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

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。

特開２０２０－１９７８５５号公報

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。

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。

本発明の実施形態に係る生産性予測システムの構成の一例を示す図である。 本発明の実施形態に係る生産性予測システムの機能構成の一例を示す図である。 本発明の実施形態に係る予測モデルの生成方法の一例を示す図である。 本発明の実施形態に係る因子分析に基づいて選択された項目の質問の一例を示す図である。 本発明の実施形態に係る因子分析の結果の一例を示す図である。 本発明の実施形態に係る生産性の合成指標の分布の一例を示す図である。 本発明の実施形態に係る重回帰モデルによって予測される予測値と実測値との関係の一例を示す図である。 本発明の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。 本発明の実施形態に係る寄与度を示すグラフの一例を示す図である。 本発明の実施形態に係る生産性予測結果の一例を示す図である。 本発明の実施形態に係る生産性予測結果及びコメントの一例を示す図である。 本発明の実施形態に係る生産性予測結果及びコメントの一例を示す図である。

（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。

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。

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。

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。

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。

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。

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。

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。

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、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。

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。

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。

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。

（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。

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。

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。

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。

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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。

Images