JP7488718B2 - プロジェクト予兆検知装置及びプロジェクト予兆検知方法 - Google Patents
プロジェクト予兆検知装置及びプロジェクト予兆検知方法 Download PDFInfo
- Publication number
- JP7488718B2 JP7488718B2 JP2020135620A JP2020135620A JP7488718B2 JP 7488718 B2 JP7488718 B2 JP 7488718B2 JP 2020135620 A JP2020135620 A JP 2020135620A JP 2020135620 A JP2020135620 A JP 2020135620A JP 7488718 B2 JP7488718 B2 JP 7488718B2
- Authority
- JP
- Japan
- Prior art keywords
- project
- information
- sign detection
- profit
- loss
- 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
- 238000001514 detection method Methods 0.000 title claims description 54
- 238000000034 method Methods 0.000 claims description 101
- 238000012549 training Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000003066 decision tree Methods 0.000 claims description 17
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 230000010365 information processing Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 54
- 238000011161 development Methods 0.000 description 36
- 238000010586 diagram Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 14
- 238000012502 risk assessment Methods 0.000 description 8
- 238000013523 data management Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、プロジェクト予兆検知装置及びプロジェクト予兆検知方法に関する。
ソフトウェア開発のプロジェクトにおいて、当該プロジェクトの進捗やコストなどの管理業務は非常に重要である。そのため、プロジェクマネージャーは、当該プロジェクトのより正確な進捗とコストを把握すべく、様々な管理システムを利用し管理業務を遂行する。
この場合、プロジェクトマネージャーは、工程管理や作業管理、損益管理といった種々の管理システムから情報を参照し、当該プロジェクトの状況を把握することで、課題やリスクを検知し対策案を検討していた。しかし、こうした作業は時間がかかるうえに、見逃しが発生しやすいという問題点はあった。
そこでこうした問題点を踏まえた、プロジェクト管理に関連する従来技術としては、例えば、第１のソフトウェア開発プロジェクトに関する管理データから、各説明変数の値及び目的変数の値を取得する第１の取得部と、前記第１の取得部が取得した前記各説明変数の値及び前記目的変数の値に基づいて、前記各説明変数を根ノード又は内部ノードとし、前記目的変数の値を葉ノードとする木構造を有する予測モデルを生成する生成部と、第２のソフトウェア開発プロジェクトに関する管理データから、前記各説明変数の値を取得する第２の取得部と、前記第２の取得部によって取得された各説明変数を前記予測モデルに当てはめて、前記目的変数の値を予測する予測部と、前記目的変数の値に応じ、前記予測部による予測において前記予測モデルの葉ノードに到達するまでの過程に含まれる説明変数を出力する出力部と、を有することを特徴とするプロジェクト分析装置（特許文献１参照）などが提案されている。
しかしながら、従来のプロジェクト管理技術において、当該プロジェクトのリスクを判定する場合、その判定結果はリスクの有無といったバイナリ結果であった。そのため、リスクを定量的に認識し、それに応じた措置を検討することも難しかった。また、そうしたリスク判定の根拠自体は、担当者個々の判断等に由来する属人性の強いもので、判定精度も不安定なものとなりやすい欠点がある。
さらには、上述のように粒度や精度が良好とは言い難い判定結果は、その後の当該リスクへの対策検討を難しいものとしてしまう課題もあった。
そこで本発明の目的は、プロジェクトにおけるリスクを定量的かつ効率的に判定し、その後の対策検討を容易なものとしう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プロジェクト予兆検知装置は、過去のプロジェクトそれぞれの内容および損益に関する各情報を保持する記憶装置と、前記記憶装置から前記過去のプロジェクトそれぞれの前記各情報を抽出し、当該各情報のうち前記内容における予め定めた１又は複数の項目の値を説明変数、前記各情報のうち前記損益の状況を目的変数とした、前記説明変数ごとの決定木を機械学習により生成する処理と、対象プロジェクトの内容の情報のうち、前記決定木の説明変数に応じた項目の値を抽出して対応する各決定木に入力し、ランダムフォレストアルゴリズムにより、前記対象プロジェクトにおける損益に関するリスクを失敗確率として算出する処理と、前記失敗確率の算出における、前記説明変数の寄与率とその方向性を、ＳＨＡＰアルゴリズムにより算定する処理と、前記過去のプロジェクトのうち、前記対象プロジェクトとの間で、当該プロジェクトの内容の情報のうち工程に関する情報に関するマハラノビス距離と、前記寄与率及び前記方向性に関するマハラノビス距離に基づく最終距離が所定閾値以内であるものを、類似プロジェクトとして特定し、当該類似プロジェクトの情報を、所定のユーザインターフェイスに出力する処理と、を実行する演算装置と、を備えることを特徴とする。
また、本発明のプロジェクト予兆検知方法は、情報処理装置が、過去のプロジェクトそれぞれの内容および損益に関する各情報を保持する記憶装置を備えて、前記記憶装置から前記過去のプロジェクトそれぞれの前記各情報を抽出し、当該各情報のうち前記内容における予め定めた１又は複数の項目の値を説明変数、前記各情報のうち前記損益の状況を目的変数とした、前記説明変数ごとの決定木を機械学習により生成する処理と、対象プロジェクトの内容の情報のうち、前記決定木の説明変数に応じた項目の値を抽出して対応する各決定木に入力し、ランダムフォレストアルゴリズムにより、前記対象プロジェクトにおける損益に関するリスクを失敗確率として算出する処理と、前記失敗確率の算出における、前記説明変数の寄与率とその方向性を、ＳＨＡＰアルゴリズムにより算定する処理と、前記過去のプロジェクトのうち、前記対象プロジェクトとの間で、当該プロジェクトの内容の情報のうち工程に関する情報に関するマハラノビス距離と、前記寄与率及び前記方向性に関するマハラノビス距離に基づく最終距離が所定閾値以内であるものを、類似プロジェクトとして特定し、当該類似プロジェクトの情報を、所定のユーザインターフェイスに出力する処理を実行する、ことを特徴とする。
本発明によれば、プロジェクトにおけるリスクを定量的かつ効率的に判定し、その後の対策検討を容易なものとできる。
＜＜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、本実施形態のプロジェクト予兆検知装置１１０を含むシステム構成例を示す図である図１に示すプロジェクト予兆検知装置１１０は、プロジェクトにおけるリスクを定量的かつ効率的に判定し、その後の対策検討を容易なものとするコンピュータ装置である。
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、本実施形態のプロジェクト予兆検知装置１１０を含むシステム構成例を示す図である図１に示すプロジェクト予兆検知装置１１０は、プロジェクトにおけるリスクを定量的かつ効率的に判定し、その後の対策検討を容易なものとするコンピュータ装置である。
このプロジェクト予兆検知装置１１０は、インターネットやＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）などの適宜なネットワーク１を介し、プロジェクト管理システム１０２、工程管理システム１０３、作業管理システム１０４、及び損益管理システム１０５といった、既存の外部システムと通信可能に結ばれている。
また、図１の例では、プロジェクト予兆検知装置１１０が処理に使用するデータ類を、
記憶装置１３にてデータベースの形で保持、管理する例を示している。ここでは、プロジェクト予兆検知装置１１０の外部装置として記憶装置１３を例示しているが、勿論、一体となった構成であってもよく、その形態を限定しない。
記憶装置１３にてデータベースの形で保持、管理する例を示している。ここでは、プロジェクト予兆検知装置１１０の外部装置として記憶装置１３を例示しているが、勿論、一体となった構成であってもよく、その形態を限定しない。
なお、上述のネットワーク１を介して接続されている外部システムのち、プロジェクト管理システム１０２は、例えば、所定の事業者で遂行されている或いは遂行されたプロジェクトについて、その名称などの基本情報、開始予定日、完了予定日、開始実績日、完了実績日、などの進捗情報を管理するシステムである。このプロジェクト管理システム１０２にアクセスして、対象となるプロジェクトに関する情報を参照すれば、当該プロジェクトの進捗状況を確認できる。
また、工程管理システム１０３は、上述のプロジェクト管理システム１０２で管理する各プロジェクトを構成する各工程の情報を管理するシステムである。この情報は、例えば、工程の開始予定日、完了予定日、開始実績日、完了実績日など、工程の進捗情報を含むものとなる。この工程管理システム１０３にアクセスして、対象となるプロジェクトの各工程の情報を参照すれば、当該工程の進捗状況を確認できる。
また、作業管理システム１０４は、上述のプロジェクト管理システム１０２で管理する各プロジェクトに関与するプロジェクトメンバの、担当タスクの作業時間等を管理するシステムである。この作業管理システム１０４にアクセスして、対象となるプロジェクトにおけるプロジェクトメンバに関する情報を参照すれば、当該プロジェクトメンバの作業量や、作業負荷などの状況を確認できる。
また、損益管理システム１０５は、上述のプロジェクト管理システム１０２で管理する各プロジェクトとその工程の原価、売上高を管理するシステムである。この損益管理システム１０５にアクセスして、対象となるプロジェクトに関する情報を参照すれば、当該プロジェクトにおける、工程の予算の消化状況、損益状況などが確認できる。
なお、上述のプロジェクト予兆検知装置１１０のハードウェア構成は、図１で示すとおり、ユーザインターフェイス１１、演算装置１２、メモリ１３、記憶装置１４、及び通信装置１６を含んでいる。
このうちユーザインターフェイス１１は、ユーザであるプロジェクトマネージャー１０１によるキー入力や音声入力を受け付ける、キーボードやマウス、マイクなどの適宜な入力装置と、演算装置１２での処理データの表示を行うディスプレイ、スピーカー等の適宜な出力装置により実装されるインターフェイスである。
また、演算装置１２は、例えば、記憶装置１４に保持される適宜なプログラム１５をメモリ１３に読み出すなどして実行し装置自体の統括制御を行なうとともに各種判定、演算及び制御処理を行なうＣＰＵである。なお、プログラム１５の実行により実装されるのが、プロジェクト予兆検知装置１１０における各機能部１１２～１１９となる。
こうした機能部のうち、失敗スコア計算部１１２は、訓練データ管理部１１８から訓練情報を取得して予測モデルを訓練し、予測情報データベース１２６から進行中のプロジェクトの情報を取得して、上述の予測モデルを用いて対象プロジェクトのリスクすなわち失敗確率を予測する。また、失敗スコア計算部１１２は、ドメイン知識をドメイン知識データベース１２７から取得し、上述のリスクに対する対策案を予測結果に追加し、この予測結果をユーザインターフェイス１１で出力し、或いはリスク判定データベース１２８に格納する。
また、類似プロジェクト検索部１１３は、プロジェクト情報管理部１１４、工程情報管理部１１５、作業情報管理部１１６、損益情報管理部１１７、及びリスク判定データベース１２６から情報を取得し、これら情報に基づき、上述の予測結果が示すプロジェクトに類似する過去のプロジェクトを検索し、リスク判定データベース１２８に、類似プロジェクト情報を格納する。この場合、ユーザインターフェイス１１は、リスク判定データベース１２８からプロジェクトのリスク判定結果、その対策案、及び類似プロジェクト、の各情報を表示することとなる。
また、プロジェクト情報管理部１１４は、プロジェクト管理システム１０２から得た情報をプロジェクト情報データベース１２１に格納する。
また、工程情報管理部１１５は、工程管理システム１０３から得た情報を、工程情報データベース１２２に格納する。
また、作業情報管理部１１６は、作業管理システム１０４から得た情報を、作業情報データベース１２３に格納する。
また、損益情報管理部１１７は、損益管理システム１０５から得た情報を、損益情報データベース１２４に格納する。
また、訓練データ管理部１１８は、プロジェクト情報管理部１１４、工程情報管理部１１５、作業情報管理部１１６、及び損益情報管理部１１７から情報を取得し、訓練情報データベース１２５に格納する。
また、予測データ管理部１１９は、プロジェクト情報管理部１１４、工程情報管理部１１５、作業情報管理部１１６、及び損益情報管理部１１７から情報を取得し、予測情報データベース１２６に格納する。
ここでプロジェクト予兆検知装置１１０におけるハードウェア構成の説明に戻る。プロジェクト予兆検知装置１１０が備える構成のうちメモリ１３は、ＲＡＭなど揮発性記憶素子で構成される。
また、記憶装置１４は、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）やハードディスクドライブなど適宜な不揮発性記憶素子で構成される。
また、通信装置１６は、ネットワーク１と接続して他装置との通信処理を担うネットワークインターフェイスカードである。
なお、記憶装置１４には、本実施形態のプロジェクト予兆検知装置１１０として必要な機能を実装する為のプログラム１５に加えて、プロジェクト情報データベース１２１、工程情報データベース１２２、作業情報データベース１２３、損益情報データベース１２４、訓練情報データベース１２５、予測情報データベース１２６、ドメイン知識データベース１２７、及びリスク判定データベース１２８が少なくとも記憶されている。これらデータベースの詳細は後述する。
＜＜データ構造例＞＞
続いて、本実施形態のプロジェクト予兆検知装置１１０が用いるデータベース類について説明する。図２に、本実施形態におけるプロジェクト情報データベース１２１の一例を示す。
＜＜データ構造例＞＞
続いて、本実施形態のプロジェクト予兆検知装置１１０が用いるデータベース類について説明する。図２に、本実施形態におけるプロジェクト情報データベース１２１の一例を示す。
図２に例示するプロジェクト情報データベース１２１は、プロジェクト情報３１１を格
納しているものとする。このプロジェクト情報３１１は、プロジェクトＩＤをキーとして、当該プロジェクトのプロジェクト名、開始予定日、完了予定日、開始実績日、完了実績日、及び開発形態の各値が含まれている。
納しているものとする。このプロジェクト情報３１１は、プロジェクトＩＤをキーとして、当該プロジェクトのプロジェクト名、開始予定日、完了予定日、開始実績日、完了実績日、及び開発形態の各値が含まれている。
なお、各レコード３１９は、プロジェクトＩＤフィールド３１２と、プロジェクト名フィールド３１３と、開始予定日フィールド３１４と、完了予定日フィールド３１５と、開始実績日フィールド３１６と、完了実績日フィールド３１７と、開発形態フィールド３１８とを有する。
図３に、本実施形態における工程情報データベース１２２の一例を示す。ここでは、工程情報データベース１２２に保存される工程情報３２１の例を示す。工程情報３２１は、工程ＩＤをキーとして、当該工程の工程名、担当者ＩＤ、開始予定日、完了予定日、開始実績日、完了実績日、未経験技術、 開発規模(KLOC)、開発モデル、及びプロジェクト番
号の各値が含まれている。
号の各値が含まれている。
なお、各レコード３４０は、工程ＩＤフィールド３２２と、工程名フィールド３２３と、担当者ＩＤフィールド３２４と、開始予定日フィールド３２５と、完了予定日フィールド３２６と、開始実績日フィールド３２７と、完了実績日フィールド３２８と、未経験技術フィールド３２９と、 開発規模(KLOC)フィールド３３０と、開発モデルフィールド３
３１と、プロジェクト番号フィールド３３２とを有する。
３１と、プロジェクト番号フィールド３３２とを有する。
図４に、本実施形態における作業情報データベース１２３の一例を示す。ここでは、作業情報データベース１２３に保存される作業情報４１１の例を示す。作業情報４１１は、作業ＩＤをキーとして、当該作業のメンバＩＤ、工程名、日付、及び作業時間が含まれている。
なお、各レコード４１７は、作業ＩＤフィールド４１２と、メンバＩＤフィールド４１３と、工程名フィールド４１４と、日付フィールド４１５と、作業時間フィールド４１６とを有する。
図５に、本実施形態における損益情報データベース１２４の一例を示す。ここでは、損益情報データベース１２４に保存されるプロジェクト損益情報５１１と工程損益情報５２１の例を示す。
このうちプロジェクト損益情報４１１は、プロジェクトＩＤをキーとしてと、プロジェクト名、見積原価、実績原価、見積売上高、及び実績売上高の各値が含まれている。
なお、各レコード５１８は、プロジェクトＩＤフィールド５１２と、プロジェクト名フィールド５１３と、見積原価フィールド５１４と、実績原価フィールド５１５と、見積売上高フィールド５１６と、実績売上高フィールド５１７と有する。
一方、工程損益情報４２１は、工程ＩＤをキーとして、工程名、年月、見積原価、実績原価、見積売上高、実績売上高、月別原価、及び月別売上の各値が含まれている。
なお、各レコード４３１は、工程ＩＤフィールド５２２と、工程名フィールド５２３と、年月フィールド５２４と、見積原価フィールド５２５と、実績原価フィールド５２６と、見積売上高フィールド５２７と、実績売上高フィールド５２８と、月別原価フィールド５２９と、月別売上フィールド５３０とを有する。
＜＜フロー例：事前処理＞＞
以下、本実施形態におけるプロジェクト予兆検知方法の実際手順について図に基づき説
明する。以下で説明するプロジェクト予兆検知方法に対応する各種動作は、プロジェクト予兆検知装置１１０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。
＜＜フロー例：事前処理＞＞
以下、本実施形態におけるプロジェクト予兆検知方法の実際手順について図に基づき説
明する。以下で説明するプロジェクト予兆検知方法に対応する各種動作は、プロジェクト予兆検知装置１１０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６は、本実施形態におけるプロジェクト予兆検知方法のフロー例を示す図である。ここではまず、失敗確率の算出等のメインフローに先立って必要となる事前処理について説明する。
プロジェクト予兆検知装置１１０は、まず、訓練データ生成の処理を実行する（ｓ１）。この場合、プロジェクト予兆検知装置１１０は、過去のプロジェクトに関して得られている情報のうち、プロジェクト情報データベース１２１から開発形態６１３を、工程データベース１２２から担当者ＩＤ６１４、未経験技術６１５、開発規模(ＫＬＯＣ)６１６、及び開発モデル６１７を、作業情報データベース１２３の作業情報５１１に基づき人員負荷６１８（計算）を、損益情報データベース１２４の工程損益情報５２１に基づき原価超過６１９（計算）を得て、これらを訓練情報データベース１２５における訓練データ６１１として格納する（図７参照）。
なお、上述の人員負荷６１８の値の計算式は以下のとおりである
なお、上述の式中、wは工程の人員負荷である。また、tmaxは該当工程の中、メンバ毎
の総計作業時間の最大値である。また、tavgは該当工程の中、メンバ毎の総計作業時間の平均値である。
また、原価超過６１９の具体的な計算方法は、例えば、損益工程情報４２１における、完了した各工程の完了時点のレコード４３１において、年月４２４が最新のレコードをとり、実績原価４２６と見積原価４２５との差を計算し、この差が負の場合、原価超過６１９にＮを設定し、差が正の場合、原価超過６１９にＹを設定する。
続いて、プロジェクト予兆検知装置１１０は、予測データ生成の処理を実行する（ｓ２）。この場合、プロジェクト予兆検知装置１１０は、失敗確率の算出対象となるプロジェクトに関して、プロジェクト情報データベース１２１から開発形態６２３を、工程情報データベース１２２から担当者ＩＤ６２４と、未経験技術６２５と、開発規模(ＫＬＯＣ)６２６と、開発モデル６２７を、また、作業情報データベース１２３の情報に基づき人員負荷６２８（計算）を得て、これらを予測情報データベース１２６における予測データ６２１として格納する（図８参照）。ここでの人員負荷６１８の算定手法は、訓練データ生成（ｓ１）と同様である。
続いて、プロジェクト予兆検知装置１１０は、上述のｓ１で得た訓練データ、及びｓ２で得た予測データを、それぞれ符号化する（ｓ３）。
ここで図９に、訓練データを符号化した符号化訓練データ７１１例を示す。この場合、プロジェクト予兆検知装置１１０は、開発形態６１３と、担当者ＩＤ６１４と、未経験技術６１５と、開発規模(ＫＬＯＣ)６１６と、開発モデル６１７と、人員負荷６１８と、原価超過６１９といった変数名を、それぞれＸ１、Ｘ１、Ｘ２、Ｘ３、Ｘ４、Ｘ５、Ｘ６、
Ｘ７という符号に変換する。
Ｘ７という符号に変換する。
なお、カテゴリーデータ（開発形態６１３と、未経験技術６１５、開発モデル６１７、原価超過６１９）においては、値を所定ルールで数字に変換する。変換の仕方は、まず値のカテゴリーのリストを作成、そして各カテゴリーを（０、１、２、...）の数字に変換
するルールを作成、この変換ルールに従って、カテゴリーデータを数値データに変換する。
するルールを作成、この変換ルールに従って、カテゴリーデータを数値データに変換する。
例えば、開発モデル７３７が「ＷＦ」と「アジャイル」の２種類の値があり、ＷＦ→０、アジャイル→１という変換ルールを作り、このルールに従って、符号化訓練データを作成する。
図１０に予測データを符号化した符号化予測データ７２１の例を示す。この場合も、上述の訓練データの符号化と同様に、プロジェクト予兆検知装置１１０は、開発形態６２３と、担当者ＩＤ６２４と、未経験技術６２５と、開発規模(ＫＬＯＣ)６２６と、開発モデル６２７と、人員負荷６２８といった変数名を、それぞれＹ１、Ｙ２、Ｙ３、Ｙ４、Ｙ５、Ｙ６という符号に変換する。
＜＜フロー例：メインフロー＞＞
続いて、プロジェクト予兆検知方法のメインフローについて説明する。ここでプロジェクト予兆検知装置１１０は、まず、失敗確率の予測モデルを機械学習により生成する（ｓ１０）。
＜＜フロー例：メインフロー＞＞
続いて、プロジェクト予兆検知方法のメインフローについて説明する。ここでプロジェクト予兆検知装置１１０は、まず、失敗確率の予測モデルを機械学習により生成する（ｓ１０）。
この場合、プロジェクト予兆検知装置１１０は、記憶装置１４の訓練情報データベース１２５から、例えば、現時点から一定期間内の各訓練データを取得し、これらの訓練データが含む各項目のうち、開発形態７１３、担当者ＩＤ７１４、未経験技術７１５、開発規模７１６、開発モデル７１７、及び人員負荷７１８のうち１または複数を説明変数、原価超過７１９を目的変数として機械学習を実行し、予測モデルを生成する。
ここで生成した予測モデル１つ１つが、ランダムフォレストアルゴリズムにおける決定木の１つとなる。なお、プロジェクト予兆検知装置１１０は、適宜な機械学習エンジンを予め利用可能に備えるか、或いは外部システムから呼び出して利用可能であるものとする。
続いて、プロジェクト予兆検知装置１１０は、ｓ１０で得た予測モデルによりランダムフォレストアルゴリズムに適用し、今回の処理対象となるプロジェクトに関する予測データの各変数の値を、対応する予測モデルに入力することで、失敗確率の算出を実行する（ｓ１１）。
なお、ランダムフォレストアルゴリズム（参照：「Random forests, Machine Learning, Vol.45, No.1, pp.5-32, 2001.）は、機械学習アルゴリズムの1つであり、複数の決定
木を統合するアンサンブル学習アルゴリズムである。
木を統合するアンサンブル学習アルゴリズムである。
上述の決定木たる予測モデルでの入力とする説明変数は、図１０の予測情報データベース１２６に保存される符号化予測データ７２１に示し、開発形態７２３と、担当者ＩＤ７２４と、未経験技術７２５と、開発規模(ＫＬＯＣ)７２６と、開発モデル７２７と、人員負荷７２８になる。
続いて、プロジェクト予兆検知装置１１０は、当該プロジェクトの失敗要因について、当該プロジェクトの失敗確率の計算に貢献した説明変数の寄与率として算定示する（ｓ１２）。
こうした各変数の寄与率は、ＳＨＡＰ（ＳＨａｐｌｅｙ Ａｄｄｉｔｉｖｅ ｅｘＰｌａｎａｔｉｏｎｓ）アルゴリズム（参照：Lundberg, Scott M., and Su-In Lee. "A unified approach to interpreting model predictions." Advances in neural information processing systems. 2017.）により計算するものとする。このＳＨＡＰアルゴリズムは、
ゲーム理論におけるＳｈａｐｌｅｙ Ｖａｌｕｅという、協力によって得られた利得を各
プレイヤーへ公正に分配する方法に基づき、予測結果に対する各説明変数の寄与を求めるアルゴリズムである。
ゲーム理論におけるＳｈａｐｌｅｙ Ｖａｌｕｅという、協力によって得られた利得を各
プレイヤーへ公正に分配する方法に基づき、予測結果に対する各説明変数の寄与を求めるアルゴリズムである。
ＳＨＡＰアルゴリズムにより計算されるＳＨＡＰ値は、変数が予測結果に対する影響の方向と大きさを知ることができる。ＳＨＡＰ値が正の場合は、変数が予測結果に対して正の影響がある。ＳＨＡＰ値が負の場合は、変数が予測結果に対して負の影響がある。また、ＳＨＡＰ値の絶対値が大きければ大きいほど、変数の影響が強い。
続いて、プロジェクト予兆検知装置１１０は、上述の対象となったプロジェクトと類似する過去のプロジェクト、すなわち類似プロジェクトを特定する（ｓ１３）。
この場合、プロジェクト予兆検知装置１１０は、類似プロジェクト検索に際し、対象プロジェクトの全ての工程の類似工程をプロジェクト情報データベース１２１にてそれぞれ検索する。この検索でヒットした類似工程のプロジェクトは、対象プロジェクトの類似プロジェクトとなる。
なお、類似工程の検索には、工程情報のマハラノビス距離と、失敗要因寄与率のマハラノビス距離の計算を伴うものとする。このマハラノビス距離の計算式は以下のとおりである
なお、上述の式中、ｄは工程の最終距離である。ｄｐは工程情報のマハラノビス距離である。ｄｆは失敗要因寄与率のマハラノビス距離である。
最終距離が小さければ小さいほど、工程の類似度が高い。よって、最終距離が一定の閾値より小さい場合は、類似工程と判定できる。
工程情報のマハラノビス距離の計算式は以下のとおりである
なお、上述の式中、ｄｐは工程情報のマハラノビス距離である。ｘは符号化訓練データ７２１のＸ１、Ｘ２、Ｘ３、Ｘ４、Ｘ５、Ｘ６、Ｘ７である。ｙは符号化予測データ７１１のＹ１、Ｙ２、Ｙ３、Ｙ４、Ｙ５、Y６である。また、Σは各変数間の共分散行列であ
る。
また、失敗要因寄与率のマハラノビス距離の計算式は以下のとおりである
なお、上述の式中、ｄｆは失敗要因寄与率のマハラノビス距離である。ｘとｙは失敗要因２１６の「人員負荷」と「未経験技術」である。
続いて、プロジェクト予兆検知装置１１０は、上述の失敗確率への寄与率が閾値以上となった要因に対する対策案を特定する（ｓ１４）。この場合、プロジェクト予兆検知装置１１０の失敗スコア計算部１１２は、記憶装置１４で保持するドメイン知識データベース１２７（図１２）に基づき、ｓ１２で得ている寄与率が閾値以上の変数をドメイン知識８１１の要因８１３と突き合わせ、当該変数すなわち失敗要因の値が条件８１５に満たした場合、ドメイン知識８１１の該当項目の対策案８１６を、対象プロジェクトに好適な対策案として特定する。
図１２で例示するドメイン知識８１１は、例えば、プロジェクトマネージャー１０１が事前に、ユーザインターフェイス１１１に通じて、要因８１３と、条件８１５と、対策案８１６とを入力したものとなる。
続いて、プロジェクト予兆検知装置１１０は、ここまで得た情報を、例えば、予測結果サマリー画面２０１（図１３）としてユーザインターフェイス１１１に表示し（ｓ１５）、処理を終了する。
図１３で示す予測結果サマリー画面２０１は、対象プロジェクトの進捗率２１４、失敗確率２１５、失敗要因２１６、対策案２１７、及び類似プロジェクト２１８が表示される。この予測結果サマリー画面２０１を閲覧するプロジェクトマネージャー１０１は、対象プロジェクトの失敗確率２１５を把握することにより、失敗しやすいプロジェクトについて早い段階から注目することができる。
また、プロジェクトマネージャー１０１は、対象プロジェクトの失敗要因２１６を把握することにより、直観的に当該プロジェクトがリスキーと判断された理由を知ることができる。
また、プロジェクトマネージャー１０１は、プロジェクト失敗に対しての対策案２１７を把握することにより、適切な対策を行うことで、プロジェクトの失敗確率を効果的に軽減できるようになる。また、プロジェクトマネージャー１０１は、類似プロジェクト２１８を把握することにより、過去の類似プロジェクトの経験を活用できるようになる。
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、
本発明によれば、ソフトウェア開発のプロジェクトにおいて、当該プロジェクトに潜在するリスクの予兆を効率的に検知可能となる。さらには、検知された予兆に対して対策案の提示や過去の類似プロジェクトの情報を、担当者等に提示することもできる。したがって、例えば、プロジェクトマネージャーがプロジェクトの状況把握に要する作業量を削減するとともに、状況判断や適宜な対策検討の精度向上につながりうる。このことは、プロジェクトマネージャーにおける、リスク感知やリスク解決の能力向上に貢献しうる。また
、結果的に、プロジェクトの遂行がよりスムーズになり、開発コスト増大を事前に回避する可能性も高まることになる。ひいては、プロジェクトの成功確率を改善する。
本発明によれば、ソフトウェア開発のプロジェクトにおいて、当該プロジェクトに潜在するリスクの予兆を効率的に検知可能となる。さらには、検知された予兆に対して対策案の提示や過去の類似プロジェクトの情報を、担当者等に提示することもできる。したがって、例えば、プロジェクトマネージャーがプロジェクトの状況把握に要する作業量を削減するとともに、状況判断や適宜な対策検討の精度向上につながりうる。このことは、プロジェクトマネージャーにおける、リスク感知やリスク解決の能力向上に貢献しうる。また
、結果的に、プロジェクトの遂行がよりスムーズになり、開発コスト増大を事前に回避する可能性も高まることになる。ひいては、プロジェクトの成功確率を改善する。
すなわち、プロジェクトにおけるリスクを定量的かつ効率的に判定し、その後の対策検討を容易なものとすることが可能となる。
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、本実施形態のプロジェクト予兆検知装置において、前記演算装置は、前記内容における前記１又は複数の項目の値を説明変数、前記損益の状況を目的変数とした訓練データにして、失敗確率の予測モデルの機械学習を実行し、当該予測モデルを前記決定木として前記ランダムフォレストアルゴリズムによる前記失敗確率の算出を実行するものである、としてもよい。
これによれば、失敗確率算出に必要となる予測モデルを効率的かつ精度良く生成可能となる。ひいては、プロジェクトにおけるリスクを定量的かつ効率的に判定し、その後の対策検討を容易なものとすることが可能となる。
また、本実施形態のプロジェクト予兆検知装置において、前記演算装置は、所定のユーザインターフェイスに前記失敗確率の情報を出力する処理をさらに実行するものである、としてもよい。
これによれば、プロジェクトマネージャー等に、担当プロジェクトの状況をより明確に提示可能となり、当該状況への対策検討も的確でスムーズなものとなりやすい。ひいては、プロジェクトにおけるリスクを定量的かつ効率的に判定し、その後の対策検討を容易なものとすることが可能となる。
また、本実施形態のプロジェクト予兆検知装置において、前記演算装置は、前記失敗確率の算出における、前記説明変数の寄与率とその方向性を、ＳＨＡＰアルゴリズムにより算定する処理をさらに実行するものである、としてもよい。
これによれば、プロジェクトにおける各事象のうち、失敗確率に影響を与えている要因を、より的確に特定することが可能となる。ひいては、プロジェクトにおけるリスクを定量的かつ効率的に判定し、その後の対策検討を容易なものとすることが可能となる。
また、本実施形態のプロジェクト予兆検知装置において、前記演算装置は、前記説明変数の寄与率とその方向性の情報を、所定のユーザインターフェイスに出力する処理をさらに実行するものである、としてもよい。
これによれば、プロジェクトにおける各事象のうち、失敗確率に影響を与えている要因とその程度を、プロジェクトマネージャーに対して明確に提示することが可能となり、当該状況への対策検討も的確でスムーズなものとなりやすい。ひいては、プロジェクトにおけるリスクを定量的かつ効率的に判定し、その後の対策検討を容易なものとすることが可能となる。
また、本実施形態のプロジェクト予兆検知装置において、前記演算装置は、前記過去のプロジェクトのうち、前記対象プロジェクトとの間で、当該プロジェクトの内容の情報のうち工程に関する情報に関するマハラノビス距離と、前記寄与率及び前記方向性に関するマハラノビス距離に基づく最終距離が所定閾値以内であるものを、類似プロジェクトとして特定し、当該類似プロジェクトの情報を、所定のユーザインターフェイスに出力する処理をさらに実行するものである、としてもよい。
これによれば、失敗確率とともに過去の類似プロジェクトの情報をプロジェクトマネージャー等に提示可能となり、対象プロジェクトにおける問題点を過去のプロジェクトから類推するなどの対策業務を効率化することにつながる。ひいては、プロジェクトにおけるリスクを定量的かつ効率的に判定し、その後の対策検討を容易なものとすることが可能となる。
また、本実施形態のプロジェクト予兆検知装置において、前記記憶装置は、前記説明変数の寄与率とその方向性の条件と、当該条件において前記失敗確率を低減するために必要な対策案とを対応付けた情報をさらに保持し、前記演算装置は、前記算定した前記寄与率とその方向性を前記条件に照合して、前記対策案を特定し、当該対策案を、所定のユーザインターフェイスに出力する処理をさらに実行するものである、としてもよい。
これによれば、対象プロジェクトにおける失敗確率に影響を与えている要因とその対処案を、プロジェクトマネージャーに対して明確に提示することが可能となり、当該状況への対策検討もさらに的確でスムーズなものとなりやすい。ひいては、プロジェクトにおけるリスクを定量的かつ効率的に判定し、その後の対策検討を容易なものとすることが可能となる。
１ ネットワーク
１１ ユーザインターフェイス
１２ 演算装置
１３ メモリ
１４ 記憶装置
１５ プログラム
１６ 通信装置
１０１ プロジェクトマネージャー
１０２ プロジェクト管理システム
１０３ 工程管理システム
１０４ 作業管理システム
１０５ 損益管理システム
１１０ プロジェクト予兆検知装置
１１１ ユーザインターフェイス
１１２ 失敗スコア計算部
１１３ 類似プロジェクト検索部
１１４ プロジェクト情報管理部
１１５ 工程情報管理部
１１６ 作業情報管理部
１１７ 損益情法管理部
１１８ 訓練データ管理部
１１９ 予測データ管理部
１２１ プロジェクト情報データベース
１２２ 工程情報データベース
１２３ 作業情報データベース
１２４ 損益情報データベース
１２５ 訓練情報データベース
１２６ 予測情報データベース
１２７ ドメイン知識データベース
１２８ リスク判定データベース
２０１ 予測結果サマリー画面
２１１ 予測結果一覧
２１２ プロジェクトＩＤ
２１３ プロジェクト名
２１４ 進捗率
２１５ 失敗スコア
２１６ 失敗要因
２１７ 対策案
２１８ 類似プロジェクト
３１１ プロジェクト情報
３１２ プロジェクトＩＤ
３１３ プロジェクト名
３１４ 開始予定日
３１５ 完了予定日
３１６ 開始実績日
３１７ 完了実績日
３１８ 開発形態
３１９ プロジェクト情報レコード
３２１ 工程情報
３２２ 工程ＩＤ
３２３ 工程名
３２４ 担当者ＩＤ
３２５ 開始予定日
３２６ 完了予定日
３２７ 開始実績日
３２８ 完了実績日
３２９ 未経験技術
３４０ 開発規模（ＫＬＯＣ）
３３１ 工程情報
３３２ プロジェクトＩＤ
３４０ 工程情報レコード
４１１ 作業情報
４１２ 作業ＩＤ
４１３ メンバＩＤ
４１４ 工程ＩＤ
４１５ 日付
４１６ 作業時間
４１７ 作業情報レコード
５１１ プロジェクト損益情報
５１２ プロジェクトＩＤ
５１３ プロジェクト名
５１４ 見積原価
５１５ 実績原価
５１６ 見積売上高
５１７ 実績売上高
５１８ プロジェクト損益情報レコード
５２１ 工程損益情報
５２２ 工程ＩＤ
５２３ 工程名
５２４ 年月
５２５ 見積原価
５２６ 実績原価
５２７ 見積売上高
５２８ 実績売上高
５２９ 月別原価
５３０ 月別売上高
５３１ 工程損益情報レコード
６１１ 訓練データ
６１２ 工程ＩＤ
６１３ 開発形態
６１４ 担当者ＩＤ
６１５ 未経験技術
６１６ 開発規模（ＫＬＯＣ）
６１７ 開発モデル
６１８ 人員負荷
６１９ 原価超過
６２１ 予測データ
６２２ 工程ＩＤ
６２３ 開発形態
６２４ 担当者ＩＤ
６２５ 未経験技術
６２６ 開発規模（ＫＬＯＣ）
６２７ 開発モデル
６２８ 人員負荷
７１１ 符号化訓練データ
７２１ 符号化予測データ
８１１ ドメイン知識
８１２ ドメイン知識ＩＤ
８１３ 要因
８１４ 条件
８１５ 対策案
１１ ユーザインターフェイス
１２ 演算装置
１３ メモリ
１４ 記憶装置
１５ プログラム
１６ 通信装置
１０１ プロジェクトマネージャー
１０２ プロジェクト管理システム
１０３ 工程管理システム
１０４ 作業管理システム
１０５ 損益管理システム
１１０ プロジェクト予兆検知装置
１１１ ユーザインターフェイス
１１２ 失敗スコア計算部
１１３ 類似プロジェクト検索部
１１４ プロジェクト情報管理部
１１５ 工程情報管理部
１１６ 作業情報管理部
１１７ 損益情法管理部
１１８ 訓練データ管理部
１１９ 予測データ管理部
１２１ プロジェクト情報データベース
１２２ 工程情報データベース
１２３ 作業情報データベース
１２４ 損益情報データベース
１２５ 訓練情報データベース
１２６ 予測情報データベース
１２７ ドメイン知識データベース
１２８ リスク判定データベース
２０１ 予測結果サマリー画面
２１１ 予測結果一覧
２１２ プロジェクトＩＤ
２１３ プロジェクト名
２１４ 進捗率
２１５ 失敗スコア
２１６ 失敗要因
２１７ 対策案
２１８ 類似プロジェクト
３１１ プロジェクト情報
３１２ プロジェクトＩＤ
３１３ プロジェクト名
３１４ 開始予定日
３１５ 完了予定日
３１６ 開始実績日
３１７ 完了実績日
３１８ 開発形態
３１９ プロジェクト情報レコード
３２１ 工程情報
３２２ 工程ＩＤ
３２３ 工程名
３２４ 担当者ＩＤ
３２５ 開始予定日
３２６ 完了予定日
３２７ 開始実績日
３２８ 完了実績日
３２９ 未経験技術
３４０ 開発規模（ＫＬＯＣ）
３３１ 工程情報
３３２ プロジェクトＩＤ
３４０ 工程情報レコード
４１１ 作業情報
４１２ 作業ＩＤ
４１３ メンバＩＤ
４１４ 工程ＩＤ
４１５ 日付
４１６ 作業時間
４１７ 作業情報レコード
５１１ プロジェクト損益情報
５１２ プロジェクトＩＤ
５１３ プロジェクト名
５１４ 見積原価
５１５ 実績原価
５１６ 見積売上高
５１７ 実績売上高
５１８ プロジェクト損益情報レコード
５２１ 工程損益情報
５２２ 工程ＩＤ
５２３ 工程名
５２４ 年月
５２５ 見積原価
５２６ 実績原価
５２７ 見積売上高
５２８ 実績売上高
５２９ 月別原価
５３０ 月別売上高
５３１ 工程損益情報レコード
６１１ 訓練データ
６１２ 工程ＩＤ
６１３ 開発形態
６１４ 担当者ＩＤ
６１５ 未経験技術
６１６ 開発規模（ＫＬＯＣ）
６１７ 開発モデル
６１８ 人員負荷
６１９ 原価超過
６２１ 予測データ
６２２ 工程ＩＤ
６２３ 開発形態
６２４ 担当者ＩＤ
６２５ 未経験技術
６２６ 開発規模（ＫＬＯＣ）
６２７ 開発モデル
６２８ 人員負荷
７１１ 符号化訓練データ
７２１ 符号化予測データ
８１１ ドメイン知識
８１２ ドメイン知識ＩＤ
８１３ 要因
８１４ 条件
８１５ 対策案
Claims (6)
- 過去のプロジェクトそれぞれの内容および損益に関する各情報を保持する記憶装置と、
前記記憶装置から前記過去のプロジェクトそれぞれの前記各情報を抽出し、当該各情報のうち前記内容における予め定めた１又は複数の項目の値を説明変数、前記各情報のうち前記損益の状況を目的変数とした、前記説明変数ごとの決定木を機械学習により生成する処理と、対象プロジェクトの内容の情報のうち、前記決定木の説明変数に応じた項目の値を抽出して対応する各決定木に入力し、ランダムフォレストアルゴリズムにより、前記対象プロジェクトにおける損益に関するリスクを失敗確率として算出する処理と、前記失敗確率の算出における、前記説明変数の寄与率とその方向性を、ＳＨＡＰアルゴリズムにより算定する処理と、前記過去のプロジェクトのうち、前記対象プロジェクトとの間で、当該プロジェクトの内容の情報のうち工程に関する情報に関するマハラノビス距離と、前記寄与率及び前記方向性に関するマハラノビス距離に基づく最終距離が所定閾値以内であるものを、類似プロジェクトとして特定し、当該類似プロジェクトの情報を、所定のユーザインターフェイスに出力する処理と、
を実行する演算装置と、
を備えることを特徴とするプロジェクト予兆検知装置。 - 前記演算装置は、
前記内容における前記１又は複数の項目の値を説明変数、前記損益の状況を目的変数とした訓練データにして、失敗確率の予測モデルの機械学習を実行し、当該予測モデルを前記決定木として前記ランダムフォレストアルゴリズムによる前記失敗確率の算出を実行するものである、
ことを特徴とする請求項１に記載のプロジェクト予兆検知装置。 - 前記演算装置は、
所定のユーザインターフェイスに前記失敗確率の情報を出力する処理をさらに実行するものである、
ことを特徴とする請求項１に記載のプロジェクト予兆検知装置。 - 前記演算装置は、
前記説明変数の寄与率とその方向性の情報を、所定のユーザインターフェイスに出力する処理をさらに実行するものである、
ことを特徴とする請求項１に記載のプロジェクト予兆検知装置。 - 前記記憶装置は、
前記説明変数の寄与率とその方向性の条件と、当該条件において前記失敗確率を低減するために必要な対策案とを対応付けた情報をさらに保持し、
前記演算装置は、
前記算定した前記寄与率とその方向性を前記条件に照合して、前記対策案を特定し、当該対策案を、所定のユーザインターフェイスに出力する処理をさらに実行するものである、
ことを特徴とする請求項１に記載のプロジェクト予兆検知装置。 - 情報処理装置が、
過去のプロジェクトそれぞれの内容および損益に関する各情報を保持する記憶装置を備えて、
前記記憶装置から前記過去のプロジェクトそれぞれの前記各情報を抽出し、当該各情報のうち前記内容における予め定めた１又は複数の項目の値を説明変数、前記各情報のうち前記損益の状況を目的変数とした、前記説明変数ごとの決定木を機械学習により生成する処理と、対象プロジェクトの内容の情報のうち、前記決定木の説明変数に応じた項目の値を抽出して対応する各決定木に入力し、ランダムフォレストアルゴリズムにより、前記対象プロジェクトにおける損益に関するリスクを失敗確率として算出する処理と、前記失敗確率の算出における、前記説明変数の寄与率とその方向性を、ＳＨＡＰアルゴリズムにより算定する処理と、前記過去のプロジェクトのうち、前記対象プロジェクトとの間で、当該プロジェクトの内容の情報のうち工程に関する情報に関するマハラノビス距離と、前記寄与率及び前記方向性に関するマハラノビス距離に基づく最終距離が所定閾値以内であるものを、類似プロジェクトとして特定し、当該類似プロジェクトの情報を、所定のユーザインターフェイスに出力する処理を実行する、
ことを特徴とするプロジェクト予兆検知方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020135620A JP7488718B2 (ja) | 2020-08-11 | 2020-08-11 | プロジェクト予兆検知装置及びプロジェクト予兆検知方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020135620A JP7488718B2 (ja) | 2020-08-11 | 2020-08-11 | プロジェクト予兆検知装置及びプロジェクト予兆検知方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022032115A JP2022032115A (ja) | 2022-02-25 |
| JP7488718B2 true JP7488718B2 (ja) | 2024-05-22 |
Family
ID=80349670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020135620A Active JP7488718B2 (ja) | 2020-08-11 | 2020-08-11 | プロジェクト予兆検知装置及びプロジェクト予兆検知方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7488718B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7544794B2 (ja) | 2022-12-06 | 2024-09-03 | 株式会社日立社会情報サービス | 情報処理装置および情報処理方法 |
| JP7367253B1 (ja) * | 2023-05-26 | 2023-10-23 | 株式会社日立社会情報サービス | 情報処理装置および情報処理方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014203228A (ja) | 2013-04-04 | 2014-10-27 | 三菱電機株式会社 | プロジェクト管理支援システム |
| JP2014235654A (ja) | 2013-06-04 | 2014-12-15 | 株式会社東芝 | リスク評価装置 |
| JP2019148973A (ja) | 2018-02-27 | 2019-09-05 | 株式会社日立ソリューションズ・クリエイト | プロジェクト評価装置、プロジェクト評価方法、及びプロジェクト評価プログラム |
| JP2019194818A (ja) | 2018-05-02 | 2019-11-07 | 株式会社野村総合研究所 | ソフトウェア不具合予測装置 |
| JP2020091843A (ja) | 2018-10-19 | 2020-06-11 | オラクル・インターナショナル・コーポレイション | プロジェクト加速の自動評価 |
-
2020
- 2020-08-11 JP JP2020135620A patent/JP7488718B2/ja active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014203228A (ja) | 2013-04-04 | 2014-10-27 | 三菱電機株式会社 | プロジェクト管理支援システム |
| JP2014235654A (ja) | 2013-06-04 | 2014-12-15 | 株式会社東芝 | リスク評価装置 |
| JP2019148973A (ja) | 2018-02-27 | 2019-09-05 | 株式会社日立ソリューションズ・クリエイト | プロジェクト評価装置、プロジェクト評価方法、及びプロジェクト評価プログラム |
| JP2019194818A (ja) | 2018-05-02 | 2019-11-07 | 株式会社野村総合研究所 | ソフトウェア不具合予測装置 |
| JP2020091843A (ja) | 2018-10-19 | 2020-06-11 | オラクル・インターナショナル・コーポレイション | プロジェクト加速の自動評価 |
Non-Patent Citations (1)
| Title |
|---|
| 横井 直明，ＡＩの予測結果に対する納得度を高める予測根拠解釈支援技術の提案，電子情報通信学会技術研究報告 Ｖｏｌ．１１８ Ｎｏ．５１２ IEICE Technical Report，日本，一般社団法人電子情報通信学会 The Institute of Electronics,Information and Communication Engineers，2019年03月10日，第118巻，pp61-66 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2022032115A (ja) | 2022-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6988090B2 (en) | Prediction analysis apparatus and program storage medium therefor | |
| US20210311980A1 (en) | System to determine a credibility weighting for electronic records | |
| US11158003B1 (en) | Methods and systems for improving the underwriting process | |
| JP7488718B2 (ja) | プロジェクト予兆検知装置及びプロジェクト予兆検知方法 | |
| KR101856478B1 (ko) | 인사데이터의 분석을 통한 특정행위 발생 예측방법 및 예측프로그램 | |
| US20140365403A1 (en) | Guided event prediction | |
| Kumar et al. | Modeling using K-means clustering algorithm | |
| US10884903B1 (en) | Automatic production testing and validation | |
| Sudhamathy et al. | Analytics using R for predicting credit defaulters | |
| US8170967B2 (en) | Knowledge base comprising executable stories | |
| Jolly et al. | Understanding and implementing machine learning models with dummy variables with low variance | |
| US11403711B1 (en) | Method of evaluating heuristics outcome in the underwriting process | |
| Khramov | Robotic and machine learning: how to help support to process customer tickets more effectively | |
| JP2020173742A (ja) | 情報処理装置、情報処理方法及びプログラム | |
| Singh et al. | Empirical study to predict the understandability of requirements schemas of data warehouse using requirements metrics | |
| US9892462B1 (en) | Heuristic model for improving the underwriting process | |
| Mutasim et al. | Impute Missing Values in R Language using IBK Classification Algorithm | |
| Rahman et al. | Review and Empirical Analysis of Software Effort Estimation | |
| Al-Messabi et al. | Exploring the Potential of Analytical Models in Heart Disease Prediction | |
| CN117150245B (zh) | 一种企业智能诊断信息生成方法、装置、设备和存储介质 | |
| Dave et al. | An Efficient Framework for Cost and Effort Estimation of Scrum Projects | |
| Chauhan | Prediction of Employee Turnover based on Machine Learning Models | |
| JP7571051B2 (ja) | 訪問予測 | |
| JP7554730B2 (ja) | 情報処理装置および情報処理方法 | |
| Hashemi et al. | A Markov-Based Economic Recession Modeling Through Financial Outcomes: Before and During the COVID-19 Pandemic |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230126 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231212 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231213 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240117 |
|
| 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: 20240430 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240510 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7488718 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |