JP7058195B2 - 行動特性計測システムおよび行動特性計測方法 - Google Patents

Description

本発明は、人の行動特性を計測する技術に関する。

急速に変化するビジネス環境に適応するため，従業員の働き方や考え方の抜本的な変革を求める企業が増えている．変化のプロセスを支援するため，行動の観点から変革の進捗状況を把握する方法が求められており，従業員に期待する行動特性（コンピテンシ）の実現度合いを可視化する方法が望まれている。

ここで、「行動特性」とは、様々な状況において一貫して現れる行動の傾向のことを意味している。行動特性のチェックは、人間をタイプに分類するのではなく、現実に出現している行動の分析を通じて、個々人の行動の特性を解析するものである。したがって、行動レベルでの強み／弱みを理解することができ、強みの向上と弱みの克服という成長課題が明瞭になり、自分の行動特性を活かした課題の達成方法が明確になる。

特許文献１では、アンケートを用いて、人間の無意識下の行動特性を分析している。特許文献２では、ソーシャルネットワークのコミュケーションログから、ネットワーク図を作成し、組織ネットワーク分析を行い、コミュニケーション分析をしている。

特開２０１７－２２４２５６号公報 特開２００８－２５７５３９号公報

特許文献１では、アンケートを用いて行動特性をしているが、アンケートに回答する必要があるため、ユーザに負担がかかる。アンケートは主観評価であるため、客観性が低いものになっている。また、アンケート内容に機密情報などが含まれているため、取り扱いには十分に注意を払う必要がある。

特許文献２では、ソーシャルネットワークのコミュケーションログから組織ネットワークを生成しているため、組織の評価はおこなっているが、ユーザの評価を求めることができない。さらに、また、個人の評価を求めたとしても、組織における環境要因を取り除くことができない。そこで、ユーザの負担が少なく手軽にユーザの行動特性を正確に求めることが望まれる。

本発明の好ましい一側面は、プロセッサと記憶装置とを有する行動特性計測システムである。このシステムは、アプリケーションの付随情報を取得して、ユーザ毎の行動履歴リストを生成するデータ取得部、行動履歴リストを所定の期間毎に集計して、ユーザ毎の行動履歴の集計リストを生成する集計生成部、行動履歴の集計リストから特徴量を計算して、ユーザ毎の特徴量リストを生成する特徴量計算部、ユーザ毎の特徴量リストとユーザが属する組織の情報を用いて、ユーザが属する組織の特徴量を求め、組織の特徴量の時間的変化から組織の環境要因を求め、ユーザの特徴量から組織の環境要因を除去する環境要因除去処理部、を備える。

本発明の好ましい他の一側面は、情報処理装置で実行される行動特性計測方法である。この方法は、アプリケーションの付随情報を取得して、ユーザ毎の行動履歴リストを生成するデータ取得処理、行動履歴リストを所定の期間毎に集計して、ユーザ毎の行動履歴の集計リストを生成する集計生成処理、行動履歴の集計リストから特徴量を計算して、ユーザ毎の特徴量リストを生成する特徴量計算処理、および、ユーザ毎の特徴量リストとユーザが属する組織の情報を用いて、ユーザが属する組織の特徴量を求め、組織の特徴量の時間的変化から組織の環境要因を求め、ユーザの特徴量から組織の環境要因を除去する環境要因除去処理処理、を行なう。

ユーザへの負担が少なく行動特性を求めることができる。上記した以外の課題、構成及び効果は、以下の実施形態の説明によって明らかにされる。

本発明の実施形態の行動特性計測システムの全体構成を示すブロック図である。 本発明の実施形態の分析サーバのハードウェア構成を示すブロック図である。 本発明の実施形態のコンピテンシ生成処理のフローチャートである。 本発明の実施形態の分析サーバが保持するユーザリストの説明図である。 本発明の実施形態の分析サーバが保持する組織リストの説明図である。 本発明の実施形態の組織階層構造の例を示すグラフ図である。 本発明の実施形態の分析サーバが保持する行動履歴リストの説明図である。 本発明の実施形態の分析サーバが保持する行動履歴リストの説明図である。 本発明の実施形態の分析サーバが保持する行動履歴の集計リストの説明図である。 本発明の実施形態の分析サーバが保持する行動履歴の集計リストの説明図である。 本発明の実施形態の分析サーバが保持する行動履歴の集計リストの説明図である。 本発明の実施形態の分析サーバが保持する行動履歴の集計リストの説明図である。 本発明の実施形態の分析サーバが保持する行動履歴の集計リストの説明図である。 本発明の実施形態の分析サーバが保持する特徴量の仮説の説明図である。 本発明の実施形態の分析サーバが保持する特徴量の仮説の説明図である。 本発明の実施形態の分析サーバが保持する特徴量の仮説の説明図である。 本発明の実施形態の分析サーバが保持する特徴量の仮説の説明図である。 本発明の実施形態の分析サーバが保持する特徴量計算処理の説明図である。 本発明の実施形態の分析サーバが保持する特徴量計算処理の説明図である。 本発明の実施形態の分析サーバが保持する特徴量計算処理の説明図である。 本発明の実施形態の分析サーバが保持する特徴量計算処理の説明図である。 本発明の実施形態の分析サーバが保持する特徴量計算処理の説明図である。 本発明の実施形態の分析サーバが保持する特徴量リストの説明図である。 本発明の実施形態の環境要因除去処理のフローチャートである。 本発明の実施形態の環境要因除去処理のフローチャートである。 個人の特徴量から組織の環境要因補正して個人のコンピテンシを得る処理の概念図。 個人の特徴量から組織の環境要因補正して個人のコンピテンシを得る処理の概念図。 本発明の実施形態の分析サーバが保持するコンピテンシリストの説明図である。 本発明の実施形態のコンピテンシを用いたアプリケーションによる表示の例の説明図である。

実施の形態について、図面を用いて詳細に説明する。ただし、本発明は以下に示す実施の形態の記載内容に限定して解釈されるものではない。本発明の思想ないし趣旨から逸脱しない範囲で、その具体的構成を変更し得ることは当業者であれば容易に理解される。

以下に説明する発明の構成において、同一部分又は同様な機能を有する部分には同一の符号を異なる図面間で共通して用い、重複する説明は省略することがある。

同一あるいは同様な機能を有する要素が複数ある場合には、同一の符号に異なる添字を付して説明する場合がある。ただし、複数の要素を区別する必要がない場合には、添字を省略して説明する場合がある。

本明細書等における「第１」、「第２」、「第３」などの表記は、構成要素を識別するために付するものであり、必ずしも、数、順序、もしくはその内容を限定するものではない。また、構成要素の識別のための番号は文脈毎に用いられ、一つの文脈で用いた番号が、他の文脈で必ずしも同一の構成を示すとは限らない。また、ある番号で識別された構成要素が、他の番号で識別された構成要素の機能を兼ねることを妨げるものではない。

図面等において示す各構成の位置、大きさ、形状、範囲などは、発明の理解を容易にするため、実際の位置、大きさ、形状、範囲などを表していない場合がある。このため、本発明は、必ずしも、図面等に開示された位置、大きさ、形状、範囲などに限定されない。

実施例のシステムの一例を簡単に説明すると、プロセッサと、プロセッサに接続される記憶装置と、を有する行動特性計測システムであって、プロセッサは、行動特性を求めるために、アプリケーションのアクセスログを取得するデータ取得処理、取得したデータを集計する集計生成処理、行動特性の仮説に基づく特徴量計算処理を行ない、イベントや季節変動などの影響を除去する環境要因除去処理によって行動特性（コンピテンシ）を出力する。これによれば、ユーザが業務で使っているアプリケーションのアクセスログから行動特性を抽出できることできるようになるため、ユーザへの負担が少なく行動特性を求めることができる。

本発明の実施形態について図面を用いて詳細に説明するが、本発明は以下の実施形態に限定されることなく、本発明の技術的な概念の中で種々の変形例や応用例をもその範囲に含むものである。以下、本発明に係る一実施形態を、図１を用いて説明する。

図１は、本発明の実施形態のシステムの全体構成を示すブロック図である。分析サーバＳＡ、クライアント端末ＣＬ、ＳＮＳ（ソーシャルネットワーク）ＣＡ、メールＣＢ、スケジューラＣＣ、メッセージアプリＣＤ、外部情報データベースＣＥは、ｏｐｅｎ又はｃｌｏｓｅのネットワークＮＷに接続されている。

分析サーバＳＡは、コンピテンシ特徴量に関する分析を行うシステムを構成する。分析サーバＳＡは、データベースＳＡ０、表示部ＳＡ１、要求部ＳＡ２及び実行部ＳＡ３から構成されている。

データベースＳＡ０は、分析サーバＳＡ内で使用される入力／出力データを扱っている。具体的には、データベースＳＡ０は、予め分析サーバＳＡに設定されている情報、ネットワークＮＷを介して取得された情報、及び、実行部ＳＡ３の処理によって生成された情報等を含む。

図１では省略されているが、データベースＳＡ０は、例えば、ユーザリスト（ＳＡ０１）、組織リスト（ＳＡ０２）、行動履歴リスト（ＳＡ０３）、行動履歴の集計リスト（ＳＡ０４）、特徴量仮説（ＳＡ０５）、特徴量計算処理（ＳＡ０６）、特徴量リスト（ＳＡ０７）、コンピテンシリスト（ＳＡ０８）、を含む（図４、図５、図７～図２４、図１３参照）。

実行部ＳＡ３は実際に分析を実行する部分であり、データ取得処理部ＳＡ３１、集計生成処理部ＳＡ３２、特徴量計算処理部ＳＡ３３、環境要因除去処理部ＳＡ３、から構成されている。

クライアント端末ＣＬは、管理者が分析の状況を閲覧するための端末である。ＳＮＳ（ソーシャルネットワークＣＡ、メールＣＢ、スケジューラＣＣ、メッセージアプリＣＤは組織やプロジェクトのメンバ内外との連絡のやり取りの情報が含まれている。外部情報データベースＣＥでは、上記のもの以外で組織やプロジェクトのメンバ内外との連絡のやり取りの情報を含んでもよい。

図２は、本発明の実施形態の分析サーバＳＡのハードウェア構成を示すブロック図である。分析サーバＳＡは、例えば、相互に接続されたインターフェース（Ｉ／Ｆ）１０１、入力装置１０２、出力装置１０３、プロセッサ１０４、主記憶装置１０５及び補助記憶装置１０６を有する計算機である。

インターフェース１０１は、ネットワークＮＷに接続され、ネットワークＮＷを介して分析サーバＳＡ、クライアント端末ＣＬ、ＳＮＳ（ソーシャルネットワーク）ＣＡ、メールＣＢ、スケジューラＣＣ、メッセージアプリＣＤ、外部情報データベースＣＥの取得等を行う。入力装置１０２は、分析サーバＳＡのユーザが分析サーバＳＡに情報を入力するために使用する装置であり、例えばキーボード、マウス及びタッチセンサ等の少なくともいずれかを含んでもよい。出力装置１０３は、分析サーバＳＡのユーザに情報を出力する装置であり、例えば文字及び画像等を表示する表示装置を含んでもよい。

プロセッサ１０４は、主記憶装置１０５に格納されたプログラムに従って種々の処理を実行する。主記憶装置１０５は、例えばＤＲＡＭのような半導体記憶装置であり、プロセッサ１０４によって実行されるプログラム及びプロセッサの処理に必要なデータ等を格納する。補助記憶装置１０６は、例えばハードディスクドライブ又はフラッシュメモリなどの比較的大容量の記憶装置であり、プロセッサによって実行する処理において参照されるデータ等を格納する。

本実施形態の主記憶装置１０５には、実行部ＳＡ３に含まれるデータ取得処理部ＳＡ３１、集計生成処理部ＳＡ３２、特徴量計算処理部ＳＡ３３、環境要因除去処理部ＳＡ３、を実現するためのプログラムが格納される。したがって、以下の説明において実行部ＳＡ３に含まれる各部が実行する処理は、実際には、プロセッサ１０４が、主記憶装置１０５に格納された各部に対応するプログラムに従って実行する。

また、要求部ＳＡ２の処理は、プロセッサ１０４が主記憶装置１０５に格納された要求部ＳＡ２に対応するプログラムに従ってインターフェース１０１又は入力装置１０２を制御することによって実現されてもよい。表示部ＳＡ１の処理は、プロセッサ１０４が主記憶装置１０５に格納された表示部ＳＡ１に対応するプログラムに従って出力装置１０３を制御することによって実現されてもよい。

本実施形態の補助記憶装置１０６は、データベースＳＡ０を格納する。さらに、実行部ＳＡ３に含まれる各部に対応するプログラムが補助記憶装置１０６に格納され、必要に応じて主記憶装置１０５にコピーされてもよい。また、データベースＳＡ０の少なくとも一部が必要に応じて主記憶装置１０５にコピーされてもよい。

以上の構成は、単体の計算機で構成してもよいし、あるいは、入力装置、出力装置、プロセッサ、記憶装置の任意の部分が、ネットワークで接続された他の計算機で構成されてもよい。

図３は、本発明の実施形態の分析サーバ（ＳＡ）におけるコンピテンシ特徴量を生成するステップを示したコンピテンシ生成処理（ＳＡ３０）である。コンピテンシ生成処理（ＳＡ３０）は、データ取得処理ＳＳＡ３１、集計生成処理ＳＳＡ３２、特徴量計算処理ＳＳＡ３３、環境要因除去処理ＳＳＡ３４から構成されている。それぞれが、データ取得処理部ＳＡ３１、集計生成処理部ＳＡ３２、特徴量計算処理部ＳＡ３３、環境要因除去処理部ＳＡ３４で実行される。

データ取得処理ＳＳＡ３１は図１に示したＳＮＳ（ソーシャルネットワーク）ＣＡ、メールＣＢ、スケジューラＣＣ、メッセージアプリＣＤ、外部情報データベースＣＥからアクセスログやコミュニケーションログ等を取得する処理である。これらのデータは、ネットワークを介して、各アプリケーションサーバから直接的または間接的に取得される。データ取得処理ＳＡ３１で取得した結果は行動履歴リスト（ＳＡ０３）に格納される。

本明細書等では、ＳＮＳ、メール、スケジューラ、メッセージアプリ等を総称してアプリケーションと呼ぶことにする。また、アプリケーションから収集され、メール本文やコメント自体等、ユーザの意見等を文章化した情報を含まない情報を、付随情報と呼ぶことにする。付随情報には、アクセスログやコミュニケーションログを含むことができる。また、ヘッダやタイムスタンプ等のメタ情報を含むことができる。

集計生成処理ＳＳＡ３２は行動履歴リスト（ＳＡ０３）から期間やユーザ毎に行動履歴を集計する処理である。集計生成処理ＳＳＡ３２で取得した結果は行動履歴の集計リスト（ＳＡ０４）に格納される。

特徴量計算処理ＳＳＡ３３は行動履歴の集計リスト（ＳＡ０４）からコンピテンシの特徴量を生成する処理である。特徴量の仮説は特徴量仮説（ＳＡ０５）、特徴量の計算方法は特徴量計算処理（ＳＡ０６）に記載されている。特徴量計算処理ＳＳＡ３３によって計算された結果は特徴量リスト（ＳＡ０７）に格納される。

環境要因除去処理ＳＳＡ３４は特徴量リスト（ＳＡ０７）から環境要因におけるノイズを除去する処理である。処理方法の一例を図１２の環境要因除去処理ステップに示している。環境要因除去処理ＳＳＡ３４に計算された結果はコンピテンシリスト（ＳＡ０８）に格納される。

図４は、本発明の実施形態の分析サーバ（ＳＡ）が保持するユーザリスト（ＳＡ０１）の説明図である。ユーザリスト（ＳＡ０１）に掲載しているユーザの情報を管理するものである。コンピテンシはユーザリストに掲載している人物を出力する。図４に記述している例は、図６の組織階層構造に合わせた内容となっている。

ユーザＩＤ（ＳＡ０１００）はユーザを識別するＩＤである。氏名（ＳＡ０１０１）はユーザの氏名である。所属（ＳＡ０１０２）はユーザが所属している部署名である。組織（ＳＡ０１０３）はユーザが所属している組織名である。会社（ＳＡ０１０４）はユーザが所属している会社名である。会社の規模によって、所属（ＳＡ０１０２）や組織（ＳＡ０１０３）がない場合が考えられる。その場合には、空を表す「－」を代入する。

図４に示されたのは一例であり、コンピテンシ生成処理（ＳＡ３０）において、ユーザの情報を表現する際に、必要なデータがあれば、そのデータを追加するようにユーザリスト（ＳＡ０１）を変更することができる。

図５は、本発明の実施形態の分析サーバ（ＳＡ）が保持する組織リスト（ＳＡ０２）の説明図である。組織リスト（ＳＡ０２）に掲載されている組織名とその組織の構造を示した情報を管理するものである。この組織リスト（ＳＡ０２）はユーザを組織単位で取り扱う際に用いるものである。図５に記述している例は、図６の組織階層構造に合わせた内容となっている。

組織ＩＤ（ＳＡ０２００）は組織を識別するＩＤである。組織名（ＳＡ０２０１）は組織の名称である。上位組織（ＳＡ０２０２）はその組織ＩＤ（ＳＡ０２００）を基準とした上位の組織の名称である。下位組織（ＳＡ０２０３）はその組織ＩＤ（ＳＡ０２００）を基準とした階の組織の名称である。上位組織（ＳＡ０２０２）、下位組織（ＳＡ０２０３）について、上位、下位に該当する組織がない場合には、「なし」と記載する。また、上位、下位に該当する組織が複数ある場合には、複数の組織名を記載する。階層（ＳＡ０２０４）は組織全体の頂点を１階層としたときに、その組織ＩＤ（ＳＡ０２００）の階層を示したものである。本発明の実施形態では階層構造を考慮する必要があり、その組織ＩＤ（ＳＡ０２００）の階層を記載する。

図５に示されたのは一例であり、コンピテンシ生成処理（ＳＡ３０）において、ユーザの情報を表現する際に、必要なデータがあれば、そのデータを追加するようにユーザリスト（ＳＡ０１）を変更することができる。

ユーザリスト（ＳＡ０１）や組織リスト（ＳＡ０２）は、分析サーバ（ＳＡ）のデータベース（ＳＡ０）に直接入力して格納することができる。あるいは、ネットワーク（ＮＷ）経由で入手しても良い。

図６は、本発明の実施形態を説明する際に用いる組織階層構造の例である。このような組織階層が図５の組織リストで表現されている。図６（ａ）は比較的小さい規模の組織の例である。この組織は２階層から構成させており、第１階層はＡ部、第２階層は３つの課（Ａ１課、Ａ２課、Ａ３課）となっている。各課の下位階層にユーザが配置されている。

図６（ｂ）は比較的大きい規模の組織の例である。この組織は３階層から構成させており、第１階層は会社Ｂ、第２階層は２つの部（Ｂ１部、Ｂ２部）、第３階層は４つの課（Ｂ１１課、Ｂ１２課、Ｂ２１課、Ｂ２２課）となっている。Ｂ１１課とＢ１２課の上位階層はＢ１部で、Ｂ２１課とＢ２２課の上位階層はＢ２部である。そして、各課の下位階層にユーザが配置されている。

図７Ａおよび図７Ｂは、本発明の実施形態の分析サーバ（ＳＡ）が保持する行動履歴リスト（ＳＡ０３）の説明図である。コンピテンシ生成処理（ＳＡ３０）のデータ取得処理（ＳＡ３１）で実行後に、取得されるデータである。

Ｎｏ（ＳＡ０３００）は行動履歴リスト（ＳＡ０３）の項目を識別するためのＮｏである。Ｌｉｓｔ Ｎａｍｅ（ＳＡ０３０１）は行動履歴リスト（ＳＡ０３）に格納されるデータの名称である。値１（ＳＡ０３０２）は１回のデータ取得処理（ＳＡ３１）によって格納される値の集合である。次にデータ取得処理（ＳＡ３１）を実行すると値２（ＳＡ０３０３）の列へ、さらに実行すると値３（ＳＡ０３０４）の列へと順々に格納されていく。

図７Ａで、ＩＤ（ＳＡ０３０５）は格納される値の集合を識別するためのＩＤである。ユーザ（ＳＡ０３０６）はそのサイトのコンテンツにアクセスした人である。コンテンツ名（ＳＡ０３０７）はそのサイトに作成されたスレッドのタイトルである。チーム名 ＳＡ０３０８は部署やプロジェクトなど、組織・目的別に情報を共有するために形成されたグループの名前である。コンテンツ内容（ＳＡ０３０９）はそのサイトに作成されたスレッドの種類である。例えば、ブログ、写真、動画などである。コンテンツ作成者（ＳＡ０３０Ａ）はそのサイトにスレッドを作成したユーザである。コンテンツ作成日時（ＳＡ０３０Ｂ）はそのサイトにスレッドが作成された日時である。コンテンツ最終更新日（ＳＡ０３０Ｃ）はそのサイトに作成されたスレッドを更新した直近の日時である。コンテンツコメント数（ＳＡ０３０Ｅ）はそのサイトに作成されたスレッドに寄せられたコメントの数である。コンテンツ閲覧者数（ＳＡ０３０Ｆ）はそのサイトに作成されたスレッドにアクセスした人の延べ数である。

ユーザ視点のＡｃｔｉｖｉｔｙ種類（ＳＡ０３１０）はそのサイトの利用者が、サイト上で取った能動的なアクティビティ（スレッド作成、コメントをするなど）または受動的なアクティビティ（タグ付けされる、コメントをもらうなど）を集計し、アクティビティのタイプを示した項目である。ユーザが行ったＡｃｔｉｖｉｔｙ日時（ＳＡ０３１１）はそのサイトの利用者がサイト上で取った能動的なアクティビティ（スレッド作成、コメントをするなど）の日時である。ユーザが行ったＡｃｔｉｖｉｔｙ時刻（ＳＡ０３１２）はそのサイトの利用者が、サイト上で取った能動的なアクティビティ（スレッド作成、コメントをするなど）の時刻である。ユーザが行ったＡｃｔｉｖｉｔｙ（コメント）時間区分Ｉ（ＳＡ０３１３）はそのサイトの利用者が、コメントをした時間の区分（午前、午後）である。ユーザが行ったＡｃｔｉｖｉｔｙ（コメント）時間区分ＩＩ（ＳＡ０３１４）はそのサイトの利用者が、コメントをした時間の区分（朝、昼、夜、早朝）である。

図７Ｂで、ユーザがコメントした場合の相手（ＳＡ０３１５）はそのサイトの利用者が、コメントをした相手の名前である。ユーザがコメントした場合の相手のコメント日時（ＳＡ０３１６）はそのサイトの利用者が、コメントをした相手からコメントをもらった（レスポンス）日時である。

ユーザがコンテンツにコメントした場合のコンテンツ作成時間とコメント投稿時間の差分、すなわち「（ユーザコメント投稿日時－コンテンツ作成日時）［／日］」（ＳＡ０３１７）はそのサイトの利用者がスレッドにコメントをした場合において、コメントをした時間とスレッドが作成された時間との差分である。

ユーザが他者のコメントにコメントした場合の他者がコメントした時間とユーザがコメントした時間の差分、すなわち「（ユーザコメント日時－他者コメント日時）［／日］」（ＳＡ０３１８）はそのサイトの利用者が、他の利用者のコメントに対してコメントをした場合において、両者がコメントをした時間の差分である。

ユーザへコメント／ｍｅｎｔｉｏｎｅｄをした人（ＳＡ０３１９）はそのサイトの利用者が、コメントをした相手の名前または他の利用者をタグ付けした名前である。ｍｅｎｔｉｏｎｅｄの存在箇所（ＳＡ０３１Ａ）はそのサイトの利用者が他の利用者をタグ付けしたとき、コメント投稿でしたか、スレッド作成でしたかを示したものである。ユーザがｍｅｎｔｉｏｎｅｄ／コメントされた日時（ＳＡ０３１Ｂ）はそのサイトの利用者が、他の利用者からコメントまたはタグ付けされたときの日時である。ユーザがｍｅｎｔｉｏｎｅｄ／コメントされた時刻（ＳＡ０３１Ｃ）はそのサイトの利用者が、他の利用者からコメントまたはタグ付けされたときの時刻である。

ユーザが他者からｍｅｎｔｉｏｎｅｄ／コメントされた時間区分Ｉ（ＳＡ０３１Ｄ）はそのサイトの利用者が、他の利用者からコメントまたはタグ付けされたときの時間の区分（午前、午後）である。

ユーザが他者からｍｅｎｔｉｏｎｅｄ／コメントされた時間区分ＩＩ（ＳＡ０３１Ｅ）はそのサイトの利用者が、他の利用者からコメントまたはタグ付けされたときの時間の区分（朝、昼、夜、早朝）である。

ユーザが作成したコンテンツに他者がコメントした場合のコンテンツ作成時間とコメント投稿時間の差分、すなわち「（ユーザコメント日時－コンテンツ作成日時）［／日］」（ＳＡ０３１Ｆ）はそのサイトの利用者が作成したスレッドに対して他の利用者がコメントをした場合において、スレッドを作成した時間とコメントをした時間との差分である。

ユーザがコンテンツを作成した日付とコンテンツ最終更新日の差分（コンテンツ最終更新日時－コンテンツを作成日付）［／日］（ＳＡ０３２０）はそのサイトの利用者がスレッドを作成した日付とスレッドの最終修正日との差分である。

全Ａｃｔｉｖｉｔｙ日時（ＳＡ０３２１）はそのサイトの利用者が、そのサイト上で取った能動的なアクティビティ（コメントをするなど）、または受動的なアクティビティ（コメントをもらうなど）の日時である。または、Ｎｏ１２とＮｏ２２を統合してもよい。

図７に示されたのは一例であり、コンピテンシ生成処理（ＳＡ３０）において、ユーザの行動履歴を表現する際に、必要なデータがあれば、そのデータを追加するように行動履歴リスト（ＳＡ０３）を変更することができる。

本実施例では、図４～図７Ｂまでのデータに基づいて、以下の行動履歴の集計リスト（ＳＡ０４）を作成し、個人レベルのコンピテンシを解析する。データ取得処理（ＳＡ３１）で取得されるデータは、個人のメール本文やコメント自体を含まない付随情報で構成されるため、機微な個人情報なしにコンピテンシ解析が可能となる利点がある。また、本文の言語解析を行なわないので、処理が単純化できるという利点もある。

図８Ａ～図８Ｅは、本発明の実施形態の分析サーバ（ＳＡ）が保持する行動履歴の集計リスト（ＳＡ０４）の説明図である。コンピテンシ生成処理（ＳＡ３０）の集計生成処理（ＳＡ３２）の実行後に、求められるデータである。

図８Ａで、Ｎｏ（ＳＡ０４００）は行動履歴の集計リスト（ＳＡ０４）の項目を識別するためのＮｏである。Ｌｉｓｔ Ｎａｍｅ（ＳＡ０４０１）は行動履歴の集計リスト（ＳＡ０４）に格納されるデータの名称である。値１（ＳＡ０４０２）は１回の集計生成処理（ＳＡ３２）によって格納される値の集合である。次に集計生成処理（ＳＡ３２）を実行すると値２（ＳＡ０４０３）の列へ、さらに実行すると値３（ＳＡ０４０４）の列へと順々に格納されていく。

期間（ＳＡ０４０６）は集計に用いた期間である。Ｐｒｏｆｉｌｅ（ＳＡ０４０７）はユーザの属性情報である。氏名（ＳＡ０４０８）はそのサイトの利用者のユーザ名である。ＳＮＳ記載（ＳＡ０４０９）はそのサイトに記載された事項である。場所（ＳＡ０４０Ａ）はそのサイトの利用者の居住地である。役職（ＳＡ０４０Ｂ）はそのサイトの利用者の役目・職務である。

フォロー数（ＳＡ０４０Ｃ）はそのサイトの利用者がフォローしている他の利用者の人数である。フォロワー数（ＳＡ０４０Ｄ）はそのサイトの利用者がフォローされている他の利用者の人数である。フォロー数＋フォロワー数（ＳＡ０４０Ｅ）はフォロー数とフォロワー数を足した値である。これは行動履歴の集計リスト（ＳＡ０４）のＮｏ．７とＮｏ．８を足した値である。Ｂｉｏｇｒａｐｈｙ単語数（ＳＡ０４０Ｆ）はそのサイトの利用者の自己紹介欄に記載されている文章の単語数である。所属Ｐｌａｃｅ数（ＳＡ０４１０）はそのサイトの利用者が所属しているグループの数である。

図８Ｂで、Ａｃｔｉｖｉｔｙ・被Ａｃｔｉｖｉｔｙ全体（ＳＡ０４１１）はそのサイトの利用者がサイト上で取った能動的なアクティビティ（スレッド作成、コメント投稿等）と受動的なアクティビティ（コメントをもらう、タグ付けされる等）であり、全てのアクティビティを扱う項目である。

該当ｐｌａｃｅ／全ｐｌａｃｅ（ＳＡ０４１２）はそのサイトの利用者がした全てのアクティビティ数のうち、あらかじめ指定した該当のグループ（該当ｐｌａｃｅ）に向けて公開されたスレッド上にあるアクティビティ（スレッド作成、コメント投稿など）数の割合を算出した値である。そのサイトの利用者がした全てのアクティビティから、アクティビティそれぞれがあるスレッドがどのグループに対して公開されているかを調査する形で集計をした。すなわち特定のグループに対するアクティビティの割合である。

全ｐｌａｃｅ（ＳＡ０４１３）はコンテンツの公開範囲においてあらかじめ指定したグループで絞って集計せず、全てのグループを対象としてアクティビティを集計した項目である。そのサイトの利用者がした全てのアクティビティ（スレッド作成、コメント投稿等）があるスレッドの公開範囲を参照することにより集計した。

合計（ＳＡ０４１４）はそのサイトの利用者がした全てのアクティビティ（コンテンツ作成、コメント投稿等）回数を集計した値である。

コメント投稿（ＳＡ０４１５）はそのサイトの利用者が、他の利用者が投稿したスレッドまたはコメントに対してコメントをした回数を集計した値である。

コンテンツに対して（ＳＡ０４１６）はそのサイトの利用者が、他の利用者が投稿したスレッドに対してコメントをした回数を集計した値である。

コメントに対して（リプライ）（ＳＡ０４１７）はそのサイトの利用者が、他の利用者が投稿したスレッドに対してコメントをした回数を集計した値である。

ｍｅｎｔｉｏｎｅｄ（話題にされた、あるいは引用された）（ＳＡ０４１８）はそのサイトの利用者について、他の利用者がスレッド作成またはコメント投稿でタグ付けをして行った回数を集計した値である。

コメント取得（ＳＡ０４１９）はそのサイトの利用者が作成したスレッドまたは投稿したコメントが、取得したコメントの回数を集計した値である。

コンテンツに対して（ＳＡ０４１Ａ）はそのサイトの利用者が作成したスレッドが、取得したコメントの回数を集計した値である。

コメントに対して（ＳＡ０４１Ｂ）はそのサイトの利用者が投稿したコメントが、取得したコメントの回数を集計した値である。

コンテンツ最終修正（ＳＡ０４１Ｃ）はあるスレッドに対してされた修正のうち、もっとも新しい修正をした利用者の出現回数を集計した値である。

ｈｅｌｐｆｕｌ（ＳＡ０４１Ｄ）はそのサイトの利用者が、他の利用者の作成したスレッドまたはコメントに対して「イイね」等の肯定的フラグをつけた回数を集計した値である。

Ｃｏｎｔｅｎｔ作成（ＳＡ０４１Ｅ）はそのサイトの利用者が、スレッドを作成した回数を集計した値である。

該当ｐｌａｃｅ（ＳＡ０４１Ｆ）はあらかじめ指定した該当のグループに公開しているスレッドに絞って、そのサイトの利用者がしたアクティビティの集計をした項目である。

合計（ＳＡ０４２０）はあらかじめ指定した該当のグループに公開しているスレッドに絞って、そのサイトの利用者がした全てのアクティビティ（コンテンツ作成、コメント投稿等）回数を集計した値である。

コメント投稿（ＳＡ０４２１）はあらかじめ指定した該当のグループに公開しているスレッドに絞って、そのサイトの利用者が、他の利用者の作成したスレッドまたは投稿したコメントに対して、コメントをした回数を集計した値である。

コンテンツに対して（ＳＡ０４２２）はあらかじめ指定した該当のグループに公開しているスレッドに絞って、そのサイトの利用者が、他の利用者の作成したスレッドに対して、コメントをした回数を集計した値である。

コメントに対して（リプライ）（ＳＡ０４２３）はあらかじめ指定した該当のグループに公開しているスレッドに絞って、そのサイトの利用者が、他の利用者の投稿したコメントに対して、コメントをした回数を集計した値である。

ｍｅｎｔｉｏｎｅｄ（話題にされた、あるいは引用された）（ＳＡ０４２４）はあらかじめ指定した該当のグループに公開しているスレッドに絞って、そのサイトの利用者について、他の利用者がスレッド作成またはコメント投稿をタグ付けして行った回数を集計した値である。

コメント取得（ＳＡ０４２５）はあらかじめ指定した該当のグループに公開しているスレッドに絞って、そのサイトの利用者が作成したスレッドまたはコメントに対して、他の利用者がコメントをした回数を集計した値である。

コンテンツに対して（ＳＡ０４２６）はあらかじめ指定した該当のグループに公開しているスレッドに絞って、そのサイトの利用者が作成したスレッドに対して、他の利用者がコメントをした回数を集計した値である。

コメントに対して（ＳＡ０４２７）はあらかじめ指定した該当のグループに公開しているスレッドに絞って、そのサイトの利用者が作成したスレッドに対して、他の利用者がコメントをした回数を集計した値である。

コンテンツ最終修正（ＳＡ０４２８）はあらかじめ指定した該当のグループに公開しているスレッドに絞って、あるスレッドに対してされた修正のうち、もっとも新しい修正をした利用者の出現回数を集計した値である。

ｈｅｌｐｆｕｌ（ＳＡ０４２９）はあらかじめ指定した該当のグループに公開しているスレッドに絞って、そのサイトの利用者が、他の利用者の作成したスレッドまたはコメントに対して、「イイね」等の肯定的フラグをつけた回数を集計した値である。

Ｃｏｎｔｅｎｔ作成（ＳＡ０４２Ａ）はあらかじめ指定した該当のグループに公開しているスレッドに絞って、そのサイトの利用者がスレッドを作成した回数を集計した値である。

図８Ｃで、Ｃｏｎｔｅｎｔ（ＳＡ０４２Ｂ）はそのサイトの利用者がしたアクティビティのうち、スレッド作成にフォーカスした項目である。

該当ｐｌａｃｅ／全ｐｌａｃｅ（ＳＡ０４２Ｃ）はそのサイトの利用者が作成した全てのスレッド数のうち、あらかじめ指定した該当のグループに向けて公開されたスレッド数の割合を算出した値である。

全ｐｌａｃｅ（ＳＡ０４２Ｄ）はそのサイトの利用者が作成した全てのスレッド数を集計した値である。

該当ｐｌａｃｅ（ＳＡ０４２Ｅ）はあらかじめ指定した該当のグループに向けて公開したスレッドに絞って、そのサイトの利用者が作成したスレッド数を集計した値である。

カテゴリ分類をしたコンテンツ閲覧者数（対象ユーザが作成したコンテンツの被閲覧者数）（ＳＡ０４２Ｆ）はそのサイトの利用者が作成したスレッドの閲覧数を、スレッドのカテゴリごとに集計した値である。

被閲覧者総数（ＳＡ０４３０）はそのサイトの利用者が作成したスレッドの閲覧数の総数である。

ファイル（ＳＡ０４３１）はそのサイトの利用者が作成したスレッドのうち、カテゴリがアップロードされたファイルであるスレッドの閲覧者数の総数である。

ディスカッション（ＳＡ０４３２）はそのサイトの利用者が作成したスレッドのうち、カテゴリがディスカッションあるスレッドの閲覧者数の総数である。

ブログ投稿（ＳＡ０４３３）はそのサイトの利用者が作成したスレッドのうち、カテゴリがブログ投稿であるスレッドの閲覧者数の総数である。

文章（ＳＡ０４３４）はそのサイトの利用者が作成したスレッドのうち、カテゴリが文書であるスレッドの閲覧者数の総数である。

動画（ＳＡ０４３５）はそのサイトの利用者が作成したスレッドのうち、カテゴリが動画であるスレッドの閲覧者数の総数である。

アンケート（ＳＡ０４３６）はそのサイトの利用者が作成したスレッドのうち、カテゴリがアンケートであるスレッドの閲覧者数の総数である。

質問（ＳＡ０４３７）はそのサイトの利用者が作成したスレッドのうち、カテゴリが質問であるスレッドの閲覧者数の総数である。

写真（ＳＡ０４３８）はそのサイトの利用者が作成したスレッドのうち、カテゴリが写真であるスレッドの閲覧者数の総数である。

カテゴリ分類をしたスレッド作成数（ＳＡ０４３９）はそのサイトの利用者が作成したスレッド数を、カテゴリごとに集計した値である。

合計（ＳＡ０４３Ａ）はそのサイトの利用者が作成したスレッド数を、カテゴリごとに集計して合計した値である。

ファイル（ＳＡ０４３Ｂ）はそのサイトの利用者が作成したスレッドのうち、カテゴリがアップロードされたファイルであるスレッドを集計した値である。

ディスカッション（ＳＡ０４３Ｃ）はそのサイトの利用者が作成したスレッドのうち、カテゴリがディスカッションであるスレッドを集計した値である。

ブログ投稿（ＳＡ０４３Ｄ）はそのサイトの利用者が作成したスレッドのうち、カテゴリがブログ投稿であるスレッドを集計した値である。

文章（ＳＡ０４３Ｅ）はそのサイトの利用者が作成したスレッドのうち、カテゴリが文書であるスレッドを集計した値である。

動画（ＳＡ０４３Ｆ）はそのサイトの利用者が作成したスレッドのうち、カテゴリが動画であるスレッドを集計した値である。

アンケート（ＳＡ０４４０）はそのサイトの利用者が作成したスレッドのうち、カテゴリがアンケートであるスレッドを集計した値である。

質問（ＳＡ０４４１）はそのサイトの利用者が作成したスレッドのうち、カテゴリが質問であるスレッドを集計した値である。

写真（ＳＡ０４４２）はそのサイトの利用者が作成したスレッドのうち、カテゴリが写真であるスレッドを集計した値である。

Ｃｏｍｍｅｎｔ（ＳＡ０４４３）はそのサイトの利用者がしたアクティビティのうち、コメントにフォーカスした項目である。

コメントをした相手の人数（ＳＡ０４４４）はそのサイトの利用者がコメントをした相手（スレッドに対してコメントをした場合は、そのスレッド作成者、コメントに対してコメントをした場合は、そのコメント投稿者）の人数から氏名の重複を除いて求めたユニーク数である。

コメントをされた相手の人数（ＳＡ０４４５）はそのサイトの利用者がコメントをされた相手（作成スレッドおよび投稿コメントに対して投稿されたコメントの投稿者）の人数から氏名の重複を除いて求めたユニーク数である。

図８Ｄで、その他（ＳＡ０４４６）はそのサイトの利用者がしたアクティビティのうち、プロフィール、スレッド、コメント以外のアクティビティにフォーカスした項目である。

コンテンツを作成してからコメントを取得するまでに要したコメント一件あたりの日数［日］（ＳＡ０４４７）はそのサイトの利用者が作成したスレッドの公開日付と、そのスレッドが他の利用者からコメントをもらったすべての日時との差分データの累計から、スレッドを作成してからコメントを取得するまでに要したコメント一件あたりの日数を集計した値である。

コンテンツ一件あたりの稼動日数［日］（ＳＡ０４４８）はそのサイトの利用者が作成したスレッドの公開日付と、そのスレッド最終修正日時との差分（継続日数）の合計から、スレッド一件あたりのスレッド継続日数を集計した値である。

Ａｃｔｉｖｉｔｙ時間分布（ＳＡ０４４９）は時間取得可能である能動的なアクティビティ（コメント投稿、 スレッド最終修正等）時間、および受動的なアクティビティ（コメント取得等）時間を０時から２３時までの１時間間隔で集計した項目である。

相関係数（ＳＡ０４４Ａ）は時間取得可能である能動的なアクティビティ（コメント投稿、 スレッド最終修正等）時間、および受動的なアクティビティ（コメント取得等）時間を０時から２３時までの１時間間隔で集計し、利用者単位で１時間毎の能動的なアクティビティ数と１時間毎の受動的なアクティビティ数を集計し求めた相関係数である。

Ａｃｔｉｖｉｔｙ時間間隔（ＳＡ０４４Ｂ）はそのサイトの利用者が行った時間取得可能であるアクティビティ（コメント投稿、スレッド最終修正）日時を時系列降順で集計した項目である。

標準偏差（ＳＡ０４４Ｃ）はそのサイトの利用者が行った時間取得可能であるアクティビティ（コメント投稿、スレッド最終修正）日時を時系列降順で集計し、そのアクティビティの間隔（ｎ番目とｎ－１番目の差分）を算出し求めた標準偏差である。

作成コンテンツ一件あたりのコメント取得数（ＳＡ０４４Ｄ）はそのサイトの利用者が作成したスレッド数とそれらのスレッドに他の利用者が投稿したコメント数の総数から、作成スレッド一件あたりのコメント取得数を算出した値である。

取得したコメント数とリプライ数の比率（リプライ／取得）（ＳＡ０４４Ｅ）はそのサイトの利用者が取得したコメント（作成したスレッドおよびコメントに対して取得したコメント）数と、それに対して返信をしたコメント（リプライ）数の比率（返信数／取得数）を算出した値である。

所属ｐｌａｃｅに対するｍｅｎｔｉｏｎｅｄの比率（ＳＡ０４４Ｆ）はそのサイトの利用者がタグ付けされた数の所属グループ数に対する比率を算出した値である。

発信系、受信系Ａｃｔｉｖｉｔｙ（ＳＡ０４５０）はそのサイトの利用者が行ったアクティビティのうち、コメント投稿、スレッド作成を発信系アクティビティとし、コメント取得を受信系アクティビティとしたアクティビティにフォーカスした項目である。

受信系の発信系に対する比率（ＳＡ０４５１）はそのサイトの利用者が行った発信系アクティビティ（コメント投稿、スレッド作成等）数に対する受信系アクティビティ（コメント取得等）数の比率を算出した値である。

発信系Ａｃｔｉｖｉｔｙ数（コメント投稿＋コンテンツ作成）（ＳＡ０４５２）はそのサイトの利用者が行った発信系アクティビティ（コメント投稿、スレッド作成等）数を集計した値である。

受信系Ａｃｔｉｖｉｔｙ数（コメント取得）（ＳＡ０４５３）はそのサイトの利用者が行った受信系アクティビティ（コメント取得等）数を集計した値である。

図８Ｅで、カテゴリで分類をしたＡｃｔｉｖｉｔｙ数（ＳＡ０４５４）はそのサイトの利用者が行ったアクティビティ（コメント投稿、スレッド作成等）をカテゴリ別に集計し、アクティビティ数の多い上位４つのカテゴリにおけるアクティビティ数を集計した項目である。カテゴリは例えば、コメント投稿先のコンテンツ、作成したコンテンツの内容による分類に基づいて任意に定める。

最大（ＳＡ０４５５）はそのサイトの利用者が行ったアクティビティ（コメント投稿、スレッド作成等）をカテゴリ別に集計し、アクティビティ数の多い上位４つのカテゴリにおける一番目のカテゴリのアクティビティ数である。２位（ＳＡ０４５６）は同じくアクティビティ数の多い上位４つのカテゴリにおける二番目のカテゴリのアクティビティ数である。３位（ＳＡ０４５７）は同じく上位４つのカテゴリにおける三番目のカテゴリのアクティビティ数である。４位（ＳＡ０４５８）は同じく上位４つのカテゴリにおける四番目のカテゴリのアクティビティ数である。

対象ユーザがファーストコメントで応答するまでの日数（ＳＡ０４５９）はそのサイトの利用者が、他の利用者が投稿したコメントまたは作成したスレッドに対して、コメントをするまでの日数を集計した値である。

他ユーザのコンテンツに対して［日］（ＳＡ０４５Ａ）はそのサイトの利用者が、他の利用者が作成したスレッドに対して、コメントをするまでの日数を集計した値である。また、複数コメントがある場合は、ファーストコメントのみ集計でもよい。

平均（回数）（ＳＡ０４５Ｂ）はそのサイトの利用者が、他の利用者が投稿したスレッドに対して、コメントをするまでの日数を集計した値の平均値である。

最短（ＳＡ０４５Ｃ）はそのサイトの利用者が、他の利用者が作成したスレッドに対して、コメントをするまでの日数を集計した値の最短である。２位（ＳＡ０４５Ｄ）は同じくコメントをするまでの日数を集計した値の２番目である。３位（ＳＡ０４５Ｅ）は同じくコメントをするまでの日数を集計した値の３番目である。

他ユーザのコメントに対して［日］（ＳＡ０４５Ｆ）はそのサイトの利用者が、他の利用者が投稿したコメントに対して、コメントをするまでの日数を集計した値である。また、複数コメントがある場合は、ファーストコメントのみ集計でもよい。

平均（回数）（ＳＡ０４６０）はそのサイトの利用者が、他の利用者が投稿したコメントに対して、コメントをするまでの日数を集計した値の平均値である。

最短（ＳＡ０４６１）はそのサイトの利用者が、他の利用者が作成したコメントに対して、コメントをするまでの日数を集計した値の最短である。２位（ＳＡ０４６２）は同じくコメントをするまでの日数を集計した値の２番目である。３位（ＳＡ０４６３）は同じくコメントをするまでの日数を集計した値の３番目である。

時間区分（コメント、コンテンツ最終修正）（ＳＡ０４６４）はアクティビティの中で日時表記であるコメントとスレッド最終修正から、アクティビティ時間の大まかな区分けをし、集計した項目である。例えば、時間区分は、朝、昼、夜、深夜とし、それぞれ４時～１０時、１０時～１６時、１６時から２２時、２２時から４時と定義してもよい。

朝（４～１０）（ＳＡ０４６５）はアクティビティの中で日時表記であるコメントとスレッド最終修正から、アクティビティ時間の大まかな区分けをし、「朝（４時から１０時）」となるアクティビティを集計した値である。昼（１０～１６）（ＳＡ０４６６）は同じく「昼（１０時から１６時）」となるアクティビティを集計した値である。夜（１６～２２）（ＳＡ０４６７）は同じく「夜（１６時から２２時）」となるアクティビティを集計した値である。深夜（２２～４）（ＳＡ０４６８）は同じく「深夜（２２時から４時）」となるアクティビティを集計した値である。

図８Ａ～図８Ｅに示されたのは一例であり、コンピテンシ生成処理（ＳＡ３０）においてユーザの行動履歴の集計を表現する際に、必要なデータがあれば、そのデータを追加するように行動履歴の集計リスト（ＳＡ０４）を変更することができる。

図９Ａ～図９Ｄは、本発明の実施形態の分析サーバ（ＳＡ）が保持する特徴量計算処理（ＳＡ３３）によって生成される特徴量の仮説を示したものである。その一例が、特徴量仮説（ＳＡ０５）である。

図９Ａ～図９Ｄで、Ｎｏ（ＳＡ０５００）は特徴量仮説（ＳＡ０５）の項目を識別するためのＮｏである。特徴量（ＳＡ０５０１）は今回作成する特徴量である。今回、大分類として、８種類（スピード（ＳＡ０５０３）、多様性（ＳＡ０５０６）、人と人のつながり（ＳＡ０５０Ｂ）、コラボレーション（ＳＡ０５０Ｆ）、柔軟性（ＳＡ０５１４）、動機付け（ＳＡ０５１７）、率直さ（ＳＡ０５１Ｃ）、挑戦（ＳＡ０５１Ｆ））用意した。

各大分類では、複数の小分類の特徴量から構成されている。例えば、スピード（ＳＡ０５０３）は２種類の特徴量で、それはコメント投稿応答時間（ＳＡ０５０４）とコメント投稿反応平均日数（ＳＡ０５０５）である。仮説（ＳＡ０５０２）は特徴量（ＳＡ０５０１）の小分類単位での仮説である。

図９Ａ～図９Ｄに示されたのは一例であり、コンピテンシ生成処理（ＳＡ３０）において、特徴量計算処理（ＳＡ３３）によって生成される特徴量に変更や追加があれば、特徴量仮説（ＳＡ０５）を変更することができる。

図１０Ａ～図１０Ｅは、本発明の実施形態の分析サーバ（ＳＡ）が保持する特徴量計算処理（ＳＡ３３）によって生成される特徴量と計算処理のための入力情報を示したものである。その一例が、特徴量計算処理（ＳＡ０６）として示す。

Ｎｏ（ＳＡ０６００）は特徴量計算処理（ＳＡ０６）の項目を識別するためのＮｏである。特徴量（ＳＡ０６０１）は今回作成する特徴量である。今回、大分類として、８種類（スピード（ＳＡ０６０４）、多様性（ＳＡ０６０７）、人と人のつながり（ＳＡ０６０Ｃ）、コラボレーション（ＳＡ０６２０）、柔軟性（ＳＡ０６１５）、動機付け（ＳＡ０６１８）、率直さ（ＳＡ０６１Ｄ）、挑戦（ＳＡ０６１Ｆ））用意した。各大分類では、複数の小分類の特徴量から構成されている。例えば、スピード（ＳＡ０６０４）は２種類の特徴量で、それはコメント投稿応答時間（ＳＡ０６０５）とコメント投稿反応平均日数（ＳＡ０６０６）である。

入力情報（ＳＡ０６０２）は特徴量（ＳＡ０６０１）に用いる入力情報の例である。入力情報に対して所定の計算を行なって特徴量（ＳＡ０６０１）を求める。具体的な計算方法は、図９Ａ～図９Ｄで説明した特徴量仮説（ＳＡ０５０２）と特徴量（ＳＡ０６０１）の定義に基づいて種々あり得、特に制限はない。

例えば、Ｎｏ.２の「コメント投稿反応平均日数（ＳＡ０６０６）」では、入力情報データ(ＳＡ０４４７)から平均値を算出する。その平均値を３とし、反応が早いほど数値が大きく（最大５）、遅いほど数値が小さく（最小０）になるように、比例の関係式を算出する。ユーザ毎にデータを上記関係式に当てはめて、スピード特徴量のスコアとして算出する。

例えば、Ｎｏ.２２の「Ｃｏｎｔｅｎｔ数」であれば、入力情報データ(ＳＡ０４２Ｄ)から平均値を算出する。その平均値を３とし、コンテンツ数が多いほど数値が大きく(最大５)、少ないほど数値が小さく(最小０)なるように、比例の関係式を算出する。ユーザ毎にデータを上記関係式に当てはめて、挑戦特徴量のスコアとして算出する。

他の特徴量についても同様に数値化することができる。その際、平均や分散を計算する等の一般的な統計上の計算処理を行なうことができる。あるいは、データに外れ値があれば、その数値は使用しない等、一般的な処理を採用することができる。また、図１０に示す入力情報は一具体例であり、一部を省略したり、追加することも可能である。

図１０Ａ～図１０Ｅに示されたのは一例であり、コンピテンシ生成処理（ＳＡ３０）において、特徴量計算処理（ＳＡ３３）によって生成される特徴量に変更や追加があれば、特徴量計算処理（ＳＡ０６）を変更することができる。

図１１は、本発明の実施形態の分析サーバ（ＳＡ）が保持する特徴量リスト（ＳＡ０７）の説明図である。コンピテンシ生成処理（ＳＡ３０）の特徴量計算処理（ＳＡ３３）で実行後に、取得されるデータである。

Ｎｏ（ＳＡ０７００）は特徴量リスト（ＳＡ０７）の項目を識別するためのＮｏである。特徴量（ＳＡ０７０１）は今回作成する特徴量である。値１（ＳＡ０７０２）は１回の特徴量計算処理（ＳＡ３３）によって格納される値の集合である。次に特徴量計算処理（ＳＡ３３）を実行すると値２（ＳＡ０７０３）の列へ、さらに実行すると値３（ＳＡ０７０４）の列へと順々に格納されていく。

期間（ＳＡ０７０６）は分析の対象としている期間である。氏名（ＳＡ０７０７）は分析対象者の氏名である。

スピード（ＳＡ０７０３）以降は今回生成した特徴量に関する内容である。今回、大分類として、８種類（スピード（ＳＡ０７０８）、多様性（ＳＡ０７０Ｂ）、人と人のつながり（ＳＡ０７１０）、コラボレーション（ＳＡ０７１４）、柔軟性（ＳＡ０７１９）、動機付け（ＳＡ０７１Ｃ）、率直さ（ＳＡ０７２１）、挑戦（ＳＡ０７２４））用意した。各大分類では、複数の小分類の特徴量から構成されている。例えば、スピード（ＳＡ０７０８）は２種類の特徴量で、それはコメント投稿応答時間（ＳＡ０７０９）とコメント投稿反応平均日数（ＳＡ０７０Ａ）である。

図１１に示されたのは一例であり、コンピテンシ生成処理（ＳＡ３０）において、特徴量計算処理（ＳＡ３３）によって生成される特徴量に変更や追加があれば、特徴量リスト（ＳＡ０７）を変更することができる。

特徴量計算処理ＳＡ３３によって求められた特徴量リスト（ＳＡ０７）には環境要因によるノイズが含まれており、コンピテンシとして求めるためには環境要因のノイズを除去する必要がある。環境要因のノイズは突発的に生じるイベントノイズと、季節変動に生じる周期的なノイズがある。環境要因のノイズが生じる範囲は、組織全体に生じるノイズや一部の組織内に限定したノイズもある。これを解決するために、分析対象をした組織の階層構造を用いることで、組織全体のノイズや一部の組織内に限定したノイズを除去する。環境要因のノイズを除去する方法を図１２の環境要因除去処理ステップに示す。

環境要因除去処理ステップの例として、組織階層構造（図６）に合わせて、２階層の組織構造の除去処理ステップを（ａ）、３階層の組織構造の除去処理ステップを（ｂ）で示す。

図１２Ａは２階層の組織の環境要因除去処理ステップである。

第１階層平均処理（ＳＡ３４ａ０１）は、特徴量リスト（ＳＡ０７）、ユーザリスト（ＳＡ０１）、組織リスト（ＳＡ０２）を参照して、第１階層に属しているメンバの特徴量の平均値を求める。平均値を求める際には、同じ期間の特徴量を用いることが望ましい。また、精度を高めるためには標本点の数が複数個あった方が良いため、求める期間は長い方が望ましい。なお、第１階層に属しているメンバ全員の特徴量の平均値を機械的に求めてもよいが、第１階層に属しているメンバのうち有意なデータ（例えば出社しているメンバのデータ）のみに対して平均値を求めても良い。

第１階層回帰処理（ＳＡ３４ａ０２）は第１階層平均処理（ＳＡ３４ａ０１）で求めた値を用いて、回帰分析を行い、回帰式を求める処理である。回帰式から求められた値を平均的なコンピテンシと仮定し、その差分を第１階層の環境要因ノイズとする。この回帰式を求めるにあたっての決定係数を信頼度として用いてもよい。さらに、環境要因ノイズを特定できるならば、他の手法を用いてもよい。

第１階層残差処理（ＳＡ３４ａ０３）は第１階層の環境要因ノイズを求める処理である。回帰式から求められた値と、第１階層平均処理（ＳＡ３４ａ０１）で求めた値の差分を残差とする。この処理によって求められた差分を第１階層の環境要因ノイズとする。

第２階層平均処理（ＳＡ３４ａ０４）は第２階層に属しているメンバの特徴量の平均値を求める。平均値を求める際には、第１階層の処理で求めた期間と標本点数が同じであることが望ましい。

第２階層残差引き算処理（ＳＡ３４ａ０５）は第１階層の環境要因ノイズを取り除く処理である。第２階層平均処理（ＳＡ３４ａ０４）にて求めた値から第１階層残差処理（ＳＡ３４ａ０３）を引く。これによって、第１階層の環境要因ノイズを取り除いた値となった。

第２階層回帰処理（ＳＡ３４ａ０６）は第２階層残差引き算処理（ＳＡ３４ａ０５）で求めた値を用いて、回帰分析を行い、回帰式を求める処理である。回帰式から求められた値を平均的なコンピテンシと仮定し、その差分を第２階層の環境要因ノイズとする。この回帰式を求めるにあたっての決定係数を信頼度として用いてもよい。さらに、環境要因ノイズを特定できるならば、他の手法を用いてもよい。

第２階層残差処理（ＳＡ３４ａ０７）は第２階層の環境要因ノイズを求める処理である。回帰式から求められた値と、第２階層残差引き算処理（ＳＡ３４ａ０５）で求めた値の差分を残差とする。この処理によって求められた差分を第２階層の環境要因ノイズとする。

ユーザ残差引き算（ＳＡ３４ａ０８）はユーザのコンピテンシを求めるために、組織による環境要因ノイズを除去する処理である。ユーザの特徴量から第１階層残差処理（ＳＡ３４ａ０３）と第２階層残差処理（ＳＡ３４ａ０７）で求めた値を引いた残りの値がユーザのコンピテンシとなる。

図１２Ｂは３階層の組織の環境要因除去処理ステップである。

第１階層平均処理（ＳＡ３４ｂ０１）は第１階層に属しているメンバの特徴量の平均値を求める。平均値を求める際には、同じ期間の特徴量を用いることが望ましい。また、精度を高めるためには標本点の数が複数個あった方が良いため、求める期間は長い方が望ましい。

第１階層回帰処理（ＳＡ３４ｂ０２）は第１階層平均処理（ＳＡ３４ｂ０１）で求めた値を用いて、回帰分析を行い、回帰式を求める処理である。回帰式から求められた値を平均的なコンピテンシと仮定し、その差分を第１階層の環境要因ノイズとする。この回帰式を求めるにあたっての決定係数を信頼度として用いてもよい。さらに、環境要因ノイズを特定できるならば、他の手法を用いてもよい。

第１階層残差処理（ＳＡ３４ｂ０３）は第１階層の環境要因ノイズを求める処理である。回帰式から求められた値と、第１階層平均処理（ＳＡ３４ｂ０１）で求めた値の差分を残差とする。この処理によって求められた差分を第１階層の環境要因ノイズとする。

第２階層平均処理（ＳＡ３４ｂ０４）は第２階層に属しているメンバの特徴量の平均値を求める。平均値を求める際には、第１階層の処理で求めた期間と標本点数が同じであることが望ましい。

第２階層残差引き算処理（ＳＡ３４ｂ０５）は第１階層の環境要因ノイズを取り除く処理である。第２階層平均処理（ＳＡ３４ａ０４）にて求めた値から第１階層残差処理（ＳＡ３４ｂ０３）を引く。これによって、第１階層の環境要因ノイズを取り除いた値となった。

第２階層回帰処理（ＳＡ３４ｂ０６）は第２階層残差引き算処理（ＳＡ３４ｂ０５）で求めた値を用いて、回帰分析を行い、回帰式を求める処理である。回帰式から求められた値を平均的なコンピテンシと仮定し、その差分を第２階層の環境要因ノイズとする。この回帰式を求めるにあたっての決定係数を信頼度として用いてもよい。さらに、環境要因ノイズを特定できるならば、他の手法を用いてもよい。

第２階層残差処理（ＳＡ３４ｂ０７）は第２階層の環境要因ノイズを求める処理である。回帰式から求められた値と、第２階層残差引き算処理（ＳＡ３４ｂ０５）で求めた値の差分を残差とする。この処理によって求められた差分を第２階層の環境要因ノイズとする。

第３階層平均処理（ＳＡ３４ｂ０８）は第３階層に属しているメンバの特徴量の平均値を求める。平均値を求める際には、第１階層や第２階層の処理で求めた期間と標本点数が同じであることが望ましい。

第３階層残差引き算処理（ＳＡ３４ｂ０９）は第２階層の環境要因ノイズを取り除く処理である。第３階層平均処理（ＳＡ３４ｂ０８）にて求めた値から第２階層残差処理（ＳＡ３４ｂ０７）を引く。これによって、第２階層の環境要因ノイズを取り除いた値となった。

第３階層回帰処理（ＳＡ３４ｂ０Ａ）は第３階層残差引き算処理（ＳＡ３４ｂ０９）で求めた値を用いて、回帰分析を行い、回帰式を求める処理である。回帰式から求められた値を平均的なコンピテンシと仮定し、その差分を第３階層の環境要因ノイズとする。この回帰式を求めるにあたっての決定係数を信頼度として用いてもよい。さらに、環境要因ノイズを特定できるならば、他の手法を用いてもよい。

第３階層残差処理（ＳＡ３４ｂ０Ｂ）は第３階層の環境要因ノイズを求める処理である。回帰式から求められた値と、第３階層残差引き算処理（ＳＡ３４ｂ０９）で求めた値の差分を残差とする。この処理によって求められた差分を第２階層の環境要因ノイズとする。

ユーザ残差引き算（ＳＡ３４ｂ０Ｃ）はユーザのコンピテンシを求めるために、組織による環境要因ノイズを除去する処理である。ユーザの特徴量から第１階層残差処理（ＳＡ３４ｂ０３）と第２階層残差処理（ＳＡ３４ｂ０７）と第３階層残差処理（ＳＡ３４ｂ０Ｂ）で求めた値を引いた残りの値がユーザのコンピテンシとなる。

それ以上の階層が多くなった場合でも、図１２で示した（ａ）（ｂ）の差分部分を増加した階層分繰り返すことで対応することができる。

図１３Ａおよび図１３Ｂは、図１２Ａの処理によって環境要因を取り除き、個人のコンピテンシのみを求めることができることを説明する概念図である。横軸が時間（週）であり、縦軸に特徴量（任意単位）を示す。なお、理解を容易にするため、以下では第２週のデータに着目して説明する。

図１３Ａで、Ｓｔｅｐ１は図１２Ａの第１階層の処理に対応する。ここでは、特徴量毎に、所定組織に属する全ユーザの特徴量の平均値を求めることで、組織の特徴量１３０１を求め（ＳＡ３４ａ０１）、そこから回帰式１３０２を求め（ＳＡ３４ａ０２）、平均値と回帰式の差分を組織全体の環境要因１３０３とする（ＳＡ３４ａ０３）。

Ｓｔｅｐ２は図１２Ａの第２階層の処理に対応する。ここでは、組織の一部であるチームの特徴量を、当該チームに属するユーザの全部または一部の特徴量の平均値を求めることで求め（ＳＡ３４ａ０４）、そこから組織全体の環境要因１３０３を補正する（ＳＡ３４ａ０５）。そうすると、修正後のチームの特徴量が得られる。丸印で示される点が、組織全体の環境要因を取り除く前のチームの特徴量データ１３０４であり、四角印で示される点が環境要因を取り除いた後のチームの特徴量データ１３０５である。

図１３Ｂで、Ｓｔｅｐ３は図１２Ａの第２階層の処理に対応する。修正後のチームの特徴量データ１３０５から回帰式１３０６を求め（ＳＡ３４ａ０６）、その残差部分をチームによる環境要因１３０７とする（ＳＡ３４ａ０７）。

図１３Ｂで、Ｓｔｅｐ４は個人の特徴量から組織全体とチームによる環境要因を取り除く処理（ＳＡ３４ａ０８）を示す。個人の特徴量１３０８から組織全体の環境要因１３０３とチームによる環境要因１３０７を差し引くことにより、星印２３０９で示す個人のコンピテンシを得ることができる。図１３では、図１２Ａの２階層の組織を例にしたが、階層が増えても同様の処理を図１２Ｂのように繰り返せばよい。

なお回帰式については、Ｓｔｅｐ１の線形近似や、Ｓｔｅｐ３の対数近似のほか、移動平均その他の公知の近似式を適宜用いてよい。

図１４は、本発明の実施形態の分析サーバ（ＳＡ）が保持するコンピテンシリスト（ＳＡ０８）の説明図である。コンピテンシ生成処理（ＳＡ３０）の環境要因除去処理（ＳＡ３４）で実行後に、取得されるデータである。

Ｎｏ（ＳＡ０８００）はコンピテンシリスト（ＳＡ０８）の項目を識別するためのＮｏである。特徴量（ＳＡ０８０１）は今回作成する特徴量である。値１（ＳＡ０８０２）は１回の環境要因除去処理（ＳＡ３４）によって格納される値の集合である。次に環境要因除去処理（ＳＡ３４）を実行すると値２（ＳＡ０８０３）の列へ、さらに実行すると値３（ＳＡ０８０４）の列へと順々に格納されていく。

期間（ＳＡ０８０６）は分析の対象としている期間である。氏名（ＳＡ０８０７）は分析対象者の氏名である。スピード（ＳＡ０８０３）以降は今回生成した特徴量に関する内容である。今回、大分類として、８種類（スピード（ＳＡ０８０８）、多様性（ＳＡ０８０Ｂ）、人と人のつながり（ＳＡ０８１０）、コラボレーション（ＳＡ０８１４）、柔軟性（ＳＡ０８１９）、動機付け（ＳＡ０８１Ｃ）、率直さ（ＳＡ０８２１）、挑戦（ＳＡ０８２４））用意した。

各大分類では、複数の小分類の特徴量から構成されている。例えば、スピード（ＳＡ０８０８）は２種類の特徴量で、それはコメント投稿応答時間（ＳＡ０８０９）とコメント投稿反応平均日数（ＳＡ０８０Ａ）である。

図１４に示されたのは一例であり、コンピテンシ生成処理（ＳＡ３０）において環境要因除去処理（ＳＡ３４）によって生成される特徴量に変更や追加があれば、コンピテンシリスト（ＳＡ０８）を変更することができる。

図１５は図１４のコンピテンシリスト（ＳＡ０８）をトレンドグラフ表示したものである。ユーザが成長している軌跡を表現している。図１５の横軸は期間、縦軸はコンピテンシのスコアである。コンピテンシリスト（ＳＡ０８）の特徴量（ＳＡ０８０１）毎にコンピテンシを表示してもよい。

ＳＡ０…データベース、ＳＡ１…表示部、ＳＡ２…要求部、ＳＡ３…実行部、ＳＡ３１…データ取得処理、ＳＡ３２…集計生成処理、ＳＡ３３…特徴量計算処理、ＳＡ３４…環境要因除去処理、ＮＷ…ネットワーク、ＣＬ…クライアント端末、ＣＡ…ＳＮＳ、ＣＢ…メール、ＣＣ…スケジューラ、ＣＤ…メッセージアプリ、ＣＥ…外部情報
データベース

Claims (15)

1. プロセッサと記憶装置とを有する行動特性計測システムであって、
   アプリケーションの付随情報を取得して、ユーザ毎の行動履歴リストを生成するデータ取得部、
   前記行動履歴リストを所定の期間毎に集計して、ユーザ毎の行動履歴の集計リストを生成する集計生成部、
   前記行動履歴の集計リストから特徴量を計算して、ユーザ毎の特徴量リストを生成する特徴量計算部、
   前記ユーザ毎の特徴量リストとユーザが属する組織の情報を用いて、ユーザが属する組織の特徴量を求め、前記組織の特徴量の時間的変化から組織の環境要因を求め、ユーザの特徴量から前記組織の環境要因を除去する環境要因除去処理部、
   を備える行動特性計測システム。
2. 前記アプリケーションの付随情報は、
   メール本文やコメント自体を含まない情報である、
   請求項１記載の行動特性計測システム。
3. 前記アプリケーションの付随情報は、
   アクセスログ、コミュニケーションログ、ヘッダ、タイムスタンプ、およびメタ情報の少なくとも一つを含む、
   請求項１記載の行動特性計測システム。
4. 前記アプリケーションの付随情報は、
   ユーザと当該ユーザが属する組織を対応付ける情報を含む、
   請求項１記載の行動特性計測システム。
5. 前記アプリケーションは、
   ソーシャルネットワーク、メール、スケジューラおよびメッセージアプリのうちの少なくとも一つである、
   請求項１記載の行動特性計測システム。
6. 前記特徴量は、
   コメント投稿応答時間、コメント投稿反応平均日数、特定のグループに対するアクティビティの割合、１コンテンツにおける被コメント数、カテゴリ別関心度、カテゴリ別コンテンツ被閲覧数、ユーザが属しているグループの数、フォロー数、フォローワー数、被掲載ユーザ数、アクティビティ数、コメントを投稿した相手のユニーク数、発信受信比率、アクティビティ時間分布、被アクティビティ時間分布、アクティビティ時間の柔軟さ、コメントを取得した相手のユニーク数、コメント投稿数、コンテンツ継続日数、コンテンツ被閲覧者数、アクティビティ間隔、コンテンツ内のリプライ取得数、コメント反応率、コンテンツ数、自己紹介欄の情報量、および発信受信差分のうち少なくとも一つである、
   請求項１記載の行動特性計測システム。
7. 前記環境要因除去処理部は、
   ユーザが属する組織を示すユーザリストと、組織の階層構造を示す組織リストを参照し、ユーザが属する組織の特徴量を求める、
   請求項１記載の行動特性計測システム。
8. 前記環境要因除去処理部は、
   ユーザが属する組織に属するユーザの全部または一部の特徴量の平均を求めることで、ユーザが属する組織の特徴量を求める、
   請求項１記載の行動特性計測システム。
9. 前記環境要因除去処理部は、
   平均値を求める際に、同じ期間の特徴量を用いる、
   請求項８記載の行動特性計測システム。
10. 前記環境要因除去処理部は、
    前記組織の特徴量の時間的変化から組織の環境要因を求める際に、前記組織の特徴量の時間的変化の回帰式を求め、回帰式から求められた値と前記組織の特徴量の差分を前記組織の環境要因とする、
    請求項８記載の行動特性計測システム。
11. ユーザが属する第１階層の組織である第１の組織と、前記第１階層の組織の一部であってユーザが属する第２階層の組織である第２の組織がある場合、
    前記環境要因除去処理部は、
    前記組織の特徴量の時間的変化から組織の環境要因を求める際に、
    前記第１の組織の特徴量の時間的変化の回帰式を求め、回帰式から求められた値と前記第１の組織の特徴量の差分を前記第１の組織の環境要因とし、
    前記第２の組織の特徴量から前記第１の組織の環境要因を除去して修正後の第２の組織の特徴量を求め、
    前記修正後の第２の組織の特徴量の時間的変化の回帰式を求め、回帰式から求められた値と前記修正後の第２の組織の特徴量の差分を前記第２の組織の環境要因とし、
    ユーザの特徴量から前記第１の組織の環境要因および前記第２の組織の環境要因を除去する、
    請求項８記載の行動特性計測システム。
12. 入力装置、出力装置、プロセッサ、主記憶装置および補助記憶装置を備える情報処理装置で前記主記憶装置に格納されたプログラムに従って実行される行動特性計測方法であって、
    アプリケーションの付随情報を取得して、ユーザ毎の行動履歴リストを生成するデータ取得処理、
    前記行動履歴リストを所定の期間毎に集計して、ユーザ毎の行動履歴の集計リストを生成する集計生成処理、
    前記行動履歴の集計リストから特徴量を計算して、ユーザ毎の特徴量リストを生成する特徴量計算処理、
    前記ユーザ毎の特徴量リストとユーザが属する組織の情報を用いて、ユーザが属する組織の特徴量を求め、前記組織の特徴量の時間的変化から組織の環境要因を求め、ユーザの特徴量から前記組織の環境要因を除去する環境要因除去処理、
    を備える行動特性計測方法。
13. 前記アプリケーションの付随情報は、
    メール本文やコメント自体を含まない情報であって、アクセスログ、コミュニケーションログ、ヘッダ、タイムスタンプ、およびメタ情報の少なくとも一つを含む、
    請求項１２記載の行動特性計測方法。
14. 前記環境要因除去処理は、
    ユーザが属する組織に属するユーザの全部または一部の特徴量の平均を求めることで、ユーザが属する組織の特徴量を求め、
    前記組織の特徴量の時間的変化から組織の環境要因を求める際に、前記組織の特徴量の時間的変化の回帰式を求め、回帰式から求められた値と前記組織の特徴量の差分を前記組織の環境要因とする、
    請求項１２記載の行動特性計測方法。
15. 前記環境要因除去処理は、
    ユーザが属する組織に属する全ユーザの特徴量の平均を求めることで、ユーザが属する組織の特徴量を求め、
    ユーザが属する第１階層の組織である第１の組織と、前記第１階層の組織の一部であってユーザが属する第２階層の組織である第２の組織がある場合、
    前記組織の特徴量の時間的変化から組織の環境要因を求める際に、
    前記第１の組織の特徴量の時間的変化の回帰式を求め、回帰式から求められた値と前記第１の組織の特徴量の差分を前記第１の組織の環境要因とし、
    前記第２の組織の特徴量から前記第１の組織の環境要因を除去して修正後の第２の組織の特徴量を求め、
    前記修正後の第２の組織の特徴量の時間的変化の回帰式を求め、回帰式から求められた値と前記修正後の第２の組織の特徴量の差分を前記第２の組織の環境要因とし、
    ユーザの特徴量から前記第１の組織の環境要因および前記第２の組織の環境要因を除去して、ユーザ個人の特徴量を得る、
    請求項１２記載の行動特性計測方法。

Images