▶ ＡＮＡホールディングス株式会社の特許一覧 ▶ 株式会社エヌ・ティ・ティ・データ経営研究所の特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2022144585
(43)【公開日】2022-10-03
(54)【発明の名称】チーム評価システムおよびチーム評価方法
(51)【国際特許分類】
G06Q 10/04 20120101AFI20220926BHJP
【ＦＩ】
G06Q10/04
【審査請求】未請求
【請求項の数】13
【出願形態】ＯＬ
(21)【出願番号】P 2021045658
(22)【出願日】2021-03-19
(71)【出願人】
【識別番号】513098341
【氏名又は名称】ＡＮＡホールディングス株式会社
(71)【出願人】
【識別番号】500027275
【氏名又は名称】株式会社エヌ・ティ・ティ・データ経営研究所
(74)【代理人】
【識別番号】100094112
【弁理士】
【氏名又は名称】岡部 讓
(74)【代理人】
【識別番号】100101498
【弁理士】
【氏名又は名称】越智 隆夫
(74)【代理人】
【識別番号】100120064
【弁理士】
【氏名又は名称】松井 孝夫
(72)【発明者】
【氏名】松本 英明
(72)【発明者】
【氏名】奥津 千尋
(72)【発明者】
【氏名】高山 文博
(72)【発明者】
【氏名】相本 佳史
【テーマコード（参考）】
5L049
【Ｆターム（参考）】
5L049AA04
(57)【要約】
【課題】定量的データに基づいてチーム構成員を選定するとともに、チームの実績を定量的な予測評価が求められる。
【解決手段】複数の評価対象チーム構成員により構成される評価対象チームの実績の予測評価値の算出を行うチーム評価システムであって、前記チーム評価システムは、複数人のそれぞれの個人の特徴を数値化した個人特性データを格納するメモリ部と、前記複数人から任意に選択された複数の学習チーム構成員により編成される複数の学習チームのそれぞれについて、前記メモリ部から読み出した前記複数の学習チーム構成員の前記個人特性データと、前記複数の学習チームのそれぞれについての実績の評価を数値化した学習チーム実績評価値と、を学習データセットとして前記メモリ部に格納する処理部と、を備えるチーム評価システムにより解決する。
【選択図】図１
【解決手段】複数の評価対象チーム構成員により構成される評価対象チームの実績の予測評価値の算出を行うチーム評価システムであって、前記チーム評価システムは、複数人のそれぞれの個人の特徴を数値化した個人特性データを格納するメモリ部と、前記複数人から任意に選択された複数の学習チーム構成員により編成される複数の学習チームのそれぞれについて、前記メモリ部から読み出した前記複数の学習チーム構成員の前記個人特性データと、前記複数の学習チームのそれぞれについての実績の評価を数値化した学習チーム実績評価値と、を学習データセットとして前記メモリ部に格納する処理部と、を備えるチーム評価システムにより解決する。
【選択図】図１
【特許請求の範囲】
【請求項1】
複数の評価対象チーム構成員により構成される評価対象チームの実績の予測評価値の算出を行うチーム評価システムであって、
前記チーム評価システムは、
複数人のそれぞれの個人の特徴を数値化した個人特性データを格納するメモリ部と、
前記複数人から任意に選択された複数の学習チーム構成員により編成される複数の学習チームのそれぞれについて、前記メモリ部から読み出した前記複数の学習チーム構成員の前記個人特性データと、前記複数の学習チームのそれぞれについての実績の評価を数値化した学習チーム実績評価値と、を学習データセットとして前記メモリ部に格納する処理部と、を備え、
前記処理部は、前記複数の学習チーム構成員の前記個人特性データと前記学習チーム実績評価値とから予測モデルを構築して前記メモリ部に格納し、
前記評価対象チームを構成する前記複数の評価対象チーム構成員の前記個人特性データを前記予測モデルに入力して、前記予測評価値の前記算出を行うチーム評価システム。
前記チーム評価システムは、
複数人のそれぞれの個人の特徴を数値化した個人特性データを格納するメモリ部と、
前記複数人から任意に選択された複数の学習チーム構成員により編成される複数の学習チームのそれぞれについて、前記メモリ部から読み出した前記複数の学習チーム構成員の前記個人特性データと、前記複数の学習チームのそれぞれについての実績の評価を数値化した学習チーム実績評価値と、を学習データセットとして前記メモリ部に格納する処理部と、を備え、
前記処理部は、前記複数の学習チーム構成員の前記個人特性データと前記学習チーム実績評価値とから予測モデルを構築して前記メモリ部に格納し、
前記評価対象チームを構成する前記複数の評価対象チーム構成員の前記個人特性データを前記予測モデルに入力して、前記予測評価値の前記算出を行うチーム評価システム。
【請求項2】
請求項１に記載のチーム評価システムであって、
前記個人特性データは前記複数人のそれぞれの特徴を代表する複数のパラメータであるチーム評価システム。
前記個人特性データは前記複数人のそれぞれの特徴を代表する複数のパラメータであるチーム評価システム。
【請求項3】
請求項２に記載のチーム評価システムであって、
前記予測モデルは、前記複数人のそれぞれの特徴を代表する複数のパラメータのそれぞれぞれの大小関係の分布と、前記学習チーム実績評価値との大小関係の分布とが同じ関係になるように同定される評価関数であるチーム評価システム。
前記予測モデルは、前記複数人のそれぞれの特徴を代表する複数のパラメータのそれぞれぞれの大小関係の分布と、前記学習チーム実績評価値との大小関係の分布とが同じ関係になるように同定される評価関数であるチーム評価システム。
【請求項4】
請求項３に記載のチーム評価システムであって、
前記予測モデルは、前記複数人のそれぞれの特徴を代表する複数のパラメータを説明変数とし、前記学習チーム実績評価値を目的変数として、前記複数人のそれぞれの特徴を代表する複数のパラメータのそれぞれについて閾値に対する分類枝として構築される決定木によって画定されるチーム評価システム。
前記予測モデルは、前記複数人のそれぞれの特徴を代表する複数のパラメータを説明変数とし、前記学習チーム実績評価値を目的変数として、前記複数人のそれぞれの特徴を代表する複数のパラメータのそれぞれについて閾値に対する分類枝として構築される決定木によって画定されるチーム評価システム。
【請求項5】
請求項２に記載のチーム評価システムであって、
前記予測モデルは、前記複数人のそれぞれの特徴を代表する複数のパラメータのそれぞれに重みづけ係数を乗じた値と前記学習チーム実績評価値との差が最小となるように構築されるモデルであるチーム評価システム。
前記予測モデルは、前記複数人のそれぞれの特徴を代表する複数のパラメータのそれぞれに重みづけ係数を乗じた値と前記学習チーム実績評価値との差が最小となるように構築されるモデルであるチーム評価システム。
【請求項6】
請求項２から５のいずれか一項に記載のチーム評価システムであって、
前記処理部は、複数の前記評価対象チームを作成し、前記複数の前記評価対象チームのそれぞれについて前記予測評価値の前記算出をおこない、前記複数の前記評価対象チームのうち、前記複数の前記評価対象チームのそれぞれについて算出した前記予測評価値が最大値となる前記評価対象チームを最適チームとして出力するチーム評価システム。
前記処理部は、複数の前記評価対象チームを作成し、前記複数の前記評価対象チームのそれぞれについて前記予測評価値の前記算出をおこない、前記複数の前記評価対象チームのうち、前記複数の前記評価対象チームのそれぞれについて算出した前記予測評価値が最大値となる前記評価対象チームを最適チームとして出力するチーム評価システム。
【請求項7】
請求項２から６のいずれか一項に記載のチーム評価システムであって、
前記学習チームおよび前記評価対象チームは一の航空便に搭乗するキャビンアテンダントのチームであって、
前記複数人と前記学習チーム構成員と前記複数の評価対象チーム構成員とはキャビンアテンダントであり、
前記複数のパラメータのそれぞれは、個人の性格を標準化したパーソナリティ系の数値データと、業務に対する性向を標準化したメンタル系の数値データと、英語力などの業務上のスキルを標準化した数値データと、に対応し、
前記学習チーム実績評価値は、前記一の学習チームを構成する複数の学習チーム構成員が評価した値、または前記一の学習チームが搭乗した航空便の乗客が評価した値であるチーム評価システム。
前記学習チームおよび前記評価対象チームは一の航空便に搭乗するキャビンアテンダントのチームであって、
前記複数人と前記学習チーム構成員と前記複数の評価対象チーム構成員とはキャビンアテンダントであり、
前記複数のパラメータのそれぞれは、個人の性格を標準化したパーソナリティ系の数値データと、業務に対する性向を標準化したメンタル系の数値データと、英語力などの業務上のスキルを標準化した数値データと、に対応し、
前記学習チーム実績評価値は、前記一の学習チームを構成する複数の学習チーム構成員が評価した値、または前記一の学習チームが搭乗した航空便の乗客が評価した値であるチーム評価システム。
【請求項8】
メモリ部と処理部とを備えるチーム評価システムにより、複数の評価対象チーム構成員により構成される評価対象チームの実績の予測評価値の算出を行うチーム評価方法であって、
前記チーム評価方法は、
複数人のそれぞれの個人の特徴を数値化した個人特性データを前記メモリ部に格納する工程と、
前記複数人から任意に選択された複数の学習チーム構成員により編成される複数の学習チームのそれぞれについて、前記メモリ部から読み出した前記複数の学習チーム構成員の前記個人特性データと、前記複数の学習チームのそれぞれについての実績の評価を数値化した学習チーム実績評価値と、を学習データセットとして前記メモリ部に格納する工程と、
前記処理部により前記複数の学習チーム構成員の前記個人特性データと前記学習チーム実績評価値とから予測モデルを構築して、前記メモリ部に格納する工程と、
前記処理部により、前記評価対象チームを構成する前記複数の評価対象チーム構成員の前記個人特性データを前記予測モデルに入力して、前記予測評価値の前記算出を行う工程と、を備えるチーム評価方法。
前記チーム評価方法は、
複数人のそれぞれの個人の特徴を数値化した個人特性データを前記メモリ部に格納する工程と、
前記複数人から任意に選択された複数の学習チーム構成員により編成される複数の学習チームのそれぞれについて、前記メモリ部から読み出した前記複数の学習チーム構成員の前記個人特性データと、前記複数の学習チームのそれぞれについての実績の評価を数値化した学習チーム実績評価値と、を学習データセットとして前記メモリ部に格納する工程と、
前記処理部により前記複数の学習チーム構成員の前記個人特性データと前記学習チーム実績評価値とから予測モデルを構築して、前記メモリ部に格納する工程と、
前記処理部により、前記評価対象チームを構成する前記複数の評価対象チーム構成員の前記個人特性データを前記予測モデルに入力して、前記予測評価値の前記算出を行う工程と、を備えるチーム評価方法。
【請求項9】
請求項８に記載のチーム評価方法であって、
前記個人特性データは前記複数人のそれぞれの特徴を代表する複数のパラメータであるチーム評価方法。
前記個人特性データは前記複数人のそれぞれの特徴を代表する複数のパラメータであるチーム評価方法。
【請求項10】
請求項９に記載のチーム評価方法であって、
前記予測モデルは、前記複数人のそれぞれの特徴を代表する複数のパラメータのそれぞれぞれの大小関係の分布と、前記学習チーム実績評価値との大小関係の分布とが同じ関係になるように同定される評価関数であるチーム評価方法。
前記予測モデルは、前記複数人のそれぞれの特徴を代表する複数のパラメータのそれぞれぞれの大小関係の分布と、前記学習チーム実績評価値との大小関係の分布とが同じ関係になるように同定される評価関数であるチーム評価方法。
【請求項11】
請求項１０に記載のチーム評価方法であって、
前記予測モデルは、前記複数人のそれぞれの特徴を代表する複数のパラメータを説明変数とし、前記学習チーム実績評価値を目的変数として、前記複数人のそれぞれの特徴を代表する複数のパラメータのそれぞれについて閾値に対する分類枝として構築される決定木によって画定されるチーム評価方法。
前記予測モデルは、前記複数人のそれぞれの特徴を代表する複数のパラメータを説明変数とし、前記学習チーム実績評価値を目的変数として、前記複数人のそれぞれの特徴を代表する複数のパラメータのそれぞれについて閾値に対する分類枝として構築される決定木によって画定されるチーム評価方法。
【請求項12】
請求項９に記載のチーム評価方法であって、
前記予測モデルは、前記複数人のそれぞれの特徴を代表する複数のパラメータのそれぞれに重みづけ係数を乗じた値と前記学習チーム実績評価値との差が最小となるように構築されるモデルであるチーム評価方法。
前記予測モデルは、前記複数人のそれぞれの特徴を代表する複数のパラメータのそれぞれに重みづけ係数を乗じた値と前記学習チーム実績評価値との差が最小となるように構築されるモデルであるチーム評価方法。
【請求項13】
請求項９から１２のいずれか一項に記載のチーム評価方法であって、
複数の前記評価対象チームを作成し、前記複数の前記評価対象チームのそれぞれについて前記予測評価値の前記算出をおこない、前記複数の前記評価対象チームのうち、前記複数の前記評価対象チームのそれぞれについて算出した前記予測評価値が最大値となる前記評価対象チームを最適チームとして出力する工程を備える、チーム評価方法。
複数の前記評価対象チームを作成し、前記複数の前記評価対象チームのそれぞれについて前記予測評価値の前記算出をおこない、前記複数の前記評価対象チームのうち、前記複数の前記評価対象チームのそれぞれについて算出した前記予測評価値が最大値となる前記評価対象チームを最適チームとして出力する工程を備える、チーム評価方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、複数のチーム構成員により構成されるチームの予測評価値を計算するチーム評価システムおよびチーム評価方法に関する。
【背景技術】
【0002】
複数のチーム構成員によりチームを編成する場合に、そのチームが最高の実績をもたらすためには、いわゆる互いに相性が良いチーム構成員を選定して編成することが不可欠である。能力が最も高いチーム構成員のみでチームを編成した場合には、平均的には良い実績をもたらすことが期待されるが、そのチーム構成員の相性が悪い場合には、期待したほど実績が高くないこともある。逆に、能力が必ずしも高くないチーム構成員によりチームを編成した場合であっても、チーム構成員の相性が良い場合には、そのチームがよい実績をもたらすこともある。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１５－１９７７３４号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
従前、相性の良いチーム構成員を選定するには、チームを編成する者の勘や経験によるところが大きく、さらには編成したチームがもたらす実績を予測することは困難であった。そのため、相性の良いチーム構成員の選定にあっては定量的データに基づいてチーム構成員の選定を行うことが求められる。たとえば、特許文献１では、医療チームに必要とされる条件に適合するチームの構成員の候補を選定する手法ないし手段を開示している。しかし、特許文献１を代表とする従来技術は、必要とされるチームの構成員の条件に適合する定量的データと合致するチームの構成員の候補を抽出し、またはチームの構成員の個々のデータの相関関係から良好な関係を構築できるより良いチームの構成員を選択するものである。すなわち、従来技術では、チームの構成員として必要となる条件の提示を前提としており、編成したチームが高い実績を出せるかについては依然として不確定性がある。そのため、定量的データに基づいてチーム構成員を選定するとともに、チームの実績を定量的な予測評価が求められる。
【課題を解決するための手段】
【0005】
複数の評価対象チーム構成員により構成される評価対象チームの実績の予測評価値の算出を行うチーム評価システムであって、前記チーム評価システムは、複数人のそれぞれの個人の特徴を数値化した個人特性データを格納するメモリ部と、前記複数人から任意に選択された複数の学習チーム構成員により編成される複数の学習チームのそれぞれについて、前記メモリ部から読み出した前記複数の学習チーム構成員の前記個人特性データと、前記複数の学習チームのそれぞれについての実績の評価を数値化した学習チーム実績評価値と、を学習データセットとして前記メモリ部に格納する処理部と、を備え、前記処理部は、前記複数の学習チーム構成員の前記個人特性データと前記学習チーム実績評価値とから予測モデルを構築して前記メモリ部に格納し、前記評価対象チームを構成する前記複数の評価対象チーム構成員の前記個人特性データを前記予測モデルに入力して、前記予測評価値の前記算出を行うチーム評価システムにより解決する。
【0006】
メモリ部と処理部とを備えるチーム評価システムにより、複数の評価対象チーム構成員により構成される評価対象チームの実績の予測評価値の算出を行うチーム評価方法であって、前記チーム評価方法は、複数人のそれぞれの個人の特徴を数値化した個人特性データを前記メモリ部に格納する工程と、前記複数人から任意に選択された複数の学習チーム構成員により編成される複数の学習チームのそれぞれについて、前記メモリ部から読み出した前記複数の学習チーム構成員の前記個人特性データと、前記複数の学習チームのそれぞれについての実績の評価を数値化した学習チーム実績評価値と、を学習データセットとして前記メモリ部に格納する工程と、前記処理部により前記複数の学習チーム構成員の前記個人特性データと前記学習チーム実績評価値とから予測モデルを構築して、前記メモリ部に格納する工程と、前記処理部により、前記評価対象チームを構成する前記複数の評価対象チーム構成員の前記個人特性データを前記予測モデルに入力して、前記予測評価値の前記算出を行う工程とを備えるチーム評価方法により解決する。
【発明の効果】
【0007】
本発明により、定量的データに基づいてチーム構成員を選定するとともに、チームの実績を定量的な予測評価が可能となる。
【図面の簡単な説明】
【0008】
【図1】本発明の第１および第２の実施の形態であるチーム評価システムの構成を示している。
【図2】本発明の第１の実施の形態であるチーム評価システムの予測評価フローの概念を示した説明図である。
【図3】本発明の第１の実施の形態であるチーム評価システムの学習プロセスにおいて準備する基礎データを示した説明図である。
【図4】本発明の第１の実施の形態であるチーム評価システムの学習プロセスにおいて準備する学習データセットを示した説明図である。
【図5】本発明の第１の実施の形態であるチーム評価システムの学習プロセスにおいて画定される決定木の概念を示した説明図である。
【図6】本発明の第１の実施の形態であるチーム評価システムの評価プロセスにおいて準備する、評価すべき評価対象チームの評価データセットを示した説明図である。
【図7】本発明の第１の実施の形態であるチーム評価システムの評価プロセスにおいて準備する、評価すべき複数の評価対象チームの評価データセットを示した説明図である。
【図8】本発明の第２の実施の形態であるチーム評価システムの学習プロセスにおいて準備する基礎データを示した説明図である。
【図9】本発明の第２の実施の形態であるチーム評価システムの学習プロセスにおいて準備する学習データセットを示した説明図である。
【図10】本発明の第２の実施の形態であるチーム評価システムの評価プロセスにおいて準備する、評価すべき評価対象チームの評価データセットを示した説明図である。
【発明を実施するための形態】
【0009】
（本発明の第１の実施の形態）
図１から図７を参照して、本発明の第１の実施の形態としてのチーム評価システム１について説明する。図１はチーム評価システム１の構成を示している。図２はチーム評価システム１の予測評価フローを示している。図３は、チームを編成する上で候補となるチーム構成員について学習プロセスにおいて準備する基礎データを示している。図４は、学習プロセスにおいて準備する、候補となるチーム構成員で構成されるチームの学習データセットを示している。図５は学習プロセスにおける決定木の画定方法の概念を示している。図６は、評価プロセスにおいて準備する、評価すべき評価対象チームの評価データセットを示している。図７は、評価プロセスにおいて準備する、評価すべき複数の評価対象チームの評価データセットを示している。
図１から図７を参照して、本発明の第１の実施の形態としてのチーム評価システム１について説明する。図１はチーム評価システム１の構成を示している。図２はチーム評価システム１の予測評価フローを示している。図３は、チームを編成する上で候補となるチーム構成員について学習プロセスにおいて準備する基礎データを示している。図４は、学習プロセスにおいて準備する、候補となるチーム構成員で構成されるチームの学習データセットを示している。図５は学習プロセスにおける決定木の画定方法の概念を示している。図６は、評価プロセスにおいて準備する、評価すべき評価対象チームの評価データセットを示している。図７は、評価プロセスにおいて準備する、評価すべき複数の評価対象チームの評価データセットを示している。
【0010】
本発明の第１の実施の形態のチーム評価システム１は、人数枠ｐ人のチーム構成員からなるチームを評価するシステムである。チーム評価システム１が適用できるチームは、たとえば、複数人で一つの業務を完遂させるチーム，企業のビジネスユニットとしてのチーム，団体スポーツ競技としてのチームなど、複数のチーム構成員からなるチームである限り、様々な種類のチームに適用できる。人数枠はチームとして要求される任意の人数ｐ人として決定される。
【0011】
（チーム評価システムの構成）
チーム評価システム１は、処理部２とメモリ部３と出力装置４とを備えている。処理部２は、予測評価フローを備えるソフトウェアを実行する処理装置としてのプロセッサである。メモリ部３は、学習プロセス（Ｐ１）と評価プロセス（Ｐ２）とのそれぞれにおいて必要となるデータを格納する記憶装置である。出力装置４は、学習プロセス（Ｐ１）と評価プロセス（Ｐ２）とのそれぞれにおいて必要となるデータを出力する手段であって、たとえばディスプレイまたはプリンタである。
チーム評価システム１は、処理部２とメモリ部３と出力装置４とを備えている。処理部２は、予測評価フローを備えるソフトウェアを実行する処理装置としてのプロセッサである。メモリ部３は、学習プロセス（Ｐ１）と評価プロセス（Ｐ２）とのそれぞれにおいて必要となるデータを格納する記憶装置である。出力装置４は、学習プロセス（Ｐ１）と評価プロセス（Ｐ２）とのそれぞれにおいて必要となるデータを出力する手段であって、たとえばディスプレイまたはプリンタである。
【0012】
（予測評価フロー）
処理部２が実行する予測評価フローは、学習プロセス（Ｐ１）と評価プロセス（Ｐ２）とを備える。学習プロセス（Ｐ１）は、学習データセット作成ステップ（Ｓ１１）と、それに続いて実行される予測モデル作成ステップ（Ｓ１２）とを備える。学習データセット作成ステップ（Ｓ１１）では学習データセットを作成し、予測モデル作成ステップ（Ｓ１２）では予測モデルＰＭを構築する。評価プロセス（Ｐ２）は評価データセット作成ステップ（Ｓ２１）と、それに続いて実行される評価演算ステップ（Ｓ２２）とを備える。評価データセット作成ステップ（Ｓ２１）では評価データセットを作成し、評価演算ステップ（Ｓ２２）では最終的な出力としての予測結果たる評価値を計算する。
処理部２が実行する予測評価フローは、学習プロセス（Ｐ１）と評価プロセス（Ｐ２）とを備える。学習プロセス（Ｐ１）は、学習データセット作成ステップ（Ｓ１１）と、それに続いて実行される予測モデル作成ステップ（Ｓ１２）とを備える。学習データセット作成ステップ（Ｓ１１）では学習データセットを作成し、予測モデル作成ステップ（Ｓ１２）では予測モデルＰＭを構築する。評価プロセス（Ｐ２）は評価データセット作成ステップ（Ｓ２１）と、それに続いて実行される評価演算ステップ（Ｓ２２）とを備える。評価データセット作成ステップ（Ｓ２１）では評価データセットを作成し、評価演算ステップ（Ｓ２２）では最終的な出力としての予測結果たる評価値を計算する。
【0013】
（学習プロセス（Ｐ１）／学習データセット作成ステップ（Ｓ１１））
まず、図３と図４とを参照して、学習プロセス（Ｐ１）について説明する。学習データセット作成プロセス（Ｓ１１）では、チームを編成する上で候補となるチーム構成員の個々の指標となる基礎データＤＰを準備するステップを実行し、その後に学習データセットＤＴｒＧｒの作成のステップが実行される。
まず、図３と図４とを参照して、学習プロセス（Ｐ１）について説明する。学習データセット作成プロセス（Ｓ１１）では、チームを編成する上で候補となるチーム構成員の個々の指標となる基礎データＤＰを準備するステップを実行し、その後に学習データセットＤＴｒＧｒの作成のステップが実行される。
【0014】
まず、学習プロセス（Ｐ１）の基礎データＤＰの作成ステップについて説明する。基礎データＤＰの準備にあたっては、候補となるチーム構成員の人数は任意のｎ人として選定できる。このｎ人の選定はチームの人数枠ｐ人よりも多い人数であって、チーム構成員として多様な候補者を選定する。多ければ多いほど、その候補者の多様性に広がりがあればあるほど、予測モデル作成ステップ（Ｓ１２）において作成される予測モデルの精度を高くすることができる。その結果、評価プロセス（Ｐ２）における実績の評価の結果の精度が高くなる。この実施の形態の説明では、予測モデルのための候補となるチーム構成員Ｍｔｒｉ（ｉ＝１～ｎ）を例として説明する。
【0015】
基礎データＤＰは、候補となるチーム構成員Ｍｔｒｉ（ｉ＝１～ｎ）の個々についての基礎データＤＰi（ｉ＝１～ｎ）からなる。基礎データＤＰi（ｉ＝１～ｎ）は、任意のｍ個の個人特性データであって複数のパラメータからなる個人特性パラメータｘij（ｉ＝１～ｎ，ｊ＝１～ｍ）からなる。任意のｍ個の個人特性パラメータｘij（ｉ＝1～ｎ）のそれぞれは、チーム構成員Ｍｔｒｉ（ｉ＝1～ｎ）の個人特性を代表化して数値化した指標であって、チームを編成する上で必要となる要素についての値である。すなわち、個人特性パラメータｘij（ｊ＝１～ｍ）は、チーム構成員Ｍｔｒｉ（ｉ＝１～ｎ）の第ｊ列（ｉ＝1～ｍ）のデータは、チーム構成員Ｍｔｒｉ（ｉ＝１～ｎ）の全員に同一に選択される任意の特性パラメータである。任意の特性パラメータは、チーム構成員Ｍｔｒｉ（ｉ＝１～ｎ）の個々について、性格，価値観，思考傾向，物事に対する姿勢，個人的スキルなど、チーム構成員として影響が高いと考えられる要素を評価項目として選択することができる。評価項目が、チーム構成員として影響を与えそうであるが実際に影響を与えるかが不明な要素であっても選択することができる。チーム評価システム１は、基礎データＤＰi（ｉ＝１～ｎ）として選択されている個人特性パラメータｘij（ｊ＝１～ｍ）の中からその影響の度合を考慮して結果を出すことができる。チーム構成員Ｍｔｒｉ（ｉ＝１～ｎ）についての個人特性パラメータｘij（ｊ＝１～ｍ）の個数ｍは、自由に選択することができる。
【0016】
個人特性パラメータｘij（ｊ＝１～ｍ）のいずれも、本人または所定の評価者が、個人特性パラメータｘij（ｊ＝１～ｍ）として画定された評価項目について、所定の基準で評価して数値化した数値データである。たとえば、本人または所定の評価者が、その評価項目について１点から１０点までの１０段階で評価した評価値とすることができる。第ｊ列（ｊ＝１～ｎ）の個人特性パラメータｘij（ｊ＝１～ｍ）の値がとる範囲は、その評価項目の特性に応じて設定することができる。すべての列において、個人特性パラメータｘij（ｊ＝１～ｍ）の値がとる範囲を共通にする必要はない。一方で、たとえば、個人特性パラメータｘij（ｊ＝１～ｍ）の値を標準化して、すべての列の個人特性パラメータｘij（ｊ＝１～ｍ）の値が０から１の範囲となるように、個人特性パラメータｘij（ｊ＝１～ｍ）がとる値の範囲を共通にしてもよい。
【0017】
図３の例でいえば、ｎ人のチーム構成員Ｍｔｒ１，・・・，Ｍｔｒｉ，・・・，Ｍｔｒｎのそれぞれについて、基礎データＤＰｔｒ１，・・・，ＤＰｔｒｉ，・・・ＤＰｔｒｎを準備する。このとき、第１列データ属性ｘ１１，・・・，ｘｉ１，・・・ｘｎ１は、たとえば性格としての「外向性」を表す数値として設定することができる。第１列データ属性ｘ１１，・・・，ｘｉ１，・・・ｘｎ１は、チーム構成員Ｍｔｒ１，・・・，Ｍｔｒｉ，・・・，Ｍｔｒｎのそれぞれについての同様に、性格としての「外向性」を表す数値データとして、属性が共通である。第２列データ属性（不図示），・・・，第ｊ列データ属性，・・・，第ｍ列データ属性も同様である。
【0018】
また、第１列データ属性から第１０列データ属性（第２列データ属性から第１０列データ属性まで不図示）を大分類としてのパーソナリティ系のデータ群とし，第１１列データ属性から第２０列データ属性（不図示）を大分類としての業務に対する精神系のデータ群とし、第２１列データ属性から第３０列データ属性（不図示）を大分類としてのスキル系のデータ群とすることができる。そして、それぞれの大分類の中で、個人特性パラメータｘij（ｊ＝１～ｍ）を選択することができる。たとえば、パーソナリティ系のデータ群の中で、第１列データから第５列データ属性（第２列データ属性から第５列データ属性まで不図示）までは、性格の五大特性ないし五大因子といわれる「外向性」，「誠実性ないし勤勉性」，「協調性」，「開放性」，「情緒などの神経症傾向」を、それぞれ、個人特性パラメータｘｉ１，ｘｉ２，ｘｉ３，ｘｉ４，ｘｉ５（ｘｉ２～ｘｉ５まで不図示）として割り当てることができる。
【0019】
基礎データＤＰは、その準備ステップにおいて、必要に応じて、メモリ部３に格納される。基礎データＤＰは、必要に応じて、上記手順により、逐次更新される。基礎データＤＰが準備できた後には学習データセットＤＴｒＧｒの作成ステップに移行する。
【0020】
続いて、学習プロセス（Ｐ１）の学習データセットＤＴｒＧｒの作成ステップについて説明する。学習データセットＤＴｒＧｒはｐ人の学習チーム構成員からなる学習チームについての実績の予測モデルの基礎となる学習データである。学習データセットＤＴｒＧｒの作成ステップでは、基礎データＤＰの対象となっている学習チーム構成員の候補Ｍｔｒ１，・・・，Ｍｔｒｉ，・・・，Ｍｔｒｎから、ｐ人を抽出して組み合わせて学習データ用の学習チームＴｒＧｒｋ（ｋ＝２以上の任意の数[ｋ＝２～ｓ］）を編成する。学習データ用の学習チームＴｒＧｒｋ（ｋ＝２以上の任意の数[ｋ＝２～ｓ］）は複数である必要があるので、理論的には２以上の任意の数となるが、なるべく多い学習チームＴｒＧｒｋ（ｋ＝２以上の任意の数[ｋ＝２～ｓ］）でデータを作成するほうが評価結果の精度が高くなる。一つの学習チームのｐ人の学習チーム構成員を抽出して組み合わせる際には、任意の学習チーム構成員の候補Ｍｔｒ１，・・・，Ｍｔｒｉ，・・・，Ｍｔｒｎから抽出して自由に組み合わせることができる。また、学習データセットＤＴｒＧｒの個数は任意の個数で自由に設定できる。多種多様な学習チーム構成員の組み合わせを用いて、学習データセットＤＴｒＧｒの個数を多くすれば多くするほど、予測モデル作成ステップ（Ｓ１２）において作成される予測モデルの精度を高くすることができる。その結果、評価プロセス（Ｐ２）における実績の評価の結果の精度も高くなる。以下、この実施の形態の説明では、図４に示すように、学習チーム構成員の人数が３人（ｐ＝３）となる学習チームの実績の評価を予測する例で説明する。
【0021】
まず、基礎データＤＰの候補となる学習チーム構成員の候補Ｍｔｒｉ（ｉ＝１～ｎ）から３人の学習チーム構成員Ｍｔｒｉａ，Ｍｔｒｉｂ，Ｍｔｒｉｃ（ｉａ，ｉｂ，ｉｃは１～ｎのうちの任意の数）を抽出して、学習チームＴｒＧｒｋ（ｋ＝２以上の任意の数[ｋ＝２～ｓ］）を編成する。たとえば、図４の例では、学習チームＴｒＧｒ１は学習チーム構成員Ｍｔｒ１，Ｍｔｒ３８，Ｍｔｒ２５７が抽出されて編成され、学習チームＴｒＧｒ２は学習チーム構成員Ｍｔｒ２７，Ｍｔｒ１８９，Ｍｔｒ３２４が抽出されて編成される。これとともに、学習チームを構成する学習チーム構成員Ｍｔｒｉ（ｉ＝１～ｎ）の基礎データＤＰｉをメモリ部３から読み出して組み合わせ、学習チームＴｒＧｒｋ（ｋ＝２以上の任意の数[ｋ＝２～ｓ］）の学習用個人データ群とする。
【0022】
ここで、学習チームＴｒＧｒｋ（ｋ＝２以上の任意の数[ｋ＝２～ｓ］）に対する学習チーム実績評価値Ｘｋを割り当てる。学習チーム実績評価値Ｘｋは、学習チームＴｒＧｒｋ（ｋ＝２以上の任意の数[ｋ＝２～ｓ］）の実績を所定の基準で数値化した数値データであり、任意の実績項目について数値化した数値とすることができる。学習チーム実績評価値Ｘｋは代表的には一の値とすることができる。実績項目を複数で設定する場合には、その複数の値の平均値をとし、またはその複数の値の和とするなど、数学的ないし統計的な様々な処理によって複数の値を一の値とすることができる。さらには、学習チーム実績評価値Ｘｋは代表的には一の値とせずに、学習チーム実績評価値Ｘｋを複数の実績項目のそれぞれについて数値化した複数の値とすることもできる。学習チーム実績評価値Ｘｋの値の範囲は、最終的にチーム評価システム１が処理部２によって評価すべき評価対象チームについて評価を行った最終的な出力値の範囲に対応するので、学習チーム実績評価値Ｘｋの値として予定される上限値と下限値が最終的な出力値の上限値と下限値に対応するように予め決定しておく。たとえば、学習チームについて評価を行った最終的な出力値の範囲を０から１０の値に分布させる場合には、学習チーム実績評価値Ｘｋの値の範囲も０から１０の値に分布させるように設定しておく。
【0023】
学習チーム実績評価値Ｘｋの対象となる実績項目は、学習チームの実績を代表化できる限り、自由に選択できる。学習チームの実績の代表化がより現実の学習チームを表す代表値として適切であればあるほど、予測モデル作成ステップ（Ｓ１２）において作成される予測モデルの精度を高くすることができる。その結果、評価プロセス（Ｐ２）における実績の評価の結果の精度も高くなる。学習チーム実績評価値Ｘｋは、学習チームの実績を代表化した数値として、学習チーム構成員Ｍｔｒｉ（ｉ＝１～ｎ）の特性パラメータとは無関係に定められるパラメータであって、学習チーム構成員Ｍｔｒｉ（ｉ＝１～ｎ）を意識することなく独立的に定められるパラメータである。
【0024】
学習チーム実績評価値Ｘｋの対象となる実績項目は、たとえば、その学習チームＴｒＧｒｋ（ｋ＝２以上の任意の数[ｋ＝２～ｓ］）の学習チーム構成員Ｍｔｒｉａ，Ｍｔｒｉｂ，Ｍｔｒｉｃ（ｉａ，ｉｂ，ｉｃは１～ｎのうちの任意の数）が感じた学習チームの雰囲気とすることができる。すなわち、学習チームＴｒＧｒｋ（ｋ＝２以上）の学習チーム構成員Ｍｔｒｉａ，Ｍｔｒｉｂ，Ｍｔｒｉｃ（ｉａ，ｉｂ，ｉｃは１～ｎのうちの任意の数）のそれぞれが感じた学習チームの雰囲気を所定の基準に応じて評価した数値である。学習チーム構成員Ｍｔｒｉａ，Ｍｔｒｉｂ，Ｍｔｒｉｃ（ｉａ，ｉｂ，ｉｃは１～ｎのうちの任意の数）が、自分が感じた学習チームの雰囲気を１０段階評価で、それぞれ、５点、７点、８点と評価した場合、その平均値をとってＸｋの５点とすることができる。または、Ｘｋを、最高点の８点と最低点の５点とを排除した中間値としての７点とすることもできる。
【0025】
さらには、学習チーム実績評価値Ｘｋを、学習チームが出した数値としての実績値とすることもできる。たとえば、団体スポーツの場合には任意のチームが出した年間の得点などの数値をそのまま学習チーム実績評価値Ｘｋとし、または企業の営業部門のチームの場合であれば任意のチームの年間売り上げ金額をそのまま学習チーム実績評価値Ｘｋとすることもできる。チームとしての実績を代表化できる限り、学習チーム実績評価値Ｘｋの対象となる実績項目を自由に選択できる。
【0026】
全学習チームＴｒＧｒｋ（ｋ＝２以上の任意の数[ｋ＝２～ｓ］）に対して、学習チーム実績評価値Ｘｋが学習チームＴｒＧｒｋ（ｋ＝２以上の任意の数[ｋ＝２～ｓ］）の学習用個人データ群に対応する値とされて、学習チームの学習データセットＤＴｒＧｒｋ（ｋ＝２以上）として、メモリ部３に保存される。図６の例でいえば、学習チームＴｒＧｒ１は学習チーム構成員Ｍｔｒ１，Ｍｔｒ３８，Ｍｔｒ２５７で構成させて、その学習チーム構成員Ｍｔｒ１，Ｍｔｒ３８，Ｍｔｒ２５７のそれぞれの基礎データＤＰｔｒ１，ＤＰｔｒ３８，ＤＰｔｒ２５７をメモリ部３から読み出して組み合わせた学習用個人データ群と学習チーム実績評価値Ｘ１とを組み合わせて学習データセットＤＴｒＧｒ１とする。同様に、学習チームＴｒＧｒ２は学習チーム構成員Ｍｔｒ２７，Ｍｔｒ１８９，Ｍｔｒ３２４で構成させて、その学習チーム構成員Ｍｔｒ２７，Ｍｔｒ１８９，Ｍｔｒ３２４のそれぞれの基礎データＤＰｔｒ２７，ＤＰｔｒ１８９，ＤＰｔｒ３２４をメモリ部３から読み出して組み合わせた学習用個人データ群と学習チーム実績評価値Ｘ２とを組み合わせて学習データセットＤＴｒＧｒ２とする。一般化した学習チームＴｒＧｒｋは学習チーム構成員Ｍｔｒｉａ，Ｍｔｒｉｂ，Ｍｔｒｉｃで構成させて、その学習チーム構成員Ｍｔｒ２７，Ｍｔｒ１８９，Ｍｔｒ３２４のそれぞれの基礎データＤＰｔｒｉａ，ＤＰｔｒｉｂ，ＤＰｔｒｉｃをメモリ部３から読み出して組み合わせた学習用個人データ群と学習チーム実績評価値Ｘｋとを組み合わせて学習データセットＤＴｒＧｒｋとする。学習データセットＤＴｒＧｒ１，ＤＴｒＧｒ２，・・・ＤＴｒＧｒｋ，・・は、学習データセットＤＴｒＧｒとしてメモリ部３に保存される。なお、本実施の形態において表現される「組み合わせ」の意義は、データ上関連付けるだけ意味を含むものであって、一個のデータ群とすることのみならず、複数のデータ群に対して、それらを関連付けるデータを作成することも含む。図３から図７に示したデータは、本願発明を理解しやすいように代表的かつ概念的に表現しているのみであり、組み合わせられたデータが図３から図７に示される形式として作成されることのみを表現しているものではない。
【0027】
（学習プロセス（Ｐ１）／予測モデルと予測モデル作成ステップ（Ｓ１２））
続いて、予測モデルＰＭを作成する予測モデル作成ステップ（Ｓ１２）について説明する。予測モデルＰＭは、後述する評価プロセス（Ｐ２）において、評価すべき評価対象チームに対して準備した評価データセットを評価する際の評価基準であり、様々な処理方法に基づいて構築することができる。代表的手法として、予測モデルＰＭは統計的処理で構築することができる。また、別の代表的手法として、予測モデルＰＭは分析的処理で構築することができる。統計的処理および分析的処理のいずれにおいても、機械学習または深層学習を適用することができる。以下、統計的処理により構築される予測モデルＰＭＳと、分析的処理に基づく予測モデルＰＭＡとを説明する。
続いて、予測モデルＰＭを作成する予測モデル作成ステップ（Ｓ１２）について説明する。予測モデルＰＭは、後述する評価プロセス（Ｐ２）において、評価すべき評価対象チームに対して準備した評価データセットを評価する際の評価基準であり、様々な処理方法に基づいて構築することができる。代表的手法として、予測モデルＰＭは統計的処理で構築することができる。また、別の代表的手法として、予測モデルＰＭは分析的処理で構築することができる。統計的処理および分析的処理のいずれにおいても、機械学習または深層学習を適用することができる。以下、統計的処理により構築される予測モデルＰＭＳと、分析的処理に基づく予測モデルＰＭＡとを説明する。
【0028】
まず、統計的処理により構築される予測モデルＰＭＳについて説明する。統計的処理により構築される予測モデルＰＭＳは、以下の式（１）のように、学習用データセット作成のために編成された学習チーム構成員Ｍｔｒｉａ，Ｍｔｒｉｂ，Ｍｔｒｉｃについて、前記学習プロセス（Ｐ１）の基礎データＤＰないし学習データセットＤＴｒＧｒで説明した任意の第ｊ列データ特性（ｊ＝１～ｍ）である個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｂｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｃｊ（ｊ＝１～ｍ）を説明変数として、それらの重みづけ係数であるデータ群Ｃｊ（ｊ）[ｊ＝１～ｍ］として画定される。したがって、Ｃ（ｊ）[ｋ＝１～ｍ］の個数は、任意の一人に注目すると、前記基礎データＤＰないし学習データセットＤＴｒＧｒで評価項目と同じ個数であるｍ個である。
ＰＭＳ＝Ｃ（ｊ）[ｊ＝１～ｍ］・・・（式１）
ＰＭＳ＝Ｃ（ｊ）[ｊ＝１～ｍ］・・・（式１）
【0029】
そして、予測モデルＰＭＳである重みづけ係数Ｃ（ｊ）[ｊ＝１～ｍ］は、学習データセットＤＴｒＧｒを目的変数として、これらすべての学習データセットＤＴｒＧｒに対して、以下の偏差量Ｄｅｖ（ｋ）[ｋ＝２～ｓ］が最小となるように決定される。偏差量Ｄｅｖ（ｋ）[ｋ＝２～ｓ］はなるべく０となるように決定することが好ましい。学習プロセス（Ｐ１）で作成されるすべての学習データセットＤＴｒＧｒの全個数をｓとすると以下で表される。
Ｄｅｖ（ｋ）[ｋ＝２～ｓ］
＝ Ｘｋ（ｋ＝２～ｓ）－｛ΣＣ（ｊ）・（ｘｔｒｉａｊ[ｊ＝１～ｍ］＋ｘｔｒｉｂｊ[ｊ＝１～ｍ］＋ｘｔｒｉｃｊ[ｊ＝１～ｍ］）｝・・・（式２）
Ｄｅｖ（ｋ）[ｋ＝２～ｓ］
＝ Ｘｋ（ｋ＝２～ｓ）－｛ΣＣ（ｊ）・（ｘｔｒｉａｊ[ｊ＝１～ｍ］＋ｘｔｒｉｂｊ[ｊ＝１～ｍ］＋ｘｔｒｉｃｊ[ｊ＝１～ｍ］）｝・・・（式２）
【0030】
（式２）における偏差量Ｄｅｖ（ｋ）[ｋ＝２～ｓ］の意義は、目的変数としての「学習チーム実績評価値Ｘｋ」と、説明変数としての「学習データセットＤＴｒＧｒｋの任意のチームを構成する学習チーム構成員の全ての個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｂｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｃｊ（ｊ＝１～ｍ）の和について重みづけ係数Ｃ（ｊ）[ｊ＝１～ｍ］を乗じた値」との差分であることを意味する。式（２）を、図４のＴｒＧｒ１の例を使用して具体的に表すと、以下のようになる。
Ｄｅｖ（１）
＝Ｘ１－｛Ｃ（１）・ｘ１１＋Ｃ（２）・ｘ１２＋Ｃ（３）・ｘ１３＋・・・｝
－｛Ｃ（１）・ｘ38１＋Ｃ（２）・ｘ38２＋Ｃ（３）・ｘ38３＋・・・｝
－｛Ｃ（１）・ｘ257１＋Ｃ（２）・ｘ257２＋Ｃ（３）・ｘ257３＋・・・｝
Ｄｅｖ（１）
＝Ｘ１－｛Ｃ（１）・ｘ１１＋Ｃ（２）・ｘ１２＋Ｃ（３）・ｘ１３＋・・・｝
－｛Ｃ（１）・ｘ38１＋Ｃ（２）・ｘ38２＋Ｃ（３）・ｘ38３＋・・・｝
－｛Ｃ（１）・ｘ257１＋Ｃ（２）・ｘ257２＋Ｃ（３）・ｘ257３＋・・・｝
【0031】
すなわち、チームＴｒＧｒ１の例では、偏差量Ｄｅｖ（１）は、目的変数であるＴｒＧｒ１の学習チーム実績評価値Ｘ１と説明変数であるＴｒＧｒ１の学習チーム構成員Ｍｔｒ１，Ｍｔｒ３８，Ｍｔｒ２５７のそれぞれの個人特性パラメータの和について重みづけ係数Ｃ（ｊ）[ｊ＝１～ｍ］を乗じた値との差分量である。そして、予測モデルＰＭＳであるＣ（ｊ）[ｊ＝１～ｍ］は、学習データセットＤＴｒＧｒｋのチームを構成する全てのチームＴｒＧｒｋ（ｋ＝２～ｓ）についてこの偏差量Ｄｅｖ（ｋ）[ｋ＝２～ｓ］が最小となるように決定される。
【0032】
予測モデルＰＭＳである重みづけ係数Ｃ（ｊ）[ｊ＝１～ｍ］を求める上で、学習チーム構成員の個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｂｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｃｊ（ｊ＝１～ｍ）のについて、評価項目ごとに必要な個数の値に統合してもよい。たとえば、前記の図３および図４の例では、第１列データ属性ｘ１１，・・・，ｘｉ１，・・・ｘｎ１は、性格としての「外向性」を評価項目とする数値として例示しているが、学習データセットＤＴｒＧｒｋのチームを構成する学習チーム構成員の人数分の数値が存在するので、これを人数分より少ない値に統合することができる。統合した結果の値の個数は任意に決定できる。チームＴｒＧｒ１の例では、学習チーム構成員Ｍｔｒ１，Ｍｔｒ３８，Ｍｔｒ２５７の構成員の性格としての「外向性」を評価項目とする個人特性データを構成する個人特性パラメータの第１列データ属性ｘ１１，ｘ38１，ｘ257１の３つのデータを一個に統合することができる。統合にあたっては、たとえば、これらの数値の平均値とすることもできる。統計的に意味がある方法である限り、統合する手法は限定されない。学習チーム構成員の人数分より少ない値に統合することにより、予測モデルＰＭＳである重みづけ係数Ｃ（ｊ）[ｊ＝１～ｍ］の個数を減らすことができ、偏差量Ｄｅｖ（ｋ）[ｋ＝２～ｓ］を最小化する計算負荷を小さくすることができる。
【0033】
続いて、分析的処理に基づく予測モデルＰＭＡについて説明する。分析的処理に基づく予測モデルＰＭＡは、学習チーム実績評価値Ｘｋと、学習データセットＤＴｒＧｒｋのチームを構成する学習チーム構成員Ｍｔｒｉａ，Ｍｔｒｉｂ，Ｍｔｒｉｃの全ての個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｂｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｃｊ（ｊ＝１～ｍ）のとをパラメータとする評価関数ｆ（ｘｉｊ）[ｉ＝１～ｎ，ｊ＝１～ｍ，ｋ＝２～ｓ］である。
ＰＭＡ＝ｆ（ｘｔｒｉａｊ，ｘｔｒｉｂｊ，ｘｔｒｉｃｊ）[ｊ＝１～ｍ］
・・・（式３）
ＰＭＡ＝ｆ（ｘｔｒｉａｊ，ｘｔｒｉｂｊ，ｘｔｒｉｃｊ）[ｊ＝１～ｍ］
・・・（式３）
【0034】
（式３）の予測モデルＰＭＡの評価関数ｆ（ｘｔｒｉａｊ，ｘｔｒｉｂｊ，ｘｔｒｉｃｊ）[ｊ＝１～ｍ］ は、学習チームの全てに対して、学習チーム構成員Ｍｔｒｉａ，Ｍｔｒｉｂ，Ｍｔｒｉｃの全ての個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）の大小関係の順位付けを画定するものである。すなわち、予測モデルＰＭＡの評価関数ｆ（ｘｔｒｉａｊ，ｘｔｒｉｂｊ，ｘｔｒｉｃｊ）[ｊ＝１～ｍ］ は、ｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）の大きなものから順位付けを画定するものである。このとき、すべての要素が大きい、またはすべての要素が小さいものについては、大小関係の順位付けの決定は容易であるが、たとえば、あるチームはｘｔｒｉｂｊ（ｊ＝１～ｍ）が大きくｘｔｒｉｃｊ（ｊ＝１～ｍ）の値は小さいが，他のチームはｘｔｒｉｃｊ（ｊ＝１～ｍ）の値が大きくｘｔｒｉｂｊ（ｊ＝１～ｍ）が小さい場合のように、順位付けが困難な場合もある。このような場合には、評価項目である個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）のそれぞれの項目の重みづけを行って、学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）の大小関係（すなわち高いものから）の順位づけと、合致するように調整する。個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）の大小関係(高いものから)の順位付けと、学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）の大小関係（高いものから）の順位づけと、を合致させて評価関数ｆを構築する方法には、さまざまな方法が選択でき、一つの方法には限られない。たとえば、最適な評価関数ｆは、たとえば、次のように決定することができる。
【0035】
分析的処理に基づく予測モデルＰＭＡは、たとえば、いわゆる決定木分析の手法を用いることができる。決定木分析の手法の適用にあたっては、分類木分析の手法や、回帰木分析の手法など、一般的な決定木分析の手法が使用できる。たとえば、個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｂｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｃｊ（ｊ＝１～ｍ）を説明変数として、個人特性パラメータのそれぞれについて、任意の閾値δを定め、学習データセットＤＴｒＧｒｋのチームを構成する学習チーム構成員の全ての個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｂｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｃｊ（ｊ＝１～ｍ）について、それぞれについて定めた閾値δに対し、閾値δより大きいか、閾値δと等しいか、閾値δより小さいかなど、閾値δとの比較条件を閾値に対する分類枝として、目的変数の学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）がどのように分布するかを判定して構築する。閾値δは可変であり、閾値δを変更しながら、個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｂｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｃｊ（ｊ＝１～ｍ）の変数領域のそれぞれに対して、学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）の変数領域が対応するように決定木を画定する。
図５を参照して具体的に説明すると、たとえば個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｂｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｃｊ（ｊ＝１～ｍ）のうち、最初の個人特性パラメータｘｔｒｉａ１，個人特性パラメータｘｔｒｉｂ１，ｘｔｒｉｃ１の値について、閾値δ１以上であるか、または閾値δ１未満であるかを判定し、それぞれに対して、そのときの目的変数の学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）の分布を判定する。続いて、最初の個人特性パラメータｘｔｒｉａ１，ｘｔｒｉｂ１，ｘｔｒｉｃ１の値が閾値δ１以上の群について、個人特性パラメータｘｔｒｉａ２，個人特性パラメータｘｔｒｉｂ２，ｘｔｒｉｃ２の値が閾値δ２以上であるか、または閾値δ２未満であるかを判定し、それぞれについて目的変数の学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）がどのように分布するかを判定する。これを、説明変数であるすべての個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｂｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｃｊ（ｊ＝１～ｍ）に対して実行して、説明変数であるすべての個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）の大小と、目的変数の学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）の大小と、が対応するように、すべての閾値δ１，δ２，δ３・・・が選択される。この過程において、説明変数であるすべての個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）の大小と、目的変数の学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）の大小と、が対応するような個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）と閾値δ１，δ２，δ３・・が選択され、図５の決定木の領域Tの部分の分類枝と各分類枝における閾値δが決定される。この分類枝および閾値δの選択においては、エントロピーや不純度という決定木を画定する上で一般的に使用される指標が最も小さくなるように、説明変数であるすべての個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）の大小と、目的変数の学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）の大小と、が対応するように、すべての閾値δ１，δ２，δ３・・・が選択される。たとえば、説明変数のうちの任意の個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）の大小が、目的変数の学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）の大小に対応しない場合には、閾値δを変更し、それでも、その個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）の大小が、目的変数の学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）の大小に対応しない場合には、その個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）は説明変数としては排除される。
図５を参照して具体的に説明すると、たとえば個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｂｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｃｊ（ｊ＝１～ｍ）のうち、最初の個人特性パラメータｘｔｒｉａ１，個人特性パラメータｘｔｒｉｂ１，ｘｔｒｉｃ１の値について、閾値δ１以上であるか、または閾値δ１未満であるかを判定し、それぞれに対して、そのときの目的変数の学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）の分布を判定する。続いて、最初の個人特性パラメータｘｔｒｉａ１，ｘｔｒｉｂ１，ｘｔｒｉｃ１の値が閾値δ１以上の群について、個人特性パラメータｘｔｒｉａ２，個人特性パラメータｘｔｒｉｂ２，ｘｔｒｉｃ２の値が閾値δ２以上であるか、または閾値δ２未満であるかを判定し、それぞれについて目的変数の学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）がどのように分布するかを判定する。これを、説明変数であるすべての個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｂｊ（ｊ＝１～ｍ），個人特性パラメータｘｔｒｉｃｊ（ｊ＝１～ｍ）に対して実行して、説明変数であるすべての個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）の大小と、目的変数の学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）の大小と、が対応するように、すべての閾値δ１，δ２，δ３・・・が選択される。この過程において、説明変数であるすべての個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）の大小と、目的変数の学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）の大小と、が対応するような個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）と閾値δ１，δ２，δ３・・が選択され、図５の決定木の領域Tの部分の分類枝と各分類枝における閾値δが決定される。この分類枝および閾値δの選択においては、エントロピーや不純度という決定木を画定する上で一般的に使用される指標が最も小さくなるように、説明変数であるすべての個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）の大小と、目的変数の学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）の大小と、が対応するように、すべての閾値δ１，δ２，δ３・・・が選択される。たとえば、説明変数のうちの任意の個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）の大小が、目的変数の学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）の大小に対応しない場合には、閾値δを変更し、それでも、その個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）の大小が、目的変数の学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）の大小に対応しない場合には、その個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）は説明変数としては排除される。
【0036】
また、任意の個人パラメータについて、個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）について、一部は閾値δ以上であるものの、それ以外は閾値δ未満となる群も存在する。たとえば、ｘｔｒｉａ１とｘｔｒｉｂ１は閾値δ１以上であるが、ｘｔｒｉｃ１は閾値δ１未満となる群である。このような群は、説明変数について個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）について少なくとも何個以上が閾値δ１以上であるか、または閾値δ１未満であるかとの分類枝を作り、これに対する目的変数の学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）の大小を分類する。そして、最終的に、説明変数であるすべての個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）の大小と、目的変数の学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）の大小と、が対応するように、すべての閾値δ１，δ２，δ３・・・を選択して決定木を画定する。決定木により画定される説明変数としての個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）と閾値δを分類枝した目的変数の学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）の関係が予測モデルＰＭＡとしてのｆ（ｘｔｒｉａｊ，ｘｔｒｉｂｊ，ｘｔｒｉｃｊ）[ｊ＝１～ｍ］ である。決定木の画定は必ずしも一意に画定されるものではなく、分類枝と閾値δにより様々な決定木が存在し、これに対応した予測モデルＰＭＡモデルが存在する。決定木の構築を行う上での分析的処理は機械学習や深層学習により行うことができる。
【0037】
以上に基づいて、統計的処理に基づく予測モデルＰＭＳまたは分析的処理に基づく予測モデルＰＭＡなどを代表とする予測モデルＰＭが構築され、メモリ部３に保存される。メモリ部３に保存された予測モデルＰＭは評価プロセス（Ｐ２）で必要に応じて読みだされて使用される。
【0038】
（評価プロセス（Ｐ２）／評価データセット作成ステップ（Ｓ２１））
続いて、図６を参照して、評価プロセス（Ｐ２）について説明する。まず、評価プロセス（Ｐ２）では、評価データセット作成プロセス（Ｓ２１）が実行される。処理部２は、評価データセット作成プロセス（Ｓ２１）を実行して、評価データセットＤＥｖＧｒを作成する。評価データセットＤＥｖＧｒは、評価すべき評価対象チームのデータである。評価データセットＤＥｖＧｒは、予測モデルＰＭを適用するものであるため、学習データセットＤＴｒＧｒのデータと対応していなければならない。すなわち、評価データセットＤＥｖＧｒの評価対象チームの人数と、学習データセットＤＴｒＧｒの各チームの学習チーム構成員の人数とは合致している必要がある。また、評価データセットＤＥｖＧｒの個人特性パラメータｘｉｊ（ｉ＝１～ｎ，ｊ＝１～ｍ）の評価項目および順序ないし対応関係は基礎データＤＰの個人特性パラメータｘｉｊ（ｉ＝１～ｎ，ｊ＝１～ｍ）の評価項目および順序対応関係と合致している必要がある。すなわち、図６の例でいえば、評価データセットＤＥｖＧｒは、評価データセットＤＥｖＧｒは人数がｐ人の評価対象チームであって、特に前記の学習プロセス（Ｐ１）の例では、任意のｐ人を３人としているので、評価対象チーム構成員Ｍｅｖ１，Ｍｅｖ２，Ｍｅｖ３からなる評価対象チームＥｖＧｒの評価用評価データセットである。評価データセットＤＥｖＧｒの個人特性パラメータの第１列データ属性ｘev１１，ｘev２１，ｘev３１は基礎データＤＰにおける第１列データ属性ｘｉ１（ｉ＝１～ｎ）と対応している。同様に、評価データセットＤＥｖＧｒの個人特性パラメータの第ｊ列データ属性ｘev１ｊ，ｘev２ｊ，ｘev３ｊは基礎データＤＰにおける第ｊ列データ属性ｘｉｊ（ｉ＝１～ｎ）と対応し、第ｍ列データ属性ｘev１ｍ，ｘev２ｍ，ｘev３ｍは基礎データＤＰにおける第ｍ列データ属性ｘｍｊ（ｉ＝１～ｎ）と対応する。
続いて、図６を参照して、評価プロセス（Ｐ２）について説明する。まず、評価プロセス（Ｐ２）では、評価データセット作成プロセス（Ｓ２１）が実行される。処理部２は、評価データセット作成プロセス（Ｓ２１）を実行して、評価データセットＤＥｖＧｒを作成する。評価データセットＤＥｖＧｒは、評価すべき評価対象チームのデータである。評価データセットＤＥｖＧｒは、予測モデルＰＭを適用するものであるため、学習データセットＤＴｒＧｒのデータと対応していなければならない。すなわち、評価データセットＤＥｖＧｒの評価対象チームの人数と、学習データセットＤＴｒＧｒの各チームの学習チーム構成員の人数とは合致している必要がある。また、評価データセットＤＥｖＧｒの個人特性パラメータｘｉｊ（ｉ＝１～ｎ，ｊ＝１～ｍ）の評価項目および順序ないし対応関係は基礎データＤＰの個人特性パラメータｘｉｊ（ｉ＝１～ｎ，ｊ＝１～ｍ）の評価項目および順序対応関係と合致している必要がある。すなわち、図６の例でいえば、評価データセットＤＥｖＧｒは、評価データセットＤＥｖＧｒは人数がｐ人の評価対象チームであって、特に前記の学習プロセス（Ｐ１）の例では、任意のｐ人を３人としているので、評価対象チーム構成員Ｍｅｖ１，Ｍｅｖ２，Ｍｅｖ３からなる評価対象チームＥｖＧｒの評価用評価データセットである。評価データセットＤＥｖＧｒの個人特性パラメータの第１列データ属性ｘev１１，ｘev２１，ｘev３１は基礎データＤＰにおける第１列データ属性ｘｉ１（ｉ＝１～ｎ）と対応している。同様に、評価データセットＤＥｖＧｒの個人特性パラメータの第ｊ列データ属性ｘev１ｊ，ｘev２ｊ，ｘev３ｊは基礎データＤＰにおける第ｊ列データ属性ｘｉｊ（ｉ＝１～ｎ）と対応し、第ｍ列データ属性ｘev１ｍ，ｘev２ｍ，ｘev３ｍは基礎データＤＰにおける第ｍ列データ属性ｘｍｊ（ｉ＝１～ｎ）と対応する。
【0039】
評価データセットＤＥｖＧｒを構成する評価対象チーム構成員Ｍｅｖ１，Ｍｅｖ２，Ｍｅｖ３は、基礎データＤＰのチーム構成員の候補ＴｒＭｉ（ｉ＝１からｎ）のいずれかであってもよく、または基礎データＤＰのチーム構成員の候補ＴｒＭｉ（ｉ＝１からｎ）に属していなくてもよい。換言すれば、評価データセットＤＥｖＧｒを構成する評価対象チーム構成員の候補は基礎データＤＰのチーム構成員の候補から選択してもよく、またはチーム構成員の候補として全く異なる構成員から選択してもよい。基礎データＤＰと学習データセットＤＴｒＧｒと対応するように評価データセットＤＥｖＧｒが作成できる限り、評価対象チーム構成員の候補は自由に選定できる。評価データセットＤＥｖＧｒは、一つの評価対象チームを評価する場合には、その評価対象チームのみのデータを有するデータセットすればよい。
【0040】
一方で、複数のチームを評価したい場合には、複数のチーム要素のデータを有するように、評価データセットＤＥｖＧｒを作成することができる。たとえば、図７に示すように、評価データセットＤＥｖＧｒを、任意のｑ個の評価対象チームのデータＤＥｖＧｒ１・・・ＤＥｖＧｒｉａ・・・ＤＥｖＧｒｑからなるデータセットとしてもよい。この場合であっても、評価データセットＤＥｖＧｒを構成する任意のｑ個の評価対象チームの評価データセットＤＥｖＧｒｉａ（ｉａ＝１～ｑ）のそれぞれは一つの評価対象チームのデータを有するデータセットと同様に、基礎データＤＰと学習データセットＤＴｒＧｒと対応するように評価データセットＤＥｖＧｒが作成される必要がある。複数の評価対象チーム要素のデータを有する評価データセットＤＥｖＧｒにより複数の評価対象チームを評価することにより、その複数の評価対象チームの中から最適な評価対象チーム構成員で編成される最適チームを導き出すことができる。
【0041】
（評価プロセス（Ｐ２）／評価演算ステップ（Ｓ２２））
続いて、図６および図７を参照して、評価演算ステップ（Ｓ２２）について説明する。評価データセットＤＥｖＧｒを入力として、予測モデルＰＭに基づいて、評価データセットＤＥｖＧｒに対する評価値を計算する。図６に示す一つの評価対象チーム要素のデータを有する評価データセットＤＥｖＧｒでは、評価データセットＤＥｖＧｒを予測モデルＰＭに入力して、評価すべき評価対象チームの実績の予測評価値ＥＶ１を計算する。図７に示す複数の評価対象チームのデータを有する評価データセットＤＥｖＧｒでは、任意のｑ個の評価対象チームの評価データセットＤＥｖＧｒｉａ（ｉａ＝１～ｑ）を予測モデルＰＭに入力して予測評価値ＥＶｉａ（ｉａ＝１～ｑ）を計算する。計算された予測評価値Ｅｖ１またはＥＶｉａ（ｉａ＝１～ｑ）のいずれの場合も、前述のとおり、学習チーム実績評価値Ｘｋの値の範囲を決めた際に予め設定した上限値と下限値で画定される範囲に予定通り分布する。その範囲内における分布の中での得られた予測評価値の大きさで、望ましく適切なチームであるか、望ましくない不適切なチームであるか、を直接判定することができる。予測評価値は、ディスプレイまたはプリンタなどの出力装置４に出力される。
続いて、図６および図７を参照して、評価演算ステップ（Ｓ２２）について説明する。評価データセットＤＥｖＧｒを入力として、予測モデルＰＭに基づいて、評価データセットＤＥｖＧｒに対する評価値を計算する。図６に示す一つの評価対象チーム要素のデータを有する評価データセットＤＥｖＧｒでは、評価データセットＤＥｖＧｒを予測モデルＰＭに入力して、評価すべき評価対象チームの実績の予測評価値ＥＶ１を計算する。図７に示す複数の評価対象チームのデータを有する評価データセットＤＥｖＧｒでは、任意のｑ個の評価対象チームの評価データセットＤＥｖＧｒｉａ（ｉａ＝１～ｑ）を予測モデルＰＭに入力して予測評価値ＥＶｉａ（ｉａ＝１～ｑ）を計算する。計算された予測評価値Ｅｖ１またはＥＶｉａ（ｉａ＝１～ｑ）のいずれの場合も、前述のとおり、学習チーム実績評価値Ｘｋの値の範囲を決めた際に予め設定した上限値と下限値で画定される範囲に予定通り分布する。その範囲内における分布の中での得られた予測評価値の大きさで、望ましく適切なチームであるか、望ましくない不適切なチームであるか、を直接判定することができる。予測評価値は、ディスプレイまたはプリンタなどの出力装置４に出力される。
【0042】
予測評価値は、具体的には、たとえば以下の通りに計算される。予測モデルＰＭが統計的処理に基づいて構築された予測モデルＰＭＳを使用する場合には、評価演算ステップ（Ｓ２２）において、予測評価値Ｅｖ１は予測モデルＰＭＳを求めた際の式（２）に基づいて、以下のように計算される。前記のとおり、予測モデルＰＭＳの重みづけ係数Ｃ（ｊ）[ｊ＝１～ｍ］は、予測モデルＰＭＳの構築の段階で、偏差量Ｄｅｖ（ｋ）[ｋ＝２～ｓ］が０になるように決定されているので、予測モデルＰＭＳの重みづけ係数Ｃ（ｊ）[ｊ＝１～ｍ］を評価データセットＤＥｖＧｒの対応する個人特性パラメータｘevｉｊ，ｘevｉｊ，ｘevｉｊ[ｉ＝１～ｑ，ｊ＝１～ｍ］に乗じた和が予測評価値Ｅｖ１（式４）となる。
Ｅｖ１＝｛ΣＣ（ｊ）・ｘｅｖｉｊ[ｉ＝１～ｑ，ｊ＝１～ｍ］｝
＝｛Ｃ（１）・ｘｅｖ１１＋Ｃ（２）・ｘｅｖ１２＋・・・｝
＋｛Ｃ（１）・ｘｅｖ２１＋Ｃ（２）・ｘｅｖ２２＋・・・｝
＋｛Ｃ（１）・ｘｅｖ３１＋Ｃ（２）・ｘｅｖ３２＋・・・｝
・・・（式４）
Ｅｖ１＝｛ΣＣ（ｊ）・ｘｅｖｉｊ[ｉ＝１～ｑ，ｊ＝１～ｍ］｝
＝｛Ｃ（１）・ｘｅｖ１１＋Ｃ（２）・ｘｅｖ１２＋・・・｝
＋｛Ｃ（１）・ｘｅｖ２１＋Ｃ（２）・ｘｅｖ２２＋・・・｝
＋｛Ｃ（１）・ｘｅｖ３１＋Ｃ（２）・ｘｅｖ３２＋・・・｝
・・・（式４）
【0043】
複数の評価対象チームのデータを有する評価データセットＤＥｖＧｒを用いて予測評価値ＥＶｉａ（ｉａ＝１～ｑ）を計算する場合において、それぞれの予測評価値ＥＶｉａ（ｉａ＝１～ｑ）を計算する場合も上記式（４）により同様に求められる。予測評価値ＥＶｉａ（ｉａ＝１～ｑ）が最も高いもの（最大値）が最適なチーム構成員により編成された最適チームであることを意味する。
【0044】
予測モデルＰＭが分析的処理に基づいて構築された予測モデルＰＭＡを使用する場合には、評価演算ステップ（Ｓ２２）において、予測評価値Ｅｖ１は、予測モデルＰＭＡの式（４）の評価関数ｆ（ｘｉｊ）[ｉ＝１～ｎ，ｊ＝１～ｍ］に評価データセットＤＥｖＧｒの対応する個人特性パラメータｘevｉｊ，ｘevｉｊ，ｘevｉｊ[ｉ＝１～ｑ，ｊ＝１～ｍ］を代入することで得られた値となる。
【0045】
（第２の実施の形態）
以上、本発明のチーム評価システム１の実施の形態として、属性が同格である一種類の複数のチーム構成員からなるチームを編成する形態を説明した。しかし、たとえば教師と生徒という属性が異なる複数（２以上）の属性の複数のチーム構成員からなる学校の学級など、複数の属性のチーム構成員からなるチームを編成する場合にも適用できる。以下、図８から図１０を参照して、本発明の第２の実施の形態として、２以上の属性のチーム構成員からなるチームを編成する実施の形態について説明する。図８は、第２の実施の形態の学習プロセスにおいて準備する基礎データを示している。図９は、第２の実施の形態の学習プロセスにおいて準備する学習データセットを示している。図１０は、第２の実施の形態の評価プロセスにおいて準備する、評価すべき評価対象チームの評価データセットを示している。
以上、本発明のチーム評価システム１の実施の形態として、属性が同格である一種類の複数のチーム構成員からなるチームを編成する形態を説明した。しかし、たとえば教師と生徒という属性が異なる複数（２以上）の属性の複数のチーム構成員からなる学校の学級など、複数の属性のチーム構成員からなるチームを編成する場合にも適用できる。以下、図８から図１０を参照して、本発明の第２の実施の形態として、２以上の属性のチーム構成員からなるチームを編成する実施の形態について説明する。図８は、第２の実施の形態の学習プロセスにおいて準備する基礎データを示している。図９は、第２の実施の形態の学習プロセスにおいて準備する学習データセットを示している。図１０は、第２の実施の形態の評価プロセスにおいて準備する、評価すべき評価対象チームの評価データセットを示している。
【0046】
複数の属性の構成員からなるチームを編成するチーム評価システム１の構成は前記の実施の形態と同じである。また、予測評価フローが学習プロセス（Ｐ１）と評価プロセス（Ｐ２）とを備える点も同じである。さらに、学習プロセス（Ｐ１）が学習データセット作成ステップ（Ｓ１１）と予測モデル作成ステップ（Ｓ１２）とを備える点と、評価プロセス（Ｐ２）は評価データセット作成ステップ（Ｓ２１）と、それに続いて実行される評価演算ステップ（Ｓ２２）とを備える点も同じである。以下、この実施の形態について、それぞれのステップにおいて、異なる点を中心に説明する。説明上、代表例として、チーム構成員の属性が２つの例（第１属性と第２属性）であって、第１属性３人と第２属性１人の４人のチーム構成員で編成されるチームの例を用いて説明する。
【0047】
（学習プロセス（Ｐ１）／学習データセット作成ステップ（Ｓ１１））
図８を参照して、学習プロセス（Ｐ１）について説明する。学習データセット作成プロセス（Ｓ１１）では、チームを編成する上での候補となる学習チーム構成員について、属性の異なる学習チーム構成員のグループごとに個々の指標となる基礎データＤＰａ，ＤＰｂを作成する。基礎データＤＰａおよびＤＰｂのそれぞれの作成の仕方は、第１の実施の形態と同様であって、第１の属性の学習チーム構成員Mａｔｒｉ（ｉ＝１～ｎａ）と第２の属性の学習チーム構成員Mｂｔｒｉ（ｉ＝１～ｎｂ）とのそれぞれについて、基礎データＤＰａｔｒｉ（ｉ＝１～ｎａ）とＤＰｂｔｒｉ（ｉ＝１～ｎｂ）とを作成する。属性の異なる学習チーム構成員の基礎データＤＰａｔｒｉ（ｉ＝１～ｎａ）とＤＰｂｔｒｉ（ｉ＝１～ｎｂ）とにおいて、任意の第ｊ列データ属性は、必ずしも同一である必要はなく、代表的には異なる。属性の異なる学習チーム構成員のグループごとに基礎データＤＰａ，ＤＰｂを作成する以外は第１の実施の形態と同じである。
図８を参照して、学習プロセス（Ｐ１）について説明する。学習データセット作成プロセス（Ｓ１１）では、チームを編成する上での候補となる学習チーム構成員について、属性の異なる学習チーム構成員のグループごとに個々の指標となる基礎データＤＰａ，ＤＰｂを作成する。基礎データＤＰａおよびＤＰｂのそれぞれの作成の仕方は、第１の実施の形態と同様であって、第１の属性の学習チーム構成員Mａｔｒｉ（ｉ＝１～ｎａ）と第２の属性の学習チーム構成員Mｂｔｒｉ（ｉ＝１～ｎｂ）とのそれぞれについて、基礎データＤＰａｔｒｉ（ｉ＝１～ｎａ）とＤＰｂｔｒｉ（ｉ＝１～ｎｂ）とを作成する。属性の異なる学習チーム構成員の基礎データＤＰａｔｒｉ（ｉ＝１～ｎａ）とＤＰｂｔｒｉ（ｉ＝１～ｎｂ）とにおいて、任意の第ｊ列データ属性は、必ずしも同一である必要はなく、代表的には異なる。属性の異なる学習チーム構成員のグループごとに基礎データＤＰａ，ＤＰｂを作成する以外は第１の実施の形態と同じである。
【0048】
基礎データＤＰａとＤＰｂとの作成の後には、第１の実施の形態と同様に学習データセットＤＴｒＧｒｋ（ｋ＝２以上の任意の数[ｋ＝２～ｓ］）を作成する。学習データセットＤＴｒＧｒｋ（ｋ＝２以上の任意の数[ｋ＝２～ｓ］）は任意の個数とできる点は第１の実施の形態と同様である。図９は、第２の実施の形態における任意の学習チームＴｒＧｒｋについての学習データセットＤＴｒＧｒｋ（ｋ＝２以上の任意の数[ｋ＝２～ｓ］）を示している。第２の実施の形態の例では、まず、第１属性の学習チーム構成員Ｍａｔｒｉａ,Ｍａｔｒｉｂ,Ｍａｔｒｉｃの３人のそれぞれの基礎データＤＰａｉａ，ＤＰａｉｂ，ＤＰａｉｃ，と、第２属性の学習チーム構成員Ｍｂｔｒｉの基礎データＤＰｂｉとを組み合わせて、学習チームＴｒＧｒｋ（ｋ＝２以上の任意の数[ｋ＝２～ｓ］）の学習用個人データ群とする。続いて、学習用個人データ群に学習チームＴｒＧｒｋ（ｋ＝２以上の任意の数[ｋ＝２～ｓ］）に対する学習チーム実績評価値Ｘｋを割り当てて学習データセットＤＴｒＧｒｋ（ｋ＝２以上の任意の数[ｋ＝２～ｓ］）を作成する。学習チーム実績評価値Ｘｋの決定は、第１の実施の形態と同じである。学習データセットＤＴｒＧｒｋ（ｋ＝１以上の任意の数）の作成においては、異なる属性の基礎データを組み合わせることを除いては、第１の実施の形態と同様である。以上が、第２の実施の形態における学習プロセス（Ｐ１）である。
【0049】
（学習プロセス（Ｐ１）／予測モデルと予測モデル作成ステップ（Ｓ１２））
続いて、第２の実施の形態における予測モデルＰＭを作成する予測モデル作成ステップ（Ｓ１２）について説明する。予測モデルＰＭの構築は、第１の実施の形態とほぼ同じであり、予測モデルＰＭは統計的処理、または分析的処理で構築することができる点は第１の実施の形態と同様である。第２の実施の形態では、学習データセットＤＴｒＧｒｋ（ｋ＝１以上の任意の数）に異なる属性の学習チーム構成員の個人データが混在するので、予測モデルＰＭの構築の際に、同一の属性ごとに決定する点が異なる。この点を、以下、具体的に説明する。
続いて、第２の実施の形態における予測モデルＰＭを作成する予測モデル作成ステップ（Ｓ１２）について説明する。予測モデルＰＭの構築は、第１の実施の形態とほぼ同じであり、予測モデルＰＭは統計的処理、または分析的処理で構築することができる点は第１の実施の形態と同様である。第２の実施の形態では、学習データセットＤＴｒＧｒｋ（ｋ＝１以上の任意の数）に異なる属性の学習チーム構成員の個人データが混在するので、予測モデルＰＭの構築の際に、同一の属性ごとに決定する点が異なる。この点を、以下、具体的に説明する。
【0050】
まず、統計的処理により構築される予測モデルＰＭＳについて説明する。第２の実施の形態における予測モデルＰＭＳである重みづけ係数は、属性の数に応じた個数の係数群で表される。ここでは説明上、第１属性の基礎データＤＰａをデータ源とする学習用個人データ群のＤＰａｉａ，ＤＰａｉｂ，ＤＰａｉｃと第２属性の基礎データＤＰｂの基礎データＤＰｂをデータ源とする学習用個人データ群のＤＰｂｉとの、２つの属性の個人特性パラメータとを例にしているので、下記（式５）の通り、予測モデルＰＭＳは、それぞれＣ１（ｊ）とＣ２（ｊ）との２つの重みづけ係数の群となる。
ＰＭＳ＝（Ｃ１（ｊ），Ｃ２（ｊ））[ｊ＝１～ｍ］ ・・・（式５）
ＰＭＳ＝（Ｃ１（ｊ），Ｃ２（ｊ））[ｊ＝１～ｍ］ ・・・（式５）
【0051】
予測モデルＰＭＳである重みづけ係数（Ｃ１（ｊ），Ｃ２（ｊ））[ｊ＝１～ｍ］ の決定にあたっては、第１の実施の形態と同様に、すべての学習データセットＤＴｒＧｒに対して、以下の偏差量Ｄｅｖ（ｋ）[ｋ＝２～ｓ］が最小となるように決定される。偏差量Ｄｅｖ（ｋ）[ｋ＝２～ｓ］はなるべく０となるように決定することが好ましい。学習プロセス（Ｐ１）で作成されるすべての学習データセットＤＴｒＧｒの全個数をｓとすると、第１の実施の形態と同様に、以下で表される。
Ｄｅｖ（ｋ）[ｋ＝２～ｓ］
＝ Ｘｋ（ｋ＝２～ｓ）－｛ΣＣ１（ｊ）・（ｘｔｒｉａｊ[ｊ＝１～ｍ］＋ｘｔｒｉｂｊ[ｊ＝１～ｍ］＋ｘｔｒｉｃｊ[ｊ＝１～ｍ］）＋ΣＣ２（ｊ）・ｙｔｒｉｊ[ｊ＝１～ｍ］｝ ・・・（式６）
Ｄｅｖ（ｋ）[ｋ＝２～ｓ］
＝ Ｘｋ（ｋ＝２～ｓ）－｛ΣＣ１（ｊ）・（ｘｔｒｉａｊ[ｊ＝１～ｍ］＋ｘｔｒｉｂｊ[ｊ＝１～ｍ］＋ｘｔｒｉｃｊ[ｊ＝１～ｍ］）＋ΣＣ２（ｊ）・ｙｔｒｉｊ[ｊ＝１～ｍ］｝ ・・・（式６）
【0052】
分析的処理に基づく予測モデルＰＭＡについても、第１の実施の形態と同じように、学習データセットＤＴｒＧｒｋの学習チームを構成する全ての属性の全ての学習チーム構成員の個人特性パラメータｘｔｒｉａｊ，ｘｔｒｉｂｊ，ｘｔｒｉｃｊ，ｙｔｒｉｊ[ｊ＝１～ｍ］をパラメータとする評価関数として、下記のように表すことができる。複数の属性の個人特性パラメータを使用する点以外は第１の実施の形態と全く同じである。
ＰＭＡ＝ｆ（ｘｔｒｉａｊ，ｘｔｒｉｂｊ，ｘｔｒｉｃｊ，ｙｔｒｉｊ）
[ｊ＝１～ｍ］ ・・・（式７）
ＰＭＡ＝ｆ（ｘｔｒｉａｊ，ｘｔｒｉｂｊ，ｘｔｒｉｃｊ，ｙｔｒｉｊ）
[ｊ＝１～ｍ］ ・・・（式７）
【0053】
（式７）の予測モデルＰＭＡの評価関数の同定にあたっては、決定木の画定の段階で、分類枝と閾値δの選択において、エントロピーや不純度の最小化を経て、説明変数の個人特性パラメータｘｔｒｉａｊ，ｘｔｒｉｂｊ，ｘｔｒｉｃｊ，ｙｔｒｉｊ[ｊ＝１～ｍ］の大小関係と目的変数である学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）の大小関係とが対応するように、調整される。エントロピーを最小化するように分類枝と閾値δを選択するということは、目的変数である学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）の大小関係のばらつきが最も小さくなるように、説明変数である各個人特性パラメータｘｔｒｉａｊ，ｘｔｒｉｂｊ，ｘｔｒｉｃｊ，ｙｔｒｉｊ[ｊ＝１～ｍ］に対して分類枝と閾値δを選択することを意味する。一方、不純度を最小化するように分類枝と閾値δを選択するということは、目的変数である学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）の大小関係に矛盾がでるものが最も少なくなるように、説明変数である各個人特性パラメータｘｔｒｉａｊ，ｘｔｒｉｂｊ，ｘｔｒｉｃｊ，ｙｔｒｉｊ[ｊ＝１～ｍ］に対して分類枝と閾値δを選択することを意味する。その結果として、（式７）の予測モデルＰＭＡの評価関数は、個人特性パラメータｘｔｒｉａｊ（ｊ＝１～ｍ），ｘｔｒｉｂｊ（ｊ＝１～ｍ），ｘｔｒｉｃｊ（ｊ＝１～ｍ）を入力値として、学習チーム実績評価値Ｘｋ（ｋ＝２～ｓ）を一意に出力地として決定することができる関数として画定される。
【0054】
（評価プロセス（Ｐ２）／評価データセット作成ステップ（Ｓ２１））
続いて、図１０を参照して、評価プロセス（Ｐ２）の評価データセットＤＥｖＧｒについて説明する。評価データセットＤＥｖＧｒの作成も、第１の実施の形態と同様に、学習データセットＤＴｒＧｒｋのデータと対応していなければならない点で同じである。したがって、評価データセットＤＥｖＧｒは、編成しようとする評価対象チームにおいて、同一の属性に属する人数が学習データセットＤＴｒＧｒｋのデータに対応するように同様の構成で作成されなければならない。すなわち、第２の実施の形態では、前記の通り、第１属性の学習チーム構成員の人数を３人とし、第２属性の学習チーム構成員の人数を１人として学習データセットＤＴｒＧｒｋを例として作成するように説明を行っているので、評価データセットＤＥｖＧｒの作成も、これに対応するように、第１属性の評価対象チーム構成員の人数を３人（Ｍａｅｖ１，Ｍａｅｖ２，Ｍａｅｖ３）とし、第２属性の評価対象チーム構成員の人数を１人（Ｍｂｅｖ）の個人特性パラメータを組み合わせて作成する。評価データセットＤＥｖＧｒを１つだけ作成して一の予測評価値を得るようにするか、評価データセットＤＥｖＧｒを複数作成して最高の予測評価値となる最適なチーム編成を導出するかについては、第１の実施の形態と全く同様である。
続いて、図１０を参照して、評価プロセス（Ｐ２）の評価データセットＤＥｖＧｒについて説明する。評価データセットＤＥｖＧｒの作成も、第１の実施の形態と同様に、学習データセットＤＴｒＧｒｋのデータと対応していなければならない点で同じである。したがって、評価データセットＤＥｖＧｒは、編成しようとする評価対象チームにおいて、同一の属性に属する人数が学習データセットＤＴｒＧｒｋのデータに対応するように同様の構成で作成されなければならない。すなわち、第２の実施の形態では、前記の通り、第１属性の学習チーム構成員の人数を３人とし、第２属性の学習チーム構成員の人数を１人として学習データセットＤＴｒＧｒｋを例として作成するように説明を行っているので、評価データセットＤＥｖＧｒの作成も、これに対応するように、第１属性の評価対象チーム構成員の人数を３人（Ｍａｅｖ１，Ｍａｅｖ２，Ｍａｅｖ３）とし、第２属性の評価対象チーム構成員の人数を１人（Ｍｂｅｖ）の個人特性パラメータを組み合わせて作成する。評価データセットＤＥｖＧｒを１つだけ作成して一の予測評価値を得るようにするか、評価データセットＤＥｖＧｒを複数作成して最高の予測評価値となる最適なチーム編成を導出するかについては、第１の実施の形態と全く同様である。
【0055】
（評価プロセス（Ｐ２）／評価演算ステップ（Ｓ２２））
評価演算ステップ（Ｓ２２）については第１の実施の形態と同じく、説明する。評価データセットＤＥｖＧｒを入力として、予測モデルＰＭに基づいて、評価データセットＤＥｖＧｒに対する予測評価値を計算すればよい。
評価演算ステップ（Ｓ２２）については第１の実施の形態と同じく、説明する。評価データセットＤＥｖＧｒを入力として、予測モデルＰＭに基づいて、評価データセットＤＥｖＧｒに対する予測評価値を計算すればよい。
【0056】
以上、本願発明の実施の形態を説明したが、具体的には以下の実施例１から４のように適用される。
【実施例0057】
（実施例１）
まず、実施例１について説明する。実施例１は、属性が同格の複数のチーム構成員からなるチームを編成する第１の実施の形態の一実施例である。実施例１では、一つの航空便におけるキャビンアテンダント（以下、ＣＡと呼ぶ）のチームの編成に適用する例である。この場合、基礎データＤＰにおけるチーム構成員Ｍｔｒｉ（ｉ＝１～ｎ）として搭乗可能なＣＡが選択される。基礎データＤＰを構成する任意のチーム構成員Ｍｔｒｉ（ｉ＝１～ｎ）たるＣＡの個人特性パラメータｘij（ｊ＝１～ｍ）は、たとえば、大分類として「パーソナリティ系データ」,「仕事・メンタル系データ」，「スキル系データ」が選択される。「パーソナリティ系データ」としては、性格の五大特性である「外向性」，「誠実性ないし勤勉性」，「協調性」，「開放性」，「情緒などの神経症傾向」をはじめとして、「人間的信頼性」や「自立性」として選択できる。「仕事・メンタル系データ」としては、「精神的復元力」，「労働過剰回避傾向性」などを選択できる。「スキル系データ」としては、「英語力」などが選択できる。これらを個人特性パラメータｘij（ｊ＝１～ｍ）のそれぞれに対応させて、それぞれについて、１０段階の評価を数値として当てはめる。
まず、実施例１について説明する。実施例１は、属性が同格の複数のチーム構成員からなるチームを編成する第１の実施の形態の一実施例である。実施例１では、一つの航空便におけるキャビンアテンダント（以下、ＣＡと呼ぶ）のチームの編成に適用する例である。この場合、基礎データＤＰにおけるチーム構成員Ｍｔｒｉ（ｉ＝１～ｎ）として搭乗可能なＣＡが選択される。基礎データＤＰを構成する任意のチーム構成員Ｍｔｒｉ（ｉ＝１～ｎ）たるＣＡの個人特性パラメータｘij（ｊ＝１～ｍ）は、たとえば、大分類として「パーソナリティ系データ」,「仕事・メンタル系データ」，「スキル系データ」が選択される。「パーソナリティ系データ」としては、性格の五大特性である「外向性」，「誠実性ないし勤勉性」，「協調性」，「開放性」，「情緒などの神経症傾向」をはじめとして、「人間的信頼性」や「自立性」として選択できる。「仕事・メンタル系データ」としては、「精神的復元力」，「労働過剰回避傾向性」などを選択できる。「スキル系データ」としては、「英語力」などが選択できる。これらを個人特性パラメータｘij（ｊ＝１～ｍ）のそれぞれに対応させて、それぞれについて、１０段階の評価を数値として当てはめる。
【0058】
実際に運航した複数の便のCAのチームを学習データセットＤＴｒＧｒの学習データ用のチームＴｒＧｒｋ（ｋ＝２以上）とする。そして、その運航後におけるＣＡチームのそれぞれにおいて、学習チーム実績評価値Ｘｋを決定する。たとえば、学習チーム実績評価値ＸｋはそのＣＡのチームの各人が感じたチームの雰囲気および成果の自己採点の平均値とすることができる。その学習チーム実績評価値Ｘｋと前記の個人特性パラメータｘij（ｊ＝１～ｍ）とを組み合わせて学習データセットＤＴｒＧｒを作成すればよい。これに基づいて予測モデルＰＭを構築する。
【0059】
将来運航が予定される航空便のＣＡのチームを決定する際には、その便での乗務が予定される複数のＣＡの個人特性パラメータで評価データセットＤＥｖＧｒを作成する。評価データセットＤＥｖＧｒを予測モデルＰＭに適用して、そのＣＡのチームの予測評価値ＥＶ１を計算する。
【0060】
また将来運航が予定される航空便のＣＡのチームを決定する際に、未だ乗務するＣＡのチームが決まっていないときに、最適なチームを編成したいときには、考えられる任意のｑチームのＣＡのチームを編成して評価データセットＤＥｖＧｒを作成する。ｑチームのＣＡのチームについて評価データセットＤＥｖＧｒを予測モデルＰＭに適用して、そのすべてのＣＡのチームについて予測評価値ＥＶｉａ（ｉａ＝１～ｑ）を計算する。得られた予測評価値ＥＶｉａ（ｉａ＝１～ｑ）の中で、最高の値のＣＡのチームが最適なチームとして評価できる。
【0061】
（実施例２）
続いて、実施例２について説明する。実施例２も実施例１と同様に、属性が一種類で同格の複数のチーム構成員からなるチームを編成する第１の実施の形態の別の実施例である。実施例２は、野球やサッカーなどのスポーツにおけるチームにおいての選手の編成に適用する例である。実施例２は、実施例１よりも、チームの実績が数値化しやすい事例である。この場合も、前記の実施例１と同様に基礎データＤＰを作成する。基礎データＤＰを構成する任意のチーム構成員Ｍｔｒｉ（ｉ＝１～ｎ）たるＣＡの個人特性パラメータｘij（ｊ＝１～ｍ）としては、ＣＡのチームの場合と異なり、特にその競技で求められる評価項目を選択すればよい。また、学習データ用のチームＴｒＧｒｋ（ｋ＝２以上）の作成において、学習チーム実績評価値Ｘｋを決定する際にも、その競技におけるチームの過去の得点数など、スポーツチームの実績を代表的に数値化できる評価項目を適用することができる。予測モデルＰＭの構築と、チームについての予測評価値ＥＶ１または予測評価値ＥＶｉａ（ｉａ＝１～ｑ）の計算は実施例１と同様である。
続いて、実施例２について説明する。実施例２も実施例１と同様に、属性が一種類で同格の複数のチーム構成員からなるチームを編成する第１の実施の形態の別の実施例である。実施例２は、野球やサッカーなどのスポーツにおけるチームにおいての選手の編成に適用する例である。実施例２は、実施例１よりも、チームの実績が数値化しやすい事例である。この場合も、前記の実施例１と同様に基礎データＤＰを作成する。基礎データＤＰを構成する任意のチーム構成員Ｍｔｒｉ（ｉ＝１～ｎ）たるＣＡの個人特性パラメータｘij（ｊ＝１～ｍ）としては、ＣＡのチームの場合と異なり、特にその競技で求められる評価項目を選択すればよい。また、学習データ用のチームＴｒＧｒｋ（ｋ＝２以上）の作成において、学習チーム実績評価値Ｘｋを決定する際にも、その競技におけるチームの過去の得点数など、スポーツチームの実績を代表的に数値化できる評価項目を適用することができる。予測モデルＰＭの構築と、チームについての予測評価値ＥＶ１または予測評価値ＥＶｉａ（ｉａ＝１～ｑ）の計算は実施例１と同様である。
【0062】
（実施例３）
続いて、実施例３について説明する。実施例３は、実施例１および実施例２と異なり、実施例１は、複数の属性の複数のチーム構成員からなるチームを編成する第２の実施の形態の一実施例である。実施例３は、雇用者（雇用する者）と求職者（雇用される者）とで一つのチームを編成する例である。この実施例では、雇用者（雇用する者）を第１属性とし求職者（雇用される者）を第２属性として、前記の第２の実施の形態を適用する。第１属性の基礎データＤＰａと第２属性の基礎データＤＰｂとの作成においては、共通の評価項目を設定することは当然可能であるとともに、さらには属性に応じた特徴的な評価項目をも自由に設定することができる。
続いて、実施例３について説明する。実施例３は、実施例１および実施例２と異なり、実施例１は、複数の属性の複数のチーム構成員からなるチームを編成する第２の実施の形態の一実施例である。実施例３は、雇用者（雇用する者）と求職者（雇用される者）とで一つのチームを編成する例である。この実施例では、雇用者（雇用する者）を第１属性とし求職者（雇用される者）を第２属性として、前記の第２の実施の形態を適用する。第１属性の基礎データＤＰａと第２属性の基礎データＤＰｂとの作成においては、共通の評価項目を設定することは当然可能であるとともに、さらには属性に応じた特徴的な評価項目をも自由に設定することができる。
【0063】
実施例３としては、その他、第１属性を教師とし、第２属性を生徒とする学校や塾のクラスの編成に代表される教育分野での適用や、第１属性を医師とし第２属性を患者とする病院などの医療チームの編成に代表される医療分野での適用や、第１属性を介護士とし第２属性を被介護者とする介護チームの編成に代表される介護分野での適用などに適用できる。
【符号の説明】
【0064】
１ チーム評価システム
２ 処理部
３ メモリ部
４ 出力装置
Ｐ１ 学習プロセス
Ｐ２ 評価プロセス
２ 処理部
３ メモリ部
４ 出力装置
Ｐ１ 学習プロセス
Ｐ２ 評価プロセス
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】