JP6246776B2 - 離職リスク判定器 - Google Patents

Description

大企業は、様々な部署にわたって多くの人を雇用しうる。キャリアを通じて、従業員は、多くの雇用取引（例えば、昇進、部署異動、転勤、退職など）を有し得る。長期間にわたって同じ職種（ｊｏｂ ｆｕｎｃｔｉｏｎ）および場所にとどまる従業員もいれば、より頻繁に職種および／または場所を変更する従業員もいる。しかしながら、企業は、従業員に多大な投資をする。したがって、従業員が会社を退職すれば、企業は、退職したばかりの従業員を補うために時間および費用の両方を損失する。

以下の詳細な説明と添付の図面において、本発明の様々な実施形態を開示する。

ネットワークシステムの一実施形態を示すブロック図。

従業員データサーバの一実施形態を示すブロック図。

離職リスク判定器の一実施形態を示すブロック図。

離職リスク判定器の一実施形態を示すブロック図。

取引の一実施形態を示す図。

特徴ベクトルの一実施形態を示す図。

重みベクトルの一実施形態を示す図。

職階層の一実施形態を示す図。

職種の階層クラスタリングの一実施形態を示す図。

離職リスクを予測するための処理の一実施形態を示すフローチャート。

雇用データを用いて取引の時系列のセットを決定するための処理の一実施形態を示すフローチャート。

取引の時系列のセットをフィルタリングするための処理の一実施形態を示すフローチャート。

時系列のサブセットを正規化することによって時系列のモデルセットを決定するための処理の一実施形態を示すフローチャート。

取引を正規化するための処理の一実施形態を示すフローチャート。

時系列セット内の時系列をバケットにソートするための処理の一実施形態を示すフローチャート。

特徴ベクトルのセットを決定するための処理の一実施形態を示し、各特徴ベクトルは、時系列セットの時系列から決定される、フローチャート。

モデルを決定するための処理の一実施形態を示すフローチャート。

１または複数のモデルを用いて所与の従業員の離職リスクを予測するための処理の一実施形態を示すフローチャート。

リスク予測表示の一実施形態を示すグラフの一実施形態の図。

リスク予測表示の一実施形態を示す表の一実施形態の図。

本発明は、処理、装置、システム、物質の組成、コンピュータ読み取り可能な格納媒体上に具現化されたコンピュータプログラム製品、および／または、プロセッサ（プロセッサに接続されたメモリに格納および／またはそのメモリによって提供される命令を実行するよう構成されたプロセッサ）を含め、様々な形態で実装されうる。本明細書では、これらの実装または本発明が取りうる任意の他の形態を、技術と呼ぶ。一般に、開示された処理の工程の順序は、本発明の範囲内で変更されてもよい。特に言及しない限り、タスクを実行するよう構成されるものとして記載されたプロセッサまたはメモリなどの構成要素は、ある時間にタスクを実行するよう一時的に構成された一般的な構成要素として、または、タスクを実行するよう製造された特定の構成要素として実装されてよい。本明細書では、「プロセッサ」という用語は、１または複数のデバイス、回路、および／または、コンピュータプログラム命令などのデータを処理するよう構成された処理コアを指すものとする。

以下では、本発明の原理を示す図面を参照しつつ、本発明の１または複数の実施形態の詳細な説明を行う。本発明は、かかる実施形態に関連して説明されているが、どの実施形態にも限定されない。本発明の範囲は、特許請求の範囲によってのみ限定されるものであり、本発明は、多くの代替物、変形物、および、等価物を含む。以下の説明では、本発明の完全な理解を提供するために、多くの具体的な詳細事項が記載されている。これらの詳細事項は、例示を目的としたものであり、本発明は、これらの具体的な詳細事項の一部または全てがなくとも特許請求の範囲に従って実施可能である。簡単のために、本発明に関連する技術分野で周知の技術要素については、本発明が必要以上にわかりにくくならないように、詳細には説明していない。

離職リスクを判定するためのシステムが開示されている。離職リスクを判定するためのシステムは、雇用データを用いて取引時系列のセット（１セットの取引時系列）を決定するためのグループ化器（ｇｒｏｕｐｅｒ）と、各取引時系列は、１従業員に関連し、従業員の異動特徴に基づいて取引時系列のセットをフィルタリングして、時系列のサブセットを決定するためのフィルタと、時系列のサブセットを正規化することにより、時系列のモデルセットを決定するための正規化器と、特徴ベクトルのセット（１セットの特徴ベクトル）を決定するための特徴ベクトル抽出器と、特徴ベクトルセットの各特徴ベクトルは、時系列のモデルセットの中の時系列から決定され、特徴ベクトルのセットに少なくとも部分的に基づいて１または複数のモデルを決定するためのモデル構築器と、１または複数のモデルを用いて所与の従業員の離職リスクを予測するための予測器と、を備える。

離職リスク判定のためのシステムが開示されている。いくつかの実施形態において、離職リスク決定のためのシステムは、従業員取引データのセット（１セットの従業員取引データ）（例えば、従業員の職名変更、従業員の転勤、会社部署の異動など）を受信し、所与の従業員が（例えば、翌年の内に）会社を退職する可能性すなわちリスクを決定するためのモデルを生成する。離職リスク決定のためのシステムは、従業員取引データセットからの取引を従業員でグループ化し、各従業員に関連する取引をソートして、取引時系列のセットを生成し、各時系列は１人の従業員に関連する。様々な実施形態において、取引は、昇進、転勤、職名（ｊｏｂ ｔｉｔｌｅ）変更、管理職変更、給料変更、シフト変更、雇用、解雇、一時解雇、自主退職、または、任意のその他の適切な従業員取引を含む。或る従業員に関連する取引時系列は、取引の時間（例えば、日時）で順序付けられた一連の取引を含み、会社での従業員の職歴の経過を記載する。例えば、ある従業員の取引時系列は、雇用取引、最初の昇給取引、最初の昇進取引、転勤取引、２回目の昇給取引、２回目の昇進取引、管理職変更取引、および、自主退職取引を含む。各取引は、適切な取引情報（例えば、取引タイプ、取引日、新しい給与、新しい勤務地、新しい管理職、新しい職名、新しい職種など）を含む。取引時系列のセットは、モデルにとって有用な情報に寄与しない従業員を除去するために、異動特徴に少なくとも部分的に基づいてフィルタリングされる（例えば、異動特徴は、以下の内の１または複数を含む：残留実践に関連しない理由で退職した従業員、死亡した従業員、退職した従業員、臨時で雇用された従業員、請負人、非常に短期間しか会社に在籍しなかった従業員、など）。次いで、時系列のモデルセットが、取引を正規化することによって、フィルタリングされたセットの取引時系列から決定される。いくつかの実施形態において、取引を正規化することは、取引に関連する正規化された職名および／または正規化された職位（ｊｏｂ ｌｅｖｅｌ）を決定することを含む。いくつかの実施形態において、正規化された職名は、正規化された職名のセットから選択された職名を含んでおり、ここで、正規化された職名のセットは、職名のセットよりも小さい（例えば、取引のセットに関連する職名を正規化すると、取引のセットに関連する職名の総数が削減される）。いくつかの実施形態において、正規化された職位は、正規化された職位のセットから選択された職位を含んでおり、ここで、正規化された職位のセットは、職位のセットよりも小さい（例えば、取引のセットに関連する職位を正規化すると、取引のセットに関連する職位の総数が削減される）。いくつかの実施形態において、時系列のモデルセットは、雇用期間で分けられる（例えば、バケッタモジュールすなわちバケッタを用いてバケット化を行い、１〜５年間雇用されている従業員に関連する時系列が、最初のカテゴリ（または、ｎ〜ｍ年間）にソートされ、５〜１０年間雇用されている従業員に関連する時系列が、第２のカテゴリ（または、ｍ〜ｋ年間）にソートされる、などである）。様々な実施形態において、バケッタモジュールは、データの複数のモデルを可能にするために、特徴ベクトル抽出前、特徴ベクトル抽出後、または、任意のその他の適切な時にある。次いで、特徴ベクトルが、時系列のモデルセットの各時系列から決定される。いくつかの実施形態において、特徴ベクトルの各特徴は、時系列から決定されたデータ計量値を含む（例えば、総雇用時間、職種の数、昇進間の平均期間、従業員が職種を異動したことがあるか否か、従業員が勤務した勤務地の総数、現在の職種の期間、など）。モデルは、時系列のセットと、時系列から決定された特徴ベクトルのセットとに基づいて、機械学習アルゴリズム（例えば、サポートベクターマシン）を用いて構築され、各従業員は特徴ベクトルで表される。いくつかの実施形態では、教師あり学習モデルが利用され、各特徴ベクトルは、関連する従業員が会社を自主的に辞職したか否かを表すラベルを含む。教師あり学習モデルは、最良の離職リスク予測精度を提供することにおける特徴の影響および相関を示す各特徴の重みを決定する。いくつかの実施形態において、例えば、第１のセットの従業員特徴ベクトルでモデルをトレーニングして、トレーニングされたモデルを第２のセットの従業員特徴ベクトルに適用することにより、交差検証が、予測の統計的有意性および精度を測るために用いられる。第１のセットの従業員特徴ベクトルおよび第２のセットの従業員特徴ベクトルは、トレーニングにおけるバイアスを避けると共にモデルを一般化可能にするために重複していない。次いで、トレーニングされたモデルは、時系列および特徴ベクトルによって表された在職中の従業員が（例えば、翌年の内に）会社を辞職する可能性を決定するために用いられる。いくつかの実施形態では、別個のモデルが、各雇用期間の区分に対して構築される。モデルが構築されると、予測器が、モデルを用いて、所与の従業員の離職リスクを決定できる。予測器は、所与の従業員に関連する取引の時系列を受信し、時系列を正規化し、正規化された時系列から特徴ベクトルを決定し、特徴ベクトルおよびモデルに基づいて予測を行う。

いくつかの実施形態において、正規化器は、職種、職名、および／または、職務（ｊｏｂ ｆａｍｉｌｉｅｓ）の数が削減されるように、職種、職名、職務の内の１または複数を正規化する。様々な実施形態において、正規化器は、グループ化の前後、フィルタリングの前後、特徴ベクトルの生成前、または、任意のその他の適切な時点に、その機能を実行する。

図１は、ネットワークシステムの一実施形態を示すブロック図である。いくつかの実施形態において、図１のネットワークシステムは、離職リスクを判定するためのシステムを備える。図の例において、図１は、ネットワーク１００を含む。様々な実施形態において、ネットワーク１００は、以下の内の１または複数を含む。ローカルエリアネットワーク、ワイドエリアネットワーク、有線ネットワーク、無線ネットワーク、インターネット、イントラネット、ストレージエリアネットワーク、または、任意のその他の適切な通信ネットワーク。管理者システム１０２、従業員データサーバ１０４、および、離職リスク判定器１０６が、ネットワーク１００を介して通信する。様々な実施形態において、管理者システム１０２は、管理者が、従業員データサーバ１０４上のデータにアクセスするため、離職リスク判定器１０６を用いて離職リスクを判定するため、または、任意のその他の適切な目的を遂行するためのシステムを備える。従業員データサーバ１０４は、従業員データを格納するためのシステムを備える。いくつかの実施形態において、従業員データサーバ１０４は、会社の従業員データを格納するためのシステムを備える。様々な実施形態において、従業員データサーバ１０４は、現在の従業員データ、過去の従業員データ、従業員取引データ、または、任意のその他の適切な従業員データを格納するためのシステムを備える。離職リスク判定器１０６は、離職リスクを判定するためのシステムを備える。いくつかの実施形態において、離職リスク判定器１０６は、離職リスクを判定するモデルを構築するためのシステムを備える。いくつかの実施形態において、離職リスクを判定するためのモデルは、従業員データサーバ１０４に格納されたデータに少なくとも部分的に基づく。いくつかの実施形態において、離職リスク判定器１０６は、モデルに少なくとも部分的に基づいて、所与の従業員の離職リスクを判定するためのシステムを備える。いくつかの実施形態において、離職リスク判定器１０６は、従業員に関する従業員データサーバ１０４からの履歴データを用いて、離職のモデルを構築およびテストし、そのモデルを用いて所与の従業員の離職リスクを判定する。

図２は、従業員データサーバの一実施形態を示すブロック図である。いくつかの実施形態において、従業員データサーバ２００は、図１の従業員データサーバ１０４を含む。図の例において、従業員データサーバ２００は、従業員ディレクトリ２０２および取引データベース２０４を備える。従業員ディレクトリ２０２は、従業員情報を含む。様々な実施形態において、従業員情報は、従業員の名前、従業員の識別子、従業員の職名、従業員の部署、従業員の勤務地、従業員の給与、従業員の上司、従業員の年齢、または、任意のその他の適切な従業員情報を含む。取引データベース２０４は、従業員取引のセットを含む。いくつかの実施形態において、従業員取引は、従業員イベントの記録を含む。様々な実施形態において、従業員イベントは、雇用、解雇、昇進、降格、グループ変更、転勤、給与額変更、上司変更、退職、死亡、または、任意のその他の適切な従業員イベントを含む。いくつかの実施形態において、取引は、従業員イベント前後の従業員情報の記録を含む。

図３Ａは、離職リスク判定器の一実施形態を示すブロック図である。いくつかの実施形態において、離職リスク判定器３００は、図１の離職リスク判定器１０６を含む。図の例において、離職リスク判定器３００は、グループ化器（グルーパ）３０２を備える。いくつかの実施形態において、グループ化器３０２は、１人の従業員に関連する従業員データ（例えば、取引）を時系列にグループ化するためのグループ化器を含む。いくつかの実施形態において、グループ化器３０２は、従業員ごとに従業員データを集計する。いくつかの実施形態において、グループ化器３０２は、さらに、（例えば、取引日で）従業員データをソートする。いくつかの実施形態において、グループ化器３０２は、プロセッサを用いて実装される。離職リスク判定器３００は、さらに、フィルタ３０４を備える。いくつかの実施形態において、フィルタ３０４は、（例えば、時系列のセットからある従業員に関連する時系列を取り除くために）従業員をフィルタリングするためのフィルタを含む。様々な実施形態において、フィルタは、異動特徴に基づいてフィルタリングを行い、退職した従業員、死亡した従業員、短期間しか会社で働いていない従業員、臨時雇用の従業員、請負人、または、任意のその他の適切な従業員を除去するためのフィルタを含む。いくつかの実施形態において、フィルタ３０４は、プロセッサを用いて実装される。離職リスク判定器３００は、さらに、正規化器３０６を備える。いくつかの実施形態において、正規化器３０６は、取引を正規化するための正規化器を含む。様々な実施形態において、取引の正規化は、従業員の職名に関連する正規化された従業員職名を決定すること、従業員の職位に関連する正規化された従業員職位を決定すること、従業員の給与に関連する正規化された通貨価値を決定すること（例えば、該当日の交換レートに基づいて特定の通貨へ通貨価値を変換すること）（例えば、給与が変更または入金された日にドルに変換すること）、または、任意のその他の適切な方法で取引データを正規化することを含む。いくつかの実施形態において、正規化器は、職種、職名、および／または、職務の数が削減されるように、職種、職名、職務の内の１または複数を正規化する。様々な実施形態において、正規化器は、グループ化の前後、フィルタリングの前後、特徴ベクトルの生成前、または、任意のその他の適切な時点に、その機能を実行する。いくつかの実施形態において、正規化器３０６は、プロセッサを用いて実装される。離職リスク判定器３００は、さらに、特徴ベクトル抽出器３０８を備える。いくつかの実施形態において、特徴ベクトル抽出器３０８は、時系列から特徴ベクトルを抽出するためのコンポーネントまたはモジュールを備える。いくつかの実施形態において、時系列からの特徴ベクトルを抽出することは、時系列から特徴のセットを決定することを含む。様々な実施形態において、特徴ベクトルの特徴は、職種の数、総雇用時間、昇進間の平均期間、職種が変わったか否か、勤務地の数、現在の職種の期間、または、任意のその他の適切な特徴を含む。いくつかの実施形態において、特徴ベクトル抽出器３０８は、プロセッサを用いて実装される。離職リスク判定器３００は、さらに、モデル構築器３１０を備える。いくつかの実施形態において、モデル構築器３１０は、特徴ベクトルのセットを受信し、１または複数のモデルを構築する。いくつかの実施形態において、モデルは、重みベクトルを含む。いくつかの実施形態において、モデル構築器３１０は、プロセッサを用いて実装される。離職リスク判定器３００は、さらに、予測器３１２を備える。いくつかの実施形態において、予測器３１２は、モデルに基づいて離職リスクを予測するための予測器を含む。いくつかの実施形態において、モデルに基づいて離職リスクを予測することは、特徴ベクトルと重みベクトルとのドット積を計算することを含む。いくつかの実施形態において、予測器３１２は、プロセッサを用いて実装される。様々な実施形態において、離職リスク判定器３００のモジュールは、すべてが単一のプロセッサ上に実装される、各々が別個のプロセッサ上に実装される、任意の適切な方法で複数のプロセッサ上に組み合わせて実装される、もしくは、任意の他の適切な方法で実装される。様々な実施形態において、離職リスク判定器３００は、さらに、（例えば、取引を受信するための）入力インターフェース、（例えば、離職リスクを提供するための）出力インターフェース、（例えば、従業員特徴（例えば、会社で働いた期間）によって、時系列を分けるための）バケッタ（ｂｕｃｋｅｔｅｒ）、または、任意のその他の適切なモジュールを備える。

いくつかの実施形態において、バケッタ機能は、特徴ベクトル抽出３０８後およびモデル構築器３１０前に実行される。いくつかの実施形態において、バケッタモジュールは、従業員特徴を用いて入力データをバケット化する。例えば、従業員は、４つのバケット（例えば、会社での従業員の在職期間：１〜５年、６〜１０年、１１〜１５年、および、１６年以上）に分けられる。様々な実施形態において、各データバケットは、別個のモデルを作成するために用いられる（例えば、会社での従業員在職期間の各バケットについて１つ）。様々な実施形態において、バケッタモジュールは、従業員特徴（例えば、従業員の部門、従業員のレベル（例えば、取締役、管理職、役員、部長、社員、技術職など）を用いてバケット化し、モデルが実際の行動により良く適合するように、各バケットについて別個のモデルが構築される。

図３Ｂは、離職リスク判定器の一実施形態を示すブロック図である。いくつかの実施形態において、図３Ｂの離職リスク判定器は、図１の離職リスク判定器１０６を含む。図の例において、生取引３５０は、取引のセットを含む。いくつかの実施形態において、生取引３５０は、図１の従業員データサーバ１０４から受信される。図の例において、生取引３５０は、通貨正規化３５２によって受信される。通貨正規化３５２は、通貨情報を正規化する（例えば、価値を直接比較できるように異なる通貨を共通通貨に正規化することによって、インフレーションを考慮することによって、など）。通貨正規化３５２によって正規化された取引は、職正規化３５４によって受信される。職正規化３５４は、職名、職務、および／または、職名について取引を（例えば、職務正規化３５６、職名正規化３５８、および、職種正規化３６０を用いて）正規化する。いくつかの実施形態において、職正規化は、職情報（例えば、職名）を正規化された職情報に置き換えることを含んでおり、その結果、異なる職をより直接的に比較できるようになる。例えば、２つの異なる会社／部署／事業単位が、同等の役割に対して異なる職名を用いて、それらの比較を困難にしている。職正規化は、異なる会社／部署／事業単位での同等の役割が、同じ正規化された職名に関連付けられるように、会社の一方または両方の職名を正規化された職名に置き換える。職正規化３５４によって正規化された取引は、ユーザグループ化３６２によってグループ化される。ユーザグループ化３６２は、単一のユーザに関連する取引をそのユーザに関連する取引の時系列にグループ化する。フィルタリング３６４は、異動特徴に少なくとも部分的に基づいて、ユーザグループ化３６２によって生成された一連の時系列をフィルタリングする。様々な実施形態において、フィルタリング３６４は、異動特徴に関連する時系列、例えば、以下の内の１または複数に関連する時系列をフィルタリング（例えば、除去）する：（例えば、臨時従業員フィルタ３６６を用いて）臨時従業員に関連する時系列、（例えば、死亡従業員フィルタ３６８を用いて）死亡した従業員に関連する時系列、（例えば、退職者フィルタ３７０を用いて）退職者に関連する時系列、（例えば、雇用６ヶ月未満フィルタ３７２を用いて）会社での雇用が６ヶ月未満の従業員に関連する時系列、または、任意のその他の適切なフィルタ。特徴抽出３７４は、フィルタリング３６４から受信した時系列から特徴を抽出する。様々な実施形態において、特徴抽出３７４は、（例えば、就業時間特徴抽出３７６を用いて）就業時間に関連する特徴、（例えば、職種異動特徴抽出３７８を用いて）職種異動に関連する特徴、（例えば、職種期間特徴抽出３８０を用いて）職種期間に関連する特徴、（例えば、勤務地平均数特徴抽出３８２を用いて）勤務地の平均数に関連する特徴、または、（例えば、その他の特徴の特徴抽出３８４を用いて）任意のその他の適切な特徴、を抽出する。いくつかの実施形態において、特徴ベクトルは、順序付けられた組み合わせで特徴を含む。特徴抽出３７４によって抽出された特徴ベクトルは、トレーニング３８６および予測３９０によって受信される。トレーニング３８６は、受信した特徴ベクトルを用いてモデル３８８をトレーニングする。いくつかの実施形態において、モデルは、抽出された特徴ベクトルのサブセットでトレーニングされ、抽出された特徴ベクトルの異なるサブセットでテストされる。いくつかの実施形態において、モデルは、所定の閾値を超えるテスト特徴ベクトルについて離職リスクを正確に予測すると、別個のセットの従業員（例えば、会社からまだ移っていない従業員）に関連する特徴ベクトルについての離職リスクを予測するために用いられる。いくつかの実施形態において、特徴ベクトルについて離職リスクを正確に予測することは、特徴ベクトルが離職した従業員に関連する場合に閾値リスクを超える離職リスクを決定し、特徴ベクトルが在職中であった従業員に関連する場合に閾値リスク未満の離職リスクを決定することを含む。次いで、予測３９０は、モデル３８８を用いて、受信した特徴ベクトルに関連するユーザの離職リスクを判定する。

図４は、取引の一実施形態を示す図である。いくつかの実施形態において、任意の適切な数の取引（例えば、取引４００）が、取引データベース（例えば、図２の取引データベース２０４）に格納される。図の例において、取引４００は、従業員識別子４０２（例えば、従業員ＩＤ、一意的な従業員識別子など）、日付４０４（例えば、取引日）、新しい職情報４０６、および、以前の職情報４０８を含む。新しい職情報４０６は、任意の適切な新しい職情報（例えば、職名、職種、ランク、勤務地、会社、上司、給与、シフトなど）を含む。いくつかの実施形態において、新しい職情報は、別の会社または勤務先無し（会社無し）、を示す（例えば、取引４００は、従業員が会社を離職したことを示す）。いくつかの実施形態において、取引４００は、会社内での職の異動（例えば、新しいランク、職名、勤務地、上司、給与など）を示す。以前の職情報４０８は、任意の適切な以前の職情報（例えば、職名、ランク、勤務地、会社、上司、給与など）を含む。いくつかの実施形態において、以前の職情報は、別の会社または勤務先無し、を示す（例えば、取引４００は、従業員が会社に入社したことを示す）。

図５Ａは、特徴ベクトルの一実施形態を示す図である。いくつかの実施形態において、特徴ベクトル５００は、取引（例えば、図４の取引４００）の時系列から抽出された特徴を表すための特徴ベクトルを含む。いくつかの実施形態において、特徴ベクトル５００の各特徴は、取引の時系列から決定された計算結果を含む。いくつかの実施形態において、計算された特徴ベクトルは、特徴ベクトル値のセットを含む。図の例において、特徴ベクトル５００は、従業員の例に対して決定された特徴ベクトルのセットを含む。特徴５０２は、「職種数」を含む。いくつかの実施形態において、特徴５０２を決定することは、時系列で表された職種の総数を決定することを含む。図の例では、３つの職種が時系列に表されると決定されている。特徴５０４は、「在職期間」を含む。いくつかの実施形態において、特徴５０４を計算することは、時系列における会社での総期間を決定することを含む。図の例において、時系列は、１５年間の在職期間を表すと決定されている。特徴５０６は、「ｘ年ごとの昇進」を含む。いくつかの実施形態において、特徴５０６を計算することは、時系列において見いだされた昇進間の平均期間を決定することを含む。図の例において、時系列は、昇進の間が平均３年間であることを表すと決定されている。特徴５０８は、「職種異動」を含む。いくつかの実施形態において、特徴５０８を計算することは、従業員が時系列において職種を異動したことがあるか否かを決定することを含む。図の例では、時系列から、従業員が職種を異動したと決定されている。特徴５１０は、「勤務地数」を含む。いくつかの実施形態において、特徴５１０を計算することは、時系列で表された勤務地の総数（例えば、従業員が勤務した勤務地の数）を決定することを含む。図の例では、時系列から、従業員が２カ所の勤務地で勤務したことがあると決定されている。特徴５１２は、「現在の職種の期間」を含む。いくつかの実施形態において、特徴５１２を計算することは、時系列に見いだされた現在の職種における総期間を決定することを含む。図の例において、時系列から、従業員が現在の職種に４年間就いていたことが決定されている。

図５Ｂは、重みベクトルの一実施形態を示す図である。いくつかの実施形態において、重みベクトル５５０は、特徴のセット（例えば、図５Ａの特徴ベクトル５００で示した特徴のセット）に関連する重みのセットを含む。いくつかの実施形態において、重みベクトル５５０は、モデル構築器（例えば、図３Ａのモデル構築器３１０）からの出力を含む。いくつかの実施形態において、重みベクトル５５０は、モデルを含む。いくつかの実施形態において、重みベクトル５５０の重みの符号は、関連する特徴の離職リスクへの寄与の方向性を表し、重みベクトル５５０の重みの値は、関連する特徴の離職リスクへの寄与の強さを表す。重み５５２は、「職種数」の重みを含む。いくつかの実施形態では、重み５５２と、時系列で表された職種の総数とを乗じて、その積が離職リスク値に加算される。図の例において、重み５５２は、−０．６２５を含む。重み５５４は、「在職期間」の重みを含む。いくつかの実施形態では、重み５５４と、時系列で表された在職期間とを乗じて、その積が離職リスク値に加算される。図の例において、重み５５４は、−０．５５６を含む。重み５５６は、「ｘ年ごとの昇進」の重みを含む。いくつかの実施形態では、重み付け５５６と、時系列に見いだされた昇進間の平均期間を乗じて、その結果が離職リスク値に加算される。図の例において、重み付け５５６は、−０．４６１を含む。重み５５８は、「職種異動」の重みを含む。いくつかの実施形態では、重み５５８と、従業員が時系列において職種を異動したか否か（例えば、従業員が職種を異動した場合には１、そうでない場合には０）とを乗じて、その結果が離職リスク値に加算される。図の例において、重み５５８は、−０．２７８を含む。重み５６０は、「勤務地数」の重みを含む。いくつかの実施形態では、重み５６０と、時系列で表された勤務地の総数（例えば、従業員が勤務した勤務地の数）とを乗じて、その結果が離職リスク値に加算される。図の例において、重み５６０は、−０．０６７を含む。特徴５６２は、「現在の職種の期間」の重みを含む。いくつかの実施形態では、重み５６２と、時系列において見いだされた現在の職種の総期間とを乗じて、その結果が離職リスク値に加算される。図の例において、重み５６２は、０．３１３を含む。

図６Ａは、職階層の一実施形態を示す図である。図の例では、職種６００が、最上位の事業単位を表す。例えば、製造、事業、経理、法務など、会社の部門である。職種６００のサブユニットは、職務（例えば、職務６０２、職務６０４、および、職務６０６）である。例えば、製造部門の中には、品質保証、梱包、組み立て、機械加工など、いくつかの職務がサブユニットになっている。職務６０４のサブユニットは、職名（例えば、職名６０８、職名６１０、および、職名６１２）である。例えば、機械加工の中には、機械工１、機械工２、機械工管理者などがある。

図６Ｂは、職種の階層クラスタリングの一実施形態を示す図である。いくつかの実施形態において、職種の階層クラスタリングは、職名に関連して正規化された職種の決定を含む。図の例において、図６Ｂに示す職種の階層ツリーは、会社で見いだされたすべての職種を含んだ階層ツリーを含む。いくつかの実施形態において、例えば、図３Ａの離職リスク判定器３００によって処理される職種の総数は、正規化によって（例えば、図３Ａの正規化器３０６によって）削減される。いくつかの実施形態において、正規化は、職名に関連して正規化された職種を決定することを含む。いくつかの実施形態において、正規化された職種は、職の階層クラスタリングを用いて決定された職名を含む。図の例では、職種が、階層構造に編成されている。選択された職種グループ（例えば、グループを囲む破線で示されている）が、階層構造内で近いと決定され、その結果、それらの正規化された職種は、同じ職種を含む。いくつかの実施形態において、職種の正規化は、職種の総数を削減するために、いくつかの職種を単一の正規化された職種にまとめることを含む。図の例では、戦略および経理が１つの職種にまとめられ、コンプライアンスおよび法務が１つの職種にまとめられ、マーケティング、営業、および、営業＆マーケティングサポートが１つの職種にまとめられ、臨床、品質保証、および、規制関連業務が１つの職種にまとめられ、技術および製造が１つの職種にまとめられている。図の例では、２４の職種が、このように１７まで削減される。いくつかの実施形態では、職位が、同様の方法でクラスタリングされて、職位の総数が削減される。いくつかの実施形態において、職種の階層クラスタリングのための処理は、凝集クラスタリングを用いる。正規化された職種が、各職種に対応して割り当てられる。一連の工程が実行され、各工程では、どの２つの職種が、職種内の職名と、従業員がそれらの職種間で異動することの点で近いのかに基づいて、２つの職種が、正規化された職種に統合される。処理は、職名および異動が停止を決定づけた時に停止する（例えば、最も近いと判定された２つの職種が近さの閾値ほど近くなくなった時）。様々な実施形態において、クラスタリングは、職名および／または職務のクラスタリングにも用いられる。いくつかの実施形態において、クラスタリングは、すべての職名をクラスタに対応付けるテーブルを生成して、職名の数を圧縮する。例えば、職名数の圧縮は、元の職名数の５０〜９０％を実現する。

図７は、離職リスクを予測するための処理の一実施形態を示すフローチャートである。いくつかの実施形態において、図７の処理は、図１の離職リスク判定器１０６によって実行される。工程７００に示す例では、取引時系列のセットが、雇用データを用いて決定され、ここで、各取引時系列は、１従業員に関連する。いくつかの実施形態において、雇用データは、パフォーマンスデータ（例えば、年当たりの昇進回数、パフォーマンス評価、販売実績など）を含む。工程７０２において、取引時系列のセットは、時系列のサブセットを決定するために、従業員の異動特徴に基づいてフィルタリングされる。工程７０４において、時系列のモデルセットが、時系列のサブセットを正規化することによって決定される。様々な実施形態において、時系列のサブセットを正規化することは、従業員の職名に関連する正規化された従業員職名を決定すること、従業員の職位に関連する正規化された従業員職位を決定すること、従業員の給与に関連する正規化された通貨価値を決定すること、または、任意の他の適切な方法で時系列のサブセットを正規化することを含む。工程７０６において、特徴ベクトルのセットが決定され、ここで、特徴ベクトルセットの各ベクトルは、時系列のモデルセットの時系列から決定される。工程７０８において、１または複数のモデルが、特徴ベクトルのセットに少なくとも部分的に基づいて決定される。工程７１０において、離職リスクが、１または複数のモデルを用いて所与の従業員に対して予測される。

図８は、雇用データを用いて、取引の時系列のセットを決定するための処理の一実施形態を示すフローチャートである。いくつかの実施形態において、図８の処理は、図７の工程７００を実施する。図の例では、工程８００において、次の取引が選択される。いくつかの実施形態において、次の取引は、最初の取引を含む。いくつかの実施形態において、次の取引は、従業員データサーバ（例えば、図１の従業員データサーバ１０４）から受信した取引のセットの内の１つを含む。工程８０２で、選択された取引に関連する従業員ＩＤが決定される。工程８０４で、選択された取引が、従業員ＩＤに関連する時系列に追加される。いくつかの実施形態において、選択された取引は、従業員ＩＤに関連する時系列の最後に追加される。いくつかの実施形態において、選択された取引は、時系列が日付でソートされたままになるように、従業員ＩＤに関連する時系列内の適切な時点に追加される。いくつかの実施形態において、従業員ＩＤに関連する時系列が存在しない場合、従業員ＩＤに関連する新しい時系列が作成され、選択された取引は、新しい時系列に追加される。工程８０６で、さらなるの取引（例えば、従業員データサーバから受信されたさらなる取引）が存在するか否かが判定される。さらなる取引が存在すると判定された場合、制御は、工程８００に戻る。さらなる取引が存在しないと判定された場合、処理は終了する。いくつかの実施形態において、取引の時系列のセットが決定された後、時系列セットの各時系列が時間でソートされる（例えば、取引のセットが時系列になるように）。

図９は、取引の時系列のセットをフィルタリングするための処理の一実施形態を示すフローチャートである。いくつかの実施形態において、図９の処理は、図７の工程７０２を実施する。いくつかの実施形態において、図９の処理は、取引時系列のセットを決定するための処理（例えば、図８の処理）から受けた取引時系列のセットをフィルタリングする。いくつかの実施形態では、異動特徴が、フィルタリングを行うか否かを判定するために用いられる。様々な実施形態において、異動特徴は、以下の内の１または複数を含む：従業員の退職、会社で雇用中の従業員の死亡、従業員の臨時雇用であったこと、従業員が閾値期間未満の雇用であったこと、または、任意のその他の適切な異動特徴。図の例において、工程９００で、次の時系列が選択される。いくつかの実施形態において、次の時系列は、最初の時系列を含む。工程９０２で、時系列に関連する従業員が決定される。様々な実施形態において、従業員を決定することは、従業員の名前を決定すること、従業員識別子を決定すること、関連する従業員情報を決定すること、または、任意のその他の適切な方法で従業員を決定することを含む。工程９０４で、従業員が退職したか否かが判定される。従業員が退職したと判定された場合、制御は、工程９１２に進む。従業員が退職していなかったと判定された場合、制御は、工程９０６に進む。工程９０６で、従業員がこの会社に雇われている間に死亡したか否かが判定される。従業員がこの会社に雇われている間に死亡したと判定された場合、制御は、工程９１２に進む。従業員がこの会社に雇われている間に死亡しなかったと判定された場合、制御は、工程９０８に進む。工程９０８で、従業員が臨時雇用であったか否かが判定される。従業員が臨時雇用であったと判定された場合、制御は、工程９１２に進む。従業員が臨時雇用でなかったと判定された場合、制御は、工程９１０に進む。工程９１０で、従業員が閾値期間未満の雇用であったか否かが判定される。従業員が閾値期間未満の雇用であったと判定された場合、制御は、工程９１２に進む。従業員が閾値期間未満の雇用ではなかったと判定された場合、制御は、工程９１４に進む。工程９１２において、時系列が時系列セットから削除される（例えば、関連する従業員が時系列セットからフィルタリング除去される）。次いで、制御は、工程９１４に進む。工程９１４において、さらなる時系列があるか否かが判定される。さらなる時系列があると判定された場合、制御は、工程９００に進む。さらなる時系列がないと判定された場合、制御は終了する。

図１０Ａは、時系列のサブセットを正規化することによって時系列のモデルセットを決定するための処理の一実施形態を示すフローチャートである。いくつかの実施形態において、図１０Ａの処理は、図７の工程７０４を実施する。図の例において、工程１０００で、次の時系列が選択される。いくつかの実施形態において、次の時系列は、最初の時系列を含む。工程１００２において、次の取引（例えば、選択された時系列の次の取引）が選択される。いくつかの実施形態において、次の取引は、最初の取引を含む。工程１００４で、選択された取引が正規化される。工程１００６で、さらなる取引（例えば、選択された時系列内のさらなる取引）があるか否かが判定される。さらなる取引が存在すると判定された場合、制御は、工程１００２に戻る。さらなる取引がないと判定された場合、制御は、工程１００８に進む。工程１００８において、さらなる時系列があるか否かが判定される。さらなる時系列があると判定された場合、制御は、工程１０００に進む。さらなる時系列がないと判定された場合、制御は終了する。いくつかの実施形態において、各時系列の各取引が正規化された後の時系列のセットは、時系列のモデルセットを含む。

図１０Ｂは、取引を正規化するための処理の一実施形態を示すフローチャートである。いくつかの実施形態において、図１０Ｂの処理は、図１０Ａの工程１００４を実施する。図の例において、工程１０５０で、新しい職名が決定される（例えば、取引の新しい職に関連した職名）。工程１０５２で、関連する正規化された新しい職名が決定される。いくつかの実施形態において、関連する正規化された新しい職名は、職名正規化テーブルを用いて決定される。いくつかの実施形態において、関連する正規化された新しい職名は、取引の一部として格納される。いくつかの実施形態において、関連する正規化された新しい職名は、取引内の新しい職名に取って代わる。工程１０５４で、新しい職位が決定される（例えば、取引の新しい職に関連する職位）。工程１０５６で、関連する正規化された新しい職位が決定される。いくつかの実施形態において、関連する正規化された新しい職位は、職位正規化テーブルを用いて決定される。いくつかの実施形態において、関連する正規化された新しい職位は、取引の一部として格納される。いくつかの実施形態において、関連する正規化された新しい職位は、取引内の新しい職位に取って代わる。工程１０５８で、以前の職名が決定される（例えば、取引の以前の職に関連する職名）。工程１０６０で、関連する正規化された以前の職名が決定される。いくつかの実施形態において、関連する正規化された以前の職名は、職名正規化テーブルを用いて決定される。いくつかの実施形態において、関連する正規化された以前の職名は、取引の一部として格納される。いくつかの実施形態において、関連する正規化された以前の職名は、取引内の以前の職名に取って代わる。工程１０６２で、以前の職位が決定される（例えば、取引の以前の職に関連する職位）。工程１０６４で、関連する正規化された以前の職位が決定される。いくつかの実施形態において、関連する正規化された以前の職位は、職位正規化テーブルを用いて決定される。いくつかの実施形態において、関連する正規化された以前の職位は、取引の一部として格納される。いくつかの実施形態において、関連する正規化された以前の職位は、取引内の以前の職位に取って代わる。

図１１は、時系列セット内の時系列をバケットにソートするための処理の一実施形態を示すフローチャートである。いくつかの実施形態において、図１１の処理は、図１の離職リスク判定器１０６のバケッタモジュールによって実行される。図の例において、工程１１００で、バケット情報が受信される（例えば、システム管理者から、格納されたバケット情報から、など）。いくつかの実施形態において、バケット情報は、カテゴリのセット（１セットのカテゴリ）を記述する。いくつかの実施形態において、時系列セット内の各時系列は、カテゴリセット内の１つのカテゴリ（例えば、１つの「バケット」）に関連する。いくつかの実施形態において、カテゴリセットは、従業員在職期間カテゴリを含む（例えば、会社に１〜５年間在籍している従業員、会社に５〜１０年間在籍している授業員、会社に１０〜２０年間在籍している従業員など）。工程１１０２で、次の時系列が選択される。いくつかの実施形態において、次の時系列は、最初の時系列を含む。工程１１０４で、時系列に関連するバケットが決定される。いくつかの実施形態において、時系列に関連するバケットは、バケット情報および従業員情報から決定される。工程１１０６において、さらなる時系列があるか否かが判定される。さらなる時系列があると判定された場合、制御は、工程１１０２に進む。さらなる時系列がないと判定された場合、制御は終了する。

図１２は、特徴ベクトルのセットを決定するための処理の一実施形態を示すフローチャートであり、各特徴ベクトルは、時系列セットの時系列から決定される。いくつかの実施形態において、図１２の処理は、図７の工程７０６を実施する。図の例において、工程１２００で、次の時系列が選択される。いくつかの実施形態において、次の時系列は、最初の時系列を含む。工程１２０２で、従業員の職種数が決定される。いくつかの実施形態において、従業員は、時系列に関連する従業員を含む。いくつかの実施形態において、従業員の職種数は、時系列に見られる従業員に関連する職種の総数を含む。工程１２０４で、従業員の総雇用時間が決定される。いくつかの実施形態において、従業員の総雇用時間は、時系列に見られる会社在籍の総時間を含む。工程１２０６で、従業員の昇進間の平均期間が決定される。いくつかの実施形態において、従業員の昇進間の平均期間は、時系列に見られる昇進間の平均期間を含む。工程１２０８で、従業員が職種を異動したか否かが決定される。いくつかの実施形態において、従業員が職種を異動したか否かは、職種の異動が時系列内で見られるか否かを判定することによって決定される。工程１２１０で、従業員の勤務地数が決定される。いくつかの実施形態において、従業員の勤務地数は、時系列に見られる勤務地数を含む。工程１２１２で、従業員の現在の職種の期間が決定される。いくつかの実施形態において、従業員の現在の職種の期間は、時系列に見られる現在の職種の期間を含む。工程１２１６において、さらなる時系列があるか否かが判定される。さらなる時系列があると判定された場合、制御は、工程１２００に進む。さらなる時系列がないと判定された場合、制御は終了する。

図１３は、モデルを決定するための処理の一実施形態を示すフローチャートである。いくつかの実施形態において、図１３の処理は、図７の工程７０８を実施する。図の例において、工程１３００で、次のバケットが選択される。いくつかの例において、次のバケットは、最初のバケットを含む。いくつかの実施形態において、各時系列および関連する特徴ベクトルが、バケットに関連付けられる。いくつかの実施形態において、各時系列は、図１１の処理を用いてバケットに関連付けられる。いくつかの実施形態では、バケットが決定されていない（例えば、すべての時系列および関連する特徴ベクトルが、同じバケットに関連付けられる）。工程１３０２で、新しいモデルが、選択されたバケット内の特徴ベクトルを用いてトレーニングされる。いくつかの実施形態において、モデルは、（例えば、１年以内に）自主退職した従業員（例えば、特徴ベクトルによって表された従業員）と、自主退職しなかった従業員とを区別するための分類子を含む。いくつかの実施形態において、モデルは、線形サポートベクターマシンかを含む。工程１３０４で、さらなるバケットがあるか否かが判定される。さらなるバケットがある場合、制御は、工程１３００に戻る。さらなるバケットがない場合、処理は終了する。

図１４は、１または複数のモデルを用いて所与の従業員の離職リスクを予測するための処理の一実施形態を示すフローチャートである。いくつかの実施形態において、図１４の処理は、図７の工程７１０を実施する。図の例において、工程１４００で、従業員に関連する時系列が受信される。いくつかの実施形態において、従業員に関連する時系列は、グループ化器（例えば、図３Ａのグループ化器３０２）から受信される。いくつかの実施形態において、従業員に関連する時系列は、従業員に関連するグループ化された取引のセット（例えば、図２の取引データベース２０４に格納された取引）を含む。工程１４０２で、時系列が（例えば、図３Ａの正規化器３０６によって）正規化される。工程１４０４で、特徴ベクトルが（例えば、図３Ａの特徴ベクトル抽出器によって）正規化された時系列から決定される。工程１４０６で、離職リスクが、特徴ベクトルおよびモデルに基づいて決定される。いくつかの実施形態において、離職リスクを決定することは、特徴ベクトルと分類子閾値との間の距離を決定することを含む。いくつかの実施形態において、離職リスクを決定することは、特徴ベクトルと重みベクトルとの間のドット積を計算することを含む。

図１５は、リスク予測表示の一実施形態を示すグラフの一実施形態である。図の例では、リスク予測が、他の雇用データ（例えば、パフォーマンスデータ）に対してプロットされている。グラフ１５００は、ｘ軸１５０４の離職リスク（例えば、翌年内に離れる可能性の百分率）対ｙ軸のパフォーマンス（例えば、パーセンタイル順位）をプロットしている。グラフ１５００は、プルダウンメニュー１５０６（例えば、マーケティング部門）およびプルダウンメニュー１５０８（例えば、すべての職名）を含むユーザ選択可能なパラメータを有する。離職リスクおよびパフォーマンスを高低に分けて、グラフ１５００内に４つの象限を設けている。高リスク高パフォーマンスの人が、右上の象限に認められる。

図１６は、リスク予測表示の一実施形態を示す表の一実施形態である。図の例において、表１６００は、リスク依存度を示す。各依存度は、相対的な重み付け（例えば、重み１６０２）およびリスク区分（例えば、高リスク、低リスク、中リスクなど）を示す。現在の職種の期間は、５０％の重みであり、＞５年では高リスク、３〜５年では中リスク、および、＜３年では低リスクであると、離職リスクの予測を示している。在職期間は、２９％の重みであり、＜３年では高リスク、３〜６年では中リスク、および、＞６年では低リスクであると、離職リスクの予測を示している。勤務地数は、１１％での重みであり、０〜１カ所では高リスク、２カ所では中リスク、および、＞２カ所では低リスクであると、離職リスクの予測を示している。職種数は、７％の重みであり、０〜２の職種では高リスク、３の職種では中リスク、および、＞３の職種では低リスクであると、離職リスクの予測を示している。昇進間の期間は、２％の重みであり、＞４年では高リスク、２〜４年では中リスク、および、＜２年では低リスクであると、離職リスクの予測を示している。従業員が職種を異動したか否かについては、１％の重みであり、否定では高リスク、肯定では低リスクであると、離職リスクの予測を示している。

上述の実施形態は、理解しやすいようにいくぶん詳しく説明されているが、本発明は、提供された詳細事項に限定されるものではない。本発明を実施する多くの代替方法が存在する。開示された実施形態は、例示であり、限定を意図するものではない。

Claims (20)

1. 離職リスクを判定するためのシステムであって、
   従業員データサーバと、
   離職リスク判定器であって、
   前記従業員データサーバからの雇用データを用いて取引時系列のセットを決定し、各取引時系列は１従業員に関連し、
   時系列のサブセットを決定するために、従業員の異動特徴に基づいて前記取引時系列のセットをフィルタリングし、
   時系列の前記サブセットを正規化することにより、時系列のモデルセットを決定し、
   特徴ベクトルのセットを決定し、前記特徴ベクトルのセットの各特徴ベクトルは、時系列の前記モデルセットの中の時系列から決定され、
   前記特徴ベクトルのセットに少なくとも部分的に対応する１または複数の重みベクトルを決定し、
   前記特徴ベクトルおよび前記１または複数の重みベクトルのドット積を用いて所与の従業員の離職リスクを予測するように構成されている１または複数のプロセッサを備える離職リスク判定器と、
   を備える、システム。
2. 請求項１に記載のシステムにおいて、前記離職リスク判定器はさらに、前記従業員データサーバから前記雇用データを受信するための入力インターフェースを備える、システム。
3. 請求項１に記載のシステムにおいて、前記雇用データを用いて取引時系列のセットを決定することは、前記雇用データを従業員ごとに集計することを含む、システム。
4. 請求項１に記載のシステムにおいて、前記雇用データを用いて取引時系列のセットを決定することは、前記雇用データをソートすることを含む、システム。
5. 請求項１に記載のシステムにおいて、従業員の異動特徴に基づいて前記取引時系列のセットをフィルタリングすることは、死亡した従業員をフィルタリングすることを含む、システム。
6. 請求項１に記載のシステムにおいて、従業員の異動特徴に基づいて前記取引時系列のセットをフィルタリングすることは、退職した従業員をフィルタリングすることを含む、システム。
7. 請求項１に記載のシステムにおいて、従業員の異動特徴に基づいて前記取引時系列のセットをフィルタリングすることは、臨時従業員をフィルタリングすることを含む、システム。
8. 請求項１に記載のシステムにおいて、従業員の異動特徴に基づいて前記取引時系列のセットをフィルタリングすることは、短時間勤務の従業員をフィルタリングすることを含む、システム。
9. 請求項１に記載のシステムにおいて、時系列の前記サブセットを正規化することは、従業員の職名に関連する正規化された従業員職名を決定することを含む、システム。
10. 請求項１に記載のシステムにおいて、時系列の前記サブセットを正規化することは、従業員の職位に関連する正規化された従業員職位を決定することを含む、システム。
11. 請求項１に記載のシステムはさらに、前記時系列に関連する雇用期間に少なくとも部分的に基づいて、時系列の前記サブセットを１または複数のサブセットに分けるためのバケッタを備える、システム。
12. 請求項１に記載のシステムにおいて、前記特徴ベクトルのセットの中の特徴ベクトルの特徴は、職種の数を含む、システム。
13. 請求項１に記載のシステムにおいて、前記特徴ベクトルのセットの中の特徴ベクトルの特徴は、総雇用時間を含む、システム。
14. 請求項１に記載のシステムにおいて、前記特徴ベクトルのセットの中の特徴ベクトルの特徴は、昇進間の平均期間を含む、システム。
15. 請求項１に記載のシステムにおいて、前記特徴ベクトルのセットの中の特徴ベクトルの特徴は、職種が変わったか否かを含む、システム。
16. 請求項１に記載のシステムにおいて、前記特徴ベクトルのセットの中の特徴ベクトルの特徴は、勤務地の数を含む、システム。
17. 請求項１に記載のシステムにおいて、前記特徴ベクトルのセットの中の特徴ベクトルの特徴は、現在の職種の期間を含む、システム。
18. 請求項１に記載のシステムにおいて、前記特徴ベクトルおよび前記１または複数の重みベクトルのドット積を用いて所与の従業員の離職リスクを予測することは、
    前記所与の従業員に関連する取引時系列を受信し、
    正規化された時系列を生成するために、前記取引時系列を正規化し、
    前記正規化された時系列から特徴ベクトルを決定し、
    前記特徴ベクトルに基づいて予測するために、前記１または複数のモデルを用いること
    を含む、システム。
19. コンピュータによって実行される離職リスクを判定するための方法であって、
    従業員データサーバからの雇用データを用いて取引時系列のセットを決定し、各取引時系列は、１従業員に関連し、
    時系列のサブセットを決定するために、従業員の異動特徴に基づいて前記取引時系列のセットをフィルタリングし、
    時系列の前記サブセットを正規化することにより、時系列のモデルセットを決定し、
    特徴ベクトルのセットを決定し、前記特徴ベクトルのセットの各特徴ベクトルは、時系列の前記モデルセットの中の時系列から決定され、
    前記特徴ベクトルのセットに少なくとも部分的に対応する１または複数の重みベクトルを決定し、
    前記特徴ベクトルおよび前記１または複数の重みベクトルのドット積を用いて所与の従業員の離職リスクを予測すること、
    を備える、方法。
20. 離職リスクを決定するためのコンピュータプログラムであって、
    従業員データサーバからの雇用データを用いて取引時系列のセットを決定するための機能と、各取引時系列は、１従業員に関連し、
    時系列のサブセットを決定するために、従業員の異動特徴に基づいて前記取引時系列のセットをフィルタリングするための機能と、
    時系列の前記サブセットを正規化することにより、時系列のモデルセットを決定するための機能と、
    特徴ベクトルのセットを決定するための機能と、前記特徴ベクトルのセットの各特徴ベクトルは、時系列の前記モデルセットの中の時系列から決定され、
    前記特徴ベクトルのセットに少なくとも部分的に対応する１または複数の重みベクトルを決定するための機能と、
    前記特徴ベクトルおよび前記１または複数の重みベクトルのドット積を用いて所与の従業員の離職リスクを予測するための機能と、
    をコンピュータにより実現させる、コンピュータプログラム。

Images