WO2017010103A1 - データ分析装置、データ分析方法、およびデータ分析プログラムを格納した記憶媒体 - Google Patents

データ分析装置、データ分析方法、およびデータ分析プログラムを格納した記憶媒体 Download PDF

Info

Publication number
WO2017010103A1
WO2017010103A1 PCT/JP2016/003332 JP2016003332W WO2017010103A1 WO 2017010103 A1 WO2017010103 A1 WO 2017010103A1 JP 2016003332 W JP2016003332 W JP 2016003332W WO 2017010103 A1 WO2017010103 A1 WO 2017010103A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
attribute
field
attendance
employee
Prior art date
Application number
PCT/JP2016/003332
Other languages
English (en)
French (fr)
Inventor
勇気 小阪
広晃 福西
博典 田中
将司 中道
悠佳 岡本
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 CN201680041982.6A priority Critical patent/CN107851295B/zh
Priority to JP2016573620A priority patent/JP6105825B1/ja
Priority to US15/742,948 priority patent/US20180225634A1/en
Publication of WO2017010103A1 publication Critical patent/WO2017010103A1/ja

Links

Images

Classifications

    • 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
    • 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
    • G06Q10/063—Operations research, analysis or management
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function
    • 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
    • G06Q10/105—Human resources
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Definitions

  • the present invention relates to a data analysis apparatus, a data analysis method, and a storage medium storing a data analysis program for supporting health guidance of companies and the like.
  • ployees Maintaining or promoting the health of employees and those who belong to organizations for business execution (hereinafter simply referred to as “employees”) means that those who manage business owners or organizations (hereinafter simply referred to as “business owners”) ) Is one of the most important roles. For this reason, employers deploy medical workers such as industrial physicians and public health nurses, and implement many measures related to health checkups and health guidance for employees.
  • Patent Literature 1 individuals are grouped on the basis of a plurality of individual health checkup results and lifestyle inquiry results for advice, and based on the health condition and lifestyle features extracted for each group, A health support system that provides advice on maintaining and improving health is described.
  • Patent Document 1 If the technique described in Patent Document 1 is used, for example, for individuals belonging to a group having a high blood pressure value compared to other groups, a diet that suppresses salt to reduce blood pressure is based on a medical viewpoint. You can give advice such as
  • Advisors who provide health guidance for medical professionals, etc. are important sources of information to check the work status of employees, such as daily work time, leaving time, work / non-work, absence / overtime, and overtime hours.
  • attendance data which is information in which items related to work status are arranged in time series, is utilized.
  • attendance data includes dozens of fields, and many of them are recorded and recorded one record a day. In this way, attendance data has a tendency to increase the number of records in addition to the number of fields, but since the time of health guidance for each employee is limited, the advisor will have all this information within a limited time. It is difficult to confirm.
  • the advisor can determine the specific work status related to health (for example, whether or not there is overwork or irregular work status). There was a problem that it could not be easily obtained from the data.
  • Patent Document 1 a plurality of health condition groups are generated by covariance structure analysis from data relating to health conditions and management thereof, and characteristics characteristic to those belonging to the health condition groups remain in the group or others. It is described that it is presented as recommended item data for shifting to the group. Thereby, the health instructor can give advice, such as presenting recommended action information, based on the presented recommended item data.
  • Patent Document 1 only extracts items indicating characteristic characteristics belonging to each group, and it is not possible to extract items that match the purpose of the advisor, the degree of relevance of the items, and the like. Can not. For example, suppose that an advisor focuses on a symptom and wants to leave only the fields that are particularly relevant to the symptom from the attendance data and not present other fields. In such a case, even if the method described in Patent Document 1 is applied, there is no guarantee that the grouping is performed depending on the presence or absence and the degree of the symptoms. Further, at another timing, the advisor may pay attention to another symptom and desire to leave only the field particularly relevant to the symptom from the attendance data and not to present other fields. However, Patent Document 1 does not describe any method for appropriately presenting time data (sorting information, processing, etc.) and presenting it in accordance with the purpose of the advisor.
  • the present invention makes it easy for an advisor to provide information on specific fields included in data related to an employee's health status, including attendance data, which is related to any item of interest. It is an object of the present invention to provide a data analysis apparatus, a data analysis method, and a data analysis program that can be obtained.
  • the data analysis apparatus specifies a target field that is a field from which relations are to be extracted from among fields of health status data that is information relating to the health status of an employee, and health statuses of two or more employees.
  • Data acquisition means for acquiring at least data and attendance data that is information relating to work status, and for each employee, a predetermined time resolution, a time range, and an aggregation method for a predetermined field of the attendance data
  • the attribute data generating means for generating attribute data having each of the aggregated results as attribute fields, and the target field as a target variable and each of the attribute fields possessed by the attribute data as explanatory variables.
  • Model learning means for learning using the content of the target field and the content of the attribute data, a related field extracting means for extracting the attribute field related to the target field, which is indicated by the learned model, Summarizing means for summarizing and outputting the attendance data of the designated employee based on the information in the attribute field is provided.
  • the information processing apparatus designates a target field that is a field from which relations are extracted from among fields of the health status data that is information on the health status of the employee, and two or more employees At least data on health status data on employees and attendance data that is information on work status, and the information processing device sets a predetermined time resolution for a predetermined field of the attendance data for each employee. , Aggregate using the time range and the aggregation method, generate attribute data having each of the aggregation results as attribute fields, and the information processing device explains each of the attribute fields that the attribute data has as the target variable A model that is a variable and that is represented by a polynomial is the health status of two or more employees.
  • the target field and the content of the attribute data in the data extracts the attribute field related to the target field indicated by the learned model, and the information processing device extracts Based on the information of the specified attribute field, the attendance data of the designated employee is summarized and output.
  • a data analysis program stored in a storage medium is a computer that designates a target field that is a field from which relations are to be extracted from among fields included in health state data that is information related to an employee's health state.
  • a model represented by a polynomial that can be used by two or more employees Processing using the content of the target field in the state data and the content of the attribute data, processing for extracting the attribute field related to the target field indicated by the learned model, and information of the extracted attribute field Based on the above, it is characterized in that processing for summarizing and outputting the attendance data of the designated employee is executed.
  • the advisor can easily obtain specific field information included in the data related to the health condition of the employee including the attendance data, which is related to an arbitrary item of interest.
  • FIG. 2 is a configuration diagram illustrating an example of a hardware configuration of a data analysis device 10.
  • FIG. It is a flowchart which shows an example of operation
  • It is explanatory drawing which shows the time series relationship of time resolution with respect to attendance data and the attendance data.
  • It is explanatory drawing which shows the example of attendance data.
  • It is explanatory drawing which shows the example of attribute data setting information.
  • FIG. 1 is a block diagram illustrating a configuration example of the data analysis apparatus according to the first embodiment of this invention.
  • 1 includes a data input unit 11, an attribute data generation unit 12, a model learning unit 13, a related field extraction unit 14, and a summarization unit 15.
  • the data input unit 11 inputs information required by each processing unit of the data analysis apparatus 10.
  • the input information includes, for example, specification of a target field that is a field from which relations are extracted from among fields included in health status data that is data related to the health status of an employee, past health status data, and the health status Attendance data having data for a predetermined period in the past from the data measurement date, which is the date on which the data was measured, may be included.
  • the health condition data is the health examination data indicating the results of the employee's health examination, examination or health inquiry
  • the data measurement date is the date when the health examination data was acquired (if there are multiple examination dates)
  • the health status data and the data measurement date are not limited to these.
  • the health data in a broad sense includes attendance data.
  • the data input unit 11 may input information indicating a method for generating attribute data as described later, for example.
  • the target field may be any field included in the health condition data, or a plurality of fields may be included.
  • the attribute data generation unit 12 generates attribute data indicating various characteristics of the work status of each employee based on the input time data. More specifically, the attribute data generation unit 12 performs various processes for each employee with a predetermined time resolution such as monthly, quarterly, semiannual, annually, etc. for each time data field. Generate attribute data that summarizes time range information.
  • the calculation method that is, the calculation method used for the calculation is not limited to one, and a plurality of calculation methods may be used. Moreover, it is preferable that a total is performed with respect to one attendance field using a plurality of time resolutions and time ranges.
  • the model learning unit 13 is a polynomial in which the target field is an objective variable and each attribute data field (hereinafter referred to as attribute field) is an explanatory variable, and a polynomial for calculating the value of the objective variable from the value of each explanatory variable
  • attribute field each attribute data field
  • the model represented by the above is learned using the health check data and attendance data of a plurality of employees. Specifically, the model learning unit 13 learns the coefficient of each explanatory variable in the polynomial.
  • the related field extraction unit 14 extracts an attribute field related to the target field indicated by the learned model. Specifically, the related field extraction unit 14 may extract an attribute field corresponding to an explanatory variable having a coefficient other than zero. The related field extraction unit 14 also uses information about the attendance field used to generate the attribute field and a summary method for the field (time resolution, time range, aggregation method, etc. for the attendance field) as the extracted attribute field information. May be extracted. In addition, the related field extraction unit 14 may extract a coefficient value as information indicating the degree of relevance.
  • the summarization unit 15 summarizes and outputs the attendance data based on the extraction result by the related field extraction unit 14.
  • the summary unit 15 may exclude and output fields other than the attendance field used to generate the extracted attribute field from the attendance data of the designated employee.
  • the summary unit 15 uses the extracted time resolution, time range, and totalization method for the attendance field used to generate the extracted attribute field in the attendance data of the designated employee.
  • the result of the aggregation may be output together with the coefficient value.
  • the summary unit 15 may omit the aggregation process.
  • FIG. 2 is a configuration diagram illustrating an example of a hardware configuration of the data analysis apparatus 10.
  • a data analysis apparatus 10 illustrated in FIG. 2 includes a CPU (Central Processing Unit) 1001, a memory 1002, an output device 1003, an input device 1004, and a network interface 1005.
  • CPU Central Processing Unit
  • the memory 1002 is, for example, a RAM (Random Access Memory), a ROM (Read Only Memory), an auxiliary storage device (such as a hard disk), or the like.
  • the output device 1003 is a device that outputs information, such as a display device or a printer.
  • the input device 1004 is a device that receives an input of a user operation, such as a keyboard and a mouse.
  • the network interface 1005 is an interface connected to a network constituted by, for example, the Internet, a LAN (Local Area Network), a public line network, a wireless communication network, or a combination thereof.
  • each of the functional blocks of the data analysis apparatus 10 shown in FIG. 1 is configured by a CPU 1001 that reads and executes a computer program stored in the memory 1002 and controls other units.
  • the hardware configuration of the data analysis device 10 and each functional block thereof is not limited to the above configuration.
  • the data input unit 11 may read the input information from the memory 1002 in addition to inputting the input information from the outside.
  • FIG. 3 is a flowchart showing an example of the operation of the data analysis apparatus 10 of the present embodiment.
  • the data input unit 11 inputs the designation of the target field and each medical checkup data and attendance data of the employee (step S11).
  • FIG. 4 is an explanatory diagram showing time-series relationships of time data as input information and time resolution for the time data.
  • the attendance data includes records for a predetermined period (for example, one year) prior to the most recent medical examination date prior to the determination time (for example, when advice is given). It may be.
  • FIG. 4A shows an example in which the last day of the predetermined period is the medical examination day, but any number of days between the predetermined period and the medical examination day as the attendance data collection period. There may be an opening.
  • the attendance data is a predetermined time before the first time, with an arbitrary time point (for example, the end of the fiscal year) past the most recent medical examination date as the first time point.
  • the medical examination date is not limited to the latest one.
  • the attendance data only needs to include a record in a time range including a predetermined period that does not exceed the date (physical examination date) on which the contents of the target field to be extracted for the relationship are acquired.
  • the time resolution used for generating attribute data is not particularly limited as long as it is a period shorter than the time range of the entire attendance data.
  • FIG. 5 is an explanatory diagram showing a configuration example of attendance data.
  • the attendance data is information in which matters relating to work status such as daily work time, leaving time, working / non-working, vacation / non-working hours for each employee are arranged in time series. Good.
  • each item related to work status included in the attendance data is called a field, that is, an attendance field.
  • a set of values of each attendance field at a certain point included in attendance data is called a record of attendance data.
  • the attribute data generation unit 12 performs aggregation on a predetermined field included in the attendance data using an arbitrary time resolution, time range, and aggregation method to generate attribute data (step S12).
  • FIG. 6 is an explanatory diagram showing an example of attribute data setting information.
  • the attribute data generation unit 12 may generate attribute data by performing aggregation processing on the attendance field according to attribute data setting information indicating a generation method of attribute data as illustrated in FIG. 6.
  • FIG. 6 includes, for each attribute field, an identifier, a summary, a time field to be counted, a time resolution of the time field, a time range of the time field, and a counting method for the time field.
  • An example of attribute data setting information is shown.
  • the attribute data generation unit 12 performs a totaling process on the designated attendance field based on the time resolution, the time range, and the totaling method indicated by such attribute data setting information, and each of the totaling results is assigned to the attribute field.
  • the value of one attribute field may be calculated using a plurality of attendance fields.
  • An example is a ratio calculated using values of a plurality of attendance fields.
  • a plurality of attendance fields are registered in the attribute data setting information as attendance fields to be aggregated.
  • FIG. 7 is an explanatory diagram showing an example of attribute data.
  • the attribute data generation unit 12 may generate attribute data including the value of each attribute field (total result) as an attribute value for each employee.
  • the model learning unit 13 generates a model composed of a polynomial in which the target field is an objective variable and each attribute field included in the attribute data generated in step S12 is an explanatory variable. In particular, learning is performed using the value of the target field) and attribute data (especially each value of the attribute field) (step S13).
  • the related field extracting unit 14 extracts an attribute field related to the target field, which is indicated by the model learned in step S13 (step S14).
  • the related field extraction unit 14 may extract, for example, attribute field information corresponding to an explanatory variable in which a model parameter (polynomial coefficient) takes a value other than zero.
  • the summarizing unit 15 summarizes the time data of the designated employee based on the information extracted in step S14, and outputs it as information on time data related to the designated target field (step). S15).
  • the designation of the employee is not limited to one, but may be plural (including all employees).
  • the summary unit 15 may summarize time data for each of the designated employees and output the data as time data information related to the designated target field.
  • steps S13 to S15 may be repeated for each target field.
  • steps S12 to S15 will be described in more detail.
  • step S12 More detailed example of operation in attribute data generation phase (step S12)
  • N is an integer of 1 or more.
  • the attribute data of the nth employee is represented as X_n.
  • n 1,..., N.
  • the attribute data X_n in this example is represented as a vector composed of a plurality of elements.
  • the number of elements (number of fields) of attribute data is 7.
  • the value of the first attribute field is 0, the value of the second attribute field is 0, the value of the third attribute field is 3, the value of the fourth attribute field is 2, This indicates that the value of the fifth attribute field is 1, the value of the sixth attribute field is 0, and the value of the seventh attribute field is 0.
  • the attribute data generation unit 12 generates attribute data for each employee, and stores the generated attribute data in the memory 1002.
  • one element (attribute field) of attribute data of a certain employee is the employee's attendance data, such as vacation acquisition date and working time of attendance data that is aggregated using an arbitrary time resolution. It may be the number of vacations, the number of late arrivals, and the like. For example, if it is the number of vacation acquisitions per month, the total number of days on which the vacation was acquired in the month is calculated as the attribute value of the attribute field. Further, if the average working hours per month, (total working hours of the month / number of days of actual working days of the month) is calculated as the attribute value of the attribute field. In FIG.
  • Step S13 More Detailed Example of Operation in Model Learning Phase
  • the jth element of the attribute data of employee n is represented as X_nj.
  • j 1,..., M (M is the number of elements of attribute data).
  • M is the number of elements of attribute data).
  • the value of the target field is represented as Y_n.
  • the following formula (1) is a formula showing the relationship between Y_n and X_n.
  • the model learning unit 13 learns parameters necessary for expressing the function f () represented by the above equation (1).
  • f () is a function expressed by a polynomial composed of explanatory variables and coefficients for each explanatory variable.
  • X_n is an M-dimensional explanatory variable corresponding to the attribute data
  • Y_n is a numerical value.
  • W is an M-dimensional weight vector
  • equation (1) is expressed as equation (2).
  • an M + 1-dimensional weight vector W may be obtained by adding one dimension for representing the polynomial intercept to the M-order vector W.
  • the weight vector W is treated as an M-dimensional vector unless it is limited to either an M-dimensional vector or an M + 1-dimensional vector.
  • the superscript T represents transposition of a vector.
  • the value of the parameter W can be calculated by optimizing the objective function of the following equation (3).
  • ⁇ is a parameter for adjusting the balance between the sum of squares error (first term on the right side) and the penalty term (second term on the right side).
  • is the norm of W.
  • L1 norm or L2 norm is used.
  • L (W) is a convex function related to W, and can be maximized by a method according to the gradient method.
  • the model learning unit 13 may obtain the value of the parameter W that maximizes L (W) in the above equation (3).
  • the value of the parameter W obtained here may be expressed as Wc .
  • Model learning unit 13 stores W c obtained in the memory 1002.
  • Figure 8 is an explanatory diagram showing an example of an attribute table including the model parameters W c obtained as a result of the learning.
  • the parameters W c — 14 and W c — 20 corresponding to the coefficients of the 14th and 20th attribute fields are values other than 0, and the other parameters W c — 1 to W c — 13, W c — 15 to W c _19, example W c _21 ⁇ is 0 is shown.
  • the model learning unit 13 may store, in the memory 1002, an attribute table in which an attribute field identifier and a parameter W c — j obtained as a coefficient of the attribute field are associated with each other as illustrated in FIG. .
  • the relevant field extracting unit 14 of the W c _j which read, may be extracted identifier of the attribute field value corresponds to W c _j nonzero. Then, based on the extracted identifier, a set of attendance field, time resolution, time range, and tabulation method used to generate the attribute field may be extracted.
  • the related field extracting unit 14, W c _j (j 1 , ⁇ , M) of the absolute value
  • W c — j when W c — j is a negative value, it indicates that there is a negative correlation between the target field and the j-th attribute field. Further, when W c — j is a positive value, it indicates that there is a positive correlation between the target field and the j-th attribute field. Note that when W c — j is 0, it indicates that there is no correlation between the target field and the j-th attribute field.
  • the related field extraction unit 14 is the attendance field, the time resolution for the attendance field, the time range, and the counting method for all the attribute fields corresponding to W c — j having a value other than 0 as a result of the model learning by the model learning unit 13. You may extract the set. Further, the related field extraction unit 14 may store the extracted information in the memory 1002.
  • the parameters W c — 14 and W c — 20 corresponding to the coefficients of the 14th and 20th attribute fields are values other than 0, the 14th and 20th For the attribute field, a set of the attendance field, the time resolution for the attendance field, the time range, and the tabulation method is extracted and stored in the memory 1002.
  • the summarization unit 15 stores time fields, time resolutions, time ranges, and tabulations stored as information on attribute fields related to the target field from the memory 1002. Read a set of methods. The summarizing unit 15 summarizes the attendance data of the designated employee based on the read information and outputs the result.
  • the output destination may be the memory 1002, the output device 1003, or another device connected via the network interface 1005.
  • FIG. 9 is an explanatory diagram illustrating an example of a summary result of attendance data output by the summarizing unit 15.
  • the summary unit 15 is designated for all attribute fields that have a positive or negative correlation with the target field, together with an overview of the attribute field, the attendance field used for generation, and the degree of positive / negative correlation.
  • Employee attribute values may be output.
  • this attribute value corresponds to the summary result of the attendance data of the employee.
  • the model parameter W c — j corresponds to information indicating the degree of positive / negative correlation.
  • FIG. 9 shows an example in which the average of the attribute values of all employees is also output.
  • information on the summarization method time resolution, time range, tabulation method, etc.
  • information on the summarization method may also be output.
  • the value of the model parameter W c — j that is a coefficient of the attribute field that the attribute value of the attribute field, that is, the average number of leave acquisitions in the second quarter, has a positive correlation with the target field. From this, it can be interpreted that the larger the attribute value, the larger the value of the target field.
  • the target field is a blood glucose level
  • the advisor may have a high average number of leave acquisitions in the second quarter as one of the factors in which the value of the target field of the employee is high. The same applies to the average monthly working hours.
  • the advisor can give accurate advice.
  • the advisor not only presents the attendance time field related to the specified medical examination field, but also the accurate time resolution, time range, tabulation method, etc. for the attendance field. Information, and attendance data actually summarized by those methods can be provided. Therefore, the advisor can give appropriate advice based on such information. In addition to presenting the time data in a summarized manner, how the time fields included in the summarized time data are related to the target field and the degree (positive or negative correlation). ), The advisor can give more appropriate advice based on this information.
  • the data analysis apparatus shown in FIG. 1 is intended to make it possible for an advisor to easily grasp and understand from the attendance data whether or not the employee has a work situation related to the health condition at the time of determination. For this reason, the data analysis apparatus calculates the relationship between the medical examination data before the determination time and the attendance data for a predetermined period in the past from the medical examination date from which the medical examination data was obtained. Based on the value of each coefficient obtained by learning the model, the attendance data of each employee for the predetermined period is summarized and output.
  • the following information is added to the input information. That is, as the attendance data, the first attendance data used for learning and the second attendance data targeted for presenting the relationship with the target field at a future time are input.
  • FIG. 10 is an explanatory diagram showing an example of attendance data input in the first modification.
  • the data input unit 11 of the present example includes, as time data, for example, first time data including records for a first period before a predetermined first time before the determination time, And a second record including a record for a first period before a second time point, which is a predetermined time point that is more than a predetermined second time period from a most recent medical checkup date (first medical checkup date).
  • the first medical examination date is shown as a future date from the first time point, but the relationship between the first autopsy date and the first time point is not limited to this. is not. That is, the first autopsy date may be past the first time point (see FIG. 11 described later).
  • the contents of the target field of the medical examination data on the first medical examination date are used as objective variables, and the contents of each attribute field of the second attribute data generated using the second attendance data are described. Learning as a variable. Then, based on the learned content, the relationship between the content of each of the first attribute data generated using the first attendance data and the content of the target field at the predicted time point in the future is presented. To do. In other words, the first period before the second time point is used as the learning period, and the first period before the first time point is used as the prediction period. More specifically, the first attendance data is used as an object for deriving the relationship with the target field at the time of prediction, that is, attendance data used for prediction, and the second attendance data is used for learning for prediction. Used as attendance data.
  • FIG. 11 is an explanatory diagram showing another example of attendance data input in the first modification.
  • the data input unit 11 sets a predetermined time point in the past that is more than the second period from the predicted time point as the first time point as the first time period before the first time point.
  • the first time data including the record is input and a predetermined time point that is more than the second period from the most recent medical examination date (first medical examination date in the figure) in the past from the judgment time point
  • second attendance data including records for a first period before the second time point may be input.
  • the predicted time point may be a future time point ahead of the second period from any first time point before the determination time point.
  • the 1st time point should just be the past from the judgment time point, and does not necessarily need to be the past from the 1st medical examination date.
  • the second time point may be a date that is a past day for the second period or more than the first medical examination date that is earlier than the determination time point.
  • the first attendance data collection period and the second attendance data collection period do not necessarily have to be continuous or overlapped. That is, there may be an arbitrary number of days between the first attendance data collection period and the second attendance data collection period.
  • first medical examination data the most recent medical examination data before the judgment time may be referred to as first medical examination data.
  • the first period may be referred to as a collection period
  • the second period may be referred to as a retroactive period.
  • the interval between the first medical examination date and the second time point is more than a certain amount, more specifically, more than a period from the first time point to a desired expected time point.
  • the second period may be the same as the first period, or may be shorter or longer than the first period.
  • first attendance data and the second attendance data are not particularly distinguished, and include records for periods including both the first attendance data collection period and the second attendance data collection period.
  • One attendance data may be input. Even in such a case, hereinafter, for convenience of explanation, the first attendance data and the second attendance data are expressed separately.
  • the configuration of the present modification may be basically the same as that of the first embodiment shown in FIG.
  • the data input unit 11 inputs the second attendance data of each employee in addition to the input information in the first embodiment described above.
  • the attribute data generation unit 12 generates attribute data for each employee based on the input second attendance data. Note that the method for generating attribute data may be the same as in the first embodiment.
  • attribute data generated using the second attendance data may be referred to as second attribute data
  • attribute data generated using the first attendance data may be referred to as first attribute data.
  • the attribute data generation unit 12 may generate first attribute data in addition to the second attribute data.
  • the time range is indicated by a specific date or the like.
  • the attendance data to be aggregated is displayed. It is assumed that the contents such as “January of the year of the start time” are set on the basis of the collection start time (for example, the past time point that is back by the first period from the second medical examination date) .
  • the model learning unit 13 uses a polynomial model in which the target field of the first medical examination data is an objective variable and each attribute field of the second attribute data is an explanatory variable. Learning is performed using the medical examination data and the second attribute data.
  • the second embodiment is different from the first embodiment described above in that the second attribute data is used instead of the first attribute data.
  • the model is a model representing the influence of attendance data before the time point (second time point) that is more than the second period beyond the target field value acquired on the first medical examination date. I can say that.
  • the related field extraction unit 14 may be the same as that in the first embodiment described above. That is, the related field extraction unit 14 extracts an attribute field related to the target field, which is indicated by the learned model.
  • the summarization unit 15 summarizes and outputs the first attendance data, for example, based on the information extracted by the related field extraction unit 14.
  • the summarization process may be the same as in the first embodiment.
  • the summarization unit 15 includes the attribute field information (attendance field, summarization method, degree of association, etc.) and the specified employee's first
  • the attribute value of one attribute data may be output.
  • the summarizing unit 15 can omit the summarization process and use the attribute value of the first attribute data.
  • the advisor may, for each employee, for a second period or more in the future (eg, six months later, one year later, etc.) from the first medical examination date. ), It is possible to easily grasp and understand the presence or absence of work status that is expected to affect the value of the target field in the medical examination data.
  • the relationship between the target field in the first medical examination data and the second attendance data which is indicated by the information extracted by the related field extraction unit 14, is past data, more specifically, from the determination time point.
  • the relationship between the value of the target field on the first medical examination date in the past from the determination time and the second attendance data, and the target field from the determination time to the predicted time in the future It is assumed that there is no significant change in the relationship between the value and the first attendance data.
  • the advisor can select any arbitrary time based on the first time data summarized by the summarization method specified by the model learned using the second attribute data generated from the second time data as the learning data. For employees, it is possible to easily grasp and understand the presence of overwork and irregular working conditions related to the target field on the future medical examination date that is assumed as the expected time.
  • FIG. 12 is a block diagram illustrating a configuration example of the data analysis apparatus according to this modification.
  • the data analysis apparatus 10 illustrated in FIG. 12 further includes a prediction unit 16 in addition to the configuration of the first modification.
  • the data input unit 11, the attribute data generation unit 12, the model learning unit 13, and the related field extraction unit 14 may be the same as in the first modification.
  • the prediction unit 16 predicts the value of the target field at a predetermined prediction time using the learned model and the first attribute data of the designated employee.
  • the prediction unit 16 may calculate the value of the target field at the predicted time using the following equation (4), using the learned model parameter Wc and the first attribute data.
  • the first attribute data of the designated employee used for prediction is represented as X′_n.
  • the predicted time point may be the latest medical examination date in the future for the second period or more from the first medical examination date.
  • the prediction unit 16 stores the calculated Y′_n in the memory 1002.
  • Y′_n represents the predicted value of the target field at the predicted time for employee n.
  • the summarization unit 15 outputs, for example, the predicted value of the target field predicted by the prediction unit 16 in addition to the function of the summarization unit 15 in the first modification.
  • FIG. 13 is a flowchart showing an example of the operation of the data analysis apparatus according to this modification.
  • the data input unit 11 inputs necessary information (step S21).
  • the data input unit 11 inputs the designation of the target field and the first checkup data, the first attendance data, and the second attendance data of each employee.
  • the attribute data generation unit 12 generates second attribute data based on the second attendance data (step S22).
  • the model learning unit 13 learns a model using the value of the target field in the first medical examination data and the content of the second attribute data of a plurality of employees (step S23).
  • the related field extraction unit 14 extracts information on attribute fields related to the target field indicated by the learned model (step S24).
  • the prediction unit 16 calculates a predicted value of the target field of the employee at the time of prediction using the learned model and the first attribute data of the designated employee (step S25).
  • the summary unit 15 summarizes the first attendance data of the designated employee based on the information extracted in Step S24, and outputs the predicted value calculated in Step S25 together with the summary result (Step S25). S26).
  • the advisor can understand and understand the current overwork and irregular working conditions related to the future health checkup results of any employee of interest, and Based on good or bad, it is possible to give health promotion advice to the employee.
  • the attribute data generation unit 12 may include values of predetermined medical examination fields in the medical examination data, such as blood pressure, blood glucose (HbA1c, etc.), lipid (HDL, LDL, etc.), height, weight, and inquiry results (smoking habits, A result obtained by performing a tabulation process using a predetermined method on the values of sleep habits, answers to questions about eating habits, etc.) may be included in the attribute field of the attribute data.
  • predetermined medical examination fields in the medical examination data such as blood pressure, blood glucose (HbA1c, etc.), lipid (HDL, LDL, etc.), height, weight, and inquiry results (smoking habits, A result obtained by performing a tabulation process using a predetermined method on the values of sleep habits, answers to questions about eating habits, etc.) may be included in the attribute field of the attribute data.
  • K indicates the number of medical examination fields to be added to X_nj.
  • the target field is not included in K.
  • the target field in the medical examination data that is actually the target for extracting the relationship is referred to as “target field”.
  • FIG. 14 is an explanatory diagram showing an example of attribute data setting information in this modification.
  • the attribute data generation unit 12 may store attribute data setting information indicating a method for generating attribute data in advance for input information including not only attendance data but also medical examination data. Good.
  • FIG. 14 shows an example in which blood glucose (HbA1c), body weight, and lipid (HDL) values are used as elements of attribute data, that is, attribute fields, among the fields of medical examination data.
  • HbA1c blood glucose
  • body weight body weight
  • HDL lipid
  • medical examination result data can be specified as a data field.
  • the data field “work / vacation acquisition” indicates that the data field to be aggregated is a leave acquisition field for attendance data.
  • the data field “Healthy. Blood glucose” indicates that the data field to be counted is the blood glucose field of the medical examination data.
  • the aggregation method “none” indicates that the value is used as it is.
  • FIG. 15 is an explanatory diagram showing an example of attribute data generated based on the attribute data setting information shown in FIG.
  • the values of at least the 50th to 52nd attribute fields are the values of the medical examination field.
  • the attribute data generation unit 12 generates attribute data from the input attendance data and medical examination data for each employee based on the attribute data setting information.
  • the related field extraction unit 14 also includes information on identifiers and summaries of attendance fields and / or medical examination fields used for generation as attribute field information related to the target field indicated by the learned model. It may be extracted.
  • the summarization unit 15 summarizes and outputs the attendance data and the medical examination data based on the information extracted by the related field extraction unit 14.
  • FIG. 16 is an explanatory diagram showing another example of the attribute table. According to FIG. 16, as a result of the model learning, it is understood that the parameters W c — 14, W c — 20, and W c — 50 corresponding to the coefficients of the 14th, 20th, and 50th attribute fields are values other than 0.
  • FIG. 17 is an explanatory diagram illustrating an example of a summary result of attendance data and medical examination data output by the summary unit 15.
  • the summary result includes an attribute field identifier, an outline, a field name of the original attendance data or medical examination data, a time range, a degree of relevance (model parameter W c — j), an average value, An aggregation result (attribute value) may be included.
  • the summary result may further include information on time resolution and a totaling method.
  • the data input unit 11 specifies the target field and the second attendance data in addition to the first checkup data, the first attendance data, and the second attendance data for each employee.
  • Second medical examination data included in the collection period or collected within a predetermined day from the collection period (for example, until a predetermined number of days elapses) is input.
  • FIG. 18 is an explanatory diagram showing the relationship between attendance data and medical examination data (more specifically, medical examination date) in this modification.
  • the data input unit 11 sets the first medical examination day as the first medical examination day, which is the latest medical examination day from the last day of the first attendance data collection period.
  • the medical examination data on the first medical examination day is input as the first medical examination data, and the most recent medical examination day is selected as the second medical examination day from the last day of the collection period of the second attendance data.
  • the medical examination data on the second medical examination day may be input as the second medical examination data.
  • FIG. 18 is an explanatory diagram showing the relationship between attendance data and medical examination data (more specifically, medical examination date) in this modification.
  • the data input unit 11 sets the first medical examination day as the first medical examination day, which is the latest medical examination day from the last day of the first attendance data collection period.
  • the medical examination data on the first medical examination day is input as the first medical examination data, and the most recent medical examination day is selected as the second medical examination day from the last day
  • the data input unit 11 sets, as the first medical examination date, the medical examination date performed during the collection period of the first attendance data, for example,
  • the medical examination data on the first medical examination day is input as the first medical examination data
  • the medical examination date performed during the collection period of the second attendance data is set as the second medical examination day. You may input the medical examination data in the said 2nd medical examination day as 2nd medical examination data.
  • the attribute data generation unit 12 generates second attribute data from the input second attendance data and second medical examination data for each employee based on the attribute data setting information.
  • the attribute data generation unit 12 may further generate first attribute data for each employee from the input first attendance data and first medical examination data.
  • the model learning unit 13 uses a target field included in the first medical examination data as an objective variable, and learns a model for calculating the value of the objective variable using the second attribute data.
  • the related field extraction unit 14 extracts information on identifiers and summaries of attendance and / or medical examination fields used for generation as attribute field information related to the target field indicated by the learned model. May be.
  • the prediction unit 16 predicts the value of the target field at the time of prediction using the learned model and the first attribute data of the designated employee.
  • the summarization unit 15 summarizes the first attendance data and the first medical examination data based on the information extracted by the related field extraction unit 14, and outputs the predicted value of the target field together with the summary result.
  • the advisor can not only easily grasp and understand the presence or absence of overwork or irregular work status related to any item related to the health condition of interest, but also other matters related to the item. This makes it possible to easily grasp and understand the test values and the presence / absence of interview results, thereby realizing further efficiency improvement of health guidance.
  • the employees may be divided into groups, and each group may be modified so as to perform the processes of the above-described embodiments and modifications.
  • a model is learned for each group, and processing for extracting attribute field information related to the target field is performed.
  • attendance data and, if necessary, medical examination data are summarized based on attribute field information extracted for each group to which the designated employee belongs.
  • calculating the predicted value of the target field it is calculated using a model for each group to which the designated employee belongs.
  • each employee may be grouped based on a predetermined condition. Moreover, you may group each employee based on the attribute data which the attribute data generation part 12 produced
  • FIG. 19 is a block diagram illustrating a configuration example of the data analysis apparatus according to this modification.
  • FIG. 19 shows a configuration example in which the fourth modification is combined with the third modification.
  • the data analysis apparatus 10 illustrated in FIG. 19 further includes a grouping unit 17 in addition to the configuration of the third modification.
  • the grouping unit 17 groups each employee based on a predetermined condition, for example, the grouping unit 17 uses the same items such as the employee's office, department, occupation, age, and gender. Alternatively, employees having similar contents may be assigned to the same group.
  • the grouping unit 17 uses a general grouping method such as K-MEANS clustering technology to group employees with similar attribute data into the same group. You may sort it into.
  • the grouping unit 17 may group the employees based on a predetermined condition indicated by the value of the attribute data or a condition designated by the advisor. .
  • a prediction formula for calculating a predicted value of the target field is provided for each group (see FIG. 20B).
  • ⁇ 1 to ⁇ 4 represent intercepts of the respective prediction equations.
  • the prediction unit 16 not only calculates the predicted value of the target field of the employee using the prediction formula of the group to which the employee belongs, but also uses the prediction formula of another group.
  • a predicted value of the target field of the employee may be calculated.
  • the advisor selects a group in which the employee is likely to move among the groups in which the predicted value of the target field falls within the target range based on the predicted value of the target field of each group and the grouping conditions. Since it can be easily recognized, it can be used to improve items such as work status.
  • the prediction unit 16 may perform a process of calculating the predicted value of the target field of each group even in the case of other grouping methods.
  • the grouping unit 17 performs grouping using the medical examination data of each employee, the contents of the medical examination data are similar using, for example, a general grouping method such as K-MEANS clustering technology. Employees may be assigned to the same group. Further, for example, when there are two types of medical examination data as in the first modification, the difference between the first medical examination data and the second medical examination data of each employee is obtained, and the magnitude of the difference is obtained. Employees with similar may be assigned to the same group.
  • FIG. 21 is a block diagram showing an outline of a data analysis apparatus according to the present invention.
  • the data analysis apparatus 50 includes data acquisition means 51, attribute data generation means 52, model learning means 53, related field extraction means 54, and summarization means 55.
  • the data acquisition means 51 (for example, the data input unit 11) is configured to specify a target field that is a field from which relations are to be extracted from among fields included in health status data that is information on the health status of the employee, and two or more At least health status data about employees and attendance data that is information on work status are acquired.
  • the attribute data generation means 52 (for example, the attribute data generation unit 12) performs aggregation for each employee using a predetermined time resolution, time range, and aggregation method for a predetermined field of the attendance data. And generating attribute data having each of the tabulated results as attribute fields.
  • the model learning unit 53 (for example, the model learning unit 13) uses a target field as an objective variable and each attribute field of the attribute data as an explanatory variable. A member learns using the contents of the target field in the health condition data and the contents of the attribute data.
  • the related field extracting means 54 (for example, the related field extracting unit 14) extracts an attribute field related to the target field, which is indicated by the learned model.
  • Summarizing means 55 summarizes and outputs the attendance data of the designated employee based on the extracted attribute field information.
  • the model learning means learns each coefficient of the explanatory variable included in the polynomial as a model parameter, and the related field extraction means uses the attribute field corresponding to the explanatory variable whose coefficient takes a value other than zero as the target field. It may be extracted as an attribute field related to.
  • the attribute data generation means may perform aggregation for one field of attendance data using a plurality of time resolutions, a plurality of time ranges, or a plurality of aggregation methods.
  • the data acquisition means acquires designations of two or more target fields, and the model learning means sets, for each of the two or more designated target fields, the target field as an objective variable, and sets each attribute field included in the attribute data.
  • a model that is an explanatory variable and represented by a polynomial may be learned using the contents of the target field in the health condition data and the contents of the attribute data of two or more employees.
  • the attendance data includes a record for the first period before the first time point, which is a predetermined time point in the past, which is a predetermined second time period than the expected time point, which is a predetermined future time point, A record for a first period before the second time point, which is a predetermined time point that is more than a second time period from the date on which the health condition data was acquired, and the attribute data generating means 2.
  • Aggregation is performed using a predetermined time resolution, time range, and aggregation method for a predetermined field included in the second attendance data composed of records for the first period before the time point 2, and each of the aggregation results Second attribute data is generated as an attribute field, and the model learning means uses each target field in the latest health condition data as an objective variable, and explains each attribute field included in the second attribute data.
  • a model that is a variable and that is represented by a polynomial is learned by using the contents of the target field in the most recent health condition data and the contents of the second attribute data of two or more employees, and summarizing means Summarizes the first time data consisting of records for the first period before the first time of the specified employee based on the information of the extracted attribute field, You may output as the information of attendance data relevant to a field.
  • the data analysis device 50 determines the expected time of the employee based on the learned model and the first attribute data that is attribute data generated using the first attendance data of the designated employee.
  • Prediction means (not shown; for example, prediction unit 16) may be provided for predicting the value of the target field in.
  • the data analysis device 50 also includes grouping means (not shown; for example, the grouping unit 17) that groups employees based on predetermined conditions, health status data, attendance data, or attribute data.
  • the model learning means may learn a model for each group of employees using the contents of the target field and the contents of the attribute data in the health condition data of the employees belonging to the group.
  • the attribute data may include an attribute field that is a field of the health condition data and in which a total result for a predetermined field other than the target field is registered.
  • the attribute data generation means is predetermined for each of the predetermined fields included in the attendance data and the fields included in the health status data and other than the target fields. Aggregation is performed using the time resolution, the time range, and the aggregation method, and attribute data having each of the aggregation results as attribute fields is generated.
  • the summarizing means uses the information of the extracted attribute fields to specify the specified employee.
  • the attendance data and health status data may be summarized and output.
  • the present invention is not limited to the use of providing field information related to any medical examination test result in attendance data for the purpose of health guidance, but the relationship between data having many fields and records and any item It can be suitably applied to the purpose of analysis.
  • This application claims the priority on the basis of Japanese application Japanese Patent Application No. 2015-142404 for which it applied on July 16, 2015, and takes in those the indications of all here.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

アドバイザーが着目した任意の項目に関連のある、勤怠データを含む従業員の健康状態に関連するデータに含まれる具体的なフィールドの情報を提供する。データ分析装置は、２以上の従業員の健康状態データおよび勤怠データとを取得するデータ取得手段５１と、従業員の各々について、勤怠データの所定のフィールドに対して、予め定められた時間分解能、時間範囲および集計方法を用いて属性データを生成する属性データ生成手段５２と、指定された対象フィールドを目的変数とし、属性データのフィールドの各々を説明変数とする多項式で表されるモデルを学習するモデル学習手段５３と、学習済みモデルに基づき、対象フィールドと関連のある属性データのフィールドを抽出する関連フィールド抽出手段５４と、抽出されたフィールドの情報を基に、指定された従業員の勤怠データを要約して出力する要約手段５５とを備える。

Description

データ分析装置、データ分析方法、およびデータ分析プログラムを格納した記憶媒体
　本発明は、企業等の保健指導を支援するためのデータ分析装置、データ分析方法およびデータ分析プログラムを格納した記憶媒体に関する。
　従業員や業務遂行のための組織に属する者（以下、単に「従業員」という）の健康の維持または増進を図ることは、事業主や組織を管理する者（以下、単に「事業主」という）にとって極めて重要な役割の一つである。このため、事業主は、産業医や保健師などの医療従事者を配備して、従業員に対して、健康診断や保健指導に関する多くの施策を実施している。
　これまで、保健指導として、従業員の健康診断結果や、食事、運動習慣、睡眠習慣、喫煙習慣等の生活習慣に関する問診結果に基づいて、医療従事者が、従業員に対して健康増進のためのアドバイスをする、といったことが行われている。
　近年、医療従事者が従業員に行っていた保健指導の効率化を目的として、従業員の健康診断結果や生活習慣に関する問診結果から、その従業員の健康上や生活習慣上の特徴を抽出する装置が考案されている。
　例えば、特許文献１には、アドバイスを求める複数の個人の健康診断結果と生活習慣の問診結果とに基づいて個人をグループ化し、グループごとに抽出される健康状態および生活習慣の特徴に基づいて、健康維持・増進のためのアドバイスを行う健康サポートシステムが記載されている。
　特許文献１に記載の技術を利用すれば、例えば、他のグループに比べて血圧の値が高いグループに属する個人に対して、医学的見地に基づき、血圧を下げるために塩分を抑えた食事をとるように、といったアドバイスを行うことができる。
特開２０１０－１７０５３４号公報
　従業員の健康状態は生活習慣に依存している部分も多いことから、効果的な保健指導の実施のためには、生活習慣の乱れの要因を把握することが重要である。
　生活習慣の乱れが起きる要因として、従業員の食事、運動、睡眠などの生活上の基本的事項（主に生活の状態に関する事項）の乱れが挙げられる。しかし、職場での長時間労働などの過重労働や不規則な勤務形態が、生活習慣の乱れに関係している場合がある。例えば、業務や職場環境での心的ストレスが引き金となり、従業員の身体にいつの間にか深刻な疾病を引き起こすことが考えられる。
　そのため、従業員に効果的にアドバイスを行うためには、従業員の健康診断結果や食事、運動、睡眠などの生活習慣に関する問診結果だけでなく、日々の残業時間、休暇取得頻度、休日出勤の頻度といった勤務状況も的確に把握・理解することが重要である。
　なお、医療従事者等の保健指導を行うアドバイザーは、従業員の勤務状況を確認する重要な情報源として、従業員ごとの日々の出社時刻、退社時刻、勤務の有無、休暇の有無、残業時間といった勤務状況に関する事項が時系列で並べられた情報である勤怠データを活用している場合が多い。
　しかし、一般に勤怠データには数十ものフィールドが含まれており、またその多くは１日１レコードずつデータが記録されて増えていく。このように、勤怠データはフィールド数に加えてレコード数も多くなる傾向にあるが、各従業員の保健指導の時間は限られているため、アドバイザーが限られた時間内にこれらの情報を全て確認することは難しい。
　このように、見るべき勤怠データの量が多いために、アドバイザーが、健康状態に関連のある具体的な勤務状況（例えば、過重労働や不規則な勤務状態等の有無またはその度合い）を、勤怠データから容易に得ることができないという問題があった。
　なお、特許文献１には、健康状態とその管理に関するデータから共分散構造分析によって複数の健康状態グループを生成し、それら健康状態グループに属する者に特徴的な特性を、該グループに留まるもしくは他のグループに移行するための推奨項目データとして提示することが記載されている。これにより、健康指導者は、提示された推奨項目データを基に、推奨行動情報を提示するなどのアドバイスを行うことができる。
　しかし、特許文献１に記載の方法は、各グループに属する特徴的な特性を示す項目を抽出するだけであって、アドバイザーの目的に合うような項目や該項目の関連度等を抽出することはできない。例えば、アドバイザーが、ある症状に着目しており、勤怠データの中からその症状と特に関連のあるフィールドだけを残して他のフィールドは提示されないことを望んでいたとする。このような場合に、特許文献１に記載の方法を適用しても、その症状の有無や程度によってグループ化がされる保証はない。また、アドバイザーは、別のタイミングでは、別の症状に着目して、勤怠データの中からその症状と特に関連のあるフィールドだけを残して他のフィールドは提示されないことを望むことも考えられる。しかし、特許文献１には、アドバイザーの目的に合わせて勤怠データを適切に要約（情報を取捨選択および加工等）して提示する方法については何ら記載されていない。
　そこで、本発明は、上述した課題に鑑みて、アドバイザーが、着目した任意の項目に関連のある、勤怠データを含む従業員の健康状態に関連するデータに含まれる具体的なフィールドの情報を容易に得ることができるデータ分析装置、データ分析方法およびデータ分析プログラムを提供することを目的とする。
　本発明によるデータ分析装置は、従業員の健康状態に関する情報である健康状態データが有するフィールドのうち関連性の抽出対象とするフィールドである対象フィールドの指定と、２以上の従業員についての健康状態データおよび勤務状況に関する情報である勤怠データと、を少なくとも取得するデータ取得手段と、従業員の各々について、勤怠データが有する所定のフィールドに対して、予め定められた時間分解能、時間範囲および集計方法を用いて集計を行い、集計結果の各々を属性フィールドとして有する属性データを生成する属性データ生成手段と、対象フィールドを目的変数とし、属性データが有する属性フィールドの各々を説明変数とするモデルであって多項式で表されるモデルを、２以上の従業員の、健康状態データにおける対象フィールドの内容と、属性データの内容とを用いて学習するモデル学習手段と、学習済みのモデルによって示される、対象フィールドと関連のある属性フィールドを抽出する関連フィールド抽出手段と、抽出された属性フィールドの情報を基に、指定された従業員の勤怠データを要約して出力する要約手段とを備えたことを特徴とする。
　本発明によるデータ分析方法は、情報処理装置が、従業員の健康状態に関する情報である健康状態データが有するフィールドのうち関連性の抽出対象とするフィールドである対象フィールドの指定と、２以上の従業員についての健康状態データおよび勤務状況に関する情報である勤怠データと、を少なくとも取得し、情報処理装置が、従業員の各々について、勤怠データが有する所定のフィールドに対して、予め定められた時間分解能、時間範囲および集計方法を用いて集計を行い、集計結果の各々を属性フィールドとして有する属性データを生成し、情報処理装置が、対象フィールドを目的変数とし、属性データが有する属性フィールドの各々を説明変数とするモデルであって多項式で表されるモデルを、２以上の従業員の、健康状態データにおける対象フィールドの内容と、属性データの内容とを用いて学習し、情報処理装置が、学習済みのモデルによって示される、対象フィールドと関連のある属性フィールドを抽出し、情報処理装置が、抽出された属性フィールドの情報を基に、指定された従業員の勤怠データを要約して出力することを特徴とする。
　本発明による記憶媒体に格納されたデータ分析プログラムは、コンピュータに、従業員の健康状態に関する情報である健康状態データが有するフィールドのうち関連性の抽出対象とするフィールドである対象フィールドの指定と、２以上の従業員についての健康状態データおよび勤務状況に関する情報である勤怠データと、を少なくとも取得する処理、従業員の各々について、勤怠データが有する所定のフィールドに対して、予め定められた時間分解能、時間範囲および集計方法を用いて集計を行い、集計結果の各々を属性フィールドとして有する属性データを生成する処理、対象フィールドを目的変数とし、属性データが有する属性フィールドの各々を説明変数とするモデルであって多項式で表されるモデルを、２以上の従業員の、健康状態データにおける対象フィールドの内容と、属性データの内容とを用いて学習する処理、学習済みのモデルによって示される、対象フィールドと関連のある属性フィールドを抽出する処理、および抽出された属性フィールドの情報を基に、指定された従業員の勤怠データを要約して出力する処理を実行させることを特徴とする。
　本発明によれば、アドバイザーが、着目した任意の項目に関連のある、勤怠データを含む従業員の健康状態に関連するデータに含まれる具体的なフィールドの情報を容易に得ることができる。
第１の実施形態のデータ分析装置の構成例を示すブロック図である。 データ分析装置１０のハードウェア構成の一例を示す構成図である。 第１の実施形態のデータ分析装置１０の動作の一例を示すフローチャートである。 勤怠データと該勤怠データに対する時間分解能の時系列上の関係を示す説明図である。 勤怠データの例を示す説明図である。 属性データ設定情報の例を示す説明図である。 属性データの例を示す説明図である。 学習の結果得られたモデルパラメータを含む属性表の例を示す説明図である。 勤怠データの要約結果の例を示す説明図である。 第１の変形例の勤怠データの例を示す説明図である。 第１の変形例の勤怠データの他の例を示す説明図である。 第２の変形例のデータ分析装置の構成例を示すブロック図である。 第２の変形例のデータ分析装置の動作の一例を示すフローチャートである。 第３の変形例の属性データ設定情報の例を示す説明図である。 第３の変形例の属性データの例を示す説明図である。 属性表の他の例を示す説明図である。 勤怠データおよび健診データの要約結果の例を示す説明図である。 第３の変形例の勤怠データと健診検査日との関係を示す説明図である。 第４の変形例のデータ分析装置の構成例を示すブロック図である。 第４の変形例のグループ分けの例を示す説明図である。 本発明によるデータ分析装置の概要を示すブロック図である。
実施形態１．
　以下、本発明の実施形態を図面を参照して説明する。図１は、本発明の第１の実施形態のデータ分析装置の構成例を示すブロック図である。
　図１に示すデータ分析装置１０は、データ入力部１１と、属性データ生成部１２と、モデル学習部１３と、関連フィールド抽出部１４と、要約部１５とを備えている。
　データ入力部１１は、データ分析装置１０の各処理部で必要とされる情報を入力する。
入力情報は、例えば、従業員の健康状態に関するデータである健康状態データに含まれるフィールドのうち関連性の抽出対象とするフィールドである対象フィールドの指定と、過去の健康状態データと、該健康状態データが計測等された日であるデータ計測日よりも過去の所定期間分のデータを有する勤怠データと、が含まれていてもよい。
　以下では、健康状態データが、従業員の健診、検査または健康に関する問診の結果を示す健診データであり、データ計測日が健診データを取得した日である健診検査日（複数ある場合はそのいずれか）である場合を例に用いて説明するが、健康状態データおよびデータ計測日はこれらに限られない。また、広義の健康状態データには、勤怠データも含まれる。
　また、データ入力部１１は、上記の情報以外に、例えば、後述するような属性データの生成方法を示す情報を入力してもよい。
　ここで、対象フィールドは、健康状態データに含まれるフィールドであればいずれでもよく、また、複数であってもよい。
　属性データ生成部１２は、入力された勤怠データを基に、各従業員の勤務状況の種々の特徴を示す属性データを生成する。より具体的には、属性データ生成部１２は、勤怠データのフィールドごとに、１ヶ月ごと、四半期ごと、半年ごと、１年ごと等の予め定められた時間分解能で、従業員の各々の様々な時間範囲の情報を集計した属性データを生成する。ここで、集計方法すなわち集計に用いる計算方法は１つに限られず、複数の計算方法を用いてもよい。また、１つの勤怠フィールドに対して、複数の時間分解能および時間範囲を用いて集計が行われることが好ましい。
　モデル学習部１３は、対象フィールドを目的変数とし、属性データのフィールド（以下、属性フィールドという）の各々を説明変数とする多項式であって、各説明変数の値から目的変数の値を算出する多項式で表されるモデルを、入力された複数の従業員の健診データと勤怠データとを用いて学習する。モデル学習部１３は、具体的には、該多項式における各説明変数の係数を学習する。
　関連フィールド抽出部１４は、学習されたモデルによって示される、対象フィールドと関連のある属性フィールドを抽出する。関連フィールド抽出部１４は、具体的には、係数がゼロ以外の値をとる説明変数に対応する属性フィールドを抽出すればよい。また、関連フィールド抽出部１４は、抽出した属性フィールドの情報として、該属性フィールドの生成に用いた勤怠フィールドおよび該フィールドに対する要約方法に関する情報（該勤怠フィールドに対する時間分解能、時間範囲、集約方法等）を抽出してもよい。加えて、関連フィールド抽出部１４は、関連性の度合いを示す情報として、係数の値を抽出してもよい。
　要約部１５は、関連フィールド抽出部１４による抽出結果を基に、勤怠データを要約して出力する。例えば、要約部１５は、指定された従業員の勤怠データのうち、抽出された属性フィールドの生成に用いた勤怠フィールド以外のフィールドを除外して出力してもよい。また、例えば、要約部１５は、指定された従業員の勤怠データのうち、抽出された属性フィールドの生成に用いた勤怠フィールドに対して、抽出された時間分解能、時間範囲、集計方法を用いて集計を行った結果を、係数の値とともに出力してもよい。
　なお、時間分解能が１日である場合等、元のデータをそのまま出力する場合も、「集計」に含まれるものとする。また、集計結果は、既に属性フィールドの属性値として保持されている場合がある。この場合、要約部１５は集計処理を省略してもよい。
　また、図２は、データ分析装置１０のハードウェア構成の一例を示す構成図である。図２に示すデータ分析装置１０は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１００１、メモリ１００２、出力装置１００３、入力装置１００４およびネットワークインタフェース１００５を含む。
　メモリ１００２は、例えば、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、補助記憶装置（ハードディスク等）等である。出力装置１００３は、例えば、ディスプレイ装置やプリンタ等のように、情報を出力する装置である。入力装置１００４は、例えば、キーボードやマウス等のように、ユーザ操作の入力を受け付ける装置である。ネットワークインタフェース１００５は、例えば、インターネット、ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）、公衆回線網、無線通信網またはこれらの組合せ等によって構成されるネットワークに接続するインタフェースである。
　例えば、図１に示したデータ分析装置１０の上記機能ブロックの各々は、メモリ１００２に格納されるコンピュータ・プログラムを読み込んで実行するとともに他の各部を制御するＣＰＵ１００１によって構成される。なお、データ分析装置１０およびその各機能ブロックのハードウェア構成は、上記の構成に限定されない。
　なお、データ入力部１１は、上述した入力情報を外部から入力する以外にも、メモリ１００２から読み出してもよい。
　次に、本実施形態の動作について説明する。図３は、本実施形態のデータ分析装置１０の動作の一例を示すフローチャートである。図３に示す例では、まず、データ入力部１１が、対象フィールドの指定と、従業員の各々の健診データおよび勤怠データを入力する（ステップＳ１１）。
　図４は、入力情報としての勤怠データと該勤怠データに対する時間分解能の時系列上の関係を示す説明図である。図４（ａ）に示すように、勤怠データは、判断時点（例えば、アドバイスを行う時点）以前の直近の健診検査日より過去の所定期間（例えば、１年）分のレコードを含んだものであってもよい。なお、図４（ａ）では、上記の所定期間の末日が健診検査日となる例を示しているが、勤怠データの収集期間となる所定期間と健診検査日との間に任意の日数の開きがあってもよい。例えば、図４（ｂ）に示すように、勤怠データは、直近の健診検査日より過去の任意の時点（例えば、年度末等）を第１の時点として、当該第１の時点以前の所定期間分のレコードを含んだものであってもよい。また、健診検査日は直近のものに限られない。換言すると、勤怠データは、関係性の抽出対象とされる対象フィールドの内容を取得した日（健診検査日）を超えない、所定期間を含む時間範囲のレコードを含んでいればよい。また、属性データの生成に用いられる時間分解能は、勤怠データ全体の時間範囲よりも短い期間であれば特に問わない。
　また、図５は、勤怠データの構成例を示す説明図である。図５に示すように、勤怠データは、従業員ごとの日々の出社時刻、退社時刻、勤務の有無、休暇の有無、残業時間といった勤務状況に関する事項が時系列で並べられた情報であってもよい。本実施形態では、勤怠データに含まれる、勤務状況に関する事項の各々をフィールド、すなわち勤怠フィールドと呼んでいる。また、勤怠データに含まれる、ある時点における各勤怠フィールドの値の集合を、勤怠データのレコードと呼んでいる。なお、図５には、社員番号＝１０の従業員の勤怠データの例が示されているが、他の従業員についても同様の勤怠データが入力される。
　次に、属性データ生成部１２は、勤怠データが有する所定のフィールドに対して、任意の時間分解能、時間範囲、集計方法を用いて集計を行って、属性データを生成する（ステップＳ１２）。
　図６は、属性データ設定情報の例を示す説明図である。属性データ生成部１２は、例えば図６に示すような、属性データの生成方法を示す属性データ設定情報に従って、勤怠フィールドに対して集計処理を行い、属性データを生成してもよい。図６には、属性フィールドの各々について、識別子と、概要と、集計対象とする勤怠フィールドと、該勤怠フィールドの時間分解能と、該勤怠フィールドの時間範囲と、該勤怠フィールドに対する集計方法とを含む属性データ設定情報の例が示されている。属性データ生成部１２は、このような属性データ設定情報によって示される、時間分解能、時間範囲および集計方法に基づき、指定された勤怠フィールドに対して集計処理を行って、集計結果の各々を属性フィールドとして含む属性データを生成してもよい。ここで、１つの属性フィールドの値は、複数の勤怠フィールドを用いて算出されてもよい。一例として、複数の勤怠フィールドの値を用いて算出される比などが挙げられる。その場合、属性データ設定情報には、集計対象とされる勤怠フィールドとして、複数の勤怠フィールドが登録される。
　図７は、属性データの例を示す説明図である。図７に示すように、属性データ生成部１２は、従業員毎に、各属性フィールドの値（集計結果）を属性値として含む属性データを生成してもよい。
　次に、モデル学習部１３は、対象フィールドを目的変数、ステップＳ１２で生成された属性データが有する属性フィールドの各々を説明変数とする多項式からなるモデルを、複数の従業員についての健診データ（特に対象フィールドの値）および属性データ（特に属性フィールドの各々の値）を用いて学習する（ステップＳ１３）。
　次に、関連フィールド抽出部１４は、ステップＳ１３で学習されたモデルによって示される、対象フィールドと関連のある属性フィールドを抽出する（ステップＳ１４）。ここで、関連フィールド抽出部１４は、例えば、モデルのパラメータ（多項式の係数）が０以外の値をとる説明変数に対応する属性フィールドの情報を抽出すればよい。
　次に、要約部１５は、ステップＳ１４で抽出された情報に基づいて、指定された従業員の勤怠データを要約して、指定された対象フィールドと関連のある勤怠データの情報として出力する（ステップＳ１５）。ここで、従業員の指定は１人に限らず、複数（全員を含む）であってもよい。その場合、要約部１５は、指定された従業員の各々について、勤怠データを要約して、指定された対象フィールドと関連のある勤怠データの情報として出力すればよい。
　なお、対象フィールドが複数設定されている場合には、対象フィールドそれぞれについて、ステップＳ１３～ステップＳ１５の動作を繰り返せばよい。
　続いて、ステップＳ１２～ステップＳ１５における動作をより詳細に説明する。
（１）属性データ生成フェーズ（ステップＳ１２）の動作のより詳細な一例
　本例では、Ｎ人の従業員の勤怠データが入力されたとする。なお、Ｎは１以上の整数である。また、ｎ番目の従業員の属性データをＸ＿ｎと表す。ここで、ｎ＝１，・・・，Ｎである。本例の属性データＸ＿ｎは、複数個の要素からなるベクトルとして表される。例えば、属性データの要素数（フィールド数）が７であるとする。この場合、属性データ生成部１２は、１番目の従業員の属性データとして、Ｘ＿１＝（０，０，３，２，１，０，０）と表されるようなデータを生成してもよい。これは、１番目の従業員について、１番目の属性フィールドの値が０、２番目の属性フィールドの値が０、３番目の属性フィールドの値が３、４番目の属性フィールドの値が２、５番目の属性フィールドの値が１、６番目の属性フィールドの値が０、７番目の属性フィールドの値が０、であることを表している。属性データ生成部１２は、従業員ごとに属性データを生成し、生成された属性データをメモリ１００２に格納する。
　例えば、図６に示す例の場合、１番目の属性フィールドの要素（属性値）には、その従業員の２０１４年１月１日～２０１４年１月３１日における休暇取得回数を計数した結果、より具体的には、指定された１ヶ月間の時間範囲における、勤怠フィールド＝“休暇取得”の値を加算した結果値が入る。なお、図７によれば、社員番号＝１の従業員の属性データにおける当該属性値が１であることがわかる。
　ここで、ある従業員の属性データの要素（属性フィールド）の１つは、その従業員の勤怠データにおいて、任意の時間分解能を用いて集計処理された勤怠データの休暇取得日や勤務時間、連続休暇の回数、遅刻回数等であってもよい。例えば、月ごとの休暇取得回数であれば、当該月において休暇を取得した日の合計日数が当該属性フィールドの属性値として算出される。また、月ごとの平均勤務時間であれば、（当該月の合計勤務時間／当該月の実働日の日数）が当該属性フィールドの属性値として算出される。なお、図７には、属性データの要素として、社員番号＝１の従業員について、１ヶ月ごとの休暇取得回数、四半期の平均休暇取得回数、半年の平均休暇取得回数、１年の平均休暇取得回数、１ヶ月ごとの平均勤務時間を少なくとも含む例が示されている。
（２）モデル学習フェーズ（ステップＳ１３）の動作のより詳細な一例
　以下、従業員ｎの属性データのｊ番目の要素を、Ｘ＿ｎｊと表す。ここで、ｊ＝１，・・・，Ｍ（Ｍは属性データの要素数である）。また、従業員ｎの健診データのうち、対象フィールドの値をＹ＿ｎと表す。以下の式（１）は、Ｙ＿ｎとＸ＿ｎの関係を示す式である。
Ｙ＿ｎ＝ｆ（Ｘ＿ｎ）　・・・（１）
　モデル学習部１３は、上記の式（１）で示される関数ｆ（）を表現するために必要となるパラメータを学習する。本例では、ｆ（）は、説明変数と説明変数毎の係数とから構成される多項式で表現される関数であるとする。
　ここで、Ｘ＿ｎを、属性データに対応するＭ次元の説明変数とし、Ｙ＿ｎを数値とする。また、Ｗを、Ｍ次元の重みベクトルとすると、上記の式（１）は式（２）のように表される。なお、Ｍ次ベクトルのＷに、多項式の切片を表すための１次元を追加して、Ｍ＋１次元の重みベクトルＷとしてもよい。以下、Ｍ次元ベクトルかＭ＋１次元ベクトルのどちらかに限定しない限りは、重みベクトルＷはＭ次元ベクトルとして扱う。
Figure JPOXMLDOC01-appb-M000001
 　
　ここで、上付きのＴは、ベクトルの転置を表す。
　例えば、複数の従業員について、対象フィールドの値と属性データの組、すなわち｛Ｘ＿ｎ，Ｙ＿ｎ｝（ｎ＝１，・・・，Ｎ）が与えられたとする。この場合、次式（３）の目的関数を最適化することによって、パラメータＷの値を算出できる。
Figure JPOXMLDOC01-appb-M000002
 　
　ここで、λは、二乗和誤差（右辺第１項）と、罰則項（右辺第２項）とのバランスを調整するパラメータである。また、｜｜Ｗ｜｜は、Ｗのノルムである。通常は、Ｌ１ノルムまたはＬ２ノルムが用いられる。また、Ｌ（Ｗ）は、Ｗに関する凸関数であり、勾配法に準じた方法によって最大化することが可能である。
　モデル学習部１３は、例えば、モデル学習処理として、上記の式（３）のＬ（Ｗ）を最大化するパラメータＷの値を求めてもよい。以下、ここで求められたパラメータＷの値を、Ｗｃと表す場合がある。モデル学習部１３は、求めたＷｃをメモリ１００２に記憶する。
　図８は、学習の結果得られたモデルパラメータＷｃを含む属性表の例を示す説明図である。図８には、１４番目と２０番目の属性フィールドの係数に相当するパラメータＷｃ＿１４およびＷｃ＿２０が０以外の値であり、それ以外のパラメータＷｃ＿１～Ｗｃ＿１３，Ｗｃ＿１５～Ｗｃ＿１９，Ｗｃ＿２１～が０である例が示されている。モデル学習部１３は、例えば、図８に示すような、属性フィールドの識別子と、当該属性フィールドの係数として求めたパラメータＷｃ＿ｊとを対応づけた属性表を、メモリ１００２に記憶してもよい。
（３）関連フィールド抽出フェーズ（ステップＳ１４）の動作のより詳細な一例
　関連フィールド抽出部１４は、例えば、メモリ１００２に記憶されている属性表から、多項式の係数に相当する各モデルパラメータＷｃ＿ｊ（ｊ＝１，・・・，Ｍ）の値を読み出す。
　そして、関連フィールド抽出部１４は、読みだしたＷｃ＿ｊのうち、値が０以外のＷｃ＿ｊに対応する属性フィールドの識別子を抽出してもよい。そして、抽出した識別子を基に、当該属性フィールドの生成に用いた、勤怠フィールド、時間分解能、時間範囲および集計方法の組を抽出してもよい。
　例えば、関連フィールド抽出部１４は、Ｗｃ＿ｊ（ｊ＝１，・・・，Ｍ）のうち、絶対値である｜Ｗｃ＿ｊ｜の値が０より大きいｊについて、属性データ設定情報に基づき、当該ｊ番目の属性フィールドの生成に用いた勤怠フィールド、当該勤怠フィールドに対する時間分解能、時間範囲および集計方法の組を抽出してもよい。
　ここで、Ｗｃ＿ｊが負の値の場合、対象フィールドと当該ｊ番目の属性フィールドとの間に負の相関があることを表している。また、Ｗｃ＿ｊが正の値の場合、対象フィールドと当該ｊ番目の属性フィールドとの間に正の相関があることを表している。なお、Ｗｃ＿ｊが０の場合、対象フィールドと当該ｊ番目の属性フィールドとの間には相関がないことを表している。
　関連フィールド抽出部１４は、モデル学習部１３によるモデル学習の結果、０以外の値となったＷｃ＿ｊに対応する属性フィールド全てについて、勤怠フィールド、当該勤怠フィールドに対する時間分解能、時間範囲および集計方法の組を抽出してもよい。また、関連フィールド抽出部１４は、抽出した情報をメモリ１００２に記憶してもよい。
　例えば、図８に示す属性表の例の場合、１４番目と２０番目の属性フィールドの係数に相当するパラメータＷｃ＿１４およびＷｃ＿２０が０以外の値であることから、１４番目と２０番目の属性フィールドについて、勤怠フィールド、当該勤怠フィールドに対する時間分解能、時間範囲および集計方法の組が抽出され、メモリ１００２に記憶される。
（４）要約フェーズ（ステップＳ１５）の動作のより詳細な一例
　要約部１５は、メモリ１００２から、対象フィールドと関連のある属性フィールドの情報として記憶された、勤怠フィールド、時間分解能、時間範囲および集計方法の組を読み出す。そして、要約部１５は、読みだした情報に基づいて、指定された従業員の勤怠データを要約して、その結果を出力する。出力先は、メモリ１００２、出力装置１００３またはネットワークインタフェース１００５を介して接続される他の装置等であってもよい。
　図９は、要約部１５が出力する勤怠データの要約結果の例を示す説明図である。図９に示すように、要約部１５は、対象フィールドと正または負の相関のある属性フィールド全てについて、当該属性フィールドの概要や、生成に用いた勤怠フィールド、正負の相関の度合いとともに、指定された従業員の属性値を出力してもよい。ここでは、この属性値が、当該従業員の勤怠データの要約結果に相当する。また、モデルパラメータＷｃ＿ｊが、正負の相関の度合いを示す情報に相当する。なお、図９には、上記に加えて、全従業員の該属性値の平均も併せて出力する例が示されている。また、図９では図示省略しているが、要約方法（時間分解能や時間範囲や集計方法等）の情報も併せて出力してもよい。
　全従業員の属性値の平均を出力することにより、例えば、アドバイザーは、指導対象の従業員（この場合、社員番号＝１の従業員）の属性値が、他の従業員と比較して大きいか小さいかを容易に理解でき、保健指導に活用できる。
　例えば、図９に示す例において、社員番号＝１の従業員は、勤怠データの収集期間における第２四半期の平均休暇取得回数が２．７回となっており、全従業員の平均値２．３回と比べて大きい。また、当該属性フィールドの係数であるモデルパラメータＷｃ＿ｊの値から、当該属性フィールドの属性値すなわち第２四半期の平均休暇取得回数は、対象フィールドに対して正の相関があることがわかる。このことから当該属性値が大きいほど、対象フィールドの値も大きくなると解釈できる。具体例をあげると、例えば、対象フィールドが血糖値であったとすると、当該属性フィールドの属性値が大きいほど、血糖値の値が大きくなると解釈できる。アドバイザーは、例えば、当該従業員の対象フィールドの値が高い要因の１つとして、第２四半期の平均休暇取得回数が多いことを挙げることができる。なお、１月平均勤務時間についても同様である。
　このように、対象フィールドと勤怠データとの間の関連性が容易にかつ具体的に理解されるので、アドバイザーは、的確なアドバイスを行うことができる。上述した例によれば、アドバイザーは、社員番号＝１の従業員に対して、第２四半期の平均休暇取得回数および１月平均勤務時間に着目して、健康増進の観点から、勤務状況に関するアドバイスを行うことができる。
　以上のように、本実施形態によれば、アドバイザーに、指定された任意の健診フィールドに関連のある勤怠フィールドを提示だけでなく、その勤怠フィールドに対する的確な時間分解能、時間範囲、集計方法等の情報や、実際にそれらの方法で要約した勤怠データを提供することができる。このため、アドバイザーはこれらの情報を基に、適切なアドバイスを行うことができる。また、勤怠データを要約して提示するだけでなく、それら要約された勤怠データに含まれる勤怠フィールドが対象フィールドとどのような関連性を有しているか、またその度合い（正または負の相関度合い）も提供することができるので、アドバイザーはこれらの情報を基に、より適切なアドバイスを行うことができる。
　次に、本実施形態の変形例をいくつか説明する。
［変形例１］
　図１に示したデータ分析装置は、アドバイザーが、従業員の、判断時点での健康状態に関連のある勤務状況の有無等を勤怠データから容易に把握、理解可能にすることを目的としている。このため、該データ分析装置は、判断時点以前の健診データと、その健診データを得た健診検査日より過去の所定の期間分の勤怠データとの間の関連性を多項式モデルの係数で表し、該モデルを学習して得られる各係数の値を基に、上記の所定の期間分の各従業員の勤怠データを要約して出力する。
　一方で、アドバイザーにとっては、判断時点での従業員の健康状態を維持・増進することを目的とした保健指導だけでなく、例えば、健診データが得られない半年後や１年後や３年後といった将来の従業員の健康状態を維持・増進することを目的として、早期に将来の健康増進を図る保健指導も重要である。
　そこで、第１の変形例では、将来の時点での対象フィールドに関連のある、現時点で取得済みの勤怠データの情報を出力可能にする。
　より具体的には、入力情報に、次の情報を追加する。すなわち、勤怠データとして、学習に用いる第１の勤怠データと、将来の時点における対象フィールドとの関連性を提示する対象とする第２の勤怠データとを入力する。
　図１０は、第１の変形例において入力される勤怠データの例を示す説明図である。図１０に示すように、本例のデータ入力部１１は、勤怠データとして、例えば、判断時点より過去の所定の第１の時点以前の第１の期間分のレコードを含む第１の勤怠データと、直近の健診検査日（第１の健診検査日）よりも予め定めた第２の期間以上遡った所定の時点である第２の時点以前の第１の期間分のレコードを含む第２の勤怠データとを入力してもよい。なお、図１０に示す例では、第１の健診検査日が第１の時点よりも将来の日として示されているが、第１の検視検査日と第１の時点との関係はこの限りではない。すなわち、第１の検視検査日は第１の時点よりも過去であってもよい（後述の図１１参照）。
　本例では、第１の健診検査日における健診データの対象フィールドの内容を目的変数として、第２の勤怠データを用いて生成される第２の属性データの属性フィールドの各々の内容を説明変数として学習を行う。そして、学習した内容を基に、第１の勤怠データを用いて生成される第１の属性データの各々の内容と将来の時点である予想時点における対象フィールドの内容との間の関連性を提示する。換言すると、第２の時点以前の第１の期間を学習に使う期間とし、第１の時点以前の第１の期間を予測に使う期間としている。より具体的には、第１の勤怠データを、予想時点の対象フィールドとの関連性を導出する対象、すなわち予測に用いる勤怠データとして使用し、第２の勤怠データを、予測のための学習に用いる勤怠データとして使用する。
　また、図１１は、第１の変形例において入力される勤怠データの他の例を示す説明図である。データ入力部１１は、例えば、図１１に示すように、予想時点より第２の期間分以上遡った過去の所定の時点を第１の時点として、該第１の時点以前の第１の期間分のレコードを含む第１の勤怠データを入力するとともに、判断時点より過去の直近の健診検査日（図中の第１の健診検査日）よりも第２の期間分以上遡った所定の時点を第２の時点として、該第２の時点以前の第１の期間分のレコードを含む第２の勤怠データを入力してもよい。この場合、予想時点は、判断時点より過去の任意の第１の時点から第２の期間先の将来の時点とされてもよい。なお、本例において第１の時点は、判断時点より過去であればよく、必ずしも第１の健診検査日より過去でなくてもよい。また、第２の時点は、判断時点よりも過去の第１の健診検査日よりも第２の期間以上過去の日であればよい。なお、第１の勤怠データの収集期間と第２の勤怠データの収集期間とは必ずしも連続していたり、重なっていなくてもよい。すなわち、第１の勤怠データの収集期間と第２の勤怠データの収集期間との間に任意の日数の開きがあってもよい。
　以下、判断時点以前の直近の健診データを第１の健診データという場合がある。また、以下、第１の期間を収集期間といい、第２の期間を遡り期間という場合がある。なお、第２の期間は、第１の健診検査日と第２の時点との間が、ある一定以上、より具体的には第１の時点から所望する予想時点までの期間以上、離れるように設定されればよく、第１の期間との間の大小関係は特に問わない。すなわち、第２の期間は、第１の期間と同じであってもよいし、第１の期間よりも短くてもまたは長くてもよい。なお、第１の勤怠データと第２の勤怠データとを特に区別せず、第１の勤怠データの収集期間と、第２の勤怠データの収集期間の両方の期間を含む期間分のレコードを含む１つの勤怠データを入力してもよい。そのような場合であっても、以下では、説明の便宜上、第１の勤怠データと第２の勤怠データとを区別して表現する。
　本変形例の構成は、基本的に図１に示した第１の実施形態の構成と同様でよい。
　本変形例において、データ入力部１１は、上述した第１の実施形態における入力情報に加えて、従業員の各々の第２の勤怠データを入力する。
　また、属性データ生成部１２は、従業員の各々について、入力された第２の勤怠データを基に、属性データを生成する。なお、属性データの生成方法は、第１の実施形態と同様でよい。以下、第２の勤怠データを用いて生成される属性データを第２の属性データといい、第１の勤怠データを用いて生成される属性データを第１の属性データという場合がある。属性データ生成部１２は、第２の属性データに加えて、第１の属性データを生成してもよい。
　なお、図６に示した属性データ設定情報の例では、時間範囲が具体的な日付等で示されていたが、本例の属性データ設定情報の時間範囲には、集計対象とされる勤怠データの収集開始時点（例えば、第２の健診検査日より第１の期間分遡った過去の時点）を基準に、「開始時点の年の１月分」といった内容が設定されているものとする。
　また、モデル学習部１３は、第１の健診データの対象フィールドを目的変数とし、第２の属性データの属性フィールドの各々を説明変数とする多項式モデルを、複数の従業員についての第１の健診データおよび第２の属性データを用いて学習する。なお、上述した第１の実施形態と比べて、第１の属性データではなく、第２の属性データを用いている点が異なる。当該モデルは、第１の健診検査日において取得される対象フィールドの値に、それよりも第２の期間以上遡った時点（第２の時点）以前の勤怠データが与える影響を表わしたモデルと言える。
　関連フィールド抽出部１４は、上述した第１の実施形態と同様でよい。すなわち、関連フィールド抽出部１４は、学習されたモデルによって示される、対象フィールドと関連のある属性フィールドを抽出する。
　要約部１５は、関連フィールド抽出部１４が抽出した情報に基づいて、例えば、第１の勤怠データを要約して出力する。要約処理については、第１の実施形態と同様でよい。要約部１５は、例えば、モデル学習によって対象フィールドと相関があると認められた属性フィールド全てについて、該属性フィールドの情報（勤怠フィールド、要約方法、関連度合い等）とともに、指定された従業員の第１の属性データの属性値を出力してもよい。また、要約部１５は、第１の属性データが既に生成済みの場合は、要約処理を省略して第１の属性データの属性値を利用することも可能である。
　これにより、アドバイザーは、予想時点での対象フィールドと関連のある勤怠データの情報を得ることができる。アドバイザーは、例えば、このような要約された第１の勤怠データに基づいて、従業員の各々について、第１の健診検査日から第２の期間以上将来（例えば、半年後や１年後等）の健診データにおける対象フィールドの値に影響すると予想される、勤務状況の有無等を容易に把握・理解することができる。
　ここで、関連フィールド抽出部１４が抽出した情報によって示される、第１の健診データにおける対象フィールドと第２の勤怠データとの間の関連性は、判断時点から過去のデータ、より具体的には第１の健診検査日における健診データを目的変数とし、それよりも第２の期間以上遡った第２の時点で収集可能な第２の勤怠データから生成される属性フィールドの各々を説明変数として用いて求めたものである。したがって、各従業員について、将来の予想時点における健診データと、それよりも第２の期間以上遡った第１の時点で収集可能な第１の勤怠データとの間の関連性を直接求めたわけではない。しかし、本変形例では、判断時点から過去の第１の健診検査日における対象フィールドの値と、第２の勤怠データとの間の関係性と、判断時点から将来の予想時点における対象フィールドの値と、第１の勤怠データとの間の関係性に、大きな変化は生じないという仮定をおく。これにより、アドバイザーが、第２の勤怠データから生成される第２の属性データを学習データとして用いて学習したモデルによって特定される要約方法により要約された第１の勤怠データを基に、任意の従業員について、予想時点とされた将来の健診検査日における対象フィールドと関連のある過重労働や不規則な勤務状態の有無を容易に把握・理解することが可能となる。
［変形例２］
　本変形例では、第１の変形例の機能に加えて、さらに、アドバイザーに対して、将来の時点における健診データの対象フィールドの予測値を提供する。
　図１２は、本変形例のデータ分析装置の構成例を示すブロック図である。図１２に示すデータ分析装置１０は、第１の変形例の構成に加えて、さらに、予測部１６を備えている。
　なお、データ入力部１１、属性データ生成部１２、モデル学習部１３、関連フィールド抽出部１４は、第１の変形例と同様でよい。
　予測部１６は、学習済みのモデルと、指定された従業員の第１の属性データとを用いて、所定の予想時点における対象フィールドの値を予測する。
　例えば、予測部１６は、学習済みのモデルのパラメータＷｃと、第１の属性データとを用いて、予想時点における対象フィールドの値を、次式（４）により算出してもよい。なお、本変形例では、予測に用いる、指定の従業員の第１の属性データをＸ’＿ｎと表している。ここで、予想時点は、第１の健診検査日から第２の期間以上将来の直近の健診検査日とされてもよい。
　Ｙ’＿ｎ＝Ｗｃ Ｔ・Ｘ’＿ｎ　・・・（４）
　予測部１６は、計算したＹ’＿ｎを、メモリ１００２に記憶する。ここで、Ｙ’＿ｎは、従業員ｎについて、予想時点における対象フィールドの予測値を表している。
　要約部１５は、例えば、第１の変形例における要約部１５の機能に加えて、さらに、予測部１６が予測した対象フィールドの予測値を出力する。
　図１３は、本変形例のデータ分析装置の動作の一例を示すフローチャートである。図１３に示す例では、まず、データ入力部１１が、必要な情報を入力する（ステップＳ２１）。本例では、データ入力部１１は、対象フィールドの指定と、従業員の各々の第１の健診データ、第１の勤怠データおよび第２の勤怠データを入力する。
　次いで、属性データ生成部１２が、第２の勤怠データを基に、第２の属性データを生成する（ステップＳ２２）。
　次いで、モデル学習部１３が、複数の従業員の、第１の健診データにおける対象フィールドの値と第２の属性データの内容とを用いて、モデルを学習する（ステップＳ２３）。
　次いで、関連フィールド抽出部１４が、学習されたモデルによって示される、対象フィールドと関連のある属性フィールドの情報を抽出する（ステップＳ２４）。
　次いで、予測部１６が、学習済みのモデルと、指定された従業員の第１の属性データとを用いて、予想時点における該従業員の対象フィールドの予測値を算出する（ステップＳ２５）。
　最後に、要約部１５が、ステップＳ２４で抽出された情報に基づいて、指定された従業員の第１の勤怠データを要約し、要約結果とともにステップＳ２５で算出された予測値を出力する（ステップＳ２６）。
　これにより、アドバイザーは、着目した任意の従業員の将来の健診検査結果と関連のある現状の過重労働や不規則な勤務状況の有無等を把握・理解しつつ、将来の健診検査結果の良し悪しに基づいて、該従業員への健康増進アドバイスができるようになる。
　例えば、予想された将来の健診検査値が異常範囲に入ってしまう従業員には、予想時点における当該項目に関連する過重労働や不規則な勤務状態を改善するために、より保健指導のための時間を確保したり、より厳しく勤務状態の改善アドバイスをするなどが考えられる。
［変形例３］
　本変形例では、属性データを生成する際に、勤怠データだけでなく、健診データも用いる。
　属性データ生成部１２は、例えば、健診データにおける所定の健診フィールドの値、例えば、血圧、血糖（ＨｂＡ１ｃ等）、脂質（ＨＤＬ、ＬＤＬ等）、身長、体重や、問診結果（喫煙習慣、睡眠習慣、食事習慣に関する質問への回答等）の値に対し、所定の方法を用いて集計処理を行った結果を、属性データの属性フィールドに含ませてもよい。
　例えば、上記の実施形態および各変形例において、属性データ生成部１２は、従業員ｎの健診データの健診フィールドも含めて、Ｘ＿ｎｊ（ｊ＝１，・・・，Ｍ＋Ｋ）としてもよい。ここで、Ｋは、Ｘ＿ｎｊに追加する健診フィールド数を示す。ただし、対象フィールドは、Ｋの中に含めない。なお、将来の時点における対象フィールドとの関係性を求める場合、既存の健診データにおける対象フィールドについてはＫに含めてもよい。以下では、実際に関連性の抽出対象とされる健診データにおける対象フィールドを、「対象フィールド」と呼ぶ。
　図１４は、本変形例における属性データ設定情報の例を示す説明図である。図１４に示すように、属性データ生成部１２は、例えば、勤怠データだけなく健診データを含む入力情報を対象に、属性データの生成方法を示す属性データ設定情報を予め記憶しておいてもよい。図１４には、健診データのフィールドのうち、血糖（ＨｂＡ１ｃ）、体重、脂質（ＨＤＬ）の値が、属性データの要素すなわち属性フィールドとして用いられる例が示されている。
　なお、図１４に示す例では、データフィールドとして、勤怠データ以外に、健診結果データの指定ができるようになっている。例えば、図１４において、データフィールド＝“勤．休暇取得”は、集計対象とされるデータフィールドが、勤怠データの休暇取得フィールドであることを示している。また、例えば、データフィールド＝“健．血糖”は、集計対象とされるデータフィールドが、健診データの血糖フィールドであることを示している。また、集計方法＝“なし”は、そのままの値を用いることを示している。
　また、図１５は、図１４に示した属性データ設定情報に基づき生成される属性データの例を示す説明図である。図１５に示す例では、少なくとも５０番目～５２番目の属性フィールドの値が、健診フィールドの値となっている。
　なお、属性フィールドが増えれば、モデルパラメータＷ＿ｊの数が増える。
　例えば、本変形例を上記の第１の実施形態と組み合わせることを考える。その場合、属性データ生成部１２は、属性データ設定情報に基づき、各従業員について、入力された勤怠データと健診データとから、属性データを生成する。
　また、関連フィールド抽出部１４は、学習されたモデルによって示される対象フィールドに対して関連のある属性フィールドの情報として、生成に用いた勤怠フィールドおよび／または健診フィールドの識別子や要約に関する情報等を抽出してもよい。
　また、要約部１５は、関連フィールド抽出部１４によって抽出された情報に基づき、勤怠データおよび健診データを要約して出力する。
　図１６は、属性表の他の例を示す説明図である。図１６によれば、モデル学習の結果、１４番目と２０番目と５０番目の属性フィールドの係数に相当するパラメータＷｃ＿１４、Ｗｃ＿２０およびＷｃ＿５０が０以外の値であることがわかる。
　また、図１７は、要約部１５が出力する勤怠データおよび健診データの要約結果の例を示す説明図である。図１７に示すように、要約結果には、属性フィールドの識別子、概要、元となる勤怠データまたは健診データのフィールド名、時間範囲、関連性の度合い（モデルパラメータＷｃ＿ｊ）、平均値、集計結果（属性値）とが含まれていてもよい。この他、要約結果には、さらに時間分解能や、集計方法の情報が含まれていてもよい。
　また、例えば、本変形例を上記の第２の変形例と組み合わせることを考える。その場合、データ入力部１１は、対象フィールドの指定と、従業員の各々についての、第１の健診データ、第１の勤怠データ、第２の勤怠データに加えて、第２の勤怠データの収集期間に含まれるもしくは該収集期間から所定日以内（例えば、所定の日数が経過するまで）に収集される第２の健診データとを入力する。
　図１８は、本変形例における勤怠データと健診データ（より具体的には、健診検査日）との関係を示す説明図である。図１８（ａ）に示すように、データ入力部１１は、例えば、第１の勤怠データの収集期間の末日よりも将来の直近の健診検査日を第１の健診検査日とし、当該第１の健診検査日における健診データを第１の健診データとして入力するとともに、第２の勤怠データの収集期間の末日よりも将来の直近の健診検査日を第２の健診検査日とし、当該第２の健診検査日における健診データを第２の健診データとして入力してもよい。また、データ入力部１１は、例えば、図１８（ｂ）に示すように、例えば、第１の勤怠データの収集期間中に行われた健診検査日を第１の健診検査日とし、当該第１の健診検査日における健診データを第１の健診データとして入力するとともに、第２の勤怠データの収集期間中に行われた健診検査日を第２の健診検査日とし、当該第２の健診検査日における健診データを第２の健診データとして入力してもよい。
　属性データ生成部１２は、属性データ設定情報に基づき、従業員の各々について、入力された第２の勤怠データと第２の健診データとから、第２の属性データを生成する。また、属性データ生成部１２は、さらに、従業員の各々について、入力された第１の勤怠データと第１の健診データとから、第１の属性データを生成してもよい。
　モデル学習部１３は、第１の健診データに含まれる対象フィールドを目的変数とし、該目的変数の値を算出するモデルを、第２の属性データを用いて学習する。
　関連フィールド抽出部１４は、学習されたモデルによって示される対象フィールドに対して関連のある属性フィールドの情報として、生成に用いた勤怠フィールドおよび／または健診フィールドの識別子や要約に関する情報等を抽出してもよい。
　予測部１６は、学習済みのモデルと、指定された従業員の第１の属性データとを用いて、予想時点における対象フィールドの値を予測する。
　要約部１５は、関連フィールド抽出部１４によって抽出された情報に基づき、第１の勤怠データおよび第１の健診データを要約し、要約結果とともに、対象フィールドの予測値を出力する。
　本変形例によれば、アドバイザーは、着目した健康状態に関する任意の項目に関連のある過重労働や不規則な勤務状況の有無等を容易に把握・理解できるだけではなく、該項目に関連のある他の検査値や問診結果の有無等も容易に把握・理解できるようになり、保健指導のさらなる効率化を実現することができる。
［変形例４］
　次に、第４の変形例について説明する。保健指導では、従業員の職種や事業所ごとの特性も加味した上で、各従業員の特性に応じた的確なアドバイスをすることが求められている。例えば、職種や事業所が異なる従業員では、出社時間が異なったり、休憩時間が異なったり、平均残業時間等が異なったりすると考えられる。
　そこで、従業員の職種や事業所などの違いを考慮して、従業員をグループに分け、グループごとに、上記の実施形態や各変形例の処理を行うように変形してもよい。
　すなわち、本変形例では、グループごとにモデルを学習して、対象フィールドと関連のある属性フィールドの情報を抽出する処理を行う。また、要約する際は、指定された従業員が属するグループごとに抽出された属性フィールドの情報等に基づいて、勤怠データと必要であれば健診データとを要約する。また、対象フィールドの予測値を算出する際も、指定された従業員が属するグループごとのモデルを用いて、算出する。
　従業員をグループに分ける方法として、予め各従業員がどのグループに属するかを定めておいてもよいし、予め定めておいた条件に基づいて各従業員をグループ分けしてもよい。また、属性データ生成部１２が生成した属性データを基に各従業員をグループ分けしてもよい。また、健診データを基に各従業員をグループ分けすることも可能である。
　図１９は、本変形例のデータ分析装置の構成例を示すブロック図である。図１９には、第３の変形例に第４の変形例を組み合わせた構成例が示されている。図１９に示すデータ分析装置１０は、第３の変形例の構成に加えて、さらに、グループ化部１７を備えている。
　グループ化部１７は、例えば、予め定めておいた条件に基づいて各従業員をグループ分けする場合、例えば、従業員の事業所、所属部署、職種、年代、性別などの項目を用いて、同じまたは類似の内容を有する従業員を同じグループに振り分けてもよい。
　また、グループ化部１７は、例えば各従業員の属性データを用いてグループ分けする場合、Ｋ－ＭＥＡＮＳクラスタリング技術等の一般的なグループ化方法を用いて、属性データが類似する従業員を同じグループに振り分けてもよい。
　また、グループ化部１７は、図２０（ａ）に示すように、属性データの値により示される予め定められた条件やアドバイザーが指定した条件に基づいて、各従業員をグループ分けしてもよい。
　従業員をグループ化した場合、グループごとに対象フィールドの予測値を算出するための予測式が設けられる（図２０（ｂ）参照）。なお、図２０（ｂ）において、α１～α４は、各予測式の切片を表している。
　そのような場合において、予測部１６は、従業員の属するグループの予測式を用いて、該従業員の対象フィールドの予測値を算出するだけでなく、他のグループの予測式を用いて、該従業員の対象フィールドの予測値を算出してもよい。そのようにすれば、アドバイザーは、各グループの対象フィールドの予測値とグループ分けの条件とに基づいて、対象フィールドの予測値が目標範囲となるグループの中で該従業員が移行しやすいグループを容易に認識することができるので、勤務状況等の改善項目を挙げる際に利用することができる。なお、予測部１６は、他のグループ分け方法の場合においても、各グループの対象フィールドの予測値を算出する処理を行ってもよい。
　また、グループ化部１７は、各従業員の健診データを用いてグループ分けする場合、例えば、Ｋ－ＭＥＡＮＳクラスタリング技術等の一般的なグループ化方法を用いて、健診データの内容が類似する従業員を同じグループに振り分けてもよい。また、例えば、第１の変形例のように、２種類の健診データがある場合、各従業員の第１の健診データと第２の健診データの差分を求めて、差分の大きさが類似する従業員を同じグループに振り分けてもよい。
　次に、本発明の概要を説明する。図２１は、本発明によるデータ分析装置の概要を示すブロック図である。図２１に示すように、本発明によるデータ分析装置５０は、データ取得手段５１と、属性データ生成手段５２と、モデル学習手段５３と、関連フィールド抽出手段５４と、要約手段５５とを備える。
　データ取得手段５１（例えば、データ入力部１１）は、従業員の健康状態に関する情報である健康状態データが有するフィールドのうち関連性の抽出対象とするフィールドである対象フィールドの指定と、２以上の従業員についての健康状態データおよび勤務状況に関する情報である勤怠データと、を少なくとも取得する。
　属性データ生成手段５２（例えば、属性データ生成部１２）は、従業員の各々について、勤怠データが有する所定のフィールドに対して、予め定められた時間分解能、時間範囲および集計方法を用いて集計を行い、集計結果の各々を属性フィールドとして有する属性データを生成する。
　モデル学習手段５３（例えば、モデル学習部１３）は、対象フィールドを目的変数とし、属性データが有する属性フィールドの各々を説明変数とするモデルであって多項式で表されるモデルを、２以上の従業員の、健康状態データにおける対象フィールドの内容と、属性データの内容とを用いて学習する。
　関連フィールド抽出手段５４（例えば、関連フィールド抽出部１４）は、学習済みのモデルによって示される、対象フィールドと関連のある属性フィールドを抽出する。
　要約手段５５（例えば、要約部１５）は、抽出された属性フィールドの情報を基に、指定された従業員の勤怠データを要約して出力する。
　このような構成によれば、勤怠データ内のフィールドに対して、適切な時間分解能、時間範囲、集計方法を特に指定しなくても、指定フィールドと関連がある具体的フィールドの情報を得ることができる。
　また、モデル学習手段は、モデルパラメータとして、多項式に含まれる説明変数の各々の係数を学習し、関連フィールド抽出手段は、係数がゼロ以外の値をとる説明変数に対応する属性フィールドを、対象フィールドと関連のある属性フィールドとして抽出してもよい。
　また、属性データ生成手段は、勤怠データの１つのフィールドに対して、複数の時間分解能、複数の時間範囲または複数の集計方法を用いて集計を行ってもよい。
　データ取得手段は、２以上の対象フィールドの指定を取得し、モデル学習手段は、指定された２以上の対象フィールドの各々について、当該対象フィールドを目的変数とし、属性データが有する属性フィールドの各々を説明変数とするモデルであって多項式で表されるモデルを、２以上の従業員の、健康状態データにおける当該対象フィールドの内容と、属性データの内容とを用いて学習してもよい。
　また、勤怠データは、所定の将来の時点である予想時点よりも予め定めた第２の期間遡った過去の所定の時点である第１の時点以前の第１の期間分のレコードと、直近の健康状態データを取得した日より第２の期間以上遡った所定の時点である第２の時点以前の第１の期間分のレコードとを含み、属性データ生成手段は、従業員の各々について、第２の時点以前の第１の期間分のレコードからなる第２の勤怠データが有する所定フィールドに対して、予め定められた時間分解能、時間範囲および集計方法を用いて集計を行い、集計結果の各々を属性フィールドとして有する第２の属性データを生成し、モデル学習手段は、直近の健康状態データにおける対象フィールドを目的変数とし、第２の属性データが有する属性フィールドの各々を説明変数とするモデルであって多項式で表されるモデルを、２以上の従業員の、直近の健康状態データにおける対象フィールドの内容と、第２の属性データの内容とを用いて学習し、要約手段は、抽出された属性フィールドの情報を基に、指定された従業員の第１の時点以前の第１の期間分のレコードからなる第１の勤怠データを要約し、要約結果を予想時点における対象フィールドと関連のある勤怠データの情報として出力してもよい。
　また、データ分析装置５０は、学習済みのモデルと、指定された従業員の第１の勤怠データを用いて生成される属性データである第１の属性データとに基づいて、従業員の予想時点における対象フィールドの値を予測する予測手段（図示省略。例えば、予測部１６）を備えていてもよい。
　また、データ分析装置５０は、従業員を、予め定められた条件、健康状態データ、勤怠データもしくは属性データに基づいてグループ化するグループ化手段（図示省略。例えば、グループ化部１７）を備え、モデル学習手段は、従業員のグループごとに、当該グループに属する従業員の、健康状態データにおける対象フィールドの内容と属性データの内容とを用いてモデルを学習してもよい。
　また、データ分析装置５０において、属性データは、健康状態データが有するフィールドであって対象フィールド以外の所定のフィールドに対する集計結果が登録される属性フィールドを有していてもよい。そのような場合に、属性データ生成手段は、従業員の各々について、勤怠データが有する所定のフィールドおよび健康状態データが有するフィールドであって対象フィールド以外の所定のフィールドに対して、予め定められた時間分解能、時間範囲および集計方法を用いて集計を行い、集計結果の各々を属性フィールドとして有する属性データを生成し、要約手段は、抽出された属性フィールドの情報を基に、指定された従業員の勤怠データおよび健康状態データを要約して出力してもよい。
　以上、実施形態および実施例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および実施例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。
　本発明は、保健指導を目的として、勤怠データにおいて任意の健診検査結果に関連するフィールドの情報を提供する用途に限らず、多くのフィールドおよびレコードを有するデータと任意の項目との関連性を分析する用途に好適に適用可能である。
この出願は、２０１５年７月１６日に出願された日本出願特願２０１５－１４２４０４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。
　１０　データ分析装置
　１１　データ入力部
　１２　属性データ生成部
　１３　モデル学習部
　１４　関連フィールド抽出部
　１５　要約部
　１６　予測部
　１７　グループ化部
　５０　データ分析装置
　５１　データ取得手段
　５２　属性データ生成手段
　５３　モデル学習手段
　５４　関連フィールド抽出手段
　５５　要約手段
　１００１　ＣＰＵ
　１００２　メモリ
　１００３　出力装置
　１００４　入力装置
　１００５　ネットワークインタフェース

Claims (10)

  1. 　従業員の健康状態に関する情報である健康状態データが有するフィールドのうち関連性の抽出対象とするフィールドである対象フィールドの指定と、２以上の従業員についての前記健康状態データおよび勤務状況に関する情報である勤怠データと、を少なくとも取得するデータ取得手段と、
    　前記従業員の各々について、前記勤怠データが有する所定のフィールドに対して、予め定められた時間分解能、時間範囲および集計方法を用いて集計を行い、集計結果の各々を属性フィールドとして有する属性データを生成する属性データ生成手段と、
    　前記対象フィールドを目的変数とし、前記属性データが有する属性フィールドの各々を説明変数とするモデルであって多項式で表されるモデルを、前記２以上の従業員の、前記健康状態データにおける前記対象フィールドの内容と、前記属性データの内容とを用いて学習するモデル学習手段と、
    　学習済みのモデルによって示される、前記対象フィールドと関連のある属性フィールドを抽出する関連フィールド抽出手段と、
    　抽出された前記属性フィールドの情報を基に、指定された従業員の勤怠データを要約して出力する要約手段を備えるデータ分析装置。
  2. 　前記モデル学習手段は、モデルパラメータとして、前記多項式に含まれる説明変数の各々の係数を学習し、
    　前記関連フィールド抽出手段は、前記係数がゼロ以外の値をとる説明変数に対応する属性フィールドを、前記対象フィールドと関連のある属性フィールドとして抽出する
    　請求項１に記載のデータ分析装置。
  3. 　前記属性データ生成手段は、前記勤怠データの１つのフィールドに対して、複数の時間分解能、複数の時間範囲または複数の集計方法を用いて集計を行う
    　請求項１または請求項２に記載のデータ分析装置。
  4. 　前記データ取得手段は、２以上の対象フィールドの指定を取得し、
    　前記モデル学習手段は、指定された２以上の対象フィールドの各々について、当該対象フィールドを目的変数とし、前記属性データが有する前記属性フィールドの各々を説明変数とするモデルであって多項式で表されるモデルを、前記２以上の従業員の、健康状態データにおける当該対象フィールドの内容と、前記属性データの内容とを用いて学習する
    　請求項１から請求項３のうちのいずれか１項に記載のデータ分析装置。
  5. 　前記勤怠データは、所定の将来の時点である予想時点よりも予め定めた第２の期間遡った過去の所定の時点である第１の時点以前の第１の期間分のレコードと、直近の健康状態データを取得した日より前記第２の期間以上遡った所定の時点である第２の時点以前の第１の期間分のレコードとを含み、
    　前記属性データ生成手段は、前記従業員の各々について、前記第２の時点以前の第１の期間分のレコードからなる第２の勤怠データが有する所定フィールドに対して、予め定められた時間分解能、時間範囲および集計方法を用いて集計を行い、集計結果の各々を属性フィールドとして有する第２の属性データを生成し、
    　前記モデル学習手段は、前記直近の健康状態データにおける対象フィールドを目的変数とし、前記第２の属性データが有する属性フィールドの各々を説明変数とするモデルであって多項式で表されるモデルを、２以上の従業員の、前記直近の健康状態データにおける対象フィールドの内容と、前記第２の属性データの内容とを用いて学習し、
    　前記要約手段は、抽出された属性フィールドの情報を基に、指定された従業員の第１の時点以前の第１の期間分のレコードからなる第１の勤怠データを要約し、要約結果を前記予想時点における対象フィールドと関連のある勤怠データの情報として出力する
    　請求項１から請求項４のうちのいずれか１項に記載のデータ分析装置。
  6. 　前記学習済みのモデルと、指定された従業員の第１の勤怠データを用いて生成される属性データである第１の属性データとに基づいて、前記従業員の予想時点における対象フィールドの値を予測する予測手段を備えた
    　請求項５に記載のデータ分析装置。
  7. 　前記従業員を、予め定められた条件、健康状態データ、勤怠データもしくは属性データに基づいてグループ化するグループ化手段を備え、
    　前記モデル学習手段は、前記従業員のグループごとに、当該グループに属する従業員の、健康状態データにおける対象フィールドの内容と、属性データの内容とを用いてモデルを学習する
    　請求項１から請求項６のうちのいずれか１項に記載のデータ分析装置。
  8. 　前記属性データは、健康状態データが有するフィールドであって対象フィールド以外の所定のフィールドに対する集計結果が登録される属性フィールドを有し、
    　前記属性データ生成手段は、前記従業員の各々について、前記勤怠データが有する所定のフィールドおよび前記健康状態データが有するフィールドであって対象フィールド以外の所定のフィールドに対して、予め定められた時間分解能、時間範囲および集計方法を用いて集計を行い、集計結果の各々を属性フィールドとして有する属性データを生成し、
    　前記要約手段は、抽出された属性フィールドの情報を基に、前記指定された従業員の勤怠データおよび前記健康状態データを要約して出力する
    　請求項１から請求項７のうちのいずれか１項に記載のデータ分析装置。
  9. 　情報処理装置が、従業員の健康状態に関する情報である健康状態データが有するフィールドのうち関連性の抽出対象とするフィールドである対象フィールドの指定と、２以上の従業員についての前記健康状態データおよび勤務状況に関する情報である勤怠データと、を少なくとも取得し、
    　前記情報処理装置が、前記従業員の各々について、前記勤怠データが有する所定のフィールドに対して、予め定められた時間分解能、時間範囲および集計方法を用いて集計を行い、集計結果の各々を属性フィールドとして有する属性データを生成し、
    　前記情報処理装置が、前記対象フィールドを目的変数とし、前記属性データが有する属性フィールドの各々を説明変数とするモデルであって多項式で表されるモデルを、前記２以上の従業員の、前記健康状態データにおける前記対象フィールドの内容と、前記属性データの内容とを用いて学習し、
    　前記情報処理装置が、学習済みのモデルによって示される、前記対象フィールドと関連のある属性フィールドを抽出し、
    　前記情報処理装置が、抽出された前記属性フィールドの情報を基に、指定された従業員の勤怠データを要約して出力する、
    データ分析方法。
  10. 　コンピュータに、
    　従業員の健康状態に関する情報である健康状態データが有するフィールドのうち関連性の抽出対象とするフィールドである対象フィールドの指定と、２以上の従業員についての前記健康状態データおよび勤務状況に関する情報である勤怠データと、を少なくとも取得する処理、
    　前記従業員の各々について、前記勤怠データが有する所定のフィールドに対して、予め定められた時間分解能、時間範囲および集計方法を用いて集計を行い、集計結果の各々を属性フィールドとして有する属性データを生成する処理、
    　前記対象フィールドを目的変数とし、前記属性データが有する属性フィールドの各々を説明変数とするモデルであって多項式で表されるモデルを、前記２以上の従業員の、前記健康状態データにおける前記対象フィールドの内容と、前記属性データの内容とを用いて学習する処理、
    　学習済みのモデルによって示される、前記対象フィールドと関連のある属性フィールドを抽出する処理、および
    　抽出された前記属性フィールドの情報を基に、指定された従業員の勤怠データを要約して出力する処理
    を実行させるためのデータ分析プログラムを格納した記憶媒体。
PCT/JP2016/003332 2015-07-16 2016-07-14 データ分析装置、データ分析方法、およびデータ分析プログラムを格納した記憶媒体 WO2017010103A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201680041982.6A CN107851295B (zh) 2015-07-16 2016-07-14 数据分析设备、数据分析方法和存储数据分析程序的存储介质
JP2016573620A JP6105825B1 (ja) 2015-07-16 2016-07-14 データ分析装置、データ分析方法およびデータ分析プログラム
US15/742,948 US20180225634A1 (en) 2015-07-16 2016-07-14 Data analysis device, data analysis method, and storage medium storing data analysis program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015142404 2015-07-16
JP2015-142404 2015-07-16

Publications (1)

Publication Number Publication Date
WO2017010103A1 true WO2017010103A1 (ja) 2017-01-19

Family

ID=57757273

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2016/003332 WO2017010103A1 (ja) 2015-07-16 2016-07-14 データ分析装置、データ分析方法、およびデータ分析プログラムを格納した記憶媒体

Country Status (4)

Country Link
US (1) US20180225634A1 (ja)
JP (1) JP6105825B1 (ja)
CN (1) CN107851295B (ja)
WO (1) WO2017010103A1 (ja)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6481794B1 (ja) * 2018-04-20 2019-03-13 富士通株式会社 学習用データ生成方法、学習用データ生成プログラム
JP2019212155A (ja) * 2018-06-07 2019-12-12 富士通株式会社 学習用データ生成プログラムおよび学習用データ生成方法
JP2020038431A (ja) * 2018-09-03 2020-03-12 孝文 栢 行動推奨装置及び行動推奨システム
JP2020095448A (ja) * 2018-12-12 2020-06-18 株式会社日立ソリューションズ データ処理システム、方法、およびプログラム
JP2020190764A (ja) * 2019-05-17 2020-11-26 株式会社エンジョイ ユーザストレス対処システム、ユーザストレス対処方法及びユーザストレス対処プログラム
JP2022112434A (ja) * 2021-01-21 2022-08-02 Tis株式会社 職域改善装置、職域改善方法、および職域改善プログラム
JP2022112435A (ja) * 2021-01-21 2022-08-02 Tis株式会社 職域改善装置、職域改善方法、および職域改善プログラム

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20220237536A1 (en) * 2019-06-17 2022-07-28 Nec Corporation Risk estimation apparatus, risk estimation method, computer program and recording medium
CN111462910A (zh) * 2020-03-31 2020-07-28 上海商汤智能科技有限公司 项目的匹配方法及装置、电子设备和存储介质
CN117196560B (zh) * 2023-11-07 2024-02-13 深圳市慧云智跑网络科技有限公司 一种基于物联网的打卡设备数据采集方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003256578A (ja) * 2002-03-05 2003-09-12 Kobe Steel Ltd 健康管理システム
JP2014130579A (ja) * 2012-11-29 2014-07-10 Exbrain Inc メンタルヘルス管理システム、メンタルヘルス管理プログラム及びメンタルヘルス管理方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7403901B1 (en) * 2000-04-13 2008-07-22 Accenture Llp Error and load summary reporting in a health care solution environment
KR20050109919A (ko) * 2002-12-10 2005-11-22 텔어바웃 인크 컨텐츠 제작, 배급, 상호작용, 및 모니터링 시스템
JP3992111B2 (ja) * 2005-12-26 2007-10-17 日本アイ・ビー・エム株式会社 勤務計画を調整するシステム、方法、プログラム
JP5471019B2 (ja) * 2009-04-30 2014-04-16 株式会社リコー 健康管理システム及び健康管理プログラム
US20140278455A1 (en) * 2013-03-14 2014-09-18 Microsoft Corporation Providing Feedback Pertaining to Communication Style
WO2015009287A1 (en) * 2013-07-16 2015-01-22 Wright Beth Ann Learning model for competency based performance
JP2015056150A (ja) * 2013-09-13 2015-03-23 株式会社東芝 脅威分析システムおよび情報処理装置
US20150186817A1 (en) * 2013-12-28 2015-07-02 Evolv Inc. Employee Value-Retention Risk Calculator
EP2889822A1 (en) * 2013-12-28 2015-07-01 Evolv Inc. Employee value-retention risk calculator
EP3051483A1 (en) * 2015-01-30 2016-08-03 Ricoh Company, Ltd. Information processing apparatus, and non-transitory recording medium
CN104636889A (zh) * 2015-03-10 2015-05-20 刘升 一种人员信息综合管理系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003256578A (ja) * 2002-03-05 2003-09-12 Kobe Steel Ltd 健康管理システム
JP2014130579A (ja) * 2012-11-29 2014-07-10 Exbrain Inc メンタルヘルス管理システム、メンタルヘルス管理プログラム及びメンタルヘルス管理方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6481794B1 (ja) * 2018-04-20 2019-03-13 富士通株式会社 学習用データ生成方法、学習用データ生成プログラム
JP2019191781A (ja) * 2018-04-20 2019-10-31 富士通株式会社 学習用データ生成方法、学習用データ生成プログラム
JP2019212155A (ja) * 2018-06-07 2019-12-12 富士通株式会社 学習用データ生成プログラムおよび学習用データ生成方法
US11829867B2 (en) 2018-06-07 2023-11-28 Fujitsu Limited Computer-readable recording medium and learning data generation method
JP2020038431A (ja) * 2018-09-03 2020-03-12 孝文 栢 行動推奨装置及び行動推奨システム
JP7224618B2 (ja) 2018-09-03 2023-02-20 孝文 栢 行動推奨装置及び行動推奨システム
JP2020095448A (ja) * 2018-12-12 2020-06-18 株式会社日立ソリューションズ データ処理システム、方法、およびプログラム
JP2020190764A (ja) * 2019-05-17 2020-11-26 株式会社エンジョイ ユーザストレス対処システム、ユーザストレス対処方法及びユーザストレス対処プログラム
JP2022112434A (ja) * 2021-01-21 2022-08-02 Tis株式会社 職域改善装置、職域改善方法、および職域改善プログラム
JP2022112435A (ja) * 2021-01-21 2022-08-02 Tis株式会社 職域改善装置、職域改善方法、および職域改善プログラム
JP7198296B2 (ja) 2021-01-21 2022-12-28 Tis株式会社 職域改善装置、職域改善方法、および職域改善プログラム

Also Published As

Publication number Publication date
CN107851295A (zh) 2018-03-27
JPWO2017010103A1 (ja) 2017-07-13
US20180225634A1 (en) 2018-08-09
CN107851295B (zh) 2022-02-25
JP6105825B1 (ja) 2017-03-29

Similar Documents

Publication Publication Date Title
JP6105825B1 (ja) データ分析装置、データ分析方法およびデータ分析プログラム
Malik et al. Data mining and predictive analytics applications for the delivery of healthcare services: a systematic literature review
Abrizah et al. LIS journals scientific impact and subject categorization: a comparison between Web of Science and Scopus
Young et al. A survey of methodologies for the treatment of missing values within datasets: Limitations and benefits
Milovic et al. Prediction and decision making in health care using data mining
Einav et al. Selection on moral hazard in health insurance
Gorgens-Ekermans et al. Psychological capital: Internal and external validity of the Psychological Capital Questionnaire (PCQ-24) on a South African sample
Keong Choong Understanding the features of performance measurement system: a literature review
Li et al. A literature review of nursing turnover costs
Bao et al. Quantifying repetitive hand activity for epidemiological research on musculoskeletal disorders–Part II: comparison of different methods of measuring force level and repetitiveness
Oswald et al. Meta-analysis and the art of the average
Briggs Handling uncertainty in economic evaluation
Bauer et al. How does scientific success relate to individual and organizational characteristics? A scientometric study of psychology researchers in the German-speaking countries
Barth et al. The effects of scientists and engineers on productivity and earnings at the establishment where they work
Converse et al. Thinking ahead: Assuming linear versus nonlinear personality-criterion relationships in personnel selection
Pool et al. Size and characteristics of the biomedical research workforce associated with US National Institutes of Health extramural grants
Tong et al. Testing the generalizability of an automated method for explaining machine learning predictions on asthma patients’ asthma hospital visits to an academic healthcare system
Wolcott et al. Modeling time-dependent and-independent indicators to facilitate identification of breakthrough research papers
Bae et al. Age and workplace ageism: a systematic review and meta-analysis
Piccialli et al. A robust ensemble technique in forecasting workload of local healthcare departments
Steele et al. Multilevel structural equation models for longitudinal data where predictors are measured more frequently than outcomes: An application to the effects of stress on the cognitive function of nurses
Maharani et al. The effect of education, health, minimum wage, foreign investment on labor productivity in 33 provinces of Indonesia
Radha et al. An experimental analysis of work-life balance among the employees using machine learning classifiers
US20230274834A1 (en) Model-based evaluation of assessment questions, assessment answers, and patient data to detect conditions
Ang et al. Employee turnover prediction by machine learning techniques

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2016573620

Country of ref document: JP

Kind code of ref document: A

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

Ref document number: 16824087

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 15742948

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16824087

Country of ref document: EP

Kind code of ref document: A1