JP2015103179A - 行動特徴抽出装置、方法、及びプログラム - Google Patents

Abstract

【課題】各業務者についての業績特徴量及び行動特徴量から、業績特徴量と相関のある行動特徴量を抽出し、業績を改善、向上させる知見を抽出できる。【解決手段】統計量算出・コミュニケーション特徴重み更新部２２４によって、業務者の業績特徴量を被説明変数、業務者の複数の行動特徴量を説明変数とする回帰モデルにおける、複数の行動特徴量に対する重み係数を、業績特徴量と回帰モデルとが一致し、かつ、複数の行動特徴量に対する重み係数の絶対値の総和が最小となるように更新する。反復判定部２２７によって、予め定められた反復終了条件を満たすまで、統計量算出・コミュニケーション特徴重み更新部２２４による更新を繰り返すことにより、業績特徴量と相関のある行動特徴量を抽出する。【選択図】図４

Description

本発明は、行動特徴抽出装置、方法、及びプログラムに係り、特に、業績特徴量と相関のある行動特徴量を抽出する行動特徴抽出装置、方法、及びプログラムに関する。

近年、業務の電子化やセンサの発達による行動ログの取得が進み、オフィス行動のデータが取得可能な企業が増えてきている。そのため収集したオフィス行動のデータを有効活用し業績を改善、向上させる施策に取り組むことが重要になっている。

オフィス行動の分析には、ＰＣの作業ログを収集し業務効率が良い人が行っている行動を抽出して類似業務へその行動を水平展開することや、業務中の対面コミュニケーションのログから業績が良いチームと悪いチームを比較し、良いチームが行っているコミュニケーションをほかのチームでも促す施策を打ち、業績を向上させる施策が行われてきた。

例えば後者の場合は、業績が良いチームと悪いチームそれぞれで特徴量を抽出し、各チームで特徴量の違いに優位差があるものを検定で発見する方法がある（非特許文献１）。

渡邊純一郎ほか、「コールセンタにおける職場の活発度が生産性に与える影響の定量評価」、情報処理学会論文誌 Vol.54 , No.4, pp.1470-1479 (2013年4月)

本発明では、各業務者について、その業績を定量的に計測可能な数値で表したもの（業績特徴量）及びその業務者の特定の時期における行動状態を定量的に計測可能な数値で表したもの（行動特徴量）から、業績特徴量と相関のある行動特徴量を抽出し、業績を改善、向上させる知見を抽出できる行動特徴抽出装置、方法、及びプログラムを提供することを目的とする。

上記目的を達成するために、本発明の行動特徴抽出装置は、業務者集団に含まれる各業務者についての業績特徴量及び複数の行動特徴量を記憶した記憶手段と、前記業務者の前記業績特徴量を被説明変数、前記業務者の前記複数の行動特徴量を説明変数とする回帰モデルにおける、前記複数の行動特徴量に対する重み係数を、前記業績特徴量と前記回帰モデルとが一致し、かつ、前記複数の行動特徴量に対する重み係数の絶対値の総和が最小となるように更新する特徴重み更新手段と、予め定められた反復終了条件を満たすまで、前記特徴重み更新手段による更新を繰り返すことにより、前記業績特徴量と相関のある行動特徴量を抽出する反復判定手段と、を含んで構成されている。

また、本発明の行動特徴抽出方法は、業務者集団に含まれる各業務者についての業績特徴量及び複数の行動特徴量を記憶した記憶手段と、特徴重み更新手段と、反復判定手段とを含む行動特徴抽出装置における行動特徴抽出方法であって、前記特徴重み更新手段によって、前記業務者の前記業績特徴量を被説明変数、前記業務者の前記複数の行動特徴量を説明変数とする回帰モデルにおける、前記複数の行動特徴量に対する重み係数を、前記業績特徴量と前記回帰モデルとが一致し、かつ、前記複数の行動特徴量に対する重み係数の絶対値の総和が最小となるように更新し、前記反復判定手段によって、予め定められた反復終了条件を満たすまで、前記特徴重み更新手段による更新を繰り返すことにより、前記業績特徴量と相関のある行動特徴量を抽出する。

また、本発明のプログラムは、コンピュータを、上記の行動特徴抽出装置の各手段として機能させるためのプログラムである。

以上説明したように、本発明の行動特徴抽出装置、方法、及びプログラムによれば、業績特徴量を被説明変数、複数の行動特徴量を説明変数とする回帰モデルにおける、複数の行動特徴量に対する重み係数を、業績特徴量と回帰モデルとが一致し、かつ、重み係数の絶対値の総和が最小となるように更新することを繰り返すことにより、各業務者についての業績特徴量及び行動特徴量から、業績特徴量と相関のある行動特徴量を抽出し、業績を改善、向上させる知見を抽出できる、という効果が得られる。

本発明の第１の実施の形態の行動特徴抽出装置の機能的構成を示すブロック図である。 コミュニケーションログバッファ及び業績ログバッファの内容を示す図である。 コミュニケーション特徴量バッファ、業績特徴量バッファ、及びコミュニケーション特徴重みバッファの内容を示す図である。 本発明の第１の実施の形態の行動特徴抽出装置の高業績行動特徴重み算出部の構成を示すブロック図である。 統計量バッファの内容を示す図である。 コミュニケーション特徴重み出力バッファ及び業績出力バッファの内容を示す図である。 本発明の第１の実施の形態の行動特徴抽出装置における行動特徴抽出処理ルーチンの内容を示すフローチャートである。 本発明の第４の実施の形態の行動特徴抽出装置の機能的構成を示すブロック図である。 本発明の第４の実施の形態の行動特徴抽出装置における行動特徴抽出処理ルーチンの内容を示すフローチャートである。

以下、図面を参照して本発明の実施の形態を詳細に説明する。

＜本発明の概要＞
本発明はオフィスで業務等をする際のオフィス行動ログと業績のログとを入力とし、オフィス行動ログと業績のログを用いて高業績者が行っている行動の特徴を抽出し、業績の改善、向上させる知見を抽出する。

例えば、業務を行う際に作業の目的を把握したり、最近おこった問題の情報収集をしたりするための情報収集を効率よく行うために、各部署で多くの人とコミュニケーションしており、かつ、情報をたくさん知っているハブとなる人物を、多部署で知っていることが、高業績者に多い傾向がある、といった知見を抽出することができる。

また、例えば、業務端末における操作ログを入力とし、高業績者が行っている作業内容を抽出することができる。具体例としては、反復して利用する項目をメモとして端末に表示しコピーして誤った入力を防ぐ処理をする傾向があるなどを抽出できる。また、対面コミュニケーションのログを入力とし、高業績者が行っているコミュニケーションの傾向を抽出することができる。具体例としては、他部署の上司とエッジがつながる傾向があるなどを抽出することができる。このような異なる入力を複数利用して行動特徴を抽出することが可能であるが、本発明の実施の形態においてはメール等でのコミュニケーションをオフィス行動ログ、個人の業務対応数を業績のログの例として用いることとする。

高業績者の行動特徴を抽出する場合に、行動特徴量と業績特徴量の相関係数を行動特徴量ごとに算出して相関係数が高いものを高業績者の行動特徴として抽出する方法がある。

しかし、この方法では行動特徴量がどの程度業績特徴量を説明しているのかが明示的に与えられない点や、複数の行動特徴量の相乗効果を考えることができていない。

そこで、本発明の実施の形態では、業績特徴量を行動特徴量でモデル化することで、どの行動特徴量がどれくらい業績に寄与しているのかや複数の行動特徴量の掛け合わせをモデル化することを実現する。

具体的には、業績に効果がない行動特徴量はモデル内で利用されないことから行動特徴量を選択することができ、あるいは、業績に効果がある行動特徴量の効果、及び複数の行動特徴量の掛け合わせの効果を、モデル内で重みとして算出し効果を明らかにすることができる。

＜第１の実施の形態＞
＜システム構成＞
本発明の第１の実施の形態に係る行動特徴抽出装置１００は、ＣＰＵ（Central Processing Unit）と、ＲＡＭ（Random Access Memory）と、後述する行動特徴抽出処理ルーチンを実行するためのプログラムを記憶したＲＯＭ（Read Only Memory）とを備えたコンピュータで構成されている。このコンピュータは、機能的には、図１に示すように、コミュニケーションログ・業績ログ入力部１０、演算部２０、及び高業績者行動特徴出力部４０を含んだ構成で表すことができる。

コミュニケーションログ・業績ログ入力部１０は、業務中のメール等におけるコミュニケーションに関するログであるコミュニケーションログと、その人がどのような業績をあげたかを記録したものである業績ログとの入力を受け付け、後述するコミュニケーションログバッファ２１１にコミュニケーションログを書き込み、業績ログバッファ２１２に業績ログを書き込む。

コミュニケーションログは、図２のコミュニケーションログバッファ２１１に示すように、業務者集団のある業務者に固有のユーザＩＤと、業務者がメールなどのコミュニケーションをした時間と、その相手とを入力とする。

ここで、図２のコミュニケーションログバッファにあるｔは、コミュニケーションを行った日時である。ｉはメールの送信者及び受信者のＩＤであり、関連する業務者数分のユーザＩＤを格納している。関連する業務者数分のユーザＩＤを格納している理由は、コミュニケーション特徴量がこれら関連する業務者それぞれの特徴量として作成可能とするためである。

ここで全業務者数をＵとする。

業績ログは、図２の業績ログバッファ２１２に示すように、業務者集団の各業務者について、日報のようにある日（時）単位でその人が達成した業務の量を記録したもの等である。

ここで、図２の業績バッファにあるｔは、記録された日時である。ｉはユーザＩＤであり、その業績を達成した業務者のユーザＩＤである。業績ｙ_giは業績の量を表し、ｇは業績タイプＩＤであり、業績の種類を表し、すなわちこのモデルで取り扱う業績特徴量の件数（次元）を表す。

ここで全業績タイプ数をＮ_yとする。

演算部２０は、行動特徴算出部２１、高業績行動特徴重み算出部２２、コミュニケーション特徴重み出力バッファ２３１、及び業績出力バッファ２３２を備えている。

行動特徴算出部２１内のコミュニケーションログバッファ２１１及び業績ログバッファ２１２は、それぞれ高業績行動特徴重み算出部２２内部のコミュニケーション特徴量バッファ２２１、業績特徴量バッファ２２２と接続されている。高業績行動特徴重み算出部２２内部のコミュニケーション特徴重みバッファ２２３および業績特徴量バッファ２２２は、それぞれコミュニケーション特徴重み出力バッファ２３１、業績出力バッファ２３２と接続されている。なお、コミュニケーション特徴量バッファ２２１及び業績特徴量バッファ２２２は、記憶手段の一例である。

行動特徴算出部２１は、コミュニケーションログバッファ２１１から各業務者のコミュニケーション特徴量を抽出し、コミュニケーション特徴量バッファ２２１に書き込む（図３参照）。

ここで書き込むコミュニケーション特徴量をｘ_ifと表現する。このとき、ｉはユーザＩＤを、ｆはこのモデルで取り扱うコミュニケーション特徴量の件数（次元）を表す。特徴量が得られた時間ｔを明示する場合には、ｘ_if（ｔ）と表記するが、以下では、「（ｔ）」を省略して表示する。ｘ_ifは、コミュニケーションログや業績ログのデータ内容によって異なるが、定量的に測定可能な数値を用いるものであり、例えば、ユーザＩＤ＝ｉの人がメールでやりとり（発信および受信）した総人数と、全体の業務者がメールでやりとりした総人数の平均との割合０．５を、１つ目のコミュニケーション特徴量ｘi1とする。

他にもコミュニケーションした回数やメールでやりとりした人の総人数の平均などさまざまなコミュニケーション特徴を特徴量として生成し、コミュニケーション特徴量バッファ２２１に書き込む。

ここで、どのようなコミュニケーション特徴量を用いるかは目的によって異なるため、同じメールでのコミュニケーション特徴量と言っても、表現したい内容によってコミュニケーションログから算出されるコミュニケーション特徴量には様々なものが存在する。

例えば、メールの送受信回数をコミュニケーション特徴量にする場合で、その人の業績は部署の特徴によって決まるのであれば、メール送信者についてもメール受信者についても区別しないで特徴量を作成する。同様に、会議に参加した回数をコミュニケーション特徴量にする場合では、スケジュール上会議に参加していた業務者の各々について、参加回数を特徴量として作成する。具体的には、一例としてコミュニケーションログに業務者iが含まれる回数を特徴量にする。

一方、その人の業績が誰に自発的なコミュニケーションをしているのかで決まるのであれば、例えばその人を知っているかどうかが重要なケースにおいて受信した情報を用いて、特徴量を作成する。

具体的には、一例としてコミュニケーションログの受信者側に業務者ｉが含まれる回数を特徴量にする。

さらに、その人の業績がどれくらい部署で頼られているか、認知されているかで決まるのであれば、送信された情報で特徴量を作成する。

具体的には、一例としてコミュニケーションログの送信者側に業務者ｉが含まれる回数を特徴量にする。

これらの情報は、関連する面もあるが独立と考えても問題ないので特徴量として全てを利用することも可能である。また、コミュニケーションログからコミュニケーション特徴量を作成する場合には他の算出方法も可能で、例えばある人に送信受信両方行っているかが条件でその条件にあう人数や回数を特徴量にすることなど、様々な特徴量を考えることができる。

また、行動特徴算出部２１は、業績ログバッファ２１２から各業務者の業績特徴量を抽出し、業績特徴量バッファ２２２に書き込む（図３参照）。ここで算出される業績特徴量をｙ_giと表現する。このとき、ｉはユーザＩＤを表し、ｇはこのモデルで取り扱う業績特徴量の件数（次元）を表す。

業績特徴量ｙ_giは、例えば処理した契約伝票の数11件などである。他にもアウトバウンドでかけた電話の件数など、定量的な数値として測定可能な様々な業績特徴を業績特徴量として生成し、業績特徴量バッファ２２２に書き込む。

ここで、コミュニケーション特徴量の数をＮ_x、業績特徴量の数をＮ_yとする。業績特徴量の数は先に述べた全業績タイプ数と異なっていてもよい。特徴量が得られた時間ｔを明示する場合には、ｙ_gi（ｔ）と表記するが、以下では、「（ｔ）」を省略して表示する。

高業績行動特徴重み算出部２２は、コミュニケーション特徴量バッファ２２１、業績特徴量バッファ２２２、及びコミュニケーション特徴重みバッファ２２３を備えている。

高業績行動特徴重み算出部２２は、まず、コミュニケーション特徴重みをランダムに初期化し、コミュニケーション特徴重みバッファ２２３に格納する（図３参照）。コミュニケーション特徴重みは、変数ｗ_gfで表わされ、業績特徴量ｙ_gi及びコミュニケーション特徴量ｘ_ifの組み合わせを重みづけする変数である。ｆは、このモデルで取り扱うコミュニケーション特徴量の件数（次元）を表し、ｇはこのモデルで取り扱う業績特徴量の件数（次元）を表す。重みｗ_gfは、高業績行動特徴重み算出部２２のモデルによるが、一番基本的な場合としては業績特徴量及びコミュニケーション特徴量の組み合わせ毎に重みを算出するため、Ｎ_x×Ｎ_y次元のパラメータを重みとし、ランダムに初期化される。

高業績行動特徴重み算出部２２は、この後の学習回数のループ数を数えるための学習回数ｎを０に初期化する。

高業績行動特徴重み算出部２２は、図４に示すように、更に、統計量算出・コミュニケーション特徴重み更新部２２４、統計量バッファ２２５、学習回数や勾配係数や正則化係数などを記憶したパラメータ記憶部２２６、及び反復判定部２２７を備え、以下に説明する一次元の回帰モデルを用いるとする。

このとき、業績特徴量を被説明変数、コミュニケーション特徴量を説明変数とし正則化を行った回帰モデルを用いることで高業績者の行動特徴を抽出する。

ここで、重みはＮ_x×Ｎ_y個存在している。

統計量算出・コミュニケーション特徴重み更新部２２４は、まず、学習回数ｎを＋１インクリメントする。

次に、重みを学習する際に、以下の式に示す目的関数Ｌ１を最小化するように重みを更新する際に必要な統計量を算出する。

ここで、ｉはユーザＩＤを、ｆはコミュニケーション特徴量の次元を、ｇは業績特徴量の次元を表す変数である。δは正則化係数であり、正則化係数δはパラメータ記憶部２２６に格納されている。

統計量算出・コミュニケーション特徴重み更新部２２４は、以下の（１）式に従って、統計量Ｙ_gfを算出し、統計量Ｙ_gfを統計量バッファ２２５に書き込む（図５参照）。

上記の目的関数Ｌ１は最小値であるほど業績特徴量と回帰モデルとが一致することを示す。また、コミュニケーション特徴量による業績特徴量の回帰式の誤差と共に、コミュニケーション特徴量の重みが多くの変数で０になるようにＬ１正則化を行う式を用いている。

これにより業績にあまり効果がないコミュニケーション特徴量は重みが０になり、重みが正または負の値で絶対値として一定閾値以上の大きな値を持つ特徴量を、業績特徴量と相関のある高業績者の行動特徴として抽出することが可能になる。また、上記の一定閾値の大きさは、正則化係数δの大きさによって調整される。

統計量算出・コミュニケーション特徴重み更新部２２４は、全てのｆ、全てのｇについて、下記の式に基づいて、上記の目的関数Ｌ１を最小化するように重みｗ_gfを更新する。

ここで更新方法としては確率的勾配法を用いる式を用いる。ただし更新方法は任意である。

更新処理の結果は、コミュニケーション特徴重みバッファ２２３に書き込まれる。またεは勾配係数であり、勾配係数εはパラメータ記憶部２２６に格納されている。

ここでsoftmax(a,δ)はソフトマックス関数であり、aが閾値（−δ,δ）（δは正則化係数）の間の場合は０を返し、それ以外の場合は、aが正であればa−δを、aが負であればa＋δを返す関数である。

反復判定部２２７は、学習回数nが予め定められた最大値Nに達したか否かを判定し、学習回数nが最大値Nに達していない場合には、統計量算出・コミュニケーション特徴重み更新部２２４の処理を繰り返し、学習回数nが最大値Nに達している場合には、統計量算出・コミュニケーション特徴重み更新部２２４の処理を終了する。ここで、学習回数nの最大値Nはパラメータ記憶部２２６から読み取られる。

反復判定部２２７は、図６に示すように、コミュニケーション特徴重み出力バッファ２３１に、統計量算出・コミュニケーション特徴重み更新部２２４により最終的に更新されたコミュニケーション特徴重みｗ_gfを書き込む。また、業績出力バッファ２３２に、業績特徴量バッファ２２２の業績特徴量ｙ_giを書き込む。

コミュニケーション特徴重み出力バッファ２３１及び業績出力バッファ２３２の内容が、業績特徴量と相関のあるコミュニケーション特徴量として、高業績者行動特徴出力部４０により出力される。

＜行動特徴抽出装置の作用＞
第１の実施の形態の行動特徴抽出装置１００に、業務者集団に関する業績ログ及びコミュニケーションログが入力されると、行動特徴抽出装置１００によって、コミュニケーションログバッファ２１１、業績ログバッファ２１２に格納される。そして、行動特徴抽出装置１００において、図７に示す、行動特徴抽出処理ルーチンが実行される。

まず、ステップＳ２１１で、行動特徴算出部２１によって、コミュニケーションログバッファ２１１の全業務者のデータ、及び業績ログバッファ２１２の全業務者のデータを読み込む。ステップＳ２１２では、行動特徴算出部２１によって、上記ステップＳ２１１で読み込んだデータから、各業務者のコミュニケーション特徴量を各々抽出し、コミュニケーション特徴量バッファ２２１に格納する。また、行動特徴算出部２１によって、上記ステップＳ２１１で読み込んだデータから、各業務者の業績特徴量を各々抽出し、業績特徴量バッファ２２２に格納する。

そして、ステップＳ２１３において、コミュニケーション特徴重みｗ_gfの各々をランダムに初期化して、コミュニケーション特徴重みバッファ２２３に格納する。また、学習回数を０に初期化して、パラメータ記憶部２２６に格納する。

ステップＳ２１４では、統計量算出・コミュニケーション特徴重み更新部２２４によって、学習回数を＋１インクリメントすると共に、コミュニケーション特徴重みバッファ２２３に格納されたコミュニケーション特徴重みｗ_gf、コミュニケーション特徴量バッファ２２１に格納された各業務者のコミュニケーション特徴量ｘ_if、及び業績特徴量バッファ２２２に格納された各業務者の業績特徴量ｙ_giに基づいて、（ｇ、ｆ）の全ての組み合わせについて、上記（１）式に従って統計量Ｙ_gfを算出し、統計量バッファ２２５を更新する。

そして、ステップＳ２１５において、統計量算出・コミュニケーション特徴重み更新部２２４によって、（ｇ、ｆ）の組み合わせについて、コミュニケーション特徴重みバッファ２２３に格納されたコミュニケーション特徴重みｗ_gf、コミュニケーション特徴量バッファ２２１に格納された各業務者のコミュニケーション特徴量ｘ_if、及び統計量バッファ２２５に格納された統計量Ｙ_gfに基づいて、上記（２）式に従ってコミュニケーション特徴重みｗ_gfを算出し、コミュニケーション特徴重みバッファ２２３を更新する。

ステップＳ２１６では、（ｇ、ｆ）の全ての組み合わせについて、上記ステップＳ２１５を実行したか否かを判定し、上記ステップＳ２１５を実行していない（ｇ、ｆ）の組み合わせが存在する場合には、上記ステップＳ２１５へ戻り、当該（ｇ、ｆ）の組み合わせについて、コミュニケーション特徴重みｗ_gfを更新する。一方、（ｇ、ｆ）の全ての組み合わせについて、上記ステップＳ２１５を実行した場合には、ステップＳ２１７へ移行する。

ステップＳ２１７では、反復判定部２２７によって、学習回数が、予め定められた上限回数を満了したか否かを判定する。学習回数が、予め定められた上限回数に到達していない場合には、上記ステップＳ２１４へ戻る。一方、学習回数が、予め定められた上限回数を満了した場合には、ステップＳ２１８へ移行する。

ステップＳ２１８では、コミュニケーション特徴重みバッファ２２３に格納されたコミュニケーション特徴重みｗ_gfの各々を、コミュニケーション特徴重み出力バッファ２３１に格納し、業績特徴量と相関のあるコミュニケーション特徴量として、高業績者行動特徴出力部４０により出力し、行動特徴抽出処理ルーチンを終了する。

以上説明したように、第１の実施の形態に係る行動特徴抽出装置によれば、業績特徴量を被説明変数、複数のコミュニケーション特徴量を説明変数とする回帰モデルにおける、複数のコミュニケーション特徴量に対する重み係数を、業績特徴量と回帰モデルとが一致し、かつ、重み係数の絶対値の総和が最小となるように更新することを繰り返すことにより、各業務者についての業績特徴量及び行動特徴量から、業績特徴量と相関のあるコミュニケーション特徴量を抽出し、業績を改善、向上させる知見を抽出できる。

また、任意のオフィス行動のログから算出されるコミュニケーション特徴量のなかから業績に関連し、かつ高業績者が特に行っているコミュニケーション特徴の選択と、選択されたコミュニケーション特徴の重みを抽出することが可能であり、抽出したコミュニケーション特徴を促す施策に利用することができ、ログを取得した環境に応じた業績の改善、向上の施策・システムを作成することを支援することが実現できる。

＜第２の実施の形態＞
次に、第２の実施の形態について説明する。なお、第２の実施の形態に係る行動特徴抽出装置の構成は、第１の実施の形態と同様であるため、同一符号を付して説明を省略する。

第２の実施の形態では、モデルの形式が、第１の実施の形態と異なっている。

＜システム構成＞
第２の実施の形態に係る行動特徴抽出装置の高業績行動特徴重み算出部２２は、以下の式で表わされるｎ次の線形回帰モデルを利用して、業績ごとのコミュニケーション特徴量の重みを算出する。

ただし、S_g12とはコミュニケーション特徴量x_i1とx_i2との間の相乗効果を表す重み係数であり、二つの特徴量が同時に高いときほど業績に効果がある場合に大きい値を取り、そうでない場合には０になる。

上記のモデルは二次のコミュニケーション特徴量を用いてモデルを算出しており、用いる重みの数は、Ｎ_x×Ｎ_x×Ｎ_y＋Ｎ_x×Ｎ_yになる。

このとき、業績特徴量を被説明変数、コミュニケーション特徴量を説明変数とし正則化を行った回帰モデルを用いることで高業績者の行動特徴を抽出する。

このモデルはn次まで拡張することが可能である。

二次のコミュニケーション特徴量を考えることで、次の二つの効果が考えられる。

まずは、あるコミュニケーション特徴量ｘ_ifの二次の項が入ることにより、一次では線形だった業績への効果が二次関数になり、多くの人数と会話することは業績に有効だが一定数を超えると業績に悪影響を及ぼすといったことがモデル化できる。

また、あるコミュニケーション特徴量ｘ_i1とｘ_i2の相乗効果を考えることで、例えば若手社員は多くの人と会話することが業績に有効だが、ベテラン社員は多くの人と会話することが業績向上に有効でないなどをモデル化して検証することができる。

例えば、ｘ_i1を、年齢30歳以下の若手社員かどうかのカテゴリカル特徴量とする。つまり、ｘ_i1を、業務者iが若手社員であればｘ_i1は１を、そうでなければ０をとる特徴量とする。さらにｘ_i2を入力データから業務者ｉがコミュニケーションした総ユニーク人数を算出した特徴量であるとする。この場合、若手社員であれば、ｘ_i1＊ｘ_i2は非０のため、重みが業績に効果があるが、若手社員でない場合には総ユニーク人数という特徴量は業績に効果を及ぼさないモデルとなる。

統計量算出・コミュニケーション特徴重み更新部２２４は、重みｗ_gfを学習する際に、次に示す目的関数L2を最小化するように重みを更新する際に必要な統計量を算出する。

ここで変数ｆとｆ’とはこのモデルで取り扱うコミュニケーション特徴量の件数（次元）であり、ｆは相乗効果の第一項、ｆ’ は相乗効果の第二項を表す。δは正則化係数である。ｓ_gff'はコミュニケーション特徴量ｘ_ifとｘ_if'との間の相乗効果を表す項の重みである。

統計量算出・コミュニケーション特徴重み更新部２２４は、以下の式に従って、統計量Ｙ_gf、Ｂ_gff'を算出し、統計量Ｙ_gf、Ｂ_gff'を統計量バッファ２２５に書き込む。

上記の目的関数Ｌ２は最小値であるほど業績特徴量と回帰モデルとが一致することを示す。また、コミュニケーション特徴量による業績特徴量の回帰式の誤差と共に、コミュニケーション特徴量の重みが多くの変数で０になるようにＬ１正則化を行う式を用いている。

これにより、以下の式に示すように、業績特徴量にあまり効果がないコミュニケーション特徴量とコミュニケーション特徴量の組み合わせとは重みが０になり、重みが大きな値を持つコミュニケーション特徴量とコミュニケーション特徴量の組み合わせとを、高業績者の行動特徴として抽出することが可能になる。

統計量算出・コミュニケーション特徴重み更新部２２４は、下記式に基づいて上に述べた目的関数Ｌ２を最小化するように重みｗ_gf、ｓ_gff'を更新する。

ここで更新方法としては確率的勾配法を用いる式を用いる。ただし更新方法は任意である。

ここでsoftmax(a,δ)はソフトマックス関数であり、aが閾値（−δ,δ）（δは正則化係数）の間の場合は０を返し、それ以外の場合は、aが正であればa−δを、aが負であればa＋δを返す関数である。またεは勾配係数である。勾配係数はパラメータ記憶部２２６から読み取られる。

なお、第２の実施の形態に係る行動特徴抽出装置の他の構成及び作用については、第１の実施の形態と同様であるため、説明を省略する。

このように、業績特徴量を被説明変数、複数のコミュニケーション特徴量を説明変数とする二次の線形回帰モデルにおける、複数のコミュニケーション特徴量に対する重み係数及びコミュニケーション特徴量の組み合わせに対する重み係数を、業績特徴量と回帰モデルとが一致し、かつ、重み係数の絶対値の総和が最小となるように更新することを繰り返すことにより、各業務者についての業績特徴量及び行動特徴量から、業績特徴量と相関のあるコミュニケーション特徴量や、業績特徴量と相関のあるコミュニケーション特徴量の組み合わせを抽出し、業績を改善、向上させる知見を抽出できる。

＜第３の実施の形態＞
次に、第３の実施の形態について説明する。なお、第３の実施の形態に係る行動特徴抽出装置の構成は、第１の実施の形態と同様であるため、同一符号を付して説明を省略する。

第３の実施の形態では、モデルの形式が、第１の実施の形態と異なっている。

＜システム構成＞
第３の実施の形態に係る行動特徴抽出装置の高業績行動特徴重み算出部２２は、以下の式で表わされる線形回帰モデルを利用して、業績ごとのコミュニケーション特徴量の重みを算出する。

このモデルは二次のコミュニケーション特徴量を用いてモデルを算出しており、用いる重みは（Ｎ_x＊Ｋ）＊２×Ｎ_y+Ｎ_x×Ｎ_yになる。

このとき、業績特徴量を被説明変数、コミュニケーション特徴量を説明変数とし正則化を行った回帰モデルを用いることで高業績者の行動特徴を抽出する。

このモデルはn次まで拡張することが可能である。

本実施の形態では、高業績者のコミュニケーション特徴量を抽出したいため、候補となりうるコミュニケーション特徴量分、コミュニケーション特徴量を算出することになり、Ｎ_y＜＜Ｎ_xになることが想定される。この場合、候補となるコミュニケーション特徴量の数が増加すると重みの計算負荷が高くなる。特に先に示した二次のモデルでは特徴量ｘ_ifがどのような変数と組み合わせても有効でない場合にはＮ_x×Ｎ_y個の重みが０になることが必要になる。

そこで、Matrix Factorizationの概念を用いて業績に与える効果はどの特徴量でも同様であるという仮定をし、重みをＫ次元のベクトルとして表現するFactorization Machinesを用いて、モデル化を行う。従って、コミュニケーション特徴重みとして使用する変数には、ｗ_gf（ｗgf'）とｖ_gfk（ｖ_gf'k）とを用いる。ここで変数ｆないしｆ’はこのモデルで取り扱うコミュニケーション特徴量の件数（次元）であり、変数kは上記のベクトル次元数である。

これにより、業績に効果のないコミュニケーション特徴量は、Ｋ×Ｎ_y次元の要素が０になるだけでよく、Ｋ＜＜Ｎ_xの状況では計算負荷や解釈性が改善することがわかる。

統計量算出・コミュニケーション特徴重み更新部２２４は、重みを学習する際に以下の式に示す目的関数Ｌ３を最小化するように重みを更新する際に必要な統計量を算出する。

統計量算出・コミュニケーション特徴重み更新部２２４は、以下の式に従って、統計量Ｙ_gf、Ｂ_gfkを算出し、統計量Ｙ_gf、Ｂ_gfkを統計量バッファ２２５に書き込む。

上記の目的関数Ｌ３は最小値であるほど業績特徴量と回帰モデルとが一致することを示す。また、コミュニケーション特徴量による業績特徴量の回帰式の誤差と共に、コミュニケーション特徴量の重みが多くの変数で０になるようなL1正則化をおこなう式を用いている。

これにより業績特徴量にあまり効果がないコミュニケーション特徴量とコミュニケーション特徴量の組み合わせとは重みが０になり、重みが大きな値を持つコミュニケーション特徴量とコミュニケーション特徴量の組み合わせとを、高業績者の行動特徴として抽出することが可能になる。

統計量算出・コミュニケーション特徴重み更新部２２４は、下記式に基づいて上に述べた目的関数L３を最小化するように重みを更新する。

ここで更新方法としては確率的勾配法を用いる式を用いる。ただし更新方法は任意である。

なお、第３の実施の形態に係る行動特徴抽出装置の他の構成及び作用については、第１の実施の形態と同様であるため、説明を省略する。

このように、業績特徴量を被説明変数、複数のコミュニケーション特徴量を説明変数とする線形回帰モデルにおける、複数のコミュニケーション特徴量に対する重み係数及びコミュニケーション特徴量の組み合わせに対する重み係数を、業績特徴量と回帰モデルとが一致し、かつ、重み係数の絶対値の総和が最小となるように更新することを繰り返すことにより、各業務者についての業績特徴量及び行動特徴量から、業績特徴量と相関のあるコミュニケーション特徴量や、業績特徴量と相関のあるコミュニケーション特徴量の組み合わせを抽出し、業績を改善、向上させる知見を抽出できる。また、重み係数のパラメータを共有することによって、パラメータ数を削減することが可能となる。

＜第４の実施の形態＞
次に、第４の実施の形態について説明する。なお、第１の実施の形態と同様の構成となる部分については、同一符号を付して説明を省略する。

第４の実施の形態では、業績特徴量に基づいてクラスタリングを行う点と、クラス毎に、モデルを用いて業績特徴量と相関のあるコミュニケーション特徴量を抽出している点とが、第１の実施の形態と異なっている。

＜システム構成＞
図８に示すように、第４の実施の形態に係る行動特徴抽出装置４００の演算部４２０は、行動特徴算出部２１、クラスタリング部４２１、高業績行動特徴重み算出部２２、コミュニケーション特徴重み出力バッファ２３１、及び業績出力バッファ２３２を備えている。

クラスタリング部４２１は、業績ログバッファ２１２から各業務者の業績特徴量を抽出し、各業務者の業績特徴量に基づいて、Ｍクラスに分類する。例えば業績特徴量をＭクラスに分ける方法として、全業務者の業績特徴量をＭ個にクラスタリングして、クラスタの業績特徴量の平均が高い順に０クラス、1クラス、…、Ｍクラスとする。ここで業務者ｉの業績特徴量に割り当てられたクラスがｌである場合、業務者ｉのg番目の業績特徴量ｙ_gliを１とし、それ以外のｌについては業績特徴量ｙ_gliを0として業績特徴量バッファ２２２に書き込む。このときｉはユーザＩＤを表す。このとき、ｉはユーザＩＤを、ｇはこのモデルで取り扱う業績特徴量の件数（次元）を表す。

高業績行動特徴重み算出部２２は、コミュニケーション特徴重みをランダムに初期化し、コミュニケーション特徴重みバッファ２２３に格納する。コミュニケーション特徴重みは、変数ｗ_glfで表わされ、クラスタｌにおける業績特徴量ｙ_gi及びコミュニケーション特徴量ｘ_ifの組み合わせを重みづけする変数である。

ここで、重みは、Ｎ_x個から、業績ごとの重みＮ_x×Ｍの重みに増加している。

このとき、業績特徴量をＭクラスに分け、クラスごとに、業績特徴量及びコミュニケーション特徴量の各組み合わせに対する重みを作成し、正解クラスの回帰値が最大になるように学習する。例えば、各クラスタの回帰式に、コミュニケーション特徴量を説明変数とし正則化を行った多項ロジスティック回帰モデルを用いることで、クラスごとに高業績者のコミュニケーション特徴量を抽出する。

ここで、重みはＭ×Ｎ_x×Ｎ_y数分存在している。

ここで目的関数Ｌ４は、以下の式で表わされる。

αは尤度の対数を取ったときにL４が算出できるようにした最低値である。

上記の目的関数Ｌ４は最小値であるほど業績特徴量と回帰モデルとが一致することを示す。ここでＰ（ｙ_gli｜ｘ_i）は業務者ｉがコミュニケーション特徴量ｘ_iを持つときに業績がクラスlである確率を表す。コミュニケーション特徴量ｘ_iは、コミュニケーション特徴量ｘ_ifからなるベクトルである。任意の確率関数を用いることができるが、各コミュニケーション特徴量と業績の関係は独立で、ガウス分布によってモデル化する場合を考えると、Ｐ（ｙ_gli｜ｘ_i）は、以下の式で表わされる。

ここでσは全コミュニケーション特徴量共通の分散パラメータであり、μ_gfは各コミュニケーション特徴量ごとに異なる平均パラメータである。

パラメータの値はランダムに初期化し、最尤推定などの任意の学習アルゴリズムで最適化を行う。

統計量算出・コミュニケーション特徴重み更新部２２４は、以下の（３）式に従って、統計量Ｙ_gfを算出し、統計量Ｙ_gfを統計量バッファ２２５に書き込む。

統計量算出・コミュニケーション特徴重み更新部２２４は、全てのｌ、全てのｆ、全てのｇについて、下記の（４）式に基づいて、上記の目的関数Ｌ４を最小化するように重みｗ_glfを更新する。

＜行動特徴抽出装置の作用＞
第４の実施の形態の行動特徴抽出装置４００に、業務者集団に関する業績ログ及びコミュニケーションログが入力されると、行動特徴抽出装置４００によって、コミュニケーションログバッファ２１１、業績ログバッファ２１２に格納される。そして、行動特徴抽出装置４００において、クラスタリング部４２１によって、業績ログバッファ２１２の全業務者のデータを読み込み、クラスタリングを行い、Ｍクラスに分類し、各業務者に、クラスを割り当て、行動特徴算出部２１によって、クラスの割り当て結果に応じて、各業務者の業績特徴量を求め、業績特徴量バッファ２２２に格納する。

また、行動特徴算出部２１によって、コミュニケーションログバッファ２１１から読み込んだデータから、各業務者のコミュニケーション特徴量を各々抽出し、コミュニケーション特徴量バッファ２２１に格納する。

また、行動特徴抽出装置４００は、コミュニケーション特徴重みｗ_glfの各々をランダムに初期化して、コミュニケーション特徴重みバッファ２２３に格納する。

そして、対象の業務者について、行動特徴抽出装置４００によって、図９に示す、行動特徴抽出処理ルーチンが実行される。

まず、ステップＳ４１１で、対象の業務者のコミュニケーション特徴量を、コミュニケーション特徴量バッファ２２１から読み込み、対象の業務者の業績特徴量を、業績特徴量バッファ２２２から読み込む。読み込んだ業績特徴量に基づいて、対象の業務者に割り当てられたクラスを取得する。

そして、ステップＳ４１２において、コミュニケーション特徴重みバッファ２２３から、対象の業務者に割り当てられたクラスｌのコミュニケーション特徴重みｗ_glfの各々を取得する。また、学習回数を０に初期化して、パラメータ記憶部２２６に格納する。

ステップＳ４１３では、統計量算出・コミュニケーション特徴重み更新部２２４によって、学習回数を＋１インクリメントすると共に、コミュニケーション特徴重みバッファ２２３に格納されたコミュニケーション特徴重みｗ_glf、コミュニケーション特徴量バッファ２２１に格納された各業務者のコミュニケーション特徴量ｘ_if、及び業績特徴量バッファ２２２に格納された各業務者の業績特徴量ｙ_gliに基づいて、（ｇ、ｆ）の全ての組み合わせについて、上記（３）式に従って統計量Ｙ_gfを算出し、統計量バッファ２２５を更新する。

そして、ステップＳ４１４において、統計量算出・コミュニケーション特徴重み更新部２２４によって、対象の業務者に割り当てられたクラスｌに対し、（ｇ、ｆ）の組み合わせについて、コミュニケーション特徴重みバッファ２２３に格納されたコミュニケーション特徴重みｗ_glf、コミュニケーション特徴量バッファ２２１に格納された各業務者のコミュニケーション特徴量ｘ_if、及び統計量バッファ２２５に格納された統計量Ｙ_gfに基づいて、上記（４）式に従ってコミュニケーション特徴重みｗ_glfを算出し、コミュニケーション特徴重みバッファ２２３を更新する。

ステップＳ４１５では、（ｇ、ｆ）の全ての組み合わせについて、上記ステップＳ４１４を実行したか否かを判定し、上記ステップＳ４１４を実行していない（ｇ、ｆ）の組み合わせが存在する場合には、上記ステップＳ４１４へ戻り、当該（ｇ、ｆ）の組み合わせについて、コミュニケーション特徴重みｗ_glfを更新する。一方、（ｇ、ｆ）の全ての組み合わせについて、上記ステップＳ４１４を実行した場合には、ステップＳ４１６へ移行する。

ステップＳ４１６では、反復判定部２２７によって、学習回数が、予め定められた上限回数を満了したか否かを判定する。学習回数が、予め定められた上限回数に到達していない場合には、上記ステップＳ４１３へ戻る。一方、学習回数が、予め定められた上限回数を満了した場合には、ステップＳ４１７へ移行する。

ステップＳ４１７では、コミュニケーション特徴重みバッファ２２３に格納されたコミュニケーション特徴重みｗ_glfの各々を、コミュニケーション特徴重み出力バッファ２３１に格納し、高業績者行動特徴出力部４０により出力し、行動特徴抽出処理ルーチンを終了する。

また、業務者の各々について、上記の行動特徴抽出処理ルーチンが繰り返し実行される。

このように、業績特徴量に基づいてクラスタリングを行い、クラス毎に、業績特徴量を被説明変数、複数のコミュニケーション特徴量を説明変数とする線形回帰モデルにおける、複数のコミュニケーション特徴量に対する重み係数及びコミュニケーション特徴量の組み合わせに対する重み係数を、業績特徴量と回帰モデルとが一致し、かつ、重み係数の絶対値の総和が最小となるように更新することを繰り返すことにより、クラス毎に、各業務者についての業績特徴量及び行動特徴量から、業績特徴量と相関のあるコミュニケーション特徴量や、業績特徴量と相関のあるコミュニケーション特徴量の組み合わせを抽出し、業績を改善、向上させる知見を抽出できる。

＜実施例＞
上記の第１の実施の形態に係る行動特徴抽出装置を、あるオフィスにおける対面コミュニケーションデータに当てはめた結果を以下に説明する。F1_1(i)〜F3_25(i)とは、業務者iについての25個のコミュニケーション特徴量を意味し、式ではｘ_i1〜ｘ_i25と表現する項に該当する。

まず、以下に示すコミュニケーション特徴量からなる対面コミュニケーションデータを各業務者ｉについて用意して入力とし、コミュニケーション特徴量バッファ221に格納し、高業績行動特徴重み算出部２２で処理を行う。

［F1(i)（コミュニケーションが活発な方が業績が高いと仮定）］
・F1_1(i)：iが対面した総人数
・F1_2（i）：iが対面した総回数
・F1_3(i)：iが対面した平均回数/人
・F1_4(i)：iが対面する総間隔
・F1_5(i)：iが対面する平均間隔
・F1_6(i)：iの対面継続秒
・F1_7(i)：iの平均対面継続秒
・F1_8(i)：iの対面回数
・F1_9(i)：iの対面回数の平均
・F1_10(i)：iが対面する総時間帯数
・F1_11(i)：iが対面する総時間帯数の最大/日
・F1_12(i)：iが対面する総時間帯数の平均/人
・F1_13(i)：iが対面する総日数
・F1_14(i)：iが対面する総日数の最大/人
・F1_15(i)：iが対面する総日数の平均/人
・F1_16(i)：iが対面する総人数の平均/日
・F1_17(i)：iが対面する総人数の最大/日

［F2(i)(ペア（今回は最もコミュニケーション頻度が密な人とする）とコミュニケーションが活発だと業績が高いと仮定)］
・F2_18(i)：iがペアと対面した総回数
・F2_19(i)：iがペアと対面する平均総回数/日
・F2_20(i)：iがペアと対面する平均間隔
・F2_21(i)：iがペアと対面する平均回数/日
・F2_22(i)：iがペアと対面する総時間帯数の平均/日

［F3(i)(同部署または異部署とコミュニケーションが活発な方が業績が高いと仮定)］
・F3_23(i)：iが同部署内で対面した総人数
・F3_24(i)：iが同部署内で対面した平均人数/日
・F3_25(i)：iが同部署内で対面する平均間隔

上記のF1_1(i)〜F1_17(i)は、業務者iが誰とコミュニケーションしたかを区別せずに算出するコミュニケーション特徴量であり、例えばF1_1(i)は入力されたデータの中で業務者iがコミュニケーションした総業務者数である。

また、上記のF1(i)では、時間帯を絞ってコミュニケーションをしている方が業績が高いことや、密に対面した総人数が少ない方が業績が高いことなども表現している。

任意の条件で特徴量を算出することが可能であるが、F2_18(i)〜F2_22(i)の場合はペアと呼ばれる特定の業務者とのコミュニケーションを特徴量としている。例えば、F2_18(i)は入力されたデータの中で業務者iがペアとコミュニケーションをした総回数を算出している。

条件は、誰とコミュニケーションをしたのか、いつコミュニケーションをしたのか、コミュニケーションの内容など任意に設定することが可能である。

F3_23(i)〜F3_25(i)の場合は同一オフィス内の特定の業務者とのコミュニケーションを特徴量としている。例えば、F3_23(i) は入力されたデータの中で業務者iが同一部署内のだれかとコミュニケーションをした総面会数を算出している。

また、上記のF3(i)では、異部署との対面についても、同様なコミュニケーション特徴量を定義することができる。

業績特徴量は、各部署の平均作業量からの差分とした。

処理を行った結果、以下に示すように、２５種類あったコミュニケーション特徴量の中から非０の重みをもつものは７種類のコミュニケーション特徴量となった。

［非０の重みをもつコミュニケーション特徴量］
正の影響 ：F1_1(i) ：iが対面した総人数
F1_11(i) ：iが対面する総時間帯数の最大/日
F1_12(i) ：iが対面する総時間帯数の平均/人
F2_21(i) ：iがペアと対面する平均回数/日
負の影響 ：F1_4(i) ：iが対面する総間隔
F2_20(i) ：iがペアと対面する平均間隔
F2_19(i) ：(iがペアと対面する平均総回数/日)

上記のうち、閾値δthに近い値だったF2_19(i)を除いた、６種類のコミュニケーション特徴量、F1_1(i)、F1_4(i)、F1_11(i)、F1_12(i)、F2_20(i)、F2_21(i)が選択された。

重みは正のものと負のものがあり、正の場合は特徴量の値が大きいコミュニケーション特徴量ほど高業績者が行っている特徴であること、負の場合は特徴量の値が大きいコミュニケーション特徴ほど高業績者が行わない特徴量であることを示している。

高業績者も低業績者も多く行っているコミュニケーション特徴量については、重みの更新時に正の値への更新と負の値への更新との両方が生じるため、重みは０に近づく。本実施例のように正則化を行っている場合、絶対値がδ_thより小さい重みは０になるため特徴量選択が可能になる。

また、業績特徴量の予測精度は、0.7であった。一方、ランダムでの予測精度は0.6であった。

上記の例の結果では、業務に関連する他部署の人たちと、業務時間中も積極的に対面し、コミュニケーションの総人数が多く、間隔をあまり空けずに密なコミュニケーションを取る場合が有効であることが抽出された。

本発明は、上記実施の形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

例えば、上記の実施の形態では、高業績行動特徴算出部に用いるログをコミュニケーションログとし、算出する特徴量をコミュニケーション特徴量としたが、他の行動ログを入力とし、下記に示す行動特徴量を用いる事ができる。

行動特徴量として、例えば、オフィスシステムの利用行動をログとする場合を考える。例えば、申請入力システムを用いる業務を行っている部署の高業績者行動特徴を抽出する場合には、行動特徴量としてシステムに入力した総時間、システム起動中に入力した時間の割合（システムが起動しているが入力が行われなかった時間でも可）、マニュアルを参照した回数などを利用し、高業績者の行動特徴を出力することが可能である。

また、業績特徴量の業績タイプがＮ_y個ある場合を例に説明したが、これに限定されるものではなく、業績特徴量の業績タイプが１個であってもよい。

また、上述の行動特徴抽出装置は、内部にコンピュータシステムを有しているが、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。

また、本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムを、コンピュータ読み取り可能な記録媒体に格納して提供することも可能である。

１０ コミュニケーションログ・業績ログ入力部
２０、４２０ 演算部
２１ 行動特徴算出部
２２ 高業績行動特徴算出部
４０ 高業績者行動特徴出力部
１００、４００行動特徴抽出装置
２２１ コミュニケーション特徴量バッファ
２２２ 業績特徴量バッファ
２２３ コミュニケーション特徴重みバッファ
２２４ 統計量算出・コミュニケーション特徴重み更新部
２２５ 統計量バッファ
２２６ パラメータ記憶部
２２７ 反復判定部
２３１ コミュニケーション特徴重み出力バッファ
２３２ 業績出力バッファ
４２１ クラスタリング部

Claims (5)

1. 業務者集団に含まれる各業務者についての業績特徴量及び複数の行動特徴量を記憶した記憶手段と、
   前記業務者の前記業績特徴量を被説明変数、前記業務者の前記複数の行動特徴量を説明変数とする回帰モデルにおける、前記複数の行動特徴量に対する重み係数を、前記業績特徴量と前記回帰モデルとが一致し、かつ、前記複数の行動特徴量に対する重み係数の絶対値の総和が最小となるように更新する特徴重み更新手段と、
   予め定められた反復終了条件を満たすまで、前記特徴重み更新手段による更新を繰り返すことにより、前記業績特徴量と相関のある行動特徴量を抽出する反復判定手段と、
   を含む行動特徴抽出装置。
2. 前記業務者集団に含まれる各業務者の前記業績特徴量をクラスタリングして、前記業績特徴量を複数のクラスに分類するクラスタリング手段を更に含み、
   前記記憶手段は、前記業務者についての前記業績特徴量の分類結果に応じた前記業績特徴量及び前記複数の行動特徴量を記憶し、
   前記クラス毎に、前記特徴重み更新手段による前記クラス及び前記複数の行動特徴量に対する重み係数の更新、及び前記反復判定手段による繰り返しを行い、
   前記特徴重み更新手段は、前記回帰モデルにおける、前記複数の行動特徴量及び前記クラスの組み合わせに対する重み係数を、前記業績特徴量と前記回帰モデルとが一致し、かつ、前記複数の行動特徴量及び前記クラスの組み合わせに対する重み係数の絶対値の総和が最小となるように更新する請求項１記載の行動特徴抽出装置。
3. 前記行動特徴量を、他の業務者とのコミュニケーションに関するコミュニケーション特徴量とした請求項１又は２記載の行動特徴抽出装置。
4. 業務者集団に含まれる各業務者についての業績特徴量及び複数の行動特徴量を記憶した記憶手段と、特徴重み更新手段と、反復判定手段とを含む行動特徴抽出装置における行動特徴抽出方法であって、
   前記特徴重み更新手段によって、前記業務者の前記業績特徴量を被説明変数、前記業務者の前記複数の行動特徴量を説明変数とする回帰モデルにおける、前記複数の行動特徴量に対する重み係数を、前記業績特徴量と前記回帰モデルとが一致し、かつ、前記複数の行動特徴量に対する重み係数の絶対値の総和が最小となるように更新し、
   前記反復判定手段によって、予め定められた反復終了条件を満たすまで、前記特徴重み更新手段による更新を繰り返すことにより、前記業績特徴量と相関のある行動特徴量を抽出する
   行動特徴抽出方法。
5. コンピュータを、請求項１〜請求項３の何れか１項記載の行動特徴抽出装置の各手段として機能させるためのプログラム。