JP2020160551A

JP2020160551A - 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

Info

Publication number: JP2020160551A
Application number: JP2019056486A
Authority: JP
Inventors: 守広安田; Morihiro Yasuda; 達ガイ衛; Tatsugai Ei
Original assignee: NEC Solution Innovators Ltd
Current assignee: NEC Solution Innovators Ltd
Priority date: 2019-03-25
Filing date: 2019-03-25
Publication date: 2020-10-01

Abstract

【課題】人事項目分析の学習モデルを選択するにあたり、容易に適した選択ができ、適した人事項目分析が可能となるシステムを提供する。【解決手段】本発明の人事項目の分析支援装置は、ユーザの情報を入力する入力部、人事に関する分析対象項目について過去の人事データが学習データとして入力されると、学習データの一部を用いて２回以上の学習を行い、分析対象項目について分析する２つ以上の学習モデルを生成する学習モデル生成部、学習データの残りを用い、各学習モデルについて予測検証を行い、真の情報と予測情報との誤差、再現率、適合率、および正解率を、学習モデルを選択するための選択情報として生成する選択情報生成部、各学習モデルについて選択情報を出力する出力部、ユーザの選択結果および分析対象者の人事データが入力されると、選択された学習モデルにより、分析対象者の人事データを用いて分析対象項目について分析を行う分析部を含む。【選択図】図１

Description

本発明は、人事項目の分析支援装置、分析支援方法、プログラム、および記録媒体に関する。

企業においては、通常、人事部の担当者が、大量の人事データに基づいて、社員の適切な部署への配置、目的の効果を得るための研修の提案、退職等のリスクの抽出等を行っている。しかしながら、そのような人事関係の判断は、上司等の特定社員の意向が強く反映される等、客観的に行えなかったり、企業の規模が大きくなればなるほど参照する情報も膨大となるため、時間を要してしまう。

一方、近年、様々な分野において、人間が行っている処理に関して、機械に学習させて、学習モデルを構築し、前記学習モデルを用いて処理することが試みられている。しかし、前記学習モデルは、通常、専門家によって構築され、ユーザに納品されるため、ユーザは、納品された学習モデルを使用してみなければ、その学習データが適したものでるか否かを判断することができない。また、学習モデルの生成については、汎用性のあるシステムが市場にでているが、ユーザが、前記システムを用いて学習モデルを生成しても、結果的に、生成された学習モデルが、目的にあっているか否かを判断することが困難である。

そこで、本発明は、人事項目の分析において、学習モデルを選択するにあたって、ユーザが容易に適した選択を行うことができ、それによって適した人事項目の分析を行うことが可能となるシステムの提供を目的とする。

前記目的を達成するために、本発明の人事項目の分析支援装置は、
入力部、学習モデル生成部、選択情報生成部、出力部、および分析部を含み、
前記入力部は、
ユーザの情報を入力し、
前記学習モデル生成部は、
前記入力部により、人事に関する分析対象項目について、過去の人事データが学習データとして入力されると、
前記学習データの一部を用いて２回以上の学習を行い、前記分析対象項目について分析する２つ以上の学習モデルを生成し、
前記選択情報生成部は、
前記学習データの残りを用いて、前記各学習モデルについて、予測検証を行い、真の情報と予測情報との誤差、再現率、適合率、および正解率を、学習モデルを選択するための選択情報として生成し、
前記出力部は、
前記各学習モデルについて、前記選択情報を出力し、
前記分析部は、
前記入力部により、前記ユーザの選択結果、および、分析対象者の人事データが入力されると、
前記選択された学習モデルにより、前記分析対象者の人事データを用いて、前記分析対象項目について分析を行うことを特徴とする。

本発明の人事項目の分析支援方法は、入力工程、学習モデル生成工程、選択情報生成工程、出力工程、および分析工程を含み、
前記入力工程は、
ユーザの情報を入力し、
前記学習モデル生成工程は、
前記入力工程により、人事に関する分析対象項目について、過去の人事データが学習データとして入力されると、
前記学習データの一部を用いて２回以上の学習を行い、前記分析対象項目について分析する２つ以上の学習モデルを生成し、
前記選択情報生成工程は、
前記学習データの残りを用いて、前記各学習モデルについて、予測検証を行い、真の情報と予測情報との誤差、再現率、適合率、および正解率を、学習モデルを選択するための選択情報として生成し、
前記出力工程は、
前記各学習モデルについて、前記選択情報を出力し、
前記分析工程は、
前記入力工程により、前記ユーザの選択結果、および、分析対象者の人事データが入力されると、
前記選択された学習モデルにより、前記分析対象者の人事データを用いて、前記分析対象項目について分析を行うことを特徴とする。

本発明のプログラムは、前記本発明の人事項目の分析支援方法をコンピュータに実行させることを特徴とする。

本発明の記録媒体は、前記本発明のプログラムを記録したコンピュータ読み取り可能な記録媒体である。

本発明によれば、例えば、学習データに基づいて、複数の学習モデルが生成されるとともに、各学習モデルについて、学習モデルを選択するための選択情報が生成されるため、ユーザは、前記選択情報に基づいて、容易に目的に沿った学習モデルの選択を行うことができる。このため、選択した学習モデルの使用によって、さらに、目的に沿った分析結果を得ることも可能となる。

図１は、実施形態１の分析支援装置の一例を示すブロック図である。図２は、実施形態１の分析支援装置のハードウエア構成の一例を示すブロック図である。図３は、実施形態１の分析支援方法の工程を示すフローチャートの一例である。図４は、実施形態２において、学習モデルの選択におけるガイド情報の一例を示すグラフである。図５は、実施形態３において、選択した学習モデルの閾値設定のガイド情報を示すグラフである。

本発明において、ユーザは、人事項目について分析を行うグループ、または人事担当者等である。「グループ」の単位は、特に制限されず、例えば、企業、組合、学校、行政等の組織単位でもよいし、人事部等の部署単位でもよい。

本発明の人事項目の分析支援装置および分析支援方法によれば、分析対象者の人事項目について、自動的な分析が可能になる。前記人事項目は、特に制限されず、例えば、適正配置、研修とその効果、または離脱可能性等である。「適正配置」とは、例えば、どのような部署、プロジェクト、役職、ポスト等に配置することが適正であるかを意味する。「研修とその効果」とは、例えば、どの研修を提供すれば、どのような効果が得られるかを意味する。「離脱可能性」とは、例えば、属しているグループから離脱する可能性を意味し、具体的には、離職（退職）の他、部署、役職、プロジェクト等からの離脱も含む。

本発明の実施形態について説明する。なお、本発明は、以下の実施形態には限定されない。なお、以下の各図において、同一部分には、同一符号を付している。また、各実施形態の説明は、特に言及がない限り、互いの説明を援用できる。さらに、各実施形態の構成は、特に言及がない限り、組合せ可能である。

［実施形態１］
図１は、本実施形態の人事項目の分析支援装置１０の一例の構成を示すブロック図である。図１（Ａ）に示すように、分析支援装置１０は、入力部１２、学習モデル生成部１３、選択情報生成部１４、出力部１５、および分析部１６を有する。分析支援装置１０は、例えば、さらに、記憶部１２を有してもよい。分析支援装置１０は、例えば、分析支援システムともいう。分析支援装置１０は、例えば、前記各部を含む１つの装置でもよいし、前記各部が、通信回線網を介して接続可能な装置でもよい。前記通信回線網は、例えば、後述の例示と同様である。分析支援装置１０は、例えば、各部の処理がクラウド上で行われてもよい。

分析支援装置１０は、例えば、図１（Ｂ）に示すように、外部機器３０と通信回線網２０を介して接続可能である。外部機器３０は、例えば、サーバ、ＰＣ（パーソナルコンピュータ）等の他、タブレット、スマートフォン、携帯電話等の端末等があげられる。本実施形態においては、ユーザは、外部機器３０を使用し、外部機器３０と分析支援装置１０とが、通信回線網２０を介して接続される形態を例示するが、これには制限されず、分析支援装置１０は、例えば、ユーザが直接使用する装置（例えば、ＰＣまたはサーバ等）でもよい。

通信回線網２０は、特に制限されず、公知の通信回線網を使用でき、有線でも無線でもよい。前記通信回線網は、例えば、例えば、インターネット回線、電話回線、ＬＡＮ（Local Area Network）、ＷｉＦｉ（Wireless Fidelity）等があげられる。

つぎに、図２に、分析支援装置１０のハードウエア構成のブロック図を例示する。分析支援装置１０は、例えば、ＣＰＵ（中央処理装置）１０１、メモリ１０２、バス１０３、入力装置１０４、ディスプレイ１０５、通信デバイス１０６、記憶装置１０７等を有する。分析支援装置１０の各部は、それぞれのインターフェース（Ｉ／Ｆ）により、バス１０３を介して、相互に接続されている。

ＣＰＵ１０１は、分析支援装置１０の全体の制御を担うプロセッサであり、ＣＰＵには限定されず、他のプロセッサでもよい。分析支援装置１０において、ＣＰＵ１０１により、例えば、本発明のプログラムやその他のプログラムが実行され、また、各種情報の読み込みや書き込みが行われる。

分析支援装置１０は、例えば、バス１０３に接続された通信デバイス１０６により、通信回線網に接続でき、前記通信回線網を介して、外部機器とも接続できる。前記外部機器は、特に制限されず、例えば、データベース、ＰＣ（パーソナルコンピュータ）、端末等であり、前記端末は、例えば、タブレット、スマートフォン、携帯電話等である。分析支援装置１０と前記外部機器との接続方式は、特に制限されず、例えば、有線による接続でもよいし、無線による接続でもよい。前記有線による接続は、例えば、コードによる接続でもよいし、通信回線網を利用するためのケーブル等による接続でもよい。前記無線による接続は、例えば、通信回線網を利用した接続でもよいし、無線通信を利用した接続でもよい。前記通信回線網は、特に制限されず、例えば、公知の通信回線網を使用でき、前述と同様である。

メモリ１０２は、例えば、メインメモリを含み、前記メインメモリは、主記憶装置ともいう。ＣＰＵ１０１が処理を行う際には、例えば、後述する補助記憶装置に記憶されている、本発明のプログラム等の種々の動作プログラム１０８を、メモリ１０２が読み込み、ＣＰＵ１０１は、メモリ１０２からデータを受け取って、プログラム１０８を実行する。前記メインメモリは、例えば、ＲＡＭ（ランダムアクセスメモリ）である。メモリ１０２は、例えば、さらに、ＲＯＭ（読み出し専用メモリ）を含む。

記憶装置１０７は、例えば、前記メインメモリ（主記憶装置）に対して、いわゆる補助記憶装置ともいう。記憶装置１０７は、例えば、記憶媒体と、前記記憶媒体に読み書きするドライブとを含む。前記記憶媒体は、特に制限されず、例えば、内蔵型でも外付け型でもよく、ＨＤ（ハードディスク）、ＦＤ（フロッピー（登録商標）ディスク）、ＣＤ−ＲＯＭ、ＣＤ−Ｒ、ＣＤ−ＲＷ、ＭＯ、ＤＶＤ、フラッシュメモリー、メモリーカード等があげられ、前記ドライブは、特に制限されない。記憶装置１０７は、例えば、記憶媒体とドライブとが一体化されたハードディスクドライブ（ＨＤＤ）も例示できる。記憶装置１０７には、例えば、前述のように、プログラム１０８が格納され、前述のように、ＣＰＵ１０１を実行させる際、メモリ１０２が、記憶装置１０７から動作プログラム１０８を読み込む。また、記憶装置１０７は、例えば、記憶部１１を含む。

分析支援装置１０は、例えば、さらに、入力装置１０４、ディスプレイ１０５を有してもよい。入力装置１０４は、例えば、スキャナー、タッチパネル、キーボード等である。ディスプレイ１０５は、例えば、ＬＥＤディスプレイ、液晶ディスプレイ等があげられる。

入力部１２は、ユーザの情報を入力する。記憶部１１は、例えば、入力部１２により入力された情報を記憶する。分析支援装置１０への情報の入力は、特に制限されず、例えば、ユーザが分析支援装置１０を直接使用する場合は、図２に示す入力装置１０４を用いて直接入力してもよいし、ユーザが図１（Ｂ）に示すように外部機器３０を使用する場合は、外部機器３０に情報を入力し、外部機器３０から通信回線網２０を介して、分析支援装置１０に送信されてもよい。

前記ユーザの情報は、例えば、学習モデルの生成においては、ユーザが蓄積してきた過去の人事データであり、分析対象者の分析においては、前記分析対象者の人事データである。

学習モデル生成部１３は、入力部１２により、人事に関する分析対象項目について、過去の人事データが学習データとして入力されると、前記学習データの一部を用いて２回以上の学習を行い、前記分析対象項目について分析する２つ以上の学習モデルを生成する。学習モデル生成部１３は、例えば、既存の学習モデル生成システムが使用できる。

選択情報生成部１４は、前記学習データの残りを用いて、前記各学習モデルについて、予測検証を行い、真の情報と予測情報との誤差、再現率、適合率、および正解率を、学習モデルを選択するための選択情報として生成する。

出力部１５は、前記各学習モデルについて、前記選択情報を出力する。分析支援装置１０の前記選択情報の出力は、特に制限されず、例えば、ユーザが分析支援装置１０を直接使用する場合は、図２に示すディスプレイ１０５に前記選択情報を出力して表示してもよいし、ユーザが図１（Ｂ）に示すように外部機器３０を使用する場合は、分析支援装置１０から通信回線網２０を介して、外部機器３０に前記選択情報を出力し、外部機器３０のディスプレイに前記選択情報が表示されもよい。

ユーザは、前記出力された前記選択情報に基づいて、前記複数の学習モデルからいずれかの学習モデルを選択し、その選択結果を、前述のように、入力部１２により分析支援装置１０に入力できる。また、ユーザは、前記学習モデルを選択すると、さらに、分析対象者の人事データを、前述のように、入力部１２により分析支援装置１０に入力できる。なお、前記分析対象者の人事データは、例えば、予め、入力しておき、記憶部１１に記憶させておき、前記選択した学習モデルにより分析を行う際に、記憶部１１から呼び出してもよい。

分析部１６は、入力部１２により、前記ユーザの選択結果、および、分析対象者の人事データが入力されると、前記選択された学習モデルにより、前記分析対象者の人事データを用いて、前記分析対象項目について分析を行う。この分析結果は、例えば、出力部１５により、前述と同様にして、ユーザに対して出力できる。

つぎに、本実施形態の分析支援方法について説明する。本実施形態の分析支援方法は、入力工程、学習モデル生成工程、選択情報生成工程、選択情報表示工程、および分析工程を含む。本実施形態の分析支援方法は、例えば、図１および図２に示す分析支援装置１０を用いて実施できる。なお、本実施形態の分析支援方法は、分析支援装置１０の使用には限定されない。

前記入力工程は、ユーザの情報を入力する工程であり、例えば、分析支援装置１０の入力部１２により実行できる。

前記学習モデル生成工程は、前記入力工程により、人事に関する分析対象項目について、過去の人事データが学習データとして入力されると、前記学習データの一部を用いて２回以上の学習を行い、前記分析対象項目について分析する２つ以上の学習モデルを生成する工程である。前記工程は、例えば、分析支援装置１０の学習モデル生成部１３により実行できる。

前記選択情報生成工程は、前記学習データの残りを用いて、前記各学習モデルについて、予測検証を行い、真の情報と予測情報との誤差、再現率、適合率、および正解率を、学習モデルを選択するための選択情報として生成する工程である。前記工程は、例えば、分析支援装置１０の選択情報生成部１４により実行できる。

前記出力工程は、前記各学習モデルについて、前記選択情報を出力する工程（選択情報出力工程）であり、例えば、分析支援装置１０の出力部１５により実行できる。

前記分析工程は、前記入力工程により、前記ユーザの選択結果、および、分析対象者の人事データが入力されると、前記選択された学習モデルにより、前記分析対象者の人事データを用いて、前記分析対象項目について分析を行う工程である。前記工程は、例えば、分析支援装置１０の分析部１６により実行できる。本実施形態の分析支援方法は、例えば、さらに出力工程（分析結果出力工程）を含み、前記分析結果を、ユーザに対して出力できる。

つぎに、本実施形態の分析支援装置１０を用いた分析支援方法について、分析対象者の適正配置の分析を例にあげ、図３のフローチャートを用いて説明する。

まず、入力部１２により、適正配置に関する過去の人事データを入力する（Ｓ１０１）。前記人事データは、例えば、グループを構成する構成員の情報であり、個々の構成員についての、職務関連情報である。前記職務関連情報の項目は、例えば、職務経歴（例えば、異動の履歴、ポストの履歴）、スキルの履歴、業績評価等であり、この他に、例えば、保有資格、表彰経歴、キャリアプランを含んでもよい。また、項目間で関連するものは、その関連性が、さらに紐づけられてもよい。前記人事データは、分析支援装置１０による処理のため、例えば、予め数値化されたデータであり、数値化の方法は、特に制限されず、学習モデル生成における一般的な方法が採用できる。

つぎに、学習モデル生成部１３により、前記入力された人事データの一部を用いて複数回の学習を行い、複数の学習モデルを生成する（Ｓ１０２）。具体的には、学習１回につき、一つの学習モデルを生成する。前記人事データは、例えば、ランダムに２グループに分割して、一方を学習モデルの生成に使用し、残りを後述する検証に使用する。前記人事データのうち前記学習モデルの生成に使用する割合は、特に制限されず、下限は、例えば、７割以上であり、上限は、例えば、８割以下であり、具体例としては、８割の人事データを使用する。ここで「割」は、人事データに含まれる全人数に対して、使用される人事データの人数の割合を意味し、％で表してもよい。

そして、選択情報生成部１４により、前記学習データの残りを用いて、前記各学習モデルについて、予測検証を行い（Ｓ１０３）、前記人事データの真の情報と、予測検証の予測情報とから、両者間の誤差、再現率、適合率、および正解率を、学習モデルを選択するための選択情報として生成する（Ｓ１０４）。予測検証において、例えば、真の情報と予測情報とが一致するか否かは、例えば、任意の閾値（例えば、０．６）を設定でき、適宜、変更してもよい。

前記真の情報と前記予測情報との誤差は、例えば、相対的に小さい程、良い学習モデルであり、相対的に大きい程、劣る学習モデルといえる。前記誤差の算出方法は、特に制限されず、下記式に示す平均平方二乗誤差（ＲＭＳＥ）および平均絶対誤差（ＭＡＥ）の計算方法が使用できる。下記式において、ｎは、人事データの数、ｙ_１・・・ｙ_ｎは、真の情報（真の値）、ｆ_１・・・ｆ_ｎは、予測情報（予測した値）である。

前記再現率、前記適合率、および前記正解率は、例えば、予測検証による結果を用いて算出できる。前記予測検証によれは、例えば、以下に示すＴＰ、ＴＮ、ＦＰ、およびＦＮのデータ数が得られる。下記表１に、ＴＰ、ＴＮ、ＦＰ、およびＦＮのデータ数の分類結果を、混同行列としてまとめた例を示す。
「ＴＰ」真の情報がポジティブ（適正あり）で、予測結果がポジティブ（適正あり）のデータ数
「ＴＮ」真の情報がネガティブ（適正なし）で、予測結果がネガティブ（適正なし）のデータ数
「ＦＰ」真の情報がネガティブ（適正なし）で、予測結果がポジティブ（適正あり）のデータ数
「ＦＮ」真の情報がポジティブ（適正あり）で、予測結果がネガティブ（適正なし）のデータ数

前記再現率（Ｒｅｃａｌｌ）とは、真の情報が「適正あり」の人事データのうち、「適正あり」と予測したデータの割合であり、例えば、下記式により算出できる。前記表１の場合、１９８５/（１９８５＋１６７）＝０.９２２（９２．２％）となる。
Ｒｅｃａｌｌ＝ＴＰ／（ＴＰ＋ＦＮ）

前記適合率（Ｐｒｅｃｉｓｉｏｎ）とは、「適正あり」と予測したデータのうち、真の情報が「適正あり」の人事データの割合であり、例えば、下記式により算出できる。前記表１の場合、１９８５/（１９８５＋１２８）＝０．９３９（９３．９％）となる。
Ｐｒｅｃｉｓｉｏｎ＝ＴＰ／（ＴＰ＋ＦＰ）

前記正解率（Ａｃｃｕｒａｃｙ）とは、真の情報が「適正あり」であり且つ予測情報が「適正あり」であるデータと、真の情報が「適正なし」であり且つ予測情報が「適正なし」であるデータとの合計が、全体データにおいて占める割合であり、例えば、下記式により算出できる。前記表１の場合、（１９８５＋１１７２０）/（１９８５＋１２８＋１１７２０＋１６７）＝０．９７９（９７．９％）となる。
Ａｃｃｕｒａｃｙ＝（ＴＰ＋ＴＮ）／（ＴＰ＋ＦＰ＋ＴＮ＋ＦＮ）

そして、出力部１５により、前記各学習モデルについて、前記選択情報を出力する（Ｓ１０５）。前記選択情報は、例えば、前記学習モデルの識別情報（例えば、番号）に紐付けて出力され、分析支援装置１０または外部機器３０のディスプレイに表示される。前記ディスプレイに表示される前記選択情報の例を、下記表２に示す。

出力された前記学習モデルの選択情報に基づいて、ユーザは、複数の前記学習モデルから、任意で望ましいと思う学習モデルを選択できる。前記選択情報として、例えば、前記表２に示すように、誤差を示すＲＭＳＥおよびＭＡＥ、前記再現率、適合率、正解率が表示されていることから、これらの項目の数値を考慮すれば、ユーザは、望ましい学習モデルを選択できる。前記ＲＭＳＥおよびＭＡＥは、前述のように、数値が小さい程、誤差の少ない学習モデルと判断でき、再現率、適合率および正解率は、それぞれ、数値が大きい程、信頼性が高い学習モデルと判断することができる。このように、本実施形態によれば、学習モデルを選択するための情報が出力されているため、ユーザ自身が、その情報に基づいて、容易に学習モデルの選択を行うことができる。

そして、入力部１２により、前記ユーザの選択結果、すなわち、いずれの学習モデルを使用するかが入力され（Ｓ１０６）、さらに、分析対象者の人事データが入力（Ｓ１０７）されると、分析部１６により、前記選択された学習モデルにより、前記分析対象者の人事データを用いて、前記分析対象項目について分析が行われる（Ｓ１０８）。そして、得られた分析結果は、出力部１５によりユーザに出力され（Ｓ１０９）、終了する（ＥＮＤ）。前記ユーザの選択結果は、例えば、前記表２に示すように、前記ディスプレイ上において、選択欄の該当箇所を選択（黒丸に変換）することで、入力することができる。

［実施形態２］
前記実施形態１の前記選択情報の出力工程（Ｓ１０５）においては、例えば、ユーザが複数の学習モデルから一つの学習モデルを選択するための補足情報として、以下のような情報を出力してもよい。

図４（Ａ）に、前記適合率と前記再現率との関係を示す曲線のグラフを示す。この曲線によれば、例えば、曲線下面積（ＡＵＣ：ＡｒｅａＵｎｄｅｒｔｈｅＣｕｒｖｅ）が大きい程、前記適合率、前記再現率がともに高くなるポイント（グラフの右上の位置）があることになり、前記ＡＵＣが大きい程、相対的に良い学習モデルといえる。このため、例えば、前記工程（Ｓ１０５）において、このグラフにあわせて、前記ＡＵＣが相対的に大きい程、良い学習モデルであるとのガイド情報を出力することで、ユーザは、より学習モデルの選択が容易になる。

図４（Ｂ）に、真陽性率と偽陰性率との関係を示す曲線のグラフを示す。前記真陽性率とは、目的変数（適正度）の真の情報が「適正あり」のデータのうち、「適正あり」と予測できた割合であり、前記偽陰性率は、目的変数（適正度）の真の情報が「適正なし」のデータのうち、「適正あり」と予測してしまった割合を示す。図４（Ｂ）においては、目的変数（適正度）の閾値を変化させていった場合の、真陽性率と偽陰性率の関係を示す。この曲線によれば、例えば、前記ＡＵＣが大きい程、前記真陽性率、前記偽陰性率がともに高くなるポイント（グラフの左上の位置）があることになり、前記ＡＵＣが大きい程、相対的に良い学習モデルといえる。このため、例えば、前記工程（Ｓ１０５）において、このグラフにあわせて、前記ＡＵＣが相対的に大きい程、良い学習モデルであるとのガイド情報を出力することで、ユーザは、より学習モデルの選択が容易になる。

図４（Ｃ）に、真（実際）の目的変数（適正度）または予測の目的変数（適正度）と、実際の目的変数（適正度）との関係を示すグラフを示す。このグラフにおいて、真の目的変数（適正度）は、必ず直線となり、予測の目的変数（適正度）とのズレが、真の情報と予測情報との乖離を表すことになる。このため、このグラフによれれば、予測検証の結果、真の目的変数（適正度）の直線に対して、予測の目的変数（適正度）がどれだけ乖離しているかを、視覚的に判断することができる。このため、例えば、前記工程（Ｓ１０５）において、このグラフにあわせて、真の目的変数（適正度）の直線に対して、予測の目的変数（適正度）の解離が相対的に少ない程、良い学習モデルであるとのガイド情報を出力することで、ユーザは、より学習モデルの選択が容易になる。

［実施形態３］
前記実施形態１の前記学習モデルを用いた分析対象者の分析結果の出力工程（Ｓ１０９）の後、出力部１５は、さらに、例えば、分析対象者の分析に関する閾値の設定に関するガイド情報を出力してもよい。

図５に、前記適合率と前記再現率のそれぞれについて、閾値との関係を示すグラフを示す。この曲線によれば、例えば、目的変数（適正度）の閾値、すなわち、「適正あり」と「適正なし」とを分ける目的変数（適正度）の分岐点を「０．６以下」とした場合、前記再現率は、ほぼ１００％に近い値となるが、閾値を「０．６を超える」とした場合、再現率は、低下し、閾値約０．６５で約５０％にまで低下する。一方、前記適合性に関しては、閾値を「０．６を超える」とした場合、ほぼ１００％に近い値となるが、閾値を「０．６以下」とした場合、前記適合性は、低下し、閾値約０．５６で約６４％にまで低下する。そして、例えば、適正配置を分析する場合、前記再現率の優先は、適正がある人を見逃さないことを優先するとの意味をもち、前記適合率の優先は、適正が無い人を誤って「適正あり」としないことを優先する意味合いをもつ。このため、例えば、前記工程（Ｓ１０９）の後このグラフにあわせて、前記再現率の優先と、適合率の優先との意味合いをガイド情報として出力することで、ユーザは、目的に沿った閾値の設定が可能になる。

［実施形態４］
本実施形態のプログラムは、前記本発明の分析支援方法を、コンピュータ上で実行可能なプログラムである。または、本実施形態のプログラムは、例えば、コンピュータ読み取り可能な記録媒体に記録されてもよい。前記記録媒体としては、特に限定されず、例えば、前述のような記憶媒体等があげられる。

以上、実施形態を参照して本願発明を説明したが、本願発明は、上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

１０分析支援装置
１１記憶部
１２入力部
１３学習モデル生成部
１４選択情報生成部
１５出力部
１６分析部
２０通信回線網
３０外部機器

Claims

入力部、学習モデル生成部、選択情報生成部、出力部、および分析部を含み、
前記入力部は、
ユーザの情報を入力し、
前記学習モデル生成部は、
前記入力部により、人事に関する分析対象項目について、過去の人事データが学習データとして入力されると、
前記学習データの一部を用いて２回以上の学習を行い、前記分析対象項目について分析する２つ以上の学習モデルを生成し、
前記選択情報生成部は、
前記学習データの残りを用いて、前記各学習モデルについて、予測検証を行い、真の情報と予測情報との誤差、再現率、適合率、および正解率を、学習モデルを選択するための選択情報として生成し、
前記出力部は、
前記各学習モデルについて、前記選択情報を出力し、
前記分析部は、
前記入力部により、前記ユーザの選択結果、および、分析対象者の人事データが入力されると、
前記選択された学習モデルにより、前記分析対象者の人事データを用いて、前記分析対象項目について分析を行う、ことを特徴とする人事項目の分析支援装置。
前記分析対象項目が、適正配置、研修とその効果、または離脱可能性である、請求項１記載の分析支援装置。
さらに、出力部を含み、
前記出力部は、前記分析部の分析結果を出力する、請求項１または２に記載の分析支援装置。
入力工程、学習モデル生成工程、選択情報生成工程、出力工程、および分析工程を含み、
前記入力工程は、
ユーザの情報を入力し、
前記学習モデル生成工程は、
前記入力工程により、人事に関する分析対象項目について、過去の人事データが学習データとして入力されると、
前記学習データの一部を用いて２回以上の学習を行い、前記分析対象項目について分析する２つ以上の学習モデルを生成し、
前記選択情報生成工程は、
前記学習データの残りを用いて、前記各学習モデルについて、予測検証を行い、真の情報と予測情報との誤差、再現率、適合率、および正解率を、学習モデルを選択するための選択情報として生成し、
前記出力工程は、
前記各学習モデルについて、前記選択情報を出力し、
前記分析工程は、
前記入力工程により、前記ユーザの選択結果、および、分析対象者の人事データが入力されると、
前記選択された学習モデルにより、前記分析対象者の人事データを用いて、前記分析対象項目について分析を行う、ことを特徴とする人事項目の分析支援方法。
前記分析対象項目が、適正配置、研修とその効果、または離脱可能性である、請求項４に記載の分析支援方法。
さらに、出力工程を含み、
前記出力工程は、前記分析工程の分析結果を出力する、請求項４または５に記載の分析支援方法。
請求項４から６のいずれか一項に記載の人事項目の分析支援方法をコンピュータに実行させることを特徴とするプログラム。
請求項７に記載のプログラムを記録したコンピュータ読み取り可能な記録媒体。