JP2019164738A - Prediction device, prediction method, prediction program, generation device, generation method and generation program - Google Patents

Prediction device, prediction method, prediction program, generation device, generation method and generation program Download PDF

Info

Publication number
JP2019164738A
JP2019164738A JP2018053538A JP2018053538A JP2019164738A JP 2019164738 A JP2019164738 A JP 2019164738A JP 2018053538 A JP2018053538 A JP 2018053538A JP 2018053538 A JP2018053538 A JP 2018053538A JP 2019164738 A JP2019164738 A JP 2019164738A
Authority
JP
Japan
Prior art keywords
human resource
information
prediction
result
feature
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.)
Pending
Application number
JP2018053538A
Other languages
Japanese (ja)
Inventor
羊一 伊藤
Yoichi Ito
羊一 伊藤
禎士 遠藤
Tadashi Endo
禎士 遠藤
塚本　浩司
Koji Tsukamoto
浩司 塚本
香織 丸吉
Kaori Maruyoshi
香織 丸吉
辰郎 天野
Tatsuro Amano
辰郎 天野
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.)
Yahoo Japan Corp
Original Assignee
Yahoo Japan 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 Yahoo Japan Corp filed Critical Yahoo Japan Corp
Priority to JP2018053538A priority Critical patent/JP2019164738A/en
Publication of JP2019164738A publication Critical patent/JP2019164738A/en
Pending legal-status Critical Current

Links

Images

Landscapes

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

Abstract

To predict performance of human resources.SOLUTION: A prediction device comprises an acquisition unit and a prediction unit. The acquisition unit acquires characteristic information indicating a characteristic of a first human resource and achievement information about achievement of the first human resource, which are obtained in the process of recruiting the first human resource. The prediction unit predicts achievement of a second human resource related to the characteristic on the basis of the characteristic information and the achievement information acquired by the acquisition unit.SELECTED DRAWING: Figure 2

Description

本発明は、予測装置、予測方法及び予測プログラムに関する。   The present invention relates to a prediction device, a prediction method, and a prediction program.

従来、人的リスクを管理する技術が提案されている。例えば、離職のリスクを評価するためのシステムが提案されている。このシステムでは、従業員のストレスチェックの結果や、従業員の勤怠データ等に基づいて、従業員の離職のリスクが評価される。   Conventionally, techniques for managing human risk have been proposed. For example, a system for evaluating the risk of job separation has been proposed. In this system, the risk of employee turnover is evaluated based on the results of employee stress checks, employee attendance data, and the like.

特開２０１６−２０７１６５号公報JP, 2006-207165, A

しかしながら、上記の従来技術では、人材のパフォーマンスを予測できるとは限らない。例えば、上記の従来技術では、人材が企業に採用される前に、人材のポテンシャルに基づいて、人材が企業で活躍する可能性を予測できるとは限らない。   However, the above prior art cannot always predict the performance of human resources. For example, in the above-described conventional technology, it is not always possible to predict the possibility that a human resource will be active in a company based on the potential of the human resource before the human resource is employed by the company.

本願は、上記に鑑みてなされたものであって、人材のパフォーマンスを予測できる予測装置、予測方法及び予測プログラムを提供することを目的とする。   The present application has been made in view of the above, and an object thereof is to provide a prediction device, a prediction method, and a prediction program that can predict the performance of a human resource.

本願に係る予測装置は、第１の人材を採用する過程で得られた、当該第１の人材の特徴を示す特徴情報と、当該第１の人材の成果に関する成果情報とを取得する取得部と、前記取得部によって取得された特徴情報及び成果情報に基づいて、前記特徴に関連する第２の人材の将来の成果を予測する予測部とを備えることを特徴とする。   The prediction device according to the present application acquires characteristic information indicating characteristics of the first human resource obtained in the process of employing the first human resource, and result information regarding the results of the first human resource, And a prediction unit that predicts a future result of the second human resource related to the feature based on the feature information and the result information acquired by the acquisition unit.

実施形態の一態様によれば、人材のパフォーマンスを予測できるという効果を奏する。   According to one aspect of the embodiment, there is an effect that the performance of a human resource can be predicted.

図１は、実施形態に係る予測処理の一例を示す図である。FIG. 1 is a diagram illustrating an example of a prediction process according to the embodiment. 図２は、実施形態に係る予測装置の構成例を示す図である。FIG. 2 is a diagram illustrating a configuration example of the prediction device according to the embodiment. 図３は、実施形態に係る特徴情報記憶部の一例を示す図である。FIG. 3 is a diagram illustrating an example of the feature information storage unit according to the embodiment. 図４は、実施形態に係る成果情報記憶部の一例を示す図である。FIG. 4 is a diagram illustrating an example of the result information storage unit according to the embodiment. 図５は、実施形態に係る予測装置による予測処理手順を示すフローチャートである。FIG. 5 is a flowchart illustrating a prediction processing procedure performed by the prediction apparatus according to the embodiment. 図６は、ハードウェア構成の一例を示す図である。FIG. 6 is a diagram illustrating an example of a hardware configuration.

以下に、本願に係る予測装置、予測方法及び予測プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る予測装置、予測方法及び予測プログラムが限定されるものではない。また、各実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略する。   Hereinafter, modes for carrying out a prediction device, a prediction method, and a prediction program according to the present application (hereinafter referred to as “embodiments”) will be described in detail with reference to the drawings. In addition, the prediction apparatus, the prediction method, and the prediction program which concern on this application are not limited by this embodiment. In addition, the embodiments can be appropriately combined within a range that does not contradict processing contents. In the following embodiments, the same parts are denoted by the same reference numerals, and redundant description is omitted.

〔１．予測処理〕
まず、図１を参照して、予測システム１内の要素について説明する。図１は、実施形態に係る予測処理の一例を示す図である。図１の例では、予測システム１によって予測処理が行われる。図１に示すように、実施形態に係る予測システム１には、提供装置１０と、端末装置２０と、予測装置１００とが含まれる。図１中では図示していないが、予測システム１は、複数台の提供装置１０や、複数台の端末装置２０や、複数台の予測装置１００を含んでもよい。 [1. (Prediction process)
First, elements in the prediction system 1 will be described with reference to FIG. FIG. 1 is a diagram illustrating an example of a prediction process according to the embodiment. In the example of FIG. 1, a prediction process is performed by the prediction system 1. As illustrated in FIG. 1, the prediction system 1 according to the embodiment includes a providing device 10, a terminal device 20, and a prediction device 100. Although not illustrated in FIG. 1, the prediction system 1 may include a plurality of providing devices 10, a plurality of terminal devices 20, and a plurality of prediction devices 100.

提供装置１０は、各種情報を予測装置１００に提供するサーバ装置である。具体的には、提供装置１０は、企業が人材を採用する過程で得られた、かかる第１の人材の特徴を示す特徴情報と、人材の成果に関する成果情報とを、予測装置１００に提供する。   The providing device 10 is a server device that provides various types of information to the prediction device 100. Specifically, the providing apparatus 10 provides the prediction apparatus 100 with characteristic information indicating the characteristics of the first human resource and result information regarding the results of the human resource obtained in the process of hiring human resources by the company. .

端末装置２０は、ユーザによって利用される情報処理装置である。図１の例において、端末装置２０は、ノート型ＰＣとして示されている。ただし、端末装置２０は、デスクトップ型ＰＣ（Personal Computer）、ノート型ＰＣ、タブレット型ＰＣ、スマートフォン、ＰＤＡ（Personal Digital Assistant）を含む、任意のタイプの情報処理装置であってもよい。   The terminal device 20 is an information processing device used by a user. In the example of FIG. 1, the terminal device 20 is shown as a notebook PC. However, the terminal device 20 may be any type of information processing apparatus including a desktop PC (Personal Computer), a notebook PC, a tablet PC, a smartphone, and a PDA (Personal Digital Assistant).

予測装置１００は、各種情報を端末装置２０に提供するサーバ装置である。図１中では図示していないが、予測装置１００は、ネットワーク網（例えば、インターネット網）を介して、有線又は無線により提供装置１０および端末装置２０と通信を行う。   The prediction device 100 is a server device that provides various types of information to the terminal device 20. Although not shown in FIG. 1, the prediction device 100 communicates with the providing device 10 and the terminal device 20 via a network (for example, the Internet network) in a wired or wireless manner.

次に、図１を参照して、実施形態に係る予測処理の一例について説明する。はじめに、予測装置１００は、第１の人材を採用する過程で得られた、かかる第１の人材の特徴を示す特徴情報と、かかる第１の人材の成果に関する成果情報とを取得する（ステップＳ１１）。一例として、特徴情報は、企業が第１の人材を採用する過程で得られる場合がある。図１の例では、予測装置１００は、企業が１０００人の第１の人材を採用する過程で得られた、１０００人の第１の人材の特徴を示す特徴情報ＦＩ１と、かかる企業における１０００人の第１の人材の活躍に関する活躍情報を含む成果情報ＰＩ１とを、提供装置１０から取得する。１０００人の第１の人材は、図１には「人材ＨＲ１」から「人材ＨＲ１０００」までの複数の人材として示されている。人材ＩＤは、人材を識別するための識別子を示す。   Next, an example of a prediction process according to the embodiment will be described with reference to FIG. First, the prediction device 100 acquires characteristic information indicating characteristics of the first human resource and result information regarding the results of the first human resource obtained in the process of employing the first human resource (step S11). ). As an example, the characteristic information may be obtained in the process of hiring a first human resource by a company. In the example of FIG. 1, the prediction device 100 includes characteristic information FI1 indicating the characteristics of 1000 first human resources obtained by the company in the process of employing 1000 first human resources, and 1000 people in such companies. The result information PI1 including the activity information on the activity of the first human resource is acquired from the providing device 10. 1000 first human resources are shown in FIG. 1 as a plurality of human resources from “human resource HR1” to “human resource HR1000”. The personnel ID indicates an identifier for identifying the personnel.

特徴情報は、人材の経歴に関する情報、人材の面接に関する情報および人材の適性検査に関する情報を含む。人材の経歴に関する情報は、例えば、人材のレジュメのデータおよび人材が利用するソーシャル・ネットワーキング・サービスのデータを含む。人材の面接に関する情報は、例えば、人間の面接官による人材の評価および人工知能の面接官による人材の評価を含む。人材の適性検査に関する情報は、例えば、人材の性格検査の結果および人材の能力検査の結果を含む。   The characteristic information includes information on the career of the personnel, information on the interview of the personnel, and information on the aptitude test of the personnel. Information about the career of the personnel includes, for example, data on the resume of the personnel and data on social networking services used by the personnel. The information related to the interview of the human resources includes, for example, an evaluation of the human resource by a human interviewer and an evaluation of the human resource by an artificial intelligence interviewer. The information related to the aptitude test of the human resource includes, for example, the result of the personality test of the human resource and the result of the human capacity test.

成果情報は、企業における人材の活躍に関する活躍情報を含む。例えば、活躍情報は、企業における人材に対する評価を示す。一例では、人材に対する評価は、評価者（例えば、上司、同僚）による評価である。評価者による評価は、例えば、段階的評価（例えば、５段階、またはＳ・Ａ・Ｂ・Ｃ・Ｄ等）である。   The result information includes activity information on the activity of human resources in the company. For example, the activity information indicates an evaluation of human resources in the company. In one example, the evaluation of the human resource is an evaluation by an evaluator (eg, a boss or a colleague). The evaluation by the evaluator is, for example, a gradual evaluation (for example, five levels, or S, A, B, C, D, etc.).

図１の例では、特徴情報ＦＩ１は、適性検査に関する情報を含む。この例では、適性検査に関する情報には、「ストレス耐性」と「言語能力」とが含まれる。ストレス耐性の高さは、ストレス耐性のスコア（この例では、１から５）に比例する。同様に、言語能力の高さは、言語能力のスコア（この例では、１から５）に比例する。   In the example of FIG. 1, the feature information FI1 includes information related to the aptitude test. In this example, the information on the aptitude test includes “stress tolerance” and “language ability”. The level of stress tolerance is proportional to the stress tolerance score (1 to 5 in this example). Similarly, the level of language ability is proportional to the language ability score (1 to 5 in this example).

図１の例では、成果情報ＰＩ１は、成果情報を含む。この例では、成果情報には、「上司による評価」が含まれる。上司による評価の高さは、上司による評価のスコア（この例では、１から５）に比例する。   In the example of FIG. 1, the result information PI1 includes result information. In this example, the result information includes “evaluation by boss”. The height of evaluation by the boss is proportional to the score of evaluation by the boss (in this example, 1 to 5).

次いで、予測装置１００は、取得された特徴情報および成果情報に基づいて、第１の人材の特徴に関連する第２の人材の将来の成果を予測する（ステップＳ１２）。例えば、予測装置１００は、特徴情報および成果情報に基づいて、将来の成果を予測する予測モデルを生成する。より具体的には、予測装置１００は、第１の人材の経歴に関する情報、第１の人材の面接に関する情報および第１の人材の適性検査に関する情報のうち少なくとも１つを含む特徴情報と、成果情報とに基づいて、予測モデルを生成する。   Next, the prediction device 100 predicts the future outcome of the second human resource related to the characteristics of the first human resource based on the acquired feature information and result information (step S12). For example, the prediction device 100 generates a prediction model for predicting future results based on the feature information and the result information. More specifically, the prediction apparatus 100 includes feature information including at least one of information related to the career of the first human resource, information related to the interview of the first human resource, and information related to the aptitude test of the first human resource, and results. A prediction model is generated based on the information.

一例では、予測装置１００は、特徴情報と、企業における第１の人材の活躍に関する活躍情報を含む成果情報とに基づいて、第２の人材が企業で活躍する可能性を予測する予測モデルを生成する。例えば、予測装置１００は、特徴情報と、企業における第１の人材に対する評価を示す活躍情報を含む成果情報とに基づいて、企業における第２の人材に対する評価を予測する予測モデルを生成する。   In one example, the prediction device 100 generates a prediction model that predicts the possibility that the second human resource will be active in the company based on the feature information and the result information including the activity information related to the activity of the first human resource in the company. To do. For example, the prediction device 100 generates a prediction model that predicts the evaluation of the second human resource in the company based on the feature information and the result information including the activity information indicating the evaluation of the first human resource in the company.

図１の例では、予測装置１００は、特徴情報ＦＩ１および成果情報ＰＩ１を訓練データとして用いて、企業における第２の人材に対する評価を予測する予測モデルＰＭ１を生成する。予測モデルＰＭ１は、例えば、回帰モデルである。例えば、予測モデルＰＭ１は、線形回帰によりモデル化され得る。線形回帰モデルは、例えば、次式で与えられる。   In the example of FIG. 1, the prediction device 100 generates a prediction model PM1 that predicts an evaluation for a second human resource in a company using the feature information FI1 and the result information PI1 as training data. The prediction model PM1 is, for example, a regression model. For example, the prediction model PM1 can be modeled by linear regression. The linear regression model is given by the following equation, for example.

Figure 2019164738
Figure 2019164738

ここで、ｘｉは説明変数であり、ωｉは、回帰係数である。また、Ｎは、線形回帰モデルｙ（ｘ；ω）のハイパーパラメータを表す。 Here, x i is an explanatory variable, and ω i is a regression coefficient. N represents a hyperparameter of the linear regression model y (x; ω).

図１の例では、Ｎは、「２」である。図１の例では、ｘ１の値、ｘ２の値は、それぞれ「ストレス耐性のスコア」、「言語能力のスコア」を表す。図１の例では、ｙ（ｘ；ω）の値は、「総合評価」を表す。図１の例では、訓練データの入力は、「ストレス耐性のスコア」および「言語能力のスコア」である。図１の例での訓練データの出力（すなわち、目標変数の推定量）は、「上司による評価のスコア」である。 In the example of FIG. 1, N is “2”. In the example of FIG. 1, the value of x 1 and the value of x 2 represent a “stress tolerance score” and a “language ability score”, respectively. In the example of FIG. 1, the value of y (x; ω) represents “overall evaluation”. In the example of FIG. 1, input of training data is “stress tolerance score” and “language ability score”. The output of training data in the example of FIG. 1 (that is, the estimated amount of the target variable) is the “evaluation score by the boss”.

例えば、予測装置１００は、特徴情報ＦＩ１および成果情報ＰＩ１を訓練データとして用いて、線形回帰モデルｙ（ｘ；ω）を訓練する。予測装置１００は、最小二乗法や正規方程式等を利用して線形回帰モデルｙ（ｘ；ω）を訓練することにより、予測モデルＰＭ１を生成することができる。   For example, the prediction apparatus 100 trains the linear regression model y (x; ω) using the feature information FI1 and the result information PI1 as training data. The prediction apparatus 100 can generate the prediction model PM1 by training the linear regression model y (x; ω) using a least square method, a normal equation, or the like.

次いで、予測装置１００は、第２の人材の特徴を示す特徴情報を、端末装置２０から受信する（ステップＳ１３）。図１の例では、予測装置１００は、第２の人材の特徴を示す特徴情報ＦＩ２を、企業の採用担当者によって利用される端末装置２０から受信する。第２の人材は、図１には「人材ＨＲＳ１」として示されている。   Next, the prediction device 100 receives feature information indicating the feature of the second human resource from the terminal device 20 (step S13). In the example of FIG. 1, the prediction device 100 receives feature information FI <b> 2 indicating the feature of the second human resource from the terminal device 20 used by a company recruiter. The second human resource is shown in FIG. 1 as “Human Resource HRS1”.

次いで、予測装置１００は、生成された予測モデルに第２の人材の特徴を入力することで、第２の人材の予測された成果を出力する（ステップＳ１４）。例えば、予測装置１００は、第２の人材の特徴を示す特徴情報に基づいて、第２の人材の特徴のうちの第１の人材の特徴と同種の特徴を特定する。そして、予測装置１００は、特定された同種の特徴を表す特徴量を生成された予測モデルに入力することで、第２の人材の予測された成果を出力する。   Next, the prediction device 100 outputs the predicted result of the second human resource by inputting the characteristics of the second human resource to the generated prediction model (step S14). For example, the prediction apparatus 100 identifies a feature of the same type as the feature of the first human resource among the features of the second human resource based on the feature information indicating the feature of the second human resource. And the prediction apparatus 100 outputs the predicted result of the 2nd human resource by inputting the feature-value showing the specified same kind of characteristic into the produced | generated prediction model.

図１の例では、第２の人材の特徴を示す特徴情報ＦＩ２には、「ストレス耐性のスコア」および「言語能力のスコア」が含まれる。この例では、予測装置１００は、人材ＨＲ１００１のストレス耐性のスコアおよび言語能力のスコアを、生成された予測モデルＰＭ１の説明変数ｘ１およびｘ２にそれぞれ入力することで、人材ＨＲＳ１の予測された上司による評価のスコアを、予測スコアＰＳ１として出力する。 In the example of FIG. 1, the feature information FI2 indicating the feature of the second human resource includes a “stress tolerance score” and a “language ability score”. In this example, the prediction unit 100, the score of the score and language ability of stress tolerance personnel HR1001, by inputting each explanatory variable x 1 and x 2 of the generated prediction model PM1, predicted personnel HRS1 The score of the evaluation by the boss is output as the predicted score PS1.

次いで、予測装置１００は、第２の人材の予測された成果を、端末装置２０に提供する（ステップＳ１５）。図１の例では、予測装置１００は、企業の採用担当者によって利用される端末装置２０に、第２の人材の予測された上司による評価のスコアとして、出力された予測スコアＰＳ１を提供する。   Next, the prediction device 100 provides the predicted result of the second human resource to the terminal device 20 (step S15). In the example of FIG. 1, the prediction device 100 provides the output prediction score PS <b> 1 as the evaluation score by the predicted supervisor of the second human resource to the terminal device 20 used by the recruiter of the company.

上記のように、実施形態に係る予測装置１００は、第１の人材を採用する過程で得られた、かかる第１の人材の特徴を示す特徴情報と、かかる第１の人材の成果に関する成果情報とを取得する。そして、予測装置１００は、取得された特徴情報および成果情報に基づいて、第１の人材の特徴に関連する第２の人材の将来の成果を予測する。このため、実施形態に係る予測装置１００は、人材が企業に入社する前に、人材のパフォーマンスを予測することができる。この結果、予測装置１００は、企業の人事担当者が、企業における成果事例に基づいて、採用する人材を決定することを可能にする。   As described above, the prediction device 100 according to the embodiment obtains characteristic information indicating the characteristics of the first human resource and result information regarding the results of the first human resource obtained in the process of employing the first human resource. And get. And the prediction apparatus 100 estimates the future result of the 2nd human resource related to the characteristic of the 1st human resource based on the acquired feature information and result information. For this reason, the prediction apparatus 100 according to the embodiment can predict the performance of a human resource before the human resource joins the company. As a result, the prediction apparatus 100 allows a company personnel manager to determine a human resource to be employed based on a result case in the company.

例えば、予測装置１００は、人材が企業で活躍する可能性の定量的データを、企業の人事担当者に人材の活躍指数として提供する。この場合、企業の人事担当者は、人材の活躍指数を用いて、面接の優先度や面接の予定日を決定することができる。   For example, the prediction device 100 provides quantitative data on the possibility that a human resource is active in a company as a human resource activity index to a personnel affairs person in the company. In this case, the personnel manager of the company can determine the priority of the interview and the scheduled date of the interview using the activity index of the human resources.

ところで、採用面接に関する問題の１つとして、足切りの条件の設定が挙げられる。企業は、人材の採用時に、大量の人材のデータを取得することがある。企業は、採用プロセスを迅速化させるべく、人材の採用条件に、足切りの条件を含める場合がある。足切りの条件は、例えば、留年の年数である。実施形態に係る予測装置１００は、人材の全体としての特徴を評価することができる。例えば、ある人材が、大学で３年間留年したと仮定する。さらに、この人材は、プログラミングの勉強のために、海外の大学に２年間留学していたと仮定する。足切りの条件が「留年の年数が３年以上」である場合に、この人材は、面接に呼ばれない可能性がある。予測装置１００は、人事担当者が、人材が有する特徴を全体として考慮することを可能にする。したがって、採用担当者は、従来、埋もれていた候補者を発見して面接に呼ぶことができる。以下、このような予測処理を実現する予測装置１００について詳細に説明する。   By the way, as one of the problems related to the employment interview, there is a setting of a cut-off condition. A company sometimes acquires a large amount of human resource data when recruiting human resources. In order to speed up the recruitment process, companies may include a cut-off condition in the recruitment conditions for human resources. The cut-off condition is, for example, the number of years of retirement. The prediction device 100 according to the embodiment can evaluate the characteristics of human resources as a whole. For example, suppose that a human resource stays at university for 3 years. Assume further that this person has been studying abroad for two years to study programming. If the cut-off condition is “the number of years of detention is 3 years or more”, this person may not be called for the interview. The prediction device 100 allows a personnel officer to consider the characteristics of human resources as a whole. Therefore, the recruiter can find a candidate who has been buried in the past and call it for an interview. Hereinafter, the prediction apparatus 100 that realizes such a prediction process will be described in detail.

〔２．決定装置の構成〕
次に、図２を参照して、実施形態に係る予測装置１００の構成例について説明する。図２は、実施形態に係る予測装置１００の構成例を示す図である。図２に示すように、予測装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、予測装置１００は、予測装置１００を利用する管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（液晶ディスプレイ等）を有してもよい。 [2. Configuration of decision device]
Next, a configuration example of the prediction apparatus 100 according to the embodiment will be described with reference to FIG. FIG. 2 is a diagram illustrating a configuration example of the prediction device 100 according to the embodiment. As illustrated in FIG. 2, the prediction device 100 includes a communication unit 110, a storage unit 120, and a control unit 130. The prediction device 100 includes an input unit (for example, a keyboard and a mouse) that receives various operations from an administrator who uses the prediction device 100, and a display unit (a liquid crystal display or the like) for displaying various information. May be.

（通信部１１０）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。通信部１１０は、ネットワーク網と有線又は無線により接続され、ネットワーク網を介して、提供装置１０および端末装置２０との間で情報の送受信を行う。 (Communication unit 110)
The communication unit 110 is realized by, for example, a NIC (Network Interface Card). The communication unit 110 is connected to a network network by wire or wireless, and transmits and receives information between the providing device 10 and the terminal device 20 via the network network.

（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。図２に示すように、記憶部１２０は、特徴情報記憶部１２１と、成果情報記憶部１２２とを有する。 (Storage unit 120)
The storage unit 120 is realized by, for example, a semiconductor memory device such as a RAM (Random Access Memory) or a flash memory, or a storage device such as a hard disk or an optical disk. As illustrated in FIG. 2, the storage unit 120 includes a feature information storage unit 121 and a result information storage unit 122.

（特徴情報記憶部１２１）
図３は、実施形態に係る特徴情報記憶部の一例を示す図である。特徴情報記憶部１２１は、人材の特徴情報を記憶する。例えば、特徴情報記憶部１２１は、受信部１３１によって受信された人材の特徴情報を記憶する。図３の例では、特徴情報記憶部１２１には、「特徴情報」が「人材ＩＤ」ごとに記憶される。例示として、「特徴情報」には、項目「経歴に関する情報」、「面接に関する情報」および「適性検査に関する情報」が含まれる。 (Feature information storage unit 121)
FIG. 3 is a diagram illustrating an example of the feature information storage unit according to the embodiment. The feature information storage unit 121 stores feature information of human resources. For example, the feature information storage unit 121 stores the feature information of human resources received by the receiving unit 131. In the example of FIG. 3, the feature information storage unit 121 stores “feature information” for each “human resource ID”. As an example, the “characteristic information” includes items “information about background”, “information about interview”, and “information about aptitude test”.

「人材ＩＤ」は、人材を識別するための識別子を示す。「経歴に関する情報」は、人材の経歴に関する情報（例えば、レジュメのデータ）を示す。経歴に関する情報は、「留年の年数」、「留学の年数」のような、様々なカテゴリに分類される。経歴に関する情報は、例えば、学歴、保有資格（公的、私的問わず）、学業上の取り組みや成果、人材がこれまでに携わったプロジェクトやその成果、論文発表などを含む研究の実績、入賞実績、ソフトウェアの開発実績、開発したソフトウェア（スマートフォンアプリなど）のダウンロード実績、技術書などの執筆実績、メディア出演実績、起業経験等を含む。「面接に関する情報」は、人材の面接に関する情報（例えば、面接による評価のデータ）を示す。面接に関する情報は、「１次面接の評価」、「２次面接の評価」のような、様々なカテゴリに分類される。例えば、１次面接の評価の高さは、１次面接の評価のスコアに比例する。適性検査に関する情報は、人材の適性検査に関する情報（例えば、検査結果のデータ）を示す。人材の適性検査に関する情報は、「ストレス耐性」、「言語能力」のような、様々なカテゴリに分類される。例えば、ストレス耐性の高さは、ストレス耐性のスコアに比例する。   “Human resource ID” indicates an identifier for identifying a human resource. “Information related to career” indicates information related to the career of a human resource (eg, resume data). Information on careers is classified into various categories such as “years of study abroad” and “years of study abroad”. Information on careers includes, for example, educational background, qualifications (whether public or private), academic efforts and results, projects and results of human resources that have been involved, achievements of research, paper presentations, prizes, etc. Includes achievements, software development results, downloads of developed software (smartphone apps, etc.), technical writings, media appearances, start-ups, etc. “Information related to interview” indicates information related to interviews of human resources (for example, evaluation data by interview). Information related to the interview is classified into various categories such as “evaluation of primary interview” and “evaluation of secondary interview”. For example, the height of the primary interview evaluation is proportional to the score of the primary interview evaluation. The information related to the aptitude test indicates information related to the aptitude test of human resources (for example, data of the test result). Information relating to the aptitude test of human resources is classified into various categories such as “stress tolerance” and “language ability”. For example, the level of stress tolerance is proportional to the stress tolerance score.

例えば、図３は、人材ＩＤ「ＨＲ１」で識別される人材が、「１年」留年し、「０」年留学したことを示している。図３はさらに、人材ＩＤ「ＨＲ１」で識別される人材の１次面接の評価および２次面接の評価が、それぞれ「３」および「３」であることを示している（例えば、５段階評価でそれぞれ「３」および「３」）。さらに、図３は、人材ＩＤ「ＨＲ１」で識別される人材のストレス耐性のスコアおよび言語能力のスコアが、それぞれ「２」および「５」であることを示している（例えば、５段階評価でそれぞれ「２」および「５」）。   For example, FIG. 3 shows that the human resource identified by the human resource ID “HR1” has studied for “1 year” and has studied for “0” year. FIG. 3 further shows that the evaluation of the primary interview and the evaluation of the secondary interview of the human resource identified by the human resource ID “HR1” are “3” and “3”, respectively (for example, a five-level evaluation). "3" and "3" respectively). Further, FIG. 3 shows that the stress tolerance score and the language ability score of the personnel identified by the personnel ID “HR1” are “2” and “5”, respectively (for example, in a five-level evaluation). "2" and "5" respectively).

（成果情報記憶部１２２）
図４は、実施形態に係る成果情報記憶部の一例を示す図である。成果情報記憶部１２２は、人材の成果情報を記憶する。例えば、成果情報記憶部１２２は、受信部１３１によって受信された人材の成果情報を記憶する。図４の例では、成果情報記憶部１２２には、「成果情報」が「人材ＩＤ」ごとに記憶される。例示として、「検索履歴情報」には、項目「活躍情報」および「退職情報」が含まれる。 (Result information storage unit 122)
FIG. 4 is a diagram illustrating an example of the result information storage unit according to the embodiment. The result information storage unit 122 stores result information of human resources. For example, the result information storage unit 122 stores the result information of the human resources received by the receiving unit 131. In the example of FIG. 4, “result information” is stored in the result information storage unit 122 for each “human resource ID”. For example, the “search history information” includes items “activity information” and “retirement information”.

「活躍情報」は、企業における人材の活躍に関する情報（例えば、仕事に対する評価を示すデータ）を示す。活躍情報は、「上司による評価」、「同僚による評価」のような、様々なカテゴリに分類される。例えば、上司による評価の高さは、上司による評価のスコアに比例する。「退職情報」は、企業における人材の退職に関する情報を示す。一例では、退職情報は、人材が退職するまでの期間を示すデータである。   “Activity information” indicates information related to the activity of human resources in a company (for example, data indicating evaluation of work). The activity information is classified into various categories such as “evaluation by a boss” and “evaluation by a colleague”. For example, the height of the evaluation by the boss is proportional to the evaluation score by the boss. “Retirement information” indicates information related to the retirement of human resources in a company. In one example, the retirement information is data indicating a period until a human resource retires.

例えば、図４は、人材ＩＤ「ＨＲ１」で識別される人材の上司による評価および同僚による評価が、それぞれ「５」および「４」であることを示している（例えば、５段階評価でそれぞれ「５」および「４」）。   For example, FIG. 4 shows that the evaluation by the superior of the human resource identified by the human resource ID “HR1” and the evaluation by the colleague are “5” and “4”, respectively (for example, “ 5 "and" 4 ").

（制御部１３０）
図２に戻ると、制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）等のプロセッサによって、予測装置１００内部の記憶装置に記憶されている各種プログラムがＲＡＭ等を作業領域として実行されることにより実現される。また、制御部１３０は、コントローラ（controller）であり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現されてもよい。 (Control unit 130)
Returning to FIG. 2, the control unit 130 is a controller and is stored in a storage device inside the prediction device 100 by a processor such as a CPU (Central Processing Unit) or an MPU (Micro Processing Unit). Various programs are implemented by executing the RAM or the like as a work area. The control unit 130 is a controller, and may be realized by an integrated circuit such as an application specific integrated circuit (ASIC) or a field programmable gate array (FPGA).

制御部１３０は、図２に示すように、受信部１３１と、取得部１３２と、予測部１４０とを有し、以下に説明する情報処理の機能や作用を実現又は実行する。なお、制御部１３０の内部構成は、図２に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。   As illustrated in FIG. 2, the control unit 130 includes a reception unit 131, an acquisition unit 132, and a prediction unit 140, and realizes or executes functions and operations of information processing described below. The internal configuration of the control unit 130 is not limited to the configuration illustrated in FIG. 2, and may be another configuration as long as the information processing described later is performed.

（受信部１３１）
受信部１３１は、第１の人材を採用する過程で得られた、かかる第１の人材の特徴を示す特徴情報と、かかる第１の人材の成果に関する成果情報とを、提供装置１０から受信する。一例として、特徴情報は、企業が第１の人材を採用する過程で得られる場合がある。また、受信部１３１は、第２の人材の特徴を示す特徴情報を、端末装置２０から受信する。 (Receiver 131)
The receiving unit 131 receives, from the providing apparatus 10, characteristic information indicating characteristics of the first human resource obtained in the process of employing the first human resource and result information regarding the result of the first human resource. . As an example, the characteristic information may be obtained in the process of hiring a first human resource by a company. In addition, the receiving unit 131 receives feature information indicating the feature of the second human resource from the terminal device 20.

受信部１３１は、受信された特徴情報を、特徴情報記憶部１２１に格納してもよい。また、受信部１３１は、受信された成果情報を、成果情報記憶部１２２に格納してもよい。   The receiving unit 131 may store the received feature information in the feature information storage unit 121. The receiving unit 131 may store the received result information in the result information storage unit 122.

（取得部１３２）
取得部１３２は、第１の人材を採用する過程で得られた、かかる第１の人材の特徴を示す特徴情報と、かかる第１の人材の成果に関する成果情報とを取得する。例えば、取得部１３２は、受信部１３１によって受信された特徴情報および成果情報を取得する。取得部１３２は、特徴情報記憶部１２１から特徴情報を取得してもよい。また、取得部１３２は、成果情報記憶部１２２から成果情報を取得してもよい。 (Acquisition part 132)
The acquisition unit 132 acquires characteristic information indicating characteristics of the first human resource and result information regarding the results of the first human resource obtained in the process of employing the first human resource. For example, the acquisition unit 132 acquires feature information and result information received by the reception unit 131. The acquisition unit 132 may acquire feature information from the feature information storage unit 121. The acquisition unit 132 may acquire the result information from the result information storage unit 122.

（予測部１４０）
予測１４０は、取得部１３２によって取得された特徴情報および成果情報に基づいて、第１の人材の特徴に関連する第２の人材の将来の成果を予測する。予測１４０は、図２に示すように、生成部１４１と、出力部１４２と、提供部１４３とを有する。 (Prediction unit 140)
The prediction 140 predicts the future outcome of the second human resource related to the characteristics of the first human resource based on the feature information and the result information acquired by the acquisition unit 132. As illustrated in FIG. 2, the prediction 140 includes a generation unit 141, an output unit 142, and a provision unit 143.

（生成部１４１）
生成部１４１は、特徴情報および成果情報に基づいて、将来の成果を予測する予測モデルを生成する。より具体的には、生成部１４１は、第１の人材の経歴に関する情報、第１の人材の面接に関する情報および第１の人材の適性検査に関する情報のうち少なくとも１つを含む特徴情報と、成果情報とに基づいて、予測モデルを生成する。 (Generator 141)
The generation unit 141 generates a prediction model for predicting future results based on the feature information and the result information. More specifically, the generation unit 141 includes feature information including at least one of information on the history of the first human resource, information on the interview of the first human resource, and information on the aptitude test of the first human resource, and the result A prediction model is generated based on the information.

一例では、生成部１４１は、特徴情報と、企業における第１の人材の活躍に関する活躍情報を含む成果情報とに基づいて、第２の人材が企業で活躍する可能性を予測する予測モデルを生成する。例えば、生成部１４１は、特徴情報と、企業における第１の人材に対する評価を示す活躍情報を含む成果情報とに基づいて、企業における第２の人材に対する評価を予測する予測モデルを生成する。   In one example, the generation unit 141 generates a prediction model that predicts the possibility that the second human resource will be active in the company based on the feature information and the result information including the activity information related to the activity of the first human resource in the company. To do. For example, the generation unit 141 generates a prediction model that predicts the evaluation of the second human resource in the company based on the feature information and the result information including the activity information indicating the evaluation of the first human resource in the company.

例えば、生成部１４１は、特徴情報および成果情報を訓練データとして用いて、企業における第２の人材に対する評価を予測する予測モデルを生成する。予測モデルは、例えば、回帰モデルである。例えば、予測モデルは、線形回帰によりモデル化される。予測モデルは、ロジスティック回帰、ソフトマックス回帰等によりモデル化されてもよい。予測モデルは、リッジ回帰（Ridge Regression）、ＬＡＳＳＳＯ（Least Absolute Shrinkage and Selection Operator）回帰等により正則化されてもよい。   For example, the generation unit 141 uses the feature information and the result information as training data to generate a prediction model that predicts the evaluation for the second human resource in the company. The prediction model is, for example, a regression model. For example, the prediction model is modeled by linear regression. The prediction model may be modeled by logistic regression, softmax regression, or the like. The prediction model may be regularized by Ridge Regression, LASSO (Least Absolute Shrinkage and Selection Operator) regression, or the like.

（出力部１４２）
出力部１４２は、生成部１４１によって生成された予測モデルに第２の人材の特徴を入力することで、第２の人材の予測された成果を出力する。例えば、出力部１４２は、第２の人材の特徴を示す特徴情報に基づいて、第２の人材の特徴のうちの第１の人材の特徴と同種の特徴を特定する。そして、出力部１４２は、特定された同種の特徴を表す特徴量を生成された予測モデルに入力することで、第２の人材の予測された成果を出力する。 (Output unit 142)
The output unit 142 outputs the predicted result of the second human resource by inputting the characteristics of the second human resource to the prediction model generated by the generating unit 141. For example, the output unit 142 identifies a feature of the same type as that of the first human resource among the features of the second human resource based on the feature information indicating the feature of the second human resource. Then, the output unit 142 outputs a predicted result of the second human resource by inputting a feature amount representing the specified same type of feature to the generated prediction model.

（提供部１４３）
提供部１４３は、第２の人材の予測された成果を、端末装置２０に提供する。提供部１４３は、第２の人材の予測された成果を提示するためのユーザインタフェースを、端末装置２０に提供してもよい。 (Providing unit 143)
The providing unit 143 provides the terminal device 20 with the predicted result of the second human resource. The providing unit 143 may provide the terminal device 20 with a user interface for presenting the predicted outcome of the second human resource.

〔３．予測処理のフロー〕
次に、実施形態に係る予測装置１００による予測処理の手順について説明する。図５は、実施形態に係る予測装置１００による予測処理手順を示すフローチャートである。 [3. (Prediction process flow)
Next, the procedure of the prediction process by the prediction apparatus 100 according to the embodiment will be described. FIG. 5 is a flowchart illustrating a prediction processing procedure performed by the prediction apparatus 100 according to the embodiment.

図５に示すように、はじめに、予測装置１００は、第１の人材を採用する過程で得られた、第１の人材の特徴を示す特徴情報と、第１の人材の成果に関する成果情報とを取得する（ステップＳ１０１）。次いで、予測装置１００は、取得された特徴情報および成果情報に基づいて、第１の人材の特徴に関連する第２の人材の将来の成果を予測する（ステップＳ１０２）。   As shown in FIG. 5, first, the prediction device 100 obtains characteristic information indicating the characteristics of the first human resource and result information regarding the results of the first human resource obtained in the process of employing the first human resource. Obtain (step S101). Next, the prediction device 100 predicts the future outcome of the second human resource related to the characteristics of the first human resource based on the acquired feature information and result information (step S102).

次いで、予測装置１００は、第２の人材の特徴を示す特徴情報を、端末装置２０から受信する（ステップＳ１０３）。次いで、予測装置１００は、生成された予測モデルに第２の人材の特徴を入力することで、第２の人材の予測された成果を出力する（ステップＳ１０４）。次いで、予測装置１００は、第２の人材の予測された成果を、端末装置２０に提供する（ステップＳ１０５）。   Next, the prediction device 100 receives feature information indicating the feature of the second human resource from the terminal device 20 (step S103). Next, the prediction apparatus 100 outputs the predicted result of the second human resource by inputting the characteristics of the second human resource to the generated prediction model (step S104). Next, the prediction device 100 provides the predicted result of the second human resource to the terminal device 20 (step S105).

〔４．変形例〕
上述の実施形態に係る予測装置１００は、上記の実施形態以外にも、種々の異なる形態で実施されてよい。そこで、以下では、上記の予測装置１００の他の実施形態について説明する。 [4. (Modification)
The prediction device 100 according to the above-described embodiment may be implemented in various different forms other than the above-described embodiment. Therefore, in the following, another embodiment of the prediction device 100 will be described.

〔４−１．退職する可能性を予測する予測モデルの生成〕
上記実施形態では、生成部１４１は、特徴情報および成果情報に基づいて、第２の人材が企業で活躍する可能性を予測する予測モデルを生成しているが、これに限定されるものではない。生成部１４１は、特徴情報と、企業における第１の人材の退職に関する退職情報を含む成果情報に基づいて、第２の人材が前記企業を退職するリスクを予測する予測モデルを生成してもよい。企業における第１の人材の退職に関する退職情報は、例えば、第１の人材の退職理由に関する情報を含む。第１の人材の退職理由は、例えば、起業による退職、病気による退職、一身上の都合による退職を含む。 [4-1. (Prediction model generation to predict the possibility of retirement)
In the above embodiment, the generation unit 141 generates a prediction model that predicts the possibility that the second human resource will play an active role in the company based on the feature information and the result information. However, the present invention is not limited to this. . The generation unit 141 may generate a prediction model for predicting a risk that the second person will retire from the company based on the characteristic information and the result information including the retirement information regarding the retirement of the first person in the company. . The retirement information regarding the retirement of the first human resource in the company includes, for example, information regarding the reason for retirement of the first human resource. The reason for retirement of the first human resource includes, for example, retirement due to entrepreneurship, retirement due to illness, or retirement due to personal reasons.

〔４−２．部署ごとの予測モデルの生成〕
生成部１４１は、特徴情報と、部署ごとの成果情報とに基づいて、第２の人材が企業のかかる部署で活躍する可能性を予測する予測モデルを生成してもよい。 [4-2. (Prediction model generation for each department)
The generation unit 141 may generate a prediction model that predicts the possibility that the second human resource will play an active role in the department of the company based on the feature information and the result information for each department.

例えば、生成部１４１は、営業部に所属する人材の特徴情報と、営業部に所属する人材の成果に関する成果情報とに基づいて、第２の人材が企業の営業部で活躍する可能性を予測する予測モデルを生成する。同様に、生成部１４１は、技術部に所属する人材の特徴情報と、技術部に所属する人材の成果に関する成果情報とに基づいて、第２の人材が企業の技術部で活躍する可能性を予測する予測モデルを生成する。したがって、予測装置１００は、第２の人材の活躍の場を、企業内の部署ごとに特定することができる。   For example, the generation unit 141 predicts the possibility that the second human resource will play an active role in the sales department of the company based on the feature information of the human resource belonging to the sales department and the result information on the results of the human resources belonging to the sales department. A prediction model is generated. Similarly, the generation unit 141 determines the possibility that the second human resource is active in the technical department of the company based on the feature information of the human resources belonging to the technical department and the result information on the results of the human resources belonging to the technical department. Generate a prediction model to predict. Therefore, the prediction apparatus 100 can specify the place of activity of the second human resource for each department in the company.

〔４−３．上司ごとの予測モデルの生成〕
生成部１４１は、特徴情報と、上司ごとの成果情報とに基づいて、第２の人材がかかる上司の下で活躍する可能性を予測する予測モデルを生成してもよい。 [4-3. (Prediction model generation for each boss)
The generation unit 141 may generate a prediction model that predicts the possibility that the second human resource will play an active role under the superior based on the feature information and the result information for each superior.

例えば、生成部１４１は、体育会系の上司Ｂ１の下で働いている人材の特徴情報および成果情報に基づいて、第２の人材が体育会系の上司Ｂ１の下で活躍する可能性を予測する予測モデルを生成する。同様に、生成部１４１は、文化系の上司Ｂ２の下で働いている人材の特徴情報および成果情報に基づいて、第２の人材が文化系の上司Ｂ２の下で活躍する可能性を予測する予測モデルを生成する。したがって、予測装置１００は、第２の人材と上司との相性を判定することができる。   For example, the generation unit 141 predicts the possibility that the second human resource will be active under the boss B1 of the athletic group based on the feature information and the result information of the human resource who is working under the boss B1 of the athletic group. A prediction model is generated. Similarly, the generation unit 141 predicts the possibility that the second human resource will play an active role under the cultural boss B2 based on the feature information and result information of the human resource working under the cultural boss B2. Generate a predictive model. Therefore, the prediction device 100 can determine the compatibility between the second human resource and the boss.

〔４−４．複数の時期ごとの予測モデルの生成〕
生成部１４１は、特徴情報と、所定の期間のうちの複数の時期の各々の成果情報とに基づいて、第２の人材が複数の時期の各々に活躍する可能性を予測する予測モデルを生成してもよい。 [4-4. (Generation of forecast models for multiple periods)
The generation unit 141 generates a prediction model that predicts the possibility that the second human resource is active in each of the plurality of periods based on the feature information and the result information of each of the plurality of periods in the predetermined period. May be.

例えば、生成部１４１は、特徴情報と、入社１年後、入社２年後、入社３年後、入社４年後および入社５年後の５つの時期の成果情報とに基づいて、時期ごとに予測モデルを生成する。この例では、出力部１４２は、「入社１年後」〜「入社５年後」にそれぞれ対応する５つの予測モデルに、第２の人材の特徴を入力することで、第２の人材の予測された「入社１年後」〜「入社５年後」の成果をそれぞれ出力する。この例では、提供部１４３は、出力された「入社１年後」〜「入社５年後」の成果を、第２の人材の予測された成果の変化を示す情報（例えば、第２の人材の予測された成果の変遷を表すグラフデータ）として、端末装置２０に提供する。したがって、予測装置１００は、第２の人材が、大器晩成型または早熟天才型のうちいずれであるかを判定することができる。   For example, the generation unit 141 generates the information for each period based on the feature information and the results information of the five periods of one year after joining the company, two years after joining the company, three years after joining the company, four years after joining the company, and five years after joining the company. Generate a predictive model. In this example, the output unit 142 predicts the second human resource by inputting the characteristics of the second human resource into five prediction models respectively corresponding to “1 year after joining the company” to “5 years after joining the company”. The results of “1 year after joining” to “5 years after joining” are output. In this example, the providing unit 143 outputs the output results of “1 year after joining the company” to “5 years after joining the company” to information indicating a change in the predicted outcome of the second person (for example, the second person (The graph data representing the transition of the predicted outcomes) is provided to the terminal device 20. Therefore, the predicting apparatus 100 can determine whether the second human resource is a large-class evening mold or a precocious genius type.

〔４−５．その他〕
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。 [4-5. Others]
In addition, among the processes described in the above embodiment, all or part of the processes described as being automatically performed can be performed manually, or the processes described as being performed manually can be performed. All or a part can be automatically performed by a known method. In addition, the processing procedures, specific names, and information including various data and parameters shown in the document and drawings can be arbitrarily changed unless otherwise specified.

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。   Further, each component of each illustrated apparatus is functionally conceptual, and does not necessarily need to be physically configured as illustrated. In other words, the specific form of distribution / integration of each device is not limited to that shown in the figure, and all or a part thereof may be functionally or physically distributed or arbitrarily distributed in arbitrary units according to various loads or usage conditions. Can be integrated and configured.

例えば、図２に示した記憶部１２０の一部又は全部は、予測装置１００によって保持されるのではなく、ストレージサーバ等に保持されてもよい。この場合、予測装置１００は、ストレージサーバにアクセスすることで、特徴情報や成果情報等の各種情報を取得する。   For example, a part or all of the storage unit 120 illustrated in FIG. 2 may not be held by the prediction device 100 but may be held in a storage server or the like. In this case, the prediction device 100 acquires various information such as feature information and result information by accessing the storage server.

また、上記実施形態では、予測装置１００が、例えば、特徴情報および成果情報に基づいて、将来の成果を予測する予測モデルを生成し、そして第２の人材の予測された成果を、端末装置２０に提供した。しかし、上述の予測装置１００に対応する生成装置が、特徴情報および成果情報に基づいて、将来の成果を予測する予測モデルを生成してもよい。例えば、上述の予測装置１００は、予測モデルを生成する生成装置と、予測された成果を提供する提供装置とに分離されてもよい。この場合、生成装置は、少なくとも生成部１４１を有する。ただし、生成装置は、受信部１３１と、取得部１３２と、出力部１４２とを有するように構成されてもよい。一方、提供装置は、少なくとも提供部１４３を有する。ただし、提供装置は、受信部１３１と、取得部１３２と、出力部１４２とを有するように構成されてもよい。この場合、上記の予測装置１００による処理は、生成装置と提供装置とを含む予測システム１によって実現される。   Moreover, in the said embodiment, the prediction apparatus 100 produces | generates the prediction model which predicts a future result, for example based on feature information and result information, and the terminal device 20 uses the predicted result of a 2nd human resource. Provided. However, a generation device corresponding to the above-described prediction device 100 may generate a prediction model for predicting future results based on the feature information and the result information. For example, the prediction device 100 described above may be separated into a generation device that generates a prediction model and a provision device that provides a predicted result. In this case, the generation device includes at least the generation unit 141. However, the generation device may be configured to include a reception unit 131, an acquisition unit 132, and an output unit 142. On the other hand, the providing device has at least a providing unit 143. However, the providing apparatus may be configured to include the reception unit 131, the acquisition unit 132, and the output unit 142. In this case, the processing by the prediction device 100 is realized by the prediction system 1 including the generation device and the provision device.

〔４−６．ハードウェア構成〕
また、上述してきた実施形態に係る予測装置１００は、例えば図６に示すような構成のコンピュータ１０００によって実現される。図６は、ハードウェア構成の一例を示す図である。コンピュータ１０００は、出力装置１０１０、入力装置１０２０と接続され、演算装置１０３０、一次記憶装置１０４０、二次記憶装置１０５０、出力ＩＦ（Interface）１０６０、入力ＩＦ１０７０、ネットワークＩＦ１０８０がバス１０９０により接続された形態を有する。 [4-6. Hardware configuration)
Further, the prediction device 100 according to the embodiment described above is realized by a computer 1000 having a configuration as shown in FIG. 6, for example. FIG. 6 is a diagram illustrating an example of a hardware configuration. The computer 1000 is connected to an output device 1010 and an input device 1020, and an arithmetic device 1030, a primary storage device 1040, a secondary storage device 1050, an output IF (Interface) 1060, an input IF 1070, and a network IF 1080 are connected via a bus 1090. Have

演算装置１０３０は、一次記憶装置１０４０や二次記憶装置１０５０に格納されたプログラムや入力装置１０２０から読み出したプログラム等に基づいて動作し、各種の処理を実行する。一次記憶装置１０４０は、ＲＡＭ等、演算装置１０３０が各種の演算に用いるデータを一時的に記憶するメモリ装置である。また、二次記憶装置１０５０は、演算装置１０３０が各種の演算に用いるデータや、各種のデータベースが登録される記憶装置であり、ＲＯＭ(Read Only Memory)、ＨＤＤ、フラッシュメモリ等により実現される。   The arithmetic device 1030 operates based on a program stored in the primary storage device 1040 and the secondary storage device 1050, a program read from the input device 1020, and the like, and executes various processes. The primary storage device 1040 is a memory device such as a RAM that temporarily stores data used by the arithmetic device 1030 for various arithmetic operations. The secondary storage device 1050 is a storage device in which data used for various calculations by the calculation device 1030 and various databases are registered, and is realized by a ROM (Read Only Memory), HDD, flash memory, or the like.

出力ＩＦ１０６０は、モニタやプリンタといった各種の情報を出力する出力装置１０１０に対し、出力対象となる情報を送信するためのインタフェースであり、例えば、ＵＳＢ（Universal Serial Bus）やＤＶＩ（Digital Visual Interface）、ＨＤＭＩ（登録商標）（High Definition Multimedia Interface）といった規格のコネクタにより実現される。また、入力ＩＦ１０７０は、マウス、キーボード、およびスキャナ等といった各種の入力装置１０２０から情報を受信するためのインタフェースであり、例えば、ＵＳＢ等により実現される。   The output IF 1060 is an interface for transmitting information to be output to an output device 1010 that outputs various types of information such as a monitor and a printer. For example, USB (Universal Serial Bus), DVI (Digital Visual Interface), This is realized by a standard connector such as HDMI (registered trademark) (High Definition Multimedia Interface). The input IF 1070 is an interface for receiving information from various input devices 1020 such as a mouse, a keyboard, and a scanner, and is realized by a USB or the like, for example.

なお、入力装置１０２０は、例えば、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等から情報を読み出す装置であってもよい。また、入力装置１０２０は、ＵＳＢメモリ等の外付け記憶媒体であってもよい。   The input device 1020 includes, for example, an optical recording medium such as a CD (Compact Disc), a DVD (Digital Versatile Disc), and a PD (Phase change rewritable disk), a magneto-optical recording medium such as an MO (Magneto-Optical disk), and a tape. It may be a device that reads information from a medium, a magnetic recording medium, a semiconductor memory, or the like. The input device 1020 may be an external storage medium such as a USB memory.

ネットワークＩＦ１０８０は、ネットワークＮを介して他の機器からデータを受信して演算装置１０３０へ送り、また、ネットワークＮを介して演算装置１０３０が生成したデータを他の機器へ送信する。   The network IF 1080 receives data from other devices via the network N and sends the data to the arithmetic device 1030, and transmits data generated by the arithmetic device 1030 to other devices via the network N.

演算装置１０３０は、出力ＩＦ１０６０や入力ＩＦ１０７０を介して、出力装置１０１０や入力装置１０２０の制御を行う。例えば、演算装置１０３０は、入力装置１０２０や二次記憶装置１０５０からプログラムを一次記憶装置１０４０上にロードし、ロードしたプログラムを実行する。   The arithmetic device 1030 controls the output device 1010 and the input device 1020 via the output IF 1060 and the input IF 1070. For example, the arithmetic device 1030 loads a program from the input device 1020 or the secondary storage device 1050 onto the primary storage device 1040, and executes the loaded program.

例えば、コンピュータ１０００が予測装置１００として機能する場合、コンピュータ１０００の演算装置１０３０は、一次記憶装置１０４０上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。   For example, when the computer 1000 functions as the prediction device 100, the arithmetic device 1030 of the computer 1000 implements the function of the control unit 130 by executing a program loaded on the primary storage device 1040.

〔５．効果〕
上述してきたように、実施形態に係る予測装置１００は、取得部１３２と、予測部１４０とを有する。取得部１３２は、第１の人材を採用する過程で得られた、第１の人材の特徴を示す特徴情報と、第１の人材の成果に関する成果情報とを取得する。予測部１４０は、取得部１３２によって取得された特徴情報及び成果情報に基づいて、かかる特徴に関連する第２の人材の将来の成果を予測する。このため、予測装置１００は、企業の人事担当者が、企業における成果事例に基づいて、採用する人材を決定することを可能にする。 [5. effect〕
As described above, the prediction device 100 according to the embodiment includes the acquisition unit 132 and the prediction unit 140. The acquisition unit 132 acquires characteristic information indicating the characteristics of the first human resource and result information related to the results of the first human resource obtained in the process of employing the first human resource. Based on the feature information and the result information acquired by the acquisition unit 132, the prediction unit 140 predicts the future result of the second human resource related to the feature. For this reason, the prediction apparatus 100 enables the personnel affairs person of a company to determine the human resource to employ based on the result example in a company.

また、実施形態に係る予測装置１００において、予測部１４０は、特徴情報および成果情報に基づいて、第２の人材の将来の成果を予測する予測モデルを生成する生成部１４１を有する。このため、予測装置１００は、人材の将来の成果を精度良く予測することができる。   Further, in the prediction device 100 according to the embodiment, the prediction unit 140 includes a generation unit 141 that generates a prediction model for predicting the future result of the second human resource based on the feature information and the result information. For this reason, the prediction device 100 can accurately predict the future results of human resources.

上述してきたように、実施形態に係る予測装置１００（本願に係る生成装置に対応する）は、取得部１３２と、生成部１４１とを有する。取得部１３２は、第１の人材を採用する過程で得られた、第１の人材の特徴を示す特徴情報と、第１の人材の成果に関する成果情報とを取得する。生成部１４１は、取得部１３２によって取得された特徴情報及び成果情報に基づいて、かかる特徴に関連する第２の人材の将来の成果を予測する予測モデルを生成する。このため、予測装置１００は、人材の将来の成果を精度良く予測することができる。   As described above, the prediction device 100 according to the embodiment (corresponding to the generation device according to the present application) includes the acquisition unit 132 and the generation unit 141. The acquisition unit 132 acquires characteristic information indicating the characteristics of the first human resource and result information related to the results of the first human resource obtained in the process of employing the first human resource. Based on the feature information and result information acquired by the acquisition unit 132, the generation unit 141 generates a prediction model that predicts the future result of the second human resource related to the feature. For this reason, the prediction device 100 can accurately predict the future results of human resources.

また、実施形態に係る予測装置１００（本願に係る生成装置に対応する）において、生成部１４１は、第１の人材の経歴に関する情報、第１の人材の面接に関する情報および第１の人材の適性検査に関する情報のうち少なくとも１つを含む特徴情報と、成果情報とに基づいて、予測モデルを生成する。このため、予測装置１００は、人材の複数の特徴を考慮して、人材の将来の成果を多面的に評価することができる。   Further, in the prediction device 100 according to the embodiment (corresponding to the generation device according to the present application), the generation unit 141 includes information on the history of the first human resource, information on the interview of the first human resource, and suitability of the first human resource. A prediction model is generated based on the feature information including at least one of the information related to the inspection and the result information. For this reason, the prediction apparatus 100 can evaluate the future result of a human resource from multiple aspects in consideration of a plurality of characteristics of the human resource.

また、実施形態に係る予測装置１００（本願に係る生成装置に対応する）において、生成部１４１は、特徴情報と、企業における第１の人材の活躍に関する活躍情報を含む成果情報とに基づいて、第２の人材が企業で活躍する可能性を予測する予測モデルを生成する。このため、予測装置１００は、人材が企業に入社する前に、人材が企業で活躍するかを判定することができる。   In the prediction device 100 according to the embodiment (corresponding to the generation device according to the present application), the generation unit 141 is based on the feature information and the result information including the activity information on the activity of the first human resource in the company. A prediction model for predicting the possibility that the second human resource is active in the company is generated. Therefore, the prediction device 100 can determine whether a human resource is active in the company before the human resource joins the company.

また、実施形態に係る予測装置１００（本願に係る生成装置に対応する）において、生成部１４１は、特徴情報と、企業における第１の人材に対する評価を示す活躍情報を含む成果情報とに基づいて、企業における第２の人材に対する評価を予測する予測モデルを生成する。このため、予測装置１００は、人材の将来の成果を定量的に予測することができる。   In addition, in the prediction device 100 according to the embodiment (corresponding to the generation device according to the present application), the generation unit 141 is based on the feature information and the result information including the activity information indicating the evaluation for the first human resource in the company. And generating a prediction model for predicting the evaluation of the second human resource in the company. For this reason, the prediction apparatus 100 can predict the future result of a human resource quantitatively.

また、実施形態に係る予測装置１００（本願に係る生成装置に対応する）において、生成部１４１は、企業における第１の人材の退職に関する退職情報を含む成果情報に基づいて、第２の人材が企業を退職するリスクを予測する予測モデルを生成する。このため、予測装置１００は、企業の人事担当者が、人材が企業に入社する前に、人材が企業を退職するリスクを把握することを可能にする。   In addition, in the prediction device 100 according to the embodiment (corresponding to the generation device according to the present application), the generation unit 141 determines whether the second human resource Generate a predictive model that predicts the risk of leaving a company. For this reason, the prediction apparatus 100 enables the personnel manager of the company to grasp the risk that the human resource will leave the company before the human resource enters the company.

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。   As described above, some of the embodiments of the present application have been described in detail with reference to the drawings. However, these are merely examples, and various modifications, including the aspects described in the disclosure section of the invention, based on the knowledge of those skilled in the art, It is possible to implement the present invention in other forms with improvements.

また、上述した予測装置１００は、複数のサーバコンピュータで実現してもよく、また、機能によっては外部のプラットフォーム等をＡＰＩ（Application Programming Interface）やネットワークコンピューティングなどで呼び出して実現するなど、構成は柔軟に変更できる。   Further, the prediction apparatus 100 described above may be realized by a plurality of server computers, and depending on the function, an external platform or the like may be realized by calling an API (Application Programming Interface) or network computing. Can be changed flexibly.

また、特許請求の範囲に記載した「手段」は、「部（section、module、unit）」や「回路」などに読み替えることができる。例えば、取得手段は、取得部や取得回路に読み替えることができる。   Further, the “means” described in the claims can be read as “section (module, unit)” or “circuit”. For example, the acquisition unit can be read as an acquisition unit or an acquisition circuit.

１ 予測システム
１００ 予測装置
１２０ 記憶部
１２１ 特徴情報記憶部
１２２ 成果情報記憶部
１３１ 受信部
１３２ 取得部
１４０ 予測部
１４１ 生成部
１４２ 出力部
１４３ 提供部 DESCRIPTION OF SYMBOLS 1 Prediction system 100 Prediction apparatus 120 Storage part 121 Feature information storage part 122 Result information storage part 131 Receiving part 132 Acquisition part 140 Prediction part 141 Generation part 142 Output part 143 Provision part

Claims (11)

第１の人材を採用する過程で得られた、当該第１の人材の特徴を示す特徴情報と、当該第１の人材の成果に関する成果情報とを取得する取得部と、
前記取得部によって取得された特徴情報及び成果情報に基づいて、前記特徴に関連する第２の人材の将来の成果を予測する予測部と、
を備えることを特徴とする予測装置。 An acquisition unit that acquires characteristic information indicating characteristics of the first human resource obtained in the process of employing the first human resource, and result information related to the results of the first human resource;
A prediction unit that predicts future results of the second human resource related to the feature based on the feature information and the result information acquired by the acquisition unit;
A prediction apparatus comprising: 前記予測部は、
前記特徴情報及び前記成果情報に基づいて、前記将来の成果を予測する予測モデルを生成する生成部
を備えることを特徴とする請求項１に記載の予測装置。 The prediction unit
The prediction device according to claim 1, further comprising: a generation unit that generates a prediction model for predicting the future result based on the feature information and the result information. 第１の人材を採用する過程で得られた、当該第１の人材の特徴を示す特徴情報と、当該第１の人材の成果に関する成果情報とを取得する取得部と、
前記取得部によって取得された特徴情報及び成果情報に基づいて、前記特徴に関連する第２の人材の将来の成果を予測する予測モデルを生成する生成部
を備えることを特徴とする生成装置。 An acquisition unit that acquires characteristic information indicating characteristics of the first human resource obtained in the process of employing the first human resource, and result information related to the results of the first human resource;
A generation apparatus comprising: a generation unit that generates a prediction model for predicting a future result of a second human resource related to the feature based on the feature information and the result information acquired by the acquisition unit. 前記生成部は、
前記第１の人材の経歴に関する情報、前記第１の人材の面接に関する情報及び前記第１の人材の適性検査に関する情報のうち少なくとも１つを含む前記特徴情報と、前記成果情報とに基づいて、前記予測モデルを生成する
ことを特徴とする請求項３に記載の生成装置。 The generator is
Based on the feature information including at least one of the information on the career of the first human resource, the information on the interview of the first human resource, and the information on the aptitude test of the first human resource, and the result information, The generation apparatus according to claim 3, wherein the prediction model is generated. 前記生成部は、
前記特徴情報と、企業における前記第１の人材の活躍に関する活躍情報を含む前記成果情報とに基づいて、前記第２の人材が前記企業で活躍する可能性を予測する予測モデルを、前記予測モデルとして生成する
ことを特徴とする請求項３又は４に記載の生成装置。 The generator is
Based on the feature information and the result information including activity information on the activity of the first person in the company, a prediction model for predicting the possibility that the second person will be active in the company It produces | generates as These are the production | generation apparatuses of Claim 3 or 4. 前記生成部は、
前記特徴情報と、前記企業における前記第１の人材に対する評価を示す前記活躍情報を含む前記成果情報とに基づいて、前記企業における前記第２の人材に対する評価を予測する予測モデルを、前記予測モデルとして生成する
ことを特徴とする請求項５に記載の生成装置。 The generator is
Based on the feature information and the result information including the activity information indicating the evaluation of the first human resource in the company, a prediction model that predicts the evaluation of the second human resource in the company is the prediction model. The generation device according to claim 5, wherein the generation device is generated as: 前記生成部は、
前記特徴情報と、企業における前記第１の人材の退職に関する退職情報を含む前記成果情報に基づいて、前記第２の人材が前記企業を退職するリスクを予測する予測モデルを、前記予測モデルとして生成する、
ことを特徴とする請求項３〜６のいずれか一つに記載の生成装置。 The generator is
Based on the feature information and the result information including retirement information related to retirement of the first human resource in the company, a prediction model for predicting a risk that the second human resource will retire from the company is generated as the prediction model To
The generating apparatus according to claim 3, wherein 第１の人材を採用する過程で得られた、当該第１の人材の特徴を示す特徴情報と、当該第１の人材の成果に関する成果情報とを取得する取得工程と、
前記取得工程によって取得された特徴情報及び成果情報に基づいて、前記特徴に関連する第２の人材の将来の成果を予測する予測工程と、
を含むことを特徴とする予測方法。 An acquisition step of acquiring characteristic information indicating characteristics of the first human resource obtained in the process of employing the first human resource, and result information regarding the result of the first human resource;
A predicting step of predicting a future outcome of a second human resource related to the feature based on the feature information and the outcome information obtained by the obtaining step;
The prediction method characterized by including. 第１の人材を採用する過程で得られた、当該第１の人材の特徴を示す特徴情報と、当該第１の人材の成果に関する成果情報とを取得する取得工程と、
前記取得工程によって取得された特徴情報及び成果情報に基づいて、前記特徴に関連する第２の人材の将来の成果を予測する予測モデルを生成する生成工程と、
を含むことを特徴とする生成方法。 An acquisition step of acquiring characteristic information indicating characteristics of the first human resource obtained in the process of employing the first human resource, and result information regarding the result of the first human resource;
Generating a prediction model for predicting a future outcome of the second human resource related to the feature based on the feature information and the outcome information obtained by the obtaining step;
A generation method comprising: 第１の人材を採用する過程で得られた、当該第１の人材の特徴を示す特徴情報と、当該第１の人材の成果に関する成果情報とを取得する取得手順と、
前記取得手順によって取得された特徴情報及び成果情報に基づいて、前記特徴に関連する第２の人材の将来の成果を予測する予測手順と、
をコンピュータに実行させることを特徴とする予測プログラム。 An acquisition procedure for acquiring characteristic information indicating characteristics of the first human resource obtained in the process of employing the first human resource, and result information relating to a result of the first human resource;
A prediction procedure for predicting a future outcome of a second human resource related to the feature based on the feature information and the outcome information obtained by the obtaining procedure;
A prediction program that causes a computer to execute. 第１の人材を採用する過程で得られた、当該第１の人材の特徴を示す特徴情報と、当該第１の人材の成果に関する成果情報とを取得する取得手順と、
前記取得手順によって取得された特徴情報及び成果情報に基づいて、前記特徴に関連する第２の人材の将来の成果を予測する予測モデルを生成する生成手順と、
をコンピュータに実行させることを特徴とする生成プログラム。 An acquisition procedure for acquiring characteristic information indicating characteristics of the first human resource obtained in the process of employing the first human resource, and result information relating to a result of the first human resource;
A generation procedure for generating a prediction model for predicting a future outcome of a second human resource related to the feature based on the feature information and the outcome information obtained by the obtaining procedure;
A program for causing a computer to execute.
JP2018053538A 2018-03-20 2018-03-20 Prediction device, prediction method, prediction program, generation device, generation method and generation program Pending JP2019164738A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018053538A JP2019164738A (en) 2018-03-20 2018-03-20 Prediction device, prediction method, prediction program, generation device, generation method and generation program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018053538A JP2019164738A (en) 2018-03-20 2018-03-20 Prediction device, prediction method, prediction program, generation device, generation method and generation program

Publications (1)

Publication Number Publication Date
JP2019164738A true JP2019164738A (en) 2019-09-26

Family

ID=68066203

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018053538A Pending JP2019164738A (en) 2018-03-20 2018-03-20 Prediction device, prediction method, prediction program, generation device, generation method and generation program

Country Status (1)

Country Link
JP (1) JP2019164738A (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021105809A (en) * 2019-12-26 2021-07-26 株式会社アッテル Resignation risk learning model construction system and resignation risk learning model construction method
WO2021214936A1 (en) * 2020-04-23 2021-10-28 日本電気株式会社 Prediction device, prediction method, and recording medium
KR20230060831A (en) * 2021-10-28 2023-05-08 주식회사 소프트인 Method and system for predicting candidates using work attitude trend

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090164311A1 (en) * 2007-12-19 2009-06-25 Microsoft Corporation Human resource management system
JP2017504883A (en) * 2013-12-09 2017-02-09 ハイアービュー・インコーポレイテッド Model-driven candidate sorting based on audio cues
JP2018010458A (en) * 2016-07-13 2018-01-18 株式会社三菱総合研究所 Information processor and information processing method

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090164311A1 (en) * 2007-12-19 2009-06-25 Microsoft Corporation Human resource management system
JP2017504883A (en) * 2013-12-09 2017-02-09 ハイアービュー・インコーポレイテッド Model-driven candidate sorting based on audio cues
JP2018010458A (en) * 2016-07-13 2018-01-18 株式会社三菱総合研究所 Information processor and information processing method

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021105809A (en) * 2019-12-26 2021-07-26 株式会社アッテル Resignation risk learning model construction system and resignation risk learning model construction method
JP7072755B2 (en) 2019-12-26 2022-05-23 株式会社アッテル Retirement risk learning model construction system, retirement risk learning model construction method and retirement risk learning model construction program
WO2021214936A1 (en) * 2020-04-23 2021-10-28 日本電気株式会社 Prediction device, prediction method, and recording medium
JP7439914B2 (en) 2020-04-23 2024-02-28 日本電気株式会社 Prediction device, prediction method, and program
KR20230060831A (en) * 2021-10-28 2023-05-08 주식회사 소프트인 Method and system for predicting candidates using work attitude trend
KR102594460B1 (en) * 2021-10-28 2023-10-27 주식회사 소프트인 Method and system for predicting candidates using work attitude trend

Similar Documents

Publication Publication Date Title
US11636284B2 (en) Robustness score for an opaque model
Ngo et al. Factor-based big data and predictive analytics capability assessment tool for the construction industry
Isik An entropy-based approach for measuring complexity in supply chains
US11062240B2 (en) Determining optimal workforce types to fulfill occupational roles in an organization based on occupational attributes
US11017339B2 (en) Cognitive labor forecasting
JP2019164738A (en) Prediction device, prediction method, prediction program, generation device, generation method and generation program
Ebel et al. Enabling automated engineering’s project progress measurement by using data flow models and digital twins
JP7041299B1 (en) Information processing equipment, information processing methods and information processing programs
Linares-Mustaros et al. Processing extreme values in sales forecasting
Demigha Decision Support Systems (DSS) and Management Information Systems (MIS) in Today's Organizations
US20230244956A1 (en) Augmented Intelligence Campaign Lifecycle
JP2021149682A (en) Learning device, learning method, and learning program
JP2021149681A (en) Determination device, determination method, and determination program
Alexander et al. Knowledge integration for predicting schedule delays in software integration
Fontana et al. Modelling Complexity with Unconventional Data: Foundational Issues in Computational Social Science
Prashanth et al. Simultaneous perturbation methods for adaptive labor staffing in service systems
Zhelepov et al. Fuzzy rating system for cohesive development teams
Hawas et al. A Fuzzy-Based Approach to Estimate Management Processes Risks
JP6948425B2 (en) Judgment device, judgment method and judgment program
Pospisil et al. Business process simulation for predictions
Taylor Business excellence and intelligence in a global entertainment company: An exploratory case study
Falatouri et al. Shedding Light on the Black Box: Explainable AI for Predicting Household Appliance Failures
Fridell IT’S IN THE DATA 2: A study on how effective design of a digital product’s user onboarding experience can increase user retention
Sinha et al. Develop a Data Analytics Model for Employee’s Performance at Workplace to Increase the Productivity
Shongwe Knowledge management in learning software SMMEs in KwaZulu-Natal, South Africa.

Legal Events

Date Code Title Description
A80 Written request to apply exceptions to lack of novelty of invention

Free format text: JAPANESE INTERMEDIATE CODE: A80

Effective date: 20180419

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20180615

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20180615

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20180618

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20181001

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20181030

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20181228

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20190312

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190612

C60 Trial request (containing other claim documents, opposition documents)

Free format text: JAPANESE INTERMEDIATE CODE: C60

Effective date: 20190612

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20190620

C21 Notice of transfer of a case for reconsideration by examiners before appeal proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C21

Effective date: 20190625

A912 Re-examination (zenchi) completed and case transferred to appeal board

Free format text: JAPANESE INTERMEDIATE CODE: A912

Effective date: 20190809

C211 Notice of termination of reconsideration by examiners before appeal proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C211

Effective date: 20190820

A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A712

Effective date: 20191101

RD03 Notification of appointment of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7423

Effective date: 20191108

C22 Notice of designation (change) of administrative judge

Free format text: JAPANESE INTERMEDIATE CODE: C22

Effective date: 20200303

C22 Notice of designation (change) of administrative judge

Free format text: JAPANESE INTERMEDIATE CODE: C22

Effective date: 20200407

C23 Notice of termination of proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C23

Effective date: 20201208

C03 Trial/appeal decision taken

Free format text: JAPANESE INTERMEDIATE CODE: C03

Effective date: 20210112

C30A Notification sent

Free format text: JAPANESE INTERMEDIATE CODE: C3012

Effective date: 20210112