备执行的指令进行储存的任意有形的设备，其结果，具有此处储存的指令的计算机可读介质具有包含能够为了制作用于执行流程图或框图中指定的操作的手段的能够执行的指令的商品。作为计算机可读介质的例
子，可以包含电子存储介质、磁存储介质、光存储介质、电磁存储介质、半导体存储介质等。作为计算机可读介质的更具体的例子，可以包含floppy(注册商标)软盘、软盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦可编程只读存储器(eprom或闪存)、电可擦可编程只读存储器(eeprom)、静态随机存取存储器(sram)、光盘只读存储器(cd-rom)、数字化多用途光盘(dvd)、蓝光(rtm)盘、记忆棒、集成电路卡等。
100.计算机可读指令可以包含汇编指令、指令集架构(isa)指令、机器指令、依赖于机器的指令、微码、固件指令、状态设定数据、或者包含smalltalk、java(注册商标)、c 等之类的面向对象编程语言、以及“c”编程语言或同样的编程语言之类的程序性编程语言在内的1种或多种编程语言的任意组合记述的源代码或对象代码的任一种。
101.可以经由本地或局域网(lan)、因特网等之类的广域网(wan)而对通用计算机、特殊目的的计算机或者其他可编程的数据处理装置的处理器或可编程电路提供计算机可读指令，为了制作用于执行流程图或框图中指定的操作的手段而执行计算机可读指令。作为处理器的例子，包含计算机处理器、处理单元、微处理器、数字信号处理器、控制器、微控制器等。
102.图17表示可以将本发明的多个方式全部或一部分实现具体化的计算机2200的例子。计算机2200中安装的程序能够使计算机2200作为与本发明的实施方式所涉及的装置相关联的操作或该装置的1个或多个部分而起作用，或者能够执行该操作或该1个或多个部分，和/或能够使计算机2200执行本发明的实施方式所涉及的过程或该过程的阶段。这种程序可以为了使计算机2200执行与本说明书中记载的流程图及框图的模块中的几个或全部相关联的特定操作而由cpu2212执行。
103.本实施方式所涉及的计算机2200包含cpu2212、ram2214、图形控制器2216以及显示设备2218，上述部件通过主控制器2210而相互连接。另外，计算机2200包含通信接口2222、硬盘驱动器2224、dvd-rom驱动器2226、以及ic卡驱动器之类的输入/输出单元，上述部件经由输入/输出控制器2220而与主控制器2210连接。另外，计算机包含rom2230以及键盘2242之类的传统的输入/输出单元，上述部件经由输入/输出芯片2240而与输入/输出控制器2220连接。
104.cpu2212根据rom2230及ram2214内储存的程序而执行动作，由此对各单元进行控制。图形控制器2216获取向ram2214内提供的、在帧缓冲区等或其本身中由cpu2212生成的图像数据并在显示设备2218上对图像数据进行显示。
105.通信接口2222经由网络而与其他电子设备通信。硬盘驱动器2224对由计算机2200内的cpu2212使用的程序以及数据进行储存。dvd-rom驱动器2226从dvd-rom2201读取程序或数据，经由ram2214而将程序或数据提供给硬盘驱动器2224。ic卡驱动器从ic卡读取程序以及数据、和/或将程序以及数据写入至ic卡。
106.rom2230在其中对激活时由计算机2200执行的启动程序等、和/或依赖于计算机2200的硬件的程序进行储存。另外，输入/输出芯片2240使得各种输入/输出单元经由并行端口、串行端口、键盘端口、鼠标端口等而与输入/输出控制器2220连接。
107.程序由dvd-rom2201或ic卡之类的计算机可读介质提供。从计算机可读介质读取程序、并将其安装于还作为计算机可读介质的例子的硬盘驱动器2224、ram2214、或rom2230而由cpu2212执行。上述程序内记述的信息处理由计算机2200读取，并使得程序和上述各种
类型的硬件资源之间进行协作。可以通过使用计算机2200实现信息的操作或处理而构成装置或方法。
108.例如，在计算机2200以及外部设备之间执行通信的情况下，cpu2212可以执行ram2214中加载的通信程序，基于通信程序中记述的处理而对通信接口2222发出通信处理的指令。通信接口2222在cpu2212的控制下读取向ram2214、硬盘驱动器2224、dvd-rom2201、或者ic卡之类的记录介质内提供的发送缓冲处理区域中储存的发送数据，将读取的发送数据发送至网络、或者将从网络接收到的接收数据写入至向记录介质上提供的接收缓冲处理区域等。
109.另外，cpu2212可以将硬盘驱动器2224、dvd-rom驱动器2226(dvd-rom2201)、ic卡等之类的外部记录介质中储存的文件或数据库的全部或所需的部分读取至ram2214，针对ram2214上的数据执行各种类型的处理。cpu2212接下来将处理后的数据回写至外部记录介质。
110.各种类型的程序、数据、表以及数据库之类的各种类型的信息可以储存于记录介质并接受信息处理。cpu2212可以针对从ram2214读取的数据而执行本公开的任意位置记载的由程序的指令序列指定的各种类型的操作、信息处理、条件判断、条件分支、无条件分支、信息的检索/置换等在内的各种类型的处理，针对ram2214而回写结果。另外，cpu2212可以检索记录介质内的文件、数据库等中的信息。例如，在分别具有与第2属性的属性值相关联的第1属性的属性值的多个条目储存于记录介质内的情况下，cpu2212可以从该多条记录中检索指定了第1属性的属性值的与条件一致的条目，读取该条目内储存的第2属性的属性值，获取与满足由此预先规定的条件的第1属性相关联的第2属性的属性值。
111.以上说明的程序或软件模块可以储存于计算机2200上或计算机2200附近的计算机可读介质。另外，向与专用通信网络或因特网连接的服务器系统内提供的硬盘或ram之类的记录介质可以用作计算机可读介质，由此经由网络而将程序提供给计算机2200。
112.以上利用实施方式对本发明进行了说明，本发明的技术范围并不限定于上述实施方式中记载的范围。本领域技术人员能够理解，可以对上述实施方式施加多种变更或改良。根据权利要求书的记载明确可知，施加了这种变更或改良的方式也可以包含于本发明的技术范围内。
113.关于权利要求书、说明书以及附图中示出的装置、系统、程序以及方法中的动作、次序、步骤以及阶段等各处理的执行顺序，应当注意是，只要并没有特别明确地表示为“更提前”、“提前”等，另外，未在后续的处理中使用在前的处理的输出，则能够以任意顺序实现。关于权利要求书、说明书以及附图中的动作流程，即使为了方便而使用“首先、”、“接下来、”等进行说明，也不意味着必须按照该顺序实施。
114.标号的说明
115.10、12、14保险商品提示装置、20终端、100整合信息储存部、110读取部、112推定部、114、116提示部、120、122机器学习模型、130契约者信息db、132投诉信息db、134事故信息db、136募集信息db、150解说文储存部