金融 / 加盟店決済
Square：加盟店の業種分類
- 企業
- Square
- 国
- 米国
- 導入状況
- 運用中
- 資料公開
- 日付の基準
- 資料が公開された時点。導入を開始した日とは異なる場合がある。
- 根拠の確認方法
- 検索ツールの本文抜粋で確認
業務課題
Squareは、販売者が加入時に自分で選んだ業種情報を主に使っていた。この方法は誤りが生じやすかった。販売者は加入を早く終えようと大まかに選ぶこともあり、美容とネイルを併せて営む店のように、ひとつを選びにくい場合もあった。業種コードはSquareが払うカード手数料やカード会社からの便益にも影響する。
使った技術とデータ
SquareはRoBERTaの構造で業種分類モデルを作った。roberta-largeを使った。学習素材は、人が直接確認した販売者20,000人以上を無作為に抽出した標本である。入力は屋号、加入時に選んだ業種と細分業種、販売する品目とサービスの一覧である。品目は購入頻度の順に並べ、モデルが読める長さまでに絞る。加入時に自動で作られた品目は除き、販売者が自ら直した項目だけを残す。学習はDatabricksのGPUクラスターで行い、予測は毎日更新する。
成果
Squareは、従来の方法より業種判別の精度が絶対値で約30%上がったと推定した。テストデータでは、自己申告に対する上げ幅が小売とホームリペアでとくに大きかった。同社はこの予測を、業種別の切り分けが必要な社内指標すべてに使っていると述べた。
限界と残る課題
精度の改善は手元のテストデータで出した推定値である。手数料の削減や決済売上の変化につながったという数値は原文にない。
出典
- RoBERTa Model for Merchant Categorization at Squaredeveloper.squareup.com, 確認
公開資料をまとめた事例です。ATF Works導入企業の成果ではありません。