JP2020052757A - Information processing device, information processing method, and program - Google Patents

Information processing device, information processing method, and program Download PDF

Info

Publication number
JP2020052757A
JP2020052757A JP2018181818A JP2018181818A JP2020052757A JP 2020052757 A JP2020052757 A JP 2020052757A JP 2018181818 A JP2018181818 A JP 2018181818A JP 2018181818 A JP2018181818 A JP 2018181818A JP 2020052757 A JP2020052757 A JP 2020052757A
Authority
JP
Japan
Prior art keywords
stress
data
attendance
prediction
risk
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2018181818A
Other languages
Japanese (ja)
Other versions
JP7143169B2 (en
Inventor
欣哉 小久保
Kinya Kokubo
欣哉 小久保
章子 正路
Akiko Shoji
章子 正路
恵理子 脇田
Eriko Wakita
恵理子 脇田
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.)
Medilead Inc
Original Assignee
Medilead Inc
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 Medilead Inc filed Critical Medilead Inc
Priority to JP2018181818A priority Critical patent/JP7143169B2/en
Publication of JP2020052757A publication Critical patent/JP2020052757A/en
Application granted granted Critical
Publication of JP7143169B2 publication Critical patent/JP7143169B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

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

Abstract

To predict attendance risk generated from stress of an employee of an organization with high accuracy.SOLUTION: An information processing device includes a storage unit and a control unit. The storage unit stores a stress prediction weighting parameter and an attendance influence risk prediction weighting parameter that are created by multivariable analysis based on stress check data indicating a result of stress checks of a plurality of subjects, attendance labor data of the subjects and biological sample data of the subjects. The control unit creates stress prediction data that predicts stress of employees belonging to an organization after elapse of a predetermined period from the present by applying the stress prediction weighting parameter to the stress check data and the attendance labor data of the employees. The control unit creates and outputs attendance influence risk prediction data that predicts attendance influence risk including the attendance, reduction in productivity or risk of retirement of the employees after elapse of the predetermined period by applying the attendance influence risk prediction weighting parameter to the stress prediction data.SELECTED DRAWING: Figure 4

Description

本発明は、組織の従業員のストレスに基づく勤怠影響リスクを予測することが可能な情報処理装置、情報処理方法及びプログラムに関する。   The present invention relates to an information processing apparatus, an information processing method, and a program capable of predicting an attendance impact risk based on stress of an employee of an organization.

従来から、組織の従業員のストレスを可視化して管理者等に提示するシステムが存在する。例えば下記特許文献１には、職場組織に属する複数の従業員のストレスチェックの結果を示すストレスチェックデータを取得し、前記複数の従業員の勤怠データを取得し、前記複数の従業員のストレスチェックデータ及び勤怠データに応じて、職場組織における離職リスク及び労務リスクの少なくとも一方を含む人材リスクを評価し、当該人材リスクを管理者に対して提示する管理者ＧＵＩを作成する人材リスク管理システムが開示されている。   2. Description of the Related Art Conventionally, there is a system that visualizes stress of employees of an organization and presents the stress to an administrator or the like. For example, in Patent Document 1 below, stress check data indicating a result of stress check of a plurality of employees belonging to a workplace organization is obtained, time and attendance data of the plurality of employees are obtained, and a stress check of the plurality of employees is obtained. Disclosure of a personnel risk management system that evaluates personnel risks including at least one of job separation risks and labor risks in a workplace organization according to data and attendance data, and creates a manager GUI that presents the personnel risks to managers Have been.

特開２０１６−２０７１６５号公報JP-A-2006-207165

上記特許文献１に記載の技術では、従業員のストレスチェックデータが主観的な場合があることから、当該ストレスチェックデータに加えて客観的な従業員の勤怠データを用いて人材リスクを評価することで評価の正確性の向上を図っている。しかし、例えば従業員が大きなストレスを抱えたまま出勤を続けている場合等、勤怠データが従業員のストレスを正確に反映していない場合があるため、勤怠データを用いても勤怠リスクを高精度に予測できないおそれがある。   In the technology described in Patent Document 1, since the stress check data of the employee may be subjective, the human resource risk is evaluated using objective employee attendance data in addition to the stress check data. The aim is to improve the accuracy of the evaluation. However, time data may not accurately reflect the stress of employees, such as when employees continue to work with significant stress. May not be predictable.

以上のような事情に鑑み、本発明の目的は、組織の従業員のストレスから生じる勤怠リスクを高精度に予測することが可能な情報処理装置、情報処理方法及びプログラムを提供することにある。   In view of the circumstances described above, an object of the present invention is to provide an information processing apparatus, an information processing method, and a program capable of predicting the attendance risk resulting from stress of employees of an organization with high accuracy.

上記目的を達成するため、本発明の一形態に係る情報処理装置は、記憶部と制御部とを有する。上記記憶部は、複数の被験者のストレスチェックの結果を示すストレスチェックデータと、上記被験者の勤怠労務データと、上記被験者の生体試料データとを基に多変量解析により生成された、ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータとを記憶する。上記制御部は、組織に属する従業員の上記ストレスチェックデータ及び上記勤怠労務データに、上記ストレス予測重み付けパラメータを適用することで、現在から所定期間経過後における上記従業員のストレスを予測したストレス予測データを生成する。さらに制御部は、上記ストレス予測データに、上記勤怠影響リスク予測重み付けパラメータを適用することで、上記所定期間経過後における上記従業員の勤怠、生産性低下または退職のリスクを含む勤怠影響リスクを予測した勤怠影響リスク予測データを生成し、出力する。   In order to achieve the above object, an information processing device according to one embodiment of the present invention includes a storage unit and a control unit. The storage unit is a stress prediction weighting parameter generated by multivariate analysis based on stress check data indicating the results of stress checks of a plurality of subjects, time and labor data of the subjects, and biological sample data of the subjects. And the attendance effect risk prediction weighting parameter are stored. The control unit applies the stress prediction weighting parameter to the stress check data and the time and attendance data of the employees belonging to the organization, thereby predicting the stress of the employees after a lapse of a predetermined period from the present. Generate data. Further, the control unit, by applying the time-effect risk prediction weighting parameter to the stress prediction data, predicts the time-effect risk including the risk of the employee's time, productivity loss or retirement after the predetermined period. Generate and output the attended time impact risk prediction data.

この構成により情報処理装置は、ストレスチェックデータと勤怠労務データに加えて、被験者の生体試料データを基に生成されたパラメータを用いることで、組織の従業員のストレスから生じる勤怠リスクを高精度に予測することができる。   With this configuration, the information processing device can use the parameters generated based on the biological sample data of the subject, in addition to the stress check data and the time and labor data, to highly accurately reduce the time and attendance risk caused by the stress of the employees of the organization. Can be predicted.

上記記憶部は、上記ストレス予測重み付けパラメータ及び上記勤怠影響リスク予測重み付けパラメータを、現在から複数の異なる期間経過後の各ストレス予測データ及び各勤怠影響リスク予測データの生成用に上記複数の異なる期間毎に記憶してもよい。この場合上記制御部は、上記複数の異なる期間経過後の上記ストレス予測データから上記複数の異なる期間経過後の上記勤怠影響リスク予測データをそれぞれ生成してもよい。   The storage unit stores the stress prediction weighting parameter and the attendance impact risk prediction weighting parameter for each of the plurality of different periods for generating the stress prediction data and the attendance impact risk prediction data after a plurality of different periods from the present. May be stored. In this case, the control unit may generate the attendance impact risk prediction data after the lapse of the plurality of different periods from the stress prediction data after the lapse of the plurality of different periods.

これにより情報処理装置は、勤怠影響リスクの期間の経過毎の変化予測をユーザに把握させることができる。   This allows the information processing apparatus to allow the user to grasp the change prediction for each time period of the attendance impact risk.

上記制御部は、上記生成した勤怠影響リスク予測データと、上記所定期間経過時点の勤怠労務データとを比較し、差分を算出して出力してもよい。   The control unit may compare the generated time and work impact risk prediction data with the time and labor data at the time when the predetermined period has elapsed, calculate a difference, and output the difference.

これにより情報処理装置は、予測した所定期間経過後の勤怠影響リスクと、実際に所定期間経過後の勤怠労務結果との差分を出力することで、上記各種パラメータ等の改善に資することができる。   Thus, the information processing apparatus can contribute to the improvement of the above-described various parameters by outputting the difference between the predicted risk of attendance after the lapse of the predetermined period and the result of the attendance and labor after the lapse of the predetermined period.

上記制御部は、上記差分を基に、上記ストレス予測重み付けパラメータを更新するための関数を機械学習により構築し、当該関数を基に上記ストレス予測重み付けパラメータを更新してもよい。   The control unit may construct a function for updating the stress prediction weighting parameter by machine learning based on the difference, and may update the stress prediction weighting parameter based on the function.

また上記制御部は、上記差分を基に、上記勤怠影響リスク予測重み付けパラメータを更新するための関数を機械学習により構築し、当該関数を基に上記勤怠影響リスク予測重み付けパラメータを更新してもよい。   Further, the control unit may construct a function for updating the attendance impact risk prediction weighting parameter by machine learning based on the difference, and may update the attendance impact risk prediction weighting parameter based on the function. .

これにより情報処理装置は、勤怠影響リスク予測データと実際の勤怠データとの差分を基に、ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータを改善することでき、そのための関数の構築に機械学習を用いることで、予測処理の増加に依存して予測精度を向上させることができる。   Thereby, the information processing apparatus can improve the stress prediction weighting parameter and the attendance impact risk prediction weighting parameter based on the difference between the attendance impact risk prediction data and the actual attendance data, and use machine learning to construct a function for that purpose. By using this, the prediction accuracy can be improved depending on the increase in the prediction processing.

上記制御部は、上記勤怠影響リスク予測データを基に、上記予測した勤怠影響リスクをチャートで示すとともに、現在よりも上記従業員の上記ストレスチェックの結果が改善または悪化した場合に予測される勤怠影響リスクをユーザの操作に応じてシミュレーションして提示可能なリスク予測結果表示画面インタフェースを生成してもよい。   The control unit, based on the attendance impact risk prediction data, shows the estimated attendance impact risk in a chart, and the attendance expected when the result of the stress check of the employee is improved or deteriorated compared to the present time. A risk prediction result display screen interface that can present the effect risk by simulating it according to the operation of the user may be generated.

これにより情報処理装置は、勤怠影響リスクの予測結果をユーザに分かりやすく可視化することができ、さらに、現在のストレス状況がどのように変化することで勤怠影響リスクの予測結果がどのように変化するのかをシミュレーションしてユーザにリアルタイムに示すことができる。   Thereby, the information processing apparatus can visualize the prediction result of the attendance impact risk to the user in an easy-to-understand manner, and how the prediction result of the attendance impact risk changes by how the current stress situation changes. Can be simulated and shown to the user in real time.

本発明の他の形態に係る情報法処理方法は、
複数の被験者のストレスチェックの結果を示すストレスチェックデータと、上記被験者の勤怠労務データと、上記被験者の生体試料データとを基に多変量解析により生成された、ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータとを記憶し、
組織に属する従業員の上記ストレスチェックデータ及び上記勤怠労務データに、上記ストレス予測重み付けパラメータを適用することで、現在から所定期間経過後における上記従業員のストレスを予測したストレス予測データを生成し、
上記ストレス予測データに、上記勤怠影響リスク予測重み付けパラメータを適用することで、上記所定期間経過後における上記従業員の勤怠、生産性低下または退職のリスクを含む勤怠影響リスクを予測した勤怠影響リスク予測データを生成し、
上記勤怠影響リスク予測データを出力する、ことを含む。 An information processing method according to another aspect of the present invention includes:
Stress check weighting parameters and attendance risk prediction, generated by multivariate analysis based on stress check data indicating the results of stress checks of a plurality of subjects, time and labor data of the subjects, and biological sample data of the subjects. Storing the weighting parameters and
By applying the stress prediction weighting parameter to the stress check data and the time and labor data of the employees belonging to the organization, to generate stress prediction data that predicts the stress of the employee after a predetermined period from the present,
By applying the time influence risk prediction weighting parameter to the stress prediction data, the time influence risk prediction that predicts the time influence risk including the risk of the employee's attendance, productivity loss or retirement after the predetermined period has elapsed Generate data,
Outputting the attendance impact risk prediction data.

本発明の他の形態に係るプログラムは、情報処理装置に、
複数の被験者のストレスチェックの結果を示すストレスチェックデータと、上記被験者の勤怠労務データと、上記被験者の生体試料データとを基に多変量解析により生成された、ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータとを記憶するステップと、
組織に属する従業員の上記ストレスチェックデータ及び上記勤怠労務データに、上記ストレス予測重み付けパラメータを適用することで、現在から所定期間経過後における上記従業員のストレスを予測したストレス予測データを生成するステップと、
上記ストレス予測データに、上記勤怠影響リスク予測重み付けパラメータを適用することで、上記所定期間経過後における上記従業員の勤怠、生産性低下または退職のリスクを含む勤怠影響リスクを予測した勤怠影響リスク予測データを生成するステップと、
上記勤怠影響リスク予測データを出力するステップと、を実行させる。 A program according to another aspect of the present invention provides an information processing device with:
Stress check weighting parameters and attendance risk prediction, generated by multivariate analysis based on stress check data indicating the results of stress checks of a plurality of subjects, time and labor data of the subjects, and biological sample data of the subjects. Storing a weighting parameter; and
Generating stress prediction data that predicts the stress of the employee after a predetermined period from the present by applying the stress prediction weighting parameter to the stress check data and the time and labor data of the employees belonging to the organization. When,
By applying the time influence risk prediction weighting parameter to the stress prediction data, the time influence risk prediction that predicts the time influence risk including the risk of the employee's attendance, productivity loss or retirement after the predetermined period has elapsed Generating data;
Outputting the attendance impact risk prediction data.

以上説明したように、本発明によれば、組織の従業員のストレスから生じる勤怠リスクを高精度に予測することができる。しかし、当該効果は本発明を限定するものではない。   As described above, according to the present invention, the attendance risk resulting from the stress of the employees of the organization can be predicted with high accuracy. However, such effects do not limit the present invention.

本発明の一実施形態に係る勤怠影響リスク予測システムの構成を示した図である。It is a figure showing the composition of the attendance influence risk prediction system concerning one embodiment of the present invention. 本発明の一実施形態に係る勤怠影響リスク予測サーバのハードウェア構成を示した図である。It is a figure showing the hardware constitutions of the attendance influence risk prediction server concerning one embodiment of the present invention. 本発明の一実施形態に係る勤怠影響リスク予測サーバが有する勤怠影響リスク予測アルゴリズムの構築処理を説明した図である。It is a figure explaining construction processing of the attendance impact risk prediction algorithm which the attendance impact risk prediction server concerning one embodiment of the present invention has. 本発明の一実施形態に係る勤怠影響リスク予測サーバによる勤怠影響リスク予測処理及びアルゴリズム改善処理の大まかな流れを示したフローチャートである。It is the flowchart which showed the rough flow of the attendance influence risk prediction process and the algorithm improvement process by the attendance impact risk prediction server which concerns on one Embodiment of this invention. 本発明の一実施形態に係る勤怠影響リスク予測サーバによって生成されるリスク予測結果画面の表示例を示した図である。It is a figure showing the example of a display of the risk prediction result screen generated by the attendance influence risk prediction server concerning one embodiment of the present invention. 本発明の一実施形態に係る勤怠影響リスク予測サーバによる勤怠影響リスク予測処理の流れを示したフローチャートである。It is the flowchart which showed the flow of the attendance influence risk prediction process by the attendance impact risk prediction server which concerns on one Embodiment of this invention. 本発明の一実施形態に係る勤怠影響リスク予測サーバによるアルゴリズム改善処理のうちストレス予測重み付けパラメータの改善処理の流れを示したフローチャートである。It is the flowchart which showed the flow of the improvement processing of the stress prediction weighting parameter in the algorithm improvement processing by the attendance influence risk prediction server which concerns on one Embodiment of this invention. 本発明の一実施形態に係る勤怠影響リスク予測サーバによるアルゴリズム改善処理のうち勤怠影響リスク予測重み付けパラメータの改善処理の流れを示したフローチャートである。It is the flowchart which showed the flow of the improvement processing of the attendance influence risk prediction weighting parameter in the algorithm improvement processing by the attendance influence risk prediction server which concerns on one Embodiment of this invention.

以下、図面を参照しながら、本発明の実施形態を説明する。   Hereinafter, embodiments of the present invention will be described with reference to the drawings.

［システムの構成］
図１は、本実施形態に係る勤怠影響リスク予測システムの構成を示した図である。 [System configuration]
FIG. 1 is a diagram showing the configuration of the attendance impact risk prediction system according to the present embodiment.

同図に示すように、このシステムは、インターネット５０上の勤怠影響リスク予測サーバ１００と、少なくとも１つのユーザ端末２００及び３００とを含む。   As shown in the figure, the system includes a time and attendance risk prediction server 100 on the Internet 50, and at least one user terminal 200 and 300.

勤怠影響リスク予測サーバ１００は、ＡＳＰ（Application Service Provider）またはＳａａｓ（Software as a Service）サービス形態で、企業組織の従業員のストレスに基づく勤怠影響リスクを予測してユーザ端末２００へ提供するサーバである。勤怠影響リスク予測サーバ１００は、ユーザ端末２００とインターネット５０を介して接続されている。   The attendance impact risk prediction server 100 is a server that predicts the attendance impact risk based on the stress of the employees of the corporate organization and provides it to the user terminal 200 in an ASP (Application Service Provider) or Saas (Software as a Service) service form. is there. The attendance impact risk prediction server 100 is connected to the user terminal 200 via the Internet 50.

詳細は後述するが、勤怠影響リスク予測サーバ１００は、ユーザ端末２００のユーザが属する企業組織の従業員のユーザ端末３００から入力されたストレスチェックデータ及び当該従業員の勤怠労務データを基に、当該従業員の近い将来（例えば、１ヵ月後／２ヶ月後／３ヵ月後）のストレスを予測し、当該予測したストレスを基に、上記近い将来における当該従業員の遅刻リスク、生産性低下リスク、休職・退職リスクといった勤怠影響リスクを予測してその予測結果をユーザ端末２００へ提示する。   Although the details will be described later, the time and attendance risk prediction server 100 performs the stress check data input from the user terminal 300 of the employee of the corporate organization to which the user of the user terminal 200 belongs and the time and labor data of the employee based on the stress check data. Forecast the stress of the employee in the near future (for example, 1 month / 2 months / 3 months later), and based on the predicted stress, the employee's risk of being late in the near future, risk of productivity loss, Attendance risk such as leave and retirement risk is predicted, and the prediction result is presented to the user terminal 200.

ユーザ端末２００（２００Ａ，２００Ｂ，２００Ｃ...）及び３００（３００Ａ，３００Ｂ，３００Ｃ...）は、ユーザにより使用される端末であり、例えばスマートフォン、携帯電話、タブレットＰＣ（Personal Computer）、ノートブックＰＣ、デスクトップＰＣ等である。   The user terminals 200 (200A, 200B, 200C ...) and 300 (300A, 300B, 300C ...) are terminals used by the user, such as a smartphone, a mobile phone, a tablet PC (Personal Computer), and a notebook. It is a book PC, a desktop PC, or the like.

ユーザ端末２００のユーザは、例えば事業者や人事部長等、従業者の勤怠影響リスクを評価する立場にいる管理者である。ユーザ端末２００は、勤怠影響リスク予測サーバ１００へアクセスし、上記勤怠影響リスクの予測結果画面を受信してブラウザ等により画面に表示する。   The user of the user terminal 200 is, for example, an administrator, such as a business operator or a human resources manager, who is in a position to evaluate the attendance impact risk of employees. The user terminal 200 accesses the attendance impact risk prediction server 100, receives the attendance impact risk prediction result screen, and displays the screen on a browser or the like.

ユーザ端末３００のユーザは、上記企業組織において上記管理者に管理される従業員である。ユーザ端末３００は、従業員から、後述する所定のストレスチェック項目を有するストレスチェックデータの入力を、ブラウザ等を介して受け付け、当該ストレスチェックデータを勤怠影響リスク予測サーバ１００へ送信する。   The user of the user terminal 300 is an employee managed by the manager in the company organization. The user terminal 300 receives, via a browser or the like, an input of stress check data having a predetermined stress check item described later from an employee, and transmits the stress check data to the attendance impact risk prediction server 100.

［勤怠影響リスク予測サーバのハードウェア構成］
図２は、上記勤怠影響リスク予測サーバ１００のハードウェア構成を示した図である。同図に示すように、勤怠影響リスク予測サーバ１００は、ＣＰＵ（Central Processing Unit）１１、ＲＯＭ（Read Only Memory）１２、ＲＡＭ（Random Access Memory）１３、入出力インタフェース１５、及び、これらを互いに接続するバス１４を備える。 [Hardware configuration of the attendance impact risk prediction server]
FIG. 2 is a diagram illustrating a hardware configuration of the attendance impact risk prediction server 100. As shown in FIG. 1, the attendance impact risk prediction server 100 includes a CPU (Central Processing Unit) 11, a ROM (Read Only Memory) 12, a RAM (Random Access Memory) 13, an input / output interface 15, and connects these to one another. A bus 14 is provided.

ＣＰＵ１１は、必要に応じてＲＡＭ１３等に適宜アクセスし、各種演算処理を行いながら勤怠影響リスク予測サーバ１００の各ブロック全体を統括的に制御する。ＲＯＭ１２は、ＣＰＵ１１に実行させるＯＳ、プログラムや各種パラメータなどのファームウェアが固定的に記憶されている不揮発性のメモリである。ＲＡＭ１３は、ＣＰＵ１１の作業用領域等として用いられ、ＯＳ、実行中の各種アプリケーション、処理中の各種データを一時的に保持する。   The CPU 11 appropriately accesses the RAM 13 and the like as necessary, and performs overall control of all the blocks of the attendance impact risk prediction server 100 while performing various arithmetic processes. The ROM 12 is a non-volatile memory in which an OS to be executed by the CPU 11 and firmware such as programs and various parameters are fixedly stored. The RAM 13 is used as a work area or the like of the CPU 11, and temporarily stores an OS, various applications being executed, and various data being processed.

入出力インタフェース１５には、表示部１６、操作受付部１７、記憶部１８、通信部１９等が接続される。   The input / output interface 15 is connected to a display unit 16, an operation reception unit 17, a storage unit 18, a communication unit 19, and the like.

表示部１６は、例えばＬＣＤ（Liquid Crystal Display）、ＯＥＬＤ（Organic ElectroLuminescence Display）、ＣＲＴ（Cathode Ray Tube）等を用いた表示デバイスである。   The display unit 16 is a display device using, for example, an LCD (Liquid Crystal Display), an OELD (Organic ElectroLuminescence Display), a CRT (Cathode Ray Tube), or the like.

操作受付部１７は、例えばマウス等のポインティングデバイス、キーボード、タッチパネル、その他の入力装置である。操作受付部１７がタッチパネルである場合、そのタッチパネルは表示部１６と一体となり得る。   The operation receiving unit 17 is, for example, a pointing device such as a mouse, a keyboard, a touch panel, and other input devices. When the operation receiving unit 17 is a touch panel, the touch panel can be integrated with the display unit 16.

記憶部１８は、例えばＨＤＤ（Hard Disk Drive）や、フラッシュメモリ（ＳＳＤ；Solid State Drive）、その他の固体メモリ等の不揮発性メモリである。当該記憶部１８には、上記ＯＳや各種アプリケーション、各種データが記憶される。   The storage unit 18 is a non-volatile memory such as a hard disk drive (HDD), a solid state drive (SSD), and other solid-state memories. The storage unit 18 stores the OS, various applications, and various data.

特に本実施形態では、記憶部１８は、勤怠影響リスクを予測するためのアプリケーションその他のプログラム、データを記憶している。このようなデータの詳細については後述する。   In particular, in the present embodiment, the storage unit 18 stores an application, other programs, and data for predicting the attendance impact risk. Details of such data will be described later.

通信部１９は、例えばEthernet用のＮＩＣ（Network Interface Card）や無線ＬＡＮ等の無線通信用の各種モジュールであり、上記ユーザ端末２００及び３００との間の通信処理を担う。   The communication unit 19 is, for example, an Ethernet NIC (Network Interface Card) or various modules for wireless communication such as a wireless LAN, and performs communication processing with the user terminals 200 and 300.

なお、図示しないが、ユーザ端末２００及び３００の基本的なハードウェア構成も上記勤怠影響リスク予測サーバ１００のハードウェア構成と略同様である。   Although not shown, the basic hardware configuration of the user terminals 200 and 300 is substantially the same as the hardware configuration of the attendance impact risk prediction server 100.

また、ユーザ端末２００には、勤怠影響リスク予測サーバ１００による勤怠影響リスク予測処理の結果を閲覧するためのアプリケーションがインストールされているものとする。   It is also assumed that an application for browsing the result of the attendance impact risk prediction process by the attendance impact risk prediction server 100 is installed in the user terminal 200.

［勤怠影響リスク予測アルゴリズム］
勤怠影響リスク予測サーバ１００は、上記勤怠影響リスク予測結果の提供サービスの開始に先立ち、勤怠影響リスク予測アルゴリズムを構築する。図３は、当該勤怠影響リスク予測アルゴリズムの構築処理を説明した図である。 [Attendance impact risk prediction algorithm]
The attendance impact risk prediction server 100 constructs an attendance impact risk prediction algorithm before starting the service for providing the attendance impact risk prediction result. FIG. 3 is a diagram illustrating a process of constructing the attendance impact risk prediction algorithm.

同図に示すように、勤怠影響リスク予測サーバ１００は、厚生労働省のストレスチェックシート回答結果２１と、勤怠労務データ２２と、コルチゾール濃度データ２３とを基にした多変量解析により、勤怠影響リスク予測アルゴリズム３０を構築する。当該勤怠影響リスク予測アルゴリズム３０は、ストレス予測重み付けパラメータテーブル３１及び勤怠影響リスク予測重み付けパラメータテーブル３２を含む。   As shown in the figure, the attendance impact risk prediction server 100 uses the multivariate analysis based on the response result 21 of the Ministry of Health, Labor and Welfare's stress check sheet, the attendance labor data 22 and the cortisol concentration data 23 to estimate the attendance impact risk. Build the algorithm 30. The attendance impact risk prediction algorithm 30 includes a stress prediction weighting parameter table 31 and a attendance impact risk prediction weighting parameter table 32.

上記ストレスチェックシート回答結果２１は、改正労働安全衛生法に基づいて平成２７年１２月に施行されたストレスチェック制度が事業者にて円滑に導入できるよう厚生労働省が提供している、ストレスチェックの受検、結果出力、集団分析等ができるプログラムにより、複数のストレスチェック項目に対して被験者が回答した結果を示すデータである。   The stress check sheet response result 21 is based on the stress check sheet provided by the Ministry of Health, Labor and Welfare so that businesses can smoothly introduce the stress check system implemented in December 2015 based on the revised Industrial Safety and Health Law. This is data indicating the result of the subject's response to a plurality of stress check items by a program that can perform an examination, output a result, group analysis, and the like.

上記複数のストレスチェック項目としては、例えば、５７の設問（またはその簡易版の２３の設問）からなる厚生労働省指針の「職業性ストレス簡易調査表」を用いることができる。この「職業性ストレス簡易調査表」には、「非常にたくさんの仕事をしなければならない」「時間内に仕事が処理しきれない」といった業務そのものに対する設問の他、「職場の仕事の方針に自分の意見を反映できる」「私の部署内で意見の食い違いがある」「私の職場の雰囲気は友好的である」「次の人達はどのくらい気軽に話ができますか−上司、職場の同僚」等、職場環境、職場の周りの人間に対する設問が含まれる。   As the above-mentioned plurality of stress check items, for example, a “simple occupational stress survey table” of the Ministry of Health, Labor and Welfare guidelines consisting of 57 questions (or 23 questions of the simplified version) can be used. This simple questionnaire for occupational stress includes questions about the work itself, such as "I have to do a lot of work" and "I can't handle the work in time." "I can reflect my opinion", "I have a disagreement within my department", "The atmosphere of my workplace is friendly", "How easy are the following people to talk-Boss, colleague at work And other questions about the work environment and the people around the workplace.

上記ストレスチェックのための各設問は、「仕事のストレス要因（例えば、仕事の負担や対人関係のストレス等。以下、単に「要因」ともいう。）」「心身のストレス反応（例えば、イライラ感や疲労感等。以下、単に「反応」ともいう。）」「周囲のサポート（例えば、上司や同僚との話しやすさ等。以下、単に「環境」ともいう。）」の３領域に分類されている。各設問の各回答には、項目の該当度を判断するための素点が予め与えられており、勤怠影響リスク予測サーバ１００は、それら項目ごとにこれらの点数を集計し、この合計点に応じて項目ごとの該当度を決定する。   The questions for the stress check include "work stress factors (for example, work load and interpersonal stress; hereinafter, also simply referred to as" factors ")" and "mental and mental stress reactions (for example, Fatigue, etc., hereinafter simply referred to as "reaction". "" Surrounding support (for example, ease of talking with a boss or colleague. Hereinafter, also simply referred to as "environment"). I have. Each answer to each question is given in advance a score for judging the relevance of the item, and the attendance impact risk prediction server 100 totals these scores for each item, and according to the total score, To determine the relevance of each item.

上記被験者は、上記ユーザ端末２００及び３００が属する企業組織とは異なる企業組織に属する従業員からランダムに抽出された複数の従業員である。上記データは、管理者側が個々の従業員毎のＩＤを割り振ったのち、匿名化される。   The test subjects are a plurality of employees randomly extracted from employees belonging to a business organization different from the business organization to which the user terminals 200 and 300 belong. The data is anonymized after the manager assigns an ID for each employee.

上記勤怠労務データ２２は、上記被験者の所定期間に亘る出勤、退勤、遅刻、休暇、欠勤等に関するデータである。当該データも、上記ストレスチェックシート回答結果２１と同様のＩＤを割り振られたのちに匿名化される。   The time and labor data 22 is data on the attendance, leaving, late, vacation, absence, etc. of the subject over a predetermined period. The data is also anonymized after being assigned the same ID as the stress check sheet answer result 21.

上記コルチゾール濃度データ２３は、上記被験者の唾液中のコルチゾール濃度を示すデータである。コルチゾールは、副腎皮質ホルモンである糖質コルチコイドの一種であり、ストレス（比較的強度の高いストレス）によって分泌される。当該データも、上記と同様に匿名化される。   The cortisol concentration data 23 is data indicating the cortisol concentration in saliva of the subject. Cortisol is a type of glucocorticoid which is a corticosteroid, and is secreted by stress (stress of relatively high intensity). The data is also made anonymous as described above.

勤怠影響リスク予測サーバ１００は、上記ストレスチェックシート回答結果２１のうち、ストレスに影響する項目を抽出したデータと上記勤怠労務データ２２とをマージしたデータを説明変数とし、上記コルチゾール濃度２３を被説明変数として、被験者の１カ月後のストレス／２カ月後のストレス／３カ月後ストレスをそれぞれ予測するモデルを選択して多変量解析を行い、ストレス予測重み付けパラメータを選択することで、上記ストレス予測重み付けパラメータテーブル３１を生成する。当該パラメータの選択には、例えばＡＩＣ（Akaike's Information Criterion）が用いられる。   The time and attendance risk prediction server 100 uses the data obtained by merging the data that extracted the stress affecting items and the time and labor data 22 in the stress check sheet response result 21 as an explanatory variable, and describes the cortisol concentration 23 as an explanatory variable. As a variable, a model for predicting stress of one month after the subject / stress after two months / stress after three months is selected, a multivariate analysis is performed, and a stress prediction weighting parameter is selected. A parameter table 31 is generated. For example, AIC (Akaike's Information Criterion) is used to select the parameter.

上記ストレスに影響する項目（以下、ストレス影響項目）とは、例えば、性別、年齢、性格（外向性）、性格（協調性）、性格（勤勉性）、性格（神経症傾向）、性格（開放性）、虚偽傾向、うつ傾向、仕事の負担感、
環境的ストレス等である。 The items that influence the stress (hereinafter, stress-influencing items) include, for example, gender, age, personality (extroversion), personality (cooperation), personality (industriousness), personality (neurosis tendency), and personality (openness). Gender), false tendency, depression tendency, work burden,
Environmental stress and the like.

また勤怠影響リスク予測サーバ１００は、上記マージしたデータを説明変数とし、上記被験者の１カ月後／２カ月後／３カ月後における健康上の問題による労働生産性の低下率（または、遅刻率、休職率、退職率）を被説明変数として、被験者の１カ月後のストレス／２カ月後のストレス／３カ月後ストレスをそれぞれ予測するモデルを選択して多変量解析を行い、勤怠影響リスク予測重み付けパラメータを例えば上記ＡＩＣを用いて選択することで、上記勤怠影響リスク予測重み付けパラメータテーブル３１を生成する。   Also, the attendance impact risk prediction server 100 uses the merged data as an explanatory variable, and determines a decrease in labor productivity (or a tardiness rate, (Time off rate, retirement rate) as explained variables, multivariate analysis is performed by selecting models that predict subject's stress after 1 month, stress after 2 months, and stress after 3 months. By selecting parameters using, for example, the AIC, the attendance impact risk prediction weighting parameter table 31 is generated.

当該勤怠影響リスク予測アルゴリズム３０（ストレス予測重み付けパラメータテーブル３１及び勤怠影響リスク予測重み付けパラメータテーブル３２）は、記憶部１８に記憶され、後述する勤怠影響リスク予測処理及び勤怠影響リスク予測アルゴリズム改善処理に用いられる。   The attendance impact risk prediction algorithm 30 (stress prediction weighting parameter table 31 and attendance impact risk prediction weighting parameter table 32) is stored in the storage unit 18 and is used for attendance impact risk prediction processing and attendance impact risk prediction algorithm improvement processing described later. Can be

このストレス予測重み付けパラメータテーブル３１と勤怠影響リスク予測重み付けパラメータテーブル３２は、例えばいずれも、以下の１〜１１の項目のパラメータを有する。ただし、これらのうちいずれかの項目のパラメータが用いられなくてもよい。
１． 性別に対する重みづけパラメータ
２． 年齢に対する重みづけパラメータ
３． 性格（外向性）に対する重みづけパラメータ
４． 性格（協調性）に対する重みづけパラメータ
５． 性格（勤勉性）に対する重みづけパラメータ
６． 性格（神経症傾向）に対する重みづけパラメータ
７． 性格（開放性）に対する重みづけパラメータ
８． 虚偽傾向に対する重みづけパラメータ
９． うつ傾向に対する重みづけパラメータ
１０．仕事の負担感に対する重みづけパラメータ
１１．環境的ストレスに対する重みづけパラメータ Each of the stress prediction weighting parameter table 31 and the attendance influence risk prediction weighting parameter table 32 has parameters of the following items 1 to 11, for example. However, the parameter of any one of these items may not be used.
1. 1. Weighting parameters for gender 2. Weighting parameters for age 3. Weighting parameters for personality (extroversion) 4. Weighting parameters for personality (cooperation) 5. Weighting parameters for personality (industriousness) 6. Weighting parameters for personality (neurotic tendency) 7. Weighting parameter for personality (openness) 8. Weighting parameter for false tendency 9. Weighting parameter for depression tendency 10. Weighting parameters for work burden Weighting parameters for environmental stress

これらの項目１〜１１のパラメータは、１カ月後ストレス／２ヶ月後ストレス／３か月後ストレス毎に異なった値のものが生成される。後述するが、これらパラメータは、勤怠影響リスク予測アルゴリズム３０がアルゴリズム改善処理を経て随時改善される度に変化する。これらパラメータのうち、１カ月後ストレスに対応する各パラメータの中では、特に、性別、性格（外向性）、性格（協調性）、環境的ストレスに対するパラメータの予測への寄与が変化する。一方、２ヶ月後ストレス及び３ヵ月後ストレスに対応する各の中では、１カ月後ストレスに比べ、特に、性格（協調性）に対するパラメータの予測への寄与が変化する。また、上記アルゴリズム改善処理により、上記１〜１１の項目のパラメータが絞り込まれたり、いずれか複数のパラメータが統合されたりする場合があり得る。   For the parameters of these items 1 to 11, different values are generated for stress after one month / stress after two months / stress after three months. As will be described later, these parameters change each time the attendance impact risk prediction algorithm 30 is improved through the algorithm improvement processing. Among these parameters, among the parameters corresponding to the stress after one month, the contribution of the parameters to gender, personality (extroversion), personality (cooperation), and environmental stress particularly changes. On the other hand, among the cases corresponding to the stress after 2 months and the stress after 3 months, the contribution of the parameter to the personality (coordination) particularly to the prediction changes compared to the stress after 1 month. In addition, the algorithm improvement processing may narrow down the parameters of the items 1 to 11 or integrate any one of a plurality of parameters.

また、勤怠影響リスク予測重み付けパラメータは、遅刻リスク、生産性低下リスク、休職・退職リスクの各リスク毎に生成され、上記アルゴリズム改善処理の度に変化する。これらのうち、遅刻リスクに対応するパラメータにおいては、特に、１カ月後ストレスに対応する各パラメータの予測への寄与が変化する。また、生産性低下リスクに対応するパラメータにおいては、特に、性別、性格（外向性）、性格（神経症傾向）、性格（開放性）、仕事の負担、環境的ストレスに対するパラメータの予測への寄与が変化する。また、休職・退職リスクに対応するパラメータにおいては、特に、年齢、遅刻回数、労働生産性低下度に対するパラメータの予測への寄与が変化する。   The attendance effect risk prediction weighting parameter is generated for each risk of lateness risk, productivity reduction risk, and leave / retirement risk, and changes each time the above algorithm improvement process is performed. Among these, in the parameter corresponding to the late risk, the contribution of each parameter corresponding to the stress after one month to the prediction changes. In addition, in the parameters corresponding to the risk of productivity loss, in particular, contribution to prediction of parameters for gender, personality (extroversion), personality (neurosis tendency), personality (openness), work load, and environmental stress. Changes. Further, in the parameters corresponding to the leave / retirement risk, the contribution of the parameters to the prediction of the age, the number of times of being late, and the degree of decrease in labor productivity changes.

［勤怠影響リスク予測サーバの動作］
次に、以上のように構成された勤怠影響リスク予測サーバ１００の動作について説明する。当該動作は、勤怠影響リスク予測サーバ１００のＣＰＵ１１及び通信部１９等のハードウェアと、記憶部１８に記憶されたソフトウェアとの協働により実行される。以下の説明では、便宜上、ＣＰＵ１１を動作主体とする。 [Operation of the attendance risk prediction server]
Next, the operation of the attendance impact risk prediction server 100 configured as described above will be described. This operation is executed in cooperation with hardware such as the CPU 11 and the communication unit 19 of the attendance impact risk prediction server 100 and software stored in the storage unit 18. In the following description, the CPU 11 is mainly used as an operation for convenience.

図４は、勤怠影響リスク予測サーバ１００による動作の大まかな流れを示したフローチャートである。当該動作は、上述したように、勤怠影響リスク予測処理と、上記勤怠影響リスク予測アルゴリズムの改善処理に大別される。   FIG. 4 is a flowchart showing a rough flow of the operation by the attendance impact risk prediction server 100. As described above, the operation is roughly divided into the attendance impact risk prediction process and the improvement process of the attendance impact risk prediction algorithm.

同図に示すように、勤怠影響リスク予測サーバ１００のＣＰＵ１１はまず、上記ユーザ端末３００のユーザである複数の従業員の上記厚労省ストレスチェックシート回答結果２１、勤怠労務データ２２を基に、上記勤怠影響リスク予測アルゴリズム３０によって勤怠影響リスクを予測する（ステップ１０１）。   As shown in the figure, the CPU 11 of the attendance impact risk prediction server 100 firstly based on the MHLW stress check sheet answer result 21 and the attendance labor data 22 of a plurality of employees who are users of the user terminal 300. The attendance impact risk is predicted by the attendance impact risk prediction algorithm 30 (step 101).

当該勤怠影響リスクは、遅刻リスク予測データ４１、生産性低下リスク予測データ４２、休職・退職リスク予測データ４３に分類されそれぞれ記憶される。   The attendance impact risk is classified and stored as late risk prediction data 41, productivity reduction risk prediction data 42, and leave / retirement risk prediction data 43.

遅刻リスク予測データ４１は、１ヵ月後ストレス予測データ、２ヶ月後ストレス予測データ、３ヵ月後ストレス予測データに対して、上記勤怠影響リスク予測重み付けパラメータのうち、遅刻リスク計算のためのパラメータを掛け合わせ、重み付けした値を集計した値である。   The lateness risk prediction data 41 is obtained by multiplying the one-month stress prediction data, the two-month stress prediction data, and the three-month stress prediction data by a parameter for calculating the lateness risk among the above-mentioned attendance effect risk prediction weighting parameters. It is a value obtained by summing the values that have been combined and weighted.

生産性低下リスク予測データ４２は、１ヵ月後ストレス予測データ、２ヶ月後ストレス予測データ、３ヵ月後ストレス予測データに対して、上記勤怠影響リスク予測重み付けパラメータのうち、生産性低下リスク計算のためのパラメータを掛け合わせ、重みづけした値を集計した値である。   The productivity reduction risk prediction data 42 is used to calculate the productivity reduction risk among the above-mentioned attendance impact risk prediction weighting parameters with respect to the stress prediction data after one month, the stress prediction data after two months, and the stress prediction data after three months. Is a value obtained by summing the weighted values by multiplying the parameters.

休職・退職リスク予測データ４３は、１ヵ月後ストレス予測データ、２ヶ月後ストレス予測データ、３ヵ月後ストレス予測データに対して、上記勤怠影響リスク予測重み付けパラメータのうち、休職・退職リスク計算のためのパラメータを掛け合わせ、重みづけした値を集計した値である。   The leave / retirement risk prediction data 43 is used to calculate the leave / retirement risk among the above-mentioned attendance effect risk prediction weighting parameters with respect to the stress prediction data after one month, the stress prediction data after two months, and the stress prediction data after three months. Is a value obtained by summing the weighted values by multiplying the parameters.

続いてＣＰＵ１１は、当該遅刻リスク４１、生産性低下リスク４２及び休職・退職リスク４３の各予測結果をチャートで示したリスク予測結果表示画面を生成し、例えばユーザ端末２００からの要求に応じて当該画面を、ブラウザを介してユーザ端末３００に表示させる（ステップ１０２）。   Subsequently, the CPU 11 generates a risk prediction result display screen showing the respective prediction results of the tardiness risk 41, the productivity reduction risk 42, and the leave / retirement risk 43 in a chart, for example, in response to a request from the user terminal 200. The screen is displayed on the user terminal 300 via the browser (step 102).

図５は、当該リスク予測結果表示画面の例を示した図である。   FIG. 5 is a diagram showing an example of the risk prediction result display screen.

同図に示すように、当該画面は、リスク予測結果表示部６０と、シミュレーション操作受付部７０とを有する。   As shown in the figure, the screen includes a risk prediction result display unit 60 and a simulation operation reception unit 70.

リスク予測結果表示画面６０は、高リスク者数表示領域６１、ストレス分布表示領域６２、リスク分布（仕事の負担）表示領域６３及びリスク分布（環境的ストレス）表示領域６４を有する。   The risk prediction result display screen 60 has a high risk person number display area 61, a stress distribution display area 62, a risk distribution (work burden) display area 63, and a risk distribution (environmental stress) display area 64.

高リスク者数表示領域６１は、１ヵ月後、２ヶ月後、３ヵ月後の勤怠影響高リスク者の数を、遅刻リスク、生産性低下リスク、休職・退職リスク毎に区分けして示した領域である。   The high-risk number display area 61 is an area in which the number of high-impact persons at one month, two months, and three months is classified according to lateness risk, productivity loss risk, and leave / retirement risk. It is.

ストレス分布表示領域６２は、１ヵ月後、２ヶ月後、３ヵ月後の休職・退職リスクに関する従業員のストレス値の分布をそれぞれ示した領域である。   The stress distribution display area 62 is an area showing the distribution of the stress values of the employees regarding the leave and retirement risk after one month, two months, and three months.

リスク分布（仕事の負担）表示領域６３及びリスク分布（環境的ストレス）表示領域６４は、上記ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータのうち、仕事の負担感に対するパラメータ及び環境的ストレスに対するパラメータをそれぞれＹ軸に、ストレス・心理傾向（うつ傾向）の値をＸ軸に取り、それらに対する高リスク者の分布をそれぞれ示した領域である。   The risk distribution (work burden) display area 63 and the risk distribution (environmental stress) display area 64 include, among the stress prediction weighting parameter and the attendance / effect risk prediction weighting parameter, a parameter for the work burden and a parameter for the environmental stress. Are plotted on the Y-axis and the values of stress / psychological tendency (depression tendency) are plotted on the X-axis, and the distribution of high-risk persons with respect to them is shown.

シミュレーション操作受付部７０は、現在よりも上記従業員の上記ストレスチェックの結果が改善または悪化した場合に予測される勤怠影響リスクをユーザの操作に応じてシミュレーションして提示するためのユーザの操作を受け付けるユーザインタフェースである。   The simulation operation receiving unit 70 performs a user operation for simulating and presenting the attendance impact risk predicted when the result of the stress check of the employee is improved or worsened according to the user operation. User interface to accept.

当該シミュレーション操作受付部７０は、上記ストレスチェック項目の「要因」「反応」「環境」の分類ごとに、それらのストレス度合を現在よりも悪化方向（例えば上方向）と改善方向（例えば下方向）へ移動操作することが可能なシミュレーションバー７１、７２、７３を有する。   The simulation operation receiving unit 70 determines the degree of stress (for example, upward) and the direction of improvement (for example, downward) of the stress check items for each of the “factor”, “reaction”, and “environment” classifications. Simulation bars 71, 72, and 73 that can be moved to are provided.

ユーザがこのシミュレーションバー７１〜７３のいずれかを移動操作すると、ＣＰＵ１１は、その移動量に応じた悪化度または改善度に応じて、上記リスク予測結果表示画面６０の全ての領域６１〜６４のチャートを更新する（図４のステップ１０３）。   When the user moves any one of the simulation bars 71 to 73, the CPU 11 generates a chart of all the areas 61 to 64 on the risk prediction result display screen 60 according to the degree of deterioration or improvement according to the amount of movement. Is updated (step 103 in FIG. 4).

これによりユーザは、従業員のストレスが現在よりも悪化した場合の高リスク者数、高ストレス者数、改善した場合の高リスク者数、高ストレス者数を視覚的に容易かつリアルタイムに確認可能となる。   This allows the user to visually and easily check the number of high-risk persons, the number of high-stress persons, and the number of high-risk persons when the employee's stress is worse than they are now Becomes

図４に戻り、ＣＰＵ１１は、上記生成した遅刻リスク予測データ４１、生産性低下予測データ４２及び休職・退職リスク予測データ４３と、３ヵ月後における３か月分の上記従業員の勤怠労務データ２２ａ（実際の遅刻回数、生産性低下度及び休職・退職回数）とを比較し、それらの差分を計算し、差分データ４５を生成する（ステップ１０４）。   Returning to FIG. 4, the CPU 11 generates the lateness risk prediction data 41, the productivity reduction prediction data 42, the leave / retirement risk prediction data 43, and the employee's time and labor data 22 a for three months after three months. (The actual number of times of delay, the degree of productivity decrease, and the number of times of leave / retirement), and the difference between them is calculated to generate difference data 45 (step 104).

続いてＣＰＵ１１は、当該リスクと予測結果の差分データ４５と、上記厚労省ストレスチェックシート回答結果２１とを基に、現在の勤怠影響リスク予測アルゴリズム３０を修正（改善）して更新する（ステップ１０５）。   Subsequently, the CPU 11 corrects (improves) and updates the current attendance impact risk prediction algorithm 30 based on the difference data 45 between the risk and the prediction result and the response result 21 of the MHLW stress check sheet (step). 105).

以下、以上の勤怠影響リスク予測処理及び勤怠影響リスク予測アルゴリズム改善処理の詳細について説明する。   The details of the attendance impact risk prediction process and the attendance impact risk prediction algorithm improvement process will be described below.

（勤怠影響リスク予測処理）
図６は、勤怠影響リスク予測サーバ１００による上記勤怠影響リスク予測処理の詳細な流れを示したフローチャートである。 (Attendance impact risk prediction process)
FIG. 6 is a flowchart showing a detailed flow of the attendance impact risk prediction process by the attendance impact risk prediction server 100.

同図に示すように、ＣＰＵ１１は、上記厚労省ストレスチェックシート回答結果２１と勤怠労務データ２２とを、人事部等において割り振られたＩＤをキーにして突合（マージ）して、ストレスチェック回答結果・勤怠労務データ突合データ５１を生成する（ステップ１１１）。   As shown in the figure, the CPU 11 merges the MHLW stress check sheet response result 21 and the attendance / work labor data 22 with the ID assigned by the personnel department or the like as a key, and performs a stress check response. The result / time and labor data matching data 51 is generated (step 111).

続いてＣＰＵ１１は、当該突合データ５１から、ストレス影響データ項目を抽出してストレス影響項目データ５２を生成する（ステップ１１２）。   Subsequently, the CPU 11 extracts the stress influence data items from the matching data 51 and generates the stress influence item data 52 (step 112).

ここでストレス影響項目データとは、上記ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータが有する例えば１１個のパラメータ項目に対応する、「性別」、「年齢」、「性格（外向性）」、「性格（協調性）」、「性格（勤勉性）」、「性格（神経症傾向）」、
「性格（開放性）」、「虚偽傾向」、「うつ傾向」、「仕事の負担感」、「環境的ストレス」の各項目の値を示すデータである。ただし、当該ストレス影響項目データについても、上記アルゴリズム改善処理に伴って絞り込まれたり統合されたりする場合があり得る。 Here, the stress-affected item data includes “gender”, “age”, “character (extroversion)”, and “gender” corresponding to, for example, 11 parameter items included in the stress prediction weighting parameter and the attendance impact risk prediction weighting parameter. Personality (cooperation) "," character (industriousness) "," character (neuropathy) "
It is data indicating values of items of “personality (openness)”, “false tendency”, “depression tendency”, “work burden”, and “environmental stress”. However, the stress-affected item data may be narrowed down or integrated with the algorithm improvement processing in some cases.

続いてＣＰＵ１１は、当該ストレス影響項目データ５２と上記ストレス予測重み付けパラメータテーブル３１の各パラメータとを掛け合わせ、１ヵ月後ストレス、２ヶ月後ストレス、３ヵ月後ストレスを予測計算し、１ヵ月後ストレス予測データ５３、２ヶ月後ストレス予測データ５４及び３ヵ月後ストレス予測データ５５を生成する（ステップ１１３）。   Subsequently, the CPU 11 multiplies the stress-affected item data 52 by the respective parameters of the stress prediction weighting parameter table 31 to predict and calculate the stress after one month, the stress after two months, and the stress after three months. The prediction data 53, the stress prediction data after 2 months 54 and the stress prediction data 55 after 3 months are generated (step 113).

すなわち、１ヵ月後ストレス予測データ５３は、上記ストレス影響項目データに、上記ストレス予測重み付けパラメータのうち１ヵ月後ストレスの計算のためのパラメータを掛け合わせ、重み付けした値を集計した値である。   That is, the one-month stress prediction data 53 is a value obtained by multiplying the stress-affected item data by a parameter for calculating the one-month stress among the stress prediction weighting parameters and summing up the weighted values.

同様に、２ヶ月後ストレス予測データ５４は、上記ストレス影響項目データに、上記ストレス予測重み付けパラメータのうち２ヵ月後ストレスの計算のためのパラメータを掛け合わせ、重み付けした値を集計した値である。   Similarly, the two-month stress prediction data 54 is a value obtained by multiplying the stress-affected item data by the stress prediction weighting parameter for the two-month stress calculation and summing up the weighted values.

同様に、３ヶ月後ストレス予測データ５５は、上記ストレス影響項目データに、上記ストレス予測重み付けパラメータのうち３ヵ月後ストレスの計算のためのパラメータを掛け合わせ、重み付けした値を集計した値である。   Similarly, the three-month stress prediction data 55 is a value obtained by multiplying the stress-affected item data by the parameter for calculating the three-month stress among the stress prediction weighting parameters and summing up the weighted values.

続いてＣＰＵ１１は、上記１ヵ月後ストレス予測データ５３、２ヶ月後ストレス予測データ５４及び３ヵ月後ストレス予測データ５５と、上記勤怠影響リスク予測重み付けパラメータテーブル３２の遅刻リスク、生産性低下リスク、休職・退職リスクの各計算用の各パラメータとを掛け合わせ、重み付けした値を集計することで、勤怠影響リスク（遅刻リスク、生産性低下リスク、休職・退職リスク）を予測計算し、遅刻リスク予測データ４１、生産性低下リスク予測データ４２及び休職・退職リスク予測データ４３を生成する（ステップ１１４）。   Subsequently, the CPU 11 calculates the one-month stress prediction data 53, the two-month stress prediction data 54, and the three-month stress prediction data 55, the lateness risk, the productivity reduction risk, and the leave of absence in the attendance impact risk prediction weighting parameter table 32.・ By multiplying by each parameter for each calculation of retirement risk and summing up the weighted values, it is possible to predict and calculate the attendance impact risk (lateness risk, productivity loss risk, leave / retirement risk), and to calculate lateness risk prediction data 41, productivity reduction risk prediction data 42 and leave / retirement risk prediction data 43 are generated (step 114).

（勤怠影響リスク予測アルゴリズム改善処理）
図７は、勤怠影響リスク予測サーバ１００による勤怠影響リスク予測アルゴリズム改善処理のうち、ストレス予測重み付けパラメータの改善処理の流れを示したフローチャートである。 (Improvement of algorithm for predicting the effect of attendance risk)
FIG. 7 is a flowchart illustrating a flow of an improvement process of the stress prediction weighting parameter in the attendance impact risk prediction algorithm improvement process by the attendance impact risk prediction server 100.

同図に示すように、ＣＰＵ１１は、上記生成した遅刻リスク予測データ４１、生産性低下リスク予測データ４２及び休職・退職リスク予測データ４３と、リスク予測から３ヵ月後の３ヵ月分の従業員の勤怠労務データ２２ａの実際の遅刻回数、生産性低下度及び休職・退職回数とを比較して差分を計算し、上記差分データ４５を生成する（ステップ１２１）。   As shown in the figure, the CPU 11 generates the lateness risk prediction data 41, the productivity reduction risk prediction data 42, and the leave / retirement risk prediction data 43, which are generated by the employee for three months three months after the risk prediction. The difference is calculated by comparing the actual number of times of lateness, the degree of productivity reduction, and the number of times of leave / retirement in the time and labor data 22a, and the difference data 45 is generated (step 121).

続いてＣＰＵ１１は、上記差分データ４５と、上記ストレス影響項目データ５２と、上記ストレス予測重み付けパラメータテーブル３１の１ヵ月後ストレス／２ヶ月後ストレス／３ヵ月後ストレスの各計算用のパラメータを基に、個々の従業員の勤怠影響リスクの予測データと実際の勤怠結果との差分の法則性を、多変量解析モデルやＡＩを用いた機械学習により予測し、ストレス予測重み付けパラメータ推計関数８１として構築する（ステップ１２２）。   Subsequently, the CPU 11 determines the parameters based on the difference data 45, the stress-affected item data 52, and the stress prediction weighting parameter table 31 based on the parameters for the calculation of the stress after one month, the stress after two months, and the stress after three months. Then, the rule of difference between the predicted data of the attendance impact risk of each employee and the actual attendance result is predicted by machine learning using a multivariate analysis model or AI, and is constructed as a stress prediction weighting parameter estimation function 81. (Step 122).

そしてＣＰＵ１１は、上記ストレス予測重み付けパラメータ推計関数８１を基に、１ヵ月後ストレス／２ヶ月後ストレス／３ヵ月後ストレスの各計算のためのストレス予測重み付けパラメータを修正し、ストレス予測重み付けパラメータテーブル３１を更新する（ステップ１２３）。   Then, the CPU 11 corrects the stress prediction weighting parameters for each calculation of the stress after one month, the stress after two months, and the stress after three months based on the stress prediction weighting parameter estimation function 81, and generates a stress prediction weighting parameter table 31. Is updated (step 123).

図８は、勤怠影響リスク予測サーバ１００による勤怠影響リスク予測アルゴリズム改善処理のうち、勤怠影響リスク予測重み付けパラメータの改善処理の流れを示したフローチャートである。   FIG. 8 is a flowchart showing a flow of an improvement process of the attendance impact risk prediction weighting parameter in the attendance impact risk prediction algorithm improvement process by the attendance impact risk prediction server 100.

同図に示すように、ＣＰＵ１１は、上記差分データ４５と、上記１ヵ月後ストレス予測データ５３、２ヶ月後ストレス予測データ５４及び３ヵ月後ストレス予測データ５５と、上記遅刻リスク／生産性低下リスク／休職・退職リスク計算のための各勤怠影響リスク予測パラメータとを基に、個々の従業員の勤怠影響リスクの予測データと実際の勤怠結果との差分の法則性を、多変量解析モデルやＡＩを用いた機械学習により予測し、勤怠影響リスク予測重み付けパラメータ推計関数９１として構築する（ステップ１３１）。   As shown in the drawing, the CPU 11 calculates the difference data 45, the one-month stress prediction data 53, the two-month stress prediction data 54, and the three-month stress prediction data 55, and the / Based on the time effect risk prediction parameters for calculating leave / retirement risk, the law of difference between the time effect risk prediction data of each employee and the actual time result can be evaluated using a multivariate analysis model or AI. Is predicted by machine learning using, and is constructed as a time influence risk prediction weighting parameter estimation function 91 (step 131).

そしてＣＰＵ１１は、上記勤怠影響リスク予測重み付けパラメータ推計関数９１を基に、遅刻リスク／生産性低下リスク／休職・退職リスクの各計算のための勤怠影響リスク予測重み付けパラメータを修正し、勤怠影響リスク予測重み付けパラメータテーブル３２を更新する（ステップ１３２）。   Then, the CPU 11 corrects the time-effect risk prediction weighting parameter for each calculation of the lateness risk / productivity risk / time off / retirement risk based on the time-effect risk prediction weighting parameter estimation function 91, thereby obtaining the time-effect risk prediction. The weight parameter table 32 is updated (step 132).

これにより勤怠影響リスク予測サーバ１００は、勤怠影響リスク予測データと実際の勤怠データとの差分を基に、ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータを改善することでき、そのための関数の構築にＡＩによる機械学習を用いることで、予測処理の増加に依存して予測精度を向上させることができる。   Accordingly, the time influence risk prediction server 100 can improve the stress prediction weighting parameter and the time influence risk prediction weighting parameter based on the difference between the time effect risk prediction data and the actual time data, and can construct a function for that purpose. By using machine learning by AI, the prediction accuracy can be improved depending on the increase in the prediction processing.

［まとめ］
以上説明したように、本実施形態によれば、勤怠影響リスク予測サーバ１００は、ストレスチェックデータと勤怠労務データに加えて、被験者の生体試料データ（唾液中のコルチゾール濃度）を基に生成された勤怠影響リスク予測アルゴリズム３０（ストレス予測重み付けパラメータ及び勤怠影響リスク予測パラメータ）を用いることで、企業組織の従業員のストレスから生じる勤怠影響リスクを高精度に予測することができる。 [Summary]
As described above, according to the present embodiment, the time and attendance risk prediction server 100 is generated based on the biological sample data of the subject (cortisol concentration in saliva) in addition to the stress check data and the time and labor data. By using the attendance impact risk prediction algorithm 30 (the stress prediction weighting parameter and the attendance impact risk prediction parameter), the attendance impact risk resulting from the stress of the employees of the corporate organization can be predicted with high accuracy.

［変形例］
本発明は上述の実施形態にのみ限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々変更され得る。 [Modification]
The present invention is not limited to only the above-described embodiment, and can be variously modified without departing from the gist of the present invention.

上述の実施形態では、勤怠影響リスク予測サーバ１００は、ＡＳＰまたはＳａａｓの形態でクラウド上のサーバとして実現されたが、企業組織内のＬＡＮ（Local Area Network）上のサーバとして実現されてもよい。また、勤怠影響リスク予測サーバ１００の機能が、全てユーザ端末２００にインストールされるアプリケーションソフトウェアで完結して実現されてもよい。また勤怠影響リスク予測サーバ１００の機能が、複数のサーバで分散して（例えば勤怠影響リスク予測処理と、ＡＩを用いた勤怠影響リスク予測アルゴリズムの改善処理とが別個のサーバで）実行されてもよい。   In the above-described embodiment, the attendance impact risk prediction server 100 is realized as a server on the cloud in the form of ASP or Saas, but may be realized as a server on a LAN (Local Area Network) in a corporate organization. Further, the functions of the attendance impact risk prediction server 100 may be completely realized by application software installed in the user terminal 200. In addition, even if the function of the attendance impact risk prediction server 100 is distributed among a plurality of servers (for example, the attendance impact risk prediction process and the improvement process of the attendance impact risk prediction algorithm using the AI are executed by separate servers). Good.

上述の実施形態では、勤怠影響リスク予測アルゴリズム（ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータ）の構築に用いられる生体試料として、被験者の唾液中のコルチゾール濃度が挙げられたが、それ以外の生体試料が用いられてもよい。そのような生体試料としては、例えば、αアミラーゼ、Ｓ−ＩｇＡ（分泌型免疫グロブリンＡ）、ＤＨＥＡ−Ｓ（デヒドロエピアンドロステロンサルフェート）、オキシトシン、ＩＬ（インターロイキン）−６、ＩＬ（インターロイキン）−１β、または脳波等が挙げられる。   In the above-described embodiment, cortisol concentration in the saliva of the subject has been described as a biological sample used for constructing the time influence risk prediction algorithm (the stress prediction weighting parameter and the time influence risk prediction weighting parameter). A sample may be used. Examples of such a biological sample include α-amylase, S-IgA (secretory immunoglobulin A), DHEA-S (dehydroepiandrosterone sulfate), oxytocin, IL (interleukin) -6, and IL (interleukin). -1β or brain waves.

上述の実施形態では、勤怠影響リスク予測結果は、従業員の管理者たるユーザ端末２００のユーザに対して提示された。しかし、当該勤怠影響リスク予測結果は、当該勤怠影響リスクを有する従業員本人に対してユーザ端末３００を介して提示されてもよい。その場合の勤怠影響リスク予測結果表示画面は、上記図５で示したような、複数の従業員のリスクを示すものではなく、当該従業員本人のリスクのみを１ヵ月後、２ヶ月後、３ヵ月後のそれぞれについて示すものであり得る。またその場合、勤怠影響リスクは、遅刻、生産性低下、休職・退職といったリスク種別毎に分類されていなくても構わない。   In the above-described embodiment, the attendance impact risk prediction result is presented to the user of the user terminal 200 that is an employee manager. However, the attendance impact risk prediction result may be presented to the employee having the attendance impact risk via the user terminal 300. The time effect risk prediction result display screen in that case does not show the risk of a plurality of employees as shown in FIG. 5 above, but only the risk of the employee himself after one month, two months, May be shown for each of the months after. In this case, the attendance impact risk does not have to be classified for each risk type such as lateness, reduced productivity, and leave / retirement.

また、上述の実施形態においては、１ヵ月後、２ヶ月後、３ヵ月後のストレス及び勤怠影響リスクが予測されたが、例えば半年後、１年後等、それら以外の複数の異なる期間経過後のストレス及び勤怠影響リスクが予測され提示されてもよい。   In the above-described embodiment, the stress and the risk of attendance at one month, two months, and three months are predicted. However, after a lapse of a plurality of different periods other than those, for example, six months, one year, and the like. May be predicted and presented.

上述の実施形態においては、勤怠影響リスクとして、遅刻リスク、生産性低下リスク、及び休職・退職リスクが予測されたが、予測される勤怠影響リスクはこれらのうち少なくとも１つであってもよく、またこれら以外のリスク（例えば訴訟リスク、コンプライアンス違反リスク等）であってもよい。   In the above-described embodiment, the risk of lateness, the risk of reduced productivity, and the risk of absence from work or retirement are predicted as the time-effect risk, but the time-effect risk to be predicted may be at least one of these, Other risks (eg, litigation risk, compliance violation risk, etc.) may also be used.

上述の実施形態においては、ストレス影響項目として、性別、年齢、性格（外向性）、性格（協調性）、性格（勤勉性）、性格（神経症傾向）、性格（開放性）、虚偽傾向、うつ傾向、仕事の負担感、環境的ストレス等が挙げられたが、ストレス影響項目はこれらに限られず、またこれらの項目を絞り込んだり、統合して使用することも可能である。   In the above-described embodiment, gender, age, personality (extroversion), personality (cooperation), personality (industriousness), personality (neurotic tendency), personality (openness), false tendency, Depression tendency, work burden, environmental stress, etc. were mentioned, but the stress-affected items are not limited to these, and these items can be narrowed down or integrated and used.

本願の特許請求の範囲に記載された発明のうち、「情報処理方法」と記載された発明は、その各ステップを、ソフトウェアによる情報処理によりコンピュータ等の少なくとも１つの装置が自動的に行うものであり、人間がコンピュータ等の装置を用いて行うものではない。すなわち、当該「情報処理方法」は、コンピュータ・ソフトウェアによる情報処理方法であって、コンピュータという計算道具を人間が操作する方法ではない。   Among the inventions described in the claims of the present application, the invention described as “information processing method” is one in which at least one device such as a computer automatically performs each step by information processing using software. Yes, it is not performed by a human using a device such as a computer. That is, the "information processing method" is an information processing method using computer software, and is not a method in which a human being operates a computing tool called a computer.

１１…ＣＰＵ
１８…記憶部
１９…通信部
２１…厚労省ストレスチェックシート回答結果
２２…勤怠労務データ
２３…コルチゾール濃度データ
３１…ストレス予測重み付けパラメータテーブル
３２…勤怠影響リスク予測重み付けパラメータテーブル
４１…遅刻リスク予測データ
４２…生産性低下リスク予測データ
４３…休職・退職リスク予測データ
１００…勤怠影響リスク予測サーバ
２００・３００…ユーザ端末 11 CPU
18: storage unit 19: communication unit 21: Ministry of Health, Labor and Welfare stress check sheet answer result 22 ... work time data 23 ... cortisol concentration data 31 ... stress prediction weighting parameter table 32 ... work effect risk prediction weighting parameter table 41 ... late risk prediction data 42: productivity reduction risk prediction data 43: leave / retirement risk prediction data 100: attendance impact risk prediction server 200/300: user terminal

Claims (8)

複数の被験者のストレスチェックの結果を示すストレスチェックデータと、前記被験者の勤怠労務データと、前記被験者の生体試料データとを基に多変量解析により生成された、ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータとを記憶する記憶部と、
組織に属する従業員の前記ストレスチェックデータ及び前記勤怠労務データに、前記ストレス予測重み付けパラメータを適用することで、現在から所定期間経過後における前記従業員のストレスを予測したストレス予測データを生成し、
前記ストレス予測データに、前記勤怠影響リスク予測重み付けパラメータを適用することで、前記所定期間経過後における前記従業員の勤怠、生産性低下または退職のリスクを含む勤怠影響リスクを予測した勤怠影響リスク予測データを生成し、
前記勤怠影響リスク予測データを出力する、制御部と
を具備する情報処理装置。 Stress check data indicating a result of stress check of a plurality of subjects, time and labor data of the subject, and a stress prediction weighting parameter and time and impact risk prediction generated by multivariate analysis based on the biological sample data of the subject. A storage unit for storing a weighting parameter;
The stress check data and the time and attendance data of the employees belonging to the organization, by applying the stress prediction weighting parameter, to generate stress prediction data that predicts the stress of the employee after a predetermined period from now,
The stress prediction data, by applying the time influence risk prediction weighting parameter, the attendance of the employee after the predetermined period of time, time effect risk prediction that predicts the time effect risk including the risk of productivity loss or retirement Generate data,
An information processing apparatus comprising: a control unit that outputs the attendance impact risk prediction data. 請求項１に記載の情報処理装置であって、
前記記憶部は、前記ストレス予測重み付けパラメータ及び前記勤怠影響リスク予測重み付けパラメータを、現在から複数の異なる期間経過後の各ストレス予測データ及び各勤怠影響リスク予測データの生成用に前記複数の異なる期間毎に記憶し、
前記制御部は、前記複数の異なる期間経過後の前記ストレス予測データから前記複数の異なる期間経過後の前記勤怠影響リスク予測データをそれぞれ生成する
情報処理装置。 The information processing device according to claim 1,
The storage unit stores the stress prediction weighting parameter and the attendance impact risk prediction weighting parameter for each of the plurality of different periods for generating the stress prediction data and the attendance impact risk prediction data after a plurality of different periods from the present. To remember
The information processing device, wherein the control unit generates the attendance impact risk prediction data after a lapse of the plurality of different periods from the stress prediction data after a lapse of the plurality of different periods. 請求項１に記載の情報処理装置であって、
前記制御部は、前記生成した勤怠影響リスク予測データと、前記所定期間経過時点の勤怠労務データとを比較し、差分を算出して出力する
情報処理装置。 The information processing device according to claim 1,
The information processing device, wherein the control unit compares the generated attendance impact risk prediction data with the attendance labor data at the time when the predetermined period has elapsed, and calculates and outputs a difference. 請求項３に記載の情報処理装置であって、
前記制御部は、前記差分を基に、前記ストレス予測重み付けパラメータを更新するための関数を機械学習により構築し、当該関数を基に前記ストレス予測重み付けパラメータを更新する
情報処理装置。 The information processing apparatus according to claim 3, wherein
The information processing device, wherein the control unit constructs a function for updating the stress prediction weighting parameter based on the difference by machine learning, and updates the stress prediction weighting parameter based on the function. 請求項３に記載の情報処理装置であって、
前記制御部は、前記差分を基に、前記勤怠影響リスク予測重み付けパラメータを更新するための関数を機械学習により構築し、当該関数を基に前記勤怠影響リスク予測重み付けパラメータを更新する
情報処理装置。 The information processing apparatus according to claim 3, wherein
The information processing device, wherein the control unit constructs a function for updating the attendance impact risk prediction weighting parameter based on the difference by machine learning, and updates the attendance impact risk prediction weighting parameter based on the function. 請求項１に記載の情報処理装置であって、
前記制御部は、前記勤怠影響リスク予測データを基に、前記予測した勤怠影響リスクをチャートで示すとともに、現在よりも前記従業員の前記ストレスチェックの結果が改善または悪化した場合に予測される勤怠影響リスクをユーザの操作に応じてシミュレーションして提示可能なリスク予測結果表示画面インタフェースを生成する
情報処理装置。 The information processing device according to claim 1,
The control unit, based on the attendance impact risk prediction data, shows the estimated attendance impact risk in a chart, and the attendance expected when the result of the stress check of the employee is improved or deteriorated from the present. An information processing apparatus that generates a risk prediction result display screen interface that can present an impact risk by simulating the risk according to a user operation. 複数の被験者のストレスチェックの結果を示すストレスチェックデータと、前記被験者の勤怠労務データと、前記被験者の生体試料データとを基に多変量解析により生成された、ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータとを記憶し、
組織に属する従業員の前記ストレスチェックデータ及び前記勤怠労務データに、前記ストレス予測重み付けパラメータを適用することで、現在から所定期間経過後における前記従業員のストレスを予測したストレス予測データを生成し、
前記ストレス予測データに、前記勤怠影響リスク予測重み付けパラメータを適用することで、前記所定期間経過後における前記従業員の勤怠、生産性低下または退職のリスクを含む勤怠影響リスクを予測した勤怠影響リスク予測データを生成し、
前記勤怠影響リスク予測データを出力する
情報処理方法。 Stress check data indicating a result of stress check of a plurality of subjects, time and labor data of the subject, and a stress prediction weighting parameter and time and impact risk prediction generated by multivariate analysis based on the biological sample data of the subject. Storing the weighting parameters and
The stress check data and the time and attendance data of the employees belonging to the organization, by applying the stress prediction weighting parameter, to generate stress prediction data that predicts the stress of the employee after a predetermined period from now,
The stress prediction data, by applying the time influence risk prediction weighting parameter, the attendance of the employee after the predetermined period of time, time effect risk prediction that predicts the time effect risk including the risk of productivity loss or retirement Generate data,
An information processing method for outputting the attendance impact risk prediction data. 情報処理装置に、
複数の被験者のストレスチェックの結果を示すストレスチェックデータと、前記被験者の勤怠労務データと、前記被験者の生体試料データとを基に多変量解析により生成された、ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータとを記憶するステップと、
組織に属する従業員の前記ストレスチェックデータ及び前記勤怠労務データに、前記ストレス予測重み付けパラメータを適用することで、現在から所定期間経過後における前記従業員のストレスを予測したストレス予測データを生成するステップと、
前記ストレス予測データに、前記勤怠影響リスク予測重み付けパラメータを適用することで、前記所定期間経過後における前記従業員の勤怠、生産性低下または退職のリスクを含む勤怠影響リスクを予測した勤怠影響リスク予測データを生成するステップと、
前記勤怠影響リスク予測データを出力するステップと
を実行させるプログラム。 For information processing equipment,
Stress check data indicating a result of stress check of a plurality of subjects, time and labor data of the subject, and a stress prediction weighting parameter and time and impact risk prediction generated by multivariate analysis based on the biological sample data of the subject. Storing a weighting parameter; and
Applying the stress prediction weighting parameter to the stress check data and the time and labor data of employees belonging to an organization to generate stress prediction data that predicts the stress of the employees after a predetermined period has elapsed from the present time. When,
The stress prediction data, by applying the time influence risk prediction weighting parameter, the attendance of the employee after the predetermined period of time, time effect risk prediction that predicts the time effect risk including the risk of productivity loss or retirement Generating data;
Outputting the attendance impact risk prediction data.
JP2018181818A 2018-09-27 2018-09-27 Information processing device, information processing method and program Active JP7143169B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018181818A JP7143169B2 (en) 2018-09-27 2018-09-27 Information processing device, information processing method and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018181818A JP7143169B2 (en) 2018-09-27 2018-09-27 Information processing device, information processing method and program

Publications (2)

Publication Number Publication Date
JP2020052757A true JP2020052757A (en) 2020-04-02
JP7143169B2 JP7143169B2 (en) 2022-09-28

Family

ID=69997242

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018181818A Active JP7143169B2 (en) 2018-09-27 2018-09-27 Information processing device, information processing method and program

Country Status (1)

Country Link
JP (1) JP7143169B2 (en)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7129727B1 (en) 2021-12-24 2022-09-02 株式会社エルブズ Specificity detection device, specificity detection method, specificity detection program and specificity detection system
JP2022154769A (en) * 2021-03-30 2022-10-13 Ｎｅｃフィールディング株式会社 Health management device, health management method, and program
JP2022190967A (en) * 2021-06-15 2022-12-27 ヤフー株式会社 Provision device, provision method, and provision program
JP2023000896A (en) * 2021-06-18 2023-01-04 株式会社日立製作所 Retirement risk determination system, retirement risk determination device, and retirement risk determination method
WO2023018772A1 (en) * 2021-08-10 2023-02-16 Vocera Communications, Inc. Systems and methods for managing caregiver overload
JP7534749B2 (en) 2020-11-17 2024-08-15 勤次郎株式会社 Healthcare Systems and Programs

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016200955A (en) * 2015-04-09 2016-12-01 株式会社リコー Information processing device, program, and estimation method
JP2016207165A (en) * 2015-04-28 2016-12-08 株式会社バランスアンドユニーク Human resource risk management system
JP2017068831A (en) * 2015-09-30 2017-04-06 日通システム株式会社 Labor management system, labor management method and labor management program

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016200955A (en) * 2015-04-09 2016-12-01 株式会社リコー Information processing device, program, and estimation method
JP2016207165A (en) * 2015-04-28 2016-12-08 株式会社バランスアンドユニーク Human resource risk management system
JP2017068831A (en) * 2015-09-30 2017-04-06 日通システム株式会社 Labor management system, labor management method and labor management program

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7534749B2 (en) 2020-11-17 2024-08-15 勤次郎株式会社 Healthcare Systems and Programs
JP2022154769A (en) * 2021-03-30 2022-10-13 Ｎｅｃフィールディング株式会社 Health management device, health management method, and program
JP7405436B2 (en) 2021-03-30 2023-12-26 Ｎｅｃフィールディング株式会社 Health management devices, health management methods and programs
JP2022190967A (en) * 2021-06-15 2022-12-27 ヤフー株式会社 Provision device, provision method, and provision program
JP7394510B2 (en) 2021-06-15 2023-12-08 Ｌｉｎｅヤフー株式会社 Provision device, method and program
JP2023000896A (en) * 2021-06-18 2023-01-04 株式会社日立製作所 Retirement risk determination system, retirement risk determination device, and retirement risk determination method
JP7341188B2 (en) 2021-06-18 2023-09-08 株式会社日立製作所 Retirement risk determination system, retirement risk determination device, and retirement risk determination method
WO2023018772A1 (en) * 2021-08-10 2023-02-16 Vocera Communications, Inc. Systems and methods for managing caregiver overload
JP7129727B1 (en) 2021-12-24 2022-09-02 株式会社エルブズ Specificity detection device, specificity detection method, specificity detection program and specificity detection system
JP2023095289A (en) * 2021-12-24 2023-07-06 株式会社エルブズ Singularity detection device, singularity detection method, singularity detection program, and singularity detection system

Also Published As

Publication number Publication date
JP7143169B2 (en) 2022-09-28

Similar Documents

Publication Publication Date Title
JP7143169B2 (en) Information processing device, information processing method and program
Aydin et al. A new fuzzy multicriteria decision making approach: An application for European Quality Award assessment
US20180365618A1 (en) System And Method For Assessing Worker Engagement And Company Culture
Azam Haron et al. Quality function deployment modelling to enhance industrialised building system adoption in housing projects
Javani et al. Risk management in IT projects–a case of the South African public sector
El Mouayni et al. A simulation-based approach for time allowances assessment during production system design with consideration of worker’s fatigue, learning and reliability
Elmaraghy et al. Quality prediction for reconfigurable manufacturing systems via human error modelling
Kim et al. A knowledge-based framework for automated space-use analysis
Kim et al. Automated updating of space design requirements connecting user activities and space types
Nembhard et al. Learning and forgetting-based worker selection for tasks of varying complexity
Wilson et al. Online optimization of casualty processing in major incident response: An experimental analysis
JP6626170B1 (en) Health evaluation system, health evaluation server and health evaluation program
Singh et al. Harnessing BIM with risk assessment for generating automated safety schedule and developing application for safety training
Nembhard et al. Selection policies for a multifunctional workforce
Chatterjee Development of uncertainty-based work injury model using Bayesian structural equation modelling
Zigart et al. From lab to industry: lessons learned from the evaluation of augmented and virtual reality use cases in the Austrian manufacturing industry
Wicaksono et al. The importance of having self-efficacy, self-esteem, job satisfaction on employee performance during the pandemic in state-owned companies
KR101603977B1 (en) Prediction system for business ordering possibillity
Permana et al. APPLICATION OF CODEIGNITER FRAMEWORK IN DETERMINING THE BEST EMPLOYEES USING THE MOORA METHOD AT THE IBUNDA GENERAL HOSPITAL IN SERANG CITY
Ferguson et al. Measuring usability in decision tools supporting collaborations for environmental disaster response
Kandemir et al. Employee-task assignments for organization modeling: a review of models and applications
JP2019067072A (en) Information processing apparatus and program
Martin Measuring Qualitative Performance Criteria with Fuzzy Sets
Irawan et al. Construction project management monitoring system using s-curve
Daneshfard et al. Studying the effects of policy making networks on efficiency and effectiveness of policy

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210628

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220512

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220705

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220729

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20220729

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

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220913

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220914

R150 Certificate of patent or registration of utility model

Ref document number: 7143169

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150