WO2018047732A1 - コンピテンシー目標設定支援装置，支援方法，及び支援プログラム - Google Patents

コンピテンシー目標設定支援装置，支援方法，及び支援プログラム Download PDF

Info

Publication number
WO2018047732A1
WO2018047732A1 PCT/JP2017/031547 JP2017031547W WO2018047732A1 WO 2018047732 A1 WO2018047732 A1 WO 2018047732A1 JP 2017031547 W JP2017031547 W JP 2017031547W WO 2018047732 A1 WO2018047732 A1 WO 2018047732A1
Authority
WO
WIPO (PCT)
Prior art keywords
competency
person
target
evaluated
database
Prior art date
Application number
PCT/JP2017/031547
Other languages
English (en)
French (fr)
Inventor
恭介 高橋
弘 熊谷
Original Assignee
株式会社あしたのチーム
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 株式会社あしたのチーム filed Critical 株式会社あしたのチーム
Publication of WO2018047732A1 publication Critical patent/WO2018047732A1/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling

Definitions

  • the present invention relates to a competency target setting support apparatus, a support method, and a support program for supporting target setting (competency target setting) of behavioral characteristics by an evaluated person. More specifically, the present invention relates to a device having a function of determining whether or not the competency target setting performed by the evaluator is good and bad, and assists the evaluator to voluntarily set a better target. Can be used in consulting work.
  • Patent Document 1 various inventions have been proposed for personnel evaluation systems used in the personnel department of companies (for example, Patent Document 1 and Patent Document 2). It has been common practice to evaluate employee behavior and results objectively and fairly using such personnel evaluation systems.
  • Patent Document 1 it is said that it is possible to increase the objectivity of the evaluation and more objectively indicate the action that needs to be changed for the evaluated person.
  • this system when evaluating whether an evaluated person is acting in accordance with preset expected behavior, multiple evaluators are selected by the input / output terminal of the evaluated person to be evaluated. .
  • an evaluation execution notification mail requesting the evaluation to the selected evaluator is delivered, and feedback information is created based on the evaluation result input from the evaluator's input / output terminal. Display on the evaluator's input / output terminal. In this way, since the evaluated person is evaluated by the boss and a plurality of evaluators other than the boss, the objectivity for the evaluation is improved.
  • the evaluator can be assigned with simple condition setting.
  • the evaluator assignment processing unit includes evaluator assignment setting information stored in the evaluator assignment setting information storage area of the personnel evaluation system database, personnel information stored in the personnel information storage area of the personnel management system database, An appropriate evaluator is selected based on the organization information stored in the organization information storage area, and the evaluator is assigned to each evaluated person to update the evaluation information.
  • the competency goal setting of the evaluator is concrete and clear, he / she can take appropriate actions every day without hesitation in accordance with the goal, thus improving productivity and The evaluation of the surroundings is also improved. As a result, it is possible to improve the motivation and morale of the person being evaluated.
  • an object of the present invention is to provide a technique that can objectively evaluate the competency goal setting of an employee and assist each employee to voluntarily set an appropriate competency goal.
  • the inventor of the present invention quantitatively evaluates the competency target setting to obtain the competency acquisition rate of each evaluated person,
  • the MBO (Management By Objectives) acquisition rate is obtained from the ratio of the MBO acquisition points to the maximum value, and each evaluated person sets a good mark based on the difference value between these competency acquisition rates and MBO acquisition rates. It was found that it is possible to objectively evaluate the good or bad goal setting of the person being evaluated by judging whether the person is a person who sets a target or a bad target. Establishing such objective evaluation criteria can help each employee to set appropriate competency goals voluntarily.
  • the inventor has conceived that the problems of the prior art can be solved based on the above knowledge, and has completed the present invention. If it demonstrates concretely, this invention has the following structures and processes.
  • a first aspect of the present invention relates to a competency target setting support apparatus.
  • the apparatus according to the present invention includes a competency target setting DB, an MBODB, a quantification unit, a distribution unit, and an evaluated person DB.
  • DB means a database.
  • the competency goal setting DB stores qualitative data related to goal setting of behavior characteristics for each person to be evaluated.
  • the qualitative data related to the goal setting of behavior characteristics is, for example, text data in which the evaluated person describes the goals related to his / her behavior characteristics.
  • the MBODB stores quantitative data relating to MBO acquisition points corresponding to business goals for each person to be evaluated.
  • the business target is a preset target numerical value such as target sales.
  • the MBO acquisition point is a numerical value obtained by scoring how much the business performance (eg, actual numerical value such as actual sales) satisfies the business goal, for example.
  • the MBO acquisition points are 6 points if the business target is 100%, 5 points if the business performance is 120% or more, 4 points if the business target is 100 to 120%, etc. Can be scored. Further, the MBO acquisition points may be simply the ratio of the business performance to the business goal.
  • the quantification unit obtains quantitative data based on the qualitative data stored in the competency target setting DB. More specifically, the quantification unit first scores the qualitative data stored in the competency target setting DB based on a predetermined standard, and obtains competency score of each person to be evaluated.
  • the quantification unit obtains the competency acquisition rate of each evaluated person from the ratio of the competence acquiring points of each evaluated person to the maximum score. Further, the quantification unit obtains the MBO acquisition rate of each evaluated person from the ratio of the MBO acquisition points to the maximum score for the quantitative data stored in the MBODB. Thereafter, the quantification unit obtains a difference value between the competency acquisition rate and the MBO acquisition rate. At least, the quantification unit quantifies the qualitative data regarding the target setting of the behavioral characteristics of the evaluated person in this way. Based on the quantitative data obtained by the quantification unit, the distribution unit assigns each person to be evaluated to a person who sets a bad target and a person who sets a good target.
  • the allocating unit allocates each person to be evaluated to a person who sets a bad target and a person who sets a good target based on the difference value obtained by the quantifying unit or a value taking this into consideration.
  • the value added with the difference value here may be, for example, a value obtained by performing four arithmetic operations on another value for the difference value, or a value obtained by scoring the difference value with a predetermined criterion, It may be a value obtained by performing another four arithmetic operations on the scored value.
  • the distribution unit distributes each person to be evaluated in consideration of the difference value obtained by the quantification unit.
  • the to-be-evaluated DB stores information on the to-be-evaluated person who sets at least a bad target assigned by the allocating unit.
  • the evaluated person DB may store information related to the evaluated person who sets a good target in addition to the evaluated person who sets a bad target.
  • the present invention determines whether the target setting of the evaluated person's behavior characteristic is good or bad in consideration of the difference value between the competency acquisition rate and the MBO acquisition rate obtained by the quantification unit. To do.
  • the difference value between the competency acquisition rate and the MBO acquisition rate is large, it means that the evaluation of the behavioral characteristics and the evaluation subject's MBO acquisition points are greatly different from each other. For example, if the MBO acquisition rate is low while the competence acquisition rate is high, the target setting of the behavior characteristic is vague and abstract, or the actual performance does not meet the target. It cannot be said that the goal setting and appropriate self-analysis are made. Therefore, if a more appropriate goal can be set, there can be room for further improvement in performance.
  • the person to be evaluated is a person who sets a bad target and is included in the management guidance target so that a more appropriate target can be set.
  • objective data such as the MBO acquisition rate at the time of distribution of the evaluated persons, fairness and objectivity can be ensured when performing this evaluation.
  • the competency target setting support device of the present invention further includes a correction unit.
  • the correction unit corrects the qualitative data regarding the target setting of the behavior characteristic input from the user terminal handled by the evaluator. Specifically, the correction unit extracts an evaluator who sets a bad target from the evaluator DB, and when the qualitative data regarding the behavior characteristics is input by the evaluator who sets a bad target, Correct the qualitative data.
  • the target setting method for the target person can be taught.
  • the ability of the person being evaluated can be improved, and support can be provided so that appropriate target setting can be performed voluntarily in the future.
  • the competency goal setting support device of the present invention further includes an NG word DB that stores an NG word related to behavioral goal setting.
  • the correction unit refers to the NG word DB, and notifies the user terminal when the NG word is included in the text constituting the qualitative data regarding the target setting of the behavior characteristic.
  • the apparatus of the present invention can instruct the person to be evaluated not to use a word inappropriate for setting the target of behavioral characteristics. As a result, the person being evaluated is careful not to use ambiguous words that are not suitable for goal setting.
  • the competency target setting support device of the present invention further includes a target setting example DB and a good / bad discrimination model generation unit.
  • the goal setting example DB stores at least a part of the qualitative data stored in the competency goal setting DB in association with information regarding the quality of goal setting of behavioral characteristics.
  • the good / bad discrimination model generation unit generates a good / bad discrimination model (specifically, an AI model) in which information stored in the target setting example DB is learned as training data.
  • the quantification unit scores the qualitative data stored in the competency target setting DB using the good / bad discrimination model when obtaining the competence acquisition points of each evaluated person.
  • the qualitative data stored in the competency target setting DB is manually determined to be good or bad, and the target setting example DB is constructed.
  • the target setting example DB is constructed.
  • the competency target setting support device of the present invention further includes a correction model generation unit.
  • the correction model generation unit generates a correction model (specifically, an AI model) obtained by learning, as training data, information related to the target setting of the behavioral characteristics, which is regarded as good, from the information stored in the target setting example DB. To do.
  • the correction unit corrects the qualitative data regarding the target setting of the behavior characteristic input from the user terminal handled by the evaluator using the correction model.
  • the correction model is learned based on qualitative data that has been discriminated between good and bad by hand, for example, so this can be used to correct the qualitative data of the person being evaluated.
  • the correction process can be performed automatically with high accuracy.
  • the second aspect of the present invention relates to a competency target setting support method.
  • the method according to the present invention is basically executed by the competency target setting support device according to the first aspect described above. That is, the method according to the present invention includes a quantification process for obtaining quantitative data based on qualitative data stored in the competency target setting DB, and each evaluated object based on the quantitative data obtained in the quantification process.
  • qualitative data stored in the competency target setting DB is scored based on a predetermined standard to obtain competency score of each person to be evaluated, and the competence score of each person to be evaluated is obtained.
  • the process of obtaining the competence acquisition rate of each evaluated person and the quantitative data stored in the MBODB the MBO acquisition rate of each evaluated person is determined from the ratio of the MBO acquisition point to the maximum score. And a step of obtaining a difference value between the competency acquisition rate and the MBO acquisition rate.
  • the distribution step includes a step of allocating each person to be evaluated to a person who sets a bad target and a person who sets a good target based on the difference value obtained in the quantification step or a value taking this into consideration.
  • the third aspect of the present invention relates to a program for causing a computer to function as the competency target setting support apparatus according to the first aspect described above.
  • the program of the present invention may be downloaded and installed on a computer via the Internet, or may be installed on a computer via a recording medium.
  • FIG. 1 is a conceptual diagram showing an example of the overall configuration of a personnel evaluation system.
  • FIG. 2 is a block diagram showing a functional configuration of a personnel evaluation system, particularly a competency target setting device (management server).
  • FIG. 3 is a flowchart showing an example of a process flow for registering data in the target setting example DB.
  • FIG. 4 is a flowchart showing the flow of processing for registering data in the NG word DB.
  • FIG. 5 is a flowchart showing an example of the flow of processing performed by the good / bad discrimination model generation unit.
  • FIG. 6 is a flowchart illustrating an example of a flow of processing performed by the automatic correction model generation unit.
  • FIG. 7 is a flowchart showing an example of the flow of processing performed by the quantification unit.
  • FIG. 8 is a flowchart showing an example of the flow of processing performed by the distribution unit.
  • FIG. 9 is a flowchart showing an example of the flow of processing performed by the correction unit.
  • Fig. 1 shows the overall configuration of the personnel evaluation system.
  • the personnel evaluation system 100 is configured by connecting a management server 1, an administrator terminal 2, and a user terminal 3 to each other through a network. Examples of networks are the Internet or an intranet for the company.
  • the management server 1 corresponds to a competency target setting support device according to the present invention.
  • the function of the management server 1 may be realized by a single server computer, or may be realized by a plurality of server computers connected to each other via a network.
  • the administrator terminal 2 is a computer terminal operated by an administrator who operates this system.
  • the administrator terminal 2 can register new information in the management server 1 or update information stored in the management server 1.
  • the user terminal 3 is a computer terminal operated by an evaluator (evaluator: for example, a supervisor) or an evaluated person (evaluator: for example, a subordinate) in this system. In this system, it is assumed that a plurality of administrator terminals 2 and user terminals 3 exist.
  • Management server 1, administrator terminal 2, and user terminal 3 can be realized by a commonly used computer.
  • An example of the management server 1 is a server type computer as described above.
  • Examples of the administrator terminal 2 and the user terminal 3 are desktop computers, laptop computers, and other portable information terminals such as smartphones and tablet terminals.
  • Each of the devices 1 to 3 basically includes a control arithmetic device, a storage device, an input device, and an output device.
  • the control arithmetic device executes predetermined arithmetic processing according to a program stored in the storage device based on information input from the input device, and writes and reads out the arithmetic result to / from the storage device as appropriate.
  • the output device can be controlled.
  • control arithmetic device is a processor such as a CPU or a GPU.
  • the storage function of the storage device can be realized by a non-volatile memory such as HDD and SDD, and the memory function of the storage device can be realized by a volatile memory such as RAM and DRAM.
  • Examples of the input device are operation modules such as a mouse and a keyboard, and a communication module for receiving information via a network.
  • Examples of the output device are a display, a speaker, and a communication module for transmitting information via a network.
  • the functions of the devices 1 to 3 are realized by such a hardware configuration.
  • FIG. 2 is a block diagram mainly showing an example of the functional configuration of the management server 1 (competency target setting support device).
  • the management server 1 includes a competency target setting DB 10, a target setting example DB 11, an NG word DB 12, a good / bad discrimination model generation unit 13, a frequent word DB 14, a good / bad discrimination model 15, and an automatic correction model generation unit.
  • automatic correction model 17 quantification unit 18, evaluated person monitoring result DB 19, evaluator monitoring result DB 20, MBODB 21, distribution unit 22, bad target setting evaluated person DB 23, good target setting evaluated person DB 24, And a correction unit 25.
  • Various databases are realized by a storage device included in the management server 1.
  • the good / bad discrimination model generation unit 13, the automatic correction model generation unit 16, the quantification unit 18, the distribution unit 22, and the correction unit 25 are realized by a processor included in the management server 1.
  • the functional configuration of these management servers 1 will be described in detail with reference to the flowcharts shown in FIGS.
  • Figures 3 to 6 show the flow of processing related to preparations for evaluating the competency target setting (target setting of behavioral characteristics) of the person being evaluated.
  • 7 and 8 show the flow of processing for evaluating the competency target setting of the person to be evaluated.
  • FIG. 9 shows a flow of processing for performing automatic correction of the target setting in order to support the evaluation target's competency target setting.
  • a normal arrow indicates a data flow
  • an arrow with a double tip indicates a process flow.
  • FIG. 3 shows an example of processing for registering data in the target setting example DB 11.
  • the competency goal setting DB 10 stores qualitative data relating to competency goal setting created by the person to be evaluated for each person to be evaluated. For example, the person being evaluated describes his competency goals in text. For this reason, the text data created by the person to be evaluated is stored in the competency target setting DB 10 as qualitative data regarding the competency target setting.
  • the management server 1 performs various arithmetic processes using information stored in the competency target setting DB 10 as a data source. As the amount of information stored in the competency target setting DB 10 increases, the accuracy of the arithmetic processing increases, so it is preferable to add information here as appropriate.
  • Information stored in the competency target setting DB 10 can be read out by the administrator terminal 2.
  • text data is read from the competency target setting DB 10
  • an identifier is assigned according to the quality of the competency target setting created by each person to be evaluated, and processing for distributing the competency target settings is performed ( Step S1-1).
  • an administrator who operates the administrator terminal 2 may browse the contents of the competency target setting, determine whether the contents are good or bad, and perform identifier assignment. This work can also be automated using a good / bad discrimination model (AI model) described later.
  • AI model good / bad discrimination model
  • the identifiers assigned to the competency target setting are classified into four levels: “very good: A”, “good: B”, “bad: C”, and “very bad: D”. ing.
  • the type and number of identifiers can be changed as needed.
  • the management server 1 registers the competency target setting text data in the target setting example DB 11 in association with the identifier distributed by the administrator terminal 2 (step S1-2). Therefore, in the goal setting example DB 11, text data for competency goal setting and good / bad identifiers (A to D) are stored in association with each other. Further, in the target setting example DB 11, information (ID information) relating to the evaluated person who created the target setting may also be associated with each text data.
  • the target setting example DB 11 in which information is registered in this manner is used to generate a good / bad discrimination model (FIG. 5), an automatic correction model generation process (FIG. 6), and a competency target setting automatic correction process (FIG. 5). 9).
  • FIG. 4 shows an example of processing for registering data in the NG word DB 12.
  • the NG word DB 12 stores NG words that are not preferably used for setting competency targets. More specifically, the administrator terminal 2 reads text data from the competency target setting DB 10 and extracts NG words from the text data (step S2-1). For example, the administrator who operates the administrator terminal 2 browses the contents of the competency target setting, and extracts words that are not suitable for the competency target setting as NG words.
  • the management server 1 registers the NG word extracted by the administrator terminal 2 in the NG word DB 12 (step S2-2). In this way, NG words are stored in the NG word DB 12 as needed.
  • the NG word DB 12 in which the information is stored is used in the automatic correction process (FIG. 9) for setting the competency target.
  • FIG. 5 shows an example of processing performed by the good / bad discrimination model generation unit 13.
  • the good / bad discrimination model generation unit 13 first obtains a predetermined number of frequently used words from the competency target setting DB 10 and registers them in the frequently used word DB 14 (step S3-1). Specifically, the good / bad discrimination model generation unit 13 decomposes the text data stored in the competency target setting DB 10 into words, obtains the total number of appearances of each word, extracts words having a large number of appearances, and extracts them. The registered word is registered in the frequent word DB 14. For example, the good / bad discrimination model generation unit 13 may extract the top 10,000 words. In this way, frequently used words in the competency target setting are accumulated in the frequent word DB 14.
  • the good / bad discrimination model generation unit 13 acquires target setting example data from the target setting example DB 11 and performs morphological analysis (step S3-2). Morphological analysis uses grammatical rules and part-of-speech dictionaries of the target language as an information source, and divides sentences written in natural language into columns of morphemes (the smallest unit that has meaning in the language) and discriminates each part of speech. It is processing to do. As described above, each target setting example data is stored in the target setting example DB 11 in association with an identifier corresponding to the quality of the contents. The good / bad discrimination model generation unit 13 associates the identifier stored in the target setting example DB 11 with the result of the morphological analysis. For this reason, a good or bad evaluation regarding competency target setting is given to the morpheme. The good / bad discrimination model generation unit 13 stores such a morphological analysis result in a memory or the like as a temporary file.
  • the good / bad discrimination model generation unit 13 compares the morpheme analysis result created in step S3-2 with the frequent words registered in the frequent word DB 14, and among the morpheme analysis results, data that does not match the frequent words.
  • a process of masking (morpheme) as ⁇ unknown> (unknown) is performed (step S3-3). Thereby, unique noise data that is not used in normal competency target setting is removed from the morphological analysis result.
  • the good / bad discrimination model generation unit 13 stores the masked morpheme analysis result created here in a memory or the like as a temporary file.
  • the good / bad discrimination model generation unit 13 generates an AI model, that is, a good / bad discrimination model 15 in which the masked morphological analysis result created in step S3-3 is learned as training data (step S3-4). .
  • the good / bad discrimination model generation unit 13 constructs a multilayer perceptron network (a so-called neural network) using the masked morpheme analysis results as training data, and performs network learning, thereby obtaining the good / bad discrimination model 15. Generate.
  • a method for creating an AI model using a multilayer perceptron network is known.
  • the good / bad discrimination model 15 generated in this way basically has a tendency that the competency target setting including any morpheme or combination of morphemes tends to be judged good or bad. Learning what is there. Specifically, in the example described here, the good / bad discrimination model 15 learns, as training data, four-stage identifiers (A to D) related to good / bad regarding the goal setting registered in the goal setting example DB 11. Therefore, if this good / bad discrimination model 15 is used, it is possible to automatically classify the contents of text data relating to competency target setting into four stages.
  • the good / bad discrimination model 15 generated in this way can be used in the quantification process of the competency target setting (FIG. 7). As described above, the good / bad discrimination model 15 with advanced learning can also be used in the process of registering data in the target setting example DB 11 (FIG. 3).
  • FIG. 6 shows an example of processing performed by the automatic correction model generation unit 16.
  • the automatic correction model generation unit 16 acquires a predetermined number of frequently occurring words from the competency target setting DB 10 and registers them in the frequently occurring word DB 14 (step S4-1).
  • step S4-1 is the same as step S3-1 described above. For this reason, when the data registration to the frequent word DB 14 has already been completed, the automatic correction model generation unit 16 can omit the process of step S4-1.
  • the automatic correction model generation unit 16 acquires target setting example data stored in association with identifiers (A and B) that the contents are good among the target setting example data stored in the target setting example DB 11. Then, morphological analysis is performed (step S4-2). That is, the automatic correction model generation unit 16 uses only competency target setting data with good contents.
  • the automatic correction model generation unit 16 associates words extracted by performing morphological analysis with their appearance order. Specifically, the automatic correction model generation unit 16 analyzes what word is used after a certain word in setting competency targets with good contents. In this way, the context in which words appear is associated.
  • the automatic correction model generation unit 16 stores the morphological analysis result as a temporary file in a memory or the like.
  • the automatic correction model generation unit 16 collates the morpheme analysis result created in step S4-2 with the frequent word registered in the frequent word DB 14, and among the morpheme analysis results, data that does not match the frequent word ( A process of masking the morpheme) as ⁇ unknown> (unknown) is performed (step S4-3). Thereby, unique noise data that is not used in normal competency target setting is removed from the morphological analysis result.
  • the automatic correction model generation unit 16 stores the masked morpheme analysis result created here in a memory or the like as a temporary file.
  • the automatic correction model generation unit 16 generates an AI model, that is, an automatic correction model 17 in which the masked morpheme analysis result created in step S4-3 is learned as training data (step S4-4). Specifically, the automatic correction model generation unit 16 generates an automatic correction model 17 by constructing a recurrent network based on the masked morpheme analysis results and performing network learning.
  • a method for creating an AI model using a recurrent network is known.
  • the automatic correction model 17 generated in this way basically has a tendency of what kind of word is frequently used in setting a competency goal with good contents, and what kind of word follows a certain word. Learning the tendency to determine that it is appropriate as a competency goal setting. Therefore, the automatic correction model 17 can be used for correction of competency target setting created by the evaluator. Therefore, the automatic correction model 17 generated in this way can be used in the automatic correction process (FIG. 9) for setting competency targets.
  • FIG. 7 and FIG. 8 show an example of processing for assigning whether the competency target setting of the evaluator is good or bad.
  • FIG. 7 shows the process of the quantification unit 18, and
  • FIG. 8 shows the process of the distribution unit 22.
  • the quantification unit 18 uses the good / bad discrimination model 15 created in the process of FIG. 5 to qualitative data (text) for competency target setting stored in the competency target setting DB 10. Data) is evaluated (step S5-1). As described above, the good / bad discrimination model 15 learns whether the competency target setting is good or bad based on the identifiers (A to D) registered in the goal setting example DB 11. Is used, the qualitative data of competency goal setting stored in the competency goal setting DB 10 is “very good: A”, “good: B”, “bad: C”, and “very bad: D Can be classified into four stages. Therefore, the quantification unit 18 scores each of the qualitative data for setting the competency target according to the four-stage evaluation classified by the good / bad discrimination model 15. In the example shown in FIG. 7, 1.2 points, 0.9 points, 0.6 points, and 0.4 points in the order of “very good”, “good”, “bad”, and “very bad”, respectively. Points are given. The scoring method can be adjusted as appropriate.
  • the quantification unit 18 reads out the monitoring result of the evaluated person who is the evaluation target from the evaluated person monitoring result DB 19 (step S5-2).
  • evaluations of the evaluated person's ability are scored and stored. For example, in the evaluated person monitoring result DB 19, evaluations regarding items such as business manners, self-development, thoroughness, and teamwork are finely scored.
  • the quantification unit 18 reads the score of the person to be evaluated from the person-to-be-evaluated monitoring result DB 19 and scores it according to a predetermined standard. In the example shown in FIG. 7, the evaluated person monitoring results are 1.6 points in the order of “3 points or more”, “2.5 to 3 points”, “2 to 2.5 points”, and “less than 2 points”, respectively.
  • step S5-2 is an optional step and can be omitted.
  • the quantification unit 18 reads out the monitoring result of the evaluator who evaluated the evaluated person from the evaluator monitoring result DB 20 (step S5-3).
  • evaluations of the evaluator's ability are scored and stored.
  • evaluations regarding items such as the evaluator's support ability, the accuracy of advice, and the ability to communicate with subordinates are finely scored.
  • the quantification unit 18 reads out the evaluator's score from the evaluator monitoring result DB 20 and scores it according to a predetermined standard. In the example shown in FIG.
  • the evaluator monitoring results are 0.4 points in the order of “3 points or more”, “2.5 to 3 points”, “2 to 2.5 points”, and “less than 2 points”. , 0.3, 0.2, and 0.1 points are given.
  • the evaluation items and evaluation criteria in the evaluator monitoring result DB 20 can be adjusted as appropriate for each company.
  • the criteria for assigning scores in step S5-3 may be adjusted according to the contents of the evaluator monitoring result DB 20. Further, in the present invention, this step S5-3 is an optional step and can be omitted.
  • the quantification unit 18 refers to the MBODB 21 to acquire the MBO score and the maximum score of the person to be evaluated (step S5-4).
  • MBO means target management (Management By Objectives).
  • the MBODB 21 stores quantitative data related to MBO acquisition points corresponding to business goals for each person to be evaluated.
  • the business target is a preset target numerical value such as target sales.
  • the MBO acquisition point is a numerical value obtained by scoring how much the business performance (eg, actual numerical value such as actual sales) satisfies the business goal, for example. For example, the MBO acquisition points are 6 points if the business target is 100%, 5 points if the business performance is 120% or more, 4 points if the business target is 100 to 120%, etc. Can be scored.
  • the MBO acquisition points may be simply the ratio of the business performance to the business goal.
  • the business target and the MBO acquisition point may be stored in the MBODB 21 for each predetermined item.
  • a business target, a business performance, and an MBO acquisition point may be registered for each item such as an order budget achievement rate, a new customer acquisition rate, the number of business improvement cases, and a cost reduction rate.
  • weighting may be performed for each item.
  • the quantification unit 18 can acquire the MBO acquisition score and the maximum score for each person to be evaluated by referring to the MBODB 21.
  • the quantification unit 18 obtains the competency acquisition rate and the MBO acquisition rate (step S5-5).
  • the competence acquisition rate is based on the ratio of the evaluation points obtained in steps S5-1 to S5-3 (competency acquisition points) as the numerator and the maximum score obtained in steps S5-1 to S5-3 as the denominator. Desired. In the example shown in FIG. 7, the maximum point of competency is 3.2 points (1.2 + 1.6 + 0.4).
  • the MBO acquisition rate is obtained from a ratio in which the MBO acquisition point of the evaluated person acquired in step S5-4 is a numerator and the maximum MBO acquisition point is a denominator. Competency acquisition rate and MBO acquisition rate are 100% respectively maximum.
  • the quantification unit 18 performs an operation [competency acquisition rate ⁇ MBO acquisition rate] for subtracting the MBO acquisition rate from the competency acquisition rate (step S5-5). Further, the quantification unit 18 gives a score on a predetermined basis according to the difference value obtained here. In the example shown in FIG. 7, when the difference value is less than 30%, 0.8 points, when the difference value is 30-40%, 0.6 points, and when the difference value is 40-50%, 0.4 points. As described above, the difference value obtained by subtracting the MBO acquisition rate from the competency acquisition rate is set such that the smaller the value, the higher the score. When the difference value between the competency acquisition rate and the MBO acquisition rate is large, it means that the evaluation of the behavioral characteristics and the evaluation result of the evaluationee are greatly different from each other.
  • the score is low.
  • the difference value between the competency acquisition rate and the MBO acquisition rate is small, it can be said that the target setting of the behavior characteristics is clear and concrete, and the actual performance is also in accordance with the target setting. Therefore, in this case, the score is high.
  • the quantification unit 18 quantifies the qualitative data stored in the competency target setting DB 10.
  • the quantification unit 18 uses the value [a] obtained in step S5-1, the value [b] obtained in step S5-2, the value [c] obtained in step S5-3, The value [d] obtained in step S5-6 is output to the allocating unit 22.
  • the distribution unit 22 first obtains a total value of the values [a] [b] [c] [d] calculated by the quantification unit 18 for each person to be evaluated. (Step 5-7).
  • the maximum total value obtained here is 4.0 points (1.2 + 1.6 + 0.4 + 0.8).
  • the allocating unit 22 determines whether or not the total value obtained in step S5-7 is less than 2 points (step S5-8).
  • the maximum of the total value is 4.0 points, so half the value is set as the threshold value.
  • the threshold value in step S5-8 is preferably set to a half value which is the maximum of the total value. If the total value is less than 2 points, the process proceeds to step S5-9, and if the total value is 2 points or more, the process proceeds to step S5-10.
  • the allocating unit 22 registers information about the evaluated person (ID information, etc.) in the evaluated person DB 23 with a bad target setting (step S5-9). In this evaluated person DB 23, evaluated persons who tend to set a bad target are recorded in a list. On the other hand, when the total value is 2 or more, the allocating unit 22 registers information on the evaluated person in the evaluated person DB 24 with good target setting (step S5-10). In this evaluated person DB 24, the evaluated persons who tend to perform good target setting are recorded in a list.
  • the allocating unit 22 performs a process of allocating the person to be evaluated to one that performs bad target setting and one that performs good target setting based on the quantitative data obtained by the quantifying unit 18.
  • the evaluated target DB 23 with a poor target setting in which information is registered in this way is used in an automatic correction process (FIG. 9) described later.
  • the evaluated person DB 23 with a bad target setting is recorded in the list of evaluated persons who tend to perform bad target setting. For this reason, by performing the processing so far, it is possible to evaluate the content of the competency target setting of the evaluated person and to find the evaluated person who tends to set a bad target.
  • the evaluated person DB 24 with good target setting can also be used effectively.
  • the evaluated target DB 24 having a good target setting is an optional element and can be omitted.
  • the value [d] obtained in S5-6 is one of the features. Therefore, in the present invention, the quantification unit 18 may output only the value [d] obtained in S5-6 to the distribution unit 22. In that case, the distribution unit 22 may perform a distribution process related to the quality of the evaluated person based only on the value [d].
  • the correction unit 25 first extracts a list of evaluators registered in the evaluator DB 23 with a bad target setting (step S6-1). As described above, the automatic correction process is performed only for the evaluator registered in the evaluator DB 23 with a bad target setting.
  • the correction unit 25 displays the competency registered as very good (identifier A) in the target setting example DB 11 on the display screen of the user terminal 3 operated by the evaluator extracted in step S6-1.
  • a target setting example is displayed (step S6-2).
  • the target setting input data input to the user terminal 3 by the evaluator is transmitted from the user terminal 3 to the management server 1 as needed.
  • the correction unit 25 of the management server 1 uses the automatic correction model 17 generated by the process shown in FIG.
  • the word or sentence to be input next is calculated from the sentence and transmitted to the user terminal 3 (step S6-3). That is, as described above, the automatic correction model 17 has a tendency of what kind of word is frequently used in setting a competency target with good contents, and what kind of word is placed after a certain word to set the competency target. I am learning the tendency to be appropriate.
  • the automatic correction model 17 if used, a word or sentence to be input next to the word can be determined based on the word data input from the user terminal 3 in real time. Therefore, the correction unit 25 returns the recommended word and sentence data determined in this way to the user terminal 3 in real time. On the display screen of the user terminal 3, recommended word and sentence data transmitted from the management server 1 are displayed as candidates for the next input. Thereby, it is possible to provide appropriate advice to an evaluated person who is not good at inputting competency target settings.
  • the correction unit 25 of the management server 1 receives the target setting input data from the user terminal 3, the correction server 25 refers to the NG word DB 12 created in FIG. 4 and selects a word that matches the NG word in the input data. If found, the result is returned to the user terminal 3 (step S6-4). For example, when the correction unit 25 finds an NG word in the input data from the user terminal 3, the correction unit 25 generates a control signal for highlighting the NG word and transmits the control signal to the user terminal 3. As a result, the NG word becomes conspicuous on the display screen of the user terminal 3. Thereby, it is possible to urge the person to be evaluated to correct the NG word.
  • the correction unit 25 determines whether or not the input of the competency target setting by the user terminal 3 has been completed (step S6-5). When the input is completed, the automatic correction process ends. On the other hand, if the input continues, the process returns to step S6-3 again to continue the automatic correction.
  • the present invention relates to an apparatus having a function for determining whether the competency target setting performed by the evaluator is good or bad. Therefore, the present invention can be suitably used in a consulting operation that supports the evaluated person so that better target setting can be voluntarily performed.
  • Management server (Competency target setting support device) 2 ... Administrator terminal 3 ... User terminal 10 ... Competency target setting DB 11 ... Target setting example DB 12 ... NG Word DB 13 ... Good / bad discrimination model generation unit 14 ... Frequent word DB 15 ... Good / bad discrimination model 16 ... Automatic correction model generator 17 ... Automatic correction model 18 ... Quantification unit 19 ... Evaluator monitoring result DB 20 ... Evaluator monitoring result DB 21 ... MBODB 22 ... distribution part 23 ... evaluated person DB (bad evaluated person) 24 ... Evaluator DB (good evaluator) 25 ... Correction section 100 ... Personnel evaluation system

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Quinoline Compounds (AREA)
  • Portable Nailing Machines And Staplers (AREA)
  • Heat Sensitive Colour Forming Recording (AREA)

Abstract

【課題】社員一人ひとりが適切なコンピテンシー目標を自発的に設定できるように支援する。 【解決手段】コンピテンシー目標設定支援装置１は，被評価者の行動特性の目標設定に関する定性的データを記憶するコンピテンシー目標設定ＤＢ１０と，被評価者の業務目標に応じたＭＢＯ獲得点に関する定量的データを記憶するＭＢＯＤＢ２１と，コンピテンシー目標設定ＤＢに記憶されている定性的データに基づいて定量的データを得る定量化部１８と，定量化部により得られた定量的データに基づいて各被評価者を悪い目標設定をする者と良い目標設定をする者に振り分ける振分部２２と，振分部により振分けられた少なくとも悪い目標設定をする被評価者に関する情報を記憶する被評価者データベース２３と，を備える。定量化部は，コンピテンシー獲得率とＭＢＯ獲得率との差分値を求め，振分部は，この差分値又はこれを加味した値に基づいて，各被評価者を悪い目標設定をする者と良い目標設定をする者に振り分ける。

Description

コンピテンシー目標設定支援装置，支援方法，及び支援プログラム
　本発明は，被評価者による行動特性の目標設定（コンピテンシー目標設定）を支援するためのコンピテンシー目標設定支援装置，支援方法，及び支援プログラムに関する。具体的に説明すると，本発明は，被評価者が行ったコンピテンシー目標設定の良し悪しを判別する機能を持つ装置に関するものであり，被評価者がより良い目標設定を自発的に行えるように支援するコンサルティング業務において活用することができる。
　企業の成長のためには，社員一人ひとりが経営理念に連動した目標を持ち，それを着実に実現することが重要になる。このため，近年では，社員自身に適切な「コンピテンシー目標」，すなわち「成果を生む望ましい行動特性の目標」を設定させた上で，その目標に沿って日々の業務を行うように管理指導していくことが，企業の人事管理において重要視されている。
　また，従来から，企業の人事部門で利用される人事評価システムに関して，種々の発明が提案されている（例えば特許文献１及び特許文献２）。このような人事評価システムを利用して客観的かつ公平に社員の行動や成績を評価することは，従来から一般的に行われている
　例えば，特許文献１に開示された人事評価システムによれば，評価に対する客観性を高め，被評価者にとって変革が必要な行動をより客観的に示すことが可能になるとされている。このシステムでは，ある被評価者が予め設定された期待行動に沿って行動をしているか否かを評価する際に，評価対象である被評価者の入出力端末により複数の評価者を選定する。また，この評価システムでは，選定された評価者に対して評価を依頼する評価実施通知メールを配信し，評価者の入出力端末により入力された評価結果に基づいて，フィードバック情報を作成して被評価者の入出力端末に表示させる。このようにして，上司ならびに上司以外の複数の評価者により被評価者の評価が行われるので，評価に対する客観性が高くなる。
　また，特許文献２に開示された人事評価システムによれば，平易な条件設定での評価者割当てが可能になるとされている。このシステムにおいて，評価者割当処理部は，人事評価システムデータベースの評価者割当設定情報保存領域に保存された評価者割当設定情報と，人事管理システムデータベースの人事情報保存領域に保存された人事情報，及び組織情報保存領域に保存された組織情報をもとに適切な評価者を選択し，各被評価者に対して評価者を割当てて評価情報を更新する。
特開２００６－１８５０８０号公報 特開２００７－３２３３５２号公報
　しかしながら，従来の人事評価システムはいずれも，被評価者が予め設定された期待行動に沿った行動を取っているか否かを事後的に評価するものであり，その被評価者が行動特性（コンピテンシー）の目標を自分自身で適切に設定できているか否かを評価する仕組みを有するものではなかった。例えば，被評価者のコンピテンシー目標設定が曖昧なものであると，事業活動において判断力が低下し，一貫性のある行動が取れなくなるため，自ずと生産性が悪くなる。また，コンピテンシー目標設定が曖昧であると，被評価者に対する評価も悪くなるため，被評価者自身の業務に対する意欲や士気の低下に繋がる。他方で，被評価者のコンピテンシー目標設定が具体的かつ明確なものであると，その目標に沿って迷いなく日々適切な行動を取ることができるようになるため，生産性が向上し，その者に対する周囲の評価も向上する。その結果，被評価者自体の意欲や士気の向上に繋げることができる。
　このように，社員の行動に対する事後的な評価も重要であるが，今後の企業活動においては，社員に対して適切なコンピテンシー目標設定を促すことがより重要になるといえる。そこで，本発明は，社員のコンピテンシー目標設定を客観的に評価し，社員一人ひとりが適切なコンピテンシー目標を自発的に設定できるように支援することのできる技術を提供することを目的とする。
　本発明の発明者は，上記の従来発明の問題を解決する手段について鋭意検討した結果，コンピテンシー目標設定を定量的に評価して各被評価者のコンピテンシー獲得率を求めるとともに，各被評価者のＭＢＯ獲得点のその最大値に対する割合からＭＢＯ（Management By Objectives：目標管理）獲得率を求め，これらのコンピテンシー獲得率とＭＢＯ獲得率との差分値に基づいて各被評価者が良い標設定をする者か悪い目標設定をする者かを判断することにより，被評価者の目標設定の良し悪しについて客観的に評価することができるという知見を得た。このような客観的な評価基準を設けることで，社員一人ひとりが適切なコンピテンシー目標を自発的に設定できるように支援することできる。そして，本発明者は，上記知見に基づけば，従来技術の課題を解決できることに想到し，本発明を完成させた。具体的に説明すると，本発明は以下の構成・工程を有する。
　本発明の第１の側面は，コンピテンシー目標設定支援装置に関する。本発明に係る装置は，コンピテンシー目標設定ＤＢと，ＭＢＯＤＢと，定量化部と，振分部と，被評価者ＤＢとを備える。なお，「ＤＢ」とは，データベースを意味する。
　コンピテンシー目標設定ＤＢは，被評価者ごとに行動特性の目標設定に関する定性的データを記憶する。行動特性の目標設定に関する定性的データとは，例えば被評価者が自身の行動特性に関する目標を記述したテキストデータである。
　ＭＢＯＤＢは，被評価者ごとに業務目標に応じたＭＢＯ獲得点に関する定量的データを記憶する。業務目標とは，例えば目標売上などの予め設定された目標数値である。ＭＢＯ獲得点とは，例えば業務実績（例：実際の売上などの実績数値）が業務目標をどの程度満足したかを得点化した数値である。例えば，ＭＢＯ獲得点は，業務目標を１００％とした場合に，業務実績が１２０％以上であれば６点，１００～１２０％であれば５点，８０～１００％であれば４点といったように得点化したものとすることができる。また，ＭＢＯ獲得点は，単純に，業務目標に対する業務実績の割合としてもよい。
　定量化部は，コンピテンシー目標設定ＤＢに記憶されている定性的データに基づいて定量的データを得る。具体的説明すると，定量化部は，まず，コンピテンシー目標設定ＤＢに記憶されている定性的データを所定の基準に基づいて点数化し，各被評価者のコンピテンシー獲得点を得る。また，定量化部は，各被評価者のコンピテンシー獲得点のその最大点に対する割合から，各被評価者のコンピテンシー獲得率を求める。また，定量化部は，ＭＢＯＤＢに記憶されている定量的データについて，ＭＢＯ獲得点のその最大点に対する割合から，各被評価者のＭＢＯ獲得率を求める。その後，定量化部は，コンピテンシー獲得率とＭＢＯ獲得率との差分値を求める。少なくとも，定量化部は，このようにして被評価者の行動特性の目標設定に関する定性的データを定量化する。
　振分部は，定量化部により得られた定量的データに基づいて，各被評価者を悪い目標設定をする者と良い目標設定をする者に振り分ける。具体的に，振分部は，定量化部が求めた差分値又はこれを加味した値に基づいて，各被評価者を悪い目標設定をする者と良い目標設定をする者に振り分ける。ここにいう差分値を加味した値とは，例えば，差分値に別の値を四則演算することで求めた値であってもよいし，差分値を所定の基準で得点化した値や，この得点化した値に別の値を四則演算することで求めた値であってもよい。いずれにしても，振分部は，定量化部が求めた差分値を考慮して，各被評価者の振分けを行う。
　被評価者ＤＢは，振分部により振分けられた少なくとも悪い目標設定をする被評価者に関する情報を記憶する。なお，被評価者ＤＢは，悪い目標設定をする被評価者に加えて，良い目標設定をする被評価者に関する情報を記憶していてもよい。
　上記構成のように，本発明は，定量化部が求めたコンピテンシー獲得率とＭＢＯ獲得率との差分値を考慮して，被評価者の行動特性の目標設定が良いものか悪いものかを判断する。コンピテンシー獲得率とＭＢＯ獲得率との差分値が大きい場合，被評価者に行動特性に対する評価と被評価者のＭＢＯ獲得点とが大きく乖離していることを意味する。例えば，コンピテンシー獲得率が高いのに対してＭＢＯ獲得率が低い場合，行動特性の目標設定が曖昧で抽象的であったり，実際の業績が目標に沿っていないこととなるため，適切な行動特性の目標設定や適切な自己分析が出来ているとはいえない。従って，より適切な目標設定ができれば，業績実績をさらに高くする余地があるといえる。このような場合には，被評価者を悪い目標設定をする者と判断して，管理指導対象に含めることで，より適切な目標設定を行えるように支援することが可能となる。また，被評価者の振分けの際に，ＭＢＯ獲得率という客観的なデータを用いることで，この評価を行う際に公平性及び客観性を担保することができる。
　本発明のコンピテンシー目標設定支援装置は，添削部をさらに備えることが好ましい。添削部は，被評価者が扱う利用者端末から入力された行動特性の目標設定に関する定性的データを添削する。具体的に，添削部は，被評価者ＤＢから悪い目標設定をする被評価者を抽出し，行動特性に関する定性的データが悪い目標設定をする被評価者により入力されたものである場合に，当該定性的データの添削を行う。
　上記構成のように，悪い目標設定をすると判断された被評価者に対して，その目標設定に関するテキストデータ（定性的データ）の添削を行うことで，その被評価者に対して目標設定の仕方を指導することができる。これにより，被評価者の能力を向上させ，将来的には自発的に適切な目標設定をおこなうことができるように支援することができる。
　本発明のコンピテンシー目標設定支援装置は，行動特性の目標設定に関するＮＧワードを記憶するＮＧワードＤＢをさらに備えることが好ましい。このとき，添削部は，ＮＧワードＤＢを参照して，行動特性の目標設定に関する定性的データを構成する文章にＮＧワードが含まれる場合に，利用者端末に対して通知する。
　上記構成のように，本発明の装置はＮＧワードＤＢを備えることで，行動特性の目標設定に不適切な単語を使用しないように，被評価者を指導することができる。これにより，被評価者は，目標設定に適さない曖昧な単語を使用しないように留意するようになる。
　本発明のコンピテンシー目標設定支援装置は，さらに，目標設定例ＤＢと良悪判別モデル生成部とを備えることが好ましい。目標設定例ＤＢは，コンピテンシー目標設定ＤＢに記憶されている定性的データのうちの少なくとも一部を，行動特性の目標設定の良し悪しに関する情報に関連付けて記憶する。良悪判別モデル生成部は，目標設定例ＤＢに記憶されている情報をトレーニングデータとして学習した良悪判別モデル（具体的にはＡＩモデル）を生成する。この場合に，定量化部は，各被評価者のコンピテンシー獲得点を得る際に，良悪判別モデルを利用して，コンピテンシー目標設ＤＢに記憶されている定性的データを点数化する。
　上記構成のように，例えば，コンピテンシー目標設定ＤＢに記憶されている定性的データについて人手で良し悪しの判別を行い，目標設定例ＤＢを構築しておく。この目標設定例ＤＢを元に学習させた良悪判別モデルを利用して定性的データを数値化することで，定性的データの評価を自動的に行うことがまた，その客観性を高めることができる。また，データの蓄積により評価の精度を高めることができる。
　本発明のコンピテンシー目標設定支援装置は，さらに，添削モデル生成部を備えることが好ましい。添削モデル生成部は，目標設定例ＤＢに記憶されている情報のうち，良いものとしてされている行動特性の目標設定に関する情報をトレーニングデータとして学習した添削モデル（具体的にはＡＩモデル）を生成する。この場合に，添削部は，被評価者が扱う利用者端末から入力された行動特性の目標設定に関する定性的データを，添削モデルを利用して添削する。
　上記構成のように，添削モデルは例えば人手によって良し悪しの判別がなされた定性的データを元に学習しているため，これを被評価者の定性的データの添削に用いることで，このような添削処理を精度良く自動的に行うことができる。
　本発明の第２の側面は，コンピテンシー目標設定支援方法に関する。本発発明に係る方法は，基本的に，前述した第１の側面に係るコンピテンシー目標設定支援装置によって実行される。すなわち，本発明に係る方法は，コンピテンシー目標設定ＤＢに記憶されている定性的データに基づいて定量的データを得る定量化工程と，定量化工程で得られた定量的データに基づいて各被評価者を悪い目標設定をする者と良い目標設定をする者に振り分ける振分工程と，を含む。
　定量化工程は，コンピテンシー目標設定ＤＢに記憶されている定性的データを所定の基準に基づいて点数化し，各被評価者のコンピテンシー獲得点を得る工程と，各被評価者のコンピテンシー獲得点のその最大点に対する割合から，各被評価者のコンピテンシー獲得率を求める工程と，ＭＢＯＤＢに記憶されている定量的データについて，ＭＢＯ獲得点のその最大点に対する割合から，各被評価者のＭＢＯ獲得率を求める工程と，コンピテンシー獲得率とＭＢＯ獲得率との差分値を求める工程とを含む。
　振分工程は，定量化工程で求めた差分値又はこれを加味した値に基づいて，各被評価者を悪い目標設定をする者と良い目標設定をする者に振り分ける工程を含む。
　本発明の第３の側面は，コンピュータを，前述した第１の側面に係るコンピテンシー目標設定支援装置として機能させるためのプログラムに関する。本発明のプログラムは，インターネットを介してコンピュータにダウンロード及びインストールされるものであってもよいし，記録媒体を介してコンピュータにインストールされるものであってもよい。
　本発明によれば，社員のコンピテンシー目標設定を客観的に評価し，社員一人ひとりが適切なコンピテンシー目標を自発的に設定できるように支援することができる。
図１は，人事評価システムの全体構成の一例を示した概念図である。 図２は，人事評価システム，特にコンピテンシー目標設定装置（管理サーバ）の機能構成を示したブロック図である。 図３は，目標設定例ＤＢにデータを登録する処理の流れの一例を示したフロー図 図４は，ＮＧワードＤＢにデータを登録する処理の流れを示したフロー図である。 図５は，良悪判別モデル生成部が行う処理の流れの一例を示したフロー図である。 図６は，自動添削モデル生成部が行う処理の流れの一例を示したフロー図である。 図７は，定量化部が行う処理の流れの一例を示したフロー図である。 図８は，振分部が行う処理の流れの一例を示したフロー図である。 図９は，添削部が行う処理の流れの一例を示したフロー図である。
　以下，図面を用いて本発明を実施するための形態について説明する。本発明は，以下に説明する形態に限定されるものではなく，以下の形態から当業者が自明な範囲で適宜変更したものも含む。
　図１は，人事評価システム全体の構成を示している。図１に示されるように，人事評価システム１００は，管理サーバ１，管理者端末２，及び利用者端末３がネットワークを通じて相互に接続されることによって構成されている。ネットワークの例は，インターネットや社内用のイントラネットである。本実施形態において，管理サーバ１は，本発明に係るコンピテンシー目標設定支援装置に相当する。管理サーバ１の機能は，一台のサーバ型コンピュータによって実現されるものであってもよいし，ネットワークを介して相互に接続された複数台のサーバ型コンピュータによって実現されるものであってもよい。また，管理者端末２は，本システムを運営する管理者によって操作されるコンピュータ端末である。管理者端末２は，管理サーバ１に新たな情報を登録したり，管理サーバ１に記憶されている情報を更新したりすることができる。また，利用者端末３は，本システムにおける評価者（評価をする者：例えば上司）や被評価者（評価を受ける者：例えば部下）によって操作されるコンピュータ端末である。本システムにおいて，管理者端末２や利用者端末３はそれぞれ複数存在することが想定されている。
　管理サーバ１，管理者端末２，及び利用者端末３は，一般的に用いられているコンピュータにより実現することができる。管理サーバ１の例は，前述したとおりサーバ型コンピュータである。管理者端末２と利用者端末３の例は，デスクトップ型コンピュータや，ラップトップ型コンピュータ，その他スマートフォンやタブレット端末などの携帯情報端末である。各装置１～３は，基本的に，制御演算装置，記憶装置，入力装置，及び出力装置を有する。制御演算装置は，入力装置から入力された情報に基づいて，記憶装置に記憶されているプログラムに従った所定の演算処理を実行し，その演算結果を適宜記憶装置に書き出したり読み出したりしながら，出力装置を制御することができる。制御演算装置の例は，ＣＰＵやＧＰＵなどのプロセッサである。記憶装置のストレージ機能は，例えばＨＤＤ及びＳＤＤといった不揮発性メモリによって実現でき，記憶装置のメモリ機能は，例えばＲＡＭやＤＲＡＭといった揮発性メモリにより実現できる。入力装置の例は，マウスやキーボードなどの操作用モジュールや，ネットワークを介して情報を受信するための通信モジュールである。また，出力装置の例は，ディスプレイや，スピーカや，ネットワークを介して情報を送信するための通信モジュールである。各装置１～３の機能は，このようなハードウェア構成によって実現される。
　図２は，主に管理サーバ１（コンピテンシー目標設定支援装置）の機能構成の例を示したブロック図である。図２に示されるように，管理サーバ１は，コンピテンシー目標設定ＤＢ１０，目標設定例ＤＢ１１，ＮＧワードＤＢ１２，良悪判別モデル生成部１３，頻出単語ＤＢ１４，良悪判別モデル１５，自動添削モデル生成部１６，自動添削モデル１７，定量化部１８，被評価者モニタリング結果ＤＢ１９，評価者モニタリング結果ＤＢ２０，ＭＢＯＤＢ２１，振分部２２，悪い目標設定の被評価者ＤＢ２３，良い目標設定の被評価者ＤＢ２４，及び添削部２５を有している。各種のデータベースは，管理サーバ１が備える記憶装置によって実現される。また，良悪判別モデル生成部１３，自動添削モデル生成部１６，定量化部１８，振分部２２，及び添削部２５は，管理サーバ１が備えるプロセッサにより実現される。以下，これらの管理サーバ１の機能構成について，図３～図９に示したフロー図を参照して詳しく説明する。
　図３～図６は，被評価者のコンピテンシー目標設定（行動特性の目標設定）を評価するための事前準備に関する処理の流れを示す。また，図７及び図８は，被評価者のコンピテンシー目標設定を評価する処理の流れを示す。さらに，図９は，被評価者のコンピテンシー目標設定を支援するために，その目標設定の自動添削を行う処理の流れを示す。なお，本願の各図において，通常の矢印はデータの流れを示し，先端が二重になっている矢印は処理の流れを示している。
　図３は，目標設定例ＤＢ１１にデータを登録する処理の一例を示している。コンピテンシー目標設定ＤＢ１０は，被評価者が作成したコンピテンシー目標設定に関する定性的データが，被評価者ごとに記憶されている。例えば，被評価者は，自身のコンピテンシー目標を文章で記載する。このため，コンピテンシー目標設定ＤＢ１０には，被評価者により作成されたテキストデータが，コンピテンシー目標設定に関する定性的データとして記憶される。基本的に，管理サーバ１は，コンピテンシー目標設定ＤＢ１０に記憶されている情報をデータ・ソースとして各種の演算処理を行う。コンピテンシー目標設定ＤＢ１０に蓄積されている情報の量が増えると，演算処理の精度が高まるため，ここには適宜情報を追加することが好ましい。
　コンピテンシー目標設定ＤＢ１０に記憶されている情報は，管理者端末２で読み出すことができる。管理者端末２では，コンピテンシー目標設定ＤＢ１０からテキストデータを読み出し，各被評価者が作成したコンピテンシー目標設定の内容の良し悪しに応じて識別子を付与し，各コンピテンシー目標設定を振り分ける処理が行われる（ステップＳ１－１）。例えば，管理者端末２を操作する管理者が，コンピテンシー目標設定の内容を閲覧して，内容の良し悪しを判断して識別子の振分けを行ってもよい。また，この作業は後述する良悪判別モデル（ＡＩモデル）を利用して自動化することもできる。図３に示した例において，コンピテンシー目標設定に割り当てる識別子は，「非常に良い：Ａ」，「良い：Ｂ」，「悪い：Ｃ」，及び「非常に悪い：Ｄ」の４段階に分類されている。ただし，識別子の種類や数は必要に応じて適宜変更することができる。
　管理サーバ１は，管理者端末２で振分けられた識別子に関連付けて，コンピテンシー目標設定のテキストデータを目標設定例ＤＢ１１に登録する（ステップＳ１－２）。このため，目標設定例ＤＢ１１には，コンピテンシー目標設定のテキストデータと良し悪しに関する識別子（Ａ～Ｄ）とが関連付けられて蓄積されることとなる。また，目標設定例ＤＢ１１においては，目標設定を作成した被評価者に関する情報（ＩＤ情報）も，各テキストデータに関連付けられていてもよい。このようにして情報が登録された目標設定例ＤＢ１１は，後述する良悪判別モデルの生成処理（図５）や，自動添削モデルの生成処理（図６），コンピテンシー目標設定の自動添削処理（図９）において利用される。
　図４は，ＮＧワードＤＢ１２にデータを登録する処理の一例を示している。ＮＧワードＤＢ１２には，コンピテンシー目標設定で使用することが好ましくないＮＧワードが記憶される。具体的に説明すると，管理者端末２では，コンピテンシー目標設定ＤＢ１０からテキストデータを読み出し，そのテキストデータの中からＮＧワードを抽出する（ステップＳ２－１）。例えば，管理者端末２を操作する管理者が，コンピテンシー目標設定の内容を閲覧して，コンピテンシー目標設定としては相応しくない単語をＮＧワードとして抽出する。管理サーバ１は，管理者端末２で抽出されたＮＧワードを，ＮＧワードＤＢ１２に登録する（ステップＳ２－２）。このようにして，ＮＧワードＤＢ１２には，ＮＧワードが随時蓄積されることとなる。情報が蓄積されたＮＧワードＤＢ１２は，コンピテンシー目標設定の自動添削処理（図９）において利用される。
　図５は，良悪判別モデル生成部１３が行う処理の一例を示している。図５に示されるように，良悪判別モデル生成部１３は，まず，コンピテンシー目標設定ＤＢ１０から頻出単語の上位の所定数を取得し，頻出単語ＤＢ１４に登録する（ステップＳ３－１）。具体的には，良悪判別モデル生成部１３は，コンピテンシー目標設定ＤＢ１０に記憶されているテキストデータを単語に分解して各単語の総出現数を求め，出現数の多い単語を抽出し，抽出した単語を頻出単語ＤＢ１４に登録する。例えば，良悪判別モデル生成部１３は，上位１０，０００程度の単語を抽出すればよい。このようにして，頻出単語ＤＢ１４には，コンピテンシー目標設定においてよく使用される単語が蓄積されることとなる。
　次に，良悪判別モデル生成部１３は，目標設定例ＤＢ１１から目標設定例データを取得し，形態素解析を行う（ステップＳ３－２）。形態素解析とは，対象言語の文法のルールや品詞辞書を情報源として用いて，自然言語で書かれた文を形態素（言語で意味を持つ最小単位）の列に分割し，それぞれの品詞を判別する処理である。また，前述したように，目標設定例ＤＢ１１には，各目標設定例データが内容の良し悪しに応じた識別子に関連付けて格納されている。良悪判別モデル生成部１３は，形態素解析の結果にも，目標設定例ＤＢ１１に格納されている識別子を関連付ける。このため，形態素にコンピテンシー目標設定に関する良し悪しの評価が付与されることとなる。良悪判別モデル生成部１３は，このような形態素解析結果を一時ファイルとしてメモリなどに保存する。
　次に，良悪判別モデル生成部１３は，ステップＳ３－２で作成した形態素解析結果と頻出単語ＤＢ１４に登録されている頻出単語とを照合し，形態素解析結果のうち，頻出単語と一致しないデータ（形態素）を＜ｕｎｋｎｏｗｎ＞（不明）としてマスキングする処理を行う（ステップＳ３－３）。これにより，形態素解析結果から，通常のコンピテンシー目標設定では使用されないような特異なノイズデータが除去される。良悪判別モデル生成部１３は，ここで作成したマスキング済みの形態素解析結果を一時ファイルとしてメモリなどに保存する。
　続いて，良悪判別モデル生成部１３は，ステップＳ３－３で作成したマスキング済みの形態素解析結果をトレーニングデータとして学習させたＡＩモデル，すなわち良悪判別モデル１５を生成する（ステップＳ３－４）。具体的には，良悪判別モデル生成部１３は，マスキング済みの形態素解析結果をトレーニングデータとした多層パーセプトロンネットワーク（いわゆるニューラルネットワーク）を構築し，ネットワーク学習を行うことで，良悪判別モデル１５を生成する。多層パーセプトロンネットワークを利用したＡＩモデルの作成手法は公知である。このようにして生成された良悪判別モデル１５は，基本的に，どのような形態素又は形態素の組み合わせを含むコンピテンシー目標設定が，良いと判断される傾向にあるのか或いは悪いと判断される傾向にあるのかを学習している。具体的に，ここで説明した例において，良悪判別モデル１５は，目標設定例ＤＢ１１に登録された目標設定に関する良し悪しに関する４段階の識別子（Ａ～Ｄ）をトレーニングデータとして学習している。このため，この良悪判別モデル１５を利用すれば，コンピテンシー目標設定に関するテキストデータの内容を４段階に自動的に分類することが可能となる。このようにして生成された良悪判別モデル１５は，コンピテンシー目標設定の定量化処理（図７）において利用することができる。また，前述したように，学習が進んだ良悪判別モデル１５は，目標設定例ＤＢ１１にデータを登録する処理（図３）においても利用できる。
　図６は，自動添削モデル生成部１６が行う処理の一例を示している。図６に示されるように，自動添削モデル生成部１６は，コンピテンシー目標設定ＤＢ１０から頻出単語の上位の所定数を取得し，頻出単語ＤＢ１４に登録する（ステップＳ４－１）。なお，このステップＳ４－１は，前述したステップＳ３－１と同じである。このため，すでに頻出単語ＤＢ１４へのデータ登録が完了している場合には，自動添削モデル生成部１６は，このステップＳ４－１の処理を省略することができる。
　次に，自動添削モデル生成部１６は，目標設定例ＤＢ１１に記憶されている目標設定例データのうち，内容が良いという識別子（Ａ及びＢ）と関連付けて記憶されている目標設定例データを取得し，形態素解析を行う（ステップＳ４－２）。つまり，自動添削モデル生成部１６は，良い内容のコンピテンシー目標設定のデータのみを利用する。また，自動添削モデル生成部１６は，形態素解析を行って抽出された単語と，その出現順序を関連付ける。具体的には，自動添削モデル生成部１６は，良い内容のコンピテンシー目標設定では，ある単語の次にどのような単語が用いられているのかを解析する。このように，単語が出現する前後関係の対応付けを行う。自動添削モデル生成部１６は，形態素解析結果を一時ファイルとしてメモリなどに保存する。
　次に，自動添削モデル生成部１６は，ステップＳ４－２で作成した形態素解析結果と頻出単語ＤＢ１４に登録されている頻出単語とを照合し，形態素解析結果のうち，頻出単語と一致しないデータ（形態素）を＜ｕｎｋｎｏｗｎ＞（不明）としてマスキングする処理を行う（ステップＳ４－３）。これにより，形態素解析結果から，通常のコンピテンシー目標設定では使用されないような特異なノイズデータが除去される。自動添削モデル生成部１６は，ここで作成したマスキング済みの形態素解析結果を一時ファイルとしてメモリなどに保存する。
　続いて，自動添削モデル生成部１６は，ステップＳ４－３で作成したマスキング済みの形態素解析結果をトレーニングデータとして学習させたＡＩモデル，すなわち自動添削モデル１７を生成する（ステップＳ４－４）。具体的に，自動添削モデル生成部１６は，マスキング済みの形態素解析結果でリカレントネットワークを構築し，ネットワーク学習を行うことで，自動添削モデル１７を生成する。リカレントネットワークを利用したＡＩモデルの作成手法は公知である。このようにして生成された自動添削モデル１７は，基本的に，良い内容のコンピテンシー目標設定においてはどのような単語が頻繁に使用されるかという傾向と，ある単語の次にどのような単語を置くとコンピテンシー目標設定として適切であると判断されるかという傾向を学習している。このため，自動添削モデル１７は，被評価者が作成するコンピテンシー目標設定の添削に利用することができる。従って，このようにして生成された自動添削モデル１７は，コンピテンシー目標設定の自動添削処理（図９）において利用することができる。
　以上が，準備段階での処理である。続いて，以下では，上記の処理で作成したデータベースやＡＩモデルを利用して，実際に被評価者が作成したコンピテンシー目標設定の評価を行う処理について説明する。図７及び図８は，被評価者のコンピテンシー目標設定が良いか悪いかを振り分ける処理の一例を示している。特に，図７は定量化部１８の処理を示し，図８は振分部２２の処理を示している。
　図７に示されるように，定量化部１８は，図５の処理で作成された良悪判別モデル１５を利用して，コンピテンシー目標設定ＤＢ１０に記憶されているコンピテンシー目標設定の定性的データ（テキストデータ）を評価する（ステップＳ５－１）。前述したとおり，良悪判別モデル１５は，目標設定例ＤＢ１１に登録されている識別子（Ａ～Ｄ）に基づいてコンピテンシー目標設定の良し悪しを学習しているため，学習済みの良悪判別モデル１５を利用すれば，コンピテンシー目標設定ＤＢ１０に記憶されているコンピテンシー目標設定の定性的データを，「非常に良い：Ａ」，「良い：Ｂ」，「悪い：Ｃ」，及び「非常に悪い：Ｄ」の４段階に分類することができる。そこで，定量化部１８は，この良悪判別モデル１５が分類した４段階の評価に応じて，コンピテンシー目標設定の定性的データのそれぞれについて得点付けを行う。図７に示した例では，「非常に良い」，「良い」，「悪い」，及び「非常に悪い」の順に，それぞれ１．２点，０．９点，０．６点，０．４点が与えられる。なお，得点付けの方法は適宜調整することができる。
　また，定量化部１８は，被評価者モニタリング結果ＤＢ１９から，評価対象とされている被評価者のモニタリング結果を読み出す（ステップＳ５－２）。被評価者モニタリング結果ＤＢ１９には，被評価者の能力に対する評価が点数化して記憶されている。例えば，被評価者モニタリング結果ＤＢ１９では，ビジネスマナーや，自己啓発性，徹底性，チームワークなどの項目に関する評価が細かく点数化されている。定量化部１８は，この被評価者モニタリング結果ＤＢ１９から被評価者の点数を読み出し，所定の基準で得点付けを行う。図７に示した例では，被評価者モニタリング結果が「３点以上」，「２．５～３点」，「２～２．５点」，「２点未満」の順に，それぞれ１．６点，１．２点，０．８点，０．４点が与えられる。なお，被評価者モニタリング結果ＤＢ１９内の評価項目や評価基準は，会社ごとに適宜調整することができる。また，ステップＳ５－２における得点付与の基準も，被評価者モニタリング結果ＤＢ１９の内容に合わせて調整すればよい。さらに，本発明において，このステップＳ５－２は任意のステップであり，省略することもできる。
　また，定量化部１８は，評価者モニタリング結果ＤＢ２０から，被評価者を評価した評価者のモニタリング結果を読み出す（ステップＳ５－３）。評価者モニタリング結果ＤＢ２０には，評価者の能力に対する評価が点数化して記憶されている。例えば，評価者モニタリング結果ＤＢ２０では，評価者のサポート能力や，アドバイスの的確さ，部下とのコミュニケーション能力などの項目に関する評価が細かく点数化されている。定量化部１８は，この評価者モニタリング結果ＤＢ２０から評価者の点数を読み出し，所定の基準で得点付けを行う。図７に示した例では，評価者モニタリング結果が「３点以上」，「２．５～３点」，「２～２．５点」，「２点未満」の順に，それぞれ０．４点，０．３点，０．２点，０．１点が与えられる。なお，評価者モニタリング結果ＤＢ２０内の評価項目や評価基準は，会社ごとに適宜調整することができる。また，ステップＳ５－３における得点付与の基準も，評価者モニタリング結果ＤＢ２０の内容に合わせて調整すればよい。さらに，本発明において，このステップＳ５－３は任意のステップであり，省略することもできる。
　次に，定量化部１８は，ＭＢＯＤＢ２１を参照して，被評価者のＭＢＯ獲得点とその最大得点を取得する（ステップＳ５－４）。ＭＢＯとは，目標管理（Management By Objectives）を意味する。ＭＢＯＤＢ２１には，被評価者ごとに業務目標に応じたＭＢＯ獲得点に関する定量的データが記憶されている。業務目標とは，例えば目標売上などの予め設定された目標数値である。ＭＢＯ獲得点とは，例えば業務実績（例：実際の売上などの実績数値）が業務目標をどの程度満足したかを得点化した数値である。例えば，ＭＢＯ獲得点は，業務目標を１００％とした場合に，業務実績が１２０％以上であれば６点，１００～１２０％であれば５点，８０～１００％であれば４点といったように得点化したものとすることができる。また，ＭＢＯ獲得点は，単純に，業務目標に対する業務実績の割合としてもよい。業務目標とＭＢＯ獲得点は，所定の項目ごとにＭＢＯＤＢ２１に記憶されていてもよい。例えば，ＭＢＯＤＢ２１は，受注予算達成率，新規顧客獲得率，業務改善件数，コスト削減率などの項目ごとに，業務目標，業務実績，及びＭＢＯ獲得点が登録されていてもよい。また，ＭＢＯＤＢ２１では，項目ごとに重み付けがなされていてもよい。このように，定量化部１８は，ＭＢＯＤＢ２１を参照すれば，被評価者ごとに，ＭＢＯ獲得点とその最大得点を取得することができる。
　次に，定量化部１８は，コンピテンシー獲得率とＭＢＯ獲得率とを求める（ステップＳ５－５）。コンピテンシー獲得率は，ステップＳ５－１～Ｓ５－３で求めた被評価者の獲得点（コンピテンシー獲得点）を分子とし，ステップＳ５－１～Ｓ５－３で求められる最大点を分母とした割合から求められる。なお，図７に示した例において，コンピテンシーの最大点は，３．２点（１．２＋１．６＋０．４）である。また，ＭＢＯ獲得率は，ステップＳ５－４で取得した被評価者のＭＢＯ獲得点を分子とし，ＭＢＯ獲得点の最大点を分母とした割合から求められる。コンピテンシー獲得率とＭＢＯ獲得率は，それぞれ１００％が最大となる。
　次に，定量化部１８は，コンピテンシー獲得率からＭＢＯ獲得率を差し引く演算［コンピテンシー獲得率－ＭＢＯ獲得率］を行う（ステップＳ５－５）。また，定量化部１８は，ここで求めた差分値に応じて，所定の基準で得点を付与する。図７に示した例では，差分値が３０％未満の場合には０．８点，差分値が３０～４０％の場合には０．６点，差分値が４０～５０％の場合には０．４点となる。このように，コンピテンシー獲得率からＭＢＯ獲得率を差し引いた差分値は，より小さい方がより得点が高くなるように設定されている。コンピテンシー獲得率とＭＢＯ獲得率との差分値が大きい場合，被評価者に行動特性に対する評価と被評価者の業務実績とが大きく乖離していることを意味する。例えば，コンピテンシー獲得率が高いのに対してＭＢＯ獲得率が低い場合，行動特性の目標設定が曖昧で抽象的であったり，実際の業績が目標に沿っていないこととなるため，適切な行動特性の目標設定や適切な自己分析が出来ているとはいえない。従って，この場合には得点が低くなる。他方で，コンピテンシー獲得率とＭＢＯ獲得率との差分値が小さい場合には，行動特性の目標設定が明確で具体化されており，かつ，実際の業績も目標設定に沿っているといえる。従って，この場合には得点が高くなる。
　上記ステップＳ５－１～Ｓ５－６を行うことで，定量化部１８は，コンピテンシー目標設定ＤＢ１０に記憶されている定性的データを定量化する。ここで説明した実施形態において，定量化部１８は，ステップＳ５－１で求めた値［ａ］，ステップＳ５－２で求めた値［ｂ］，ステップＳ５－３で求めた値［ｃ］，及びステップＳ５－６で求めた値［ｄ］を振分部２２へと出力する。
　続いて，図８に示されるように，振分部２２は，まず，被評価者ごとに，定量化部１８が算出した値［ａ］［ｂ］［ｃ］［ｄ］の合計値を求める（ステップ５－７）。なお，図７及び図８に示した例において，ここで求められる合計値の最大は４．０点（１．２＋１．６＋０．４＋０．８）である。
　次に，振分部２２は，ステップＳ５－７で求めた合計値が２点未満であるかどうかを判断する（ステップＳ５－８）。前述のとおり，この例において合計値の最大は４．０点であるため，その半分の値を閾値としている。このように，ステップＳ５－８における閾値は，合計値の最大の半分の値とするとよい。合計値が２点未満である場合，ステップＳ５－９へと進み，合計値が２点以上である場合，ステップＳ５－１０へと進む。
　合計値が２点未満である場合，振分部２２は，被評価者に関する情報（ＩＤ情報等）を，悪い目標設定の被評価者ＤＢ２３に登録する（ステップＳ５－９）。この被評価者ＤＢ２３には，悪い目標設定を行う傾向にある被評価者が一覧的に記録されることとなる。他方で，合計値が２点以上である場合，振分部２２は，被評価者に関する情報を，良い目標設定の被評価者ＤＢ２４に登録する（ステップＳ５－１０）。この被評価者ＤＢ２４には，良い目標設定を行う傾向にある被評価者が一覧的に記録されることとなる。
　このように，振分部２２は，定量化部１８が求めた定量的データに基づいて，被評価者を悪い目標設定を行うものと良い目標設定を行うものとに振り分ける処理を行う。このようにして情報が登録された悪い目標設定の被評価者ＤＢ２３は，後述する自動添削処理（図９）において利用される。また，ここまでの処理で，悪い目標設定を行う傾向にある被評価者の一覧が悪い目標設定の被評価者ＤＢ２３が記録されることとなる。このため，ここまでの処理を行うことで，被評価者のコンピテンシー目標設定の内容を評価し，悪い目標設定を行う傾向にある被評価者を発見することができる。なお，良い目標設定の被評価者ＤＢ２４も有効に活用できる。ただし，本発明において，この良い目標設定の被評価者ＤＢ２４は任意の要素であり，省略することもできる。
　なお，本発明においては，Ｓ５－６で求められる値［ｄ］が特徴の一つとされる。このため，本発明において，定量化部１８は，Ｓ５－６で求めた値［ｄ］のみを振分部２２へと出力するものであってもよい。その場合には，振分部２２は，値［ｄ］のみに基づいて被評価者の良し悪しに関する振分け処理を行うこととしてもよい。
　続いて，図９を参照して，添削部２５によるコンピテンシー目標設定の自動添削処理について説明する。図９に示されるように，添削部２５は，まず，悪い目標設定の被評価者ＤＢ２３に登録されている被評価者の一覧を抽出する（ステップＳ６－１）。このように，自動添削処理は，悪い目標設定の被評価者ＤＢ２３に登録されている被評価者のみを対象として行われる。
　次に，添削部２５は，ステップＳ６－１で抽出された被評価者が操作する利用者端末３の表示画面に，目標設定例ＤＢ１１において非常に良い（識別子Ａ）ものとして登録されているコンピテンシー目標設定例を表示する（ステップＳ６－２）。これにより，被評価者は，非常に良いコンピテンシー目標設定例を参照しながら，自らの目標設定を作成することができる。
　被評価者が利用者端末３に入力した目標設定の入力データは，利用者端末３から管理サーバ１に対して随時送信される。管理サーバ１の添削部２５は，利用者端末３から目標設定の入力データを受け取ると，図６に示した処理で生成した自動添削モデル１７を利用して，被評価者により入力された単語や文章から次に入力すべき単語や文章を計算して，利用者端末３に送信する（ステップＳ６－３）。すなわち，自動添削モデル１７は，前述したとおり，良い内容のコンピテンシー目標設定においてはどのような単語が頻繁に使用されるかという傾向と，ある単語の次にどのような単語を置くとコンピテンシー目標設定として適切であるかという傾向を学習している。このため，自動添削モデル１７を利用すれば，利用者端末３からリアルタイムに入力されている単語データに基づいて，その単語の次に入力すべき単語や文章を決定することができる。そこで，添削部２５は，このようにして決定した推奨される単語や文章のデータを利用者端末３にリアルタイムに返信する。利用者端末３の表示画面には，管理サーバ１から送信されてきた推奨される単語や文章のデータが，次に入力すべきものの候補として表示される。これにより，コンピテンシー目標設定の入力が苦手な被評価者に対して，適切なアドバイスを提供することができる。
　また，管理サーバ１の添削部２５は，利用者端末３から目標設定の入力データを受け取ると，図４で作成したＮＧワードＤＢ１２を参照し，その入力データの中にＮＧワードと一致する単語を発見した場合には，その結果を利用者端末３に返信する（ステップＳ６－４）。例えば，添削部２５は，利用者端末３からの入力データの中にＮＧワードを発見した場合，そのＮＧワードをハイライトするための制御信号を生成し，利用者端末３に送信する。これにより，利用者端末３の表示画面では，ＮＧワードが目立って見えるようになる。これにより，被評価者に対してＮＧワードを訂正するように促すことができる。
　その後，添削部２５は，利用者端末３によるコンピテンシー目標設定の入力が終了したか否かを判断する（ステップＳ６－５）。入力が終了した場合，自動添削処理は終了する。他方で，入力が続いている場合には，再びステップＳ６－３に戻り，引き続き自動添削を継続する。
　社員の行動に対する事後的な評価も重要であるが，今後の企業活動においては，社員に対して適切なコンピテンシー目標設定を促すことがより重要になるといえる。この点，本発明によれば，社員のコンピテンシー目標設定を客観的に評価し，社員一人ひとりが適切なコンピテンシー目標を自発的に設定できるように支援することができる。
　以上，本願明細書では，本発明の内容を表現するために，図面を参照しながら本発明の実施形態の説明を行った。ただし，本発明は，上記実施形態に限定されるものではなく，本願明細書に記載された事項に基づいて当業者が自明な変更形態や改良形態を包含するものである。
　本発明は，被評価者が行ったコンピテンシー目標設定の良し悪しを判別する機能を持つ装置などに関する。従って，本発明は，被評価者がより良い目標設定を自発的に行えるように支援するコンサルティング業務において好適に利用することができる。
１…管理サーバ（コンピテンシー目標設定支援装置）
２…管理者端末
３…利用者端末
１０…コンピテンシー目標設定ＤＢ
１１…目標設定例ＤＢ
１２…ＮＧワードＤＢ
１３…良悪判別モデル生成部
１４…頻出単語ＤＢ
１５…良悪判別モデル
１６…自動添削モデル生成部
１７…自動添削モデル
１８…定量化部
１９…被評価者モニタリング結果ＤＢ
２０…評価者モニタリング結果ＤＢ
２１…ＭＢＯＤＢ
２２…振分部
２３…被評価者ＤＢ（悪い被評価者）
２４…被評価者ＤＢ（良い被評価者）
２５…添削部
１００…人事評価システム

Claims (7)

  1. 　被評価者ごとに行動特性の目標設定に関する定性的データを記憶するコンピテンシー目標設定データベースと，
    　被評価者ごとに業務目標に応じたＭＢＯ獲得点に関する定量的データを記憶するＭＢＯデータベースと，
    　前記コンピテンシー目標設定データベースに記憶されている前記定性的データに基づいて定量的データを得る定量化部と，
    　前記定量化部により得られた定量的データに基づいて，各被評価者を悪い目標設定をする者と良い目標設定をする者に振り分ける振分部と，
    　前記振分部により振分けられた少なくとも悪い目標設定をする被評価者に関する情報を記憶する被評価者データベースと，を備え，
    　前記定量化部は，
    　　前記コンピテンシー目標設定データベースに記憶されている前記定性的データを所定の基準に基づいて点数化し，各被評価者のコンピテンシー獲得点を得る工程と，
    　　各被評価者のコンピテンシー獲得点のその最大点に対する割合から，各被評価者のコンピテンシー獲得率を求める工程と，
    　　前記ＭＢＯデータベースに記憶されている前記定量的データについて，ＭＢＯ獲得点のその最大点に対する割合から，各被評価者のＭＢＯ獲得率を求める工程と，
    　　前記コンピテンシー獲得率と前記ＭＢＯ獲得率との差分値を求める工程とを行い，
    　前記振分部は，
    　　前記定量化部が求めた前記差分値又はこれを加味した値に基づいて，各被評価者を悪い目標設定をする者と良い目標設定をする者に振り分ける
    　コンピテンシー目標設定支援装置。
  2. 　被評価者が扱う利用者端末から入力された行動特性の目標設定に関する定性的データを添削する添削部を，さらに備え，
    　前記添削部は，前記被評価者データベースから悪い目標設定をする被評価者を抽出し，前記行動特性に関する定性的データが前記悪い目標設定をする被評価者により入力されたものである場合に，当該定性的データの添削を行う
    　請求項１に記載のコンピテンシー目標設定支援装置。
  3. 　行動特性の目標設定に関するＮＧワードを記憶するＮＧワードデータベースを，さらに備え，
    　前記添削部は，前記ＮＧワードデータベースを参照して，前記入力された行動特性の目標設定に関する定性的データを構成する文章にＮＧワードが含まれる場合に，前記利用者端末に対して通知する
    　請求項２に記載のコンピテンシー目標設定支援装置。
  4. 　前記コンピテンシー目標設定データベースに記憶されている前記定性的データのうちの少なくとも一部を，行動特性の目標設定の良し悪しに関する情報に関連付けて記憶する目標設定例データベースと，
    　前記目標設定例データベースに記憶されている情報をトレーニングデータとして学習した良悪判別モデルを生成する良悪判別モデル生成部と，をさらに備え，
    　前記定量化部は，各被評価者のコンピテンシー獲得点を得る際に，前記良悪判別モデルを利用して，前記コンピテンシー目標設定データベースに記憶されている前記定性的データを点数化する
    　請求項１に記載のコンピテンシー目標設定支援装置。
  5. 　前記コンピテンシー目標設定データベースに記憶されている前記定性的データのうちの少なくとも一部を，行動特性の目標設定の良し悪しに関する情報に関連付けて記憶する目標設定例データベースと，
    　前記目標設定例データベースに記憶されている情報のうち，良いものとしてされている行動特性の目標設定に関する情報をトレーニングデータとして学習した添削モデルを生成する添削モデル生成部と，
    　被評価者が扱う利用者端末から入力された行動特性の目標設定に関する定性的データを，前記添削モデルを利用して添削する添削部を，さらに備える
    　請求項１に記載のコンピテンシー目標設定支援装置。
  6. 　被評価者ごとに行動特性の目標設定に関する定性的データを記憶するコンピテンシー目標設定データベースと，
    　被評価者ごとに業務目標に応じたＭＢＯ獲得点に関する定量的データを記憶するＭＢＯデータベースと，を備える装置により実行される
    　コンピテンシー目標設定支援方法であって，
    　前記コンピテンシー目標設定データベースに記憶されている前記定性的データに基づいて定量的データを得る定量化工程と，
    　前記定量化工程で得られた定量的データに基づいて，各被評価者を悪い目標設定をする者と良い目標設定をする者に振り分ける振分工程と，を含み，
    　前記定量化工程は，
    　　前記コンピテンシー目標設定データベースに記憶されている前記定性的データを所定の基準に基づいて点数化し，各被評価者のコンピテンシー獲得点を得る工程と，
    　　各被評価者のコンピテンシー獲得点のその最大点に対する割合から，各被評価者のコンピテンシー獲得率を求める工程と，
    　　前記ＭＢＯデータベースに記憶されている前記定量的データについて，ＭＢＯ獲得点のその最大点に対する割合から，各被評価者のＭＢＯ獲得率を求める工程と，
    　　前記コンピテンシー獲得率と前記ＭＢＯ獲得率との差分値を求める工程とを含み，
    　前記振分工程は，
    　　前記定量化工程で求めた前記差分値又はこれを加味した値に基づいて，各被評価者を悪い目標設定をする者と良い目標設定をする者に振り分ける工程を含む
    　コンピテンシー目標設定支援方法。
  7. 　被評価者ごとに行動特性の目標設定に関する定性的データを記憶するコンピテンシー目標設定データベースと，
    　被評価者ごとに業務目標に応じたＭＢＯ獲得点に関する定量的データを記憶するＭＢＯデータベースと，
    　前記コンピテンシー目標設定データベースに記憶されている前記定性的データに基づいて定量的データを得る定量化部と，
    　前記定量化部により得られた定量的データに基づいて，各被評価者を悪い目標設定をする者と良い目標設定をする者に振り分ける振分部と，
    　前記振分部により振分けられた少なくとも悪い目標設定をする被評価者に関する情報を記憶する被評価者データベースと，を備え，
    　前記定量化部は，
    　　前記コンピテンシー目標設定データベースに記憶されている前記定性的データを所定の基準に基づいて点数化し，各被評価者のコンピテンシー獲得点を得る工程と，
    　　各被評価者のコンピテンシー獲得点のその最大点に対する割合から，各被評価者のコンピテンシー獲得率を求める工程と，
    　　前記ＭＢＯデータベースに記憶されている前記定量的データについて，ＭＢＯ獲得点のその最大点に対する割合から，各被評価者のＭＢＯ獲得率を求める工程と，
    　　前記コンピテンシー獲得率と前記ＭＢＯ獲得率との差分値を求める工程とを行い，
    　前記振分部は，
    　　前記定量化部が求めた前記差分値又はこれを加味した値に基づいて，各被評価者を悪い目標設定をする者と良い目標設定をする者に振り分ける
    　コンピテンシー目標設定支援装置として
    　コンピュータを機能させるためのプログラム。
PCT/JP2017/031547 2016-09-09 2017-09-01 コンピテンシー目標設定支援装置，支援方法，及び支援プログラム WO2018047732A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016176631A JP6129393B1 (ja) 2016-09-09 2016-09-09 コンピテンシー目標設定支援装置，支援方法，及び支援プログラム
JP2016-176631 2016-09-09

Publications (1)

Publication Number Publication Date
WO2018047732A1 true WO2018047732A1 (ja) 2018-03-15

Family

ID=58714723

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/031547 WO2018047732A1 (ja) 2016-09-09 2017-09-01 コンピテンシー目標設定支援装置，支援方法，及び支援プログラム

Country Status (3)

Country Link
JP (1) JP6129393B1 (ja)
TW (1) TWI775773B (ja)
WO (1) WO2018047732A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112352284A (zh) * 2019-05-20 2021-02-09 赛尔帕有限公司 照护辅助系统、照护辅助信息登记系统、照护辅助方法及照护辅助信息登记方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003150753A (ja) * 2001-11-12 2003-05-23 Recruit Co Ltd 人材管理システム
JP2004348285A (ja) * 2003-05-20 2004-12-09 Ods Corp 人事制度マネジメント支援システム
JP2008242532A (ja) * 2007-03-24 2008-10-09 Arix Kk コンピテンシーアクションシステム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101000600A (zh) * 2006-12-30 2007-07-18 南京凌越教育科技服务有限公司 学习管理系统及方法
CN103294816B (zh) * 2013-06-09 2017-02-01 广东倍智测聘网络科技股份有限公司 一种为求职者推荐职位的方法和职位推荐系统
TWM465624U (zh) * 2013-07-04 2013-11-11 Ta Hwa University Of Science And Technology 國際商務人才職能培育裝置
WO2016003512A1 (en) * 2014-06-30 2016-01-07 Linkedin Corporation Determining a relationship type between disparate entities
CN106448288A (zh) * 2016-11-01 2017-02-22 安阳师范学院 一种交互式英语学习系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003150753A (ja) * 2001-11-12 2003-05-23 Recruit Co Ltd 人材管理システム
JP2004348285A (ja) * 2003-05-20 2004-12-09 Ods Corp 人事制度マネジメント支援システム
JP2008242532A (ja) * 2007-03-24 2008-10-09 Arix Kk コンピテンシーアクションシステム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112352284A (zh) * 2019-05-20 2021-02-09 赛尔帕有限公司 照护辅助系统、照护辅助信息登记系统、照护辅助方法及照护辅助信息登记方法
CN112352284B (zh) * 2019-05-20 2024-02-09 赛尔帕有限公司 照护辅助系统及方法、照护辅助信息登记系统及方法

Also Published As

Publication number Publication date
JP6129393B1 (ja) 2017-05-17
JP2018041385A (ja) 2018-03-15
TWI775773B (zh) 2022-09-01
TW201812648A (zh) 2018-04-01

Similar Documents

Publication Publication Date Title
Fogués et al. BFF: A tool for eliciting tie strength and user communities in social networking services
US20180365619A1 (en) System And Method For Assessing Worker Engagement And Company Culture
Jordanous Evaluating evaluation: Assessing progress in computational creativity research
JP7238904B2 (ja) 情報提供装置、情報提供システム、情報提供方法及びプログラム
CN107229612B (zh) 一种网络信息语义倾向分析方法及系统
US11663839B1 (en) Polarity semantics engine analytics platform
WO2002037447A2 (en) Automated individualized learning program creation system and associated methods
CN110019389A (zh) 金融非结构化文本分析系统及其方法
KR102156442B1 (ko) 소셜 미디어 이슈 처리 방법과 이를 지원하는 장치
JP2021073590A (ja) 検索用資料情報記憶装置
Rahnev Response bias reflects individual differences in sensory encoding
US11328232B2 (en) Method of matching employers with job seekers
Axak et al. The behavior model of the computer user
JP2020160551A (ja) 人事項目の分析支援装置、分析支援方法、プログラム、および記録媒体
JP2020126301A (ja) 業務分析装置、業務分析方法及びプログラム
Hinks Artificial Intelligence Perceptions and Life Satisfaction
Shestakevych The method of education format ascertaining in program system of inclusive education support
WO2018047732A1 (ja) コンピテンシー目標設定支援装置，支援方法，及び支援プログラム
CN117688190A (zh) 数据获取方法、数据获取设备和计算机可读存储介质
US20150100520A1 (en) Argument And Decision Optimizing Engine
Haase et al. User perspective on anonymity in voice assistants
US20220300907A1 (en) Systems and methods for conducting job analyses
Glukhov et al. Dynamic recommendation algorithms for a COVID-19 restrictions scenario in the restaurant industry
Liu et al. Construction and optimization of mental health education consultation management system based on decision tree association rule mining
US20190042652A1 (en) Systems and methods for improving search results through partial selection of an initial result

Legal Events

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

Ref document number: 17848672

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17848672

Country of ref document: EP

Kind code of ref document: A1