JP2023026060A - 情報処理方法、コンピュータプログラム及び情報処理装置 - Google Patents

Abstract

【課題】社員の休職又は退職を予測することが期待できる情報処理方法、学習モデルの生成方法、コンピュータプログラム及び情報処理装置を提供する。【解決手段】情報処理方法は、社員に関する複数の情報を取得し、社員に関する複数の情報の入力に対して当該社員の休職又は退職に関する情報を出力するよう機械学習がなされた学習モデルへ、取得した前記社員に関する複数の情報を入力して、前記学習モデルが出力する休職又は退職に関する情報を取得し、取得した休職又は退職に関する情報を出力する。学習モデルの生成方法は、複数の社員に関する複数の情報と、社員の休職又は退職に関する情報とを対応付けた学習用データを取得し、取得した学習用データを用いて、社員に関する複数の情報の入力に対して当該社員の休職又は退職に関する情報を出力する学習モデルを機械学習により生成する。【選択図】図６

Description

本発明は、社員に関する情報を扱う情報処理方法、学習モデルの生成方法、コンピュータプログラム及び情報処理装置に関する。

企業にとって社員の休職又は退職は大きなリスクの１つである。休職又は退職する可能性がある社員に対しては、例えば部署の異動などを適切なタイミングで行って人材保持（リテンション）に務めることが望ましい。

特許文献１においては、採用を予定している企業の現在又は過去の社員夫々が職務適正試験を受験した結果を試験データとして取得し、既存社員それぞれの社内評価の結果を示す評価データを取得し、評価データそれぞれを複数の水準に分けたものをそれぞれの評価ラベルとして取得し、試験データそれぞれとこれらに対応するラベルそれぞれの組みを教師データとして教師あり学習を行うことにより、入社希望者の入社後評価を予測する学習モデルを構築する学習モデル構築装置が提案されている。

特開２０２０－１９１１３１号公報

休職又は退職する可能性がある社員に対して人材保持のための様々な対応をできるだけ早期に行うことが望ましいが、休職又は退職する社員を早期に検知することは難しい。特許文献１に記載の技術では、入社希望者の入社後の評価を予測することはできるが、休職又は退職を予測することはできない。

本発明は、斯かる事情に鑑みてなされたものであって、その目的とするところは、社員の休職又は退職を予測することが期待できる情報処理方法、学習モデルの生成方法、コンピュータプログラム及び情報処理装置を提供することにある。

一実施形態に係る情報処理方法は、社員に関する複数の情報を取得し、社員に関する複数の情報の入力に対して当該社員の休職又は退職に関する情報を出力するよう機械学習がなされた学習モデルへ、取得した前記社員に関する複数の情報を入力して、前記学習モデルが出力する休職又は退職に関する情報を取得し、取得した休職又は退職に関する情報を出力する。

一実施形態による場合は、社員の休職又は退職を予測することが期待できる。

本実施の形態に係る情報処理システムの構成を説明するための模式図である。 本実施の形態に係るサーバ装置の構成を示すブロック図である。 本実施の形態に係る端末装置の構成を示すブロック図である。 学習用データの一例を説明するための模式図である。 学習用データに含まれ得る種々の情報の一例を示す模式図である。 本実施の形態に係る学習モデルの構成を説明するための模式図である。 学習モデルの生成結果に関する情報の表示例を示す模式図である。 学習モデルの生成結果に関する情報の表示例を示す模式図である。 本実施の形態に係るサーバ装置が行う学習モデル生成処理の手順を示すフローチャートである。 端末装置が表示する予測結果の一例を示す模式図である。 人材保持施策ＤＢの一構成例を示す模式図である。 端末装置が表示する人物像情報の一例を示す模式図である。 本実施の形態に係るサーバ装置１が行う予測処理の手順を示すフローチャートである。

本発明の実施形態に係る情報処理システムの具体例を、以下に図面を参照しつつ説明する。なお、本発明はこれらの例示に限定されるものではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

＜システム構成＞
図１は、本実施の形態に係る情報処理システムの構成を説明するための模式図である。本実施の形態に係る情報処理システムは、例えば企業の人事担当者等のユーザに対して、この企業の社員に関する情報に基づいて社員の休職又は退職を予測する学習モデル５を生成すると共に、生成した学習モデル５を用いて社員を評価（休職又は退職を予測）するサービスを提供する。本実施の形態に係る情報処理システムは、学習モデル５の生成及び学習モデル５を用いた評価等のサービスを提供するサーバ装置１と、このサービスを利用するユーザが使用する一又は複数の端末装置３とを備えて構成されている。

サーバ装置１は、本サービスの提供会社等が管理運営する装置であり、インターネット等のネットワークを介して一又は複数の端末装置３との通信を行い、端末装置３に対して上記のサービスを提供するための種々の情報処理を行う。端末装置３は、例えば企業の人事担当者等が使用するパーソナルコンピュータ等の情報処理装置であり、スマートフォン又はタブレット型端末装置等の可搬型の情報処理装置であってよい。

ユーザは、例えば企業に所属する社員に関する情報、及び、過去に企業に所属した社員に関する情報を収集し、収集したこれらの社員の情報に基づいて学習用データを端末装置３にて作成する。学習用データには、社員の属性情報、人事情報、評価情報又は給与情報等の様々な情報が含まれ得る。本実施の形態に係る情報処理システムにおいては、学習用データには、社員が休職したか否か、休職した場合には休職した期間、又は、退職したか否か等の情報が含まれる。ユーザは、端末装置３にて作成した学習用データをサーバ装置１へ送信し、サーバ装置１に学習モデル５の生成を依頼することができる。

端末装置３から学習モデル生成依頼を受けたサーバ装置１は、端末装置３から送信される学習用データを取得し、取得した学習用データから学習モデル５を生成する機械学習の処理を行うための教師データを生成する。例えばサーバ装置１は、社員に関する属性情報及び人事情報等を適宜に数値化し、数値化したこれらの情報と社員が休職又は退職したか否かを示す正解ラベルとを対応付けた教師データを生成する。なおサーバ装置１は、社員に関する情報を数値に変換するのではなく、例えば文字又は画像等に変換して教師データを生成してもよい。サーバ装置１は、生成した教師データを用いて機械学習の処理を行うことによって、社員に関する情報を入力として受け付けて、この社員が休職又は退職するか否かを予測する学習モデル５を生成する。なお本実施の形態においては、生成した学習モデル５をサーバ装置１が保持するものとするが、これに限るものではなく、生成した学習モデル５をサーバ装置１が端末装置３へ送信してもよい。

サーバ装置１による学習モデル５の生成が完了した後、ユーザは、例えば企業に現在所属している社員について、将来的な休職又は退職を予想したい社員に関する情報を収集し、収集した情報に基づいて評価用データを作成する。評価用データは、学習用データから社員が休職したか否か、休職した場合には休職した期間、又は、退職したか否か等の情報を除いた形式のデータである。ユーザは、端末装置３にて作成した評価用データをサーバ装置１へ送信し、サーバ装置１に学習モデル５を用いた社員の評価を依頼することができる。

端末装置３から社員評価の依頼を受けたサーバ装置１は、端末装置３から送信される評価用データを取得し、取得した評価用データから学習モデル５へ入力するための入力データを生成する。例えばサーバ装置１は、学習用データから教師データを生成する際に行ったものと同様の処理で、評価対象となる社員に関する情報を数値化することで入力データを生成する。なおサーバ装置１は、社員に関する情報を数値に変換するのではなく、例えば文字又は画像等に変換して入力データを生成してもよい。サーバ装置１は、生成した入力データを学習済の学習モデル５に対して入力し、学習モデル５が出力する出力データを取得する。学習モデル５の出力データには、社員が休職又は退職することについての確信度（確率、尤度等）が含まれている。サーバ装置１は、学習モデル５の出力データに基づいて、評価対象の社員が休職又は退職するか否か、休職又は退職する確信度等の予測を評価結果として端末装置３へ送信する。端末装置３は、サーバ装置１から評価結果を受信して、評価結果を表示部に表示してユーザに提示する。

また本実施の形態においてサーバ装置１は、社員が休職又は退職するか否かの予測の他に、この予測結果が得られたことに関する要因を推定する処理を行い、推定した要因に関する情報を評価結果として端末装置３へ送信する。本実施の形態に係るサーバ装置１は、学習モデル５へ入力された社員に関する種々の情報の中で、予測結果により大きな影響を与えた情報がいずれであるかを特定し、特定した一又は複数の情報を予測結果の要因とする。サーバ装置１は、例えば年収、役職及び通勤時間の３つの情報が社員に関する情報として学習モデル５へ入力される場合に、予測結果に対して大きな影響を与えた入力情報が年収、役職又は通勤時間のいずれであるかを特定し、特定した情報を予測結果の要因とする。

また本実施の形態においてサーバ装置１は、推定した休職又は退職の予測結果の要因に基づいて、人材保持のための施策をユーザに提案する。本実施の形態に係る情報処理システムでは、例えば過去に休職又は退職した社員の特徴を予め分類し、休職又は退職に至る社員の特徴を持つ一又は複数の人物像（ペルソナ）が作成される。サーバ装置１は、学習モデル５の予測結果から推定した休職又は退職の要因に基づいて、休職又は退職に至る可能性のある社員がいずれの人物像に合致するかを判定する。サーバ装置１は、人物像に対する人材保持の施策についての情報が記憶されたデータベースを参照し、休職又は退職に至る可能性のある社員の人物像に適した人材保持の施策についての情報を取得し、端末装置３へ送信する。

＜装置構成＞
図２は、本実施の形態に係るサーバ装置１の構成を示すブロック図である。本実施の形態に係るサーバ装置１は、処理部１１、記憶部（ストレージ）１２及び通信部（トランシーバ）１３等を備えて構成されている。なお本実施の形態においては、１つのサーバ装置にて処理が行われるものとして説明を行うが、複数のサーバ装置が分散して処理を行ってもよい。

処理部１１は、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）又は量子プロセッサ等の演算処理装置、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）等を用いて構成されている。処理部１１は、記憶部１２に記憶されたサーバプログラム１２ａを読み出して実行することにより、端末装置３から取得したデータに基づいて学習モデル５を生成する処理、及び、生成した学習モデル５を用いて社員の休職又は退職を予測する処理等の種々の処理を行う。

記憶部１２は、例えばハードディスク等の大容量の記憶装置を用いて構成されている。記憶部１２は、処理部１１が実行する各種のプログラム、及び、処理部１１の処理に必要な各種のデータを記憶する。本実施の形態において記憶部１２は、処理部１１が実行するサーバプログラム１２ａを記憶する。また記憶部１２には、休職又は退職の可能性がある社員に対する人材保持の施策についての情報を蓄積した人材保持施策ＤＢ（データベース）１２ｂが設けられている。また記憶部１２は、機械学習の処理により生成した学習モデル５を記憶する。

本実施の形態においてサーバプログラム１２ａは、メモリカード又は光ディスク等の記録媒体９９に記録された態様で提供され、サーバ装置１は記録媒体９９からサーバプログラム１２ａを読み出して記憶部１２に記憶する。ただし、サーバプログラム１２ａは、例えばサーバ装置１の製造段階において記憶部１２に書き込まれてもよい。また例えばサーバプログラム１２ａは、遠隔の他のサーバ装置等が配信するものをサーバ装置１が通信にて取得してもよい。例えばサーバプログラム１２ａは、記録媒体９９に記録されたものを書込装置が読み出してサーバ装置１の記憶部１２に書き込んでもよい。サーバプログラム１２ａは、ネットワークを介した配信の態様で提供されてもよく、記録媒体９９に記録された態様で提供されてもよい。

人材保持施策ＤＢ１２ｂは、人材保持のために行うべき施策についての種々の情報が記憶されている。サーバ装置１は、休職又は退職する可能性がある社員について推定した要因に基づいて、人材保持施策ＤＢ１２ｂから人材保持のために行うべき施策についての情報を取得することができる。人材保持施策ＤＢ１２ｂには、例えば休職又は退職の要因と、休職又は退職する社員の人物像とを対応付けた情報が含まれ得る。人材保持施策ＤＢ１２ｂには、休職又は退職する社員の人物像と、人材保持のために行うべき施策とを対応付けた情報が含まれ得る。

記憶部１２に記憶される学習モデル５には、学習モデル５がどのような構成であるかを示す構成情報、及び、機械学習の処理により決定された学習モデル５の内部パラメータの値が含まれ得る。

通信部１３は、携帯電話通信網、無線ＬＡＮ（Local Area Network）及びインターネット等を含むネットワークＮを介して、種々の装置との間で通信を行う。本実施の形態において通信部１３は、ネットワークＮを介して、一又は複数の端末装置３との間で通信を行う。通信部１３は、処理部１１から与えられたデータを他の装置へ送信すると共に、他の装置から受信したデータを処理部１１へ与える。

なお記憶部１２は、サーバ装置１に接続された外部記憶装置であってよい。またサーバ装置１は、複数のコンピュータを含んで構成されるマルチコンピュータであってよく、ソフトウェアによって仮想的に構築された仮想マシンであってもよい。またサーバ装置１は、上記の構成に限定されず、例えば可搬型の記憶媒体に記憶された情報を読み取る読取部、操作入力を受け付ける入力部、又は、画像を表示する表示部等を含んでもよい。

また本実施の形態に係るサーバ装置１には、記憶部１２に記憶されたサーバプログラム１２ａを処理部１１が読み出して実行することにより、学習用データ取得部１１ａ、教師データ生成部１１ｂ、学習モデル生成部１１ｃ、評価用データ取得部１１ｄ及び評価処理部１１ｅ等が、ソフトウェア的な機能部として処理部１１に実現される。なお本図においては、処理部１１の機能部として、社員の休職又は退職を予測する処理に関連する機能部を図示し、これ以外の処理に関する機能部は図示を省略している。

学習用データ取得部１１ａは、ユーザが使用する端末装置３から、ユーザが作成した学習用データを取得する処理を行う。学習用データ取得部１１ａは、通信部１３にて端末装置３との通信を行い、学習モデル５の生成依頼と共に端末装置３から送信される学習用データを受信して、記憶部１２に一時的に記憶する。

教師データ生成部１１ｂは、端末装置３から取得した学習用データに対して、例えば学習用データに含まれる数値情報の正規化、文字情報の数値化、画像情報の数値化、文章情報のベクトル化、欠損情報の補完等の種々の前処理を施すことによって、機械学習に用いる教師データを生成する。なお教師データ生成部１１ｂは、上記の複数の前処理を全て行う必要はなく、上記の複数の前処理のうちの１つ又はいくつかを適宜に行ってよい。また端末装置３から取得した学習用データが前処理の必要がないデータであれば、前処理を行わずに学習用データを教師データとしてもよい。本実施の形態において学習用データには、社員の属性情報、人事情報、評価情報又は給与情報等の様々な情報が含まれ、社員が休職又は退職したか否かを示す情報が含まれる。教師データ生成部１１ｂは、学習用データに含まれる社員の属性情報、人事情報、評価情報又は給与情報等の情報を入力とし、社員が休職又は退職したか否かを示す情報をラベル（出力）として対応付けたものを教師データとして生成する。教師データ生成部１１ｂは、生成した教師データを記憶部１２に記憶する。

学習モデル生成部１１ｃは、教師データ生成部１１ｂが生成した教師データを用いた機械学習の処理を行うことにより、学習モデル５を生成する処理を行う。学習モデル生成部１１ｃは、いわゆる教師あり学習の機械学習を行う。本実施の形態に係る学習モデル５は、社員に関する情報を入力として受け付けて、この社員が休職又は退職するか否かを示す情報（例えば休職又は退職することの確信度）を出力する学習モデルである。まず学習モデル生成部１１ｃは、端末装置３から取得した学習用データに含まれる情報の数及び種類等に応じて学習モデル５の入出力情報数を決定し、決定した入出力情報数に応じた構成の未学習の学習モデルを生成する。次いで学習モデル生成部１１ｃは、教師データ生成部１１ｂが生成した教師データを記憶部１２から読み出して機械学習の処理を行うことにより、未学習の学習モデルの内部のパラメータを決定し、決定したパラメータを記憶部１２に学習モデル５として記憶する。学習モデルの教師あり学習の処理は、既存の技術であるため詳細な説明は省略するが、学習モデル生成部１１ｃは、例えば勾配降下法、確率的勾配降下法又は誤差逆伝播法等の手法により学習モデルの学習を行うことができる。

本実施の形態においてサーバ装置１が生成する学習モデル５は、決定木の構成が採用される。決定木の構成の学習モデルには、例えばXGBoost（eXtreme Gradient Boosting）、LightGBM（Light Gradient Boosting Machine）又はランダムフォレスト等を含み得る。決定木の構成の学習モデル５は、学習モデル５の出力に対する入力情報の重要度（寄与度、影響度）を算出することが可能であり、重要度が高い情報が休職又は退職の予測結果に対する要因と推定することが可能である。ただし、学習モデル５の構成は決定木に限るものではなく、例えばＳＶＭ（Support Vector Machine）、ニューラルネットワーク、ＲＮＮ（Recurrent Neural Network）又はＬＳＴＭ（Long Short Term Memory）等の構成であってもよく、この場合には例えばＳＨＡＰ（SHapley Additive exPlanations）又はAttention等の技術を用いて要因の推定を行うことができる。

評価用データ取得部１１ｄは、ユーザが使用する端末装置３から、ユーザが作成した評価用データを取得する処理を行う。評価用データ取得部１１ｄは、通信部１３にて端末装置３との通信を行い、社員の評価以来と共に端末装置３から送信される評価用データを受信して、記憶部１２に一時的に記憶する。評価用データ取得部１１ｄが端末装置３から取得する評価用データは、端末装置３から取得した学習用データとほぼ同じ構成のデータであるが、社員が休職又は退職したか否かを示す情報が含まれていない。評価用データに含まれる情報は、企業に現在所属している社員についての情報であり、将来的に休職又は退職するか否かを予測したいとユーザが判断した社員についての情報である。

評価処理部１１ｅは、評価用データ取得部１１ｄが取得した評価用データと、学習モデル生成部１１ｃが生成した学習済の学習モデル５とを用いて、評価用データに含まれる社員が休職又は退職するか否かを予測（評価）する処理を行う。評価処理部１１ｅは、評価用データ取得部１１ｄが取得したデータに対して、教師データ生成部１１ｂが学習用データに対して行った前処理と同じ処理を行って、学習モデル５への入力データを生成する。評価処理部１１ｅは、生成した入力データを学習済の学習モデル５へ入力し、学習モデル５が出力する出力データを取得する。出力データは、入力データに係る対象の社員が休職又は退職するか否かの予測結果であり、例えば休職又は退職する確信度を示す０～１の範囲の数値である。学習モデル５が出力する確信度が所定基準（例えば０．５）より高い場合に社員が休職又は退職し、所定基準より低い場合に社員が休職又は退職しないと見なすことができる。

また評価処理部１１ｅは、休職又は退職する可能性が高い社員（例えば確信度が閾値を超えた社員）について、その予測結果についての要因を推定する処理を行う。本実施の形態に係る情報処理システムでは、上述のように学習モデル５として決定木の構成が採用されている。決定木の学習モデル５は、複数の条件判定を木構造で連ねたものであり、入力データに対して条件判定を順に行って木構造の分岐を辿ることで出力データを得ることができる。決定木の学習モデル５へ複数の情報を含む入力データを与えて出力データを得た際に、入力データから出力データへ至るまでに辿った木構造の経路を調べ、この経路中でどのような条件判定が行われたかを調べることによって、出力データの決定に対する入力データに含まれる各情報の重要度（寄与度、影響度）を算出することができる。評価処理部１１ｅは、社員について休職又は退職の予測を行う都度、学習モデル５の予測結果に対する重要度が高い情報がいずれであるかを算出し、入力データに含まれる各情報の重要度を予測結果の要因に関する情報とする。

また評価処理部１１ｅは、社員の休職又は退職の予測結果に対して推定した要因に基づいて、予め定められた一又は複数の人物像のいずれに該当するかを判定する。例えば、休職又は退職の要因として年収額、月収額又は時給額等の重要度が高い社員については、報酬に不満を持つ社員の人物像に該当すると判定される。これらの人物像は、例えば本実施の形態に係る情報処理システムの設計者又は運営者等により予め作成されてもよく、また例えば企業の人事担当者等により予め作成されてもよく、これら以外の人又は組織等により作成されてもよい。また人物像の作成は、例えば人手で行われてもよく、例えばＡＩ（Artificial Intelligence）により行われてもよい。サーバ装置１は、休職又は退職の要因と、人物像とを対応付けたテーブル又はデータベース等を記憶部１２に保持している。

また評価処理部１１ｅは、判定した人物像に基づいて、人材保持の施策に関する情報を人材保持施策ＤＢ１２ｂから取得する。人材保持施策ＤＢ１２ｂには、休職又は退職する社員の人物像と、この人物像に対して行うべき人材保持の施策に関する情報とが対応付けて記憶されている。評価処理部１１ｅは、学習モデル５による休職又は退職の予測結果と、休職又は退職の可能性が高い社員について判定した人物像と、この人物像に応じた人材保持の施策に関する情報とを端末装置３へ送信（出力）することによって、これらの情報を端末装置３に表示させ、ユーザにこれらの情報を提供する。

図３は、本実施の形態に係る端末装置３の構成を示すブロック図である。本実施の形態に係る端末装置３は、処理部３１、記憶部（ストレージ）３２、通信部（トランシーバ）３３、表示部（ディスプレイ）３４及び操作部３５等を備えて構成されている。例えば企業の人事担当者等のユーザが使用する装置であり、例えばスマートフォン、タブレット型端末装置又はパーソナルコンピュータ等の情報処理装置を用いて構成され得る。

処理部３１は、ＣＰＵ又はＭＰＵ等の演算処理装置、ＲＯＭ及び等を用いて構成されている。処理部３１は、記憶部３２に記憶されたプログラム３２ａを読み出して実行することにより、社員の休職又は退職を予測する学習モデル５を生成するための学習用データを作成する処理、学習モデル５を用いて休職又は退職を予測する対象の社員に関する評価用データを作成する処理、及び、学習モデル５による評価結果を表示する処理等の種々の処理を行う。

記憶部３２は、例えばフラッシュメモリ等の不揮発性のメモリ素子又はハードディスク等の記憶装置等を用いて構成されている。記憶部３２は、処理部３１が実行する各種のプログラム、及び、処理部３１の処理に必要な各種のデータを記憶する。本実施の形態において記憶部３２は、処理部３１が実行するプログラム３２ａを記憶している。本実施の形態においてプログラム３２ａは遠隔のサーバ装置等により配信され、これを端末装置３が通信にて取得し、記憶部３２に記憶する。ただしプログラム３２ａは、例えば端末装置３の製造段階において記憶部３２に書き込まれてもよい。例えばプログラム３２ａは、メモリカード又は光ディスク等の記録媒体９８に記録されたプログラム３２ａを端末装置３が読み出して記憶部３２に記憶してもよい。例えばプログラム３２ａは、記録媒体９８に記録されたものを書込装置が読み出して端末装置３の記憶部３２に書き込んでもよい。プログラム３２ａは、ネットワークを介した配信の態様で提供されてもよく、記録媒体９８に記録された態様で提供されてもよい。

通信部３３は、携帯電話通信網、無線ＬＡＮ及びインターネット等を含むネットワークＮを介して、種々の装置との間で通信を行う。本実施の形態において通信部３３は、ネットワークＮを介して、サーバ装置１との間で通信を行う。通信部３３は、処理部３１から与えられたデータを他の装置へ送信すると共に、他の装置から受信したデータを処理部３１へ与える。

表示部３４は、液晶ディスプレイ等を用いて構成されており、処理部３１の処理に基づいて種々の画像及び文字等を表示する。操作部３５は、ユーザの操作を受け付け、受け付けた操作を処理部３１へ通知する。例えば操作部３５は、機械式のボタン又は表示部３４の表面に設けられたタッチパネル等の入力デバイスによりユーザの操作を受け付ける。また例えば操作部３５は、マウス及びキーボード等の入力デバイスであってよく、これらの入力デバイスは端末装置３に対して取り外すことが可能な構成であってもよい。

また本実施の形態に係る端末装置３は、記憶部３２に記憶されたプログラム３２ａを処理部３１が読み出して実行することにより、学習用データ送信部３１ａ、評価用データ送信部３１ｂ及び評価表示処理部３１ｃ等がソフトウェア的な機能部として処理部３１に実現される。なおプログラム３２ａは、本実施の形態に係る情報処理システムに専用のプログラムであってもよく、インターネットブラウザ又はウェブブラウザ等の汎用のプログラムであってもよい。

学習用データ送信部３１ａは、ユーザが作成した学習用データを、学習モデル５の生成依頼と共にサーバ装置１へ送信する処理を行う。本実施の形態に係る情報処理システムにおいて学習用データは、複数の社員について、複数項目の情報を集めたテーブル状のデータであり、例えばＣＳＶ（Comma Separated Value）又はＴＳＶ（Tab Separated Values）等のファイル形式のデータである。企業の人事担当者等のユーザは、企業において過去に休職又は退職した社員に関する情報を収集し、端末装置３にて表計算のアプリケーションプログラムを利用してこれらの情報を入力することで、学習用データを作成することができる。学習用データ送信部３１ａは、ユーザが作成した学習用データを取得して、サーバ装置１へ送信する。

評価用データ送信部３１ｂは、ユーザが作成した評価用データを、社員の評価依頼と共にサーバ装置１へ送信する処理を行う。本実施の形態に係る情報処理システムにおいて評価用データは、上記の学習用データとほぼ同じ構成であるが、企業に現在所属している社員に関する情報を集めたものであり、将来的に休職又は退職する可能性があるかをユーザが評価したいと考える社員に関する情報を集めたものである。学習用データには社員が休職又は退職したか否かを示す情報が含まれるが、評価用データにはこの情報が含まれない。休職又は退職したか否かを示す情報以外の情報については、学習用データと評価用データとで含まれる項目が一致することが好ましい。評価用データ送信部３１ｂは、ユーザが作成した評価用データを取得して、サーバ装置１へ送信する。

評価表示処理部３１ｃは、社員の休職又は退職に関する評価結果をサーバ装置１から受信して、表示部３４に評価結果を表示する処理を行う。例えば評価表示処理部３１ｃは、評価用データに含まれる各社員について休職又は退職するか否かの予測結果を表示する。また例えば評価表示処理部３１ｃは、休職又は退職の可能性が高い社員についてサーバ装置１が推定した要因を表示する。また例えば評価表示処理部３１ｃは、休職又は退職の可能性が高い社員に合致する人物像、及び、この人物像に適して人材保持の施策に関する情報を表示する。

＜学習モデル生成処理＞
図４は、学習用データの一例を説明するための模式図である。本実施の形態に係る情報処理システムが扱う学習用データは、上述のようにテーブル形式のデータであり、例えば企業の社員に対して一意的に付される「社員ＩＤ」に対して、「基本データ」、「労務・勤怠データ」、「評価・給与データ」、「業務データ」、「その他」及び「休職・退職データ」等が対応付けられたデータである。

「基本データ」は、社員の個人に属する一又は複数の情報（いわゆる属性情報又は個人情報等）であり、例えば「年齢」、「性別」及び「居住地」等の情報が含まれ得る。「労務・勤怠データ」は、社員の業務に関する時間及び日数等に関する情報（労務情報）であり、例えば「労働時間」及び「残業時間」等の情報が含まれ得る。「評価・給与データ」は、社員の人事関連の情報であり、例えば「総合評価」（人事評価情報）、「面談コメント」（面談情報）及び「基本給」等の情報が含まれ得る。「業務データ」は、社員が行う業務の種類及び内容等に関する情報であり、例えば「業務区分」及び「職種」等の情報が含まれ得る。「その他」は、上記以外の様々な情報であり、例えば「従業員満足度調査（の結果）」（満足度情報）及び「健康診断結果」（健康診断情報）等の情報が含まれ得る。「休職・退職データ」は、社員の休職又は退職に関する情報であり、休職したか否かを示す「休職」、休職した場合の「休職期間」及び退職したか否かを示す「退職」等の情報が含まれ得る。

企業の人事担当者等のユーザは、過去にこの企業に所属していた社員、及び、現在もこの企業に所属している社員等に関する情報を収集して、図４に示す構成のテーブル形式の学習用データを予め作成する。学習用データの作成は、端末装置３とは異なる装置にて行われてもよい。学習用データを作成した後、ユーザは端末装置３にて学習用データをサーバ装置１へ送信すると共に、学習モデル５の生成依頼をサーバ装置１へ与えることで、サーバ装置１に学習モデル５の生成処理を開始させることができる。

図５は、学習用データに含まれ得る種々の情報の一例を示す模式図である。本実施の形態に係る情報処理システムにおいて学習用データとして扱われ得る情報は、図４に学習用データとして示した情報の他に、図５に示す種々の情報が含まれ得る。「社員基本データ」には、例えば「現在年齢」、「性別」、「新卒／中途」、「既婚／未婚」、「転勤・転居可否」、「居住地」、「通勤距離・時間・手当」、「勤務地」及び「所属拠点・部署」等の情報が含まれ得る。また「社員基本データ」には「採用時データ」が含まれてよく、「採用時データ」には例えば「入社時年齢」、「文理区分」、「学歴（大学・高校）」、「適性検査データ」、「採用選考データ」及び「採用区分（総合・一般）」等の情報が含まれ得る。

「労務・勤怠データ」には、「稼働時間」に関する情報として、例えば「直近１ヶ月総労働時間」、「直近３ヶ月総労働時間」、「直近６ヶ月総労働時間」、「総労働時間変動率」、「直近１ヶ月残業時間」、「直近３ヶ月残業時間」、「直近６ヶ月残業時間」及び「残業時間前変動率」等の情報が含まれ得る。また「労務・勤怠データ」には、「休暇・早退・遅刻」に関する情報として、例えば「有給取得日数」、「病気休暇日数」、「その他休暇日数」、「早退回数（時間）」及び「遅刻回数（時間）」等の情報が含まれ得る。

「評価・給与データ」には、「人事評価」に関する情報として、例えば「総合評価（上司・本人）」、「業績評価」、「行動評価」及び「面談コメント（上司・本人）」等の情報が含まれ得る。また「評価・給与データ」には、「基本給」に関する情報として、例えば「直近基本給」、「１年前基本給」、「２年前基本給」及び「直近基本給変動」等の情報が含まれ得る。また「評価・給与データ」には、「差引支給額（手取り）」に関する情報として、例えば「直近支給額」、「１年前支給額」、「２年前支給額」及び「直近支給額変動」等の情報が含まれ得る。

「業務データ」には、「業務内容」に関する情報として、例えば「業務区分」、「職種」及び「職位」等の情報が含まれ得る。また「業務データ」には、「稼働割合」に関する情報として、例えば「チャット時間・件数」、「メール利用時間・件数」、「会議時間・件数」、「顧客訪問時間・件数」、「間接業務時間・件数」及び「移動時間」等の情報が含まれ得る。

「その他」には、「サーベイ」に関する情報として、例えば「従業員満足度調査」、「ストレスチェックテスト」、「パルスサーベイ結果」及び「健康診断結果」等の情報が含まれ得る。また「その他」には、「福利厚生利用状況」及び「研修受講状況」等の情報が含まれ得る。

なお、図５に示した各種の情報は、学習用データに含まれ得る情報の一例であって、これに限るものではない。ユーザは、社員に関する任意の情報を、学習用データに含めることが可能である。また本実施の形態に係る学習用データに含まれる情報は、数値又は文字で表される情報であるが、これに限るものではない。学習用データには、静止画像、動画像又は音声等のような数値及び文字以外の種々の情報が含まれていてよい。

端末装置３から学習用データを取得したサーバ装置１は、取得した学習用データに含まれる複数の情報について、機械学習に適した形式に変換する処理を行う。例えばサーバ装置１は、学習用データに「性別」として「男性」又は「女性」の文字列が設定されている場合に、これを「０」又は「１」の数値に置換する。また例えばサーバ装置１は、学習用データに「面談コメント」として任意の文章の情報が設定されている場合に、これを所定サイズの特徴量ベクトルに変換する。文章から特徴量ベクトルへの変換には、例えば予め機械学習がなされてエンコーダ等の学習モデルが用いられ得る。また例えばサーバ装置１は、任意の範囲の数値情報について、０から１までの範囲の数値情報に変換する処理を行ってもよい。また例えばサーバ装置１は、「居住地」及び「勤務地」の情報を基に、通勤距離又は通勤時間等を算出して学習用データに追加してもよい。これらの情報の形式を変換する処理は、機械学習におけるいわゆる前処理と呼ばれる処理であり、サーバ装置１は、端末装置３から取得した学習用データに対してどのような前処理を行ってもよい。

サーバ装置１は、上記の前処理を行った学習用データに基づいて、学習用データの「基本データ」、「労務・勤怠データ」、「評価・給与データ」、「業務データ」及び「その他」の情報を学習モデル５への入力情報（説明変数）とし、「休職・退職データ」の例えば「退職」の情報を学習モデル５の出力情報（目的変数、正解ラベル）として対応付けた教師データを生成する。サーバ装置１は、生成した教師データを用いて機械学習の処理を行い、学習モデル５を生成する。

図６は、本実施の形態に係る学習モデル５の構成を説明するための模式図である。本実施の形態に係る学習モデル５は、例えば「年齢」、「性別」及び「労働時間」等の社員に関する複数の情報を入力として受け付けて、この社員の「退職」に関する情報を出力するよう機械学習がなされたモデルである。学習モデル５へ入力される情報の数及び種類は、端末装置３から取得した学習用データに含まれる情報の数及び種類に基づいて決定される。

学習モデル５の出力情報は、例えば社員が退職したか否かを示す０から１までの範囲の数値情報であり、数値が大きいほど社員が退職する可能性が高いことを示す。なお図６においては、学習モデル５の出力を「退職」に関する情報としているが、これに限るものではなく、学習モデル５の出力は「休職」に関する情報であってもよく、「休職期間」の予測値であってもよく、休職又は退職するか否かを示す０又は１の二値情報であってもよく、これら以外であってもよい。学習モデル５の出力情報、即ち学習モデル５により予測する情報を「休職・退職データ」に含まれる複数の情報のうちのいずれとするかは、例えば端末装置３を使用するユーザにより決定され得る。

教師データを用いた機械学習により学習モデル５を生成したサーバ装置１は、生成した学習モデル５の予測精度を算出すると共に、生成した学習モデル５を用いた予測における入力情報の影響度を算出し、算出したこれらの情報を端末装置３へ送信して、学習モデル５の生成完了を通知する。端末装置３は、サーバ装置１から受信した予測精度等の情報を表示部３４に表示してユーザに提供する。図７及び図８は、学習モデル５の生成結果に関する情報の表示例を示す模式図である。

図７に示す学習モデル５の生成結果の表示例は、生成した学習モデル５の予測精度に関する情報の表示例である。サーバ装置１から受信した情報に基づいて端末装置３は、例えば画面の最上部に「予測精度（テストデータと予測結果の突合結果）」のタイトル文字列を表示し、その下方に学習モデル５の予測制度が「８１．９％」であることを、円グラフを用いて表示する。端末装置３は、この円グラフの下方に、例えば「予測に用いた３０００件のデータのうち、２４５６件が実績データと合致しています。」のメッセージを表示する。このメッセージは、学習用データに含まれる３０００人の社員について学習モデル５が退職したか否かの予測を行った場合、２４５６人の社員について正しい予測結果が得られたことを示している。

また端末装置３は、上記のメッセージの下方に、予測精度の算出に関する詳細情報を表示する。図示の例では、学習モデル５による予測を合計３０００人の社員に対して行い、そのうちの６７３人を在籍（退職しない）と予測し、２３２７人を退職と判定したことが示されている。またテストデータ（学習用データ）には、在籍（退職していない）の社員が６８５人含まれており、学習モデル５がそのうちの４０７人を在籍と予測し、２７８人を退職と（誤）予測したことが示されている。またテストデータには、退職の社員が２３１５人含まれており、学習モデル５がそのうちの２６６人を在籍と（誤）予測し、２０４９人を退職と予測したことが示されている。端末装置３は、これらの予測結果に基づいて、正解率（Accuracy）が８１．８７％であり、適合率（Precision）が７４．２６％であり、再現率（Recall）が７３．９６％であり、Ｆ値が７４．１１％であることを表示している。これらの評価値の算出は、サーバ装置１が行ってもよく、端末装置３が行ってもよい。なお、これら評価値は既存のものであり、算出方法の詳細な説明は省略する。

図８に示す学習モデル５の生成結果の表示例は、生成した学習モデル５を用いてテストデータ（学習用データ）に含まれる社員の予測を行った場合の、退職の要因に関する情報の表示例である。サーバ装置１は、学習モデル５を用いて社員が退職したか否かの予測を行った際に、予測結果に対する重要度（寄与度、影響度）が高い入力情報がいずれであるかを判定し、この入力情報を退職の要因と推定する。サーバ装置１は、テストデータに含まれる社員のうち退職すると予測した社員についてその要因を推定して集計し、退職要因の多いものについて例えば上位１番目から９番目までの要因に関する情報を端末装置３へ送信する。端末装置３は、サーバ装置１から受信した情報に基づいて、退職要因に関する情報を表示部３４に表示する。

図示の例では、端末装置３は、退職要因の「項目」とその「影響度」とを対応付けて表示している。「影響度」は、例えば退職した全ての社員について推定した要因においてその「項目」が占める割合を算出したものとすることができる。本例において端末装置３は、「影響度」が高いものから順に第１位から第９位までの退職要因の「項目」を上から下に並べて表示している。本例において、退職要因の第１位は「平均月稼働時間」であり、第２位は「直近の業務評価」であり、第３位は「満足度調査の結果」であり、第４位は「職種」であり、第５位は「在籍年数」であり、第６位は「経験プロジェクト数」であり、第７位は「給与」であり、第８位は「労災」であり、第９位は「直近５年以内の昇進」である。このような情報表示を端末装置３が行うことによって、ユーザは過去に退職した社員についての退職要因を把握することができ、今後の人材保持の参考とすることが期待できる。

図９は、本実施の形態に係るサーバ装置１が行う学習モデル生成処理の手順を示すフローチャートである。本実施の形態においてサーバ装置１の処理部１１の学習用データ取得部１１ａは、通信部１３にて端末装置３との通信を行うことにより、端末装置３から学習用データを取得する（ステップＳ１）。処理部１１の教師データ生成部１１ｂは、端末装置３から取得した学習用データに対して型変換等の所定の前処理を施すことにより、機械学習を行うための教師データを生成する（ステップＳ２）。処理部１１の学習モデル生成部１１ｃは、ステップＳ２にて生成した教師データを用いて、いわゆる教師ありの機械学習の処理を行い（ステップＳ３）、学習モデル５を生成する。学習モデル生成部１１ｃは、生成した学習モデル５の情報を記憶部１２に記憶する（ステップＳ４）

学習モデル生成部１１ｃは、生成した学習モデル５に対して教師データに含まれる入力データを入力し、学習モデル５が出力する出力データを取得し、取得した出力データと教師データに含まれる正解ラベルとを比較することにより、予測精度を算出する（ステップＳ５）。学習モデル生成部１１ｃは、ステップＳ５にて予測精度を算出するために学習モデル５を用いた際に、各社員について予測結果の要因を推定する（ステップＳ６）。学習モデル生成部１１ｃは、ステップＳ５にて算出した学習モデル５の予測精度、及び、ステップＳ６にて推定した予測結果の要因等を含む学習モデル５の生成結果に関する情報を端末装置３へ送信し（ステップＳ７）、処理を終了する。

＜予測処理＞
学習モデル５の生成が完了した後、ユーザは、例えばその時点において企業に所属している一又は複数の社員について、学習モデル５を用いた休職又は退職の予測を行うことができる。ユーザは、学習モデル５を生成した際の学習用データと同様のテーブル形式の評価用データを生成し、評価用データを端末装置３にてサーバ装置１へ送信して休職又は退職の予測を依頼することができる。図示は省略するが、評価用データの構成は、図４に示した学習用データの構成から「休職・退職データ」を取り除いた構成に相当する。評価用データには、休職又は退職を予測する対象となる少なくとも１人の社員についての情報が含まれる。

端末装置３から評価用データを受信したサーバ装置１は、学習モデル５の生成処理において学習用データから教師データを生成する際に行った前処理と同じ処理を評価用データに対して行い、学習モデル５への入力データを生成する。サーバ装置１は、生成した入力データを学習モデル５へ入力し、学習モデル５が出力する出力データを取得する。図６に示した構成の学習モデル５の場合、学習モデル５の出力データは、社員が退職する予測についての確信度である。サーバ装置１は、評価用データに含まれる全ての社員について休職又は退職の予測を行い、予測結果の情報を端末装置３へ送信する。

またサーバ装置１は、各社員について休職又は退職の予測を行った際に、予測結果についての要因を推定する。本実施の形態に係る学習モデル５は、決定木の構成が採用されたものであり、入力から出力へ至るまでの分岐を辿ることによって、出力（予測結果）に影響を与えた入力情報がいずれであるかを推定することができる。サーバ装置１は、評価用データに含まれる全ての社員（休職又は退職の可能性が高い社員のみであってもよい）について、休職又は退職の要因を推定し、休職又は退職の予測結果と共にその要因の推定結果を端末装置３へ送信する。

図１０は、端末装置３が表示する予測結果の一例を示す模式図である。サーバ装置１から評価対象の社員に関する休職又は退職の予測結果を受信した端末装置３は、例えば複数の社員についての予測結果を図１０に示すように一覧表示する。このときに端末装置３は、各社員について、「社員ＩＤ」と、予測結果である「在籍状況」及び「確信度」と、予測結果の要因に関する情報とを対応付けて表示する。「在籍状況」は、学習モデル５による社員が退職するか否かの予測結果であり、「退職」又は「在籍」のいずれかである。「確信度」は、社員が退職する予測確率であり、学習モデル５が出力する数値に基づくものである。

予測結果の要因に関する情報には、例えば「変数名」、「値」及び「影響度」等の情報が含まれる。本例において端末装置３は、予測の要因を２つ表示しており、図示の例では「理由１＿変数名」、「理由１＿値」、「理由１＿影響度」、「理由２＿変数名」、「理由２＿値」及び「理由２＿影響度」として２つの要因に関する情報を区別して表示している。「変数名」は、学習モデル５へ入力された入力情報のうち、予測の要因に該当する入力情報に対して付された名称である。図示の例では、予測結果の要因として、「平均月稼働時間」、「経験プロジェクト数」、「在籍年数」、「労災」、「給与」及び「満足度調査の結果」等の変数名が表示されている。「値」は、評価用データにおいて「変数名」に対応する入力情報に設定されていた値である。

「影響度」は、対応する要因が予測結果にどの程度の影響を与えるかを数値化したものである。影響度がプラスの値の要因は、予測結果に対してプラスの影響を与えていることを意味している。

例えば「在籍状況」が「退職」と予測されている社員について、理由１の変数名が「月平均稼働時間」であり、その値が「２００時間」であり、影響度が「１．２３」のプラスの値である場合、「月平均稼働時間」が「２００時間」であることは、この社員が退職するという予測を「１．２３」ポイント後押ししている、ということになる。また例えば「在籍状況」が「退職」と予測されている社員について、理由２の変数名が「労災」であり、その値が「０（非該当）」であり、影響度が「－０．５６」のマイナスの値である場合、「労災」が「０」であることは、この社員が退職するという予測から「０．５６」ポイント引き離している（在籍する傾向を示している）、という事になる。

最終的な予測結果、即ち「在籍状況」は、これらの複数の要因の影響度を合算して算出される。

なお図１０に示す例では、端末装置３は予測結果を社員ＩＤの順に並べて一覧表示しているが、これに限るものではない。端末装置３は、例えば退職する確信度が高い社員の順に予測結果を並べて表示してもよく、また例えば退職の要因毎にまとめて複数の社員の予測結果を一覧表示してもよい。また図１０に示す例では、端末装置３は予測結果が退職及び在籍のいずれの社員についても情報を表示しているが、これに限るものではなく、例えば予測結果が退職の社員のみを抽出して情報を表示してもよい。

また本実施の形態においてサーバ装置１は、休職又は退職の予測結果の要因に基づいて、記憶部１２の人材保持施策ＤＢ１２ｂを参照し、予測対象の社員の人物像と、この人物像に適した人材保持施策の情報とを取得する。図１１は、人材保持施策ＤＢ１２ｂの一構成例を示す模式図である。本実施の形態に係る人材保持施策ＤＢ１２ｂは、例えば「退職要因」、「人物像」及び「人材保持施策」を対応付けて記憶している。「退職要因」には、一又は複数の要因が含まれ、図示の例では「給与」、「労災」、「在籍年数」及び「残業時間」等のＮ個の要因１～Ｎが含まれている。「人物像」は、予め設定された複数個の人物像の中のいずれか１つが設定される。図示の例では、「人物像」として「退職者像１」、「退職者像２」等が設定されている。「人材保持施策」は、退職する社員の「人物像」に対して、人材保持のために行うことが推奨される一又は複数の施策に関する情報が設定される。なお本図では退職についての人材保持施策ＤＢ１２ｂの構成例を示したが、休職についても同様のデータベースを作成することができる。

なお図１１においては、人物像として「退職者像１」及び「退職者像２」の２つが例示されているが、実際にはより多くの人物像が設定されてよい。これらの人物像の設定は、例えば本システムの開発者、運営者又は企業の人事担当者等のユーザにより予め作成され、休職又は退職の要因との対応付けが行われる。退職者像は、例えば「キャリアアップを望む人」、「人事評価に不満を持っている人」、「残業時間が多い人」、又は、「現在の仕事内容が不向きだと考えている人」等の種々のものが設定され得る。

ユーザは、例えば図１０に示した休職又は退職の予測結果の一覧が端末装置３に表示された状態で、いずれか１つの社員を選択し、人物像に関する情報の表示を端末装置３に指示することができる。この指示に応じて端末装置３は、サーバ装置１から取得した予測結果の情報に基づいて、選択された社員に関する人物像の情報を表示部３４に表示する。

図１２は、端末装置３が表示する人物像情報の一例を示す模式図である。本例において端末装置３は、９７．７％の確信度で退職すると予測された社員ＩＤが１００００２の社員について、人物像情報を表示している。端末装置３は、例えば「社員ＩＤ」、「在籍状況」、「確信度」、「人物像」及び「人材保持施策」の情報を対応付けて表示する。「社員ＩＤ」、「在籍状況」及び「確信度」の情報は、図１０に示した予測結果の表示と同じものである。

「人物像」及び「人材保持施策」の情報は、サーバ装置１が休職又は退職の予測結果の要因に基づいて、人材保持施策ＤＢ１２ｂから取得して端末装置３へ送信した情報である。図示の例において端末装置３は、対象社員の「人物像」として、「退職者像１」の情報を表示している。

また端末装置３は、対象社員の退職に対する「人材保持施策」として、「退職予測者との１対１でのミーティングを実施」、「非退職予測者も交えてのランチ会などを実施して様子を伺う」、「直属の上長に近況を確認」等の情報を表示している。これらの情報を確認することによって、人事担当者等のユーザは、退職の可能性が高い社員に対して適切な人材保持施策を実施することが期待できる。

図１３は、本実施の形態に係るサーバ装置１が行う予測処理の手順を示すフローチャートである。本実施の形態に係るサーバ装置１の処理部１１の評価用データ取得部３１ｄは、通信部１３にて端末装置３との通信を行うことにより、端末装置３から評価用データを取得する（ステップＳ２１）。処理部１１の評価処理部１１ｅは、端末装置３から取得した評価用データに対して教師データを生成した際と同じ内容の前処理を施すことにより、学習モデル５に対する入力データを生成する（ステップＳ２２）。評価処理部１１ｅは、生成した入力データを学習モデル５へ入力し（ステップＳ２３）、学習モデル５が出力する出力データを取得する（ステップＳ２４）。

評価処理部１１ｅは、学習モデル５の出力データに基づいて、評価対象の社員が退職すると予測されたか否かを判定する（ステップＳ２５）。退職すると予測されていない場合（Ｓ２５：ＮＯ）、評価処理部１１ｅは、ステップＳ２９へ処理を進める。退職すると予測されている場合（Ｓ２５：ＹＥＳ）、評価処理部１１ｅは、予測結果の要因を推定する（ステップＳ２６）。評価処理部１１ｅは、推定した予測結果の要因に基づいて人材保持施策ＤＢ１２ｂを参照することにより、評価対象の社員の人物像を判定し（ステップＳ２７）、この人物造の社員に対する人材保持施策を取得する（ステップＳ２８）。評価処理部１１ｅは、休職又は退職の予測結果に関する情報を端末装置３へ送信（出力）し（ステップＳ２９）、処理を終了する。

なお本フローチャートにおいてサーバ装置１は、退職と予測された社員のみ要因の推定及び人物像の判定等を行っているが、これに限るものではなく、サーバ装置１は、予測結果が退職であるか否かに関わらず、要因の推定及び人物像の判定等を行ってもよい。また本フローチャートは１人の社員について休職又は退職の予測を行うことを想定したものであるが、サーバ装置１は複数の社員について予測を行ってよく、この場合にはステップＳ２２～Ｓ２８の処理を各社員について行えばよい。

＜まとめ＞
以上の構成の本実施の形態に係る情報処理システムでは、サーバ装置１が予測対象となる社員に関する複数の情報を含む評価用データを端末装置３から取得し、社員に関する複数の情報の入力に対して当該社員の休職又は退職に関する情報を出力するよう機械学習がなされた学習モデル５へ、取得した社員に関する複数の情報を入力して、学習モデル５が出力する休職又は退職に関する情報を取得し、取得した休職又は退職に関する情報を端末装置３へ送信（出力）する。端末装置３は、サーバ装置１から取得した社員の休職又は退職に関する情報をユーザに対して出力する。これによりユーザは、社員の休職又は退職に関する情報に基づいて、休職又は退職する可能性がある社員に対して人材保持の施策を実施することが期待できる。

また本実施の形態に係る情報処理システムでは、サーバ装置１が学習モデル５による休職又は退職の予測結果についての要因を推定し、推定した要因に関する情報を端末装置３へ出力する。これによりユーザは、休職又は退職すると予測される社員について、休職又は退職の要因を把握することができ、より適した人材保持の施策を実施することが期待できる。

また本実施の形態に係る情報処理システムでは、サーバ装置１が学習モデル５へ入力した複数の情報について、学習モデル５の出力結果に対する要因となった各情報の重要度（影響度）を推定し、推定した重要度に関する情報を端末装置３へ出力する。これによりユーザは、推定された休職又は退職の要因についてどの程度の影響があるかを推定することが期待できる。

また本実施の形態に係る情報処理システムでは、学習モデル５による休職又は退職の予測結果の要因に基づいて、サーバ装置１は対象の社員の人物像を推定し、推定した人物像に関する情報を端末装置３へ送信する。これによりユーザは、休職又は退職すると予測された社員がどのような人物であるかを把握することが期待できる。

また本実施の形態に係る情報処理システムでは、サーバ装置１が推定した予測結果の要因又は人物像に基づいて、休職又は退職すると予測された社員に対して行う人材保持の施策に関する情報を端末装置３へ出力する。これによりユーザは、休職又は退職すると予測された社員に対して、適した人材保持の施策を実施することが期待できる。

また本実施の形態に係る情報処理システムでは、学習モデル５へ入力する複数の情報には、社員の年齢及び性別等の属性情報、労働時間及び残業時間等の労務情報、総合評価等の人事評価情報、面談コメント等の上長との面談情報、従業員満足度調査結果等の満足度情報、及び、健康診断結果等の健康診断情報等のうちの少なくとも１つを含む。このような情報を休職又は退職の予測に用いることで、学習モデル５が精度のよい予測を行うことが期待できる。

また本実施の形態に係る情報処理システムでは、学習モデル５は、社員が退職するか否か、社員が退職することについての確信度、社員が休職するか否か、社員が休職することについての確信度、又は、社員が休職する期間の推定値を出力する。これにより学習モデル５は、入力された社員の情報に基づいて、この社員の休職又は退職に関する情報を出力することができる。

また本実施の形態に係る学習モデル５は、決定木の構造を含むモデルである。決定木の学習モデルは、出力（目的変数）に対する入力（説明変数）の寄与度等を推定することが可能な学習モデルであるため、決定木の学習モデルを用いて休職又は退職の予測を行うことにより、休職又は退職の要因を推定することが期待できる。

また本実施の形態に係る情報処理システムでは、サーバ装置１が複数の社員に関する複数の情報を含む学習用データを端末装置３から取得し、取得した学習用データに基づいて、社員に関する複数の情報と、社員の休職又は退職に関する情報とを対応付けた教師データを生成し、生成した教師データを用いて学習モデル５を生成する。これによりユーザは、機械学習により生成された学習モデル５を利用して、社員の休職又は退職の予測を行い、休職又は退職すると予測された社員に対して人材保持の施策を実施することが期待できる。

なお本実施の形態においては、図６に示すように学習モデル５が社員の退職を予測する場合について主に説明したが、これに限るものではなく、社員の休職を予測する場合又は社員の休息期間を予測する場合についても同様である。社員が休職又は退職するか否かを予測する場合には学習モデル５として分類木の構成を用いることができ、休職期間を予測する場合には学習モデル５として回帰木の構成を用いることができる。

また本実施の形態に係る情報処理システムでは、ユーザが使用する端末装置３とは別の装置、即ちサーバ装置１が学習モデル５の生成及び学習モデル５を用いた予測等の処理を行っているが、これに限るものではなく、端末装置３が学習モデル５の生成及び学習モデル５を用いた予測等の処理を行ってもよい。

また本実施の形態において図７、図８、図１０及び図１２等に示した端末装置３による画面表示は、一例であってこれに限るものではない。学習モデル５による予測結果等の情報は、どのような態様で表示されてもよい。また本実施の形態において図４及び図５に示した学習用データに含まれる情報、図１１に示したデータベースの構成等は、一例であってこれに限るものではない。また本実施の形態において図１２に示した人材保持施策は、一例であってこれに限るものではない。

今回開示された実施形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

１ サーバ装置
３ 端末装置
５ 学習モデル
１１ 処理部
１１ａ 学習用データ取得部（取得部、第１の取得部）
１１ｂ 教師データ生成部
１１ｃ 学習モデル生成部
１１ｄ 評価用データ取得部
１１ｅ 評価処理部（第２の取得部、出力部）
１２ 記憶部
１２ａ サーバプログラム
１２ｂ 人材保持施策ＤＢ
１３ 通信部
３１ 処理部
３１ａ 学習用データ送信部
３１ｂ 評価用データ送信部
３１ｃ 評価表示処理部
３２ 記憶部
３２ａ プログラム
３３ 通信部
３４ 表示部
３５ 操作部
Ｎ ネットワーク

本発明は、社員に関する情報を扱う情報処理方法、コンピュータプログラム及び情報処理装置に関する。

本発明は、斯かる事情に鑑みてなされたものであって、その目的とするところは、社員の休職又は退職を予測することが期待できる情報処理方法、コンピュータプログラム及び情報処理装置を提供することにある。

一実施形態に係る情報処理方法は、情報処理装置が、社員に関する複数の情報を取得し、社員に関する複数の情報の入力に対して当該社員の休職又は退職に関する情報を出力するよう機械学習がなされた学習モデルへ、取得した前記社員に関する複数の情報を入力して、前記学習モデルが出力する休職又は退職に関する情報を取得し、前記学習モデルによる休職又は退職に関する情報の出力結果の要因を推定し、休職又は退職の要因と人材保持の施策に関する情報とを対応付けて記憶したデータベースから、推定した要因に応じた人材保持の施策に関する情報を取得し、取得した休職又は退職に関する情報、及び、取得した人材保持の施策に関する情報を出力する。

Claims (12)

1. 社員に関する複数の情報を取得し、
   社員に関する複数の情報の入力に対して当該社員の休職又は退職に関する情報を出力するよう機械学習がなされた学習モデルへ、取得した前記社員に関する複数の情報を入力して、前記学習モデルが出力する休職又は退職に関する情報を取得し、
   取得した休職又は退職に関する情報を出力する、
   情報処理方法。
2. 前記学習モデルによる休職又は退職に関する情報の出力結果の要因を推定し、
   推定した要因に関する情報を出力する、
   請求項１に記載の情報処理方法。
3. 前記学習モデルへ入力した複数の情報について、前記学習モデルの出力結果に対する各情報の重要度を推定し、
   推定した重要度に関する情報を出力する、
   請求項２に記載の情報処理方法。
4. 推定した要因に応じた人材保持の施策に関する情報を出力する、
   請求項３に記載の情報処理方法。
5. 前記社員に関する複数の情報には、社員の属性情報、労務情報、人事評価情報、上長との面談情報、満足度情報及び健康診断情報の少なくとも１つを含む、
   請求項１から請求項４までのいずれか１つに記載の情報処理方法。
6. 前記学習モデルは、社員が退職するか否か、社員が退職することについての確信度、社員が休職するか否か、社員が休職することについての確信度、又は、社員が休職する期間の推定値を出力する、
   請求項１から請求項５までのいずれか１つに記載の情報処理方法。
7. 前記学習モデルは、決定木の構造を含むモデルである、
   請求項１から請求項６までのいずれか１つに記載の情報処理方法。
8. 複数の社員に関する複数の情報と、社員の休職又は退職に関する情報とを対応付けた学習用データを取得し、
   取得した学習用データを用いて、社員に関する複数の情報の入力に対して当該社員の休職又は退職に関する情報を出力する学習モデルを機械学習により生成する、
   学習モデルの生成方法。
9. コンピュータに、
   社員に関する複数の情報を取得し、
   社員に関する複数の情報の入力に対して当該社員の休職又は退職に関する情報を出力するよう機械学習がなされた学習モデルへ、取得した前記社員に関する複数の情報を入力して、前記学習モデルが出力する休職又は退職に関する情報を取得し、
   取得した休職又は退職に関する情報を出力する
   処理を実行させる、コンピュータプログラム。
10. コンピュータに、
    複数の社員に関する複数の情報と、各社員の休職又は退職に関する情報とを対応付けた学習用データを取得し、
    取得した学習用データを用いて、社員に関する複数の情報の入力に対して当該社員の休職又は退職に関する情報を出力する学習モデルを機械学習により生成する
    処理を実行させる、コンピュータプログラム。
11. 社員に関する複数の情報をする第１の取得部と、
    社員に関する複数の情報の入力に対して当該社員の休職又は退職に関する情報を出力するよう機械学習がなされた学習モデルへ、前記第１の取得部が取得した前記社員に関する複数の情報を入力して、前記学習モデルが出力する休職又は退職に関する情報を取得する第２の取得部と、
    前記第２の取得部が取得した休職又は退職に関する情報を出力する出力部と
    を備える、情報処理装置。
12. 複数の社員に関する複数の情報と、各社員の休職又は退職に関する情報とを対応付けた学習用データを取得する取得部と、
    前記取得部が取得した学習用データを用いて、社員に関する複数の情報の入力に対して当該社員の休職又は退職に関する情報を出力する学習モデルを機械学習により生成する学習モデル生成部と
    を備える、情報処理装置。

Images