JPWO2018042646A1 - 分析システム及び分析方法 - Google Patents

Abstract

分析システムであって、分析対象の作業実績を含む第一の作業実績データを取得する取得部と、作業実績が記録されていない実績未管理時間を、前記第一の作業実績データから抽出し、前記抽出された実績未管理時間の属性情報を取得する算出部と、前記取得した属性情報を用いて、前記実績未管理時間を分類するための実績未管理時間分類属性を生成する分類部と、分析対象でない作業実績を含む第二の作業実績データを取得し、前記生成された実績未管理時間分類属性に従って前記第二の作業実績データを分類し、実績未管理時間分類属性ごとに作業を推定するための確率モデルを生成するモデル生成部と、を有し、前記分類部は、前記生成された確率モデルを用いて前記第一の作業実績データを分析し、前記第一の作業実績データに含まれる実績未管理時間における作業を推定することを特徴とする。

Description

本発明は、作業を分析する分析システムに関する。

工場や倉庫等、複数人の作業者が連携して様々な作業を行っている作業環境では、作業者が手待ちになり無駄な時間が発生している場合がある。そのため、作業内容や作業者の状態を管理し、誰が、いつ、何の作業を行っているかの把握が重要である。

本技術分野の背景技術として、以下の先行技術がある。特許文献１（米国特許第８９７２２７６号明細書）には、作業負荷を評価する手法の過程で、誰が、いつ、何の作業を行っているかの情報を取得している。

米国特許第８９７２２７６号明細書

作業には直接的に成果を生じる作業（直接作業）と、直接的には成果を生じないが必要な作業（間接作業）の２種類に大別できる。多くの場合、直接作業の実績データは収集され、管理されているが、間接作業のデータを収集し管理するケースは少ない。また、間接作業は種類が多く、かつ計画外に発生する場合があるため、予め全ての間接作業を想定し、間接作業の実績データの収集は困難である。

作業実績データを分析することによって、実績が残されている直接作業は把握できる。一方、実績が残されていない間接作業については作業者の状態が不明な時間帯がある。また、センサやカメラを導入しても、データの解釈に人手を要するため、作業者の実態の自動的な把握は困難である。

しかし、前述した特許文献１に記載された技術では、評価対象の作業は全ての実績データが揃っている必要がある。

そこで、本発明では、作業実績データ等を用いて、作業実績が記録されていない時間帯の作業内容を推定する。

本願において開示される発明の代表的な一例を示せば以下の通りである。すなわち、分析システムであって、プログラムを実行するプロセッサと、前記プロセッサがアクセスする記憶装置とを備え、分析対象の作業実績を含む第一の作業実績データを取得する取得部と、作業実績が記録されていない実績未管理時間を、前記第一の作業実績データから抽出し、前記抽出された実績未管理時間の属性情報を取得する算出部と、前記取得した属性情報を用いて、前記実績未管理時間を分類するための実績未管理時間分類属性を生成する分類部と、分析対象でない作業実績を含む第二の作業実績データを取得し、前記生成された実績未管理時間分類属性に従って前記第二の作業実績データを分類し、実績未管理時間分類属性ごとに作業を推定するための確率モデルを生成するモデル生成部と、を有し、前記分類部は、前記生成された確率モデルを用いて前記第一の作業実績データを分析し、前記第一の作業実績データに含まれる実績未管理時間における作業を推定する。

本発明の一態様によれば、作業実績データとして記録されていない作業を推定できる。前述した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。

第一の実施例のシステムの構成を示す図である。 第一の実施例のシステムを構成するサーバの物理的な構成を示すブロック図である。 作業実績データベースの構成例を示す図である。 作業関連データベースの構成例を示す図である。 拠点情報データベースの構成例を示す図である。 第一の実施例の処理手順のフローチャートである。 第一の実施例の実績未管理時間属性データの構成例を示す図である。 第一の実施例の作業推定確率モデル生成処理の詳細を示すフローチャートである。 第一の実施例の実績未管理時間分類結果の構成例を示す図である。 第一の実施例の実績未管理時間分類属性の構成例を示す図である。 第一の実施例の作業推定確率モデルの構成例を示す図である。 作業の推定結果を出力する画面の例を示す図である。 作業の推定結果を出力する画面の例を示す図である。 作業の推定結果を出力する画面の例を示す図である。 作業の推定結果を出力する画面の例を示す図である。 第二の実施例の作業推定確率モデル生成処理の詳細を示すフローチャートである。 第二の実施例の実績未管理時間分類属性の構成例を示す図である。 第二の実施例の作業推定確率モデルの構成例を示す図である。 第三の実施例の作業推定確率モデル生成処理の詳細を示すフローチャートである。 第三の実施例の実績未管理時間分類属性の構成例を示す図である。 第三の実施例の作業推定確率モデルの構成例を示す図である。 第四の実施例の作業推定確率モデル生成処理の詳細を示すフローチャートである。 第四の実施例の作業推定確率モデルの構成例を示す図である。 第五の実施例の処理手順のフローチャートである。

＜第一の実施例＞
本発明の第一の実施例では、利用者のリクエストに応じて、ある拠点及び期間における全作業者の実績未管理時間の作業を各実績未管理時間の前後の作業内容から推定する処理を説明する。第一の実施例では、例えば、前後の作業が異なる場合に行われる段取り作業や切替え作業など、前後作業が特徴的な作業を推定できる。

図１Ａは、第一の実施例のシステムの構成を示す図である。

第一の実施例のシステムの構成は、情報管理サーバ１１００と、計算サーバ１２００と、計算機１３００とで構成される。計算サーバ１２００と情報管理サーバ１１００と計算機１３００とはネットワーク１４００を介して接続される。計算サーバ１２００は、実績が記録されていない時間帯の作業及び状態を推定するための計算処理を実行する。情報管理サーバ１１００は、計算サーバ１２００での処理に必要なデータを管理する。計算機１３００は、利用者が分析・可視化結果を閲覧したり入力するためのユーザインタフェースを提供する。なお、情報管理サーバ１１００及び計算サーバ１２００は一つのサーバで構成してもよい。

情報管理サーバ１１００は、作業実績データベース１１０１と、作業関連データベース１１０２と、拠点情報データベース１１０３とを有する。情報管理サーバ１１００は、図１Ｂで後述するように、補助記憶装置３を有し、各データベースを補助記憶装置３に格納する。情報管理サーバ１１００が格納するデータは、計算機１３００から入力されたものでも、他のシステムから取得したものでもよい。

作業実績データベース１１０１は、工場や倉庫等の作業実績データを格納する。作業関連データベース１１０２は、作業者の動きや位置などの作業実績データ以外で作業の過程で生成される作業関連データを格納する。拠点情報データベース１１０３は、工場や倉庫等の設備や、業務内容や、取扱い製品や商品や、作業者など拠点情報データを格納する。なお、本実施例において、作業を行う主体は作業者として説明するが、複数種類の作業を行う機械（例えば、ロボット）でもよい。また、作業は、倉庫で行われるピッキング作業や、工場で行われる製造作業を主とするが、オフィスで行われる事務作業でもよい。

計算サーバ１２００は、実績情報取得部１２０１と、実績未管理時間算出部１２０２と、実績未管理時間分類部１２０３と、作業推定確率モデル生成部１２０４と、分析・可視化結果出力部１２０５を有する。計算サーバ１２００は、図１Ｂで後述するように、プログラムを実行するプロセッサ１を有し、プロセッサが所定のプログラムを実行することによって各部が機能する。

実績情報取得部１２０１は、情報管理サーバ１１００から特定の拠点の作業実績である第一の作業実績データを取得する。実績未管理時間算出部１２０２は、第一の作業実績データから各作業者の実績がなく未管理となっている実績未管理時間と、前記実績未管理時間の時間帯や作業者の役割や位置等の実績未管理時間属性とを取得する。実績未管理時間分類部１２０３は、取得した実績未管理時間属性から実績未管理時間を分類するための実績未管理時間分類属性を生成して、実績未管理時間を分類する。作業推定確率モデル生成部１２０４は、情報管理サーバ１１００から実績未管理時間分類属性が一致する、他拠点を含めた、作業実績である第二の作業実績データを取得し、第二の作業実績データから実績未管理時間分類属性ごとに作業を推定する作業推定確率モデルを生成する。分析・可視化結果出力部１２０５は、第一の作業実績データと作業推定確率モデルとを用いて作業を推定し、実績未管理時間のデータを分析し、その結果を可視化する。

計算機１３００は、利用者へ情報を提示したり、利用者がリクエスト等を入力する。計算機１３００は、プログラムを実行するプロセッサ（ＣＰＵ）、プログラムやデータを格納する記憶装置、ユーザインタフェース（キーボード、マウス、タッチパネル，ディスプレイ、プリンタなど）及び通信インタフェースを有する計算機によって構成される。計算機１３００では、ユーザインタフェースを提供するウェブブラウザが動作しても、専用プログラムが動作してもよい。

図１Ｂは、第一の実施例のシステムを構成するサーバの物理的な構成を示すブロック図である。なお、図１Ｂでは、計算サーバ１２００について説明するが、情報管理サーバ１１００も同じ構成でよい。

本実施例の計算サーバ１２００は、プロセッサ（ＣＰＵ）１、メモリ２、補助記憶装置３及び通信インタフェース４を有する計算機によって構成される。

プロセッサ１は、メモリ２に格納されたプログラムを実行する。メモリ２は、不揮発性の記憶デバイスであるＲＯＭ及び揮発性の記憶デバイスであるＲＡＭを含む。ＲＯＭは、不変のプログラム（例えば、ＢＩＯＳ）などを格納する。ＲＡＭは、ＤＲＡＭ（Dynamic Random Access Memory）のような高速かつ揮発性の記憶デバイスであり、プロセッサ１が実行するプログラム及びプログラムの実行時に使用されるデータを一時的に格納する。

補助記憶装置３は、例えば、磁気記憶装置（ＨＤＤ）、フラッシュメモリ（ＳＳＤ）等の大容量かつ不揮発性の記憶デバイスによって構成され、プロセッサ１が実行するプログラム及びプログラムの実行時に使用されるデータを格納する。すなわち、プログラムは、補助記憶装置３から読み出されて、メモリ２にロードされて、プロセッサ１によって実行される。

通信インタフェース４は、所定のプロトコルに従って、他の装置（計算機１０２など）との通信を制御するネットワークインタフェース装置である。

計算サーバ１２００は、入力インタフェース５及び出力インタフェース８を有してもよい。入力インタフェース５は、キーボード６やマウス７などが接続され、管理者からの入力を受けるインタフェースである。出力インタフェース８は、ディスプレイ装置９やプリンタなどが接続され、計算サーバ１２００の状態やプログラムの実行結果を管理者が視認可能な形式で出力するインタフェースである。

プロセッサ１が実行するプログラムは、リムーバブルメディア（ＣＤ−ＲＯＭ、フラッシュメモリなど）又はネットワークを介して計算サーバ１２００に提供され、非一時的記憶媒体である不揮発性の補助記憶装置３に格納される。このため、計算サーバ１２００は、リムーバブルメディアからデータを読み込むインタフェースを有するとよい。

計算サーバ１２００は、物理的に一つの計算機上で、又は、論理的又は物理的に構成された複数の計算機上で構成される計算機システムであり、複数の物理的計算機資源上に構築された仮想計算機上で動作してもよい。また、計算サーバ１２００上で実行されるプログラムは、同一の計算機上で別個のスレッドで動作してもよい。

また、計算サーバ１２００において、プログラムによって実装される機能ブロックの全部又は一部は、物理的な集積回路（例えば、Field-Programmable Gate Array）等によって構成されてもよい。

図２は、作業実績データベース１１０１の構成例を示す図である。

作業実績データベース１１０１が格納する作業実績データは、作業者、前作業、作業内容、後作業、作業時刻、作業が行われた拠点の番号、作業の対象である取扱品、当該取扱品の数量などの情報を記録したデータで、現場管理者が作業進捗を把握したり、作業の証拠として取引先や顧客に提示するために記録される。作業内容は、作業者が行った作業の内容であるが、昼休み、朝礼などの複数の作業者が同時に行う行為や、作業を行っていないこと（作業無し）も含む。作業時刻は、作業終了時刻でも、作業開始時刻でも、作業開始時刻と作業終了時刻との両方でも、作業中の任意の時刻でもよい。取扱品及び数量は、例えば、倉庫内の作業であれば、移動した物品の品番及び数量であり、工場内の作業であれば、加工した物品の品番及び数量である。なお、作業実績データベース１１０１では、最低限、作業者、作業内容及び作業時刻が記録されていればよい。

図３は、作業関連データベース１１０２の構成例を示す図である。

作業関連データベース１１０２が格納する作業関連データは、作業実績データとして管理されないが作業の過程で生成されるデータ等の作業に関連するデータである。例えば図３では、作業における位置や動作などのセンシングデータを例示する。例えば、位置のセンシングデータは作業者の倉庫、工場内の位置データであり、動作のセンシングデータは加速度データであり、作業中の作業者の動き（行動）を記録する。この他に、作業関連データは、設備のログデータ（例えば、加工機の稼働状況）等も含んでもよい。

なお、作業実績データを作業関連データとは、厳密に区別できるものではなく、本システムで記録される作業において、作業実績として把握すべきデータが作業実績データベース１１０１に格納される。

図４は、拠点情報データベース１１０３の構成例を示す図である。

拠点情報データベース１１０３が格納する拠点情報は、各拠点で取り扱う商品・製品の種類や導入されている設備など、拠点ごとの特徴や基本的な属性情報を記録しているデータである。拠点データは、例えば、当該作業の対象である取扱品、及び当該拠点に設置され稼動している設備のデータを含み、拠点の類似度を判定するために使用される。

取扱品は、取り扱いに特に注意を要する物品（例えば、衝撃を与えてはならない化学品、処方の誤りが重大な影響を生じる医薬品など）を区別するために記録される。これらの特に注意を要する物品は、通常の物品より作業の時間が長くなる。設備は、当該設備が当該拠点に設置されており、稼動しているかを示し、例えば仕分け作業の自動化設備が導入されているかが分かる。

拠点情報は、拠点（例えば、倉庫）同士の作業を比較する際に使用され、拠点の属性情報の一致又は類似によって比較対象の拠点が決定される。

また、図示を省略するが、情報管理サーバ１１００が、作業者の情報（実施可能な作業、操作可能な装置、主担当作業）を含む作業者データベースを格納してもよい。

図５は、第一の実施例の処理手順のフローチャートである。図５に示す処理は、計算サーバ１２００のプロセッサ１が実行する。

まず、実績情報取得部１２０１は、利用者による分析リクエストと分析の条件（対象拠点・期間等）を受信する（５００１）。実績情報取得部１２０１が受信する分析リクエストは、分析の条件（例えば、拠点、期間、作業者など）を含む。分析リクエストは、全データを対象とするものでもよい。

次に、実績情報取得部１２０１は、受信した分析リクエストに含まれる分析の条件に応じて、情報管理サーバ１１００の作業実績データベース１１０１から作業実績データを、作業関連データベース１１０２から作業関連データを、拠点情報データベース１１０３から拠点情報データを取得する（５００２）。

そして、実績未管理時間算出部１２０２は、取得した作業実績データから、各作業者において就業時間内で一定時間以上実績が記録されていない実績未管理時間を算出し、実績未管理時間に関する属性である実績未管理時間属性を取得する（５００３）。

図６は、実績未管理時間属性データの構成例を示す図である。なお、図６に示す実績未管理時間属性データは例示であって、実績未管理時間属性データが、図示した項目以外を含んでもよい。また、実績未管理時間属性データは、時間帯を特定するデータと作業者情報を含めば、図示した項目の一部を含まなくてもよい。

実績未管理時間属性は、例えば、実績未管理時間の時間帯を特定する開始時刻及び終了時刻、作業者情報、当該作業者が実績未管理時間の前及び後に行った作業実績データに記録されている作業の情報、実績未管理時間における作業関連データ（作業エリア内の位置データ、作業者の動作）の情報、拠点情報データに記載されている拠点での取扱商品や設備情報等である。なお、役割として、当該作業者の主担当作業を前述した作業者データベースから取得してもよい。

そして、作業推定確率モデル生成部１２０４は、実績未管理時間分類属性を設定し、実績未管理時間分類属性と一致する属性を有する作業実績データから作業推定確率モデルを生成する（５００４）。

図７は、作業推定確率モデル生成処理の詳細を示すフローチャートである。

まず、作業推定確率モデル生成部１２０４は、実績未管理時間分類属性を設定し、実績未管理時間分類結果を生成する（７００１）。

ここで、前作業及び後作業を実績未管理時間分類属性に設定した例を説明する。例えば、まず、図９に例示するように、前作業及び後作業が実績未管理時間分類属性に設定された実績未管理時間分類属性データを生成する。具体的には、実績未管理時間分類属性に設定された前作業と後作業の組について、作業実績データベース１１０１から全ての組み合わせを抽出し、実績未管理時間分類属性データに記録する。なお、実績未管理時間分類属性は、本システムの利用者が入力した定義を記録してもよい。なお、図９に示す実績未管理時間分類属性データの３番目のレコードは、前作業が作業Ｂであることが規定されているが、後作業は何でもよいことを示す。

そして、図８に例示するように、実績未管理時間分類結果を生成する。具体的には、実績未管理時間属性データの各レコードについて、実績未管理時間分類属性（前作業、後作業）と実績未管理時間属性データの当該項目とを比較し、各実績未管理時間に実績未管理時間分類属性で定義された分類を割り当てる。

ステップ７００１によって、実績未管理時間の前後で作業者が行っていた作業をキーにして実績未管理を分類できる。

次に、作業推定確率モデル生成部１２０４は、実績未管理時間分類属性と属性が一致する、全ての拠点の作業実績データ及び当該作業実績データに関連する作業関連データ及び拠点データを取得する。そして、取得した作業実績データから実績未管理時間分類属性ごとに作業を推定する作業推定確率モデルを生成する（７００２）。

作業推定確率モデルは、図１０に例示するように、実績未管理時間分類属性の組み合わせに対応して、推定される作業及び推定される確率が定められる。具体的には、実績未管理時間分類結果の分類ごとに、当該前作業と当該後作業との間で行われていた中間作業を抽出し、作業推定確率モデルに推定作業を記録する。さらに、分類属性及び推定される作業の組み合わせごとに抽出された数を集計して、抽出された全推定作業の数で除した値を、当該中間作業である推定確率として記録する。

なお、前作業との間の時間が所定値（例えば１０分）を超える作業実績データを除外し、後作業との間の時間が所定値（例えば１０分）を超える作業実績データを除外するフィルタリングをしたデータを取得してもよい。これは、記録されている作業と前作業との間の時間や後作業との間の時間が長い場合、当該時間は未管理時間であり、別の作業が行われている可能性があるからである。

また、全ての拠点の作業実績データの代わりに、全ての作業を含むモデル拠点のデータを取得してもよい。モデル拠点は、現実に作業者が作業を行っている拠点でも、作業がシミュレーションされた仮想の拠点でもよい。

なお、作業実績データベース１１０１が作業時間（又は、開始時刻と終了時刻）を記録している場合、実績未管理時間の時間幅と作業実績データの作業時間とを照合して、推定作業及び推定確率を決定してもよい。

次に、作業推定確率モデル生成部１２０４は、作成した作業推定確率モデルに問題があるかを判定する（７００３）。作成した作業推定確率モデルに問題がある場合、不適切な実績未管理時間分類属性を用いて実績未管理時間を分類したので、実績未管理時間分類属性を再設定し（７００４）、ステップ７００２に戻る。

例えば、属性の指定が大まかである場合は、一つの実績未管理時間分類属性に対応する作業実績データの種類が多くなり、作業推定確率モデルの各推定結果の推定確率が大きくなる。この場合、作業推定確率モデルの信頼性が低く、作業推定確率モデルに問題があると判定されるので、実績未管理時間分類属性の項目数を増やすとよい（例えば、前作業と後作業を属性に設定していた場合、さらに作業者の役割や期間を追加する等）。一方、属性の指定が細かい場合は、一つの実績未管理時間分類属性に対応する作業実績データが少なくなり（又は、存在しない）、作業推定確率モデルの各推定結果の推定確率が小さくなる。この場合、作業推定確率モデルの信頼性が低く、作業推定確率モデルに問題があると判定されるので、実績未管理時間分類属性の項目数を減らすとよい。

なお、所定回数試行しても作業推定確率モデルに問題があると判定される場合、有用な作業推定確率モデルが生成できなかったエラーを利用者に通知して、処理を終了してもよい。

このように、作業推定確率モデルを評価し、作業推定確率モデルが不適切な場合は、再作成するので、作業実績データとして記録されていない作業を高精度で推定できる。

一方、作成した作業推定確率モデルに問題がない場合、作業推定確率モデル生成処理を終了し、図５のステップ５００５へ進む。

ステップ５００５では、実績未管理時間分類部１２０３は、作成した作業推定確率モデルを用いて各実績未管理時間に作業を推定し、推定された作業（推定作業）を各実績未管理時間に関連付ける。例えば、前作業及び後作業が同じ作業のうち推定確率が最も高い推定作業を、当該実績未管理時間に行われていた作業であると推定する。

分析・可視化結果出力部１２０５は、ステップ５００２で取得した第一の作業実績データと、推定作業が関連付けられた実績未管理時間の情報に基づいて、実績未管理時間の情報に基づいて、分析結果を可視化するためのデータを生成し、生成したデータを計算機１３００に出力する（５００６）。

図１１から図１４は、作業の推定結果を出力する画面の例を示す図である。図１１に例示するように、作業者と作業内容を対応付けて時系列に表示してもよい。この画面によると、誰が、何時、何の作業を行っていたかを可視化できる。図１１に示す画面において、実績未管理時間に行われていたと推定される作業を一つ表示してもよく、複数の候補を推定確率と共に表示してもよい。また、実績未管理時間を表示するために複数の態様（色や模様）を準備して、複数の態様の各々を推定された作業内容に割り当てて、推定作業を可視化してもよい。

また、図１２に例示するように、時間帯ごとに各作業（推定作業を含めてもよい）に要した時間を集計して時系列に表示してもよい。表示される作業は一人の分でも、特定のグループの分でも、全員の分でもよい。この画面によると、各時間帯で行われていた作業の割合を可視化でき、主に行われていた作業を知ることができる。

また、図１３に例示するように、作業が推定される確率と実績未管理時間の量を表示してもよい。この画面において、横軸は、実績未管理時間分類属性ごとの合計時間である。この画面によると、各作業が推定される確率を可視化できる。

さらに、図１４に例示するように、推定結果を修正するインタフェースを設けてもよい。例えば、各作業の時間帯を指定して、推定が正しいか誤っているかを選択する。誤っている場合は、正しい作業内容を入力できる入力欄が設けられている。このインタフェースは推定結果の修正や、作業が推定できなかった場合に、利用者が作業内容を入力できる。

図１４に示すインタフェースに利用者が入力すると、分析・可視化結果出力部１２０５が、利用者の入力を受信する（５００７）。

その後、実績未管理時間分類部１２０３は、受信した入力データを用いて実績未管理時間の作業実績データを修正及び生成し、所定の形式に変換して、作業実績データベース１１０１に格納する（５００８）。このため、誤った作業実績データを修正でき、正しい作業実績を作業実績データベース１１０１に格納できる。

以上に説明したように、本発明の第一の実施例では、作業実績データとして記録されていない作業を推定できる。

＜第二の実施例＞
本発明の第二の実施例では、利用者のリクエストに応じて、ある拠点及び期間における全作業者の実績未管理時間の作業を同時刻の作業実績から推定する。これによって実績未管理時間の作業や状態として、例えば、設備不良や申告漏れ等によって、欠落している作業実績を推定できる。

なお、第二の実施例では、第一の実施例と同じ構成及び機能には同じ符号を付し、それらの説明は省略する。例えば、第二の実施例のシステムは、図１Ａに示す第一の実施例のシステムと同じでよい。

また、第二の実施例の処理手順は、図５に示す第一の実施例と同様であるが、作業推定確率モデル生成処理（５００４）が第一の実施例と異なる。図１５を参照して、第二の実施例の作業推定確率モデル生成処理を説明する。

まず、作業推定確率モデル生成部１２０４は、実績未管理時間の発生時刻を実績未管理時間分類属性に設定する（１５００１）。なお、実績未管理時間の発生時刻は、５分、１０分、３０分、１時間等の単位で抽象化して、時間帯に分類してもよい。

次に、作業推定確率モデル生成部１２０４は、他の実績未管理時間属性を実績未管理時間分類属性に設定し、実績未管理時間分類結果を生成する（１５００２）。ステップ１５００２で設定される実績未管理時間分類属性は、処理１５００１で設定された実績未管理時間分類属性の他、作業者の役割、作業拠点における位置などである。

ここで、実績未管理時間が発生した時間帯及び作業者の役割を実績未管理時間分類属性に設定した例を説明する。例えば、図１６に例示するように、実績未管理時間発生時間帯及び作業者の役割が実績未管理時間分類属性に設定された実績未管理時間分類属性データを生成する。具体的には、実績未管理時間分類属性に設定された時間帯と役割の組について、作業実績データベース１１０１から全ての組み合わせを抽出し、実績未管理時間分類属性データに記録する。なお、実績未管理時間分類属性は、本システムの利用者が入力した定義を記録してもよい。

そして、実績未管理時間分類結果（図示省略）を生成する。具体的には、実績未管理時間属性データの各レコードについて、実績未管理時間分類属性（時間帯、役割）と実績未管理時間属性データの当該項目とを比較し、各実績未管理時間に実績未管理時間分類属性で定義された分類を割り当てる。

その後、作業推定確率モデル生成部１２０４は、実績未管理時間分類属性と属性が一致する、同じ拠点の作業実績データ及び当該作業実績データに関連する作業関連データ及び拠点データを取得する。そして、取得した作業実績データから実績未管理時間分類属性ごとに作業を推定する作業推定確率モデルを生成する（１５００３）。

作業推定確率モデルでは、図１７に例示するように、実績未管理時間分類属性の組み合わせに対応して、推定される作業及び推定される確率が定められる。具体的には、実績未管理時間分類結果の分類ごとに、当該時間帯において当該役割を有する作業者が行っている作業を抽出し、作業推定確率モデルに推定作業を記録する。さらに、分類属性及び推定される作業の組み合わせごとに抽出された数を集計して、抽出された全推定作業の数で除した値を、当該作業の推定確率として記録する。

なお、同じ拠点の作業実績データに加えて、他の拠点のデータを取得してもよい。他の拠点は、分析対象の拠点と類似している拠点（特に、時間帯による作業が類似している拠点）が望ましい。

次に、作業推定確率モデル生成部１２０４は、作成した作業推定確率モデルに問題があるかを判定する（１５００４）。作成した作業推定確率モデルに問題がある場合、不適切な実績未管理時間分類属性を用いて実績未管理時間を分類したので、実績未管理時間分類属性を再設定し（１５００５）、ステップ１５００３に戻る。

例えば、属性の指定が大まかである場合は、一つの実績未管理時間分類属性データに対応する作業実績データが多くなり、作業推定確率モデルの各推定結果の推定確率が大きくなる。この場合、作業推定確率モデルの信頼性が低く、作業推定確率モデルに問題があると判定されるので、実績未管理時間分類属性の項目数を増やすとよい（例えば、時間帯のみを属性に設定していた場合、さらに作業者の役割を追加する等）。一方、属性の指定が細かい場合は、一つの実績未管理時間分類属性に対応する作業実績データが少なくなり（又は、存在しない）、作業推定確率モデルの各推定結果の推定確率が小さくなる。この場合、作業推定確率モデルの信頼性が低く、作業推定確率モデルに問題があると判定されるので、実績未管理時間分類属性の項目数を減らすとよい。

なお、所定回数試行しても作業推定確率モデルに問題があると判定される場合、有用な作業推定確率モデルが生成できなかったエラーを利用者に通知して、処理を終了してもよい。

一方、作成した作業推定確率モデルに問題がない場合、作業推定確率モデル生成処理を終了し、図５のステップ５００５へ進む。ステップ５００４以外の処理は、前述した第一の実施例と同じである。

以上に説明したように、本発明の第二の実施例では、実績未管理時間において欠落している作業実績を推定できる。特に、複数の作業者が同じ時間帯に同じ作業を行っている拠点において、他の作業者の作業実績から、記録されなかった作業を適切に推定できる。

＜第三の実施例＞
本発明の第三の実施例では、利用者のリクエストに応じて、ある拠点及び期間における全作業者の実績未管理時間の作業を同時刻における他の実績未管理時間の発生傾向から推定する。これによって実績未管理時間の作業や状態として、例えば、複数人が同時に行う作業（昼休み、朝礼など）を推定できる。

なお、第三の実施例では、第一の実施例と同じ構成及び機能には同じ符号を付し、それらの説明は省略する。例えば、第三の実施例のシステムは、図１Ａに示す第一の実施例のシステムと同じでよい。

また、第三の実施例の処理手順は、図５に示す第一の実施例と同様であるが、作業推定確率モデル生成処理（５００４）が第一の実施例と異なる。図１８を参照して、第三の実施例の作業推定確率モデル生成処理を説明する。

まず、作業推定確率モデル生成部１２０４は、実績未管理時間の発生時刻を比較し、同時間帯に発生している実績未管理時間を纏めて実績未管理時間分類結果を生成する。当該実績未管理時間分類結果では、共起性及び発生時間帯を実績未管理時間分類属性に設定する（１８００１）。なお、発生時刻は５分、１０分、３０分、１時間等の単位で抽象化して、時間帯に分類してもよい。なお、時間帯の他に作業者の役割や作業拠点における位置などを実績未管理時間分類属性に設定してもよい。作業者の役割や拠点内の配置場所によって共起する作業が異なる場合に有効である。

また、時間帯を使用せず、共起情報だけを実績未管理時間分類属性に設定してもよい。例えば、時間帯によらず、共起する作業が同じである場合（例えば、休憩時間）、実績未管理時間分類属性を減らして処理を簡素化できる。一方、時間帯及び共起情報を実績未管理時間分類属性に設定すると、時間帯によって共起する作業が異なる場合（例えば、非理休み、朝礼）、実績未管理時間の作業内容を正確に推定できる。

実績未管理時間分類属性として、例えば、図１９に例示するように、実績未管理時間発生時間帯及び共起情報が実績未管理時間分類属性に設定された実績未管理時間分類属性データを生成する。具体的には、実績未管理時間分類属性に設定された時間帯を作業実績データベース１１０１から抽出し、実績未管理時間分類属性データに記録する。なお、実績未管理時間分類属性は、本システムの利用者が入力した定義を記録してもよい。

共起情報は、例えば、実績未管理時間が複数の作業者に共起しているかの情報（共起している場合は１、共起していない場合は０）であるが、実績未管理時間が共起している作業者の数でもよい。共起情報として複数の作業者に共起しているかを記録する場合、共起有りと判定する作業者の数の閾値を予め設定しておくとよい。

そして、実績未管理時間分類結果（図示省略）を生成する。具体的には、実績未管理時間属性データの各レコードについて、実績未管理時間分類属性（時間帯）と実績未管理時間属性データの当該項目とを比較し、各実績未管理時間に実績未管理時間分類属性で定義された分類を割り当てる。

その後、作業推定確率モデル生成部１２０４は、実績未管理時間分類属性と属性が一致する、全ての拠点の作業実績データ及び当該作業実績データに関連する作業関連データ及び拠点データを取得する。そして、取得した作業実績データから実績未管理時間分類属性ごとに作業を推定する作業推定確率モデルを生成する（１８００２）。

作業推定確率モデルでは、図２０に例示するように、実績未管理時間分類属性（時間帯）に対応して推定される作業及び推定される確率が定められる。具体的には、実績未管理時間分類結果の分類ごとに、実績未管理時間発生時間帯に行われていた作業を抽出し、共起情報によって分類して、作業推定確率モデルに推定作業を記録する。さらに、分類属性及び推定される作業の組み合わせごとに抽出された数を集計して、抽出された全推定作業の数で除した値を、当該作業の推定確率として記録する。

なお、全ての拠点の作業実績データではなく、分析対象の拠点と類似している拠点（特に、時間帯による作業が類似している拠点）のデータを取得してもよい。

次に、作業推定確率モデル生成部１２０４は、作成した作業推定確率モデルに問題があるかを判定する（１８００３）。作成した作業推定確率モデルに問題がある場合、不適切な実績未管理時間分類属性を用いて実績未管理時間を分類したので、実績未管理時間分類属性を再設定し（１８００４）、ステップ１８００２に戻る。

例えば、属性の指定が大まかである場合は、一つの実績未管理時間分類属性データに対応する作業実績データが多くなり、作業推定確率モデルの各推定結果の推定確率が大きくなる。この場合、作業推定確率モデルの信頼性が低く、作業推定確率モデルに問題があると判定されるので、実績未管理時間分類属性の項目数を増やすとよい（例えば、時間帯のみを属性に設定していた場合、さらに作業者の役割を追加する等）。一方、属性の指定が細かい場合は、一つの実績未管理時間分類属性に対応する作業実績データが少なくなり（又は、存在しない）、作業推定確率モデルの各推定結果の推定確率が小さくなる。この場合、作業推定確率モデルの信頼性が低く、作業推定確率モデルに問題があると判定されるので、実績未管理時間分類属性の項目数を減らすとよい。

なお、所定回数試行しても作業推定確率モデルに問題があると判定される場合、有用な作業推定確率モデルが生成できなかったエラーを利用者に通知して、処理を終了してもよい。

一方、作成した作業推定確率モデルに問題がない場合、作業推定確率モデル生成処理を終了し、図５のステップ５００５へ進む。ステップ５００４以外の処理は、前述した第一の実施例と同じである。

以上に説明したように、本発明の第三の実施例では、実績未管理時間において欠落している作業実績を推定できる。特に、ある拠点及び期間において複数人が同時に行う作業（昼休み、朝礼など）を推定できる。

＜第四の実施例＞
本発明の第四の実施例では、利用者のリクエストに応じて、ある拠点及び期間における全作業者の実績未管理時間の作業を実績未管理時間の発生パターンから推定する。これによって作業の発生パターン（作業者人数、時系列などの特徴）に特徴がある作業を推定できる。

なお、第四の実施例では、第一の実施例と同じ構成及び機能には同じ符号を付し、それらの説明は省略する。例えば、第四の実施例のシステムは、図１Ａに示す第一の実施例のシステムと同じでよい。

また、第四の実施例の処理手順は、図５に示す第一の実施例と同様であるが、作業推定確率モデル生成処理（５００４）が第一の実施例と異なる。図２１を参照して、第四の実施例の作業推定確率モデル生成処理を説明する。

まず、作業推定確率モデル生成部１２０４は、実績未管理時間属性から一つ以上の属性データを選択し、実績未管理時間分類属性に設定する。そして、設定された実績未管理時間分類属性に基づいて各実績未管理時間を分類し、属性が共通するグループを作成する（２１００１）。

次に、作業推定確率モデル生成部１２０４は、グループの発生パターンＡを生成する（２１００２）。発生パターンＡは、一人又は複数の作業者において時系列上で実績未管理時間が発生する特徴を指し、例えば、ある一定の時間間隔で繰り返し実績未管理時間が発生している場合や、複数人の作業者で時刻をずらして交代で実績未管理時間が発生している場合等である。複数の発生パターンＡを生成してもよい。

そして、実績未管理時間分類属性と属性が一致する、全ての拠点の作業実績データ及び当該作業実績データに関連する作業関連データ及び拠点データを取得する。そして、取得した作業実績データから各作業の発生パターンＢを生成する（２１００３）。発生パターンＢは発生パターンＡと同様に、一人又は複数作業者において時系列上で実績未管理時間が発生する特徴を指す。複数の発生パターンＢを生成してもよい。

その後、発生パターンＡと発生パターンＢとを照合し、作業推定確率モデルを生成する（２１００４）。

作業推定確率モデルでは、図２２に例示するように、実績未管理時間分類属性（時間帯、共起情報）に対応して、発生パターンごとに推定される作業及び推定される確率が定められる。具体的には、実績未管理時間分類結果の分類ごとに、実績未管理時間発生時間帯に行われていた作業を抽出し、共起情報によって分類して、作業推定確率モデルに推定作業を記録する。さらに、分類属性及び推定される作業の組み合わせごとに抽出された数を集計して、抽出された全推定作業の数で除した値を、当該作業の推定確率として記録する。

なお、全ての拠点の作業実績データではなく、分析対象の拠点と類似している拠点（特に、時系列上での作業順序が類似している拠点）のデータを取得してもよく、全ての作業を含むモデル拠点のデータを取得してもよい。モデル拠点は、現実に作業者が作業を行っている拠点でも、作業がシミュレーションされた仮想の拠点でもよい。

次に、作業推定確率モデル生成部１２０４は、作成した作業推定確率モデルに問題があるかを判定する（２１００５）。作成した作業推定確率モデルに問題がある場合、不適切な実績未管理時間分類属性を用いて実績未管理時間を分類したので、実績未管理時間分類属性を再設定し（２１００６）、ステップ２１００１に戻る。

例えば、属性の指定が大まかである場合は、発生パターンＢに対応する（一致又は類似する）作業実績データが多くなり、作業推定確率モデルの各推定結果の推定確率が大きくなる。この場合、作業推定確率モデルの信頼性が低く、作業推定確率モデルに問題があると判定されるので、実績未管理時間分類属性の項目数を増やすとよい（例えば、時間帯及び共起を属性に設定していた場合、さらに作業者の役割を追加する等）。一方、属性の指定が細かい場合は、発生パターンＢに対応する（一致又は類似する）作業実績データが少なくなり（又は、存在しない）、作業推定確率モデルの各推定結果の推定確率が小さくなる。この場合、作業推定確率モデルの信頼性が低く、作業推定確率モデルに問題があると判定されるので、実績未管理時間分類属性の項目数を減らすとよい。

なお、所定回数試行しても作業推定確率モデルに問題があると判定される場合、有用な作業推定確率モデルが生成できなかったエラーを利用者に通知して、処理を終了してもよい。

一方、作成した作業推定確率モデルに問題がない場合、作業推定確率モデル生成処理を終了し、図５のステップ５００５へ進む。ステップ５００４以外の処理は、前述した第一の実施例と同じである。

以上に説明したように、本発明の第四の実施例では、実績未管理時間において欠落している作業実績を推定できる。特に、特定のパターン（時系列や作業者人数などの特徴）で作業が発生する作業を的確に推定できる。

＜第五の実施例＞
本発明の第五の実施例では、各拠点において行われた作業の実績が作業実績データベース１１０１に格納されると、各実施例の推定処理を逐次実行し、推定された実績未管理時間の作業を作業実績データベース１１０１に格納する。これにより実績未管理時間が発生した際にアラームを報知し、その場で現場管理者や作業者の記憶が薄れないうちに実績を入力させ、実績未管理時間を減少できる。

なお、第四の実施例では、第一の実施例と同じ構成及び機能には同じ符号を付し、それらの説明は省略する。例えば、第五の実施例のシステムは、図１Ａに示す第一の実施例のシステムと同じでよい。

図２３は、第五の実施例の処理手順のフローチャートである。図２３に示す処理は、計算サーバ１２００のプロセッサ１が実行する。

まず、実績情報取得部１２０１は、分析リクエストと分析の条件（対象拠点・期間等）を受信する（２３００１）。第五の実施例では、分析リクエストは、作業実績データが生成されたタイミングで生成される。作業実績データの生成タイミングごとに分析をすると、実績未管理時間の発生をリアルタイムで分析できる。また、分析リクエストは、予め定められたタイミング（例えば、所定の時間間隔）で繰り返し生成されてもよい。所定のタイミングで分析をすると、例えば、前１時間における実績未管理時間の発生を遅滞なく分析できる。また、分析リクエストに含まれる分析の条件は、分析対象の拠点、期間（例えば、前回分析した後の期間）、作業者などである。

ステップ２３００２〜２３００３の処理は、ステップ５００２〜５００３と同じなので、説明を省略する。

その後、実績未管理時間算出部１２０２は、ステップ２３００３において実績未管理時間が算出されたかを判定する。実績未管理時間が算出されていない場合、実績未管理時間発生のアラームを報知する必要がないので、処理を終了する。一方、実績未管理時間が算出された場合、作業推定確率モデル生成部１２０４は、実績未管理時間分類属性を設定し、実績未管理時間分類属性と一致する属性を有する作業実績データから作業推定確率モデルを生成する（２３００５）。

ステップ２３００５〜２３００９の処理は、ステップ５００４〜５００８と同じなので、説明を省略する。また、作業推定確率モデル生成処理（２３００５）は、前述したいずれの実施例の処理でもよい。

以上に説明したように、本発明の第五の実施例では、実績未管理時間の作業を遅滞なく作業実績データベース１１０１に格納でき、実績未管理時間を減少できる。

なお、以上に説明した各実施例において、実績未管理時間に複数の作業を推定してもよい。例えば、前作業と後作業との間の中間作業として、複数の作業の組を推定作業として含む作業推定確率モデルを作成するとよい。また、実績未管理時間に一つの作業を推定して、推定された作業の標準的な作業時間を当該実績未管理時間に当てはめても実績未管理時間がある場合、さらなる実績未管理時間に作業を推定してもよい。

なお、本発明は前述した実施例に限定されるものではなく、添付した特許請求の範囲の趣旨内における様々な変形例及び同等の構成が含まれる。例えば、前述した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに本発明は限定されない。また、ある実施例の構成の一部を他の実施例の構成に置き換えてもよい。また、ある実施例の構成に他の実施例の構成を加えてもよい。また、各実施例の構成の一部について、他の構成の追加・削除・置換をしてもよい。

また、前述した各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等により、ハードウェアで実現してもよく、プロセッサがそれぞれの機能を実現するプログラムを解釈し実行することにより、ソフトウェアで実現してもよい。

各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に格納することができる。

また、制御線や情報線は説明上必要と考えられるものを示しており、実装上必要な全ての制御線や情報線を示しているとは限らない。実際には、ほとんど全ての構成が相互に接続されていると考えてよい。

Claims (14)

1. 分析システムであって、
   プログラムを実行するプロセッサと、前記プロセッサがアクセスする記憶装置とを備え、
   分析対象の作業実績を含む第一の作業実績データを取得する取得部と、
   作業実績が記録されていない実績未管理時間を、前記第一の作業実績データから抽出し、前記抽出された実績未管理時間の属性情報を取得する算出部と、
   前記取得した属性情報を用いて、前記実績未管理時間を分類するための実績未管理時間分類属性を生成する分類部と、
   分析対象でない作業実績を含む第二の作業実績データを取得し、前記生成された実績未管理時間分類属性に従って前記第二の作業実績データを分類し、実績未管理時間分類属性ごとに作業を推定するための確率モデルを生成するモデル生成部と、を有し、
   前記分類部は、前記生成された確率モデルを用いて前記第一の作業実績データを分析し、前記第一の作業実績データに含まれる実績未管理時間における作業を推定することを特徴とする分析システム。
2. 請求項１に記載の分析システムであって、
   前記分類部は、作業実績が記録されていない時間の前後で作業者が行っていた作業に基づいて生成された確率モデルを用いて、実績未管理時間の作業を推定することを特徴とする分析システム。
3. 請求項１に記載の分析システムであって、
   前記分類部は、実績未管理時間を含む時間帯における他の作業実績データに基づいて生成された確率モデルを用いて、実績未管理時間の作業を推定することを特徴とする分析システム。
4. 請求項１に記載の分析システムであって、
   前記分類部は、実績未管理時間の出現パターンに基づいて生成された確率モデルを用いて、実績未管理時間の作業を推定することを特徴とする分析システム。
5. 請求項１に記載の分析システムであって、
   作業実績データと実績未管理時間における推定された作業の情報とを用いて、作業者の作業内容を、作業実績データであるか推定された作業の情報であるかを区別可能に表示するためのデータを出力する可視化部を有することを特徴とする分析システム。
6. 請求項５に記載の分析システムであって、
   前記可視化部は、前記推定された作業の情報を修正する入力欄を有する表示データを出力し、利用者が入力したデータを受け、
   前記分類部は、前記利用者が入力したデータを用いて前記推定された作業の情報を修正することを特徴とする分析システム。
7. 請求項１に記載の分析システムであって、
   前記モデル生成部は、生成した確率モデルに問題がある場合、実績未管理時間分類属性を再設定して確率モデルを生成することを特徴とする分析システム。
8. 計算機が実行する分析方法であって、
   前記計算機は、プログラムを実行するプロセッサと、前記プロセッサがアクセスする記憶装置とを有し、
   前記分析方法は、
   前記プロセッサが、分析対象の作業実績を含む第一の作業実績データを取得する取得手順と、
   前記プロセッサが、作業実績が記録されていない実績未管理時間を、前記第一の作業実績データから抽出し、前記抽出された実績未管理時間の属性情報を取得する算出手順と、
   前記プロセッサが、前記取得した属性情報を用いて、前記実績未管理時間を分類するための実績未管理時間分類属性を生成する分類手順と、
   前記プロセッサが、分析対象でない作業実績を含む第二の作業実績データを取得し、前記生成された実績未管理時間分類属性に従って前記第二の作業実績データを分類し、実績未管理時間分類属性ごとに作業を推定するための確率モデルを生成するモデル生成手順と、を含み、
   前記分類手順では、前記プロセッサは、前記生成された確率モデルを用いて前記第一の作業実績データを分析し、前記第一の作業実績データに含まれる実績未管理時間における作業を推定することを特徴とする分析方法。
9. 請求項８に記載の分析方法であって、
   前記分類手順では、前記プロセッサは、作業実績が記録されていない時間の前後で作業者が行っていた作業に基づいて生成された確率モデルを用いて、実績未管理時間における作業を推定することを特徴とする分析方法。
10. 請求項８に記載の分析方法であって、
    前記分類手順では、前記プロセッサは、実績未管理時間を含む時間帯における他の作業実績データに基づいて生成された確率モデルを用いて、実績未管理時間の作業を推定することを特徴とする分析方法。
11. 請求項８に記載の分析方法であって、
    前記分類手順では、前記プロセッサは、実績未管理時間の出現パターンに基づいて生成された確率モデルを用いて、実績未管理時間の作業を推定することを特徴とする分析方法。
12. 請求項８に記載の分析方法であって、
    前記プロセッサが、作業実績データと実績未管理時間における推定された作業の情報とを用いて、作業者の作業内容を、作業実績データであるか推定された作業の情報であるかを区別可能に表示するためのデータを出力する可視化手順を含むことを特徴とする分析方法。
13. 請求項１２に記載の分析方法であって、
    前記可視化手順では、前記プロセッサは、前記推定された作業の情報を修正する入力欄を有する表示データを出力し、利用者が入力したデータを受け、
    前記分類手順では、前記プロセッサは、前記利用者が入力したデータを用いて前記推定された作業の情報を修正することを特徴とする分析方法。
14. 請求項８に記載の分析方法であって、
    前記モデル生成手順では、前記プロセッサは、生成した確率モデルに問題がある場合、実績未管理時間分類属性を再設定して確率モデルを生成することを特徴とする分析方法。

Images