JP7429149B2 - 要員計画支援装置および要員計画支援方法 - Google Patents
要員計画支援装置および要員計画支援方法 Download PDFInfo
- Publication number
- JP7429149B2 JP7429149B2 JP2020067680A JP2020067680A JP7429149B2 JP 7429149 B2 JP7429149 B2 JP 7429149B2 JP 2020067680 A JP2020067680 A JP 2020067680A JP 2020067680 A JP2020067680 A JP 2020067680A JP 7429149 B2 JP7429149 B2 JP 7429149B2
- Authority
- JP
- Japan
- Prior art keywords
- personnel
- work
- man
- hours
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 41
- 238000013439 planning Methods 0.000 title claims description 31
- 238000012545 processing Methods 0.000 claims description 39
- 238000003860 storage Methods 0.000 claims description 31
- 238000010801 machine learning Methods 0.000 claims description 25
- 238000012384 transportation and delivery Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000001934 delay Effects 0.000 description 6
- 238000007477 logistic regression Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012042 bayesian logistic regression model Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
プロジェクト管理における要員計画では、過去の類似のプロジェクトや、標準的なプロジェクトにおける、各工程の作業工数や必要な作業スキルを参照し、いつ、どのような要員が、どれくらい必要かを計画する。
下記特許文献1によれば、見積予見性、見積変更回数平均、期限遵守率、乖離状況など、工数予実差に関わる要員の作業能力(能力情報)を考慮し、作業計画を作成することができる。
また、作業能力を考慮した要員計画では、過去の類似のプロジェクトにおける要員の作業工数を、作業能力別に分析し、傾向を把握できることが望ましい。
しかしながら、特許文献1に記載の技術では、能力情報による要員の分類を行わない。従って、作業能力別に作業工数の傾向を把握することができないという問題がある。
これにより、特性情報として、作業を担当した要員の、作業の工程における過去の作業経験の度合を表したスキルレベルに基づく、作業スキルの情報を用いることができる。
要員特徴量に基づくクラスタリング分析で要員を分類し、要員グループを作成することで、要員特徴量の類似する要員グループに要員を分類することができる。
過去のプロジェクトにおける作業工数を要員グループ別にグラフ表示することで、作業能力別に作業工数の傾向を把握することができる。
ベイジアンネットワークでは、要員毎に行う機械学習モデルの学習において、学習データの数が不十分な要員であっても、他の要員のデータから構築したベイジアンネットワークモデルを適合することで、要員特徴量を推定できる。また、追加の特性情報と作業結果にベイジアンネットワークモデルを適合させて、モデルを更新することができる。
まず、本発明において、「作業能力が類似する」とは「同じ前提の作業を同じような作業結果で実施できる」ことを意味する。
ここで、「同じ前提の作業」とは「作業結果に影響を与える可能性のある、作業の前提となったプロジェクト、作業、要員の特性が同じまたは近い」ことを意味する。以下、この「プロジェクト、作業、要員の特性」のことを「特性情報」と呼ぶ。
また、本発明において、「作業結果」とは「完了した作業における納期遅延の有無、工数超過の程度」等を意味する。
これらの前提の下で、「要員特徴量」を「特性情報を説明変数、作業結果を目的変数とする機械学習モデルのパラメータ」として定義する。こうすることで、「要員特徴量の値が近い要員は、作業能力が類似する」という好ましい性質を持った、要員の作業能力を表す特徴量を定義することができる。この理由を以下に説明する。
「要員特徴量」とは、この「機械学習モデルfのパラメータθ」のことである。パラメータは要員毎に推定する。すなわち、要員Aに対してパラメータθを、要員A'に対してパラメータθ'を、それぞれ推定する、という具合である。ここで、以下のことが言える。
1)θとθ'の値が近いと、XとX'の値が同じまたは近ければ、Y=f(X; θ)とY'=f(X'; θ')の値も近くなる。
このことは、関数fの連続性から直ちに従う。「θとθ'の値が近い」ことは、要員Aと要員A'が「要員特徴量の値が近い要員である」ことを意味する。また、「XとX'の値が同じまたは近い」ことは「同じ前提の作業」であることを、「YとY'の値が近い」ことは「同じような作業結果」となることを、それぞれ意味する。従って、1)は次の2)に言い換えることができる。
2)要員特徴量が近い要員は、同じ前提の作業を同じような作業結果で実施することができる。
上記の1)と2)の関係を表したものが以下の式である。
3)要員特徴量が近い要員は、作業能力が類似する。
以上が「要員特徴量」についての説明である。
図1は、本実施の形態による要員計画支援処理の流れを模式的に示す概要図である。図1についての詳細は後述する。
図2は、本実施の形態による要員計画支援システムAの一構成例を示す図である。図2に示すように、要員計画支援システムAは、処理部1と記憶部3とを有する。
処理部1は、学習データ加工部1-1と、モデル学習部1-2と、要員分類部1-3と、作業工数集計部1-4と、作業工数表示部1-5とを有している。
また、記憶部3は、以下のテーブルを格納する。
まず、本実施の形態において用いるデータ(テーブル)について説明する。
(フェーズF1)
まず、フェーズF1では、ガントチャートなどの過去のプロジェクトの作業実績から作業実績テーブルTB1を求め、作業スキルテーブルTB2も準備する。要員計画支援システムAの利用においては、既にこれらのテーブルに値が格納されており、準備が完了していることが前提となる。
(フェーズF2)
フェーズF2では、学習データ加工部1-1が、作業実績テーブルTB1に登録されている各作業に対し、特性情報テーブルTB3と作業結果テーブルTB4の情報を加工して格納し、続いて、モデル学習部1-2が、対象要員テーブルTB5に登録されている各要員に対し、特性情報を説明変数とし、作業結果を目的変数とした機械学習モデルを、特性情報テーブルTB3と作業結果テーブルTB4の情報を学習データとしての学習をする。本実施例においては、納期遅延を予測する機械学習モデルとしてロジスティック回帰モデルを、工数予実差の程度を予測する機械学習モデルとして線形重回帰モデルを、それぞれ学習する。
学習データ加工部1-1は、作業スキルテーブルTB2を参照し、作業実績テーブルTB1に登録されている各作業に対し、当該作業を担当した要員の、当該作業の工程におけるスキルレベルに基づき、要員の特性を示す特性情報として、作業スキルの情報を含む加工してもよい。本実施例においては、特性情報テーブルTB3の「要員の作業経験」がそれに該当する。
(フェーズF3)
フェーズF3では、フェーズF2で学習した機械学習モデルのパラメータを、要員の作業能力を表す特徴量である要員特徴量として抽出し、要員特徴量テーブルTB6に格納する。
以上のフェーズにより、作業の前提に関わる特性情報を説明変数、作業結果を目的変数とするモデルを、過去のプロジェクトにおける要員の作業実績から学習し、そのモデルのパラメータを、要員の作業能力を表す特徴量である要員特徴量として抽出することができる。なお、フェーズF3の処理は、学習データ加工部1-1の処理の一部として行われる。
フェーズF4では、要員特徴量テーブルTB6に格納された各要員の要員特徴量を、多次元の数値ベクトルとみなし、数値ベクトルに対するクラスタリング手法に基づいて要員を分類し、得られた分類結果に基づいて要員グループを作成する(要員グループテーブルTB7参照)。クラスタリング手法としては、一例として、k-means法を用いることができる。このフェーズにより、要員特徴量に基づくクラスタリング分析で要員を分類し、要員グループを作成することができる。
(フェーズF5)
フェーズF5では、フェーズF4の要員グループの作成結果に基づいて、作業実績テーブルTB1に登録された予定工数と実績工数を要員グループ別にグラフ表示させる(要員グループ別作業工数テーブルTB9参照)。このグラフ表示においては、例えば、時間軸に対して作業工数の予実績が示されている。
このフェーズF5により、過去のプロジェクトにおける作業工数を要員グループ別にグラフ表示することで、作業能力別に作業工数の傾向を容易に把握することができる。
図2に示すように、本実施の形態による要員計画支援装置Aは、CPUなどから構成される処理部1と、メモリやHDDなどから構成される記憶部3とを有している。
処理部1は、学習データの加工を行う学習データ加工部1-1と、モデルの学習を行うモデル学習部1-2と、要員を分類する要員分類部1-3と、作業工数を集計する作業工数集計部1-4と、作業工数等を表示する作業工数表示部(表示制御部)1-5とを有している。作業工数表示部1-5はディスプレイなどを含んでいても良い。
図3に示すように、処理が開始され(START)、ステップS1において、学習データ加工部1-1が、モデルの学習データの加工処理を行う(図1のフェーズF2)。ステップS2において、モデル学習部1-2が、モデルの学習を行う(図1のフェーズF2,F3)。ステップS3において、要員分類部1-3が、クラスタリング分析による要員の分類を行う(図1のフェーズF4)。ステップS4において、作業工数集計部1-4が、要員グループ別の作業工数の集計を行う(図1のフェーズF5)。ステップS5において、作業工数表示部1-5が、要員グループ別の作業工数の表示を行う(図1のフェーズF5)。
図4は、図3のステップS2のモデルの学習処理の流れを示すフローチャート図である。ステップS2において、まず、ステップS2-1に示すように、対象要員テーブルTB5に登録されているすべての要員に対して処理が完了したか否かを判定し、Yesであれば、ステップS2の処理を終了してステップS3に進む。Noであれば、ステップS2-2に進み、対象要員テーブルTB5から、未処理の要員IDを選択する。次いで、ステップS2-3において、作業IDをキーに、特性情報テーブルTB3と作業結果テーブルTB4とを結合し、当該要員IDをキーに、結合したテーブルの行のレコードを抽出する。抽出レコードは、以下のステップS2-4とステップS2-5における機械学習の学習データとなる。ステップS2-4において、ステップS2-3における抽出レコードのうち、特性情報を説明変数、納期遅延有無を目的変数として、納期遅延を予測する機械学習モデルとして、ロジスティック回帰モデルを学習する。次に、ステップS2-5において、ステップS2-3における抽出レコードのうち、特性情報を説明変数、工数予実差を目的変数として、工数予実差の程度を予測する機械学習モデルとして、線形重回帰モデルを学習する。尚、ステップS2-4とS2-5とは両方を行っても良いし、片方のみを行っても良い。
・公知のロジスティック回帰モデルの回帰係数とバイアス
・公知の線形重回帰モデルの回帰係数、バイアス、誤差の大きさ
ここで、「誤差の大きさ」は、例えば、平均二乗誤差の平方根など、線形重回帰モデルの予測値と実際の工数予実差との差異の大きさを表す値である。
以上の処理により、作業結果(目的変数)毎に学習モデルを作成することができる。
ステップS2の後に、図3のステップS3に進みクラスタリング分析による要員の分類を行う(図1のフェーズF4)。
ステップ4における作業工数の集計処理は、例えば以下の処理である。
1)作業実績テーブルTB1の予定工数と実績工数を、それぞれ予定期間と実績期間の稼働日で按分し、日付別作業工数に変換する(日付別作業工数テーブルTB8参照)。
2)日付別作業工数に要員グループテーブルTB7を結合し、予定工数と実績工数を、プロジェクト別、要員グループ別、日付別で集計する。
3)2)における集計結果を、要員グループ別作業工数テーブルTB9に格納する。
ステップ5における作業工数の表示処理は、例えば以下の処理である。
1)ユーザが指定したプロジェクトIDと要員グループIDをキーとして、要員グループ別作業工数テーブルTB9からレコードを抽出する。
2)タイムバケットを、日付別から、月別や、プロジェクトの進捗率などに変換し、予定工数と実績工数を集計して、以下のようにグラフを表示する。
図5において、要員グループG002で、実績工数が予定工数を超過する傾向があることがわかる。すなわち、乖離率が高いことがわかる。
PJ001に類似するプロジェクトでは、図5の実績工数をもとに要員グループG002の要員の工数を見積り、要員計画を行うことで、工数超過を防ぐことができるという効果が得られる。
モデル学習部1-2の要員特徴量と、要員分類部1-3の要員グループの出力結果を初期値として、ベイジアンネットワークのモデルを適合し、要員特徴量と要員グループとを再推定することができる。
(1)ベイジアンネットワークモデル
本発明におけるベイジアンネットワークモデルとは、モデル学習部1-2における機械学習モデルと、要員分類部1-3における要員の分類手法を、以下の確率モデルで表現したモデルである。
1-1)納期遅延を予測するロジスティック回帰モデル:線形モデルと Bernoulli 分布による、ベイズロジスティック回帰モデル
1-2)工数予実差の線形重回帰モデル:線形モデルと正規分布による、ベイズ線形回帰モデル
1-3)要員特徴量のクラスタリング分析による要員の分類:多変量混合正規分布
これらの確率モデルを、ネットワークで1つの確率モデルに結合する。また、本発明におけるベイジアンネットワークモデルは、特性情報と作業結果を観測変数として含み、要員特徴量と要員グループを潜在変数として含む。
2-1)モデル学習部1-2で、ロジスティック回帰と線形重回帰により、要員特徴量を抽出する。
2-2)要員分類部1-3で、クラスタリング分析により、要員グループを作成する。
2-3)2-1)の要員特徴量と、2-2)の要員グループの出力結果を潜在変数の初期値として、特性情報と作業結果にベイジアンネットワークモデルを適合し、潜在変数の値を推定することで、要員特徴量と要員グループを再推定する。
3-1)データが少ない要員であっても、要員特徴量を推定することができる。ベイジアンネットワークでは、モデル学習部1-2が要員毎に行う機械学習モデルの学習において、学習データの数が不十分な要員であっても、他の要員のデータから構築したベイジアンネットワークモデルを適合することで、要員特徴量を推定できる。
3-2)追加の特性情報と作業結果にベイジアンネットワークモデルを適合させて、モデルを更新することができる。ベイジアンネットワークでは、構築済みのモデルを事前分布として、ベイズ推定により、追加データにモデルを適合させることで、モデルを更新することができる。
処理および制御は、CPU(Central Processing Unit)やGPU(Graphics Processing Unit)によるソフトウェア処理、ASIC(Application Specific Integrated Circuit)やFPGA(Field Programmable Gate Array)によるハードウェア処理によって実現することができる。
また、上記の実施の形態において、図示されている構成等については、これらに限定されるものではなく、本発明の効果を発揮する範囲内で適宜変更することが可能である。その他、本発明の目的の範囲を逸脱しない限りにおいて適宜変更して実施することが可能である。
また、「コンピュータシステム」は、WWWシステムを利用している場合であれば、ホームページ提供環境(あるいは表示環境)も含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD-ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含むものとする。また前記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。機能の少なくとも一部は、集積回路などのハードウェアで実現しても良い。
1 処理部
1-1 学習データ加工部
1-2 モデル学習部
1-3 要員分類部
1-4 作業工数集計部
1-5 作業工数表示部
3 記憶部
TB1 作業実績テーブル
TB2 作業スキルテーブル
TB3 特性情報テーブル
TB4 作業結果テーブル
TB5 対象要員テーブル
TB6 要員特徴量テーブル
TB7 要員グループテーブル
TB8 日付別作業工数テーブル
TB9 要員グループ別作業工数テーブル
Claims (6)
- プロジェクトにおける各作業に対し、前記作業を担当した要員と、前記作業の予定期間と、実績期間と、予定工数と、実績工数と、が登録されている作業実績情報記憶部と、
分析対象の要員が登録されている対象要員情報記憶部と、
前記作業実績情報記憶部に登録されている各作業に対し、前記作業の前提に関わるプロジェクト、作業、要員のいずれか一つ以上の特性を示す特性情報と、前記作業の納期遅延の有無および/または工数予実差を示す作業結果と、を加工する学習データ加工部と、
前記対象要員情報記憶部に登録されている各要員に対し、前記特性情報を説明変数とし、前記作業結果を目的変数とした機械学習モデルを、前記要員の前記特性情報と前記作業結果を学習データとして学習し、前記機械学習モデルのパラメータを、要員特徴量として抽出するモデル学習部と、
を有する要員計画支援装置。 - 前記作業実績情報記憶部には、作業の種類を表す工程がさらに登録されており、
要員毎に各工程における作業経験の度合を表したスキルレベルが登録されている作業スキル情報記憶部を有し、
前記学習データ加工部は、前記作業スキル情報記憶部を参照し、前記作業実績情報記憶部に登録されている各作業に対し、前記作業を担当した要員の、前記作業の工程におけるスキルレベルに基づき、前記要員の特性を示す特性情報として、作業スキルの情報を加工することを特徴とした、請求項1に記載の要員計画支援装置。 - 前記要員特徴量に基づくクラスタリング分析により要員を分類する要員分類部を有し、 前記要員分類部により分類された要員群に基づいて要員グループを作成することを特徴とする請求項1又は2に記載の要員計画支援装置。
- 前記作業実績情報記憶部に登録されている予定工数と実績工数に基づき、プロジェクト別、前記要員グループ別、日付別の予定工数と実績工数の集計を行う作業工数集計部と、
前記作業工数集計部による集計結果をグラフ表示する作業工数表示部と、
を有することを特徴とする請求項3に記載の要員計画支援装置。 - 前記モデル学習部の前記機械学習モデルと、前記要員分類部の前記クラスタリング分析の手法と、を確率モデルとして表現し、ネットワークにより一つの確率モデルに結合したベイジアンネットワークモデルであって、前記特性情報と前記作業結果を観測変数として含み、前記要員特徴量と前記要員グループを潜在変数として含む、ベイジアンネットワークモデルを有し、
前記モデル学習部の前記要員特徴量と、前記要員分類部の前記要員グループの出力結果と、を前記潜在変数の初期値として、前記特性情報と前記作業結果に前記ベイジアンネットワークモデルを適合し、前記潜在変数の値を推定することで、前記要員特徴量と前記要員グループを再推定することを特徴とした、請求項3又は4に記載の要員計画支援装置。 - プロジェクトにおける各作業に対し、前記作業を担当した要員と、前記作業の予定期間と、実績期間と、予定工数と、実績工数と、が登録されている作業実績情報記憶部と、分析対象の要員が登録されている対象要員情報記憶部と、を有し、前記作業実績情報記憶部に登録されている各作業に対し、前記作業の前提に関わるプロジェクト、作業、要員のいずれか一つ以上の特性を示す特性情報と、前記作業の納期遅延の有無および/または工数予実差を示す作業結果と、を加工する学習データ加工ステップと、
前記対象要員情報記憶部に登録されている各要員に対し、前記特性情報を説明変数とし、前記作業結果を目的変数とした機械学習モデルを、前記要員の前記特性情報と前記作業結果を学習データとして学習し、前記機械学習モデルのパラメータを、要員特徴量として抽出するモデル学習ステップと、
をコンピュータに実行させる要員計画支援方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020067680A JP7429149B2 (ja) | 2020-04-03 | 2020-04-03 | 要員計画支援装置および要員計画支援方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020067680A JP7429149B2 (ja) | 2020-04-03 | 2020-04-03 | 要員計画支援装置および要員計画支援方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021163412A JP2021163412A (ja) | 2021-10-11 |
JP7429149B2 true JP7429149B2 (ja) | 2024-02-07 |
Family
ID=78005108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020067680A Active JP7429149B2 (ja) | 2020-04-03 | 2020-04-03 | 要員計画支援装置および要員計画支援方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7429149B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7364144B2 (ja) * | 2022-02-10 | 2023-10-18 | 株式会社Kddiテクノロジー | データ処理装置、データ処理方法及びプログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006085213A (ja) | 2004-09-14 | 2006-03-30 | Inter Db:Kk | 作業スケジュール管理システム |
JP2013191077A (ja) | 2012-03-14 | 2013-09-26 | Ntt Comware Corp | スキル評価装置、スキル評価方法、及びプログラム |
JP2015215673A (ja) | 2014-05-08 | 2015-12-03 | 株式会社野村総合研究所 | 分析装置およびコンピュータプログラム |
WO2017141432A1 (ja) | 2016-02-19 | 2017-08-24 | 三菱電機株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
JP2020052691A (ja) | 2018-09-26 | 2020-04-02 | 株式会社日立プラントコンストラクション | 工数分析システム及びそのデータ構造 |
-
2020
- 2020-04-03 JP JP2020067680A patent/JP7429149B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006085213A (ja) | 2004-09-14 | 2006-03-30 | Inter Db:Kk | 作業スケジュール管理システム |
JP2013191077A (ja) | 2012-03-14 | 2013-09-26 | Ntt Comware Corp | スキル評価装置、スキル評価方法、及びプログラム |
JP2015215673A (ja) | 2014-05-08 | 2015-12-03 | 株式会社野村総合研究所 | 分析装置およびコンピュータプログラム |
WO2017141432A1 (ja) | 2016-02-19 | 2017-08-24 | 三菱電機株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
JP2020052691A (ja) | 2018-09-26 | 2020-04-02 | 株式会社日立プラントコンストラクション | 工数分析システム及びそのデータ構造 |
Also Published As
Publication number | Publication date |
---|---|
JP2021163412A (ja) | 2021-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11004097B2 (en) | Revenue prediction for a sales pipeline using optimized weights | |
US11017339B2 (en) | Cognitive labor forecasting | |
US20090182598A1 (en) | Method and system for planning of services workforce staffing using hiring, contracting and cross-training | |
Mahnic et al. | Measuring progress of scrum-based software projects | |
Annamalaisami et al. | Reckoning construction cost overruns in building projects through methodological consequences | |
Lee et al. | Decision tree approach to classify and quantify cumulative impact of change orders on productivity | |
Kuhl et al. | Modeling and simulating Poisson processes having trends or nontrigonometric cyclic effects | |
US20230368040A1 (en) | Online probabilistic inverse optimization system, online probabilistic inverse optimization method, and online probabilistic inverse optimization program | |
Deng et al. | Multi-channel autobidding with budget and ROI constraints | |
JP7429149B2 (ja) | 要員計画支援装置および要員計画支援方法 | |
CN115423450A (zh) | 排班数据的处理方法、装置和计算机设备 | |
US20100023947A1 (en) | System, method, and computer program product for resource collaboration optimization | |
Notz et al. | Explainable subgradient tree boosting for prescriptive analytics in operations management | |
Hu | Information lifecycle modeling framework for construction project lifecycle management | |
US20210365872A1 (en) | A system and method for management of project portfolios | |
Pandya | Review of modelling techniques and tools for decision making in manufacturing management | |
US20120116987A1 (en) | Dynamic Process Modeling Assembly and Method of Use | |
US20150081366A1 (en) | Computer-Based System and Method for Flexible Project Management | |
US20060136328A1 (en) | Method and system for analyzing the risk of a project | |
Sharma et al. | Process performance models in software engineering: a mathematical solution approach to problem using industry data | |
Reijers | Case prediction in BPM systems: a research challenge | |
JP6968730B2 (ja) | 案件進捗予測装置および案件進捗予測システム | |
US20200057972A1 (en) | System and method for management of project portfolios | |
Abran et al. | Productivity based software estimation model: an economics perspective and an empirical study | |
Bazhenov et al. | Forecasting software development project characteristics using meta-modeling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230123 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231129 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240109 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240126 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7429149 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |