JP2020160722A - 組織マネジメントのためのコンピュータシステム、プログラム、および方法 - Google Patents

Abstract

【課題】組織内のメンバの特徴とそのメンバの評価との関係を見出すことが可能なコンピュータシステム等を提供すること【解決手段】本発明は、組織マネジメントのためのコンピュータシステム１００を提供し、コンピュータシステム１００は、組織内の少なくとも１人のメンバが質問に対して回答した回答結果を受信すること（ステップＳ１００１）と、少なくとも１人のメンバに対する他人による評価を受信すること（ステップＳ１００２）と、少なくとも１人のメンバによる回答結果を分析することにより、少なくとも１人のメンバの特徴を決定すること（ステップＳ１００３）と、少なくとも１人のメンバに対する他人による評価と少なくとも１人のメンバの特徴との関係を特定すること（ステップＳ１００４）とを行うように構成されている。【選択図】図１０

Description

本発明は、組織マネジメントのためのコンピュータシステム、プログラム、および方法に関する。

現在、日本において、労働力人口が減少基調である。２０００年から約３４０万人減少したといわれている。２０３０年までにはさらに約３８０万人減少する見込みがある。企業は、優秀な人材を獲得することを望むが、優秀な人材を獲得することは難しく、減少していく労働力マーケットで優秀な人材を獲得することはさらに難しい。優秀な人材の獲得のために、特許文献１は、求人者と求職者とをマッチングし、求職者を求人者に紹介するか否かの客観的判断結果を提供することができるシステムを開示している。

特開２００９−５３９４４号公報

しかしながら、同じ人材でも、組織が変われば活躍するか否かも変わる。企業が欲している人材だと思い、いざ求職者を採用したとしても、実際にはその企業で力を発揮できる人材ではなかったり、早期に離職してしまったりする場合がある。これでは、人材不足になるだけでなく、採用活動のために費やしたコストも無駄になってしまう。

本発明の発明者は、どのような特徴を有する人物が組織内で高いパフォーマンスを有するか、どのような特徴を有する人物が早期に離職してしまうか等の組織内のメンバの特徴とそのメンバの実際の評価との関係に着目した。本発明の発明者は、組織内のメンバの特徴とそのメンバの実際の評価との関係を考慮することで、その組織で高いパフォーマンスを有する人物に育てるにはどのような特徴を伸ばすまたは有するように指導するべきか、どのような特徴を有しないように指導するべきかを知ることができることを見出した。また、組織内のメンバの特徴とそのメンバの実際の評価との関係を考慮することで、例えば、その組織で高いパフォーマンスを有する人物を採用するために、および／または、その組織で低いパフォーマンスを有する人物または早期に離職してしまう可能性が高い人物を採用しないために、どのような特徴を有する人物またはどのような特徴を有していない人物を採用すべきかを知ることができることを見出した。

本発明は、上記事情に鑑みてなされたものであり、どのような特徴を有する人物が組織内で高いパフォーマンスを有するか、どのような特徴を有する人物が早期に離職してしまうか等の組織内のメンバの特徴とそのメンバの実際の評価との関係を特定することが可能なコンピュータシステム、プログラム、および方法を提供することを目的とする。

本発明の一実施形態において、組織マネジメントのためのコンピュータシステムが提供される。組織マネジメントのためのコンピュータシステムは、組織内の少なくとも１人のメンバが質問に対して回答した回答結果を受信する第１の受信手段と、前記少なくとも１人のメンバに対する他人による評価を受信する第２の受信手段と、前記少なくとも１人のメンバによる回答結果を分析することにより、前記少なくとも１人のメンバの特徴を決定する第１の分析手段と、前記少なくとも１人のメンバに対する他人による評価と前記少なくとも１人のメンバの特徴との関係を特定する特定手段とを備える。

一実施形態において、前記特定手段は、前記少なくとも１人のメンバに対する他人による評価と前記少なくとも１人のメンバの特徴との関係として、前記少なくとも１人のメンバのうち同一の前記評価を有するメンバが共通して有している特徴および／または共通して有していない特徴を特定する。

一実施形態において、前記特定手段は、前記少なくとも１人のメンバのうち同一の前記評価を有するメンバを抽出することと、前記抽出されたメンバの特徴を集計することと、前記集計された特徴に基づいて、前記抽出されたメンバが共通して有している特徴および／または共通して有していない特徴を特定することとを行うように構成されている。

一実施形態において、前記抽出されたメンバの特徴を集計することは、前記抽出されたメンバが有する特徴を点数化することと、前記抽出されたメンバ内で、特徴毎の点数の合計値を算出することとを含む。

一実施形態において、前記質問は、複数の観点からの質問を含み、前記第１の分析手段は、前記複数の観点からの質問に対する回答結果に基づいて、それぞれの観点での前記少なくとも１人のメンバの特徴を決定する。

一実施形態において、前記複数の観点は、少なくとも、前記少なくとも１人のメンバによる仕事選びの優先順位の観点を含む。

一実施形態において、前記第１の分析手段は、前記仕事選びの優先順位の観点からの質問に対する回答結果に基づいて、前記メンバがプライベートを優先する特徴を有するか、仕事を優先する特徴を有するかを決定する。

一実施形態において、前記複数の観点は、前記少なくとも１人のメンバが有する性格特性の観点、および、前記少なくとも１人のメンバが置かれている状況の観点のうちの少なくとも１つをさらに含む。

一実施形態において、前記複数の観点は、前記少なくとも１人のメンバが有する経験の観点、および、前記少なくとも１人のメンバが希望する希望条件の観点のうちの少なくとも１つをさらに含む。

一実施形態において、前記第２の受信手段は、所定期間内に前記少なくとも１人のメンバに対する他人による３段階評価を受信し、前記特定手段は、最高評価の割合が所定の割合を超える少なくとも１人のメンバの評価をハイパフォーマーの評価であると決定し、最低評価の割合が所定の割合を超える少なくとも１人のメンバの評価をローパフォーマーの評価であると決定し、前記特定手段は、前記ハイパフォーマーの評価または前記ローパフォーマーの評価と前記少なくとも１人のメンバの特徴との関係を特定する。

一実施形態において、前記少なくとも１人のメンバ以外の人物が質問に対して回答した回答結果を受信する第３の受信手段と、前記人物による回答結果を分析することにより、前記人物の特徴を決定する第２の分析手段と、前記少なくとも１人のメンバに対する他人による評価と前記少なくとも１人のメンバの特徴との関係と、前記人物の特徴とに基づいて、前記人物に対する他人による評価を推定する推定手段とをさらに備える。

一実施形態において、前記組織の管理者が質問に対して回答した回答結果を受信する第４の受信手段と、前記管理者による回答結果を分析することにより、前記管理者の特徴を決定する第３の分析手段と、前記人物の特徴と、前記管理者の特徴とを比較することにより、前記人物と前記管理者とのマッチ度を算出する算出手段とをさらに備える。

一実施形態において、前記コンピュータシステムは、チャット機能を有するアプリケーションを前記少なくとも１人のメンバに提供し、前記コンピュータシステムは、前記組織内の複数のメンバが前記チャット機能を利用した履歴を示すチャット履歴情報を記録する記録手段と、前記少なくとも１人のメンバが前記チャット機能を利用した履歴を示すチャット履歴情報と前記少なくとも１人のメンバの特徴とに基づいて、前記少なくとも１人のメンバの離職し易さを予測する予測手段であって、前記予測手段は、前記記録されたチャット履歴情報および前記組織内の複数のメンバの特徴を用いた学習処理を施されている、予測手段とをさらに備える。

一実施形態において、前記記録されたチャット履歴情報は、所定期間内にチャットでメッセージを発した回数と、チャットを利用した時間帯とを少なくとも含む。

一実施形態において、前記アプリケーションは、シフト調節機能をさらに有し、前記予測手段は、前記記録されたチャット履歴情報および前記組織内の複数のメンバの特徴に加えて、前記組織内の複数のメンバのシフトに関する情報を用いた学習処理を施されている。

一実施形態において、所定期間毎の前記組織の売上情報およびそのときのシフトのメンバの情報を受信する第５の受信手段と、前記売上情報と、前記シフトのメンバの特徴とに基づいて、売上が向上し得る前記組織内のメンバの組み合わせを決定する決定手段とをさらに備え、前記第１の受信手段は、前記シフトのメンバが質問に対して回答した回答結果を受信し、前記第１の分析手段は、前記シフトのメンバによる回答結果を分析することにより、前記シフトのメンバの特徴を決定する。

一実施形態において、前記組織は、複数のサブセットを含み、所定の特徴または所定の評価を有するメンバが、前記複数のサブセットのうちどのサブセットに属しているかを可視化して出力する出力手段をさらに備える。

本発明の一実施形態において、組織マネジメントのためのプログラムが提供され、前記プログラムは、プロセッサを備えるコンピュータシステムにおいて実行され、前記プログラムは、組織内の少なくとも１人のメンバが質問に対して回答した回答結果を受信することと、前記少なくとも１人のメンバに対する他人による評価を受信することと、前記少なくとも１人のメンバによる回答結果を分析することにより、前記少なくとも１人のメンバの特徴を決定することと、前記少なくとも１人のメンバに対する他人による評価と前記少なくとも１人のメンバの特徴との関係を特定することとを含む処理を前記プロセッサに実行させる。

本発明の一実施形態において、組織マネジメントのための方法が提供され、前記方法は、組織内の少なくとも１人のメンバが質問に対して回答した回答結果を受信することと、前記少なくとも１人のメンバに対する他人による評価を受信することと、前記少なくとも１人のメンバによる回答結果を分析することにより、前記少なくとも１人のメンバの特徴を決定することと、前記少なくとも１人のメンバに対する他人による評価と前記少なくとも１人のメンバの特徴との関係を特定することとを含む。

本発明の一実施形態において、組織マネジメントのためのコンピュータシステムが提供され、組織マネジメントのためのコンピュータシステムは、組織内の少なくとも１人のメンバが質問に対して回答した回答結果を受信する第１の受信手段と、前記少なくとも１人のメンバに対する他人による評価を受信する第２の受信手段と、前記少なくとも１人のメンバ以外の人物が質問に対して回答した回答結果を受信する第３の受信手段と、前記少なくとも１人のメンバによる回答結果を分析することにより、前記少なくとも１人のメンバの特徴を決定する第１の分析手段と、前記人物による回答結果を分析することにより、前記人物の特徴を決定する第２の分析手段と、前記人物の特徴に基づいて、前記人物に対する他人による評価を推定する推定手段であって、前記推定手段は、前記少なくとも１人のメンバの特徴と、前記少なくとも１人のメンバに対する他人による評価とを用いた学習処理を施されている、推定手段とを備える。

本発明の一実施形態において、組織マネジメントのためのコンピュータシステムが提供され、組織マネジメントのためのコンピュータシステムは、組織内の少なくとも１人のメンバの特徴を受信する第１の受信手段と、前記少なくとも１人のメンバに対する他人による評価を受信する第２の受信手段と、前記少なくとも１人のメンバに対する他人による評価と前記少なくとも１人のメンバの特徴との関係を特定する特定手段とを備える

本発明の一実施形態において、組織マネジメントのためのコンピュータシステムが提供され、組織マネジメントのためのコンピュータシステムは、組織内の少なくとも１人のメンバに対する他人による評価と前記少なくとも１人のメンバの特徴との関係を受信する第１の受信手段と、前記少なくとも１人のメンバ以外の人物が質問に対して回答した回答結果を受信する第２の受信手段と、前記人物による回答結果を分析することにより、前記人物の特徴を決定する分析手段と、前記少なくとも１人のメンバに対する他人による評価と前記少なくとも１人のメンバの特徴との関係と、前記人物の特徴とに基づいて、前記人物に対する他人による評価を推定する推定手段とを備える。

本発明によれば、組織内のメンバの特徴とそのメンバの評価との関係を特定することが可能なコンピュータシステム、プログラム、および方法を提供することができる。

本発明のコンピュータシステム１００を利用した組織マネジメントのための新たなサービスのフローの一例を示す図。 本発明のコンピュータシステム１００を利用した組織マネジメントのための新たなサービスのフローの一例を示す図。 従業員１０の端末装置に表示されるアンケート画面４０の一例を示す図。 店長２０の端末装置に表示される志望者特徴表示画面５０の一例を示す図。 組織マネジメントのためのコンピュータシステム１００の構成の一例を示す図。 組織マネジメントのためのコンピュータシステム１００内の構成の一例を示す図。 組織マネジメントのためのコンピュータシステム１００内の構成の別の一例を示す図。 組織マネジメントのためのコンピュータシステム１００内の構成の別の一例を示す図。 推定手段１２４’が利用し得るニューラルネットワークの構造の一例を示す図。 組織マネジメントのためのコンピュータシステム１００内の構成の別の一例を示す図。 組織マネジメントのためのコンピュータシステム１００内の構成の別の一例を示す図。 組織マネジメントのためのコンピュータシステム１００内の構成の別の一例を示す図。 組織マネジメントのためのコンピュータシステム１００における処理の一例を示すフローチャート。 組織マネジメントのためのコンピュータシステム１００における処理の別の一例を示すフローチャート。 組織マネジメントのためのコンピュータシステム１００における処理の別の一例を示すフローチャート。 組織マネジメントのためのコンピュータシステム１００における処理の別の一例を示すフローチャート。 組織マネジメントのためのコンピュータシステム１００における処理の別の一例を示すフローチャート。 組織マネジメントのためのコンピュータシステム１００における処理の別の一例を示すフローチャート。 組織マネジメントのためのコンピュータシステム１００における処理の別の一例を示すフローチャート。 組織マネジメントのためのコンピュータシステム１００における処理の別の一例を示すフローチャート。

以下、図面を参照しながら、本発明の実施の形態を説明する。

１．組織マネジメントのための新たなサービス
本発明の発明者は、組織マネジメントのための新たなサービスを開発した。そのサービスとは、組織内のメンバの特徴とそのメンバの評価との関係を見出し、その組織の管理者に伝えるというものである。例えば、その組織において、どのような特徴を有する人物が高いパフォーマンスを有するか、すなわち、ハイパフォーマーであるか、どのような特徴を有する人物が低いパフォーマンスを有するか、すなわち、ローパフォーマーであるか、どのような特徴を有する人物が早期に離職してしまうか等の組織内のメンバの特徴とそのメンバの評価との関係を見出し、それを組織の管理者に伝えることができる。例えば、どのような特徴を有していない人物がハイパフォーマーであるか、どのような特徴を有していない人物がローパフォーマーであるか、どのような特徴を有していない人物が早期離職者であるかを見出すこともできる。このサービスは、例えば、外食産業、流通産業、小売産業において利用されることができる。

組織内のメンバの特徴とそのメンバの評価との関係に基づいて、組織の管理者は、例えば、その組織で高いパフォーマンスを有する人物を育てるために、どのような特徴を伸ばすまたは有するように指導するべきか、どのような特徴を有しないように指導するべきかを知ることができるようになる。これにより、採用した人材をその企業で力を発揮できるように適切に育てていくことができるようになる。

また、組織の管理者は、例えば、その組織で高いパフォーマンスを有する人物を採用するために、および／または、その組織で低いパフォーマンスを有する人物または早期に離職してしまう可能性が高い人物を採用しないために、どのような特徴を有する人物またはどのような特徴を有していない人物を採用すべきかを知ることができるようにもなる。これにより、採用活動の効果が高まり、ひいては採用活動のコスト削減にもつながる。

このような組織マネジメントのための新たなサービスは、本発明のコンピュータシステム１００を利用して可能になる。

図１Ａおよび図１Ｂは、本発明のコンピュータシステム１００を利用した組織マネジメントのための新たなサービスのフローの一例を示す。

図１Ａでは、店舗Ａにおいて、従業員１０と、店長２０とがこのサービスを利用する場合を説明する。従業員１０の端末装置（例えば、スマートフォン、携帯電話、タブレット、パーソナルコンピュータ等）にはこのサービスを利用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か、または、従業員１０の端末装置は、ウェブブラウザを介してこのサービスを利用するためのウェブアプリケーションにアクセス可能であるものとする。店長２０の端末装置（例えば、スマートフォン、携帯電話、タブレット、パーソナルコンピュータ等）にはこのサービスを利用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か、または、店長２０の端末装置は、ウェブブラウザを介してこのサービスを利用するためのウェブアプリケーションにアクセス可能であるものとする。

図１Ａでは、３人の従業員１０および１人の店長２０が示されているが、従業員１０および店長２０の数はこれに限定されず、任意の数の従業員１０および店長２０がこのサービスを利用し得る。

コンピュータシステム１００は、例えば、従業員１０の端末装置および店長２０の端末装置にネットワークを介して接続されたサーバ装置であり得る。

ステップＳ１では、各従業員１０が、アンケートに回答し、回答結果をコンピュータシステム１００に送信する。アンケートは、例えば、従業員１０の端末装置にインストールされたアプリケーションまたはウェブアプリケーションを起動することによって、アンケート画面（例えば、図２Ａに示されるアンケート画面４０）として端末装置に表示され得る。アンケートは、例えば、仕事選びの優先順位の観点からの質問、性格特性の観点からの質問、状況の観点からの質問、経験の観点からの質問、および希望条件の観点からの質問を含み得る。仕事選びの優先順位の観点からの質問は、例えば、従業員１０が、仕事を選ぶ際に優先順位が高いまたは低いと考えているものを問う質問である。性格特性の観点からの質問は、例えば、従業員１０がどのような性格を有しているかを問う質問である。状況の観点からの質問は、例えば、従業員１０がどのような状況に置かれているかを問う質問である。経験の観点からの質問は、例えば、従業員１０がどのような経験を有しているかを問う質問である。希望条件の観点からの質問は、例えば、従業員１０がどのような条件を希望しているかを問う質問である。アンケートは、例えば、個人情報を問う質問を含んでもよい。アンケートは、例えば、択一回答式であってもよいし、記入回答式であってもよい。

ステップＳ２では、店長２０が、各従業員の評価をコンピュータシステム１００に送信する。評価は、例えば、店長２０の端末装置にインストールされたアプリケーションまたはウェブアプリケーションを起動することによって、評価入力画面（図示せず）として端末装置に表示され得る。店長２０は、例えば、所定期間（例えば、１日、１週間、４週間、１月、２月、３月、６月、１年等）内の各従業員１０の行動を観察し、各従業員１０がハイパフォーマーであるか、ローパフォーマーであるかの評価をし得る。評価は、例えば、各従業員１０の動きおよび／またはやる気の評価であってもよい。このとき、評価は、例えば、金、銀、銅の３段階評価であってもよいし、２または４以上の多段階評価であってもよい。評価をする際に、従業員１０が既に離職している場合であって、かつ、入社日から十分な期間（例えば、１月、３月、６月、１年、３年等）が経っていない場合には、早期離職者であるとの評価をし得る。

コンピュータシステム１００は、各従業員１０による回答結果および店長２０による評価を受信すると、各従業員１０による回答結果と店長２０による評価とに基づいて、従業員の特徴とその従業員の評価との関係を導出し、ステップＳ３で、店長２０に通知する。従業員の特徴とその従業員の評価との関係は、例えば、店長２０の端末装置に表示される。従業員の特徴とその従業員の評価との関係は、例えば、ハイパフォーマーである従業員が共通して有している特徴が何であるか、ハイパフォーマーである従業員が共通して有していない特徴が何であるか、ローパフォーマーである従業員が共通して有している特徴が何であるか、ローパフォーマーである従業員が共通して有していない特徴が何であるか、早期離職者である従業員が共通して有している特徴が何であるか、早期離職者である従業員が共通して有していない特徴が何であるか等であり得る。特徴は、例えば、仕事選びの優先順位の観点での特徴、性格特性の観点での特徴、状況の観点での特徴、経験の観点での特徴、および希望条件の観点での特徴に分類され得、例えば、仕事選びの優先順位の観点での特徴、性格特性の観点での特徴、状況の観点での特徴、経験の観点での特徴、および希望条件の観点での特徴のうちの少なくとも１つが通知され得る。例えば、ハイパフォーマーである従業員が共通して有している仕事選びの優先順位の観点での特徴、性格特性の観点での特徴、状況の観点での特徴、経験の観点での特徴、および希望条件の観点での特徴がそれぞれ何であるかが通知され得る。

これにより、店長２０は、例えば、店舗Ａで高いパフォーマンスを有する人物を育てるために、どのような特徴を伸ばすまたは有するように指導するべきか、どのような特徴を有しないように指導するべきかを知ることができるようになり、店舗Ａの人材育成が効率化される。

図１Ｂは、コンピュータシステム１００が、店舗Ａで働くことを志望する志望者３０を採用するか否かの判断を支援する場合のフローの一例を示す。志望者３０の端末装置（例えば、スマートフォン、携帯電話、タブレット、パーソナルコンピュータ等）にはこのサービスを利用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か、または、志望者３０の端末装置は、ウェブブラウザを介してこのサービスを利用するためのウェブアプリケーションにアクセス可能であるものとする。

ステップＳ４では、志望者３０が、アンケートに回答し、回答結果をコンピュータシステム１００に送信する。アンケートは、例えば、志望者３０の端末装置にインストールされたアプリケーションまたはウェブアプリケーションを起動することによって、アンケート画面（例えば、図２Ａに示されるアンケート画面４０）として端末装置に表示され得る。アンケートは、例えば、仕事選びの優先順位の観点からの質問、性格特性の観点からの質問、状況の観点からの質問、経験の観点からの質問、および希望条件の観点からの質問を含み得る。アンケートは、例えば、個人情報を問う質問を含んでもよい。アンケートは、例えば、択一回答式であってもよいし、記入回答式であってもよい。アンケートは、ステップＳ１で各従業員１０に提示されたものと同一の内容のものであってもよいし、異なる内容のものであってもよい。

コンピュータシステム１００は、志望者３０による回答結果を受信すると、志望者３０による回答結果と、既に特定されている従業員の特徴とその従業員の評価との関係とに基づいて、志望者３０が店舗Ａにおいてどのように評価され得るかを予測し、ステップＳ５で、店長２０に通知する。例えば、ハイパフォーマーである従業員が共通して有している特徴を志望者３０が有している場合、志望者３０がハイパフォーマーであり得ると通知することができる。例えば、ローパフォーマーである従業員が共通して有している特徴を志望者３０が有している場合、志望者３０がローパフォーマーであり得ると通知することができる。例えば、早期離職者である従業員が共通して有している特徴を志望者３０が有している場合、志望者３０が早期離職者であり得ると通知することができる。

これにより、店長２０は、例えば、志望者３０を採用するか否かを判断する際に、志望者３０が、店舗Ａで高いパフォーマンスを有する人物であり得るか、または、店舗Ａで低いパフォーマンスを有する人物または早期に離職してしまう可能性が高い人物であり得るかの予測を考慮することができる。これにより、採用活動の効果が高まり、ひいては採用活動のコスト削減にもつながる。

図２Ａは、従業員１０の端末装置に表示されるアンケート画面４０の一例である。

アンケート画面４０は、質問欄４１と回答欄４２とを備える。図２Ａに示されるアンケート画面４０には、性格を問う質問、すなわち、性格特性の観点からの質問が示されている。従業員１０は、アンケート画面４０の回答欄４２の選択肢のうちの１つを選択することにより、質問に回答し得る。

図２Ｂは、店長２０の端末装置に表示される志望者特徴表示画面５０の一例である。志望者特徴表示画面５０は、志望者３０の面接の際等に、店長２０の端末装置に表示され得る画面である。

志望者特徴表示画面５０は、志望者情報表示欄５１と、志望者特徴表示欄５２とを備える。志望者情報表示欄５１には、志望者３０の個人情報および志望者のマッチ度情報が表示され得る。志望者のマッチ度情報は、志望者３０の考え方または性格と店長２０の考え方または性格とが合っているかどうかの指標を示す。志望者特徴表示欄５２には、志望者３０の特徴が表示され得る。図２Ｂに示される例では、性格特性の観点から、志望者の特徴が表示されている。性格特性の観点が５つの項目（「周囲との関わり」、「心の開き」、「思いやり」、「粘り強さ」、「情緒の安定」）に細分されており、それぞれの項目について折れ線グラフで特徴が示されている。志望者特徴表示欄５２には、店舗Ａでハイパフォーマーと評価された従業員１０の特徴、店舗Ａでローパフォーマーと評価された従業員１０の特徴、店舗Ａで早期離職者と評価された従業員１０の特徴も折れ線グラフで示されている。店長２０は、志望者３０の特徴を示す折れ線グラフの形状が、ハイパフォーマーの特徴を示す折れ線グラフの形状と近いか、ローパフォーマーの特徴を示す折れ線グラフの形状と近いか、早期離職者の特徴を示す折れ線グラフの形状と近いかを判断することにより、志望者３０がハイパフォーマーであり得るか、ローパフォーマーであり得るか、早期離職者であり得るかを判断することができる。あるいは、志望者３０がハイパフォーマーであり得るか、ローパフォーマーであり得るか、早期離職者であり得るかをコンピュータシステム１００が判断し、志望者特徴表示画面５０に表示するようにしてもよい。

上述した例では、店舗Ａを例に説明したが、本発明の対象は店舗に限定されず、複数のメンバを有する任意の組織であり得る。

上述した例では、従業員１０を例に説明したが、本発明の対象は従業員に限定されず、組織内の任意のメンバであり得る。また、店長２０を例に説明したが、本発明の対象は店長に限定されず、組織内で何らかの管理を行う任意の管理者（バイトリーダー、係長、課長、部長、社長等）であり得る。

２．組織マネジメントのためのコンピュータシステムの構成
図３は、組織マネジメントのためのコンピュータシステム１００の構成の一例を示す。

コンピュータシステム１００は、データベース部２００に接続されている。また、コンピュータシステム１００は、少なくとも１つの管理者用端末装置３００と、少なくとも１つのメンバ用端末装置４００とにネットワーク５００を介して接続されている。

ネットワーク５００は、任意の種類のネットワークであり得る。ネットワーク５００は、例えば、インターネットであってもよいし、ＬＡＮであってもよい。ネットワーク５００は、有線ネットワークであってもよいし、無線ネットワークであってもよい。

コンピュータシステム１００の一例は、図１Ａに示されるようなサーバ装置であるが、これに限定されない。管理者用端末装置３００の一例は、図１Ａに示される店長２０が利用するコンピュータ（例えば、端末装置）であるが、これに限定されない。メンバ用端末装置４００の一例は、図１Ａに示される従業員１０または図１Ｂに示される志望者３０が利用するコンピュータ（例えば、端末装置）であるが、これに限定されない。ここで、コンピュータ（サーバ装置または端末装置）は、任意のタイプのコンピュータであり得る。例えば、端末装置は、スマートフォン、タブレット、パーソナルコンピュータ、スマートグラス等の任意のタイプの端末装置であり得る。

コンピュータシステム１００は、例えば、チャット機能を有する。コンピュータシステム１００は、例えば、管理者用端末装置３００およびメンバ用端末装置４００にチャット機能を有するアプリケーションを提供することができる。管理者用端末装置３００およびメンバ用端末装置４００は、このアプリケーションを用いて、チャットでメッセージのやりとりすることができる。コンピュータシステム１００は、チャット機能のために、公知の任意の構成を有することができる。

コンピュータシステム１００は、例えば、シフト調節機能を有する。コンピュータシステム１００は、例えば、管理者用端末装置３００およびメンバ用端末装置４００にシフト調節機能を有するアプリケーションを提供することができる。このアプリケーションは、上述したチャット機能を有するアプリケーションと同じアプリケーションであってもよいし、異なるアプリケーションであってもよい。管理者用端末装置３００は、このアプリケーションを用いて、シフトを調節することができ、メンバ用端末装置４００は、このアプリケーションを用いて、シフトを確認することができる。コンピュータシステム１００は、シフト調節機能のために、公知の任意の構成を有することができる。

コンピュータシステム１００は、チャット機能および／またはシフト調節機能に加えて、またはこれらに代えて、組織マネジメントのための機能を有することができる。

データベース部２００には、チャット機能および／またはシフト調節機能のために必要な情報が格納され得る。例えば、データベース部２００には、管理者用端末装置３００およびメンバ用端末装置４００がチャット機能を利用した履歴を示す情報が格納され得る。例えば、データベース部２００には、誰が、いつ、誰宛にメッセージを送ったかの情報が格納され得る。例えば、データベース部２００には、管理者用端末装置３００によって決定されたシフトに関する情報が格納され得る。例えば、データベース部２００には、誰が、いつシフトに入るかの予定情報が格納され得、誰が、いつシフトに入ったかの過去の情報が格納され得る。データベース部２００には、そのときの売上情報が格納されるようにしてもよい。

データベース部２００には、例えば、組織内のメンバの個人情報、特徴、評価が組織内の各メンバと関連付けられて格納され得る。データベース部２００には、例えば、組織内のメンバが質問に対して回答した回答結果が各メンバと関連付けられて格納されるようにしてもよい。

図３に示される例では、データベース部２００は、コンピュータシステム１００の外部に設けられているが、本発明はこれに限定されない。データベース部２００をコンピュータシステム１００の内部に設けることも可能である。このとき、データベース部２００は、メモリ１３０を実装する記憶手段と同一の記憶手段によって実装されてもよいし、メモリ１３０を実装する記憶手段とは別の記憶手段によって実装されてもよい。いずれにせよ、データベース部２００は、コンピュータシステム１００のための格納部として構成される。データベース部２００の構成は、特定のハードウェア構成に限定されない。例えば、データベース部２００は、単一のハードウェア部品で構成されてもよいし、複数のハードウェア部品で構成されてもよい。例えば、データベース部２００は、コンピュータシステム１００の外付けハードディスク装置として構成されてもよいし、ネットワークを介して接続されるクラウド上のストレージとして構成されてもよい。

図４は、組織マネジメントのためのコンピュータシステム１００内の構成の一例を示す。

コンピュータシステム１００は、受信手段１１０と、プロセッサ１２０と、メモリ１３０と、出力手段１４０とを備える。

受信手段１１０は、コンピュータシステム１００の外部からデータを受信することが可能であるように構成されている。受信手段１１０は、例えば、管理者用端末装置３００またはメンバ用端末装置４００からネットワーク５００を介してデータを受信してもよいし、コンピュータシステム１００に接続された記憶媒体（例えば、ＵＳＢメモリ、光ディスク等）またはデータベース部２００からデータを受信してもよい。受信手段１１０によって受信されたデータは、後続処理のためにプロセッサ１２０に渡される。

受信手段１１０は、例えば、組織内の少なくとも１人のメンバが質問に対して回答した回答結果を受信する第１の受信手段１１１を備え得る。例えば、第１の受信手段１１１は、組織内の少なくとも１人のメンバが、メンバ用端末装置４００を介して入力した質問に対する回答結果を、ネットワーク５００を介して受信し得る。質問は、例えば、メンバ用端末装置４００に表示されるアンケートであり得る。質問は、例えば、複数の観点からの質問を含み得る。複数の観点は、例えば、仕事選びの優先順位の観点を含む。好ましくは、複数の観点は、例えば、仕事選びの優先順位の観点に加えて、性格特性の観点および状況の観点のうちの少なくとも１つをさらに含み得る。より好ましくは、複数の観点は、例えば、仕事選びの優先順位の観点と、性格特性の観点および状況の観点のうちの少なくとも１つとに加えて、経験の観点および希望条件の観点のうちの少なくとも１つを含み得る。さらに好ましくは、複数の観点は、仕事選びの優先順位の観点、性格特性の観点、状況の観点、経験の観点および希望条件の観点を含み得る。質問は、択一回答式であってもよいし、記入回答式であってもよい。第１の受信手段１１１は、例えば、回答結果をテキスト形式で受信してもよいし、回答結果を画像形式で受信してもよいし、回答結果を音声形式で受信してもよい。第１の受信手段１１１によって受信された回答結果は、後続処理のために、プロセッサ１２０の第１の分析手段１２１に渡される。

受信手段１１０は、例えば、組織内の少なくとも１人のメンバに対する他人による評価を受信する第２の受信手段１１２を備え得る。例えば、第２の受信手段１１２は、組織の管理者が、管理者用端末装置３００を介して入力したメンバに対する評価を、ネットワーク５００を介して受信し得る。評価は、例えば、メンバがハイパフォーマーであるか、ローパフォーマーであるか、早期離職者であるかの評価であり得る。評価は、例えば、メンバの動きおよび／またはやる気の評価であってもよい。このとき、評価は、例えば、金、銀、銅の３段階評価であってもよいし、２または４以上の多段階評価であってもよい。第２の受信手段１１２によって受信された回答結果は、後続処理のために、プロセッサ１２０の特定手段１２２に渡される。

受信手段１１０は、組織内の少なくとも１人のメンバの個人情報（例えば、氏名、性別、生年月日、住所、学校区分、職種、契約形態等）を受信するようにしてもよい。

プロセッサ１２０は、コンピュータシステム１００の処理を実行し、かつ、コンピュータシステム１００全体の動作を制御する。プロセッサ１２０は、メモリ１３０に格納されているプログラムを読み出し、そのプログラムを実行する。これにより、コンピュータシステム１００を所望のステップを実行するシステムとして機能させることが可能である。プロセッサ１２０は、受信手段１１０が受信したデータが処理に適さない形式（例えば、画像形式データ、音声形式データ）である場合は、処理に適した形式（例えば、数値データ）に変換する処理を行うようにしてもよい。プロセッサ１２０は、単一のプロセッサによって実装されてもよいし、複数のプロセッサによって実装されてもよい。

プロセッサ１２０は、第１の分析手段１２１および特定手段１２２を備える。

第１の分析手段１２１は、第１の受信手段１１１が受信した回答結果を分析することにより、組織内の少なくとも１人のメンバの特徴を決定する。例えば、質問に対する回答の各選択肢に予め点数が付与されており、点数の合計値と特徴とが予め対応付けられているとき、第１の分析手段１２１は、回答結果を点数化し、点数の合計値から特徴を決定するようにしてもよい。あるいは、質問に対する回答の各選択肢に予め点数が付与されており、点数の分布と特徴とが予め対応付けられているとき、第１の分析手段１２１は、回答結果を点数化し、点数の分布から特徴を決定するようにしてもよい。

質問が複数の観点からの質問を含み、回答結果が複数の観点からの質問に対する回答結果を含む場合、第１の分析手段１２１は、複数の観点からの質問に対する回答結果に基づいて、それぞれの観点でのメンバの特徴を決定することができる。例えば、第１の分析手段１２１は、仕事選びの優先順位の観点、性格特性の観点、状況の観点、経験の観点および希望条件の観点のそれぞれの観点でのメンバの特徴を決定し得る。例えば、それぞれの観点は、複数の項目に細分され得、第１の分析手段１２１は、複数の項目のうち最も点数が高い項目および最も点数が低い項目について、メンバの特徴を決定するようにしてもよい。例えば、性格特性の観点は、外向性であるか内向性であるかを示す「周囲との関わり」、開放性であるか保守的であるかを示す「心の開き」、調和性であるか自己中心的・競争的であるかを示す「思いやり」、誠実性であるかいい加減・飽きっぽいかを示す「粘り強さ」、情緒安定性であるか神経性傾向であるかを示す「情緒の安定」の５つの項目に細分されることができ、第１の分析手段１２１は、回答結果に基づいて、それぞれの項目の点数を算出し、５つの項目のうち最も点数が高い項目および最も点数が低い項目について、メンバの特徴を決定することができる。例えば、それぞれの観点は、複数の項目に細分され得、第１の分析手段１２１は、回答結果に基づいて複数の項目を順位付け、順位付けに基づいてメンバの特徴を決定することができる。例えば、第１の分析手段１２１は、仕事選びの優先順位の観点について、順位付けに基づいて、プライベートを優先する特徴を有するか、仕事を優先する特徴を有するかを決定し得る。

決定された少なくとも１人のメンバの特徴は、後続処理のために、特定手段１２２に渡される。

特定手段１２２は、第２の受信手段１１２によって受信された少なくとも１人のメンバに対する評価と、第１の分析手段１２１によって決定された少なくとも１人のメンバの特徴との関係を特定する。特定手段１２２は、例えば、少なくとも１人のメンバに対する評価と少なくとも１人のメンバの特徴との関係として、少なくとも１人のメンバのうち同一の評価を有するメンバが共通して有している特徴および／または共通して有していない特徴を特定する。特定手段１２２は、例えば、同一の評価を有するメンバを抽出し、抽出されたメンバが有する特徴を集計し、集計された特徴に基づいて、共通して有している特徴および／または共通して有していない特徴を特定することができる。特徴を集計することは、例えば、抽出されたメンバが有する特徴を点数化し、抽出されたメンバ内で特徴毎の点数の合計値を算出することであってもよい。例えば、このように集計された特徴に基づいて、点数の合計値が最大である特徴が、同一の評価を有するメンバが共通して有している特徴として特定され、点数の合計値が最小である特徴が、同一の評価を有するメンバが共通して有していない特徴として特定され得る。あるいは、例えば、このように集計された特徴に基づいて、点数の合計値が所定の閾値を超える特徴が、同一の評価を有するメンバが共通して有している特徴として特定され、点数の合計値が所定の閾値を超えない特徴が、同一の評価を有するメンバが共通して有していない特徴として特定され得る。例えば、特定手段１２２は、ハイパフォーマーの評価を有するメンバが共通して有している特徴および／または共通して有していない特徴を特定することができる。例えば、特定手段１２２は、ローパフォーマーの評価を有するメンバが共通して有している特徴および／または共通して有していない特徴を特定することができる。例えば、特定手段１２２は、早期離職者の評価を有するメンバが共通して有している特徴および／または共通して有していない特徴を特定することができる。特定された関係は、出力のために出力手段１４０に渡される。

特定手段１２２は、例えば、所定期間（例えば、１週間、１か月、３か月等）内に、第２の受信手段１１２によって受信された少なくとも１人のメンバに対する金、銀、銅の３段階の評価から、そのメンバの評価がハイパフォーマーの評価であるか、ローパフォーマーの評価であるかを特定したうえで、ハイパフォーマーの評価またはローパフォーマーの評価と、そのメンバの特徴との関係を特定するようにしてもよい。例えば、特定手段１２２は、所定期間内の金の評価が全評価のうち所定の割合（例えば、８０％、７０％、６０％、５０％）を超える場合にそのメンバをハイパフォーマーであると特定することができる。例えば、所定期間内の銅の評価が全評価のうち所定の割合（例えば、８０％、７０％、６０％、５０％）を超える場合にそのメンバをローパフォーマーであると特定することができる。

別の実施形態では、特定手段１２２は、例えば、少なくとも１人のメンバに対する評価と少なくとも１人のメンバの特徴との関係として、少なくとも１人のメンバのうち同一の評価を有するメンバの多くが有している特徴および／または多くが有していない特徴を特定する。特定手段１２２は、例えば、同一の評価を有するメンバを抽出し、そのメンバが有する特徴を集計することにより、最も多くのメンバが有している特徴および／または最も多くのメンバが有していない特徴を特定することができる。

メモリ１３０は、コンピュータシステム１００の処理を実行するために必要とされるプログラムやそのプログラムの実行に必要とされるデータ等を格納する。メモリ１３０は、ユーザによる評価の結果および構成員による評価の結果を分析するための処理をプロセッサ１２０に行わせるためのプログラム（例えば、後述する図１０、図１１、図１２Ａ、図１２Ｂ、図１３、図１４Ａ、図１４Ｂ、図１５に示される処理を実現するプログラム）を格納してもよい。ここで、プログラムをどのようにしてメモリ１３０に格納するかは問わない。例えば、プログラムは、メモリ１３０にプリインストールされていてもよい。あるいは、プログラムは、ネットワーク５００を経由してダウンロードされることによってメモリ１３０にインストールされるようにしてもよい。この場合、ネットワークの種類は問わない。メモリ１３０は、任意の記憶手段によって実装され得る。

出力手段１４０は、コンピュータシステム１００の外部にデータを出力することが可能であるように構成されている。出力手段１４０がどのような態様でコンピュータシステム１００から情報を出力することを可能にするかは問わない。例えば、出力手段１４０が送信器である場合、送信器がネットワーク５００を介してコンピュータシステム１００の外部に情報を送信することにより出力してもよい。例えば、出力手段１４０がデータ書き込み装置である場合、コンピュータシステム１００に接続された記憶媒体またはデータベース部２００に情報を書き込むことによって情報を出力するようにしてもよい。例えば、出力手段１４０は、データの出力先のハードウェアまたはソフトウェアによって取り扱い可能な形式に変換して、または、データの出力先のハードウェアまたはソフトウェアによって取り扱い可能な応答速度に調整してデータを出力するようにしてもよい。

出力手段１４０は、例えば、所定の特徴または評価を有するメンバが、組織の複数のサブセットのうちどのサブセットに属しているかを可視化して出力するようにしてもよい。組織のサブセットとは、組織の一部のことである。組織が会社である場合、サブセットは、例えば、支社であってもよいし、支店であってもよいし、部であってもよいし、課であってもよいし、係であってもよい。例えば、出力手段１４０は、ハイパフォーマーの評価を有するメンバ、ローパフォーマーの評価を有するメンバ、早期離職者の評価を有するメンバが、複数の支店のうちどの支店に分布しているかを可視化して出力することができる。これにより、例えば、個々の支店レベルでのミクロな分析のみならず、複数の支店を横断したマクロな分析も行うことが可能になる。

図４に示される実施形態では、コンピュータシステム１００は、少なくとも１人のメンバに対する評価と少なくとも１人のメンバの特徴との関係を特定することができるため、例えば、組織内で高い評価を有するメンバの特徴または低い評価を有するメンバの特徴を考慮した組織マネジメントを行うことができるようになる。これにより、例えば、人材育成が効率化され得る。

図４に示される例では、コンピュータシステム１００が少なくとも１人のメンバの特徴を決定したが、本発明は、これに限定されない。例えば、コンピュータシステム１００は、少なくとも１人のメンバの回答結果を受信する代わりに、少なくとも１人のメンバの特徴をコンピュータシステム１００の外部から受信するようにしてもよい。このとき、例えば、第１の受信手段１１１が少なくとも１人のメンバの特徴を受信し、第１の分析手段１２１は省略され得る。

図５Ａは、組織マネジメントのためのコンピュータシステム１００内の構成の別の一例を示す。図５Ａでは、図４に示される要素と同一の要素に同じ参照番号を付し、ここでは説明を省略する。図５Ａに示されるコンピュータシステム１００は、図４に示される構成に加えて、受信手段１１０が第３の受信手段１１３を備え、プロセッサ１２０が第２の分析手段１２３と推定手段１２４とを備えている構成である。図５Ａに示されるコンピュータシステム１００は、組織内の少なくとも１人のメンバ以外の人物に対する評価を推定する構成である。

第３の受信手段１１３は、組織内の少なくとも１人のメンバ以外の人物が質問に対して回答した回答結果を受信する。例えば、第３の受信手段１１３は、組織内の少なくとも１人のメンバ以外の人物（例えば、組織で働くことを志望する志望者）が、メンバ用端末装置４００を介して入力した質問に対する回答結果を、ネットワーク５００を介して受信し得る。質問は、例えば、メンバ用端末装置４００に表示されるアンケートであり得る。質問は、組織内の少なくとも１人のメンバに対する質問と同じ質問であってもよいし、異なる質問であってもよい。質問は、例えば、複数の観点からの質問を含み得る。複数の観点は、例えば、仕事選びの優先順位の観点を含む。好ましくは、複数の観点は、例えば、性格特性の観点および状況の観点のうちの少なくとも１つをさらに含み得る。より好ましくは、複数の観点は、例えば、経験の観点および希望条件の観点のうちの少なくとも１つを含み得る。さらに好ましくは、複数の観点は、仕事選びの優先順位の観点、性格特性の観点、状況の観点、経験の観点および希望条件の観点を含み得る。第３の受信手段１１３は、例えば、回答結果をテキスト形式で受信してもよいし、回答結果を画像形式で受信してもよいし、回答結果を音声形式で受信してもよい。第３の受信手段１１３によって受信された回答結果は、後続処理のために、プロセッサ１２０の第２の分析手段１２３に渡される。

第２の分析手段１２３は、第３の受信手段１１３によって受信された回答結果を分析することにより、組織内の少なくとも１人のメンバ以外の人物の特徴を決定する。第２の分析手段１２３は、第１の分析手段１２１と同様の処理によって、人物の特徴を決定することができる。決定された人物の特徴は、後続処理のために、推定手段１２４に渡される。

質問が複数の観点からの質問を含み、回答結果が複数の観点からの質問に対する回答結果を含む場合、第２の分析手段１２３は、複数の観点からの質問に対する回答結果に基づいて、それぞれの観点での人物の特徴を決定することができる。例えば、第２の分析手段１２３は、仕事選びの優先順位の観点、性格特性の観点、状況の観点、経験の観点および希望条件の観点のそれぞれの観点での人物の特徴を決定し得る。例えば、第２の分析手段１２３は、仕事選びの優先順位の観点について、プライベートを優先する特徴を有するか、仕事を優先する特徴を有するかを決定し得る。例えば、それぞれの観点は、複数の項目に細分され得、第２の分析手段１２３は、複数の項目のうち最も点数が高い項目および最も点数が低い項目について、人物の特徴を決定するようにしてもよい。例えば、性格特性の観点は、外向性であるか内向性であるかを示す「周囲との関わり」、開放性であるか保守的であるかを示す「心の開き」、調和性であるか自己中心的・競争的であるかを示す「思いやり」、誠実性であるかいい加減・飽きっぽいかを示す「粘り強さ」、情緒安定性であるか神経性傾向であるかを示す「情緒の安定」の５つの項目に細分されることができ、第２の分析手段１２３は、回答結果に基づいて、それぞれの項目の点数を算出し、５つの項目のうち最も点数が高い項目および最も点数が低い項目について、人物の特徴を決定することができる。

推定手段１２４は、特定手段１２２によって特定された少なくとも１人のメンバに対する評価と少なくとも１人のメンバの特徴との関係と、第２の分析手段１２３によって決定された人物の特徴とに基づいて、その人物に対する評価を推定する。推定手段１２４は、例えば、人物の特徴が、ハイパフォーマーの評価を有するメンバが共通して有している特徴であるか否か、ローパフォーマーの評価を有するメンバが共通して有している特徴であるか否か、および、早期離職者の評価を有するメンバが共通して有している特徴であるか否かを判定することにより、その人物に対する評価を推定することができる。例えば、人物の特徴が、ハイパフォーマーの評価を有するメンバが共通して有している特徴である場合、その人物の評価はハイパフォーマーであると推定され得、人物の特徴が、ローパフォーマーの評価を有するメンバが共通して有している特徴である場合、その人物の評価はローパフォーマーであると推定され得、人物の特徴が、早期離職者の評価を有するメンバが共通して有している特徴である場合、その人物の評価は早期離職者であると推定され得る。推定された評価は、出力のために出力手段１４０に渡される。

図５Ｂに示される例では、推定手段１２４が、特定手段１２２によって特定された少なくとも１人のメンバに対する評価と少なくとも１人のメンバの特徴との関係を用いて、人物に対する評価を推定したが、本発明はこれに限定されない。例えば、コンピュータシステム１００は、特定手段１２２によって少なくとも１人のメンバに対する評価と少なくとも１人のメンバの特徴との関係を特定する用いる代わりに、少なくとも１人のメンバに対する評価と少なくとも１人のメンバの特徴との関係をコンピュータシステム１００の外部から受信するようにしてもよい。このとき、第１の受信手段１１１、第２の受信手段１１２、第１の分析手段１２１、特定手段１２２は、省略され得る。

図５Ｂは、組織マネジメントのためのコンピュータシステム１００内の構成の別の一例を示す。図５Ｂでは、図４および図５Ａに示される要素と同一の要素に同じ参照番号を付し、ここでは説明を省略する。図５Ｂに示されるコンピュータシステム１００は、特定手段１２２を備えず、推定手段１２４の代わりに推定手段１２４’を備える点を除いて、図５Ａに示される構成と同一である。図５Ｂに示されるコンピュータシステム１００は、組織内の少なくとも１人のメンバ以外の人物に対する評価を機械学習によって推定する構成である。

推定手段１２４’は、第１の分析手段１２１によって決定された組織内の少なくとも１人のメンバの特徴と、第２の受信手段１１２によって受信された少なくとも１人のメンバの評価とを用いた学習処理を施されており、特定手段１２４’は、第２の分析手段１２３によって決定された組織内の少なくとも１人のメンバ以外の人物の特徴に基づいて、その人物の評価を推定する。推定手段１２４’は、例えば、ニューラルネットワークを利用した機械学習によって人物の評価を推定することができる。

図６は、推定手段１２４’が利用し得るニューラルネットワークの構造の一例を示す。

ニューラルネットワークは、入力層と、少なくとも１つの隠れ層と、出力層とを有する。ニューラルネットワークの入力層のノード数は、入力されるデータの次元数に対応する。ニューラルネットワークの出力層のノード数は、出力されるデータの次元数に対応する。ここでは、出力されるデータは、ハイパフォーマー、ローパフォーマー、早期離職者のいずれであるかの人物の評価であるため、出力層のノード数は１であり得る。ニューラルネットワーク３００の隠れ層は、任意の数のノードを含むことができる。

ニューラルネットワークは、第１の分析手段１２１によって決定された組織内の少なくとも１人のメンバの特徴と、第２の受信手段１１２によって受信された少なくとも１人のメンバの評価とを用いて予め学習処理が施されている学習済みニューラルネットワークである。学習処理は、データを使用して、ニューラルネットワークの隠れ層の各ノードの重み係数を計算する処理である。学習処理では、例えば、第１の分析手段１２１によって決定されたメンバの特徴を入力用教師データとし、第２の受信手段１１２によって受信されたそのメンバに対する評価（例えば、ハイパフォーマーの評価を「１」とし、ローパフォーマーの評価を「０．５」とし、早期離職者の評価を「０」とする）を出力用教師データとして、複数のメンバについての特徴および評価を用いて、ニューラルネットワークの隠れ層の各ノードの重み係数を計算する。

このような学習済のニューラルネットワークの入力層に、第２の分析手段１２３によって決定された人物の特徴を入力すると、出力層にその人物の評価が出力され得る。

図５Ａまたは図５Ｂに示される実施形態では、コンピュータシステム１００は、組織内の少なくとも１人のメンバ以外の人物の評価を推定することができるため、例えば、組織で働くことを志望する志望者を採用すべきか否かを、推定された評価に基づいて判断することができるようになる。これにより、採用活動をより効率的に行うことができるようになる。

図７は、組織マネジメントのためのコンピュータシステム１００内の構成の別の一例を示す。図７では、図５Ａおよび図５Ｂに示される要素と同一の要素に同じ参照番号を付し、ここでは説明を省略する。図５Ｂに示されるコンピュータシステム１００は、図５Ａまたは図５Ｂに示される構成に加えて、受信手段１１０が第４の受信手段１１４を備え、プロセッサ１２０が第３の分析手段１２５および算出手段１２６を備えている構成である。図５Ａまたは図５Ｂに示される第１の受信手段１１１、第２の受信手段１１２、第１の分析手段１２１、特定手段１２２、推定手段１２４、１２４’は図示を省略しており、一実施形態では、コンピュータシステム１００は、これらの構成要素のうちの少なくとも１つを備えなくてもよい。図７に示されるコンピュータシステム１００は、組織内の少なくとも１人のメンバ以外の人物と、組織の管理者とのマッチ度を算出する構成である。

第４の受信手段１１４は、組織の管理者が質問に対して回答した回答結果を受信する。例えば、第４の受信手段１１４は、組織の管理者が、管理者用端末装置３００を介して入力した質問に対する回答結果を、ネットワーク５００を介して受信し得る。質問は、例えば、管理者用端末装置３００に表示されるアンケートであり得る。質問は、組織内の少なくとも１人のメンバに対する質問または組織内の少なくとも１人のメンバ以外の人物に対する質問と同じ質問であってもよいし、異なる質問であってもよい。質問は、例えば、複数の観点からの質問を含み得る。複数の観点は、例えば、仕事選びの優先順位の観点を含む。好ましくは、複数の観点は、例えば、性格特性の観点および状況の観点のうちの少なくとも１つをさらに含み得る。より好ましくは、複数の観点は、例えば、経験の観点および希望条件の観点のうちの少なくとも１つを含み得る。さらに好ましくは、複数の観点は、仕事選びの優先順位の観点、性格特性の観点、状況の観点、経験の観点および希望条件の観点を含み得る。第４の受信手段１１４は、例えば、回答結果をテキスト形式で受信してもよいし、回答結果を画像形式で受信してもよいし、回答結果を音声形式で受信してもよい。第４の受信手段１１４によって受信された回答結果は、後続処理のために、プロセッサ１２０の第３の分析手段１２５に渡される。

第３の分析手段１２５は、第４の受信手段１１４によって受信された回答結果を分析することにより、管理者の特徴を決定する。第３の分析手段１２５は、第１の分析手段１２１と同様の処理によって、管理者の特徴を決定することができる。決定された管理者の特徴は、後続処理のために、算出手段１２６に渡される。

質問が複数の観点からの質問を含み、回答結果が複数の観点からの質問に対する回答結果を含む場合、第３の分析手段１２５は、複数の観点からの質問に対する回答結果に基づいて、それぞれの観点での管理者の特徴を決定することができる。例えば、第３の分析手段１２５は、仕事選びの優先順位の観点、性格特性の観点、状況の観点、経験の観点および希望条件の観点のそれぞれの観点での管理者の特徴を決定し得る。例えば、第３の分析手段１２５は、仕事選びの優先順位の観点について、プライベートを優先する特徴を有するか、仕事を優先する特徴を有するかを決定し得る。例えば、それぞれの観点は、複数の項目に細分され得、第３の分析手段１２５は、複数の項目のうち最も点数が高い項目および最も点数が低い項目について、管理者の特徴を決定するようにしてもよい。例えば、性格特性の観点は、外向性であるか内向性であるかを示す「周囲との関わり」、開放性であるか保守的であるかを示す「心の開き」、調和性であるか自己中心的・競争的であるかを示す「思いやり」、誠実性であるかいい加減・飽きっぽいかを示す「粘り強さ」、情緒安定性であるか神経性傾向であるかを示す「情緒の安定」の５つの項目に細分されることができ、第３の分析手段１２５は、回答結果に基づいて、それぞれの項目の点数を算出し、５つの項目のうち最も点数が高い項目および最も点数が低い項目について、管理者の特徴を決定することができる。

算出手段１２６は、第２の分析手段１２３によって決定された組織内の少なくとも１人のメンバ以外の人物の特徴と、第３の分析手段１２５によって決定された管理者の特徴とを比較することにより、その人物と管理者とのマッチ度を算出する。算出手段１２６は、仕事選びの優先順位の観点、性格特性の観点、状況の観点、経験の観点および希望条件の観点のそれぞれの観点でのマッチ度を算出することができる。算出手段１２６による比較は、例えば、第２の分析手段１２３が回答結果を点数化した点数と、第３の分析手段１２５が回答結果を点数化した点数とのコサイン類似度を算出することであり得る。算出手段１２６による比較は、例えば、第２の分析手段１２３が回答結果から複数の項目を順位付けた結果と、第３の分析手段１２５が回答結果から複数の項目を順位付けた結果とのスピルマンの相関係数を算出することであり得る。

図７に示される実施形態では、コンピュータシステム１００は、組織内の少なくとも１人のメンバ以外の人物と、組織の管理者とのマッチ度を算出することができるため、例えば、組織で働くことを志望する志望者を採用すべきか否かを、組織の管理者と合うかどうかを示すマッチ度に基づいて判断することができるようになる。これにより、採用活動をより効率的に行うことができるようになる。

図８は、組織マネジメントのためのコンピュータシステム１００内の構成の別の一例を示す。図８では、図４、図５Ａ、図５Ｂまたは図７に示される要素と同一の要素に同じ参照番号を付し、ここでは説明を省略する。図８に示されるコンピュータシステム１００は、図４、図５Ａ、図５Ｂまたは図７に示される構成に加えて、プロセッサ１２０が予測手段１２７を備えている構成である。図４、図５Ａ、図５Ｂまたは図７に示される第１の受信手段１１１、第２の受信手段１１２、第３の受信手段１１３、第４の受信手段１１４、第１の分析手段１２１、第２の分析手段１２３、第３の分析手段１２５、特定手段１２２、推定手段１２４、１２４’、算出手段１２６は図示を省略しており、一実施形態では、コンピュータシステム１００は、これらの構成要素のうちの少なくとも１つを備えなくてもよい。図８に示されるコンピュータシステム１００は、組織内の少なくとも１人のメンバの離職のし易さを予測する構成である。図８に示されるコンピュータシステム１００は、チャット機能を有するアプリケーションを少なくとも１人のメンバに提供するように構成されている。このアプリケーションは、シフト調節機能を有するようにしてもよい。

予測手段１２７は、データベース部２００に格納されている、組織内の複数のメンバがチャット機能を利用した履歴を示す履歴情報と、第１の分析手段１２１によって決定された複数のメンバの特徴とを用いた学習処理を施されており、予測手段１２７は、組織内の少なくとも１人のメンバがチャット機能を利用した履歴を示す履歴情報と、少なくとも１人のメンバの特徴とに基づいて、そのメンバの離職し易さを予測する。予測手段１２７は、例えば、ニューラルネットワークを利用した機械学習によって離職のし易さを予測することができる。

予測手段１２７は、例えば、図６に示されるニューラルネットワークの構造と同様の構造を有するニューラルネットワークを利用し得る。出力されるデータは、例えば、離職のし易さを表す０〜１の数値であり得、出力層のノード数は１であり得る。

ニューラルネットワークは、データベース部２００に格納されている組織内の複数のメンバのチャット履歴情報と、第１の分析手段１２１によって決定された組織内の複数のメンバの特徴とを用いて予め学習処理が施されている学習済みニューラルネットワークである。学習処理は、データを使用して、ニューラルネットワークの隠れ層の各ノードの重み係数を計算する処理である。学習処理では、例えば、データベース部２００に格納されている組織内の或るメンバのチャット履歴情報と、第１の分析手段１２１によって決定されたそのメンバの特徴とを入力用教師データとし、そのメンバが離職者であるか否かを示す値（例えば、離職者である場合「１」、在職者である場合「０」）を出力用教師データとして、複数のメンバについてのチャット履歴情報および特徴を用いて、ニューラルネットワークの隠れ層の各ノードの重み係数を計算する。

チャット履歴情報は、例えば、所定期間（例えば、１時間、１２時間、１日、１週間、１か月等）内にチャットでメッセージを発した回数を含み得る。メッセージを発した回数を用いた学習処理を施すことにより、予測精度が向上する。これは、チャットでのやりとりが多い人ほど、組織への忠誠心が高く、離職しにくいという事実に基づいている。

チャット履歴情報は、例えば、チャットを利用した時間帯を含み得る。チャットを利用した時間帯を用いた学習処理を施すことにより、予測精度が向上する。これは、チャットを利用した時間帯がシフトの時間外である人ほど、仕事に追われており、離職し易いという事実に基づいている。

チャット履歴情報は、例えば、チャットのメッセージの内容に関する情報を含むようにしてもよい。チャットのメッセージの内容に関する情報は、例えば、「辞めたい」、「きつい」、「やりたくない」等のネガティブなワードの発信回数であってもよいし、シフトの変更に関するメッセージの発信回数であってもよい。

このような学習済のニューラルネットワークの入力層に、データベース部２００に格納されている組織内の少なくとも１人のメンバのチャット履歴情報と、第１の分析手段１２１によって決定されたそのメンバの特徴を入力すると、出力層にそのメンバの離職のし易さが出力され得る。

ニューラルネットワークは、例えば、組織のメンバのチャット履歴情報および特徴に加えて、組織のメンバのシフトに関する情報を用いた学習処理を施されていてもよい。シフトに関する情報は、例えば、所定期間（例えば、１週間、１か月、３か月等）内でシフトに入った平均回数、所定期間内の平均労働時間、シフト当たりの平均労働時間を含み得る。チャット履歴情報に加えて、シフトに関する情報も用いて学習処理を施すことにより、チャットでのコミュニケーションと実際の労働との関係に基づいて離職のし易さを予測することができるようになり、予測精度が向上する。

ニューラルネットワークはさらに、例えば、組織のメンバの個人情報を用いた学習処理を施されていてもよい。個人情報は、例えば、年齢、性別、扶養家族の有無、配偶者の有無、子供の人数、子供の年齢、過去の職種等を含み得る。チャット履歴情報に加えて、個人情報も用いて学習処理を施すことにより、チャットでのコミュニケーションと個人の属性との関係に基づいて、離職のし易さを予測することができるようになり、予測精度が向上する。

ニューラルネットワークはさらに、例えば、上述した算出手段１２６によって算出され得る組織のメンバと管理者とのマッチ度を用いた学習処理を施されてもよいし、組織のメンバに対する評価（例えば、ハイパフォーマーであるか、ローパフォーマーであるかの評価）を用いた学習処理を施されてもよい。

このような学習済のニューラルネットワークの入力層に、データベース部２００に格納されている組織内の少なくとも１人のメンバのチャット履歴情報と、第１の分析手段１２１によって決定されたそのメンバの特徴と、データベース部２００に格納されているそのメンバのシフトに関する情報および／または個人情報および／またはマッチ度とを入力すると、出力層にそのメンバの離職のし易さが出力され得る。

図８に示される実施形態では、コンピュータシステム１００は、組織内の少なくとも１人のメンバの離職のし易さを予測することができるため、例えば、離職しそうなメンバを早期に特定し、そのメンバとコミュニケーションをとったり、シフトを調節したりすることにより、離職しないよう措置を講じることが可能になる。

図９は、組織マネジメントのためのコンピュータシステム１００内の構成の別の一例を示す。図９では、図４、図５Ａ、図５Ｂ、図７または図８に示される要素と同一の要素に同じ参照番号を付し、ここでは説明を省略する。図９に示されるコンピュータシステム１００は、図４、図５Ａ、図５Ｂ、図７または図８に示される構成に加えて、受信手段１１０が第５の受信手段１１５を備え、プロセッサ１２０が決定手段１２８を備えている構成である。図４、図５Ａ、図５Ｂ、図７または図８に示される第２の受信手段１１２、第３の受信手段１１３、第４の受信手段１１４、第２の分析手段１２３、第３の分析手段１２５、特定手段１２２、推定手段１２４、１２４’、算出手段１２６、予測手段１２７は図示を省略しており、一実施形態では、コンピュータシステム１００は、これらの構成要素のうちの少なくとも１つを備えなくてもよい。図９に示されるコンピュータシステム１００は、組織内の少なくとも１人のメンバのうち、売上が向上し得るメンバの組み合わせを決定する構成である。

第５の受信手段１１５は、所定期間（例えば、１時間、６時間、１２時間、１日、１週間、１か月等）毎の組織の売上情報およびそのときのシフトのメンバの情報を受信する。例えば、第５の受信手段１１５は、データベース部２００に格納されている所定期間毎の売上情報と、データベース部２００に格納されているシフトに関する情報のうち、その所定期間のシフトのメンバの情報とをデータベース部２００から受信し得る。第５の受信手段１１５によって受信された回答結果は、後続処理のために、プロセッサ１２０の決定手段１２８に渡される。

決定手段１２８は、第５の受信手段１１５によって受信された売上情報と、第１の分析手段１２１によって決定されたシフトのメンバの特徴とに基づいて、売上が向上し得る組織内のメンバの組み合わせを決定する。決定手段１２８は、例えば、売上が高いときのシフトのメンバが共通して有している特徴および／または共通して有していない特徴を特定し、特定された共通して有している特徴を有するメンバ同士の組み合わせを決定するか、または、特定された共通して有していない特徴を有していないメンバ同士の組み合わせを決定するか、または、特定された共通して有している特徴を有し、かつ、特定された共通して有していない特徴を有していないメンバ同士の組み合わせを決定する。あるいは、決定手段１２８は、例えば、売上が高いときのシフトのメンバの組み合わせが共通して有している特徴および／または共通して有していない特徴を特定し、特定された共通して有している特徴を有するメンバの組み合わせを決定するか、または、特定された共通して有していない特徴を有していないメンバの組み合わせを決定するか、または、特定された共通して有している特徴を有し、かつ、特定された共通して有していない特徴を有していないメンバの組み合わせを決定する。

図９に示される実施形態では、コンピュータシステム１００は、売上が向上し得るメンバの組み合わせを決定することができるため、例えば、管理者は、シフト調節のための参考として利用することが可能になる。これにより、管理者のシフト調節の負担を低減することができる。

上述した例では、コンピュータシステム１００の各構成要素がコンピュータシステム１００内に設けられているが、本発明はこれに限定されない。コンピュータシステム１００の各構成要素のいずれかがコンピュータシステム１００の外部または遠隔に設けられることも可能である。例えば、プロセッサ１２０、メモリ１３０のそれぞれが別々のハードウェア部品で構成されている場合には、各ハードウェア部品が任意のネットワークを介して接続されてもよい。このとき、ネットワークの種類は問わない。各ハードウェア部品は、例えば、ＬＡＮを介して接続されてもよいし、無線接続されてもよいし、有線接続されてもよい。システム１００は、特定のハードウェア構成には限定されない。例えば、プロセッサ１２０をデジタル回路ではなくアナログ回路によって構成することも本発明の範囲内である。システム１００の構成は、その機能を実現できる限りにおいて上述したものに限定されない。

３．組織マネジメントのためのコンピュータシステムにおける処理
図１０は、組織マネジメントのためのコンピュータシステム１００における処理の一例を示すフローチャートである。図１０に示される例では、少なくとも１人のメンバに対する評価と少なくとも１人のメンバの特徴との関係を特定する処理１０００を説明する。処理１０００は、例えば、図４に示される構成を有するコンピュータシステム１００において行われ得る。

ステップＳ１００１では、受信手段１１０の第１の受信手段１１１が、組織内の少なくとも１人のメンバが質問に対して回答した回答結果を受信する。第１の受信手段１１１は、例えば、メンバ用端末装置４００からネットワーク５００を介して回答結果を受信するようにしてもよいし、データベース部２００に格納されている回答結果をデータベース部２００から受信するようにしてもよい。第１の受信手段１１１が回答結果を受信すると、第１の受信手段１１１は、回答結果をプロセッサ１２０に送り、プロセッサ１２０の第１の分析手段１２１が回答結果を受信する。

ステップＳ１００２では、受信手段１１０の第２の受信手段１１２が、組織内の少なくとも１人のメンバに対する他人による評価を受信する。第２の受信手段１１２は、例えば、管理者用端末装置３００からネットワーク５００を介してメンバに対する評価を受信するようにしてもよいし、データベース部２００に格納されているメンバに対する評価をデータベース部２００から受信するようにしてもよい。第２の受信手段１１２がメンバに対する評価を受信すると、第２の受信手段１１２は、メンバに対する評価をプロセッサ１２０に送り、プロセッサ１２０の特定手段１２２がメンバに対する評価を受信する。

ステップＳ１００３では、プロセッサ１２０の第１の分析手段１２１が、ステップＳ１００１で受信された回答結果を分析することにより、少なくとも１人のメンバの特徴を決定する。

例えば、質問に対する回答の各選択肢に予め点数が付与されており、点数の合計値と特徴とが予め対応付けられているとき、第１の分析手段１２１は、回答結果を点数化し、点数の合計値から特徴を決定するようにしてもよい。あるいは、質問に対する回答の各選択肢に予め点数が付与されており、点数の分布と特徴とが予め対応付けられているとき、第１の分析手段１２１は、回答結果を点数化し、点数の分布から特徴を決定するようにしてもよい。

質問が複数の観点からの質問を含み、回答結果が複数の観点からの質問に対する回答結果を含む場合、第１の分析手段１２１は、複数の観点からの質問に対する回答結果に基づいて、それぞれの観点でのメンバの特徴を決定することができる。

例えば、複数の観点が仕事選びの優先順位の観点を含む場合、第１の分析手段１２１は、仕事選びの優先順位の観点でのメンバの特徴を決定することになる。仕事選びの優先順位は、メンバの就業観を反映しているため、仕事選びの優先順位の観点でのメンバの特徴を決定することにより、メンバの就業観を可視化することができ、就業観に基づいた組織マネジメントを行うことが可能になる。

例えば、複数の観点が仕事選びの優先順位の観点に加えて、性格特性の観点を含む場合、第１の分析手段１２１は、仕事選びの優先順位の観点および性格特性の観点でのメンバの特徴を決定することになる。性格特性は、意思決定の仕方に影響を及ぼす要素である（例えば、心の開きが低くかつ誠実性が低いという性格特性を有する人は、チャレンジしない、経験に基づく前例主義的な意思決定をしがちである）。仕事選びの優先順位の観点および性格特性の観点でのメンバの特徴を決定することにより、意思決定の仕方に影響を及ぼす要素による結果としての就業観を考慮することができ、決定される特徴の精度が向上する。

例えば、複数の観点が仕事選びの優先順位の観点に加えて、状況の観点を含む場合、第１の分析手段１２１は、仕事選びの優先順位の観点および状況の観点でのメンバの特徴を決定することになる。状況は、就業に当たっての意思決定に顕在的に最も影響を与える顕在的因子である。仕事選びの優先順位の観点および状況の観点でのメンバの特徴を決定することにより、就業に当たっての意思決定に顕在的に影響を与える顕在的因子による結果としての就業観を考慮することができ、決定される特徴の精度が向上する。

例えば、複数の観点が仕事選びの優先順位の観点に加えて、性格特性の観点および状況の観点を含む場合、第１の分析手段１２１は、仕事選びの優先順位の観点、性格特性の観点、および状況の観点でのメンバの特徴を決定することになる。これにより、就業に当たっての意思決定に顕在的に影響を与える顕在的因子と、意思決定の仕方に影響を及ぼす要素とによる結果としての就業観を考慮することができ、決定因子×決め方×結果のバランスが良くなり、決定される特徴の精度がさらに向上する。

例えば、複数の観点が仕事選びの優先順位の観点に加えて、性格特性の観点および経験の観点を含む場合、第１の分析手段１２１は、仕事選びの優先順位の観点、性格特性の観点、および経験の観点でのメンバの特徴を決定することになる。経験は、就業に当たっての意思決定に潜在的に影響を与える潜在的因子である（例えば、人間は概して現状維持欲求を有しており、できること、やったことがあることに固執する傾向がある）。仕事選びの優先順位の観点、性格特性の観点、および経験の観点でのメンバの特徴を決定することにより、就業に当たっての意思決定に潜在的に影響を与える潜在的因子と、意思決定の仕方に影響を及ぼす要素とによる結果としての就業観を考慮することができ、決定因子×決め方×結果のバランスが良くなり、決定される特徴の精度がさらに向上する。

例えば、複数の観点が仕事選びの優先順位の観点に加えて、状況の観点および経験の観点を含む場合、第１の分析手段１２１は、仕事選びの優先順位の観点、状況の観点、および経験の観点でのメンバの特徴を決定することになる。これにより、就業に当たっての意思決定に顕在的に影響を与える顕在的因子と、就業に当たっての意思決定に潜在的に影響を与える潜在的因子とによる結果としての就業観を考慮することができ、多角的な因の要素で果の要素を十分に裏付けることができるため、決定される特徴の精度がさらに向上する。

例えば、複数の観点が仕事選びの優先順位の観点に加えて、状況の観点および希望条件の観点を含む場合、第１の分析手段１２１は、仕事選びの優先順位の観点、状況の観点、および希望条件の観点でのメンバの特徴を決定することになる。希望条件は、「カネ」および「時間」の面で意思決定の影響を及ぼす要素である。仕事選びの優先順位の観点、状況の観点、および希望条件の観点でのメンバの特徴を決定することにより、就業に当たっての意思決定に顕在的に影響を与える顕在的因子の結果としての就業観および希望条件を考慮することができ、果の要素が複層的になるため、決定される特徴の精度がさらに向上する。

例えば、複数の観点が仕事選びの優先順位の観点に加えて、性格特性の観点、状況の観点、経験の観点、および希望条件の観点を含む場合、第１の分析手段１２１は、仕事選びの優先順位の観点、性格特性の観点、状況の観点、経験の観点、および希望条件の観点でのメンバの特徴を決定することになる。これにより、就業に当たっての意思決定に顕在的に影響を与える顕在的因子と、就業に当たっての意思決定に潜在的に影響を与える潜在的因子と、意思決定の仕方に影響を及ぼす要素とによる結果としての就業観および希望条件を考慮することができ、多角的な決定因子×決め方×複層的な結果のバランスが最良であり、決定される特徴の精度がさらに向上する。

例えば、質問が性格特性の観点からの質問を含み、回答結果が性格特性の観点からの質問に対する回答結果を含む場合、例えば、性格特性の観点は、外向性であるか内向性であるかを示す「周囲との関わり」、開放性であるか保守的であるかを示す「心の開き」、調和性であるか自己中心的・競争的であるかを示す「思いやり」、誠実性であるかいい加減・飽きっぽいかを示す「粘り強さ」、情緒安定性であるか神経性傾向であるかを示す「情緒の安定」の５つの項目に細分されることができる。第１の分析手段１２１は、例えば、回答結果を点数化し、複数の項目について集計し得る。例えば、或るメンバの回答結果から、表１に示されるように集計されたとする。

このとき、第１の分析手段１２１は、点数が最も高い項目または点数が最も低い項目について特徴を決定し得る。点数が最も高い項目または点数が最も低い項目が複数ある場合には、いずれか１つの項目について特徴を決定してもよいし、複数の項目のうちの一部またはすべてについて特徴を決定してもよい。表１の例では、「心の開き」および「思いやり」の項目について、それぞれの点数から、「好奇心が高く、新しい事に対しての興味関心が強いタイプであり、利他的で人との競争を好まない協調性の高いタイプである。」という特徴を決定することができる。このような特徴は、管理者にとって分かりやすい。あるいは、「心の開き」および「思いやり」の項目の点数が最も高いという特徴を決定することもできる。このような特徴は、例えば、「心の開き」および「思いやり」の項目の点数を１として扱い、それ以外の項目の点数を０として扱うことができるため、後の処理において利用しやすい。

あるいは、第１の分析手段１２１は、それぞれの項目について特徴を決定するようにしてもよい。表１の例では、各項目について、それぞれの点数から、「外向的で社交的なタイプであり、好奇心が高く、新しい事に対しての興味関心が強いタイプであり、利他的で人との競争を好まない協調性の高いタイプであり、比較的飽きっぽく、自己統制が苦手なタイプであり、比較的情緒は安定しており、周りに左右されづらいタイプである。」という特徴を決定することができる。このような特徴は、管理者にとって分かりやすい。あるいは、「周囲との関わり」が４．５点であり、「心の開き」が５点であり、「思いやり」が５点であり、「粘り強さ」が２点であり、「情緒の安定」が３．５点であるという特徴を決定することもできる。このような特徴は、各項目を点数で扱うことができるため、後の処理において利用しやすい。

ステップＳ１００４では、プロセッサ１２０の特定手段１２２が、ステップＳ１００２で受信された少なくとも１人のメンバに対する評価と、ステップＳ１００３で決定された少なくとも１人のメンバの特徴との関係を特定する。特定手段１２２は、例えば、少なくとも１人のメンバに対する評価と少なくとも１人のメンバの特徴との関係として、少なくとも１人のメンバのうち同一の評価を有するメンバが共通して有している特徴および／または共通して有していない特徴を特定することができる。

例えば、特定手段１２２は、同一の評価を有するメンバを抽出し、抽出されたメンバが有する特徴を集計し、集計された特徴に基づいて、共通して有している特徴および／または共通して有していない特徴を特定することができる。特徴を集計することは、例えば、抽出されたメンバが有する特徴を点数化し、抽出されたメンバ内で特徴毎の点数の合計値を算出することを含み得る。例えば、このように集計された特徴に基づいて、点数の合計値が最大である特徴が、同一の評価を有するメンバが共通して有している特徴として特定され、点数の合計値が最小である特徴が、同一の評価を有するメンバが共通して有していない特徴として特定され得る。あるいは、例えば、このように集計された特徴に基づいて、点数の合計値が所定の閾値を超える特徴が、同一の評価を有するメンバが共通して有している特徴として特定され、点数の合計値が所定の閾値を超えない特徴が、同一の評価を有するメンバが共通して有していない特徴として特定され得る。

例えば、特定手段１２２は、ハイパフォーマーの評価を有するメンバを抽出し、それらのメンバの特徴の共通部分を取ることにより、ハイパフォーマーの評価を有するメンバが共通して有している特徴を特定することができる。例えば、特定手段１２２は、ハイパフォーマーの評価を有するメンバを抽出し、全特徴と各メンバの特徴との差分を取り、それらの差分の共通部分を取ることにより、ハイパフォーマーの評価を有するメンバが共通して有していない特徴を特定することができる。

あるいは、特定手段１２２は、例えば、少なくとも１人のメンバに対する評価と少なくとも１人のメンバの特徴との関係として、少なくとも１人のメンバのうち同一の評価を有するメンバの多くが有している特徴および／または多くが有していない特徴を特定することができる。

例えば、特定手段１２２は、ハイパフォーマーの評価を有するメンバを抽出し、それらのメンバの特徴の点数の合計値を取ることにより、合計値が最大となった特徴を、ハイパフォーマーの評価を有するメンバの多くが共通して有している特徴として特定することができる。例えば、特定手段１２２は、ハイパフォーマーの評価を有するメンバを抽出し、それらのメンバの特徴の点数の合計値を取ることにより、合計値が最小となった特徴を、ハイパフォーマーの評価を有するメンバの多くが共通して有していない特徴として特定することができる。

このようにして特定された関係は、出力手段１４０によってコンピュータシステム１００の外部に出力され得る。

上述した例では、特定の順序で処理が行われることを説明したが、各処理の順序は説明されたものに限定されず、論理的に可能な任意の順序で行われることに留意されたい。例えば、ステップＳ１００１の後にステップＳ１００３が行われ、次いでステップＳ１００２が行われてもよいし、ステップＳ１００１とステップＳ１００２とが同時に行われてもよいし、ステップＳ１００２とステップＳ１００３とが同時に行われてもよい。

図１１は、組織マネジメントのためのコンピュータシステム１００における処理の別の一例を示すフローチャートである。図１１に示される例では、少なくとも１人のメンバ以外の人物の評価を推定する処理１１００を説明する。処理１１００は、例えば、図５Ａに示される構成を有するコンピュータシステム１００において行われ得る。

処理１１００では、初めに処理１０００のステップＳ１００１〜ステップＳ１００４が行われる。これにより、少なくとも１人のメンバに対する評価と少なくとも１人のメンバの特徴との関係が特定されているものとする。

ステップＳ１１０１では、受信手段１１０の第３の受信手段１１３が、組織内の少なくとも１人のメンバ以外の人物（例えば、組織で働くことを志望する志望者）が質問に対して回答した回答結果を受信する。第３の受信手段１１３は、例えば、メンバ用端末装置４００からネットワーク５００を介して回答結果を受信するようにしてもよいし、データベース部２００に格納されている回答結果をデータベース部２００から受信するようにしてもよい。第３の受信手段１１３が回答結果を受信すると、第３の受信手段１１３は、回答結果をプロセッサ１２０に送り、プロセッサ１２０の第２の分析手段１２３が回答結果を受信する。

ステップＳ１１０２では、プロセッサ１２０の第２の分析手段１２３が、ステップＳ１１０１で受信された回答結果を分析することにより、組織内の少なくとも１人のメンバ以外の人物の特徴を決定する。ステップＳ１１０２では、第２の分析手段１２３が、ステップＳ１００３における第１の分析手段１２１による処理と同様の処理により、人物の特徴を決定する。

ステップＳ１１０３では、推定手段１２４が、ステップＳ１００４で特定された少なくとも１人のメンバに対する評価と少なくとも１人のメンバの特徴との関係と、ステップＳ１１０２で決定された組織内の少なくとも１人のメンバ以外の人物の特徴とに基づいて、その人物に対する評価を推定する。評価は、例えば、ハイパフォーマー、ローパフォーマー、早期離職者のいずれであるかの評価である。推定手段１２４は、例えば、人物の特徴が、ハイパフォーマーの評価を有するメンバが共通して有している特徴であるか否か、ローパフォーマーの評価を有するメンバが共通して有している特徴であるか否か、および、早期離職者の評価を有するメンバが共通して有している特徴であるか否かを判定することにより、その人物に対する評価を推定することができる。例えば、人物の特徴が、ハイパフォーマーの評価を有するメンバが共通して有している特徴である場合、その人物の評価はハイパフォーマーであると推定され得、人物の評価が、ローパフォーマーの評価を有するメンバが共通して有している特徴である場合、その人物の評価はローパフォーマーであると推定され得、人物の評価が、早期離職者の評価を有するメンバが共通して有している特徴である場合、その人物の評価は早期離職者であると推定され得る。

このようにして推定された評価は、出力手段１４０によってコンピュータシステム１００の外部に出力され得る。

上述した例では、特定の順序で処理が行われることを説明したが、各処理の順序は説明されたものに限定されず、論理的に可能な任意の順序で行われることに留意されたい。例えば、ステップＳ１００１〜ステップＳ１００４の前にステップＳ１１０１および／またはステップＳ１１０２が行われてもよいし、ステップＳ１００１〜ステップＳ１００４の少なくとも１つとステップＳ１００１またはステップＳ１００２とが同時に行われてもよいし。

図１２Ａは、組織マネジメントのためのコンピュータシステム１００における処理の別の一例を示すフローチャートである。図１２Ａに示される例では、少なくとも１人のメンバ以外の人物の評価を推定することを可能にするために、推定手段１２４’に学習処理を施すための処理１２００を説明する。処理１２００は、例えば、図５Ｂに示される構成を有するコンピュータシステム１００において行われ得る。

ステップＳ１２０１では、受信手段１１０の第１の受信手段１１１が、組織内の少なくとも１人のメンバが質問に対して回答した回答結果を受信する。ステップＳ１２０１は、ステップＳ１００１の処理と同様の処理である。

ステップＳ１２０２では、受信手段１１０の第２の受信手段１１２が、組織内の少なくとも１人のメンバに対する評価を受信する。ステップＳ１２０２は、ステップＳ１００２と同様の処理である。

ステップＳ１２０３では、プロセッサ１２０の第１の分析手段１２１が、ステップＳ１００１で受信された回答結果を分析することにより、少なくとも１人のメンバの特徴を決定する。ステップＳ１２０３は、ステップＳ１００３と同様の処理である。

ステップＳ１２０４では、プロセッサ１２０の推定手段１２４’が、ステップＳ１２０３で決定された少なくとも１人のメンバの特徴と、ステップＳ１２０２で受信された少なくとも１人のメンバに対する評価とを学習する。推定手段１２４’は、例えば、図６に示されるようなニューラルネットワークを利用している。ステップＳ１２０４では、例えば、少なくとも１人のメンバの特徴を入力用教師データとし、少なくとも１人のメンバに対する評価（例えば、ハイパフォーマーであるか、ローパフォーマーであるか、早期離職者であるかの評価）を出力用教師データとして、各ノードの重み係数を計算する。

組織内の十分な数の複数のメンバについてステップＳ１２０１〜ステップＳ１２０４を繰り返すことにより、学習済ニューラルネットワークが構築され、学習処理が完了する。より多くの数のメンバについて学習することにより、推定の精度は向上する。

上述した例では、特定の順序で処理が行われることを説明したが、各処理の順序は説明されたものに限定されず、論理的に可能な任意の順序で行われることに留意されたい。例えば、ステップＳ１２０１の後にステップＳ１２０３が行われ、次いでステップＳ１２０２が行われてもよいし、ステップＳ１２０１とステップＳ１２０２とが同時に行われてもよいし、ステップＳ１２０２とステップＳ１２０３とが同時に行われてもよい。

図１２Ｂは、組織マネジメントのためのコンピュータシステム１００における処理の別の一例を示すフローチャートである。図１２Ｂに示される例では、少なくとも１人のメンバ以外の人物の評価を推定するための処理１２１０を説明する。処理１２１０は、例えば、図５Ｂに示される構成を有するコンピュータシステム１００において行われ得る。推定手段１２４’は、処理１２００により学習処理を施されているものとする。

ステップＳ１２１１では、受信手段１１０の第３の受信手段１１３が、組織内の少なくとも１人のメンバ以外の人物（例えば、組織で働くことを志望する志望者）が質問に対して回答した回答結果を受信する。ステップＳ１２１１は、ステップＳ１１０１と同様の処理である。

ステップＳ１２１２では、プロセッサ１２０の第２の分析手段１２３が、ステップＳ１１０１で受信された回答結果を分析することにより、組織内の少なくとも１人のメンバ以外の人物の特徴を決定する。ステップＳ１２１２は、ステップＳ１１０２と同様の処理である。

ステップＳ１２１３では、プロセッサ１２０の推定手段１２４’が、ステップＳ１２１２で決定された人物の特徴に基づいて、人物に対する評価を推定する。例えば、推定手段１２４’の学習済ニューラルネットワークの入力層に人物の特徴を入力すると、出力層に人物の評価が出力される。例えば、ハイパフォーマーであるか、ローパフォーマーであるか、早期離職者であるかの評価が出力される。

このようにして推定された評価は、出力手段１４０によってコンピュータシステム１００の外部に出力され得る。

上述した例では、特定の順序で処理が行われることを説明したが、各処理の順序は説明されたものに限定されず、論理的に可能な任意の順序で行われることに留意されたい。

図１３は、組織マネジメントのためのコンピュータシステム１００における処理の別の一例を示すフローチャートである。図１３に示される例では、少なくとも１人のメンバ以外の人物と、組織の管理者とのマッチ度を算出する処理１３００を説明する。処理１３００は、例えば、図７に示される構成を有するコンピュータシステム１００において行われ得る。

ステップＳ１３０１では、受信手段１１０の第３の受信手段１１３が、組織内の少なくとも１人のメンバ以外の人物（例えば、組織で働くことを志望する志望者）が質問に対して回答した回答結果を受信する。ステップＳ１２１１は、ステップＳ１１０１と同様の処理である。

ステップＳ１３０２では、プロセッサ１２０の第２の分析手段１２３が、ステップＳ１１０１で受信された回答結果を分析することにより、組織内の少なくとも１人のメンバ以外の人物の特徴を決定する。ステップＳ１２１２は、ステップＳ１１０２と同様の処理である。

ステップＳ１３０３では、受信手段１１０の第４の受信手段１１４が、組織の管理者（例えば、店長等）が質問に対して回答した回答結果を受信する。第４の受信手段１１４は、例えば、管理者用端末装置３００からネットワーク５００を介して回答結果を受信するようにしてもよいし、データベース部２００に格納されている回答結果をデータベース部２００から受信するようにしてもよい。第４の受信手段１１４が回答結果を受信すると、第４の受信手段１１４は、回答結果をプロセッサ１２０に送り、プロセッサ１２０の第３の分析手段１２５が回答結果を受信する。

ステップＳ１３０４では、プロセッサ１２０の第３の分析手段１２５が、ステップＳ１３０３で受信された回答結果を分析することにより、組織の管理者の特徴を決定する。ステップＳ１３０４では、第３の分析手段１２５が、ステップＳ１００３における第１の分析手段１２１による処理と同様の処理により、管理者の特徴を決定する。

ステップＳ１３０５では、プロセッサ１２０の算出手段１２６が、人物の特徴と、管理者の特徴とを比較することにより、人物と管理者とのマッチ度を算出する。算出手段１２６は、仕事選びの優先順位の観点、性格特性の観点、状況の観点、経験の観点および希望条件の観点のそれぞれの観点でのマッチ度を算出することができる。算出手段１２６は、例えば、点数化された人物の特徴と、点数化された管理者の特徴とのコサイン類似度を算出することにより、マッチ度を算出することができる。あるいは、算出手段１２６は、例えば、順位付けされた人物の特徴と、順位付けされた管理者の特徴とのスピルマンの相関係数を算出することにより、マッチ度を算出することができる。

このようにして算出されたマッチ度は、出力手段１４０によってコンピュータシステム１００の外部に出力され得る。

上述した例では、特定の順序で処理が行われることを説明したが、各処理の順序は説明されたものに限定されず、論理的に可能な任意の順序で行われることに留意されたい。例えば、ステップＳ１３０１の前にステップＳ１３０３が行われてもよいし、ステップＳ１３０１とステップＳ１３０３とが同時に行われてもよいし、ステップＳ１３０２とステップＳ１３０４とが同時に行われてもよい。

図１４Ａは、組織マネジメントのためのコンピュータシステム１００における処理の別の一例を示すフローチャートである。図１４Ａに示される例では、組織内の少なくとも１人のメンバの離職のし易さを予測することを可能にするために、予測手段１２７に学習処理を施すための処理１４００を説明する。処理１４００は、例えば、図８に示される構成を有するコンピュータシステム１００において行われ得る。

ステップＳ１４０１では、受信手段１１０の第１の受信手段１１１が、組織内の複数のメンバが質問に対して回答した回答結果を受信する。ステップＳ１４０１では、第１の受信手段１１１が、ステップＳ１００１における第１の受信手段１１１による処理と同様の処理により、複数のメンバによる回答結果を受信する。

ステップＳ１４０２では、プロセッサ１２０の第１の分析手段１２１が、受信された回答結果を分析することにより、複数のメンバの特徴を決定する。ステップＳ１４０２では、第１の分析手段１２１が、ステップＳ１００３における第１の分析手段１２１による処理と同様の処理により、複数のメンバの特徴を決定する。

ステップＳ１４０３では、受信手段１１０が、複数のメンバがチャット機能を利用した履歴を示すチャット履歴情報を受信する。受信手段１１０は、例えば、データベース部２００に格納されているチャット履歴情報を受信するようにしてもよいし、ネットワーク５００を介してチャット履歴情報を受信するようにしてもよい。

ステップＳ１４０４では、受信手段１１０の第２の受信手段１１２が、組織内の複数のメンバに対する離職者であるか否かの評価を受信する。第２の受信手段１１２は、例えば、管理者用端末装置３００からネットワーク５００を介して複数のメンバに対する離職者であるか否かの評価を受信するようにしてもよいし、データベース部２００に格納されている複数のメンバに対する離職者であるか否かの評価をデータベース部２００から受信するようにしてもよい。第２の受信手段１１２が複数のメンバに対する離職者であるか否かの評価を受信すると、第２の受信手段１１２は、複数のメンバに対する離職者であるか否かの評価をプロセッサ１２０に送り、プロセッサ１２０の予測手段１２７が複数のメンバに対する離職者であるか否か評価を受信する。

ステップＳ１４０５では、プロセッサ１２０の予測手段１２７が、ステップＳ１４０２で決定された複数のメンバの特徴と、ステップＳ１４０３で受信された複数のメンバのチャット履歴情報と、ステップＳ１４０４で受信された離職者であるか否かの評価を学習する。予測手段１２７は、例えば、図６に示されるようなニューラルネットワークを利用している。ステップＳ１４０３では、例えば、複数のメンバのうちの１人特徴およびそのメンバのチャット履歴情報を入力用教師データとし、そのメンバに対する離職者であるか否かの評価を出力用教師データとして、各ノードの重み係数を計算する。

チャット履歴情報は、例えば、所定期間（例えば、１時間、１２時間、１日、１週間、１か月等）内にチャットでメッセージを発した回数、および、チャットを利用した時間帯を含み得る。チャット履歴情報は、チャットのメッセージの内容に関する情報を含んでもよい。

ステップＳ１４０５では、上述したものに加えて、組織内の複数のメンバのシフトに関する情報、組織内の複数のメンバの個人情報、算出手段１２６によって算出され得る組織の複数のメンバのそれぞれと管理者とのマッチ度、組織内の複数のメンバに対する評価（例えば、ハイパフォーマーであるか、ローパフォーマーであるかの評価）も学習するようにしてもよい。シフトに関する情報は、例えば、所定期間（例えば、１週間、１か月、３か月等）内でシフトに入った平均回数、所定期間内の平均労働時間、シフト当たりの平均労働時間を含み得る。個人情報は、例えば、年齢、性別、扶養家族の有無、配偶者の有無、子供の人数、子供の年齢、過去の職種等を含み得る。

組織内の十分な数の複数のメンバについてステップＳ１４０５を繰り返すことにより、学習済ニューラルネットワークが構築され、学習処理が完了する。より多くの数のメンバについて学習することにより、推定の精度は向上する。

上述した例では、特定の順序で処理が行われることを説明したが、各処理の順序は説明されたものに限定されず、論理的に可能な任意の順序で行われることに留意されたい。例えば、ステップＳ１４０１の後にステップＳ１４０４が行われ、次いでステップＳ１４０３が行われてもよいし、ステップＳ１４０１とステップＳ１４０３とステップＳ１４０４とのうちの少なくとも２つが同時に行われてもよい。

図１４Ｂは、組織マネジメントのためのコンピュータシステム１００における処理の別の一例を示すフローチャートである。図１４Ｂに示される例では、組織内の少なくとも１人のメンバの離職のし易さを予測するための処理１４１０を説明する。処理１４１０は、例えば、図８に示される構成を有するコンピュータシステム１００において行われ得る。予測手段１２７は、処理１４００により学習処理を施されているものとする。

ステップＳ１４１１では、受信手段１１０の第１の受信手段１１１が、組織内の少なくとも１人のメンバが質問に対して回答した回答結果を受信する。ステップＳ１４１１は、ステップＳ１００１の処理と同様の処理である。

ステップＳ１４１２では、プロセッサ１２０の第１の分析手段１２１が、ステップＳ１４１１で受信された回答結果を分析することにより、少なくとも１人のメンバの特徴を決定する。ステップＳ１４１２は、ステップＳ１００３と同様の処理である。

ステップＳ１４１３では、受信手段１１０が、組織内の少なくとも１人のメンバがチャット機能を利用した履歴を示すチャット履歴情報を受信する。受信手段１１０は、例えば、データベース部２００に格納されているチャット履歴情報を受信するようにしてもよいし、ネットワーク５００を介してチャット履歴情報を受信するようにしてもよい。

ステップＳ１４１４では、プロセッサ１２０の予測手段１２７が、ステップＳ１４１３で受信された少なくとも１人のメンバのチャット履歴情報と、ステップＳ１４１２で決定された少なくとも１人のメンバの特徴に基づいて、少なくとも１人のメンバの離職のし易さを推定する。例えば、予測手段１２７の学習済ニューラルネットワークの入力層に少なくとも１人のメンバのチャット履歴情報と、その特徴とを入力すると、出力層に離職のし易さが出力される。例えば、離職のし易さが０〜１の指標で出力される。

予測手段１２７がチャット履歴情報に加えて、組織内の複数のメンバのシフトに関する情報を用いた学習処理を施されている場合、ステップＳ１４１４では、ステップＳ１４１３で受信された少なくとも１人のメンバのチャット履歴情報と、ステップＳ１４１２で決定された少なくとも１人のメンバの特徴と、受信手段１１０によって受信され得る少なくとも１人のメンバのシフトに関する情報とに基づいて、少なくとも１人のメンバの離職のし易さを推定するようにしてもよい。さらに、予測手段１２７がチャット履歴情報に加えて、組織内の複数のメンバの個人情報、算出手段１２６によって算出され得る組織の複数のメンバのそれぞれと管理者とのマッチ度、および／または、組織内の複数のメンバに対する評価（例えば、ハイパフォーマーであるか、ローパフォーマーであるかの評価）を用いた学習処理を施されている場合、ステップＳ１４１４では、ステップＳ１４１３で受信された少なくとも１人のメンバのチャット履歴情報と、ステップＳ１４１２で決定された少なくとも１人のメンバの特徴と、受信手段１１０によって受信され得る少なくとも１人のメンバの個人情報、算出手段１２６によって算出され得る少なくとも１人のメンバと管理者とのマッチ度、および／または、第２の受信手段１１２によって受信され得る少なくとも１人のメンバに対する評価（例えば、ハイパフォーマーであるか、ローパフォーマーであるかの評価）とに基づいて、少なくとも１人のメンバの離職のし易さを推定するようにしてもよい。

このようにして予測された離職のし易さは、出力手段１４０によってコンピュータシステム１００の外部に出力され得る。

上述した例では、特定の順序で処理が行われることを説明したが、各処理の順序は説明されたものに限定されず、論理的に可能な任意の順序で行われることに留意されたい。例えば、ステップＳ１４１１の前にステップＳ１４１３が行われてもよいし、ステップＳ１４１１とステップＳ１４１３とが同時に行われてもよい。

図１５は、組織マネジメントのためのコンピュータシステム１００における処理の別の一例を示すフローチャートである。図１５に示される例では、売上が向上し得る組織内のメンバの組み合わせを決定する処理１５００を説明する。処理１５００は、例えば、図９に示される構成を有するコンピュータシステム１００において行われ得る。

ステップＳ１５０１では、受信手段１１０の第５の受信手段１１５が、所定期間（例えば、１時間、６時間、１２時間、１日、１週間、１か月等）毎の組織の売上情報およびそのときのシフトのメンバの情報を受信する。組織内の少なくとも１人のメンバ以外の人物（例えば、組織で働くことを志望する志望者）が質問に対して回答した回答結果を受信する。ステップＳ１２１１は、ステップＳ１１０１と同様の処理である。第５の受信手段１１５は、例えば、データベース部２００に格納されている所定期間毎の売上情報を受信するようにしてもよいし、ネットワーク５００を介して所定期間毎の売上情報を受信するようにしてもよい。第５の受信手段１１５は、データベース部２００に格納されているシフトに関する情報のうち、その所定期間のシフトのメンバの情報を受信するようにしてもよいし、ネットワーク５００を介して、シフトのメンバの情報を受信するようにしてもよい。

ステップＳ１５０２では、受信手段１１０の第１の受信手段１１１が、組織内の複数のメンバのうち、シフトのメンバが質問に対して回答した回答結果を受信する。ステップＳ１５０２では、第１の受信手段１１１が、ステップＳ１００１における第１の受信手段１１１による処理と同様の処理により、シフトのメンバによる回答結果を受信する。

ステップＳ１５０３では、プロセッサ１２０の第１の分析手段１２１が、ステップＳ１５０２で受信された回答結果を分析することにより、シフトのメンバの特徴を決定する。ステップＳ１５０３では、第１の分析手段１２１が、ステップＳ１００３における第１の分析手段１２１による処理と同様の処理により、シフトのメンバの特徴を決定する。

ステップＳ１５０４では、プロセッサ１２０の決定手段１２８が、ステップＳ１５０１で受信された売上情報と、ステップＳ１５０３で決定されたシフトのメンバの特徴とに基づいて、売上が向上し得る組織内のメンバの組み合わせを決定する。決定手段１２８は、例えば、売上が最も高いときのシフトのメンバが共通して有している特徴および／または共通して有していない特徴を特定し、特定された共通して有している特徴を有するメンバ同士の組み合わせを決定するか、または、特定された共通して有していない特徴を有していないメンバ同士の組み合わせを決定するか、または、特定された共通して有している特徴を有し、かつ、特定された共通して有していない特徴を有していないメンバ同士の組み合わせを決定する。決定手段１２８は、例えば、売上が平均よりも高いときのシフトのメンバが共通して有している特徴および／または共通して有していない特徴を特定し、特定された共通して有している特徴を有するメンバ同士の組み合わせを決定するか、または、特定された共通して有していない特徴を有していないメンバ同士の組み合わせを決定するか、または、特定された共通して有している特徴を有し、かつ、特定された共通して有していない特徴を有していないメンバ同士の組み合わせを決定する。

あるいは、決定手段１２８は、例えば、売上が最も高いときのシフトのメンバの組み合わせが共通して有している特徴および／または共通して有していない特徴を特定し、特定された共通して有している特徴を有するメンバの組み合わせを決定するか、または、特定された共通して有していない特徴を有していないメンバの組み合わせを決定するか、または、特定された共通して有している特徴を有し、かつ、特定された共通して有していない特徴を有していないメンバの組み合わせを決定する。決定手段１２８は、例えば、売上が平均よりも高いときのシフトのメンバの組み合わせが共通して有している特徴および／または共通して有していない特徴を特定し、特定された共通して有している特徴を有するメンバの組み合わせを決定するか、または、特定された共通して有していない特徴を有していないメンバの組み合わせを決定するか、または、特定された共通して有している特徴を有し、かつ、特定された共通して有していない特徴を有していないメンバの組み合わせを決定する。

このようにして決定されたメンバの組み合わせは、出力手段１４０によってコンピュータシステム１００の外部に出力され得る。

上述した例では、特定の順序で処理が行われることを説明したが、各処理の順序は説明されたものに限定されず、論理的に可能な任意の順序で行われることに留意されたい。例えば、ステップＳ１５０１の前にステップＳ１５０２が行われてもよいし、ステップＳ１５０１とステップＳ１５０２とが同時に行われてもよい。

図１０、図１１、図１２Ａ、図１２Ｂ、図１３、図１４Ａ、図１４Ｂ、図１５を参照して上述した例では、図１０、図１１、図１２Ａ、図１２Ｂ、図１３、図１４Ａ、図１４Ｂ、図１５に示される各ステップの処理は、プロセッサ１２０とメモリ１３０に格納されたプログラムとによって実現することが説明されたが、本発明はこれに限定されない。図１０、図１１、図１２Ａ、図１２Ｂ、図１３、図１４Ａ、図１４Ｂ、図１５に示される各ステップの処理のうちの少なくとも１つは、制御回路などのハードウェア構成によって実現されてもよい。

本発明は、上述した実施形態に限定されるものではない。本発明は、特許請求の範囲によってのみその範囲が解釈されるべきであることが理解される。当業者は、本発明の具体的な好ましい実施形態の記載から、本発明の記載および技術常識に基づいて等価な範囲を実施することができることが理解される。

本発明は、組織内のメンバの特徴とそのメンバの評価との関係を見出すことが可能なコンピュータシステム、プログラム、および方法を提供するものとして有用である。

１０ 従業員
２０ 店長
３０ 志望者
１００ コンピュータシステム
２００ データベース部
３００ 管理者用端末装置
４００ メンバ用端末装置
５００ ネットワーク

Claims (22)

1. 組織マネジメントのためのコンピュータシステムであって、
   組織内の少なくとも１人のメンバが質問に対して回答した回答結果を受信する第１の受信手段と、
   前記少なくとも１人のメンバに対する他人による評価を受信する第２の受信手段と、
   前記少なくとも１人のメンバによる回答結果を分析することにより、前記少なくとも１人のメンバの特徴を決定する第１の分析手段と、
   前記少なくとも１人のメンバに対する他人による評価と前記少なくとも１人のメンバの特徴との関係を特定する特定手段と
   を備えるコンピュータシステム。
2. 前記特定手段は、前記少なくとも１人のメンバに対する他人による評価と前記少なくとも１人のメンバの特徴との関係として、前記少なくとも１人のメンバのうち同一の前記評価を有するメンバが共通して有している特徴および／または共通して有していない特徴を特定する、請求項１に記載のコンピュータシステム。
3. 前記特定手段は、
   前記少なくとも１人のメンバのうち同一の前記評価を有するメンバを抽出することと、
   前記抽出されたメンバの特徴を集計することと、
   前記集計された特徴に基づいて、前記抽出されたメンバが共通して有している特徴および／または共通して有していない特徴を特定することと
   を行うように構成されている、請求項２に記載のコンピュータシステム。
4. 前記抽出されたメンバの特徴を集計することは、
   前記抽出されたメンバが有する特徴を点数化することと、
   前記抽出されたメンバ内で、特徴毎の点数の合計値を算出することと
   を含む、請求項３に記載のコンピュータシステム。
5. 前記質問は、複数の観点からの質問を含み、
   前記第１の分析手段は、前記複数の観点からの質問に対する回答結果に基づいて、それぞれの観点での前記少なくとも１人のメンバの特徴を決定する、請求項１〜４のいずれか一項に記載のコンピュータシステム。
6. 前記複数の観点は、少なくとも、前記少なくとも１人のメンバによる仕事選びの優先順位の観点を含む、請求項５に記載のコンピュータシステム。
7. 前記第１の分析手段は、前記仕事選びの優先順位の観点からの質問に対する回答結果に基づいて、前記メンバがプライベートを優先する特徴を有するか、仕事を優先する特徴を有するかを決定する、請求項６に記載のコンピュータシステム。
8. 前記複数の観点は、前記少なくとも１人のメンバが有する性格特性の観点、および、前記少なくとも１人のメンバが置かれている状況の観点のうちの少なくとも１つをさらに含む、請求項６または請求項７に記載のコンピュータシステム。
9. 前記複数の観点は、前記少なくとも１人のメンバが有する経験の観点、および、前記少なくとも１人のメンバが希望する希望条件の観点のうちの少なくとも１つをさらに含む、請求項８に記載のコンピュータシステム。
10. 前記第２の受信手段は、所定期間内に前記少なくとも１人のメンバに対する他人による３段階評価を受信し、
    前記特定手段は、最高評価の割合が所定の割合を超える少なくとも１人のメンバの評価をハイパフォーマーの評価であると決定し、最低評価の割合が所定の割合を超える少なくとも１人のメンバの評価をローパフォーマーの評価であると決定し、
    前記特定手段は、前記ハイパフォーマーの評価または前記ローパフォーマーの評価と前記少なくとも１人のメンバの特徴との関係を特定する、請求項１〜９のいずれか一項に記載のコンピュータシステム。
11. 前記少なくとも１人のメンバ以外の人物が質問に対して回答した回答結果を受信する第３の受信手段と、
    前記人物による回答結果を分析することにより、前記人物の特徴を決定する第２の分析手段と、
    前記少なくとも１人のメンバに対する他人による評価と前記少なくとも１人のメンバの特徴との関係と、前記人物の特徴とに基づいて、前記人物に対する他人による評価を推定する推定手段と
    をさらに備える、請求項１〜９のいずれか一項に記載のコンピュータシステム。
12. 前記組織の管理者が質問に対して回答した回答結果を受信する第４の受信手段と、
    前記管理者による回答結果を分析することにより、前記管理者の特徴を決定する第３の分析手段と、
    前記人物の特徴と、前記管理者の特徴とを比較することにより、前記人物と前記管理者とのマッチ度を算出する算出手段と
    をさらに備える、請求項１１に記載のコンピュータシステム。
13. 前記コンピュータシステムは、チャット機能を有するアプリケーションを前記少なくとも１人のメンバに提供し、前記コンピュータシステムは、
    前記組織内の複数のメンバが前記チャット機能を利用した履歴を示すチャット履歴情報を記録する記録手段と、
    前記少なくとも１人のメンバが前記チャット機能を利用した履歴を示すチャット履歴情報と前記少なくとも１人のメンバの特徴とに基づいて、前記少なくとも１人のメンバの離職し易さを予測する予測手段であって、前記予測手段は、前記記録されたチャット履歴情報および前記組織内の複数のメンバの特徴を用いた学習処理を施されている、予測手段と
    をさらに備える、請求項１〜１２のいずれか一項に記載のコンピュータシステム。
14. 前記記録されたチャット履歴情報は、所定期間内にチャットでメッセージを発した回数と、チャットを利用した時間帯とを少なくとも含む、請求項１３に記載のコンピュータシステム。
15. 前記アプリケーションは、シフト調節機能をさらに有し、
    前記予測手段は、前記記録されたチャット履歴情報および前記組織内の複数のメンバの特徴に加えて、前記組織内の複数のメンバのシフトに関する情報を用いた学習処理を施されている、請求項１３または請求項１４に記載のコンピュータシステム。
16. 所定期間毎の前記組織の売上情報およびそのときのシフトのメンバの情報を受信する第５の受信手段と、
    前記売上情報と、前記シフトのメンバの特徴とに基づいて、売上が向上し得る前記組織内のメンバの組み合わせを決定する決定手段と
    をさらに備え、前記第１の受信手段は、前記シフトのメンバが質問に対して回答した回答結果を受信し、前記第１の分析手段は、前記シフトのメンバによる回答結果を分析することにより、前記シフトのメンバの特徴を決定する、請求項１〜１５のいずれか一項に記載のコンピュータシステム。
17. 前記組織は、複数のサブセットを含み、
    所定の特徴または所定の評価を有するメンバが、前記複数のサブセットのうちどのサブセットに属しているかを可視化して出力する出力手段をさらに備える、請求項１〜１６のいずれか一項に記載のコンピュータシステム。
18. 組織マネジメントのためのプログラムであって、前記プログラムは、プロセッサを備えるコンピュータシステムにおいて実行され、前記プログラムは、
    組織内の少なくとも１人のメンバが質問に対して回答した回答結果を受信することと、
    前記少なくとも１人のメンバに対する他人による評価を受信することと、
    前記少なくとも１人のメンバによる回答結果を分析することにより、前記少なくとも１人のメンバの特徴を決定することと、
    前記少なくとも１人のメンバに対する他人による評価と前記少なくとも１人のメンバの特徴との関係を特定することと
    を含む処理を前記プロセッサに実行させる、プログラム。
19. 組織マネジメントのための方法であって、前記方法は、
    組織内の少なくとも１人のメンバが質問に対して回答した回答結果を受信することと、
    前記少なくとも１人のメンバに対する他人による評価を受信することと、
    前記少なくとも１人のメンバによる回答結果を分析することにより、前記少なくとも１人のメンバの特徴を決定することと、
    前記少なくとも１人のメンバに対する他人による評価と前記少なくとも１人のメンバの特徴との関係を特定することと
    を含む、方法。
20. 組織マネジメントのためのコンピュータシステムであって、
    組織内の少なくとも１人のメンバが質問に対して回答した回答結果を受信する第１の受信手段と、
    前記少なくとも１人のメンバに対する他人による評価を受信する第２の受信手段と、
    前記少なくとも１人のメンバ以外の人物が質問に対して回答した回答結果を受信する第３の受信手段と、
    前記少なくとも１人のメンバによる回答結果を分析することにより、前記少なくとも１人のメンバの特徴を決定する第１の分析手段と、
    前記人物による回答結果を分析することにより、前記人物の特徴を決定する第２の分析手段と、
    前記人物の特徴に基づいて、前記人物に対する他人による評価を推定する推定手段であって、前記推定手段は、前記少なくとも１人のメンバの特徴と、前記少なくとも１人のメンバに対する他人による評価とを用いた学習処理を施されている、推定手段と
    を備えるコンピュータシステム。
21. 組織マネジメントのためのコンピュータシステムであって、
    組織内の少なくとも１人のメンバの特徴を受信する第１の受信手段と、
    前記少なくとも１人のメンバに対する他人による評価を受信する第２の受信手段と、
    前記少なくとも１人のメンバに対する他人による評価と前記少なくとも１人のメンバの特徴との関係を特定する特定手段と
    を備えるコンピュータシステム。
22. 組織マネジメントのためのコンピュータシステムであって、
    組織内の少なくとも１人のメンバに対する他人による評価と前記少なくとも１人のメンバの特徴との関係を受信する第１の受信手段と、
    前記少なくとも１人のメンバ以外の人物が質問に対して回答した回答結果を受信する第２の受信手段と、
    前記人物による回答結果を分析することにより、前記人物の特徴を決定する分析手段と、
    前記少なくとも１人のメンバに対する他人による評価と前記少なくとも１人のメンバの特徴との関係と、前記人物の特徴とに基づいて、前記人物に対する他人による評価を推定する推定手段と
    を備えるコンピュータシステム。