JP2010108404A - Computer system for performing risk prediction in project and method and computer program thereof - Google Patents

Computer system for performing risk prediction in project and method and computer program thereof Download PDF

Info

Publication number
JP2010108404A
JP2010108404A JP2008282200A JP2008282200A JP2010108404A JP 2010108404 A JP2010108404 A JP 2010108404A JP 2008282200 A JP2008282200 A JP 2008282200A JP 2008282200 A JP2008282200 A JP 2008282200A JP 2010108404 A JP2010108404 A JP 2010108404A
Authority
JP
Japan
Prior art keywords
answer data
risk
project
data
answer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2008282200A
Other languages
Japanese (ja)
Other versions
JP5225027B2 (en
Inventor
Junya Shimizu
淳也 清水
Yuriko Sawatani
由里子 澤谷
満 ▲高▼森
Mitsuru Takamori
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by International Business Machines Corp filed Critical International Business Machines Corp
Priority to JP2008282200A priority Critical patent/JP5225027B2/en
Publication of JP2010108404A publication Critical patent/JP2010108404A/en
Application granted granted Critical
Publication of JP5225027B2 publication Critical patent/JP5225027B2/en
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

<P>PROBLEM TO BE SOLVED: To cope with a problem in which a method for predicting a risk factor latent in a project is required. <P>SOLUTION: A computer system is provided for performing risk prediction in a project. The computer system includes: a collection part which collects answer data to a plurality of questions related to each project; a degree-of-risk assignment part which assigns, based on answer data to each question for each key item, a degree of risk to the key item; a learning part which learns relations between a plurality of answer data and a plurality of degrees of risk in a neural network; and a narrowing part which gives answer data including intentional answer data to the learnt neural network to determine a degree of risk, and narrows a question corresponding to the intentional answer data with high degree of risk as an important question; and a detection part which selects a project including answer data which increases the degree of risk of answer data to the important question, and performs risk prediction of a predetermined period with respect to the selected project. <P>COPYRIGHT: (C)2010,JPO&INPIT

Description

本発明は、リスク管理を有する複数のプロジェクトにおけるリスクの予兆検知を行うためのコンピュータ・システム、並びにその方法及びコンピュータ・プログラムに関する。   The present invention relates to a computer system, a method, and a computer program for predicting risk in a plurality of projects having risk management.

プロジェクト管理システムに対する最近の要求の一つは、リスク・プロジェクトを早期に検知することである。ソフトウェアの規模が増加するにつれて、従来のプロジェクト管理システムにおけるリスク対応措置ではリスク検知のタイミングが遅く且つ影響規模が大きくなってしまうことが問題となっている。
下記特許文献1は、プロジェクト管理者の経験や主観に依存しない、客観的で精度の高い評価や予測を行うプロジェクト管理装置を記載する。しかし、該プロジェクト管理装置では、プロジェクトに応じた定性的な判断を盛り込む余地が少ない(例えば、第0020段落を参照)。
下記非特許文献1は、プロジェクトにおける状態及び環境を考慮して、潜在するリスク要因を予兆として捉えるための構造化された類推予測方法を記載する。該構造化された類推予測方法は、定性的なアンケートと定量的な分析とを混合した方法から構成されている。すなわち、アンケートを集計するだけの定性的なものから潜在的な予兆を見つける手法よりも、又は、プロジェクトが示す定量データだけから予兆を見つける手法よりも、両者を混合した手法の方がリスク要因の捕捉確率を向上させられることが報告されている。しかし、該構造化された類推予測方法では、複数の専門家からのアンケート結果を定量的に集計する部分に比べて、定性的な分析が占める部分が多く、最初にターゲットとする状況記述に結果が引きずられる可能性が大きい(例えば、3.5 Derive forecasts 第1行〜第3行を参照)。
One recent requirement for project management systems is the early detection of risk projects. As the scale of software increases, the risk countermeasures in the conventional project management system are problematic in that the timing of risk detection is delayed and the scale of influence becomes large.
The following Patent Document 1 describes a project management apparatus that performs objective and highly accurate evaluation and prediction that does not depend on the experience and subjectivity of a project manager. However, the project management apparatus has little room for incorporating qualitative judgment according to the project (see, for example, paragraph 0020).
Non-Patent Document 1 below describes a structured analogy prediction method for capturing potential risk factors as signs in consideration of the state and environment of a project. The structured analogy prediction method is composed of a method in which a qualitative questionnaire and a quantitative analysis are mixed. In other words, it is more risky to find a potential sign from a qualitative one that only compiles the questionnaire, or to find a sign from the quantitative data shown by the project. It has been reported that the capture probability can be improved. However, in the structured analogy prediction method, there are many qualitative analyzes compared with the part that quantitatively aggregates the questionnaire results from multiple experts, and the result is included in the first situation description. Is likely to be dragged (see, for example, 3.5 Derive forecasts lines 1 to 3).

特開2006−79555号公報JP 2006-79555 A K.C. Green and J. S. Armstrong, “Structured analogies for forecasting”, International Journal of Forecasting, pp.365-376, Vol.23, No.3, 2007K.C.Green and J.S. Armstrong, “Structured analogies for forecasting”, International Journal of Forecasting, pp.365-376, Vol.23, No.3, 2007

プロジェクトに潜在しているリスク要因を予兆検知するために、プロジェクトのアンケート回答などの状況記述に対して、プロジェクト特性に応じた定量的分析の特徴を定性的分析に混合し、定性的なアンケート回答で生じる主観的ぶれを適切に処理する手法が求められている。   Qualitative questionnaire responses are mixed with the qualitative analysis of quantitative analysis according to project characteristics for situation descriptions such as project questionnaire responses in order to detect signs of potential risks in the project. Therefore, there is a need for a method for appropriately processing the subjective blurring that occurs in the system.

本発明は、リスク管理を有する複数のプロジェクトにおけるリスクの予兆検知を行うためのコンピュータ・システムを提供する。該コンピュータ・システムは、
上記各プロジェクトに関する複数の質問に対する回答データを収集する収集部であって、上記複数の質問それぞれは複数のキー項目のうちのいずれかのキー項目に分類されている、上記収集部と、
上記キー項目毎の上記各質問に対する回答データに基づいて、上記各キー項目にリスク度を付与するリスク度付与部であって、上記回答データは数値又は回答データから変換された数値である、上記リスク度付与部と、
上記キー項目毎に回答データをニューラルネットワークの入力データとして入力し、上記入力した回答データに対応するリスク度を該ニューラルネットワークの出力データとして入力し、該ニューラルネットワークにおいて上記回答データの複数と上記リスク度の複数との関係を学習する学習部と、
作為的な回答データを含む回答データを上記学習したニューラルネットワークに与えてリスク度を求め、該求めたリスク度が高い場合の作為的な回答データに対応する質問を重要質問として絞り込む絞込部と、
上記重要質問に対する回答データのリスク度を上げる回答データを含むプロジェクトを選択し、該選択したプロジェクトについて、所定期間のリスクの予兆検知を行う検知部と
を含む。
The present invention provides a computer system for predictive detection of risks in a plurality of projects having risk management. The computer system
A collection unit that collects answer data for a plurality of questions related to each project, wherein each of the plurality of questions is classified into one of a plurality of key items;
Based on the answer data for each question for each key item, a risk degree giving unit that assigns a risk degree to each key item, wherein the answer data is a numeric value or a numeric value converted from answer data, A risk level assignment unit;
Answer data is input as input data of the neural network for each key item, and a risk level corresponding to the input answer data is input as output data of the neural network. In the neural network, a plurality of the answer data and the risk are input. A learning unit that learns the relationship between multiple degrees,
A narrowing unit that narrows down the question corresponding to the artificial answer data when the obtained risk level is high by giving the answer data including artificial answer data to the learned neural network, and narrows down the question corresponding to the artificial answer data when the obtained risk degree is high ,
A detection unit that selects a project including response data that raises a risk level of response data for the important question, and detects a risk sign for a predetermined period for the selected project.

本発明の1つの実施形態では、上記検知部が、
第1の期間における上記各重要質問に対する回答データが該第1の期間直前の第2の期間における上記各重要質問に対する回答データよりもリスク度を上げる場合、該リスク度を上げる回答データを含むプロジェクトを選択し、
上記選択されたプロジェクトについて、第1〜nの期間それぞれにおける上記キー項目毎の上記各質問に対する回答データ(以下、第1の回答データ)が該第1〜nの期間直前の第2〜n+1の期間それぞれにおける上記キー項目毎の上記各質問に対する回答データ(以下、第2の回答データ)よりもリスク度を上げる場合、上記1〜nの期間における上記第1の回答データと上記第2の回答データのキー項目毎の差分の合計値が所定の閾値以上であるプロジェクトを、リスクを有しうるプロジェクトとして抽出する。ここでnは2以上の整数である。
In one embodiment of the present invention, the detection unit is
If the answer data for each important question in the first period is higher in risk than the answer data for each important question in the second period immediately before the first period, the project includes answer data that raises the risk degree Select
With respect to the selected project, the answer data (hereinafter referred to as the first answer data) for each of the key items in the first to n periods is the second to n + 1 immediately before the first to n periods. When the risk level is higher than the answer data (hereinafter referred to as second answer data) for the respective questions for each key item in each period, the first answer data and the second answer in the period 1 to n A project whose total difference value for each key item of data is equal to or greater than a predetermined threshold is extracted as a project that may have a risk. Here, n is an integer of 2 or more.

本発明の1つの実施形態では、上記回答データが上記複数のプロジェクトの少なくとも2から、又は、同一のプロジェクトの異なる期間から収集される。   In one embodiment of the invention, the answer data is collected from at least two of the plurality of projects or from different periods of the same project.

本発明の1つの実施形態では、上記リスク度付与部が、上記各質問に対する回答データの数値を合計し、該合計した値に基づいて上記リスク度を付与する。代替的には、上記リスク度付与部が、上記各質問に対する回答データの数値を非線形関数を用いてスコア化し、該スコアに基づいて上記リスク度を付与する。上記リスク度を付与することが、上記各キー項目にリスク度に関連付けられた色を付与することである。上記リスク度に関連付けられた色が、上記回答データの数値の合計に応じて定められている。   In one embodiment of the present invention, the risk degree assigning unit sums up the numerical values of the answer data for the questions, and assigns the risk degree based on the summed value. Alternatively, the risk degree assigning unit scores the numerical value of the answer data for each question using a nonlinear function, and assigns the risk degree based on the score. Giving the risk level is giving a color associated with the risk level to each key item. The color associated with the risk level is determined according to the sum of the numerical values of the answer data.

本発明の1つの実施形態では、上記ニューラルネットワークが多層パーセプトロンである。   In one embodiment of the invention, the neural network is a multilayer perceptron.

本発明の1つの実施形態では、上記学習部が、上記ニューラルネットワークにおいて、上記入力データを第1のノードとし且つ上記出力データを第2のノードとし、上記第1のノードを多層の数(n)−1個に分け、上記第1のノードの多層間、及び上記第1のノードと上記第2のノードとの間を関連付ける。   In one embodiment of the present invention, in the neural network, the learning unit uses the input data as a first node, the output data as a second node, and the first node as a multi-layer number (n ) -1 to divide the first node into multiple layers and to associate the first node with the second node.

本発明の1つの実施形態では、上記作為的な回答データが、上記複数の質問のうちの1個又は2個について人工的に与えられた回答データである。   In one embodiment of the present invention, the artificial answer data is answer data artificially given for one or two of the plurality of questions.

本発明の1つの実施形態では、上記プロジェクトを選択することが、上記リスク度を上げる回答データの数に対応する質問の数をレベルの値とし、該レベルの値が1以上であるプロジェクトを選択することである。   In one embodiment of the present invention, selecting the project selects a project whose level value is the number of questions corresponding to the number of answer data that increases the risk level, and the level value is 1 or more. It is to be.

本発明の1つの実施形態では、上記第1の期間の上記レベルの値が1である場合において、
上記合計値が第1の閾値以上である場合に、該プロジェクトをリスクを有しうるプロジェクトとして抽出し、
上記第1の期間の上記レベルの値が2以上である場合において、
上記合計値が第2の閾値以上である場合に、該プロジェクトをリスクを有しうるプロジェクトとして抽出する。
In one embodiment of the present invention, when the value of the level in the first period is 1,
If the total value is greater than or equal to the first threshold, the project is extracted as a project that may have a risk,
In the case where the value of the level in the first period is 2 or more,
When the total value is equal to or greater than the second threshold, the project is extracted as a project that may have a risk.

本発明の1つの実施形態では、上記第1及び第2の閾値が、
(上記リスクを有しうるプロジェクトの上記選択されたプロジェクトから抽出される希望数に関する減少関数)+(上記レベルの値に関する増加関数)
から求められる。
In one embodiment of the invention, the first and second thresholds are
(Decrease function with respect to the desired number of projects extracted from the selected projects that may have the risk) + (Increase function with respect to the value of the level)
It is requested from.

本発明の1つの実施形態では、上記閾値が、
7×exp(-5x/100)+0.5×exp(2.5/y)
である。ここで、xは、上記回答データに関連付けられたプロジェクトから選択するプロジェクトの選択比率(%)であり、yは、上記レベルの値である。
In one embodiment of the invention, the threshold is
7 x exp (-5 x / 100) + 0.5 x exp (2.5 / y)
It is. Here, x is a selection ratio (%) of a project selected from projects associated with the answer data, and y is a value of the above level.

本発明はまた、リスク管理を有する複数のプロジェクトにおけるリスクの予兆検知を行うための方法を提供する。該方法は、コンピュータ・システムに下記ステップを実行させるステップを含む。該ステップは、
上記各プロジェクトに関する複数の質問に対する回答データを記憶部に収集するステップであって、上記複数の質問それぞれは複数のキー項目のうちのいずれかのキー項目に分類されている、上記収集するステップと、
上記キー項目毎の上記各質問に対する回答データに基づいて、上記各キー項目にリスク度を付与するステップであって、上記回答データは数値又は回答データから変換された数値である、上記付与するステップと、
上記キー項目毎に回答データをニューラルネットワークの入力データとして入力し、上記入力した回答データに対応するリスク度を該ニューラルネットワークの出力データとして入力し、該ニューラルネットワークにおいて上記回答データの複数と上記リスク度の複数との関係を学習するステップと、
作為的な回答データを含む回答データを上記学習したニューラルネットワークに与えてリスク度を求め、該求めたリスク度が高い場合の作為的な回答データに対応する質問を重要質問として絞り込むステップと、
上記重要質問に対する回答データのリスク度を上げる回答データを含むプロジェクトを選択し、該選択したプロジェクトについて、所定期間のリスクの予兆検知を行うステップと
を含む。
The present invention also provides a method for predictive risk detection in multiple projects having risk management. The method includes causing a computer system to perform the following steps. The step is
Collecting answer data for a plurality of questions related to each project in a storage unit, wherein each of the plurality of questions is classified into any one of a plurality of key items; ,
A step of assigning a risk level to each key item based on answer data for each question for each key item, wherein the answer data is a numerical value or a numerical value converted from the answer data. When,
Answer data is input as input data of the neural network for each key item, and a risk level corresponding to the input answer data is input as output data of the neural network. In the neural network, a plurality of the answer data and the risk are input. Learning the relationship with multiple degrees,
Applying the answer data including artificial answer data to the learned neural network to determine the risk level, and narrowing down the question corresponding to the artificial answer data when the calculated risk level is high as an important question;
Selecting a project including answer data that raises the risk level of answer data for the important question, and detecting a predictor of risk for a predetermined period for the selected project.

本発明の1つの実施形態では、上記予兆検知を行うステップが、
第1の期間における上記各重要質問に対する回答データが該第1の期間直前の第2の期間における上記各重要質問に対する回答データよりもリスク度を上げる場合、該リスク度を上げる回答データを含むプロジェクトを選択するステップと、
上記選択されたプロジェクトについて、第1〜nの期間それぞれにおける上記キー項目毎の上記各質問に対する回答データ(以下、第1の回答データ)が該第1〜nの期間直前の第2〜n+1の期間それぞれにおける上記キー項目毎の上記各質問に対する回答データ(以下、第2の回答データ)よりもリスク度を上げる場合、上記1〜nの期間における上記第1の回答データと上記第2の回答データのキー項目毎の差分の合計値が所定の閾値以上であるプロジェクトを、リスクを有しうるプロジェクトとして抽出するステップであって、nは2以上の整数である、上記抽出するステップと
を含む。
In one embodiment of the present invention, the step of performing the sign detection includes
If the answer data for each important question in the first period is higher in risk than the answer data for each important question in the second period immediately before the first period, the project includes answer data that raises the risk degree A step of selecting
With respect to the selected project, the answer data (hereinafter referred to as the first answer data) for each of the key items in the first to n periods is the second to n + 1 immediately before the first to n periods. When the risk level is higher than the answer data (hereinafter referred to as second answer data) for the respective questions for each key item in each period, the first answer data and the second answer in the period 1 to n A step of extracting a project in which a total difference of each key item of data is equal to or greater than a predetermined threshold as a project having a risk, wherein n is an integer of 2 or more, and includes the above-described extraction step .

本発明の1つの実施形態では、上記方法は、コンピュータ・システムに下記ステップをさらに実行させるステップを含む。該ステップは、
上記回答データを収集するステップを繰り返すステップと、
上記リスク度を付与するステップを繰り返すステップと、
上記学習したニューラルネットワークにおいて上記回答データの複数と上記リスク度の複数との関係を学習するステップを繰り返すステップと、
上記絞り込むステップを繰り返して、上記重要質問を更新するステップと
を含む。
In one embodiment of the invention, the method includes causing the computer system to further perform the following steps. The step is
Repeating the step of collecting the answer data,
Repeating the step of assigning the risk level;
Repeating the step of learning the relationship between the plurality of answer data and the plurality of risk degrees in the learned neural network;
Repeating the narrowing step to update the important question.

本発明の1つの実施形態では、上記予兆検知を行うステップにおいて、第1の期間における上記更新された各重要質問に対する回答データが該第1の期間直前の第2の期間における上記更新された各重要質問に対する回答データよりもリスク度を上げる場合、該リスク度をあげる回答データを含むプロジェクトを選択するステップをさらに含む。   In one embodiment of the present invention, in the step of performing the sign detection, the updated answer data for each important question in the first period is updated in the second period immediately before the first period. When the risk level is higher than the response data for the important question, the method further includes a step of selecting a project including the response data for increasing the risk level.

本発明の1つの実施形態では、上記リスク度を上げる回答データの数に対応する質問の数をレベルの値とし、上記プロジェクトを選択するステップが、該レベルの値が1以上であるプロジェクトを選択するステップを含む。   In one embodiment of the present invention, the step of selecting the project with the number of questions corresponding to the number of answer data increasing the degree of risk as the level value selects a project whose level value is 1 or more. Including the steps of:

本発明の1つの実施形態では、上記抽出するステップが、
上記第1の期間の上記レベルの値が1である場合において、
上記合計値が第1の閾値以上である場合に、該プロジェクトをリスクを有しうるプロジェクトとして抽出するステップと、
上記第1の期間の上記レベルの値が2以上である場合において、
上記合計値が第2の閾値以上である場合に、該プロジェクトをリスクを有しうるプロジェクトとして抽出するステップと、
を含む。
In one embodiment of the invention, the extracting step comprises
In the case where the value of the level in the first period is 1,
Extracting the project as a project that may have a risk when the total value is equal to or greater than a first threshold; and
In the case where the value of the level in the first period is 2 or more,
Extracting the project as a project that may have a risk when the total value is equal to or greater than a second threshold;
including.

本発明の1つの実施形態では、上記方法は、コンピュータ・システムに下記ステップをさらに実行させるステップをさらに含む。該ステップは、上記第1及び第2の閾値を、
(上記選択されたプロジェクトから抽出される上記リスクを有しうるプロジェクトの希望数に関する減少関数)+(上記レベルの値に関する増加関数)
から求めるステップを含む。
In one embodiment of the invention, the method further comprises causing the computer system to further perform the following steps: In this step, the first and second threshold values are set as follows.
(Decrease function for the desired number of projects that could have the risk extracted from the selected project) + (Increase function for the value of the level)
Including the step of obtaining from

本発明の1つの実施形態では、上記ニューラルネットワークが多層パーセプトロンであり、
上記学習するステップが、上記ニューラルネットワークにおいて、上記入力データを第1のノードとし且つ上記出力データを第2のノードとし、上記第1のノードを多層の数(n)−1個に分け、上記第1のノードの多層間、及び上記第1のノードと上記第2のノードとの間を関連付けるステップを含む。
In one embodiment of the invention, the neural network is a multilayer perceptron,
In the neural network, the learning step includes setting the input data as a first node and the output data as a second node, dividing the first node into a multilayer number (n) −1, Associating between multiple layers of first nodes and between the first node and the second node.

本発明の1つの実施形態では、上記リスク度を付与するステップが、上記各質問に対する回答データの数値を合計し、該合計した値に基づいて上記リスク度を付与するステップを含む。   In one embodiment of the present invention, the step of assigning the risk level includes the step of summing up the numerical values of the answer data for the questions and assigning the risk level based on the summed value.

本発明はまた、リスク管理を有する複数のプロジェクトにおけるリスクの予兆検知を行うための方法を提供する。該方法は、コンピュータ・システムに下記ステップを実行させるステップを含む。該ステップは、
上記各プロジェクトに関する複数の質問に対する回答データを記憶部に収集するステップであって、上記複数の質問それぞれは複数のキー項目のうちのいずれかのキー項目に分類されている、上記収集するステップと、
上記キー項目毎の上記各質問に対する回答データに基づいて、上記各キー項目にリスク度を付与するステップであって、上記回答データは数値又は回答データから変換された数値である、上記付与するステップと、
上記キー項目毎に回答データをニューラルネットワークの入力データとして入力し、上記入力した回答データに対応するリスク度を該ニューラルネットワークの出力データとして入力し、該ニューラルネットワークにおいて上記回答データの複数と上記リスク度の複数との関係を学習するステップと、
作為的な回答データを含む回答データを上記学習したニューラルネットワークに与えてリスク度を求め、該求めたリスク度が高い場合の作為的な回答データに対応する質問を重要質問として絞り込むステップと、
上記回答データを収集するステップを繰り返すステップと、
上記リスク度を付与するステップを繰り返すステップと、
上記学習したニューラルネットワークにおいて上記回答データの複数と上記リスク度の複数との関係を学習するステップを繰り返すステップと、
上記絞り込むステップを繰り返して、上記重要質問を更新するステップと、
所定期間のプロジェクトにおけるリスクの予兆検知を行うステップであって、
第1の期間における上記更新された各重要質問に対する回答データが該第1の期間直前の第2の期間における上記更新された各重要質問に対する回答データよりもリスク度を上げる場合、該リスク度をあげる回答データを含むプロジェクトを選択するステップと、
上記選択されたプロジェクトについて、第1〜nの期間それぞれにおける上記キー項目毎の上記各質問に対する回答データ(以下、第1の回答データ)が該第1〜nの期間直前の第2〜n+1の期間それぞれにおける上記キー項目毎の上記各質問に対する回答データ(以下、第2の回答データ)よりもリスク度を上げる場合、上記1〜nの期間における上記第1の回答データと上記第2の回答データのキー項目毎の差分の合計値が所定の閾値以上であるプロジェクトを、リスクを有しうるプロジェクトとして抽出するステップであって、nは2以上の整数である、上記抽出するステップと
を含む、上記予兆検知を行うステップと
を含む。
The present invention also provides a method for predictive risk detection in multiple projects having risk management. The method includes causing a computer system to perform the following steps. The step is
Collecting answer data for a plurality of questions related to each project in a storage unit, wherein each of the plurality of questions is classified into any one of a plurality of key items; ,
A step of assigning a risk level to each key item based on answer data for each question for each key item, wherein the answer data is a numerical value or a numerical value converted from the answer data. When,
Answer data is input as input data of the neural network for each key item, and a risk level corresponding to the input answer data is input as output data of the neural network. In the neural network, a plurality of the answer data and the risk are input. Learning the relationship with multiple degrees,
Applying the answer data including artificial answer data to the learned neural network to determine the risk level, and narrowing down the question corresponding to the artificial answer data when the calculated risk level is high as an important question;
Repeating the step of collecting the answer data,
Repeating the step of assigning the risk level;
Repeating the step of learning the relationship between the plurality of answer data and the plurality of risk degrees in the learned neural network;
Repeating the refinement step to update the important question,
A step of detecting a predictor of risk in a project for a predetermined period,
When the response data for each updated important question in the first period has a higher risk level than the response data for each updated important question in the second period immediately before the first period, the risk level is Selecting a project that contains the response data
With respect to the selected project, the answer data (hereinafter referred to as the first answer data) for each of the key items in the first to n periods is the second to n + 1 immediately before the first to n periods. When the risk level is higher than the answer data (hereinafter referred to as second answer data) for the respective questions for each key item in each period, the first answer data and the second answer in the period 1 to n A step of extracting a project in which a total difference of each key item of data is equal to or greater than a predetermined threshold as a project having a risk, wherein n is an integer of 2 or more, and includes the above-described extraction step And a step of performing the above sign detection.

本発明はさらに、リスク管理を有する複数のプロジェクトにおけるリスクの予兆検知を行うためのコンピュータ・プログラムを提供する。該コンピュータ・プログラムは、コンピュータ・システムに、上記のいずれか一つに記載の方法の各ステップを実行させる。   The present invention further provides a computer program for detecting predictive risk in a plurality of projects having risk management. The computer program causes a computer system to execute each step of the method described in any one of the above.

本発明の実施形態によれば、プロジェクトの管理者によってばらつきのあるプロジェクトに対する定性的な回答からでも、潜在的なリスクを含むプロジェクトを予兆検知することが可能である。   According to the embodiment of the present invention, it is possible to detect a project including a potential risk even from a qualitative answer to a project having a variation by a project manager.

本発明の実施形態において、「プロジェクト」とは、リスク管理を有するプロジェクトである。本発明の実施形態では、複数のプロジェクトが対象である。本発明の実施形態では、複数のプロジェクトのうちからリスクを潜在的に有しうるプロジェクトを予兆検知する。   In the embodiment of the present invention, a “project” is a project having risk management. In the embodiment of the present invention, a plurality of projects are targeted. In the embodiment of the present invention, a project that may potentially have a risk is detected from among a plurality of projects.

本発明の実施形態において、「リスク管理」とは、リスクを組織的に管理し、危害の発生源又は発生原因、損失などを回避し、又は、それらの低減をはかるプロセスをいう。「リスク管理」は、プロジェクトに潜在的に存在するリスク要因の予兆検知を含む。   In the embodiment of the present invention, “risk management” refers to a process for systematically managing risk, avoiding the source or cause of harm, loss, etc., or reducing them. “Risk management” includes predictive detection of risk factors potentially present in the project.

本発明の実施形態において、「予兆検知」とは、プロジェクトにおいて将来的に発生するであろうリスクを含むプロジェクトを検知することをいう。   In the embodiment of the present invention, “predictive detection” refers to detecting a project including a risk that will occur in the future in the project.

本発明の実施形態において、「プロジェクトに関する複数の質問」とは、例えばプロジェクト管理の当業者が経験的にプロジェクトの状況把握に重要であると考えられる内容に関する。該質問は、例えばアンケート形式であり、紙ベース又は電子ベースのいずれの形式であってもよい。質問の内容は、質問間で重複していても構わない。   In the embodiment of the present invention, “a plurality of questions regarding a project” relates to a content that is considered to be important for a person skilled in the art of project management, for example, to empirically grasp the situation of the project. The question is, for example, a questionnaire format, and may be either a paper-based format or an electronic-based format. The content of the question may overlap between questions.

本発明の実施形態において、プロジェクトに関する質問は、複数のキー項目に分類されている。複数のキー項目は、例えば、5個、7個、10個など任意の数からなる。1つのキー項目は、少なくとも1つの質問を含む。キー項目は、プロジェクトのリスク管理に必要な観点から設けられている項目である。キー項目は、例えば、ステークホルダー(利害関係者)項目、ビジネス上の利益項目、作業及びスケジュール項目、チーム項目、スコープ項目、リスク項目、及びサービス提供組織にとっての利益項目であるがこれに限定されない。
ステークホルダー項目とは、利害関係者がコミットしているかに関する項目であり、プロジェクトの影響を受ける、又は、プロジェクトに影響を与える個人及びグループを特定し、評価し、情報を提供し、感化することに関する質問を含む。
ビジネス上の利益項目とは、顧客のビジネス上の利益が実現されているかに関する項目であり、プロジェクトがクライアント企業に与える利益を予測し、測定し、モニターすることに関する質問を含む。利益とは、財務及び非財務の両方の側面における期待成果と関連コストを考慮したものである。
作業及びスケジュール項目とは、作業及びスケジュールが予測可能であるかに関する項目であり、プロジェクトのサービスと成果物の提供及び受入を管理し、パフォーマンスの規定及び受入基準が確実に満たされているようにすることに関する質問を含む。
チーム項目とは、プロジェクトチームが高いパフォーマンスを出しているかに関する項目であり、プロジェクトチームに必要な人員を特定し、立ち上げ、教育することに関する質問を含む。
スコープ項目とは、スコープが現実的で的確に管理されているかに関する項目であり、プロジェクトの作業範囲を承認、維持管理することに関する質問を含む。
リスク項目とは、リスクが軽減されているかに関する項目であり、リスク及び課題を特定し、評価し、それらに対する回避、緩和、解決などのアクティビティを実行することに関する質問を含む。
サービス提供組織にとっての利益項目とは、サービス提供組織にとっての利益が実現されているかに関する項目であり、サービス提供組織がプロジェクトから得る利益を確定し、合意し、管理する。サービス提供組織にとっての利益とは、例えば、財務報酬、知識伝達、スキル開発である。
In the embodiment of the present invention, questions regarding a project are classified into a plurality of key items. The plurality of key items are composed of an arbitrary number such as 5, 7, 10, and the like. One key item includes at least one question. Key items are items that are provided from the viewpoint necessary for project risk management. Key items include, but are not limited to, stakeholder (stakeholder) items, business benefit items, work and schedule items, team items, scope items, risk items, and benefit items for service providing organizations.
A stakeholder item is an item related to whether a stakeholder is committed, and relates to identifying, evaluating, providing information, and inspiring individuals and groups that are affected by or affecting the project. Includes questions.
The business profit item is an item related to whether the business profit of the customer is realized, and includes questions related to predicting, measuring, and monitoring the profit that the project gives to the client company. Profit takes into account expected outcomes and associated costs in both financial and non-financial aspects.
Work and schedule items are items related to whether work and schedules are predictable, manage the provision and acceptance of project services and deliverables, and ensure that performance specifications and acceptance criteria are met. Includes questions about what to do.
The team item is an item relating to whether the project team is performing well, and includes questions relating to identifying, setting up and educating the personnel required for the project team.
The scope item is an item relating to whether the scope is realistic and properly managed, and includes questions related to approving and maintaining the work scope of the project.
A risk item is an item relating to whether the risk has been mitigated, and includes questions relating to identifying and evaluating risks and issues, and performing activities such as avoidance, mitigation, and resolution.
The benefit item for the service providing organization is an item relating to whether or not the benefit for the service providing organization has been realized, and the benefit provided by the service providing organization from the project is determined, agreed, and managed. Benefits for service providers are, for example, financial compensation, knowledge transfer, and skill development.

本発明の実施形態において、「質問に対する回答データ」は、数値又は回答データから変換された数値である。回答データが数値でない場合、所定の基準に従い数値化される。また、回答データが数値である場合であっても、該数値が、所定の基準に従い数値化される。数値化には、例えば離散化スコアリングが使用されてもよい。離散化スコアリングとして、例えば3段階の離散化スコアリングが使用されうる。   In the embodiment of the present invention, “answer data for a question” is a numerical value or a numerical value converted from the answer data. If the answer data is not a numerical value, it is digitized according to a predetermined standard. Even if the answer data is a numerical value, the numerical value is digitized according to a predetermined standard. For digitization, for example, discretized scoring may be used. As the discretization scoring, for example, a three-stage discretization scoring can be used.

本発明の1の実施形態において、「質問に対する回答データ」は、例えば、3択又は5択の選択肢を各プロジェクトの管理者が選択することによって得られる。回答が選択肢形式である場合、得られる回答データは数値である。例えば3択の場合、回答データは1、2又は3の数値であり、5択の場合、回答データは1、2、3、4又は5の数値である。各プロジェクトの管理者は、回答を、例えばマークシート上に記入し、又はアプリケーションソフトの画面上に表示される選択肢をチェックするとこにより行う。マークシート上に記入された回答データは該マークシートをマークシートリーダーに通すことによって電子化される。
本発明の他の実施形態において、「質問に対する回答データ」は、百分率、割合、又は点数で表される数値である。該数値は、例えば、プロジェクトの進捗率、進捗割合、又は進捗に関する点数である。
本発明の他の実施形態において、「質問に対する回答データ」は、「はい」又は「いいえ」などの文字列である。
In one embodiment of the present invention, “answer data for a question” is obtained, for example, by the manager of each project selecting a choice of 3 or 5 choices. When the answer is in an option format, the obtained answer data is a numerical value. For example, in the case of 3 choices, the answer data is a numerical value of 1, 2 or 3, and in the case of 5 choices, the answer data is a numerical value of 1, 2, 3, 4 or 5. The manager of each project makes an answer by, for example, writing an answer on a mark sheet or checking options displayed on the screen of the application software. The answer data entered on the mark sheet is digitized by passing the mark sheet through a mark sheet reader.
In another embodiment of the present invention, the “answer data for a question” is a numerical value expressed as a percentage, a ratio, or a score. The numerical value is, for example, a project progress rate, a progress rate, or a score related to progress.
In another embodiment of the present invention, “answer data for a question” is a character string such as “yes” or “no”.

本発明の他の実施形態において、「回答データから変換された数値」とは、回答データが上記百分率、割合若しくは点数であり又は文字列である場合、該回答データを数値に変換した値をいう。
回答データが百分率である場合、百分率を所定の範囲毎に、例えば、1、2、3、4又は5の数値に変換する。例えば、0%以上〜20%未満の百分率であれば1に変換し、20%以上〜40%未満の百分率であれば2に変換し、40%以上〜60%未満の百分率であれば3に変換し、60%以上〜80%未満の百分率であれば4に変換し、及び80%以上〜100%以下の百分率であれば5に変換する。なお、離散化スコアリングを使用して、上記変換された数値値を、例えば、1、2、4、6又は8としてもよい。
回答データが割合である場合、割合を所定の範囲毎に、例えば、1、2、3、4又は5の数値に変換する。例えば0割以上〜2割未満の割合であれば1に変換し、2割以上〜4割未満の割合であれば2に変換し、4割以上〜6割未満の割合であれば3に変換し、6割以上〜8割未満の割合であれば4に変換し、及び8割以上〜10割以下の割合であれば5に変換する。なお、離散化スコアリングを使用して、上記変換された数値を、例えば、1、2、4、6又は8としてもよい。
回答データが点数である場合、点数を所定の範囲毎に、例えば、1、2、3、4又は5の数値に変換する。例えば、0点以上〜20点未満の点数であれば1に変換し、20点以上〜40点未満の点数であれば2に変換し、40点以上〜60点未満の点数であれば3に変換し、60点以上〜80点未満の点数であれば4に変換し、及び80点以上〜100点以下の点数であれば5に変換する。なお、離散化スコアリングを使用して、上記変換された数値を、例えば、1、2、4、6又は8としてもよい。
回答データが「はい」又は「いいえ」などの文字列である場合、「はい」の回答に対して低い数値を付与し又は数値を付与せず、「いいえ」の回答に対して「はい」で付与された数値よりも高い数値を付与する。該例は、数値が高いほど、プロジェクトのリスクが高くなるような場合である。例えば、「はい」の回答に対してスコア値0を付与し(すなわち、スコア値を付与しない)、一方、「いいえ」の回答に対してスコア値3を付与する。
In another embodiment of the present invention, the “numerical value converted from the answer data” refers to a value obtained by converting the answer data into a numerical value when the answer data is the percentage, the ratio, or the score, or is a character string. .
When the answer data is a percentage, the percentage is converted into a numerical value such as 1, 2, 3, 4 or 5 for each predetermined range. For example, if the percentage is from 0% to less than 20%, it is converted to 1, if the percentage is from 20% to less than 40%, it is converted to 2, and if the percentage is from 40% to less than 60%, it is converted to 3. If the percentage is from 60% to less than 80%, it is converted to 4, and if the percentage is from 80% to 100%, it is converted to 5. In addition, it is good also considering the said converted numerical value as 1, 2, 4, 6, or 8 using discretization scoring, for example.
When the answer data is a ratio, the ratio is converted into a numerical value such as 1, 2, 3, 4 or 5 for each predetermined range. For example, if it is a ratio of 0% to less than 20%, it is converted to 1. If it is a ratio of 20% to less than 40%, it is converted to 2. If it is a ratio of 40% to less than 60%, it is converted to 3. If it is a ratio of 60% to less than 80%, it is converted to 4. If it is a ratio of 80% to 100%, it is converted to 5. In addition, it is good also considering the said converted numerical value as 1, 2, 4, 6 or 8 using discretization scoring, for example.
When the answer data is a score, the score is converted into a numerical value of 1, 2, 3, 4, or 5 for each predetermined range. For example, if the score is 0 or more and less than 20 points, the score is converted to 1. If the score is 20 or more and less than 40 points, the score is converted to 2. If the score is 40 or more and less than 60 points, the score is 3. If the score is from 60 points to less than 80 points, the score is converted to 4. If the score is from 80 points to 100 points, the score is converted to 5. In addition, it is good also considering the said converted numerical value as 1, 2, 4, 6 or 8 using discretization scoring, for example.
If the answer data is a character string such as "Yes" or "No", give a low value to the answer to "Yes" or give no value, and answer "Yes" to the answer to "No" A value higher than the assigned value is assigned. In this example, the higher the numerical value, the higher the risk of the project. For example, a score value of 0 is assigned to a “yes” answer (ie, no score value is assigned), while a score value of 3 is assigned to a “no” answer.

本発明の実施形態において、「リスク度」とは、プロジェクトの健全状態の基準であり、例えばリスク度が高いほどプロジェクトにおいてリスクが大きいことになる。リスク度のレベルは、例えば、リスク度に関連付けられた色によって示される。色は、例えば、緑、黄、及び赤の3色である。緑、黄、及び赤である基準値は、キー項目毎に任意に設定されることができる。
緑は、プロジェクトが順調であり、例えば、プロジェクトが計画通りに進行していることを示す。プロジェクトが順調であるとは、プロジェクトの状況一般が順調であることである。
黄は、プロジェクトに対して警告を発する状態であり、状況改善のためのアクションが近々必要であることを示す。
赤は、プロジェクトに対して緊急を発する状態であり、即刻方向修正のためのアクションが必要であることを示す。
In the embodiment of the present invention, the “risk level” is a standard for the sound state of the project. For example, the higher the risk level, the greater the risk in the project. The level of risk level is indicated by a color associated with the risk level, for example. The colors are, for example, three colors of green, yellow, and red. The reference values of green, yellow, and red can be arbitrarily set for each key item.
Green indicates that the project is on track, for example that the project is progressing as planned. A good project means that the general situation of the project is good.
Yellow indicates a warning to the project and indicates that action is needed soon to improve the situation.
Red indicates that the project is urgent and requires immediate action.

本発明の実施形態において、「リスク度の付与」とは、プロジェクトのキー項目毎の質問に対する回答データである数値に基づいて、該キー項目それぞれについてのリスク度を付与することをいう。
回答データが選択肢である場合、選択肢そのものの数値に基づいてリスク度を付与してもよいが、さらにキー項目毎に、該数値を合計した合計値に基づいてリスク度を付与してもよい。
回答データが百分率である場合、百分率そのものの数値に基づいてリスク度を付与してもよいが、さらに、百分率を所定の範囲毎に数値に変換し、該変換された数値にリスク度を付与してもよい。さらに、上記百分率そのものの数値又は変換した数値について、キー項目毎に、上記百分率そのものの数値を合計した合計値又は上記変換した数値を合計した合計値に基づいてリスク度を付与してもよい。
回答データが割合である場合、割合そのものの数値に基づいてリスク度を付与してもよいが、さらに、割合を所定の範囲毎に数値に変換し、該変換された数値にリスク度を付与してもよい。さらに、上記割合そのものの数値又は変換した数値について、キー項目毎に、上記割合そのものの数値を合計した合計値又は上記変換した数値を合計した合計値に基づいてリスク度を付与してもよい。
回答データが点数である場合、点数そのものの数値に基づいてリスク度を付与してもよいが、さらに、点数を所定の範囲毎に数値に変換し、該変換された数値にリスク度を付与してもよい。さらに、上記点数そのものの数値又は変換した数値について、キー項目毎に、上記点数そのものの数値を合計した合計値又は上記変換した数値を合計した合計値に基づいてリスク度を付与してもよい。
回答データが文字列である場合、該文字列を数値に変換し、該変換した数値にリスク度を付与する。
In the embodiment of the present invention, “giving a risk level” means giving a risk level for each key item based on a numerical value that is answer data to a question for each key item of the project.
When the answer data is an option, the risk level may be given based on the numerical value of the option itself, but the risk level may be given based on a total value obtained by adding the numerical values for each key item.
When the response data is a percentage, the risk level may be assigned based on the numerical value of the percentage itself, but the percentage is converted into a numerical value for each predetermined range, and the risk level is assigned to the converted numerical value. May be. Further, the degree of risk may be assigned to each key item based on the total value obtained by summing up the numerical values of the percentages or the sum of the converted numerical values for each key item.
When the answer data is a ratio, the risk level may be assigned based on the numerical value of the ratio itself, but the ratio is converted into a numerical value for each predetermined range, and the risk level is assigned to the converted numerical value. May be. Further, the degree of risk may be assigned to each key item based on the total value obtained by summing up the numerical values of the proportions themselves or the sum of the converted numerical values.
When the answer data is a score, the risk level may be assigned based on the numerical value of the score itself. Furthermore, the score is converted into a numerical value for each predetermined range, and the risk level is assigned to the converted numerical value. May be. Further, for the numerical value of the score itself or the converted numerical value, the risk degree may be assigned for each key item based on the total value obtained by summing the numerical values of the score itself or the total value obtained by summing the converted numerical values.
When the answer data is a character string, the character string is converted into a numerical value, and a risk level is assigned to the converted numerical value.

リスク度を付与する具体的な方法は、例えば次の通りである。あるキー項目に含まれる特定の質問に対する回答データの値が所定の閾値未満である場合、リスク度付与部(下記図1、103)は回答データの値が悪いとして、該特定の質問を含むキー項目の状態にリスクがあると判定する。そして、リスク度付与部(103)は、該キー項目に対して、黄又は赤のリスク度を付与する。一方、あるキー項目に含まれる全ての質問に対する回答データの値が所定の閾値以上である場合、リスク度付与部(103)は、回答データの値が良いとして、該全ての質問を含むキー項目の状態にリスクがないと判定する。そして、リスク度付与部(103)は、該キー項目に対して、緑のリスク度を付与する。   A specific method for assigning the risk level is, for example, as follows. When the value of the answer data for a specific question included in a certain key item is less than a predetermined threshold, the risk degree assigning unit (FIG. 1, 103 below) determines that the value of the answer data is bad, and the key including the specific question It is determined that there is a risk in the item status. And a risk degree provision part (103) provides yellow or red risk degree with respect to this key item. On the other hand, when the value of the answer data for all questions included in a certain key item is equal to or greater than a predetermined threshold, the risk level assigning unit (103) determines that the value of the answer data is good and includes the key item including all the questions. It is determined that there is no risk in the condition. The risk degree assigning unit (103) assigns a green risk degree to the key item.

本発明の実施形態において、「ニューラルネットワーク」とは、脳機能に見られるいくつかの特性を計算機上のシミュレーションによって表現することを目指した数学モデルである。本発明の実施形態において、誤差逆伝播法を用いた多層パーセプトロンが用いられうる。本発明の実施形態において、「多層パーセプトロン」とは、単純パーセプトロンを層状に繋ぎ合わせたネットワークであり、入力層及び出力層を含む。
本発明の実施形態において、「ニューラルネットワーク」は、プロジェクトのキー項目毎に作成される。ニューラルネットワークの入力データは、キー項目毎の回答データである。ニューラルネットワークの出力データは、キー項目毎の回答データに対応するリスク度である。
本発明の実施形態において、「ニューラルネットワーク」は、上記キー項目毎の入力した回答データと上記出力データであるリスク度との関係を学習する。本発明の実施形態において、「ニューラルネットワーク」は、上記学習後に、出力データに影響を与える入力データ、すなわち回答データに対応する質問を特定するために用いられる。
In the embodiment of the present invention, the “neural network” is a mathematical model that aims to express some characteristics found in the brain function by simulation on a computer. In an embodiment of the present invention, a multilayer perceptron using an error back propagation method may be used. In the embodiment of the present invention, the “multilayer perceptron” is a network in which simple perceptrons are connected in layers, and includes an input layer and an output layer.
In the embodiment of the present invention, a “neural network” is created for each key item of a project. The input data of the neural network is answer data for each key item. The output data of the neural network is the degree of risk corresponding to the answer data for each key item.
In the embodiment of the present invention, the “neural network” learns the relationship between the input answer data for each key item and the risk level as the output data. In the embodiment of the present invention, the “neural network” is used to specify a question corresponding to input data that influences output data, that is, answer data after the learning.

本発明の実施形態において、「多層パーセプトロン」として、例えば3層パーセプトロンが用いられる。3層パーセプトロンは、2層の入力層と1層の出力層を含む。   In the embodiment of the present invention, for example, a three-layer perceptron is used as the “multilayer perceptron”. The three-layer perceptron includes two input layers and one output layer.

本発明の実施形態において、「作為的な回答データ」とは、複数の質問のうちからプロジェクトにおけるリスクの予兆検知を行うために重要である重要質問を絞り込むために、人工的に与えられる回答データである。作為的な回答データの入力は、影響力を調査したい質問に対応する回答のみを意図的に良くしたり、悪くしたりする回答データを入力することである。
本発明の1つの実施形態において、「作為的な回答データを含む各質問に対する回答データ」を入力することは、例えば、1つの質問に対する回答データの値が悪くなるような値、すなわち1つの質問に対する回答の内容がリスクを増大させる値を入力し、且つそれ以外の質問に対する回答データの値が良くなるような又は変化しない値、すなわちそれ以外の質問に対する回答の内容がリスクを増大させない値を入力する。
本発明の他の実施形態において、「作為的な回答データを含む各質問に対する回答データ」を入力することは、例えば、1つの入力ノードのみに出力結果が悪くなるような値、すなわちリスク度が高い値を入力し、且つそれ以外の入力データに出力結果が良くなるような又は変化しない値、すなわちリスク度が低い値を入力することである。
本発明の1つの実施形態において、「作為的な回答データを含む各質問に対する回答データ」を入力することは、例えば、2つの質問それぞれに対する回答データの値が悪くなるような値、すなわち2つの質問それぞれに対する回答の内容がリスクを増大させる値を入力し、且つそれ以外の質問に対する回答データの値が良くなるような又は変化しない値、すなわちそれ以外の質問に対する回答の内容がリスクを増大させない値を入力する。
本発明の他の実施形態において、「作為的な回答データを含む各質問に対する回答データ」を入力することは、例えば、2つの入力ノードの組み合わせの全てにおいて、1つの組み合わせのみに出力結果が悪くなるような値を入力し、且つそれ以外の入力ノードに出力結果が良くなるような又は変化しない値を入力することである。
In the embodiment of the present invention, “artificial answer data” means answer data that is artificially given to narrow down important questions that are important for predicting risk in a project from a plurality of questions. It is. The input of artificial answer data is to input answer data that intentionally improves or deteriorates only the answer corresponding to the question whose influence is to be investigated.
In one embodiment of the present invention, inputting “answer data for each question including artificial answer data” is, for example, a value that makes the answer data value for one question worse, that is, one question Enter a value that increases the risk of the answer to the question, and the value of the answer data for the other questions is good or does not change, that is, the value that does not increase the risk of the answer to the other question. input.
In another embodiment of the present invention, inputting “answer data for each question including artificial answer data” is, for example, a value that causes an output result to deteriorate only at one input node, that is, a risk level. A high value is input, and a value that improves or does not change the output result, that is, a value with a low risk level, is input to other input data.
In one embodiment of the present invention, inputting “answer data for each question including artificial answer data” is, for example, a value that makes the value of the answer data for each of the two questions worse, ie, two Enter the value that increases the risk of the answer to each question, and the value of the answer data for other questions is good or does not change, that is, the answer to other questions does not increase the risk Enter a value.
In another embodiment of the present invention, inputting “answer data for each question including artificial answer data” means that, for example, in all combinations of two input nodes, only one combination has a poor output result. And a value that improves the output result or does not change is input to the other input nodes.

本発明の実施形態において、「重要質問」とは、複数の質問のうちからプロジェクトにおけるリスクの予兆検知を行うために重要である質問である。本発明の実記形態では、重要質問を絞り込むことによって、定性的な回答データを効果的に定量化することが可能である。   In the embodiment of the present invention, the “important question” is a question that is important in order to detect a sign of risk in a project from among a plurality of questions. In the actual form of the present invention, it is possible to effectively quantify qualitative answer data by narrowing down important questions.

本発明の実施形態において、「所定期間」とは、例えば、日数、週、月、又は年単位の期間である。   In the embodiment of the present invention, the “predetermined period” is, for example, a period in days, weeks, months, or years.

以下、図面に従って、本発明の実施形態を説明する。本実施形態は、本発明の好適な態様を説明するためのものであり、本発明の範囲をここで示すものに限定する意図はないことを理解されたい。また、以下の図を通して、特に断らない限り、同一符号は、同一の対象を指す。   Embodiments of the present invention will be described below with reference to the drawings. It should be understood that this embodiment is for the purpose of illustrating a preferred aspect of the present invention and is not intended to limit the scope of the invention to what is shown here. Further, throughout the following drawings, the same reference numerals refer to the same objects unless otherwise specified.

図1は、本発明の実施形態における、コンピュータ・システムの構成図を示す。
コンピュータ・システム(101)は、収集部(102)、リスク度付与部(103)、学習部(104)、絞込部(105)、検知部(106)、中央演算処理装置(以下、CPU)(107)、記憶部(108)、及びメモリー(109)を含む。コンピュータ・システム(101)はまた、ニューラルネットワーク(110)を実装するソフトウェアを記憶部(108)に保存する。代替的に、コンピュータ・システム(101)は、ニューラルネットワーク(110)を実装するソフトウェアを含む他のコンピュータ(図示せず)に接続されている。
収集部(102)は、プロジェクトに関する複数の質問に対する回答データをプロジェクトの管理者からの入力に応答して収集する。該回答データは、複数のプロジェクトから、又は、同一のプロジェクトの異なる期間から収集される。回答データは、収集部(102)が収集する前に、必要に応じて電子化される。
リスク度付与部(103)は、各プロジェクトのキー項目毎の各質問に対する回答データに基づいて、各キー項目についてのリスク度を付与する。特には、リスク度付与部(103)は、回答データの値をキー項目毎に合計し、該合計値に基づいてキー項目それぞれにリスク度を付与する。回答データは、数値又は回答データから変換された数値である。
学習部(104)は、ニューラルネットワークの入力データとしてキー項目毎に回答データを入力し、該ニューラルネットワークの出力データとして入力した回答データに対応するリスク度を入力し、該ニューラルネットワークにおいてキー項目毎の入力した回答データと上記リスク度との関係を学習する。学習部(104)はまた、ニューラルネットワークにおいて、キー項目毎の入力データを第1のノードとし且つ出力データを第2のノードとし、第1のノードを多層の数(n)−1個に分け、第1のノードの多層間、及び第1のノードと第2のノードとの間を関連付ける。
絞込部(105)は、作為的な回答データを含む各質問に対する回答データを学習したニューラルネットワークに与えて出力データであるリスク度を求め、該求めたリスク度が高い場合の作為的な回答データに対応する質問を重要質問として絞り込む。
検知部(106)は、所定期間の各プロジェクトにおけるリスクの予兆検知を行う。検知部(106)はまた、第1の期間における各重要質問に対する回答データが該第1の期間直前の第2の期間における各重要質問に対する回答データよりも悪い回答データ、すなわちリスク度をあげる場合、該リスク度を上げる回答データを含むプロジェクトを選択する。検知部(106)はさらに、選択されたプロジェクトについて、第1〜n(但し、nは2以上の整数である)の期間それぞれにおけるキー項目毎の各質問に対する回答データが該第1〜nの期間直前の第2〜n+1の期間それぞれにおけるキー項目毎の各質問に対する回答データよりも悪い回答データ、すなわちリスク度を上げる場合、該リスク度を上げる回答データの数を1〜nの期間毎に合計し、該合計した値が所定の閾値以上であるプロジェクトを、リスクを有しうるプロジェクトとして抽出する。
CPU(107)は、本発明の実施形態であるリスクの予兆検知を行うためのコンピュータ・プログラムを実行する。
メモリー(109)は、上記コンピュータ・プログラムを実行するために使用される。
FIG. 1 is a configuration diagram of a computer system according to an embodiment of the present invention.
The computer system (101) includes a collection unit (102), a risk level assignment unit (103), a learning unit (104), a narrowing unit (105), a detection unit (106), and a central processing unit (hereinafter referred to as CPU). (107), a storage unit (108), and a memory (109). The computer system (101) also stores software that implements the neural network (110) in the storage unit (108). Alternatively, the computer system (101) is connected to another computer (not shown) that includes software that implements the neural network (110).
The collection unit (102) collects response data for a plurality of questions regarding the project in response to input from the project manager. The answer data is collected from multiple projects or from different periods of the same project. The answer data is digitized as necessary before being collected by the collection unit (102).
The risk degree assigning unit (103) assigns a risk degree for each key item based on answer data for each question for each key item of each project. In particular, the risk degree assigning unit (103) sums the values of the answer data for each key item, and assigns a risk degree to each key item based on the total value. The answer data is a numerical value or a numerical value converted from the answer data.
The learning unit (104) inputs answer data for each key item as input data of the neural network, inputs a risk degree corresponding to the answer data input as output data of the neural network, and for each key item in the neural network. Learn the relationship between the answer data entered by and the risk level. In the neural network, the learning unit (104) also sets the input data for each key item as the first node and the output data as the second node, and divides the first node into the number (n) −1 of the multilayer. , Between the first node multilayers, and between the first node and the second node.
The narrowing-down unit (105) gives the answer data for each question including artificial answer data to the learned neural network to obtain the risk level as output data, and the artificial answer when the obtained risk degree is high Narrow down the questions corresponding to the data as important questions.
The detection unit (106) detects a risk sign in each project for a predetermined period. The detection unit (106) also increases the answer data that the answer data for each important question in the first period is worse than the answer data for each important question in the second period immediately before the first period, that is, the degree of risk. Then, a project including answer data that increases the degree of risk is selected. The detection unit (106) further includes, for the selected project, response data for each question for each key item in each of the first to nth periods (where n is an integer of 2 or more). Answer data that is worse than the answer data for each question in each of the second to (n + 1) periods immediately before the period, that is, when the risk level is increased, the number of response data for increasing the risk level is set for each period of 1 to n. Summing up and extracting a project whose sum is equal to or greater than a predetermined threshold as a project that may have a risk.
The CPU (107) executes a computer program for detecting a risk sign that is an embodiment of the present invention.
The memory (109) is used to execute the computer program.

図2は、本発明の実施形態における、キー項目の一覧の例を示す。
該例では、キー項目は、ステークホルダー、ビジネス上の利益、作業及びスケジュール、チーム、スコープ、リスク、及びサービス提供組織にとっての利益を含む。キー項目は、これらのうちのいずれかから選択されてもよく、或いはその他のキー項目を該例のキー項目に追加してもよい。
FIG. 2 shows an example of a list of key items in the embodiment of the present invention.
In the example, key items include stakeholders, business benefits, work and schedules, teams, scopes, risks, and benefits for service providers. The key item may be selected from any of these, or other key items may be added to the example key item.

キー項目のそれぞれは、少なくとも1の質問を含み、質問の数は任意である。例えば、キー項目1つについて、5〜20の質問を含みうる。   Each key item includes at least one question, and the number of questions is arbitrary. For example, 5 to 20 questions may be included for one key item.

図3Aは、本発明の実施形態における、ニューラルネットワークの学習の例を示す。
ニューラルネットワーク(302)は、3層パーセプトロンである。ニューラルネットワーク(302)は、1個のキー項目について1個のニューラルネットワークが用意される。よって、キー項目が例えば7個である場合、用意されるニューラルネットワーク(302)の数は7個である。
ニューラルネットワーク(302)の入力データは、質問に対する回答データである。よって、例えばキー項目がステークホルダーについてのニューラルネットワークの入力データは、ステークホルダーに分類されている質問に対する回答データである。
ニューラルネットワーク(302)の出力データは、該回答データに基づいて付与されたリスク度である。リスク度は、数値によって表されうる。
なお、リスク度は、プロジェクトの管理者がリスク度を容易に把握できるようにするために、リスク度の数値に応じてリスク度の判定色に変換される。判定色は、緑、黄及び赤で表される。なお、リスク度の判定色の色に対応する数値は任意に決められうる。例えば、緑は1、黄は2、赤は3である。
上記回答データと上記リスク度との関係を学習するために、上記回答データ及び上記リスク度の組み合わせのデータ(301)が、キー項目毎にニューラルネットワーク(302)に入力される。上記組み合わせ(301)のデータは、上記学習前に過去に収集されたデータである。過去に収集されたデータは、複数のプロジェクトそれぞれの所定期間ごと、例えば月ごとのデータである。例えば3層パーセプトロンでは、3層のうちの第1層及び第2層が入力データであり、第3層が出力データである。
ニューラルネットワーク(302)は、上記回答データ及び上記リスク度の組み合わせのデータに基づいて、回答データとリスク度との関係を学習する。学習結果は、入出力データ間の関係として表される。
FIG. 3A shows an example of learning of a neural network in the embodiment of the present invention.
The neural network (302) is a three-layer perceptron. As the neural network (302), one neural network is prepared for one key item. Therefore, when there are seven key items, for example, the number of prepared neural networks (302) is seven.
The input data of the neural network (302) is answer data for the question. Therefore, for example, the input data of the neural network whose key item is a stakeholder is answer data for a question classified as a stakeholder.
The output data of the neural network (302) is the degree of risk assigned based on the answer data. The degree of risk can be represented by a numerical value.
The risk degree is converted into a risk degree judgment color according to the risk degree value so that the project manager can easily grasp the risk degree. The determination color is represented by green, yellow, and red. The numerical value corresponding to the color of the risk degree determination color can be arbitrarily determined. For example, green is 1, yellow is 2, red is 3.
In order to learn the relationship between the answer data and the risk level, the combination data (301) of the response data and the risk level is input to the neural network (302) for each key item. The data of the combination (301) is data collected in the past before the learning. Data collected in the past is data for a predetermined period of each of a plurality of projects, for example, monthly data. For example, in a three-layer perceptron, the first and second layers of the three layers are input data, and the third layer is output data.
The neural network (302) learns the relationship between the answer data and the risk degree based on the combination of the answer data and the risk degree. The learning result is expressed as a relationship between input and output data.

図3Bは、本発明の実施形態における、学習したニューラルネットワークを用いてリスク度が高くなるような作為的な回答データに対応する質問を重要質問として絞り込むことを示す。
重要質問を選択するために、学習したニューラルネットワーク(303)の入力データとして作為的な回答データを含む各質問に対する回答データが入力される。その結果、学習したニューラルネットワーク(303)は、出力データであるリスク度を出力する。リスク度は、例えば、数値で表される。また、リスク度は、プロジェクトの管理者が視認することを容易にするために、リスク度に対応する色、例えば緑、黄又は赤の3段階で表示装置上に示されうる。
作為的な回答データは、複数の質問のうちからプロジェクトにおけるリスクの予兆検知を行うために重要である重要質問を絞り込むために、人工的に与えられる回答データである。図3Bの例では、以下の2種類の作為的な回答データを含む各質問に対する回答データの組み合わせを用意した。
第1の回答データの組み合わせは、1つの質問に対する回答データの値が悪くなるような値である回答データと、且つそれ以外の質問に対する回答データの値が良くなるような又は変化しない値である回答データである。
第2の回答データの組み合わせは、2つの質問それぞれに対する回答データの値が悪くなるような値である回答データと、且つそれ以外の質問に対する回答データの値が良くなるような又は変化しない値である回答データである。
その結果、出力データが降順で出力される(304)。図3Bの出力データは、ステークホルダーについての出力データの例である。
出力データ(304)では、第1の回答データの組み合わせに対する出力データは大きい値を有しなかったので、第2の回答データの組み合わせに対する出力データが降順に一部示されている。出力データ(304)の質問(Q)の組み合わせは、第2の回答データの組み合わせにおける作為的な回答データの組み合わせを示す。例えば、(Q1,Q3)は、作為的な回答データの組み合わせに対応する質問1及び質問3を示す。図3Bの例では、上位5個が重要質問の組み合わせであることを示す。よって、重要質問は、Q1、Q3、Q2、Q4、Q6、及びQ8である。
FIG. 3B shows narrowing a question corresponding to artificial answer data with a high degree of risk as an important question using the learned neural network in the embodiment of the present invention.
In order to select an important question, answer data for each question including artificial answer data is input as input data of the learned neural network (303). As a result, the learned neural network (303) outputs the degree of risk as output data. The degree of risk is represented by a numerical value, for example. Further, the risk level can be displayed on the display device in three stages of colors corresponding to the risk level, for example, green, yellow, or red, in order to make it easy for the manager of the project to visually recognize.
Artificial answer data is answer data that is artificially given to narrow down important questions that are important for predicting the risk of a project from a plurality of questions. In the example of FIG. 3B, a combination of answer data for each question including the following two types of artificial answer data is prepared.
The combination of the first answer data is a value that makes the answer data value for one question worse, and a value that makes the answer data values for other questions better or does not change. Answer data.
The combination of the second answer data is the answer data that makes the answer data values for each of the two questions worse, and the answer data values for the other questions are improved or do not change. It is some answer data.
As a result, the output data is output in descending order (304). The output data in FIG. 3B is an example of output data for stakeholders.
In the output data (304), since the output data for the first answer data combination did not have a large value, a part of the output data for the second answer data combination is shown in descending order. The combination of questions (Q) in the output data (304) indicates a combination of artificial response data in the second combination of response data. For example, (Q1, Q3) indicates Question 1 and Question 3 corresponding to a combination of artificial response data. In the example of FIG. 3B, the top five are combinations of important questions. Thus, the important questions are Q1, Q3, Q2, Q4, Q6, and Q8.

図4は、本発明の実施形態における、プロジェクトにおけるリスクの予兆検知を行うためのフローチャートを示す。
ステップ401では、収集部(図1、102)は、各プロジェクトに関する複数の質問に対する回答データを収集する。質問に対する回答は、各プロジェクトのプロジェクト・マネージャが主に行う。プロジェクト・マネージャは、質問に対する現状を回答する。複数のプロジェクトについて、プロジェクト毎に回答データが収集される。また、同一のプロジェクトについて、所定の期間毎、例えば月毎に回答データが収集される。収集部(102)は、収集した回答データを記憶部(図1、108)に格納する。回答データは、数値又は回答データから変換された数値である。
ステップ402では、リスク度付与部(図1、103)は、各プロジェクトのキー項目毎の各質問に対する回答データに基づいて、該各キー項目についてのリスク度を付与する。
ステップ403では、学習部(図1、104)は、上記回答データ及び上記リスク度の組み合わせをニューラルネットワークに入力する。回答データは、ニューラルネットワークの入力データである。リスク度は、ニューラルネットワークの出力データである。学習部(104)は、ニューラルネットワークに、上記入力データと上記出力データとの関係、すなわち上記入力データと上記出力データとの因果関係を学習させる。ニューラルネットワークに入力データと出力データとの関係を学習させる理由は、プロジェクトの管理者による回答データのばらつきをノイズと考え、上記学習後に、出力データとして影響を与える入力データ、すなわち回答データに対応する質問を特定するためである。回答データのばらつきとは、例えば、プロジェクトの管理者が変更になったときに管理者に由来する回答データのばらつき、又は、プロジェクトの内容が変更になったときに該内容の変更に由来する回答のばらつきを含む。
ステップ404では、リスク度が高くなるような作為的な回答データに対応する質問を重要質問として絞り込む。
質問の絞り込みは、学習したニューラルネットワークを使用して行われる。絞込部(図1、105)は、学習したニューラルネットワークに作為的な回答データを含む各質問に対する回答データを入力する。その結果、絞込部(105)は、学習したニューラルネットワークを用いて、出力データであるリスク度を出力する。絞込部(105)は、リスク度が高いような出力結果となったときの回答データに対応する質問を重要質問であるとして絞り込む。リスク度が高くなるような出力データとは、例えば、出力データが所定の値以上である場合(値が大きいほどリスクが大きいことが前提である)、又はリスク度が赤又は黄で表される場合である。
学習したニューラルネットワークを用いてプロジェクトにおける潜在的なリスクを予兆検知するに際して、この絞り込まれた重要質問が出力データに与える影響は大きい。該絞り込みは、アンケートによる定性的な回答データに基づいてプロジェクトに応じた定量的な重要質問に絞り込むことを可能にする。重要質問の絞り込みは、回答データ(高次元回答データの空間)の次元圧縮及びプロジェクトの管理者による回答データのばらつきであるノイズの除去を可能にする。ノイズとは、客観的には同じ進捗状態であっても、プロジェクトの管理者である回答者Aさんとプロジェクトの管理者である回答者Bさんとでは、異なる回答になるような回答データをいう。
ステップ405では、上記重要質問の傾向判定を行う。
検知部(106)は、第1の期間における各重要質問に対する回答データが該第1の期間直前の第2の期間における各重要質問に対する回答データよりもリスク度を上げる場合、該リスク度を上げる回答データを含むプロジェクトを選択する。
第1の期間はプロジェクトにおけるリスクの予兆検知を行いたい期間の直前の期間であり、第2の期間は該第1の期間の直前の期間である。プロジェクトにおけるリスクの予兆検知を行いたい期間が例えば2008年1月であるとすれば、第1の期間は2007年12月であり、第2の期間は2007年11月である。
検知部(106)は、上記リスク度を上げる回答データの数に対応する重要質問の数をリスク度レベルとする。検知部(106)は、例えば、リスク度レベルが1以上であれば、上記重要質問に対する回答データのリスク度が上がっているので、該リスク度が上がった回答データに対応するプロジェクトを第1基準リスクプロジェクトとして選択する。リスク度レベルが1以上とは、重要質問に対する回答の1つでもそのリスク度が上がっている場合である。ただし、第1の期間における重要質問に対する回答が第2の期間における重要質問に対する回答よりもリスク度が下がっているか又は変化のない場合には、離散化スコアにより、リスク度が上がった回答データに対応するプロジェクトのみを考慮し、リスク度が下がっている及び変化のない回答データに対応するプロジェクトは第1基準リスクプロジェクトとして考慮しない。なぜならば、第一基準では、良くなったスコアは一時的なものかもしれないし、逆に、悪くなっているスコアも一時的なものかもしれないので、少しでもリスク可能性があるプロジェクトを網羅するためである。そこで、第2基準でさらにプロジェクトの選別を行うのである。
上記のようにして、重要質問に基づいて第1基準リスクプロジェクトを選択することによって、プロジェクト・マネージャの質問に対する回答についての主観的印象を考慮しつつ、同一のプロジェクト間でプロジェクト・マネージャが変更になった場合又はプロジェクト・マネージャがプロジェクト間で異なる場合の回答のばらつきを抑えることが可能になる。
ステップ406では、プロジェクトの履歴判定を行う。
検知部(106)は、第1基準リスクプロジェクトのうちから、各キー項目のスコア差分(悪化している値)を計算する。そして、過去数ヶ月、例えば3ヶ月の間に上記スコア差分の合計値が増えたかどうかを検討する。具体的には、検知部(106)は、過去数ヶ月分のスコアについて、月単位でスコア差分を蓄積加算して総差分値を求める。次に、過去数ヶ月分、例えば3ヶ月分の総差分値の合計値を求める。そして、基準関数の考え方による閾値を用いた分類ルールを使用して、第1基準リスクプロジェクトのうちからさらに第2基準リスクプロジェクトを、上記総差分値の合計値に基づいて抽出する。
第2基準リスクプロジェクトを第1基準リスクプロジェクトのうちから選択する式は下記の通りである。
t月(t=1〜12の整数である)におけるプロジェクトXを考える。危険度が1又は2以上によって、上記選択する式は異なる。
・リスク度レベルが1であり且つ前月の回答データのキー項目毎のスコアと今月の回答データのキー項目毎のスコアとの差分が正の整数で表される場合(但し、スコアが高いほどリスク度が高い場合である)に、該差分を月毎に蓄積加算し、総差分値を求める。代替的には、リスク度レベルが1であり且つ前月の回答データのスコアと今月の回答データのスコアとの差が正の整数で表される場合(但し、スコアが高いほどリスク度が高い場合である)に、該差を月毎に蓄積加算して総差分値を求める。そして、過去数ヶ月分の上記総差分値の合計値が閾値以上であれば、該プロジェクトXは第2基準リスクプロジェクトであるとして抽出される。閾値は、例えば10である。
・リスク度レベルが2以上であり且つ前月の回答データのキー項目毎のスコアと今月の回答データのキー項目毎のスコアとの差分が正の整数で表される場合(但し、スコアが高いほどリスク度が高い場合である)に、該差分を月毎に蓄積加算し、総差分値を求める。代替的には、リスク度レベルが2以上であり且つ前月の回答データのスコアと今月の回答データのスコアとの差が正の整数で表される場合(但し、スコアが高いほどリスク度が高い場合である)に、該差を月毎に蓄積加算して総差分値を求める。そして、過去数ヶ月分の上記総差分値の合計値が閾値以上であれば、該プロジェクトXは第2基準リスクプロジェクトであるとして抽出される。閾値は、例えば5である。
上記式は、下記の通り表される。
プロジェクトXについて、
リスク度レベルkが1であり、且つ

Figure 2010108404

である場合、
又は
リスク度レベルkが2以上であり、且つ
Figure 2010108404
である場合、
プロジェクトXは、第2基準リスクプロジェクトであるとして抽出される。
(ここで、リスク度レベルkは、プロジェクトXにおいて、リスク度を上げる回答データの数に対応する重要質問の数である。
Figure 2010108404
は、キー項目毎の差分(Si,t)の総差分値である。但し、差分は正の整数の場合である。差分が0又は負の場合、差分は0である。
7は、キー項目の数が7であることを示す。
Si,tは、キー項目毎の今月(t)と前月(t−1)の差分を示す。
iは、キー項目を示す。)
次に、閾値は、下記の基準関数の考え方を用いて下記式により決定されうる。
閾値は、
閾値=(リスクを有しうる第2基準リスクプロジェクトの第1基準リスクプロジェクトから抽出される希望数に関する減少関数)+(上記リスク度レベルの値に関する増加関数)
で求められる。リスク度レベルは重要質問の下降該当数を表しているので、リスク度レベルだけでも、第1基準リスクプロジェクトのうちから第2基準リスクプロジェクトを抽出する効果がある。
上記式により、最終的に選択する第2基準リスクプロジェクトの数を少なくする場合には閾値は大きくなり、一方、最終的に選択する第2基準リスクプロジェクトの数を多くする場合には閾値は小さくなる。
場合によっては、閾値の最適値を求めることも可能である。しかしながら、一般に、最終的な第2基準リスクプロジェクトの数はおおよそ決まっているので、リスク度レベルが小さいときの閾値は大きく、リスク度レベルが大きいときの閾値は小さくなる。例えば、リスク度レベルが1であるときの閾値は10であり、リスク度レベルが2以上であるときの閾値は5である。
様々な基準関数が、閾値を求めるために用いられうる。実験的には、例えば、下記の指数関数によって閾値を決定することが分かっている。
閾値が、7×exp(-5x/100)+0.5×exp(2.5/y)で表される。
ここで、xは、上記回答に関連付けられたプロジェクトから選択するプロジェクトの選択比率(%)であり、yは、上記レベルの値である。
例えば、第2基準リスクプロジェクトが選択されうる希望数を第1基準リスクプロジェクトの10%に絞り込む場合、閾値はリスク度レベルが1の場合10.3であり、リスク度レベルが2の場合5.9であり、それ以上のリスク度レベルでは飽和する。よって、上記した選択する式において、リスク度レベルが1の場合の閾値が10であり、リスク度レベルが2以上の場合の閾値が5である。
ステップ407では、リスクを有しうるプロジェクトを判定する。
過去数ヶ月分の上記総差分値の合計値が閾値以上であれば、該プロジェクトは第2基準リスクプロジェクトであるとして抽出される。該第2基準リスクプロジェクトが、予兆検知を行いたい期間において潜在的なリスクを含みうるプロジェクトである。該潜在的なリスクを含みうるプロジェクトが、最終的な予兆検知の結果である。 FIG. 4 shows a flowchart for detecting a risk sign in a project in the embodiment of the present invention.
In step 401, the collection unit (FIG. 1, 102) collects answer data for a plurality of questions regarding each project. Answers to questions are mainly given by the project manager of each project. The project manager answers the current situation for the question. Response data is collected for each project for multiple projects. In addition, for the same project, response data is collected every predetermined period, for example, every month. The collection unit (102) stores the collected answer data in the storage unit (FIG. 1, 108). The answer data is a numerical value or a numerical value converted from the answer data.
In step 402, the risk level assignment unit (FIG. 1, 103) assigns a risk level for each key item based on the answer data for each question for each key item of each project.
In step 403, the learning unit (FIG. 1, 104) inputs the combination of the answer data and the risk level to the neural network. The answer data is input data of the neural network. The risk degree is output data of the neural network. The learning unit (104) causes the neural network to learn the relationship between the input data and the output data, that is, the causal relationship between the input data and the output data. The reason why the neural network learns the relationship between the input data and the output data is that the variation of the response data by the project manager is considered as noise, and after the above learning, it corresponds to the input data that affects the output data, that is, the response data This is to identify the question. Response data variability is, for example, response data variability derived from the manager when the project manager is changed, or replies derived from changes in the content when the project content is changed Variation.
In step 404, questions corresponding to artificial answer data with a high degree of risk are narrowed down as important questions.
Questions are narrowed down using a learned neural network. The narrowing-down unit (FIGS. 1 and 105) inputs the answer data for each question including the answer data that is artificial in the learned neural network. As a result, the narrowing-down unit (105) outputs a risk degree that is output data using the learned neural network. The narrowing-down unit (105) narrows down the question corresponding to the answer data when the output result has a high degree of risk as an important question. Output data that increases the risk level is, for example, when the output data is greater than or equal to a predetermined value (assuming that the larger the value, the greater the risk), or the risk level is expressed in red or yellow Is the case.
When using the learned neural network to detect potential risks in the project, the impact of this narrowed-down important question on the output data is significant. The narrowing down makes it possible to narrow down to quantitative important questions according to the project based on qualitative answer data from a questionnaire. The narrowing down of important questions enables dimension compression of answer data (high-dimensional answer data space) and removal of noise, which is a variation in answer data by a project manager. “Noise” means response data that results in different answers between the respondent A who is the project manager and the respondent B who is the project manager, even if the progress is objectively the same. .
In step 405, the tendency of the important question is determined.
The detection unit (106) increases the risk level when the answer data for each important question in the first period increases the risk level than the answer data for each important question in the second period immediately before the first period. Select the project that contains the response data.
The first period is a period immediately before a period when it is desired to detect a risk sign in the project, and the second period is a period immediately before the first period. For example, if the period in which the sign of risk in the project is desired to be detected is January 2008, the first period is December 2007, and the second period is November 2007.
The detection unit (106) sets the number of important questions corresponding to the number of answer data to increase the risk level as a risk level. For example, if the risk level is 1 or more, the detection unit (106) has increased the risk level of the answer data for the important question. Therefore, the project corresponding to the response data with the increased risk level is selected as the first standard. Select as a risk project. A risk level of 1 or more is a case where the risk level is increased even for one of the answers to an important question. However, if the answer to the important question in the first period is lower than the answer to the important question in the second period or has not changed, the response data with an increased risk is obtained by the discretization score. Only the corresponding project is considered, and the project corresponding to the response data with a reduced risk level and no change is not considered as the first standard risk project. Because, according to the first standard, a better score may be temporary, and conversely, a worse score may be temporary, so it covers a little risky project Because. Therefore, the project is further selected based on the second standard.
As described above, selecting the first reference risk project based on the key questions allows the project manager to change between the same projects, taking into account the subjective impression of the answers to the project manager's questions. It becomes possible to suppress the variation in the response when the project manager becomes different or the project manager differs between projects.
In step 406, the history of the project is determined.
The detection unit (106) calculates the score difference (deteriorating value) of each key item from the first reference risk project. Then, it is examined whether the total value of the score differences has increased during the past several months, for example, three months. Specifically, the detection unit (106) accumulates and adds a score difference on a monthly basis for the scores for the past several months to obtain a total difference value. Next, a total value of total difference values for the past several months, for example, three months is obtained. Then, a second reference risk project is further extracted from the first reference risk projects based on the total value of the total difference values using a classification rule using a threshold based on the concept of the reference function.
The formula for selecting the second standard risk project from the first standard risk project is as follows.
Consider project X in t month (where t is an integer from 1 to 12). The formula to be selected differs depending on the risk level is 1 or 2 or more.
・ When the risk level is 1 and the difference between the score for each key item in the previous month's answer data and the score for each key item in the current month's answer data is expressed as a positive integer (however, the higher the score, the more risk When the degree is high), the difference is accumulated and added every month to obtain a total difference value. Alternatively, the risk level is 1 and the difference between the previous month's response data score and the current month's response data score is expressed as a positive integer (however, the higher the score, the higher the risk level) The total difference value is obtained by accumulating and adding the difference every month. If the total value of the total difference values for the past several months is equal to or greater than the threshold value, the project X is extracted as a second reference risk project. The threshold is 10, for example.
・ When the risk level is 2 or more and the difference between the score for each key item in the previous month's answer data and the score for each key item in the current month's answer data is expressed as a positive integer (however, the higher the score is) When the degree of risk is high), the difference is accumulated and added every month to obtain a total difference value. Alternatively, when the risk level is 2 or more and the difference between the previous month's response data score and the current month's response data score is expressed as a positive integer (however, the higher the score, the higher the risk level) The total difference value is obtained by accumulating and adding the differences every month. If the total value of the total difference values for the past several months is equal to or greater than the threshold value, the project X is extracted as a second reference risk project. The threshold is 5, for example.
The above formula is expressed as follows.
About Project X
The risk level k is 1, and
Figure 2010108404

If it is,
Or the risk level k is 2 or more, and
Figure 2010108404
If it is,
Project X is extracted as being the second reference risk project.
(Here, the risk level k is the number of important questions corresponding to the number of answer data for increasing the risk level in the project X).
Figure 2010108404
Is a total difference value of differences (Si, t) for each key item. However, the difference is a positive integer. If the difference is 0 or negative, the difference is 0.
7 indicates that the number of key items is seven.
Si, t indicates the difference between the current month (t) and the previous month (t-1) for each key item.
i indicates a key item. )
Next, the threshold value can be determined by the following equation using the concept of the following reference function.
The threshold is
Threshold = (decreasing function related to the desired number extracted from the first reference risk project of the second reference risk project that may have risk) + (increasing function related to the value of the risk level)
Is required. Since the risk level represents the number of falling important questions, the risk level alone has the effect of extracting the second reference risk project from the first reference risk project.
According to the above formula, the threshold value increases when the number of second standard risk projects to be finally selected is small, whereas the threshold value decreases when the number of second standard risk projects to be finally selected is large. Become.
In some cases, it is also possible to obtain an optimum threshold value. However, in general, since the final number of the second reference risk projects is roughly determined, the threshold when the risk level is small is large, and the threshold when the risk level is large is small. For example, the threshold when the risk level is 1 is 10, and the threshold when the risk level is 2 or more is 5.
Various criteria functions can be used to determine the threshold. Experimentally, for example, it has been found that the threshold value is determined by the following exponential function.
The threshold value is represented by 7 × exp (−5 × / 100) + 0.5 × exp (2.5 / y).
Here, x is a selection ratio (%) of a project selected from the projects associated with the answer, and y is a value of the above level.
For example, when narrowing down the desired number that the second standard risk project can be selected to 10% of the first standard risk project, the threshold is 10.3 when the risk level is 1, and when the risk level is 2. 9 and saturates at higher risk levels. Therefore, in the formula to be selected, the threshold when the risk level is 1 is 10, and the threshold when the risk level is 2 or more is 5.
In step 407, a project that may have a risk is determined.
If the total value of the total difference values for the past several months is equal to or greater than the threshold, the project is extracted as being the second reference risk project. The second reference risk project is a project that may contain potential risks in the period in which the sign detection is desired. Projects that may contain the potential risk are the result of eventual sign detection.

図5は、図4のステップ405、406及び407の具体例を示す。
図5は、2つのプロジェクト AB-123(501)及びAB-456(502)を示す。
・ステップ406
プロジェクトにおけるリスクの予兆検知を行いたい期間が例えば2008年1月であるとする。そうすると、該期間の直前の期間は、2007年12月である。
プロジェクト AB-123(501)では、2007年12月の重要質問(キー項目に関係ない)に対してリスク度を上げる回答データがあったため(図5に結果は示されてない)、リスク度レベルが1である(矢印で示されている)。よって、プロジェクト AB-123(501)は、第1基準リスクプロジェクトとして選択される。
同様に、プロジェクト AB-456(502)では、2007年12月の重要質問(キー項目に関係ない)に対してリスク度を上げる回答データがあったため(図5に結果は示されてない)、リスク度レベルが1である(矢印で示されている)。よって、プロジェクト AB-456(502)は、第1基準リスクプロジェクトとして選択される。
・ステップ407、ステップ408
差1、差2、差3、差4、差5、差6及び差7は、図5に示す各キー項目の前の月との差分である。各キー項目についての前の月との差分とは、各キー項目に含まれる各質問についての回答データの前の月との差分を合計したものである。
例えば、プロジェクト AB-123(501)の2007年9月における差1の値は1である。従って、2007年9月におけるキー項目「ステークホルダー」に含まれる各質問に対する回答データと、その前月である2007年8月におけるキー項目「ステークホルダー」に含まれる各質問に対する回答データとの差分の合計が1であることを示す。また、プロジェクト AB-123(501)の2007年9月における差1、差2、差3、差4、差5、差6及び差7の値がそれぞれ0、2、1、2、2、0及び0であるので、総差分値は7である。
プロジェクト AB-123(501)では、過去3ヶ月(2007年10月、11月、12月)の間におけるキー項目毎の総差分値がそれぞれ7、1及び2である。よって、プロジェクト AB-123(501)の過去3ヶ月分の総差分値の合計値は10である。プロジェクト AB-123(501)では、上記に述べたように、リスク度レベルが予兆月(2008年1月)の前月(2007年12月)に1であるので、第2基準リスクプロジェクトとして使用される閾値は10である。よって、過去3ヶ月における総差分値の合計値10は、上記閾値10と同じである。従って、プロジェクト AB-123(501)は、第2基準リスクプロジェクトであると判定される。
プロジェクト AB-456(502)では、過去3ヶ月(2007年10月、11月、12月)の間におけるキー項目毎の総差分値がそれぞれ1、0及び1である。よって、プロジェクト AB-456(502)の上記過去3ヶ月分の総差分値の合計値は2である。プロジェクト AB-456(502)では、上記に述べたように、リスク度レベルが予兆月(2008年1月)の前月(2007年12月)に1であるので、第2基準リスクプロジェクトとして使用される閾値は10である。よって、過去3ヶ月における総差分値の合計値2は、上記閾値10に満たない。従って、プロジェクト AB-456(502)は、第2基準リスクプロジェクトであると判定されない。
FIG. 5 shows a specific example of steps 405, 406 and 407 in FIG.
FIG. 5 shows two projects AB-123 (501) and AB-456 (502).
Step 406
Assume that the period for which a risk sign in the project is to be detected is, for example, January 2008. Then, the period immediately before the period is December 2007.
In Project AB-123 (501), there was answer data that raised the risk level for important questions (not related to key items) in December 2007 (results not shown in Fig. 5). Is 1 (indicated by an arrow). Therefore, project AB-123 (501) is selected as the first reference risk project.
Similarly, in Project AB-456 (502), there was answer data that raised the risk level for important questions (not related to key items) in December 2007 (results not shown in FIG. 5). Risk level is 1 (indicated by arrows). Therefore, project AB-456 (502) is selected as the first reference risk project.
Step 407 and step 408
Difference 1, difference 2, difference 3, difference 4, difference 5, difference 6, and difference 7 are differences from the previous month of each key item shown in FIG. The difference from the previous month for each key item is the sum of the differences from the previous month of the answer data for each question included in each key item.
For example, the value of the difference 1 in September 2007 of the project AB-123 (501) is 1. Therefore, the total difference between the answer data for each question included in the key item “stakeholder” in September 2007 and the answer data for each question included in the key item “stakeholder” in August 2007, which is the previous month, is 1 is shown. Moreover, the difference 1, difference 2, difference 3, difference 4, difference 5, difference 6, and difference 7 in September 2007 of Project AB-123 (501) are 0, 2, 1, 2, 2, 0, respectively. And 0, the total difference value is 7.
In the project AB-123 (501), the total difference value for each key item during the past three months (October, November, December, 2007) is 7, 1 and 2, respectively. Therefore, the total value of the total difference values for the past three months of project AB-123 (501) is 10. In Project AB-123 (501), as described above, the risk level is 1 in the previous month (December 2007) of the predictive month (January 2008), so it is used as the second standard risk project. The threshold value is 10. Therefore, the total value 10 of the total difference values in the past three months is the same as the threshold value 10. Therefore, the project AB-123 (501) is determined to be the second reference risk project.
In the project AB-456 (502), the total difference value for each key item during the past three months (October, November, December, 2007) is 1, 0, and 1, respectively. Therefore, the total value of the total difference values for the past three months of the project AB-456 (502) is 2. In Project AB-456 (502), as described above, the risk level is 1 in the previous month (December 2007) of the predictive month (January 2008), so it is used as the second reference risk project. The threshold value is 10. Therefore, the total value 2 of the total difference values in the past three months is less than the threshold value 10. Accordingly, project AB-456 (502) is not determined to be the second reference risk project.

実施例1
本発明の実施形態に従い、実在するデータを用いて、プロジェクトにおけるリスクの予兆検知を行った。ある範囲からなる月の回答データの複数及びリスク度の複数との関係データをニューラルネットワークに学習させ、ある月の予兆検出を行った結果を示す。
図4に従う方法により、第2基準リスクプロジェクトの数は、全体の16%であった。従って、翌月悪化の可能性有りとしてフォーカスするべきリスクプロジェクトへの削減率は、84%である。その16%にフォーカスしたリスト中には、翌月のリスク度が実際に黄になったプロジェクトが含まれていた。従って、第2基準リスクプロジェクトの予兆検知は、100%のカバー率を示した。
本発明の上記実施形態の効果を算定するために、上記削減率とカバー率との調和平均(=2/((1/削減率)+(1/カバー率)))を取る。この場合、91.3%である。
なお、いわゆる的中率から、本発明の上記実施形態の効果を正確に知ることは難しい。なぜならば、プロジェクトの管理者が意図的にリスクを取っているケースがあることで、キー項目のスコアが悪くなっていたり、又は、プロジェクトの管理者が潜在的なリスクがあることに気が付いて、質問に対する回答の翌月の報告時までにアクションを打つ、例えば、スコアの悪化原因を取り除く施策をとることでデータ(回答データの前月と今月との差分)上は落ち込みが無かった可能性が存在するためである。プロジェクトの管理者が意図的にリスクを取っているとは、例えば、最終的なプロジェクト成功のために、一時的に回答データのスコアを意図的に落とすことであり、例えば、人員を一時的に増加することである。この場合のキー項目は、例えば、利益に関するキー項目、又はチームに関するキー項目である。
したがって、数百ある対象プロジェクトの何割を削減して、かつ何割のカバー比率を取ることができたかといったトレードオフ関係にある両者の調和平均によって、本発明の効果を算定することとした。
同様に他の月の調和平均の結果を以下に示す。
a月予測 93.6%
b月予測 92.9%
c月予測 92.6%
d月予測 70.7%
以上の通り、d月以外は、90%以上の結果を示した。d月では、アンケートに対する回答データが不適切であったプロジェクトが当月より正確な申告を行い始めたことの影響があったためであることを付け加える。
従来、プロジェクト管理で計測されるデータ(例えば、進捗など)からリスクを潜在的に有するプロジェクトを予兆することはあまり定量的行われておらず、また明確な指標もない。しかし、上記のようにアンケート結果だけから、ほぼ瞬時に翌月のリスクを潜在的に有する第2基準リスクプロジェクトを抽出することが可能である。よって、上記リスクを潜在的に有する第2基準プロジェクトに対して、危険度に対するアクションをより迅速に打つことが可能となる効果は極めて大きいと考えられる。
以上の通り、本願発明の実施態様によると、プロジェクトの管理者によってばらつきのある定性的な回答データからでも、潜在的なリスクを含むプロジェクトを予兆検知することが可能である。
Example 1
In accordance with an embodiment of the present invention, risk detection in a project was detected using existing data. The result of having detected the predictive detection of a certain month by making a neural network learn the relational data with the plurality of reply data of the month which consists of a certain range, and the plurality of risk degrees is shown.
According to the method according to FIG. 4, the number of second reference risk projects was 16% of the total. Therefore, the reduction rate for risk projects that should be focused on the possibility of worsening the next month is 84%. The list focused on 16% included projects whose risk level for the next month was actually yellow. Therefore, the sign detection of the second standard risk project showed 100% coverage.
In order to calculate the effect of the above-described embodiment of the present invention, a harmonic average (= 2 / ((1 / reduction rate) + (1 / coverage rate)) of the reduction rate and the coverage rate) is taken. In this case, it is 91.3%.
Note that it is difficult to accurately know the effect of the above embodiment of the present invention from the so-called hit rate. Because there are cases where the project manager is intentionally taking risks, the key item score is worse, or the project manager is aware that there is a potential risk, There is a possibility that there was no drop in the data (difference between the previous month and this month) by taking action by the time of reporting the answer to the question the next month, for example, removing the cause of the deterioration of the score Because. The intention of the project manager to take risks is, for example, that the answer data is temporarily deliberately dropped for the purpose of the final project success. It is to increase. The key item in this case is, for example, a key item related to profits or a key item related to teams.
Therefore, the effect of the present invention is calculated based on the harmonious average of the two in a trade-off relationship, such as how many percent of the target projects that are several hundreds are reduced and what percent of the cover ratio can be obtained.
Similarly, the results of harmonic averages for other months are shown below.
a Month Forecast 93.6%
b Monthly forecast 92.9%
c Month forecast 92.6%
d Month forecast 70.7%
As described above, results other than d month showed a result of 90% or more. In month d, it is added that the project was affected by the fact that the answer data for the questionnaire was inappropriate and that it started to make an accurate report from the current month.
Conventionally, predicting a potentially risky project from data measured by project management (for example, progress) has not been done quantitatively and there is no clear indicator. However, as described above, it is possible to extract the second reference risk project that potentially has the risk of the next month almost instantaneously from only the questionnaire result. Therefore, it is considered that the effect that the action for the degree of risk can be quickly applied to the second reference project having the above risk is extremely large.
As described above, according to the embodiment of the present invention, it is possible to detect a sign including a potential risk even from qualitative answer data that varies depending on the project manager.

図6は、本発明の実施態様における、コンピュータ・ハードウェアのブロック図を示す。
上記実施態様のコンピュータ・システム(601)は、CPU(603)とメイン・メモリ(602)と含み、これらはバス(604)に接続されている。CPU(603)は好ましくは、32ビットまたは64ビットのアーキテクチャに基づくものであり、例えば、インテル社のXeon(商標)シリーズ、Core(商標)シリーズ、ATOM(商標)シリーズ、Pentium(商標)シリーズ、Celeron(商標)シリーズ、AMD社のPhenom(商標)シリーズ、Athlon(商標)シリーズ、Turion(商標)シリーズ及びSempron(商標)を使用することができる。バス(604)には、ディスプレイ・コントローラ(605)を介して、LCDモニターなどのディスプレイ(606)が接続される。ディスプレイ(606)は、コンピュータ・システムの管理のために、通信回線を介してネットワークに接続されたコンピュータについての情報と、そのコンピュータ上で動作中のソフトウェアについての情報を、適当なグラフィック・インターフェースで表示するために使用される。バス(604)にはまた、IDE又はSATAコントローラ(607)を介して、ハードディスク又はシリコン・ディスク(608)と、CD−ROM、DVDドライブ又はBDドライブ(609)が接続される。
FIG. 6 shows a block diagram of computer hardware in an embodiment of the present invention.
The computer system (601) of the above embodiment includes a CPU (603) and a main memory (602), which are connected to a bus (604). The CPU (603) is preferably based on a 32-bit or 64-bit architecture, such as Intel's Xeon (TM) series, Core (TM) series, ATOM (TM) series, Pentium (TM) series, The Celeron (TM) series, the AMD Phenom (TM) series, the Athlon (TM) series, the Turion (TM) series and the Empron (TM) can be used. A display (606) such as an LCD monitor is connected to the bus (604) via a display controller (605). The display (606) displays information about a computer connected to a network via a communication line and information about software running on the computer with an appropriate graphic interface for management of the computer system. Used to display. The bus (604) is also connected to a hard disk or silicon disk (608) and a CD-ROM, DVD drive or BD drive (609) via an IDE or SATA controller (607).

ハードディスクには、オペレーティング・システム、本発明の実施態様に従うコンピュータ・プログラム、その他のプログラム及びデータが、メイン・メモリにロード可能に記憶されている。   The hard disk stores an operating system, a computer program according to an embodiment of the present invention, and other programs and data so that they can be loaded into the main memory.

CD−ROM、DVD又はBDドライブ(609)は、必要に応じて、CD−ROM、DVD−ROM又はBDからプログラムをハードディスクに追加導入するために使用される。バス(604)には更に、キーボード・マウスコントローラ(610)を介して、キーボード(611)及びマウス(612)が接続されている。   The CD-ROM, DVD or BD drive (609) is used for additionally introducing a program from the CD-ROM, DVD-ROM or BD to the hard disk as necessary. Further, a keyboard (611) and a mouse (612) are connected to the bus (604) via a keyboard / mouse controller (610).

通信インタフェース(614)は、例えばイーサネット(商標)プロトコルに従うものであり、通信コントローラ(613)を介してバス(604)に接続され、コンピュータ及び通信回線(615)を物理的に接続する役割を担い、コンピュータのオペレーティング・システムの通信機能のTCP/IP通信プロトコルに対して、ネットワーク・インターフェース層を提供する。尚、通信回線は、有線LAN環境、或いは例えばIEEE802.11a/b/g/nなどの無線LAN接続規格に基づく無線LAN環境であってもよい。   The communication interface (614) conforms to, for example, the Ethernet (trademark) protocol, is connected to the bus (604) via the communication controller (613), and plays a role of physically connecting the computer and the communication line (615). A network interface layer is provided for the TCP / IP communication protocol of the communication function of the computer operating system. The communication line may be a wired LAN environment or a wireless LAN environment based on a wireless LAN connection standard such as IEEE802.11a / b / g / n.

以上、実施形態に基づき本発明を説明してきたが、本実施形態に記載されている内容は、本発明の一例であり、当業者なら、本発明の技術的範囲を逸脱することなく、さまざまな変形例に想到できることが、明らかであろう   As described above, the present invention has been described based on the embodiment. However, the content described in the embodiment is an example of the present invention, and those skilled in the art will be able to use various methods without departing from the technical scope of the present invention. It will be clear that variations can be conceived

本発明の実施形態における、コンピュータ・システムの構成図を示す。1 shows a configuration diagram of a computer system in an embodiment of the present invention. FIG. 本発明の実施形態における、キー項目の一覧の例を示す。The example of the list of key items in the embodiment of the present invention is shown. 本発明の実施形態における、ニューラルネットワークの学習の例を示す。The example of learning of a neural network in embodiment of this invention is shown. 本発明の実施形態における、学習したニューラルネットワークを用いてリスク度が高くなるような作為的な回答データに対応する質問を重要質問として絞り込むことを示す。In the embodiment of the present invention, using a learned neural network, a question corresponding to artificial answer data with a high degree of risk is narrowed down as an important question. 本発明の実施形態における、プロジェクトにおけるリスクの予兆検知を行うためのフローチャートを示す。The flowchart for performing the predictive detection of the risk in the project in embodiment of this invention is shown. 図4のステップ405、406及び407の具体例を示す。Specific examples of steps 405, 406 and 407 in FIG. 4 are shown. 本発明の実施態様における、コンピュータ・ハードウェアのブロック図を示す。FIG. 2 shows a block diagram of computer hardware in an embodiment of the present invention.

Claims (22)

リスク管理を有する複数のプロジェクトにおけるリスクの予兆検知を行うためのコンピュータ・システムであって、
前記各プロジェクトに関する複数の質問に対する回答データを収集する収集部であって、前記複数の質問それぞれは複数のキー項目のうちのいずれかのキー項目に分類されている、前記収集部と、
前記キー項目毎の前記各質問に対する回答データに基づいて、前記各キー項目にリスク度を付与するリスク度付与部であって、前記回答データは数値又は回答データから変換された数値である、前記リスク度付与部と、
前記キー項目毎に回答データをニューラルネットワークの入力データとして入力し、前記入力した回答データに対応するリスク度を該ニューラルネットワークの出力データとして入力し、該ニューラルネットワークにおいて前記回答データの複数と前記リスク度の複数との関係を学習する学習部と、
作為的な回答データを含む回答データを前記学習したニューラルネットワークに与えてリスク度を求め、該求めたリスク度が高い場合の作為的な回答データに対応する質問を重要質問として絞り込む絞込部と、
前記重要質問に対する回答データのリスク度を上げる回答データを含むプロジェクトを選択し、該選択したプロジェクトについて、所定期間のリスクの予兆検知を行う検知部と
を含む、前記コンピュータ・システム。
A computer system for predictive detection of risks in a plurality of projects having risk management,
A collection unit that collects response data for a plurality of questions related to each project, wherein each of the plurality of questions is classified into any one of a plurality of key items;
Based on the answer data for each question for each key item, a risk degree giving unit that assigns a risk degree to each key item, wherein the answer data is a numerical value or a numerical value converted from answer data, A risk level assignment unit;
Answer data is input as input data of a neural network for each key item, and a risk level corresponding to the input answer data is input as output data of the neural network. In the neural network, a plurality of the answer data and the risk are input. A learning unit that learns the relationship between multiple degrees,
A narrowing unit that narrows down the question corresponding to the artificial answer data when the obtained risk level is high by giving the answer data including artificial answer data to the learned neural network, and narrows down the question corresponding to the artificial answer data as the important question ,
The computer system comprising: a project including response data that raises a risk level of response data for the important question, and a detection unit that detects a predictor of risk for a predetermined period for the selected project.
前記検知部が、
第1の期間における前記各重要質問に対する回答データが該第1の期間直前の第2の期間における前記各重要質問に対する回答データよりもリスク度を上げる場合、該リスク度を上げる回答データを含むプロジェクトを選択し、
前記選択されたプロジェクトについて、第1〜nの期間それぞれにおける前記キー項目毎の前記各質問に対する回答データ(以下、第1の回答データ)が該第1〜nの期間直前の第2〜n+1の期間それぞれにおける前記キー項目毎の前記各質問に対する回答データ(以下、第2の回答データ)よりもリスク度を上げる場合、前記1〜nの期間における前記第1の回答データと前記第2の回答データのキー項目毎の差分の合計値が所定の閾値以上であるプロジェクトを、リスクを有しうるプロジェクトとして抽出する、ここでnは2以上の整数である、
請求項1に記載のコンピュータ・システム。
The detection unit is
When the response data for each important question in the first period has a higher risk level than the response data for each important question in the second period immediately before the first period, the project includes the response data for increasing the risk level Select
For the selected project, the answer data (hereinafter referred to as the first answer data) for each key item in each of the key items in the first to n periods is the second to n + 1 immediately before the first to n periods. When the risk level is higher than the answer data (hereinafter referred to as second answer data) for each question for each key item in each period, the first answer data and the second answer in the period 1 to n Projects in which the total value of differences for each key item of data is equal to or greater than a predetermined threshold are extracted as projects that may have a risk, where n is an integer of 2 or more.
The computer system according to claim 1.
前記作為的な回答データが、前記複数の質問のうちの1個又は2個について人工的に与えられた回答データである、請求項1に記載のコンピュータ・システム。   The computer system according to claim 1, wherein the artificial answer data is answer data artificially given for one or two of the plurality of questions. 前記プロジェクトを選択することが、前記リスク度を上げる回答データの数に対応する質問の数をレベルの値とし、該レベルの値が1以上であるプロジェクトを選択することである、請求項2に記載のコンピュータ・システム。   The selection of the project is to select a project having a level value of the number of questions corresponding to the number of answer data for increasing the risk level and having a level value of 1 or more. The computer system described. 前記第1の期間の前記レベルの値が1である場合において、
前記合計値が第1の閾値以上である場合に、該プロジェクトをリスクを有しうるプロジェクトとして抽出し、
前記第1の期間の前記レベルの値が2以上である場合において、
前記合計値が第2の閾値以上である場合に、該プロジェクトをリスクを有しうるプロジェクトとして抽出する、
請求項4に記載のコンピュータ・システム。
In the case where the value of the level in the first period is 1,
If the total value is greater than or equal to a first threshold, the project is extracted as a project that may have a risk;
In the case where the value of the level in the first period is 2 or more,
If the total value is greater than or equal to a second threshold, the project is extracted as a project that may have a risk;
The computer system according to claim 4.
前記第1及び第2の閾値が、
(前記リスクを有しうるプロジェクトの前記選択されたプロジェクトから抽出される希望数に関する減少関数)+(前記レベルの値に関する増加関数)
から求められる、請求項5に記載のコンピュータ・システム。
The first and second thresholds are
(Decrease function with respect to the desired number of projects extracted from the selected project that may have the risk) + (Increase function with respect to the value of the level)
The computer system according to claim 5, obtained from:
前記閾値が、
7×exp(-5x/100)+0.5×exp(2.5/y)
であり、
ここで、xは、前記回答データに関連付けられたプロジェクトから選択するプロジェクトの選択比率(%)であり、
yは、前記レベルの値である、
請求項6に記載のコンピュータ・システム。
The threshold is
7 x exp (-5 x / 100) + 0.5 x exp (2.5 / y)
And
Here, x is a selection ratio (%) of a project selected from the projects associated with the answer data,
y is the value of the level,
The computer system according to claim 6.
前記ニューラルネットワークが多層パーセプトロンである、請求項1に記載のコンピュータ・システム。   The computer system of claim 1, wherein the neural network is a multilayer perceptron. 前記学習部が、前記ニューラルネットワークにおいて、前記入力データを第1のノードとし且つ前記出力データを第2のノードとし、前記第1のノードを多層の数(n)−1個に分け、前記第1のノードの多層間、及び前記第1のノードと前記第2のノードとの間を関連付ける、請求項8に記載のコンピュータ・システム。   In the neural network, the learning unit sets the input data as a first node and the output data as a second node, and divides the first node into a number (n) −1 of multiple layers, 9. The computer system of claim 8, wherein the computer system associates between multiple layers of one node and between the first node and the second node. 前記回答データが前記複数のプロジェクトの少なくとも2から、又は、同一のプロジェクトの異なる期間から収集される、請求項1に記載のコンピュータ・システム。   The computer system of claim 1, wherein the answer data is collected from at least two of the plurality of projects or from different periods of the same project. 前記リスク度付与部が、前記各質問に対する回答データの数値を合計し、該合計した値に基づいて前記リスク度を付与する、請求項1に記載のコンピュータ・システム。   The computer system according to claim 1, wherein the risk degree assigning unit sums up numerical values of answer data for the questions and assigns the risk degree based on the summed value. リスク管理を有する複数のプロジェクトにおけるリスクの予兆検知を行うための方法において、コンピュータ・システムに下記ステップを実行させる方法であって、
前記各プロジェクトに関する複数の質問に対する回答データを記憶部に収集するステップであって、前記複数の質問それぞれは複数のキー項目のうちのいずれかのキー項目に分類されている、前記収集するステップと、
前記キー項目毎の前記各質問に対する回答データに基づいて、前記各キー項目にリスク度を付与するステップであって、前記回答データは数値又は回答データから変換された数値である、前記付与するステップと、
前記キー項目毎に回答データをニューラルネットワークの入力データとして入力し、前記入力した回答データに対応するリスク度を該ニューラルネットワークの出力データとして入力し、該ニューラルネットワークにおいて前記回答データの複数と前記リスク度の複数との関係を学習するステップと、
作為的な回答データを含む回答データを前記学習したニューラルネットワークに与えてリスク度を求め、該求めたリスク度が高い場合の作為的な回答データに対応する質問を重要質問として絞り込むステップと、
前記重要質問に対する回答データのリスク度を上げる回答データを含むプロジェクトを選択し、該選択したプロジェクトについて、所定期間のリスクの予兆検知を行うステップと
を含む、前記方法。
A method for predicting risk in a plurality of projects having risk management, wherein the computer system executes the following steps:
Collecting answer data for a plurality of questions relating to each project in a storage unit, wherein each of the plurality of questions is classified into one of a plurality of key items; ,
A step of assigning a risk degree to each key item based on answer data for each question for each key item, wherein the answer data is a numerical value or a numerical value converted from the answer data. When,
Answer data is input as input data of a neural network for each key item, and a risk level corresponding to the input answer data is input as output data of the neural network. In the neural network, a plurality of the answer data and the risk are input. Learning the relationship with multiple degrees,
Applying the answer data including artificial answer data to the learned neural network to determine the risk level, and narrowing down the question corresponding to the artificial answer data when the calculated risk level is high as an important question;
Selecting a project that includes answer data that increases the risk level of answer data for the important question, and detecting a predictor of risk for a predetermined period for the selected project.
前記予兆検知を行うステップが、
第1の期間における前記各重要質問に対する回答データが該第1の期間直前の第2の期間における前記各重要質問に対する回答データよりもリスク度を上げる場合、該リスク度を上げる回答データを含むプロジェクトを選択するステップと、
前記選択されたプロジェクトについて、第1〜nの期間それぞれにおける前記キー項目毎の前記各質問に対する回答データ(以下、第1の回答データ)が該第1〜nの期間直前の第2〜n+1の期間それぞれにおける前記キー項目毎の前記各質問に対する回答データ(以下、第2の回答データ)よりもリスク度を上げる場合、前記1〜nの期間における前記第1の回答データと前記第2の回答データのキー項目毎の差分の合計値が所定の閾値以上であるプロジェクトを、リスクを有しうるプロジェクトとして抽出するステップであって、nは2以上の整数である、前記抽出するステップと
を含む、請求項12に記載の方法。
The step of performing the sign detection comprises
When the response data for each important question in the first period has a higher risk level than the response data for each important question in the second period immediately before the first period, the project includes the response data for increasing the risk level A step of selecting
For the selected project, the answer data (hereinafter referred to as the first answer data) for each key item in each of the key items in the first to n periods is the second to n + 1 immediately before the first to n periods. When the risk level is higher than the answer data (hereinafter referred to as second answer data) for each question for each key item in each period, the first answer data and the second answer in the period 1 to n Extracting a project having a total difference value for each key item of data that is equal to or larger than a predetermined threshold as a project having a risk, wherein n is an integer equal to or larger than 2. The method according to claim 12.
前記回答データを収集するステップを繰り返すステップと、
前記リスク度を付与するステップを繰り返すステップと、
前記学習したニューラルネットワークにおいて前記回答データの複数と前記リスク度の複数との関係を学習するステップを繰り返すステップと、
前記絞り込むステップを繰り返して、前記重要質問を更新するステップと
をさらに含む、請求項12に記載の方法。
Repeating the step of collecting the answer data;
Repeating the step of assigning the degree of risk;
Repeating the step of learning the relationship between the plurality of answer data and the plurality of risk degrees in the learned neural network;
The method of claim 12, further comprising: repeating the narrowing step to update the key question.
前記予兆検知を行うステップにおいて、第1の期間における前記更新された各重要質問に対する回答データが該第1の期間直前の第2の期間における前記更新された各重要質問に対する回答データよりもリスク度を上げる場合、該リスク度をあげる回答データを含むプロジェクトを選択するステップをさらに含む、請求項14に記載の方法。   In the step of performing the sign detection, the response data for each of the updated important questions in the first period is more risky than the answer data for each of the updated important questions in the second period immediately before the first period. The method according to claim 14, further comprising selecting a project including answer data that increases the degree of risk. 前記リスク度を上げる回答データの数に対応する質問の数をレベルの値とし、前記プロジェクトを選択するステップが、該レベルの値が1以上であるプロジェクトを選択するステップを含む、請求項13に記載の方法。   The number of questions corresponding to the number of answer data for increasing the risk level is set as a level value, and the step of selecting the project includes the step of selecting a project having the level value of 1 or more. The method described. 前記抽出するステップが、
前記第1の期間の前記レベルの値が1である場合において、
前記合計値が第1の閾値以上である場合に、該プロジェクトをリスクを有しうるプロジェクトとして抽出するステップと、
前記第1の期間の前記レベルの値が2以上である場合において、
前記合計値が第2の閾値以上である場合に、該プロジェクトをリスクを有しうるプロジェクトとして抽出するステップと、
を含む、請求項16に記載の方法。
Said extracting step comprises:
In the case where the value of the level in the first period is 1,
Extracting the project as a risky project if the total value is greater than or equal to a first threshold;
In the case where the value of the level in the first period is 2 or more,
Extracting the project as a risky project if the total value is greater than or equal to a second threshold;
The method of claim 16 comprising:
前記第1及び第2の閾値が、
(前記選択されたプロジェクトから抽出される前記リスクを有しうるプロジェクトの希望数に関する減少関数)+(前記レベルの値に関する増加関数)
から求められる、請求項17に記載の方法。
The first and second thresholds are
(Decrease function for the desired number of projects that may have the risk extracted from the selected project) + (Increase function for the level value)
The method of claim 17, obtained from
前記ニューラルネットワークが多層パーセプトロンであり、
前記学習するステップが、前記ニューラルネットワークにおいて、前記入力データを第1のノードとし且つ前記出力データを第2のノードとし、前記第1のノードを多層の数(n)−1個に分け、前記第1のノードの多層間、及び前記第1のノードと前記第2のノードとの間を関連付けるステップを含む、請求項12に記載の方法。
The neural network is a multilayer perceptron;
In the neural network, the learning step includes the input data as a first node and the output data as a second node, and the first node is divided into a number (n) −1 of multilayers, 13. The method of claim 12, comprising associating between multiple layers of first nodes and between the first node and the second node.
前記リスク度を付与するステップが、前記各質問に対する回答データの数値を合計し、該合計した値に基づいて前記リスク度を付与するステップを含む、請求項12に記載の方法。   The method according to claim 12, wherein the step of assigning the risk level includes a step of summing up numerical values of answer data for the respective questions and assigning the risk level based on the summed value. リスク管理を有する複数のプロジェクトにおけるリスクの予兆検知を行うための方法において、コンピュータ・システムに下記ステップを実行させる方法であって、
前記各プロジェクトに関する複数の質問に対する回答データを記憶部に収集するステップであって、前記複数の質問それぞれは複数のキー項目のうちのいずれかのキー項目に分類されている、前記収集するステップと、
前記キー項目毎の前記各質問に対する回答データに基づいて、前記各キー項目にリスク度を付与するステップであって、前記回答データは数値又は回答データから変換された数値である、前記付与するステップと、
前記キー項目毎に回答データをニューラルネットワークの入力データとして入力し、前記入力した回答データに対応するリスク度を該ニューラルネットワークの出力データとして入力し、該ニューラルネットワークにおいて前記回答データの複数と前記リスク度の複数との関係を学習するステップと、
作為的な回答データを含む回答データを前記学習したニューラルネットワークに与えてリスク度を求め、該求めたリスク度が高い場合の作為的な回答データに対応する質問を重要質問として絞り込むステップと、
前記回答データを収集するステップを繰り返すステップと、
前記リスク度を付与するステップを繰り返すステップと、
前記学習したニューラルネットワークにおいて前記回答データの複数と前記リスク度の複数との関係を学習するステップを繰り返すステップと、
前記絞り込むステップを繰り返して、前記重要質問を更新するステップと、
所定期間のプロジェクトにおけるリスクの予兆検知を行うステップであって、
第1の期間における前記更新された各重要質問に対する回答データが該第1の期間直前の第2の期間における前記更新された各重要質問に対する回答データよりもリスク度を上げる場合、該リスク度をあげる回答データを含むプロジェクトを選択するステップと、
前記選択されたプロジェクトについて、第1〜nの期間それぞれにおける前記キー項目毎の前記各質問に対する回答データ(以下、第1の回答データ)が該第1〜nの期間直前の第2〜n+1の期間それぞれにおける前記キー項目毎の前記各質問に対する回答データ(以下、第2の回答データ)よりもリスク度を上げる場合、前記1〜nの期間における前記第1の回答データと前記第2の回答データのキー項目毎の差分の合計値が所定の閾値以上であるプロジェクトを、リスクを有しうるプロジェクトとして抽出するステップであって、nは2以上の整数である、前記抽出するステップと
を含む、前記予兆検知を行うステップと
を含む、前記方法。
A method for predicting risk in a plurality of projects having risk management, wherein the computer system executes the following steps:
Collecting answer data for a plurality of questions relating to each project in a storage unit, wherein each of the plurality of questions is classified into one of a plurality of key items; ,
A step of assigning a risk degree to each key item based on answer data for each question for each key item, wherein the answer data is a numerical value or a numerical value converted from the answer data. When,
Answer data is input as input data of a neural network for each key item, and a risk level corresponding to the input answer data is input as output data of the neural network. In the neural network, a plurality of the answer data and the risk are input. Learning the relationship with multiple degrees,
Applying the answer data including artificial answer data to the learned neural network to determine the risk level, and narrowing down the question corresponding to the artificial answer data when the calculated risk level is high as an important question;
Repeating the step of collecting the answer data;
Repeating the step of assigning the degree of risk;
Repeating the step of learning the relationship between the plurality of answer data and the plurality of risk degrees in the learned neural network;
Updating the important question by repeating the narrowing step;
A step of detecting a predictor of risk in a project for a predetermined period,
When the answer data for each updated important question in the first period has a higher risk level than the answer data for each updated important question in the second period immediately before the first period, the risk level is Selecting a project that contains the response data
For the selected project, the answer data (hereinafter referred to as the first answer data) for each key item in each of the key items in the first to n periods is the second to n + 1 immediately before the first to n periods. When the risk level is higher than the answer data (hereinafter referred to as second answer data) for each question for each key item in each period, the first answer data and the second answer in the period 1 to n Extracting a project having a total difference value for each key item of data that is equal to or larger than a predetermined threshold as a project having a risk, wherein n is an integer equal to or larger than 2. Performing the sign detection.
リスク管理を有する複数のプロジェクトにおけるリスクの予兆検知を行うためのコンピュータ・プログラムであって、コンピュータ・システムに、請求項12〜21のいずれか一項に記載の方法の各ステップを実行させる、前記コンピュータ・プログラム。   A computer program for performing predictive detection of risk in a plurality of projects having risk management, wherein the computer system executes each step of the method according to any one of claims 12 to 21. Computer program.
JP2008282200A 2008-10-31 2008-10-31 Computer system, method and computer program for predictive detection of risk in project Expired - Fee Related JP5225027B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2008282200A JP5225027B2 (en) 2008-10-31 2008-10-31 Computer system, method and computer program for predictive detection of risk in project

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2008282200A JP5225027B2 (en) 2008-10-31 2008-10-31 Computer system, method and computer program for predictive detection of risk in project

Publications (2)

Publication Number Publication Date
JP2010108404A true JP2010108404A (en) 2010-05-13
JP5225027B2 JP5225027B2 (en) 2013-07-03

Family

ID=42297763

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2008282200A Expired - Fee Related JP5225027B2 (en) 2008-10-31 2008-10-31 Computer system, method and computer program for predictive detection of risk in project

Country Status (1)

Country Link
JP (1) JP5225027B2 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015122035A (en) * 2013-12-25 2015-07-02 株式会社日立製作所 Retrospective data generation system and retrospective data generation method
JP2020166432A (en) * 2019-03-28 2020-10-08 明豊ファシリティワークス株式会社 Project progress management table creation system and project progress management table
JP2021068175A (en) * 2019-10-23 2021-04-30 Kddi株式会社 Program, device and method for determining object trait information based on differences in factor scores between trait survey method

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CSND201100190001; 武藤 功: '品質マネジメント' PROVISION No.57 Spring 2008 第6-11ページ, 20080508, 日本アイ・ビー・エム株式会社 *
CSNG200501168003; 工藤 公太: '複数の手法を用いたソフトウェア開発プロジェクトの混乱予測 手法間での精度比較実験' 電子情報通信学会技術研究報告 Vol.104 No.467 第104巻, 20041119, 第13-18ページ, 社団法人電子情報通信学会 *
CSNG201000673013; 浜野 康裕: 'ソフトウェア開発プロジェクト中のリスク要因に対するルールマイニングを利用した分析' レクチャーノート/ソフトウェア学31 ソフトウェア工学の基礎XII , 20051130, 第87-96ページ, 株式会社近代科学社 *
JPN6013007264; 武藤 功: '品質マネジメント' PROVISION No.57 Spring 2008 第6-11ページ, 20080508, 日本アイ・ビー・エム株式会社 *
JPN6013007265; 工藤 公太: '複数の手法を用いたソフトウェア開発プロジェクトの混乱予測 手法間での精度比較実験' 電子情報通信学会技術研究報告 Vol.104 No.467 第104巻, 20041119, 第13-18ページ, 社団法人電子情報通信学会 *
JPN6013007266; 浜野 康裕: 'ソフトウェア開発プロジェクト中のリスク要因に対するルールマイニングを利用した分析' レクチャーノート/ソフトウェア学31 ソフトウェア工学の基礎XII , 20051130, 第87-96ページ, 株式会社近代科学社 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015122035A (en) * 2013-12-25 2015-07-02 株式会社日立製作所 Retrospective data generation system and retrospective data generation method
JP2020166432A (en) * 2019-03-28 2020-10-08 明豊ファシリティワークス株式会社 Project progress management table creation system and project progress management table
JP2021068175A (en) * 2019-10-23 2021-04-30 Kddi株式会社 Program, device and method for determining object trait information based on differences in factor scores between trait survey method
JP7141382B2 (en) 2019-10-23 2022-09-22 Kddi株式会社 Target characteristic information determination program, device and method based on difference in factor score between characteristic investigation methods

Also Published As

Publication number Publication date
JP5225027B2 (en) 2013-07-03

Similar Documents

Publication Publication Date Title
US8700415B2 (en) Method and system for determining effectiveness of a compliance program
Fung et al. Towards a better reliability of risk assessment: Development of a qualitative & quantitative risk evaluation model (Q2REM) for different trades of construction works in Hong Kong
Garrido et al. Risk identification techniques knowledge and application in the Brazilian construction
JP4495669B2 (en) Business process design support method and system based on role relationship modeling
JP5366644B2 (en) Business activity analysis evaluation system
Marzouk et al. Maintaining subway infrastructure using BIM
Woods et al. Towards integrating insurance data into information security investment decision making
Kariuki An exploration of the guiding principles, importance and challenges of monitoring and evaluation of community development projects and programmes
Meijster et al. What is the best strategy to reduce the burden of occupational asthma and allergy in bakers?
Ekanayake et al. A fuzzy synthetic evaluation of vulnerabilities affecting supply chain resilience of industrialized construction in Hong Kong
WO2017071369A1 (en) Method and device for predicting user unsubscription
Al-Emran et al. Studying the impact of uncertainty in operational release planning–An integrated method and its initial evaluation
KR101049405B1 (en) Bridge asset management system
Emami et al. HEALTHCARE PERFORMANCE MEASUREMENT: IDENTIFICATION OF METRICS FOR THE LEARNING AND GROWTH BALANCED SCORECARD PERSPECTIVE.
Moza et al. Evaluating Project Complexity in Construction Sector in India
JP5225027B2 (en) Computer system, method and computer program for predictive detection of risk in project
JP6569585B2 (en) Business evaluation system
JP2004323162A (en) Maintenance business simulator, maintenance service planning support system and maintenance business support system
Talat Birgonul et al. An expert system for the quantification of fault rates in construction fall accidents
JP5200678B2 (en) Service system, service system management method, and program
Kamyabniya et al. Risk-based earned value management: a novel perspective in software engineering
TW201327453A (en) Small enterprise financing risk assessment method
Osawa How well did the new Sumitomo Electric project ranking method predict performance?
Sun et al. Machine diagnostic service centre design under imperfect diagnosis with uncertain error cost consideration
Sreenivasan et al. A probabilistic model for predicting service level adherence of application support projects

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20110922

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20130208

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20130220

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20130220

RD14 Notification of resignation of power of sub attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7434

Effective date: 20130220

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20130312

R150 Certificate of patent or registration of utility model

Free format text: JAPANESE INTERMEDIATE CODE: R150

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20160322

Year of fee payment: 3

LAPS Cancellation because of no payment of annual fees