WO2023021647A1 - 推定装置、推定方法、および、推定プログラム - Google Patents

推定装置、推定方法、および、推定プログラム Download PDF

Info

Publication number
WO2023021647A1
WO2023021647A1 PCT/JP2021/030335 JP2021030335W WO2023021647A1 WO 2023021647 A1 WO2023021647 A1 WO 2023021647A1 JP 2021030335 W JP2021030335 W JP 2021030335W WO 2023021647 A1 WO2023021647 A1 WO 2023021647A1
Authority
WO
WIPO (PCT)
Prior art keywords
estimation
business
target user
career
estimating
Prior art date
Application number
PCT/JP2021/030335
Other languages
English (en)
French (fr)
Inventor
俊孝 槇
渚 関口
方邦 石井
Original Assignee
日本電信電話株式会社
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 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to JP2023542120A priority Critical patent/JPWO2023021647A1/ja
Priority to PCT/JP2021/030335 priority patent/WO2023021647A1/ja
Publication of WO2023021647A1 publication Critical patent/WO2023021647A1/ja

Links

Images

Classifications

    • 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

Definitions

  • the present invention relates to an estimation device, an estimation method, and an estimation program for estimating career plan candidates for a user.
  • the present invention provides an estimation device for estimating career plan candidates for a target user, comprising: an acquisition unit for acquiring a business feature for each business that the target user has been in charge of until now; an estimating unit for estimating a career plan candidate suitable for the target user from the target user's business characteristics based on a model learned using the business characteristics of each reference user who answered that they are suitable for the current business field; and an estimation result output unit that outputs an estimation result of the estimated carrier plan candidate suitable for the target user.
  • FIG. 1 is a diagram explaining an outline of the operation of the estimation device.
  • FIG. 2 is a diagram showing an example of career plan candidates for employees output by the estimation device of FIG.
  • FIG. 3 is a diagram showing an example of career plan candidates for a manager output by the estimation device in FIG.
  • FIG. 4 is a diagram illustrating an example of personnel data used by the estimation device;
  • FIG. 5 is a diagram for explaining learning data used by the estimation device and an overview of the flow from model learning to career plan candidate estimation.
  • FIG. 6 is a diagram illustrating a configuration example of an estimation device.
  • FIG. 7 is a diagram illustrating a specific example of data preprocessing and feature amount generation by the estimation device.
  • FIG. 8 is a diagram illustrating an example of characteristics used by the estimation device to generate feature amounts.
  • FIG. 1 is a diagram explaining an outline of the operation of the estimation device.
  • FIG. 2 is a diagram showing an example of career plan candidates for employees output by the estimation device of FIG.
  • FIG. 3 is
  • FIG. 9 is a diagram illustrating an example of feature amounts generated by the estimation device.
  • FIG. 10 is a diagram showing the degree of importance of each feature quantity with respect to the carrier axis.
  • FIG. 11 is a diagram showing the degree of importance of each feature amount regarding future business types.
  • FIG. 12 is a diagram showing the degree of importance of each feature amount related to short-term business types.
  • FIG. 13 is a diagram illustrating target setting by the estimation device.
  • FIG. 14 is a flowchart illustrating an example of a procedure for the estimating device to learn a model;
  • FIG. 15 is a flowchart illustrating an example of a procedure for an estimation device to estimate career plan candidates for a target user.
  • FIG. 16 is a diagram showing a verification result of the estimation performance of the target user's carrier plan candidate by the estimation device.
  • FIG. 17 is a diagram illustrating a configuration example of a computer that executes an estimation program;
  • the estimation device 10 estimates career plan candidates for the employee based on the employee's business goals, performance, and the like.
  • the estimation device 10 acquires the employee's business goals, achievements, etc., and registers them in the personnel DB (database). After that, the estimating device 10 performs preprocessing of the data in the personnel DB. Then, the estimating device 10 learns a model (a model that outputs results of estimating career plan candidates for an employee based on the work characteristics of the employee) using the data of the personnel DB after preprocessing, and the learned model Based on the information, the career plan candidate of the employee is estimated. Then, the estimation device 10 outputs the result of estimating career plan candidates to the employee or the employee's manager.
  • a model a model that outputs results of estimating career plan candidates for an employee based on the work characteristics of the employee
  • the career plan candidates are suitable for the target employee: (1) career axis (employee's career direction), (2) future job type (career completion stage and (3) short-term type of work (type of work that the employee will perform in the future in the short term, such as by job rotation).
  • career plan candidates for employees are, for example, as shown in Fig. 2, the first to third candidates of work types suitable for employees for each of the above items (1) to (3). may be It may also include an estimated reliability value for each business type.
  • career plan candidates may be arranged for employee managers. For example, career plan candidates for a manager may collectively show career plan candidates related to the above items (1) to (3) for a plurality of employees (see FIG. 3). In addition, the career plans of each employee can be sorted and filtered using, for example, job types shown in (1) to (3) as keys so that managers can quickly find suitable employees. good.
  • Data in the personnel DB includes, for example, information such as company/department characteristics, employee characteristics, and employee career plans, as shown in FIG.
  • the employee's career plan includes the above-mentioned "career axis", "type of work”, etc.
  • "Career axis” is information indicating the career direction of an employee, and is set with a general keyword representing a work type such as information system, system infrastructure, information security, sales, general affairs, and the like.
  • the "intention (aptitude and prospects)" in the “employee characteristics” reflects the result of the intention survey, such as the presence or absence of aptitude for the employee's current work type and prospects.
  • the estimating device 10 learns the model using the data of the employees who answered "suitable” for the current job type among the data in the personnel DB.
  • the estimating device 10 can extract each data of "characteristics of the company/department” and “characteristics of the employee” in the data of the employees who answered “suitable” for the current job type among the data of the personnel DB. Generate a feature amount (business feature) from Then, the estimating device 10 uses pairs of the generated feature amount and the target ((1) career axis, (2) future business type, (3) short-term business type) as learning data, learn the model.
  • the estimation device 10 may include (1) a model for estimating career axis candidates, (2) a model for estimating future job type candidates, and (3) a short-term Three models are learned for estimating business type candidates.
  • the estimating device 10 extracts the data of employees who answered "with aptitude" from the data in the personnel DB (a pair of the characteristic amount of the employee with aptitude and the target). Take out as learning data. Then, the estimating device 10 learns the above three models using the learning data.
  • estimation device 10 when the estimation device 10 creates analysis data (for example, data obtained by extracting feature amounts from the personnel data of the current year), by applying the above three models to this analysis data, In addition, estimation data are obtained for each of (1) career axis, (2) future business type, and (3) short-term business type. Thereby, the estimation device 10 can estimate career plan candidates suitable for the employee.
  • analysis data for example, data obtained by extracting feature amounts from the personnel data of the current year
  • the estimation device 10 includes, for example, an input/output unit 11, a storage unit 12, and a control unit 13, as shown in FIG.
  • the input/output unit 11 is an interface for inputting and outputting various types of information to the estimation device 10 .
  • the input/output unit 11 receives input of personnel data, and outputs estimation results of career plan candidates for each employee.
  • the storage unit 12 stores data for the control unit 13 to execute various processes.
  • the storage unit 12 stores personnel data, for example.
  • Personnel data includes, for example, reference user data (for example, personnel data up to the previous year) and target user data (for example, current year personnel data).
  • the storage unit 12 also stores models learned by the control unit 13 (for example, models related to each of (1) to (3) described above).
  • the control unit 13 controls the estimation device 10 as a whole.
  • the control unit 13 includes a data preprocessing unit 131 , a feature amount generation unit 132 , a model learning unit 133 , an acquisition unit 134 , an estimation unit 135 and an estimation result output unit 136 .
  • the data preprocessing unit 131 preprocesses personnel data.
  • the preprocessing here includes, for example, data merging, data division, data type conversion, name identification, abnormal value removal, missing value interpolation, normalization, morphological analysis, feature selection, etc. for personnel data (see FIG. 7).
  • the feature amount generation unit 132 generates feature amounts from the personnel data after preprocessing. For example, the feature quantity generation unit 132 generates a feature quantity (work feature) from each data of "characteristics of company/department" and "characteristics of employee" included in the preprocessed personnel data. For example, the feature quantity generation unit 132 uses the One-hot Encoding, TF-IDF , a lag feature amount, etc., to generate a feature amount.
  • the feature amount generation unit 132 When generating the feature amount, the feature amount generation unit 132 generates, for example, the feature amount related to the five characteristics shown in FIG. 8 (company characteristics, region characteristics, department characteristics, business characteristics, and employee characteristics). For example, the feature quantity generation unit 132 generates the feature quantity of each data item shown in FIG. 9 by One-hot Encoding, morphological analysis and TF-IDF with respect to the above five characteristics.
  • the feature amount generation unit 132 generates feature amounts related to work history: affiliated company and work history: affiliated department by One-hot Encoding for "characteristics of company/department".
  • the estimating unit 135 can estimate jobs related to the axis of career and job type based on the employee's current affiliation and past transfer history by using such a feature amount.
  • the feature amount generation unit 132 generates feature amounts related to the current workplace area by one-hot encoding for "characteristics of company/department". Since there are jobs peculiar to regions in jobs, the estimating unit 135 can estimate jobs existing in the relevant region as jobs suitable for employees by using such feature values.
  • the feature amount generation unit 132 generates feature amounts related to the employee's personality/skills by One-hot Encoding for "company/department characteristics".
  • the estimating unit 135 can estimate the characteristics of assignable personnel based on the specialized area of the company/organization in question by using such feature amounts.
  • the feature amount generation unit 132 generates feature amounts related to the business goals of its own department by morphological analysis and TF-IDF for the "characteristics of the company/department".
  • the feature quantity generation unit 132 generates a feature quantity by extracting specific business content through text analysis of the business goals of its own department.
  • the estimating unit 135 can distinguish the unique work and common work of the organization by using such a feature amount.
  • the feature amount generation unit 132 generates feature amounts related to the employee's work goals and work reviews by morphological analysis and TF-IDF for "employee characteristics".
  • the feature quantity generation unit 132 extracts the specific work content of the employee in charge by text analysis of the employee's work goal. Then, the feature quantity generation unit 132 uses the extraction result to generate a feature quantity.
  • the estimation unit 135 can estimate an employee's specialization by using such a feature amount.
  • the feature amount generation unit 132 generates feature amounts related to reviewing work by morphological analysis and TF-IDF for "characteristics of company/department".
  • the feature quantity generation unit 132 extracts the current work or the work experienced in the past by text analysis of the work review. Then, the feature quantity generation unit 132 uses the extraction result to generate a feature quantity.
  • the estimating unit 135 uses such feature amounts to identify what kind of performance the employee has produced in relation to current work or past experience work, and to estimate the work aptitude of the employee. can.
  • the model learning unit 133 uses learning data to learn models of (1) career axis, (2) future business type, and (3) short-term business type. For example, the model learning unit 133 selects users who answered that they are suitable for their current work field among the personnel data, and selects the characteristics generated from each data of "characteristics of company/department" and "characteristics of employees”. Using pairs of quantity and target ((1) career axis, (2) future business type, (3) short-term business type) as learning data, models related to (1) to (3) above are created. learn.
  • the model learning unit 133 uses (1) a model for estimating career axis candidates and (2) a model for estimating future job type candidates that are suitable for the employee based on the employee's work characteristics. , and (3) learn three models for estimating short-term business type candidates.
  • model learning unit 133 sets targets as shown in FIG. 13, for example, in the above model learning (1) to (3).
  • the model learning unit 133 (1) When learning a model related to a career axis, among the data of the reference user, the feature amount for three years of the expert level employee who answered that he/she was apt and the employee's one year later Target business types and learn models.
  • model learning unit 133 (2) when learning a model related to a future job type, among the data of the reference user, the feature amount for three years of the expert-level employee who answered that he/she has aptitude and the one-year The model is learned by targeting the later business types.
  • the model learning unit 133 when learning a model related to (3) short-term work type, the model learning unit 133, among the data of the reference user, the feature amount for three years of the employee who answered that there is aptitude and the employee's three years later Learn models by targeting business types.
  • the acquisition unit 134 acquires the characteristics of the job that the target user for whom career plan candidates are estimated has been in charge of up to now. For example, the acquisition unit 134 acquires a feature amount (task feature) for each task handled up to now from the data of the target user in the personnel DB.
  • a feature amount task feature
  • the estimation unit 135 estimates career plan candidates suitable for the target user from the target user's business characteristics. For example, the estimation unit 135 (1) based on a model related to the career axis, from the target user's business characteristics (for example, review of the user's business, user's business content, etc.), the career axis is suitable for the target user Estimate career plan candidates.
  • the estimation unit 135 (2) based on a model related to the future business type, determines the future business type from the target user's business characteristics (for example, the user's review of the user's business, the user's business content, etc.). Estimate career plan candidates suitable for target users.
  • the estimation result output unit 136 outputs, via the input/output unit 11, candidate career plans suitable for the target user estimated by the estimation unit 135. For example, as shown in FIG. 2, the estimation result output unit 136, for each of the above (1) career axis, (2) future business type, and (3) short-term business type, a career plan suitable for the target user outputs candidates for
  • the data preprocessing unit 131 of the estimating device 10 performs preprocessing of personnel data (reference user data and target user data) in the personnel DB (S1). Then, the feature quantity generation unit 132 generates a feature quantity from the data after executing the preprocessing (S2). After that, the model learning unit 133 uses the feature amount generated in S2 to perform model learning for the above (1) to (3) (S3).
  • the acquisition unit 134 of the estimation device 10 acquires data of the target user (S11). For example, the acquisition unit 134 acquires the business feature (feature amount) for each business from the preprocessed data of the target user.
  • the estimating unit 135 selects career plan candidates suitable for the target user based on the target user's data acquired in S11 and the models related to (1) to (3) learned in S3 of FIG. Estimate (S12). For example, the estimation unit 135 estimates career plan candidates suitable for the target user for each of (1) career axis, (2) future business type, and (3) short-term business type. After that, the estimation result output unit 136 outputs the estimation result obtained by S12 (S13).
  • FIG. 16 shows the result of verifying the estimation accuracy of the target user's career plan candidate by the estimation device 10 .
  • the estimation device 10 uses the Random Forest Classifier to build models for each of the above (1) carrier axis, (2) future business type, and (3) short-term business type. Then, the estimating device 10 estimated career plan candidates for each employee in 2020 based on the personnel data up to 2019 using the constructed models (1) to (3).
  • the accuracy rate, precision rate, and recall rate of each of the estimation results of (1) carrier axis, (2) future business type, and (3) short-term business type by the estimation device 10 are shown in FIG. there were. From this, it has been confirmed that the estimation device 10 can accurately estimate a candidate for a career plan suitable for the target user.
  • each constituent element of each part shown in the figure is functionally conceptual, and does not necessarily need to be physically configured as shown in the figure.
  • the specific forms of distribution and integration of each device are not limited to those illustrated, and all or part of them can be functionally or physically distributed and integrated in arbitrary units according to various loads and usage conditions. Can be integrated and configured.
  • all or any part of each processing function performed by each device can be implemented by a CPU and a program executed by the CPU, or implemented as hardware based on wired logic.
  • the estimation device 10 described above can be implemented by installing a program (estimation program) as package software or online software on a desired computer.
  • the information processing device can function as the estimation device 10 by causing the information processing device to execute the above program.
  • the information processing apparatus referred to here includes mobile communication terminals such as smart phones, mobile phones and PHS (Personal Handyphone Systems), and terminals such as PDAs (Personal Digital Assistants).
  • FIG. 17 is a diagram showing an example of a computer that executes an estimation program.
  • the computer 1000 has a memory 1010 and a CPU 1020, for example.
  • Computer 1000 also has hard disk drive interface 1030 , disk drive interface 1040 , serial port interface 1050 , video adapter 1060 and network interface 1070 . These units are connected by a bus 1080 .
  • the memory 1010 includes a ROM (Read Only Memory) 1011 and a RAM (Random Access Memory) 1012 .
  • the ROM 1011 stores a boot program such as BIOS (Basic Input Output System).
  • BIOS Basic Input Output System
  • Hard disk drive interface 1030 is connected to hard disk drive 1090 .
  • a disk drive interface 1040 is connected to the disk drive 1100 .
  • a removable storage medium such as a magnetic disk or optical disk is inserted into the disk drive 1100 .
  • Serial port interface 1050 is connected to mouse 1110 and keyboard 1120, for example.
  • Video adapter 1060 is connected to display 1130, for example.
  • the hard disk drive 1090 stores, for example, an OS 1091, application programs 1092, program modules 1093, and program data 1094. That is, a program that defines each process executed by the estimation device 10 is implemented as a program module 1093 in which computer-executable code is described. Program modules 1093 are stored, for example, on hard disk drive 1090 .
  • the hard disk drive 1090 stores a program module 1093 for executing processing similar to the functional configuration of the estimation device 10 .
  • the hard disk drive 1090 may be replaced by an SSD (Solid State Drive).
  • the data used in the processes of the above-described embodiments are stored as program data 1094 in the memory 1010 or the hard disk drive 1090, for example. Then, the CPU 1020 reads out the program modules 1093 and program data 1094 stored in the memory 1010 and the hard disk drive 1090 to the RAM 1012 as necessary and executes them.
  • the program modules 1093 and program data 1094 are not limited to being stored in the hard disk drive 1090, but may be stored in a removable storage medium, for example, and read by the CPU 1020 via the disk drive 1100 or the like. Alternatively, the program modules 1093 and program data 1094 may be stored in another computer connected via a network (LAN (Local Area Network), WAN (Wide Area Network), etc.). Program modules 1093 and program data 1094 may then be read by CPU 1020 through network interface 1070 from other computers.
  • LAN Local Area Network
  • WAN Wide Area Network
  • estimation device 11 input/output unit 12 storage unit 13 control unit 131 data preprocessing unit 132 feature amount generation unit 133 model learning unit 134 acquisition unit 135 estimation unit 136 estimation result output unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

対象ユーザのキャリアプランの候補を推定する推定装置（１０）は、取得部（１３４）と、推定部（１３５）と、推定結果出力部（１３６）とを備える。取得部（１３４）は、対象ユーザの現在まで担当した業務ごとの業務特徴を取得する。その後、推定部（１３５）は、自身の現在の業務分野に適性有りと回答した参考ユーザそれぞれの業務特徴を用いて学習されたモデルに基づき、対象ユーザの業務特徴から当該対象ユーザに適したキャリアプランの候補を推定する。そして、推定結果出力部（１３６）は、当該対象ユーザに適したキャリアプランの候補の推定結果を出力する。

Description

推定装置、推定方法、および、推定プログラム
　本発明は、ユーザのキャリアプランの候補を推定するための、推定装置、推定方法、および、推定プログラムに関する。
　ユーザ（例えば、社員）のキャリアプランを考える際に、ユーザの特性と、組織（例えば、部署等）の特性の両方を考慮して決定する必要がある。
人材育成の基礎知識　第7回　キャリアデザイン、［2021年7月9日検索］、インターネット＜https://hr.nttls.co.jp/column/knowledge/step1/detail-07.html＞
　しかしながら、ユーザの特性が多岐にわたることに加え、組織も多数存在する。したがって、ユーザのキャリアプランの候補を考えるため、全てのユーザの特性と組織の特性との組み合わせを検討することは手間がかかる。また、上記の方法でキャリアプランの候補を考えたとしても、それがユーザに適したものであるとは限らない。そこで、本発明は、前記した問題を解決し、ユーザのキャリアプランの候補を考える際の手間を軽減し、かつ、精度を向上させることを課題とする。
　前記した課題を解決するため、本発明は、対象ユーザのキャリアプランの候補を推定する推定装置であって、前記対象ユーザの現在まで担当した業務ごとの業務特徴を取得する取得部と、自身の現在の業務分野に適性有りと回答した参考ユーザそれぞれの業務特徴を用いて学習されたモデルに基づき、前記対象ユーザの業務特徴から当該対象ユーザに適したキャリアプランの候補を推定する推定部と、前記推定された前記対象ユーザに適したキャリアプランの候補の推定結果を出力する推定結果出力部と、を備えることを特徴とする。
　本発明によれば、ユーザのキャリアプランの候補を考える際の手間を軽減し、かつ、精度を向上させることができる。
図１は、推定装置の動作概要を説明する図である。 図２は、図１の推定装置が出力する、社員向けのキャリアプランの候補の例を示す図である。 図３は、図１の推定装置が出力する、管理者向けのキャリアプランの候補の例を示す図である。 図４は、推定装置が用いる人事データの例を示す図である。 図５は、推定装置が用いる学習データと、モデルの学習からキャリアプランの候補の推定までの流れの概要とを説明する図である。 図６は、推定装置の構成例を示す図である。 図７は、推定装置による、データ前処理および特徴量の生成の具体例を示す図である。 図８は、推定装置が特徴量の生成に用いる特性の例を示す図である。 図９は、推定装置が生成する特徴量の例を示す図である。 図１０は、キャリアの軸に関する各特徴量の重要度を示す図である。 図１１は、将来の業務種別に関する各特徴量の重要度を示す図である。 図１２は、短期の業務種別に関する各特徴量の重要度を示す図である。 図１３は、推定装置によるターゲットの設定を説明する図である。 図１４は、推定装置がモデルを学習する手順の例を示すフローチャートである。 図１５は、推定装置が対象ユーザのキャリアプランの候補を推定する手順の例を示すフローチャートである。 図１６は、推定装置による、対象ユーザのキャリアプランの候補の推定性能の検証結果を示す図である。 図１７は、推定プログラムを実行するコンピュータの構成例を示す図である。
　以下、図面を参照しながら、本発明を実施するための形態（実施形態）について説明する。本発明は以下に説明する実施形態に限定されない。
　まず、図１を用いて本実施形態の推定装置の動作概要を説明する。ここでは、推定装置１０が、社員の業務目標や業績等に基づき、当該社員のキャリアプランの候補を推定する場合を説明する。
　まず、推定装置１０は、社員の業務目標や業績等を取得し、人事ＤＢ（データベース）に登録する。その後、推定装置１０は、人事ＤＢ内のデータの前処理を実行する。そして、推定装置１０は、前処理後の人事ＤＢのデータを用いてモデル（社員の業務特徴から、その社員のキャリアプランの候補の推定結果を出力するモデル）の学習を行い、学習後のモデルに基づき、社員のキャリアプランの候補を推定する。そして、推定装置１０はキャリアプランの候補の推定結果を、社員や当該社員の管理者へ出力する。
　キャリアプランの候補は、例えば、図２に示すように、対象となる社員に適した、（１）キャリアの軸（社員のキャリアの方向性）、（２）将来の業務種別（キャリアの仕上がり段階における社員の業務種別）、（３）短期の業務種別（ジョブローテーション等で、将来社員が短期的に行う業務種別）の３つの項目を含む。
　社員向けのキャリアプランの候補は、例えば、図２に示すように、上記の（１）～（３）それぞれの項目について、社員に適した業務種別の第一候補から第三候補まで示したものであってもよい。また、それぞれの業務種別について推定の信頼性の値を含んでいてもよい。
　なお、キャリアプランの候補は、社員の管理者向けにアレンジされてもよい。例えば、管理者向けのキャリアプランの候補は、複数の社員の上記の（１）～（３）の項目に関するキャリアプランの候補をまとめて示したものでもよい（図３参照）。なお、各社員のキャリアプランは、管理者が、適性のある社員を素早く見つけられるよう、例えば、（１）～（３）に示される業務種別をキーとして、ソートやフィルタリングができるようにしてもよい。
　次に、図４を用いて、推定装置１０が用いる人事ＤＢのデータおよび推定装置１０によるモデルの学習の概要を説明する。人事ＤＢのデータは、例えば、図４に示すように、会社・部署の特性、社員の特性、社員のキャリアプラン等の情報を含む。
　社員のキャリアプランは、前記した「キャリアの軸」、「業務種別」等を含む。「キャリアの軸」は、社員のキャリアの方向性を示す情報であり、例えば、情報システム、システム基盤、情報セキュリティ、営業、総務等の業務種別を表す大枠のキーワードが設定される。なお、「社員の特性」における「意向（適性や展望）」は、社員の現在の業務種別に対する適性の有無や展望等の意向調査の結果が反映される。
　推定装置１０は、上記の人事ＤＢのデータのうち、現在の業務種別に対し「適性あり」と回答している社員のデータを用いてモデルの学習を行う。
　例えば、推定装置１０は、人事ＤＢのデータのうち、現在の業務種別に対し「適性あり」と回答している社員のデータにおける、「会社・部署の特性」、「社員の特性」の各データから特徴量（業務特徴）を生成する。そして、推定装置１０は、生成した特徴量と、ターゲット（上記の（１）キャリアの軸、（２）将来の業務種別、（３）短期の業務種別）との組を学習データとして用いて、モデルを学習する。
　例えば、推定装置１０は、社員に適した、（１）キャリアの軸の候補を推定するためのモデルと、（２）将来の業務種別の候補を推定するためのモデルと、（３）短期の業務種別の候補を推定するためのモデルの３つのモデルを学習する。
　例えば、推定装置１０は、図５に示すように、上記の人事ＤＢのデータのうち、「適性あり」と回答している社員のデータ（適性ありの社員の特徴量とターゲットとの組）を学習データとして取り出す。そして、推定装置１０は、当該学習データを用いて、上記の３つのモデルを学習する。
　その後、推定装置１０が、分析データ（例えば、今年度の人事データから特徴量を抽出したデータ）を作成すると、この分析データに上記の３つのモデルを適用することで、対象となる社員に適した、（１）キャリアの軸、（２）将来の業務種別、（３）短期の業務種別それぞれの推定データを得る。これにより、推定装置１０は、社員に適したキャリアプランの候補を推定することができる。
［構成例］
　次に、図６を用いて推定装置１０の構成例を説明する。推定装置１０は、例えば、図６に示すように、入出力部１１と、記憶部１２と、制御部１３とを備える。
　入出力部１１は、推定装置１０への各種情報の入力や、出力を行うためのインタフェースである。例えば、入出力部１１は、人事データの入力を受け付けたり、各社員のキャリアプランの候補の推定結果を出力したりする。
　記憶部１２は、制御部１３が各種処理を実行するためのデータを記憶する。記憶部１２は、例えば、人事データを記憶する。人事データは、例えば、参考ユーザのデータ（例えば、前年度までの人事データ）と、対象ユーザのデータ（例えば、今年度の人事データ）とを含む。また、記憶部１２は、制御部１３により学習されたモデル（例えば、前記した（１）～（３）それぞれに関するモデル）を記憶する。
　制御部１３は、推定装置１０全体の制御を行う。制御部１３は、データ前処理部１３１と、特徴量生成部１３２と、モデル学習部１３３と、取得部１３４と、推定部１３５と、推定結果出力部１３６とを備える。
　データ前処理部１３１は、人事データの前処理を行う。ここでの前処理は、例えば、人事データに対する、データ結合、データ分割、データ型変換、名寄せ、異常値除去、欠損値補完、正規化、形態素解析、特徴選択等である（図７参照）。
　特徴量生成部１３２は、前処理後の人事データから、特徴量を生成する。例えば、特徴量生成部１３２は、前処理後の人事データに含まれる、「会社・部署の特性」、「社員の特性」の各データから特徴量（業務特徴）を生成する。例えば、特徴量生成部１３２は、前処理後の人事データに含まれる、「会社・部署の特性」、「社員の特性」の各データから、図７に示す、One-hot　Encoding、TF-IDF、ラグ特徴量等により、特徴量を生成する。
　なお、特徴量生成部１３２は、特徴量を生成する際、例えば、図８に示す５つの特性（会社特性、地域特性、部署特性、業務特性、社員特性）に関する特徴量を生成する。例えば、特徴量生成部１３２は、上記の５つの特性に関し、One-hot　Encoding、形態素解析・TF-IDFにより、図９に示す各データ項目の特徴量を生成する。
　例えば、特徴量生成部１３２は、「会社・部署の特性」について、One-hot　Encodingにより、職歴：所属会社、職歴：所属部門に関する特徴量を生成する。推定部１３５が、このような特徴量を用いることで、社員の現所属や過去の異動履歴に基づき、キャリアの軸や業務種別に関係する業務を推定できる。
　また、例えば、特徴量生成部１３２は、「会社・部署の特性」について、One-hot　Encodingにより、現在の職場地域に関する特徴量を生成する。業務には地域固有の業務が存在するので、推定部１３５が、このような特徴量を用いることで、該当する地域において存在する業務を、社員に適した業務として推定できる。
　また、例えば、特徴量生成部１３２は、「会社・部署の特性」について、One-hot　Encodingにより、社員の性格・スキルに関する特徴量を生成する。推定部１３５が、このような特徴量を用いることで、該当する会社・組織の専門領域に基づいて割り当て可能な人材の特徴を推定できる。
　また、例えば、特徴量生成部１３２は、「会社・部署の特性」について、形態素解析・TF-IDFにより、自部門の業務目標に関する特徴量を生成する。つまり、特徴量生成部１３２は、自部門の業務目標のテキスト解析により具体的な業務内容を抽出することにより、特徴量を生成する。推定部１３５が、このような特徴量を用いることで、組織の固有業務と共通業務を識別することができる。
　また、特徴量生成部１３２は、「社員の特性」について、形態素解析・TF-IDFにより、社員の業務目標、業務の振返りに関する特徴量を生成する。つまり、特徴量生成部１３２は、社員の業務目標のテキスト解析により、社員自身が担当している具体的な業務内容を抽出する。そして、特徴量生成部１３２は、その抽出結果を用いて、特徴量を生成する。推定部１３５が、このような特徴量を用いることで、社員の専門性を推定することができる。
　さらに、特徴量生成部１３２は、「会社・部署の特性」について、形態素解析・TF-IDFにより、業務の振返りに関する特徴量を生成する。つまり、特徴量生成部１３２は、業務の振返りのテキスト解析により、現在の業務、あるいは過去に経験した業務を抽出する。そして、特徴量生成部１３２は、その抽出結果を用いて、特徴量を生成する。推定部１３５が、このような特徴量を用いることで、社員の現在の業務、あるいは過去の経験業務に対してどのような業績を生み出したのかを識別し、社員の業務適性を推定することができる。
　図６の説明に戻る。モデル学習部１３３は、学習データを用いて、（１）キャリアの軸、（２）将来の業務種別、（３）短期の業務種別それぞれのモデルを学習する。例えば、モデル学習部１３３は、人事データのうち、自身の現在の業務分野に適性有りと回答したユーザを対象として「会社・部署の特性」および「社員の特性」の各データから生成された特徴量と、ターゲット（（１）キャリアの軸、（２）将来の業務種別、（３）短期の業務種別）との組を学習データとして用いて、上記の（１）～（３）に関するモデルを学習する。
　つまり、モデル学習部１３３は、社員の業務特徴から、当該社員に適した、（１）キャリアの軸の候補を推定するためのモデル、（２）将来の業務種別の候補を推定するためのモデル、および、（３）短期の業務種別の候補を推定するためのモデルの３つのモデルを学習する。
　ここで、参考ユーザのデータに対しRandom　Forest　Classifierを適用し、重要度の高かった特徴量について説明する。
　例えば、図１０に示すように、（１）キャリアの軸に関しては、業務の振返り（社員が現在の業務あるいは過去の経験業務に対して、どのような業績を生み出したのか）、職歴：業務内容等の重要度が高かった。また、図１１に示すように、（２）将来の業務種別に関しては、職歴：業務内容の重要度、業務の振返り等の重要度が高かった。これは、現在の業務や過去に経験した業務が、キャリアの軸や将来の業務種別に強く影響しているからと推測できる。
　さらに、図１２に示すように、（３）短期の業務種別に関しては、業務の振返りに次いで、部門間の異動確率等の重要度が高かった。部門間の異動確率の重要度が高かったのは、上記の短期の業務種別については、部門間の異動のしやすさが影響しているからと推測できる。
　なお、モデル学習部１３３は、上記の（１）～（３）のモデルの学習において、例えば、図１３に示すようにターゲットを設定する。
　例えば、モデル学習部１３３は、（１）キャリアの軸に関するモデルを学習する場合、参考ユーザのデータのうち、適性ありと回答したエキスパート級社員の３年分の特徴量とその社員の１年後の業務種別をターゲットとして、モデルを学習する。
　また、モデル学習部１３３は、（２）将来の業務種別に関するモデルを学習する場合、参考ユーザのデータのうち、適性ありと回答したエキスパート級社員の３年分の特徴量とその社員の１年後の業務種別をターゲットとして、モデルを学習する。
　また、モデル学習部１３３は、（３）短期の業務種別に関するモデルを学習する場合、参考ユーザのデータのうち、適性ありと回答した社員の３年分の特徴量とその社員の３年後の業務種別をターゲットとして、モデルを学習する。
　図６の説明に戻る。取得部１３４は、キャリアプランの候補の推定対象の対象ユーザの、現在まで担当した業務特徴を取得する。例えば、取得部１３４は、人事ＤＢ内の対象ユーザのデータから、現在まで担当した業務ごとの特徴量（業務特徴）を取得する。
　推定部１３５は、モデル学習部１３３により学習された上記の（１）～（３）に関するモデルに基づき、対象ユーザの業務特徴から、当該対象ユーザに適したキャリアプランの候補を推定する。例えば、推定部１３５は、（１）キャリアの軸に関するモデルに基づき、対象ユーザの業務特徴（例えば、ユーザの業務の振返り、ユーザの業務内容等）から、キャリアの軸について当該対象ユーザに適したキャリアプランの候補を推定する。
　また、例えば、推定部１３５は、（２）将来の業務種別に関するモデルに基づき、対象ユーザの業務特徴（例えば、ユーザの業務の振返り、ユーザの業務内容等）から、将来の業務種別について当該対象ユーザに適したキャリアプランの候補を推定する。
　さらに、例えば、推定部１３５は、（３）短期の業務種別に関するモデルに基づき、対象ユーザの業務特徴（例えば、ユーザの業務の振返り、部門間の異動確率等）から、短期の業務種別について当該対象ユーザに適したキャリアプランの候補を推定する。
　推定結果出力部１３６は、推定部１３５により推定された、対象ユーザに適したキャリアプランの候補を入出力部１１経由で出力する。例えば、推定結果出力部１３６は、図２に示すように、上記の（１）キャリアの軸、（２）将来の業務種別、（３）短期の業務種別それぞれについて、対象ユーザに適したキャリアプランの候補を出力する。
［処理手順の例］
　次に、図１４、図１５を用いて、推定装置１０の処理手順の例を説明する。まず、図１４を用いて、モデルの学習の処理手順の例を説明する。
　まず、推定装置１０のデータ前処理部１３１は、人事ＤＢの人事データ（参考ユーザのデータおよび対象ユーザのデータ）の前処理を実行する（Ｓ１）。そして、特徴量生成部１３２は、前処理を実行した後のデータから特徴量を生成する（Ｓ２）。その後、モデル学習部１３３は、Ｓ２で生成した特徴量を用いて、上記の（１）～（３）に関するモデルの学習を行う（Ｓ３）。
　次に、図１５を用いて、対象ユーザのキャリアプランの候補の推定の処理手順の例を説明する。まず、推定装置１０の取得部１３４は、対象ユーザのデータを取得する（Ｓ１１）。例えば、取得部１３４は、前処理済みの対象ユーザのデータから業務ごとの業務特徴（特徴量）を取得する。
　Ｓ１１の後、推定部１３５は、Ｓ１１で取得された対象ユーザのデータと、図１４のＳ３で学習された（１）～（３）に関するモデルに基づき、対象ユーザに適したキャリアプランの候補を推定する（Ｓ１２）。例えば、推定部１３５は、（１）キャリアの軸、（２）将来の業務種別、（３）短期の業務種別それぞれについて、対象ユーザに適したキャリアプランの候補を推定する。その後、推定結果出力部１３６は、Ｓ１２による推定結果を出力する（Ｓ１３）。
［推定精度の検証］
　推定装置１０による、対象ユーザのキャリアプランの候補の推定精度の検証結果を図１６に示す。ここでは、推定装置１０が、Random　Forest　Classifierを用いて、上記の（１）キャリアの軸、（２）将来の業務種別、（３）短期の業務種別それぞれについてモデルを構築した。そして、推定装置１０は、構築した（１）～（３）それぞれのモデルを用いて、2019年までの人事データに基づき、上記の2020年の各社員のキャリアプランの候補を推定した。
　推定装置１０による、上記の（１）キャリアの軸、（２）将来の業務種別、（３）短期の業務種別それぞれの推定結果の正解率、適合率および再現率は、図１６に示す値であった。このことから、推定装置１０は、対象ユーザに適したキャリアプランの候補を精度よく推定できることが確認できた。
［システム構成等］
　また、図示した各部の各構成要素は機能概念的なものであり、必ずしも物理的に図示のように構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的又は物理的に分散・統合して構成することができる。さらに、各装置にて行われる各処理機能は、その全部又は任意の一部が、ＣＰＵ及び当該ＣＰＵにて実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。
　また、前記した実施形態において説明した処理のうち、自動的に行われるものとして説明した処理の全部又は一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部又は一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
［プログラム］
　前記した推定装置１０は、パッケージソフトウェアやオンラインソフトウェアとしてプログラム（推定プログラム）を所望のコンピュータにインストールさせることによって実装できる。例えば、上記のプログラムを情報処理装置に実行させることにより、情報処理装置を推定装置１０として機能させることができる。ここで言う情報処理装置にはスマートフォン、携帯電話機やPHS（Personal　Handyphone　System）等の移動体通信端末、さらには、PDA（Personal　Digital　Assistant）等の端末等がその範疇に含まれる。
　図１７は、推定プログラムを実行するコンピュータの一例を示す図である。コンピュータ１０００は、例えば、メモリ１０１０、ＣＰＵ１０２０を有する。また、コンピュータ１０００は、ハードディスクドライブインタフェース１０３０、ディスクドライブインタフェース１０４０、シリアルポートインタフェース１０５０、ビデオアダプタ１０６０、ネットワークインタフェース１０７０を有する。これらの各部は、バス１０８０によって接続される。
　メモリ１０１０は、ROM（Read　Only　Memory）１０１１及びRAM（Random　Access　Memory）１０１２を含む。ROM１０１１は、例えば、BIOS（Basic　Input　Output　System）等のブートプログラムを記憶する。ハードディスクドライブインタフェース１０３０は、ハードディスクドライブ１０９０に接続される。ディスクドライブインタフェース１０４０は、ディスクドライブ１１００に接続される。例えば磁気ディスクや光ディスク等の着脱可能な記憶媒体が、ディスクドライブ１１００に挿入される。シリアルポートインタフェース１０５０は、例えばマウス１１１０、キーボード１１２０に接続される。ビデオアダプタ１０６０は、例えばディスプレイ１１３０に接続される。
　ハードディスクドライブ１０９０は、例えば、OS１０９１、アプリケーションプログラム１０９２、プログラムモジュール１０９３、プログラムデータ１０９４を記憶する。すなわち、上記の推定装置１０が実行する各処理を規定するプログラムは、コンピュータにより実行可能なコードが記述されたプログラムモジュール１０９３として実装される。プログラムモジュール１０９３は、例えばハードディスクドライブ１０９０に記憶される。例えば、推定装置１０における機能構成と同様の処理を実行するためのプログラムモジュール１０９３が、ハードディスクドライブ１０９０に記憶される。なお、ハードディスクドライブ１０９０は、SSD（Solid　State　Drive）により代替されてもよい。
　また、上述した実施形態の処理で用いられるデータは、プログラムデータ１０９４として、例えばメモリ１０１０やハードディスクドライブ１０９０に記憶される。そして、ＣＰＵ１０２０が、メモリ１０１０やハードディスクドライブ１０９０に記憶されたプログラムモジュール１０９３やプログラムデータ１０９４を必要に応じてRAM１０１２に読み出して実行する。
　なお、プログラムモジュール１０９３やプログラムデータ１０９４は、ハードディスクドライブ１０９０に記憶される場合に限らず、例えば着脱可能な記憶媒体に記憶され、ディスクドライブ１１００等を介してＣＰＵ１０２０によって読み出されてもよい。あるいは、プログラムモジュール１０９３及びプログラムデータ１０９４は、ネットワーク（LAN（Local　Area　Network）、WAN（Wide　Area　Network）等）を介して接続される他のコンピュータに記憶されてもよい。そして、プログラムモジュール１０９３及びプログラムデータ１０９４は、他のコンピュータから、ネットワークインタフェース１０７０を介してＣＰＵ１０２０によって読み出されてもよい。
１０　推定装置
１１　入出力部
１２　記憶部
１３　制御部
１３１　データ前処理部
１３２　特徴量生成部
１３３　モデル学習部
１３４　取得部
１３５　推定部
１３６　推定結果出力部

Claims (6)

  1. 　対象ユーザのキャリアプランの候補を推定する推定装置であって、
    　前記対象ユーザの現在まで担当した業務ごとの業務特徴を取得する取得部と、
    　自身の現在の業務分野に適性有りと回答した参考ユーザそれぞれの業務特徴を用いて学習されたモデルに基づき、前記対象ユーザの業務特徴から当該対象ユーザに適したキャリアプランの候補を推定する推定部と、
    　前記推定された前記対象ユーザに適したキャリアプランの候補の推定結果を出力する推定結果出力部と、
    　を備えることを特徴とする推定装置。
  2. 　前記キャリアプランの候補は、
    　将来における前記対象ユーザのキャリアの軸とする業務分野の候補であり、
    　前記業務特徴は、
    　ユーザの業務の振り返りと、ユーザの業務内容とを少なくとも含む
    　ことを特徴とする請求項１に記載の推定装置。
  3. 　前記キャリアプランの候補は、
    　長期における前記対象ユーザの業務種別であり、
    　前記業務特徴は、
    　ユーザの業務の振り返りと、ユーザの業務内容を少なくとも含む
    　ことを特徴とする請求項１に記載の推定装置。
  4. 　前記キャリアプランの候補は、
    　短期における前記対象ユーザの業務種別であり、
    　前記業務特徴は、
    　ユーザの業務の振り返りと、部門間の異動確率とを含む
    　ことを特徴とする請求項１に記載の推定装置。
  5. 　推定装置より実行される推定方法であって、
    　キャリアプランの候補の推定の対象ユーザの現在まで担当した業務ごとの業務特徴を取得する工程と、
    　自身の現在の業務分野に適性有りと回答した参考ユーザそれぞれの業務特徴を用いて学習されたモデルに基づき、前記対象ユーザの業務特徴から当該対象ユーザに適したキャリアプランの候補を推定する工程と、
    　前記対象ユーザに適したキャリアプランの候補の推定結果を出力する工程と、
    　を含むことを特徴とする推定方法。
  6. 　キャリアプランの候補の推定の対象ユーザの現在まで担当した業務ごとの業務特徴を取得する工程と、
    　自身の現在の業務分野に適性有りと回答した参考ユーザそれぞれの業務特徴を用いて学習されたモデルに基づき、前記対象ユーザの業務特徴から当該対象ユーザに適したキャリアプランの候補を推定する工程と、
    　前記対象ユーザに適したキャリアプランの候補の推定結果を出力する工程と、
    　コンピュータに実行させることを特徴とする推定プログラム。
PCT/JP2021/030335 2021-08-19 2021-08-19 推定装置、推定方法、および、推定プログラム WO2023021647A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2023542120A JPWO2023021647A1 (ja) 2021-08-19 2021-08-19
PCT/JP2021/030335 WO2023021647A1 (ja) 2021-08-19 2021-08-19 推定装置、推定方法、および、推定プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/030335 WO2023021647A1 (ja) 2021-08-19 2021-08-19 推定装置、推定方法、および、推定プログラム

Publications (1)

Publication Number Publication Date
WO2023021647A1 true WO2023021647A1 (ja) 2023-02-23

Family

ID=85240285

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/030335 WO2023021647A1 (ja) 2021-08-19 2021-08-19 推定装置、推定方法、および、推定プログラム

Country Status (2)

Country Link
JP (1) JPWO2023021647A1 (ja)
WO (1) WO2023021647A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020160551A (ja) * 2019-03-25 2020-10-01 Ｎｅｃソリューションイノベータ株式会社 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
US20200364250A1 (en) * 2019-05-13 2020-11-19 Optum, Inc. Multi-model approach for job recommendation platform

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020160551A (ja) * 2019-03-25 2020-10-01 Ｎｅｃソリューションイノベータ株式会社 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
US20200364250A1 (en) * 2019-05-13 2020-11-19 Optum, Inc. Multi-model approach for job recommendation platform

Also Published As

Publication number Publication date
JPWO2023021647A1 (ja) 2023-02-23

Similar Documents

Publication Publication Date Title
AU2019261735B2 (en) System and method for recommending automation solutions for technology infrastructure issues
AU2017255561B2 (en) Learning from historical logs and recommending database operations on a data-asset in an ETL tool
CN112613917B (zh) 基于用户画像的信息推送方法、装置、设备及存储介质
US7716151B2 (en) Apparatus, method and product for optimizing software system workload performance scenarios using multiple criteria decision making
US11900320B2 (en) Utilizing machine learning models for identifying a subject of a query, a context for the subject, and a workflow
Florez-Lopez Effects of missing data in credit risk scoring. A comparative analysis of methods to achieve robustness in the absence of sufficient data
CN115002200B (zh) 基于用户画像的消息推送方法、装置、设备及存储介质
Vinod et al. Simulation-based metamodels for scheduling a dynamic job shop with sequence-dependent setup times
CN112667825B (zh) 基于知识图谱的智能推荐方法、装置、设备及存储介质
CN110727852A (zh) 一种推送招聘推荐服务的方法、装置及终端
CN110083634B (zh) 基于数据分析的订单处理方法、装置、设备及存储介质
US20200210907A1 (en) Utilizing econometric and machine learning models to identify analytics data for an entity
CN112950347A (zh) 资源数据处理的优化方法及装置、存储介质、终端
CN113807728A (zh) 基于神经网络的绩效考核方法、装置、设备及存储介质
Munger et al. The use of domain knowledge models for effective data mining of unstructured customer service data in engineering applications
CN117217812A (zh) 一种用户行为预测方法、装置、计算机设备及存储介质
WO2023021647A1 (ja) 推定装置、推定方法、および、推定プログラム
CN116957828A (zh) 报账审核方法、设备、存储介质及装置
Mandvikar Indexing robotic process automation products
Bhuvaneswari et al. Predicting periodical sales of products using a machine learning algorithm
CN113987351A (zh) 基于人工智能的智能推荐方法、装置、电子设备及介质
US20240362552A1 (en) Estimation device, estimation method, and estimation program
CN113610504A (zh) 数据处理方法、装置、计算机设备及存储介质
Chen et al. Strategic decision-making processes of NPD by hybrid classification model techniques
Nöbauer et al. Similarity analysis within product line scoping: An evaluation of a semi-automatic approach

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: 21954220

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023542120

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21954220

Country of ref document: EP

Kind code of ref document: A1