金融業務へのAI（人工知能）適用に関するノウハウを「パターン」として整理した『金融AI成功パターン』（日経BP、2023年）では、7つの基本パターンと、5つの上級パターンを紹介している。同書からさまざまな場面に適用できるノウハウとして、本連載では機械学習の基本とライフサイクルを取り上げ、連載の後半では「7つの基本パターンの概要」を抜粋して解説する。今回のテーマは、7つの基本パターンのうち、「ターゲティングAI」と「価値算出AI」である。（技術プロダクツユニットクロスメディア編集部）
金融AI成功パターンには、以下の７つの基本パターンがあります。
- ターゲティングAI
- 価値算出AI
- 需要予測AI
- 不正検知AI
- 審査AI
- テキスト分類AI
- 画像認識AI
今回はこのうち、「ターゲティングAI」と「価値算出AI」を紹介します。
ターゲティングAI
金融ビジネスの営業施策では、すべての対象にアプローチするとコストや時間がかかってしまうため、優先順位を付けてアプローチする対象を絞り込むことが多いです。
例えば、「顧客訪問」という営業施策を考えてみます。「最後に訪問してから経過した期間」といったシンプルな条件で対象を絞ると精度が低く、かといって複雑な条件を設定すると、その条件による対象抽出に手間がかかります。また、提案する商材が多い場合、提案順序を決める（これも1つの営業施策）ことになりますが、これまでは担当者の経験と勘に頼ることが多く、そうなると当然、ベテランと新人という担当者の経験差が結果の差となってしまいます。
このような「顧客訪問」や「提案商材」という場面において優先順位付けは欠かせないですが、適切な順位を付けるには経験を必要とするだけではなく、手間も時間もかかり、その分、営業活動に使える時間が削られてしまいます。
このような場面で有効なのが「ターゲティングAI」です。主な利用用途には、営業ターゲティング、解約ターゲティング、督促順位付け、DM送付の抽出などがあります。
ターゲティングAIは、入力データのすべてに対して目的となる予測確率を計算し、その予測確率の大小を比較することで順位を付けるAIです。異なる目的のターゲティングAIを組み合わせることで、複数の目的に基づく優先順位を付けることも可能です。これにより、顧客リストなどのデータを用意すれば、担当者の経験に左右されない精度の高い優先順位を瞬時に得ることができます。
ターゲティングAIは二値分類問題（特定の要件に当てはまるか否かで2種類に区分）ですので、データ粒度ごとに目的を達成したデータ（＝正解ラベル）と、目的を達成しなかったデータ（＝不正解ラベル）を準備します。正解ラベルと不正解ラベルを明確に定義する必要がありますが、達成したい目的の定義と、実際に保持しているデータの定義が完全に一致しないことも多く、そうした場合、本当に達成したい目的を決め、それを最もうまく表す定義に絞るとよいでしょう。
