JP2006058974A - 作業管理方式 - Google Patents

Abstract

【課題】 非定型業務の管理者に対して、案件の進捗や見通しに対する情報など管理作業に有用な情報を提供する。
【解決手段】 管理すべき非定型業務である個々の案件の管理に使用される種々のデータを集積したデータベースを収容したコンピュータシステムにおいて、非定型業務を管理する。まず、データベースから訓練データとして使用する訓練案件集合と評価対象となる評価対象案件集合とを選別する。訓練案件集合に含まれる属性の値から「属性＝値」の形式で表される条件であるアイテムを網羅的に列挙し、列挙した各アイテムの支持度を求め、支持度が利用者の設定した最低支持度より大きいアイテムのみからなる集合を生成する。この集合から、所定のアイテム数を長さの限度とする相関ルールからなる相関ルール集合を生成する。相関ルール集合を評価対象案件集合の各評価対象案件に適用して、当該評価対象案件を評価し、評価結果を出力する。
【選択図】図１

Description

本発明は、概してデータベースから有用な情報を発掘するデータマイニングに関し、さらに詳細には、データマイニングの主要な技術の１つである教師付学習によりデータベースから得た情報に基づいて非定型業務を合目的的かつ効率的に管理する技術に関する。

ここで、非定型業務とは、作業内容、その期限、担当者、処理プロセスなどが作業開始後も変化しうるような業務を指し、例えば、顧客等の組織外部との商談や外部からのクレームの対応などの業務である。

説明に先立ち、幾つかの用語を定義する。本発明は、商談対応や顧客からの苦情/質問対応などの非定型業務を対象とするが、成功または失敗というように業務の実施結果に対して最終的な評価を下せるような纏まった業務単位（例えば、商談、クレーム処理など）を「案件（caseまたはitem）」と称し、それを実現するために必要な個々の仕事を「作業」と称する。作業のなかには、案件を直接処理するためのものばかりではなく、案件を処理するために必要な作業を遂行するために必要となる作業もある。

業務プロセスを管理し、対象としている案件を定められた納期で的確に処理するための方法の典型例として、業務毎にワークフローを設定しておき、実際の業務の進捗とワークフローを比較する方法がある。この方法では、業務がいくつかの典型的な業務に分類でき、そのそれぞれについて処理フローが固定的であるような事務的な業務には向いている。しかし、受注をめざして顧客に様々な提案を行っていく商談活動では、顧客からの要求や予算等によって必要な作業やその精度、作業に許される期間が異なるため、代表的なプロセスをワークフローとして定義しても、実際の業務の進捗はそれと異なるのが普通であり、意味がない。

また、案件の責任者が、個々の案件毎に、案件開始時にその内容にあわせて処理プロセスを設定し、それを用いて案件が順調に進んでいるかどうかを管理する方法もある。しかし、商談では、案件開始後も、顧客に対するヒアリングや提案、競合他社の提案等により顧客の要求が変化し、結果として案件の処理途中に処理プロセスも変化していく。クレーム処理の場合にも調査結果などによってその後の対応が異なる。そのためこれらの非定型業務では、案件開始時にプロセスを設定してもそれが守られない（守る必要もない）場合があり、また、全て可能性に対応できる処理プロセスをあらかじめ定義しておくことは非現実的である。

このような非定型業務の多くは、案件毎に異なった進捗を示すために上記のようにワークフロー等を利用することができず、その進捗や見通しが実際の担当者以外にはわかりにくいことに加え、多数の案件が同時に進行しているため、組織の管理者にとって管理が非常に困難である。
特開２０００−２５９６１２号公報

本発明は、このような非定型業務の管理者に対して、案件の進捗や見通しに対する情報を提示し、有限の人材をどの案件に割り振るべきか、問題が起きそうな案件、実際に問題がおきた案件を早期に発見する等の管理作業を支援する技術を提供することを目的とする。

本発明の一面によれば、管理すべき非定型業務である個々の案件の管理に使用される種々のデータを集積したデータベースを収容したコンピュータシステムにおいて、非定型業務を管理する方法が与えられる。本発明の非定型業務管理方法は、データベースから訓練データとして使用する訓練案件集合と評価対象となる評価対象案件集合とを選別するステップと、訓練案件集合から案件の評価を行うためのルール集合を生成するステップと、ルール集合を評価対象案件集合の各評価対象案件に適用して、当該評価対象案件を評価する評価ステップと、この評価の結果を出力するステップとを含むことを特徴とする。

好ましい実施形態による非定型業務管理方法は、案件の分析に必要な複数のカテゴリを設定するステップと、ルール集合の各相関ルールの条件部に現れる条件が案件に関係つけられた属性の何れに関係するかによって当該ルールをカテゴリの１つまたは複数に分類するステップと、複数のカテゴリの各々に対して、そのカテゴリに属する相関ルールのみを用いて各評価対象案件のカテゴリごとの評価を行うステップと、各評価対象案件に対して、全てのルールを使った評価とは別にカテゴリごとの評価の結果を出力するステップとをさらに含む。

ルール集合をルール記憶手段に記憶するステップをさらに含み、上述の評価ステップが、ルール記憶手段に記憶されたルールを用いてもよい。
本発明の非定型業務管理方法は、前記評価対象案件ごとに、当該評価対象案件が条件部を満足するルールのみを抽出して案件ごとの相関ルール集合を生成するステップと、案件ごとのルール集合を用いて当該評価対象案件を評価する案件別評価ステップとをさらに含んでもよい。

案件の評価を行うためのルールとして、案件の属性と値の関係や、その論理輪・論理積をアイテムとして生成された相関ルールを用いてもよい。

本発明によれば、非定型業務の管理者は、案件の進捗や見通しに対する情報を得て、有限の人材をどの案件に割り振るべきか、問題が起きそうな案件、実際に問題がおきた案件を早期に発見する等の管理作業が容易になる。

以下、本発明の実施形態と添付図面とにより本発明を詳細に説明する。なお、複数の図面に同じ要素を示す場合には同一の参照符号を付ける。
本発明では、過去の案件と現在の案件とを、その内容や処理履歴、結果等に着目して比較することにより、現在の案件を処理するために行われている作業やその担当者、処理にかけている期間の妥当性をチェックしたり、案件の結果を予測したりし、その結果を様々な形で出力することにより、案件の管理者が効率的に案件の進捗状況を把握したり、担当者をサポートすることで、上述の問題点を解決する。

図１は、本発明による非定型業務管理システム１００のソフトウェア構成を示すブロック図である。図１の非定型業務管理システム１００は周知のコンピュータ（図示せず）上に構築される。この図示しないコンピュータは、非定型業務管理システム１００を構築できるようなものであれば何でもよいので、ここでは、コンピュータ自体の説明は省略する。図１に示す非定型業務管理システム１００は、通常、図示しないコンピュータのハードディスク（図示せず）に格納されて、必要に応じて図示しないコンピュータの図示しないＲＡＭ（random access memory）に読み出されて実行される。非定型業務管理システム１００は、種々の光ディスク、ＩＣメモリなどの可搬型記憶媒体に格納した形式で、あるいは通信媒体を介して頒布することも可能である。図示しないコンピュータのハードディスク（図示せず）には、本システムで管理しようとする非定型業務で使用されるあらゆるデータを集積したデータベース５００が格納されているものとする。

図１において、角のあるブロックは非定型業務管理システム１００を構成する主なプログラムを示し、角のないブロックは、システム１００が使用したり、生成したりする種々のデータを示す。本発明の非定型業務管理システム１００は、データベース５００に格納されている学習用の案件の集合である訓練案件集合から後述の相関ルールを抽出するルール学習部１０、抽出したルールを用いて評価対象案件を評価する評価部２０、および利用者がコマンドやデータを入力できるようにする入力部３０を含む。

さらに、非定型業務管理システム１００は、案件に含まれる時系列レコードを時系列に取り出す時系列レコード抽出部３２および評価部の一部を成し時系列レコード抽出部３２から渡されるレコードの評価を行う時系列レコード評価部３４を含む。これにより、＜時系列評価＞で詳細に述べるように、評価結果の時系列変化を知ることが可能となる。

また、非定型業務管理システム１００は、評価結果を格納する評価結果記憶部３６、および評価結果記憶部３６に記憶されている過去の評価結果と評価部２０から出力される評価結果との差分を生成する差分評価生成部３８を含む。これにより、＜前回の評価との比較＞で詳細に述べるように、過去に行った評価の内容と現在の評価内容とを比較することができる。

ルール学習部１０は、データベース５００に格納されている訓練案件集合からルール抽出対象となる条件（実際には、データベース５００の種々のテーブルを構成する属性に関する条件）集合を生成する条件候補集合生成部１２、および条件集合からルールを抽出するルール抽出部１８からなる。

条件候補集合生成部１２は、場合に応じて種々のルール抽出が可能となるように、選択的に実行可能なプログラムを含む。例えば、＜評価対象案件を満足する条件のみによるルール抽出＞で詳細に述べるような不要条件候補除外部１４，特定案件用条件候補選択部１５，またはこれらの両方をさらに含んでもよい。また、＜評価対象ごとのルール抽出＞で詳細に述べるような対象別条件候補選択部１６を含んでもよい。

本発明の非定型業務管理システム１００においても、従来のシステム同様、現在進行中の案件や過去の案件の内容や結果、経過、関連する組織や物に関する情報等の、案件に関するあらゆるデータを蓄積して、データベース５００を構築する。

図２は、本発明の一実施形態により構築した業務管理のためのデータベースの説明に必要な部分を示す図である。以下の説明においては、非定型業務の例として商談を取り上げて説明する。図２において、商談データベース５００は、情報処理の対象となる商談に関して記録すべき種々のデータを収容する商談テーブル５２と、商談テーブル５２に含まれる種々の生データや生データを表すコードなどの詳細な情報を含む種々のテーブルとから構成される。商談テーブル５２以外には、商談相手となる顧客のデータを収容する顧客テーブル５４、商品テーブル５６，商談に必要な種々の作業に関するデータを収容数する作業テーブル５８，および商談や個々の作業の担当者のデータを収容する担当者テーブル６０などがある。勿論、商談テーブル５２を構成するフィールドまたが属性の項目によっては、さらに多くのテーブルが含まれる可能性がある。

商談テーブル５２の各レコードは、例えば、商談相手である顧客、その商談で売り込もうとする商品、担当者、商談の過程で行った又は行う予定の種々の作業のコード、およびその商談に成功したか失敗したかなどを表す結果などのフィールドまた属性の値からなる。顧客テーブル５４の各レコードは、例えば、業種、資本金などのフィールドからなり、商品テーブル５６の各レコードは、商品の種別、価格などのフィールドからなり、作業テーブル５８の各レコードは、担当者、実施日／期間、作業種別などのフィールドからなり、担当者テーブル６０の各レコードは、所属、年齢などのフィールドからなる。各テーブルに示したフィールドまたは属性はほんの一例である。属性の値は、数値や日時、記号またはテキスト等で記述され、そのいくつかは値が未入力であってもよい。例えば商談の結果は、終了済みの商談については受注したかどうかが記述されるが、進行中の商談における値は当然未入力である。また、商談の発生直後で担当者が決まっていない場合には、その項目が未入力になる。以下の説明では、図２に例示した商談テーブルの７件の案件ａ〜ｇを用いて説明する。なお、図２は商談の例であるが、説明を簡単にするために案件等を表すための属性を少なくしている。このようなデータベース５００は、例えばＲＤＢＭＳ（関係データベース管理システム）などの通常のデータベースシステムにより容易に構築することができる。勿論、図２のデータベース５００は、特別な条件を必要としないので、既存のデータベースをそのまま使用することも可能である。

図３は、本発明の一実施形態による非定型業務管理の処理の流れを示すフローチャートである。以下、このフローチャートに基づいて説明する。
＜訓練データ集合と評価データ集合の検索＞
まず、ステップ１０２において、有用なルールまたは知識を抽出するための訓練データ集合（この例では、訓練案件集合）と抽出した知識を用いて評価する評価対象の案件集合をデータベース５００から検索する。この検索は、データベース５００の管理を行う管理システムの問い合わせ言語を用いて実施することができる。検索条件は図２で示した案件自体や関連する商品、作業、担当者、顧客等の属性に関する制限として与えられる。例えば、ある部署の管理職が自分の部署に関連する案件に関する情報が知りたい場合には、評価対象案件の検索条件として、「案件またはそれに属する作業の担当者の少なくとも一人がその部署に属し、かつ、結果が未入力（すなわち進行中）の案件」という条件を、訓練案件の条件として、「案件またはそれに属する作業の担当者の少なくとも一人がその部署に属する案件」という条件を与えればよい。

例えば、図２に示した案件（商談）群に対して、条件として上の条件で部署が第１営業部とした場合の条件が入力されると、商談の担当者の所属部署が第1営業である商談a,e,fが選択されるほか、商談自体の担当は第2営業であるが、その下に担当者が第1営業である作業（b1,c2,c3,d2）を含む商談ｂ,c,dも選択される。商談ｇは、商談自体の担当者も作業の担当者も第１営業ではないので、選択されない。選択された商談（訓練案件候補とも言う）ａ〜ｆのうち、結果の値を有する（または値が入力されて）商談ａ〜ｄが訓練案件であり、商談結果が未入力である商談eおよびfが評価対象の案件または商談となる。評価対象の商談を評価を行うために用いてもよい。

＜相関ルールの抽出（Association Rule Mining）＞
次に、ステップ１２０において、選択された訓練案件の集合を用いて、案件の結果や進捗の妥当性を判断するためのルールを学習する。以下では案件の結果を判定するためのルールの学習について説明する。

ルールの学習にはＣ４．５等様々な方法を使うことが可能であるが、ここでは相関ルールの列挙アルゴリズムであるアプリオリを用いるものとして説明を行う。
まず、ルールの学習の説明に先立ち、相関ルールの基本を上述の特許文献１を基に説明する。

例えば、小売店で売られている個々の商品をアイテム、一人の顧客が買ったアイテムのリストをトランザクションと呼ぶことにする。アイテムの集合ＩをＩ＝｛Ｉ１，Ｉ２，・・・Ｉｍ｝とし、全てのトランザクションの集合ＤをＤ＝｛Ｔ１，Ｔ２，・・・Ｔｎ｝とする。集合Ｉの部分集合をアイテム集合という。各トランザクションＴはＩの部分集合である。φ≠Ｘ，Ｙ⊂ＩでかつＸ∩Ｙ≠φを満たす場合、Ｘ=>Ｙを相関ルールと言う。この場合、Ｘを相関ルールの条件部、Ｙを相関ルールの帰結部と称する。アイテム集合Ｘの支持度sup（ｘ）とは、Ｄの中のＸを含むトランザクションの割合である。相関ルールＸ=>Ｙには、支持度sup（Ｘ=>Ｙ）および確信度conf（Ｘ=>Ｙ）が定義される。支持度sup（Ｘ=>Ｙ）は、sup（Ｘ∩Ｙ）に等しい、即ち、Ｄに対するＸとＹを同時に満たすトランザクションの割合である。確信度conf（Ｘ=>Ｙ）は、Ｘを含むトランザクションの数に対するＹを含むトランザクションの数の割合であり、sup（Ｘ=>Ｙ）／sup（ｘ）に等しい。なお、相関ルールＸ=>Ｙを問題にしている時は、sup（Ｘ=>Ｙ）およびconf（Ｘ=>Ｙ）を単に、supおよびconfと記す。

例えば、「[バター] => [パン、牛乳]；sup＝４％、conf＝８０％」という相関ルールは、「バターを買った客は、その８０％がパンと牛乳も買っており、これら３種類の商品を全て買った客は全顧客の４％である」ことを意味する。

トランザクション中に含まれる相関ルール を全て求めようとすると、組み合わせ爆発を起こし易いことが知られており、処理に多くの時間と多量のメモリやディスクといった計算機資源を必要とする。これに対する解決策として、サポートの最小値（minsup）及び確信度の最小値（minconf）を与えて、与えた条件を満たす相関ルールのみを求めるアプリオリ（Apriori）アルゴリズムが周知である。

このアルゴリズムでは、最低支持度minsupと最低確信度minconfを設定し、これらを超える支持度と確信度を満たす全ての相関ルールをトランザクションの集合の中から求める処理である。この処理は、
（１）Ｆ＝｛Ｘ⊂Ｉ｜sup（Ｘ）＞minsup｝で定義される頻出アイテム集合と出現回数を網羅的に計算する「数え上げ処理」と、
（２）得られたアイテム集合と出現回数からminconf以上の確信度を持つ相関ルールを 生成する「ルール生成処理」の二段階の処理からなる。

以上のような相関ルールの手法は、属性とその値の対をアイテムとすれば、表形式を含む一般的なデータに応用することができる。
我々は、このような相関ルール抽出技術（association rule mining）をさらに発展させた形で非定型業務管理に応用する。

図２の表示内容を相関ルールの用語に当てはめれば、商談テーブルの各商談（案件）が１つのトランザクションであり、商談テーブルが全トランザクションの集合Ｄである。また、図２に示した全ての属性（フィールド名）とその取りうる値の１との対を
属性＝値
の形式で表した条件がアイテムということになる。なお、ある属性の値が数値データの場合、その属性のとりうる数値範囲を２以上のカテゴリに分類し、その属性の値の代わりにその値が含まれるカテゴリを用いてもよい。

ここで、本題のルールの学習に戻る。まず、ステップ１２２において、上述のアプリオリの第１段階の前処理として、訓練案件集合に現れる全ての条件（アイテム）を列挙する。

学習されるルールは、結論部が案件の結果、即ち「受注」または「敗退」のいずれかであり、条件部は例えば案件およびそれに関連する商品、作業、担当者、顧客等の属性の値を制限する条件を論理和や論理積で結合した、IF-THEN型のルールである。また、付随する情報として、条件部を満足する案件数、その中で結論部も満足する案件の割合（確信度）、その積、すなわち条件部と結論部の両方を満足する案件数（支持度）等を持つ。ここで用いている商談の例では、結論部は、
結果＝受注
結果＝敗退
の２種類がある。条件部に現れ得る条件としてはまず商談（案件）自体の属性値に関する条件がある。ここでは有用なルールを抽出する段階なので、ルールに現れる条件は少なくともひとつの訓練案件に現れる必要があることを考慮すると、商談自体の属性値に関する条件は、次のとおりである。
条件１１：顧客＝Ａ社
条件１２：顧客＝Ｂ社
条件１３：顧客＝Ｃ社
条件１４：顧客＝Ｄ社
条件１５：商品＝お客様センタ
条件１６：商品＝ネット通販
条件１７：商品＝在庫管理
条件１８：担当＝田中
条件１９：担当＝佐藤

なお、ここで条件と書いたが、既に述べたように相関ルール風に言うならアイテムである。
図２の例では、商談の属性は未入力または単一の値をとるが、例えば商談の担当者が複数いたり、複数の商品を売るような商談も有り得るため、“担当者中にＯＯが含まれる”とか“商品中にＸＸが含まれる”という条件や、“担当者がＹ人以下（以上）”といった条件も可能である。

次に、商談の顧客の属性に関する条件（アイテム）を図２に示す訓練案件の範囲で掲げると、次の３つがある。
条件２１：顧客の業種＝金融
条件２２：顧客の業種＝流通
条件２３：顧客の業種＝製造
この例では説明を簡単にするため顧客の属性は業種だけであるが、商談の場合には他に、従業員数、資本金、売上高などの企業規模や、所在地、これまでの取引履歴等に関する情報を属性とする。次に商談で対象とする商品の属性に関する条件を訓練案件の範囲で掲げると、
条件３１：商談の商品の種別＝システム構築
条件３２：商談の商品の種別＝パッケージ
の２つがある。こちらも説明のために属性数を減らしたが、例えば商品の価格や機能等に関する情報を属性として使うことが有効である。次に商談の担当者の属性に関する属性に関する条件として
条件４１：商談の担当者の所属＝第1営業
条件４２：商談の担当者の所属＝第2営業
の２つがある。担当者についても顧客や商品の場合と同様に、実際には多くの属性を使う。例えばその人のスキルや過去の業務履歴等である。

最後に商談に属する作業に関する条件がある。作業については、ひとつの商談について多数の作業が行われている場合もあるし、商談が発生したばかりで作業がまったく行われていない場合もあるので注意が必要である。
条件５１：「担当者＝田中」である作業Ｘが存在する
条件５２：「担当者＝鈴木」である作業Ｘが存在する
条件５３：「担当者＝金田」である作業Ｘが存在する
条件５４：「担当者＝佐藤」である作業Ｘが存在する
条件５５：「作業種別＝デモ」である作業Ｘが存在する
条件５６：「作業種別＝ＲＯＩ提示」である作業Ｘが存在する
（ＲＯＩ＝Return on investment投下資本比率）
条件５７：「作業種別＝見積」である作業Ｘが存在する
条件５８：「作業種別＝プレゼン」である作業Ｘが存在する
条件５９：「作業種別＝提案」である作業Ｘが存在する
の略です。

このほかに作業実施日に関して、作業の実施日の期間に関する条件（“実施日がＯＯ以降ＹＹ以前である作業Ｘが存在する”等）や、異なる２つの作業の間隔に関する条件（“異なる作業ＸとＹが存在し、その実施日の間隔が1週間以内”等）、商談に含まれる作業数等も可能であるが、説明を簡単にするため、この実施例では用いない。

作業については、上で述べたものの他に、作業の担当者の属性に関する条件もある。
この例では以下の２つの条件がある。
条件６１：担当者の所属が第1営業である作業Ｘが存在する
条件６２：担当者の所属が第２営業である作業Ｘが存在する
もちろん、担当者の属性が所属部署以外にも定義されていれば、その値に関する条件が付け加わる。

始めにあげた結論部の候補の一方と、上にあげた条件のうちひとつまたは複数を組合せることで、多くの商談を被覆し（すなわち支持度が大きく）、かつ高い精度で商談の結果を予測できる（すなわち確信度が高い）ルールを生成する。（Ｃ４．５等の記述は上へ移動）以下において、最小支持度を２、最小確信度を60％、条件部の長さが２以内、また条件部を上の条件の論理積と制限した場合に図２の商談情報からどのようにしてルールが生成されるかを説明する。

なお、ルールの導出過程では多数のルール（条件の組合せ）について考慮する必要がある。以下では説明を簡単にするため、条件をその内容（“商談の担当者＝田中”等）ではなく、番号（例えば、「条件１８」など）のように記述する。また、商談の作業に関する条件（条件５１〜６２については、商談中に作業が複数存在する可能性があるため、作業を表す変数を番号の後につける（「条件５１(Ｘ)」など作業を表す変数は、商談に属する任意の作業にマッチ可能であるが、作業に関する条件が2つ以上組み合わさっている場合には、それらの作業変数が同じ場合は、同一の作業に該当する必要があるものとする。例えば、
条件５１(Ｘ) ∧ 条件５５(Ｘ)
は、商談内の同じ作業について条件５１と５５が同時に成り立つことを表す。すなわち、この条件は、担当が田中で作業種別がデモであるような作業を含む商談が満足する。一方
条件５１(Ｘ) ∧ 条件５５(Ｙ)
は、条件５１が成り立つ作業と５５が成り立つ作業が別の作業でもかまわない（同じでもよい）。すなわち、担当が田中である作業と作業種別がデモである作業を含む商談であれば満足する。

以上のように訓練案件集合の条件（アイテム）からなるアイテム集合を求めた後、ステップ１２４において、結論部または条件部に現れる単一の条件が訓練案件集合のいくつの商談で満足されるかをカウントする。図２の例では、各結論／条件の訓練中の出現頻度、すなわち結論または条件を満足する訓練案件（商談）の数は図４のようになる。

図２および４において、例えば、「結果＝受注」となるのは商談ａおよびｂの２件であり、「結果＝敗退」となるのは案件または商談ｃおよびｄの２件である。また、条件１１の「顧客＝Ａ社」を満たす案件は１件（ａ）、条件１５の商品＝お客様センタを満たすのは２件（ａ、ｂ）、条件５５の「「作業種別＝デモ」である作業Ｘが存在する」を満たすのは３件（ａ、ｂ、ｄ）という具合である。

次に、ステップ１３０において、得られたアイテム集合と出現回数から６０％（＝minconf）以上の確信度を持つ相関ルールを生成する。
これから生成する相関ルールは、条件部が個々の条件の論理積であるから、ルールの支持度は、その結論部の頻度や条件部中の各条件の頻度より大きくなることはない。よってルール生成には、ステップ１２４において求めた図４の条件のなかで頻度が２以上のものについてだけ着目すればよい。

まず、ステップ１３２において、図４の頻度が２以上のアイテムの２つからなる全ての組合せの論理積（アイテム集合）を満たす案件の頻度をカウントする。一般の相関ルールでは、頻度２以上の全ての組合せを考慮するが、この例では、ルールの結論部には必ず結果＝受注または結果＝敗退がくるので、この２つの結論の一方を含む組合せのみを考えればよい。すると、長さ２の論理積の頻度は図５のようになる。

同様に、ステップ１３４において、図５に示すような今生成した長さ２の論理積のうち頻度が２以上の論理積から長さ３の論理積（アイテム集合）を求め、その頻度をカウントする。カウントする論理積は、含まれる条件の任意の論理積の頻度が２以上のものだけでよい。その結果を図６に示す。この例では、ルールの条件部に現れる条件数が２以内と制限しているので、長さが４以上の論理積を求める必要はない。

次に、ステップ１３６において、図５および６に示すように頻度をカウントした論理積で、商談結果に関する項を結論部とするルールを生成する。生成されたルールとその支持度（条件部と結論部を満足する商談数）と確信度（条件部を満足する商談数中、結論部も満足する商談の割合）を図７に示す。図７は、求めた条件（アイテム）および論理積のうち指示度が２以上で確信度が０．６（６０％）以上のものを相関ルールとして支持度および確信度とともに示した相関ルールテーブルである。図７において、ルール２〜６および１６は図５の２アイテム集合（２条件論理積）から得たものであり、ルール７〜１４は図６の３アイテム集合（３条件論理積）から得たものである。この中で、確信度が与えられた最小確信度０.６以上であるルールを採用する。図７の例では、ルール１、ルール１５以外の１４個のルールを採用する。

＜求めた相関ルールの適用＞
次に、以上のように求めた相関ルールを評価対象案件に適用する（ステップ１４０）。
まず、ステップ１４２において、案件のうち結果が未入力のもの、すなわち評価対象案件eおよびｆについて、上で学習したルールとのマッチングを行い、どの商談がどのルールの条件部を満足するかを求める。この例では、商談eが満足するのはルール３、６、１２の３つであり、商談fが満足するのは、ルール５、６、１４、１６の４つである。

次にステップ１４４において、図８に示すように案件（商談）とルールとのマッチングの結果をもとに、案件の結果を評価する。商談結果を帰結部とする相関ルールを求めたので、最も基本的な評価内容は、求めた相関ルールに基づく各評価対象案件の結果の予測である。評価（結果の予測）を行う場合、概ね次のような評価例に従うことが好ましい。
・ここで用いる例では、商談eが満足するルールの結論はいずれも受注であるので、商談eの結果は受注と評価する。
・一方、商談fについては、ルール５、６、１４が受注、ルール１６が敗退を結論としている。このように結論が異なる複数のルールを満足する場合には、案件の結果の評価は、案件が満足するルールの支持度や確信度、ルールを満足する訓練案件集合、ルールの条件部が満足するための情報がいつ得られたかなどを組合せて行う。
・一般に、支持度は大きいほうがよく、確信度は高いほうが良い。そのため、ある商談が、異なる結果を結論に持つ複数のルールを満足する場合は、ルールの数による多数決や、支持度や確信度を重みとした多数決等を行って結果を評価する。
・その際、類似したルールが多数ある場合には、それらに共通して含まれる訓練案件が結果に大きく影響する。それを避けるためには、単純に支持度や確信度を用いるのではなく、各ルールの条件部を満足する訓練案件の集合（ルール事例集合）を保持しておき、ある商談を評価する場合には、その商談が満足する全てのルールのルール事例集合の和集合を求め、その和集合の中での多数決で結果の予測を行ったり、各結論の事例の割合を元にある特定の結果が得られる確率を予測したりすることもできる。例えば商談fが満足する各ルールについて、その条件部を満足する事例集合は以下のとおりである。
ルール５ ｛商談a，商談ｂ，商談d｝
ルール６ ｛商談a，商談ｂ，商談c｝
ルール１４ ｛商談a，商談ｂ｝
ルール１６ ｛商談ｂ，商談c，商談d｝
これらの和集合をとると｛商談a，商談ｂ，商談c，商談d｝であり、この中には結果が受注である商談と敗退である商談が同数（２個づつ）ふくまれるので、商談fの結果はどちらともいえない、という結果となる。
・また、案件は刻一刻と状況が変化していくので、古い情報に基づく判断よりもできるだけ新しい情報に基づく判断が優先される。これを案件の結果の評価に当てはめると、条件部ができるだけ最近入力された情報に関する情報を使って満足されるルールを優先すべきである。同じ例で、商談fに対して、敗退を結論とするルール１６は、商談の最初の作業、すなわち３月１３日付けの作業の担当者である佐藤の所属が第２営業部であることから敗退を予測している。一方ルール５、６、１４は、３月１７日に第１営業部の鈴木がデモを行っていることに関するルールである。そのため、新しい情報に基づく後者を優先し、商談fの結果を受注と予測する。

次に、ステップ１４６において、上記の評価結果を、評価結果出力部から出力する。出力は単に評価結果、すなわち結果が未入力の案件の結果の予測値のみならず、各予測結果の確率、予測に使ったルールやその支持度、確信度、ルールに被覆される案件（トレーニング（訓練）に利用した案件、評価対象の案件）の一部ないしは全てを出力してもよい。出力結果の例とその出力を画面表示する場合の例を図９および図１０に示す。図９は、各商談に終了した案件を含む案件のリストで、顧客や商品名、担当といった商談の基本的な情報に加えて、商談結果の予測や予測に用いたルールを示している。これを見ると、継続中の２つの商談がいずれも受注できる可能性が高いことが分る。しかし、商談ｆについては、敗退を予測するルール（ルール１６）も存在することも判るので、単に楽観するのではなく、敗退要因をチェックする必要があることが分る。そこ評価結果をルール毎にまとめた図９のような出力も同時に生成してもよい。この表をみるとルール１６がどのようなルールで、他にどのような商談にマッチしているかが分る。そのため、この図を、商談の詳細な情報（図２）と組合わせることで、敗退の要因やそれに陥らないための注意点を観察でき、商談ｆを管理していく上での参考とすることができる。

＜評価対象案件を満足する条件のみによる相関ルール抽出＞
評価対象の商談をeおよびfとした場合、例えば条件１１、１２、１３、１４、１５等の条件は評価対象の商談eおよびfでは満足されないので、商談eとfのみを評価対象とする限り、これらの条件を含むルールははじめから学習の対象としなくても評価結果は同じである。したがって、これらの２つの商談が満足しないルールを学習する必要はない。

したがって、ステップ１２２の終了後に、図１に示した不要条件候補除外部１４により、図４のように訓練案件から列挙した条件（アイテム）のうち、評価対象案件の何れも満足しない条件は、学習する必要がないので、図４の条件集合から削除し、残った条件集合に対して図３のステップ１３０以下の処理を行えば十分である。図３の処理の流れの中で不要条件候補除外部１４が自動的に実行し、ステップ１３６で生成された相関ルール集合を相関ルール記憶部４０に評価対象案件のＩＤ（識別子）とともに保存してもよい。評価すべき案件が相関ルール記憶部４０に存在すれば、相関ルール記憶部４０に格納されている相関ルールを使って評価することができる。

前段の考えを推し進めると、評価対象となる案件（商談）毎に、その商談が満足する条件のみを求め、それをベースに商談毎に相関ルールを抽出すればよいことになる。
具体的には、まず、商談eが満足する条件の集合を求める。この商談が満足する条件は、上記（図４）の条件１１〜６２の中で、条件１７、２１、３１、４１、５２、５９、６１の７個のみである。次に、訓練案件となる商談においてこれらの条件が現れる頻度を求める（結果は図４参照）。以下は、図３の３０以下のステップと同様に、これらの中から頻度が最小支持度より大きくなるものだけを選択し、可能な結論（受注または敗退）との論理積をとることで長さ２の論理積を生成し（対応するステップ１３２）、それらの頻度を求めることを繰り返すことで、頻度が最小支持度以上となる論理積を求め（対応するステップ１３４）、その中の受注／敗退を結論とし、残りを条件部とすることでルールを生成する。なお、条件の種類によっては、個々の条件は商談eが満足しても、その論理積は満足しない可能性があるので、はじめに商談eがその論理積を満足するかどうかを調べ、満足する場合にのみ頻度をカウントする。その結果、図７に示したルールのうち、最終的に得られるのはルール３、６、１２である。これらのルールは評価対象となる商談eが満足するルールのみである。

商談fについても同様の処理を行う。これにより、無駄な論理積やルールの頻度や確信度をカウントすることなく、評価対象の商談を評価するために必要となるルールのみを効率よく抽出することができる。

このようにして生成した評価対象案件ごとの相関ルールは、保存しておき、必要に応じて読み出して使用するようにしてもよい。
＜結果以外の属性（に関する条件）を帰結部とする相関ルールの抽出＞
以上の説明では、案件の結果を帰結部に持つ相関ルールを抽出して評価対象案件の結果を予測した。しかし、任意の属性（に関する条件）または複数の属性（に関する条件）の組合せを帰結部（教師信号または訓練アイテムとも言う）とする相関ルールを抽出し、抽出した相関ルールを用いて評価対象案件を評価してもよい。即ち、案件結果以外の情報（例えば担当者や処理期間、必要とされている作業等）を結論とし、結論以外の情報に関する制限を条件部とするルールを学習し、それを各評価対象案件に対して適用し、各案件に合致するルールの結論と実際の案件における値を比較することで、その案件を処理するために必要な作業（図３の例では作業種別を教師信号とする）は何か、適切な担当者（図３の例では、作業の担当を教師信号とする）によって処理されているか、適切なタイミング（図３の例では、案件の発生から作業の実施日までの期間の組合せを教師信号とする）で行っているか、案件全体の進捗が遅れていないか（案件の最後の作業の種別と実施日を組合せて教師信号とする）などを判断し、その結果を出力する構成としてもよい。

要するに、図３の相関ルール抽出ステップ１３０において、商談結果（結果＝値（受注or敗退））を帰結部とする代わりに、任意の属性に関する条件の論理積、即ち（属性１＝値）∩（属性２＝値）∩・・・∩（属性ｎ＝値）を帰結部とする相関ルールを求めて、評価ステップ１４０において、求めた相関ルールを用いて上述の要領で評価対象案件の評価を行えばよい。

＜総合評価に埋もれる要因の発見＞
案件の進捗にはさまざまな要因が関係しており、そのすべてに恵まれていることはまれである。特に重要な要因として、案件で処理されるべき内容や、処理を行う担当者の集合、現在どこまで処理が進んでいるか、また商談の場合の顧客のような組織外の関係者（スキルやそもそも協力的かどうか）がある。多くの案件では、これらのうちいくつかは商談にとってプラスである状況であるが、別のいくつかについてはマイナスの状況にあるのが普通である。例えば商談の場合では、顧客がよく購入してくれる得意客であり、こちらもその顧客のことをよく知る、比較的スキルの高い作業者が担当しているが、売ろうとしている商品が他社の同種の商品と比べて比較的競争力が弱く、商談も比較的初期の段階で停滞しているような状況が考えられる。この場合、社内の担当者や社外の関係者の要因はプラスであるが、案件の内容（競争力のない商品を売ろうとしている）や現在の進捗状況はマイナス要因となるので注意が必要である。このような商談の結果を評価する際に、上述のように全ての要因を総合的に考えた評価結果を求めると、大きなマイナス要因があるにもかかわらず、それがプラス要因に打ち消されて評価結果から認識しずらくなる可能性がある。

この問題に対する第１の解決策は、あらかじめ考慮すべき要因の種類と、その要因が案件や作業のどの属性と関係するかを与えておき、それを利用して要因毎の評価結果を全体の評価結果とともに出力することである。要因毎に、関連する属性の値に関する条件を条件部に含むルールのみを使って評価を行い、その結果を、ルールすべてを使った評価とともに出力する。

図１１Ａは、図２のデータベースに対して図３〜７のように相関ルール抽出を行った上で、考慮すべき要因に関係する相関ルールのみを用いて評価を行う手順を示すフローチャートである。図１１Ａにおいて、まず、ステップ２００において、考慮すべき要因を列挙する。ステップ２０２において、各要因と、それに関連する属性（関連属性）とを関係付けた表を作成する。図１２は、要因とそれに関連する属性とを示す表の一例である。図１２において、評価の要因は顧客、体制、内容、進捗の４種類であり、それぞれ商談の対象である顧客、商談に対応するための社内の関係者、商談の具体的な内容、現在までの進捗状況を表す。この例では各属性は高々１つの要因に属するが、当然複数の要因に関連する属性が存在してもかまわない。

次に、ステップ２０４において、図１２の要因と関連属性の関係から、各要因に関連する条件を検出する。すなわち、図７の条件が図１２の要因に含まれる関連属性の値を制限する条件である場合には、その条件はその要因に関連する条件であるとする。既に述べた条件の定義から、各要因に関連する条件は図１３のようになる。例えば、図１２において要因＝顧客の関連属性である「顧客」および「顧客の業種」を制限する条件は、図７にはない。同様に、要因＝体制の関連属性である「担当」、「担当の所属」、「作業の担当」および「作業の担当の所属」を制限する図７の条件としては、条件５１（Ｘ）、条件６１（Ｘ）および条件６２（Ｘ）がある。要因＝内容の関連属性である「商品」および「商品の種別」を制限する図７の条件としては、条件１５および条件３１がある。また、要因＝進捗の関連属性である「作業の作業種別」を制限する条件は、図７にはない。このようにして、図７の相関ルールと図１２の表から図１３のvs条件を生成することができる。

次に、ステップ２０６において、要因毎に関連するルールを、学習された図７の相関ルールから選択する。具体的には、図１３の各要因に対し、これに関係付けられた条件を含む図７の相関ルールは、すべてその要因の関連ルールであると判断し、要因vs関連ルールのテーブルを生成する。図１４は、このようにして図１３の要因vs条件テーブルと図７の相関ルールから生成した要因ｖｓ関連ルール・テーブルを示す図である。例えば、要因＝内容の場合、これに対応する条件は、条件１５および条件３１であるから、条件１５または条件３１を含む図７の相関ルール、即ち、ルール２，３および７〜１２が、すべて要因「内容」の関連ルールと判断される。当然条件部に２つ以上の条件が現れるルールの場合には、そのルールは複数の要因に関連する可能性がある。この場合ルール７〜１４はそれぞれ２つの要因に属している。最後に、ステップ２０８において、各要因に基づく評価を、その要因に基づくルールのみを用いて行う。図１３のように求めた関連ルールのうち、例えば商談eに当てはまるルールは、図１５のようになる。この結果から、商談ｅは体制と内容からは受注が見込めるが、顧客と進捗からは受注とも敗退とも予測できないことが分る。

この方法では、異なる要因に関連する属性が条件部に同時に現れるルールが存在する可能性がある。例えば上の例ではルール１２は体制と内容に属しており、このルールが２つの要因の双方の結果に影響を与えている。そのため要因毎の評価の意味が不明瞭になる可能性がある。図１１Ｂは、この点を克服するための第２の解決策による評価手順を示すフローチャートである。ステップ２０２までは図１１Ａの手順と同じであるから省略した。即ち、ステップ２０２に続き、要因毎に、それに関係する条件のみを用いて評価用のルールを学習し（ステップ２１０）、それらを用いてその要因での評価を行う（ステップ２１２）。この評価を、要因すべてについて行い、それを全体の評価とあわせて出力する（ステップ２１４）。

図１６に要因毎に学習されたルールの例を示す。この例ではルールの学習をアプリオリを用いて行っており、支持度と確信度が一定以上のルールを網羅的に求めているので、要因別のルールは、全体のルール（図７）と独立に学習する必要はなく、図７のなかから単一の要因に属するルールを選択すれば十分である。他のルール学習アルゴリズムを用いる場合には、要因毎に学習をしなおす必要がある。図１６において、例えば、要因が内容の場合、図１２に示すように商品および商品種別が関連属性であるから、図７の相関ルールから商品のみが関係するルール（即ち、ルール２）と商品種別のみが関係するルール（即ち、ルール３）を選択すればよい。要因「担当」および「進捗」に対しても同様に、図７の相関ルールから要因ごとのルールを求めることができる。図１６に示した要因毎のルール集合を用いて上と同様に評価を行うことにより、上で述べた問題点を克服することができる。

上述の第１および第２の解決策を比較した場合、後者のほうが要因毎のより正確な評価を行うことができるが、ルール学習を要因毎に行う必要があるため、処理により時間がかかる。また、個々の要因だけでは十分精度の高いルールが学習できない可能性もある。

＜以前の評価との比較＞
実際の非定型業務の管理では、時間の経過にしたがって案件の進捗状況は変化するし、新しい案件も発生する。そのため、上で説明したような案件の結果や進捗状況の評価は、ある時点で一度行って終了するのではなく、適当な期間をおいて何度も行うことになる。その際に、前回の評価時から全く変化していない、またはほとんど変化していない案件について同じ評価結果を出力しても、あまり管理に役立つ情報はえられない。

そこで、前回までの評価結果やその出力をいつ誰が参照したかを評価結果記憶部３６に保持しておき、次にある人が利用する際には、差分評価生成部３８により、上で説明した現時点での評価結果に加えて、前回参照時の評価結果、前回からの評価結果と現時点での評価結果の差を出力する。これにより利用者が前回からの変化に着目して効率良く案件の進捗を管理することができる。出力する評価結果の差としては、前回参照時以降その案件の情報が更新されたかどうか、ルールによる予測結果（図２の商談では、結果が受注か敗退か、案件の担当者がどの人であるべきか等）の変化、予測結果が実際の値と一致しているかどうかの変化（担当者の予測結果が実際の担当者と一致しているかどうか）、各予測結果の確率の変化、予測に使われたルールの変化の一部ないしは全てを用いる。

例えば図２の例で、最初に3／１４に商談結果の評価を行った後に、３／２０に再び商談の結果を評価するケースを例として説明する。ここで商談a〜dがいずれも３／１４以前に終了しており、説明を簡単にするために３／１４から３／２０にかけて新たに終了した（結果が入力された）商談はないものとする。このとき、商談結果の評価につかうルールを学習するための教師例は変化しない（商談a〜d）ので、学習されるルールは３／１４の段階でも３／２０でも図７におけるルール１，１５以外の１４個のルールである。評価対象である商談eについては、最後の作業が３月１０日に行われており、１４日から２０日にかけて新しい情報は追加されていない。よってこの商談に適合するルールも変化せず、当然商談結果の評価も変化しない。一方、商談fについては、３／１４の段階では作業ｆ１のみが行われており、作業ｆ２は行われていない。そのため、商談fに適合するルールは、ルール１６のみであり、その結論は敗退である。それに対して３／２０の段階では作業ｆ２が行われた後であるので、上で説明したようにルール１６に加えてルール５，６，１４が合致し、結果の評価は受注へと変化する。以上により前回評価時からの差として、
商談e：
変化なし
商談f：
結果：敗退→受注
ルール：ルール１６→ルール５，６，１４，１６
が出力される。この出力例を図１７に示す。

しかし、この方法では、現在の評価を最初から行うため評価に時間がかかる。また、ルールの学習に用いる訓練案件が変化し、その結果評価に使うルールが変化する可能性がある。そのため、現時点での差と前回との差が分りにくい場合がある。この問題点を解決するために、前回評価時に学習したルールを保管しておき、新たに評価を行う場合はルール学習をせずに、保管してあるルールを利用するようにしてもよい。

＜時系列評価＞
上で説明したように案件の管理では今現在の状況がどうかだけでなく、直前の状態からどのように変化してきているか、さらにその前はどうであったかなど、時系列的な変化を見ることが重要である。そのためクレーム５では、評価を行う際に、単に現時点までのすべての情報を利用して評価を行いその結果を出力するのではなく、案件内に現れる各日時までの情報を使った評価を行い、評価結果の時系列的な変化や、どの日時にどのようなルールが合致するようになったかを表示する。図１８にその出力例を示す。これにより、商談ｆでは３／１３の段階では受注可能性が低かったのが、３／１７にデモを行うまで持ち込めたことにより受注可能性が高くなったことが容易に確認できる。図１８の例では、評価対象の商談に関する情報の他、その商談に対して行った作業について、実施日の順に、作業に関する属性データとともに表示している。らさに、各作業（またはその作業の属性）に関係する相関ルールを作業ごとに表示している。このため、具体的には、時系列レコード抽出部３２が、その商談に対して行われた作業のレコードを抽出し、時系列レコード評価部３４により、抽出した各作業レコードの属性に関係する相関ルールを選択し、抽出した作業レコードの作業と関連する相関ルールとを作業の時系列順に表示する。

＜評価対象ごとのルール抽出＞
一般にアプリオリのような網羅的なルール学習手法では、支持度や確信度が一定値以上となるルールをすべて求めるため、非常に多数のルールが学習される場合がある。これらの中には類似したものも含まれるため、これらのルールを使って評価をしても非常に分かり難くなる可能性がある。訓練データを評価対象案件を満足するルールのみに制限してもこの問題点は解決できない。一方、Ｃ４.５のようなヒューリスティックな方法で学習を行うと、逆に学習されるルールの数が少なく、対象となる案件をさまざまな角度から評価することができない。

この問題点を解決するために、評価対象となる案件毎、図１６のように要因毎の評価結果を出力する場合には、案件と要因の組み合わせ毎、図１８のように評価結果の時系列毎の変化を出力する場合には、各案件に関する属性の組合せ毎というように、個別の評価毎に、可能な評価結果について一つまたは予め設定された個数だけルールを学習する。これにより、評価項目毎に各種の結論を出す上で十分な多様性を保ったままルールの数を減らし、評価結果を理解やすくすることができる。

例えば、商談の例では、評価対象である進捗中の商談eとfに対して、それぞれ進捗があった各日付までのデータを使って、商談の受注を結論とするルールと商談の敗退を結論とするルールをひとつずつ（一定数ずつでもよい）学習する。商談eでは３／１０に一回作業が入力されているだけであるので、進捗があったのはこの日のみである。よって、商談eに該当するルールを受注と敗退について高々一つずつ学習する。複数のルールが合致する場合には、あらかじめ定義されたルールの評価関数を用いて最適なものを選択する。商談ｅについて、敗退を予測するルールは存在しないため学習されない。受注については、図１５に示したように、ルール３，６，１２が商談ｅに合致する。確信度が最も高い（確信度が同じ場合は支持度が大きい）ルールを選択することにすると、商談ｅに合致する結論が受注のルールとして、ルール１２が選択される。

一方商談fについては、３／１３と３／１７とに２回作業が登録されているので、商談fの３／１７までのデータで条件部を満足できるルールを受注と敗退でひとつずつ学習し、さらに３／１７までのデータで条件部を満足し、かつ前の更新日３／１３より後のデータを使わないと条件部を満足できないルールを、受注と敗退とでひとつずつ学習させる。３／１３までのデータでは、受注に関するルールは存在しない。敗退に関するルールは、ルール１６だけしかないため、このルールが選択される。３／１７までのデータでは、敗退に関するルールは存在せず（ルール１６は３／１３までのデータだけで条件部が満足されるので除外される）、受注に関するルールが５、６、１４の３つ存在する。受注に関するルールを商談ｅの場合と同様に選択すると、ルール１４が選択される。

以上から、評価対象の案件ｅおよびｆに対して最終的に学習されるルールは図１９の表のようにルール１２、１４、１６の３種類であり、図９のｅおよびｆに対する評価結果（ルール３、５、６、１２、１４、１６の６種類）に比べて少なくすることができる。しかし、この３つのルールのみで、商談ｅについては、受注は予測される（結論が受注であるルールにマッチする）が敗退は予測されず、商談ｆについては、３／１３時点では敗退のみが予測されるが、３／１７になると受注も予測される、という商談の勝敗に関する予測は「評価対象案件を満足する条件のみによる相関ルール抽出」の場合と（あるいはより多数のルールが学習される図３の場合と比べても）変化しない。すなわち、商談の勝敗の予測という観点からは十分な多様性を保ったままルールの数を減らし、結果としてユーザが評価結果を理解することを容易にする。

また、ルール学習の結果は、訓練データとする案件に依存しているため、十分な領域知識を持つ専門家からみると、かならずしも正しいルールばかりではない。したがって、学習されたルールを直接評価に使うのではなく、学習結果を利用者に示し、誤ったルールを削除したり、修正したりし、その結果えられたルール集合を使って案件の評価を行うことで、より正確な評価を行うことができる。

以上は、本発明の説明のために実施例を掲げたに過ぎない。したがって、本発明の技術思想または原理に沿って上述の実施例に種々の変更、修正または追加を行うことは、当業者には容易である。

例えば、学習したルールに加え、利用者が直接入力するルールにより、案件結果や進捗要素の評価を行ってもよい。
以上の説明では、非定型業務管理を例に挙げたが、図２のようにデータベース化された案件であれば上述の種々の技術を応用することが可能である。

上述の実施例では、評価結果記憶部３６に前回の評価結果を記憶した。しかし、記憶すべき世代数を設定することを可能とし、設定された世代数分の評価結果を保存しておき、新たな評価結果の出力時に、保存してある評価結果を同時に対比させて表示するように構成してもよい。

（付記１）管理すべき非定型業務である個々の案件の管理に使用される種々のデータを集積したデータベースを収容したコンピュータシステムにおいて、前記非定型業務を管理する方法であり、
前記データベースから訓練データとして使用する訓練案件集合と評価対象となる評価対象案件集合とを選別するステップと、
前記訓練案件集合から、案件の評価を行うためのルール集合を学習するステップと、
、
前記ルール集合を前記評価対象案件集合の各評価対象案件に適用して、当該評価対象案件を評価する評価ステップと、
前記評価の結果を出力するステップとを含む
ことを特徴とする非定型業務を管理する方法。

（付記２）案件の分析に必要な複数のカテゴリを設定するステップと、
前記ルール集合の各ルールの条件部に現れる条件が案件に関係つけられた属性の何れに関係するかによって当該ルールを前記のカテゴリの１つまたは複数に分類するステップと、
前記複数のカテゴリの各々に対して、そのカテゴリに属するルールのみを用いて各評価対象案件のカテゴリごとの評価を行うステップと、
各評価対象案件に対して、全てのルールを使った評価とは別にカテゴリごとの評価の結果を出力するステップとをさらに含む
ことを特徴とする付記１記載の非定型業務を管理する方法。

（付記３）案件の分析に必要な複数のカテゴリを設定する設定ステップと、
前記複数のカテゴリの各々について、当該カテゴリに属する情報のみを用いてカテゴリごとのルール集合を求めるルール抽出ステップと、
前記のカテゴリごとのルール集合を用いて、案件の結果や進捗要素に関するカテゴリごとの評価を行うステップと、
各評価対象案件に対して、全てのルールを使った評価とは別に前記のカテゴリごとの評価の結果を出力するステップとをさらに含む
ことを特徴とする付記１記載の非定型業務を管理する方法。

（付記４）前記設定ステップが、各カテゴリに、関連する属性を任意の数だけ関係つけるステップを含み、
前記ルール抽出ステップが、前記情報として、当該カテゴリに関係つけられた属性を用いる
ことを特徴とする付記２または３記載の非定型業務を管理する方法。

（付記５）前記ルール抽出ステップが、前記ルール集合から、各カテゴリに対して当該カテゴリに属するルールのみを選択するステップからなる
ことを特徴とする付記３記載の非定型業務を管理する方法。

（付記６）前記評価の結果を評価結果保存手段に保存するステップと、
前記評価結果保存手段に保存されている以前の評価結果を現時点での評価に加えて、評価の変化を出力するステップをさらに含む
ことを特徴とする付記１記載の非定型業務を管理する方法。

（付記７）各案件の進捗に関わるイベントの発生時情報に基づき、前記発生時ごとに当該案件の評価を行うステップと、
前記の発生時ごとの評価の結果を時系列的に出力するステップとをさらに含む
ことを特徴とする付記１記載の非定型業務を管理する方法。

（付記８）前記ルール集合をルール記憶手段に記憶するステップをさらに含み、
前記評価ステップが、ルール記憶手段に記憶された相関ルールを用いる
ことを特徴とする付記１記載の非定型業務を管理する方法。

（付記９）前記評価対象案件ごとに、当該評価対象案件が条件部を満足するルールのみを抽出して案件ごとのルール集合を生成するステップと、
前記の案件ごとのルール集合を用いて当該評価対象案件を評価する案件別評価ステップとをさらに含む
ことを特徴とする付記１記載の非定型業務を管理する方法。

（付記１０）前記評価対象案件の新規の情報入力された日時ごとに、当該評価対象案件の当該日時毎までに入力された情報で条件部を満足するするルールのみを抽出して案件更新日時ごとのルール集合を生成するステップと、
前記案件更新日時ごとのルール集合をもちいて当該評価対象案件の評価を日時別に行う案件更新日時別評価ステップとをさらに含む
ことを特徴とする付記１記載の非定型業務を管理する方法。

（付記１１）前記の案件日時ごとのルール集合をルール記憶手段に記憶するステップをさらに含み、
前記案件日時別評価ステップが、ルール記憶手段に記憶された前記の案件日時ごとのルール集合を用いる
ことを特徴とする付記１０記載の非定型業務を管理する方法。

（付記１２）前記ルール抽出ステップにおいて、案件や作業の属性とその値の関係、それらの論理和や論理積をアイテムとして相関ルール学習を行うことを特徴とする付記１記載の非定型業務を管理する方法。

（付記１３）入力される指示に応じて前記ルール集合の任意の部分を表示するステップと、
前記表示の画面において表示中のルールまたはルールの一部を変更することを可能とするステップとをさらに含む
ことを特徴とする付記１記載の非定型業務を管理する方法。

（付記１４）所望のルールを入力することを可能とするステップと、
前記ルール集合使用時に、前記の入力されたルールを前記ルール集合と同じに扱うステップとをさらに含む
ことを特徴とする付記１記載の非定型業務を管理する方法。

（付記１５）前記案件は商談であり、
前記条件候補集合が、商談の顧客、商品、商談担当者などの商談に関する属性、商談に伴う作業、前記作業の作業担当、実施日、作業種別などの作業に関する属性、商談担当者および前記作業担当の所属などの担当者に関する属性など、商談の管理に必要な種々の情報を記述する属性に関する条件からなり、
前記評価対象案件の評価内容を、商談の獲得可能性、進捗状況、体制の妥当性などを含む商談管理に必要な情報とする
ことを特徴とする付記１記載の非定型業務を管理する方法。

（付記１６）管理すべき非定型業務である個々の案件の管理に使用される種々のデータを集積したデータベースと、
前記データベースの管理を行うと共に、前記データベースへのアクセスを可能とするデータベース管理システムと、
プログラムの管理下で前記のステップを実行することにより付記１乃至１４の何れか一項に記載の非定型業務を管理する方法を実現する手段を備えた
ことを特徴とするコンピュータシステム。

（付記１７）管理すべき非定型業務である個々の案件の管理に使用される種々のデータを集積したデータベースを収容したコンピュータシステムにおいて、前記非定型業務の管理処理を実行させる業務管理プログラムであって、
前記コンピュータに、
前記データベースから訓練データとして使用する訓練案件集合と評価対象となる評価対象案件集合とを選別するステップと、
前記訓練案件集合から、案件の評価を行うためのルール集合を学習するステップと、
前記ルール集合を前記評価対象案件集合の各評価対象案件に適用して、当該評価対象案件を評価する評価ステップと、
前記評価の結果を出力するステップと
を実行させる業務管理プログラム。

本発明による非定型業務管理システム１００のソフトウェア構成を示すブロック図である。 本発明の一実施形態により構築した業務管理のためのデータベースの説明に必要な部分を示す図である。 本発明の一実施形態による非定型業務管理の処理の流れを示すフローチャートである。 データベース５００の全てのアイテムとそれぞれの出現頻度を数え上げたテーブルである。 図４の支持度２以上のアイテムから生成した長さ２の論理積とそれぞれの出現頻度のテーブルである。 図５の支持度２以上の論理積から生成した長さ３の論理積とそれぞれの出現頻度のテーブルである。 指示度が２以上で確信度が０．６以上のものを相関ルールとして支持度および確信度とともに示した相関ルールテーブルである。 １つの評価対象案件が複数の相関ルールを満足する場合の評価方針の例を示す図である。 評価結果の第１の出力例を示す図である 評価結果の第２の出力例を示す図である。 第１の解決策により考慮すべき要因に関係する相関ルールのみを用いて評価を行う手順を示すフローチャートである。 第２の解決策により評価を行うフローチャートである。 ステップ２０２で生成される要因ｖｓ関連属性テーブルを示す図である。 ステップ２０４で生成される要因ｖｓ関連条件テーブルを示す図である。 ステップ２０６で生成される要因ｖｓ関連ルールテーブルを示す図である。 商品ｅに合致するルールを各要因と関係つけて示したテーブルである。 要因ごとに学習されたルールを支持度および確信度とともに示したテーブルである。 前回の評価と今回の評価の表示例を示す図である。 １つの案件について時系列に発生する事項へのルール適応結果の表示例を示す図である。 評価対象の案件ｅおよびｆに対して最終的に学習されるルールを示す図である。

符号の説明

１０ ルール学習部
１２ 条件候補生成部
１４ 不要条件候補除外部
１６ 対象別条件候補選択部
１８ ルール抽出部
２０ 評価部
３０ 入力部
３２ 時系列レコード抽出部
３４ 時系列レコード評価部
３６ 評価結果記憶部
３８ 差分評価生成部
４０ 相関ルール記憶部
１００ 本発明の非定型業務管理システム
５００ データベース

Claims (5)

1. 管理すべき非定型業務である個々の案件の管理に使用される種々のデータを集積したデータベースを収容したコンピュータシステムにおいて、前記非定型業務を管理する方法であり、
   前記データベースから訓練データとして使用する訓練案件集合と評価対象となる評価対象案件集合とを選別するステップと、
   前記訓練案件集合から、案件の評価を行うためのルール集合を学習するステップと、
   前記ルール集合を前記評価対象案件集合の各評価対象案件に適用して、当該評価対象案件を評価する評価ステップと、
   前記評価の結果を出力するステップと
   を含むことを特徴とする非定型業務を管理する方法。
2. 案件の分析に必要な複数のカテゴリを設定するステップと、
   前記ルール集合の各ルールの条件部に現れる条件が案件に関係つけられた属性の何れに関係するかによって当該ルールを前記のカテゴリの１つまたは複数に分類するステップと、
   前記複数のカテゴリの各々に対して、そのカテゴリに属するルールのみを用いて各評価対象案件のカテゴリごとの評価を行うステップと、
   各評価対象案件に対して、全てのルールを使った評価とは別にカテゴリごとの評価の結果を出力するステップと
   をさらに含むことを特徴とする請求項１記載の非定型業務を管理する方法。
3. 前記ルール集合をルール記憶手段に記憶するステップをさらに含み、
   前記評価ステップが、ルール記憶手段に記憶された前記ルール集合を用いる
   ことを特徴とする請求項１記載の非定型業務を管理する方法。
4. 管理すべき非定型業務である個々の案件の管理に使用される種々のデータを集積したデータベースと、
   前記データベースの管理を行うと共に、前記データベースへのアクセスを可能とするデータベース管理システムと、
   プログラムの管理下で前記のステップを実行することにより請求項１乃至３の何れか一項に記載の非定型業務を管理する方法を実現する手段を備えたことを特徴とするコンピュータシステム。
5. 管理すべき非定型業務である個々の案件の管理に使用される種々のデータを集積したデータベースを収容したコンピュータシステムにおいて、前記非定型業務の管理処理を実行させる業務管理プログラムであって、
   前記コンピュータに、
   前記データベースから訓練データとして使用する訓練案件集合と評価対象となる評価対象案件集合とを選別するステップと、
   前記訓練案件集合から、案件の評価を行うためのルール集合を学習するステップと、
   前記ルール集合を前記評価対象案件集合の各評価対象案件に適用して、当該評価対象案件を評価する評価ステップと、
   前記評価の結果を出力するステップと
   を実行させる業務管理プログラム。

Images