JP6594555B2 - Analysis system and analysis method - Google Patents
Analysis system and analysis method Download PDFInfo
- Publication number
- JP6594555B2 JP6594555B2 JP2018536658A JP2018536658A JP6594555B2 JP 6594555 B2 JP6594555 B2 JP 6594555B2 JP 2018536658 A JP2018536658 A JP 2018536658A JP 2018536658 A JP2018536658 A JP 2018536658A JP 6594555 B2 JP6594555 B2 JP 6594555B2
- Authority
- JP
- Japan
- Prior art keywords
- work
- time
- unmanaged
- actual
- data
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims description 47
- 238000000034 method Methods 0.000 claims description 45
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000012800 visualization Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims 2
- 230000008569 process Effects 0.000 description 26
- 238000012545 processing Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000007423 decrease Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、作業を分析する分析システムに関する。 The present invention relates to an analysis system for analyzing work.
工場や倉庫等、複数人の作業者が連携して様々な作業を行っている作業環境では、作業者が手待ちになり無駄な時間が発生している場合がある。そのため、作業内容や作業者の状態を管理し、誰が、いつ、何の作業を行っているかの把握が重要である。 In a work environment such as a factory or a warehouse where a plurality of workers cooperate to perform various tasks, there is a case where a worker is waiting and wasteful time occurs. For this reason, it is important to manage the work content and the worker's state, and to understand who is doing what and when.
本技術分野の背景技術として、以下の先行技術がある。特許文献１（米国特許第８９７２２７６号明細書）には、作業負荷を評価する手法の過程で、誰が、いつ、何の作業を行っているかの情報を取得している。 There are the following prior arts as background art of this technical field. In Patent Document 1 (US Pat. No. 8,972,276), information on who is doing what and when is obtained in the course of a method for evaluating workload.
作業には直接的に成果を生じる作業（直接作業）と、直接的には成果を生じないが必要な作業（間接作業）の２種類に大別できる。多くの場合、直接作業の実績データは収集され、管理されているが、間接作業のデータを収集し管理するケースは少ない。また、間接作業は種類が多く、かつ計画外に発生する場合があるため、予め全ての間接作業を想定し、間接作業の実績データの収集は困難である。 There are two types of work: work that produces results directly (direct work) and work that does not produce results directly but is necessary (indirect work). In many cases, performance data of direct work is collected and managed, but there are few cases of collecting and managing data of indirect work. Moreover, since there are many types of indirect work and may occur outside the plan, it is difficult to collect indirect work performance data assuming all indirect work in advance.
作業実績データを分析することによって、実績が残されている直接作業は把握できる。一方、実績が残されていない間接作業については作業者の状態が不明な時間帯がある。また、センサやカメラを導入しても、データの解釈に人手を要するため、作業者の実態の自動的な把握は困難である。 By analyzing the work performance data, it is possible to grasp the direct work where the results are left. On the other hand, there is a time zone in which the state of the worker is unknown for the indirect work in which no record is left. Even if a sensor or a camera is introduced, it is difficult to automatically grasp the actual situation of the worker because it requires manpower to interpret the data.
しかし、前述した特許文献１に記載された技術では、評価対象の作業は全ての実績データが揃っている必要がある。
However, in the technique described in
そこで、本発明では、作業実績データ等を用いて、作業実績が記録されていない時間帯の作業内容を推定する。 Therefore, in the present invention, work contents in a time zone in which work results are not recorded are estimated using work result data and the like.
本願において開示される発明の代表的な一例を示せば以下の通りである。すなわち、分析システムであって、プログラムを実行するプロセッサと、前記プロセッサがアクセスする記憶装置とを備え、分析対象の作業実績を含む第一の作業実績データを取得する取得部と、作業実績が記録されていない実績未管理時間を、前記第一の作業実績データから抽出し、前記抽出された実績未管理時間の属性情報を取得する算出部と、前記取得した属性情報を用いて、前記実績未管理時間を分類するための実績未管理時間分類属性を生成する分類部と、分析対象でない作業実績を含む第二の作業実績データを取得し、前記生成された実績未管理時間分類属性に従って前記第二の作業実績データを分類し、実績未管理時間分類属性ごとに作業を推定するための確率モデルを生成するモデル生成部と、を有し、前記分類部は、前記生成された確率モデルを用いて前記第一の作業実績データを分析し、前記第一の作業実績データに含まれる実績未管理時間における作業を推定する。 A typical example of the invention disclosed in the present application is as follows. That is, the analysis system includes a processor that executes a program and a storage device that is accessed by the processor, an acquisition unit that acquires first work performance data including the work performance to be analyzed, and the work performance is recorded. The result unmanaged time that has not been extracted is extracted from the first work result data, the attribute information of the extracted result unmanaged time is obtained, and the obtained attribute information is used to obtain the result unmanaged A classifying unit that generates an actual unmanaged time classification attribute for classifying the management time, and second work performance data including a work actual that is not an analysis target are acquired, and the second data is acquired according to the generated actual unmanaged time classification attribute. A model generation unit that classifies the second work performance data and generates a probability model for estimating work for each performance unmanaged time classification attribute, the classification unit, Using made probability model to analyze the first work record data, to estimate the work in actual unmanaged time included in the first work record data.
本発明の一態様によれば、作業実績データとして記録されていない作業を推定できる。前述した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。 According to one aspect of the present invention, work that is not recorded as work performance data can be estimated. Problems, configurations, and effects other than those described above will become apparent from the description of the following embodiments.
＜第一の実施例＞
本発明の第一の実施例では、利用者のリクエストに応じて、ある拠点及び期間における全作業者の実績未管理時間の作業を各実績未管理時間の前後の作業内容から推定する処理を説明する。第一の実施例では、例えば、前後の作業が異なる場合に行われる段取り作業や切替え作業など、前後作業が特徴的な作業を推定できる。<First embodiment>
In the first embodiment of the present invention, in accordance with a user's request, a process for estimating the work of the actual unmanaged time of all workers at a certain base and period from the work contents before and after each actual unmanaged time is explained. To do. In the first embodiment, for example, it is possible to estimate a work having a characteristic before and after work such as a setup work or a switching work performed when the work before and after is different.
図１Ａは、第一の実施例のシステムの構成を示す図である。 FIG. 1A is a diagram illustrating a configuration of a system according to the first embodiment.
第一の実施例のシステムの構成は、情報管理サーバ１１００と、計算サーバ１２００と、計算機１３００とで構成される。計算サーバ１２００と情報管理サーバ１１００と計算機１３００とはネットワーク１４００を介して接続される。計算サーバ１２００は、実績が記録されていない時間帯の作業及び状態を推定するための計算処理を実行する。情報管理サーバ１１００は、計算サーバ１２００での処理に必要なデータを管理する。計算機１３００は、利用者が分析・可視化結果を閲覧したり入力するためのユーザインタフェースを提供する。なお、情報管理サーバ１１００及び計算サーバ１２００は一つのサーバで構成してもよい。
The system configuration of the first embodiment includes an
情報管理サーバ１１００は、作業実績データベース１１０１と、作業関連データベース１１０２と、拠点情報データベース１１０３とを有する。情報管理サーバ１１００は、図１Ｂで後述するように、補助記憶装置３を有し、各データベースを補助記憶装置３に格納する。情報管理サーバ１１００が格納するデータは、計算機１３００から入力されたものでも、他のシステムから取得したものでもよい。
The
作業実績データベース１１０１は、工場や倉庫等の作業実績データを格納する。作業関連データベース１１０２は、作業者の動きや位置などの作業実績データ以外で作業の過程で生成される作業関連データを格納する。拠点情報データベース１１０３は、工場や倉庫等の設備や、業務内容や、取扱い製品や商品や、作業者など拠点情報データを格納する。なお、本実施例において、作業を行う主体は作業者として説明するが、複数種類の作業を行う機械（例えば、ロボット）でもよい。また、作業は、倉庫で行われるピッキング作業や、工場で行われる製造作業を主とするが、オフィスで行われる事務作業でもよい。
The
計算サーバ１２００は、実績情報取得部１２０１と、実績未管理時間算出部１２０２と、実績未管理時間分類部１２０３と、作業推定確率モデル生成部１２０４と、分析・可視化結果出力部１２０５を有する。計算サーバ１２００は、図１Ｂで後述するように、プログラムを実行するプロセッサ１を有し、プロセッサが所定のプログラムを実行することによって各部が機能する。
The
実績情報取得部１２０１は、情報管理サーバ１１００から特定の拠点の作業実績である第一の作業実績データを取得する。実績未管理時間算出部１２０２は、第一の作業実績データから各作業者の実績がなく未管理となっている実績未管理時間と、前記実績未管理時間の時間帯や作業者の役割や位置等の実績未管理時間属性とを取得する。実績未管理時間分類部１２０３は、取得した実績未管理時間属性から実績未管理時間を分類するための実績未管理時間分類属性を生成して、実績未管理時間を分類する。作業推定確率モデル生成部１２０４は、情報管理サーバ１１００から実績未管理時間分類属性が一致する、他拠点を含めた、作業実績である第二の作業実績データを取得し、第二の作業実績データから実績未管理時間分類属性ごとに作業を推定する作業推定確率モデルを生成する。分析・可視化結果出力部１２０５は、第一の作業実績データと作業推定確率モデルとを用いて作業を推定し、実績未管理時間のデータを分析し、その結果を可視化する。
The record
計算機１３００は、利用者へ情報を提示したり、利用者がリクエスト等を入力する。計算機１３００は、プログラムを実行するプロセッサ（ＣＰＵ）、プログラムやデータを格納する記憶装置、ユーザインタフェース（キーボード、マウス、タッチパネル，ディスプレイ、プリンタなど）及び通信インタフェースを有する計算機によって構成される。計算機１３００では、ユーザインタフェースを提供するウェブブラウザが動作しても、専用プログラムが動作してもよい。
The
図１Ｂは、第一の実施例のシステムを構成するサーバの物理的な構成を示すブロック図である。なお、図１Ｂでは、計算サーバ１２００について説明するが、情報管理サーバ１１００も同じ構成でよい。
FIG. 1B is a block diagram illustrating a physical configuration of a server configuring the system of the first embodiment. 1B illustrates the
本実施例の計算サーバ１２００は、プロセッサ（ＣＰＵ）１、メモリ２、補助記憶装置３及び通信インタフェース４を有する計算機によって構成される。
The
プロセッサ１は、メモリ２に格納されたプログラムを実行する。メモリ２は、不揮発性の記憶デバイスであるＲＯＭ及び揮発性の記憶デバイスであるＲＡＭを含む。ＲＯＭは、不変のプログラム（例えば、ＢＩＯＳ）などを格納する。ＲＡＭは、ＤＲＡＭ（Dynamic Random Access Memory）のような高速かつ揮発性の記憶デバイスであり、プロセッサ１が実行するプログラム及びプログラムの実行時に使用されるデータを一時的に格納する。
The
補助記憶装置３は、例えば、磁気記憶装置（ＨＤＤ）、フラッシュメモリ（ＳＳＤ）等の大容量かつ不揮発性の記憶デバイスによって構成され、プロセッサ１が実行するプログラム及びプログラムの実行時に使用されるデータを格納する。すなわち、プログラムは、補助記憶装置３から読み出されて、メモリ２にロードされて、プロセッサ１によって実行される。
The
通信インタフェース４は、所定のプロトコルに従って、他の装置（計算機１０２など）との通信を制御するネットワークインタフェース装置である。
The
計算サーバ１２００は、入力インタフェース５及び出力インタフェース８を有してもよい。入力インタフェース５は、キーボード６やマウス７などが接続され、管理者からの入力を受けるインタフェースである。出力インタフェース８は、ディスプレイ装置９やプリンタなどが接続され、計算サーバ１２００の状態やプログラムの実行結果を管理者が視認可能な形式で出力するインタフェースである。
The
プロセッサ１が実行するプログラムは、リムーバブルメディア（ＣＤ−ＲＯＭ、フラッシュメモリなど）又はネットワークを介して計算サーバ１２００に提供され、非一時的記憶媒体である不揮発性の補助記憶装置３に格納される。このため、計算サーバ１２００は、リムーバブルメディアからデータを読み込むインタフェースを有するとよい。
The program executed by the
計算サーバ１２００は、物理的に一つの計算機上で、又は、論理的又は物理的に構成された複数の計算機上で構成される計算機システムであり、複数の物理的計算機資源上に構築された仮想計算機上で動作してもよい。また、計算サーバ１２００上で実行されるプログラムは、同一の計算機上で別個のスレッドで動作してもよい。
The
また、計算サーバ１２００において、プログラムによって実装される機能ブロックの全部又は一部は、物理的な集積回路（例えば、Field-Programmable Gate Array）等によって構成されてもよい。
In the
図２は、作業実績データベース１１０１の構成例を示す図である。
FIG. 2 is a diagram illustrating a configuration example of the
作業実績データベース１１０１が格納する作業実績データは、作業者、前作業、作業内容、後作業、作業時刻、作業が行われた拠点の番号、作業の対象である取扱品、当該取扱品の数量などの情報を記録したデータで、現場管理者が作業進捗を把握したり、作業の証拠として取引先や顧客に提示するために記録される。作業内容は、作業者が行った作業の内容であるが、昼休み、朝礼などの複数の作業者が同時に行う行為や、作業を行っていないこと（作業無し）も含む。作業時刻は、作業終了時刻でも、作業開始時刻でも、作業開始時刻と作業終了時刻との両方でも、作業中の任意の時刻でもよい。取扱品及び数量は、例えば、倉庫内の作業であれば、移動した物品の品番及び数量であり、工場内の作業であれば、加工した物品の品番及び数量である。なお、作業実績データベース１１０１では、最低限、作業者、作業内容及び作業時刻が記録されていればよい。
The work record data stored in the
図３は、作業関連データベース１１０２の構成例を示す図である。
FIG. 3 is a diagram illustrating a configuration example of the work-related
作業関連データベース１１０２が格納する作業関連データは、作業実績データとして管理されないが作業の過程で生成されるデータ等の作業に関連するデータである。例えば図３では、作業における位置や動作などのセンシングデータを例示する。例えば、位置のセンシングデータは作業者の倉庫、工場内の位置データであり、動作のセンシングデータは加速度データであり、作業中の作業者の動き（行動）を記録する。この他に、作業関連データは、設備のログデータ（例えば、加工機の稼働状況）等も含んでもよい。
The work-related data stored in the work-related
なお、作業実績データを作業関連データとは、厳密に区別できるものではなく、本システムで記録される作業において、作業実績として把握すべきデータが作業実績データベース１１０１に格納される。
Note that the work performance data is not strictly distinguishable from the work-related data, and data to be grasped as work performance is stored in the
図４は、拠点情報データベース１１０３の構成例を示す図である。
FIG. 4 is a diagram illustrating a configuration example of the
拠点情報データベース１１０３が格納する拠点情報は、各拠点で取り扱う商品・製品の種類や導入されている設備など、拠点ごとの特徴や基本的な属性情報を記録しているデータである。拠点データは、例えば、当該作業の対象である取扱品、及び当該拠点に設置され稼動している設備のデータを含み、拠点の類似度を判定するために使用される。
The base information stored in the
取扱品は、取り扱いに特に注意を要する物品（例えば、衝撃を与えてはならない化学品、処方の誤りが重大な影響を生じる医薬品など）を区別するために記録される。これらの特に注意を要する物品は、通常の物品より作業の時間が長くなる。設備は、当該設備が当該拠点に設置されており、稼動しているかを示し、例えば仕分け作業の自動化設備が導入されているかが分かる。 Handled items are recorded to distinguish items that require special handling (eg, chemicals that should not be impacted, pharmaceuticals where prescription errors have a significant impact). These particularly sensitive items require longer work time than normal items. The facility indicates whether the facility is installed at the base and is operating, and for example, it can be seen whether an automated facility for sorting work is installed.
拠点情報は、拠点（例えば、倉庫）同士の作業を比較する際に使用され、拠点の属性情報の一致又は類似によって比較対象の拠点が決定される。 The base information is used when the operations of the bases (for example, warehouses) are compared, and the base for comparison is determined based on the match or similarity of the base attribute information.
また、図示を省略するが、情報管理サーバ１１００が、作業者の情報（実施可能な作業、操作可能な装置、主担当作業）を含む作業者データベースを格納してもよい。
Although not shown, the
図５は、第一の実施例の処理手順のフローチャートである。図５に示す処理は、計算サーバ１２００のプロセッサ１が実行する。
FIG. 5 is a flowchart of the processing procedure of the first embodiment. The processing shown in FIG. 5 is executed by the
まず、実績情報取得部１２０１は、利用者による分析リクエストと分析の条件（対象拠点・期間等）を受信する（５００１）。実績情報取得部１２０１が受信する分析リクエストは、分析の条件（例えば、拠点、期間、作業者など）を含む。分析リクエストは、全データを対象とするものでもよい。
First, the record
次に、実績情報取得部１２０１は、受信した分析リクエストに含まれる分析の条件に応じて、情報管理サーバ１１００の作業実績データベース１１０１から作業実績データを、作業関連データベース１１０２から作業関連データを、拠点情報データベース１１０３から拠点情報データを取得する（５００２）。
Next, the result
そして、実績未管理時間算出部１２０２は、取得した作業実績データから、各作業者において就業時間内で一定時間以上実績が記録されていない実績未管理時間を算出し、実績未管理時間に関する属性である実績未管理時間属性を取得する（５００３）。
The actual unmanaged
図６は、実績未管理時間属性データの構成例を示す図である。なお、図６に示す実績未管理時間属性データは例示であって、実績未管理時間属性データが、図示した項目以外を含んでもよい。また、実績未管理時間属性データは、時間帯を特定するデータと作業者情報を含めば、図示した項目の一部を含まなくてもよい。 FIG. 6 is a diagram illustrating a configuration example of the actual unmanaged time attribute data. The actual unmanaged time attribute data illustrated in FIG. 6 is an example, and the actual unmanaged time attribute data may include items other than those illustrated. Further, the result unmanaged time attribute data may not include some of the illustrated items as long as the data specifying the time zone and the worker information are included.
実績未管理時間属性は、例えば、実績未管理時間の時間帯を特定する開始時刻及び終了時刻、作業者情報、当該作業者が実績未管理時間の前及び後に行った作業実績データに記録されている作業の情報、実績未管理時間における作業関連データ（作業エリア内の位置データ、作業者の動作）の情報、拠点情報データに記載されている拠点での取扱商品や設備情報等である。なお、役割として、当該作業者の主担当作業を前述した作業者データベースから取得してもよい。 The actual unmanaged time attribute is recorded in, for example, the start time and end time for specifying the time zone of the actual unmanaged time, the worker information, and the actual work data performed by the worker before and after the actual unmanaged time. Information on the work being performed, information on work related data (position data in the work area, operation of the worker) during actual unmanaged time, information on products handled at the base described in the base information data, equipment information, and the like. In addition, as a role, you may acquire the main charge work of the said worker from the worker database mentioned above.
そして、作業推定確率モデル生成部１２０４は、実績未管理時間分類属性を設定し、実績未管理時間分類属性と一致する属性を有する作業実績データから作業推定確率モデルを生成する（５００４）。
Then, the work estimation probability
図７は、作業推定確率モデル生成処理の詳細を示すフローチャートである。 FIG. 7 is a flowchart showing details of the work estimation probability model generation process.
まず、作業推定確率モデル生成部１２０４は、実績未管理時間分類属性を設定し、実績未管理時間分類結果を生成する（７００１）。
First, the work estimation probability
ここで、前作業及び後作業を実績未管理時間分類属性に設定した例を説明する。例えば、まず、図９に例示するように、前作業及び後作業が実績未管理時間分類属性に設定された実績未管理時間分類属性データを生成する。具体的には、実績未管理時間分類属性に設定された前作業と後作業の組について、作業実績データベース１１０１から全ての組み合わせを抽出し、実績未管理時間分類属性データに記録する。なお、実績未管理時間分類属性は、本システムの利用者が入力した定義を記録してもよい。なお、図９に示す実績未管理時間分類属性データの３番目のレコードは、前作業が作業Ｂであることが規定されているが、後作業は何でもよいことを示す。
Here, an example will be described in which the previous work and the subsequent work are set as the actual unmanaged time classification attribute. For example, first, as illustrated in FIG. 9, actual unmanaged time classification attribute data in which the previous work and the subsequent work are set to the actual unmanaged time classification attribute is generated. More specifically, all combinations are extracted from the
そして、図８に例示するように、実績未管理時間分類結果を生成する。具体的には、実績未管理時間属性データの各レコードについて、実績未管理時間分類属性（前作業、後作業）と実績未管理時間属性データの当該項目とを比較し、各実績未管理時間に実績未管理時間分類属性で定義された分類を割り当てる。 Then, as illustrated in FIG. 8, a result unmanaged time classification result is generated. Specifically, for each record of the actual unmanaged time attribute data, the actual unmanaged time classification attribute (previous work, subsequent work) and the corresponding item of the actual unmanaged time attribute data are compared, and each actual unmanaged time Assigns the class defined by the actual unmanaged time class attribute.
ステップ７００１によって、実績未管理時間の前後で作業者が行っていた作業をキーにして実績未管理を分類できる。
By
次に、作業推定確率モデル生成部１２０４は、実績未管理時間分類属性と属性が一致する、全ての拠点の作業実績データ及び当該作業実績データに関連する作業関連データ及び拠点データを取得する。そして、取得した作業実績データから実績未管理時間分類属性ごとに作業を推定する作業推定確率モデルを生成する（７００２）。
Next, the work estimation probability
作業推定確率モデルは、図１０に例示するように、実績未管理時間分類属性の組み合わせに対応して、推定される作業及び推定される確率が定められる。具体的には、実績未管理時間分類結果の分類ごとに、当該前作業と当該後作業との間で行われていた中間作業を抽出し、作業推定確率モデルに推定作業を記録する。さらに、分類属性及び推定される作業の組み合わせごとに抽出された数を集計して、抽出された全推定作業の数で除した値を、当該中間作業である推定確率として記録する。 In the work estimation probability model, as illustrated in FIG. 10, the estimated work and the estimated probability are determined corresponding to the combination of the actual unmanaged time classification attributes. Specifically, for each classification of the result unmanaged time classification result, an intermediate work performed between the previous work and the subsequent work is extracted, and the estimated work is recorded in the work estimation probability model. Further, the number extracted for each combination of the classification attribute and the estimated work is totaled, and the value divided by the number of all the estimated work extracted is recorded as the estimated probability that is the intermediate work.
なお、前作業との間の時間が所定値（例えば１０分）を超える作業実績データを除外し、後作業との間の時間が所定値（例えば１０分）を超える作業実績データを除外するフィルタリングをしたデータを取得してもよい。これは、記録されている作業と前作業との間の時間や後作業との間の時間が長い場合、当該時間は未管理時間であり、別の作業が行われている可能性があるからである。 Filtering that excludes work performance data whose time between the previous work exceeds a predetermined value (for example, 10 minutes) and excludes work performance data whose time between the previous work exceeds a predetermined value (for example, 10 minutes). You may acquire the data which did. This is because if the time between the recorded work and the previous work or the time after the work is long, the time is an unmanaged time and another work may be performed. It is.
また、全ての拠点の作業実績データの代わりに、全ての作業を含むモデル拠点のデータを取得してもよい。モデル拠点は、現実に作業者が作業を行っている拠点でも、作業がシミュレーションされた仮想の拠点でもよい。 Further, instead of the work result data of all the bases, data of the model bases including all the work may be acquired. The model base may be a base where the worker is actually working, or a virtual base where the work is simulated.
なお、作業実績データベース１１０１が作業時間（又は、開始時刻と終了時刻）を記録している場合、実績未管理時間の時間幅と作業実績データの作業時間とを照合して、推定作業及び推定確率を決定してもよい。
When the
次に、作業推定確率モデル生成部１２０４は、作成した作業推定確率モデルに問題があるかを判定する（７００３）。作成した作業推定確率モデルに問題がある場合、不適切な実績未管理時間分類属性を用いて実績未管理時間を分類したので、実績未管理時間分類属性を再設定し（７００４）、ステップ７００２に戻る。
Next, the work estimation probability
例えば、属性の指定が大まかである場合は、一つの実績未管理時間分類属性に対応する作業実績データの種類が多くなり、作業推定確率モデルの各推定結果の推定確率が大きくなる。この場合、作業推定確率モデルの信頼性が低く、作業推定確率モデルに問題があると判定されるので、実績未管理時間分類属性の項目数を増やすとよい（例えば、前作業と後作業を属性に設定していた場合、さらに作業者の役割や期間を追加する等）。一方、属性の指定が細かい場合は、一つの実績未管理時間分類属性に対応する作業実績データが少なくなり（又は、存在しない）、作業推定確率モデルの各推定結果の推定確率が小さくなる。この場合、作業推定確率モデルの信頼性が低く、作業推定確率モデルに問題があると判定されるので、実績未管理時間分類属性の項目数を減らすとよい。 For example, when the designation of the attribute is rough, the types of work performance data corresponding to one performance unmanaged time classification attribute increase, and the estimation probability of each estimation result of the work estimation probability model increases. In this case, since the reliability of the work estimation probability model is low and it is determined that there is a problem with the work estimation probability model, the number of items of the actual unmanaged time classification attribute may be increased (for example, the previous work and the subsequent work are attributed). If it is set to, add the role and period of the worker, etc.). On the other hand, when the designation of the attribute is fine, the work result data corresponding to one result unmanaged time classification attribute decreases (or does not exist), and the estimation probability of each estimation result of the work estimation probability model decreases. In this case, since the reliability of the work estimation probability model is low and it is determined that there is a problem with the work estimation probability model, the number of items of the actual unmanaged time classification attribute may be reduced.
なお、所定回数試行しても作業推定確率モデルに問題があると判定される場合、有用な作業推定確率モデルが生成できなかったエラーを利用者に通知して、処理を終了してもよい。 If it is determined that there is a problem with the work estimation probability model after a predetermined number of trials, the user may be notified of an error that a useful work estimation probability model could not be generated, and the process may be terminated.
このように、作業推定確率モデルを評価し、作業推定確率モデルが不適切な場合は、再作成するので、作業実績データとして記録されていない作業を高精度で推定できる。 As described above, the work estimation probability model is evaluated, and if the work estimation probability model is inappropriate, the work estimation probability model is re-created. Therefore, the work not recorded as work performance data can be estimated with high accuracy.
一方、作成した作業推定確率モデルに問題がない場合、作業推定確率モデル生成処理を終了し、図５のステップ５００５へ進む。 On the other hand, if there is no problem in the created work estimation probability model, the work estimation probability model generation process is terminated, and the process proceeds to step 5005 in FIG.
ステップ５００５では、実績未管理時間分類部１２０３は、作成した作業推定確率モデルを用いて各実績未管理時間に作業を推定し、推定された作業（推定作業）を各実績未管理時間に関連付ける。例えば、前作業及び後作業が同じ作業のうち推定確率が最も高い推定作業を、当該実績未管理時間に行われていた作業であると推定する。
In
分析・可視化結果出力部１２０５は、ステップ５００２で取得した第一の作業実績データと、推定作業が関連付けられた実績未管理時間の情報に基づいて、実績未管理時間の情報に基づいて、分析結果を可視化するためのデータを生成し、生成したデータを計算機１３００に出力する（５００６）。
The analysis / visualization
図１１から図１４は、作業の推定結果を出力する画面の例を示す図である。図１１に例示するように、作業者と作業内容を対応付けて時系列に表示してもよい。この画面によると、誰が、何時、何の作業を行っていたかを可視化できる。図１１に示す画面において、実績未管理時間に行われていたと推定される作業を一つ表示してもよく、複数の候補を推定確率と共に表示してもよい。また、実績未管理時間を表示するために複数の態様（色や模様）を準備して、複数の態様の各々を推定された作業内容に割り当てて、推定作業を可視化してもよい。 FIG. 11 to FIG. 14 are diagrams showing examples of screens for outputting work estimation results. As illustrated in FIG. 11, the worker and the work content may be associated with each other and displayed in time series. This screen makes it possible to visualize who is doing what, when and what. In the screen shown in FIG. 11, one task that is estimated to have been performed during the actual unmanaged time may be displayed, or a plurality of candidates may be displayed together with the estimated probability. In addition, a plurality of modes (colors and patterns) may be prepared to display the actual unmanaged time, and each of the plurality of modes may be assigned to the estimated work content to visualize the estimated work.
また、図１２に例示するように、時間帯ごとに各作業（推定作業を含めてもよい）に要した時間を集計して時系列に表示してもよい。表示される作業は一人の分でも、特定のグループの分でも、全員の分でもよい。この画面によると、各時間帯で行われていた作業の割合を可視化でき、主に行われていた作業を知ることができる。 Moreover, as illustrated in FIG. 12, the time required for each work (may include the estimation work) may be aggregated and displayed in time series for each time zone. The work displayed can be for one person, for a specific group, or for all. According to this screen, it is possible to visualize the ratio of work performed in each time zone, and to know the work performed mainly.
また、図１３に例示するように、作業が推定される確率と実績未管理時間の量を表示してもよい。この画面において、横軸は、実績未管理時間分類属性ごとの合計時間である。この画面によると、各作業が推定される確率を可視化できる。 Further, as illustrated in FIG. 13, the probability that the work is estimated and the amount of actual unmanaged time may be displayed. In this screen, the horizontal axis represents the total time for each performance unmanaged time classification attribute. According to this screen, the probability that each work is estimated can be visualized.
さらに、図１４に例示するように、推定結果を修正するインタフェースを設けてもよい。例えば、各作業の時間帯を指定して、推定が正しいか誤っているかを選択する。誤っている場合は、正しい作業内容を入力できる入力欄が設けられている。このインタフェースは推定結果の修正や、作業が推定できなかった場合に、利用者が作業内容を入力できる。 Further, as illustrated in FIG. 14, an interface for correcting the estimation result may be provided. For example, the time zone of each work is designated and whether the estimation is correct or incorrect is selected. If it is incorrect, an input field is provided for inputting correct work contents. This interface allows the user to input the work content when the estimation result is corrected or the work cannot be estimated.
図１４に示すインタフェースに利用者が入力すると、分析・可視化結果出力部１２０５が、利用者の入力を受信する（５００７）。
When the user inputs to the interface shown in FIG. 14, the analysis / visualization
その後、実績未管理時間分類部１２０３は、受信した入力データを用いて実績未管理時間の作業実績データを修正及び生成し、所定の形式に変換して、作業実績データベース１１０１に格納する（５００８）。このため、誤った作業実績データを修正でき、正しい作業実績を作業実績データベース１１０１に格納できる。
Thereafter, the result unmanaged
以上に説明したように、本発明の第一の実施例では、作業実績データとして記録されていない作業を推定できる。 As described above, in the first embodiment of the present invention, work that is not recorded as work performance data can be estimated.
＜第二の実施例＞
本発明の第二の実施例では、利用者のリクエストに応じて、ある拠点及び期間における全作業者の実績未管理時間の作業を同時刻の作業実績から推定する。これによって実績未管理時間の作業や状態として、例えば、設備不良や申告漏れ等によって、欠落している作業実績を推定できる。<Second Example>
In the second embodiment of the present invention, in response to a user's request, the work of the actual unmanaged time of all workers at a certain base and period is estimated from the work results at the same time. As a result, it is possible to estimate a missing work record due to, for example, equipment failure or missing report as the work or state in the record unmanaged time.
なお、第二の実施例では、第一の実施例と同じ構成及び機能には同じ符号を付し、それらの説明は省略する。例えば、第二の実施例のシステムは、図１Ａに示す第一の実施例のシステムと同じでよい。 In the second embodiment, the same components and functions as those in the first embodiment are denoted by the same reference numerals, and the description thereof is omitted. For example, the system of the second embodiment may be the same as the system of the first embodiment shown in FIG. 1A.
また、第二の実施例の処理手順は、図５に示す第一の実施例と同様であるが、作業推定確率モデル生成処理（５００４）が第一の実施例と異なる。図１５を参照して、第二の実施例の作業推定確率モデル生成処理を説明する。 The processing procedure of the second embodiment is the same as that of the first embodiment shown in FIG. 5, but the work estimation probability model generation processing (5004) is different from that of the first embodiment. With reference to FIG. 15, the work estimation probability model generation processing of the second embodiment will be described.
まず、作業推定確率モデル生成部１２０４は、実績未管理時間の発生時刻を実績未管理時間分類属性に設定する（１５００１）。なお、実績未管理時間の発生時刻は、５分、１０分、３０分、１時間等の単位で抽象化して、時間帯に分類してもよい。
First, the work estimation probability
次に、作業推定確率モデル生成部１２０４は、他の実績未管理時間属性を実績未管理時間分類属性に設定し、実績未管理時間分類結果を生成する（１５００２）。ステップ１５００２で設定される実績未管理時間分類属性は、処理１５００１で設定された実績未管理時間分類属性の他、作業者の役割、作業拠点における位置などである。
Next, the work estimation probability
ここで、実績未管理時間が発生した時間帯及び作業者の役割を実績未管理時間分類属性に設定した例を説明する。例えば、図１６に例示するように、実績未管理時間発生時間帯及び作業者の役割が実績未管理時間分類属性に設定された実績未管理時間分類属性データを生成する。具体的には、実績未管理時間分類属性に設定された時間帯と役割の組について、作業実績データベース１１０１から全ての組み合わせを抽出し、実績未管理時間分類属性データに記録する。なお、実績未管理時間分類属性は、本システムの利用者が入力した定義を記録してもよい。
Here, an example in which the time zone in which the actual unmanaged time has occurred and the role of the worker is set as the actual unmanaged time classification attribute will be described. For example, as illustrated in FIG. 16, actual unmanaged time classification attribute data in which the actual unmanaged time generation time zone and the role of the worker are set in the actual unmanaged time classification attribute is generated. Specifically, for the combination of time zone and role set in the performance unmanaged time classification attribute, all combinations are extracted from the
そして、実績未管理時間分類結果（図示省略）を生成する。具体的には、実績未管理時間属性データの各レコードについて、実績未管理時間分類属性（時間帯、役割）と実績未管理時間属性データの当該項目とを比較し、各実績未管理時間に実績未管理時間分類属性で定義された分類を割り当てる。 Then, a result unmanaged time classification result (not shown) is generated. Specifically, for each record of the actual unmanaged time attribute data, the actual unmanaged time classification attribute (time zone, role) and the corresponding item of the actual unmanaged time attribute data are compared, and the actual results are recorded at each actual unmanaged time. Assigns a classification defined with the unmanaged time classification attribute.
その後、作業推定確率モデル生成部１２０４は、実績未管理時間分類属性と属性が一致する、同じ拠点の作業実績データ及び当該作業実績データに関連する作業関連データ及び拠点データを取得する。そして、取得した作業実績データから実績未管理時間分類属性ごとに作業を推定する作業推定確率モデルを生成する（１５００３）。
Thereafter, the work estimation probability
作業推定確率モデルでは、図１７に例示するように、実績未管理時間分類属性の組み合わせに対応して、推定される作業及び推定される確率が定められる。具体的には、実績未管理時間分類結果の分類ごとに、当該時間帯において当該役割を有する作業者が行っている作業を抽出し、作業推定確率モデルに推定作業を記録する。さらに、分類属性及び推定される作業の組み合わせごとに抽出された数を集計して、抽出された全推定作業の数で除した値を、当該作業の推定確率として記録する。 In the work estimation probability model, as illustrated in FIG. 17, the estimated work and the estimated probability are determined corresponding to the combination of the actual unmanaged time classification attributes. Specifically, for each classification of the result unmanaged time classification result, the work performed by the worker having the role in the time zone is extracted, and the estimated work is recorded in the work estimation probability model. Further, the number extracted for each combination of the classification attribute and the estimated work is totaled, and the value divided by the number of all the estimated work extracted is recorded as the estimated probability of the work.
なお、同じ拠点の作業実績データに加えて、他の拠点のデータを取得してもよい。他の拠点は、分析対象の拠点と類似している拠点（特に、時間帯による作業が類似している拠点）が望ましい。 In addition to work performance data at the same base, data at other bases may be acquired. The other bases are preferably bases that are similar to the base to be analyzed (particularly, bases that have similar work in time zones).
次に、作業推定確率モデル生成部１２０４は、作成した作業推定確率モデルに問題があるかを判定する（１５００４）。作成した作業推定確率モデルに問題がある場合、不適切な実績未管理時間分類属性を用いて実績未管理時間を分類したので、実績未管理時間分類属性を再設定し（１５００５）、ステップ１５００３に戻る。
Next, the work estimation probability
例えば、属性の指定が大まかである場合は、一つの実績未管理時間分類属性データに対応する作業実績データが多くなり、作業推定確率モデルの各推定結果の推定確率が大きくなる。この場合、作業推定確率モデルの信頼性が低く、作業推定確率モデルに問題があると判定されるので、実績未管理時間分類属性の項目数を増やすとよい（例えば、時間帯のみを属性に設定していた場合、さらに作業者の役割を追加する等）。一方、属性の指定が細かい場合は、一つの実績未管理時間分類属性に対応する作業実績データが少なくなり（又は、存在しない）、作業推定確率モデルの各推定結果の推定確率が小さくなる。この場合、作業推定確率モデルの信頼性が低く、作業推定確率モデルに問題があると判定されるので、実績未管理時間分類属性の項目数を減らすとよい。 For example, when the designation of the attribute is rough, the work result data corresponding to one result unmanaged time classification attribute data increases, and the estimation probability of each estimation result of the work estimation probability model increases. In this case, since the reliability of the work estimation probability model is low and it is determined that there is a problem with the work estimation probability model, the number of items of the actual unmanaged time classification attribute should be increased (for example, only the time zone is set as the attribute) If so, add more worker roles). On the other hand, when the designation of the attribute is fine, the work result data corresponding to one result unmanaged time classification attribute decreases (or does not exist), and the estimation probability of each estimation result of the work estimation probability model decreases. In this case, since the reliability of the work estimation probability model is low and it is determined that there is a problem with the work estimation probability model, the number of items of the actual unmanaged time classification attribute may be reduced.
なお、所定回数試行しても作業推定確率モデルに問題があると判定される場合、有用な作業推定確率モデルが生成できなかったエラーを利用者に通知して、処理を終了してもよい。 If it is determined that there is a problem with the work estimation probability model after a predetermined number of trials, the user may be notified of an error that a useful work estimation probability model could not be generated, and the process may be terminated.
一方、作成した作業推定確率モデルに問題がない場合、作業推定確率モデル生成処理を終了し、図５のステップ５００５へ進む。ステップ５００４以外の処理は、前述した第一の実施例と同じである。
On the other hand, if there is no problem in the created work estimation probability model, the work estimation probability model generation process is terminated, and the process proceeds to step 5005 in FIG. Processing other than
以上に説明したように、本発明の第二の実施例では、実績未管理時間において欠落している作業実績を推定できる。特に、複数の作業者が同じ時間帯に同じ作業を行っている拠点において、他の作業者の作業実績から、記録されなかった作業を適切に推定できる。 As described above, in the second embodiment of the present invention, it is possible to estimate the work results that are missing in the result unmanaged time. In particular, at a base where a plurality of workers are performing the same task in the same time zone, a task that has not been recorded can be appropriately estimated from the work results of other workers.
＜第三の実施例＞
本発明の第三の実施例では、利用者のリクエストに応じて、ある拠点及び期間における全作業者の実績未管理時間の作業を同時刻における他の実績未管理時間の発生傾向から推定する。これによって実績未管理時間の作業や状態として、例えば、複数人が同時に行う作業（昼休み、朝礼など）を推定できる。<Third embodiment>
In the third embodiment of the present invention, according to a user's request, the work of the actual unmanaged time of all workers at a certain base and period is estimated from the tendency of the other unmanaged time to occur at the same time. As a result, for example, work (lunch break, morning gathering, etc.) performed by a plurality of persons can be estimated as work or status in the unmanaged time.
なお、第三の実施例では、第一の実施例と同じ構成及び機能には同じ符号を付し、それらの説明は省略する。例えば、第三の実施例のシステムは、図１Ａに示す第一の実施例のシステムと同じでよい。 In the third embodiment, the same components and functions as those in the first embodiment are denoted by the same reference numerals, and description thereof is omitted. For example, the system of the third embodiment may be the same as the system of the first embodiment shown in FIG. 1A.
また、第三の実施例の処理手順は、図５に示す第一の実施例と同様であるが、作業推定確率モデル生成処理（５００４）が第一の実施例と異なる。図１８を参照して、第三の実施例の作業推定確率モデル生成処理を説明する。 The processing procedure of the third embodiment is the same as that of the first embodiment shown in FIG. 5, but the work estimation probability model generation processing (5004) is different from that of the first embodiment. With reference to FIG. 18, the work estimation probability model generation processing of the third embodiment will be described.
まず、作業推定確率モデル生成部１２０４は、実績未管理時間の発生時刻を比較し、同時間帯に発生している実績未管理時間を纏めて実績未管理時間分類結果を生成する。当該実績未管理時間分類結果では、共起性及び発生時間帯を実績未管理時間分類属性に設定する（１８００１）。なお、発生時刻は５分、１０分、３０分、１時間等の単位で抽象化して、時間帯に分類してもよい。なお、時間帯の他に作業者の役割や作業拠点における位置などを実績未管理時間分類属性に設定してもよい。作業者の役割や拠点内の配置場所によって共起する作業が異なる場合に有効である。
First, the work estimation probability
また、時間帯を使用せず、共起情報だけを実績未管理時間分類属性に設定してもよい。例えば、時間帯によらず、共起する作業が同じである場合（例えば、休憩時間）、実績未管理時間分類属性を減らして処理を簡素化できる。一方、時間帯及び共起情報を実績未管理時間分類属性に設定すると、時間帯によって共起する作業が異なる場合（例えば、非理休み、朝礼）、実績未管理時間の作業内容を正確に推定できる。 Further, only the co-occurrence information may be set as the result unmanaged time classification attribute without using the time zone. For example, when the co-occurring work is the same regardless of the time zone (for example, break time), the processing can be simplified by reducing the actual unmanaged time classification attribute. On the other hand, when the time zone and co-occurrence information are set as the actual unmanaged time classification attribute, the work contents of the actual unmanaged time can be accurately estimated when the co-occurring work differs depending on the time zone (for example, irrational leave, morning meeting). .
実績未管理時間分類属性として、例えば、図１９に例示するように、実績未管理時間発生時間帯及び共起情報が実績未管理時間分類属性に設定された実績未管理時間分類属性データを生成する。具体的には、実績未管理時間分類属性に設定された時間帯を作業実績データベース１１０１から抽出し、実績未管理時間分類属性データに記録する。なお、実績未管理時間分類属性は、本システムの利用者が入力した定義を記録してもよい。
As the actual unmanaged time classification attribute, for example, as illustrated in FIG. 19, actual unmanaged time classification attribute data in which the actual unmanaged time occurrence time zone and the co-occurrence information are set in the actual unmanaged time classification attribute is generated. . Specifically, the time zone set in the performance unmanaged time classification attribute is extracted from the
共起情報は、例えば、実績未管理時間が複数の作業者に共起しているかの情報（共起している場合は１、共起していない場合は０）であるが、実績未管理時間が共起している作業者の数でもよい。共起情報として複数の作業者に共起しているかを記録する場合、共起有りと判定する作業者の数の閾値を予め設定しておくとよい。 The co-occurrence information is, for example, information on whether or not the result unmanaged time co-occurs with a plurality of workers (1 if co-occurs, 0 if not co-occurrence), but results unmanaged It may be the number of workers with whom time co-occurs. When recording whether co-occurrence occurs with a plurality of workers as co-occurrence information, a threshold value for the number of workers determined to have co-occurrence may be set in advance.
そして、実績未管理時間分類結果（図示省略）を生成する。具体的には、実績未管理時間属性データの各レコードについて、実績未管理時間分類属性（時間帯）と実績未管理時間属性データの当該項目とを比較し、各実績未管理時間に実績未管理時間分類属性で定義された分類を割り当てる。 Then, a result unmanaged time classification result (not shown) is generated. Specifically, for each record of the actual unmanaged time attribute data, the actual unmanaged time classification attribute (time zone) is compared with the corresponding item of the actual unmanaged time attribute data, and the actual unmanaged time is recorded at each actual unmanaged time. Assign the classification defined by the time classification attribute.
その後、作業推定確率モデル生成部１２０４は、実績未管理時間分類属性と属性が一致する、全ての拠点の作業実績データ及び当該作業実績データに関連する作業関連データ及び拠点データを取得する。そして、取得した作業実績データから実績未管理時間分類属性ごとに作業を推定する作業推定確率モデルを生成する（１８００２）。
Thereafter, the work estimation probability
作業推定確率モデルでは、図２０に例示するように、実績未管理時間分類属性（時間帯）に対応して推定される作業及び推定される確率が定められる。具体的には、実績未管理時間分類結果の分類ごとに、実績未管理時間発生時間帯に行われていた作業を抽出し、共起情報によって分類して、作業推定確率モデルに推定作業を記録する。さらに、分類属性及び推定される作業の組み合わせごとに抽出された数を集計して、抽出された全推定作業の数で除した値を、当該作業の推定確率として記録する。 In the work estimation probability model, as illustrated in FIG. 20, the work to be estimated and the probability to be estimated are determined corresponding to the actual unmanaged time classification attribute (time zone). Specifically, for each classification of the actual unmanaged time classification result, the work that was performed during the actual unmanaged time generation time zone is extracted, classified by co-occurrence information, and the estimated work is recorded in the work estimation probability model To do. Further, the number extracted for each combination of the classification attribute and the estimated work is totaled, and the value divided by the number of all the estimated work extracted is recorded as the estimated probability of the work.
なお、全ての拠点の作業実績データではなく、分析対象の拠点と類似している拠点（特に、時間帯による作業が類似している拠点）のデータを取得してもよい。 It should be noted that, instead of the work performance data of all the bases, data on bases similar to the bases to be analyzed (particularly bases having similar work in time zones) may be acquired.
次に、作業推定確率モデル生成部１２０４は、作成した作業推定確率モデルに問題があるかを判定する（１８００３）。作成した作業推定確率モデルに問題がある場合、不適切な実績未管理時間分類属性を用いて実績未管理時間を分類したので、実績未管理時間分類属性を再設定し（１８００４）、ステップ１８００２に戻る。
Next, the work estimation probability
例えば、属性の指定が大まかである場合は、一つの実績未管理時間分類属性データに対応する作業実績データが多くなり、作業推定確率モデルの各推定結果の推定確率が大きくなる。この場合、作業推定確率モデルの信頼性が低く、作業推定確率モデルに問題があると判定されるので、実績未管理時間分類属性の項目数を増やすとよい（例えば、時間帯のみを属性に設定していた場合、さらに作業者の役割を追加する等）。一方、属性の指定が細かい場合は、一つの実績未管理時間分類属性に対応する作業実績データが少なくなり（又は、存在しない）、作業推定確率モデルの各推定結果の推定確率が小さくなる。この場合、作業推定確率モデルの信頼性が低く、作業推定確率モデルに問題があると判定されるので、実績未管理時間分類属性の項目数を減らすとよい。 For example, when the designation of the attribute is rough, the work result data corresponding to one result unmanaged time classification attribute data increases, and the estimation probability of each estimation result of the work estimation probability model increases. In this case, since the reliability of the work estimation probability model is low and it is determined that there is a problem with the work estimation probability model, the number of items of the actual unmanaged time classification attribute should be increased (for example, only the time zone is set as the attribute) If so, add more worker roles). On the other hand, when the designation of the attribute is fine, the work result data corresponding to one result unmanaged time classification attribute decreases (or does not exist), and the estimation probability of each estimation result of the work estimation probability model decreases. In this case, since the reliability of the work estimation probability model is low and it is determined that there is a problem with the work estimation probability model, the number of items of the actual unmanaged time classification attribute may be reduced.
なお、所定回数試行しても作業推定確率モデルに問題があると判定される場合、有用な作業推定確率モデルが生成できなかったエラーを利用者に通知して、処理を終了してもよい。 If it is determined that there is a problem with the work estimation probability model after a predetermined number of trials, the user may be notified of an error that a useful work estimation probability model could not be generated, and the process may be terminated.
一方、作成した作業推定確率モデルに問題がない場合、作業推定確率モデル生成処理を終了し、図５のステップ５００５へ進む。ステップ５００４以外の処理は、前述した第一の実施例と同じである。
On the other hand, if there is no problem in the created work estimation probability model, the work estimation probability model generation process is terminated, and the process proceeds to step 5005 in FIG. Processing other than
以上に説明したように、本発明の第三の実施例では、実績未管理時間において欠落している作業実績を推定できる。特に、ある拠点及び期間において複数人が同時に行う作業（昼休み、朝礼など）を推定できる。 As described above, in the third embodiment of the present invention, it is possible to estimate the work results that are missing in the result unmanaged time. In particular, it is possible to estimate the work (lunch break, morning meeting, etc.) performed by a plurality of people at a certain base and period.
＜第四の実施例＞
本発明の第四の実施例では、利用者のリクエストに応じて、ある拠点及び期間における全作業者の実績未管理時間の作業を実績未管理時間の発生パターンから推定する。これによって作業の発生パターン（作業者人数、時系列などの特徴）に特徴がある作業を推定できる。<Fourth embodiment>
In the fourth embodiment of the present invention, in response to a user's request, the work of the actual unmanaged time of all workers at a certain base and period is estimated from the occurrence pattern of the actual unmanaged time. As a result, it is possible to estimate a work having a feature in a work generation pattern (features such as the number of workers and time series).
なお、第四の実施例では、第一の実施例と同じ構成及び機能には同じ符号を付し、それらの説明は省略する。例えば、第四の実施例のシステムは、図１Ａに示す第一の実施例のシステムと同じでよい。 Note that in the fourth embodiment, the same reference numerals are given to the same configurations and functions as those in the first embodiment, and description thereof will be omitted. For example, the system of the fourth embodiment may be the same as the system of the first embodiment shown in FIG. 1A.
また、第四の実施例の処理手順は、図５に示す第一の実施例と同様であるが、作業推定確率モデル生成処理（５００４）が第一の実施例と異なる。図２１を参照して、第四の実施例の作業推定確率モデル生成処理を説明する。 The processing procedure of the fourth embodiment is the same as that of the first embodiment shown in FIG. 5, but the work estimation probability model generation process (5004) is different from that of the first embodiment. With reference to FIG. 21, the work estimation probability model generation processing of the fourth embodiment will be described.
まず、作業推定確率モデル生成部１２０４は、実績未管理時間属性から一つ以上の属性データを選択し、実績未管理時間分類属性に設定する。そして、設定された実績未管理時間分類属性に基づいて各実績未管理時間を分類し、属性が共通するグループを作成する（２１００１）。
First, the work estimation probability
次に、作業推定確率モデル生成部１２０４は、グループの発生パターンＡを生成する（２１００２）。発生パターンＡは、一人又は複数の作業者において時系列上で実績未管理時間が発生する特徴を指し、例えば、ある一定の時間間隔で繰り返し実績未管理時間が発生している場合や、複数人の作業者で時刻をずらして交代で実績未管理時間が発生している場合等である。複数の発生パターンＡを生成してもよい。
Next, the work estimation probability
そして、実績未管理時間分類属性と属性が一致する、全ての拠点の作業実績データ及び当該作業実績データに関連する作業関連データ及び拠点データを取得する。そして、取得した作業実績データから各作業の発生パターンＢを生成する（２１００３）。発生パターンＢは発生パターンＡと同様に、一人又は複数作業者において時系列上で実績未管理時間が発生する特徴を指す。複数の発生パターンＢを生成してもよい。 And the work related data and base data relevant to the work performance data of all bases and the said work performance data whose attributes and attributes match the actual unmanaged time classification attribute are acquired. Then, an occurrence pattern B of each work is generated from the acquired work performance data (21003). Similar to the occurrence pattern A, the occurrence pattern B refers to a feature in which an actual unmanaged time occurs on a time series in one or a plurality of workers. A plurality of generation patterns B may be generated.
その後、発生パターンＡと発生パターンＢとを照合し、作業推定確率モデルを生成する（２１００４）。 Thereafter, the occurrence pattern A and the occurrence pattern B are collated to generate a work estimation probability model (21004).
作業推定確率モデルでは、図２２に例示するように、実績未管理時間分類属性（時間帯、共起情報）に対応して、発生パターンごとに推定される作業及び推定される確率が定められる。具体的には、実績未管理時間分類結果の分類ごとに、実績未管理時間発生時間帯に行われていた作業を抽出し、共起情報によって分類して、作業推定確率モデルに推定作業を記録する。さらに、分類属性及び推定される作業の組み合わせごとに抽出された数を集計して、抽出された全推定作業の数で除した値を、当該作業の推定確率として記録する。 In the work estimation probability model, as illustrated in FIG. 22, the work to be estimated and the probability to be estimated are determined for each occurrence pattern corresponding to the actual unmanaged time classification attribute (time zone, co-occurrence information). Specifically, for each classification of the actual unmanaged time classification result, the work that was performed during the actual unmanaged time generation time zone is extracted, classified by co-occurrence information, and the estimated work is recorded in the work estimation probability model To do. Further, the number extracted for each combination of the classification attribute and the estimated work is totaled, and the value divided by the number of all the estimated work extracted is recorded as the estimated probability of the work.
なお、全ての拠点の作業実績データではなく、分析対象の拠点と類似している拠点（特に、時系列上での作業順序が類似している拠点）のデータを取得してもよく、全ての作業を含むモデル拠点のデータを取得してもよい。モデル拠点は、現実に作業者が作業を行っている拠点でも、作業がシミュレーションされた仮想の拠点でもよい。 In addition, it is possible to obtain the data of the bases that are similar to the bases to be analyzed (especially the bases that have similar work order in time series) instead of the actual work data of all bases. You may acquire the data of the model base including work. The model base may be a base where the worker is actually working, or a virtual base where the work is simulated.
次に、作業推定確率モデル生成部１２０４は、作成した作業推定確率モデルに問題があるかを判定する（２１００５）。作成した作業推定確率モデルに問題がある場合、不適切な実績未管理時間分類属性を用いて実績未管理時間を分類したので、実績未管理時間分類属性を再設定し（２１００６）、ステップ２１００１に戻る。
Next, the work estimation probability
例えば、属性の指定が大まかである場合は、発生パターンＢに対応する（一致又は類似する）作業実績データが多くなり、作業推定確率モデルの各推定結果の推定確率が大きくなる。この場合、作業推定確率モデルの信頼性が低く、作業推定確率モデルに問題があると判定されるので、実績未管理時間分類属性の項目数を増やすとよい（例えば、時間帯及び共起を属性に設定していた場合、さらに作業者の役割を追加する等）。一方、属性の指定が細かい場合は、発生パターンＢに対応する（一致又は類似する）作業実績データが少なくなり（又は、存在しない）、作業推定確率モデルの各推定結果の推定確率が小さくなる。この場合、作業推定確率モデルの信頼性が低く、作業推定確率モデルに問題があると判定されるので、実績未管理時間分類属性の項目数を減らすとよい。 For example, when the designation of the attribute is rough, the work result data corresponding to (matching or similar to) the occurrence pattern B increases, and the estimation probability of each estimation result of the work estimation probability model increases. In this case, since the reliability of the work estimation probability model is low and it is determined that there is a problem with the work estimation probability model, it is preferable to increase the number of items of the actual unmanaged time classification attribute (for example, attribute the time zone and co-occurrence to the attribute). If it was set to, add the role of the worker, etc.). On the other hand, when the attribute designation is fine, the work performance data corresponding to the occurrence pattern B (matching or similar) is reduced (or does not exist), and the estimation probability of each estimation result of the work estimation probability model is reduced. In this case, since the reliability of the work estimation probability model is low and it is determined that there is a problem with the work estimation probability model, the number of items of the actual unmanaged time classification attribute may be reduced.
なお、所定回数試行しても作業推定確率モデルに問題があると判定される場合、有用な作業推定確率モデルが生成できなかったエラーを利用者に通知して、処理を終了してもよい。 If it is determined that there is a problem with the work estimation probability model after a predetermined number of trials, the user may be notified of an error that a useful work estimation probability model could not be generated, and the process may be terminated.
一方、作成した作業推定確率モデルに問題がない場合、作業推定確率モデル生成処理を終了し、図５のステップ５００５へ進む。ステップ５００４以外の処理は、前述した第一の実施例と同じである。
On the other hand, if there is no problem in the created work estimation probability model, the work estimation probability model generation process is terminated, and the process proceeds to step 5005 in FIG. Processing other than
以上に説明したように、本発明の第四の実施例では、実績未管理時間において欠落している作業実績を推定できる。特に、特定のパターン（時系列や作業者人数などの特徴）で作業が発生する作業を的確に推定できる。 As described above, in the fourth embodiment of the present invention, it is possible to estimate the work results that are missing in the result unmanaged time. In particular, it is possible to accurately estimate the work that occurs in a specific pattern (characteristics such as time series and the number of workers).
＜第五の実施例＞
本発明の第五の実施例では、各拠点において行われた作業の実績が作業実績データベース１１０１に格納されると、各実施例の推定処理を逐次実行し、推定された実績未管理時間の作業を作業実績データベース１１０１に格納する。これにより実績未管理時間が発生した際にアラームを報知し、その場で現場管理者や作業者の記憶が薄れないうちに実績を入力させ、実績未管理時間を減少できる。<Fifth embodiment>
In the fifth embodiment of the present invention, when the results of the work performed at each base are stored in the
なお、第四の実施例では、第一の実施例と同じ構成及び機能には同じ符号を付し、それらの説明は省略する。例えば、第五の実施例のシステムは、図１Ａに示す第一の実施例のシステムと同じでよい。 Note that in the fourth embodiment, the same reference numerals are given to the same configurations and functions as those in the first embodiment, and description thereof will be omitted. For example, the system of the fifth embodiment may be the same as the system of the first embodiment shown in FIG. 1A.
図２３は、第五の実施例の処理手順のフローチャートである。図２３に示す処理は、計算サーバ１２００のプロセッサ１が実行する。
FIG. 23 is a flowchart of the processing procedure of the fifth embodiment. The processing illustrated in FIG. 23 is executed by the
まず、実績情報取得部１２０１は、分析リクエストと分析の条件（対象拠点・期間等）を受信する（２３００１）。第五の実施例では、分析リクエストは、作業実績データが生成されたタイミングで生成される。作業実績データの生成タイミングごとに分析をすると、実績未管理時間の発生をリアルタイムで分析できる。また、分析リクエストは、予め定められたタイミング（例えば、所定の時間間隔）で繰り返し生成されてもよい。所定のタイミングで分析をすると、例えば、前１時間における実績未管理時間の発生を遅滞なく分析できる。また、分析リクエストに含まれる分析の条件は、分析対象の拠点、期間（例えば、前回分析した後の期間）、作業者などである。
First, the record
ステップ２３００２〜２３００３の処理は、ステップ５００２〜５００３と同じなので、説明を省略する。
Since the processing in
その後、実績未管理時間算出部１２０２は、ステップ２３００３において実績未管理時間が算出されたかを判定する。実績未管理時間が算出されていない場合、実績未管理時間発生のアラームを報知する必要がないので、処理を終了する。一方、実績未管理時間が算出された場合、作業推定確率モデル生成部１２０４は、実績未管理時間分類属性を設定し、実績未管理時間分類属性と一致する属性を有する作業実績データから作業推定確率モデルを生成する（２３００５）。
Thereafter, the actual unmanaged
ステップ２３００５〜２３００９の処理は、ステップ５００４〜５００８と同じなので、説明を省略する。また、作業推定確率モデル生成処理（２３００５）は、前述したいずれの実施例の処理でもよい。
Since the processing in
以上に説明したように、本発明の第五の実施例では、実績未管理時間の作業を遅滞なく作業実績データベース１１０１に格納でき、実績未管理時間を減少できる。
As described above, in the fifth embodiment of the present invention, the work of the actual unmanaged time can be stored in the work
なお、以上に説明した各実施例において、実績未管理時間に複数の作業を推定してもよい。例えば、前作業と後作業との間の中間作業として、複数の作業の組を推定作業として含む作業推定確率モデルを作成するとよい。また、実績未管理時間に一つの作業を推定して、推定された作業の標準的な作業時間を当該実績未管理時間に当てはめても実績未管理時間がある場合、さらなる実績未管理時間に作業を推定してもよい。 In each of the embodiments described above, a plurality of operations may be estimated during the actual unmanaged time. For example, a work estimation probability model including a plurality of work sets as estimation work may be created as an intermediate work between the previous work and the back work. In addition, if one work is estimated at the actual unmanaged time and the standard work time of the estimated work is applied to the actual unmanaged time, but there is an actual unmanaged time, the work is performed at the further actual unmanaged time. May be estimated.
なお、本発明は前述した実施例に限定されるものではなく、添付した特許請求の範囲の趣旨内における様々な変形例及び同等の構成が含まれる。例えば、前述した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに本発明は限定されない。また、ある実施例の構成の一部を他の実施例の構成に置き換えてもよい。また、ある実施例の構成に他の実施例の構成を加えてもよい。また、各実施例の構成の一部について、他の構成の追加・削除・置換をしてもよい。 The present invention is not limited to the above-described embodiments, and includes various modifications and equivalent configurations within the scope of the appended claims. For example, the above-described embodiments have been described in detail for easy understanding of the present invention, and the present invention is not necessarily limited to those having all the configurations described. A part of the configuration of one embodiment may be replaced with the configuration of another embodiment. Moreover, you may add the structure of another Example to the structure of a certain Example. In addition, for a part of the configuration of each embodiment, another configuration may be added, deleted, or replaced.
また、前述した各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等により、ハードウェアで実現してもよく、プロセッサがそれぞれの機能を実現するプログラムを解釈し実行することにより、ソフトウェアで実現してもよい。 In addition, each of the above-described configurations, functions, processing units, processing means, etc. may be realized in hardware by designing a part or all of them, for example, with an integrated circuit, and the processor realizes each function. It may be realized by software by interpreting and executing the program to be executed.
各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に格納することができる。 Information such as programs, tables, and files that realize each function can be stored in a storage device such as a memory, a hard disk, and an SSD (Solid State Drive), or a recording medium such as an IC card, an SD card, and a DVD.
また、制御線や情報線は説明上必要と考えられるものを示しており、実装上必要な全ての制御線や情報線を示しているとは限らない。実際には、ほとんど全ての構成が相互に接続されていると考えてよい。 In addition, the control lines and the information lines indicate what is considered necessary for the explanation, and do not necessarily indicate all the control lines and information lines necessary for the mounting. In practice, it can be considered that almost all the components are connected to each other.
Claims (14)
プログラムを実行するプロセッサと、前記プロセッサがアクセスする記憶装置とを備え、
分析対象の作業実績を含む第一の作業実績データを取得する取得部と、
作業実績が記録されていない実績未管理時間を、前記第一の作業実績データから抽出し、前記抽出された実績未管理時間の属性情報を取得する算出部と、
前記取得した属性情報を用いて、前記実績未管理時間を分類するための実績未管理時間分類属性を生成する分類部と、
分析対象でない作業実績を含む第二の作業実績データを取得し、前記生成された実績未管理時間分類属性に従って前記第二の作業実績データを分類し、実績未管理時間分類属性ごとに作業を推定するための確率モデルを生成するモデル生成部と、を有し、
前記分類部は、前記生成された確率モデルを用いて前記第一の作業実績データを分析し、前記第一の作業実績データに含まれる実績未管理時間における作業を推定することを特徴とする分析システム。An analysis system,
A processor that executes a program; and a storage device that is accessed by the processor;
An acquisition unit for acquiring first work result data including work results to be analyzed;
A calculation unit that extracts the result unmanaged time in which the work result is not recorded from the first work result data, and acquires attribute information of the extracted result unmanaged time;
Using the acquired attribute information, a classification unit that generates an actual unmanaged time classification attribute for classifying the actual unmanaged time;
Acquire second work result data including work results that are not the subject of analysis, classify the second work result data according to the generated result unmanaged time classification attribute, and estimate work for each result unmanaged time classification attribute A model generation unit for generating a probability model for
The classification unit analyzes the first work performance data using the generated probability model, and estimates work in the actual unmanaged time included in the first work performance data system.
前記分類部は、作業実績が記録されていない時間の前後で作業者が行っていた作業に基づいて生成された確率モデルを用いて、実績未管理時間の作業を推定することを特徴とする分析システム。The analysis system according to claim 1,
The classification unit estimates work in actual unmanaged time using a probabilistic model generated based on work performed by an operator before and after the time when no actual work is recorded. system.
前記分類部は、実績未管理時間を含む時間帯における他の作業実績データに基づいて生成された確率モデルを用いて、実績未管理時間の作業を推定することを特徴とする分析システム。The analysis system according to claim 1,
The said classification | category part estimates the operation | work of performance unmanaged time using the probability model produced | generated based on the other work performance data in the time slot | zone including performance unmanaged time.
前記分類部は、実績未管理時間の出現パターンに基づいて生成された確率モデルを用いて、実績未管理時間の作業を推定することを特徴とする分析システム。The analysis system according to claim 1,
The classification system estimates an operation of actual unmanaged time using a probability model generated based on an appearance pattern of actual unmanaged time.
作業実績データと実績未管理時間における推定された作業の情報とを用いて、作業者の作業内容を、作業実績データであるか推定された作業の情報であるかを区別可能に表示するためのデータを出力する可視化部を有することを特徴とする分析システム。The analysis system according to claim 1,
Using the work performance data and information on the estimated work in the actual unmanaged time, the work content of the worker is displayed so that it can be distinguished whether it is work performance data or estimated work information. An analysis system comprising a visualization unit for outputting data.
前記可視化部は、前記推定された作業の情報を修正する入力欄を有する表示データを出力し、利用者が入力したデータを受け、
前記分類部は、前記利用者が入力したデータを用いて前記推定された作業の情報を修正することを特徴とする分析システム。The analysis system according to claim 5,
The visualization unit outputs display data having an input field for correcting the estimated work information, receives data input by a user,
The classification system corrects information of the estimated work using data inputted by the user.
前記モデル生成部は、生成した確率モデルに問題がある場合、実績未管理時間分類属性を再設定して確率モデルを生成することを特徴とする分析システム。The analysis system according to claim 1,
The model generation unit generates a probability model by resetting an actual unmanaged time classification attribute when there is a problem with the generated probability model.
前記計算機は、プログラムを実行するプロセッサと、前記プロセッサがアクセスする記憶装置とを有し、
前記分析方法は、
前記プロセッサが、分析対象の作業実績を含む第一の作業実績データを取得する取得手順と、
前記プロセッサが、作業実績が記録されていない実績未管理時間を、前記第一の作業実績データから抽出し、前記抽出された実績未管理時間の属性情報を取得する算出手順と、
前記プロセッサが、前記取得した属性情報を用いて、前記実績未管理時間を分類するための実績未管理時間分類属性を生成する分類手順と、
前記プロセッサが、分析対象でない作業実績を含む第二の作業実績データを取得し、前記生成された実績未管理時間分類属性に従って前記第二の作業実績データを分類し、実績未管理時間分類属性ごとに作業を推定するための確率モデルを生成するモデル生成手順と、を含み、
前記分類手順では、前記プロセッサは、前記生成された確率モデルを用いて前記第一の作業実績データを分析し、前記第一の作業実績データに含まれる実績未管理時間における作業を推定することを特徴とする分析方法。An analysis method executed by a computer,
The computer includes a processor that executes a program, and a storage device that is accessed by the processor.
The analysis method is:
An acquisition procedure in which the processor acquires first work result data including a work result to be analyzed;
The processor extracts a result unmanaged time in which no work record is recorded from the first work record data, and obtains attribute information of the extracted record unmanaged time,
A classification procedure in which the processor generates an actual unmanaged time classification attribute for classifying the actual unmanaged time using the acquired attribute information;
The processor acquires second work result data including work results that are not analyzed, classifies the second work result data according to the generated result unmanaged time classification attribute, and records each result unmanaged time classification attribute. A model generation procedure for generating a probabilistic model for estimating work,
In the classification procedure, the processor analyzes the first work performance data using the generated probability model, and estimates the work in the actual unmanaged time included in the first work performance data. Characteristic analysis method.
前記分類手順では、前記プロセッサは、作業実績が記録されていない時間の前後で作業者が行っていた作業に基づいて生成された確率モデルを用いて、実績未管理時間における作業を推定することを特徴とする分析方法。The analysis method according to claim 8, comprising:
In the classification procedure, the processor estimates the work in the actual unmanaged time using a probability model generated based on the work performed by the worker before and after the time when the work performance is not recorded. Characteristic analysis method.
前記分類手順では、前記プロセッサは、実績未管理時間を含む時間帯における他の作業実績データに基づいて生成された確率モデルを用いて、実績未管理時間の作業を推定することを特徴とする分析方法。The analysis method according to claim 8, comprising:
In the classification procedure, the processor estimates work in actual unmanaged time using a probability model generated based on other actual work data in a time zone including actual unmanaged time. Method.
前記分類手順では、前記プロセッサは、実績未管理時間の出現パターンに基づいて生成された確率モデルを用いて、実績未管理時間の作業を推定することを特徴とする分析方法。The analysis method according to claim 8, comprising:
In the classification procedure, the processor estimates a work in actual unmanaged time using a probability model generated based on an appearance pattern of actual unmanaged time.
前記プロセッサが、作業実績データと実績未管理時間における推定された作業の情報とを用いて、作業者の作業内容を、作業実績データであるか推定された作業の情報であるかを区別可能に表示するためのデータを出力する可視化手順を含むことを特徴とする分析方法。The analysis method according to claim 8, comprising:
The processor can distinguish whether the worker's work content is work result data or estimated work information by using work result data and information of the estimated work in the result unmanaged time. An analysis method comprising a visualization procedure for outputting data for display.
前記可視化手順では、前記プロセッサは、前記推定された作業の情報を修正する入力欄を有する表示データを出力し、利用者が入力したデータを受け、
前記分類手順では、前記プロセッサは、前記利用者が入力したデータを用いて前記推定された作業の情報を修正することを特徴とする分析方法。The analysis method according to claim 12, comprising:
In the visualization procedure, the processor outputs display data having an input field for correcting the information of the estimated work, receives data input by a user,
In the classification procedure, the processor modifies the estimated work information using data input by the user.
前記モデル生成手順では、前記プロセッサは、生成した確率モデルに問題がある場合、実績未管理時間分類属性を再設定して確率モデルを生成することを特徴とする分析方法。The analysis method according to claim 8, comprising:
In the model generation procedure, when there is a problem in the generated probability model, the processor generates a probability model by resetting an actual unmanaged time classification attribute.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2016/075951 WO2018042646A1 (en) | 2016-09-05 | 2016-09-05 | Analysis system and analysis method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2018042646A1 JPWO2018042646A1 (en) | 2018-11-15 |
| JP6594555B2 true JP6594555B2 (en) | 2019-10-23 |
Family
ID=61300428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018536658A Active JP6594555B2 (en) | 2016-09-05 | 2016-09-05 | Analysis system and analysis method |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP6594555B2 (en) |
| WO (1) | WO2018042646A1 (en) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7458300B2 (en) | 2020-11-09 | 2024-03-29 | ヤンマーホールディングス株式会社 | Work information management system, work information management program, and work information management method |
| JP2022135135A (en) * | 2021-03-04 | 2022-09-15 | 株式会社モノフル | Method, program, device, and system |
| JPWO2022209082A1 (en) * | 2021-04-02 | 2022-10-06 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5830780B2 (en) * | 2011-12-02 | 2015-12-09 | 株式会社日立製作所 | Business analysis apparatus, business analysis system, and business analysis method |
-
2016
- 2016-09-05 WO PCT/JP2016/075951 patent/WO2018042646A1/en active Application Filing
- 2016-09-05 JP JP2018536658A patent/JP6594555B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| WO2018042646A1 (en) | 2018-03-08 |
| JPWO2018042646A1 (en) | 2018-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10439922B2 (en) | Service analyzer interface | |
| US20190391863A1 (en) | Artificial Creation Of Dominant Sequences That Are Representative Of Logged Events | |
| US9448908B2 (en) | System and method for model based session management | |
| US20200233736A1 (en) | Enabling symptom verification | |
| US9424157B2 (en) | Early detection of failing computers | |
| US9904517B2 (en) | System and method for automatic modeling of an application | |
| WO2014143279A1 (en) | Bottleneck detector for executing applications | |
| US9870279B2 (en) | Analysis apparatus and analysis method | |
| JP6216873B2 (en) | Search method and apparatus, and storage medium | |
| EP2686771B1 (en) | Usability testing | |
| JP6594555B2 (en) | Analysis system and analysis method | |
| JP6995843B2 (en) | Work management system and work management method | |
| CN103069749A (en) | Isolation of problems in a virtual environment | |
| US11113137B2 (en) | Error incident fingerprinting with unique static identifiers | |
| US20080126283A1 (en) | Method of capturing Problem Resolution for Subsequent Use in Managed Distributed Computer Systems | |
| JP5312742B2 (en) | Audit and track data and code changes in spreadsheets and other documents | |
| JP7235110B2 (en) | Operation log acquisition device, operation log acquisition method, and operation log acquisition program | |
| WO2009136529A1 (en) | Work process management device, work process management method, and work process management program | |
| KR20210069215A (en) | The user interface method for optimalizing bigdata analysis | |
| JP5825915B2 (en) | Work man-hour calculating device, work man-hour calculating method, and program | |
| JP6845657B2 (en) | Management server, management method and its program | |
| JP2012108708A (en) | Failure detection device, information processing method, and program | |
| US9928152B2 (en) | Computer implemented system and method to non-intrusive sensing and instrumentation of work process | |
| JP2008191849A (en) | Operation management device, information processor, control method for operation management device, control method for information processor and program | |
| US20160378285A1 (en) | Automatic Detection of Semantics |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180727 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190903 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190924 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6594555 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |