JP2023019492A - 生産性予測システム、生産性予測方法、及びプログラム - Google Patents
生産性予測システム、生産性予測方法、及びプログラム Download PDFInfo
- Publication number
- JP2023019492A JP2023019492A JP2021124254A JP2021124254A JP2023019492A JP 2023019492 A JP2023019492 A JP 2023019492A JP 2021124254 A JP2021124254 A JP 2021124254A JP 2021124254 A JP2021124254 A JP 2021124254A JP 2023019492 A JP2023019492 A JP 2023019492A
- Authority
- JP
- Japan
- Prior art keywords
- productivity
- answer
- index
- productivity index
- factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- 238000000556 factor analysis Methods 0.000 claims description 28
- 230000008520 organization Effects 0.000 abstract description 30
- 238000003860 storage Methods 0.000 description 17
- 230000004044 response Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000036541 health Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 210000000467 autonomic pathway Anatomy 0.000 description 8
- 238000000513 principal component analysis Methods 0.000 description 8
- 239000002131 composite material Substances 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 238000011068 loading method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003860 sleep quality Effects 0.000 description 6
- 230000004630 mental health Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000008450 motivation Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000037213 diet Effects 0.000 description 3
- 235000005911 diet Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000003340 mental effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008035 nerve activity Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
- 230000036642 wellbeing Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】人事・労務情報を出来るだけ用いずに、睡眠の質に基づいて組織の生産性を予測できること。【解決手段】生産性予測システムは、少なくとも睡眠に関する質問を含む所定の質問に対する第1の回答を示す回答データを取得する回答取得部と、前記質問に対する第2の回答から生産性を示す生産性指標を予測する予測モデルに基づいて、前記回答取得部によって取得された前記第1の回答から前記生産性指標を算出する生産性指標算出部とを備える。【選択図】図2
Description
本発明は、生産性予測システム、生産性予測方法、及びプログラムに関する。
組織の状態や生産性を正しく把握するには、従業員のエンゲージメント・人間関係等の社会的健康や、心身健康、生活習慣、性格等の情報から、多角的に評価する必要がある。ここで生産性とは、個人の仕事のパフォーマンスが発揮される程度をいう。一方で、組織の生産性を評価するために、従業員の社会的健康・心身健康等の情報だけでなく人事・労務情報を使用することが行われている(例えば、特許文献1参照)。
また、睡眠の質は心身健康だけでなく社会的健康にも深く関係することがわかっているため、従業員の睡眠の質は組織の生産性評価に必要な要素の一つであるといえる。
また、睡眠の質は心身健康だけでなく社会的健康にも深く関係することがわかっているため、従業員の睡眠の質は組織の生産性評価に必要な要素の一つであるといえる。
従来、組織の生産性評価においては、人事・労務情報を使用しなければならない例が多い。人事・労務情報は、匿秘性が高いため、組織の中でも閲覧権が設定されており、他の評価に使用することについて抵抗感を有する場合がある。また、生産性の評価を外部機関で行う場合、人事・労務情報を社外に持ち出す必要があり、情報管理の機密性、完全性、可用性を担保する必要があるため、評価業務が煩雑になる場合がある。また、組織の生産性評価は、食事や運動、睡眠の質等を考慮した多角的視点から行われるべきである。
上述したように、人事・労務情報を出来るだけ用いずに、好ましくは用いることなく、睡眠の質に基づいて組織の生産性を予測することが求められている。
本発明は上記の点に鑑みてなされたものであり、人事・労務情報を出来るだけ用いずに、睡眠の質に基づいて組織の生産性を予測できる生産性予測システム、生産性予測方法、及びプログラムを提供する。
上述したように、人事・労務情報を出来るだけ用いずに、好ましくは用いることなく、睡眠の質に基づいて組織の生産性を予測することが求められている。
本発明は上記の点に鑑みてなされたものであり、人事・労務情報を出来るだけ用いずに、睡眠の質に基づいて組織の生産性を予測できる生産性予測システム、生産性予測方法、及びプログラムを提供する。
本発明は上記の課題を解決するためになされたものであり、本発明の一態様は、少なくとも睡眠に関する質問を含む所定の質問に対する第1の回答を示す回答データを取得する回答取得部と、前記質問に対する第2の回答から生産性を示す生産性指標を予測する予測モデルに基づいて、前記回答取得部によって取得された前記第1の回答から前記生産性指標を算出する生産性指標算出部とを備える生産性予測システムである。
また、本発明の一態様は、上記の生産性予測システムにおいて、前記予測モデルは、前記質問に対応する因子の因子得点に基づいて前記生産性指標を予測するモデルであり、前記生産性指標算出部は、前記回答取得部が取得した前記第1の回答を前記因子得点に変換し、変換した前記因子の因子得点から前記予測モデルに基づいて前記生産性指標を算出する。
また、本発明の一態様は、上記の生産性予測システムにおいて、前記因子は、前記第2の回答から因子分析によって予め求められた因子である。
また、本発明の一態様は、上記の生産性予測システムにおいて、前記予測モデルは、前記因子得点に重みづけをした値に基づいて前記生産性指標を予測するモデルである。
また、本発明の一態様は、上記の生産性予測システムにおいて、前記因子毎の前記生産性指標への寄与度とともに前記生産性指標を提示する生産性指標提示部をさらに備える。
また、本発明の一態様は、上記の生産性予測システムにおいて、前記予測モデルは、前記第2の回答をした被験者の生体データと、前記第2の回答とから前記生産性指標を予測するモデルである。
また、本発明の一態様は、上記の生産性予測システムにおいて、予め設定された所望の提示内容に基づいて、前記生産性に関するアドバイスを提示するアドバイス提示部をさらに備える。
また、本発明の一態様は、上記の生産性予測システムにおいて、前記生産性指標算出部によって算出された前記生産性指標と、基準となる生産性指標とに基づいて前記生産性に関する損失額を算出する損失金額算出部をさらに備える。
また、本発明の一態様は、少なくとも睡眠に関する質問を含む所定の質問に対する第1の被験者の回答を示す回答データを取得する回答取得ステップと、前記質問に対する第2の被験者の回答から生産性を示す生産性指標を予測する予測モデルに基づいて、前記回答取得ステップによって取得された前記第1の被験者の前記回答から前記第1の被験者について前記生産性指標を算出する生産性指標算出ステップとを有する生産性予測方法である。
また、本発明の一態様は、コンピュータに、少なくとも睡眠に関する質問を含む所定の質問に対する第1の被験者の回答を示す回答データを取得する回答取得ステップと、前記質問に対する第2の被験者の回答から生産性を示す生産性指標を予測する予測モデルに基づいて、前記回答取得ステップによって取得された前記第1の被験者の前記回答から前記第1の被験者について前記生産性指標を算出する生産性指標算出ステップとを実行させるためのプログラムである。
本発明によれば、人事・労務情報を出来るだけ用いずに、睡眠の質に基づいて組織の生産性を予測できる。
(実施形態)
以下、図面を参照しながら本発明の実施形態について詳しく説明する。図1は、本実施形態に係る生産性予測システム1の構成の一例を示す図である。生産性予測システム1は、組織を構成する従業員それぞれについて、生産性指標P1を算出する。生産性指標P1は、従業員個人の生産性を示す指標(スコアともいう)である。生産性予測システム1は、生産性指標P1に基づいて、組織について、生産性の算出、課題の抽出、解決策の提案、レポートの出力を行うシステムである。生産性予測システム1は、一例として、クラウドサーバとして実現される。
なお、本実施形態において生産性とは、産出量と投入量を使った一般的な定義とは異なり、従業員個人の組織における仕事のパフォーマンスが発揮される程度をいう。
以下、図面を参照しながら本発明の実施形態について詳しく説明する。図1は、本実施形態に係る生産性予測システム1の構成の一例を示す図である。生産性予測システム1は、組織を構成する従業員それぞれについて、生産性指標P1を算出する。生産性指標P1は、従業員個人の生産性を示す指標(スコアともいう)である。生産性予測システム1は、生産性指標P1に基づいて、組織について、生産性の算出、課題の抽出、解決策の提案、レポートの出力を行うシステムである。生産性予測システム1は、一例として、クラウドサーバとして実現される。
なお、本実施形態において生産性とは、産出量と投入量を使った一般的な定義とは異なり、従業員個人の組織における仕事のパフォーマンスが発揮される程度をいう。
生産性予測システム1は、一例として、従業員それぞれについて客観睡眠データA2と、主観データA3とに基づいて、生産性指標P1を算出する。
客観睡眠データA2は、就寝・起床時刻、眠りの深さ、中途覚醒時間、入眠時間などを示すデータである。客観睡眠データA2は、生体データA1に基づいて生成される。生体データA1は、例えば、睡眠時の従業員の身体の所定の部位、または全体の加速度、脈拍、皮膚温度、またはそれら加速度、脈拍、皮膚温度の変動などを示すデータである。生体データA1は、ウェアラブル端末D1の測定結果に基づいて生成される。ウェアラブル端末D1は、従業員の身体に装着された装着型の測定器である。
ウェアラブル端末D1は、生体データA1を携帯端末D2に送信する。携帯端末D2は、例えば、スマートフォンやパーソナルコンピュータ(Personal Computer:PC)である。携帯端末D2には、ウェアラブル端末D1が取得した生体データA1を記憶し、生産性予測システム1に生体データA1を送信するため、通信部と操作部と処理部と記憶部を有する。携帯端末D2は、生体データA1を生産性予測システム1に送信する。
生産性予測システム1は、ウェアラブル端末D1から取得した生体データA1から、第1のアルゴリズムに基づいて客観睡眠データA2を生成する。第1のアルゴリズムは、身体の所定の部位の加速度、脈拍、皮膚温度、またはそれら加速度、脈拍、皮膚温度の変動などから、就寝・起床時刻、眠りの深さ、中途覚醒時間、入眠時間などを算出するアルゴリズムである。
上述したように、客観睡眠データA2は、ウェアラブル端末D1の測定結果という客観的なデータである生体データA1に基づいて生成されるという意味において、客観的なデータである。なお、客観睡眠データA2は、客観的なデータとともに睡眠の質に関する主観的なデータを含んでもよい。睡眠の質に関する主観的なデータは、従業員自らの回答に基づくデータである。睡眠の質に関する主観的なデータとは、例えば、眠りの深さ、寝起きの気分などについての従業員自らの回答に基づくデータである。
睡眠の質に関する主観的なデータは、携帯端末D2によって生成される。例えば、従業員が携帯端末D2にインストールされたアプリケーションを用いて、睡眠についての質問に対する回答を入力する。携帯端末D2は、入力された回答に基づいて睡眠の質に関する主観的なデータを生成する。
主観データA3は、社会的健康・心身健康等に関するアンケートC1に含まれる質問それぞれに対する従業員の回答を示すデータである。アンケートC1は、少なくとも睡眠に関する質問を含む所定の質問であり、アンケートC1には、社会的健康、心身健康、運動、食事、性格などについての質問を含めてもよい。なお、アンケートC1は、睡眠に関する1つの質問のみから構成されてもよい。
生産性予測システム1は、従業員それぞれについて客観睡眠データA2と、主観データA3とから、第2のアルゴリズムに基づいて生産性指標P1を算出する。本実施形態において、第2のアルゴリズムは、後述するように一例として、因子分析に基づく予測モデルを用いたアルゴリズムである。なお、第2のアルゴリズムにおいて、客観睡眠データA2は必須ではない。つまり、生産性予測システム1は、従業員それぞれについての主観データA3のみから、第2のアルゴリズムに基づいて生産性指標P1を算出してもよい。
さらに生産性予測システム1は、従業員それぞれについての生産性指標P1から、組織の生産性と、当該生産性の算出に用いた項目の生産性への寄与度を算出する。さらに生産性予測システム1は、算出した寄与度から組織の課題を特定し、当該課題に対する解決提案を抽出する。さらに生産性予測システム1は、抽出した解決提案に基づいてレポートを出力する。当該レポートは、組織の企業、担当者などに提示される。
[生産性予測システム1の機能構成]
次に図2を参照し、生産性予測システム1の機能構成について説明する。図2は、本実施形態に係る生産性予測システム1の機能構成の一例を示す図である。上述したように、本実施形態では、生産性予測システム1は、一例として、クラウドサーバとして実現される。生産性予測システム1が備える機能部は、複数のサーバに分散して備えられる。1つの機能部が1台のサーバに備えられてもよいし、複数の機能部が1台のサーバに備えらえてもよい。
なお、生産性予測システム1が備える全ての機能部が、1台のサーバに備えられてもよい。その場合、生産性予測システム1を、生産性予測装置と呼んでもよい。
次に図2を参照し、生産性予測システム1の機能構成について説明する。図2は、本実施形態に係る生産性予測システム1の機能構成の一例を示す図である。上述したように、本実施形態では、生産性予測システム1は、一例として、クラウドサーバとして実現される。生産性予測システム1が備える機能部は、複数のサーバに分散して備えられる。1つの機能部が1台のサーバに備えられてもよいし、複数の機能部が1台のサーバに備えらえてもよい。
なお、生産性予測システム1が備える全ての機能部が、1台のサーバに備えられてもよい。その場合、生産性予測システム1を、生産性予測装置と呼んでもよい。
生産性予測システム1は、予測モデル生成部2と、客観睡眠データ生成部3と、回答取得部4と、生産性指標算出部5と、生産性指標提示部6と、アドバイス提示部7と、記憶部8とを備える。生産性予測システム1が備える各機能部は、サーバにそれぞれ備えられるCPU(Central Processing Unit)がROM(Read Only Memory)からプログラムを読み込んで処理を実行することにより実現される。
予測モデル生成部2は、予測モデルB1を生成する。予測モデル生成部2は、生産性予測システム1による生産性指標P1の算出が行われるより前に、予め予測モデルB1を生成して記憶部8に記憶させる。予測モデルB1は、アンケートC1に含まれる質問に対するサンプル従業員の回答から生産性指標を予測するモデルである。アンケートC1に含まれる質問に対するサンプル従業員の回答とは、換言すれば、サンプル従業員についての主観データである。
ここでサンプル従業員とは、予測モデルB1を生成するためのサンプルとなる回答を取得するための従業員である。本実施形態の一例では、サンプル従業員は、生産性を算出する対象である組織とは異なる組織の従業員である。サンプル従業員の数は多い方が、予測モデルB1に基づく予測の精度を向上させるために好ましい。なお、サンプル従業員には、生産性を算出する対象である組織に所属する従業員が含まれていてもよい。また、生産性を算出する対象である組織に所属する従業員から過去に得られたアンケートC1に対する回答が蓄積されており、新たに蓄積された回答とサンプル従業員からの回答とを合わせた回答に基づいて予測モデルB1が更新されてもよい。また、新たに蓄積された回答がサンプル従業員からの回答として用いられて、予測モデルB1が更新されてもよい。
客観睡眠データ生成部3は、生体データA1から、第1のアルゴリズムに基づいて客観睡眠データA2を生成する。
回答取得部4は、アンケートC1に含まれる質問に対する従業員の回答を取得する。当該回答は、第1の回答の一例である。
生産性指標算出部5は、予測モデルB1に基づいて、回答取得部4によって取得された主観データA3から生産性指標P1を算出する。また、生産性指標算出部5は、算出した生産性指標P1に基づいて組織生産性P2を算出する。組織生産性P2は、生産性指標P1に基づく組織の生産性を示す各種の統計量、各種の分布を示す情報である。
回答取得部4は、アンケートC1に含まれる質問に対する従業員の回答を取得する。当該回答は、第1の回答の一例である。
生産性指標算出部5は、予測モデルB1に基づいて、回答取得部4によって取得された主観データA3から生産性指標P1を算出する。また、生産性指標算出部5は、算出した生産性指標P1に基づいて組織生産性P2を算出する。組織生産性P2は、生産性指標P1に基づく組織の生産性を示す各種の統計量、各種の分布を示す情報である。
生産性指標提示部6は、生産性予測結果P0を提示する。生産性予測結果P0とは、組織の生産性の予測結果である。生産性予測結果P0には、例えば、組織生産性P2、寄与度P3、因子得点P4などが含まれる。生産性予測結果P0の具体例については後述する。なお、生産性予測結果P0には、生産性指標P1が含まれてもよい。つまり、その場合、生産性指標提示部6は、生産性指標P1を提示する。
アドバイス提示部7は、予め設定された所望の提示内容に基づいて、生産性に関するアドバイスを提示する。
記憶部8は、各種の情報を記憶する。記憶部8が記憶する情報には、生体データA1、客観睡眠データA2、主観データA3、予測モデルB1が含まれる。記憶部8は、磁気ハードディスク装置や半導体記憶装置等の記憶装置を用いて構成される。
[予測モデルの生成方法]
次に図3を参照し、予測モデルB1の生成方法について説明する。図3は、本実施形態に係る予測モデルB1の生成方法の一例を示す図である。本実施形態では、予測モデルB1は、アンケートC1に含まれる質問に対応する因子の因子得点に基づいて生産性指標を予測するモデルである。
次に図3を参照し、予測モデルB1の生成方法について説明する。図3は、本実施形態に係る予測モデルB1の生成方法の一例を示す図である。本実施形態では、予測モデルB1は、アンケートC1に含まれる質問に対応する因子の因子得点に基づいて生産性指標を予測するモデルである。
ステップS10:予測モデル生成部2は、アンケートC1に含まれる質問それぞれに対するサンプル従業員の回答(主観データ)を取得する。予測モデル生成部2は、一例として、サンプル従業員の回答を示す主観データを、生産性予測システム1の外部に備えられるサーバから取得する。なお、サンプル従業員の回答を示す主観データは、記憶部8に記憶されていてもよい。その場合、予測モデル生成部2は、記憶部8から当該主観データを読み出す。本実施形態の一例では、サンプル従業員の回答は、約4000人のサンプル従業員から得られた回答である。
ステップS20:予測モデル生成部2は、アンケートC1に含まれる質問のうち生産性以外の質問それぞれに対する回答について相関性解析を実行する。ここで当該回答は、大半がカテゴリ変数であるため、予測モデル生成部2は、当該回答について、カテゴリ変数から量的変数としての数値へと変換する。予測モデル生成部2は、量的変数に変換された回答にスケーリングを行った後、相関性解析を実行する。
本実施形態では、アンケートC1には、一例として、健康状態、睡眠、食事、運動等の生活習慣、仕事面等の質問が含まれる。アンケートC1に含まれる質問は、生産性に関する質問と、生産性に関する質問以外の質問とに分類される。生産性に関する質問以外の質問は、一例として、270項目ある。予測モデル生成部2は、アンケートC1に含まれる生産性に関する質問以外の質問について相関性解析を実行する。
ステップS30:予測モデル生成部2は、相関係数の絶対値が基準値以上の質問を抽出する。予測モデル生成部2は、ステップS20の相関性解析の結果に基づいて、生産性に関する質問以外の質問のうち相関係数の絶対値が基準値(一例として、0.2)以上の質問を抽出する。本実施形態では、270項目のなかから一例として87項目の質問が抽出される。
ステップS40:予測モデル生成部2は、因子分析を実行する。予測モデル生成部2は、ステップS30において抽出した87項目の質問それぞれに対する回答について因子分析を実行する。当該因子分析には、公知の因子分析のアルゴリズムが用いられる。本実施形態の一例では、因子分析の結果、合計20個(87項目の4分の1程度)の因子が算出される。
ステップS50:予測モデル生成部2は、因子負荷量が大きく、かつ解釈性が高い質問を選択する。ここで、ステップS40における因子分析が、生産性予測システム1のユーザに提示される。当該ユーザは、各因子を解釈し、解釈性が高く、かつ因子負荷量が大きい質問を選択する。予測モデル生成部2は、解釈性が高く、かつ因子負荷量が大きいと判断された質問を選択する操作を当該ユーザから受け付ける。予測モデル生成部2は、受け付けた操作に基づいて、解釈性が高い質問を判定する。予測モデル生成部2は、判定結果と、因子負荷量とに基づいて、因子負荷量が大きく、かつ解釈性が高い質問を選択する。
なお、因子負荷量の大小についても、提示される因子分析の結果に基づいて生産性予測システム1のユーザによって判断されてもよい。
なお、因子負荷量の大小についても、提示される因子分析の結果に基づいて生産性予測システム1のユーザによって判断されてもよい。
本実施形態の一例としては、選択の結果、28項目に質問が選択される。因子分析に基づいて選択された28項目の質問の一例を、図4に示す。図4に示すように、年齢の質問項目以外の質問それぞれに対する回答は、所定の選択肢から選択される。
ステップS60:予測モデル生成部2は、ステップS50において選択された質問について因子分析を実行する。本実施形態では、当該因子分析の結果、12個の因子が算出される。
図5に因子分析の結果の一例を示す。図5では、縦軸に28項目に質問が示され、横軸に12個の因子が示されている。図5では、因子負荷量の大きさが濃淡によって示されている。12個の因子とは、「モチベーション」、「エンゲージメント」、「チームワーク」、「心理安全」、「組織安全」、「睡眠の質・量」、「睡眠満足度」、「運動習慣」、「食習慣」、「活力」、「精神健康」、「幸福度」である。
ステップS70:予測モデル生成部2は、主成分分析によって予測モデルB1の予測の対象となる予測対象を生成する。予測モデル生成部2は、アンケートC1に含まれる質問のうち生産性に関する質問それぞれに対する回答について主成分分析を実行する。当該主成分分析の結果、生産性の合成指標が生成される。図6に、生産性の合成指標の分布の一例を示す。
なお、主成分分析によって、生産性に関する質問それぞれに対する回答の空間において、主成分の方向はそれらの回答を示す方向が合成された方向となる。そのため、本実施形態では、生産性に関する質問それぞれに対する回答についての主成分分析の結果生成される指標を生産性の合成指標という。
生産性に関する質問には、一例として、「個人の仕事の出来」(一例として、百分率で表される)、「病欠日数」、「一般就労者のパフォーマンス」、「過去1‐2年間の自身のパフォーマンス」が含まれる。予測モデル生成部2は、これらの4項目の質問それぞれに対する回答について主成分分析を実行する。
なお、主成分分析によって合成指標を生成する理由は、アブセンティーズム(欠勤による生産性低下)と、プレゼンティーイズム(個人の仕事の出来やパフォーマンス低下)を複合して生産性を評価するためである。
なお、合成指標の代わりに、上述した生産性に関する4項目の質問それぞれに対する回答のうちいずれか1以上が用いられてもよい。また、生産性に関する質問は、上述した4項目の質問以外の質問であってもよいし、生産性に関する質問には、上述した4項目の質問に加えて、当該4項目の質問以外の質問が含まれてもよい。
なお、ステップS70の処理は、一例として、上述したステップS20からステップS60までの各処理と並行して行われる。なお、ステップS70の処理は、ステップS60の処理の後に行われてもよい。
ステップS80:予測モデル生成部2は、ステップS60における因子分析によって得られた因子に基づく予測モデルB1を生成する。予測モデル生成部2は、生成した予測モデルB1を記憶部8に記憶させる。予測モデル生成部2は、一例として、重回帰モデルに基づいて、ステップS60における因子分析によって得られた12個の因子から合成指標を予測する重回帰モデルを生成する。
予測モデル生成部2は、約4000人分のサンプル従業員の回答(主観データ)について、ステップS60における因子分析によって得られた因子と、ステップS70における主成分分析によって生成された合成指標との関係に基づいて、重回帰モデルを生成する。式(1)は、予測モデル生成部2が生成する重回帰モデルの一例を示す。
式(1)において、Xi(i=1、2、・・・、N:Nは因子の数であり、本実施形態の一例では12個)は、因子を示す。xi(i=1、2、・・・、N:Nは因子の数)は、主観データA3から生成される各因子に対応する因子得点である。ai(i=1、2、・・・、N:Nは因子の数)は、各因子の定数の係数である。bは、バイアスに相当する定数である。重回帰モデルを生成するとは、式(1)の例では、定数であるai及びbそれぞれの値を決定することである。なお、aiは、図4に示した12個の因子と年齢、性別に基づいて決定される。
図7に、当該重回帰モデルによって予測される予測値と合成指標(実測値)との関係の一例を示す。図7では、重回帰モデルによる予測値に対する、合成指標の実測値が、約4000人分のサンプル従業員の回答毎に示されている。
本実施形態では、予測モデルB1は、サンプル従業員の生体データA1と、主観データA3とから生産性指標P1を予測するモデルである。上述したように、生体データA1は客観睡眠データA2に変換されて用いられる。例えば、予測モデル生成部2は、重回帰モデルに基づいて、客観睡眠データA2と、ステップS60における因子分析によって得られた12個の因子とから合成指標を予測する予測モデルB1を生成する。上述した第2のアルゴリズムとは、予測モデル生成部2によって生成される予測モデルB1に基づくアルゴリズムである。
なお、予測モデルB1は、式(1)に示すような重回帰モデルであってもよい。その場合、予測モデルB1は、因子得点に重みづけをした値に基づいて生産性指標P1を予測するモデルである。
なお、予測モデルB1は、主観データA3、つまりアンケートC1に含まれる質問それぞれに対する回答から、因子を介さずに、生産性指標P1を予測するモデルであってもよい。また、予測モデルB1は、生体データA1(または客観睡眠データA2)と主観データA3とから因子を介さずに、生産性指標P1を予測するモデルであってもよい。それらの場合、予測モデルB1は、例えば、機械学習のモデルに基づいて生成される。当該機械学習では、例えば、主観データA3と合成指標との関係が学習される。
また、予測モデルB1において、各因子の重み(ai)は、定数ではなく変数として扱われてもよい。その場合、各因子得点が算出された後に、各因子の重み(ai)が決定されてもよい。例えば、因子得点が所定の上限値より大きいこと、または所定の下限値より小さいことに基づいて、因子の重みが決定されてもよい。
[生産性指標算出処理]
次に図8を参照し、組織の生産性を予測する処理である生産性指標算出処理について説明する。図8は、本実施形態に係る生産性指標算出処理の一例を示す図である。
次に図8を参照し、組織の生産性を予測する処理である生産性指標算出処理について説明する。図8は、本実施形態に係る生産性指標算出処理の一例を示す図である。
ステップS110:回答取得部4は、アンケートC1に含まれる質問それぞれに対する従業員の回答を取得する。当該回答には、生産性を予測する従業員それぞれについての回答が含まれる。回答取得部4は、取得した回答を主観データA3として記憶部8に記憶させる。
ステップS120:生産性指標算出部5は、従業員毎に生産性指標P1を算出する処理を開始する。
ステップS130:生産性指標算出部5は、回答取得部4が取得した回答に基づいて、因子の因子得点を算出する。ここで生産性指標算出部5は、回答取得部4が取得した回答として、記憶部8から生体データA1を用いる。なお、生産性指標算出部5は、回答取得部4から直接当該回答を取得してもよい。
生産性指標算出部5が因子得点を算出する場合の因子とは、上述した予測モデル生成処理のステップS60における因子分析の結果算出された12個の因子である。つまり、当該因子は、アンケートC1に含まれる質問それぞれに対するサンプル従業員の回答から因子分析によって予め求められた因子である。生産性指標算出部5は、回答取得部4が取得したアンケートC1に含まれる質問それぞれに対する従業員の回答を因子得点に変換する。
ステップS140:生産性指標算出部5は、算出(変換)した因子得点から予測モデルB1に基づいて生産性指標P1を算出する。ここで生産性指標算出部5は、予測モデルB1を記憶部8から読み出す。
また、生産性指標算出部5は、算出した因子得点P4に基づいて寄与度P3を算出してもよい。寄与度P3とは、各因子が生産性指標P1に寄与(影響)する程度を示す指標である。寄与度P3は、一例として、因子得点P4に、予測モデルB1における当該因子得点P4の係数aiを乗じた量である。
図9に、各因子についての寄与度P3を示すグラフを示す。図9に示す例では、「モチベーション」の因子が生産性リスクを下げることに最も寄与する。一方、「精神健康」の因子が生産性リスクを上げることに最も寄与する。
ステップS150:生産性指標算出部5は、従業員毎に生産性指標P1を算出する処理を終了する。
ステップS160:生産性指標算出部5は、従業員毎に算出した生産性指標P1に基づいて、組織の生産性である組織生産性P2を算出する。本実施形態では、生産性指標算出部5は、例えば、組織生産性P2として、生産性指標P1の従業員についての平均、偏差値のうち1以上を算出する。また、生産性指標算出部5は、組織生産性P2として、生産性指標P1の分布を算出する。
なお、生産性指標算出部5は、寄与度P3、因子得点P4それぞれの従業員についての統計量を算出してもよい。
なお、生産性指標算出部5は、寄与度P3、因子得点P4それぞれの従業員についての統計量を算出してもよい。
ステップS170:生産性指標提示部6は、生産性予測結果P0を提示する。生産性指標提示部6は、例えば、生産性予測結果P0を、生産性予測システム1のユーザの端末装置に出力することによって、生産性予測結果P0提示する。なお、生産性指標提示部6は、当該ユーザの端末装置から要求を受け付けた場合に、当該端末装置に生産性予測結果P0を出力してもよい。
生産性指標提示部6は、生産性予測結果P0を、数値、統計量、各種のグラフ、表形式のデータなどのうちいずれか1以上の態様において提示する。
生産性指標提示部6は、生産性予測結果P0を、数値、統計量、各種のグラフ、表形式のデータなどのうちいずれか1以上の態様において提示する。
図10に、生産性予測結果P0に組織生産性P2が含まれる場合の生産性予測結果P0の一例を示す。図10に示す例では、組織生産性P2は、生産性指標P1の従業員が所属する従業員組織(チーム)についての平均値、及び偏差値が表形式のデータとして提示されている。
なお、生産性指標提示部6は、生産性予測結果P0として、少なくとも1以上の従業員についての生産性指標P1を提示してもよい。また、生産性指標提示部6は、生産性予測結果P0として、因子毎の生産性指標P1への寄与度とともに生産性指標P1を提示してもよい。
ステップS170において、生産性に関するアドバイスが組織生産性P2とともに提示してもよい。その場合、アドバイス提示部7は、予め設定された所望の提示内容に基づいて、生産性に関するアドバイスを提示する。
アドバイスを提示する一態様は、生産性予測に用いる項目(本実施形態において、12個の因子)毎に、良い場合のコメントと、悪い場合のコメントとを紐づけたテーブルが、記憶部8に予め記憶される。アドバイス提示部7は、生産性指標算出部5が算出した因子得点に基づいて、因子得点が最も高い項目について、当該テーブルから良い場合のコメントを読み出す。アドバイス提示部7は、生産性指標算出部5が算出した因子得点に基づいて、因子得点が最も低い項目について、当該テーブルから悪い場合のコメントを読み出す。アドバイス提示部7は、読み出した各コメントをアドバイスとして提示する。
なお、アドバイス提示部7は、生産性指標P1、組織生産性P2、寄与度P3のうち1以上と、コメントとを紐づけたテーブルに基づいてコメントを提示してもよい。また、生産性予測に用いる項目毎にコメントを紐づけたテーブルは、生産性指標算出部5が算出した因子得点夫々にコメントが紐づけされていてもよい。
なお、アドバイス提示部7は、生産性指標P1、組織生産性P2、寄与度P3のうち1以上と、コメントとを紐づけたテーブルに基づいてコメントを提示してもよい。また、生産性予測に用いる項目毎にコメントを紐づけたテーブルは、生産性指標算出部5が算出した因子得点夫々にコメントが紐づけされていてもよい。
なお、アドバイス提示部7は、提案内容希望条件データを取得して、提示するコメントをカスタマイズしてもよい。提案内容希望条件データとは、アドバイスとして提示される所望の内容を示すデータである。提案内容希望条件データは、例えば、組織の生産性を評価する担当者(つまり、生産性予測システム1のユーザ)によって入力される。
提案内容希望条件データは、例えば、同業界や同職種で結果を比較したい等の希望(要望)を示す。提案内容希望条件データは、部署毎の特色抽出と部署毎へのアドバイスを希望することを示すものであってもよい。提案内容希望条件データは、シフトワークや在宅勤務など勤務体系毎へのアドバイスを希望するものであってもよい。
提案内容希望条件データは、例えば、同業界や同職種で結果を比較したい等の希望(要望)を示す。提案内容希望条件データは、部署毎の特色抽出と部署毎へのアドバイスを希望することを示すものであってもよい。提案内容希望条件データは、シフトワークや在宅勤務など勤務体系毎へのアドバイスを希望するものであってもよい。
コメントをカスタマイズするとは、複数のコメントのなかからコメントを選択することである。複数のコメントは、リストとして記憶部8に記憶される。アドバイス提示部7は、提案内容希望条件データが示す希望に応じて、当該リストに含まれる複数のコメントのなかから提示するコメントを選択する。
ここで図11及び図12を参照し、生産性指標提示部6が提示する生産性予測結果P0、及びアドバイス提示部7が提示するコメントの例について説明する。
図11では、生産性予測結果P0として提示内容E1及び提示内容E2が提示されている。提示内容E1は、生産性予測結果P0に組織生産性P2が含まれる場合の提示内容である。提示内容E1では、生産性指標P1の従業員についての偏差値、従業員のうち上位50パーセント、下位50パーセントそれぞれの偏差値がそれぞれ棒グラフによって提示されている。また、図11では、提示内容E1についてのコメントが提示されている。
図11では、生産性予測結果P0として提示内容E1及び提示内容E2が提示されている。提示内容E1は、生産性予測結果P0に組織生産性P2が含まれる場合の提示内容である。提示内容E1では、生産性指標P1の従業員についての偏差値、従業員のうち上位50パーセント、下位50パーセントそれぞれの偏差値がそれぞれ棒グラフによって提示されている。また、図11では、提示内容E1についてのコメントが提示されている。
提示内容E2は、生産性予測結果P0に組織生産性P2が含まれる場合の提示内容である。提示内容E2では、組織生産性P2として、生産性指標P1の分布が提示されている。なお、提示内容E2が示す分布には、当該組織に属する従業員についての生産性指標P1の平均値(「貴社平均」)と、全国の生産性指標P1の平均値とが示されている。全国の生産性指標P1の平均値とは、全国の複数の組織それぞれに属する従業員についての平均値である。また、図11では、提示内容E1についてのコメントが提示されている。
図12では、生産性予測結果P0として提示内容E3、提示内容E4、提示内容E5、及びアドバイスE6が示されている。
提示内容E3及び提示内容E4はそれぞれ、生産性予測結果P0に因子得点P4が含まれる場合の提示内容である。提示内容E3では、組織力と関係する因子として、「モチベーション」、「エンゲージメント」、「チームワーク」、「心理安全」、「組織安全」の5つの項目について因子得点P4が提示されている。提示内容E4では、従業員健康度と関係する因子として、「睡眠の質・量」、「睡眠満足度」、「運動習慣」、「食習慣」、「活力」、「精神健康」、「幸福度」の7つの項目について因子得点P4が提示されている。
提示内容E3及び提示内容E4はそれぞれ、生産性予測結果P0に因子得点P4が含まれる場合の提示内容である。提示内容E3では、組織力と関係する因子として、「モチベーション」、「エンゲージメント」、「チームワーク」、「心理安全」、「組織安全」の5つの項目について因子得点P4が提示されている。提示内容E4では、従業員健康度と関係する因子として、「睡眠の質・量」、「睡眠満足度」、「運動習慣」、「食習慣」、「活力」、「精神健康」、「幸福度」の7つの項目について因子得点P4が提示されている。
提示内容E5は、生産性予測結果P0に寄与度P3が含まれる場合の提示内容である。提示内容E5は、生産性指標P1の平均値が、各因子の寄与度P3の平均値とともに示されている。提示内容E5では、ウォーターフォール図が用いられて、寄与度P3が示されている。つまり、この場合、生産性指標提示部6は、生産性予測結果P0として、ウォーターフォール図を用いて寄与度P3を提示する。
アドバイスE6では、「モチベーション」、「活力」の項目の寄与度が高い場合のコメントと、「心理安全」、「組織安全」の項目の寄与度が低い場合のコメントとが提示されている。
なお、本実施形態では、客観睡眠データA2と、主観データA3とに基づいて、生産性指標P1が算出(予測)される場合の一例について説明したが、これに限られない。本発明において生産性指標P1の算出(予測)は、少なくとも主観データA3があればよく、客観睡眠データA2、自律神経データなどを組合わせてもよい。例えば、自律神経データと、客観睡眠データA2と、主観データA3とに基づいて、生産性指標P1が算出されてもよい。また、自律神経データと、主観データA3とに基づいて、生産性指標P1が算出されてもよい。
ここで自律神経データとは、例えば、従業員の脈拍のデータであり、客観睡眠データA2を生成するのに用いられる生体データA1が睡眠時に取得されるのに対して、日中の覚醒時に取得される。自律神経データから、周波数解析に基づいて、自律神経活動度が生成される。自律神経データは、自律神経活動度に変換されて、生産性指標P1の算出に用いられる。
なお、生産性予測システム1は、上述した構成にさらに、損失金額算出部を備えてもよい。損失金額算出部は、生産性指標算出部5によって算出された生産性指標P1と、基準となる生産性指標とに基づいて生産性に関する損失額を算出する。例えば、損失金額算出部は、生産性指標P1に基づく組織生産性P2と、組織生産性の全国平均との差に、年収を乗じることによって損失額を算出する。
損失金額算出部は、因子分析に基づく因子が生産性へ与える寄与度から、当該因子それぞれの損失額を算出してもよい。
損失金額算出部は、因子分析に基づく因子が生産性へ与える寄与度から、当該因子それぞれの損失額を算出してもよい。
なお、本実施形態では、図2に示した生産性予測システム1の構成から予測モデル生成部2、客観睡眠データ生成部3、生産性指標提示部6、アドバイス提示部7のうちいずれか1以上が省略されてよい。
予測モデルB1は、生産性予測システム1の外部のサーバによって生成されてもよい。その場合、生産性予測システム1の構成から予測モデル生成部2は省略されてよい。生産性予測システム1は、当該外部のサーバによって生成された予測モデルを取得する。
また、上述したように、生産性指標P1は、主観データA3のみに基づいて算出されてもよい。その場合、生産性予測システム1の構成から客観睡眠データ生成部3は省略されてよい。
また、生産性指標算出部5は、算出した生産性指標P1を生産性予測システム1の外部のサーバに出力してもよい。その場合、当該外部のサーバによって、生産性指標P1に基づいて、組織生産性が算出されてよい。
予測モデルB1は、生産性予測システム1の外部のサーバによって生成されてもよい。その場合、生産性予測システム1の構成から予測モデル生成部2は省略されてよい。生産性予測システム1は、当該外部のサーバによって生成された予測モデルを取得する。
また、上述したように、生産性指標P1は、主観データA3のみに基づいて算出されてもよい。その場合、生産性予測システム1の構成から客観睡眠データ生成部3は省略されてよい。
また、生産性指標算出部5は、算出した生産性指標P1を生産性予測システム1の外部のサーバに出力してもよい。その場合、当該外部のサーバによって、生産性指標P1に基づいて、組織生産性が算出されてよい。
(まとめ)
以上に説明したように、本実施形態に係る生産性予測システム1は、回答取得部4と、生産性指標算出部5とを備える。
回答取得部4は、少なくとも睡眠に関する質問を含む所定の質問(本実施形態において、アンケートC1に含まれる質問)に対する第1の回答(本実施形態において、生産性指標P1の予測対象の従業員の回答)を示す回答データ(本実施形態において、主観データA3)を取得する。
生産性指標算出部5は、質問(本実施形態において、アンケートC1に含まれる質問)に対する第2の回答(本実施形態において、サンプル従業員の回答)から生産性を示す生産性指標P1を予測する予測モデルB1に基づいて、回答取得部4によって取得された第1の回答(本実施形態において、生産性指標P1の予測対象の従業員の回答)から生産性指標P1を算出する。
以上に説明したように、本実施形態に係る生産性予測システム1は、回答取得部4と、生産性指標算出部5とを備える。
回答取得部4は、少なくとも睡眠に関する質問を含む所定の質問(本実施形態において、アンケートC1に含まれる質問)に対する第1の回答(本実施形態において、生産性指標P1の予測対象の従業員の回答)を示す回答データ(本実施形態において、主観データA3)を取得する。
生産性指標算出部5は、質問(本実施形態において、アンケートC1に含まれる質問)に対する第2の回答(本実施形態において、サンプル従業員の回答)から生産性を示す生産性指標P1を予測する予測モデルB1に基づいて、回答取得部4によって取得された第1の回答(本実施形態において、生産性指標P1の予測対象の従業員の回答)から生産性指標P1を算出する。
この構成により、本実施形態に係る生産性予測システム1では、少なくとも睡眠に関する質問を含む所定の質問に対する回答から生産性指標P1を算出できるため、人事・労務情報を用いることなく、睡眠の質に基づいて組織の生産性を予測できる。
ここで人事・労務情報とは、例えば、人事考課に係る評価情報や、欠勤・遅刻・早退などの勤怠についての情報である。人事・労務情報は、組織の生産性と深く関係しているが、本実施形態に係る生産性予測システム1では、そのような人事・労務情報を用いることなく組織の生産性を予測できる。本実施形態に係る生産性予測システム1は、人事・労務情報を用いることなく組織の生産性を予測できるが、必要最小限の範囲で、人事・労務情報を用いてもよい。必要最小限の範囲で用いてもよい人事・労務情報としては、残業時間や欠勤日数などが挙げられる。
ここで人事・労務情報とは、例えば、人事考課に係る評価情報や、欠勤・遅刻・早退などの勤怠についての情報である。人事・労務情報は、組織の生産性と深く関係しているが、本実施形態に係る生産性予測システム1では、そのような人事・労務情報を用いることなく組織の生産性を予測できる。本実施形態に係る生産性予測システム1は、人事・労務情報を用いることなく組織の生産性を予測できるが、必要最小限の範囲で、人事・労務情報を用いてもよい。必要最小限の範囲で用いてもよい人事・労務情報としては、残業時間や欠勤日数などが挙げられる。
また、本実施形態に係る生産性予測システム1では、予測モデルB1は、質問(本実施形態において、アンケートC1に含まれる質問)に対応する因子の因子得点P4に基づいて生産性指標P1を予測するモデルである。
生産性指標算出部5は、回答取得部4が取得した第1の回答(本実施形態において、生産性指標P1の予測対象の従業員の回答)を因子得点P4に変換し、変換した因子の因子得点P4から予測モデルB1に基づいて生産性指標P1を算出する。
生産性指標算出部5は、回答取得部4が取得した第1の回答(本実施形態において、生産性指標P1の予測対象の従業員の回答)を因子得点P4に変換し、変換した因子の因子得点P4から予測モデルB1に基づいて生産性指標P1を算出する。
この構成により、本実施形態に係る生産性予測システム1では、質問の数が圧縮された質問(因子)に基づいて生産性を予測できるため、因子を用いない場合に比べて効率よく生産性を予測できる。
また、本実施形態に係る生産性予測システム1では、因子は、第2の回答(本実施形態において、サンプル従業員の回答)から因子分析によって予め求められた因子である。
この構成により、本実施形態に係る生産性予測システム1では、質問の数を圧縮するために因子分析によって求められた因子(項目)を用いることができるため、因子分析を用いない場合に比べて予測精度を劣化させることなく質問の数を圧縮できる。
また、本実施形態に係る生産性予測システム1では、予測モデルB1は、因子得点P4に重みづけをした値に基づいて生産性指標P1を予測するモデルである。
この構成により、本実施形態に係る生産性予測システム1では、因子が生産性指標P1に与える影響を調整できるため、生産性の予測精度を向上させることができる。
また、本実施形態に係る生産性予測システム1では、生産性指標提示部6をさらに備える。生産性指標提示部6は、因子毎の生産性指標P1への寄与度P3とともに生産性指標P1を提示する。
この構成により、本実施形態に係る生産性予測システム1では、寄与度P3が提示できるため、因子に対応する項目に細分化して生産性を評価できる。
また、本実施形態に係る生産性予測システム1では、予測モデルB1は、第2の回答(本実施形態において、サンプル従業員の回答)をした被験者(本実施形態において、サンプル従業員)の生体データ(本実施形態において、客観睡眠データA2に変換された生体データA1)と、第2の回答(本実施形態において、サンプル従業員の回答)とから生産性指標P1を予測するモデルである。
この構成により、本実施形態に係る生産性予測システム1では、生体データに基づいて生産性指標P1を予測できるため、生体データに基づかない場合に比べて予測の精度を向上させることができる。
また、本実施形態に係る生産性予測システム1では、アドバイス提示部7をさらに備える。アドバイス提示部7は、予め設定された所望の提示内容に基づいて、生産性に関するアドバイスP5を提示する。
この構成により、本実施形態に係る生産性予測システム1では、生産性に関するアドバイスP5を提示できるため、生産性指標P1しか提示しない場合に比べて生産性の予測結果を有効に活用できる。特に本実施形態に係る生産性予測システム1では、生産性の予測を因子分析に基づいて行う場合、因子分析に基づく所定の項目に細分化して、個人や組織に対するアドバイスを具体的かつ的確にすることができる。
なお、上述した実施形態における生産性予測システム1の一部、例えば、予測モデル生成部2、客観睡眠データ生成部3、回答取得部4、生産性指標算出部5、生産性指標提示部6、及びアドバイス提示部をコンピュータで実現するようにしてもよい。その場合、この制御機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、生産性予測システム1に備えらえるサーバに内蔵されたコンピュータシステムであって、OSや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD-ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
また、上述した実施形態における生産性予測システム1の一部、または全部を、LSI(Large Scale Integration)等の集積回路として実現してもよい。生産性予測システム1の各機能ブロックは個別にプロセッサ化してもよいし、一部、または全部を集積してプロセッサ化してもよい。また、集積回路化の手法はLSIに限らず専用回路、または汎用プロセッサで実現してもよい。また、半導体技術の進歩によりLSIに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いてもよい。
また、上述した実施形態における生産性予測システム1の一部、または全部を、LSI(Large Scale Integration)等の集積回路として実現してもよい。生産性予測システム1の各機能ブロックは個別にプロセッサ化してもよいし、一部、または全部を集積してプロセッサ化してもよい。また、集積回路化の手法はLSIに限らず専用回路、または汎用プロセッサで実現してもよい。また、半導体技術の進歩によりLSIに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いてもよい。
以上、図面を参照してこの発明の一実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。
1…生産性予測システム、4…回答取得部、5…生産性指標算出部、P1…生産性指標、C1…アンケート、A3…主観データ、B1…予測モデル
Claims (10)
- 少なくとも睡眠に関する質問を含む所定の質問に対する第1の回答を示す回答データを取得する回答取得部と、
前記質問に対する第2の回答から生産性を示す生産性指標を予測する予測モデルに基づいて、前記回答取得部によって取得された前記第1の回答から前記生産性指標を算出する生産性指標算出部と
を備える生産性予測システム。 - 前記予測モデルは、前記質問に対応する因子の因子得点に基づいて前記生産性指標を予測するモデルであり、
前記生産性指標算出部は、前記回答取得部が取得した前記第1の回答を前記因子得点に変換し、変換した前記因子の因子得点から前記予測モデルに基づいて前記生産性指標を算出する
請求項1に記載の生産性予測システム。 - 前記因子は、前記第2の回答から因子分析によって予め求められた因子である
請求項2に記載の生産性予測システム。 - 前記予測モデルは、前記因子得点に重みづけをした値に基づいて前記生産性指標を予測するモデルである
請求項2または請求項3に記載の生産性予測システム。 - 前記因子毎の前記生産性指標への寄与度とともに前記生産性指標を提示する生産性指標提示部をさらに備える
請求項2から請求項4のいずれか一項に記載の生産性予測システム。 - 前記予測モデルは、前記第2の回答をした被験者の生体データと、前記第2の回答とから前記生産性指標を予測するモデルである
請求項1から請求項5のいずれか一項に記載の生産性予測システム。 - 予め設定された所望の提示内容に基づいて、前記生産性に関するアドバイスを提示するアドバイス提示部をさらに備える
請求項1から請求項6のいずれか一項に記載の生産性予測システム。 - 前記生産性指標算出部によって算出された前記生産性指標と、基準となる生産性指標とに基づいて前記生産性に関する損失額を算出する損失金額算出部をさらに備える
請求項1から請求項7のいずれか一項に記載の生産性予測システム。 - 少なくとも睡眠に関する質問を含む所定の質問に対する第1の被験者の回答を示す回答データを取得する回答取得ステップと、
前記質問に対する第2の被験者の回答から生産性を示す生産性指標を予測する予測モデルに基づいて、前記回答取得ステップによって取得された前記第1の被験者の前記回答から前記第1の被験者について前記生産性指標を算出する生産性指標算出ステップと
を有する生産性予測方法。 - コンピュータに、
少なくとも睡眠に関する質問を含む所定の質問に対する第1の被験者の回答を示す回答データを取得する回答取得ステップと、
前記質問に対する第2の被験者の回答から生産性を示す生産性指標を予測する予測モデルに基づいて、前記回答取得ステップによって取得された前記第1の被験者の前記回答から前記第1の被験者について前記生産性指標を算出する生産性指標算出ステップと
を実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021124254A JP2023019492A (ja) | 2021-07-29 | 2021-07-29 | 生産性予測システム、生産性予測方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021124254A JP2023019492A (ja) | 2021-07-29 | 2021-07-29 | 生産性予測システム、生産性予測方法、及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023019492A true JP2023019492A (ja) | 2023-02-09 |
Family
ID=85160567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021124254A Pending JP2023019492A (ja) | 2021-07-29 | 2021-07-29 | 生産性予測システム、生産性予測方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2023019492A (ja) |
-
2021
- 2021-07-29 JP JP2021124254A patent/JP2023019492A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210090709A1 (en) | Automated health data acquisition, processing and communication system | |
US20170300655A1 (en) | Apparatus and methodologies for personal health analysis | |
JP4636206B2 (ja) | 活動量計測システム | |
US10638965B2 (en) | Method and system for monitoring stress conditions | |
Galama et al. | A health production model with endogenous retirement | |
JP5588563B2 (ja) | 情報処理システム及び情報処理方法 | |
JP2014512624A (ja) | 予測モデリング | |
Sutton et al. | Do measures of self-reported morbidity bias the estimation of the determinants of health care utilisation? | |
JP5171239B2 (ja) | 保健指導対象者選定支援システム | |
EP3879539A1 (en) | System and method of determining personalized wellness measures associated with plurality of dimensions | |
JP6918353B2 (ja) | 死亡予測装置及び死亡予測プログラム | |
Willson et al. | A longitudinal analysis of the intergenerational transmission of health inequality | |
JP7452898B2 (ja) | 情報処理装置及びプログラム | |
JP2023019492A (ja) | 生産性予測システム、生産性予測方法、及びプログラム | |
Bryce et al. | Psychological Well‐Being in a Sample of Male and Female Office Workers | |
JP6920714B2 (ja) | 健康管理装置 | |
KR20130026845A (ko) | 설문 정보를 이용한 건강 상태 판단 장치 및 방법, 건강 분류 함수 생성 장치 및 그 방법 | |
Pacewicz et al. | Physical Activity and the Link Among Stress, Burnout, and Well-Being in Athletic Trainers | |
US11633160B2 (en) | Weight management system | |
JP7407146B2 (ja) | 介入システム、介入方法、および、介入プログラム | |
JP2016218966A (ja) | 分析システム、及び、分析方法 | |
JP7047178B1 (ja) | 情報処理システム、コンピュータプログラム、及び情報処理方法 | |
JP7422180B2 (ja) | 健康状態評価システム、健康状態評価方法、およびプログラム | |
WO2023145733A1 (ja) | 健康管理装置、健康管理システム、及び健康管理方法 | |
KR20040085387A (ko) | 체중기반 건강관리방법 및 그 기록매체 |