JP7341188B2 - 退職リスク判定システム、退職リスク判定装置、及び退職リスク判定方法 - Google Patents

Description

本発明は、退職リスク判定システム、退職リスク判定装置、及び退職リスク判定方法に関するものである。

多くの企業にて、退職による人財流出が問題となっている。そのため、社員の退職リスクを分析し、なるべく早く正確に退職予備軍を見つけ出し、人財流出を回避する試みが求められている。
そこで、退職リスクを判定する従来技術として、採用人材の入社後評価を多面的に予測しながら採用活動が実施されるようにする学習モデル構築装置（特許文献１参照）などが提案されている。

この技術は、採用を予定している企業（以下、「採用企業」という）の現在又は過去の社員（以下、「既存社員」という）それぞれが所定の職務適正試験を受験した結果を試験データとして取得する試験データ取得手段と、当該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する評価データ取得手段と、当該評価データ取得手段が取得した当該評価データそれぞれをＨ（高い）、Ｍ（中間）、Ｌ（低い）の３水準に分けたものを、それぞれの評価ラベルとして取得するラベル取得手段と、当該試験データ取得手段が取得した試験データそれぞれと、これらに対応する当該ラベル取得手段が取得したラベルそれぞれの組を教師データとして教師あり学習を行うことにより、当該採用企業への入社を希望して当該適正試験を受験した入社希望者の入社後評価予測のための学習モデルを構築する学習手段と、を備えるものとなっている。

特開２０２０－１９１１３１号公報

ところが、従来技術にはいくつかの課題が残されている。例えば、モデル学習に用いる各種データの精度に関して期待しにくい点がある。そうしたデータとして想定される、社員らの勤務記録(始業・終業時刻や場所)、および残業記録等のデータは、社員本人が勤怠管理システム等にアクセスし手入力するケースも多い。
その場合、当該社員による単純ミスとは別に、意図的に又は半ば強制的に過少申告等を行う可能性もある。よって、そうして得られるデータを、客観的で精度良好なデータとして無条件に取り扱うことも難しい。

また、上述の精度の問題に加えてデータ鮮度の問題も存在する。上述のモデル学習に用いるデータの一例として、働き方や仕事への意欲、職場環境等に関するアンケートや面談の結果が存在する。

ところが、上述のアンケートや面談が実施される頻度は、社員の入社時、半期ごとの人事評価や目標管理時など、年単位や数ヶ月単位であって、高頻度とはいえない。また、アンケートや面談の実施には相応の時間や手間が必要であり、関係する社員らに多くの負荷を強いることにもなる。

その結果、新鮮なデータを取得してモデル学習に用いることができず、リアルタイムな
退職リスク分析の実施は期待できない。なお、厚生労働省の調査によれば、多くの社員は退職前にその準備を行うことが判明している。そのため、退職リスクは時間変化するとの前提で、リアルタイムな分析が重要となってくる。

そこで本発明の目的は、処理対象となるデータを効率良く収集し、適宜な精度で退職リスク判定を実施可能とする技術を提供することにある。

上記課題を解決する本発明の退職リスク判定システムは、社員の在籍管理情報を保持する記憶装置と、社員それぞれが使用する仮想ＰＣ、及び当該仮想ＰＣを自身のハードウェアリソースで構築し前記社員それぞれに提供している管理サーバと通信する通信装置と、前記仮想ＰＣのデスクトップに所定端末でログオンして利用する前記社員による、当該仮想ＰＣの操作履歴を、仮想ＰＣ間でタイミングが分散したスケジュールでの、当該仮想ＰＣからのアップロードを受けて取得し、前記管理サーバから、当該管理サーバが管理対象としている前記仮想ＰＣのリソース消費履歴を取得し、前記操作履歴及び前記リソース消費履歴を、退職済み社員又は在籍中社員いずれに関するものか、前記在籍管理情報に基づき分類し、前記分類がなされた前記操作履歴及び前記リソース消費履歴を学習用データとした、退職リスク判定モデルの機械学習を実行し、前記退職リスク判定モデルに対し、前記機械学習以後に取得した操作履歴及びリソース消費履歴を入力して退職リスクを判定する演算装置と、を有したリスク判定装置を含むことを特徴とする。
また、本発明の退職リスク判定装置は、社員の在籍管理情報を保持する記憶装置と、社員それぞれが使用する仮想ＰＣ、及び当該仮想ＰＣを自身のハードウェアリソースで構築し前記社員それぞれに提供している管理サーバと通信する通信装置と、前記仮想ＰＣのデスクトップに所定端末でログオンして利用する前記社員による、当該仮想ＰＣの操作履歴を、仮想ＰＣ間でタイミングが分散したスケジュールでの、当該仮想ＰＣからのアップロードを受けて取得し、前記管理サーバから、当該管理サーバが管理対象としている前記仮想ＰＣのリソース消費履歴を取得し、前記操作履歴及び前記リソース消費履歴を、退職済み社員のもの、当該退職済み社員の退職直前期のもの、及び在籍中社員いずれに関するものか、前記在籍管理情報に基づき分類し、前記分類がなされた前記操作履歴及び前記リソース消費履歴を学習用データとした、退職リスク判定モデルの機械学習を実行し、前記退職リスク判定モデルに対し、前記機械学習以後に取得した操作履歴及びリソース消費履歴を入力して退職リスクを判定する演算装置と、を備えることを特徴とする。

また、本発明の退職リスク判定方法は、情報処理装置が、社員の在籍管理情報を保持する記憶装置と、社員それぞれが使用する仮想ＰＣ、及び当該仮想ＰＣを自身のハードウェアリソースで構築し前記社員それぞれに提供している管理サーバと通信する通信装置を備えて、前記仮想ＰＣのデスクトップに所定端末でログオンして利用する前記社員による、当該仮想ＰＣの操作履歴を、仮想ＰＣ間でタイミングが分散したスケジュールでの、当該仮想ＰＣからのアップロードを受けて取得し、前記管理サーバから、当該管理サーバが管理対象としている前記仮想ＰＣのリソース消費履歴を取得し、前記操作履歴及び前記リソース消費履歴を、退職済み社員又は在籍中社員いずれに関するものか、前記在籍管理情報に基づき分類し、前記分類がなされた前記操作履歴及び前記リソース消費履歴を学習用データとした、退職リスク判定モデルの機械学習を実行し、前記退職リスク判定モデルに対し、前記機械学習以後に取得した操作履歴及びリソース消費履歴を入力して退職リスクを判定する、ことを特徴とする。

本発明によれば、処理対象となるデータを効率良く収集し、適宜な精度で退職リスク判定を実施可能となる。

本実施形態の退職リスク判定システムを示すネットワーク構成図である。 本実施形態における退職リスク判定方法のメインフロー例を示す図である。 本実施形態におけるデータ収集フローの例を示す図である。 本実施形態における仮想ＰＣの構成例を示す図である。 本実施形態における仮想ＰＣの操作履歴例を示す図である。 本実施形態における仮想ＰＣからのアップロードタイミングの制御例を示す図である。 本実施形態における仮想ＰＣの管理サーバの構成例を示す図である。 本実施形態におけるパフォーマンスデータ例を示す図である。 本実施形態のデータ収集サーバの構成例を示す図である。 本実施形態におけるデータの種別分類フローの例を示す図である。 本実施形態における接続情報テーブルの構成例を示す図である。 本実施形態におけるファイル操作情報テーブルの構成例を示す図である。 本実施形態におけるサイト閲覧情報テーブルの構成例を示す図である。 本実施形態におけるパフォーマンスデータテーブルの構成例を示す図である。 本実施形態におけるデータ集計フローの例を示す図である。 本実施形態における月毎のデータ集計テーブルの例を示す図である。 本実施形態における退職者の退職直前期のデータテーブルの例を示す図である。 本実施形態における退職者と在籍者データをマージしたテーブルの例を示す図である。 本実施形態における分析に必要なテーブルの例を示す図である。 本実施形態における説明変数一覧の例を示す図である。 本実施形態のリスク判定サーバの構成例を示す図である。 本実施形態における退職リスク学習のフロー例を示す図である。 本実施形態における退職リスク判定のフロー例を示す図である。 本実施形態における退職リスク出力結果テーブルの例を示す図である。 本実施形態における別ツールの結果と組み合わせた退職リスク出力結果テーブルの例を示す図である。 本実施形態における退職者の行動特徴分析のフロー例を示す図である。 本実施形態における相関パラメータテーブルの例を示す図である。 本実施形態における退職者の行動データ画面例を示す図である。

＜ネットワーク構成＞
以下に本発明の実施形態について図面を用いて詳細に説明する。図１は、本実施形態の退職リスク判定システム１０を示すネットワーク構成例を示す図である。図１に示す退職リスク判定システム１０は、処理対象となるデータを効率良く収集し、適宜な精度で退職リスク判定を実施可能とするコンピュータシステムである。

本実施形態の退職リスク判定システム１００は、図１で示すように、ネットワーク１を介して、社員が業務使用する仮想ＰＣ２０、仮想ＰＣ２０の管理サーバ３０、社員端末４０、リスク判定サーバ１００、データ収集サーバ１５０、及び外部判定創始２００が通信可能に接続されている。

本実施形態の退職リスク判定システム１０を主として構成するリスク判定サーバ１００（退職リスク判定装置）は、仮想ＰＣ２０の管理サーバ３０やデータ収集サービス１５０（さらには必要に応じて外部判定装置２００）と連携して、仮想ＰＣの操作履歴やパフォーマンスデータ（リソース消費履歴）のデータを、高頻度かつ適宜継続的に取得し、退職リスク判定を実行する。退職リスク判定は、機械学習で生成し、適宜チューニングしている退職リスク判定モデル１１０（詳細は後述）によって行うものとする。

したがって、退職リスク判定システム１０は、リスク判定サーバ１００の他に、仮想ＰＣ２０の管理サーバ３０、データ収集サーバ１５０、及び外部判定装置２００の少なくともいずれかを組み合わせて構成すると想定できる。

なお、仮想ＰＣ２０は、例えば、適宜なハードウェアリソース（管理サーバ３０が提供
するものでもよいし、別途、適宜なシステムが提供するものでもよい）をベースに仮想的に構成されたもので、ネットワーク１を介して利用可能に提供される。

また、社員端末４０は、会社の社員それぞれが上述の仮想ＰＣ２０を利用する際に使用する端末である。この社員らは、社員端末４０を操作し、ネットワーク１を介して管理サーバ３０にアクセスし、管理サーバ３０におけるログオン処理を経て仮想ＰＣ２０のデスクトップを操作する。社員端末４０の具体的な例としては、パーソナルコンピュータ、タブレット端末、スマートフォンなどを想定できる。

また、仮想ＰＣ２０の管理サーバ３０は、上述の仮想ＰＣ２０に関するアクセス管理やスケーラビリティ管理など、適宜な制御を行うサーバ装置である。この管理サーバ３０が、仮想ＰＣ２０それぞれにおけるリソース消費を監視し、そのデータであるパフォーマンスデータをデータ収集サーバ１５０に配信している。

また、データ収集サーバ１５０は、仮想ＰＣ２０（のエージェント）からリアルタイムに又は高頻度の一定間隔で配信される、当該仮想ＰＣ２０における社員の操作履歴を取得し、これをリスク判定サーバ１００に提供するサーバ装置である。このデータ収集サーバ１５０は、上述の管理サーバ３０から得るパフォーマンスデータも、同様にリスク判定サーバ１００に配信する。

また、外部判定装置２００は、リスク判定サーバ１００とは異なるロジックで退職リスク判定を行う装置である。この外部判定装置２００は、上述のロジックは、例えば、既存技術によって既に市場展開されているものを適宜想定すればよい。

外部判定装置２００は、リスク判定サーバ１００における退職リスク判定処理に際し、判定対象となっている社員に関して、リスク判定サーバ１００や管理サーバ３０、或いはデータ収集サーバ１５０などの適宜な装置から当該社員に関するデータを取得し、当該データに基づいた退職リスク判定を行うものである。この判定の結果は、リスク判定サーバ１００に提供され、リスク判定サーバ１００における退職リスク判定結果とマージされることとなる（勿論、必須ではない）。
＜退職リスク判定方法＞
続いて、本実施形態における退職リスク判定方法の実際手順について図に基づき説明する。以下で説明する退職リスク判定方法に対応する各種動作は、退職リスク判定システム１０を構成する、主として退職リスク判定装置１００がメモリ等に読み出して実行するプログラムによって実現される。そして、このプログラムは、以下に説明される各種の動作を行うためのコードから構成されている。

図２は、本実施形態における退職リスク判定方法のメインフロー例を示す図である。まず、仮想ＰＣ２０及びデータ収集サーバ１５０の協働により、仮想ＰＣ２０の操作履歴及びパフォーマンスデータの収集（Ｓｔｅｐ１）を行う。

その詳細を、図３～図８に基づいて説明する。このデータ収集のステップは、まず、仮想ＰＣ２０が主導する。その処理の内訳としては、図３で示すとおり、操作履歴データ収集（Ｓｔｅｐ１－１）、及びパフォーマンスデータ収集（Ｓｔｅｐ１－２）である。

なお、仮想ＰＣ２０の構成例としては、図４に示すものを想定する。本実施形態における仮想ＰＣ２０は、記憶装置２１、メモリ２３、ＣＰＵ２４、及び通信装置２５を有している。

このうちメモリ２３には、ログイン時間、ログオフ時間、及び接続元ＩＰに関するデー
タを収集する接続関連データ収集機能２３１、アクセスしたＵＲＬの値を収集するアクセス先収集機能２３２、オープンしたファイルのデータを収集するファイル操作収集機能２３３、これら各収集機能で得た操作履歴をリスク判定サーバ１００に送信するデータアップロード機能２３４を備える。

これら機能は、ＣＰＵ２４が、例えば記憶装置２１で保持する対応プログラムを実行することで実装される。なお、上述の収集機能らが得た操作履歴２１１は、例えば一定時間分、記憶装置２１に格納・保持される。

上述の操作履歴２１１の具体的な例を図５に示す。ここで示す操作履歴２１１は、当該操作履歴が観測された乃至取得された日時をキーに、当該日時に行われた操作、及び当該操作の種別といった値を対応付けたものとなる。操作欄の値としては、仮想ＰＣ２０のログイン時間、ログオフ時間、及び接続元ＩＰに関するデータ、アクセスしたＵＲＬ、オープンしたファイル名、が該当する。

なお、仮想ＰＣ２０のデータアップロード機能２３４は、例えば、データ収集サーバ１５０のデータ収集タイミングコントロール機能１５３１（後述）による指示を受けて、当該指示の示すタイミングにて、操作履歴２１１のアップロード（すなわちリスク判定サーバ１００へのデータ送信）を行うとすれば好適である。

図６に、そうしたアップロードタイミングに基づく、各仮想ＰＣ２０によるアップロードの分散概念について示す。図６の例では、仮想ＰＣ２０の識別情報（例：固定のＩＰアドレスやＭＡＣアドレスの末尾数字など）ごとに、対応する仮想ＰＣ２０ごとのアップロードスケジュールを規定したテーブル６００が存在するものとする。このテーブル６００は、上述のデータ収集サーバ１５０のデータ収集タイミングコントロール機能１５３１が保持し利用可能であるとする。

続いて、パフォーマンスデータの収集手順について説明する。パフォーマンスデータの収集を行うのは仮想ＰＣ２０の管理サーバ３０となる。この管理サーバ３０が、各仮想ＰＣ２０に関して収集したパフォーマンスデータを、リスク判定サーバ１００にアップロードすることになる。

図７にて、本実施形態における管理サーバ３０の構成例を示す。本実施形態の管理サーバ３０は、仮想ＰＣ２０を実装するためのリソース（物理的なハードウェアやその制御アプリケーションなど）を管理するサーバ装置である。

この管理サーバ３０は、記憶装置３１、メモリ３３、ＣＰＵ３４、及び通信装置３５を備えている。

このうち記憶装３１は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）といった不揮発性記憶手段で構成される。

また、メモリ３３は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）といった揮発性記憶手段で構成される。このメモリ３３は、リソース情報収集機能３３１を備え、このリソース情報収集機能３３１により、各仮想ＰＣ２０のパフォーマンスデータ３１１を収集し、これを記憶装置３１に格納する。

また、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）３４は、演算装置であって、管理サーバ３０における各種処理を実行し、必要な機能を実装するものとなる。

また、通信装置３５は、ネットワーク１にアクセスし、ネットワーク１の他装置と通信を実行するネットワークインターフェイスカードを想定する。

なお、記憶装置３１に格納され、管理サーバ３０からリスク判定サーバ１００にアップロードされるパフォーマンスデータ３１１の具体例を図８に例示する。

ここで示すように、パフォーマンスデータ３１１は、当該パフォーマンスデータが取得された日時をキーに、各仮想ＰＣ２０のＣＰＵ使用率、ネットワークトラフィック（受信に伴うもの。インバウンド）、及びネットワークトラフィック（送信に伴うもの。アウトバウンド）、といった値を対応付けたものとなっている。

ここでメインフロー（図２）の説明に戻る。この場合、データ収集サーバ１５０は、上述のＳｔｅｐ１によって得た、仮想ＰＣ２０の操作履歴及びパフォーマンスデータに関して、データの種別分類（Ｓｔｅｐ２）を実行する。

まず、このＳｔｅｐ２を実行するデータ収集サーバ１５０の構成例について、図９に基づき説明する。データ収集サーバ１５０は、記憶装置１５１、メモリ１５３、ＣＰＵ１５４、及び通信装置１５５を有している。

記憶装１５１は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）といった不揮発性記憶手段で構成される。

また、メモリ１５３は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）といった揮発性記憶手段で構成される。このメモリ１５３は、データ収集タイミングコントロール機能１５３１、データ種別分類機能１５３２、データ集計機能１５３３、集計データアップロード機能１５３４、及び個人データ閲覧機能１５３５を備えて、操作履歴２１１やパフォーマンスデータ３１１を分類、集計し、その結果を記憶装置１５１に格納する。また、適宜なタイミングでリスク判定サーバ１００にアップロードする。

上述の機能のうちデータ収集タイミングコントロール機能１５３１は、既に述べたように、仮想ＰＣ２０からデータ収集サーバ１５０への操作履歴２１１のアップロードタイミングを、仮想ＰＣ２０の間で分散するようスケジューリングし、対応する仮想ＰＣ２０に通知する機能である。

また、データ種別分類機能１５３２は、図１０に基づき後述する機能であって、仮想ＰＣ２０から得た操作履歴２１１が含む各データを項目毎に分類する機能である。

また、データ集計機能１５３３は、データ種別分類機能１５３２により分類されたデータに対して、図１５以降で示すデータ集計処理を実行する機能となる。その詳細は後述する。

また、集計データアップロード機能１５３４は、データ集計機能１５３３による処理結果である集計結果を、リスク判定サーバ１００にアップロードする機能である。

また、個人データ閲覧機能１５３５は、社員の各種個人データ（例：在籍や退職のデータ）を人事管理システム等に要求して取得する機能である。

また、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１５４は、演算装置であって、データ収集サーバ１５０における各種処理を実行し、必要な機能を実装する
ものとなる。

また、通信装置１５５は、ネットワーク１にアクセスし、ネットワーク１の他装置と通信を実行するネットワークインターフェイスカードを想定する。

続いて、こうしたデータ収集サーバ１５０における、上述のＳｔｅｐ２の詳細フローについて、図１０に基づき説明する。図１０に示すフローにおいて、データ収集サーバ１５０は、接続データ種別分類（Ｓｔｅｐ２－１）を実行する。

この接続データ種別分類は、操作履歴２１１のうちＵＲＬの値を含むものに関して抽出して接続情報テーブル１５１１（図１１参照）を生成する処理となる。この処理におけるデータ収集サーバ１５０は、例えば、予め保持する社内ＩＰアドレス帯テーブル１５１２を参照し、「接続元」が当該企業のどの拠点であるか判定する。

続いて、データ収集サーバ１５０は、使用したアプリケーション、及び開いたファイルの種別分類（Ｓｔｅｐ２－２）を実行する。

このＳｔｅｐ２－２に際し、データ収集サーバ１５０は、操作履歴２１１のうちファイル操作に関するものに関して抽出してファイル操作情報テーブル１５１３（図１２参照）を生成する処理となる。この処理におけるデータ収集サーバ１５０は、例えば、予め保持するファイル種別分類テーブル１５１４を参照し、ファイル名が含む文字列に応じた分類を判定する。

また、データ収集サーバ１５０は、閲覧したＷｅｂサイトの種別分類（Ｓｔｅｐ２－３）を実行する。

このＳｔｅｐ２－３に際し、データ収集サーバ１５０は、操作履歴２１１のうちアクセスしたＷｅｂサイトのＵＲＬに関するものに関して抽出してサイト閲覧情報テーブル１５１５（図１３参照）を生成する処理となる。この処理におけるデータ収集サーバ１５０は、例えば、予め保持するＵＲＬドメインとＷｅｂサイトの種別分類テーブル１５１６を参照し、ＵＲＬのドメインに応じた分Ｗｅｂサイトの種別を判定する。

また、データ収集サーバ１５０は、社員毎の月次平均ＣＰＵ使用率を算出し（Ｓｔｅｐ、本フローを終了する。

このＳｔｅｐ２－４に際し、データ収集サーバ１５０は、パフォーマンスデータ３１１が示すＣＰＵ使用率及びネットワークトラフィックの各値を抽出してパフォーマンスデータデータテーブル１５１７（図１４参照）を生成する処理となる。

ここでメインフロー（図２）の説明に戻る。この場合、データ収集サーバ１５０は、上述のＳｔｅｐ２までで分類された、仮想ＰＣ２０の操作履歴及びパフォーマンスデータに関するデータを集計（Ｓｔｅｐ３）を実行する。

まず、このＳｔｅｐ３を実行するデータ収集サーバ１５０は、まず、月毎のデータ集計（Ｓｔｅｐ３－１）を実行する。このＳｔｅｐ３－１におけるデータ収集サーバ１５０は、ここまでに生成している、接続情報テーブル１５１１、オープンしたファイルの情報テーブル１５１３、閲覧したＷｅｂサイトテーブル１５１５、及びパフォーマンスデータテーブル１５１７、のそれぞれのレコードにおける日時データに基づき、各社員における仮想ＰＣ２０のログイン時間、ログオフ時間に基づく業務時間の他、当該時間外であっても業務を行っている（業務対象に関して何らかの操作を行っている）時間についても抽出し
、直近１ヶ月間、１ヶ月前、２ヶ月前、３ヶ月前、といった所定期間毎に集計する。

データ収集サーバ１５０は、この集計により、直近での月間合計勤務時間、１ヶ月前の月間合計勤務時間、２ヶ月前の月間合計勤務時間、３ヶ月前の月間合計勤務時間、を記録した月毎のデータ集計テーブル１５１８を生成する（図１６）。

なお、この時、データ収集サーバ１５０は、退職者データテーブル１５１９を参照して、今次集計対象となった社員のうち、既に退職している者について特定し、月毎のデータ集計テーブル１５１８における該当者のレコードに、所定のフラグ（例：１）をセットする。

続いて、データ収集サーバ１５０は、退職者の退職直前期のデータ抽出（Ｓｔｅｐ３－２）を実行する。

このＳｔｅｐ３－２におけるデータ収集サーバ１５０は、上述のＳｔｅｐ３－１でセットした退職者のフラグに基づき、月毎のデータ集計テーブル１５１８のレコードのうち退職者のものについて抽出し、退職者の退職直前期のデータテーブル１５２０を生成する。

また、データ収集サーバ１５０は、退職者と在籍者データのマージ処理（Ｓｔｅｐ３－３）を実行する。

このＳｔｅｐ３－３におけるデータ収集サーバ１５０は、例えば、退職直前期のデータテーブル１５２０のレコード数、すなわち退職者のレコード数と同数か、２倍程度までの在籍者のレコードを、月毎のデータ集計テーブル１５１８からランダムに抽出し、退職者の退職直前期のデータテーブル１５２０とマージし、退職者と在籍者データをマージしたテーブル１５２１を生成する。

続いて、データ収集サーバ１５０は、分析に不要なデータを削除し（Ｓｔｅｐ３－４）、フローを終了する。

このＳｔｅｐ３－４におけるデータ収集サーバ１５０は、上述のＳｔｅｐ３－３で得ている、退職者と在籍者データをマージしたテーブル１５２１における項目のうち、退職リスク判定モデル１１０での説明変数ではないもの（例：年月、社員ＩＤ、月間の行動データなど）を、削除する。なお、説明変数ではないものを削除する場合、図２０に示す説明変数一覧１５２３に記載の無いものを削除することとする。

ここでメインフロー（図２）の説明に戻る。この場合、リスク判定サーバ１００は、上述のデータ収集サーバ１５０によるＳｔｅｐ３までの処理で得た集計結果に基づいて、退職リスク判定モデル１１０の学習を進める（Ｓｔｅｐ４）。

なお、本実施形態におけるリスク判定サーバ１００は、図２１に例示するように、記憶装置１０１、メモリ１０３、ＣＰＵ１０４、及び通信装置１０５を含む構成となっている。

このうち記憶装置１０１は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）といった不揮発性記憶手段で構成される。

また、メモリ１０３は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）といった揮発性記憶手段で構成される。このメモリ１０３は、退職リスク学習機能１０３１、退職リスク判定機能１０３２、及び退職リスク相関パラメータ特定機能１０３３を備える。

このうち退職リスク学習機能１０３１は、既知の機械学習モデルに適宜な学習用データを与えることで退職リスク判定モデル１１０を作成し、その後も学習用データを継続的に与えることでその学習を進める機能である。

また、退職リスク判定機能１０３２は、退職リスク判定モデル１１０に対して、仮想ＰＣ２０の操作者である社員の操作履歴２１１は、やパフォーマンスデータ３１１を適宜に分類・集計等を施した上で付与し、当該社員の退職リスクを判定する機能である。

この判定で得られるのが、退職リスク出力結果テーブル１０１１及び別ツールの結果と組み合わせた退職リスク出力結果テーブル１０１３となる。なお、別ツールの結果と組み合わせた退職リスク出力結果テーブル１０１３を生成するためには、外部判定装置２００において、同じ社員に関して別の判定ロジックで判定した判定結果である、別ベンダーツールによって得られた退職リスク出力結果テーブル１０１２を用いることとする（詳細は後述）。

また、退職リスク相関パラメータ特定機能１０３３は、上述の退職リスク学習機能１０３１における機械学習の結果に基づき、実際の退職実績に基づく退職リスクを目的関数、操作履歴２１１が示す各事象のデータを説明変数とした場合の、当該事象それぞれについて相関係数を算定し、当該相関係数の情報を管理者等に向けて出力する機能である。なお、ここで出力する情報は、退職リスク相関パラメータテーブル１０１４である。

また、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０４は、演算装置であって、リスク判定サーバ１００における各種処理を実行し、必要な機能を実装するものとなる。

また、通信装置１０５は、ネットワーク１にアクセスし、ネットワーク１の他装置と通信を実行するネットワークインターフェイスカードを想定する。

続いて、こうしたリスク判定サーバ１００における、上述のＳｔｅｐ４の詳細フローについて、図２２に基づき説明する。図２２に示すフローにおいて、リスク判定サーバ１００は、学習モデルの作成（Ｓｔｅｐ４－１）を実行する。

この学習モデルの作成は、例えば、一般的な機械学習モデル（未学習）に対し、教師データ（目的関数と言える）としての社員の退職実績、及び説明変数としての当該社員の操作履歴２１１と、それと同数以上の未退職社員すなわち在籍中社員の操作履歴２１１を付与することで行われることとなる。

ここでメインフロー（図２）の説明に戻る。この場合、リスク判定サーバ１００は、上述のＳｔｅｐ４にて得られた退職リスク判定モデル１１０に対し、各社員による仮想ＰＣ２０の操作履歴及びパフォーマンスデータに関するデータ（の分類、集計した結果）を入力することで、当該社員らの退職リスク判定を行う（Ｓｔｅｐ５）。

図２３のフローに示すように、このＳｔｅｐ５を実行するリスク判定サーバ１００は、まず退職リスク判定（Ｓｔｅｐ５－１）を実行する。

この退職リスク判定の処理において、リスク判定サーバ１００は、退職リスク判定モデル１１０に対し、例えば、最新の操作履歴２１１及びパフォーマンスデータ３１１についてＳｔｅｐ１～Ｓｔｅｐ３までの処理を実行したデータを入力し、対応する社員の退職リスク判定結果を出力として得る。この退職リスク判定結果は、図２４に示す退職リスク出
力結果テーブル１０１１である。このテーブルで示すように、各社員の社員ＩＤをキーに、当該社員の退職リスク判定結果が紐付いたテーブルが、出力されることとなる。

また、リスク判定サーバ１００は、既存技術との組合せ（Ｓｔｅｐ５－２）を実行し、本フローを終了する。このＳｔｅｐ５－２におけるリスク判定サーバ１００は、Ｓｔｅｐ５－１での退職リスク判定対象となった社員に関して、外部判定装置２００において判定した退職リスク判定の結果を取得し、これをＳｔｅｐ５－１で得ている退職リスク出力結果テーブル１０１１とマージする。

この外部判定装置２００は、例えば、機械学習モデルを用いた判定を行うロジックを採用せず、別のロジックを用いて退職リスクを判定する装置を想定できる。或いは、リスク判定サーバ１００と同様に機械学習モデルを用いるものの、入力データの種類が異なるものを想定できる。

そうして外部判定装置２００において生成された退職リスク出力結果テーブル１０１２は、図２５で例示するように、例えば、社員ＩＤをキーとして、当該社員の退職リスクを、退職リスクがほぼ無い「青」から、ややリスクが高い「黄」、「黄」の２倍リスクが高い「赤」に至る、３段階で判定したものである。このままでは上述のマージはできない。

そこで、リスク判定サーバ１００は、「青」から「赤」までの３段階のリスクの値の合計値を「１」とし、「青」のリスクを「０」、「黄」のリスクを「０．３３」、「赤」のリスクを「０．６７」、と正規化する。リスク判定サーバ１００は、この正規化を経た退職リスクの値を、Ｓｔｅｐ５－１で得ている値に合算、または平均値をとって、別ツールの結果と組み合わせた退職リスク出力結果テーブル１０１３を生成する。

ここでメインフロー（図２）の説明に戻る。この場合、リスク判定サーバ１００は、上述のＳｔｅｐ５までで得た、各社員の操作履歴２１１やパフォーマンスデータ３１１、及びそれらの集計等を行った集計データ、集計データと退職者のデータを与えることで機械学習を進めて判定精度を上げている退職リスク判定モデル１１０の判定結果、のそれぞれを踏まえて、退職者の行動特徴分析（Ｓｔｅｐ６）を実行する。

まず、このＳｔｅｐ６を実行するリスク判定サーバ１００は、退職フラグとの相関パラメータ特定（Ｓｔｅｐ６－１）を実行する。この相関パラメータ特定の処理におけるリスク判定サーバ１００は、退職リスクを目的関数、操作履歴２１１が示す各事象のデータを説明変数とした場合の、当該事象それぞれについての相関係数を算定する。ここで算定した相関係数の出力情報が、図２７で例示する相関パラメータテーブル１０１４となる。

また、リスク判定サーバ１００は、退職者の行動データ詳細出力（Ｓｔｅｐ６－２）を実行し、フローを終了する。この行動データ詳細出力の処理におけるリスク判定サーバ１００は、ここまでの各Ｓｔｅｐで処理対象とした、又は処理結果として取得した各種データを、図２８で示すごとく月次形式のテーブル形式に生成し、これを社員の上司や人事管理者などの社員端末４０に配信する。

以上、本発明を実施するための最良の形態などについて具体的に説明したが、本発明はこれに限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能である。

こうした本実施形態によれば、処理対象となるデータを効率良く収集し、適宜な精度で退職リスク判定を実施可能となる。退職予備軍の発見を高精度に行うことが可能になることで、当該社員に対し早期にフォローを行って、人材流出を回避できる可能性が高まる。

本明細書の記載により、少なくとも次のことが明らかにされる。すなわち、本実施形態の退職リスク判定システムにおいて、前記演算装置は、前記操作履歴として、仮想ＰＣにおけるログインおよびログオフの各時刻、接続元ＩＰアドレス、操作対象ファイル、及びアクセス先ＵＲＬの少なくともいずれかのデータを取得し、前記リソース消費履歴としてＣＰＵ使用率のデータを取得するものである、としてもよい。

これによれば、適宜な具体的事象に基づいて退職リスク判定を精度良く行えることになる。ひいては、処理対象となるデータを効率良く収集し、より適宜な精度で退職リスク判定を実施可能となる。

また、本実施形態の退職リスク判定システムにおいて、前記仮想ＰＣ、前記管理サーバ、及び前記リスク判定装置と通信する通信装置と、前記仮想ＰＣから前記操作履歴を取得し、前記管理サーバから前記前記リソース消費履歴を取得し、前記取得した前記操作履歴及び前記リソース消費履歴を、前記リスク判定装置に送信する演算装置と、を有したデータ収集サーバをさらに含むとしてもよい。

これによれば、リスク判定モデルの学習に必要なデータ収集に関して負荷を分散し、効率的なデータ収集が可能となる。ひいては、処理対象となるデータをより効率良く収集し、適宜な精度で退職リスク判定を実施可能となる。

また、本実施形態の退職リスク判定システムにおいて、前記データ収集サーバの演算装置は、前記仮想ＰＣの使用状態が所定レベル以下のタイミングにおいて、前記操作履歴を前記リスク判定装置に送信するものである、としてもよい。

これによれば、仮想ＰＣにおけるデータ送信等の処理負荷や、仮想ＰＣとデータ収集サーバとの間のネットワーク負荷を適宜に分散させることが可能となる。ひいては、処理対象となるデータをより効率良く収集し、適宜な精度で退職リスク判定を実施可能となる。

また、本実施形態の退職リスク判定システムにおいて、前記リスク判定装置の演算装置は、前記退職リスクの判定に際し、前記判定の対象社員に関して、他の判定ロジックに基づく判定エンジンから得た、退職リスクの外部判定結果を取得し、前記取得した外部判定結果と、本リスク判定装置で前記判定モデルによって得た判定結果とをマージし、退職リスクを判定するものである、としてもよい。

これによれば、リスク判定モデルの学習が不十分な段階などであっても、適宜な判定精度で退職リスクを効率良く判定可能となる。ひいては、処理対象となるデータを効率良く収集し、より適宜な精度で退職リスク判定を実施可能となる。 また、本実施形態の退職リスク判定システムにおいて、前記リスク判定装置の演算装置は、前記機械学習の結果に基づき、退職リスクを目的関数、前記操作履歴が示す各事象のデータを説明変数とした場合の、前記事象それぞれについての相関係数を算定し、当該相関係数の情報を出力するものである、としてもよい。

これによれば、どういった操作履歴が退職リスクに結びついているのか、人事関係者等に提示可能となり、当該社員に対するフォローアップを迅速、的確に行える環境づくりに結びつくことも期待できる。ひいては、処理対象となるデータを効率良く収集し、より適宜な精度で退職リスク判定を実施可能となる。

１ ネットワーク
１０ 退職リスク判定システム
２０ 仮想ＰＣ
２１ 記憶装置
２１１ 操作履歴
２３ メモリ
２４ ＣＰＵ
２５ 通信装置
３０ 仮想ＰＣの管理サーバ
３１ 記憶装置
３１１ パフォーマンスデータ（リソース消費履歴）
３３ メモリ
３４ ＣＰＵ
３５ 通信装置
４０ 社員端末
１００ リスク判定サーバ（退職リスク判定装置）
１０１ 記憶装置
１０２ プログラム
１０３ メモリ
１０４ 演算装置
１０５ 通信装置
１１０ 退職リスク判定モデル
１５０ データ収集サーバ
１５１ 記憶装置
１５３ メモリ
１５４ ＣＰＵ
１５５ 通信装置
２００ 外部判定装置

Claims (8)

1. 社員の在籍管理情報を保持する記憶装置と、
   社員それぞれが使用する仮想ＰＣ、及び当該仮想ＰＣを自身のハードウェアリソースで構築し前記社員それぞれに提供している管理サーバと通信する通信装置と、
   前記仮想ＰＣのデスクトップに所定端末でログオンして利用する前記社員による、当該仮想ＰＣの操作履歴を、仮想ＰＣ間でタイミングが分散したスケジュールでの、当該仮想ＰＣからのアップロードを受けて取得し、前記管理サーバから、当該管理サーバが管理対象としている前記仮想ＰＣのリソース消費履歴を取得し、前記操作履歴及び前記リソース消費履歴を、退職済み社員又は在籍中社員いずれに関するものか、前記在籍管理情報に基づき分類し、前記分類がなされた前記操作履歴及び前記リソース消費履歴を学習用データとした、退職リスク判定モデルの機械学習を実行し、前記退職リスク判定モデルに対し、前記機械学習以後に取得した操作履歴及びリソース消費履歴を入力して退職リスクを判定する演算装置と、
   を有したリスク判定装置を含むことを特徴とする退職リスク判定システム。
2. 前記演算装置は、
   前記操作履歴として、仮想ＰＣにおけるログインおよびログオフの各時刻、接続元ＩＰアドレス、操作対象ファイル、及びアクセス先ＵＲＬの少なくともいずれかのデータを取得し、前記リソース消費履歴としてＣＰＵ使用率のデータを取得するものである、
   ことを特徴とする請求項１に記載の退職リスク判定システム。
3. 前記仮想ＰＣ、前記管理サーバ、及び前記リスク判定装置と通信する通信装置と、
   前記仮想ＰＣから前記操作履歴を取得し、前記管理サーバから前記リソース消費履歴を取得し、前記取得した前記操作履歴及び前記リソース消費履歴を、前記リスク判定装置に送信する演算装置と、
   を有したデータ収集サーバをさらに含むことを特徴とする請求項１に記載の退職リスク判定システム。
4. 前記データ収集サーバの演算装置は、
   前記仮想ＰＣの使用状態が所定レベル以下のタイミングにおいて、前記操作履歴を前記リスク判定装置に送信するものである、
   ことを特徴とする請求項３に記載の退職リスク判定システム。
5. 前記リスク判定装置の演算装置は、
   前記退職リスクの判定に際し、前記判定の対象社員に関して、他の判定ロジックに基づく判定エンジンから得た、退職リスクの外部判定結果を取得し、前記取得した外部判定結果と、本リスク判定装置で前記判定モデルによって得た判定結果とをマージし、退職リスクを判定するものである、
   ことを特徴とする請求項１に記載の退職リスク判定システム。
6. 前記リスク判定装置の演算装置は、
   前記機械学習の結果に基づき、退職リスクを目的関数、前記操作履歴が示す各事象のデータを説明変数とした場合の、前記事象それぞれについての相関係数を算定し、当該相関係数の情報を出力するものである、
   ことを特徴とする請求項１に記載の退職リスク判定システム。
7. 社員の在籍管理情報を保持する記憶装置と、
   社員それぞれが使用する仮想ＰＣ、及び当該仮想ＰＣを自身のハードウェアリソースで構築し前記社員それぞれに提供している管理サーバと通信する通信装置と、
   前記仮想ＰＣのデスクトップに所定端末でログオンして利用する前記社員による、当該仮想ＰＣの操作履歴を、仮想ＰＣ間でタイミングが分散したスケジュールでの、当該仮想ＰＣからのアップロードを受けて取得し、前記管理サーバから、当該管理サーバが管理対象としている前記仮想ＰＣのリソース消費履歴を取得し、前記操作履歴及び前記リソース消費履歴を、退職済み社員又は在籍中社員いずれに関するものか、前記在籍管理情報に基づき分類し、前記分類がなされた前記操作履歴及び前記リソース消費履歴を学習用データとした、退職リスク判定モデルの機械学習を実行し、前記退職リスク判定モデルに対し、前記機械学習以後に取得した操作履歴及びリソース消費履歴を入力して退職リスクを判定する演算装置と、
   を備えることを特徴とするリスク判定装置。
8. 情報処理装置が、
   社員の在籍管理情報を保持する記憶装置と、社員それぞれが使用する仮想ＰＣ、及び当該仮想ＰＣを自身のハードウェアリソースで構築し前記社員それぞれに提供している管理サーバと通信する通信装置を備えて、
   前記仮想ＰＣのデスクトップに所定端末でログオンして利用する前記社員による、当該仮想ＰＣの操作履歴を、仮想ＰＣ間でタイミングが分散したスケジュールでの、当該仮想ＰＣからのアップロードを受けて取得し、前記管理サーバから、当該管理サーバが管理対象としている前記仮想ＰＣのリソース消費履歴を取得し、前記操作履歴及び前記リソース消費履歴を、退職済み社員又は在籍中社員いずれに関するものか、前記在籍管理情報に基づき分類し、前記分類がなされた前記操作履歴及び前記リソース消費履歴を学習用データとした、退職リスク判定モデルの機械学習を実行し、前記退職リスク判定モデルに対し、前記機械学習以後に取得した操作履歴及びリソース消費履歴を入力して退職リスクを判定する、
   ことを特徴とするリスク判定方法。

Images