図面 (/)

技術 休職予測システム、予測ルール学習装置、予測装置、休職予測方法及びコンピュータ読み取り可能記録媒体

出願人 日本電気株式会社NECソリューションイノベータ株式会社
発明者 玉野浩嗣新貝敦中道将司
出願日 2015年9月2日 (3年10ヶ月経過) 出願番号 2016-546324
公開日 2017年6月22日 (2年1ヶ月経過) 公開番号 WO2016-035336
状態 特許登録済
技術分野
  • -
主要キーワード 系列要素 判定ルールデータ 判別面 予測ルール 終業時間 異種混合 通常勤務 勤務パターン
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2017年6月22日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (13)

課題・解決手段

従業員等が所定の時期に休職するか否かを予測することができる休職予測システム等を提供する。 本発明の一態様における休職予測システムは、従業員の時系列要素を含む第1の勤怠管理情報と、従業員の各々に対する休職の有無を示す情報とに基づいて、従業員が所定の時期に休職する可能性の予測に関する予測ルールを生成する予測ルール学習手段と、予測対象となる従業員に対する時系列要素を含む第2の勤怠管理情報及び予測ルールに基づいて、予測対象となる従業員が所定の時期に休職する可能性を予測する予測手段とを備える。

概要

背景

企業や各種団体(以下、「企業等」とする)においては、メンタルヘルス不調により休職する従業員や各種団体の構成員(以下、「従業員等」とする)への対策が課題となっている。メンタルヘルスの不調により休職する可能性が高い従業員等に対して、企業等が早期に対策を講じることが可能であれば、当該休職に起因して企業等や従業員等に生じる種々の経済的・社会的損失を削減することが可能となる。すなわち、従業員等が、メンタルヘルスの不調により休職する時期を予測することが望まれる。

特許文献1には、メンタルヘルス管理装置が記載されている。特許文献1に記載のメンタルヘルス管理装置は、従業員の勤務履歴が、心の病を発症している従業員に特有勤務パターンを定義した判定ルールデータが示す一以上の判定ルール適合するか否かを判定する。そして、特許文献1に記載のメンタルヘルス管理装置は、当該判定ルールに適合すると判定された勤務履歴に対応する従業員に関する情報を上司等に通知する。

また、特許文献2には、従業員行動管理方法等が記載されている。特許文献2に記載の従業員行動の管理方法は、まず、従業員毎行動履歴を記憶した従業員行動履歴データベースから、従業員特有の行動特性を抽出して従業員行動特性データベースに記憶する。そして、特許文献2の従業員行動の管理方法は、従業員の行動履歴が、従業員行動特性データベースに対応する従業員の行動特性の範囲内であるか否か判定し、当該行動特性の範囲外であれば、アラートメッセージを当該従業員に送信する。

概要

従業員等が所定の時期に休職するか否かを予測することができる休職予測システム等を提供する。 本発明の一態様における休職予測システムは、従業員の時系列要素を含む第1の勤怠管理情報と、従業員の各々に対する休職の有無を示す情報とに基づいて、従業員が所定の時期に休職する可能性の予測に関する予測ルールを生成する予測ルール学習手段と、予測対象となる従業員に対する時系列要素を含む第2の勤怠管理情報及び予測ルールに基づいて、予測対象となる従業員が所定の時期に休職する可能性を予測する予測手段とを備える。

目的

本発明は、上記課題を解決するためになされたものであって、従業員等が所定の時期に休職するか否かを予測することができる休職予測システム等を提供する

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

(分野番号表示ON)※整理標準化データをもとに当社作成

該当するデータがありません

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

従業員に関する時系列要素を含む第1の勤怠管理情報と、前記第1の勤怠管理情報の各々に対応する前記従業員に関する休職の有無を示す情報とに基づいて、前記従業員が所定の時期に休職する可能性である休職可能性の予測に関する予測ルールを生成する予測ルール学習手段と、予測対象となる従業員に対する時系列要素を含む第2の勤怠管理情報及び前記予測ルールに基づいて、前記予測対象となる従業員の前記休職可能性を予測する予測手段とを備える、休職予測システム

請求項2

休職が有る前記従業員に関する前記第1の勤怠管理情報は、前記従業員が休職した時点から前記所定の時期より前の時系列要素を含む、請求項1に記載の休職予測システム。

請求項3

休職が無い前記従業員に関する前記第1の勤怠管理情報は、前記従業員が正常に勤務した時点から前記所定の時期より前の時系列要素を含む、請求項1又は2に記載の休職予測システム。

請求項4

前記休職が無い前記従業員に関する前記第1の勤怠管理情報は、前記従業員が正常に勤務した時点から前記所定の時期より更に所定の期間だけ前の時系列要素を含む、請求項3に記載の休職予測システム。

請求項5

前記休職する可能性は、前記所定の時期に前記従業員の最終出社日となる可能性である、請求項1から4のいずれか一項に記載の休職予測システム。

請求項6

前記予測ルール学習手段は、前記第1の勤怠管理情報を所定の条件に応じて複数のクラスタ分類し、かつ、前記複数のクラスタの各々に対して予測ルールを生成し、前記予測手段は、前記第2の勤怠管理情報が、前記複数のクラスタのいずれに分類されるかを特定し、かつ、特定された前記クラスタに対して生成された予測ルールに基づいて、前記休職する可能性を予測する、請求項1から5のいずれか一項に記載の休職予測システム。

請求項7

前記予測手段は、予測した前記休職可能性の時間的変化導出する、請求項1から6のいずれか一項に記載の休職予測システム。

請求項8

前記予測手段は、複数の前記予測対象となる従業員に関して前記休職可能性の程度を予測して導出する、請求項1から7のいずれか一項に記載の休職予測システム。

請求項9

前記予測手段は、前記予測対象となる従業員に対して前記休職可能性があると予測した場合に、休職の原因となる要素の候補を導出する、請求項1から8のいずれか一項に記載の休職予測システム。

請求項10

前記予測ルール学習手段110は、従業員が各々異なる複数の前記所定の時期における休職可能性の予測に関する予測ルールを生成し、前記予測手段は、前記予測対象となる従業員が、前記各々異なる複数の前記所定の時期における前記休職可能性を予測する、請求項1から9のいずれか一項に記載の休職予測システム。

請求項11

従業員に関する時系列要素を含む第1の勤怠管理情報と、前記第1の勤怠管理情報の各々に対応する前記従業員に関する休職の有無を示す情報とに基づいて、前記従業員が所定の時期に休職する可能性である休職可能性の予測に関する予測ルールを生成する予測ルール学習手段を備える、予測ルール学習装置

請求項12

予測対象となる従業員に対する時系列要素を含む第2の勤怠管理情報及び従業員が所定の時期に休職する可能性である休職可能性の予測に関する予測ルールに基づいて、前記予測対象となる従業員の休職可能性を予測する予測手段を備える、予測装置

請求項13

従業員に関する時系列要素を含む第1の勤怠管理情報と、前記第1の勤怠管理情報の各々に対応する前記従業員に関する休職の有無を示す情報とに基づいて、前記従業員が所定の時期に休職する可能性である休職可能性の予測に関する予測ルールを生成し、予測対象となる従業員に対する時系列要素を含む第2の勤怠管理情報及び前記予測ルールに基づいて、前記予測対象となる従業員の前記休職可能性を予測する、休職予測方法

請求項14

コンピュータに、従業員に関する時系列要素を含む第1の勤怠管理情報と、前記第1の勤怠管理情報の各々に対応する前記従業員に関する休職の有無を示す情報とに基づいて、前記従業員が所定の時期に休職する可能性である休職可能性の予測に関する予測ルールを生成する処理と、予測対象となる従業員に対する時系列要素を含む第2の勤怠管理情報及び前記予測ルールに基づいて、前記予測対象となる従業員の前記休職可能性を予測する処理とを実行させるプログラムを格納した、コンピュータ読み取り能記媒体

技術分野

0001

本発明は、休職予測システム、休職予測方法及びコンピュータ読み取り能記媒体に関する。

背景技術

0002

企業や各種団体(以下、「企業等」とする)においては、メンタルヘルス不調により休職する従業員や各種団体の構成員(以下、「従業員等」とする)への対策が課題となっている。メンタルヘルスの不調により休職する可能性が高い従業員等に対して、企業等が早期に対策を講じることが可能であれば、当該休職に起因して企業等や従業員等に生じる種々の経済的・社会的損失を削減することが可能となる。すなわち、従業員等が、メンタルヘルスの不調により休職する時期を予測することが望まれる。

0003

特許文献1には、メンタルヘルス管理装置が記載されている。特許文献1に記載のメンタルヘルス管理装置は、従業員の勤務履歴が、心の病を発症している従業員に特有勤務パターンを定義した判定ルールデータが示す一以上の判定ルール適合するか否かを判定する。そして、特許文献1に記載のメンタルヘルス管理装置は、当該判定ルールに適合すると判定された勤務履歴に対応する従業員に関する情報を上司等に通知する。

0004

また、特許文献2には、従業員行動管理方法等が記載されている。特許文献2に記載の従業員行動の管理方法は、まず、従業員毎行動履歴を記憶した従業員行動履歴データベースから、従業員特有の行動特性を抽出して従業員行動特性データベースに記憶する。そして、特許文献2の従業員行動の管理方法は、従業員の行動履歴が、従業員行動特性データベースに対応する従業員の行動特性の範囲内であるか否か判定し、当該行動特性の範囲外であれば、アラートメッセージを当該従業員に送信する。

先行技術

0005

特開2008−242702号公報
特開2011−123579号公報

発明が解決しようとする課題

0006

特許文献1及び2には、従業員等がメンタルヘルスの不調に起因して休職する可能性を予測することが記載されている。しかしながら、特許文献1及び2には、従業員等が休職する時期を予測する事への言及がない。特許文献1及び2に記載の技術は、従業員等がメンタルヘルスの不調に起因して休職する時期を予測することは困難である。

0007

本発明は、上記課題を解決するためになされたものであって、従業員等が所定の時期に休職するか否かを予測することができる休職予測システム等を提供することを主たる目的とする。

課題を解決するための手段

0008

本発明の一態様における休職予測システムは、従業員の時系列要素を含む第1の勤怠管理情報と、第1の勤怠管理情報の各々に対応する従業員に関する休職の有無を示す情報とに基づいて、従業員が所定の時期に休職する可能性である休職可能性の予測に関する予測ルールを生成する予測ルール学習手段と、予測対象となる従業員に対する時系列要素を含む第2の勤怠管理情報及び予測ルールに基づいて、予測対象となる従業員の休職可能性を予測する予測手段とを備える。

0009

また、本発明の一態様における休職予測方法は、従業員の時系列要素を含む第1の勤怠管理情報と、第1の勤怠管理情報の各々に対応する従業員に関する休職の有無を示す情報とに基づいて、従業員が所定の時期に休職する可能性である休職可能性の予測に関する予測ルールを生成し、予測対象となる従業員に対する時系列要素を含む第2の勤怠管理情報及び予測ルールに基づいて、予測対象となる従業員の休職可能性を予測する。

0010

また、本発明の一態様におけるコンピュータ読み取り可能記録媒体は、コンピュータに、従業員の時系列要素を含む第1の勤怠管理情報と、第1の勤怠管理情報の各々に対応する従業員に関する休職の有無を示す情報とに基づいて、従業員が所定の時期に休職する可能性である休職可能性の予測に関する予測ルールを生成する処理と、予測対象となる従業員に対する時系列要素を含む第2の勤怠管理情報及び予測ルールに基づいて、予測対象となる従業員の休職可能性を予測する処理とを実行させるプログラムを非一時的に格納する。

0011

また、本発明の一態様における予測ルール学習装置は、従業員の時系列要素を含む第1の勤怠管理情報と、第1の勤怠管理情報の各々に対応する従業員に関する休職の有無を示す情報とに基づいて、従業員が所定の時期に休職する可能性である休職可能性の予測に関する予測ルールを生成する予測ルール学習手段を備える。

0012

また、本発明の一態様における予測装置は、予測対象となる従業員に対する時系列要素を含む第2の勤怠管理情報及び予測ルールに基づいて、予測対象となる従業員の休職可能性を予測する予測手段を備える。

発明の効果

0013

本発明によると、従業員等が所定の時期に休職するか否かを予測することができる休職予測システム等を提供することができる。

図面の簡単な説明

0014

本発明の第1の実施形態における休職予測装置の構成を示す図である。
本発明の第1の実施形態における休職予測装置にて用いられる勤怠管理情報の例を示す図である。
本発明の第1の実施形態における休職予測装置にて用いられる休職者及び通常勤務者に関する勤怠管理情報の例を示す図である。
本発明の第1の実施形態における休職予測装置の動作を示すフローチャートである。
本発明の第1の実施形態における休職予測装置の一つの構成例を示す図である。
本発明の第2の実施形態における休職予測装置に備えられる予測ルール学習部にて予測ルールを生成する場合の例を示す図である。
本発明の第2の実施形態における休職予測装置に備えられる予測部にて予測する場合の例を示す図である。
本発明の第3の実施形態における休職予測装置によって出力される休職可能性の変化を表すグラフの例を示す図である。
本発明の第4の実施形態において導出される従業員等毎の休職可能性のスコアに関する表の例を示す図である。
本発明の第5の実施形態において導出される休職の要因となり得る要素に関するグラフの例を示す図である。
本発明の第6の実施形態において導出される従業員等の休職可能性の変化を表すグラフの例を示す図である。
本発明の各実施形態における休職予測装置等を実現する情報処理装置の一構成例を示す図である。

実施例

0015

本発明の各実施形態について、添付の図面を参照して説明する。なお、本発明の各実施形態において、各装置の各構成要素は、機能単位ブロックを示している。
各装置の各構成要素は、例えば図11に示すような情報処理装置500とソフトウェアとの任意の組み合わせにより実現することができる。情報処理装置500は、一例として、以下のような構成を含む。

0016

・CPU(Central Processing Unit)501
・ROM(Read Only Memory)502
・RAM(Ramdom Access Memory)503
・RAM503にロードされるプログラム504
・プログラム504を格納する記憶装置505
記録媒体506の読み書きを行うドライブ装置507
通信ネットワーク509と接続する通信インターフェース508
・データの入出力を行う入出力インターフェース510
・各構成要素を接続するバス511
また、各装置の実現方法には様々な変形例がある。例えば、各装置は、専用の装置として実現することができる。また、各装置は、複数の装置の組み合わせにより実現することができる。

0017

(第1の実施形態)
まず、本発明の第1の実施形態について説明する。図1は、本発明の第1の実施形態における休職予測システムを示す図である。図2は、本発明の第1の実施形態における休職予測装置にて用いられる勤怠管理情報の例を示す図である。図3は、発明の第1の実施形態における休職予測装置にて用いられる休職者及び通常勤務者に関する勤怠管理情報の例を示す図である。図4は、本発明の第1の実施形態における休職予測装置の動作を示すフローチャートである。図5は、本発明の第1の実施形態における休職予測装置の一つの構成例を示す図である。

0018

図1に示すとおり、本発明の第1の実施形態における休職予測システム100は、予測ルール学習部110と、予測部120とを備える。予測ルール学習部110は、従業員の時系列要素を含む第1の勤怠管理情報と、第1の勤怠管理情報の各々に対応する従業員に関する休職の有無を示す情報とに基づいて、従業員が所定の時期に休職する可能性である休職可能性の予測に関する予測ルールを生成する。予測部120は、予測対象となる従業員に対する時系列要素を含む第2の勤怠管理情報及び予測ルールに基づいて、予測対象となる従業員の所定の時期における休職可能性を予測する。この場合において、所定の時期は、予測しようとする時点から任意の期間だけ後である将来の時点を示す。

0019

また、本実施形態における休職予測システム100は、勤怠情報記憶部130と、予測ルール記憶部140とを備えることができる。勤怠情報記憶部130は、上述した予測ルールの生成や休職可能性の予測に用いられる勤怠管理情報等を記憶する。予測ルール記憶部140は、予測ルール学習部110において生成される予測ルールを記憶する。記憶された予測ルールは、予測部120にて読み出されて休職する可能性を予測するために用いられる。

0020

本実施形態における休職予測システム100の詳細を説明する。本実施形態において、第1又は第2の勤怠管理情報は、従業員等の企業等における勤怠に関連する一つ以上の情報である。勤怠管理情報は、例えば、勤務時間退社時刻終業時刻との差分、残業時間、午前のみの休暇や午後のみの休暇等の半休を含む休暇の取得状況、休暇を取得した曜日休日出勤の有無等の情報を含む。なお、勤怠関連情報は、上述したような従業員等の勤怠を直接表す情報に限られず、従業員等の勤怠に影響を及ぼし得る任意の種類の情報を含むことができる。勤怠管理情報に含まれる情報の種類は、予測ルール学習部110や予測部120において用いられる手法や必要とされる予測精度等に応じて適宜定められる。

0021

また、本実施形態において、第1又は第2の勤怠管理情報は、時系列要素を含む。すなわち、本実施形態における第1又は第2の勤務管理情報は、複数の日における勤怠に関連する情報や、任意の期間における勤怠に関連する情報を含む。勤怠管理情報に含まれる勤怠に関連する情報の期間等は、必要に応じて適宜定められる。

0022

本実施形態における第1又は第2の勤怠管理情報は、上述した勤怠に関する情報から、予測ルール学習部110における予測ルールの生成や予測部120における予測に適した形式にて生成される。本実施形態における勤怠管理情報は、例えば上述した情報を表す特徴ベクトルとして表される。

0023

図2を用いて、本実施形態における第1又は第2の勤怠管理情報を含む勤怠管理情報の一例を説明する。なお、本実施形態において、第1又は第2の勤怠管理情報は、例えば同様の形式で表される。そのため、本実施形態において、第1又は第2の勤怠管理情報の双方に共通する特徴は、まとめて勤怠管理情報として説明される。本実施形態における勤怠管理情報は、例えば、任意の期間における勤怠に関連する情報について、ある期間ごとに統計量を計算し、当該期間ごとに計算した特徴量を複数個連結した特徴ベクトルとして表される。すなわち、この場合において、勤怠管理情報を表す特徴ベクトルの要素は、任意の期間における勤怠に関連する情報についての個々の統計量を表す。図2に示す例では、勤怠管理情報は、12か月分の勤怠に関する4つの情報について1か月(30日)毎に統計量を計算し、計算した統計量を12個連結したベクトルとして表される。勤怠に関する4つの情報は、図2に示すように、勤務時間の平均、退社時間終業時間との差の平均、休暇取得数の平均及び午前休暇取得数の平均である。すなわち、図2に示す例では、48次元のベクトルとなる。

0024

また、勤務管理情報において、統計量は、例えば、任意の期間(図2の場合では、ある1か月間)における勤務時間、退社時刻と終業時刻との差、休暇取得数、午前のみの休暇取得数などの勤怠に関する情報の平均が用いられる。なお、統計量としては、必要に応じてこれら説明した情報以外の情報が用いられる。また、統計量は、勤怠に関する情報の平均に限られず、例えば分散など、必要に応じてその他の統計に関する値が用いられる。第1又は第2の勤務管理情報に含まれる特徴量の各々は、例えば所定の範囲の値でもよいし、2値3値等の値でもよい。

0025

続いて、本実施形態における休職予測システム100の各構成要素の詳細を説明する。

0026

まず、予測ルール学習部110について説明する。予測ルール学習部110は、第1の勤怠管理情報と、第1の勤怠管理情報の各々に対応する従業員に関する休職の有無を示す情報に基づいて学習し、予測ルールを生成する。予測ルール学習部110は、勤怠管理情報等の学習に際して、例えばFA推論(Factorized Asymptotic Bayesian Inference)等を含む異種混合学習や、その他の公知の機械学習の手法を用いることができる。異種混合学習の手法は、例えば米国公開特許US2014/0222741A1号公報等に開示されている。

0027

なお、勤怠管理情報と、各々の勤怠管理情報に関する休職の有無を示す情報は、勤怠情報記憶部130に記憶される。

0028

第1の勤怠管理情報は、休職の有無を示す情報に基づいて、休職した従業員等(以下、「休職者」とする)に関する勤怠管理情報と、休職せずに通常通り勤務した従業員等(以下、「通常勤務者」とする)に関する勤怠管理情報に区別される。すなわち、第1の勤怠管理情報は、当該第1の勤怠管理情報の各々に関連する従業者等が休職したか否かの情報が対応付けられている。図3は、第1の勤怠管理情報の一例を示す図である。

0029

予測ルール学習部110にて用いられる休職者に関する第1の勤怠管理情報は、当該休職者が休職を開始した日(以下、「休職開始日」とする)から所定の期間だけ遡った日を基準日として、例えば上述した方法にて求めた勤怠管理情報である。この場合において、上述する所定の時期は、例えば、後に説明する予測部120において休職可能性を予測しようとする時期と同一とされる。一例として、所定の期間が2か月とされる場合、第1の勤怠管理情報は、当該休職者の休職開始日から2か月前の日を基準日として求めた勤怠管理情報となる。そして、予測部120は、この場合には2か月後の休職可能性を予測する。

0030

なお、休職開始日は、企業等の就業規則等において休職とされる日には限られず、休職者が企業等に出社しなくなる日や、休職者が最後に企業等に出社した日(最終出社日)でもよい。すなわち、休職者が実質的に出社しなくなる日が、休職開始日として適宜選択される。図3の例では、(a)に示す休職者に関する第1の勤怠管理情報は、当該休職者が出社しなくなる日から60日前の日を基準日としている。

0031

また、予測ルール学習部110にて用いられる通常勤務者に関する勤怠管理情報は、正常に勤務する任意の日を基準日として、例えば上述した方法にて求めた勤怠管理情報である。なお、通常勤務者に関する勤怠管理情報に含まれる期間の終期から少なくとも所定の期間以上は、その勤怠管理情報に関する当該通常勤務者は、正常に勤務することが好ましい。すなわち、通常勤務者が正常に勤務したことが確認されている日から少なくとも所定の期間以上前の日(例えば、上述した休職者に対する所定の時期から任意の期間だけ前の日)が、基準日として選択されることが好ましい。これは、当該通常勤務者がその所定の期間に休職すると、当該通常勤務者に関する勤怠管理情報は、通常勤務者に関する勤怠管理情報として適切ではなくなる可能性があるためである。そのため、予測ルール学習部110にて用いられる通常勤務者に関する勤怠管理情報は、正常に勤務する任意の日から所定の期間以上前の日を基準日として求めた勤怠管理情報とすることができる。このようにすることで、当該勤怠管理情報に関する従業員等は、予測ルール学習部110にて用いられる勤怠管理情報に含まれる期間の終期から少なくとも所定の期間以上は、正常に勤務したことが保証される。図3における通常勤務者に関する勤怠管理者は、正常に勤務する任意の日から所定の期間以上前の日を基準日として求めた勤怠管理情報の例である。図3の例では、(b)に示す通常勤務者に関する第1の勤怠管理情報は、正常に勤務する任意の日から90日前の日を基準日としている。

0032

そして、予測ルール学習部110は、休職者と通常勤務者との各々に対する勤怠管理情報のパターンの違いを学習することで、予測ルールを生成する。予測ルール学習部110は、従業員が休職を開始する日から所定の期間だけ前における休職者と通常勤務者との勤怠管理情報の相違区別可能な予測ルールを作成することができる。すなわち、予測ルール学習部110は、例えば上述の第1の勤怠管理情報を用いることで、休業時期から所定の期間だけ前における、休業者に特有な勤怠の状態であるか否かを判定できる予測ルールを作成することができる。予測ルール学習部110は、休職者と通常勤務者の各々に対して、1つ以上の第1の勤怠管理情報を用いて予測ルールを生成する。

0033

予測ルールは、予測ルール学習部110にて用いられる手法に応じた形式にて生成される。一例として、予測ルール学習部110が線形判別の手法を用いる場合、予測ルールは、勤怠管理情報に関する特徴ベクトルの空間を、所定の時期に休職する可能性の有無にて区別する判別式の形式で表される。

0034

なお、予測ルール学習部110にて生成された予測ルールの妥当性は、例えば第1の勤怠管理情報に基づいて、後述する予測部120にて確認される。すなわち、生成された予測ルールと、当該第1の勤怠管理情報とに基づいて、予測部120が、当該情報から休職する可能性を予測する。そして、その結果が第1勤怠管理情報に関する従業員等の休職の有無と一致するかを確認することで、当該予測ルールの妥当性が確認される。

0035

また、予測ルール学習部110は、第1の勤怠管理情報と、各々の第1の勤怠管理情報に関する休職の有無を示す情報とに基づいて、例えば内部のパラメータが異なる複数の予測ルールを生成することができる。この場合において、複数の予測ルールのいずれが予測に適しているかは、上述した妥当性の確認と同様に、第1の勤怠管理情報を用いて予測部120にて確認される。

0036

次に、予測部120について説明する。予測部120は、従業員等が、例えばメンタルヘルスの問題を原因として所定の時期に休職する可能性を予測する。予測部120は、判定対象とする従業員等の第2の勤怠管理情報を、予測ルール学習部110にて生成した予測ルールに当てはめることで、判定対象とする従業員等が所定の時期に休職する可能性を予測する。一例として、予測ルールが判別式として表されている場合、予測部120は、当該第2の勤怠管理情報を表す特徴ベクトルが、判別式によって区分される特徴ベクトルの空間のいずれに属するかを判別することによって、当該休職の可能性を予測する。なお、上述したとおり、所定の時期は、例えば1か月後や2か月後等のように、予測しようとする時点から任意の期間だけ後である将来の時点を示す。すなわち、予測部120は、予測しようとする時点までにおける当該従業員等の第2の勤怠管理情報に基づいて、当該従業員等の将来の時点である所定の時期における休職可能性を予測する。

0037

なお、上述した予測対象となる休職は、企業等の就業規則等における休職には限られず、当該従業員等が企業等に出社しなくなる日でもよい。又は、上述した予測対象となる休職は、当該従業員等の休職前における最後の出社日を含む。すなわち、予測部120は、所定の時期に当該従業員等の最終出社日となる可能性を予測することも可能である。

0038

また、予測部120にて予測するために用いられる第2の勤怠管理情報は、上述のとおり、例えば、予測ルール学習部110にて予測ルールを生成するために用いられる第1の勤怠管理情報と同様の形式とされる。第2の勤怠管理情報は、当該第2の勤怠管理情報に関する従業員等の休職の有無が明らかではない(休職の可能性が予測部120にて予測される)点が、第1の勤怠管理情報と異なる。

0039

上述のとおり、予測ルール学習部110は、休職者に関する第1の勤怠管理情報として、当該休職者が休職を開始した日から所定の期間だけ前の日を基準日とする第1の勤怠管理情報を用いて予測ルールを生成する。予測部120は、当該予測ルールを用いることで、判定対象とする従業員等の第2の勤怠管理情報が、休職時期から所定の期間だけ前における休職者の勤怠の状態に合致するか否か(又は、合致の程度)を判定することができる。したがって、予測部120は、判定対象とする従業員等が所定の時期に休職する可能性を予測することができる。

0040

予測部120は、判定対象とする従業員等が所定の時期に休職する可能性を予測する具体的方法として、従業員等が所定の時期に休職するか否かを判定することができる。また、予測部120は、判定対象とする従業員等が所定の時期に休職する可能性を予測する別の具体的方法として、従業員等が所定の時期に休職する可能性の程度を判定することができる。この場合には、予測部120は、例えば休職する可能性を任意の基準で数値化して表すことができる。

0041

予測ルールが判別式として表される場合、予測部120は、判定対象とする従業員等の勤怠管理情報を判別式に当てはめることで、従業員等が所定の時期に休職する可能性の有無を判別することができる。また、当該勤怠管理情報と判別式との関係(たとえば特徴ベクトル空間における当該勤怠管理情報と判別式が規定する判別面との距離)に基づいて、所定の時期に休職する可能性(または、当該可能性の程度)を予測する。なお、判別式は休職する可能性がある従業者等と通常通り勤務する従業者等との境界面(二次元なら境界線)を定義する。すなわち、境界面上では休職する可能性と、通常通り勤務する可能性がそれぞれ50%となる。境界面から離れるにしたがって、休職する可能性又は通常通り勤務する可能性の一方が高まることとなる。

0042

次に、図4を用いて、休職予測システム100の動作の一例を説明する。

0043

予測ルール学習部110は、まず、予測ルールを生成する(ステップS101)。予測ルールの生成に際して、予測ルール学習部110は、勤怠情報記憶部130に記憶されている勤怠管理情報と、従業員等の各々に対する休職の有無を示す情報とを、勤怠情報記憶部130から読み出して用いる。また、予測ルール学習部110は、生成された予測ルールを、予測ルール記憶部140に記憶する。

0044

次に、予測部120は、予測対象となる従業員に対する時系列要素を含む勤怠管理情報と、ステップS101にて生成された予測ルールとを用いて、予測対象となる従業員が所定の時期に休職する可能性を予測する(ステップS102)。予測に際し、予測部120は、予測対象となる従業員に対する時系列要素を含む勤怠管理情報を、勤怠情報記憶部130から読み出して用いる。また、予測部120は、予測ルールを、予測ルール記憶部140から読み出して用いる。

0045

以上のとおり、本実施形態における休職予測システム100は、従業員等の時系列要素を含む勤怠管理情報を学習することにて予測ルールを生成する。そして、本実施形態における休職予測システム100は、当該予測ルールを用いて予測対象となる従業員が所定の時期に休職する可能性を予測する。本実施形態における休職予測システム100は、従業員等の時系列要素を含む勤怠管理情報を用いて予測ルールを生成することで、従業員等が休職する時期より所定の期間だけ前の時期における勤怠の状況を判別することができる。したがって、本実施形態における休職予測システム100は、従業員等が休職する時期を予測することができる。

0046

また、企業等は、本実施形態における休職予測システム100を用いることで、従業員等が休職する可能性の有無と、休職する可能性がある場合に休職する時期を予め知ることが可能となる。したがって、企業等は、従業員等が休職すると予測される時期に応じて、休職を回避するための対策を講じることが可能となる。すなわち、本実施形態における休職予測システム100を用いることで、当該企業等や、休職する可能性があると予測される従業員等は、当該休職に伴う経済的損失を初めとする種々の損失を低減することが可能となる。

0047

(休職予測システムの構成及び適用例)
本実施形態における休職予測システム100には、具体的構成として種々の例が考えられる。

0048

一例として、休職予測システム100は、図5に示すように、予測ルール学習部110と予測部120とが、それぞれ個別の装置として実現される。すなわち、休職予測システム100は、予測ルール学習装置101と、予測装置102を備えるシステムとして実現される。各々の装置は、物理的に分離され、有線又は無線の任意の通信ネットワークを介して接続される構成とすることができる。

0049

また、勤怠情報記憶部130及び予測ルール記憶部140は、いずれか一方の装置に備えられて、他方の装置からは通信ネットワークを介して接続される構成でもよい。または、勤怠情報記憶部130及び予測ルール記憶部140は、各々の装置に備えられる構成でもよい。この場合において、勤怠情報記憶部130及び予測ルール記憶部140は、各々の装置において必要とされる情報をそれぞれ保持する構成とすることができる。図5は、勤怠情報記憶部130及び予測ルール記憶部140は、各々の装置に備えられる構成を示している。

0050

この場合において、休職予測システム100は、また、一つの予測ルール学習装置110に対して、複数の予測装置120を備える構成とすることができる。この場合には、一つの予測ルール学習装置110と複数の予測装置120の各々とは、任意の通信ネットワークを介して接続される。このような構成とすることで、例えば予測ルール学習装置110を保有する事業者が、複数の予測装置120の各々を備える別の事業者に対して予測ルールを作成するサービスを提供することができる。

0051

また、本実施形態において、休職予測システム100は、企業等における従業員等が所定の時期に休職する可能性を予測するシステムであるとして説明された。しかしながら、本実施形態における休職予測システム100は、その他の分野にも適用される。例えば、本実施形態における休職予測システム100は、学校等において学生等が所定の時期にメンタルヘルスの問題を原因として欠席長期欠席)する可能性を予測することができる。すなわち、本実施形態において、「従業員等が所定の時期に休職する可能性」には、「学生が所定の時期に欠席する可能性」が含まれるとみなしてもよい。また、本実施形態における休職予測システム100は、将来の所定の時期において何らかの事象が生じる可能性を予測する場合にも用いることができる。

0052

なお、以上説明した本実施形態における休職予測システム100の具体的構成及びその適用例は、後述する各実施形態における休職予測システムに対しても同様に当てはまる

0053

(第2の実施形態)
続いて、本発明の第2の実施形態について説明する。図6Aは、本発明の第2の実施形態における休職予測システムに備えられる予測ルール学習部110にて予測ルールを生成する場合の例を示す図である。図6Bは、本発明の第2の実施形態における休職予測システムに備えられる予測部120にて予測する場合の例を示す図である。

0054

本実施形態における休職予測システム100の構成は、本発明の第1の実施形態における休職予測システム100と同一とすることができる。本実施形態における休職予測システム100では、予測ルール学習部110が、共通の性質を有する従業員等毎に予測ルールを生成する。本実施形態における休職予測システム100では、予測部120が、共通の性質を有する従業員等毎に生成された予測ルールのうち、予測対象となる従業員に応じて予測ルールを選択し、所定の時期にて休職する可能性を予測する。

0055

本実施形態における休職予測システム100は、以上の点が、本発明の本発明の第1の実施形態における休職予測システム100と異なる。すなわち、本実施形態における休職予測システム100は、従業員等の第1の勤怠管理情報を、共通の性質を有するクラスタに分けて予測ルールの作成及び所定の時期における休職可能性の予測を行う。

0056

本実施形態において、共通の性質を有する従業員等は、例えば、第1又は第2の勤怠管理情報に含まれる要素に関する傾向が類似すると考えられる従業員等である。すなわち、本実施形態における休職予測システム100は、例えば第1又は第2の勤怠管理情報に含まれる勤怠に関する情報が所定の条件を満たす従業員等を、共通の性質を有する従業員等とすることができる。この場合において、勤怠に関する情報は、例えば、残業時間の長さ、休暇取得数、特定の曜日における休暇取得数等である。

0057

また、本実施形態においては、一例として、第1又は第2の勤怠管理情報を表す特徴ベクトル同士の特徴ベクトルの空間における距離に基づいて、当該勤怠管理情報に関連する従業員等が共通の性質を有するか否かが判断される。すなわち、当該距離が所定の範囲にある(近い距離にあり、勤怠の傾向が類似すると考えられる)第1又は第2勤怠管理情報に関連する従業員は、共通の性質を有すると判断される。

0058

更に、別の例として、共通の性質を有する従業員等は、例えば休職予測対象となる従業員等の属性が類似する従業員等である。この場合に、従業員等の属性は、例えば、休職予測対象となる従業員等の年齢役職担当業務、過去の休職の有無等である。

0059

本実施形態において、予測ルール学習部110は、任意の手法で共通の性質を有する従業員ごとに予測ルールを作成することができる。一例として、予測ルール学習部110は、上述した異種混合学習の手法を用いることで、共通の性質を有する従業員等毎の予測ルール(例えば判別式)と、第1の勤怠管理情報と各々の予測ルールとの対応を表す決定木とを生成することができる。

0060

この場合には、予測部120は、予測対象となる従業員等の第2の勤怠管理情報から、上述した決定木を用いて、共通の性質を有する従業員等毎に生成された予測ルールのうちいずれを用いるかを選択する。そして、予測部120は、選択された予測ルールを用いて、当該予測対象となる従業員等の所定の時期における休職可能性を予測する。

0061

また、別の例として、予測ルール学習部110は、図6Aに示すように、学習データである従業員等の第1の勤怠管理情報をクラスタリングし、各クラスタに含まれる従業員等の第1の勤怠管理情報等に基づいて、クラスタ毎に予測ルールを生成することができる。この場合において、予測ルール学習部110は、学習データをクラスタリングするための手法として、例えばK平均法(K−means)等を用いることができる。図6Aに示す例では、予測ルール学習部110は、第1の勤怠管理情報をクラスタ1及び2にクラスタリングし、各々のクラスタに対して予測ルールである判別式を生成する。

0062

この場合には、予測部120は、図6Bに示すように、共通の性質を有する従業員等毎に生成された予測ルールのうち、予測対象となる従業員等の第2の勤怠管理情報に応じて予測ルールを選択し、所定の時期に休職する可能性を予測する。すなわち、予測部120は、予測対象となる従業員等の第2の勤怠管理情報を表す特徴ベクトルから最も近い距離にあるクラスタを選択する。特徴ベクトルとクラスタとの距離としては、例えば特徴ベクトルとクラスタの中心との距離を用いることができる。そして、予測部120は、選択されたクラスタに対して生成された予測ルールを用いて、当該従業員等の所定の時期に休職する可能性を予測する。図6Bに示す例では、予測部120は、三角印で表される第2の勤怠管理情報に関するデータに対してクラスタ1を選択する。そして、予測部120は、クラスタ1に対する判別式を用いて、当該第2の勤怠管理情報に関する休職可能性を予測する。

0063

以上のとおり、本実施形態における休職予測システム100では、予測ルール学習部110が、共通の性質を有する従業員等毎に予測ルールを生成する。本実施形態における休職予測システム100では、予測部120が、共通の性質を有する従業員等毎に生成された予測ルールのうち、予測対象となる従業員に応じて予測ルールを選択し、所定の時期にて休職する可能性を予測する。予測ルール学習部110が共通の性質を有する従業員等毎に予測ルールを生成するため、予測部120は、従業員等が休職する可能性の予測精度を高めることができる。

0064

なお、本実施形態の休職予測システム100は、従業員等が休職する時期を特定せずに、共通の性質を有する従業員等毎に生成された予測ルールに基づいて、従業員等が休職する可能性を予測する構成とすることができる。

0065

(第3の実施形態)
続いて、本発明の第3の実施形態について説明する。図7は、本発明の第3の実施形態における休職予測システム100にて導出される休職可能性の時間的変化を示すグラフである。

0066

本実施形態における休職予測システム100の構成は、本発明の第1の実施形態における休職予測システム100と同一とすることができる。本実施形態における休職予測システム100は、予測部120が、予測した休職可能性の時間的変化を導出する点が、本発明の第1の実施形態等における休職予測システム100と異なる。すなわち、予測部120は、日毎、月毎など、任意の複数の時点において所定の時期の休職可能性を予測し、その予測結果を休職可能性の予測結果の履歴として導出する。

0067

図7は、本発明の第3の実施形態における休職予測システム100にて生成される休職可能性の時間的変化を示すグラフである。図7に示すグラフにおいて、横軸は、休職可能性を予測した時期を示す。また、図7に示すグラフにおいて、縦軸は、休職可能性の程度を表す。すなわち、図7に示すグラフは、予測部120が任意の複数の時点について休職可能性を予測し、横軸を上述した複数の時点として予測した結果を並べて導出したグラフである。図7に示すグラフは、例えば、休職する可能性の程度が横軸方向への線で示す所定の程度を超えた場合に、当該従業員が休職する可能性があることを示している。図7に示す例では、従業員Aは、6月の下旬になると休職する可能性が生じたと考えられる。

0068

また、本実施形態における休職予測システムは、複数の従業員等に関する休職可能性の時間的変化を導出することができる。

0069

なお、図7に示すグラフを含む、導出された休職可能性の時間的変化は、図示しない任意の出力手段から出力される。出力手段は、例えばディスプレイ装置がある。この場合に、ディスプレイ装置は、休職予測システム100に直接的に接続されていてもよいし、有線又は無線などの通信ネットワークを介して接続されていてもよい。

0070

このように、本実施形態における休職予測システム100は、予測した休職可能性の時間的変化を導出する。導出された休職可能性の時間的変化は、例えば当該変化を表すグラフ等の形式にて、任意の出力手段を介して出力される。したがって、本実施形態における休職予測システム100の利用者は、従業員等のそれまでの休職可能性の変化を明確に知ることができる。

0071

(第4の実施形態)
続いて、本発明の第4の実施形態について説明する。図8は、本発明の第4の実施形態において導出される従業員等毎の休職可能性のスコアに関する表の例を示す図である。

0072

本実施形態における休職予測システム100の構成は、本発明の第1の実施形態における休職予測システム100と同一とすることができる。本実施形態における休職予測システム100は、予測部120が、複数の従業員に関して予測した休職可能性の程度を導出する。

0073

予測部120によって導出された複数の従業員に関する休職可能性の程度は、例えば図8のような表の形式にて表される。図8に示す表は、休職可能性の程度が大きいほど値が大きくなるスコアにて表している。すなわち、図8に示す表では、休職可能性の程度が大きい従業員等から順に示されている。このような表は、本発明の第3の実施形態における休職予測システム100と同様に、図示しない任意の出力手段から出力される。なお、図8に示すスコアは、例えば上述のように、特徴ベクトル空間における当該従業員の各々に対する勤怠管理情報と判別面との距離に応じて求められる。一例として、このスコアは、当該従業員の各々に対する勤怠管理情報と判別面との距離に応じて、休職可能性の程度が大きい場合に正の値となり、通常通り勤務する可能性の程度が大きい場合に負の値となるような形式となる。上述の距離(この例ではdとする)をシグモイド関数1/(1+exp(−d))に適用し、0から1までの範囲の値を取る形式としてもよい(expは、自然対数の底の冪乗を表す)。この場合には、特徴ベクトル空間において、勤怠管理情報が判別面にある場合にスコアは1/2となる。そして、休職可能性の程度が大きい場合に値が1に近づき、通常通り勤務する可能性の程度が大きい場合に値が0に近づく。

0074

以上のとおり、本実施形態における休職予測システムは、複数の従業員に関して予測した休職可能性の程度を導出する。したがって、本実施形態における休職予測システム100の利用者は、休職する可能性が高い従業員等を容易に知ることが可能となる。そして、本実施形態における休職予測システム100の利用者は、導出された複数の従業員に関する休職可能性の程度に基づいて、休職可能性の高い従業員等に対して対策を講じることが可能となる。

0075

(第5の実施形態)
続いて、本発明の第5の実施形態について説明する。図9は、本発明の第5の実施形態において導出される休職の要因となり得る要素に関するグラフの例を示す図である。

0076

本実施形態における休職予測システム100の構成は、本発明の第1の実施形態における休職予測システム100と同一とすることができる。本実施形態における休職予測システム100は、予測部120が、予測対象となる従業員等が休職する可能性があると予測した場合に、休職の原因となる要素の候補を導出する。本実施形態における休職予測システム100は、上述の点が、本発明の第1の実施形態における休職予測システム100等と異なる。

0077

本実施形態において、休職予測システム100にて用いられる第1又は第2の勤怠管理情報は、従業員等の企業等における勤怠に関連する一つ以上の情報を含む。そして、第1又は第2の勤怠管理情報が従業員等の企業等における勤怠に関連する複数の情報を含む場合、第1又は第2の勤怠管理情報に含まれる勤怠に関する情報の一部の要素が、休職可能性に影響を及ぼしている場合がある。本実施形態における休職予測システム100は、予測部120は、休職する可能性があると判断された原因となり得る要素を特定し、休職の原因となる要素の候補として導出する。

0078

本実施形態において、予測部120は、第2の勤怠管理情報に含まれる勤怠に関連する情報の各々のうち、所定の条件を満たす情報に関する要素を、休職の原因となる要素の候補として特定することができる。また、予測部120は、第2の勤怠管理情報と、予測ルール学習部110にて生成される予測ルールとの関係に基づいて、休職の原因となる要素の候補として特定することができる。予測部120は、これ以外の任意の手順にて、休職の原因となる要素の候補を導出することができる。

0079

導出された休職の原因となる要素の候補は、例えば図9のグラフのような形式で表される。このようなグラフは、例えば図示しない出力手段によって出力される。図9に示すグラフでは、休職の原因となる可能性の高い要素が大きな値となるような形式で出力される。すなわち、図9に示すグラフに関する従業員等は、図中に含まれる要因のうち、勤務時間、残業時間又は休日出勤が、休職の原因となる要素の候補であると考えられる。
なお、図9のグラフが示す値の各々は、上述した判別式に関連して次のように定められる。一例として、判別式が以下の(1)式に示す線形判別式であることを想定する。
f(x)=a_0+a_1*x_1+a_2*x_2+...+a_n*x_n・・・(1)
(1)式において、a_0,...,a_nは係数であり、x(x_1,...x_n)は特徴ベクトルである。また、f(x)>0である場合には、従業者等が休職する可能性があることを示し、f(x)<0である場合には、従業者等が通常通り勤務することを示す。x_1,...x_nの各々は、図9の横軸に示すグラフの各項目に相当する。この判別式の例においては、a_i*x_iの値が、図9に示すグラフの要素の一つに相当する。この値が正である場合には、当該要素を原因とした従業者等の休職の可能性があることを示す。この値が負である場合には、当該要素に関しては、従業者等の休職の原因とならず、従業者等は通常通り勤務する可能性があることを示す。

0080

このように、本実施形態における休職予測システム100は、休職の原因となる要素の候補を導出する。導出された休職の原因となる要素の候補は、例えばグラフ等の形式にて、任意の出力手段を介して出力される。したがって、本実施形態における休職予測システム100の利用者は、休職可能性がある従業員等が存在する場合に、その休職の原因となる要素の候補を知ることができる。そのため、本実施形態における休職予測システム100の利用者は、当該従業員等に対して、その休職の原因となる要素を除外する等、当該従業員等の休職可能性を低減させる対策を講じることが可能となる。

0081

(第6の実施形態)
続いて、本発明の第6の実施形態について説明する。図10は、本発明の第6の実施形態において導出される従業員等の休職可能性の変化を表すグラフの例を示す図である。

0082

本実施形態における休職予測システム100の構成は、本発明の第1の実施形態における休職予測システム100と同一とすることができる。本実施形態における休職予測システム100は、予測ルール学習部110が、従業員が各々異なる複数の所定の時期に休職する可能性の予測に関する予測ルールを生成する。そして、予測部120が、予測対象となる従業員等が、上述した各々異なる複数の所定の時期における休職可能性を予測する。本実施形態における休職予測システム100は、上述の点が、本発明の第1の実施形態における休職予測システム100等と異なる。

0083

本実施形態においては、上述のとおり、予測ルール学習部110が、従業員が各々異なる複数の所定の時期に休職する可能性の予測に関する予測ルールをそれぞれ生成する。すなわち、予測ルール学習部110は、基準日が異なる第1の勤怠管理情報を用いることで、当該複数の所定の時期における予測ルールをそれぞれ作成することができる。また、予測部120は、予測ルール学習部110にて作成された当該複数の所定の時期における予測ルールをそれぞれ用いることで、当該複数の所定の時期の各々における休職可能性を予測する。

0084

また、予測された複数の所定の時期における休職可能性は、例えば図10に示すグラフのように表される。図10に示すグラフは、一例として、従業員毎に予測された複数の所定の時期における休職可能性を、横軸を複数の時点として予測した結果を並べて導出される。複数の所定の時期における休職可能性が予測されることで、図10に示すグラフのように、従業員等の休職可能性の変化を表すことが可能となる。図10に示すグラフにおいては、従業員Aは、当初の休職可能性の程度は低いが、4か月後には、点線で示されている、休職可能性があると判断される程度に達する。一方、従業員Bは、当初の休職可能性の程度は高いが、少なくとも4か月後までには、休職可能性があると判断される程度には達しない。

0085

したがって、本実施形態における休職予測システム100の利用者は、例えば最初に従業員Aの休職可能性の程度が高くならないように対策を講じ、次に従業員Bの休職可能性の程度を下げるよう対策を講じるように対応することができる。すなわち、本実施形態における休職予測システム100の利用者は、従業員等毎の休職可能性と変化と当該変化が生じる時期に応じて、従業者等が休職しないように対策を講じることができる。

0086

このように、本実施形態における休職予測システム100は、各々異なる複数の所定の時期における休職可能性を予測する。すなわち、本実施形態における休職予測システム100の利用者は、従業員等の予測時点以降における休職可能性の変化を知ることが可能となる。したがって、本実施形態における休職予測システム100の利用者は、従業員等の予測時点以降における休職可能性の変化に応じた対策を講じることが可能となる。

0087

なお、本発明の第3から第5の実施形態における休職予測システムの動作は、互いに組み合わせることが可能である。また、本発明の第3から第5の実施形態における休職予測システムは、本発明の第2の実施形態における休職予測システムと同様の構成とすることができる。

0088

以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。また、各実施形態における構成は、本発明のスコープを逸脱しない限りにおいて、互いに組み合わせることが可能である。

0089

この出願は、2014年9月3日に出願された日本出願特願2014−179457を基礎とする優先権を主張し、その開示の全てをここに取り込む。

0090

100休職予測システム
101予測ルール学習装置
102予測装置
110 予測ルール学習部
120予測部
130勤怠情報記憶部
140 予測ルール記憶部
500情報処理装置
501 CPU
502 ROM
503 RAM
504プログラム
505記憶装置
506記録媒体
507ドライブ装置
508通信インターフェース
509通信ネットワーク
510入出力インターフェース
511 バス

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

該当するデータがありません

関連する公募課題

該当するデータがありません

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

(分野番号表示ON)※整理標準化データをもとに当社作成

該当するデータがありません

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

この 技術と関連性が強い技術

該当するデータがありません

この 技術と関連性が強い法人

該当するデータがありません

この 技術と関連性が強い人物

該当するデータがありません

この 技術と関連する社会課題

該当するデータがありません

この 技術と関連する公募課題

該当するデータがありません

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ