JP7237867B2 - SOLUTION SELECTION SUPPORT DEVICE, METHOD AND PROGRAM - Google Patents
SOLUTION SELECTION SUPPORT DEVICE, METHOD AND PROGRAM Download PDFInfo
- Publication number
- JP7237867B2 JP7237867B2 JP2020011987A JP2020011987A JP7237867B2 JP 7237867 B2 JP7237867 B2 JP 7237867B2 JP 2020011987 A JP2020011987 A JP 2020011987A JP 2020011987 A JP2020011987 A JP 2020011987A JP 7237867 B2 JP7237867 B2 JP 7237867B2
- Authority
- JP
- Japan
- Prior art keywords
- kpi
- value
- factor
- range
- kgi
- 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
- 238000000034 method Methods 0.000 title claims description 47
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 title 1
- 208000018910 keratinopathic ichthyosis Diseases 0.000 claims description 539
- 238000004364 calculation method Methods 0.000 claims description 39
- 238000013179 statistical model Methods 0.000 claims description 11
- 230000006872 improvement Effects 0.000 description 167
- 238000000605 extraction Methods 0.000 description 100
- 101001038335 Homo sapiens Serine/threonine-protein kinase LMTK2 Proteins 0.000 description 41
- 102100040292 Serine/threonine-protein kinase LMTK2 Human genes 0.000 description 41
- 230000008569 process Effects 0.000 description 37
- 239000000284 extract Substances 0.000 description 23
- 238000012545 processing Methods 0.000 description 19
- 230000008520 organization Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000002360 preparation method Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009291 secondary effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明の実施形態は、ソリューション選定支援装置、方法及びプログラムに関する。 TECHNICAL FIELD Embodiments of the present invention relate to a solution selection support device, method, and program.
一般に、ビジネスの現場においては、組織やプロジェクトが達成すべき目標を指し示す定量的な指標（以下、ＫＧＩと表記）及び当該目標を達成するための施策が適切に実施されているかを指し示す定量的な指標（以下、ＫＰＩと表記）を参照して、当該ビジネスにおける課題を解決するためのソリューションを選定することが行われている。 In general, in the field of business, there are quantitative indicators (hereinafter referred to as KGI) that indicate the goals that organizations and projects should achieve, and quantitative indicators that indicate whether measures to achieve those goals are being implemented appropriately. A solution for solving a problem in the business is selected by referring to an index (hereinafter referred to as KPI).
しかしながら、ビジネス（対象ドメイン）に対する専門的な知識と経験がなければ、上記したＫＧＩ及びＫＰＩを参照したとしても適切なソリューションを選定することは困難である。 However, without specialized knowledge and experience in the business (target domain), it is difficult to select an appropriate solution even with reference to the KGI and KPI described above.
そこで、本発明が解決しようとする課題は、ビジネスにおける適切なソリューションの選定を支援することが可能なソリューション選定支援装置、方法及びプログラムを提供することにある。 Therefore, the problem to be solved by the present invention is to provide a solution selection support device, method, and program capable of supporting the selection of an appropriate solution in business.
実施形態によれば、ビジネスにおいて達成すべき目標を指し示す指標であるＫＧＩを改善するためのソリューションの選定を支援するソリューション選定支援装置のコンピュータによって実行されるプログラムが提供される。前記プログラムは、前記コンピュータに、前記ＫＧＩを算出するための指標であるＫＰＩの現状値を取得するステップと、前記ＫＰＩの過去の実績値を示す第１実績データに基づいて、当該ＫＰＩが取り得る値の範囲を含む当該ＫＰＩの値域を抽出するステップと、前記ソリューションを変更することによって過去に前記ＫＰＩの値が改善した実績を示す第２実績データに基づいて生成された第１統計モデルに前記ＫＰＩの現状値及び前記ＫＰＩの値域を入力することによって、前記ＫＰＩの値域に基づく目標値に対して当該ＫＰＩの現状値が達することができる第１割合を算出するステップと、前記ＫＰＩの現状値、前記ＫＰＩの値域に基づく目標値及び前記第１割合に基づいて前記ＫＰＩの期待値を算出するステップと、前記ＫＰＩの期待値に基づいて前記ＫＧＩの予測値を算出するステップと、前記ＫＧＩの予測値に基づいて前記ＫＰＩを重要ＫＰＩ候補としてユーザに提示するステップとを実行させる。 According to the embodiment, there is provided a program executed by a computer of a solution selection support device for supporting selection of a solution for improving KGI, which is an index indicating goals to be achieved in business. The program causes the computer to obtain a current value of a KPI, which is an index for calculating the KGI; extracting a range of values for the KPI, including a range of values; inputting the current value of the KPI and the range of the KPI, calculating a first ratio of the current value of the KPI to a target value based on the range of the KPI; and the current value of the KPI. , calculating the expected value of the KPI based on the target value and the first ratio based on the range of the KPI; calculating the predicted value of the KGI based on the expected value of the KPI; and presenting the KPI to the user as an important KPI candidate based on the predicted value.
以下、図面を参照して、実施形態について説明する。
図１は、本実施形態に係るソリューション選定支援装置の機能構成の一例を示すブロック図である。
Embodiments will be described below with reference to the drawings.
FIG. 1 is a block diagram showing an example of the functional configuration of the solution selection support device according to this embodiment.
本実施形態に係るソリューション選定支援装置は、重要目標達成指標（ＫＧＩ：Key Goal Indicator）及び重要業績評価指標（ＫＰＩ：Key Performance Indicator）に基づいて各種ビジネスに関する経営方針等を判断するユーザ（例えば、経営者または経営コンサルタント等）によって用いられる。 The solution selection support device according to the present embodiment is a user (for example, used by managers or management consultants, etc.).
なお、重要目標達成指標（以下、ＫＧＩと表記）は、ビジネスにおいて組織やプロジェクトが達成すべき目標を指し示す定量的な指標である。また、重要業績評価指標（以下、ＫＰＩと表記）は、ＫＧＩが指し示す目標を達成するための施策が適切に実施されているか（当該施策がどの程度達成されているか）を指し示す定量的な指標である。 A key goal achievement index (hereinafter referred to as KGI) is a quantitative index that indicates a goal that an organization or project should achieve in business. In addition, key performance indicators (hereinafter referred to as KPIs) are quantitative indicators that indicate whether measures to achieve the goals indicated by KGI are being implemented appropriately (to what extent the measures have been achieved). be.
具体的には、例えば小売店（量販店等）を経営するビジネスを想定した場合、ＫＧＩとしては人時売上高（従業員１人の１時間当たりの売上高）を設定することができる。このようなＫＧＩは、小売店の経営（営業）において人時売上高を向上させることを目標としていることを意味している。なお、ＫＧＩとしては利益率等の他の指標が設定されてもよい。一方、上記したようにＫＧＩとして人事売上高を設定した場合、ＫＰＩとしては例えば小売店の総売上高や従業員の総労働時間等を設定することができる。 Specifically, for example, assuming a business of running a retail store (mass retailer, etc.), the KGI can be set as sales per hour (sales per employee per hour). Such a KGI means that the goal is to improve the man-hour sales in the management (sales) of a retail store. It should be noted that other indices such as profit rate may be set as KGI. On the other hand, when personnel sales are set as KGI as described above, for example, total sales of retail stores, total working hours of employees, etc. can be set as KPIs.
なお、上記したＫＧＩに対しては複数のＫＰＩが設定され、当該ＫＧＩは当該複数のＫＰＩの値に基づいて算出することができるという関係性を有する。具体的には、ＫＧＩが人時売上高であり、複数のＫＰＩが総売上高（以下、ＫＰＩ１と表記）及び総労働時間（以下、ＫＰＩ２と表記）である場合、ＫＧＩは、「ＫＰＩ１／ＫＰＩ２」という定義式（算出式）に従って算出することができる。 A plurality of KPIs are set for the KGI described above, and the KGI has a relationship that can be calculated based on the values of the plurality of KPIs. Specifically, when KGI is sales per man-hour, and multiple KPIs are total sales (hereinafter referred to as KPI1) and total working hours (hereinafter referred to as KPI2), KGI is "KPI1/KPI2 ” can be calculated according to the definition formula (calculation formula).
また、上記したＫＰＩの下位に更にＫＰＩを設定することも可能である。具体的には、上記したＫＰＩ１（総売上高）の下位には、例えば客単価（以下、ＫＰＩ１－１と表記）及び来客数（以下、ＫＰＩ１－２と表記）を設定することができる。このＫＰＩ１とＫＰＩ１－１及びＫＰＩ１－２とは、上記したＫＧＩとＫＰＩ１及びＫＰＩ２と同様の関係性を有する。具体的には、ＫＰＩ１（総売上高）は、「ＫＰＩ１－１（客単価）＊ＫＰＩ１－２（来客数）」という定義式に従って算出することができる。 It is also possible to set further KPIs below the above KPIs. Specifically, below the above KPI1 (total sales), for example, the unit price per customer (hereinafter referred to as KPI1-1) and the number of visitors (hereinafter referred to as KPI1-2) can be set. KPI1, KPI1-1, and KPI1-2 have the same relationship as KGI, KPI1, and KPI2 described above. Specifically, KPI1 (total sales) can be calculated according to the definition formula of "KPI1-1 (customer unit price)*KPI1-2 (number of visitors)".
更に、上記したＫＰＩ（例えば、ＫＰＩ１－１及びＫＰＩ１－２等）の下位には当該ＫＰＩに影響を与える要因が設定される。上記したようにＫＰＩ１－１が客単価である場合、当該ＫＰＩ１－１に影響を与える要因としては、例えば品切件数、商品種類及び商品価格等が設定される。なお、要因は定量的な数値によって表されるが、当該要因の上位に位置するＫＰＩを当該要因の値から算出することはできない。 Furthermore, below the above KPIs (eg, KPI1-1 and KPI1-2), factors affecting the KPIs are set. As described above, when KPI1-1 is the unit price per customer, factors that affect KPI1-1 are the number of sold-out items, product types, product prices, and the like. Although the factor is represented by a quantitative numerical value, it is not possible to calculate the KPI positioned above the factor from the value of the factor.
要因の下位には当該要因を改善するためのソリューションが設定される。例えば要因が品切件数である場合、ソリューションとしては、品出人員増員及び欠品監視システムの導入等が設定される。また、例えば要因が商品種類である場合、ソリューションとしては増加及び減少等が設定される。また、例えば要因が商品価格である場合、ソリューションとしては値下げ及び値上げ等が設定される。 A solution for improving the factor is set below the factor. For example, if the factor is the number of out-of-stock items, the solution may be to increase the number of people selling the items and to introduce a stock-out monitoring system. Also, for example, if the factor is the product type, an increase or decrease is set as the solution. Also, for example, if the factor is the product price, price reduction and price increase are set as solutions.
ここで、一般的に、経営者等は、上記したように設定されたＫＧＩ、ＫＰＩ及び要因に基づいてビジネスの現状を把握（認識）することによって、ＫＧＩ（例えば、人時売上高）を改善するための当該ビジネスにおける課題を分析し、当該課題を解決するためのソリューションを選定する（または当該ソリューションによる効果を予測する）必要がある。 Here, in general, managers improve KGI (e.g., man-hour sales) by grasping (recognizing) the current state of the business based on the KGI, KPI, and factors set as described above. It is necessary to analyze the issues in the business in order to do so, and select solutions to solve the issues (or predict the effects of the solutions).
しかしながら、例えばＫＧＩが人時売上高である場合、当該ＫＧＩの下位に位置するＫＰＩ１及びＫＰＩ２として総売上高及び総労働時間が設定されているが、ＫＰＩ１及びＫＰＩ２のいずれを改善すればより効果的にＫＧＩを改善することができるかを即座に判断することは困難である。ＫＰＩ１及びＫＰＩ２の下位に位置するＫＰＩや要因についても同様である。 However, for example, if KGI is sales per man-hour, total sales and total working hours are set as KPI1 and KPI2 located below the KGI. It is difficult to immediately judge whether the KGI can be improved in the future. The same applies to KPIs and factors positioned below KPI1 and KPI2.
すなわち、ビジネスにおける課題を解決するためのソリューションを選定するためには当該ビジネス分野（対象ドメイン）における専門的な知識と経験が必要であり、当該知識及び経験が乏しい経営者等は迅速に適切なソリューションを選定することができない。 In other words, in order to select a solution to solve a business problem, specialized knowledge and experience in the relevant business field (target domain) is necessary, and managers, etc. who lack such knowledge and experience Unable to pick a solution.
そこで、本実施形態に係るソリューション選定支援装置においては、上記したように知識及び経験が乏しいユーザ（経営者等）であっても適切なソリューションを選定することができるように支援する機能（以下、ソリューション選定支援機能と表記）を有する。 Therefore, in the solution selection support device according to the present embodiment, as described above, a function (hereinafter referred to as solution selection support function).
なお、ここではビジネスとして小売店を経営する場合を一例として説明したが、当該小売店は例えば飲食店または服飾店等であってもよいし、本実施形態は、物流業や卸売業に適用されても構わない。 Here, the case of running a retail store as a business has been described as an example, but the retail store may be, for example, a restaurant or a clothing store, and the present embodiment may be applied to a distribution business or a wholesale business. I don't mind.
図１に示すように、本実施形態に係るソリューション選定支援装置１０は、上記したソリューション選定支援機能を実現するための機能部として、ツリー構造情報格納部１１、ＫＰＩ実績格納部１２、ＫＰＩ改善実績格納部１３、要因実績格納部１４、要因改善実績格納部１５、取得部１６、ＵＩ（ユーザインタフェース）部１７、ＫＰＩ抽出部１８及び要因抽出部１９を含む。
As shown in FIG. 1, the solution
ツリー構造情報格納部１１は、上記したＫＧＩ、ＫＰＩ、要因及びソリューションの関係性をツリー形式でユーザに提示（表示）するための情報（以下、ツリー構造情報と表記）が予め格納されている。このツリー構造情報においては、ＫＧＩ（ノード）を最上位として、ＫＧＩ（ノード）、ＫＰＩ（ノード）、要因（ノード）及びソリューション（ノード）の順で上位から下位となるようなツリー構造（階層構造）が定義されている。
The tree structure
なお、ツリー構造情報において定義されているＫＧＩ、ＫＰＩ及び要因ノードは当該ノードを定量的に数値で表現できる概念を保持しており、ツリー構造情報には、上記したようにＫＰＩ（の値）からＫＧＩ（の値）を算出するための定義式及び下位に位置するＫＰＩ（の値）から上位に位置するＫＰＩ（の値）を算出するための定義式等が含まれている。 The KGI, KPI, and factor nodes defined in the tree structure information hold a concept that can quantitatively express the nodes with numerical values, and the tree structure information includes, as described above, from the KPI (value) to It includes a definition formula for calculating (value of) KGI and a definition formula for calculating (value of) higher KPI from (value of) lower KPI.
更に、ソリューションノードは、ソリューション（サービス）の詳細を表す情報としてＢＰＭＮ（Business Process Model Notation）記述や当該ソリューションを実現するための人員または機材等の情報を保持していてもよい。 Further, the solution node may hold BPMN (Business Process Model Notation) description as information representing the details of the solution (service) and information such as personnel or equipment for realizing the solution.
また、ツリー構造情報においては、上下関係（親子関係）を有する２つのノードが直接的に作用すること（主作用）がツリー構造として定義されるが、例えば並列関係を有する少なくとも２つのノードが間接的に作用する（副次的に影響を受ける）こと（副作用）が更に定義されていてもよい。具体的には、上記したＫＰＩ１－１（客単価）の下位に位置する要因としては例えば品切件数、商品種類及び商品価格等が設定されるが、商品種類が増加すると１つの商品当たりの仕入れ数が減少し、当該仕入れ数に応じて商品価格が変動する可能性がある。このような場合には、並列関係にある２つの要因（商品種類及び商品価格）が互いに副次的に影響を受けることを、ツリー構造情報において定義しておいてもよい。 In the tree structure information, a direct action (primary action) of two nodes having a hierarchical relationship (parent-child relationship) is defined as a tree structure. Acting (secondarily affected) (side effects) may be further defined. Specifically, the number of sold-out items, product type, product price, etc. are set as factors positioned below the above KPI 1-1 (customer unit price). The number may decrease and the product price may fluctuate depending on the number of purchases. In such a case, it may be defined in the tree structure information that two factors (product type and product price) in a parallel relationship are subordinately influenced by each other.
ＫＰＩ実績格納部１２には、ＫＰＩの過去の実績値を示すＫＰＩ実績データ（第１実績データ）が予め格納されている。このＫＰＩ実績データには、例えば日付に対応づけて、当該日付におけるＫＰＩの実績値等が含まれる。ＫＰＩ実績格納部１２には、このようなＫＰＩ実績データがツリー構造情報において定義されているＫＰＩ毎に多数蓄積されているものとする。
KPI performance data (first performance data) indicating past performance values of KPIs is stored in advance in the KPI
ＫＰＩ改善実績格納部１３には、例えばソリューションを変更すること等によって過去にＫＰＩの値が改善した実績（ＫＰＩの過去の改善実績）を示すＫＰＩ改善実績データ（第２実績データ）が予め格納されている。このＫＰＩ改善実績データには、例えばソリューションの変更に応じた改善前後のＫＰＩの実績値等が含まれていればよい。ＫＰＩ改善実績格納部１３には、このようなＫＰＩ改善実績データがツリー構造情報において定義されているＫＰＩ毎に多数蓄積されているものとする。
The KPI improvement
要因実績格納部１４には、要因の過去の実績値を示す要因実績データ（第３実績データ）が予め格納されている。この要因実績データには、例えば日付に対応づけて、当該日付における要因の実績値等が含まれる。要因実績格納部１４には、このような要因実績データがツリー構造情報において定義されている要因毎に多数蓄積されているものとする。
Factor performance data (third performance data) indicating past performance values of factors is stored in advance in the factor
要因改善実績格納部１５には、例えばソリューションを変更すること等によって過去に要因の値が改善した実績（要因の過去の改善実績）を示す要因改善実績データ（第４実績データ）が予め格納されている。この要因改善実績データには、例えばソリューションの変更に応じた改善前後の要因の実績値等が含まれていればよい。要因改善実績格納部１５には、このような要因改善実績データがツリー構造情報において定義されている要因毎に多数蓄積されているものとする。
The factor improvement
なお、図１においてはソリューション選定支援装置１０がＫＰＩ実績格納部１２及びＫＰＩ改善実績格納部１３の各々を含むものとして説明したが、ソリューション選定支援装置１０はＫＰＩ実績データ及びＫＰＩ改善実績データを格納する１つの格納部を含むように構成されていてもよいし、例えばＫＰＩ改善実績データはＫＰＩ実績格納部１２に格納されているＫＰＩ実績データ等から生成されてもよい。ここではＫＰＩ実績格納部１２及びＫＰＩ改善実績格納部１３について説明したが、要因実績格納部１４及び要因改善実績格納部１５についても同様である。
In FIG. 1, the solution
また、本実施形態において、ＫＰＩ実績格納部１２、ＫＰＩ改善実績格納部１３、要因実績格納部１４及び要因改善実績格納部１５に格納されているデータは、例えば各種店舗等に設置されているＰＯＳ（Point Of Sale）レジから収集されることを想定しているが、他の管理システム等から収集されたデータであっても構わない。また、上記したＰＯＳレジ等から新たなデータが収集された場合、当該データは、ＫＰＩ実績格納部１２、ＫＰＩ改善実績格納部１３、要因実績格納部１４及び要因改善実績格納部１５に追加される。すなわち、ＫＰＩ実績格納部１２、ＫＰＩ改善実績格納部１３、要因実績格納部１４及び要因改善実績格納部１５は定期的に更新されるように構成されていてもよい。
Further, in this embodiment, the data stored in the KPI
取得部１６は、ユーザのビジネスにおけるＫＧＩ、ＫＰＩ及び要因の現状値（最新値）を取得する。なお、ＫＧＩ、ＫＰＩ及び要因の現状値は、例えば当該現状値を管理する外部システムから取得することが可能である。この外部システムには、例えばデータサーバ及びビジネスインテリジェンス（ＢＩ）ツール等が含まれる。なお、ＫＰＩ及び要因の現状値は、例えばＫＰＩ実績格納部１２に格納されている直近（最新）のＫＰＩ実績データ及び要因実績格納部１４に格納されている直近（最新）の要因実績データから取得されてもよい。
The
ＵＩ部１７は、ユーザによる適切なソリューションの選定を支援するためのユーザインタフェース（ＵＩ）を提供する。具体的には、ＵＩ部１７は、ツリー構造情報に格納されているツリー構造情報及び取得部１６によって取得されたＫＧＩ、ＫＰＩ及び要因の現状値を表示（提示）する表示部としての機能を有する。また、ＵＩ部１７は、ソリューション選定支援装置１０に対するユーザの操作を入力する（受け付ける）入力部としての機能を有する。
The
ＫＰＩ抽出部１８は、ＫＰＩ実績格納部１２に格納されているＫＰＩ実績データ、ＫＰＩ改善実績格納部１３に格納されているＫＰＩ改善実績データ及び取得部１６によって取得されたＫＰＩの現状値に基づいて、上記したツリー構造情報において定義されている複数のＫＰＩの中から、ＫＧＩを改善するために重要であると推定されるＫＰＩの候補（以下、重要ＫＰＩ候補と表記）を抽出する。
Based on the KPI performance data stored in the KPI
要因抽出部１９は、要因実績格納部１４に格納されている要因実績データ、要因改善実績格納部１５に格納されている要因改善実績データ及び取得部１６によって取得された要因の現状値に基づいて、上記したツリー構造情報において定義されている複数の要因の中から、例えば重要ＫＰＩ候補（及びＫＧＩ）を改善するために重要であると推定される要因の候補（以下、重要要因候補と表記）を抽出する。
The factor extraction unit 19 is based on the factor result data stored in the factor
なお、ＫＰＩ抽出部１８によって抽出された重要ＫＰＩ候補及び要因抽出部１９によって抽出された重要要因候補は、ＵＩ部１７によってユーザに提示（表示）される。
Important KPI candidates extracted by the
図２は、ソリューション選定支援装置１０のシステム構成（ハードウェア構成）の一例を示す。図２に示すように、ソリューション選定支援装置１０は、ＣＰＵ１０１、不揮発性メモリ１０２、主メモリ１０３、ＢＩＯＳ－ＲＯＭ１０４、システムコントローラ１０５、入力デバイス１０６、表示デバイス１０７、通信デバイス１０８及びＥＣ１０９等を備える。
FIG. 2 shows an example of the system configuration (hardware configuration) of the solution
ＣＰＵ１０１は、ソリューション選定支援装置１０内の各コンポーネントの動作を制御するプロセッサである。ＣＰＵ１０１は、ストレージデバイスである不揮発性メモリ１０２から主メモリ１０３にロードされる様々なプログラムを実行する。このプログラムには、オペレーティングシステム（ＯＳ）及び上記したソリューション選定支援機能を実現するためのアプリケーションプログラム（以下、ソリューション選定支援プログラムと表記）等が含まれる。
The
ＣＰＵ１０１は、ＢＩＯＳ－ＲＯＭ１０４に格納された基本入出力システム（ＢＩＯＳ）も実行する。ＢＩＯＳは、ハードウェア制御のためのプログラムである。
システムコントローラ１０５は、ＣＰＵ１０１のローカルバスと各種コンポーネントとの間を接続するデバイスである。
A
入力デバイス１０６は、例えばキーボード及びマウス等を含む。表示デバイス１０７は、例えば液晶表示装置のようなディスプレイ等を含む。なお、入力デバイス１０６及び表示デバイス１０７は、例えばタッチスクリーンディスプレイのように一体として構成されていてもよい。通信デバイス１０８は、外部装置等と有線または無線による通信を実行するように構成されたデバイスである。ＥＣ１０９は、電力管理のためのエンベデッドコントローラを含むワンチップマイクロコンピュータである。
なお、図２においては、ＣＰＵ１０１、不揮発性メモリ１０２、主メモリ１０３、ＢＩＯＳ－ＲＯＭ１０４、システムコントローラ１０５、入力デバイス１０６、表示デバイス１０７、通信デバイス１０８及びＥＣ１０９のみが示されているが、ソリューション選定支援装置１０は、これらのうちの一部が省略された構成であってもよいし、例えばＨＤＤ（Hard Disk Drive）及びＳＳＤ（Solid State Drive）のような他の記憶装置等を更に備えていてもよい。
In FIG. 2, only the
また、本実施形態において、上記した図１に示すツリー構造情報格納部１１、ＫＰＩ実績格納部１２、ＫＰＩ改善実績格納部１３、要因実績格納部１４及び要因改善実績格納部１５は、例えば図２に示す不揮発性メモリ１０２または他の記憶装置等によって実現される。
Further, in this embodiment, the tree structure
更に、本実施形態において、図１に示す取得部１６、ＵＩ部１７、ＫＰＩ抽出部１８及び要因抽出部１９の一部または全ては、図２に示すＣＰＵ１０１（つまり、ソリューション選定支援装置１０のコンピュータ）に上記したソリューション選定支援プログラムを実行させること、すなわち、ソフトウェアによって実現されるものとする。なお、ソリューション選定支援プログラムは、例えばコンピュータ読み取り可能な記憶媒体に予め格納して頒布されてもよいし、ネットワークを介してソリューション選定支援装置１０にダウンロードされてもよい。
Furthermore, in this embodiment, part or all of the
ここでは、各部１６～１９の一部または全てがソフトウェアによって実現されるものとして説明したが、当該各部１６～１９の一部または全ては、ＩＣ（Integrated Circuit）等のハードウェアによって実現されてもよいし、ソフトウェア及びハードウェアの組み合わせ構成として実現されてもよい。
Here, some or all of the
次に、図３のフローチャートを参照して、本実施形態に係るソリューション選定支援装置１０の処理手順の一例について説明する。なお、図３に示す処理は、例えばソリューション選定支援装置１０を使用するユーザからの指示等に応じて実行される。
Next, an example of the processing procedure of the solution
まず、ＵＩ部１７は、ツリー構造情報格納部１１に格納されているツリー構造情報を取得する（ステップＳ１）。
First, the
ここで、図４は、ツリー構造情報を概念的に説明するための図である。図４に示すように、ツリー構造情報においては、ＫＧＩ、ＫＰＩ、要因及びソリューションの各々を表すノードがツリー構造を形成するように定義（設定）されている。なお、図４は上記したようにユーザがビジネスとして小売店を経営する場合におけるツリー構造情報を示している。 Here, FIG. 4 is a diagram for conceptually explaining the tree structure information. As shown in FIG. 4, in the tree structure information, nodes representing KGIs, KPIs, factors, and solutions are defined (set) to form a tree structure. FIG. 4 shows tree structure information when the user manages a retail store as a business, as described above.
具体的には、図４に示すツリー構造情報においては、ＫＧＩを表すノードとしてＫＧＩ「人時売上高」が定義されている。また、図４に示すツリー構造情報においては、ＫＰＩを表すノードとしてＫＰＩ１「総売上高」、ＫＰＩ１－１「客単価」、ＫＰＩ１－２「来客数」及びＫＰＩ２「総労働時間」が定義されている。更に、図４に示すツリー構造情報においては、要因を表すノードとして要因１「品切件数」、要因２「商品種類」及び要因３「商品価格」が定義されている。
Specifically, in the tree structure information shown in FIG. 4, the KGI "man-hour sales" is defined as a node representing the KGI. In the tree structure information shown in FIG. 4, KPI1 “total sales”, KPI1-1 “customer unit price”, KPI1-2 “number of visitors”, and KPI2 “total working hours” are defined as nodes representing KPIs. there is Further, in the tree structure information shown in FIG. 4, factor 1 "number of items out of stock",
なお、ＫＰＩ１「総売上高」及びＫＰＩ２「総労働時間」は、ＫＧＩ「人時売上高」の下位に位置している。また、ＫＰＩ１－１「客単価」及びＫＰＩ１－２「来客数」は、ＫＰＩ１の下位に位置している。更に、要因１「品切件数」、要因２「商品種類」及び要因３「商品価格」は、ＫＰＩ１－１の下位に位置している。
KPI1 “total sales” and KPI2 “total working hours” are positioned below KGI “man-hour sales”. In addition, KPI1-1 “per customer unit price” and KPI1-2 “number of visitors” are positioned below KPI1. In addition, factor 1 "number of items out of stock",
また、要因１「品切件数」、要因２「商品種類」及び要因３「商品価格」の各々の下位には、当該要因を改善するためのソリューション１～６が位置している。なお、要因１「品切件数」の下位に位置しているソリューション１及び２は、例えば「品出人員増員」及び「欠品監視システムの導入」等である。また、要因２「商品種類」の下位に位置しているソリューション３及び４は、例えば商品種類の「増加」及び「減少」等である。また、要因３「商品価格」の下位に位置しているソリューション５及び６は、例えば商品価格の「値下げ」及び「値上げ」等である。
In addition, solutions 1 to 6 for improving the factor are positioned below factor 1 "number of items sold out",
本実施形態におけるツリー構造情報には、上記したＫＧＩ、ＫＰＩ、要因及びソリューション（ノード）によって形成されるツリー構造が定義されている。 The tree structure information in this embodiment defines a tree structure formed by the KGIs, KPIs, factors, and solutions (nodes) described above.
なお、図４においては省略されているが、ＫＰＩ１－２「来客数」の下位には更に要因及びソリューションがツリー構造を形成するように定義されている。同様に、ＫＰＩ２「総労働時間」の下位には、更にＫＰＩ、要因及びソリューションがツリー構造を形成するように定義されている。 Although omitted in FIG. 4, below KPI 1-2 “number of visitors”, factors and solutions are defined to form a tree structure. Similarly, under KPI2 "total working hours", KPIs, factors and solutions are further defined to form a tree structure.
また、図４に示すツリー構造情報は一例であり、当該ツリー構造情報において定義されているツリー構造（ＫＧＩ、ＫＰＩ、要因及びソリューションの数等）は図４において説明したものと異なっていてもよい。 Also, the tree structure information shown in FIG. 4 is an example, and the tree structure (KGI, KPI, number of factors, solutions, etc.) defined in the tree structure information may differ from that described in FIG. .
再び図３に戻ると、取得部１６は、ステップＳ１において取得されたツリー構造情報において定義されているＫＧＩ、ＫＰＩ及び要因の各々の現状値を取得する（ステップＳ２）。
Returning to FIG. 3 again, the
ステップＳ２の処理が実行されると、ＵＩ部１７は、ステップＳ１において取得されたツリー構造情報（において定義されているツリー構造）とステップＳ２において取得されたＫＧＩ、ＫＰＩ及び要因の各々の現状値とを含む表示画面（以下、ツリー構造表示画面）を表示デバイス１０７（ディスプレイ）に表示する（ステップＳ３）。
When the process of step S2 is executed, the
ここで、図５は、ステップＳ３において表示されたツリー構造表示画面の一例を示す。図５に示すツリー構造表示画面２００には、ツリー構造情報において定義されているＫＧＩ、ＫＰＩ、要因及びソリューション（ノード）がツリー形式で表示されるとともに、ＫＧＩ、ＫＰＩ及び要因の各々の現状値が当該ＫＧＩ、ＫＰＩ及び要因の各々（のノード）に対応づけて表示される。
Here, FIG. 5 shows an example of the tree structure display screen displayed in step S3. KGIs, KPIs, factors and solutions (nodes) defined in the tree structure information are displayed in a tree format on the tree
図５に示す例では、例えばＫＧＩ「人時売上高」の現状値が７２００円／時であり、ＫＰＩ１「総売上高」の現状値が７２００００円であり、ＫＰＩ２「総労働時間」が１００時間であることが示されている。 In the example shown in FIG. 5, for example, the current value of KGI "man-hour sales" is 7200 yen/hour, the current value of KPI1 "total sales" is 720000 yen, and KPI2 "total working hours" is 100 hours. It has been shown that
ここではＫＧＩ、ＫＰＩ１及びＫＰＩ２の現状値についてのみ説明したが、他のＫＰＩ（ＫＰＩ１－１及びＫＰＩ１－２等）及び要因（要因１～３）についても同様である。なお、図５に示すように要因２「商品種類」の現状値が８０種である場合、要因３「商品価格」の現状値は、例えば当該８０種の商品の各々の価格（つまり、商品価格）の平均値等である。
Although only the current values of KGI, KPI1 and KPI2 have been explained here, other KPIs (KPI1-1 and KPI1-2 etc.) and factors (factors 1 to 3) are the same. As shown in FIG. 5, when the current value of the
また、ＫＧＩ「人時売上高」の現状値（７２００円／時）は、ＫＰＩ１「総売上高」の現状値（７２００００円）／ＫＰＩ２「総労働時間」の現状値（１００時間）の定義式によって算出される。また、ＫＰＩ１「総売上高」の現状値（７２００００円）は、ＫＰＩ１－１「客単価」の現状値（９０００円）＊ＫＰＩ１－２「来客数」の現状値（８０人）の定義式によって算出される。これらの定義式は、上記したようにツリー構造情報に含まれていればよい。
In addition, the current value of KGI "man-hour sales" (7,200 yen/hour) is the definition formula of the current value of KPI 1 "total sales" (720,000 yen) / the current value of
ここで、本実施形態においては、上記したようにＫＧＩ、ＫＰＩ及び要因の現状値をツリー構造に対応づけて（つまり、ツリー形式で）表示することによって多くの専門的な知見をユーザに対して提供することができるが、当該知見に基づいて適切なソリューションを選定するためには、専門的な知識及び経験を要する。 Here, in this embodiment, as described above, KGI, KPI, and the current values of factors are displayed in association with a tree structure (that is, in a tree format), so that many specialized knowledge can be provided to the user. However, it requires specialized knowledge and experience to select the appropriate solution based on the knowledge.
そこで、本実施形態においては、ＫＧＩを改善するためのソリューションの選定を支援するために、ＫＧＩを改善することができる複数のＫＰＩの中から重要ＫＰＩ候補を抽出する処理（以下、重要ＫＰＩ候補抽出処理と表記）が実行される（ステップＳ４）。 Therefore, in this embodiment, in order to support the selection of a solution for improving the KGI, a process of extracting important KPI candidates from among a plurality of KPIs capable of improving the KGI (hereinafter referred to as extraction of important KPI candidates processing) is executed (step S4).
この重要ＫＰＩ候補抽出処理においては、ＫＧＩを効率的に改善することができる（つまり、ＫＧＩの改善効果が大きい）か否かという観点に基づいて重要ＫＰＩ候補が抽出される。すなわち、重要ＫＰＩ候補抽出処理においては、例えば既に現状値がよいＫＰＩ（つまり、改善の余地が少ないＫＰＩ）を更に改善することは困難であること、または、例えばユーザ（組織やプロジェクト）の事情により改善することが困難なＫＰＩが存在する（過去にもＫＰＩの改善に失敗している）こと等を考慮して重要ＫＰＩ候補を抽出するものとする。 In this important KPI candidate extraction process, important KPI candidates are extracted based on whether or not the KGI can be efficiently improved (that is, whether or not the KGI has a large improvement effect). In other words, in the important KPI candidate extraction process, for example, it is difficult to further improve a KPI with a good current value (that is, a KPI with little room for improvement), or for example, due to the circumstances of the user (organization or project) Important KPI candidates are extracted in consideration of the fact that there are KPIs that are difficult to improve (KPIs have failed to be improved in the past).
なお、重要ＫＰＩ候補抽出処理（図３に示すステップＳ４の処理）の詳細については後述する。 The details of the important KPI candidate extraction process (the process of step S4 shown in FIG. 3) will be described later.
ステップＳ４の処理が実行されると、ＵＩ部１７は、当該ステップＳ４において抽出された重要ＫＰＩ候補をユーザに対して提示（表示）する（ステップＳ５）。この場合、ＵＩ部１７は、例えばステップＳ３において表示されたツリー構造表示画面において、重要ＫＰＩ候補として抽出されたＫＰＩを表すノードを強調表示する。
When the process of step S4 is executed, the
ここで、特定のＫＰＩ（例えば、重要ＫＰＩ候補）に影響を与える要因は複数存在する。このため、本実施形態においては、重要ＫＰＩ候補（またはＫＧＩ）を改善するための適切なソリューションの選定を支援するために、当該重要ＫＰＩ候補に影響を与える複数の要因の中から重要要因候補を抽出する処理（以下、重要要因候補抽出処理と表記）が実行される（ステップＳ６）。 Here, there are multiple factors that affect specific KPIs (eg, important KPI candidates). For this reason, in this embodiment, in order to support the selection of an appropriate solution for improving an important KPI candidate (or KGI), important factor candidates are selected from a plurality of factors that affect the important KPI candidate. An extraction process (hereinafter referred to as an important factor candidate extraction process) is executed (step S6).
なお、この重要要因候補抽出処理においては要因の改善によって重要ＫＰＩ候補の改善効果があるか否かという観点に基づいて重要要因候補が抽出されるが、例えば当該重要ＫＰＩ候補の過去の改善実績が高いソリューションであっても、現状を悪化させている要因に対応したソリューションでなければ当該重要ＫＰＩ候補の改善効果は望めない。具体的には、例えば上記した図４に示すツリー構造情報において定義されているソリューション１によるＫＰＩ１－１「客単価」の改善実績が高い場合であっても、要因１「品切件数」の現状値が０である場合には当該ソリューション１によって客単価を改善する余地はない。このような場合は例えば要因３「商品価格」を改善するソリューション３または４等が効果的なソリューションとなり得る。このため、重要要因候補抽出処理においては、現在の状況（現状値）に基づいて、重要ＫＰＩ候補を実質的に改善することができる実現性を考慮した重要要因候補を抽出する。 In this important factor candidate extraction process, important factor candidates are extracted based on the viewpoint of whether or not the improvement of the factor will have an improvement effect on the important KPI candidate. Even if it is an expensive solution, if it is not a solution that addresses the factors that are aggravating the current situation, it cannot be expected to improve the relevant important KPI candidate. Specifically, for example, even if solution 1 defined in the tree structure information shown in FIG. If the value is 0, there is no room for improving the unit price per customer with the solution 1. In such a case, for example, solution 3 or 4, which improves factor 3 "commodity price", can be an effective solution. Therefore, in the important factor candidate extraction process, important factor candidates are extracted based on the current situation (current values), taking into consideration the feasibility of substantially improving the important KPI candidates.
更に、上記した要因２「商品種類」及び要因３「商品価格」のように、１つのＫＰＩに影響を与える複数の要因の中には互いに影響を受ける（作用し合う）ものが存在する。このような場合には、重要ＫＰＩ候補を最大にする複数の要因の値の組み合わせ（つまり、要因の相互関係）をも考慮して重要要因候補を抽出することが好ましい。
Furthermore, among the multiple factors that affect one KPI, there are factors that affect (act on) each other, such as
なお、重要要因候補抽出処理（図３に示すステップＳ６の処理）の詳細については後述する。 The details of the important factor candidate extraction process (the process of step S6 shown in FIG. 3) will be described later.
ステップＳ６の処理が実行されると、ＵＩ部１７は、当該ステップＳ６において抽出された重要要因候補をユーザに対して提示（表示）する（ステップＳ７）。この場合、ＵＩ部１７は、例えば上記したステップＳ５において重要ＫＰＩ候補として抽出されたＫＰＩ（を表すノード）が強調表示されたツリー構造表示画面において、重要要因候補として抽出された要因を表すノードを強調表示する。
When the process of step S6 is executed, the
上記した図３に示す処理によれば、ツリー構造表示画面において重要ＫＰＩ候補及び重要要因候補がユーザに対して提示されるため、当該ユーザは、当該重要ＫＰＩ候補及び重要要因候補を改善するソリューションの中から適切なソリューションを選定することができる。 According to the above-described process shown in FIG. 3, important KPI candidates and important factor candidates are presented to the user on the tree structure display screen. An appropriate solution can be selected from among them.
次に、図６のフローチャートを参照して、上記した重要ＫＰＩ候補抽出処理（図３に示すステップＳ４の処理）の処理手順の一例について説明する。なお、図６に示す重要ＫＰＩ候補抽出処理は、ＫＰＩ抽出部１８によって実行される。
Next, an example of the processing procedure of the above-described important KPI candidate extraction processing (the processing of step S4 shown in FIG. 3) will be described with reference to the flowchart of FIG. Note that the important KPI candidate extraction process shown in FIG. 6 is executed by the
まず、ＫＰＩ抽出部１８は、上記したツリー構造情報において定義されているＫＰＩの各々に対してステップＳ１１～Ｓ１４の処理を実行する。以下、この処理の対象となるＫＰＩを対象ＫＰＩと称する。
First, the
この場合、ＫＰＩ抽出部１８は、ＫＰＩ実績格納部１２を参照して、対象ＫＰＩの値域を抽出する（ステップＳ１１）。
In this case, the
ここで、ＫＰＩ実績格納部１２には、対象ＫＰＩの過去の実績値を示すＫＰＩ実績データが格納されている。ＫＰＩ抽出部１８は、このようなＫＰＩ実績データから、対象ＫＰＩが取り得る値の範囲として対象ＫＰＩの過去の実績値の最高値及び最低値を含む対象ＫＰＩの値域を抽出する。本実施形態において、最高値とは、対象ＫＰＩが取り得る値（の範囲）のうち、ＫＧＩ（の値）または上位に位置するＫＰＩ（の値）を最も改善することができる値をいう。一方、最低値とは、対象ＫＰＩが取り得る値（の範囲）のうち、ＫＧＩ（の値）または上位に位置するＫＰＩ（の値）を最も改善することができない（つまり、悪化させる）値をいう。なお、最高値は、対象ＫＰＩが取り得る値のうちの最大値である場合が多いが、当該値のうちの最小値であってもよいし、他の値であってもよい。同様に、最低値は、対象ＫＰＩが取り得る値のうちの最小値である場合が多いが、当該値のうちの最大値であってもよいし、他の値であってもよい。
The KPI
なお、ステップＳ１１において対象ＫＰＩの値域を抽出するために用いられるＫＰＩ実績データは、例えばユーザのビジネス（つまり、自組織）において収集された対象ＫＰＩの過去の実績値を示すデータであるが、他のユーザのビジネス（つまり、他組織）において収集された対象ＫＰＩの過去の実績値を示すデータ（以下、他組織のＫＰＩ実績データと表記）であってもよい。この場合には、規模や業種等の観点において自組織と類似している他組織のＫＰＩ実績データを用いるものとする。 The KPI performance data used to extract the range of the target KPI in step S11 is, for example, data indicating the past performance values of the target KPI collected in the user's business (that is, the own organization). data indicating the past performance values of the target KPI collected in the user's business (that is, another organization) (hereinafter referred to as KPI performance data of the other organization). In this case, the KPI performance data of other organizations that are similar to the own organization in terms of scale, industry, etc., shall be used.
また、ここではＫＰＩ実績データを用いて対象ＫＰＩの値域を抽出するものとして説明したが、当該対象ＫＰＩの値域は、例えば標準的な値域が予め定義されたデータ（標準値域データセット）から抽出されてもよい。 Also, here, it is explained that the value range of the target KPI is extracted using KPI performance data, but the value range of the target KPI is extracted, for example, from data in which a standard value range is predefined (standard value range data set). may
なお、ステップＳ１１において抽出される対象ＫＰＩの値域には、対象ＫＰＩの過去の実績値の平均値等が含まれていても構わない。 Note that the value range of the target KPI extracted in step S11 may include an average value of the past performance values of the target KPI.
ここで、ＫＧＩの値はＫＰＩの値から算出されるところ、ＫＧＩを改善するためには、対象ＫＰＩの値をステップＳ１１において抽出された対象ＫＰＩの値域に含まれる最高値に近づける必要がある。しかしながら、対象ＫＰＩの値は例えばユーザによって選定されたソリューションに応じて改善されるため、当該ソリューションによっては当該対象ＫＰＩの値が必ずしも最高値（目標値）まで改善するとは限らない。 Here, the KGI value is calculated from the KPI value, and in order to improve the KGI, it is necessary to bring the target KPI value closer to the highest value included in the range of the target KPI extracted in step S11. However, since the value of the target KPI is improved according to, for example, the solution selected by the user, the value of the target KPI does not necessarily improve to the maximum value (target value) depending on the solution.
このため、本実施形態において、ＫＰＩ抽出部１８は、ＫＰＩ改善実績格納部１３に格納されているＫＰＩ改善実績データ（対象ＫＰＩの過去の改善実績）を学習することによって生成（導出）される目標達成率算出モデル（第１統計モデル）を用いて、対象ＫＰＩの目標達成率を算出する（ステップＳ１２）。この目標達成率算出モデルの生成に用いられるＫＰＩ改善実績データは、上記したＫＰＩ実績データと同様に、自組織において収集されたデータであってもよいし、当該自組織と類似する他組織において収集されたデータであってもよい。また、目標達成率算出モデルは、例えば対象ＫＰＩに対する過去の改善予測等に基づいて生成されてもよい。
Therefore, in the present embodiment, the
ここで、ステップＳ１２において用いられる目標達成率算出モデルは、対象ＫＰＩの現状値及び当該対象ＫＰＩの値域を入力とした場合に、過去の改善実績（統計）に基づいて推定される当該対象ＫＰＩの改善後の値に応じた目標達成率を出力（算出）するように構築されている。 Here, the target achievement rate calculation model used in step S12 is the target KPI estimated based on past improvement results (statistics) when the current value of the target KPI and the range of the target KPI are input. It is constructed to output (calculate) the target achievement rate according to the improved value.
すなわち、ステップＳ１２において算出される目標達成率とは、ステップＳ１１において抽出された対象ＫＰＩの値域に基づく対象ＫＰＩの目標値（最高値）に対して、対象ＫＰＩの現状値が実質的に達することができる割合に相当する。なお、本実施形態における目標達成率算出モデルによれば、例えば対象ＫＰＩの現状値が対象ＫＰＩの値域に基づく目標値に遠いほど高い目標達成率が算出され、対象ＫＰＩの現状値が対象ＫＰＩの値域に基づく目標値に近いほど低い目標達成率が算出されるものとする。 That is, the target achievement rate calculated in step S12 means that the current value of the target KPI substantially reaches the target value (maximum value) of the target KPI based on the range of the target KPI extracted in step S11. It corresponds to the ratio that can be done. According to the target achievement rate calculation model in this embodiment, for example, the farther the current value of the target KPI is from the target value based on the range of the target KPI, the higher the target achievement rate is calculated. It is assumed that the closer to the target value based on the value range, the lower the target achievement rate is calculated.
上記した目標達成率算出モデルは、例えばニューラルネットワークまたはランダムフォレスト等の既知の様々な機械学習のアルゴリズムを適用して生成することができるものとする。また、目標達成率算出モデルは、例えば図６に示す重要ＫＰＩ候補抽出処理（または図３に示す処理）が実行される前に予め生成されていてもよいし、ステップＳ１２の処理が実行される際に生成されてもよい。また、目標達成率算出モデルが予め生成されている場合、当該目標達成率モデルは、上記したようにＫＰＩ改善実績格納部１３に追加された新たなデータ（ＫＰＩ改善実績データ）に基づいて定期的に更新されてもよい。なお、以下に説明する他の統計モデルについても同様である。
The target achievement rate calculation model described above can be generated by applying various known machine learning algorithms such as neural networks and random forests. Further, the target achievement rate calculation model may be generated in advance, for example, before the important KPI candidate extraction process shown in FIG. 6 (or the process shown in FIG. 3) is executed, or the process of step S12 is executed. may be generated on the fly. Further, when the target achievement rate calculation model is generated in advance, the target achievement rate model is periodically calculated based on the new data (KPI improvement result data) added to the KPI improvement
ステップＳ１２の処理が実行されると、ＫＰＩ抽出部１８は、ステップＳ１１において算出された対象ＫＰＩの値域及びステップＳ１２において算出された目標達成率に基づいて、対象ＫＰＩの改善期待値を算出する（ステップＳ１３）。ステップＳ１３において、改善期待値は、対象ＫＰＩの値域に含まれる最高値（目標値）と当該対象ＫＰＩの現状値との差分に対して目標達成率を乗算することによって算出される。なお、ステップＳ１３において算出される改善期待値は、対象ＫＰＩの現状値から実質的に改善する（つまり、目標値に近づく）ことができる値に相当する。
When the process of step S12 is executed, the
次に、ＫＰＩ抽出部１８は、ツリー構造情報に含まれている定義式（対象ＫＰＩからＫＧＩを算出するための定義式）及びステップＳ１３において算出された対象ＫＰＩの改善期待値に基づいて当該対象ＫＰＩが改善した際のＫＧＩの予測値（以下、改善予測値と表記）を算出する（ステップＳ１４）。
Next, the
ここで、上記した図４に示すツリー構造情報の場合、ＫＧＩ「人時売上高」はＫＰＩ１「総売上高」／ＫＰＩ２「総労働時間」という定義式に従って算出され、ＫＰＩ１はＫＰＩ１－１「客単価」＊ＫＰＩ１－２「来客数」という定義式に従って算出される。この場合において、対象ＫＰＩがＫＰＩ１－１「客単価」であるものとすると、ＫＰＩ抽出部１８は、ステップＳ１３において算出されたＫＰＩ１－１「客単価」（対象ＫＰＩ）の改善期待値を当該ＫＰＩ１－１「客単価」の現状値に加算することによって得られる値（ＫＰＩ１－１「客単価」の改善予測値）及び図３に示すステップＳ２において取得されたＫＰＩ１－２「来客数」の現状値をＫＰＩ１－１「客単価」＊ＫＰＩ１－２「来客数」の定義式に適用することによって、ＫＰＩ１「総売上高」の改善予測値を算出する。次に、ＫＰＩ抽出部１８は、算出されたＫＰＩ１「総売上高」の改善予測値及び図３に示すステップＳ２において取得されたＫＰＩ２「総労働時間」の現状値をＫＰＩ１「総売上高」／ＫＰＩ２「総労働時間」の定義式に適用することによって、ＫＧＩ「人時売上高」の改善予測値を算出することができる。
Here, in the case of the tree structure information shown in FIG. 4 above, KGI "sales per hour" is calculated according to the definition formula of KPI1 "total sales"/KPI2 "total working hours", and KPI1 is calculated according to the definition formula of KPI1-1 "customer unit price”*KPI1-2 “number of visitors”. In this case, assuming that the target KPI is KPI1-1 “customer unit price”, the
ステップＳ１４の処理が実行されると、ツリー構造情報において定義されている全てのＫＰＩについて上記したステップＳ１１～Ｓ１４の処理が実行されたか否かが判定される（ステップＳ１５）。 When the process of step S14 is executed, it is determined whether or not the processes of steps S11 to S14 have been executed for all KPIs defined in the tree structure information (step S15).
全てのＫＰＩについて処理が実行されていないと判定された場合（ステップＳ１５のＮＯ）、ステップＳ１１に戻って処理が繰り返される。この場合、ステップＳ１１～Ｓ１４の処理が実行されていないＫＰＩを対象ＫＰＩとして処理が実行される。 If it is determined that the process has not been executed for all KPIs (NO in step S15), the process returns to step S11 and the process is repeated. In this case, the processing is executed with the KPI for which the processing of steps S11 to S14 has not been executed as the target KPI.
一方、全てのＫＰＩについて処理が実行されたと判定された場合（ステップＳ１５のＹＥＳ）、ＫＰＩ抽出部１８は、上記したようにＫＰＩ毎に繰り返されるステップＳ１４において算出されたＫＧＩの改善予測値（ＫＰＩ毎に算出された改善予測値）に基づいて重要ＫＰＩ候補を抽出する（ステップＳ１６）。このステップＳ１６においては、改善予測値が上位のＫＰＩが重要ＫＰＩ候補として抽出されるが、例えば改善予測値が予め定められた値以上のＫＰＩが重要ＫＰＩ候補として抽出されてもよい。なお、ステップＳ１６において抽出される重要ＫＰＩ候補の数は、１つであってもよいし、複数であってもよい。
On the other hand, if it is determined that the process has been performed for all KPIs (YES in step S15), the
上記した図６に示す重要ＫＰＩ候補抽出処理によれば、ＫＧＩを改善するために重要であると推定されるＫＰＩ（重要ＫＰＩ候補）が抽出され、当該重要ＫＰＩ候補を上記した図３において説明したようにユーザに対して提示することができる。 According to the important KPI candidate extraction process shown in FIG. 6 described above, KPIs (important KPI candidates) that are estimated to be important for improving the KGI are extracted, and the important KPI candidates are described in FIG. can be presented to the user as follows.
なお、本実施形態においては目標達成率算出モデルがＫＰＩの過去の改善実績を示すＫＰＩ改善実績データを学習することによって生成されるものとして説明したが、当該目標達成率算出モデルは、対象ＫＰＩの過去の実績値の平均値等を考慮して生成されてもよい。これによれば、例えばＫＰＩの現状値が過去の実績値の平均値よりも目標値（最高値）に近い場合にはより低い目標達成率を出力し、ＫＰＩの現状値が過去の実績値の平均値よりも目標値（最高値）から遠い場合にはより高い目標達成率を出力するような目標達成率算出モデルを生成することができる。 In the present embodiment, the target achievement rate calculation model is generated by learning the KPI improvement result data indicating the past improvement results of the KPI. It may be generated in consideration of the average value of past performance values. According to this, for example, when the current value of the KPI is closer to the target value (highest value) than the average value of the past actual values, a lower target achievement rate is output, and the current value of the KPI is closer to the past actual value. It is possible to generate a goal achievement rate calculation model that outputs a higher goal achievement rate when the target value (maximum value) is farther than the average value.
ここで、図７を参照して、上記した重要ＫＰＩ候補抽出処理の具体例について説明する。ここでは、図４に示すツリー構造情報において定義されている複数のＫＰＩの中から重要ＫＰＩ候補を抽出する場合について説明する。 Here, a specific example of the important KPI candidate extraction process described above will be described with reference to FIG. Here, a case of extracting important KPI candidates from a plurality of KPIs defined in the tree structure information shown in FIG. 4 will be described.
まず、図４に示すツリー構造情報において定義されている複数のＫＰＩのうちのＫＰＩ１－１「客単価」が対象ＫＰＩである場合を想定する。 First, it is assumed that the KPI 1-1 “customer unit price” among the plurality of KPIs defined in the tree structure information shown in FIG. 4 is the target KPI.
この場合、ＫＰＩ抽出部１８は、ＫＰＩ実績格納部１２を参照して、ＫＰＩ１－１「客単価」の値域を抽出する。ここでは、ＫＰＩ１－１「客単価」の値域として、最高値「１５０００円」及び最低値「５０００円」が抽出されたものとする。
In this case, the
この場合、ＫＰＩ１－１「客単価」の現状値を当該ＫＰＩ１－１「客単価」の値域に含まれる最高値（目標値）に近づけることによって、ＫＧＩ「人時売上高」を改善することができる。なお、図７に示す例では、ＫＰＩ１－１「客単価」の現状値が９０００円であるため、当該現状値を当該ＫＰＩ１－１「客単価」の値域（５０００円から１５０００円までの範囲）の６０％に相当する６０００円増加させる（つまり、ＫＰＩ１－１「客単価」の値を１５０００円にする）ことによって、ＫＧＩ「人時売上高」に対する改善効果が最大となる。 In this case, by bringing the current value of KPI 1-1 “Customer unit price” closer to the highest value (target value) included in the range of KPI 1-1 “Customer unit price”, it is possible to improve the KGI “Man-hour sales”. can. In the example shown in FIG. 7, the current value of KPI 1-1 “customer unit price” is 9,000 yen, so the current value is set to the value range of KPI 1-1 “customer unit price” (range from 5,000 yen to 15,000 yen). By increasing by 6,000 yen, which is 60% of , (that is, by increasing the value of KPI 1-1 “per customer unit price” to 15,000 yen), the improvement effect on the KGI “man-hour sales” is maximized.
ＫＰＩ抽出部１８は、ＫＰＩ１－１「客単価」の現状値及び値域を目標達成率算出モデルに入力することによって、ＫＰＩ１－１「客単価」の目標達成率を算出する。ここでは、ＫＰＩ１－１「客単価」の目標達成率として、７０％が算出されたものとする。
The
次に、ＫＰＩ抽出部１８は、ＫＰＩ１－１「客単価」の値域及び目標達成率に基づいて、当該ＫＰＩ１－１「客単価」の改善期待値を算出する。
Next, the
ここで、ＫＰＩ１－１「客単価」の値域に含まれる最高値（目標値）は１５０００円であり、当該ＫＰＩ１－１「客単価」の現状値は９０００円であり、当該ＫＰＩ１－１「客単価」の目標達成率は７０％である。この場合、ＫＰＩ抽出部１８は、ＫＰＩ１－１「客単価」の値域に含まれる最高値である１５０００円と当該ＫＰＩ１－１「客単価」の現状値である９０００円との差分である６０００円に７０％（目標達成率）を乗算することによって、改善期待値として４２００円（ＫＰＩ１－１「客単価」の値域の４２％）を算出することができる。この場合、ＫＰＩ抽出部１８は、改善期待値として算出された４２００円をＫＰＩ１－１「客単価」の現状値である９０００円に加算した１３２００円を、当該ＫＰＩ１－１「客単価」の改善予測値とする。
Here, the highest value (target value) included in the value range of KPI1-1 “customer unit price” is 15000 yen, the current value of the KPI1-1 “customer unit price” is 9000 yen, and the KPI1-1 “customer unit price” The target achievement rate for “unit price” is 70%. In this case, the
次に、ＫＰＩ抽出部１８は、ツリー構造情報に含まれている定義式に従って、ＫＰＩ１－１「客単価」の改善予測値及び他のＫＰＩの現状値から、当該ＫＰＩ１－１「客単価」が改善した際のＫＧＩ「人時売上高」の改善予測値を算出する。
Next, according to the definition formula included in the tree structure information, the
この場合、まず、ＫＰＩ１「総売上高」の改善予測値（期待値）が算出される。具体的には、ＫＰＩ１－１「客単価」の改善予測値が上記したように１３２００円であり、ＫＰＩ１－２「来客数」の現状値が８０人であるものとすると、ＫＰＩ１「総売上高」の改善予測値は、ＫＰＩ１－１「客単価」（の改善予測値）＊ＫＰＩ１－２「来客数」（の現状値）＝１０５６０００円となる。 In this case, first, an improvement predicted value (expected value) of KPI1 “total sales” is calculated. Specifically, assuming that the predicted improvement value of KPI 1-1 “customer unit price” is 13,200 yen as described above, and the current value of KPI 1-2 “number of visitors” is 80, KPI 1 “total sales is KPI 1-1 “customer unit price” (improved value)*KPI 1-2 “number of visitors” (current value) = 1,056,000 yen.
ここで、ＫＰＩ２「総労働時間」の現状値が１００時間であるものとすると、ＫＧＩ「人時売上高」の改善予測値は、ＫＰＩ１「総売上高」（の改善予測値）／ＫＰＩ２「総労働時間」（の現状値）＝１０５６０円／時となる。 Here, assuming that the current value of KPI2 “Total working hours” is 100 hours, the predicted improvement value of KGI “Man-hour sales” is (predicted improvement value of) KPI1 “Total sales” / KPI2 “Total working hours” (current value) = 10,560 yen/hour.
次に、図４に示すツリー構造情報において定義されている複数のＫＰＩのうちのＫＰＩ１－２「来客数」が対象ＫＰＩである場合を想定する。 Next, it is assumed that KPI1-2 “number of visitors” among the plurality of KPIs defined in the tree structure information shown in FIG. 4 is the target KPI.
この場合、ＫＰＩ抽出部１８は、ＫＰＩ実績格納部１２を参照して、ＫＰＩ１－２「来客数」の値域を抽出する。ここでは、ＫＰＩ１－２「来客数」の値域として、最高値「１５０人」及び最低値「５０人」が抽出されたものとする。
In this case, the
この場合、ＫＰＩ１－２「来客数」の現状値を当該ＫＰＩ１－２「来客数」の値域に含まれる最高値（目標値）に近づけることによって、ＫＧＩ「人時売上高」を改善することができる。なお、図７に示す例では、ＫＰＩ１－２「来客数」の現状値が８０人であるため、当該現状値を当該ＫＰＩ１－２「来客数」の値域（５０人から１５０人までの範囲）の７０％に相当する７０人増加させる（つまり、ＫＰＩ１－２「来客数」の値を１５０人にする）ことによって、ＫＧＩ「人時売上高」に対する改善効果が最大となる。 In this case, by bringing the current value of KPI 1-2 “Number of visitors” closer to the maximum value (target value) included in the value range of KPI 1-2 “Number of visitors”, it is possible to improve the KGI “Man-hour sales”. can. In the example shown in FIG. 7, since the current value of KPI1-2 “Number of visitors” is 80, the current value is set to the value range (range from 50 to 150) of KPI1-2 “Number of visitors”. By increasing the number of people by 70, which corresponds to 70% of the number of customers (that is, by setting the value of KPI1-2 “number of visitors” to 150), the improvement effect on the KGI “man-hour sales” is maximized.
ＫＰＩ抽出部１８は、ＫＰＩ１－２「来客数」の現状値及び値域を目標達成率算出モデルに入力することによって、ＫＰＩ１－２「来客数」の目標達成率を算出する。
The
ここで、図７に示す例では、上記したように過去の実績値の平均値を考慮して生成された目標達成率算出モデルが用いられているものとする。このような目標達成率算出モデルによれば、上記したように現状値が平均値よりも目標値から遠い場合には高い目標達成率が算出され、現状値が平均値よりも目標値に近い場合には低い目標達成率が算出される。 Here, in the example shown in FIG. 7, it is assumed that the target achievement rate calculation model generated in consideration of the average value of past performance values is used as described above. According to such a target achievement rate calculation model, as described above, when the current value is farther from the target value than the average value, a high target achievement rate is calculated, and when the current value is closer to the target value than the average value A low target achievement rate is calculated for
具体的には、図７に示す例では、ＫＰＩ１－１「客単価」の現状値（９０００円）は当該ＫＰＩ１－１「客単価」の過去の実績値の平均値（１１０００円）よりも低いが、ＫＰＩ１－２「来客数」の現状値（８０人）は当該ＫＰＩ１－２「来客数」の過去の実績値の平均値（７０人）よりも高い。このため、図７に示す例では、ＫＰＩ１－１「来客数」の目標達成率としては７０％が算出されているのに対して、ＫＰＩ１－２「来客数」の目標達成率としては当該ＫＰＩ１－１「来客数」の目標達成率よりも低い４０％が算出されている。 Specifically, in the example shown in FIG. 7, the current value (9,000 yen) of KPI 1-1 “customer unit price” is lower than the past average value (11,000 yen) of the KPI 1-1 “customer unit price”. However, the current value (80) of KPI 1-2 “Number of visitors” is higher than the average value (70) of the past performance values of KPI 1-2 “Number of visitors”. For this reason, in the example shown in FIG. 7, 70% is calculated as the target achievement rate for KPI1-1 “Visitors”, while the target achievement rate for KPI1-2 “Visitors” is -1 40%, which is lower than the target achievement rate for “number of visitors,” is calculated.
次に、ＫＰＩ抽出部１８は、ＫＰＩ１－２「来客数」の値域及び目標達成率に基づいて、当該ＫＰＩ１－２「来客数」の改善期待値を算出する。
Next, the
ここで、ＫＰＩ１－２「来客数」の値域に含まれる最高値（目標値）は１５０人であり、当該ＫＰＩ１－２「来客数」の現状値は８０人であり、当該ＫＰＩ１－２「来客数」の目標達成率は４０％である。この場合、ＫＰＩ抽出部１８は、ＫＰＩ１－２「来客数」の値域に含まれる最高値である１５０人と当該ＫＰＩ１－２「来客数」の現状値である８０人との差分である７０人に４０％（目標達成率）を乗算することによって、改善期待値として２８人（ＫＰＩ１－２「来客数」の値域の２８％）を算出することができる。この場合、ＫＰＩ抽出部１８は、改善期待値として算出された２８人をＫＰＩ１－２「来客数」の現状値である８０人に加算した１０８人を、当該ＫＰＩ１－２「来客数」の改善予測値とする。
Here, the highest value (target value) included in the value range of KPI1-2 “Number of visitors” is 150, the current value of KPI1-2 “Number of visitors” is 80, The target achievement rate for “number” is 40%. In this case, the
次に、ＫＰＩ抽出部１８は、ツリー構造情報に含まれている定義式に従って、ＫＰＩ１－２「来客数」の改善予測値及び他のＫＰＩの現状値から、当該ＫＰＩ１－２「来客数」が改善した際のＫＧＩ「人時売上高」の改善予測値を算出する。
Next, according to the definition formula included in the tree structure information, the
この場合、まず、ＫＰＩ１「総売上高」の改善予測値を算出する。具体的には、ＫＰＩ１－１「客単価」の現状値が９０００円であり、ＫＰＩ１－２「来客数」の改善予測値が上記したように１０８人であるものとすると、ＫＰＩ１「総売上高」の改善予測値は、ＫＰＩ１－１「客単価」（の現状値）＊ＫＰＩ１－２「来客数」（の改善予測値）＝９７２０００円となる。 In this case, first, the predicted improvement value of KPI1 “total sales” is calculated. Specifically, assuming that the current value of KPI 1-1 “customer unit price” is 9000 yen and the predicted improvement value of KPI 1-2 “number of visitors” is 108 as described above, KPI 1 “total sales is KPI 1-1 “customer unit price” (current value)*KPI 1-2 “number of visitors” (improvement predicted value)=972,000 yen.
また、ＫＰＩ２「総労働時間」の現状値が１００時間であるものとすると、ＫＧＩ「人時売上高」の改善予測値は、ＫＰＩ１「総売上高」（の改善予測値）／ＫＰＩ２「総労働時間」（の現状値）＝９７２０円／時となる。 In addition, assuming that the current value of KPI2 “total working hours” is 100 hours, the predicted improvement value of KGI “man-hour sales” is (predicted improvement value of) KPI1 “total sales” / KPI2 “total labor time” (current value)=9720 yen/hour.
次に、図４に示すツリー構造情報において定義されている複数のＫＰＩのうちのＫＰＩ２「総労働時間」が対象ＫＰＩである場合を想定する。
Next, it is assumed that
この場合、ＫＰＩ抽出部１８は、ＫＰＩ実績格納部１２を参照して、ＫＰＩ２「総労働時間」の値域を抽出する。ここでは、ＫＰＩ２「総労働時間」の値域として、最高値「９０時間」及び最低値「１００時間」が抽出されたものとする。なお、ＫＰＩ２「総労働時間」については、値が小さい方がＫＧＩ「人時売上高」を改善することができるため、過去の実績値の最小値が最高値、最大値が最低値となっている。
In this case, the
この場合、ＫＰＩ２「総労働時間」の現状値を当該ＫＰＩ２「総労働時間」の値域に含まれる最高値（目標値）に近づけることによって、当該ＫＧＩ「人時売上高」を改善することができる。なお、図７に示す例では、ＫＰＩ２「総労働時間」の現状値が１００時間（最低値）であるため、当該現状値を当該ＫＰＩ２「総労働時間」の値域（１００時間から９０時間までの範囲）の１００％に相当する１０時間減少させる（つまり、ＫＰＩ２「総労働時間」の値を９０時間にする）ことによって、ＫＧＩ「人時売上高」に対する改善効果が最大となる。
In this case, by bringing the current value of KPI2 "total working hours" closer to the maximum value (target value) included in the value range of the KPI2 "total working hours", the KPI "person-hour sales" can be improved. . In the example shown in FIG. 7, the current value of KPI2 “total working hours” is 100 hours (minimum value), so the current value is set to the range of KPI2 “total working hours” (100 hours to 90 hours). Range) by 10 hours, which corresponds to 100% (i.e., the value of
ＫＰＩ抽出部１８は、ＫＰＩ２「総労働時間」の現状値及び値域を目標達成率算出モデルに入力することによって、ＫＰＩ２「総労働時間」の目標達成率を算出する。本実施形態において、目標達成率は、上記したように対象ＫＰＩの現状値が対象ＫＰＩの値域に基づく目標値に遠いほど高く算出されるため、現状値が最低値であるＫＰＩ２「総労働時間」の場合、目標達成率として９０％が算出されている。
The
次に、ＫＰＩ抽出部１８は、ＫＰＩ２「総労働時間」の値域及び目標達成率に基づいて、当該ＫＰＩ２「総労働時間」の改善期待値を算出する。
Next, the
ここで、ＫＰＩ２「総労働時間」の値域に含まれる最高値（目標値）は９０時間であり、当該ＫＰＩ２「総労働時間」の現状値は１００時間であり、当該ＫＰＩ２「総労働時間」の目標達成率は９０％である。この場合、ＫＰＩ抽出部１８は、ＫＰＩ２「総労働時間」の値域に含まれる最高値である９０時間と当該ＫＰＩ２「総労働時間」の現状値である１００時間との差分である１０時間に９０％（目標達成率）を乗算することによって、改善期待値として９時間（ＫＰＩ２「総労働時間」の値域の９０％）を算出することができる。この場合、ＫＰＩ抽出部１８は、改善期待値として算出された９時間をＫＰＩ２「総労働時間」の現状値である１００時間から減算した９１時間を、当該ＫＰＩ２「総労働時間」の改善予測値とする。
Here, the highest value (target value) included in the value range of KPI2 “Total working hours” is 90 hours, the current value of KPI2 “Total working hours” is 100 hours, and the value of KPI2 “Total working hours” The target achievement rate is 90%. In this case, the
次に、ＫＰＩ抽出部１８は、ツリー構造情報に含まれている定義式に従って、ＫＰＩ２「総労働時間」の改善予測値及び他のＫＰＩの現状値から、当該ＫＰＩ２「総労働時間」が改善した際のＫＧＩ「人時売上高」の改善予測値を算出する。
Next, the
この場合、ＫＰＩ１「総売上高」の現状値が７２００００円であり、ＫＰＩ２「総労働時間」の改善予測値が上記したように９１時間であるものとすると、ＫＧＩ「人時売上高」の改善予測値は、ＫＰＩ１「総売上高」（の現状値）／ＫＰＩ２「総労働時間」（の改善予測値）＝７９１２円／時となる。 In this case, assuming that the current value of KPI1 "total sales" is 720,000 yen and the predicted improvement value of KPI2 "total working hours" is 91 hours as described above, the improvement of KGI "man-hour sales" The predicted value is KPI1 “total sales” (current value)/KPI2 “total working hours” (improved predicted value)=7912 yen/hour.
上記したようにＫＰＩ１－１「客単価」、ＫＰＩ１－２「来客数」及びＫＰＩ２「総労働時間」の各々についてＫＧＩ「人時売上高」の改善予測値が算出された場合、ＫＰＩ抽出部１８は、当該改善予測値に基づいて重要ＫＰＩ候補を抽出する。
As described above, when the predicted improvement value of the KGI "person-hour sales" is calculated for each of KPI1-1 "customer unit price", KPI1-2 "number of visitors", and KPI2 "total working hours", the
具体的には、例えば重要ＫＰＩ候補としてＫＧＩ「人時売上高」の改善予測値が上位１つ（つまり、最上位）のＫＰＩが抽出される場合には、ＫＰＩ抽出部１８は、ＫＰＩ１－１「客単価」を重要ＫＰＩ候補として抽出する。一方、例えば重要ＫＰＩ候補としてＫＧＩ「人時売上高」の改善予測値が上位２つのＫＰＩが抽出される場合には、ＫＰＩ抽出部１８は、ＫＰＩ１－１「客単価」及びＫＰＩ１－２「来客数」を重要ＫＰＩ候補として抽出する。
Specifically, for example, when the KPI with the highest predicted improvement value of the KGI “man-hour sales” is extracted as an important KPI candidate, the
なお、上記した図７に示す例において単に各ＫＰＩの目標達成率のみに着目するとＫＰＩ「総労働時間」の目標達成率が最も高いが、上記した重要ＫＰＩ候補抽出処理によれば、当該ＫＰＩの改善に応じたＫＧＩの改善予測値（改善効果）に基づいて重要ＫＰＩを抽出することができる。 In the example shown in FIG. 7 described above, if we focus only on the target achievement rate of each KPI, the target achievement rate of the KPI "total working hours" is the highest. An important KPI can be extracted based on the KGI improvement prediction value (improvement effect) according to the improvement.
次に、図８のフローチャートを参照して、上記した重要要因候補抽出処理（図３に示すステップＳ６の処理）の処理手順の一例について説明する。なお、図８に示す重要要因候補抽出処理は、要因抽出部１９によって実行される。 Next, an example of the processing procedure of the above-described important factor candidate extraction processing (the processing of step S6 shown in FIG. 3) will be described with reference to the flowchart of FIG. The important factor candidate extraction process shown in FIG. 8 is executed by the factor extraction unit 19 .
まず、要因抽出部１９は、重要ＫＰＩ候補抽出処理によって抽出された重要ＫＰＩ候補に影響を与える要因（つまり、ツリー構造において重要ＫＰＩ候補の下位に位置する要因）の各々に対してステップＳ２１～Ｓ２５の処理を実行する。以下、この処理の対象となる要因を対象要因と称する。 First, the factor extraction unit 19 performs steps S21 to S25 for each of the factors that affect the important KPI candidates extracted by the important KPI candidate extraction process (that is, the factors positioned below the important KPI candidates in the tree structure). process. Hereinafter, the factor targeted for this processing is referred to as the target factor.
この場合、要因抽出部１９は、要因実績格納部１４を参照して、対象要因の値域を抽出する（ステップＳ２１）。
In this case, the factor extraction unit 19 refers to the factor
ここで、要因実績格納部１４には、対象要因の過去の実績値を示す要因実績データが格納されている。要因抽出部１９は、このような要因実績データから、対象要因が取り得る値の範囲として対象要因の過去の実績値の最大値及び最小値を含む対象要因の値域を抽出する。
Here, factor performance data indicating past performance values of target factors are stored in the factor
なお、ステップＳ２１において対象要因の値域を抽出するために用いられる要因実績データは、例えばユーザのビジネス（つまり、自組織）において収集された対象要因の過去の実績値を示すデータであるが、他のユーザのビジネス（つまり、他組織）において収集された対象要因の過去の実績値を示すデータ（以下、他組織の要因実績データと表記）であってもよい。この場合には、規模や業種等の観点において自組織と類似している他組織の要因実績データを用いるものとする。 Note that the factor performance data used for extracting the value range of the target factor in step S21 is, for example, data indicating past performance values of the target factor collected in the user's business (that is, own organization). It may be data indicating past performance values of target factors collected in the user's business (that is, other organizations) (hereinafter referred to as factor performance data of other organizations). In this case, the factor performance data of other organizations that are similar to the own organization in terms of scale, industry, etc. shall be used.
また、ここでは要因実績データを用いて対象要因の値域を抽出するものとして説明したが、当該対象要因の値域は、例えば標準的な値域が予め定義されたデータ（標準値域データセット）から抽出されてもよい。 In addition, here, it is explained that the value range of the target factor is extracted using the factor performance data, but the value range of the target factor is extracted from data (standard range data set) in which a standard range is defined in advance, for example. may
ここで、例えば上記した図４に示すツリー構造情報において定義されている要因２「商品価格」が対象要因である場合を想定すると、商品価格が高い方がＫＰＩ１－１「客単価」を改善することができるように考えられるが、当該商品価格が高すぎると商品の販売数が減少すると推測される。このため、必ずしも対象要因の値域に含まれる最大値が重要ＫＰＩ候補を最も改善することができる最適値であるとは限らない。
Here, for example, assuming that the
そこで、本実施形態において、要因抽出部１９は、ＫＰＩ実績格納部１２に格納されているＫＰＩ実績データ及び要因実績格納部１４に格納されている要因実績データを学習することによって生成（導出）される要因最適値算出モデル（第２統計モデル）を用いて、対象要因の最適値を算出する（ステップＳ２２）。なお、要因最適値算出モデルは、ＫＰＩ改善実績格納部１３に格納されているＫＰＩ改善実績データ（ＫＰＩの過去の改善実績）または要因改善実績格納部１５に格納されている要因改善実績データ（要因の過去の改善実績）等に基づいて生成されていてもよい。
Therefore, in this embodiment, the factor extraction unit 19 is generated (derived) by learning the KPI performance data stored in the KPI
ここで、ステップＳ２２において用いられる要因最適値算出モデルは、上記した対象要因の値域を入力した場合に、ＫＰＩ及び要因の過去の実績値（統計）に基づいて推定される対象要因の最適値を出力（算出）するように構築されている。 Here, the factor optimum value calculation model used in step S22 calculates the optimum value of the target factor estimated based on the past performance values (statistics) of the factor and the KPI when the value range of the target factor is input. It is built to output (calculate).
なお、ステップＳ２２において算出される対象要因の最適値とは、対象要因が影響を与えるＫＰＩ（つまり、重要ＫＰＩ候補）の値を最大にすることができると推定される当該対象要因の値に相当する。 Note that the optimum value of the target factor calculated in step S22 corresponds to the value of the target factor that is estimated to maximize the value of the KPI (that is, the important KPI candidate) that the target factor affects. do.
ステップＳ２２の処理が実行されると、要因抽出部１９は、図３に示すステップＳ２において取得された対象要因の現状値と当該ステップＳ２２において算出された対象要因の最適値との差分を算出する（ステップＳ２３）。 When the process of step S22 is executed, the factor extraction unit 19 calculates the difference between the current value of the target factor acquired in step S2 shown in FIG. 3 and the optimum value of the target factor calculated in step S22. (Step S23).
ここで、ＫＧＩの値はＫＰＩの値から算出されるところ、当該ＫＰＩの値は、対象要因の値に応じて改善される。しかしながら、対象要因の値は例えばユーザによって選定されたソリューションに応じて改善されるため、当該ソリューションによっては当該対象要因の値が必ずしも最適値（目標値）まで改善するとは限らない。 Here, the KGI value is calculated from the KPI value, and the KPI value is improved according to the target factor value. However, since the value of the target factor is improved according to, for example, the solution selected by the user, the value of the target factor does not necessarily improve to the optimum value (target value) depending on the solution.
このため、本実施形態において、要因抽出部１９は、要因改善実績格納部１５に格納されている要因改善実績データ（対象要因の過去の改善実績）を学習することによって生成（導出）される目標達成率算出モデル（第３統計モデル）を用いて、対象要因の目標達成率を算出する（ステップＳ２４）。この目標達成率算出モデルの生成に用いられる要因改善実績データは、上記した要因実績データと同様に、自組織において収集されたデータであってもよいし、当該自組織と類似する他組織において収集されたデータであってもよい。
For this reason, in the present embodiment, the factor extracting unit 19 generates (derives) goals by learning factor improvement result data (past improvement results of target factors) stored in the factor improvement
ここで、ステップＳ２４において用いられる目標達成率算出モデルは、対象要因の現状値、当該対象要因の値域及び当該対象要因の最適値を入力とした場合に、過去の改善実績（統計）に基づいて推定される当該対象要因の改善後の値に応じた目標達成率を出力（算出）するように構築されている。 Here, the target achievement rate calculation model used in step S24 is based on the past improvement results (statistics) when the current value of the target factor, the range of the target factor, and the optimal value of the target factor are input. It is constructed so as to output (calculate) the target achievement rate according to the estimated target factor after improvement.
なお、入力される値が異なる点以外は、ステップＳ２４において用いられる目標達成率算出モデルは図６に示すステップＳ１２において用いられる目標達成率算出モデルと同様であるため、ここではその詳しい説明を省略する。 Note that the target achievement rate calculation model used in step S24 is the same as the target achievement rate calculation model used in step S12 shown in FIG. do.
ステップＳ２４の処理が実行されると、要因抽出部１９は、ステップＳ２３において算出された差分及びステップＳ２４において算出された目標達成率に基づいて、対象要因の改善期待値を算出する（ステップＳ２５）。 When the process of step S24 is executed, the factor extraction unit 19 calculates the expected improvement value of the target factor based on the difference calculated in step S23 and the target achievement rate calculated in step S24 (step S25). .
ここで、上記したようにＫＧＩの値はＫＰＩの値から算出することができるため、重要ＫＰＩ候補抽出処理においては、当該ＫＧＩの改善予測値を用いて重要ＫＰＩ候補を抽出することが可能である。しかしながら、重要ＫＰＩ候補の値は要因から算出することはできないため、当該重要ＫＰＩ候補の値を用いて重要要因候補を抽出することはできない。また、各要因はそれぞれ概念が異なる（つまり、値の単位が異なる）ため、当該要因の値同士を比較することもできない。 Here, since the KGI value can be calculated from the KPI value as described above, in the important KPI candidate extraction process, it is possible to extract the important KPI candidate using the KGI improvement predicted value. . However, since the value of the important KPI candidate cannot be calculated from the factor, the value of the important KPI candidate cannot be used to extract the important factor candidate. In addition, since each factor has a different concept (that is, the units of values are different), the values of the factors cannot be compared.
そこで、本実施形態においては、ステップＳ２３において算出された差分（現状値と最適値との差分）がステップＳ２１において抽出された対象要因の値域に対して占める比率を用いて対象要因の改善期待値を算出するものとする。具体的には、ステップＳ２５において、改善期待値は、ステップＳ２３において算出された差分がステップＳ２１において抽出された対象要因の値域に対して占める比率に対して目標達成率を乗算することによって算出される。なお、ステップＳ２５において算出される改善期待値は、対象要因が取り得る値の範囲（つまり、値域）に対して、対象要因の現状値から実質的に改善する（つまり、最適値に近づく）ことができる値（の範囲）が占める割合に相当する。 Therefore, in the present embodiment, the expected improvement value of the target factor is calculated by using the ratio of the difference calculated in step S23 (the difference between the current value and the optimum value) to the value range of the target factor extracted in step S21. shall be calculated. Specifically, in step S25, the expected improvement value is calculated by multiplying the ratio of the difference calculated in step S23 to the value range of the target factor extracted in step S21 by the target achievement rate. be. Note that the expected improvement value calculated in step S25 is to substantially improve the current value of the target factor (that is, approach the optimum value) with respect to the range of values that the target factor can take (that is, the value range). It corresponds to the ratio occupied by (the range of) possible values.
ステップＳ２５の処理が実行されると、重要ＫＰＩ候補抽出処理によって抽出された重要ＫＰＩ候補に影響を与える全ての要因について上記したステップＳ２１～Ｓ２５の処理が実行されたか否かが判定される（ステップＳ２６）。 When the process of step S25 is executed, it is determined whether or not the above-described processes of steps S21 to S25 have been executed for all factors affecting the important KPI candidates extracted by the important KPI candidate extraction process (step S26).
全ての要因について処理が実行されていないと判定された場合（ステップＳ２６のＮＯ）、ステップＳ２１に戻って処理が繰り返される。この場合、ステップＳ２１～Ｓ２５の処理が実行されていない要因を対象要因として処理が実行される。 If it is determined that the process has not been executed for all factors (NO in step S26), the process returns to step S21 and the process is repeated. In this case, the process is executed for the factors for which the processes of steps S21 to S25 have not been executed.
一方、全ての要因について処理が実行されたと判定された場合（ステップＳ２６のＹＥＳ）、要因抽出部１９は、上記したように要因毎に繰り返されるステップＳ２５において算出された改善期待値（要因毎に算出された改善期待値）に基づいて重要要因候補を抽出する（ステップＳ２７）。このステップＳ２７においては、改善期待値が上位の要因が重要要因候補として抽出されるが、例えば改善期待値が予め定められた値以上の要因が重要要因候補として抽出されてもよい。なお、ステップＳ２７において抽出される重要要因候補の数は、１つであってもよいし、複数であってもよい。 On the other hand, if it is determined that the process has been performed for all factors (YES in step S26), the factor extraction unit 19 extracts the expected improvement value ( Important factor candidates are extracted based on the calculated expected improvement value (step S27). In this step S27, factors with high expected improvement values are extracted as important factor candidates, but factors with expected improvement values equal to or greater than a predetermined value, for example, may be extracted as important factor candidates. Note that the number of important factor candidates extracted in step S27 may be one or plural.
上記した図８に示す重要要因候補抽出処理によれば、ＫＧＩ及び重要ＫＰＩ候補を改善するために重要であると推定される要因（重要要因候補）が抽出され、当該重要要因候補を上記した図３において説明したようにユーザに対して提示することができる。 According to the important factor candidate extraction process shown in FIG. 8, factors (important factor candidates) estimated to be important for improving the KGI and important KPI candidates are extracted, and the important factor candidates are 3 can be presented to the user.
なお、本実施形態において、上記した重要ＫＰＩ候補抽出処理及び重要要因候補抽出処理は重要なノードを抽出する点で同様の観点に基づく処理であるが、重要要因候補抽出処理は、対象要因の値域から算出される最適値を目標値として用いる点及び対象要因の現状値と最適値との差分が当該対象要因の値域に対して占める比率に対して目標達成率を乗算することによって算出される対象要因の改善期待値に基づいて重要要因候補を抽出する点で、重要ＫＰＩ候補抽出処理と異なる。 In this embodiment, the above-described important KPI candidate extraction process and important factor candidate extraction process are processes based on the same viewpoint in terms of extracting important nodes, but the important factor candidate extraction process and the target calculated by multiplying the ratio of the difference between the current value and the optimal value of the target factor to the value range of the target factor by the target achievement rate This differs from the important KPI candidate extraction process in that important factor candidates are extracted based on the expected improvement value of the factors.
また、重要要因候補抽出処理においては重要ＫＰＩ候補に影響を与える複数の要因の各々に対してステップＳ２１～Ｓ２２の処理が実行されるものとして説明したが、当該複数の要因の中に互いに影響を受ける（つまり、作用し合う）要因が含まれている場合には、当該影響（副次的な影響）を考慮して重要要因候補抽出処理を実行することが好ましい。 In addition, in the important factor candidate extraction process, the processes of steps S21 and S22 are executed for each of a plurality of factors that affect the important KPI candidates. If there is a factor that receives (that is, interacts with), it is preferable to execute the important factor candidate extraction process in consideration of the influence (secondary influence).
以下、図９を参照して、上記した重要要因候補抽出処理の具体例について説明する。ここでは、図４に示すツリー構造情報において定義されているＫＰＩ１－１「客単価」が重要ＫＰＩ候補であり、当該ＫＰＩ１－１「客単価」に影響を与える複数の要因の中から重要要因候補を抽出する場合について説明する。 A specific example of the important factor candidate extraction process described above will be described below with reference to FIG. Here, KPI 1-1 “customer unit price” defined in the tree structure information shown in FIG. will be described.
まず、図４に示すツリー構造情報においてＫＰＩ１－１「客単価」に影響を与える複数の要因のうちの要因１「品切件数」が対象要因である場合を想定する。 First, it is assumed that the factor 1 "number of sold out products" among the plurality of factors affecting the KPI 1-1 "unit price per customer" in the tree structure information shown in FIG. 4 is the target factor.
この場合、要因抽出部１９は、要因実績格納部１４を参照して、要因１「品切件数」の値域を抽出する。ここでは、要因１「品切件数」の値域として、最大値「５０件／日」及び最小値「０件／日」が抽出されたものとする。
In this case, the factor extraction unit 19 refers to the factor
次に、要因抽出部１９は、要因１「品切件数」の値域を要因最適値算出モデルに入力することによって、要因１「品切件数」の最適値を算出する。ここでは、要因１「品切件数」の最適値として、０件／日が算出されたものとする。 Next, the factor extraction unit 19 calculates the optimum value of the factor 1 "number of sold out items" by inputting the value range of the factor 1 "number of sold out items" into the factor optimum value calculation model. Here, it is assumed that 0 cases/day is calculated as the optimum value for factor 1 "number of out-of-stock items".
更に、要因抽出部１９は、要因１「品切件数」の現状値と最適値との差分を算出する。ここでは、要因１「品切件数」の現状値が２０件／日であり、当該要因１「品切件数」の最適値が０件／日であるため、要因１「品切件数」の現状値と最適値との差分としては２０件／日が算出される。 Further, the factor extraction unit 19 calculates the difference between the current value and the optimum value of the factor 1 “number of items out of stock”. Here, the current value of factor 1 "number of sold out items" is 20 cases/day, and the optimum value of the factor 1 "number of sold out items" is 0 cases/day. 20 cases/day is calculated as the difference between the value and the optimum value.
また、要因抽出部１９は、要因１「品切件数」の現状値、値域及び最適値を目標達成率算出モデルに入力することによって、要因１「品切件数」の目標達成率を算出する。ここでは、要因１「品切件数」の目標達成率として、４０％が算出されたものとする。 Further, the factor extracting unit 19 calculates the target achievement rate of factor 1 "number of items out of stock" by inputting the current value, value range, and optimum value of factor 1 "number of items out of stock" into the target achievement rate calculation model. Here, it is assumed that 40% is calculated as the target achievement rate for the factor 1 "number of items out of stock".
次に、要因抽出部１９は、要因１「品切件数」の現状値と最適値との差分が当該要因１「品切件数」の値域に占める比率及び当該要因１「品切件数」の目標達成率に基づいて、当該要因１「品切件数」の改善期待値を算出する。 Next, the factor extraction unit 19 calculates the ratio of the difference between the current value and the optimum value of the factor 1 "number of sold out" to the value range of the factor 1 "number of sold out" and the target of the factor 1 "number of sold out" Based on the achievement rate, the expected improvement value of the factor 1 "number of out-of-stock items" is calculated.
ここで、要因１「品切件数」の現状値と最適値との差分は２０件／日であり、当該要因１「品切件数」の値域の最大値及び最小値はそれぞれ５０件／日及び０件／日であり、当該要因１「品切件数」の目標達成率は４０％である。この場合、要因抽出部１９は、要因１「品切件数」の現状値と最適値との差分が当該要因１「品切件数」の値域（つまり、最大値－最小値）に占める比率として４０％（＝２０／５０）を算出し、当該比率に４０％（目標達成率）を乗算することによって改善期待値として１６％を算出する。なお、この要因１「品切件数」の改善期待値として算出された１６％は、当該要因１「品切件数」の値としては８件（つまり、要因１「品切件数」の現状値と最適値との差分に目標達成率を乗算した値）に相当する。 Here, the difference between the current value and the optimum value of Factor 1 "Number of out-of-stock items" is 20 cases/day, and the maximum and minimum values of the value range of Factor 1 "Number of out-of-stock items" are 50 cases/day and 50 cases/day, respectively. 0 cases/day, and the target achievement rate of the factor 1 "number of out-of-stock items" is 40%. In this case, the factor extraction unit 19 determines that the difference between the current value and the optimum value of the factor 1 "number of items out of stock" is 40 as the ratio of the value range (that is, the maximum value - the minimum value) of the factor 1 "number of items out of stock". % (=20/50) is calculated, and 16% is calculated as an expected improvement value by multiplying the ratio by 40% (target achievement rate). In addition, 16% calculated as the expected improvement value of Factor 1 "Number of items sold out" is 8 cases as the value of Factor 1 "Number of items sold out" (that is, the current value of Factor 1 "Number of items sold out") (value obtained by multiplying the difference from the optimal value by the target achievement rate).
次に、図４に示すツリー構造においてＫＰＩ１－１「客単価」に影響を与える複数の要因のうちの要因２「商品種類」及び要因３「商品価格」について説明する。ここで、上記したように商品種類が増加すると１つの商品当たりの仕入れ数が減少し、当該仕入れ数に応じて商品価格が変動する可能性があるため、要因２「商品種類」及び要因３「商品価格」は互いに影響を受けるものとして例えばツリー構造情報において予め定義されているものとする。この場合には、要因２「商品種類」及び要因３「商品価格」を対象要因として処理が実行される。
Next,
具体的には、要因抽出部１９は、要因実績格納部１４を参照して、要因２「商品種類」及び要因３「商品価格」の各々の値域を抽出する。ここでは、要因２「商品種類」の値域として最大値「１００種」及び最小値「５０種」が抽出され、要因３「商品価格」の値域として最大値「１５００円」及び最小値「１０００円」が抽出されたものとする。
Specifically, the factor extraction unit 19 refers to the factor
ここで、上記したように要因２「商品種類」及び要因３「商品価格」が互いに影響を受ける場合、要因抽出部１９は、要因２「商品種類」及び要因３「商品価格」の各々の値域を要因最適値算出モデルに入力することによって、当該要因２「商品種類」及び要因３「商品価格」の最適値の組み合わせ（セット）を算出する。この場合、要因最適値算出モデルは、要因２「商品種類」及び要因３「商品価格」の値に応じて変化（改善）するＫＰＩ１－１「客単価」の実績値（または改善実績）等に基づいて生成されており、ＫＰＩ１－１「客単価」の値を最大にすることができると推定される要因２「商品種類」及び要因３「商品価格」の値の組み合わせを出力（算出）するように構成されている。
Here, as described above, when
図１０は、上記した要因最適値算出モデルを用いて算出される要因２「商品種類」及び要因３「商品価格」の最適値の組み合わせの一例を示している。図１０に示す例では、ＫＰＩ１－１「客単価」が最も高くなる最適値の組み合わせとして、要因２「商品種類」の最適値「７０種」及び当該要因３「商品価格」の最適値「１２００円」の組み合わせが算出されている。
FIG. 10 shows an example of a combination of the optimum values of
上記したように要因２「商品種類」及び要因３「商品価格」の最適値の組み合わせが算出された場合、当該組み合わせにおける要因２「商品種類」の最適値を用いて、当該要因２「商品種類」の改善期待値を算出する。
When the combination of the optimum values of
具体的には、要因抽出部１９は、要因２「商品種類」の現状値と最適値との差分を算出する。ここでは、要因２「商品種類」の現状値が８０種であり、当該要因２「商品種類」の最適値が７０種であるため、要因２「商品種類」の現状値と最適値との差分としては１０種が算出される。
Specifically, the factor extraction unit 19 calculates the difference between the current value and the optimum value of the
また、要因抽出部１９は、要因２「商品種類」の現状値、値域及び最適値を目標達成率算出モデルに入力することによって、要因２「商品種類」の目標達成率を算出する。ここでは、要因２「商品種類」の目標達成率として、８０％が算出されたものとする。
Further, the factor extraction unit 19 calculates the target achievement rate of
次に、要因抽出部１９は、要因２「商品種類」の現状値と最適値との差分が当該要因２「商品種類」の値域に占める比率及び当該要因２「商品種類」の目標達成率に基づいて、当該要因２「商品種類」の改善期待値を算出する。
Next, the factor extraction unit 19 determines the ratio of the difference between the current value and the optimum value of the
ここで、要因２「商品種類」の現状値と最適値との差分は１０種であり、当該要因２「商品種類」の値域の最大値及び最小値は１００種及び５０種であり、当該要因２「商品種類」の目標達成率は８０％である。この場合、要因抽出部１９は、要因２「商品種類」の現状値と最適値との差分が当該要因２「商品種類」の値域（最大値－最小値）に占める比率として２０％（＝１０／５０）を算出し、当該比率に８０％（目標達成率）を乗算することによって改善期待値として１６％を算出する。なお、この要因２「商品種類」の改善期待値として算出された１６％は、要因２「商品種類」の値としては８種（つまり、要因２「商品種類」の現状値と最適値との差分に目標達成率を乗算した値）に相当する。
Here, the difference between the current value and the optimum value of the
また、上記したように要因２「商品種類」及び要因３「商品価格」の最適値の組み合わせが算出された場合、当該組み合わせにおける要因３「商品価格」の最適値を用いて、要因３「商品価格」の改善期待値を算出する。
In addition, when the combination of the optimum values of
具体的には、要因抽出部１９は、要因３「商品価格」の現状値と最適値との差分を算出する。ここでは、要因３「商品種類」の現状値が１５００円であり、当該要因３「商品種類」の最適値が１２００円であるため、要因３「商品価格」の現状値と最適値との差分としては３００円が算出される。 Specifically, the factor extraction unit 19 calculates the difference between the current value and the optimum value of the factor 3 “commodity price”. Here, the current value of the factor 3 "product type" is 1500 yen, and the optimum value of the factor 3 "product type" is 1200 yen, so the difference between the current value and the optimum value of the factor 3 "product price" 300 yen is calculated as
また、要因抽出部１９は、要因３「商品価格」の現状値、値域及び最適値を目標達成率算出モデルに入力することによって、要因３「商品価格」の目標達成率を算出する。ここでは、要因３「商品価格」の目標達成率として、７０％が算出されたものとする。 Further, the factor extraction unit 19 calculates the target achievement rate of the factor 3 "product price" by inputting the current value, range and optimum value of the factor 3 "product price" into the target achievement rate calculation model. Here, it is assumed that 70% is calculated as the target achievement rate of the factor 3 "product price".
次に、要因抽出部１９は、要因３「商品価格」の現状値と最適との差分が当該要因３「商品価格」の値域に占める比率及び当該要因３「商品価格」の目標達成率に基づいて、当該要因３「商品価格」の改善期待値を算出する。 Next, the factor extraction unit 19 calculates the ratio of the difference between the current value of the factor 3 "product price" and the optimum value to the value range of the factor 3 "product price" and the target achievement rate of the factor 3 "product price". Then, the expected improvement value of the factor 3 “commodity price” is calculated.
ここで、要因３「商品価格」の現状値と最適値との差分は３００円であり、当該要因３「商品価格」の値域の最大値及び最小値は１５００円及び１０００円であり、当該要因３「商品価格」の目標達成率は７０％である。この場合、要因抽出部１９は、要因３「商品価格」の現状値と最適値との差分が当該要因３「商品価格」の値域（最大値－最小値）に占める比率として６０％（＝３００／５００）を算出し、当該比率に７０％（目標達成率）を乗算することによって改善期待値として４２％を算出する。なお、この要因３「商品価格」の改善期待値として算出された４２％は、要因３「商品価格」の値としては２１０円（つまり、要因３「商品価格」の現状値と最適値との差分に目標達成率を乗算した値）に相当する。 Here, the difference between the current value and the optimum value of the factor 3 "product price" is 300 yen, the maximum and minimum values of the value range of the factor 3 "product price" are 1500 yen and 1000 yen, and the factor 3 The target achievement rate for “commodity price” is 70%. In this case, the factor extraction unit 19 determines that the ratio of the difference between the current value and the optimum value of factor 3 “product price” to the value range (maximum value−minimum value) of factor 3 “product price” is 60% (=300 /500), and by multiplying the ratio by 70% (target achievement rate), 42% is calculated as the expected improvement value. Note that the 42% calculated as the expected improvement value for factor 3 “commodity price” is equivalent to 210 yen for factor 3 “commodity price” (that is, the difference between the current value and the optimal value for factor 3 “commodity price”). (value obtained by multiplying the difference by the target achievement rate).
上記したように要因１「品切件数」、要因２「商品種類」及び要因３「商品価格」の各々について改善期待値が算出された場合、要因抽出部１９は、当該改善期待値に基づいて重要要因候補を抽出する。具体的には、例えば重要要因候補として改善予測値が上位１つ（つまり、最上位）の要因が抽出される場合には、要因抽出部１９は、要因３「商品価格」を重要要因候補として抽出する。
As described above, when the expected improvement value is calculated for each of the factor 1 "number of products sold out", the
なお、図９においては、要因２「商品種類」及び要因３「商品価格」が互いに影響を受けるものとして説明したが、例えば予算等の都合上、商品種類を増やしすぎれば各商品の在庫数が減少し、品切件数が増えるという観点に基づいて当該要因１「品切件数」及び要因２「商品種類」が互いに影響を受けるものとして予め定義されているような場合には、当該要因１「品切件数」及び要因２「商品種類」の最適値の組み合わせを算出して、重要要因候補を抽出するようにしてもよい。
In FIG. 9, it was explained that
上記したように本実施形態においては、ソリューションを変更することによって過去にＫＰＩの値が改善した実績を示すＫＰＩ改善実績データ（第２実績データ）に基づいて生成された目標達成率算出モデル（第１統計モデル）に、ＫＰＩの現状値及び当該ＫＰＩの過去の実績値を示すＫＰＩ実績データ（第１実績データ）に基づいて抽出されたＫＰＩの値域を入力することによって、ＫＰＩの値域に基づく目標値に対して当該ＫＰＩの現状値が達することができる割合（第１割合）を目標達成率として算出する。また、本実施形態においては、ＫＰＩの現状値、当該ＫＰＩの値域に基づく目標値及び目標達成率に基づいて算出される当該ＫＰＩの改善期待値（改善予測値）からＫＧＩの改善予測値を算出し、当該ＫＧＩの改善予測値に基づいて当該ＫＰＩを重要ＫＰＩ候補（ＫＧＩを改善するために重要であると推定されるＫＰＩの候補）としてユーザに提示する。 As described above, in the present embodiment, the target achievement rate calculation model (second 1 statistical model), by inputting the KPI value range extracted based on the KPI performance data (first performance data) that shows the current value of the KPI and the past performance value of the KPI, the target based on the KPI value range The ratio (first ratio) at which the current value of the KPI can reach the value is calculated as the target achievement ratio. In addition, in this embodiment, the KGI improvement prediction value is calculated from the KPI current value, the target value based on the KPI range, and the KPI improvement expected value (improvement prediction value) calculated based on the target achievement rate. Then, the KPI is presented to the user as an important KPI candidate (KPI candidate estimated to be important for improving the KGI) based on the predicted improvement value of the KGI.
本実施形態においては、このような構成により、専門的な知識及び経験を有していないユーザや現状を把握していないユーザであっても、当該現状に対して改善効果及び改善実現性の高いＫＰＩを容易に把握し、当該ＫＰＩを改善するためのソリューションを選定することが可能となる。 In this embodiment, with such a configuration, even a user who does not have specialized knowledge and experience or who does not understand the current situation can improve the current situation with high improvement effect and improvement feasibility. It is possible to easily grasp the KPI and select a solution for improving the KPI.
具体的には、ＫＰＩはＫＧＩ（ビジネスにおける目的）を達成するための手段の一つであるが、当該ＫＰＩが上昇（改善）したとしてもＫＧＩの上昇（改善）への寄与度が低い場合があり、このようなＫＰＩは重要であるとは言えない。すなわち、ＫＰＩの値のみに着目することは原因分析が不十分であることを意味し、このような場合には、ＫＰＩは向上するがＫＧＩの向上には寄与しない可能性が高くなる。これに対して、本実施形態においては、ＫＰＩの改善予測値（改善期待値）だけではなく、ＫＧＩの改善予測値に基づいて重要ＫＰＩ候補を抽出するため、ＫＧＩを改善するためのより適切なＫＰＩをユーザに対して提示することができる。これにより、本実施形態においては、ビジネスにおける適切なソリューションの選定を支援することができる。 Specifically, KPI is one of the means to achieve KGI (purpose in business), but even if the KPI increases (improves), there are cases where the contribution to the increase (improvement) of KGI is low. Therefore, such KPIs cannot be said to be important. That is, focusing only on the KPI value means that the cause analysis is insufficient, and in such a case, the KPI is improved, but there is a high possibility that it does not contribute to the improvement of the KGI. On the other hand, in the present embodiment, important KPI candidates are extracted based on not only the KPI improvement predicted value (improvement expected value) but also the KGI improvement predicted value. KPIs can be presented to the user. Thereby, in this embodiment, it is possible to support the selection of an appropriate solution in business.
なお、本実施形態において、上記したＫＧＩの改善予測値はツリー構造情報において定義されているＫＰＩ毎に算出され、当該ＫＰＩ毎に算出されたＫＧＩの改善予測値が上位のＫＰＩが重要ＫＰＩ候補としてユーザに提示される。本実施形態においては、このような構成により、ツリー構造情報において多数のＫＰＩが定義されているような場合であっても、当該多数のＫＰＩの中から適切な重要ＫＰＩ候補を自動的に抽出することが可能となる。 In this embodiment, the predicted KGI improvement value described above is calculated for each KPI defined in the tree structure information, and the KPI with the higher predicted KGI improvement value calculated for each KPI is selected as an important KPI candidate. presented to the user. In this embodiment, with such a configuration, even when a large number of KPIs are defined in the tree structure information, suitable important KPI candidates are automatically extracted from the large number of KPIs. becomes possible.
また、本実施形態においては、過去の改善実績に基づいて生成される目標達成率算出モデルを用いて目標達成率が算出されるが、当該目標達成率は、ＫＰＩの現状値が当該ＫＰＩの値域に基づく目標値に遠いほど高く算出され、ＫＰＩの現状値が当該ＫＰＩの値域に基づく目標値に近いほど低く算出される。本実施形態においては、このような構成により、より改善する可能性（実現可能性）の高いＫＰＩを重要ＫＰＩ候補として抽出することが可能となる。なお、上記したＫＰＩの値域に基づく目標値は、当該ＫＰＩの値域のうちＫＧＩの値を最も改善することができる値（最高値）であり、例えば当該ＫＰＩの値域の最大値（または最小値）等である。 In addition, in the present embodiment, the target achievement rate is calculated using a target achievement rate calculation model generated based on past improvement results. The closer the current value of the KPI is to the target value based on the value range of the KPI, the lower the value is calculated. In this embodiment, with such a configuration, it is possible to extract KPIs that are more likely to be improved (feasibility) as important KPI candidates. The target value based on the range of the KPI described above is the value (highest value) that can most improve the value of the KGI in the range of the KPI. etc.
更に、本実施形態においては、要因の過去の実績値を示す要因実績データ（第３実績データ）に基づいて当該要因の値域を抽出し、ＫＰＩ実績データ及び要因実績データに基づいて生成された要因最適値算出モデル（第２統計モデル）に当該要因の値域を入力することによって、ＫＰＩの値を最大にする当該要因の最適値を算出する。また、本実施形態においては、ソリューションを変更することによって過去に要因の値が改善した実績を示す要因改善実績データ（第４実績データ）に基づいて生成された目標達成率算出モデル（第３統計モデル）に要因の現状値、値域及び最適値を入力することによって、当該要因の最適値に対して当該要因の現状値が達することができる割合（第２割合）を目標達成率として算出する。更に、本実施形態においては、要因の現状値と当該要因の最適値との差分が当該要因の値域に占める比率及び目標達成率から算出された当該要因の改善期待値に基づいて、当該要因を重要要因候補（ＫＧＩを改善するために重要であると推定される要因の候補）としてユーザに提示する。 Furthermore, in the present embodiment, the value range of the factor is extracted based on the factor performance data (third performance data) indicating the past performance value of the factor, and the factor generated based on the KPI performance data and the factor performance data By inputting the value range of the factor into the optimum value calculation model (second statistical model), the optimum value of the factor that maximizes the KPI value is calculated. Further, in the present embodiment, a target achievement rate calculation model (third statistics By inputting the current value, value range, and optimum value of the factor into the model), the ratio (second ratio) at which the current value of the factor can reach the optimum value of the factor is calculated as the target achievement ratio. Furthermore, in the present embodiment, the factor is determined based on the expected improvement value of the factor calculated from the ratio of the difference between the current value of the factor and the optimum value of the factor to the value range of the factor and the target achievement rate. They are presented to the user as important factor candidates (factor candidates presumed to be important for improving the KGI).
本実施形態においては、このような構成により、要因の最適値を算出する要因最適値算出モデルを利用し、当該要因の現状値を最適値とすることでＫＰＩが最も改善される（上昇する）と推定される要因を、現状に最も影響を与えている要因として自動的に抽出することが可能となる。これにより、本実施形態においては、専門的な知識及び経験を有していないユーザや現状を把握していないユーザであっても、当該現状に対して改善効果及び改善実現性の高い要因を容易に把握し、当該要因を改善するためのソリューションを選定することが可能となる。 In this embodiment, with such a configuration, the KPI is most improved (increased) by using the factor optimum value calculation model for calculating the optimum value of the factor and setting the current value of the factor to the optimum value. It is possible to automatically extract the factors that are presumed to be the factors that have the greatest impact on the current situation. As a result, in the present embodiment, even a user who does not have specialized knowledge and experience or who does not understand the current situation can easily identify the factors with high improvement effect and improvement feasibility for the current situation. It will be possible to grasp the problem and select a solution to improve the factor.
なお、本実施形態において、上記した要因の改善期待値は例えば重要ＫＰＩ候補として抽出されたＫＰＩに影響を与える要因毎に算出され、当該要因毎に算出された改善予測値が上位の要因が重要要因候補としてユーザに提示される。本実施形態においては、このような構成により、ツリー構造情報において多数の要因が定義されているような場合であっても、当該多数の要因の中から適切な重要要因候補を自動的に抽出することが可能となる。 In the present embodiment, the expected improvement value of the factors described above is calculated, for example, for each factor that affects the KPI extracted as an important KPI candidate. It is presented to the user as a factor candidate. In this embodiment, with such a configuration, even when a large number of factors are defined in the tree structure information, appropriate important factor candidates are automatically extracted from the large number of factors. becomes possible.
また、本実施形態において、重要ＫＰＩ候補として抽出されたＫＰＩに影響を与える複数の要因の中に互いに影響を受ける複数（例えば、２つ）の要因が含まれている場合には、当該ＫＰＩの値を最大にする当該２つの要因の最適値の組み合わせを算出する。本実施形態においては、このような組み合わせとして算出された最適値を用いて重要要因候補を抽出することにより、要因間における副次的な影響を考慮した適切な要因をユーザに対して提示することができる。 In addition, in this embodiment, when a plurality of factors affecting a KPI extracted as an important KPI candidate includes a plurality of factors (for example, two) that affect each other, A combination of optimal values of the two factors that maximizes the value is calculated. In the present embodiment, by extracting important factor candidates using the optimum values calculated as such combinations, it is possible to present to the user appropriate factors that take into account secondary effects between factors. can be done.
ここで、本実施形態においては例えば図５に示すようなツリー構造表示画面が表示され、当該ツリー構造表示画面上で重要ＫＰＩ候補及び重要要因候補が提示（強調表示）されるものとして説明したが、ソリューション選定支援装置１０に表示される画面は図５に示すツリー構造表示画面と異なっていてもよい。
Here, in the present embodiment, for example, the tree structure display screen as shown in FIG. 5 is displayed, and important KPI candidates and important factor candidates are presented (highlighted) on the tree structure display screen. , the screen displayed on the solution
以下、上記した図３に示す処理が実行される場合におけるソリューション選定支援装置１０に表示される画面（ＧＵＩ）の他の例について説明する。なお、ツリー構造情報には上記した図４において説明したツリー構造が定義されているものとする。
Another example of the screen (GUI) displayed on the solution
まず、図１１は、図３に示すステップＳ１～Ｓ３の処理が実行された後にソリューション選定支援装置１０に表示される画面（以下、第１ツリー構造表示画面と表記）の一例である。
First, FIG. 11 is an example of a screen (hereinafter referred to as a first tree structure display screen) displayed on the solution
図１１に示す例では、第１ツリー構造表示画面３０１には、ＫＧＩ「人時売上高」、ＫＰＩＩ１「総売上高」、ＫＰＩ１－１「客単価」、ＫＰＩ１－２「来客数」、ＫＰＩ２「総労働時間」がツリー形式で表示されている。図４及び図５においては省略されていたが、ここでは、ＫＰＩ２「総労働時間」の下位に位置するＫＰＩとして、ＫＰＩ２－１「開店準備時総労働時間」、ＫＰＩ２－２「営業時総労働時間」及びＫＰＩ２－３「閉店準備時総労働時間」が表示（定義）している。なお、図１１においては、ＫＧＩ及びＫＰＩ等の表記は省略されている。
In the example shown in FIG. 11, on the first tree
また、第１ツリー構造表示画面３０１においては、ＫＧＩ及びＫＰＩの近傍に当該ＫＧＩ及びＫＰＩの現状値が表示されている。
Also, on the first tree
なお、ステップＳ１～Ｓ３処理が実行された時点では、図１１に示すようにツリー構造情報において定義されている要因については表示されないものとする。 It should be noted that the factors defined in the tree structure information as shown in FIG. 11 are not displayed when steps S1 to S3 are executed.
ここで、ツリー構造情報においては多数のＫＧＩ及びＫＰＩ等が定義されている場合があるが、このような場合においては、例えば図１２に示す画面（以下、条件指定画面と表記）３０１ａを介して第１ツリー構造表示画面３０１に表示するツリー構造の範囲を指定可能な構成としてもよい。
Here, in the tree structure information, there are cases where a large number of KGIs and KPIs are defined. A configuration in which the range of the tree structure to be displayed on the first tree
具体的には、条件指定画面３０１ａ中の対象ＫＧＩ／ＫＰＩの欄には、例えば第１ツリー構造表示画面３０１に表示するＫＧＩ（対象ＫＧＩ）またはＫＰＩ（対象ＫＰＩ）の名称等を入力することができる。これによれば、対象ＫＧＩ／ＫＰＩの欄において名称が入力されたＫＧＩまたはＫＰＩに関する範囲（部分）のツリー構造のみを第１ツリー構造表示画面３０１に表示させることができる。
Specifically, the name of the KGI (target KGI) or KPI (target KPI) displayed on the first tree
また、条件指定画面３０１ａ中の条件の欄には、例えば第１ツリー構造表示画面３０１に表示するＫＧＩまたはＫＰＩの現状値に関する条件を入力することができる。これによれば、現状値が条件の欄において入力された条件を満たすＫＧＩまたはＫＰＩに関する範囲（部分）のみを第１ツリー構造表示画面３０１に表示させることができる。
In addition, in the condition field in the condition specifying screen 301a, conditions regarding the current value of the KGI or KPI to be displayed on the first tree
次に、図３に示すステップＳ４及びＳ５の処理が実行された場合、上記した図１１に示す第１ツリー構造表示画面３０１は、図１３に示す画面（以下、第２ツリー構造表示画面と表記）３０２に遷移する。
Next, when the processes of steps S4 and S5 shown in FIG. 3 are executed, the first tree
ここで、図３に示すステップＳ３において重要ＫＰＩ候補としてＫＰＩ１－１「客単価」及びＫＰＩ２－１「開店準備時総労働時間」が抽出されたものとすると、図１３に示す第２ツリー構造表示画面３０２においては、当該ＫＰＩ１－１「客単価」及びＫＰＩ２－１「開店準備時総労働時間」が他のＫＰＩと区別可能な態様で表示される。図１３においては、例えばＫＰＩ１－１「客単価」及びＫＰＩ２－１「開店準備時総労働時間」の現状値が強調表示される例が示されているが、当該ＫＰＩ１－１「客単価」（ノード）及びＫＰＩ２－１「開店準備時総労働時間」（ノード）を他のＫＰＩよりも大きく表示する（つまり、枠を拡大する）ようにしてもよい。
Here, assuming that KPI 1-1 “Customer unit price” and KPI 2-1 “Total working hours during store opening preparation” are extracted as important KPI candidates in step S3 shown in FIG. 3, the second tree structure display shown in FIG. On the
また、上記したように図３に示すステップＳ３の重要ＫＰＩ候補抽出処理においては、ＫＧＩ「人時売上高」の改善予測値が上位のＫＰＩが重要ＫＰＩ候補として抽出されるが、第２ツリー構造表示画面３０２においては、当該改善予測値に基づく優先順位が更に表示されてもよい。具体的には、重要ＫＰＩ候補としてＫＰＩ１－１「客単価」及びＫＰＩ２－１「開店準備時総労働時間」が抽出されている場合においてＫＰＩ２－１「開店準備時総労働時間」よりもＫＰＩ１－１「客単価」の方がＫＧＩの改善予測値が高い場合には、例えば図１４に示すような第２ツリー構造表示画面３０２を表示してもよい。
Further, as described above, in the important KPI candidate extraction process in step S3 shown in FIG. 3, the KPI with the highest predicted improvement value of the KGI "man-hour sales" is extracted as an important KPI candidate. The
なお、図１３及び図１４においてはＫＧＩ「人時売上高」の下位に位置する全てのＫＰＩが表示されているが、例えば上記した条件指定画面３０１ａ中の条件の欄に改善予測値に関する条件が指定されている場合には、ＫＧＩ「人時売上高」（または各ＫＰＩ）の改善予測値が当該条件を満たすＫＰＩのみが第２ツリー構造表示画面３０２に表示されるようにしてもよい。
In FIGS. 13 and 14, all KPIs positioned below the KGI "man-hour sales" are displayed. If specified, the second tree
ここで、上記した第２ツリー構造表示画面３０２が表示された場合、ユーザは、当該第２ツリー構造表示画面３０２上で、重要要因候補を抽出する対象となるＫＰＩを重要ＫＰＩとして選択することができるものとする。この場合、図１３（または図１４）に示す第２ツリー構造表示画面３０２は、図１５に示す画面（以下、第３ツリー構造表示画面と表記）３０３に遷移する。なお、図１５は、ＫＰＩ１－１「客単価」が重要ＫＰＩとして選択された場合に表示される第３ツリー構造表示画面３０３を示している。
Here, when the above-described second tree
図１５に示すようにＫＰＩ１－１「客単価」が重要ＫＰＩとして選択された場合、第３ツリー構造表示画面３０３中の当該ＫＰＩ１－１「客単価」の近傍には、当該ＫＰＩ１－１「客単価」の改善予測値が表示されるものとする。同様に、ＫＧＩ「人時売上高」及びＫＰＩ１「総売上高」の近傍には、当該ＫＧＩ「人時売上高」及びＫＰＩ１－１「客単価」の改善予測値がそれぞれ表示されている。なお、これらの改善予測値については上記した図６において説明した通りであるため、ここではその詳しい説明を省略する。
As shown in FIG. 15, when the KPI 1-1 “customer unit price” is selected as the important KPI, the KPI 1-1 “customer unit price” is displayed near the KPI 1-1 “customer unit price” in the third tree
また、第３ツリー構造表示画面３０３には、ユーザによって重要ＫＰＩとして選択されたＫＰＩ１－１「客単価」に対応づけて、当該ＫＰＩ１－１「客単価」に関する分析情報を表示する領域（以下、第１分析情報表示領域と表記）３０３ａが設けられている。この第１分析情報表示領域３０３ａには、例えばＫＰＩ１－１「客単価」の現状値、実績値（ＫＰＩ実績データ）、値域及び改善予測値（改善期待値）等のうちの少なくとも１つが分析情報として表示されればよい。なお、図１５に示す例では、第１分析情報表示領域３０３ａには、直近（例えば、６か月分）の月毎のＫＰＩ１－１「客単価」の実績値、値域（最高値、最低値及び平均値）及び改善予測値等を含む分析情報がグラフ形式で表示されている。ユーザは、このような第１分析情報表示領域３０３ａに表示された分析情報を参照しながら重要ＫＰＩを選択することができる。
In addition, on the third tree
なお、上記した第１分析情報表示領域３０３ａに分析情報として表示される現状値、値域及び改善予測値等は、ステップＳ４の処理（重要ＫＰＩ候補抽出処理）が実行された際にソリューション選定支援装置１０の内部に保持されていればよい。
It should be noted that the current value, value range, improvement prediction value, and the like displayed as analysis information in the first analysis
ここでは図１５においては重要ＫＰＩ候補として抽出されたＫＰＩ１－１「客単価」をユーザが重要ＫＰＩとして選択する例について説明したが、図１６に示す第３ツリー構造表示画面３０３のように、ユーザは重要ＫＰＩ候補として抽出されていないＫＰＩ２－３「閉店準備時総労働時間」等を重要ＫＰＩとして選択しても構わない。 Here, in FIG. 15, an example in which the user selects the KPI 1-1 “customer unit price” extracted as an important KPI candidate as an important KPI has been described. may select KPI 2-3 “total working hours during closing preparation”, etc., which are not extracted as important KPI candidates, as important KPIs.
上記したようにユーザによってＫＰＩ１－１「客単価」が重要ＫＰＩとして選択された場合、当該重要ＫＰＩに影響を与える複数の要因を対象として図３に示すステップＳ６及びＳ７に示す処理が実行される。この場合、図１５に示す第３ツリー構造表示画面３０３は、図１７に示す画面（以下、第４ツリー構造表示画面と表記）３０４に遷移する。
As described above, when KPI 1-1 “customer unit price” is selected by the user as an important KPI, the processes shown in steps S6 and S7 shown in FIG. 3 are executed for a plurality of factors affecting the important KPI. . In this case, the third tree
上記したようにＫＰＩ１－１「客単価」が重要ＫＰＩとして選択された場合、第４ツリー構造表示画面３０４には、上記したＫＧＩ及びＫＰＩに加えて、当該ＫＰＩ１－１「客単価」に影響を与える要因１「品切件数」、要因２「商品種類」及び要因３「商品価格（平均商品価格）」が表示される。
As described above, when KPI 1-1 “customer unit price” is selected as an important KPI, the fourth tree
ここで、図３に示すステップＳ６において重要要因候補として要因３「商品価格」が抽出されたものとすると、図１７に示す第４ツリー構造表示画面３０４には、当該要因３「商品価格」が他の要因と区別可能な態様で表示される。図１７においては、例えば要因３「商品価格」の現状値が強調表示される例が示されているが、当該要因３「商品価格」（ノード）を他の要因よりも大きく表示するようにしてもよい。
Here, assuming that the factor 3 "commercial price" is extracted as an important factor candidate in step S6 shown in FIG. 3, the fourth tree
また、第４ツリー構造表示画面３０４には、重要要因候補として抽出された要因３「商品価格」に対応づけて、当該要因３「商品価格」に関する分析情報を表示する領域（以下、第２分析情報表示領域と表記）３０４ａが設けられている。この第２分析情報表示領域３０４ａには、例えば要因３「商品価格」の最適値等が分析情報として表示されればよい。図１７に示す例では、第２分析情報表示領域３０４ａには、上記した図１０に示すような要因２「商品種類」及び要因３「商品価格」の最適値の組み合わせを表す情報が表示されている。
In addition, on the fourth tree
なお、上記した第２分析情報表示領域３０４ａに分析情報として表示される最適値等は、ステップＳ６の処理（重要要因候補抽出処理）が実行された際にソリューション選定支援装置１０の内部に保持されていればよい。
It should be noted that the optimum values and the like displayed as analysis information in the second analysis information display area 304a are held inside the solution
ここで、上記した第４ツリー構造表示画面３０４が表示された場合、ユーザは、第２分析情報表示領域３０４ａに表示された分析情報を参照して、ソリューションを選定する対象となる要因を重要要因として選択することができるものとする。重要要因候補として抽出された要因３「商品価格」がユーザによって選択されたものとすると、図１７に示す第４ツリー構造表示画面３０４は、図１８に示す画面（以下、第５ツリー構造表示画面と表記）３０５に遷移する。
Here, when the above-described fourth tree
図１８に示すように、第５ツリー構造表示画面３０５においては、ユーザによって重要要因として選択された要因３「商品価格」を改善するためのソリューション（図４及び図５に示すソリューション５及び６）として例えば「値下げ」及び「値上げ」が表示される。
As shown in FIG. 18, on the fifth tree
本実施形態においては、上記したような第１～第５ツリー構造表示画面３０１～３０５が順次表示されることによって、ユーザは、ソリューション選定支援装置１０によって抽出された重要ＫＰＩ候補及び重要要因候補を参考にして、ＫＧＩ「人時売上高」を改善するための適切なソリューションを選定することができる。
In this embodiment, by sequentially displaying the first to fifth tree structure display screens 301 to 305 as described above, the user can select important KPI candidates and important factor candidates extracted by the solution
すなわち、本実施形態においては、ＫＧＩ「人時売上高」を改善するためのソリューションをワンステップで選定せず、重要ＫＰＩの抽出（現状分析）、重要要因の抽出（原因分析）及びソリューションの選定の順で段階的な分析（効果予測）を行うことにより、最終的に選定するソリューションの妥当性を向上させることができる。 In other words, in this embodiment, instead of selecting a solution for improving the KGI "person-hour sales" in one step, extraction of important KPIs (current situation analysis), extraction of important factors (cause analysis), and selection of solutions By performing step-by-step analysis (effect prediction) in the order of , the validity of the finally selected solution can be improved.
また、本実施形態においては、ＫＧＩ、ＫＰＩ及び要因の関係性をツリー形式で可視化する構成であるため、ソリューションの選定に関してユーザは直観的に現状等を把握することが可能となる。 In addition, in this embodiment, since the relationship between KGI, KPI and factors is visualized in a tree format, the user can intuitively grasp the current situation regarding selection of a solution.
更に、本実施形態においては、上記したように重要ＫＰＩ候補または重要要因候補に関する分析情報が表示されるため、ユーザは、当該分析情報に基づいて適切な重要ＫＰＩまたは重要要因を選択することができる。 Furthermore, in this embodiment, as described above, analysis information regarding important KPI candidates or important factor candidates is displayed, so the user can select an appropriate important KPI or important factor based on the analysis information. .
なお、ユーザによる適切なソリューションの選定を支援することができるのであれば、ソリューション選定支援装置１０に表示される画面は、本実施形態において説明したツリー構造表示画面以外であってもよい。
Note that the screen displayed on the solution
更に、本実施形態においては図３に示すように重要ＫＰＩ候補抽出処理及び重要要因候補抽出処理が順次実行されるものとして説明したが、本実施形態に係るソリューション選定支援装置１０は、当該重要ＫＰＩ候補抽出処理及び重要要因候補抽出処理のうちの一方のみを実行する構成であっても構わない。なお、重要ＫＰＩ候補抽出処理のみが実行される構成の場合には、ユーザは、重要ＫＰＩ候補抽出処理において抽出された重要ＫＰＩ候補を参考にして、当該重要ＫＰＩ候補に影響を与える要因及び当該要因を改善するためのソリューションを選定すればよい。一方、重要要因候補抽出処理のみが実行される構成の場合には、ユーザは、例えば当該ユーザによって選定されたＫＰＩに影響を与える複数の要因のうち重要要因候補抽出処理において抽出された重要要因候補を参考にして、当該重要要因候補を改善するためのソリューションを選定すればよい。 Furthermore, in the present embodiment, the important KPI candidate extraction process and the important factor candidate extraction process are sequentially executed as shown in FIG. The configuration may be such that only one of the candidate extraction process and the important factor candidate extraction process is executed. In the case of a configuration in which only the important KPI candidate extraction process is executed, the user refers to the important KPI candidates extracted in the important KPI candidate extraction process, choose a solution to improve On the other hand, in the case of a configuration in which only the important factor candidate extraction process is executed, the user selects, for example, the important factor candidates extracted in the important factor candidate extraction process from among the multiple factors that affect the KPI selected by the user. can be used as a reference to select a solution to improve the relevant important factor candidates.
なお、本実施形態においてはソリューション選定支援装置１０が１つの装置であるものとして説明したが、本実施形態に係るソリューション選定支援装置１０は、例えば図１に示す各部１１～１９が分散して配置された複数の装置によって実現されても構わない。
In this embodiment, the solution
また、ソリューション選定支援装置１０に含まれている各格納部１１～１５は、当該ソリューション選定支援装置１０の外部のサーバ装置（例えば、クラウドサーバ）等に設けられていてもよい。
Further, each of the
本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。 While several embodiments of the invention have been described, these embodiments have been presented by way of example and are not intended to limit the scope of the invention. These embodiments can be implemented in various other forms, and various omissions, replacements, and modifications can be made without departing from the scope of the invention. These embodiments and their modifications are included in the scope and spirit of the invention, as well as the scope of the invention described in the claims and equivalents thereof.
１０…ソリューション選定支援装置、１１…ツリー構造情報格納部、１２…ＫＰＩ実績格納部、１３…ＫＰＩ改善実績格納部、１４…要因実績格納部、１５…要因改善実績格納部、１６…取得部、１７…ＵＩ部、１８…ＫＰＩ抽出部、１９…要因抽出部、１０１…ＣＰＵ、１０２…不揮発性メモリ、１０３…主メモリ、１０４…ＢＩＯＳ－ＲＯＭ、１０５…システムコントローラ、１０６…入力デバイス、１０７…表示デバイス、１０８…通信デバイス、１０９…ＥＣ。
10... solution selection support device, 11... tree structure information storage unit, 12... KPI result storage unit, 13... KPI improvement result storage unit, 14... factor result storage unit, 15... factor improvement result storage unit, 16... acquisition unit, 17
Claims (13)
前記コンピュータに、
前記ＫＧＩを算出するための指標であるＫＰＩの現状値を取得するステップと、
前記ＫＰＩの過去の実績値を示す第１実績データに基づいて、当該ＫＰＩが取り得る値の範囲を含む当該ＫＰＩの値域を抽出するステップと、
前記ソリューションを変更することによって過去に前記ＫＰＩの値が改善した実績を示す第２実績データに基づいて生成された第１統計モデルに前記ＫＰＩの現状値及び前記ＫＰＩの値域を入力することによって、前記ＫＰＩの値域に基づく目標値に対して当該ＫＰＩの現状値が達することができる第１割合を算出するステップと、
前記ＫＰＩの現状値、前記ＫＰＩの値域に基づく目標値及び前記第１割合に基づいて前記ＫＰＩの期待値を算出するステップと、
前記ＫＰＩの期待値に基づいて前記ＫＧＩの予測値を算出するステップと、
前記ＫＧＩの予測値に基づいて前記ＫＰＩを重要ＫＰＩ候補としてユーザに提示するステップと
を実行させるためのプログラム。 A program executed by a computer of a solution selection support device for supporting selection of a solution for improving KGI, which is an index indicating a goal to be achieved in business, comprising:
to said computer;
a step of obtaining a current value of a KPI, which is an index for calculating the KGI;
a step of extracting a value range of the KPI including a range of possible values of the KPI based on first performance data indicating past performance values of the KPI;
By inputting the current value of the KPI and the range of the KPI into a first statistical model that is generated based on second performance data that indicates the past performance of improving the value of the KPI by changing the solution, calculating a first percentage by which the current value of the KPI can reach a target value based on the range of the KPI;
calculating an expected value of the KPI based on the current value of the KPI, a target value based on the range of the KPI, and the first ratio;
calculating a predicted value of the KGI based on the expected value of the KPI;
and presenting the KPI to the user as an important KPI candidate based on the predicted value of the KGI.
前記提示するステップは、前記複数のＫＰＩの各々に対して算出された前記ＫＧＩの予測値が上位のＫＰＩを前記重要ＫＰＩ候補として前記ユーザに提示するステップを含む
請求項１記載のプログラム。 The steps of obtaining, extracting, calculating the first ratio, calculating the expected value of the KPI, and calculating the predicted value of the KGI are performed in order to calculate the value of the KGI. is executed for each of a plurality of KPIs that are indicators of
2. The program according to claim 1, wherein said presenting step includes a step of presenting to said user a KPI with a higher predicted value of said KGI calculated for each of said plurality of KPIs as said important KPI candidate.
前記ＫＰＩに影響を与える要因の現状値を取得するステップと、
前記要因の過去の実績値を示す第３実績データに基づいて、当該要因が取り得る値の範囲を含む当該要因の値域を抽出するステップと、
前記第１及び第３実績データに基づいて生成された第２統計モデルに前記要因の値域を入力することによって、前記ＫＰＩの値を最大にする当該要因の最適値を算出するステップと、
前記ソリューションを変更することによって過去に前記要因の値が改善した実績を示す第４実績データに基づいて生成された第３統計モデルに前記要因の現状値、前記要因の値域及び前記要因の最適値を入力することによって、前記要因の最適値に対して当該要因の最適値が達することができる第２割合を算出するステップと、
前記要因の現状値と前記要因の最適値との差分が前記要因の値域に占める比率及び前記第２割合に基づいて、前記要因の期待値を算出するステップと
を更に実行させ、
前記提示するステップは、前記要因の期待値に基づいて当該要因を重要要因候補として前記ユーザに更に提示するステップを含む
請求項１記載のプログラム。 to said computer;
obtaining current values of factors affecting the KPI;
a step of extracting a value range of the factor including a range of possible values of the factor based on third performance data indicating past performance values of the factor;
calculating the optimum value of the factor that maximizes the value of the KPI by inputting the value range of the factor into a second statistical model generated based on the first and third performance data;
a current value of the factor, a range of the factor, and an optimal value of the factor in a third statistical model generated based on fourth performance data showing a past performance of improving the value of the factor by changing the solution; calculating a second percentage that the optimum value of the factor can reach relative to the optimum value of the factor by entering
calculating an expected value of the factor based on the ratio of the difference between the current value of the factor and the optimum value of the factor in the value range of the factor and the second ratio;
2. The program according to claim 1, wherein the presenting step further includes a step of presenting the factor to the user as an important factor candidate based on an expected value of the factor.
前記提示するステップは、前記複数の要因の各々に対して算出された期待値が上位の要因を前記重要要因候補として前記ユーザに提示するステップを含む
請求項５記載のプログラム。 the step of obtaining the current value of the factor, the step of extracting the value range of the factor, the step of calculating the optimum value of the factor, the step of calculating the second ratio, and the step of calculating the expected value of the factor, , is performed for each of a plurality of factors affecting said KPI;
6. The program according to claim 5, wherein said step of presenting includes a step of presenting to said user a factor having a high expected value calculated for each of said plurality of factors as said important factor candidate.
前記ＫＧＩ、前記ＫＰＩ及び前記要因の関係性をツリー形式で提示するステップと、
前記重要ＫＰＩ候補として提示されたＫＰＩが前記ユーザによって選択された場合に、当該ＫＰＩに影響を与える要因を前記重要要因候補として提示するステップと
を含む
請求項５記載のプログラム。 The presenting step includes:
presenting the relationship between the KGI, the KPI and the factors in a tree format;
6. The program according to claim 5, further comprising, when the KPI presented as the important KPI candidate is selected by the user, presenting a factor affecting the KPI as the important factor candidate.
前記ＫＧＩを算出するための指標であるＫＰＩの現状値を取得するステップと、
前記ＫＰＩの過去の実績値を示す第１実績データに基づいて、当該ＫＰＩが取り得る値の範囲を含む当該ＫＰＩの値域を抽出するステップと、
前記ソリューションを変更することによって過去に前記ＫＰＩの値が改善した実績を示す第２実績データに基づいて生成された第１統計モデルに前記ＫＰＩの現状値及び前記ＫＰＩの値域を入力することによって、前記ＫＰＩの値域に基づく目標値に対して当該ＫＰＩの現状値が達成することができる第１割合を算出するステップと、
前記ＫＰＩの現状値、前記ＫＰＩの値域に基づく目標値及び前記第１割合に基づいて前記ＫＰＩの期待値を算出するステップと、
前記ＫＰＩの期待値に基づいて前記ＫＧＩの予測値を算出するステップと、
前記ＫＧＩの予測値に基づいて前記ＫＰＩを重要ＫＰＩ候補としてユーザに提示するステップと
を具備する方法。 A method for supporting the selection of solutions for improving KGI, which is an index that indicates goals to be achieved in business, comprising:
a step of obtaining a current value of a KPI, which is an index for calculating the KGI;
a step of extracting a value range of the KPI including a range of possible values of the KPI based on first performance data indicating past performance values of the KPI;
By inputting the current value of the KPI and the range of the KPI into a first statistical model that is generated based on second performance data that indicates the past performance of improving the value of the KPI by changing the solution, calculating a first percentage that a current value of the KPI can achieve with respect to a target value based on the range of the KPI;
calculating an expected value of the KPI based on the current value of the KPI, a target value based on the range of the KPI, and the first ratio;
calculating a predicted value of the KGI based on the expected value of the KPI;
and presenting the KPI to a user as an important KPI candidate based on the predicted value of the KGI.
前記ＫＧＩを算出するための指標であるＫＰＩの現状値を取得する取得手段と、
前記ＫＰＩの過去の実績値を示す第１実績データに基づいて、当該ＫＰＩが取り得る値の範囲を含む当該ＫＰＩの値域を抽出する抽出手段と、
前記ソリューションを変更することによって過去に前記ＫＰＩの値が改善した実績を示す第２実績データに基づいて生成された第１統計モデルに前記ＫＰＩの現状値及び前記ＫＰＩの値域を入力することによって、前記ＫＰＩの値域に基づく目標値に対して当該ＫＰＩの現状値が達成することができる第１割合を算出する第１算出手段と、
前記ＫＰＩの現状値、前記ＫＰＩの値域に基づく目標値及び前記第１割合に基づいて前記ＫＰＩの期待値を算出する第２算出手段と、
前記ＫＰＩの期待値に基づいて前記ＫＧＩの予測値を算出する第３算出手段と、
前記ＫＧＩの予測値に基づいて前記ＫＰＩを重要ＫＰＩ候補としてユーザに提示する提示手段と
を具備するソリューション選定支援装置。 In the solution selection support device that supports the selection of solutions for improving KGI, which is an index that indicates the goals to be achieved in business,
Acquisition means for acquiring the current value of the KPI, which is an index for calculating the KGI;
extracting means for extracting a value range of the KPI including a range of possible values of the KPI based on first performance data indicating past performance values of the KPI;
By inputting the current value of the KPI and the range of the KPI into a first statistical model that is generated based on second performance data that indicates the past performance of improving the value of the KPI by changing the solution, a first calculation means for calculating a first ratio that the current value of the KPI can achieve with respect to the target value based on the range of the KPI;
a second calculation means for calculating an expected value of the KPI based on the current value of the KPI, a target value based on the range of the KPI, and the first ratio;
a third calculation means for calculating a predicted value of the KGI based on the expected value of the KPI;
and presentation means for presenting the KPI as an important KPI candidate to a user based on the predicted value of the KGI.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020011987A JP7237867B2 (en) | 2020-01-28 | 2020-01-28 | SOLUTION SELECTION SUPPORT DEVICE, METHOD AND PROGRAM |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020011987A JP7237867B2 (en) | 2020-01-28 | 2020-01-28 | SOLUTION SELECTION SUPPORT DEVICE, METHOD AND PROGRAM |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021117846A JP2021117846A (en) | 2021-08-10 |
| JP7237867B2 true JP7237867B2 (en) | 2023-03-13 |
Family
ID=77175063
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020011987A Active JP7237867B2 (en) | 2020-01-28 | 2020-01-28 | SOLUTION SELECTION SUPPORT DEVICE, METHOD AND PROGRAM |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7237867B2 (en) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001282981A (en) | 2000-03-31 | 2001-10-12 | Hitachi Ltd | Method and system for business reform planning |
| JP2003288467A (en) | 2002-03-27 | 2003-10-10 | Japan Tobacco Inc | Sales activity support system and sales activity support method |
| JP2012059074A (en) | 2010-09-09 | 2012-03-22 | Hitachi Information & Control Solutions Ltd | Strategy information server and strategy information system |
| WO2015193983A1 (en) | 2014-06-18 | 2015-12-23 | 株式会社日立製作所 | Image display system and image display method |
| WO2016063502A1 (en) | 2014-10-23 | 2016-04-28 | 日本電気株式会社 | Knowledge management device, knowledge management method, and program recording medium |
-
2020
- 2020-01-28 JP JP2020011987A patent/JP7237867B2/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001282981A (en) | 2000-03-31 | 2001-10-12 | Hitachi Ltd | Method and system for business reform planning |
| JP2003288467A (en) | 2002-03-27 | 2003-10-10 | Japan Tobacco Inc | Sales activity support system and sales activity support method |
| JP2012059074A (en) | 2010-09-09 | 2012-03-22 | Hitachi Information & Control Solutions Ltd | Strategy information server and strategy information system |
| WO2015193983A1 (en) | 2014-06-18 | 2015-12-23 | 株式会社日立製作所 | Image display system and image display method |
| WO2016063502A1 (en) | 2014-10-23 | 2016-04-28 | 日本電気株式会社 | Knowledge management device, knowledge management method, and program recording medium |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021117846A (en) | 2021-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Integrated multi-period dynamic inventory classification and control | |
| CN110119903B (en) | Data comprehensive analysis system | |
| JP4717945B2 (en) | Business analysis program and business analysis device | |
| US20150371244A1 (en) | Forecasting information technology workload demand | |
| US20130238399A1 (en) | Computer-Implemented Systems and Methods for Scenario Analysis | |
| JP2015064877A (en) | Systems and methods for evaluating risks associated with contractual service agreement | |
| US20140379310A1 (en) | Methods and Systems for Evaluating Predictive Models | |
| WO2021049365A1 (en) | Information processing device, information processing method, and program | |
| JP6906810B2 (en) | Sales support equipment, programs, and sales support methods | |
| Albrecht | Optimization of safety stocks in models with an order service level objective or constraint | |
| JP2016110591A (en) | Ordering plan determination device, ordering plan determination method, and ordering plan determination program | |
| Han et al. | Business activity monitoring system design framework integrated with process-based performance measurement model | |
| JP7237867B2 (en) | SOLUTION SELECTION SUPPORT DEVICE, METHOD AND PROGRAM | |
| US20160292625A1 (en) | Product data analysis | |
| Sielaff et al. | Evaluation of a production system’s technical availability and maintenance cost–development of requirements and literature review | |
| Pande et al. | Assessing cost efficiency of pharmacy retail stores and identification of efficiency drivers | |
| JP4993097B2 (en) | Company policy decision support device, company policy decision support method and program | |
| Lanza et al. | Simulation of service costs throughout the life cycle of production facilities | |
| JP6721260B1 (en) | Sales support device | |
| JP2022049467A (en) | Sales support device, program and sales support method | |
| JP6825479B2 (en) | Estimator program, estimator, and estimation method | |
| JP2016024584A (en) | Investment eligibility evaluation system, control method, program and recording medium of the same | |
| JP6449578B2 (en) | Purchase forecast analysis system and program thereof | |
| JP2020113033A (en) | Sales assisting device and sales assisting method | |
| Mukaddes et al. | Developing a model for preventive maintenance management system and application database software |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220203 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221207 |
|
| 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: 20230131 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230301 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7237867 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |