JP7064656B1 - 人財配置支援システム及び方法 - Google Patents

Abstract

システムが、組織における一又は複数の人財それぞれの配置を表す配置情報の全部又は一部を含む入力データを基に配置案を生成するために使用される最適パラメータ群を、最適パラメータモデルを実行することで算出する。最適パラメータモデルは、配置情報の全部又は一部を含む入力データを入力とし最適パラメータ群を出力とする機械学習モデルである。システムが、一以上の時点の各々について、当該時点に対応した入力データと所与のパラメータ群とを基に配置案を生成し、当該配置案と、当該配置案に対する人手修正に従う正解データと、所与のパラメータ群とを基に、最適パラメータ群を算出する。システムは、各時点のデータセット（配置情報の全部又は一部を含む入力データ又はその特徴量と最適パラメータ群とを含む）を基に最適パラメータモデルの学習を行う。

Description

本発明は、概して、人財配置を支援する技術に関する。

人財配置の支援に関するシステムとして、例えば、特許文献１に開示のシステムが知られている。特許文献１に開示のシステムは、人材の役割定義情報と人材の働き方定義情報と、社内人材情報及び社外人材情報とを比較することにより、人材に関わるマッチング情報を生成し、マッチング情報に基づいて、人材配置情報を生成する。

特開2019-96188号公報

システムにより生成された人財配置案（どの人財をどの配置先に配置するかの案）をそのまま採用することができない場合、当該人財配置案（以下、配置案）を人手により修正することで採用可能な配置案が得られる。人手による修正が少なくて済む配置案をシステムが生成できることが望ましい。

特許文献１には、配置案が人手により修正されることの開示や示唆が無い。このため、特許文献１では、仮に、生成された配置案が人手により修正されることで採用可能な配置案が得られたとしても、再度同じ役割定義情報、働き方定義情報、社内人材情報及び社外人材情報が入力された場合には、同じマッチング情報が得られ、結果として、人手修正前と同じ配置案が生成されることになる。

システムが、組織における一又は複数の人財それぞれの配置を表す配置情報の全部又は一部を含む入力データを基に最適パラメータ群を、最適パラメータモデルを実行することで算出する。システムは、当該算出された最適パラメータ群（又はそれの人手修正後の最適パラメータ群）と上記配置情報の全部又は一部を含む入力データとを基に配置案を生成して当該配置案を出力する。

最適パラメータモデルは、配置情報の全部又は一部を含む入力データを入力とし最適パラメータ群を出力とする機械学習モデルである。最適パラメータ群は、人財の配置先変更に関する一以上の条件項目それぞれについての最適パラメータである。配置案は、一又は複数の人財のうちの一以上の人財それぞれの変更後の配置先の案である。

一以上の時点の各々について、システムが、当該時点に対応した配置情報の全部又は一部を含む入力データと、一以上の条件項目それぞれについての所与のパラメータである所与のパラメータ群とを基に、配置案を生成し、当該配置案と、当該配置案に対する人手修正に従うデータである正解データと、所与のパラメータ群とを基に、最適パラメータ群を算出する。システムが、一以上の時点それぞれについてのデータセットを基に最適パラメータモデルの学習を行う。当該一以上の時点の各々について、データセットは、当該時点についての最適パラメータ群と、当該時点に対応した配置情報の全部又は一部を含む入力データ（又はその特徴量）とを含む。

本発明によれば、人手による修正が少なく済む配置案の生成が期待される。

実施形態１に係る人財配置支援システムの構成例を示す。 条件設定ＵＩの一例を示す。 配置案ＵＩの一例を示す。 サーベイ分析ＵＩの一例を示す。 入力ＤＢの構成例を示す。 配置案ＤＢの構成例を示す。 修正ＤＢの構成例を示す。 サーベイ結果ＤＢの構成例を示す。 パラメータＤＢの構成例を示す。 学習フェーズの開始前の複数の時点の各々についてのデータの一例の概要を模式的に示す。 学習処理のフローを示す。 図１１のＳ１１０３の詳細のフローを示す。 学習処理における最適パラメータ群の算出の一例を模式的に示す。 パラメータ（連続値）の算出の一例を模式的に示す。 パラメータ（離散値）の算出の一例を模式的に示す。 実施形態２に係る学習の例を示す。 実施形態２に係るリコメンドの例を示す。 人手修正後の配置案ベースのモデル推定の説明例を示す。 パラメータ群ベースのモデル推定の説明例を示す。 実施形態２に係る最適パラメータモデルの例を示す。 実施形態２に係る学習処理のフローを示す。

以下の説明では、「インターフェース装置」は、一以上のインターフェースデバイスでよい。当該一以上のインターフェースデバイスは、下記のうちの少なくとも一つでよい。
・一以上のＩ／Ｏ（Input/Output）インターフェースデバイス。Ｉ／Ｏ（Input/Output）インターフェースデバイスは、Ｉ／Ｏデバイスと遠隔の表示用計算機とのうちの少なくとも一つに対するインターフェースデバイスである。表示用計算機に対するＩ／Ｏインターフェースデバイスは、通信インターフェースデバイスでよい。少なくとも一のＩ／Ｏデバイスは、ユーザインターフェースデバイス、例えば、キーボード及びポインティングデバイスのような入力デバイスと、表示デバイスのような出力デバイスとのうちのいずれでもよい。
・一以上の通信インターフェースデバイス。一以上の通信インターフェースデバイスは、一以上の同種の通信インターフェースデバイス（例えば一以上のＮＩＣ（Network Interface Card））であってもよいし二以上の異種の通信インターフェースデバイス（例えばＮＩＣとＨＢＡ（Host Bus Adapter））であってもよい。

また、以下の説明では、「メモリ」は、一以上の記憶デバイスの一例である一以上のメモリデバイスであり、典型的には主記憶デバイスでよい。メモリにおける少なくとも一のメモリデバイスは、揮発性メモリデバイスであってもよいし不揮発性メモリデバイスであってもよい。

また、以下の説明では、「永続記憶装置」は、一以上の記憶デバイスの一例である一以上の永続記憶デバイスでよい。永続記憶デバイスは、典型的には、不揮発性の記憶デバイス（例えば補助記憶デバイス）でよく、具体的には、例えば、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、ＮＶＭＥ（Non-Volatile Memory Express）ドライブ、又は、ＳＣＭ（Storage Class Memory）でよい。

また、以下の説明では、「記憶装置」は、メモリと永続記憶装置の少なくともメモリでよい。

また、以下の説明では、「プロセッサ」は、一以上のプロセッサデバイスでよい。少なくとも一のプロセッサデバイスは、典型的には、ＣＰＵ（Central Processing Unit）のようなマイクロプロセッサデバイスでよいが、ＧＰＵ（Graphics Processing Unit）のような他種のプロセッサデバイスでもよい。少なくとも一のプロセッサデバイスは、シングルコアでもよいしマルチコアでもよい。少なくとも一のプロセッサデバイスは、プロセッサコアでもよい。少なくとも一のプロセッサデバイスは、処理の一部又は全部を行うハードウェア記述言語によりゲートアレイの集合体である回路（例えばＦＰＧＡ（Field-Programmable Gate Array）、ＣＰＬＤ（Complex Programmable Logic Device）又はＡＳＩＣ（Application Specific Integrated Circuit））といった広義のプロセッサデバイスでもよい。

また、以下の説明では、「ｙｙｙ部」の表現にて機能を説明することがあるが、機能は、一以上のコンピュータプログラムがプロセッサによって実行されることで実現されてもよいし、一以上のハードウェア回路（例えばＦＰＧＡ又はＡＳＩＣ）によって実現されてもよいし、それらの組合せによって実現されてもよい。プログラムがプロセッサによって実行されることで機能が実現される場合、定められた処理が、適宜に記憶装置及び／又はインターフェース装等を用いながら行われるため、機能はプロセッサの少なくとも一部とされてもよい。機能を主語として説明された処理は、プロセッサあるいはそのプロセッサを有する装置が行う処理としてもよい。プログラムは、プログラムソースからインストールされてもよい。プログラムソースは、例えば、プログラム配布計算機又は計算機が読み取り可能な記録媒体（例えば非一時的な記録媒体）であってもよい。各機能の説明は一例であり、複数の機能が一の機能にまとめられたり、一の機能が複数の機能に分割されたりしてもよい。

また、以下の説明では、「プログラム」を主語として処理を説明する場合があるが、プログラムを主語として説明された処理は、プロセッサあるいはそのプロセッサを有する装置が行う処理としてもよい。また、二以上のプログラムが一のプログラムとして実現されてもよいし、一のプログラムが二以上のプログラムとして実現されてもよい。

また、以下の説明では、「ｐｐｐテーブル」（又はｐｐｐＤＢ）といった表現にて、入力に対して出力が得られる情報を説明することがあるが、当該情報は、どのような構造でもよい。従って、「ｐｐｐテーブル」（又は「ｐｐｐＤＢ」）を「ｐｐｐ情報」と言うことができる。また、以下の説明において、各テーブルの構成は一例であり、一のテーブルは、二以上のテーブルに分割されてもよいし、二以上のテーブルの全部又は一部が一のテーブルであってもよい。

また、以下の説明では、「人財配置支援システム」は、一以上の物理的な計算機で構成されたシステムでもよいし、物理的な計算リソース群（例えば、クラウド基盤）上に実現されたシステム（例えば、クラウドコンピューティングシステム）でもよい。人財配置支援システムが表示用情報を「表示する」ことは、計算機が有する表示デバイスに表示用情報を表示することであってもよいし、計算機が表示用計算機に表示用情報を送信することであってもよい（後者の場合は表示用計算機によって表示用情報が表示される）。
［実施形態１］

図１は、実施形態１に係る人財配置支援システムの構成例を示す。なお、以下の説明では、「ＵＩ」は、User Interfaceの略であるが、典型的にはＧＵＩ（Graphical User Interface）である。

人財配置支援システム１００は、組織における人財の配置を支援するシステムである。「組織」は、典型的には企業であるが、企業に限られないでよい。また、本実施形態では、人財の「配置先」の一例として「部署」が採用されているが、配置先は、部署に限られないでよく、例えば、部署に代えて又は加えて、下記のうちの少なくとも一つが採用されてよい。
・「配置先」は、人財の「地位」（典型的には役職）でもよい。このため、例えば、人財の配置先の変更とは、人財の部署及び／又は地位が変わる「異動」でよい。
・「配置先」は、時間でもよい。この場合、人財配置支援の一例として、設備保守の時間毎のシフトの作成の支援が期待できる。
・「配置先」は、人財のチーム（例えば人財の集合の一例）でもよい。この場合、人財配置支援の一例として、工事のチーミングの支援が期待できる。

人財配置支援システム１００が、インターフェース装置１０１、記憶装置１０２及びそれらに接続されたプロセッサ１０３を有する。

インターフェース装置１０１を通じてＵＩが提供される。提供されたＵＩは、人財配置支援システム１００に接続されている図示しない遠隔の計算機（又は、人財配置支援システム１００が有する図示しない表示デバイス）に表示される。また、提供されたＵＩを通じてユーザにより情報が入力される。

記憶装置１０２が、入力ＤＢ１１１、配置案ＤＢ１１２、修正ＤＢ１１３、パラメータＤＢ１１４及びサーベイ結果ＤＢ１１５を格納する。また、記憶装置１０２が、最適パラメータモデル１３１、及びプログラム群１３３（一以上のコンピュータプログラム）を格納する。

プログラム群１３３がプロセッサ１０３で実行されることでリコメンド部１６１、配置部１６２及び学習部１７１が実現される。リコメンド部１６１は、最適パラメータモデル１３１を実行することで最適パラメータ群を算出する。配置部１６２は、配置モデル（典型的には数理最適化モデル）を実行することで配置案を生成する。モデル１３１及び１３２の各々は、任意のモデルでよい。例えば、最適パラメータモデル１３１は、入力ＤＢ１１１を含む入力データを入力とし最適パラメータ群を算出する（予測する）ためのモデルであり、故に、好ましくは機械学習モデルである。

推論フェーズにおいて、例えば次の処理が行われる。すなわち、リコメンド部１６１が、条件設定ＵＩ１５０を提供する。リコメンド部１６１が、入力ＤＢ１１１から取得した入力データ（具体的には、例えば、当該入力データの特徴量）を基に最適パラメータモデル１３１を実行することで最適パラメータ群を算出し、当該最適パラメータ群を条件設定ＵＩ１５０通じてリコメンドする。「最適パラメータ群」は、人財の配置先変更に関する一以上の条件項目それぞれについての最適パラメータを含む。一以上の条件項目それぞれについて、最適パラメータは、一つでもよいし、連続した又は離散した複数のパラメータで構成されたパラメータ範囲に属する各パラメータでもよい。リコメンド部１６１が、入力データと、条件設定ＵＩ１５０を通じて入力された情報に従う最適パラメータ群（例えば、リコメンドされ承認された最適パラメータとユーザにより入力された最適パラメータとのうちの少なくとも一つを含む）とを配置部１６２に出力する。配置部１６２が、リコメンド部１６１からの入力データ及び最適パラメータ群を基に配置モデルを実行することで配置案を生成し、生成した配置案を表示する配置案ＵＩ１６０を提供する。配置部１６２が、配置案ＵＩ１６０を通じて入力された情報に従う配置案（例えば、承認された配置案、又は、少なくとも一部がユーザにより修正された配置案）を表す情報を配置案ＤＢ１１２に格納する。

学習フェーズにおいて、学習部１７１が、最適パラメータモデル１３１の学習を行う。最適パラメータモデル１３１の学習では、適宜に、学習部１７１が、配置部１６２に対する入出力、サーベイ分析ＵＩ１８０の提供、及び、ＤＢ１１１～１１５に対する入出力を行う。

本実施形態では、最適パラメータモデル１３１が人手修正に従うデータ（具体的には、後述するように、人手修正に従うデータを含んだ過去データ）を基に学習されるので、最適パラメータモデル１３１を用いて算出される最適パラメータ群の適切さが向上し、以って、最適パラメータ群を用いて配置部１６２により生成される配置案を、人手による修正が少なく済む配置案とすることが期待できる。

以下、図２～図９を参照して、上述のＵＩ及びＤＢを説明する。

図２は、条件設定ＵＩ１５０の一例を示す。

条件設定ＵＩ１５０は、パラメータの設定を受け付けるＵＩである。条件設定ＵＩ１５０を介してのパラメータの「設定」は、リコメンドされたパラメータの「承認」と、リコメンドされたパラメータに対する手動修正又は新規のパラメータ入力といった「手動入力」とのうちのいずれかでよい。「承認」は、パラメータがリコメンドされている条件項目について、“リコメンド”に対応したチェックボックスにチェックマークを記入することでよい。「手動入力」は、“設定”に対応したチェックボックスにチェックマークを記入しパラメータを入力又は修正することでよい。推論フェーズにおいての「最適パラメータ」は、条件設定ＵＩ１５０を介して設定されたパラメータである。推論フェーズでは、条件設定ＵＩ１５０を介して設定された最適パラメータ群を基に配置案が生成される。

条件設定ＵＩ１５０は、制約条件ＵＩ２０１と評価指標ＵＩ２０２とを有する。

制約条件ＵＩ２０１は、制約条件についての一以上の項目の各々についてパラメータの設定を受け付けるＵＩである。「制約条件」とは、人財の選択に影響する条件である。各制約条件項目について、パラメータは、典型的には閾値（例えば、上限及び／又は下限）でよいが、連続値や離散値といった他種の値でもよい。各制約条件項目について設定されたパラメータを基に、配置部１６２により、配置先が変更される人財（候補者）が選択される。

評価指標ＵＩ２０２は、評価指標についての一以上の項目の各々についてパラメータの設定を受け付けるＵＩである。「評価指標」とは、配置先が変更される人財の変更後の配置先に影響する条件である。各評価指標項目について、パラメータは、典型的には重み係数である。各評価指標項目について設定されたパラメータを基に、配置部１６２により、人財の変更後の配置先が決定される。なお、以下の説明では、評価指標に重み係数を掛けて組み合わせた式が目的関数の例として採用されるが、評価指標とする目的関数はそのような式に限られないでよい。

図３は、配置案ＵＩ１６０の一例を示す。

配置案ＵＩ１６０は、現在配置３０１と、配置案３０２と、修正内容３０３とを表示する。

現在配置３０１は、入力ＤＢ１１１から取得された入力データが表す情報であり、部署（配置先）が変更される人財毎に人財の名前と現在の部署との関係を表す情報である。

配置案３０２は、現在配置３０１が表す各人財の変更後の配置先の案であって配置部１６２により生成された配置案を表す情報を表示するＵＩである。配置案３０２は、例えば、人財毎に、部署の修正を受け付けるツールを有する。当該ツールを操作して、ユーザは、配置案における部署を修正することができる。

修正内容３０３は、配置案３０２に対する人手修正を受け付けるＵＩ、具体的には、配置案３０２のツールを通じて行われる修正の詳細を受け付けるＵＩである。修正内容３０３は、例えば、変更後の部署が修正された人財毎に、名前、修正前部署（配置案における修正前の変更後部署）を表示し、修正後部署（修正後の変更後部署）を表示し、重要度（当該人財についての修正の重要度）、修正理由（修正項目（修正理由が該当する項目）、及び、詳細（修正理由の詳細））の入力をユーザから受け付ける。なお、本実施形態では、変更後部署が修正可能な要素の例として採用されているが、部署の修正に代えて又は加えて、配置先が変更される人財が修正されてもよい（例えば、配置先が変更される人財が“日立太郎”から別の人財に修正されてもよい）。

図４は、サーベイ分析ＵＩ１８０の一例を示す。

サーベイ分析ＵＩ１８０は、対象指定ＵＩ４０１と、サーベイ結果ＵＩ４０２と、項目選択ＵＩ４０３とを有する。

対象指定ＵＩ４０１は、サーベイ結果の表示の対象の指定を受け付けるＵＩである。対象は、配置案における人財、全人財、部署、及び全部署のいずれでもよい。

サーベイ結果ＵＩ４０２は、現在配置及び配置案それぞれのサーベイ結果を俯瞰的に示すチャートとして例えばレーダーチャートを表示するＵＩである。サーベイ結果は、複数のサーベイ項目（図４の例によれば項目１～７）それぞれについて与えられたスコアを含む。レーダーチャート上に、現在配置及び配置案それぞれのサーベイ結果（具体的には、項目１～７それぞれのスコア）が表示される。

項目選択ＵＩ４０３は、サーベイ項目１～７それぞれの変化量（配置案のサーベイ結果におけるスコアから現在配置のサーベイ結果におけるスコアを減算した値）を表示し、最適パラメータ群の算出に影響を与えるサーベイ項目の指定をユーザから受け付けるＵＩである。図４の例によれば、変化量が“＋２”であるサーベイ項目１（現在配置が配置案通りの配置に変わることが大きく良好との結果が得られたサーベイ項目）と、変化量が“－２”であるサーベイ項目３（現在配置が配置案通りの配置に変わることが大きく不良との結果が得られたサーベイ項目）とが指定される。なお、選択されたサーベイ項目が、選択可能な修正項目に影響してよい。例えば、選択肢としての複数の修正項目のうち、ユーザによる選択可能な修正項目が、プロセッサ１０３（例えば、配置案ＵＩ１６０を提供する配置部１６２）により、選択されたサーベイ項目に関連した修正項目に制限されてよい（例えば、サーベイ項目１が選択された場合、複数の修正項目のうち、選択可能な一以上の修正項目は、“年齢”及び“相性”でよい）。より具体的には、例えば、サーベイ項目と選択可能な修正項目との対応関係を表す情報が記憶装置１０２に格納され、プロセッサ１０３が、選択された一以上のサーベイ項目に対応した（関連した）修正項目をユーザによる選択が可能に表示してよい。

図５は、入力ＤＢ１１１の構成例を示す。

入力ＤＢ１１１は、時点毎の入力データ１００３を含む。入力データ１００３は、例えば、人財毎に、名前及び部署を表す。入力データ１００３は、人財毎に、他の情報（例えば、性別、年齢、勤続年数等の種々の属性を表す情報）を含んでよい。入力データ１００３は、組織における複数の人財と各人財の配置先とを表す配置情報の全部又は一部を含むデータであり、人財と配置先との関係を表すマスタデータから抽出されたデータでもよいし、人財配置支援システム１００の外部のシステム（例えば、人財と配置先との関係を管理するコンピュータシステム）から入力されたデータでもよい。

図６は、配置案ＤＢ１１２の構成例を示す。

配置案ＤＢ１１２は、配置案を表す配置案テーブル６００を含む。配置案テーブル６００が表す配置案は、配置部１６２により生成された修正前の配置案でもよいし、当該配置案が人手により修正された後の配置案でもよい。配置案の都度、及び、配置案の修正の都度、配置案テーブル６００が配置案ＤＢ１１２に追加される。配置案テーブル６００は、配置先が変更される人財毎に、名前及び部署を表す。配置案テーブル６００は、人財毎に、他の情報（例えば、性別、年齢、勤続年数等の種々の属性を表す情報）を含んでよい。

配置案テーブル６００が表す人財は、配置先が変更される人財であるため、入力ＤＢ１１１が表す人財の一部又は全部である。採用された配置案を表す配置案テーブル６００が入力ＤＢ１１１に反映されることで、入力ＤＢ１１１に、採用された配置案が適用された最新の配置（組織における人財の配置）を表す入力データ１００３が追加される。なお、上述したように、入力ＤＢ１１１は無くてもよく、配置案生成のための入力データは外部のシステムから入力されてもよい。

図７は、修正ＤＢ１１３の構成例を示す。

修正ＤＢ１１３は、修正内容を表す修正テーブル７００を含む。配置案の修正の都度、修正テーブル７００が修正ＤＢ１１３に追加される。修正テーブル７００は、配置案ＵＩ１６０の修正内容３０３を通じて行われた人手修正の内容を表す。すなわち、修正テーブル７００は、配置案における変更後の部署が修正された人財毎に、名前、修正前部署（配置案における修正前の変更後部署）、修正後部署（修正後の変更後部署）、重要度（当該人財についての修正の重要度）、修正理由（修正項目（修正理由が該当する項目）、及び、詳細（修正理由の詳細））を表す。

図８は、サーベイ結果ＤＢ１１４の構成例を示す。

サーベイ結果ＤＢ１１４は、個別サーベイ結果テーブル８００と、団体サーベイ結果テーブル８１０と、効果測定結果を表すテーブル８２０とを含む。

個別サーベイ結果テーブル８００は、配置案に対する個別サーベイの結果（人財毎にサーベイ項目１～７それぞれについて付与されたスコア）を表す。具体的には、例えば、個別サーベイ結果テーブル８００は、人財毎に、当該人財の配置先の部署、サーベイ項目１～７それぞれについて付与されたスコア、及び、それらスコアの平均値を表す。個別サーベイ結果テーブル８００は、配置案に対する個別サーベイが行われる都度に追加される。なお、スコアの平均値は、スコアの統計値の一例であり、平均値に代えて合計値といった他種の統計値が採用されてもよい。

団体サーベイ結果テーブル８１０は、配置案に対する団体サーベイの結果（部署毎にサーベイ項目１～７それぞれについて付与されたスコア）を表す。具体的には、例えば、団体サーベイ結果テーブル８１０は、部署毎に、サーベイ項目１～７それぞれについて付与されたスコア、及び、それらスコアの平均値（統計値の一例）を表す。団体サーベイ結果テーブル８１０は、配置案に対する団体サーベイが行われる都度に追加される。

効果測定結果テーブル８２０は、効果測定（最新のサーベイ結果と過去のサーベイ結果との比較）の結果を表す。具体的には、例えば、効果測定結果テーブル８２０は、サーベイの各対象について、サーベイ項目１～７それぞれの変化量を表す。対象は、上述したように、人財、全人財、部署、及び全部署である。

配置案に対するサーベイ（例えば個別サーベイ又は団体サーベイ）の手法としては、既に知られている手法が採用されてよい。

図９は、パラメータＤＢ１１５の構成例を示す。

パラメータＤＢ１１５は、学習フェーズにおいて使用されたパラメータ群や算出された最適パラメータ群を含む。具体的には、パラメータＤＢ１１５は、制約条件パラメータテーブル９００と、評価指標パラメータテーブル９１０とを含む。

制約条件パラメータテーブル９００は、複数の制約条件項目それぞれについて使用されたパラメータを表す。評価指標パラメータテーブル９１０は、複数の評価指標項目それぞれについて使用されたパラメータを表す。パラメータ群が使用される都度に、制約条件パラメータテーブル９００及び評価指標パラメータテーブル９１０が追加される。

以下、学習フェーズを説明する。

図１０は、複数の時点の各々についてのデータの一例の概要を模式的に示す。

複数の時点の各々について、記憶装置１０２から、適用前配置１００１、適用前サーベイ結果１００２、入力データ１００３、配置案１００４、人手修正後の配置案１００５、修正内容１００６、適用後サーベイ結果１００７及びパラメータ群１００８といったデータを取得可能である。学習フェーズの開始前における一の時点（Ｎ）を例に取り、時点（Ｎ）についてのデータ１００１（Ｎ）～１００８（Ｎ）を説明する。図１０では、時点（Ｘ）についてのデータの参照符号の末尾に「（Ｘ）」が付される（Ｘ＝…、Ｎ＋１、Ｎ、Ｎ－１、…）。また、時点（Ｎ）の一つ前の時点が時点（Ｎ－１）である。

適用前配置１００１（Ｎ）は、入力ＤＢ１１１から取得可能なデータでよく、時点（Ｎ）での配置を表す。適用前サーベイ結果１００２（Ｎ）は、サーベイ結果ＤＢ１１４から取得可能なデータでよく、適用前配置１００１（Ｎ）に対するサーベイ（本実施形態では、個別サーベイ及び団体サーベイ）の結果を表す。言い換えれば、適用前配置１００１（Ｎ）は、一つ前の時点（Ｎ－１）での人手修正後の配置案１００５（Ｎ－１）に基づくデータ（例えば、人手修正後の配置案１００５（Ｎ－１）それ自体）でよく、適用前サーベイ結果１００２（Ｎ）は、一つ前の時点（Ｎ－１）での適用後サーベイ結果１００７（Ｎ－１）でよい。

入力データ１００３（Ｎ）は、入力ＤＢ１１１から取得可能なデータであり、時点（Ｎ）についての配置案生成のための入力データである。入力データ１００３（Ｎ）は、適用前配置１００１（Ｎ）の全部又は一部を含む。本実施形態では、入力データ１００３（Ｎ）は、適用前配置１００１（Ｎ）から抽出されるデータであるが、入力データ１００３（Ｎ）は外部のシステムから入力されたデータでもよい。

配置案１００４（Ｎ）は、配置案ＤＢ１１２から取得可能なデータであり、入力データ１００３（Ｎ）とパラメータ群１００８（Ｎ）とに基づき配置部１６２により生成された配置案を表す。

人手修正後の配置案１００５（Ｎ）は、配置案ＤＢ１１２から取得可能なデータであり、配置案１００４（Ｎ）に対して人手修正がされた後の配置案を表す。

修正内容１００６（Ｎ）は、修正ＤＢ１１３から取得可能なデータであり、配置案１００４（Ｎ）に対する人手修正の内容を表す。

適用後サーベイ結果１００７（Ｎ）は、サーベイ結果ＤＢ１１４から取得可能なデータであり、人手修正後の配置案１００５（Ｎ）に対するサーベイの結果を表す。

パラメータ群１００８（Ｎ）は、パラメータＤＢ１１５から取得可能なデータであり、入力データ１００３（Ｎ）に基づき配置案１００４（Ｎ）を生成するために使用されたパラメータ群である。

効果測定結果１００９（Ｎ）は、サーベイ結果ＤＢ１１４から取得可能なデータであり、適用後サーベイ結果１００７（Ｎ）と適用前サーベイ結果１００２（Ｎ）との差分に基づく。なお、「差分」は、比較結果の一例である。例えば、効果測定結果１００９（Ｎ）は、時点（Ｎ）よりも複数の過去の時点のサーベイ結果１００２に基づくサーベイ結果（例えば、各サーベイ項目の統計値を含むサーベイ結果）を適用後サーベイ結果１００７（Ｎ）と比較することで効果測定結果１００９（Ｎ）を算出されてよい。

最適パラメータ群１０１０（Ｎ）は、算出された最適化されたパラメータ群である。なお、後の図１１の例によれば、最適パラメータ群１０１０（Ｎ）は、学習処理において算出されるが、最適パラメータ群１０１０（Ｎ）は、学習処理とは異なるタイミングにおいて算出されてよい。より具体的には、例えば、学習部１７１は、最適パラメータ群を算出るための機能であるパラメータ算出部と、算出された最適パラメータ群を基に最適パラメータモデル１３１を学習するモデル学習部とに分かれていてもよい。

図１１は、学習処理のフローを示す。なお、以下の説明において、重要度や変化量のような値の「高い」及び「低い」は、当該値の閾値以上であること及び閾値未満であることでよい。値の「閾値」は、予め定められた静的な値でもよいし、相対的な値として動的に決定された値でもよい。

複数の時点（例えば、学習フェーズの開始前の複数の時点）の各々について、Ｓ１１０１～Ｓ１１０６が行われる。一の時点（Ｎ）を例に取る。

学習部１７１が、探索条件を設定する（Ｓ１１０１）。「探索条件」とは、各条件項目についてのパラメータ範囲である。例えば、各条件項目について、初期パラメータがあり、初期パラメータを基点としたパラメータ範囲が設定される。Ｎ通り（Ｎは自然数）のパラメータ群（パラメータ組合せ）の各々について、Ｓ１１０２及びＳ１１０３が行われる。ここで言う「パラメータ群」は、複数の条件項目に対応した複数のパラメータの組であり、各パラメータは、当該パラメータに対応した条件項目のパラメータ範囲に属するパラメータである。

学習部１７１が、Ｓ１１０１で設定した探索条件のうちの未使用のパラメータ群を選択し、配置部１６２に、選択したパラメータ群と入力データ１００３とを基に配置案を生成させる（Ｓ１１０２）。「未使用のパラメータ群」は、所与のパラメータ群の一例であり、Ｎ通り（例えば全通り）のパラメータ群のうち未だ使用されていないパラメータ群である。

学習部１７１が、Ｓ１１０２で生成された配置案と正解データ（例えば、人手修正後の配置案１００５（Ｎ））との比較を基に当該配置案の評価値を算出する（Ｓ１１０３）。

学習部１７１が、Ｓ１１０１で設定した探索条件に従うＮ通りのパラメータ群を使用したか否かを判定する（Ｓ１１０４）。Ｓ１１０４の判定結果が偽の場合、処理がＳ１１０２に戻る。

Ｓ１１０４の判定結果が真の場合、学習部１７１が、最適パラメータ群を決定する（Ｓ１１０５）。具体的には、学習部１７１が、Ｓ１１０２～Ｓ１１０４のループにおいて生成された配置案のうち評価値が最も高い配置案を選択し、選択した配置案の生成に使用されたパラメータ群を最適化する。

学習部１７１が、最適化されたパラメータ群をパラメータＤＢ１１５に格納する（Ｓ１１０６）。これにより、時点（Ｎ）についての最適パラメータ群が記憶装置１０２に存在することになる。

学習部１７１が、学習実行条件が満たされているか否かを判定する（Ｓ１１０７）。学習実行条件は、例えば、Ｐ個の時点（Ｐは自然数）の各々についてＳ１１０１～Ｓ１１０７の処理が行われたこと、言い換えれば、Ｓ１１０１～Ｓ１１０７の処理がＰ回行われたことでよい。つまり、学習実行条件は、最適パラメータモデル１３１の学習（例えば、新規構築又は再学習）に必要なデータセットが記憶装置１０２に蓄積されていることである。

Ｓ１１０７の判定結果が真の場合、学習部１７１が、最適パラメータモデル１３１の学習を行う（Ｓ１１０８）。最適パラメータモデル１３１の学習のためには、Ｐ個の時点それぞれについてのデータセットが使用される。各時点について、「データセット」は、当該時点についての最適パラメータ群と、当該時点に対応した入力データ（又はその特徴量）とを含む。学習フェーズ開始前の一以上の時点の各々について、Ｓ１１０１～Ｓ１１０７が行われることで、時点毎のデータセットが記憶装置１０２に存在することとなる。なお、上述したように、最適パラメータ群１０１０の算出（例えば、Ｓ１１０１～Ｓ１１０６）と、データセットを用いたモデル学習（Ｓ１１０８）は、非同期に行われてよい（分離していてよい）。例えば、最適パラメータ群１０１０の算出は、定期的に自動で行われ、データセットを用いたモデル学習は、ＵＩを通じてユーザからモデル学習が明示的に指示された場合に行われてよい。

図１２は、図１１のＳ１１０３の詳細のフローを示す。図１１の説明では、一つの配置案を例に取る。

学習部１７１が、配置案の正解データとの類似度に基づく評価値を算出する（Ｓ１２０１）。例えば、類似度が高い程評価値が高く、類似度が低い程評価値が低い。

学習部１７１が、Ｓ１２０１で算出された評価値に、修正内容１００６（Ｎ）を適用する（Ｓ１２０２）。具体的には、例えば、学習部１７１が、配置案のうち正解データと一致している部分と相違している部分の各々と、修正内容１００６（Ｎ）における重要度との関係に基づいて、Ｓ１２０１で算出された評価値を更新する。より具体的には、例えば、下記（Ａ）及び（Ｂ）のうちの少なくとも一つもが採用されてよい。
（Ａ）評価値がより高くされるケース（加算のケース）の例として、下記（ａ１）及び（ａ２）のうちの少なくとも一つが採用されてよい。
（ａ１）配置案のうち正解データと一致している部分が重要度の高い部分に対応していること（例えば、或る人財について配置案における配置先が修正後の配置先と一致しており当該修正後の配置先が重要度の高い修正に対応していること）。
（ａ２）配置案のうち正解データと相違している部分が重要度の低い部分に対応していること（例えば、或る人財について配置案における配置先が修正後の配置先と相違しているが当該修正後の配置先が重要度の低い修正に対応していること）。
（Ｂ）評価値がより低くされるケース（減算のケース）の例として、下記（ｂ１）及び（ｂ２）のうちの少なくとも一つが採用されてよい。
（ｂ１）配置案のうち正解データと一致している部分が重要度の低い部分に対応していること（例えば、或る人財について配置案における配置先が修正後の配置先と一致しているが当該修正後の配置先が重要度の低い修正に対応していること）。
（ｂ２）配置案のうち正解データと相違している部分が重要度の高い部分に対応していること（例えば、或る人財について配置案における配置先が修正後の配置先と相違しており当該修正後の配置先が重要度の高い修正に対応していること）。

学習部１７１が、Ｓ１２０２で更新された評価値に、適用後サーベイ結果１００７（Ｎ）と適用前サーベイ結果１００２（Ｎ）との差分に基づく効果測定結果を適用する（Ｓ１２０３）。具体的には、例えば、学習部１７１が、配置案のうち正解データと一致している部分と相違している部分の各々と、当該部分に関する変化量統計値（効果測定結果から特定される変化量統計値）との関係に基づいて、Ｓ１２０２で更新された評価値を更新する。より具体的には、例えば、下記（Ｃ）及び（Ｄ）のうちの少なくとも一つもが採用されてよい。また、Ｓ１２０３について、「変化量統計値」は、サーベイ項目１～７の全部又は一部（例えば、サーベイ項目１～７のうちサーベイ分析ＵＩ１８０を通じてユーザにより選択されたサーベイ項目）の変化量の統計値でよい。
（Ｃ）評価値がより高くされるケース（加算のケース）の例として、下記（ｃ１）及び（ｃ２）のうちの少なくとも一つが採用されてよい。
（ｃ１）配置案のうち正解データと一致している部分が変化量統計値の高い部分に対応していること（例えば、或る人財について配置案における配置先が修正後の配置先と一致しており当該人財及び当該修正後の配置先のうちの少なくともいずれかが変化量統計値の高い人財又は部署に対応していること）。
（ｃ２）配置案のうち正解データと相違している部分が変化量統計値の低い部分に対応していること（例えば、或る人財について配置案における配置先が修正後の配置先と相違しているが当該人財及び当該修正後の配置先のうちの少なくともいずれかが変化量統計値の低い人財又は部署に対応していること）。
（Ｄ）評価値がより低くされるケース（減算のケース）の例として、下記（ｄ１）及び（ｄ２）のうちの少なくとも一つが採用されてよい。
（ｄ１）配置案のうち正解データと一致している部分が変化量統計値の低い部分に対応していること（例えば、或る人財について配置案における配置先が修正後の配置先と一致しているが当該人財及び当該修正後の配置先のうちの少なくともいずれかが変化量統計値の低い人財又は部署に対応していること）。
（ｄ２）配置案のうち正解データと相違している部分が変化量統計値の高い部分に対応していること（例えば、或る人財について配置案における配置先が修正後の配置先と相違しており当該人財及び当該修正後の配置先のうちの少なくともいずれかが変化量統計値の高い人財又は部署に対応していること）。

学習部１７１が、Ｓ１２０３で更新された評価値を基に、配置案の評価値を決定する（Ｓ１２０４）。決定された評価値は、Ｓ１２０３で更新された評価値でもよいし、当該評価値に何らかの処理が施された後の評価値でもよい。

図１３は、学習処理における最適パラメータ群の算出の一例を模式的に示す。図１３の説明では、一の時点（Ｎ）を例に取る。

学習部１７１が、探索条件の範囲で未使用パラメータ群１３０１（Ｎ）を選択の都度、入力データ１００３（Ｎ）と選択された未使用パラメータ群１３０１（Ｎ）とを基に配置部１６２により配置案１３０２（Ｎ）を生成させる。これにより、選択された未使用パラメータ群（Ｎ）毎の配置案１３０２（Ｎ）が得られる。

学習部１７１が、各配置案１３０２（Ｎ）の評価値の算出（図１１のＳ１１０３）を、正解データ１３０３（Ｎ）、修正内容１００６（Ｎ）、及び効果測定結果１００９（Ｎ）を用いて行う。正解データ１３０３（Ｎ）は、人手修正後の配置案１００５（Ｎ）である。なお、正解データ１３０３（Ｎ）は、人手修正後の配置案１００５（Ｎ）に効果測定結果１００９（Ｎ）が適用された配置案でもよい。

学習部１７１が、評価値が最も高い配置案１３０２（Ｎ）の生成に使用されたパラメータ群１３０１（Ｎ）を、最適パラメータ群１０１０（Ｎ）とし、記憶装置１０２（パラメータＤＢ１１５）に格納する。

本実施形態によれば、例えば以下の通りである。
・人手修正後の配置案１００５（Ｎ）が、入力データ１００３（Ｎ）に対する正解データ１３０３（Ｎ）（つまり最適解）でよい。人手修正後の配置案１００５（Ｎ）が正解データ１３０３（Ｎ）として必ずしも適切であるとは限らないため（例えば、人手修正後の配置案１００５（Ｎ）が常に良いとは限らないため）、人手修正後の配置案１００５（Ｎ）のサーベイ結果である適用後サーベイ結果１００７（Ｎ）と、一つ前の時点（Ｎ－１）についての適用後サーベイ結果である適用前サーベイ結果１００２（Ｎ）との差分に基づく効果測定結果１００９（Ｎ）が、最適パラメータ群１０１０（Ｎ）の決定のための処理（例えば、配置案１３０２（Ｎ）の評価）に利用される。
・最適パラメータモデル１３１の学習により最適パラメータモデル１３１が最適化されても、人手修正が全く不要な配置案が得られるパラメータ群を常に算出することは困難であると考えられる。そこで、修正内容１００６に含まれる修正毎の重要度に基づき最適パラメータモデル１３１が学習されるので、推論フェーズにおいて、重要度の高い人手修正が必要となる可能性が低い配置案を生成するためのパラメータ群を算出することが期待される。

以下、パラメータ及びパラメータ最適化についての幾つかの具体例を説明する。その際、下記を例に取る。
・制約条件項目１が「部署Ａに配置可能な人数はＸ以下」である。Ｘが、パラメータ（連続値）である。
・制約条件項目２が「部署Ｂに配置可能な人数はＹ以下」である。Ｙが、パラメータ（連続値）である。
・制約条件項目３が「ＡＡＡの配置先は部署Ｂ」である。ＡＡＡが、人財の名前のパラメータ（離散値）である。
・評価指標項目１が「部署Ａの能力が良くなるようにする」である。部署Ａに配置される人財の能力の合計を正規化した値をＥ１とする。
・評価指標項目２が「部署Ｂの能力が良くなるようにする」である。部署Ｂに配置される人財の能力の合計を正規化した値をＥ２とする。
・評価指標に重み係数を掛けて組み合わせた式である目的関数（目的変数＝ｗ１＊Ｅ１＋ｗ２＊Ｅ２）がある。評価指標項目１及び２のパラメータがｗ１及びｗ２（それぞれ連続値）である。目的変数が最も高くなるｗ１及びｗ２がそれぞれ最適パラメータである。

図１４は、パラメータ（連続値）の算出の一例を模式的に示す。

入力データ１００３（Ｎ）及び未使用パラメータ群１３０１（Ｎ）を基に配置案１３０２（Ｎ）が生成される。配置案１３０２（Ｎ）の評価値が、以下のように算出される。なお、下記のＳ１～Ｓ５のうちの少なくとも一つは必要に応じて正規化されてよい。

第１に、配置案１３０２（Ｎ）と正解データ１３０３（Ｎ）との比較結果に基づく値Ｓ１が算出される。Ｓ１＝（配置案１３０２（Ｎ）が表す人財のうち正解データ１３０３（Ｎ）と同じ配置先の人財の数）／（候補者数（すなわち、配置案１３０２（Ｎ）が表す全人財の数））である。

第２に、修正内容１００６（Ｎ）に基づく値Ｓ２が算出される。Ｓ２＝ｇ１＊（修正１に関する結果）＋ｇ２（修正２に関する結果）＋…である。ｇα（α＝１、２、…）は、修正αの重要度である。「修正αに関する結果」としての値は、配置案１３０２（Ｎ）が修正αに一致していれば“１”、配置案１３０２（Ｎ）が修正αに一致していなければ“０”である。

第３に、個別サーベイ結果に基づく値Ｓ３が算出される。Ｓ３＝（スコアが良くなった人財の配置が再現されている数）／（スコア悪くなった人財の配置が再現されている数)である。スコアが良くなったか悪くなったかは、適用後サーベイ結果１００７（Ｎ）における個別サーベイ結果（つまり、配置先変更後のサーベイ結果）から、適用前サーベイ結果１００２（Ｎ）における個別サーベイ結果（つまり、配置先変更前のサーベイ結果）を減算した結果（例えば変化量統計値）に基づく。例えば、「スコアが良くなった人財」とは、変化量統計値が正の値（又は、正の値且つ一定値以上）である人財であり、「スコアが良くなった人財の配置が再現されている数」とは、スコアが良くなった人財と同じ配置（変更前配置先と変更後配置先との組）の数である。「スコアが悪くなった人財」とは、変化量統計値が負の値（又は、負の値且つ一定値以下）である人財であり、「スコアが悪くなった人財の配置が再現されている数」とは、スコアが悪くなった人財と同じ配置（変更前配置先と変更後配置先との組）の数である。

第４に、団体サーベイ結果に基づく値Ｓ４が算出される。Ｓ４＝（団体サーベイ結果が良くなった部署のスコア平均値）／（団体サーベイ結果が悪くなった部署のスコア平均値）である。団体サーベイ結果が良くなったか悪くなったかは、適用後サーベイ結果１００７（Ｎ）における団体サーベイ結果から、適用前サーベイ結果１００２（Ｎ）における団体サーベイ結果を減算した結果（例えば変化量統計値）に基づく。例えば、「団体サーベイ結果が良くなった部署」とは、変化量統計値が正の値（又は、正の値且つ一定値以上）である部署であり、「団体サーベイ結果が悪くなった部署」とは、変化量統計値が負の値（又は、負の値且つ一定値以下）である部署である。「団体サーベイ結果が良くなった部署」及び「団体サーベイ結果が悪くなった部署」の各々のスコアに、当該部署に配置する人財の特徴が反映されてよい。Ｓ４の考え方は例えば次の通りである。すなわち、結果が良くなった部署は、その部署に適した人財がそろっている、ということであり、結果が悪くなった部署は、その部署に適さない人財がそろっている、ということである。そのため、結果が良くなった部署にはその部署に配置する人財の特徴に類似した特徴を持つ人財が配属されやすく、逆に結果が悪くなった部署にはその部署に配置する人財の特徴に類似した特徴を持つ人財が配属されにくくする。

第５に、順守率や評価指標値などの単純な数値Ｓ５が特定される。Ｓ５は、無くてもよい。

学習部１７１が、配置案１３０２（Ｎ）の評価値を、Ｓ１～Ｓ５を基に算出する。例えば、評価値＝Ｓ１＊Ｓ２＊Ｓ３＊Ｓ４＊Ｓ５である。Ｓ１～Ｓ５の少なくとも一つに、重み係数が乗算されてもよい。

学習部１７１は、上述したように、パラメータ群を変更し（未使用パラメータ群を選択し）、その変更後のパラメータ群を基に配置部１６２により配置案を生成させる。

このようにして、全通りのパラメータ群の配置案の評価値が得られた場合、学習部１７１が、最も高い評価委の配置案に対応したパラメータ群を特定し、当該パラメータ群を最適パラメータ群１０１０（Ｎ）とする。なお、効果測定結果は、個別サーベイ結果の比較結果と団体サーベイ結果の比較結果との両方に基づく必要は無く、例えば、個別サーベイ結果の比較結果と団体サーベイ結果の比較結果との少なくとも一つに基づいてよい。

図１５は、パラメータ（離散値）の算出の一例を模式的に示す。

学習部１７１が、パラメータ（離散値）である“ＡＡＡ”の最適値を見つけるために、例えば以下の処理を行う。

学習部１７１が、人財、変更前配置先及び変更後配置先の組毎に、配置先変更回数をカウントする。例えば、部署Ａから部署Ｂへの配置先変更の回数が１０回の場合、図１５に例示の通り、「配置先変更回数」の値が“１０”である。

学習部１７１が、人財、変更前配置先及び変更後配置先の組毎に、配置先変更のスコアを算出する。このスコアは、例えば、配置先変更前後の団体サーベイ結果におけるスコアに基づく。変更前配置先から変更後配置先への変更が良い程、配置先変更スコアは高い。

学習部１７１が、人財、変更前配置先及び変更後配置先の組毎に、ＡＡＡと同じ特徴の人財の配置先変更回数を算出する。人財の特徴は、人財の属性（例えば年齢等）に基づく。図１５が示す例によれば、ＡＡＡの一例が“日立太郎”であり、部署Ａから部署Ｂへの配置先変更は、ＡＡＡ（＝“日立太郎”）と同じ特徴の人財のみについて行われたため、「ＡＡＡと同じ特徴の人財の配置先変更回数」の値は、「配置先変更回数」の値と同じ“１０”である。

学習部１７１が、人財、変更前配置先及び変更後配置先の組毎に、ＡＡＡと同じ特徴の人財の配置先変更スコアを算出する。このスコアは、例えば、配置先変更前後の個別サーベイ結果におけるスコアに基づく。

学習部１７１が、人財、変更前配置先及び変更後配置先の組毎に、「配置先変更回数」の値、「配置先変更スコア」の値、「ＡＡＡと同じ特徴の人財の配置先変更回数」の値、及び、「ＡＡＡと同じ特徴の人財の配置先変更スコア」の値の統計値（例えば合計）を算出する。

図１５に示す例によれば、日立太郎が部署Ａにいる場合、変更後の配置先は部署Ｂであることが最も好ましい。このため、配置先が部署ＢとなるＡＡＡの最適パラメータの一つは“日立太郎”である。

以上が、本実施形態の説明である。

以上の実施形態では、推論フェーズにおいて、最適パラメータモデル１３１を用いてリコメンド部１６１により最適パラメータ群がユーザにリコメンドされるが、最適パラメータ群がユーザにリコメンドされることに代えて、リコメンド部１６１により算出された最適パラメータ群がユーザへのリコメンド無しに配置案の生成に使用されてよい。つまり、推論フェーズにおいて、条件設定ＵＩ１５０を介して設定されたパラメータ群ではなく、最適パラメータモデル１３１を用いて算出されたパラメータ群が最適パラメータ群として配置案の生成に使用されてよい。

以上の実施形態を、例えば下記のように総括することができる。

人財配置支援システム１００が、記憶装置１０２と、プロセッサ１０３とを備える。記憶装置１０２に、組織における複数の人財と各人財の配置先とを表す入力ＤＢ１１１（配置情報の一例）が格納される。プロセッサ１０３が、入力ＤＢ１１１の全部又は一部を含む入力データ１００３を基に最適パラメータ群１０１０を最適パラメータモデル１３１を実行することで算出し、当該算出された最適パラメータ群（又はそれの人手修正後の最適パラメータ群）と入力ＤＢ１１１の全部又は一部を含む入力データ１００３とを基に配置案１００４を生成して当該配置案１００４を出力する。最適パラメータモデル１３１は、入力データ１００３を入力とし最適パラメータ群１０１０を出力とする機械学習モデルである。最適パラメータ群１０１０は、人財の配置先変更に関する一以上の条件項目それぞれについての最適パラメータを含む。配置案１００４は、一又は複数の人財のうちの一以上の人財それぞれの変更後の配置先の案である。

学習フェーズにおいて、一以上の時点の各々について、一の時点（Ｎ）を例に取ると、プロセッサ１０３が、入力データ１００３（Ｎ）とパラメータ群１３０１（Ｎ）とを基に配置案１３０２（Ｎ）を生成し、当該配置案１３０２（Ｎ）、正解データ１３０３（Ｎ）及びパラメータ群１３０１（Ｎ）を基に、最適パラメータ群１０１０（Ｎ）を算出する。学習フェーズにおいて、プロセッサ１０３が、一以上の時点それぞれについてのデータセット１０１１を基に最適パラメータモデル１３１の学習を行う。当該一以上の時点の各々について、データセット１０１１は、当該時点についての最適パラメータ群１０１０と、当該時点に対応した入力データ１００３（又はその特徴量）とを含む。

このように、入力データ１００３を基に配置案１００４を生成するためのパラメータ群の算出に最適パラメータモデル１３１が使用され、最適パラメータモデル１３１の学習に、配置案１００４に対する人手修正に従うデータである正解データ１３０３が利用される。これにより、人手による修正が少なく済む配置案の生成のためのパラメータ群が生成されることが学習された最適パラメータモデル１３１により算出されることが期待され、故に、人手による修正が少なく済む配置案１００４の生成が期待される。

また、入力データ１００３（又はその特徴量）が同じであっても好ましいとされる配置案１００４はユーザによって異なる。最適パラメータモデル１３１の学習には、ユーザによる修正内容に従う正解データ１３０３が利用されるため、当該ユーザに適した学習がなされることが期待される。

一以上の時点の各々について、正解データ１３０３は、当該時点についての配置案１００４に対する人手修正後の配置案１００５を含んでよい。これにより、人手修正が少なく済む配置案の生成のためのパラメータ群を算出できる可能性が高い最適パラメータモデル１３１が実現されるようなモデル学習が期待される。

一以上の時点の各々について、当該時点についての配置案１００４に対する人手修正は、配置先が変更される人財と、当該人財の修正前の配置先と、当該の人財の修正後の配置先とを含んだ組毎に、修正の重要度と修正項目とのうちの少なくとも一つを含んでよい。これにより、修正の重要度と修正項目とのうちの少なくとも一つと、配置案１３０２と正解データ１３０３間で当該修正と同様の修正が生じるか否かとを基に、人手修正が効率的且つ少なく済む配置案の生成のためのパラメータ群を算出できる可能性が高い最適パラメータモデル１３１が実現されるようなモデル学習が期待される。

一以上の時点のうちの少なくとも一の時点について、プロセッサ１０３は、配置案ＵＩ１６０を提供してよい。配置案ＵＩ１６０は、配置先が変更される人財と、当該人財の修正前の配置先と、当該人財の修正後の配置先とを含んだ組毎に、修正の重要度と修正項目とのうちの少なくとも一つの入力をユーザから受け付けるＵＩの一例でよい。このようなＵＩが提供されるので、効率的にユーザの修正内容３０３を受け付け蓄積することができる。

一以上の時点の各々について、一つの時点（Ｎ）を例に取ると、プロセッサ１０３が、最適パラメータ群１０１０（Ｎ）の算出に、効果測定結果１００９（Ｎ）を利用してよい。効果測定結果（Ｎ）は、適用後サーベイ結果１００７（Ｎ）（配置案１００４（Ｎ）に対する人手修正後の配置案１００５（Ｎ）のサーベイ結果）と、適用前サーベイ結果１００２（Ｎ）（時点（Ｎ）より過去の一以上の時点（例えば時点（Ｎ－１））の各々についての人手修正後の配置案のサーベイ結果の一例）との比較結果でよい（例えば、サーベイ項目１～７（一以上のサーベイ項目の一例）の全部又は一部のサーベイ項目それぞれについて得られたスコア差分に基づいてよい）。正解データ１３０３（Ｎ）が必ずしも適切であるとは限らないが、最適パラメータ群１０１０（Ｎ）の算出に、適用後サーベイ結果１００７（Ｎ）と適用前サーベイ結果１００２（Ｎ）との差分に基づく効果測定結果１００９（Ｎ）に利用されるので、算出される最適パラメータ群１０１０（Ｎ）の適切性の向上が期待される。

一以上の時点の各々について、一つの時点（Ｎ）を例に取ると、効果測定結果１００９（Ｎ）の利用は、正解データ１３０３（Ｎ）を、人手修正後の配置案１００５（Ｎ）についての効果測定結果１００９（Ｎ）が適用された後の配置案とすることでよい。これにより、正解データ１３０３が、人手修正後の配置案１００５（Ｎ）に効果測定結果１００９（Ｎ）が適用されたより正しい配置案であることが期待され、故に、より適切な最適パラメータ群の算出が期待され、以って、より適切なモデル学習が期待される。また、効果測定結果１００９（Ｎ）の利用は、配置案１３０２（配置案候補）の評価値の算出に利用することでよい。これにより、配置案１３０２の評価値の適切性の向上が期待される。

一以上の時点の各々について、一つの時点（Ｎ）を例に取ると、配置案のサーベイ結果として、当該配置案における人財と配置先との組毎に一以上のサーベイ項目それぞれについてのスコアを含んだサーベイ結果である個別サーベイ結果と、当該配置案における配置先毎に前記一以上のサーベイ項目それぞれについてのスコアを含んだサーベイ結果である団体サーベイ結果との少なくとも一つがあり、効果測定結果１００９（Ｎ）は、個別サーベイ結果の比較結果（例えば差分）と、団体サーベイ結果の比較結果とのうちの少なくとも一つに基づいてよい。これにより、人財の観点と配置先の観点の少なくとも一つの観点から効果測定結果１００９（Ｎ）が得られ、故に、より適切な最適パラメータ群の算出が期待され、以って、より適切なモデル学習が期待される。

一以上の時点のうちの少なくとも一の時点について、プロセッサ１０３は、サーベイ分析ＵＩ１８０を提供してよい。サーベイ分析ＵＩ１８０は、当該時点についての配置案に対する人手修正後の配置案のサーベイ結果と、当該時点より過去の一以上の時点の各々についての人手修正後の配置案のサーベイ結果との差分を、一以上のサーベイ項目それぞれについて表示し、前記一つ以上のサーベイ項目のうちのユーザ所望のサーベイ項目の選択を受け付けるＵＩの一例でよい。サーベイ項目１～７の全部又は一部のサーベイ項目は、当該選択されたサーベイ項目でよい。これにより、ユーザが注目するサーベイ項目に絞ったサーベイ結果の適用ができ、以って、よりユーザ視点に適した配置案の生成のためのパラメータ群を算出する最適パラメータモデル１３１の学習が期待される。なお、部署や人財によって選択されたサーベイ項目やその数が異なる場合、正規化又はその他の方法による調整処理がプロセッサ１０３（例えば、学習部１７１）によって行われてよい。また、プロセッサ１０３は、複数の修正項目のうち、選択されたサーベイ項目に関連する修正項目をユーザによる選択が可能に表示してよい。これにより、サーベイ項目に関連した適切な修正項目を入力を支援することが実現される。

一以上の条件項目は、配置先が変更される人財の選択に影響する条件である制約条件についての一以上の項目と、配置先が変更される人財の変更後の配置先に影響する条件である評価指標についての一以上の項目とを含んでよい。これにより、入力データ１００３を基に、配置先が変更される人財とその人財の変更後の配置先との両方が適切な配置案の生成が期待される。

プロセッサ１０３は、入力データ１００３を基に最適パラメータ群を、最適パラメータモデル１３１を実行することで算出し、一つ以上の条件項目の当該算出された最適パラメータ群をユーザに対してリコメンドするＵＩの一例である条件設定ＵＩ１５０を提供し、当該リコメンドされた最適パラメータ群（又は当該ＵＩを介してユーザにより修正された後の最適パラメータ群）と、入力データ１００３とを基に、配置案を生成して、当該配置案を出力してよい。これにより、ユーザは、最適パラメータのリコメンドを受けて承認することで配置案の生成の当該最適パラメータが使用されるので、当該ユーザにとって最適な配置案生成のためのパラメータ設定を効率的に行うことができる。
［実施形態２］

実施形態２を説明する。その際、実施形態１との相違点を主に説明し、実施形態１との共通点については説明を省略又は簡略する。

実施形態１では、最適パラメータモデルは、機械学習モデルであり、一以上の条件項目に対応した一以上のパラメータであるパラメータ群を算出するモデルである。実施形態２では、最適パラメータモデルとして、機械学習モデルとは異なる種類のモデル、例えば、統計的推定のモデルが採用される。統計的推定モデルとしての最適パラメータモデルが、複数の条件項目群の各々について生成される。「条件項目群」とは、一つ以上の条件項目である。本実施形態では、説明を簡単にするために、「条件項目群」は、一つの条件項目である。

図１６は、実施形態２に係る学習の例を示す。

実施形態２に係る学習部１６５０は、条件項目毎に、最適パラメータモデル１６１０を演算（生成）する。一つの条件項目を例に取ると、具体的には、例えば、学習部１６５０は、図示の学習１６００を行う。すなわち、学習部１６５０は、時点（Ｎ）を含む過去一以上の時点の各々に対応した人手修正後の配置案（１００５（Ｎ）、１００５（Ｎ－１）、…）と、時点（Ｎ）を含む過去一以上の時点の各々に対応したパラメータ群（１００８（Ｎ）、１００８（Ｎ－１）、…）とのうちの少なくとも一つに統計手法を施すことで統計的推定モデルとしてお最適パラメータモデル１６１０を演算する。このような学習１６００が条件項目毎に行われる。

なお、パラメータ群１００８（Ｎ）は、一つの条件項目に対応した一つのパラメータで構成されてよい。また、パラメータ群１００８（Ｎ）は、ユーザにより手入力されたパラメータでもよいし、ユーザにより修正された後のパラメータでもよい（例えば条件設定ＵＩ１５０を介してユーザにより入力されたパラメータでよい）。このようなパラメータ群１００８（Ｎ）を用いた学習１６００がされることで、人手修正が不要な程に適切なパラメータをリコメンド可能な最適パラメータモデル１６１０の生成が期待される。また、上述したように、パラメータ群１００８（Ｎ）に代えて人手修正後の配置案１００５（Ｎ）を基に最適パラメータモデル１６１０の生成が可能であるが、人手修正後の配置案１００５（Ｎ）も人手修正が反映されたデータであるため、同様に、人手修正が不要な程に適切なパラメータをリコメンド可能な最適パラメータモデル１６１０の生成が期待される。

図１７は、実施形態２に係るリコメンドの例を示す。

実施形態２に係るリコメンド部１７５０は、条件項目毎に、図示のリコメンド１７００を行う。一つの条件項目を例に取ると、リコメンド部１７５０は、時点（Ｎ＋１）の入力データ１３０２（Ｎ＋１）を入力として、当該条件項目に対応した最適パラメータモデル１６１０（時点（Ｎ＋１）より過去の一以上の時点のデータを用いて演算されたモデル）を用いることで、リコメンドされるパラメータ１６を得る。

なお、最適パラメータモデル１６１０（言い換えれば、条件項目）によっては、入力データ１３０２をパラメータの算出に使用しないモデル（例えば、平均値又は最頻値といった値それ自体が最適パラメータモデル１６１０として演算されるケース）があり得る。そのようなモデルが最適パラメータモデル１６１０である場合、入力データ１３０２に依存せず、同じパラメータ１６０がリコメンド結果としてユーザに提供される。

図１８は、人手修正後の配置案ベースのモデル推定の説明例を示す。

「人手修正後の配置案ベースのモデル推定」とは、人手修正後の配置案１００５から最適パラメータモデル１６１０を演算することを意味する。図１８の例によれば、条件項目が、制約条件項目の一例である「異動する割合の下限Ｘ％」である。この条件項目に対応したパラメータは、パラメータＸ（閾値１としての値）である。Ｘの最適値を算出する最適パラメータモデルが演算される。

具体的には、例えば、人手修正後の配置案１００５（Ｎ）、１００５（Ｎ－１）、１００５（Ｎ－２）、…の各々について、学習部１６５０が、対象人数（人財の数）と異動する人数（配置先が変更される人財の数）とから、異動する人数の割合である異動割合を算出する。学習部１６５０は、人手修正後の配置案１００５（Ｎ）、１００５（Ｎ－１）、１００５（Ｎ－２）、…の各々について算出された異動割合の統計処理（統計手法に従う処理）を行うことで、閾値Ｘの最適値を求めるための最適パラメータモデルを演算する。例えば、最適パラメータモデルは、確率密度関数Ｐ（Ｘ）でよく、Ｘは、Ｐ（Ｘ）の変数でよい。Ｐ（Ｘ）から確率範囲内（例えば±２σ）となるＸの範囲（下限値＜Ｘ＜上限値）の１つ以上の値、または数値範囲をリコメンドするパラメータとして演算することができる。

制約条件項目毎に、関係性分析方法が定義されていて、制約条件項目に対応したパラメータの傾向が抽出されてよい。統計手法として、尤度推定や確率密度関数といった任意の統計手法が採用されてよい。

図１９は、パラメータ群ベースのモデル推定の説明例を示す。

「パラメータ群ベースのモデル推定」とは、パラメータ群１００８から最適パラメータモデル１６１０を演算することを意味する。図１９の例によれば、条件項目が、評価指標項目の一例である「評価指標の係数１」である。この条件項目に対応したパラメータは、パラメータＹである。Ｙの最適値を算出する最適パラメータモデルが演算される。例えば、学習部１６５０は、パラメータ群１８０２（Ｎ）、１８０２（Ｎ－１）、１８０２（Ｎ－２）、…の各々から得られたパラメータ（係数）の統計処理を行うことで、係数Ｙの最適値を求めるための最適パラメータモデルを演算する。最適パラメータモデルは、係数の最頻値である。なお、図１９において、パラメータ群１８０２毎に、評価値は、目的変数と複数の説明変数とを含んだ式における注目項（係数Ｙと説明変数とを含んだ項）に基づく値であり、全体の評価値は、注目項を含む複数の項に基づく値である（注目項以外の各項はデフォルト値でよい）。係数Ｙの最適パラメータモデルは、係数の最頻値に代えて又は加えて、評価値及び全体の評価値とのうちの少なくとも一つの統計値（例えば最頻値）を基に演算されてよい。

評価指標間の重みについて分析方法が定義されてよく、パラメータの傾向が抽出されてよい。統計手法として、任意の統計手法が採用されてよい。

図２０は、実施形態２に係る最適パラメータモデルの例を示す。

条件項目毎に、閾値や係数といったパラメータがあり、最適パラメータを算出（推定）するための推定モデルが最適パラメータモデルとして演算（生成）される。

図２０の例によれば、閾値１の推定モデル（最適パラメータモデル）は、確率密度関数であり、推定モデルの実体（インスタンス）として、推定式が定義されている。このように入力を必要とする推定モデルが最適パラメータモデルの場合、パラメータのリコメンドのために入力データ１３０２の入力が必要とされる。例えば、閾値１のように、入力データを未知データとしてパラメータのリコメンドを行う場合は、配置先が変更される人財の数や年齢比といった属性値が推定式に入力されてよい。

閾値２の推定モデルは、平均値であり、推定モデルの実体として、値“２０”が定義されている。このように入力を不要とする推定モデルが最適パラメータモデルの場合、パラメータのリコメンドのために入力データ１３０２の入力は不要であり、同じ結果（値）がリコメンドされることになる。

図２１は、実施形態２に係る学習処理のフローを示す。

学習部１６５０は、学習の開始条件が満たされたか否かを判定する（Ｓ２１０１）。学習の開始条件としては、例えば、ユーザから学習開始の明示の指示があること、ｐ個の時点（ｐは自然数）の各々について人手修正後の配置案１００５及びパラメータ群１００８が蓄積されていること、といった任意の開始条件が採用されてよい。

Ｓ２１０１の判定結果が真の場合（Ｓ２１０１：ＹＥＳ）、学習部１６５０は、条件項目毎に推定モデルを設定する（Ｓ２１０２）。Ｓ２１０２の「設定」とは、条件項目に対応した推定モデルの種類（例えば、確率密度関数、平均値）を特定することである。また、当該特定に代えて又は加えて、推定モデルの「設定」は、外部インターフェース（例えば何らかのＵＩ）からユーザにより設定されることでもよいし、あらかじめ初期値として設定されていることでもよい。また、少なくとも一つの条件項目について複数の推定モデルが設定されてもよい。

Ｓ２１０２の後、学習部１６５０は、条件項目毎に、過去の一以上の時点の各々についての人手修正後の配置案１００５及びパラメータ群１００８の少なくとも一つを基に、設定した推定モデルの演算（推定モデルのインスタンスの決定）を行う（Ｓ２１０３）。

実施形態２では、下記のうちの少なくとも一つが採用されてよい。
・条件項目群が一つの条件項目であることを例に取ったが、条件項目群は、例えば、種類が類似した二つ以上の条件項目でもよく、そのような二つ以上の条件項目について共通の最適パラメータモデルが生成されてよい。
・リコメンド部１７５０は、入力データの入力が必要な推定モデルを用いてパラメータを算出（推定）する場合、推定された一つのパラメータを最適パラメータとしてリコメンドしてもよいし、過去の一以上の時点での人手修正後の配置案からそれぞれ抽出されたパラメータ（更に、推定モデルを用いて推定されたパラメータ）を基にパラメータ範囲（例えば、パラメータの上限と下限のうちの少なくとも一つ）を推定し推定されたパラメータ範囲をリコメンドしてもよい。
・リコメンド部１７５０は、入力データの入力が不要な推定モデルを用いてパラメータを算出（推定）する場合、推定された一つのパラメータを最適パラメータとしてリコメンドしてもよいし、過去の一以上の時点でのパラメータ群からそれぞれ抽出されたパラメータ（更に、推定モデルを用いて推定されたパラメータ）を基にパラメータ範囲（例えば、パラメータの上限と下限のうちの少なくとも一つ）を推定し推定されたパラメータ範囲をリコメンドしてもよい。

以上の実施形態を、例えば下記のように総括することができる。

人財配置支援システムにおいて、リコメンド部１７５０が、人財の配置先変更に関する一以上の条件項目群の各々について、当該条件項目群に対応した最適パラメータモデル１６１０を用いて、組織における複数の人財と各人財の配置先とを表す配置情報の全部又は一部に基づく入力データ１３０２を基に（又はそのような入力データを用いずに）最適パラメータを算出する。配置部１６２は、各条件項目群について算出された最適パラメータ（又はそれの人手修正後の最適パラメータ）と配置情報の全部又は一部に基づく入力データ１３０２とを基に配置案を生成して当該配置案をインターフェース装置を介して出力できる。実施形態２でも、人手による修正が少なく済む配置案の生成が期待される。なお、条件項目群毎に、最適パラメータは、一つでもよいし、連続した又は離散した複数のパラメータで構成されたパラメータ範囲に属する各パラメータでもよい。

条件項目群は、一つ以上の条件項目である。各条件項目群について、学習部１６５０が、一以上の時点の各々についての人手修正後の配置案１００５及びパラメータ群１００８（一以上のパラメータ）の少なくとも一つを入力とした統計手法により統計的推定モデルを演算する。各条件項目群について、統計的推定モデルが、最適パラメータモデル１６１０である。

最適パラメータモデル１６１０の演算に、人手修正後の配置案１００５及びパラメータ群１００８の少なくとも一つに代えて又は加えて、修正内容１００６、効果測定結果１００９及び正解データ１３００３のうちの少なくとも一つが利用されてよい。また、最適パラメータモデル１６１０の演算に使用され得るパラメータ群１００８は、ユーザに入力された（例えば新規に入力された又は修正された）パラメータでよい。

以上、幾つかの実施形態を説明したが、これらは本発明の説明のための例示であって、本発明の範囲をこれらの実施形態にのみ限定する趣旨ではない。本発明は、他の種々の形態でも実行することが可能である。例えば、実施形態１と実施形態２の組合せが実現されてもよい。すなわち、複数の条件項目に共通の機械学習モデルとしての最適パラメータモデル１３１と、条件項目群毎の統計的推定モデルとしての最適パラメータモデル１６１０が併存してもよい。学習部が、最適パラメータモデル１３１の学習と最適パラメータモデル１６１０の演算のいずれを行ってもよい。リコメンド部が、最適パラメータモデル１３１と最適パラメータモデル１６１０のいずれを用いて一つ以上の最適パラメータ（例えば、一つのパラメータ又はパラメータ範囲）を算出するかを選択し、選択したモデルを使用して一つ以上の最適パラメータを算出してもよい。例えば、最適パラメータモデル１３１の学習に使用されたデータの量が一定量未満の場合（例えば、機械学習モデルの学習が不十分である場合）、リコメンド対象の最適パラメータ算出に使用されるモデルとして最適パラメータモデル１６１０が選択されてよい。最適パラメータモデル１３１の学習に使用されたデータの量が一定量以上の場合（例えば、機械学習モデルの学習が十分である場合）、リコメンド対象の最適パラメータ算出に使用されるモデルとして最適パラメータモデル１３１が選択されてもよい。

また、例えば実施形態２の説明を基に、下記のような表現が採用されてもよい。
＜表現１＞
インターフェース装置と、
組織における複数の人財と各人財の配置先とを表す配置情報の全部又は一部を含む入力データを基に最適パラメータを最適パラメータモデルを用いて算出し、当該算出された最適パラメータ又はそれの人手修正後の最適パラメータと前記配置情報の全部又は一部を含む入力データとを基に配置案を生成して当該配置案を前記インターフェース装置を介して出力するプロセッサと
を備え、
人財の配置先変更に関する一以上の条件項目群それぞれについて最適パラメータモデルがあり、
条件項目群は、一以上の条件項目であり、
最適パラメータモデルは、統計手法により推定されたモデルである統計的推定モデルであり、
配置案は、前記一又は複数の人財のうちの一以上の人財それぞれの変更後の配置先の案であり、
各条件項目群について、前記プロセッサが、一以上の時点の各々についての人手修正後の配置案及びパラメータ群の少なくとも一つを入力とした統計手法により前記最適パラメータモデルを演算する、
人財配置支援システム。
＜表現２＞
前記プロセッサが、一以上の時点の各々についての人手修正後の配置案及びパラメータ群の少なくとも一つに代えて又は加えて、修正内容を入力とした統計手法により前記最適パラメータモデルを演算し、
前記一以上の時点の各々について、当該時点についての修正内容は、配置先が変更される人財と、当該人財の修正前の配置先と、当該の人財の修正後の配置先とを含んだ組毎に、修正の重要度と修正理由に該当する項目とのうちの少なくとも一つを含む、
表現１に記載の人財配置支援システム。
＜表現３＞
前記一以上の時点のうちの少なくとも一の時点について、前記プロセッサは、配置先が変更される人財と、当該人財の修正前の配置先と、当該人財の修正後の配置先とを含んだ組毎に、修正の重要度と修正理由に該当する項目とのうちの少なくとも一つの入力をユーザから受け付けるＵＩ（User Interface）を提供する、
表現２に記載の人財配置支援システム。
＜表現４＞
前記プロセッサが、一以上の時点の各々についての人手修正後の配置案及びパラメータ群の少なくとも一つに代えて又は加えて、効果測定結果を入力とした統計手法により前記最適パラメータモデルを演算し、
前記一以上の時点の各々について、前記効果測定結果は、当該時点についての人手修正後の配置案に関し一以上のサーベイ項目それぞれについて与えられたスコアであるサーベイ結果と、当該時点より過去の一以上の時点の各々についての人手修正後の配置案のサーベイ結果との比較結果である、
表現１に記載の人財配置支援システム。
＜表現５＞
前記プロセッサが、一以上の時点の各々についての人手修正後の配置案及びパラメータ群の少なくとも一つに代えて又は加えて、正解データを入力とした統計手法により前記最適パラメータモデルを演算し、
前記一以上の時点の各々について、前記正解データは、当該時点についての人手修正後の配置案、又は、当該人手修正後の配置案に当該時点に対応した効果測定結果が適用されたデータであり、
前記一以上の時点の各々について、前記効果測定結果は、当該時点についての人手修正後の配置案に関し一以上のサーベイ項目それぞれについて与えられたスコアであるサーベイ結果と、当該時点より過去の一以上の時点の各々についての人手修正後の配置案のサーベイ結果との比較結果である、
表現１に記載の人財配置支援システム。
＜表現６＞
前記一以上の条件項目は、
配置先が変更される人財の選択に影響する条件である制約条件についての一以上の項目と、
配置先が変更される人財の変更後の配置先に影響する条件である評価指標についての一以上の項目と
を含む、
表現１に記載の人財配置支援システム。
＜表現７＞
前記プロセッサは、
前記配置情報の全部又は一部を含む入力データを基に最適パラメータを、前記最適パラメータモデルを実行することで算出し、
前記一つ以上の条件項目群の当該算出された最適パラメータをユーザに対してリコメンドするＵＩを提供し、
当該リコメンドされた最適パラメータ又は当該ＵＩを介してユーザにより修正された後の最適パラメータと、前記配置情報の全部又は一部を含む入力データとを基に、配置案を生成して、当該配置案を出力する、
表現１に記載の人財配置支援システム。

実施形態１及び２の説明を基に、下記のような包括的な表現が採用されてもよい。すなわち、最適パラメータモデルとして、機械学習モデル及び統計的推定モデルのいずれが採用されてもよいし、機械学習モデル及び統計的推定モデル以外の種類のモデルが採用されてもよい。
＜表現＞
インターフェース装置と、
組織における複数の人財と各人財の配置先とを表す配置情報の全部又は一部を含む入力データを基に最適パラメータを最適パラメータモデルを基に算出し、当該算出された最適パラメータ又はそれの人手修正後の最適パラメータと前記配置情報の全部又は一部を含む入力データとを基に配置案を生成して当該配置案を前記インターフェース装置を介して出力するプロセッサと
を備え、
最適パラメータモデルは、一以上の時点の各々についての人手修正結果が反映されたデータ（例えば、人手修正後の配置案、正解データ、修正内容、及び、効果測定結果のうちの少なくとも一つ）を基に前記プロセッサにより用意されたモデルである、
人財配置支援システム。

１００：人財配置支援システム

Claims (15)

1. インターフェース装置と、
   組織における複数の人財と各人財の配置先とを表す配置情報の全部又は一部を含む入力データを基に最適パラメータ群を最適パラメータモデルを実行することで算出し、当該算出された最適パラメータ群又はそれの人手修正後の最適パラメータ群と前記配置情報の全部又は一部を含む入力データとを基に配置案を生成して当該配置案を前記インターフェース装置を介して出力するプロセッサと
   を備え、
   前記最適パラメータモデルは、前記配置情報の全部又は一部を含む入力データを入力とし最適パラメータ群を出力とする機械学習モデルであり、
   前記最適パラメータ群は、人財の配置先変更に関する一以上の条件項目それぞれについての最適パラメータを含み、
   前記配置案は、前記一又は複数の人財のうちの一以上の人財それぞれの変更後の配置先の案であり、
   複数の時点の各々について、前記プロセッサが、
   当該時点に対応した配置情報の全部又は一部を含む入力データと、前記一以上の条件項目それぞれについての所与のパラメータである所与のパラメータ群とを基に、配置案を生成し、
   当該配置案と、当該配置案に対する人手修正に従うデータである正解データと、前記所与のパラメータ群とを基に、最適パラメータ群を算出し、
   前記プロセッサが、前記複数の時点それぞれについてのデータセットを基に前記最適パラメータモデルの学習を行い、
   前記複数の時点の各々について、データセットは、当該時点についての最適パラメータ群と、当該時点に対応した配置情報の全部又は一部を含む入力データ又はその特徴量とを含む、
   人財配置支援システム。
2. 前記複数の時点の各々について、前記正解データは、当該時点についての配置案に対する人手修正後の配置案を含む、
   請求項１に記載の人財配置支援システム。
3. 前記複数の時点の各々について、当該時点についての配置案に対する人手修正は、配置先が変更される人財と、当該人財の修正前の配置先と、当該の人財の修正後の配置先とを含んだ組毎に、修正の重要度と修正理由に該当する項目とのうちの少なくとも一つを含む、
   請求項１に記載の人財配置支援システム。
4. 前記複数の時点のうちの少なくとも一の時点について、前記プロセッサは、配置先が変更される人財と、当該人財の修正前の配置先と、当該人財の修正後の配置先とを含んだ組毎に、修正の重要度と修正理由に該当する項目とのうちの少なくとも一つの入力をユーザから受け付けるＵＩ（User Interface）を提供する、
   請求項３に記載の人財配置支援システム。
5. 前記複数の時点の各々について、
   前記プロセッサが、効果測定結果を、最適パラメータ群の算出に利用し、
   前記効果測定結果は、当該時点についての配置案に対する人手修正後の配置案に関し一以上のサーベイ項目それぞれについて与えられたスコアであるサーベイ結果と、当該時点より過去の複数の時点の各々についての人手修正後の配置案のサーベイ結果との比較結果である、
   請求項１に記載の人財配置支援システム。
6. 前記複数の時点の各々について、前記効果測定結果の利用は、前記正解データを、当該時点についての配置案に対する人手修正後の配置案に対して当該時点に対応した効果測定結果が適用された後の配置案とすることである、
   請求項５に記載の人財配置支援システム。
7. 前記複数の時点の各々について、
   前記プロセッサは、パラメータ範囲内でパラメータを変更する毎に候補としての配置案である配置案候補を生成して当該配置案候補の評価値を算出し、評価値が最も高い配置案候補に基づき最適パラメータ群を算出し、
   前記効果測定結果の利用は、配置案候補の評価値の算出に利用することである、
   請求項５に記載の人財配置支援システム。
8. 前記複数の時点の各々について、
   配置案のサーベイ結果として、当該配置案における人財と配置先との組毎に前記一以上のサーベイ項目それぞれについてのスコアを含んだサーベイ結果である個別サーベイ結果と、当該配置案における配置先毎に前記一以上のサーベイ項目それぞれについてのスコアを含んだサーベイ結果である団体サーベイ結果との少なくとも一つがあり、
   前記効果測定結果は、個別サーベイ結果の比較結果と、団体サーベイ結果の比較結果とのうちの少なくとも一つに基づく、
   請求項５に記載の人財配置支援システム。
9. 前記複数の時点のうちの少なくとも一の時点について、
   前記プロセッサは、当該時点についての配置案に対する人手修正後の配置案のサーベイ結果と、当該時点より過去の複数の時点についての人手修正後の配置案のサーベイ結果との比較結果を、前記一以上のサーベイ項目それぞれについて表示し、前記一つ以上のサーベイ項目のうちのユーザ所望のサーベイ項目の選択を受け付けるＵＩを提供し、
   前記全部又は一部のサーベイ項目は、当該選択されたサーベイ項目である、
   請求項５に記載の人財配置支援システム。
10. 前記複数の時点の各々について、当該時点についての配置案に対する人手修正は、修正理由に該当する項目である修正項目の選択を含み、
    前記プロセッサは、複数の修正項目のうち、前記選択されたサーベイ項目に関連する修正項目をユーザによる選択が可能に表示する、
    請求項８に記載の人財配置支援システム。
11. 前記一以上の条件項目は、
    配置先が変更される人財の選択に影響する条件である制約条件についての一以上の項目と、
    配置先が変更される人財の変更後の配置先に影響する条件である評価指標についての一以上の項目と
    を含む、
    請求項１に記載の人財配置支援システム。
12. 前記プロセッサは、
    前記配置情報の全部又は一部を含む入力データを基に最適パラメータ群を、前記最適パラメータモデルを実行することで算出し、
    前記一つ以上の条件項目の当該算出された最適パラメータ群をユーザに対してリコメンドするＵＩを提供し、
    当該リコメンドされた最適パラメータ群又は当該ＵＩを介してユーザにより修正された後の最適パラメータ群と、前記配置情報の全部又は一部を含む入力データとを基に、配置案を生成して、当該配置案を出力する、
    請求項１に記載の人財配置支援システム。
13. 前記プロセッサが、
    前記最適パラメータモデルと別種の最適パラメータモデルとのうちのいずれを用いるかを選択し、
    前記最適パラメータモデルを選択した場合、前記最適パラメータモデルを実行し、
    前記別種の最適パラメータモデル選択した場合、前記一以上の条件項目群の各々について、当該条件項目群に対応した別種の最適パラメータモデルを用いて、前記配置情報の全部又は一部に基づく入力データを基に又は当該入力データを用いずに最適パラメータを算出し、各条件項目群について算出された最適パラメータ又はそれの人手修正後の最適パラメータと前記配置情報の全部又は一部に基づく入力データとを基に配置案を生成して当該配置案をインターフェース装置を介して出力し、
    条件項目群は、一以上の条件項目であり、
    前記別種の最適パラメータモデルは、統計手法により推定されたモデルである統計的推定モデルであり、
    各条件項目群について、前記プロセッサが、複数の時点の各々についての人手修正後の配置案及びパラメータ群の少なくとも一つを入力とした統計手法により前記別種の最適パラメータモデルを演算する、
    請求項１に記載の人財配置支援システム。
14. コンピュータが、組織における複数の人財と各人財の配置先とを表す配置情報の全部又は一部を含む入力データを基に最適パラメータ群を最適パラメータモデルを実行することで算出し、当該算出された最適パラメータ群又はそれの人手修正後の最適パラメータ群と前記配置情報の全部又は一部を含む入力データとを基に配置案を生成して当該配置案を出力し、
    前記最適パラメータモデルは、前記配置情報の全部又は一部を含む入力データを入力とし最適パラメータ群を出力とする機械学習モデルであり、
    前記最適パラメータ群は、人財の配置先変更に関する一以上の条件項目それぞれについての最適パラメータを含み、
    前記配置案は、前記一又は複数の人財のうちの一以上の人財それぞれの変更後の配置先の案であり、
    複数の時点の各々について、コンピュータが、
    当該時点に対応した配置情報の全部又は一部を含む入力データと、前記一以上の条件項目それぞれについての所与のパラメータである所与のパラメータ群とを基に、配置案を生成し、
    当該配置案と、当該配置案に対する人手修正に従うデータである正解データと、前記所与のパラメータ群とを基に、最適パラメータ群を算出し、
    コンピュータが、前記複数の時点それぞれについてのデータセットを基に前記最適パラメータモデルの学習を行い、
    前記複数の時点の各々について、データセットは、当該時点についての最適パラメータ群と、当該時点に対応した配置情報の全部又は一部を含む入力データ又はその特徴量とを含む、
    人財配置支援方法。
15. 組織における複数の人財と各人財の配置先とを表す配置情報の全部又は一部を含む入力データを基に配置案を生成するために使用される最適パラメータ群を算出するための最適パラメータモデルの学習を行うためのコンピュータプログラムであって、
    前記最適パラメータモデルは、前記配置情報の全部又は一部を含む入力データを入力とし最適パラメータ群を出力とする機械学習モデルであり、
    前記最適パラメータ群は、人財の配置先変更に関する一以上の条件項目それぞれについての最適パラメータを含み、
    前記配置案は、前記一又は複数の人財のうちの一以上の人財それぞれの変更後の配置先の案であり、
    複数の時点の各々について、
    当該時点に対応した配置情報の全部又は一部を含む入力データと、前記一以上の条件項目それぞれについての所与のパラメータである所与のパラメータ群とを基に、配置案を生成し、
    当該配置案と、当該配置案に対する人手修正に従うデータである正解データと、前記所与のパラメータ群とを基に、最適パラメータ群を算出し、
    前記複数の時点それぞれについてのデータセットを基に前記最適パラメータモデルの学習を行う、
    ことをコンピュータに実行させ、
    前記複数の時点の各々について、データセットは、当該時点についての最適パラメータ群と、当該時点に対応した配置情報の全部又は一部を含む入力データ又はその特徴量とを含む、
    コンピュータプログラム。

Images