WO2016035336A1 - 休職予測システム、予測ルール学習装置、予測装置、休職予測方法及びコンピュータ読み取り可能記録媒体 - Google Patents

休職予測システム、予測ルール学習装置、予測装置、休職予測方法及びコンピュータ読み取り可能記録媒体 Download PDF

Info

Publication number
WO2016035336A1
WO2016035336A1 PCT/JP2015/004462 JP2015004462W WO2016035336A1 WO 2016035336 A1 WO2016035336 A1 WO 2016035336A1 JP 2015004462 W JP2015004462 W JP 2015004462W WO 2016035336 A1 WO2016035336 A1 WO 2016035336A1
Authority
WO
WIPO (PCT)
Prior art keywords
leave
prediction
employee
possibility
management information
Prior art date
Application number
PCT/JP2015/004462
Other languages
English (en)
French (fr)
Inventor
浩嗣 玉野
敦 新貝
将司 中道
Original Assignee
日本電気株式会社
Ｎｅｃソリューションイノベータ株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社, Ｎｅｃソリューションイノベータ株式会社 filed Critical 日本電気株式会社
Priority to EP15838352.1A priority Critical patent/EP3196813A4/en
Priority to US15/508,225 priority patent/US11164112B2/en
Priority to CN201580047302.7A priority patent/CN106663232A/zh
Priority to JP2016546324A priority patent/JP6505723B2/ja
Publication of WO2016035336A1 publication Critical patent/WO2016035336A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • G06Q10/1091—Recording time for administrative or management purposes

Definitions

  • the leave prediction system 100 includes a prediction rule learning unit 110 and a prediction unit 120.
  • the prediction rule learning unit 110 uses the first attendance management information including the employee time series elements and the information indicating whether or not there is a leave for the employee corresponding to each of the first attendance management information. Generates a prediction rule for predicting the possibility of leave, which is a possibility of taking leave at a predetermined time.
  • the prediction unit 120 predicts the possibility of absence from work of the employee to be predicted at a predetermined time based on the second attendance management information including the time series elements for the employee to be predicted and the prediction rule.
  • the predetermined time indicates a future time point that is an arbitrary period after the time point to be predicted.
  • the leave prediction system 100 may be configured to include a plurality of prediction devices 120 for one prediction rule learning device 110.
  • one prediction rule learning device 110 and each of the plurality of prediction devices 120 are connected via an arbitrary communication network.
  • a business that owns the prediction rule learning device 110 can provide a service for creating a prediction rule to another business that includes each of the plurality of prediction devices 120. .
  • the leave prediction system 100 predicts the possibility of leave at a plurality of different predetermined times.
  • the user of the leave prediction system 100 according to the present embodiment can know the change in the possibility of leave after the predicted time of the employee or the like. Therefore, the user of the leave prediction system 100 according to the present embodiment can take measures according to the change in the possibility of leave after the prediction time of employees and the like.
  • the operations of the leave prediction system in the third to fifth embodiments of the present invention can be combined with each other. Further, the leave prediction system in the third to fifth embodiments of the present invention may have the same configuration as the leave prediction system in the second embodiment of the present invention.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Psychiatry (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Computational Linguistics (AREA)
  • Time Recorders, Dirve Recorders, Access Control (AREA)

Abstract

　従業員等が所定の時期に休職するか否かを予測することができる休職予測システム等を提供する。　本発明の一態様における休職予測システムは、従業員の時系列要素を含む第１の勤怠管理情報と、従業員の各々に対する休職の有無を示す情報とに基づいて、従業員が所定の時期に休職する可能性の予測に関する予測ルールを生成する予測ルール学習手段と、予測対象となる従業員に対する時系列要素を含む第２の勤怠管理情報及び予測ルールに基づいて、予測対象となる従業員が所定の時期に休職する可能性を予測する予測手段とを備える。

Description

休職予測システム、予測ルール学習装置、予測装置、休職予測方法及びコンピュータ読み取り可能記録媒体
　本発明は、休職予測システム、休職予測方法及びコンピュータ読み取り可能記録媒体に関する。
　企業や各種団体（以下、「企業等」とする）においては、メンタルヘルスの不調により休職する従業員や各種団体の構成員（以下、「従業員等」とする）への対策が課題となっている。メンタルヘルスの不調により休職する可能性が高い従業員等に対して、企業等が早期に対策を講じることが可能であれば、当該休職に起因して企業等や従業員等に生じる種々の経済的・社会的損失を削減することが可能となる。すなわち、従業員等が、メンタルヘルスの不調により休職する時期を予測することが望まれる。
　特許文献１には、メンタルヘルス管理装置が記載されている。特許文献１に記載のメンタルヘルス管理装置は、従業員の勤務履歴が、心の病を発症している従業員に特有の勤務パターンを定義した判定ルールデータが示す一以上の判定ルールに適合するか否かを判定する。そして、特許文献１に記載のメンタルヘルス管理装置は、当該判定ルールに適合すると判定された勤務履歴に対応する従業員に関する情報を上司等に通知する。
　また、特許文献２には、従業員行動の管理方法等が記載されている。特許文献２に記載の従業員行動の管理方法は、まず、従業員毎の行動履歴を記憶した従業員行動履歴データベースから、従業員特有の行動特性を抽出して従業員行動特性データベースに記憶する。そして、特許文献２の従業員行動の管理方法は、従業員の行動履歴が、従業員行動特性データベースに対応する従業員の行動特性の範囲内であるか否か判定し、当該行動特性の範囲外であれば、アラートメッセージを当該従業員に送信する。
特開２００８－２４２７０２号公報 特開２０１１－１２３５７９号公報
　特許文献１及び２には、従業員等がメンタルヘルスの不調に起因して休職する可能性を予測することが記載されている。しかしながら、特許文献１及び２には、従業員等が休職する時期を予測する事への言及がない。特許文献１及び２に記載の技術は、従業員等がメンタルヘルスの不調に起因して休職する時期を予測することは困難である。
　本発明は、上記課題を解決するためになされたものであって、従業員等が所定の時期に休職するか否かを予測することができる休職予測システム等を提供することを主たる目的とする。
　本発明の一態様における休職予測システムは、従業員の時系列要素を含む第１の勤怠管理情報と、第１の勤怠管理情報の各々に対応する従業員に関する休職の有無を示す情報とに基づいて、従業員が所定の時期に休職する可能性である休職可能性の予測に関する予測ルールを生成する予測ルール学習手段と、予測対象となる従業員に対する時系列要素を含む第２の勤怠管理情報及び予測ルールに基づいて、予測対象となる従業員の休職可能性を予測する予測手段とを備える。
　また、本発明の一態様における休職予測方法は、従業員の時系列要素を含む第１の勤怠管理情報と、第１の勤怠管理情報の各々に対応する従業員に関する休職の有無を示す情報とに基づいて、従業員が所定の時期に休職する可能性である休職可能性の予測に関する予測ルールを生成し、予測対象となる従業員に対する時系列要素を含む第２の勤怠管理情報及び予測ルールに基づいて、予測対象となる従業員の休職可能性を予測する。
　また、本発明の一態様におけるコンピュータ読み取り可能記録媒体は、コンピュータに、従業員の時系列要素を含む第１の勤怠管理情報と、第１の勤怠管理情報の各々に対応する従業員に関する休職の有無を示す情報とに基づいて、従業員が所定の時期に休職する可能性である休職可能性の予測に関する予測ルールを生成する処理と、予測対象となる従業員に対する時系列要素を含む第２の勤怠管理情報及び予測ルールに基づいて、予測対象となる従業員の休職可能性を予測する処理とを実行させるプログラムを非一時的に格納する。
　また、本発明の一態様における予測ルール学習装置は、従業員の時系列要素を含む第１の勤怠管理情報と、第１の勤怠管理情報の各々に対応する従業員に関する休職の有無を示す情報とに基づいて、従業員が所定の時期に休職する可能性である休職可能性の予測に関する予測ルールを生成する予測ルール学習手段を備える。
　また、本発明の一態様における予測装置は、予測対象となる従業員に対する時系列要素を含む第２の勤怠管理情報及び予測ルールに基づいて、予測対象となる従業員の休職可能性を予測する予測手段を備える。
　本発明によると、従業員等が所定の時期に休職するか否かを予測することができる休職予測システム等を提供することができる。
本発明の第１の実施形態における休職予測装置の構成を示す図である。 本発明の第１の実施形態における休職予測装置にて用いられる勤怠管理情報の例を示す図である。 本発明の第１の実施形態における休職予測装置にて用いられる休職者及び通常勤務者に関する勤怠管理情報の例を示す図である。 本発明の第１の実施形態における休職予測装置の動作を示すフローチャートである。 本発明の第１の実施形態における休職予測装置の一つの構成例を示す図である。 本発明の第２の実施形態における休職予測装置に備えられる予測ルール学習部にて予測ルールを生成する場合の例を示す図である。 本発明の第２の実施形態における休職予測装置に備えられる予測部にて予測する場合の例を示す図である。 本発明の第３の実施形態における休職予測装置によって出力される休職可能性の変化を表すグラフの例を示す図である。 本発明の第４の実施形態において導出される従業員等毎の休職可能性のスコアに関する表の例を示す図である。 本発明の第５の実施形態において導出される休職の要因となり得る要素に関するグラフの例を示す図である。 本発明の第６の実施形態において導出される従業員等の休職可能性の変化を表すグラフの例を示す図である。 本発明の各実施形態における休職予測装置等を実現する情報処理装置の一構成例を示す図である。
　本発明の各実施形態について、添付の図面を参照して説明する。なお、本発明の各実施形態において、各装置の各構成要素は、機能単位のブロックを示している。
各装置の各構成要素は、例えば図１１に示すような情報処理装置５００とソフトウェアとの任意の組み合わせにより実現することができる。情報処理装置５００は、一例として、以下のような構成を含む。
　　・ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）５０１
　　・ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）５０２
　　・ＲＡＭ（Ｒａｍｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）５０３
　　・ＲＡＭ５０３にロードされるプログラム５０４
　　・プログラム５０４を格納する記憶装置５０５
　　・記録媒体５０６の読み書きを行うドライブ装置５０７
　　・通信ネットワーク５０９と接続する通信インターフェース５０８
　　・データの入出力を行う入出力インターフェース５１０
　　・各構成要素を接続するバス５１１
また、各装置の実現方法には様々な変形例がある。例えば、各装置は、専用の装置として実現することができる。また、各装置は、複数の装置の組み合わせにより実現することができる。
　（第１の実施形態）
　まず、本発明の第１の実施形態について説明する。図１は、本発明の第１の実施形態における休職予測システムを示す図である。図２は、本発明の第１の実施形態における休職予測装置にて用いられる勤怠管理情報の例を示す図である。図３は、発明の第１の実施形態における休職予測装置にて用いられる休職者及び通常勤務者に関する勤怠管理情報の例を示す図である。図４は、本発明の第１の実施形態における休職予測装置の動作を示すフローチャートである。図５は、本発明の第１の実施形態における休職予測装置の一つの構成例を示す図である。
　図１に示すとおり、本発明の第１の実施形態における休職予測システム１００は、予測ルール学習部１１０と、予測部１２０とを備える。予測ルール学習部１１０は、従業員の時系列要素を含む第１の勤怠管理情報と、第１の勤怠管理情報の各々に対応する従業員に関する休職の有無を示す情報とに基づいて、従業員が所定の時期に休職する可能性である休職可能性の予測に関する予測ルールを生成する。予測部１２０は、予測対象となる従業員に対する時系列要素を含む第２の勤怠管理情報及び予測ルールに基づいて、予測対象となる従業員の所定の時期における休職可能性を予測する。この場合において、所定の時期は、予測しようとする時点から任意の期間だけ後である将来の時点を示す。
　また、本実施形態における休職予測システム１００は、勤怠情報記憶部１３０と、予測ルール記憶部１４０とを備えることができる。勤怠情報記憶部１３０は、上述した予測ルールの生成や休職可能性の予測に用いられる勤怠管理情報等を記憶する。予測ルール記憶部１４０は、予測ルール学習部１１０において生成される予測ルールを記憶する。記憶された予測ルールは、予測部１２０にて読み出されて休職する可能性を予測するために用いられる。
　本実施形態における休職予測システム１００の詳細を説明する。本実施形態において、第１又は第２の勤怠管理情報は、従業員等の企業等における勤怠に関連する一つ以上の情報である。勤怠管理情報は、例えば、勤務時間、退社時刻と終業時刻との差分、残業時間、午前のみの休暇や午後のみの休暇等の半休を含む休暇の取得状況、休暇を取得した曜日、休日出勤の有無等の情報を含む。なお、勤怠関連情報は、上述したような従業員等の勤怠を直接表す情報に限られず、従業員等の勤怠に影響を及ぼし得る任意の種類の情報を含むことができる。勤怠管理情報に含まれる情報の種類は、予測ルール学習部１１０や予測部１２０において用いられる手法や必要とされる予測精度等に応じて適宜定められる。
　また、本実施形態において、第１又は第２の勤怠管理情報は、時系列要素を含む。すなわち、本実施形態における第１又は第２の勤務管理情報は、複数の日における勤怠に関連する情報や、任意の期間における勤怠に関連する情報を含む。勤怠管理情報に含まれる勤怠に関連する情報の期間等は、必要に応じて適宜定められる。
　本実施形態における第１又は第２の勤怠管理情報は、上述した勤怠に関する情報から、予測ルール学習部１１０における予測ルールの生成や予測部１２０における予測に適した形式にて生成される。本実施形態における勤怠管理情報は、例えば上述した情報を表す特徴ベクトルとして表される。
　図２を用いて、本実施形態における第１又は第２の勤怠管理情報を含む勤怠管理情報の一例を説明する。なお、本実施形態において、第１又は第２の勤怠管理情報は、例えば同様の形式で表される。そのため、本実施形態において、第１又は第２の勤怠管理情報の双方に共通する特徴は、まとめて勤怠管理情報として説明される。本実施形態における勤怠管理情報は、例えば、任意の期間における勤怠に関連する情報について、ある期間ごとに統計量を計算し、当該期間ごとに計算した特徴量を複数個連結した特徴ベクトルとして表される。すなわち、この場合において、勤怠管理情報を表す特徴ベクトルの要素は、任意の期間における勤怠に関連する情報についての個々の統計量を表す。図２に示す例では、勤怠管理情報は、１２か月分の勤怠に関する４つの情報について１か月（３０日）毎に統計量を計算し、計算した統計量を１２個連結したベクトルとして表される。勤怠に関する４つの情報は、図２に示すように、勤務時間の平均、退社時間と終業時間との差の平均、休暇取得数の平均及び午前休暇取得数の平均である。すなわち、図２に示す例では、４８次元のベクトルとなる。
　また、勤務管理情報において、統計量は、例えば、任意の期間（図２の場合では、ある１か月間）における勤務時間、退社時刻と終業時刻との差、休暇取得数、午前のみの休暇取得数などの勤怠に関する情報の平均が用いられる。なお、統計量としては、必要に応じてこれら説明した情報以外の情報が用いられる。また、統計量は、勤怠に関する情報の平均に限られず、例えば分散など、必要に応じてその他の統計に関する値が用いられる。第１又は第２の勤務管理情報に含まれる特徴量の各々は、例えば所定の範囲の値でもよいし、２値や３値等の値でもよい。
　続いて、本実施形態における休職予測システム１００の各構成要素の詳細を説明する。
　まず、予測ルール学習部１１０について説明する。予測ルール学習部１１０は、第１の勤怠管理情報と、第１の勤怠管理情報の各々に対応する従業員に関する休職の有無を示す情報に基づいて学習し、予測ルールを生成する。予測ルール学習部１１０は、勤怠管理情報等の学習に際して、例えばＦＡＢ推論（Ｆａｃｔｏｒｉｚｅｄ　Ａｓｙｍｐｔｏｔｉｃ　Ｂａｙｅｓｉａｎ　Ｉｎｆｅｒｅｎｃｅ）等を含む異種混合学習や、その他の公知の機械学習の手法を用いることができる。異種混合学習の手法は、例えば米国公開特許ＵＳ２０１４／０２２２７４１Ａ１号公報等に開示されている。
　なお、勤怠管理情報と、各々の勤怠管理情報に関する休職の有無を示す情報は、勤怠情報記憶部１３０に記憶される。
　第１の勤怠管理情報は、休職の有無を示す情報に基づいて、休職した従業員等（以下、「休職者」とする）に関する勤怠管理情報と、休職せずに通常通り勤務した従業員等（以下、「通常勤務者」とする）に関する勤怠管理情報に区別される。すなわち、第１の勤怠管理情報は、当該第１の勤怠管理情報の各々に関連する従業者等が休職したか否かの情報が対応付けられている。図３は、第１の勤怠管理情報の一例を示す図である。
　予測ルール学習部１１０にて用いられる休職者に関する第１の勤怠管理情報は、当該休職者が休職を開始した日（以下、「休職開始日」とする）から所定の期間だけ遡った日を基準日として、例えば上述した方法にて求めた勤怠管理情報である。この場合において、上述する所定の時期は、例えば、後に説明する予測部１２０において休職可能性を予測しようとする時期と同一とされる。一例として、所定の期間が２か月とされる場合、第１の勤怠管理情報は、当該休職者の休職開始日から２か月前の日を基準日として求めた勤怠管理情報となる。そして、予測部１２０は、この場合には２か月後の休職可能性を予測する。
　なお、休職開始日は、企業等の就業規則等において休職とされる日には限られず、休職者が企業等に出社しなくなる日や、休職者が最後に企業等に出社した日（最終出社日）でもよい。すなわち、休職者が実質的に出社しなくなる日が、休職開始日として適宜選択される。図３の例では、（ａ）に示す休職者に関する第１の勤怠管理情報は、当該休職者が出社しなくなる日から６０日前の日を基準日としている。
　また、予測ルール学習部１１０にて用いられる通常勤務者に関する勤怠管理情報は、正常に勤務する任意の日を基準日として、例えば上述した方法にて求めた勤怠管理情報である。なお、通常勤務者に関する勤怠管理情報に含まれる期間の終期から少なくとも所定の期間以上は、その勤怠管理情報に関する当該通常勤務者は、正常に勤務することが好ましい。すなわち、通常勤務者が正常に勤務したことが確認されている日から少なくとも所定の期間以上前の日（例えば、上述した休職者に対する所定の時期から任意の期間だけ前の日）が、基準日として選択されることが好ましい。これは、当該通常勤務者がその所定の期間に休職すると、当該通常勤務者に関する勤怠管理情報は、通常勤務者に関する勤怠管理情報として適切ではなくなる可能性があるためである。そのため、予測ルール学習部１１０にて用いられる通常勤務者に関する勤怠管理情報は、正常に勤務する任意の日から所定の期間以上前の日を基準日として求めた勤怠管理情報とすることができる。このようにすることで、当該勤怠管理情報に関する従業員等は、予測ルール学習部１１０にて用いられる勤怠管理情報に含まれる期間の終期から少なくとも所定の期間以上は、正常に勤務したことが保証される。図３における通常勤務者に関する勤怠管理者は、正常に勤務する任意の日から所定の期間以上前の日を基準日として求めた勤怠管理情報の例である。図３の例では、（ｂ）に示す通常勤務者に関する第１の勤怠管理情報は、正常に勤務する任意の日から９０日前の日を基準日としている。
　そして、予測ルール学習部１１０は、休職者と通常勤務者との各々に対する勤怠管理情報のパターンの違いを学習することで、予測ルールを生成する。予測ルール学習部１１０は、従業員が休職を開始する日から所定の期間だけ前における休職者と通常勤務者との勤怠管理情報の相違を区別可能な予測ルールを作成することができる。すなわち、予測ルール学習部１１０は、例えば上述の第１の勤怠管理情報を用いることで、休業時期から所定の期間だけ前における、休業者に特有な勤怠の状態であるか否かを判定できる予測ルールを作成することができる。予測ルール学習部１１０は、休職者と通常勤務者の各々に対して、１つ以上の第１の勤怠管理情報を用いて予測ルールを生成する。
　予測ルールは、予測ルール学習部１１０にて用いられる手法に応じた形式にて生成される。一例として、予測ルール学習部１１０が線形判別の手法を用いる場合、予測ルールは、勤怠管理情報に関する特徴ベクトルの空間を、所定の時期に休職する可能性の有無にて区別する判別式の形式で表される。
　なお、予測ルール学習部１１０にて生成された予測ルールの妥当性は、例えば第１の勤怠管理情報に基づいて、後述する予測部１２０にて確認される。すなわち、生成された予測ルールと、当該第１の勤怠管理情報とに基づいて、予測部１２０が、当該情報から休職する可能性を予測する。そして、その結果が第１勤怠管理情報に関する従業員等の休職の有無と一致するかを確認することで、当該予測ルールの妥当性が確認される。
　また、予測ルール学習部１１０は、第１の勤怠管理情報と、各々の第１の勤怠管理情報に関する休職の有無を示す情報とに基づいて、例えば内部のパラメータが異なる複数の予測ルールを生成することができる。この場合において、複数の予測ルールのいずれが予測に適しているかは、上述した妥当性の確認と同様に、第１の勤怠管理情報を用いて予測部１２０にて確認される。
　次に、予測部１２０について説明する。予測部１２０は、従業員等が、例えばメンタルヘルスの問題を原因として所定の時期に休職する可能性を予測する。予測部１２０は、判定対象とする従業員等の第２の勤怠管理情報を、予測ルール学習部１１０にて生成した予測ルールに当てはめることで、判定対象とする従業員等が所定の時期に休職する可能性を予測する。一例として、予測ルールが判別式として表されている場合、予測部１２０は、当該第２の勤怠管理情報を表す特徴ベクトルが、判別式によって区分される特徴ベクトルの空間のいずれに属するかを判別することによって、当該休職の可能性を予測する。なお、上述したとおり、所定の時期は、例えば１か月後や２か月後等のように、予測しようとする時点から任意の期間だけ後である将来の時点を示す。すなわち、予測部１２０は、予測しようとする時点までにおける当該従業員等の第２の勤怠管理情報に基づいて、当該従業員等の将来の時点である所定の時期における休職可能性を予測する。
　なお、上述した予測対象となる休職は、企業等の就業規則等における休職には限られず、当該従業員等が企業等に出社しなくなる日でもよい。又は、上述した予測対象となる休職は、当該従業員等の休職前における最後の出社日を含む。すなわち、予測部１２０は、所定の時期に当該従業員等の最終出社日となる可能性を予測することも可能である。
　また、予測部１２０にて予測するために用いられる第２の勤怠管理情報は、上述のとおり、例えば、予測ルール学習部１１０にて予測ルールを生成するために用いられる第１の勤怠管理情報と同様の形式とされる。第２の勤怠管理情報は、当該第２の勤怠管理情報に関する従業員等の休職の有無が明らかではない（休職の可能性が予測部１２０にて予測される）点が、第１の勤怠管理情報と異なる。
　上述のとおり、予測ルール学習部１１０は、休職者に関する第１の勤怠管理情報として、当該休職者が休職を開始した日から所定の期間だけ前の日を基準日とする第１の勤怠管理情報を用いて予測ルールを生成する。予測部１２０は、当該予測ルールを用いることで、判定対象とする従業員等の第２の勤怠管理情報が、休職時期から所定の期間だけ前における休職者の勤怠の状態に合致するか否か（又は、合致の程度）を判定することができる。したがって、予測部１２０は、判定対象とする従業員等が所定の時期に休職する可能性を予測することができる。
　予測部１２０は、判定対象とする従業員等が所定の時期に休職する可能性を予測する具体的方法として、従業員等が所定の時期に休職するか否かを判定することができる。また、予測部１２０は、判定対象とする従業員等が所定の時期に休職する可能性を予測する別の具体的方法として、従業員等が所定の時期に休職する可能性の程度を判定することができる。この場合には、予測部１２０は、例えば休職する可能性を任意の基準で数値化して表すことができる。
　予測ルールが判別式として表される場合、予測部１２０は、判定対象とする従業員等の勤怠管理情報を判別式に当てはめることで、従業員等が所定の時期に休職する可能性の有無を判別することができる。また、当該勤怠管理情報と判別式との関係（たとえば特徴ベクトル空間における当該勤怠管理情報と判別式が規定する判別面との距離）に基づいて、所定の時期に休職する可能性（または、当該可能性の程度）を予測する。なお、判別式は休職する可能性がある従業者等と通常通り勤務する従業者等との境界面（二次元なら境界線）を定義する。すなわち、境界面上では休職する可能性と、通常通り勤務する可能性がそれぞれ５０％となる。境界面から離れるにしたがって、休職する可能性又は通常通り勤務する可能性の一方が高まることとなる。
　次に、図４を用いて、休職予測システム１００の動作の一例を説明する。
　予測ルール学習部１１０は、まず、予測ルールを生成する（ステップＳ１０１）。予測ルールの生成に際して、予測ルール学習部１１０は、勤怠情報記憶部１３０に記憶されている勤怠管理情報と、従業員等の各々に対する休職の有無を示す情報とを、勤怠情報記憶部１３０から読み出して用いる。また、予測ルール学習部１１０は、生成された予測ルールを、予測ルール記憶部１４０に記憶する。
　次に、予測部１２０は、予測対象となる従業員に対する時系列要素を含む勤怠管理情報と、ステップＳ１０１にて生成された予測ルールとを用いて、予測対象となる従業員が所定の時期に休職する可能性を予測する（ステップＳ１０２）。予測に際し、予測部１２０は、予測対象となる従業員に対する時系列要素を含む勤怠管理情報を、勤怠情報記憶部１３０から読み出して用いる。また、予測部１２０は、予測ルールを、予測ルール記憶部１４０から読み出して用いる。
　以上のとおり、本実施形態における休職予測システム１００は、従業員等の時系列要素を含む勤怠管理情報を学習することにて予測ルールを生成する。そして、本実施形態における休職予測システム１００は、当該予測ルールを用いて予測対象となる従業員が所定の時期に休職する可能性を予測する。本実施形態における休職予測システム１００は、従業員等の時系列要素を含む勤怠管理情報を用いて予測ルールを生成することで、従業員等が休職する時期より所定の期間だけ前の時期における勤怠の状況を判別することができる。したがって、本実施形態における休職予測システム１００は、従業員等が休職する時期を予測することができる。
　また、企業等は、本実施形態における休職予測システム１００を用いることで、従業員等が休職する可能性の有無と、休職する可能性がある場合に休職する時期を予め知ることが可能となる。したがって、企業等は、従業員等が休職すると予測される時期に応じて、休職を回避するための対策を講じることが可能となる。すなわち、本実施形態における休職予測システム１００を用いることで、当該企業等や、休職する可能性があると予測される従業員等は、当該休職に伴う経済的損失を初めとする種々の損失を低減することが可能となる。
　（休職予測システムの構成及び適用例）
　本実施形態における休職予測システム１００には、具体的構成として種々の例が考えられる。
　一例として、休職予測システム１００は、図５に示すように、予測ルール学習部１１０と予測部１２０とが、それぞれ個別の装置として実現される。すなわち、休職予測システム１００は、予測ルール学習装置１０１と、予測装置１０２を備えるシステムとして実現される。各々の装置は、物理的に分離され、有線又は無線の任意の通信ネットワークを介して接続される構成とすることができる。
　また、勤怠情報記憶部１３０及び予測ルール記憶部１４０は、いずれか一方の装置に備えられて、他方の装置からは通信ネットワークを介して接続される構成でもよい。または、勤怠情報記憶部１３０及び予測ルール記憶部１４０は、各々の装置に備えられる構成でもよい。この場合において、勤怠情報記憶部１３０及び予測ルール記憶部１４０は、各々の装置において必要とされる情報をそれぞれ保持する構成とすることができる。図５は、勤怠情報記憶部１３０及び予測ルール記憶部１４０は、各々の装置に備えられる構成を示している。
　この場合において、休職予測システム１００は、また、一つの予測ルール学習装置１１０に対して、複数の予測装置１２０を備える構成とすることができる。この場合には、一つの予測ルール学習装置１１０と複数の予測装置１２０の各々とは、任意の通信ネットワークを介して接続される。このような構成とすることで、例えば予測ルール学習装置１１０を保有する事業者が、複数の予測装置１２０の各々を備える別の事業者に対して予測ルールを作成するサービスを提供することができる。
　また、本実施形態において、休職予測システム１００は、企業等における従業員等が所定の時期に休職する可能性を予測するシステムであるとして説明された。しかしながら、本実施形態における休職予測システム１００は、その他の分野にも適用される。例えば、本実施形態における休職予測システム１００は、学校等において学生等が所定の時期にメンタルヘルスの問題を原因として欠席（長期欠席）する可能性を予測することができる。すなわち、本実施形態において、「従業員等が所定の時期に休職する可能性」には、「学生が所定の時期に欠席する可能性」が含まれるとみなしてもよい。また、本実施形態における休職予測システム１００は、将来の所定の時期において何らかの事象が生じる可能性を予測する場合にも用いることができる。
　なお、以上説明した本実施形態における休職予測システム１００の具体的構成及びその適用例は、後述する各実施形態における休職予測システムに対しても同様に当てはまる。
　（第２の実施形態）
　続いて、本発明の第２の実施形態について説明する。図６Ａは、本発明の第２の実施形態における休職予測システムに備えられる予測ルール学習部１１０にて予測ルールを生成する場合の例を示す図である。図６Ｂは、本発明の第２の実施形態における休職予測システムに備えられる予測部１２０にて予測する場合の例を示す図である。
　本実施形態における休職予測システム１００の構成は、本発明の第１の実施形態における休職予測システム１００と同一とすることができる。本実施形態における休職予測システム１００では、予測ルール学習部１１０が、共通の性質を有する従業員等毎に予測ルールを生成する。本実施形態における休職予測システム１００では、予測部１２０が、共通の性質を有する従業員等毎に生成された予測ルールのうち、予測対象となる従業員に応じて予測ルールを選択し、所定の時期にて休職する可能性を予測する。
　本実施形態における休職予測システム１００は、以上の点が、本発明の本発明の第１の実施形態における休職予測システム１００と異なる。すなわち、本実施形態における休職予測システム１００は、従業員等の第１の勤怠管理情報を、共通の性質を有するクラスタに分けて予測ルールの作成及び所定の時期における休職可能性の予測を行う。
　本実施形態において、共通の性質を有する従業員等は、例えば、第１又は第２の勤怠管理情報に含まれる要素に関する傾向が類似すると考えられる従業員等である。すなわち、本実施形態における休職予測システム１００は、例えば第１又は第２の勤怠管理情報に含まれる勤怠に関する情報が所定の条件を満たす従業員等を、共通の性質を有する従業員等とすることができる。この場合において、勤怠に関する情報は、例えば、残業時間の長さ、休暇取得数、特定の曜日における休暇取得数等である。
　また、本実施形態においては、一例として、第１又は第２の勤怠管理情報を表す特徴ベクトル同士の特徴ベクトルの空間における距離に基づいて、当該勤怠管理情報に関連する従業員等が共通の性質を有するか否かが判断される。すなわち、当該距離が所定の範囲にある（近い距離にあり、勤怠の傾向が類似すると考えられる）第１又は第２勤怠管理情報に関連する従業員は、共通の性質を有すると判断される。
　更に、別の例として、共通の性質を有する従業員等は、例えば休職予測対象となる従業員等の属性が類似する従業員等である。この場合に、従業員等の属性は、例えば、休職予測対象となる従業員等の年齢、役職、担当業務、過去の休職の有無等である。
　本実施形態において、予測ルール学習部１１０は、任意の手法で共通の性質を有する従業員ごとに予測ルールを作成することができる。一例として、予測ルール学習部１１０は、上述した異種混合学習の手法を用いることで、共通の性質を有する従業員等毎の予測ルール（例えば判別式）と、第１の勤怠管理情報と各々の予測ルールとの対応を表す決定木とを生成することができる。
　この場合には、予測部１２０は、予測対象となる従業員等の第２の勤怠管理情報から、上述した決定木を用いて、共通の性質を有する従業員等毎に生成された予測ルールのうちいずれを用いるかを選択する。そして、予測部１２０は、選択された予測ルールを用いて、当該予測対象となる従業員等の所定の時期における休職可能性を予測する。
　また、別の例として、予測ルール学習部１１０は、図６Ａに示すように、学習データである従業員等の第１の勤怠管理情報をクラスタリングし、各クラスタに含まれる従業員等の第１の勤怠管理情報等に基づいて、クラスタ毎に予測ルールを生成することができる。この場合において、予測ルール学習部１１０は、学習データをクラスタリングするための手法として、例えばＫ平均法（Ｋ－ｍｅａｎｓ）等を用いることができる。図６Ａに示す例では、予測ルール学習部１１０は、第１の勤怠管理情報をクラスタ１及び２にクラスタリングし、各々のクラスタに対して予測ルールである判別式を生成する。
　この場合には、予測部１２０は、図６Ｂに示すように、共通の性質を有する従業員等毎に生成された予測ルールのうち、予測対象となる従業員等の第２の勤怠管理情報に応じて予測ルールを選択し、所定の時期に休職する可能性を予測する。すなわち、予測部１２０は、予測対象となる従業員等の第２の勤怠管理情報を表す特徴ベクトルから最も近い距離にあるクラスタを選択する。特徴ベクトルとクラスタとの距離としては、例えば特徴ベクトルとクラスタの中心との距離を用いることができる。そして、予測部１２０は、選択されたクラスタに対して生成された予測ルールを用いて、当該従業員等の所定の時期に休職する可能性を予測する。図６Ｂに示す例では、予測部１２０は、三角印で表される第２の勤怠管理情報に関するデータに対してクラスタ１を選択する。そして、予測部１２０は、クラスタ１に対する判別式を用いて、当該第２の勤怠管理情報に関する休職可能性を予測する。
　以上のとおり、本実施形態における休職予測システム１００では、予測ルール学習部１１０が、共通の性質を有する従業員等毎に予測ルールを生成する。本実施形態における休職予測システム１００では、予測部１２０が、共通の性質を有する従業員等毎に生成された予測ルールのうち、予測対象となる従業員に応じて予測ルールを選択し、所定の時期にて休職する可能性を予測する。予測ルール学習部１１０が共通の性質を有する従業員等毎に予測ルールを生成するため、予測部１２０は、従業員等が休職する可能性の予測精度を高めることができる。
　なお、本実施形態の休職予測システム１００は、従業員等が休職する時期を特定せずに、共通の性質を有する従業員等毎に生成された予測ルールに基づいて、従業員等が休職する可能性を予測する構成とすることができる。
　（第３の実施形態）
　続いて、本発明の第３の実施形態について説明する。図７は、本発明の第３の実施形態における休職予測システム１００にて導出される休職可能性の時間的変化を示すグラフである。
　本実施形態における休職予測システム１００の構成は、本発明の第１の実施形態における休職予測システム１００と同一とすることができる。本実施形態における休職予測システム１００は、予測部１２０が、予測した休職可能性の時間的変化を導出する点が、本発明の第１の実施形態等における休職予測システム１００と異なる。すなわち、予測部１２０は、日毎、月毎など、任意の複数の時点において所定の時期の休職可能性を予測し、その予測結果を休職可能性の予測結果の履歴として導出する。
　図７は、本発明の第３の実施形態における休職予測システム１００にて生成される休職可能性の時間的変化を示すグラフである。図７に示すグラフにおいて、横軸は、休職可能性を予測した時期を示す。また、図７に示すグラフにおいて、縦軸は、休職可能性の程度を表す。すなわち、図７に示すグラフは、予測部１２０が任意の複数の時点について休職可能性を予測し、横軸を上述した複数の時点として予測した結果を並べて導出したグラフである。図７に示すグラフは、例えば、休職する可能性の程度が横軸方向への線で示す所定の程度を超えた場合に、当該従業員が休職する可能性があることを示している。図７に示す例では、従業員Ａは、６月の下旬になると休職する可能性が生じたと考えられる。
　また、本実施形態における休職予測システムは、複数の従業員等に関する休職可能性の時間的変化を導出することができる。
　なお、図７に示すグラフを含む、導出された休職可能性の時間的変化は、図示しない任意の出力手段から出力される。出力手段は、例えばディスプレイ装置がある。この場合に、ディスプレイ装置は、休職予測システム１００に直接的に接続されていてもよいし、有線又は無線などの通信ネットワークを介して接続されていてもよい。
　このように、本実施形態における休職予測システム１００は、予測した休職可能性の時間的変化を導出する。導出された休職可能性の時間的変化は、例えば当該変化を表すグラフ等の形式にて、任意の出力手段を介して出力される。したがって、本実施形態における休職予測システム１００の利用者は、従業員等のそれまでの休職可能性の変化を明確に知ることができる。
　（第４の実施形態）
　続いて、本発明の第４の実施形態について説明する。図８は、本発明の第４の実施形態において導出される従業員等毎の休職可能性のスコアに関する表の例を示す図である。
　本実施形態における休職予測システム１００の構成は、本発明の第１の実施形態における休職予測システム１００と同一とすることができる。本実施形態における休職予測システム１００は、予測部１２０が、複数の従業員に関して予測した休職可能性の程度を導出する。
　予測部１２０によって導出された複数の従業員に関する休職可能性の程度は、例えば図８のような表の形式にて表される。図８に示す表は、休職可能性の程度が大きいほど値が大きくなるスコアにて表している。すなわち、図８に示す表では、休職可能性の程度が大きい従業員等から順に示されている。このような表は、本発明の第３の実施形態における休職予測システム１００と同様に、図示しない任意の出力手段から出力される。なお、図８に示すスコアは、例えば上述のように、特徴ベクトル空間における当該従業員の各々に対する勤怠管理情報と判別面との距離に応じて求められる。一例として、このスコアは、当該従業員の各々に対する勤怠管理情報と判別面との距離に応じて、休職可能性の程度が大きい場合に正の値となり、通常通り勤務する可能性の程度が大きい場合に負の値となるような形式となる。上述の距離（この例ではｄとする）をシグモイド関数１／（１＋ｅｘｐ（－ｄ））に適用し、０から１までの範囲の値を取る形式としてもよい（ｅｘｐは、自然対数の底の冪乗を表す）。この場合には、特徴ベクトル空間において、勤怠管理情報が判別面にある場合にスコアは１／２となる。そして、休職可能性の程度が大きい場合に値が１に近づき、通常通り勤務する可能性の程度が大きい場合に値が０に近づく。
　以上のとおり、本実施形態における休職予測システムは、複数の従業員に関して予測した休職可能性の程度を導出する。したがって、本実施形態における休職予測システム１００の利用者は、休職する可能性が高い従業員等を容易に知ることが可能となる。そして、本実施形態における休職予測システム１００の利用者は、導出された複数の従業員に関する休職可能性の程度に基づいて、休職可能性の高い従業員等に対して対策を講じることが可能となる。
　（第５の実施形態）
　続いて、本発明の第５の実施形態について説明する。図９は、本発明の第５の実施形態において導出される休職の要因となり得る要素に関するグラフの例を示す図である。
　本実施形態における休職予測システム１００の構成は、本発明の第１の実施形態における休職予測システム１００と同一とすることができる。本実施形態における休職予測システム１００は、予測部１２０が、予測対象となる従業員等が休職する可能性があると予測した場合に、休職の原因となる要素の候補を導出する。本実施形態における休職予測システム１００は、上述の点が、本発明の第１の実施形態における休職予測システム１００等と異なる。
　本実施形態において、休職予測システム１００にて用いられる第１又は第２の勤怠管理情報は、従業員等の企業等における勤怠に関連する一つ以上の情報を含む。そして、第１又は第２の勤怠管理情報が従業員等の企業等における勤怠に関連する複数の情報を含む場合、第１又は第２の勤怠管理情報に含まれる勤怠に関する情報の一部の要素が、休職可能性に影響を及ぼしている場合がある。本実施形態における休職予測システム１００は、予測部１２０は、休職する可能性があると判断された原因となり得る要素を特定し、休職の原因となる要素の候補として導出する。
　本実施形態において、予測部１２０は、第２の勤怠管理情報に含まれる勤怠に関連する情報の各々のうち、所定の条件を満たす情報に関する要素を、休職の原因となる要素の候補として特定することができる。また、予測部１２０は、第２の勤怠管理情報と、予測ルール学習部１１０にて生成される予測ルールとの関係に基づいて、休職の原因となる要素の候補として特定することができる。予測部１２０は、これ以外の任意の手順にて、休職の原因となる要素の候補を導出することができる。
　導出された休職の原因となる要素の候補は、例えば図９のグラフのような形式で表される。このようなグラフは、例えば図示しない出力手段によって出力される。図９に示すグラフでは、休職の原因となる可能性の高い要素が大きな値となるような形式で出力される。すなわち、図９に示すグラフに関する従業員等は、図中に含まれる要因のうち、勤務時間、残業時間又は休日出勤が、休職の原因となる要素の候補であると考えられる。
　なお、図９のグラフが示す値の各々は、上述した判別式に関連して次のように定められる。一例として、判別式が以下の（１）式に示す線形判別式であることを想定する。
ｆ（ｘ）＝ａ＿０＋ａ＿１＊ｘ＿１＋ａ＿２＊ｘ＿２＋．．．＋ａ＿ｎ＊ｘ＿ｎ・・・（１）
（１）式において、ａ＿０，．．．，ａ＿ｎは係数であり、ｘ（ｘ＿１，．．．ｘ＿ｎ）は特徴ベクトルである。また、ｆ（ｘ）＞０である場合には、従業者等が休職する可能性があることを示し、ｆ（ｘ）＜０である場合には、従業者等が通常通り勤務することを示す。ｘ＿１，．．．ｘ＿ｎの各々は、図９の横軸に示すグラフの各項目に相当する。この判別式の例においては、ａ＿ｉ＊ｘ＿ｉの値が、図９に示すグラフの要素の一つに相当する。この値が正である場合には、当該要素を原因とした従業者等の休職の可能性があることを示す。この値が負である場合には、当該要素に関しては、従業者等の休職の原因とならず、従業者等は通常通り勤務する可能性があることを示す。
　このように、本実施形態における休職予測システム１００は、休職の原因となる要素の候補を導出する。導出された休職の原因となる要素の候補は、例えばグラフ等の形式にて、任意の出力手段を介して出力される。したがって、本実施形態における休職予測システム１００の利用者は、休職可能性がある従業員等が存在する場合に、その休職の原因となる要素の候補を知ることができる。そのため、本実施形態における休職予測システム１００の利用者は、当該従業員等に対して、その休職の原因となる要素を除外する等、当該従業員等の休職可能性を低減させる対策を講じることが可能となる。
　（第６の実施形態）
　続いて、本発明の第６の実施形態について説明する。図１０は、本発明の第６の実施形態において導出される従業員等の休職可能性の変化を表すグラフの例を示す図である。
　本実施形態における休職予測システム１００の構成は、本発明の第１の実施形態における休職予測システム１００と同一とすることができる。本実施形態における休職予測システム１００は、予測ルール学習部１１０が、従業員が各々異なる複数の所定の時期に休職する可能性の予測に関する予測ルールを生成する。そして、予測部１２０が、予測対象となる従業員等が、上述した各々異なる複数の所定の時期における休職可能性を予測する。本実施形態における休職予測システム１００は、上述の点が、本発明の第１の実施形態における休職予測システム１００等と異なる。
　本実施形態においては、上述のとおり、予測ルール学習部１１０が、従業員が各々異なる複数の所定の時期に休職する可能性の予測に関する予測ルールをそれぞれ生成する。すなわち、予測ルール学習部１１０は、基準日が異なる第１の勤怠管理情報を用いることで、当該複数の所定の時期における予測ルールをそれぞれ作成することができる。また、予測部１２０は、予測ルール学習部１１０にて作成された当該複数の所定の時期における予測ルールをそれぞれ用いることで、当該複数の所定の時期の各々における休職可能性を予測する。
　また、予測された複数の所定の時期における休職可能性は、例えば図１０に示すグラフのように表される。図１０に示すグラフは、一例として、従業員毎に予測された複数の所定の時期における休職可能性を、横軸を複数の時点として予測した結果を並べて導出される。複数の所定の時期における休職可能性が予測されることで、図１０に示すグラフのように、従業員等の休職可能性の変化を表すことが可能となる。図１０に示すグラフにおいては、従業員Ａは、当初の休職可能性の程度は低いが、４か月後には、点線で示されている、休職可能性があると判断される程度に達する。一方、従業員Ｂは、当初の休職可能性の程度は高いが、少なくとも４か月後までには、休職可能性があると判断される程度には達しない。
　したがって、本実施形態における休職予測システム１００の利用者は、例えば最初に従業員Ａの休職可能性の程度が高くならないように対策を講じ、次に従業員Ｂの休職可能性の程度を下げるよう対策を講じるように対応することができる。すなわち、本実施形態における休職予測システム１００の利用者は、従業員等毎の休職可能性と変化と当該変化が生じる時期に応じて、従業者等が休職しないように対策を講じることができる。
　このように、本実施形態における休職予測システム１００は、各々異なる複数の所定の時期における休職可能性を予測する。すなわち、本実施形態における休職予測システム１００の利用者は、従業員等の予測時点以降における休職可能性の変化を知ることが可能となる。したがって、本実施形態における休職予測システム１００の利用者は、従業員等の予測時点以降における休職可能性の変化に応じた対策を講じることが可能となる。
　なお、本発明の第３から第５の実施形態における休職予測システムの動作は、互いに組み合わせることが可能である。また、本発明の第３から第５の実施形態における休職予測システムは、本発明の第２の実施形態における休職予測システムと同様の構成とすることができる。
　以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。また、各実施形態における構成は、本発明のスコープを逸脱しない限りにおいて、互いに組み合わせることが可能である。
　この出願は、２０１４年９月３日に出願された日本出願特願２０１４－１７９４５７を基礎とする優先権を主張し、その開示の全てをここに取り込む。
　１００　　休職予測システム
　１０１　　予測ルール学習装置
　１０２　　予測装置
　１１０　　予測ルール学習部
　１２０　　予測部
　１３０　　勤怠情報記憶部
　１４０　　予測ルール記憶部
　５００　　情報処理装置
　５０１　　ＣＰＵ
　５０２　　ＲＯＭ
　５０３　　ＲＡＭ
　５０４　　プログラム
　５０５　　記憶装置
　５０６　　記録媒体
　５０７　　ドライブ装置
　５０８　　通信インターフェース
　５０９　　通信ネットワーク
　５１０　　入出力インターフェース
　５１１　　バス

Claims (14)

  1. 　従業員に関する時系列要素を含む第１の勤怠管理情報と、前記第１の勤怠管理情報の各々に対応する前記従業員に関する休職の有無を示す情報とに基づいて、前記従業員が所定の時期に休職する可能性である休職可能性の予測に関する予測ルールを生成する予測ルール学習手段と、
    　予測対象となる従業員に対する時系列要素を含む第２の勤怠管理情報及び前記予測ルールに基づいて、前記予測対象となる従業員の前記休職可能性を予測する予測手段とを備える、休職予測システム。
  2. 　休職が有る前記従業員に関する前記第１の勤怠管理情報は、前記従業員が休職した時点から前記所定の時期より前の時系列要素を含む、請求項１に記載の休職予測システム。
  3. 　休職が無い前記従業員に関する前記第１の勤怠管理情報は、前記従業員が正常に勤務した時点から前記所定の時期より前の時系列要素を含む、請求項１又は２に記載の休職予測システム。
  4. 　前記休職が無い前記従業員に関する前記第１の勤怠管理情報は、前記従業員が正常に勤務した時点から前記所定の時期より更に所定の期間だけ前の時系列要素を含む、請求項３に記載の休職予測システム。
  5. 　前記休職する可能性は、前記所定の時期に前記従業員の最終出社日となる可能性である、請求項１から４のいずれか一項に記載の休職予測システム。
  6. 　前記予測ルール学習手段は、前記第１の勤怠管理情報を所定の条件に応じて複数のクラスタに分類し、かつ、前記複数のクラスタの各々に対して予測ルールを生成し、
    　前記予測手段は、前記第２の勤怠管理情報が、前記複数のクラスタのいずれに分類されるかを特定し、かつ、特定された前記クラスタに対して生成された予測ルールに基づいて、前記休職する可能性を予測する、請求項１から５のいずれか一項に記載の休職予測システム。
  7. 　前記予測手段は、予測した前記休職可能性の時間的変化を導出する、請求項１から６のいずれか一項に記載の休職予測システム。
  8. 前記予測手段は、複数の前記予測対象となる従業員に関して前記休職可能性の程度を予測して導出する、請求項１から７のいずれか一項に記載の休職予測システム。
  9. 　前記予測手段は、前記予測対象となる従業員に対して前記休職可能性があると予測した場合に、休職の原因となる要素の候補を導出する、請求項１から８のいずれか一項に記載の休職予測システム。
  10. 　前記予測ルール学習手段１１０は、従業員が各々異なる複数の前記所定の時期における休職可能性の予測に関する予測ルールを生成し、
    　前記予測手段は、前記予測対象となる従業員が、前記各々異なる複数の前記所定の時期における前記休職可能性を予測する、請求項１から９のいずれか一項に記載の休職予測システム。
  11. 　従業員に関する時系列要素を含む第１の勤怠管理情報と、前記第１の勤怠管理情報の各々に対応する前記従業員に関する休職の有無を示す情報とに基づいて、前記従業員が所定の時期に休職する可能性である休職可能性の予測に関する予測ルールを生成する予測ルール学習手段を備える、予測ルール学習装置。
  12. 　予測対象となる従業員に対する時系列要素を含む第２の勤怠管理情報及び従業員が所定の時期に休職する可能性である休職可能性の予測に関する予測ルールに基づいて、前記予測対象となる従業員の休職可能性を予測する予測手段を備える、予測装置。
  13. 　従業員に関する時系列要素を含む第１の勤怠管理情報と、前記第１の勤怠管理情報の各々に対応する前記従業員に関する休職の有無を示す情報とに基づいて、前記従業員が所定の時期に休職する可能性である休職可能性の予測に関する予測ルールを生成し、
    　予測対象となる従業員に対する時系列要素を含む第２の勤怠管理情報及び前記予測ルールに基づいて、前記予測対象となる従業員の前記休職可能性を予測する、休職予測方法。
  14. 　コンピュータに、
    　従業員に関する時系列要素を含む第１の勤怠管理情報と、前記第１の勤怠管理情報の各々に対応する前記従業員に関する休職の有無を示す情報とに基づいて、前記従業員が所定の時期に休職する可能性である休職可能性の予測に関する予測ルールを生成する処理と、
    　予測対象となる従業員に対する時系列要素を含む第２の勤怠管理情報及び前記予測ルールに基づいて、前記予測対象となる従業員の前記休職可能性を予測する処理とを実行させるプログラムを格納した、コンピュータ読み取り可能記録媒体。
PCT/JP2015/004462 2014-09-03 2015-09-02 休職予測システム、予測ルール学習装置、予測装置、休職予測方法及びコンピュータ読み取り可能記録媒体 WO2016035336A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP15838352.1A EP3196813A4 (en) 2014-09-03 2015-09-02 Leave of absence prediction system, prediction rule learning device, prediction device, leave of absence prediction method, and computer-readable recording medium
US15/508,225 US11164112B2 (en) 2014-09-03 2015-09-02 Leave of absence prediction system, prediction rule learning device, prediction device, leave of absence prediction method, and computer-readable recording medium
CN201580047302.7A CN106663232A (zh) 2014-09-03 2015-09-02 请假预测系统、预测规则学习设备、预测设备、请假预测方法和计算机可读记录介质
JP2016546324A JP6505723B2 (ja) 2014-09-03 2015-09-02 休職予測システム、休職予測方法及びプログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2014179457 2014-09-03
JP2014-179457 2014-09-03

Publications (1)

Publication Number Publication Date
WO2016035336A1 true WO2016035336A1 (ja) 2016-03-10

Family

ID=55439415

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/004462 WO2016035336A1 (ja) 2014-09-03 2015-09-02 休職予測システム、予測ルール学習装置、予測装置、休職予測方法及びコンピュータ読み取り可能記録媒体

Country Status (5)

Country Link
US (1) US11164112B2 (ja)
EP (1) EP3196813A4 (ja)
JP (2) JP6505723B2 (ja)
CN (1) CN106663232A (ja)
WO (1) WO2016035336A1 (ja)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018022253A (ja) * 2016-08-02 2018-02-08 カシオ計算機株式会社 情報処理装置及びプログラム
CN108154276A (zh) * 2017-12-29 2018-06-12 天津市淘客科技有限公司 基于图像识别和机器学习的考勤分析方法
JP2019191777A (ja) * 2018-04-20 2019-10-31 富士通株式会社 機械学習プログラム、機械学習方法および機械学習装置
JP2019191778A (ja) * 2018-04-20 2019-10-31 富士通株式会社 機械学習プログラム、機械学習方法および機械学習装置
JP2019191783A (ja) * 2018-04-20 2019-10-31 富士通株式会社 機械学習プログラム、機械学習方法および機械学習装置
WO2020008577A1 (ja) * 2018-07-04 2020-01-09 株式会社スペイシー 勤怠予測システム、方法及びプログラム
JP2020035309A (ja) * 2018-08-31 2020-03-05 カシオ計算機株式会社 情報処理装置及びプログラム
WO2020208912A1 (ja) * 2019-04-09 2020-10-15 株式会社Ｆｒｏｎｔｅｏ リスク対策解析システム、リスク対策解析方法およびリスク対策解析用プログラム
JP2021073609A (ja) * 2016-08-02 2021-05-13 カシオ計算機株式会社 情報処理装置、表示方法及びプログラム
WO2024024116A1 (ja) * 2022-07-29 2024-02-01 日本電信電話株式会社 退職予測装置、退職予測学習装置、方法、及びプログラム

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190114574A1 (en) * 2017-10-17 2019-04-18 Api Healthcare Corporation Machine-learning model trained on employee workflow and scheduling data to recognize patterns associated with employee risk factors
JP7451935B2 (ja) * 2019-10-23 2024-03-19 富士通株式会社 予測プログラム、予測方法及び予測装置
WO2021131754A1 (ja) * 2019-12-24 2021-07-01 京セラ株式会社 通信機器及びプログラム
JP7072755B2 (ja) * 2019-12-26 2022-05-23 株式会社アッテル 退職リスク学習モデル構築システム、退職リスク学習モデル構築方法及び退職リスク学習モデル構築プログラム
JP7079882B1 (ja) 2021-08-12 2022-06-02 株式会社エクサウィザーズ 情報処理方法、コンピュータプログラム及び情報処理装置
CN116307643B (zh) * 2023-05-19 2023-08-18 中国民用航空总局第二研究所 一种排班方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09325890A (ja) * 1996-06-04 1997-12-16 Toshiba Corp パターン発見方法およびパターン発見装置
JP2002366023A (ja) * 2001-06-11 2002-12-20 Honda Motor Co Ltd 制御装置における異常予測方法および装置
JP2008242702A (ja) * 2007-03-27 2008-10-09 Nomura Research Institute Ltd メンタルヘルス管理装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7340460B1 (en) * 2003-04-04 2008-03-04 Yahoo! Inc. Vector analysis of histograms for units of a concept network in search query processing
US8185422B2 (en) * 2006-07-31 2012-05-22 Accenture Global Services Limited Work allocation model
US7792770B1 (en) * 2007-08-24 2010-09-07 Louisiana Tech Research Foundation; A Division Of Louisiana Tech University Foundation, Inc. Method to indentify anomalous data using cascaded K-Means clustering and an ID3 decision tree
US20090222248A1 (en) * 2008-02-29 2009-09-03 Caterpillar Inc. Method and system for determining a combined risk
US20090319297A1 (en) * 2008-06-18 2009-12-24 Upmc Workplace Absenteeism Risk Model
US20140058801A1 (en) * 2010-06-04 2014-02-27 Sapience Analytics Private Limited System And Method To Measure, Aggregate And Analyze Exact Effort And Time Productivity
US20140188768A1 (en) * 2012-12-28 2014-07-03 General Electric Company System and Method For Creating Customized Model Ensembles On Demand
US8909582B2 (en) 2013-02-04 2014-12-09 Nec Corporation Hierarchical latent variable model estimation device, hierarchical latent variable model estimation method, and recording medium
WO2021060970A1 (en) * 2019-09-27 2021-04-01 Mimos Berhad System and method for structuring data for predicting trend of employee absenteeism based on incidents

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09325890A (ja) * 1996-06-04 1997-12-16 Toshiba Corp パターン発見方法およびパターン発見装置
JP2002366023A (ja) * 2001-06-11 2002-12-20 Honda Motor Co Ltd 制御装置における異常予測方法および装置
JP2008242702A (ja) * 2007-03-27 2008-10-09 Nomura Research Institute Ltd メンタルヘルス管理装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3196813A4 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021073609A (ja) * 2016-08-02 2021-05-13 カシオ計算機株式会社 情報処理装置、表示方法及びプログラム
JP2018022253A (ja) * 2016-08-02 2018-02-08 カシオ計算機株式会社 情報処理装置及びプログラム
CN108154276A (zh) * 2017-12-29 2018-06-12 天津市淘客科技有限公司 基于图像识别和机器学习的考勤分析方法
JP7063079B2 (ja) 2018-04-20 2022-05-09 富士通株式会社 機械学習プログラム、機械学習方法および機械学習装置
JP2019191783A (ja) * 2018-04-20 2019-10-31 富士通株式会社 機械学習プログラム、機械学習方法および機械学習装置
JP2019191778A (ja) * 2018-04-20 2019-10-31 富士通株式会社 機械学習プログラム、機械学習方法および機械学習装置
JP7063080B2 (ja) 2018-04-20 2022-05-09 富士通株式会社 機械学習プログラム、機械学習方法および機械学習装置
JP2019191777A (ja) * 2018-04-20 2019-10-31 富士通株式会社 機械学習プログラム、機械学習方法および機械学習装置
JP7067235B2 (ja) 2018-04-20 2022-05-16 富士通株式会社 機械学習プログラム、機械学習方法および機械学習装置
WO2020008577A1 (ja) * 2018-07-04 2020-01-09 株式会社スペイシー 勤怠予測システム、方法及びプログラム
JP2020035309A (ja) * 2018-08-31 2020-03-05 カシオ計算機株式会社 情報処理装置及びプログラム
JP7347616B2 (ja) 2018-08-31 2023-09-20 カシオ計算機株式会社 情報処理装置及びプログラム
WO2020208912A1 (ja) * 2019-04-09 2020-10-15 株式会社Ｆｒｏｎｔｅｏ リスク対策解析システム、リスク対策解析方法およびリスク対策解析用プログラム
JP2020173525A (ja) * 2019-04-09 2020-10-22 株式会社Ｆｒｏｎｔｅｏ リスク対策解析システム、リスク対策解析方法およびリスク対策解析用プログラム
JP7010267B2 (ja) 2019-04-09 2022-01-26 株式会社Fronteo リスク対策解析システム、リスク対策解析方法およびリスク対策解析用プログラム
WO2024024116A1 (ja) * 2022-07-29 2024-02-01 日本電信電話株式会社 退職予測装置、退職予測学習装置、方法、及びプログラム

Also Published As

Publication number Publication date
US11164112B2 (en) 2021-11-02
JPWO2016035336A1 (ja) 2017-06-22
JP2019135662A (ja) 2019-08-15
US20170286842A1 (en) 2017-10-05
EP3196813A4 (en) 2018-02-07
JP6721743B2 (ja) 2020-07-15
EP3196813A1 (en) 2017-07-26
JP6505723B2 (ja) 2019-04-24
CN106663232A (zh) 2017-05-10

Similar Documents

Publication Publication Date Title
JP6721743B2 (ja) 休職予測システム、休職予測方法及びプログラム
US11037080B2 (en) Operational process anomaly detection
Bangert Optimization for industrial problems
US10671926B2 (en) Method and system for generating predictive models for scoring and prioritizing opportunities
US10706359B2 (en) Method and system for generating predictive models for scoring and prioritizing leads
JP2016151979A (ja) メンタルヘルスケア支援システム、装置、方法およびプログラム
WO2014199920A1 (ja) 予測関数作成装置、予測関数作成方法、及びコンピュータ読み取り可能な記録媒体
CN112070545B (zh) 用于优化信息触达的方法、装置、介质和电子设备
US11900320B2 (en) Utilizing machine learning models for identifying a subject of a query, a context for the subject, and a workflow
JP2022548251A (ja) 事前対応型クライアント関係分析のための方法及びシステム
Frizelle et al. The measurement of complexity in production and other commercial systems
US10599658B2 (en) Search device, search method, and non-transitory computer readable medium for performing a search for candidate experts and displaying results of the search
Deligiannis et al. Building a cloud-based regression model to predict click-through rate in business messaging campaigns
EP3454259B1 (en) Autonomous agent system
US20220198259A1 (en) Multidimensional data analysis for issue prediction
JP6414321B2 (ja) 人数予測システム、人数予測方法および人数予測プログラム
CN113743615A (zh) 简化机器学习的特征移除框架
US11195113B2 (en) Event prediction system and method
JP7384345B2 (ja) 特許情報処理装置、特許情報処理方法、およびプログラム
US11797768B2 (en) System and method to represent conversational flows as graph embeddings and to conduct classification and clustering based on such embeddings
JP2021149844A (ja) 情報処理装置及び情報処理プログラム
WO2023195117A1 (ja) グループ生成装置、グループ生成方法、及び非一時的なコンピュータ可読媒体
JP5984686B2 (ja) 情報処理装置及びプログラム
US20240078829A1 (en) Systems and methods for identifying specific document types from groups of documents using optical character recognition
Arias et al. Rabobank: Incident and change process analysis

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15838352

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2016546324

Country of ref document: JP

Kind code of ref document: A

REEP Request for entry into the european phase

Ref document number: 2015838352

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 2015838352

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 15508225

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE