JP2021103382A - プロジェクト加速の自動評価 - Google Patents

Abstract

【課題】プロジェクトがうまく完了する確率に対する加速の効果を予測するためのシステムおよび方法を提供する。【解決手段】方法は、あるプロジェクトの成功を、そのプロジェクトの終了日の関数である少なくとも１つの特徴を含む複数の特徴から予測するように、１つ以上の機械学習アルゴリズムを訓練する。所望の時間窓内にない予想終了日を有するプロジェクトから、プロジェクトの集合を選択する。各プロジェクトは、現在の終了日を考慮した成功の第１の確率を有する。プロジェクトが時間窓内で完了した場合に成功する可能性を定量化する第２の確率を、機械学習プラットフォームで、各プロジェクトについて計算する。第１の確率と第２の確率との差を各プロジェクトについて判定し、差に従ってプロジェクトを選択する。【選択図】図５

Description

この発明は、人工知能および機械学習の分野に関し、より具体的には、プロジェクトがうまく完了する確率に対するプロジェクト加速の効果の判定に機械学習を応用することに関する。

背景
プロジェクト管理とは、特定された時間に特定の目標を達成して特定の成功基準を満たすように、チームの作業を開始し、計画し、実行し、制御し、終了する実務である。プロジェクトとは、独自の目標および目的を達成するために着手される、定義された始まりおよび終わりを有する、独自の製品、サービスまたは結果を生み出すように設計された一時的な試みである。プロジェクト管理の主な課題は、一般にプロジェクトの定義された範囲、プロジェクトのために利用可能な予算、およびプロジェクトを完了するために利用可能な時間に関連する一組の制約内で、プロジェクト目標をすべて達成することである。

機械学習は、統計学的手法を使用して、明確なプログラミングなしでデータから特定のタスクの性能を漸進的に向上させる能力をコンピュータシステムに与える、人工知能の分野である。機械学習アルゴリズムは、サンプル入力からモデルを構築することによって、データ駆動型の予測または決定を行なう。機械学習は、良好な性能を有する明確なアルゴリズムを設計してプログラムすることが困難であるかまたは実行不可能であるさまざまなコンピューティングタスクで採用される。機械学習の例示的用途は、電子メールフィルタリング、ネットワーク侵入者の検出、およびコンピュータビジョンを含む。

請求される主題の概要
一例によれば、コンピュータにより実現される方法が提供される。複数のプロジェクトの第１の部分集合について、メタデータが格納される。複数のプロジェクトの第１の部分集合のうちの各々は、完了のための関連値と、時間窓内にある予想終了日とを有する。複数のプロジェクトの第１の部分集合のうちの各プロジェクトを完了するための累計値がしきい値を下回るという判定に応答して、時間窓内にないそれぞれの予想終了日を有するプロジェクトを表わす、複数のプロジェクトの第３の部分集合から、複数のプロジェクトの第２の部分集合が選択される。

プロジェクトの第２の部分集合は、複数のプロジェクトの第３の部分集合における各プロジェクトを完了するための値を割当て、第１のコンピュータシステム上に実現されたデータベースから、複数のプロジェクトの第３の部分集合における各プロジェクトについてのパラメータの集合を検索することによって、複数のプロジェクトの第３の部分集合から選択される。パラメータの集合のうちの少なくとも１つは時間の関数として変化し、パラメータの集合は、予想終了日を考慮してプロジェクトが完了する可能性を定量化する第１の確率を含む。以前のプロジェクトの集合に関する情報について訓練された予測モデルへのアクセスを提供する機械学習プラットフォームのクライアントで、複数のプロジェクトの第３の部分集合における各プロジェクトについての第２の確率が計算される。各プロジェクトについての第２の確率が時間窓内の終了日を考慮してプロジェクトが完了する可能性を定量化するように、以前のプロジェクトの集合に関する情報は、パラメータの集合に基づいて、機械学習プラットフォームにアクセス可能なリポジトリに構造化データとして格納される。複数のプロジェクトの第３の部分集合における各プロジェクトについて、第１の確率と第２の確率との差が判定される。複数のプロジェクトの第１の部分集合を完了するための累計値と組合された、複数のプロジェクトの第２の部分集合を完了するための値が、しきい値を満たすように、複数のプロジェクトの第３の部分集合のうちのプロジェクトが、確率の差に少なくとも部分的に基づいて、複数のプロジェクトの第２の部分集合として選択される。

別の例によれば、コンピュータにより実現される方法が提供される。複数のプロジェクトの第１の部分集合について、メタデータが格納される。複数のプロジェクトの第１の部分集合のうちの各々は、完了のための関連値と、時間窓内にある予想終了日とを有する。複数のプロジェクトの第１の部分集合の累計値がしきい値を下回るという判定に応答して、複数のプロジェクトの第３の部分集合から、複数のプロジェクトの第２の部分集合が選択される。複数のプロジェクトの第３の部分集合は、時間窓内にないそれぞれの予想終了日を有するプロジェクトを表わす。

複数のプロジェクトの第２の部分集合は、複数のプロジェクトの第３の部分集合における各プロジェクトを完了するための値を割当て、第１のコンピュータシステム上に実現されたデータベースから、複数のプロジェクトの第３の部分集合における各プロジェクトについてのパラメータの集合を検索し、複数のプロジェクトの第３の部分集合における各プロジェクトの価値についての割引係数を計算することによって、複数のプロジェクトの第３の部分集合から選択される。割引係数は、時間窓内の終了日でのプロジェクトの完了に起因する価値の損失を表わし、機械学習プラットフォームにアクセス可能なリポジトリに構造化データとして格納された以前のプロジェクトの集合に関する情報について訓練された予測モデルへのアクセスを提供する機械学習プラットフォームのクライアントを介して、パラメータの集合に基づいて計算される。複数のプロジェクトの第３の部分集合における各プロジェクトについての調節値が、プロジェクトについての割当てられた値と計算された割引係数との積として提供される。複数のプロジェクトの第１の部分集合を完了するための累計値と組合された、複数のプロジェクトの第２の部分集合を完了するための調節値が、しきい値を満たすように、複数のプロジェクトの第３の部分集合のうちのプロジェクトが選択される。

さらに別の例によれば、システムは、第１のプロセッサと第１の非一時的メモリとを少なくとも含む第１のコンピュータシステムを含み、第１の非一時的メモリは、複数のプロジェクトを含むデータベースを格納し、所与のプロジェクトはパラメータの集合と既知の終了日とを有する。第２のプロセッサと第２の非一時的メモリとを少なくとも含む第２のコンピュータシステム上に、機械学習プラットフォームが実現される。機械学習プラットフォームは、複数のプロジェクトのうちの選択されたプロジェクトについてのパラメータの集合と既知の終了日とを受信するデータベースインターフェイスと、検索されたパラメータの集合から予測モデルについての少なくとも１つの特徴を生成する特徴抽出器とを含む。複数のプロジェクトのうちの各々のステータスが、複数の段階のうちの１つとして定義され、少なくとも１つの特徴のうちの１つの特徴が、プロジェクトが通過した段階の順序から導き出される。機械学習プラットフォームにアクセス可能なリポジトリに構造化データとして格納された以前のプロジェクトの集合に関する情報について、予測モデルが訓練される。予測モデルは、予測モデルへのアクセスを提供する機械学習プラットフォームのクライアントを介して、生成された少なくとも１つの特徴と選択されたプロジェクトの終了日とから、選択されたプロジェクトがうまく終了する第１の確率を計算し、予測モデルで、生成された少なくとも１つの特徴と選択されたプロジェクトの修正された終了日とから、選択されたプロジェクトがうまく終了する第２の確率を計算し、修正された終了日は既知の終了日に先行する。ユーザインターフェイスが、既知の終了日から修正された終了日へプロジェクトを加速する際のリスクを表わす、第１の確率と第２の確率との差を、関連付けられた出力デバイスで提供する。

プロジェクト加速を評価するためのシステムのブロック図である。 段階を通過する例示的なプロジェクトを示す図である。 プロジェクトの加速を評価するためのシステムの一例を示す図である。 図３のシステムのためのチャットインターフェイスの一例を示す図である。 プロジェクトの加速からのリスクを評価するための方法を示す図である。 判定されたリスクに従って加速のためのプロジェクトを選択するための方法を示す図である。 判定されたコストに従って加速のためのプロジェクトを選択するための方法を示す図である。

詳細な説明
実際には、プロジェクトの制約は、状況の変化に応じて変更される場合がある。たとえば、利用可能なリソースの不足または再配分に起因する、プロジェクトの期限の変更、プロジェクトの予算の変更、または、プロジェクトのための利用可能な人員の減少は、多くの組織では珍しいことではない。特にプロジェクトの開始後にこれらの制約を厳しくすることは、プロジェクトが成功する可能性に影響を及ぼすおそれがある。したがって、複数のプロジェクトのうちのどれがリソースの減少を負担するかを判定することが必要になる場合がある。

プロジェクトの終了日が、プロジェクトの予定終了日よりも前の日付に動かされるように、加速されるべきプロジェクトを選択することは、特に難しい場合がある。これは、重要な従業員の離脱に応じて、または所与の時間の後の利用可能なリソースの不足に応じて、ある特定の時間枠において、組織がどんなメトリックを利用しようとも、より多くの価値を提供する必要性の結果であり得る。たとえば、ある販売組織が所与の会計期間の販売収益目標に届きそうにない場合、不足を満たすためにどの将来の取引を早くクローズすべきかに関して決定が下されるかもしれない。それに代えて、ある組織は、その組織によって確立された生産性メトリックを満たそうとするために、より高い成功確率を有する１つ以上の代替プロジェクトに焦点を移そうとするかもしれない。いくつかの従来例では、この決定は、人間がプロジェクトおよびサービスを受ける顧客の詳細をすべて時間をかけて見直すことを通して下される。他の従来例では、この決定は、潜在的な加速のために選択されたプロジェクトの範囲および認識される利益のみに基づいて下される。そのような従来のアプローチは双方とも、本質的に直観および経験則に基づいており、内的要因のみを使用しており、顧客の状況を考慮に入れていない。

ここに開示されるシステムおよび方法は、プロジェクトがうまく完了する確率に対する加速の効果を予測するために機械学習を利用する。具体的には、あるプロジェクトの成功を、そのプロジェクトの終了日の関数である少なくとも１つの特徴を含む複数の特徴から予測するように、１つ以上の機械学習アルゴリズムを、たとえば成果が既知である以前のプロジェクトからのデータについて訓練することができる。一実現化例では、プロジェクトの終了日に依存する特徴の所与の集合に、プロジェクトの本来の終了日に基づく値を割当てることができ、特徴の所与の集合を機械学習モデルに提供してプロジェクト成功の本来の可能性を表わす値を得ることができる。プロセスは次に、プロジェクトの終了日に依存する特徴の所与の集合の値に、加速された終了日に基づく値が割当て直され、プロジェクトに対する加速の効果を評価するために本来の可能性と新しい可能性との差が使用される状態で、繰り返され得る。それに代えて、本来の終了日および加速された終了日の各々を表わす値を含む特徴の別の集合に基づいて、本来の可能性と新しい可能性との差を直接判定するように、機械学習アルゴリズムを訓練することができる。

別の実現化例では、機械学習モデルは、たとえば、プロジェクトの加速に起因する、プロジェクトまたはプロジェクトが生み出す価値の結果の品質において被る損失を定量化しようとすることができる。そのような場合、既知の値を有する以前の例示的なプロジェクトを用いて、機械学習モデルを訓練することができる。また、プロジェクトの加速に起因する価値の差を、適切なモデルを介して直接予測することができる。それに代えて、プロジェクトの価値を、プロジェクトの終了日に依存する特徴が本来の終了日に基づく状態で１回、および、プロジェクトの終了日に依存する特徴が加速された終了日に基づく状態で１回、計２回予測することができる。２つの予測された価値の差から、プロジェクトの加速に起因する価値の予想される損失を判定することができる。

図１は、プロジェクト加速を評価するためのシステム１００のブロック図を示す。機械学習プラットフォーム１１０は、１つ以上のクラウドサーバを含んでいてもよく、少なくとも１つの関連付けられたデータベース１０２からのデータをデータベースインターフェイス１１２で受信するように構成されてもよい。データは、プロジェクトの集合のうちの各々について、そのプロジェクトを表わす１つ以上のパラメータ、たとえば、プロジェクトがアクティブであった日数、プロジェクトの予定終了日、プロジェクトのさまざまな性能メトリックと、たとえば金銭的価値または組織によって割当てられた価値としてのそのプロジェクトの価値を表わすパラメータとを含み得る。データベースインターフェイス１１２は、データベースにクエリを提供し、クエリに応答してデータを受信するための適切なソフトウェアプログラムとして実現され得る。一例では、データベースインターフェイス１１２は、アプリケーションプログラムインターフェイス（application program interface：ＡＰＩ）、たとえば、レプリゼンテーショナル・ステート・トランスファー（representational state transfer：ＲＥＳＴ）技術を使用して実現されたＡＰＩとして実現される。

検索されたデータは次に、特徴抽出器１１４に提供され得る。特徴抽出器１１４は、データベース１０２から受信されたデータを調整する。たとえば、特徴抽出器１１４は、抽出されたデータを予め定められた形態にフォーマットすることができる。また、特徴抽出器１１４は、各パラメータについてのデータが同様の規模であることを確実にするために、たとえば、各パラメータについての履歴値から決定された代表値および分散度の各々を使用してデータを正規化することができる。特徴抽出器１１４は、フォーマットされたおよび／または正規化された抽出されたデータの一部またはすべてを、機械学習プラットフォーム１１０上の機械学習モデル１１６によって採用可能である特徴の集合において使用するために、提供（出力）することができる。一実現化例では、データベース１０２から抽出されたパラメータ（データ）は、機械学習モデル１１６での特徴の集合において同様に使用され得る１つ以上の工学的特徴を形成するために組合され得る。機械学習モデル１１６に提供される特徴の集合は、プロジェクトの予定終了日に依存する少なくとも１つの特徴を含むであろう。実際には、終了日自体が特徴として直接使用され得るが、終了日から導き出される多くのパラメータのいずれも、この目的のために利用され得るということが理解されるであろう。

工学的特徴の集合は、機会が進行してきた段階の履歴から決定され得る。各段階は、プロジェクトに関連付けられた１つ以上のベンチマークの達成といった、機会の完了の進行度を表わし得る。これらの特徴の決定は、６つの段階２０１〜２０６を通過する例示的なプロジェクトを示す図２を参照して、より良く理解され得る。図示された例では、プロジェクトはまず、２１１で段階１から段階２へ前進し、２１２で段階２から段階３へ前進し、２１３で段階３から段階４へ前進する。プロジェクトは、たとえば、プロジェクトの作業が修正を必要とする場合、または顧客が販売機会に対して反応しなくなった場合に、ある段階から別の段階へ逆行する場合もあり、例示的なプロジェクトは２１４で段階４から段階３へ逆行する、ということが理解されるであろう。複数のベンチマークが同時に満たされたり、または、前進したベンチマークがそれより前の段階のものより前に達成されたりする場合があるため、プロジェクトの進行は非連続的である場合もあり、プロジェクトは２１５で段階３から段階５へ前進する。例は、２１６での段階５から段階４への逆行、２１７での段階４から段階５への前進、および２１８での段階５から段階６への前進で終了する。以下の例のために、段階間の各移行２１１〜２１８に５日かかったこと、および、プロジェクトは段階６に５日間いたことが仮定されるであろう。しかし、実際の一実現化例では、段階間でかかる時間は必ずしも同じではなく、またはそれどころか、おそらく同じではない、ということが理解されるであろう。

順番に提供された、機会が通過した段階の実際の順序を表わすために、ある特徴が生み出され得る。この例では、特徴は、「１−２−３−４−３−５−４−５−６」というテキスト文字列になるであろう。現在の段階での日数という特徴は、段階に入った日付と現在の日付との日数差として求められ得る。この例では、プロジェクトは段階６に５日間いた。段階の数という特徴は、現在の日付より前の進入日（entry date）を有する段階の数として求められ得る。この実現化例では、プロジェクトは９つの異なる段階を通過した。このため、９つの段階が、現在の日付より前の進入日を有するであろう。段階回数パラメータは、現在の日付より前の進入日と、現在の段階に整合する識別子とを有する段階の数として求められ得る。この例では、段階３、４、および５についての回数パラメータは２であり、一方、段階１、２、および６についての回数パラメータは１であるであろう。運動量という特徴は、プロジェクトの期間（age）に対する段階の数の比率として計算され得る。新しいプロジェクトに対するゼロ除算を回避するために、小さい値が機会の期間に加算され得るということが理解されるであろう。この例では、プロジェクトの期間は、８つの移行についての４０日にプロジェクトが段階６にいた５日を加算して、４５日になるであろう。したがって、運動量は、段階数パラメータである９を、プロジェクトの期間である４５で除算した値として計算され、０．２という運動量になるであろう。

特徴の集合は、抽出された特徴の集合に従ってプロジェクトの成功の可能性またはプロジェクトの価値に対するプロジェクト加速の効果を定量化するために、機械学習モデル１１６に提供される。一実現化例では、機械学習モデル１１６は、１つ以上のパターン認識分類器を含み得る。それらは各々、特徴の集合または特徴の集合の部分集合を利用して、適切なクラスを決定する。複数の分類器および／または回帰モデルの出力を利用するアンサンブルアプローチも使用され得るということが理解されるであろう。各分類器の出力は、特徴の集合が、ある特定のクラス、たとえば好結果を表わすクラス内にあるという確信を含むであろう。

各分類器は、たとえば、さまざまな関心クラスを表わす、既知の成果を有する以前のプロジェクトから取られた複数の訓練サンプルについて訓練される。所与の分類器の訓練プロセスは、その分類器の実現化例によって変わるであろう。しかし、訓練は一般に、複数の訓練サンプルから、分類器モデルを定義する１つ以上のパラメータへの、訓練データの統計学的集約を伴う。この目的のために、決定木学習、相関ルール学習、人工ニューラルネットワーク、ディープラーニング、帰納論理プログラミング、サポートベクトルマシン、クラスタ化、ベイジアンネットワーク、強化学習、表現学習、類似性およびメトリック学習、ナイーブベイズ分類、スパース辞書学習、遺伝的アルゴリズム、ルールベースの機械学習、自己組織化マップ、ファジィ論理システム、データ融合プロセス、ブースティングおよびバギングなどのアンサンブル法、ならびにランダムフォレスト分類器を含むもののそれらに限定されない、さまざまな分類アルゴリズムのうちのどれが使用されてもよい。

サポートベクトルマシン（Support Vector Machine：ＳＶＭ）分類器は、超平面と呼ばれる複数の関数を利用して、Ｎ次元の特徴空間において境界を概念的に分割することができる。ここで、Ｎ次元の各々は、特徴集合のうちのある関連付けられた特徴を表わし、Ｎは２以上の整数である。境界は、各クラスに関連付けられた特徴値の範囲を定義する。したがって、所与の入力特徴集合について、特徴空間における境界に対するその位置に従って、出力クラスおよび関連付けられた信頼値が決定され得る。一実現化例では、ＳＶＭは、線形または非線形カーネルを使用するカーネル法を介して実現され得る。

人工ニューラルネットワーク（Artificial Neural Network：ＡＮＮ）分類器は、複数の相互接続を有する複数のノードを含む。特徴集合からの値が、複数の入力ノードに提供される。入力ノードは各々、これらの入力値を、１つ以上の中間ノードの層に提供する。所与の中間ノードは、以前の層におけるノードのうちのいくつかまたはすべてから出力値を受信する。受信値は、分類器の訓練中に確立された一連の重みに従って重み付けされる。ある中間ノードは、その受信値を、そのノードでの変換関数に従って単一の出力に変換する。たとえば、中間ノードは、受信値を合計し、合計をバイナリステップ関数の対象とすることができる。ノードの最後の層は、ＡＮＮの出力クラスについての信頼値を提供し、各ノードは、分類器の関連付けられた出力クラスのうちの１つについての信頼を表わす関連値を有する。

ルールベースの分類器は、抽出された特徴に１組の論理ルールを適用して、出力クラスを選択する。一般に、ルールは順番に適用され、各ステップでの論理的結果は、その後のステップでの分析に影響を及ぼす。特定のルールおよびそれらの順序は、訓練データ、以前の事例からの類推的推論、または既存のドメイン知識のうちのいずれかもしくはすべてから決定され得る。ルールベースの分類器の一例は決定木アルゴリズムであり、そこでは、ある特徴集合における特徴の値が、その特徴集合についてのクラスを選択するために、階層木構造における対応するしきい値と比較される。ランダムフォレスト分類器は、ブートストラップ集約または「バギング」アプローチを使用する、決定木アルゴリズムの修正版である。このアプローチでは、複数の決定木が、訓練集合のランダムサンプルについて訓練され、複数の決定木にわたる平均（たとえば平均値、中央値、または最頻値）結果が返される。分類タスクについては、各木からの結果はカテゴリー的であり、このため、最頻値の成果が使用され得る。

ナイーブベイズ分類器は、複数のクラスの各々について、ある関心対象がそのクラスに属するという条件付き確率を、その関心対象を表わす特徴の集合を考慮して生成する。ナイーブベイズ分類器は、各特徴が他の各特徴から独立している、すなわち、特徴同士はまったく相関されないと仮定しており、条件付き確率の計算を非常に単純化する。具体的には、関心対象が所与のクラスにあるという条件付き確率は、特徴の集合における各特徴について、その特徴の値が生じるという条件付き確率を、そのクラスを考慮して求めることによって計算され得る。これは、そのクラスについての訓練例では、訓練中にその特徴値の普及として求められ得る。すべての特徴にわたる条件付き確率値の結合された積が、そのクラスについての確率を提供する。ナイーブベイズ分類器は、たとえばデータをヒストグラムビンへと分割することによって、連続データを用いて使用され得るが、それは、カテゴリー入力にとって特に有用である。

ブースティング分類器とは、その用語がここに使用される場合、「弱学習器」と呼ばれる複数の比較的単純な分類器が特徴集合に適用されるアンサンブルアプローチを指しており、ブースティング分類器の最終結果は、複数の分類器の各々からの結果の重み付け線形結合である。重み付け線形結合についての重みは、ブースティング分類器に関連付けられた損失関数を最小化するように、分類器の訓練中に決定され得る。特定の損失関数は実現化例によって変わるが、単調であるよう、かつ連続的に微分可能であるように選択される。

別の実現化例では、機械学習モデル１１６は、たとえば、プロジェクトがうまく完了する確率、プロジェクトの価値、プロジェクトがうまく完了する確率がプロジェクトの加速によって減少する量、または、プロジェクトの価値がプロジェクトの加速によって減少する量を表わす出力の計算を提供するように構成された回帰モデルを含み得る。一例では、機械学習モデル１１６は、少なくとも１つのパラメータに対する１つ以上の特徴の効果の大きさが判定され得るように、回帰モデルを使用して感度分析を実行するために利用され得る。

一実現化例では、機械学習モデル１１６は、機械学習モデルの出力があるプロジェクトの成功または失敗の可能性を表わすように、成果が既知である以前のプロジェクトからのデータについて訓練され得る。この実現化例では、各プロジェクトは２回評価される。第１の評価は、プロジェクトの成功の本来の可能性を表わす第１の値を得るために、プロジェクトの本来の終了日に基づく値が割当てられたプロジェクトの予定終了日に依存するあらゆる特徴を用いて実行される。第２の評価は、加速されたプロジェクトの成功の可能性を表わす第２の値を得るために、プロジェクトの加速された終了日に基づく値が割当てられたプロジェクトの予定終了日に依存するあらゆる特徴を用いて実行される。第１の値と第２の値との差は、プロジェクトを加速する際にこうむるリスクの増加を評価するために使用され得る。

別の実現化例では、機械学習モデル１１６は、機械学習モデルの出力が完了後のあるプロジェクトの価値を表わすように、最終的価値が既知である以前のプロジェクトからのデータについて訓練され得る。この実現化例では、各プロジェクトは２回評価される。第１の評価は、プロジェクトの現在値を予測するために、プロジェクトの本来の終了日に基づく割当値を有するプロジェクトの予定終了日に依存するあらゆる特徴を用いて実行される。第２の評価は、加速値と呼ばれ得る、加速されたプロジェクトの値を予測するために、プロジェクトの加速された終了日に基づく割当値を有するプロジェクトの予定終了日に依存するあらゆる特徴を用いて実行される。現在値と加速値との差は、プロジェクトを加速する際にかかるコストを評価するために使用され得る。

さらに別の実現化例では、機械学習モデル１１６は、機械学習モデルの出力があるプロジェクトの成功または失敗の可能性を表わすように、加速されたプロジェクトを含み、成果が既知である以前のプロジェクトからのデータについて訓練され得る。これらのプロジェクトについては、複数の特徴は、本来の終了日および加速された終了日の各々に依存する値を含んでいてもよく、または、本来の終了日と加速された終了日との間の終了日の変化を表わす特徴を単純に利用してもよい。機械学習モデルの出力は、終了日の加速に起因する、プロジェクトが成功する可能性の変化を表わし得る。

さらに別の実現化例では、機械学習モデル１１６は、機械学習モデルの出力が加速に起因するあるプロジェクトの価値の変化を表わすように、加速されたプロジェクトを含み、最終的価値が既知である以前のプロジェクトからのデータについて訓練され得る。これらのプロジェクトについては、複数の特徴は、本来の終了日および加速された終了日の各々に依存する値を含んでいてもよく、または、本来の終了日と加速された終了日との間の終了日の変化を表わす特徴を単純に利用してもよい。機械学習モデルの出力は、プロジェクトを加速する際にかかるコストを表わし得る。

機械学習モデル１１６の出力は、ユーザインターフェイス１１８を介して、ディスプレイなどの関連付けられた出力デバイス１２０でユーザに提供され得る。それに代えて、またはそれに加えて、機械学習モデル１１６の出力は、プロジェクトに関連する将来の意志決定を導くために、データベース１０２に格納され得る。一例では、所与の時間窓内で終了すると予想される利用可能なプロジェクトの部分集合の集約値が、組織の目標を達成するには不十分であると判定されるかもしれない。ここに使用される「部分集合」とは、利用可能な複数のプロジェクトのうちの１つ以上のプロジェクトの集合を表わし、複数のプロジェクトの真部分集合を含むよう意図されてはいない、ということが理解されるであろう。この例では、時間窓の外で終了する利用可能なプロジェクトの部分集合が上述のように評価され、これらのプロジェクトから、時間窓内へと加速される１つ以上のプロジェクトの集合が選択され得る。

図３は、プロジェクトの加速を評価するためのシステム３００の一例を示す。図示されたシステム３００は、たとえば、完了のための関連値と時間窓内にある予想終了日とを各々有する複数のプロジェクトの第１の部分集合が、しきい値を下回る累計値を有すると判定された場合に、採用され得る。所与のプロジェクトの「価値」は、そのプロジェクトの性質に依存して、総額、アイテムの数量、協定案に記載された価値、または、プロジェクトが完了する場合には実現されるもののプロジェクトが未完了である場合には実現されない何らかの他の定量化可能な利益を含み得る、ということが理解されるであろう。システム３００は、時間窓内にないそれぞれの予想終了日を有するプロジェクトを表わす、複数のプロジェクトの第３の部分集合から、複数のプロジェクトの第２の部分集合を選択するために使用され得る。具体的には、プロジェクトの第１の部分集合を完了するための累計値と組合された、プロジェクトの第２の部分集合を完了するための値が、しきい値を満たすまで、システム３００によって判定されるような、最低のリスクまたは最小の価値損失を有する、プロジェクトの第３の部分集合からのプロジェクトが選択され得る。プロジェクトの選択された第２の部分集合は次に、加速され得る。

図示されたシステム３００では、プロジェクトは、交渉中のオープン販売取引であり、システムは、販売組織が所与の会計期間のその収益目標に届きそうにない場合に、収益目標を満たすためにクローズしようとするための１つ以上のオープン取引を選択するために適用される。したがって、この例では、各プロジェクトの価値は、販売の金銭的価値として判定され得る。プロジェクトの集合の選択は、ユーザ要求に応答して、または、所与の会計期間内にクローズすると予想される利用可能な販売取引がその会計期間の収益目標を満たすには不十分であるとシステム３００が判定すると、実行され得る、ということが理解されるであろう。

システム３００は、組織についてのオープン販売取引および完了した販売取引に関連するデータを格納する顧客関係管理データベース３０２を含む。そのようなデータベースの一例は、オラクル（登録商標）セールスクラウド（Sales Cloud）である。機械学習プラットフォーム３０４は、顧客関係管理（customer relationship management：ＣＲＭ）データベース３０２からのデータを利用して、オープン販売取引の終了日を予定終了日より前の日付へ修正した効果を評価するデータベースインターフェイス３１０を含む。顧客関係管理データベース３０２における販売または販売機会の記録ごとに、特徴抽出器３２０は、販売または機会を表わす複数の特徴を提供する。特徴の集合は、販売のクローズ日に依存する少なくとも１つの特徴を含む。

データベースインターフェイス３１０は、ここに「機会」と呼ばれる、オープン販売取引に関連するデータを周期的に検索し、機械学習プラットフォーム３０４に関連付けられたデータベース３１４でデータを格納する取得（ingestion）コンポーネント３１２を含む。実際には、顧客関係管理データベース３０２からの機会データの取得は、ユーザからの要求または機械学習プラットフォーム３０４内のトリガ事象なく、新しいデータが顧客関係管理データベースから周期的に検索されるように、スケジューリングされ得る。取得されたデータは、機械学習モデル３３０を訓練するために使用される、成功した販売と完了しなかった販売との双方を含む失効した販売機会を、分析のためにオープン販売とともに含み得る、ということが理解されるでろう。そのような機会のために、取得コンポーネント３１２は、特徴データに加えて、機会の成果を検索することができる。

特徴抽出器３２０は、機械学習プラットフォーム３０４に関連付けられたデータベース３１４からデータを検索し、機械学習モデル３３０で使用するためにデータを調整する。たとえば、特徴抽出器３２０は、データベース３１４からの関係データを、機械学習モデルによって使用されるためのフラットファイルへと非正規化することができる。特徴抽出器３２０はまた、データを、機械学習モデル３３０を訓練して更新するためのデータの第１の集合と、予測が返されるデータの第２の集合という２つの集合へと分離する。

一実現化例では、顧客関係管理データベース３０２から抽出された特徴は、取引の金銭的価値、機会に関連付けられた業種を表わすカテゴリーパラメータ、機会がクローズすると予想される有効日、月および四半期、顧客アカウントに関連付けられた認可レベル、国、および該当する場合には州の各々、機会に関連付けられた主要競合企業、および、機会に関連付けられた販売方法を含み得る。抽出されたデータはまた、機会の現在の販売段階を含み得る。ここで、機会の段階とは、取引の進行を表わすカテゴリー変数である。たとえば、最初の段階は、顧客との予備接触のみが行なわれたことを示すかもしれず、一方、最後の段階は、販売が完了間際であることを表わすかもしれない。各段階の正確な定義は、システム３００を利用する実現化例および組織によって変わるであろう。図示された例では、各機会の段階は、組織によって定義されたガイドラインに従って販売を扱う、組織における個人によって割当てられ得る。段階を通る進行は必ずしも一方向性のものおよび連続的なものではなく、進行中に段階がスキップされてもよく、販売がクローズ前に所与の段階で複数回あってもよい、ということが理解されるであろう。

特徴抽出器３２０はまた、多くの工学的特徴を計算することができる。したがって、取得コンポーネント３１２でのデータの取得中、段階履歴を含む多くの値が抽出され得る。段階履歴は、たとえば、各段階に入った日と出た日、機会の作成日、販売を完了するために予算が顧客にとって利用可能になった日、顧客への接触のための識別子、機会に対する最後の活動の日付、販売の予定クローズ日、複数の活動の開始日、および、販売における製品単位数を含み得る。

これらの値から、いくつかの有用な特徴を計算することができる。平均単価は、製品単位数に対する販売総額の比率として求められ得る。同様に、機会に関連付けられた顧客との接触回数は、接触のための一意的な識別子から求められ得る。予算が利用可能であった日数は、予算が利用可能になった日付と現在の日付との日数差として求められ得る。機会の期間は、作成日と現在の日付との日数差として求められ得る。最後の活動での期間は、作成日と最後の活動の開始日との日数差として求められ得る。プロジェクトの予想期間は、作成日と予定終了日との日数差として求められ得る。クローズまでの日数は、予想期間と機会期間との日数差として求められ得る。活動回数は、現在の日付より前に開始日を有する活動の回数として求められ得る。最後の活動以降の日数は、機会期間と最後の活動での期間との日数差として求められ得る。平均活動パラメータは、機会の期間に対する活動回数の比率として計算され得る。新しい機会に対するゼロ除算を回避するために、小さい値が機会の期間に加算され得るということが理解されるであろう。また、他の連続的特徴との一貫性を維持するために、定数係数に比率を乗算することができる。

計算されたパラメータの別の集合が、機会が進行してきた段階の履歴から決定され得る。各段階は、ベンチマークといった、機会の完了の進行度を表わし得る。したがって、各段階は、典型的には機会のある特定の進行度に関連付けられた事象を表わし得る。順番に提供された、機会が通過した段階の実際の順序を表わすために、ある特徴が生み出され得る。現在の段階での日数という特徴は、段階に入った日付と現在の日付との日数差として求められ得る。段階の数という特徴は、現在の日付より前の進入日を有する段階の数として求められ得る。段階回数パラメータは、現在の日付より前の進入日と、現在の段階に整合する識別子とを有する段階の数として求められ得る。運動量という特徴は、機会の期間に対する段階の数の比率として計算され得る。新しい機会に対するゼロ除算を回避するために、小さい値が機会の期間に加算され得るということが理解されるであろう。

平坦化されたデータは、特徴集合として、機械学習モデル３３０に提供される。図示された実現化例では、機械学習モデル３３０は、ランダムフォレスト分類器３３２と、ブースティング分類器３３４と、ランダムフォレスト分類器およびブースティング分類器の出力を独立変数として受信する記号論理学的回帰モデル３３６とを含む。分類器３３２および３３４と回帰モデル３３６とは、訓練集合におけるプロジェクトの既知の成功または失敗に基づいてアンサンブルとして訓練され、抽出された特徴の集合に基づいて所与の販売機会の成功の可能性を出力として生成するモデルを提供し得る。訓練データは、機械学習プラットフォーム３０４上のリポジトリ（図示せず）に構造化データとして格納され得るということが理解されるであろう。所与の機会について可能性がいったん判定されると、その可能性は、データベースインターフェイス３１０におけるプッシュコンポーネント３１６に提供可能であり、プッシュコンポーネント３１６は、その可能性を顧客関係管理データベース３０２に格納する。これは、各機会が予定終了日に基づいて成功の関連付けられた確率を有するように、一定間隔で行なわれ得る。

販売を加速することが望ましい場合、現在の会計期間外の予定終了日を有する販売の集合が選択され、予定終了日が現在の会計期間内になるように修正された状態で特徴抽出器３２０に提供され得る。特徴集合が抽出され、修正された終了日に関連付けられた可能性が機械学習モデル３３０で生成され得る。本来の可能性および修正された終了日に関連付けられた可能性の各々が、ユーザインターフェイス３５０に提供され得る。ユーザインターフェイス３５０は、これら２つの可能性および／または可能性から導き出された値（たとえば、２つの可能性間の差）のいずれかを、関連付けられたディスプレイ３６０でユーザに提供する。

一実現化例では、ユーザインターフェイス３５０は、あるクエリに基づいてユーザに条件付き自動投稿を提供するために自然言語処理を採用するチャットインターフェイスを含み得る。図示された実現化例では、ユーザは、特徴抽出器３２０に、ユーザからのクエリに応答して、予め定められた窓内でクローズする販売取引の集合についてのデータを検索し、上述のような評価のためにデータを機械学習モデル３３０へ送信するよう、入力デバイス３６２を介して命令することができる。図４は、このチャットインターフェイス４００の一例を示す。４０２で、ユーザは「どの取引を引き込めますか？」と尋ねて、取引の集合の評価を要求するようユーザインターフェイス３５０をトリガする。機械学習モデルからの値がいったん返されると、４０４で、予め定められた応答が発行され、４０６で、販売をクローズする可能性への変化の順に機会がランク付けされ、選択された数の上位の取引が、それらの値および可能性の変化とともにリストされ得る。

図１〜４において上述された前述の構造的および機能的特徴に鑑み、例示的な方法が、図５〜７を参照してより良く理解されるであろう。説明を単純にするために、図５〜７の方法は連続的に実行されるとして図示され説明されるが、いくつかのアクションは他の例では、ここに図示され説明されるものとは異なる順番で、および／または同時に生じ得るため、本発明は図示された順番によって限定されない、ということが理解されるべきである。

図５は、プロジェクトの加速からのリスクを評価するための方法５００を示す。５０２で、第１のコンピュータシステム上に実現されたデータベースから、既知の終了日を有するプロジェクトを表わすパラメータの集合が検索される。５０４で、検索されたパラメータの集合から、予測モデルについての特徴集合が生成される。例示的な特徴は、プロジェクトに関連付けられた製品のカテゴリー、プロジェクトのために予算が承認された日付と現在の日付との間で経過した日数、および、プロジェクトに対する最後の活動以降の日数を含み得る。例示された方法５００では、各プロジェクトのステータスが、複数の段階のうちの１つとして定義され、特徴集合におけるある特徴が、プロジェクトが通過した段階の順序から導き出される。たとえば、ある特徴は、プロジェクトが始まってから経過した日数に対する、プロジェクトが通過した段階の数、プロジェクトが所与の段階を通過した回数、または、プロジェクトが通過した段階の順序を直接表わすパラメータとして計算され得る。

５０６で、予測モデルで、特徴集合とプロジェクトの終了日とから、プロジェクトがうまく終了する第１の確率が計算される。一例では、予測モデルへのアクセスを提供する機械学習プラットフォームのクライアントが、少なくとも１つの特徴と終了日とを受信し、このデータを予測モデルに提供することができる。予測モデルは、機械学習プラットフォームにアクセス可能なリポジトリに構造化データとして格納された以前のプロジェクトの集合に関する情報について訓練される。一実現化例では、第１の確率は、ランダムフォレスト分類器でパラメータの集合から第１の予測を生成し、ブースティング分類器でパラメータの集合から第２の予測を生成し、記号論理学的回帰モデルを介して提供された重みを使用して、第１の確率を、第１のメトリックおよび第２のメトリックの重み付け線形結合として計算することによって、計算される。５０８で、予測モデルで、計算された少なくとも１つの特徴とプロジェクトの修正された終了日とから、プロジェクトがうまく終了する第２の確率が計算される。プロジェクトを加速するリスクを判定する際、修正された終了日は既知の終了日に先行するであろうということが理解されるであろう。５１０で、既知の終了日から修正された終了日へプロジェクトを加速する際のリスクを表わす、第１の確率と第２の確率との差が、非一時的コンピュータ読取可能媒体で格納される。

図６は、プロジェクトの加速のリスクに従って加速のためのプロジェクトを選択するための方法６００を示す。６０２で、完了のための関連値と時間窓内にある予想終了日とを各々有する、複数のプロジェクトの第１の部分集合について、メタデータが格納される。たとえば、第１の部分集合は、組織のための所与の会計期間内にクローズする販売の集合、または、年一回の見直しより前に完了すると予想される、従業員のチームのためのプロジェクトの集合を表わし得る。６０４で、複数のプロジェクトの第１の部分集合のうちの各プロジェクトを完了するための累計値がしきい値を下回るという判定に応答して、時間窓内にないそれぞれの予想終了日を有するプロジェクトを表わす、複数のプロジェクトの第２の部分集合が、プロジェクトを加速するリスクの評価のために選択される。たとえば、プロジェクトの第２の部分集合は、会計期間の終了後比較的すぐにクローズすると予想される販売、または、年一回の見直しの直後に完了すると予想されるプロジェクトを含み得る。複数のプロジェクトについての責任が複数のエンティティ間で分けられる一実現化例では、複数のプロジェクトの第２の部分集合における各プロジェクトが、複数のエンティティのうちの該当するエンティティに関連付けられるように、選択されたプロジェクトがフィルタリングされ得る。たとえば、大型組織の一部門には、その権限外の別の部門からのプロジェクトが、加速のために選択されるために提供されないであろう。

６０６で、プロジェクトの第２の部分集合のうちの各々について、プロジェクトの終了日が時間窓内へと動かされた場合に予想される、成功の確率の変化が計算される。たとえば、これは、図５の方法を介して遂行され得る。それに代えて、成功の既存の確率が前もって判定され、プロジェクトについてのパラメータとして、たとえば関連付けられたデータベースに格納され得る。この実現化例では、プロジェクトの加速された終了日に関連付けられた、成功の改訂された確率のみが、成功の確率の変化を判定するために判定される必要があるであろう。６０８で、複数のプロジェクトの第１の部分集合を完了するための累計値と組合された、複数のプロジェクトの第３の部分集合を完了するための値が、しきい値を満たすように、複数のプロジェクトの第２の部分集合からのプロジェクトが、確率の差に少なくとも部分的に従って、複数のプロジェクトの第３の部分集合として選択される。一例では、確率の差が最も小さいプロジェクトが選択される。６１０で、複数のプロジェクトの第３の部分集合は、ユーザインターフェイスでユーザに表示される。一実現化例では、グラフィカルユーザインターフェイスは、そのユーザのための選択されたフォーマットを有する。グラフィカルユーザインターフェイスは、表示されたプロジェクトに関してユーザからフィードバックを受信するためのインターフェイスを有しており、ユーザのためのグラフィカルユーザインターフェイスの選択されたフォーマットは、受信されたフィードバックに従って調節され得る。別の実現化例では、グラフィカルユーザインターフェイスは、自然言語処理を取り入れたチャットインターフェイスを含み、チャットインターフェイスは、ユーザによって入力された質問に応答して、複数のプロジェクトの第３の部分集合を提供できるようになっている。

図７は、プロジェクトの加速のコストに従って加速のためのプロジェクトを選択するための方法７００を示す。７０２で、完了のための関連値と時間窓内にある予想終了日とを各々有する、複数のプロジェクトの第１の部分集合について、メタデータが格納される。７０４で、複数のプロジェクトの第１の部分集合のうちの各プロジェクトを完了するための累計値がしきい値を下回るという判定に応答して、時間窓内にないそれぞれの予想終了日を有するプロジェクトを表わす、複数のプロジェクトの第２の部分集合が、プロジェクトを加速するコストの評価のために選択される。複数のプロジェクトについての責任が複数のエンティティ間で分けられる一実現化例では、複数のプロジェクトの第２の部分集合における各プロジェクトが、複数のエンティティのうちの該当するエンティティに関連付けられるように、選択されたプロジェクトがフィルタリングされ得る。

７０６で、複数のプロジェクトの第２の部分集合における各プロジェクトを完了するための値が割当てられる。この値は金銭的価値であってもよく、たとえば、販売が成功すると受取られる収益、または、組織にとってのプロジェクトの価値を反映するように組織によって設定される収益であってもよい。７０８で、第１のコンピュータシステム上に実現されたデータベースから、複数のプロジェクトの第２の部分集合における各プロジェクトについてのパラメータの集合が検索される。７１０で、以前のプロジェクトの集合からの情報について訓練された予測モデルで、複数のプロジェクトの第２の部分集合における各プロジェクトの価値についての、時間窓内でのプロジェクトの完了に起因する価値の損失を表わす割引係数が、パラメータの集合に基づいて計算される。たとえば、顧客への販売を加速しようとすることは、販売価格へのある程度の割引を必要とするかもしれない。一例では、予測モデルへのアクセスを提供する機械学習プラットフォームのクライアントが、少なくとも１つの特徴と終了日とを受信し、このデータを予測モデルに提供することができる。予測モデルは、機械学習プラットフォームにアクセス可能なリポジトリに構造化データとして格納された以前のプロジェクトの集合に関する情報について訓練される。予測モデルは、予想終了日が修正されたプロジェクトを含む以前のプロジェクトに基づいて、プロジェクトの価値が割引される程度を予測するように訓練され得る。

７１２で、複数のプロジェクトの第３の部分集合における各プロジェクトについての調節値が、プロジェクトについての割当てられた値と計算された割引係数との積として提供される。７１４で、複数のプロジェクトの第１の部分集合を完了するための累計値と組合された、複数のプロジェクトの第３の部分集合を完了するための調節値が、しきい値を満たすように、複数のプロジェクトの第２の部分集合から、複数のプロジェクトの第３の部分集合が選択される。７１６で、複数のプロジェクトの第３の部分集合は、ユーザインターフェイスでユーザに表示される。一実現化例では、グラフィカルユーザインターフェイスは、そのユーザのための選択されたフォーマットを有する。グラフィカルユーザインターフェイスは、表示されたプロジェクトに関してユーザからフィードバックを受信するためのインターフェイスを有しており、ユーザのためのグラフィカルユーザインターフェイスの選択されたフォーマットは、受信されたフィードバックに従って調節され得る。別の実現化例では、グラフィカルユーザインターフェイスは、自然言語処理を取り入れたチャットインターフェイスを含み、チャットインターフェイスは、ユーザによって入力された質問に応答して、複数のプロジェクトの第３の部分集合を提供できるようになっている。

上述の説明では、実施形態の完全な理解を提供するために、特定の詳細が与えられている。しかしながら、実施形態はこれらの特定の詳細がなくても実践され得ることが理解される。たとえば、実施形態を必要以上に詳述して不明瞭にすることがないように、物理的構成要素はブロック図で示され得る。他の例では、実施形態を不明瞭にしないように、周知の回路、プロセス、アルゴリズム、構造、および手法は、必要以上に詳述することなく示され得る。

上述された手法、ブロック、ステップ、および手段の実現化例は、さまざまなやり方で行なわれ得る。たとえば、これらの手法、ブロック、ステップ、および手段は、ハードウェア、ソフトウェア、またはそれらの組合せで実現され得る。ハードウェア実現化例については、処理ユニットは、１つ以上の特定用途向け集積回路（application specific integrated circuit：ＡＳＩＣ）、デジタル信号プロセッサ（digital signal processor：ＤＳＰ）、デジタル信号処理デバイス（digital signal processing device：ＤＳＰＤ）、プログラマブルロジックデバイス（programmable logic device：ＰＬＤ）、フィールドプログラマブルゲートアレイ（field programmable gate array：ＦＰＧＡ）、プロセッサ、コントローラ、マイクロコントローラ、マイクロプロセッサ、上述された機能を行なうように設計された他の電子ユニット、および／または、それらの組合せの内部で実現され得る。一例では、図３の機械学習プラットフォーム３０４は１つ以上のクラウドサーバ上で実現され、１つ以上のクライアントシステムから分析のための特徴集合を受信するように構成され得る。具体的には、機械学習プラットフォーム３０４は、複数のクライアントがサーバまたはサーバの集団にアクセスするために中央位置にログインできるものの、そこでは、データ、たとえばデータベース３１４、予測モデル３３０についての訓練データ、および予測モデル３３０についての特定のパラメータへの特定のアクセスは、どのクライアントがクラウドストレージシステムに認証されたかに依存して制御されるように、マルチテナントクラウドサービスプラットフォームシステム上で実現され得る。たとえば、各クライアントは他のクライアントのデータへのアクセスを制限されるかもしれず、マルチテナントクラウドサービスプラットフォームシステムは、どれだけ多くのリソース（たとえば、プロセッササイクル、ストレージ、または、クラウドにホストされたソフトウェアアプリケーションのインスタンスを使用して費やされた時間）が各クライアントによって使用されたかを追跡し、リソース使用に基づいてクライアントに課金するかもしれない。

また、実施形態は、フローチャート、フロー図、データフロー図、構造図、またはブロック図として示されるプロセスとして説明され得る、ということに留意されたい。フローチャートは動作を連続的プロセスとして説明し得るものの、動作の多くは並行してまたは同時に行なわれ得る。加えて、動作の順番は並べ替えられ得る。プロセスは、その動作が完了すると終了するが、図に含まれない追加のステップを有していてもよい。プロセスは、方法、機能、手順、サブルーチン、サブプログラムなどに対応し得る。プロセスがある機能に対応する場合、その終了は、その機能が呼出し元の機能または主機能に戻ることに対応する。

さらに、実施形態は、ハードウェア、ソフトウェア、スクリプト言語、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語、および／またはそれらの任意の組合せによって実現され得る。ソフトウェア、ファームウェア、ミドルウェア、スクリプト言語、および／またはマイクロコードで実現される場合、必要なタスクを行なうためのプログラムコードまたはコードセグメントが、記憶媒体などのマシン読取可能媒体に格納され得る。コードセグメントまたはマシン実行可能命令は、手順、機能、サブプログラム、プログラム、ルーチン、サブルーチン、モジュール、ソフトウェアパッケージ、スクリプト、クラス、もしくは、命令、データ構造、および／またはプログラム文の任意の組合せを表わし得る。コードセグメントは、情報、データ、引数、パラメータ、および／またはメモリ内容を渡し、および／または受信することによって、別のコードセグメントまたはハードウェア回路に結合され得る。情報、引数、パラメータ、データなどは、メモリ共有、メッセージパッシング、チケットパッシング、ネットワーク伝送などを含む任意の好適な手段を介して渡され、転送され、または伝送され得る。

ファームウェアおよび／またはソフトウェア実現化例については、方法論は、ここに説明される機能を行なうモジュール（たとえば手順、機能など）で実現され得る。ここに説明される方法論を実現する際、命令を有形に具体化する任意のマシン読取可能媒体が使用され得る。たとえば、ソフトウェアコードがメモリに格納され得る。メモリは、プロセッサの内部に、またはプロセッサの外部に実現され得る。ここに使用されるように、「メモリ」という用語は、あらゆるタイプの長期、短期、揮発性、不揮発性、または他の記憶媒体を指し、任意の特定のタイプまたは数のメモリ、もしくは、メモリが格納される任意の特定のタイプの媒体に限定されるべきではない。

また、ここに開示されるように、「記憶媒体」という用語は、読出専用メモリ（read only memory：ＲＯＭ）、ランダムアクセスメモリ（random access memory：ＲＡＭ）、磁気ＲＡＭ、コアメモリ、磁気ディスク記憶媒体、光記憶媒体、フラッシュメモリデバイス、および／または、情報を格納するための他のマシン読取可能媒体を含む、データを格納するための１つ以上のメモリを表わし得る。「マシン読取可能媒体」という用語は、命令および／またはデータを格納し、含み、または担持することができる、携帯型または固定式記憶デバイス、光記憶デバイス、無線チャネル、および／またはさまざまな他の記憶媒体を含むものの、それらに限定されない。

上述の説明は、本発明の例である。本発明を説明するために構成要素または方法論の考えられるあらゆる組合せを説明することはもちろん不可能であるが、当業者であれば、本発明のさらに別の多くの組合せおよび順列が可能であることを認識するであろう。したがって、本発明は、添付された請求の範囲内にある、そのような変更、修正、および変形をすべて包含するよう意図される。

Claims (19)

1. コンピュータにより実現される方法であって、
   複数のプロジェクトの第１の部分集合について、メタデータを格納するステップを含み、前記複数のプロジェクトの前記第１の部分集合のうちの各々は、完了のための関連値と、時間窓内にある予想終了日とを有し、前記方法はさらに、
   前記複数のプロジェクトの前記第１の部分集合のうちの各プロジェクトを完了するための累計値がしきい値を下回るという判定に応答して、前記時間窓内にないそれぞれの予想終了日を有するプロジェクトを表わす、前記複数のプロジェクトの第３の部分集合から、前記複数のプロジェクトの第２の部分集合を選択するステップを含み、前記複数のプロジェクトの前記第３の部分集合からプロジェクトの前記第２の部分集合を選択するステップは、
   前記複数のプロジェクトの前記第３の部分集合における各プロジェクトを完了するための値を割当てるステップと、
   第１のコンピュータシステム上に実現されたデータベースから、前記複数のプロジェクトの前記第３の部分集合における各プロジェクトについてのパラメータの集合を検索するステップとを含み、前記パラメータの集合のうちの少なくとも１つは時間の関数として変化し、前記パラメータの集合は、前記予想終了日を考慮して前記プロジェクトが完了する可能性を定量化する第１の確率を含み、前記選択するステップはさらに、
   機械学習プラットフォームにアクセス可能なリポジトリに構造化データとして格納された以前のプロジェクトの集合に関する情報について訓練された予測モデルへのアクセスを提供する前記機械学習プラットフォームのクライアントで、前記複数のプロジェクトの前記第３の部分集合における各プロジェクトについての第２の確率を、各プロジェクトについての前記第２の確率が前記時間窓内の終了日を考慮して前記プロジェクトが完了する可能性を定量化するように、前記パラメータの集合に基づいて計算するステップと、
   前記複数のプロジェクトの前記第３の部分集合における各プロジェクトについての前記第１の確率と前記第２の確率との差を判定するステップと、
   前記複数のプロジェクトの前記第１の部分集合を完了するための前記累計値と組合された、前記複数のプロジェクトの前記第２の部分集合を完了するための値が、前記しきい値を満たすように、前記複数のプロジェクトの前記第３の部分集合のうちのプロジェクトを、確率の前記差に少なくとも部分的に基づいて、前記複数のプロジェクトの前記第２の部分集合として選択するステップとを含む、方法。
2. 前記複数のプロジェクトの前記第２の部分集合を、ユーザに、そのユーザのための選択されたフォーマットを有するグラフィカルユーザインターフェイスで表示するステップと、
   表示された前記複数のプロジェクトの前記第２の部分集合に関して前記ユーザからフィードバックを受信するステップと、
   受信された前記フィードバックに従って、前記ユーザのための前記グラフィカルユーザインターフェイスの前記選択されたフォーマットを調節するステップとをさらに含む、請求項１に記載の方法。
3. 各プロジェクトのステータスが、複数の段階のうちの１つとして定義され、各段階は、完了に向かう前記プロジェクトの進行度を表わし、各プロジェクトについての前記パラメータの集合のうちの１つは、前記プロジェクトが始まってから経過した日数に対する、前記プロジェクトが通過した段階の数の比率として計算される、請求項１または２に記載の方法。
4. 各プロジェクトのステータスが、複数の段階のうちの１つとして定義され、各段階は、完了に向かう前記プロジェクトの進行度を表わし、各プロジェクトについての前記パラメータの集合のうちの１つは、前記プロジェクトが通過した段階の順序を表わす、請求項１または２に記載の方法。
5. 各プロジェクトのステータスが、複数の段階のうちの１つとして定義され、各段階は、完了に向かう前記プロジェクトの進行度を表わし、各プロジェクトについての前記パラメータの集合のうちの１つは、前記プロジェクトが前記複数の段階のうちの所与の１つにあった回数から導き出される、請求項１または２に記載の方法。
6. 各プロジェクトについての前記パラメータの集合のうちの１つは、前記プロジェクトのために予算が承認された日付と現在の日付との間で経過した日数である、請求項１〜５のいずれか１項に記載の方法。
7. 前記複数のプロジェクトは複数のエンティティ間で分けられ、前記複数のプロジェクトの前記第３の部分集合における各プロジェクトは、前記複数のエンティティのうちの所与のエンティティに関連付けられる、請求項１〜６のいずれか１項に記載の方法。
8. 各プロジェクトについての前記パラメータの集合のうちの１つは、前記プロジェクトに関連付けられた製品のカテゴリーである、請求項１〜５のいずれか１項に記載の方法。
9. 自然言語処理を取り入れたチャットインターフェイスを介して、前記複数のプロジェクトの前記第２の部分集合をユーザに提供するステップをさらに含み、前記チャットインターフェイスは、前記ユーザによって入力された質問に応答して、前記複数のプロジェクトの前記第２の部分集合を提供できるようになっている、請求項１〜８のいずれか１項に記載の方法。
10. 前記機械学習プラットフォームは、各プロジェクトがいったん終了すると、前記プロジェクトについての前記第２の確率と、前記プロジェクトについての成果とに従って、前記リポジトリを更新する、請求項１〜９のいずれか１項に記載の方法。
11. 前記予測モデルで前記パラメータの集合に基づいて前記複数のプロジェクトの前記第３の部分集合における各プロジェクトについての前記第１の確率を計算するステップは、
    ランダムフォレスト分類器で前記パラメータの集合から第１の予測を生成するステップと、
    ブースティング分類器で前記パラメータの集合から第２の予測を生成するステップと、
    前記第１の確率を、第１のメトリックおよび第２のメトリックの重み付け線形結合として計算するステップとを含む、請求項１〜１０のいずれか１項に記載の方法。
12. コンピュータにより実現される方法であって、
    完了のための関連値と時間窓内にある予想終了日とを各々有する、複数のプロジェクトの第１の部分集合について、メタデータを格納するステップと、
    前記複数のプロジェクトの前記第１の部分集合の累計値がしきい値を下回るという判定に応答して、前記時間窓内にないそれぞれの予想終了日を有するプロジェクトを表わす、前記複数のプロジェクトの第３の部分集合から、前記複数のプロジェクトの第２の部分集合を選択するステップとを含み、前記複数のプロジェクトの前記第３の部分集合から前記複数のプロジェクトの前記第２の部分集合を選択するステップは、
    前記複数のプロジェクトの前記第３の部分集合における各プロジェクトを完了するための値を割当てるステップと、
    第１のコンピュータシステム上に実現されたデータベースから、前記複数のプロジェクトの前記第３の部分集合における各プロジェクトについてのパラメータの集合を検索するステップと、
    機械学習プラットフォームにアクセス可能なリポジトリに構造化データとして格納された以前のプロジェクトの集合に関する情報について訓練された予測モデルへのアクセスを提供する前記機械学習プラットフォームのクライアントを介して、前記複数のプロジェクトの前記第３の部分集合における各プロジェクトの価値についての、前記時間窓内の終了日での前記プロジェクトの完了に起因する価値の損失を表わす割引係数を、前記パラメータの集合に基づいて計算するステップと、
    前記複数のプロジェクトの前記第３の部分集合における各プロジェクトについての調節値を、前記プロジェクトについての割当てられた前記値と計算された前記割引係数との積として提供するステップと、
    前記複数のプロジェクトの前記第１の部分集合を完了するための前記累計値と組合された、前記複数のプロジェクトの前記第２の部分集合を完了するための前記調節値が、前記しきい値を満たすように、前記複数のプロジェクトの前記第３の部分集合のうちのプロジェクトを選択するステップとを含む、方法。
13. コンピュータに、請求項１〜１２のいずれか１項に記載の方法を実行させるための、プログラム。
14. システムであって、
    第１のプロセッサと第１の非一時的メモリとを少なくとも含む第１のコンピュータシステムを含み、前記第１のコンピュータシステムは、複数のプロジェクトを含むデータベースを格納し、所与のプロジェクトはパラメータの集合と既知の終了日とを有し、前記システムはさらに、
    第２のプロセッサと第２の非一時的メモリとを少なくとも含む第２のコンピュータシステム上に実現された機械学習プラットフォームを含み、前記機械学習プラットフォームは、
    前記複数のプロジェクトのうちの選択されたプロジェクトについての前記パラメータの集合と前記既知の終了日とを受信するデータベースインターフェイスと、
    検索された前記パラメータの集合から予測モデルについての少なくとも１つの特徴を生成する特徴抽出器とを含み、前記複数のプロジェクトのうちの各々のステータスが、複数の段階のうちの１つとして定義され、前記少なくとも１つの特徴のうちの１つの特徴が、前記プロジェクトが通過した段階の順序から導き出され、前記機械学習プラットフォームはさらに、
    前記機械学習プラットフォームにアクセス可能なリポジトリに構造化データとして格納された以前のプロジェクトの集合に関する情報について訓練された予測モデルを含み、前記予測モデルは、前記予測モデルへのアクセスを提供する機械学習プラットフォームのクライアントを介して、生成された前記少なくとも１つの特徴と前記選択されたプロジェクトの前記終了日とから、前記選択されたプロジェクトがうまく終了する第１の確率を計算し、前記予測モデルで、生成された前記少なくとも１つの特徴と前記選択されたプロジェクトの修正された終了日とから、前記選択されたプロジェクトがうまく終了する第２の確率を計算し、前記修正された終了日は前記既知の終了日に先行し、前記機械学習プラットフォームはさらに、
    前記既知の終了日から前記修正された終了日へ前記プロジェクトを加速する際のリスクを表わす、前記第１の確率と前記第２の確率との差を、関連付けられた出力デバイスで提供するユーザインターフェイスを含む、システム。
15. 前記第２のコンピュータシステムは、クラウドサービスプラットフォームである、請求項１４に記載のシステム。
16. 各プロジェクトについての前記パラメータの集合のうちの１つは、前記プロジェクトが始まってから経過した日数に対する、前記プロジェクトが通過した段階の数の比率として計算される、請求項１４または１５に記載のシステム。
17. 各プロジェクトについての前記パラメータの集合のうちの１つは、前記プロジェクトが通過した段階の順序を表わす、請求項１４または１５に記載のシステム。
18. 各プロジェクトについての前記パラメータの集合のうちの１つは、前記プロジェクトが前記複数の段階のうちの所与の１つにあった回数から導き出される、請求項１４または１５に記載のシステム。
19. 前記選択されたプロジェクトについての前記パラメータの集合のうちの１つは、前記プロジェクトのために予算が承認された日付と現在の日付との間で経過した日数である、請求項１４〜１８のいずれか１項に記載のシステム。

Images