JP6796668B2 - 情報処理装置、情報処理方法及びプログラム - Google Patents

Description

本発明は、モデル対象者に基づいて基準モデルを生成する情報処理装置、情報処理方法及びプログラムに関する。

従来から、新たな人材を採用するに際して、支援システムを用いることが提案されている。特許文献１では、個別企業の社員の社内評価得点を含む社内評価情報が保存された社員評価データベースと、社員の職務適性試験の結果情報が保存された社員試験結果データベースと、社員評価データベースに保存された社員の社内評価得点を、社員試験結果データベースに保存された社員の職務適性試験の結果情報に関連付け、社内評価得点が所定値以上である高評価社員の職務適性試験の結果情報を抽出する高評価社員情報抽出手段と、高評価社員情報抽出手段により抽出された結果情報に基づいて、採用選考対象者の職務適性試験の結果の個別企業における採用目標範囲を決定する採用目標範囲決定手段と、を有する人材採用支援システムが提案されている。

特開２０１０−１５２８９号

特許文献１で示されているようなシステムでは、職務適性試験の結果を利用して採用目標範囲を決定しているが、あくまでも職務適性試験の結果が基準となっており、職務適性試験のような試験では測定できない情報を利用した採用活動を期待できない。

本発明は、従前とは異なる観点から採用や人事異動等の用途に利用できる基準モデルを提供する。

本発明による情報処理装置は、
記憶部に記憶された勤務者データを検索する検索部と、
前記検索部で検索された勤務者データをモデル候補者として読み出し、前記モデル候補者として読み出された勤務者データのうち少なくとも勤務者写真データを出力する出力部と、
前記モデル候補者からモデル対象者を選定するための情報を受け付ける受付部と、
選定されたモデル対象者と前記モデル対象者以外の勤務者の勤務者データを用いて基準モデルを生成する学習部と、
を備えてもよい。

本発明による情報処理装置は、
前記出力部で出力された前記勤務者写真データを表示する表示部を備え、
入力部を介して前記モデル候補者の勤務者写真データから所定の勤務者写真データが選択されることで、前記モデル対象者が選定されてもよい。

本発明による情報処理装置において、
前記表示部は、前記勤務者写真データとともに当該勤務者の氏名及び所属組織を表示してもよい。

本発明による情報処理装置において、
前記勤務者写真データは勤務者の顔写真であってもよい。

本発明による情報処理装置において、
前記モデル対象者の一部を用いて前記学習部が学習を行い、
前記モデル対象者の残部を用いて評価部での評価を行い、
前記評価部での評価結果が所定の基準を満たしていない場合には、前記出力部は、モデル対象者の再選定を促してもよい。

本発明による情報処理装置において、
前記勤務者データは役職及び人事評価を含んでもよい。

本発明による情報処理装置において、
前記勤務者データは勤務者の売上情報を含んでもよい。

本発明による情報処理装置において、
前記出力部は、前記記憶部に記憶されている勤務者データ又は採用候補者データに前記学習部で生成された基準モデルを適用することで対象者を出力してもよい。

本発明による情報処理方法は、
検索部によって、記憶部に記憶された勤務者データを検索し、検索された勤務者データをモデル候補者として読み出す工程と、
出力部によって、前記モデル候補者として読み出された勤務者データのうち少なくとも勤務者写真データを出力する工程と、
受付部によって、前記モデル候補者からモデル対象者を選定するための情報を受け付ける工程と、
学習部によって、選定されたモデル対象者と前記モデル対象者以外の勤務者の勤務者データを用いて基準モデルを生成する工程と、
を備えてもよい。

本発明によるプログラムは、
情報処理装置にインストールするためのプログラムであって、
プログラムをインストールされた情報処理装置は、
記憶部に記憶された勤務者データを検索する検索部と、
前記検索部で検索された勤務者データをモデル候補者として読み出し、前記モデル候補者として読み出された勤務者データのうち少なくとも勤務者写真データを出力する出力部と、
前記モデル候補者からモデル対象者を選定するための情報を受け付ける受付部と、
選定されたモデル対象者と前記モデル対象者以外の勤務者の勤務者データを用いて基準モデルを生成する学習部と、
を備えてもよい。

本発明において、検索部で検索された勤務者データをモデル候補者として読み出し、モデル候補者として読み出された勤務者データのうち少なくとも勤務者写真データを出力し、勤務者写真データが出力されたモデル候補者からモデル対象者を選定するための情報を受け付け、選定されたモデル対象者とモデル対象者以外の勤務者の勤務者データを用いて基準モデルを生成する態様を採用する場合には、従前では提供されていない、勤務者写真データに基づいて選定されたモデル対象者の情報に基づいて基準モデルを生成できる。

図１は、本発明の実施の形態において、検索部で検索された勤務者（モデル候補者）からモデル対象者を選定する態様を説明するための図である。 図２は、本発明の実施の形態において、基準モデルを作成し、評価部で評価する態様を説明するための図である。 図３は、本発明の実施の形態で用いられうる情報処理装置の構成を示したブロック図である。

実施の形態
《構成》
本実施の形態の情報処理装置は、一つの装置から構成されてもよいし複数の装置から構成されてもよい。また、複数の装置から情報処理装置が構成される場合には、各装置が同じ部屋等の同じ空間に設けられる必要はなく、異なる部屋、異なる建物、異なる地域等に設けられてもよい。本実施の形態では「及び／又は」を用いて説明することもあるが、「又は」という文言は「及び」の意味も含んでいる。つまり、Ａ又はＢという文言は、Ａ単独、Ｂ単独、並びに、Ａ及びＢを含んだ概念である。

本実施の形態の情報処理装置は、図３に示すように、様々な情報を記憶する記憶部４０と、記憶部４０に記憶された勤務者データを検索し、検索された勤務者データをモデル候補者として読み出す検索部１０と、モデル候補者として読み出された勤務者データのうち少なくとも勤務者写真データを出力する出力部３０と、モデル候補者からモデル対象者を選定するための情報を受け付ける受付部２０と、選定されたモデル対象者と記憶部４０に記憶されているモデル対象者以外の勤務者の勤務者データを用いて基準モデルを生成する学習部５０と、を有してもよい。本実施の形態の情報処理装置は、好業績なハイパフォーマーな勤務者を分析するハイパフォーマー分析、低業績なローパフォーマーな勤務者を分析するローパフォーマー分析、休職する勤務者を分析する休職者分析、退職する退職者分析等の様々な分析に用いることができる。勤務者には、企業等の対象雇用者又は対象雇用者の関連会社で働く一切の人材が含まれ、社員、職員、パートタイマー、アルバイト、契約社員、契約職員（臨時職員）、派遣社員、役員等が含まれる。

モデル候補者の絞り込みとしては、直近の人事評価、あるプロジェクトへ参加した人物、役職等の様々な条件を用いることができる。本実施の形態では、一例として、記憶部４０が持っている各勤務者の情報に基づいてモデル候補者を一次的に絞り込み、このように一次的に絞り込んだ結果を、勤務者写真データを用いて二次的に絞り込む態様となっている。

モデル候補者を絞り込むための条件はプルダウンメニュー等で選択できるようにしてもよいし（図１参照）、自由な用語を入力できるようにしてもよい。また、項目だけがプルダウンメニュー等で選択できるようになり、当該項目についての検索用語は自由に入力できるようにしてもよい。このように項目を選択式にすることで、絞り込む条件を予め決定できるようになる。

情報処理装置は、出力部３０で出力された勤務者写真データを表示する表示部６０を有してもよい（図２参照）。そして、パソコンの操作部やタッチパネル等からなる入力部７０を介してモデル候補者の勤務者写真データから所定の勤務者写真データが選択されることで、モデル対象者が選定されてもよい。モデル対象者を選定する際には、ロールモデル候補者が表示されている欄からモデル対象者となる勤務者のデータ（例えば顔写真データ）をモデル対象者となる欄へとドラッグすることで移すようにしてもよいし（図１参照）、ダブルクリックすることで勤務者がモデル対象者として選択されてもよいし、モデル候補者からデータが削除されることでモデル対象者が選択されてもよい。また、モデル候補者の全てをモデル対象者として設定するためのボタンが表示され、当該ボタンを押下することで、モデル候補者の全てがモデル対象者として設定されてもよい。この場合には、モデル対象者に設定された勤務者のうちの一部を削除することで最終的なモデル対象者が選択されてもよいし、モデル対象者に設定された勤務者の全員をモデル対象者として選択されてもよい。

モデル対象者に選択された勤務者はモデル候補者の絞り込み条件が変わってもリセット等されず、変更されないようにしてもよい。つまり、第一条件でモデル候補者を絞り込み、当該モデル候補者からモデル対象者を選択した後で、第二条件でモデル候補者を絞り込んだ際にモデル対象者として選択された勤務者はそのままモデル対象者として維持され、第二条件で絞り込まれたモデル候補者からモデル対象者を追加できるようにしてもよい。この場合には、第二条件で検索した際に、既にモデル対象者となっている勤務者はモデル候補者として挙げられないようにしてもよい。

表示部６０は、勤務者写真データとともに当該勤務者の氏名及び所属組織を表示してもよい（図１参照）。勤務者写真データは勤務者の体全てを含む全体写真であってもよいが、顔写真（顔写真データ）であってもよい。なお、図１で示されている「aaa」、・・・、「mm」等は勤務者の氏名を示している。

基準モデルを生成する際には顔写真データを用いず、ロールモデルとして選択された勤務者の人事情報を含む様々な情報（勤務者データ）を用いてもよい。この場合には、適用対象となる人物の情報のうち、基準モデルを生成する際に用いられた情報を用いて、基準モデルに合致した人物（基準モデルで高評価の人物）が選定されることとなる。但し、これに限られることはなく、顔写真データも基準モデルを生成する際に利用してもよい。この場合には、顔写真データも含めた情報を用いて、基準モデルに合致した人物（基準モデルで高評価の人物）が選定されることとなる。

勤務者データは役職、人事評価、勤務者の売上情報及び／又は特許評価を含んでもよい。なお、売上情報は典型的には営業部で勤務している者に適用されることとなる。特許評価は典型的には研究・開発部門で勤務している者に適用されることとなる。特許評価については、特許出願数、社内での特許評価、ライセンス収入額等の情報が含まれてもよい。勤務者の勤務者データには、勤務者の学歴、職歴、年齢、性別、資格等の勤務者自身の情報が含まれてもよいし、勤務者の家族構成といった勤務者に関連する情報が含まれてもよい。

出力部３０は、記憶部４０に記憶されている勤務者データ又は採用候補者データに学習部５０で生成された基準モデルを適用することで、基準モデルに適合する対象者、つまり基準モデルで高評価となる対象者を出力してもよい。基準モデルとしては、ハイパフォーマー分析に用いられる基準モデル、ローパフォーマー分析に用いられる基準モデル、休職者分析に用いられる基準モデル、退職者分析に用いられる基準モデル等の様々な態様を採用でき、例えば各基準モデルで高評価となる対象者が出力されることになる。各基準モデルでの評価結果（例えば高評価の人物情報）は表形式で一覧表示されてもよいし、例えばタブを切り替えることで各基準モデルでの評価結果が切り替わって表示されるようにしてもよい。

第一基準モデルによって高評価となった人物（勤務者又は採用候補者）と第二基準モデルによって高評価となった人物（勤務者又は採用候補者）とが重複する場合には、当該人物の情報を出力部３０が出力するようにしてもよい。この場合、表示部６０が当該人物を強調して表示するようにしてもよい。例えばハイパフォーマー分析に用いられる基準モデルで高評価となった採用候補者であっても、退職者分析に用いられる基準モデルで高評価となる場合もあり、この場合には、当該採用候補者を採用しても離職する可能性があることから当該採用候補者の採用を見送るというような判断を行うこともできる。なお、高評価とは閾値以上の評価点を満たす場合及び／又は上位から所定人数になる場合であることを意味している。

情報処理装置は、学習部５０で生成された基準モデルの評価を行う評価部１１０を有し、当該評価部１１０における評価結果を示す表示部６０を有してもよい。評価結果が芳しくない場合には、基準モデルを生成し直すこととなるが、その場合には、モデル対象者を選定し直すこととなる。この際、既に選択しているモデル対象者に新たなモデル対象者を追加してもよいし、既に選択しているモデル対象者からモデル対象者を除外してもよいし、全く別のモデル対象者を選択し直してもよい。また、モデル対象者となっている勤務者とモデル候補者となっている勤務者とを一部交換してもよい。

モデル対象者となる人物数の下限値と上限値が設定可能となってもよい（図１に示す態様では「ロールモデルは５人以上選択してください。」と表示部６０で表示され、下限値が示されている。）。この態様では、モデル対象者となっている人物数が下限値よりも小さい場合には、モデル対象者を追加することを促す情報が表示部６０に表示されてもよい。また、モデル対象者となっている人物数が上限値よりも大きい場合には、モデル対象者を削減することを促す情報が表示部６０に表示されてもよい。また、モデル対象者となっていない人物数（対象外勤務者の数）の下限値と上限値が設定可能となってもよい。

情報処理装置は、複数のデータを分割する分割部１２０を有してもよい。このよう分割部１２０が設けられた場合には、モデル対象者の一部及びモデル対象者以外の勤務者（対象外勤務者）の一部を訓練データとして用いて学習部５０が学習を行ってもよい（図２参照）。モデル対象者の残部及び対象外勤務者の残部を評価データとして用いて評価部１１０での評価を行ってもよい。一例としては、複数のデータのうちの５０％〜９０％、より具体的には６０％〜８０％（例えば７０％）を学習部５０での学習で用いる訓練データとして利用し、複数のデータのうちの５０％〜１０％、より具体的には４０％〜２０％（例えば３０％）を評価部１１０での評価に用いる評価データとして利用してもよい（図２参照）。訓練データの母数を増やすことによって学習部５０で生成される学習済みモデルの精度を高めることができる点で有益である。

訓練データと評価データは、基本的には同じ期間におけるデータであり、母集団を例えば７：３でランダムに分けることで生成されるが、これに限られることはない。場合によっては異なる期間のデータを用いることも考えられる。

評価部１１０は学習済みの基準モデルを利用した場合の精度の高さを評価してもよい。学習部５０によって生成された学習済みの基準モデルに対して評価データを適用し、生成された基準モデルがどの程度の正確性を持っているかが評価されてもよい。一例として、正確性の尺度として、ＡＵＣ（Area Under the Curve）が利用されてもよい。評価部１１０による予測結果は記憶部４０で記憶されてもよい。

出力部３０は、基準モデルに対する正確性を出力し、利用者が当該正確性を認識できるようになってもよい。また、複数の閾値を設けておき、正確性に関して、極めて高い、高い、普通、低い、極めて低い等のように分類して出力されるようにしてもよい。

学習部５０は、複数の採用変数と、各採用変数に対する係数を用いて学習モデルを生成してもよい。学習部５０は、機械学習技術として、様々なモデルを採用することができ、例えば、ロジスティクス回帰モデル、ランダムフォレストモデル、ツリーモデル等を採用することができる。

なお、本実施の形態では、本実施の形態の情報処理装置を提供するためのプログラム、すなわちインストールすることで本実施の形態の情報処理装置が製造（生成）されるプログラムと、当該プログラムをインストールした記憶媒体も提供される。

本実施の形態の検索部１０、受付部２０、出力部３０、記憶部４０、学習部５０、評価部１１０、分割部１２０等の各部材は、一つ又は複数のＩＣチップ又は電子モジュール等で実現されてもよいし、回路構成によって実現されてもよい。また、一つの電子部材が制御部となり、これら検索部１０、受付部２０、出力部３０、記憶部４０、学習部５０、評価部１１０、分割部１２０等の機能を果たしてもよい。

《方法》
次に、本実施の形態の情報処理方法の一例について、図１及び図２を用いて説明する。なお、上記と重複することになるので簡単に説明するに留めるが、上記「構成」で述べた全ての態様及び下記「効果」で述べる全ての態様を「方法」において適用することができる。

まず、検索部１０によって、記憶部４０に記憶された勤務者データの検索が行われ、検索部１０で検索された勤務者データがモデル候補者として読み出される。

次に、出力部３０によって、モデル候補者として読み出された勤務者データのうち少なくとも勤務者写真データを出力する。この際、勤務者の氏名及び所属組織が勤務者写真データとともに表示されるようになってもよい。このようなモデル候補者は、例えば図１の左側で示されるようにロールモデル候補として挙げられる。

次に、例えばユーザがドラッグすることでモデル候補者からモデル対象者が選定され、当該情報が受付部２０で受け付けられる。モデル対象者をさらに追加したい場合には検索部１０によって異なる条件で検索を行い、別のモデル候補者が出力されてもよい。そして、当該モデル候補者からモデル対象者が追加されてもよい。

モデル対象者が確定すると、データ分割部１２０で勤務者データが訓練データと評価データに分割される。この際、モデル対象者の一部が訓練データに振り分けられ、モデル対象者の残部が評価データに振り分けられる。モデル対象者全体のうち訓練データに振り分けられるモデル対象者の比率とモデル対象者を除外した勤務者データ全体のうち訓練データに振り分けられる勤務者データの比率とは概ね合致し、モデル対象者全体のうち評価データに振り分けられるモデル対象者の比率とモデル対象者を除外した勤務者データ全体のうち評価データに振り分けられる勤務者データの比率とは概ね合致するようになってもよい。訓練データに振り分けられたモデル対象者の人数をｎ１とし、評価データに振り分けられたモデル対象者の人数をｎ２とし、訓練データに振り分けられたモデル対象者を除外した勤務者の人数をＮ１とし、評価データに振り分けられたモデル対象者を除外した勤務者の人数をＮ２とした場合には、ｎ１：ｎ２とＮ１：Ｎ２とが概ねが合致してもよい。ここで「概ね合致する」とは、ｎ１×Ｎ２とｎ２×Ｎ１との差が、ｎ１×Ｎ２とｎ２×Ｎ１のうちの大きな方の５％以内にあることを意味し、ｎ１×Ｎ２＞ｎ２×Ｎ１の場合にはｎ１×Ｎ２−ｎ２×Ｎ１≦ｎ１×Ｎ２×０．０５となり、ｎ２×Ｎ１＞ｎ１×Ｎ２の場合にはｎ２×Ｎ１−ｎ１×Ｎ２≦ｎ２×Ｎ１×０．０５となることを意味している。

訓練データを用いて学習部５０は学習し、学習済みの基準モデルが生成されることとなる。

このように学習済みの基準モデルが生成されると、当該基準モデルに評価データが適用されて、基準モデルに評価データを適用した予測結果が出力されるとともに、当該予測結果に対する評価結果（例えばＡＵＣ）が表示部６０に表示される。

評価結果が評価閾値以上となっている場合には、当該基準モデルは正確なものとして利用できるものとなる。他方、評価結果が評価閾値未満となっている場合には、当該基準モデルの正確性が乏しいことから、基準モデルを生成し直すこととなる。この際、前述したように、既に選択しているモデル対象者に新たなモデル対象者を追加してもよいし、既に選択しているモデル対象者からモデル対象者を除外してもよいし、全く別のモデル対象者を選択し直してもよい。

このような基準モデルは、ロールモデル毎に生成されてもよく、ハイパフォーマーの基準モデル、ローパフォーマーの基準モデル、休職者の基準モデル、退職者の基準モデル等の様々な基準モデルを生成し、記憶部４０で記憶するようにしてもよい。

記憶部４０で記憶された基準モデルを採用候補者や社内の勤務者に適用することで、採用候補者の中から基準モデルでの高評価の人物を選定することができる。

《効果》
次に、上述した構成からなる本実施の形態による効果であって、未だ説明していないものを中心に説明する。

検索部１０で検索された勤務者データをモデル候補者として読み出し、モデル候補者として読み出された勤務者データのうち少なくとも勤務者写真データを出力し、勤務者写真データの出力されたモデル候補者からモデル対象者を選定するための情報を受け付け、選定されたモデル対象者とモデル対象者以外の勤務者の勤務者データを用いて基準モデルを生成する態様を採用する場合には、従前において提案されていない、勤務者写真データに基づく選定を利用して基準モデルを生成できる。

また、検索部１０で一次的にモデル候補者を絞り込むことから、勤務者写真データだけに基づいて基準モデルを生成する態様と比較して、設定の手間が軽減される。つまり、勤務者写真データだけに基づいて基準モデルを生成する場合には、ロールモデルである勤務者を1人1人確認して手動で設定することになるが、勤務者数が膨大になると、設定に非常に時間がかかるが、そのような問題は本態様によれば生じない。

また、モデル候補者として勤務者写真データが表示されることから、誤った人物をモデル対象者としてしまう可能性を低減できる。

また、データ条件のみによる絞り込みを行い、合致した勤務者の全てをロールモデルに設定することも考えられるが、ユーザが意図している人物と絞り込まれた勤務者とが合致しないことがある。例えばハイパフォーマーであれば直近の評価履歴がＳ又はＡの勤務者をロールモデルに設定したとしても、ユーザが意図しているハイパフォーマーと直近の評価履歴がＳ又はＡであった勤務者とが合致しないことがある。これに対して、上記態様によれば、モデル候補者として読み出された勤務者データのうち少なくとも勤務者写真データを出力し、当該勤務者写真データを用いてロールモデルに用いる勤務者を選定できることから、ユーザの意図する人物をロールモデルとして利用することができる。

基準モデルが生成されると、当該基準モデルに、新人・中途を問わず採用候補者をあてはめ、当該採用候補者を評価するようにしてもよい。ハイパフォーマーの基準モデルを生成した場合には、当該基準モデルに採用候補者を適用することで、採用候補者がハイパフォーマーとなる可能性の観点からの評価を出すことができる。また、ローパフォーマーの基準モデルを生成した場合には、当該基準モデルに採用候補者を適用することで、採用候補者がローパフォーマーとなる可能性の観点からの評価を出すことができる。休職者の基準モデルを生成した場合には、当該基準モデルに採用候補者を適用することで、採用候補者が休職者となる可能性の観点からの評価を出すことができる。退職者の基準モデルを生成した場合には、当該基準モデルに採用候補者を適用することで、採用候補者が退職者となる可能性の観点からの評価を出すことができる。

このように本実施の形態の情報処理装置では様々な基準モデルを生成できる。例えば、入社３年目のハイパフォーマーの人物を一次的に絞り込み、さらに顔写真データを利用して二次的に絞り込んだ結果を用いて、基準モデルを生成した場合には、新入社員の採用候補者の中から３年目にハイパフォーマーとなっている可能性の高い人物を絞り込むことができる。

また、営業、技術等の職種別にハイパフォーマーの勤務者を用いて基準モデルを生成し、当該基準モデルに勤務者のデータを適用することで、営業、技術等の職種別に応じた適切な人事配置も期待できる。一例として営業のハイパフォーマーの勤務者を基準モデルを生成し、当該基準モデルに営業以外の職種の勤務者のデータを適用し、閾値以上の評価が出している勤務者に対して、職種を変えることが良いかもしれない旨のアドバイスを例えば人事部や当該勤務者の上司から提供できる。

また、あるプロジェクトメンバーを選定する際に本実施の形態の情報処理装置を利用してもよい。この場合には、類似するプロジェクトで成功したプロジェクトのメンバーを検索部１０で検索し、当該検索部１０で検索されたプロジェクトメンバーの中から特に活躍した人物をモデル対象者として選定し、基準モデルを生成してもよい。そして、このようにして生成された基準モデルに勤務者データを適用することで、上記「あるプロジェクトメンバー」の候補者を出力部３０が出力するようにしてもよい。

表示部６０で勤務者写真データが表示され、入力部７０を介してモデル候補者の勤務者写真データから所定の勤務者写真データが選択されることで、モデル対象者が選定される態様を採用した場合には、勤務者写真データを直接的に用いてモデル対象者の勤務者を設定できる。また、このような勤務者写真データが表示されることで、モデル候補者として挙がった人物の顔を例えば人事部の社員や上司等の利用者が覚えることを期待できる。

勤務者写真データとともに当該勤務者の氏名及び／又は所属組織を表示する態様を採用した場合には、氏名及び／又は所属組織も加味してモデル対象者の勤務者を設定できる。また氏名と所属組織が分かっていることから、当該所属組織の人物（例えば当該組織の長）に当該勤務者の人物像等を直接確認することもできる。この意味からすると、出力される勤務者のデータとしては、勤務者の所属組織の長の電話番号、電子メールアドレス等のアクセス情報が出力されてもよい。

勤務者写真データが勤務者の顔写真である場合には、勤務者の顔写真に基づいて選定を行うことができる。発明者が人事部の社員にヒアリングをしたところ、顔写真には人物の人となりが表れており、当該人物の人物像をつかむのに非常に役に立つとのことであった。このため、顔写真に基づいてモデル対象者を選定できることは非常に有益である。

モデル対象者の一部及び対象外勤務者の一部を用いて学習部５０が学習を行い、モデル対象者の残部及び対象外勤務者の残部を用いて評価部１１０での評価を行い、評価部１１０での評価結果が所定の基準を満たしていない場合に、出力部３０がモデル対象者の再選定を促す態様を採用した場合には（図２参照）、正確な基準モデルの構築をユーザに促すことができる。

勤務者データが役職を含む態様を採用した場合には、モデル候補者の役職を加味してモデル対象者の勤務者を設定できる。役職に関しては、昇進履歴を確認できるようにしてもよい。この場合には、昇進スピードを加味してモデル対象者の勤務者を設定できる。

勤務者データが人事評価を含む態様を採用した場合には、モデル候補者の人事評価を加味してモデル対象者の勤務者を設定できる。人事評価については、３年以上の過去の人事評価履歴を確認できるようにしてもよい。この場合には、１、２年といった直近の人事評価だけではなく、３年以上の過去の人事評価履歴も加味して、モデル対象者の勤務者を設定できる。

勤務者データが売上情報を含む態様を採用した場合には、モデル候補者の売上情報を加味してモデル対象者の勤務者を設定できる。売上情報については、３年以上の過去の売上情報を確認できるようにしてもよい。この場合には、１、２年といった直近の売上情報だけではなく、３年以上の過去の売上情報も加味して、モデル対象者の勤務者を設定できる。

記憶部４０に記憶されている勤務者データに学習部５０で生成された基準モデルを適用することで、適切な人材を適切な部署に配属できることを期待できる。また、記憶部４０に記憶されている採用候補者データに学習部５０で生成された基準モデルを適用することで、採用候補者の中から有望な人材を選定することを期待できる。

上述した実施の形態の記載及び図面の開示は、特許請求の範囲に記載された発明を説明するための一例に過ぎず、上述した実施の形態の記載又は図面の開示によって特許請求の範囲に記載された発明が限定されることはない。また、出願当初の特許請求の範囲の記載は出願時での権利要求範囲に過ぎず、適宜変更できる点では留意が必要である。

１０ 検索部
２０ 受付部
３０ 出力部
４０ 記憶部
５０ 学習部
６０ 表示部
７０ 入力部
１１０ 評価部
１２０ 分割部

Claims (10)

1. 記憶部に記憶された勤務者データを検索する検索部と、
   前記検索部で検索された勤務者データをモデル候補者として読み出し、前記モデル候補者として読み出された勤務者データのうち少なくとも勤務者写真データを出力する出力部と、
   前記勤務者写真データが選択されることで、前記モデル候補者からモデル対象者を選定するための情報を受け付ける受付部と、
   前記勤務者写真データが選択されることで選定されたモデル対象者と前記モデル対象者以外の勤務者の勤務者データを用いて基準モデルを生成する学習部と、
   を備える情報処理装置。
2. 前記出力部で出力された前記勤務者写真データを表示する表示部を備え、
   入力部を介して前記モデル候補者の勤務者写真データから所定の勤務者写真データが選択されることで、前記モデル対象者が選定される、請求項１に記載の情報処理装置。
3. 前記表示部は、前記勤務者写真データとともに当該勤務者の氏名及び所属組織を表示する、請求項２に記載の情報処理装置。
4. 前記勤務者写真データは勤務者の顔写真である、請求項１乃至３のいずれか１項に記載の情報処理装置。
5. 前記モデル対象者の一部を用いて前記学習部が学習を行い、
   前記モデル対象者の残部を用いて評価部での評価を行い、
   前記評価部での評価結果が所定の基準を満たしていない場合には、前記出力部は、モデル対象者の再選定を促す、請求項１乃至４のいずれか１項に記載の情報処理装置。
6. 前記勤務者データは役職及び人事評価を含む、請求項１乃至５のいずれか１項に記載の情報処理装置。
7. 前記勤務者データは勤務者の売上情報を含む、請求項１乃至６のいずれか１項に記載の情報処理装置。
8. 前記出力部は、前記記憶部に記憶されている勤務者データ又は採用候補者データに前記学習部で生成された基準モデルを適用することで対象者を出力する、請求項１乃至７のいずれか１項に記載の情報処理装置。
9. 検索部によって、記憶部に記憶された勤務者データを検索し、検索された勤務者データをモデル候補者として読み出す工程と、
   出力部によって、前記モデル候補者として読み出された勤務者データのうち少なくとも勤務者写真データを出力する工程と、
   受付部によって、前記勤務者写真データが選択されることで、前記モデル候補者からモデル対象者を選定するための情報を受け付ける工程と、
   学習部によって、前記勤務者写真データが選択されることで選定されたモデル対象者と前記モデル対象者以外の勤務者の勤務者データを用いて基準モデルを生成する工程と、
   を備える情報処理方法。
10. 情報処理装置にインストールするためのプログラムであって、
    プログラムをインストールされた情報処理装置は、
    記憶部に記憶された勤務者データを検索する検索部と、
    前記検索部で検索された勤務者データをモデル候補者として読み出し、前記モデル候補者として読み出された勤務者データのうち少なくとも勤務者写真データを出力する出力部と、
    前記勤務者写真データが選択されることで、前記モデル候補者からモデル対象者を選定するための情報を受け付ける受付部と、
    前記勤務者写真データが選択されることで選定されたモデル対象者と前記モデル対象者以外の勤務者の勤務者データを用いて基準モデルを生成する学習部と、
    を備えるプログラム。