JP7794772B2 - 異常検知システム、異常検知方法、及び異常検知プログラム - Google Patents

Description

本発明は、異常検知システム、異常検知方法、及び異常検知プログラムに関する。

例えば、建設業やシステム開発業などのように、期間毎に進捗を積み上げていくようなプロジェクト型管理をする業界において、「積み上がり方が妥当かを判断したい」という要求がある。

従来は、過去の案件の工期と実績が異常判定したい案件の工期と予算と異なる場合、積み上がり方を比較出来なかった。また、工期と実績が一致する過去の案件をもとに異常判定を行う場合、サンプル数が少なくなり妥当性の低い判定結果となる。従来、予算と実績を管理するシステムとして、例えば、特許文献１がある。

特開２０１５－９５１２２号公報

しかしながら、特許文献１では、近似曲線を用いて、過去の案件の実績データに基づいて、対象の案件の進捗の積み上がり方の異常を高精度に検知することに関して何等記載されていない。

本発明は、上記に鑑みてなされたものであり、近似曲線を用いて、過去の案件の実績データに基づいて、対象の案件の進捗の積み上がり方の異常を高精度に検知することが可能な異常検知システム、異常検知方法、及び異常検知プログラムを提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明は、制御部を備え、業務データの異常を検知する異常検知システムであって、前記制御部は、前記異常判定定義毎に、Ｘ軸項目、Ｙ軸項目、Ｘ軸スケール統一項目、Ｙ軸スケール統一項目をパラメータとして設定した異常判定定義マスタと、案件識別情報、Ｘ軸項目、Ｙ軸項目を含む、過去の案件の月別実績データと、案件識別情報、Ｘ軸スケール統一項目、Ｙ軸スケール統一項目を含む過去の案件の予定・実績データと、案件識別情報、Ｘ軸項目、Ｙ軸項目を含む異常判定対象案件の月別実績データと、案件識別情報、予定期間又は終了目標期間、予算又は目標を含む異常判定対象案件の予定・実績データと、にアクセス可能に構成されており、前記過去の案件の月別実績データについて、案件識別情報毎に、Ｘ軸項目を前記過去の案件の予定・実績データのＸ軸スケール統一項目で割った経過率と、Ｙ軸項目を前記過去の案件の予定・実績データのＹ軸スケール統一項目で割った進捗率を算出して加工し、また、前記異常判定対象案件の月別実績データについて、案件識別情報毎に、Ｘ軸項目を前記異常判定対象案件の予定・実績データの予定期間又は終了目標期間で割った経過率と、Ｙ軸項目を前記異常判定対象案件の予定・実績データの予算又は目標で割った進捗率を算出して加工するデータ加工手段と、加工後の過去の案件の月別実績データの全データに対する実績中心近似曲線を算出する近似曲線算出手段と、前記算出した実績中心近似曲線からの前記全データの散らばりを計算し、計算した散らばりの傾向を表現する標準偏差曲線を算出し、前記実績中心近似曲線と前記標準偏差曲線に基づいて、閾値を算出する閾値算出手段と、前記加工後の異常判定対象案件の月別実績データを、前記算出した閾値と比較して異常判定を行う異常判定手段と、を備えたことを特徴とする。

また、本発明の一態様によれば、前記Ｘ軸項目は、経過月数を含み、前記Ｙ軸項目は、累計実績額を含み、前記Ｘ軸スケール統一項目は、予定工期又は実施期間を含み、前記Ｙ軸スケール統一項目は、予算又は実績額を含むことにしてもよい。

また、本発明の一態様によれば、前記異常判定定義マスタには、さらに、前記異常判定定義毎に、１又は複数の近似関数候補がパラメータとして設定されており、前記近似曲線算出手段は、加工後の過去の案件の月別実績データの経過率と進捗率、前記異常判定定義マスタに設定されている１又は複数の近似関数候補の情報を近似部品に渡して最適な係数を求め、近似部品から返ってくる係数を元に、ＡＩＣを計算し、ＡＩＣの最も小さな近似関数候補を実績中心近似関数として決定することにしてもよい。

また、本発明の一態様によれば、前記１又は複数の近似関数候補は、多項式関数、指数関数、対数関数、ロジスティック関数、及びバスモデル関数の少なくとも１つを含むことにしてもよい。

また、本発明の一態様によれば、前記閾値算出手段は、加工後の過去の案件の月別実績データの各経過率を前記実績中心近似関数に代入して、進捗率の予測値を計算し、予測値と進捗率の実際のデータとの差である残差を計算し、さらに、残差の平方を計算し、残差の平方に対して残差平方近似関数の近似曲線を引き、残差平方近似関数の平方根をとったものを標準偏差関数とし、加工後の異常判定対象案件の月別実績データの各経過率を、前記実績中心近似関数に代入して、進捗率の予測値を算出し、また、前記標準偏差関数に代入して標準偏差を算出し、標準偏差に有意水準を元に算出される一定値を掛けた値の分だけ、予測値の上下に幅を持たせた上側閾値及び下側閾値を算出することにしてもよい。

また、本発明の一態様によれば、前記異常判定手段は、異常と判定した場合に異常検出メッセージおよびそのグラフを表示部に出力することにしてもよい。

また、本発明の一態様によれば、オペレータの操作に応じて、前記異常判定定義マスタのデータを設定するマスタメンテ手段を備えることにしてもよい。

また、上述した課題を解決し、目的を達成するために、本発明は、制御部を備えた情報処理装置で実行される異常検知方法であって、前記制御部は、前記異常判定定義毎に、Ｘ軸項目、Ｙ軸項目、Ｘ軸スケール統一項目、Ｙ軸スケール統一項目をパラメータとして設定した異常判定定義マスタと、案件識別情報、Ｘ軸項目、Ｙ軸項目を含む、過去の案件の月別実績データと、案件識別情報、Ｘ軸スケール統一項目、Ｙ軸スケール統一項目を含む過去の案件の予定・実績データと、案件識別情報、Ｘ軸項目、Ｙ軸項目を含む異常判定対象案件の月別実績データと、案件識別情報、予定期間又は終了目標期間、予算又は目標を含む異常判定対象案件の予定・実績データと、にアクセス可能に構成されており、前記制御部において実行される、前記過去の案件の月別実績データについて、案件識別情報毎に、Ｘ軸項目を前記過去の案件の予定・実績データのＸ軸スケール統一項目で割った経過率と、Ｙ軸項目を前記過去の案件の予定・実績データのＹ軸スケール統一項目で割った進捗率を算出して加工し、また、前記異常判定対象案件の月別実績データについて、案件識別情報毎に、Ｘ軸項目を前記異常判定対象案件の予定・実績データの予定期間又は終了目標期間で割った経過率と、Ｙ軸項目を前記異常判定対象案件の予定・実績データの予算又は目標で割った進捗率を算出して加工するデータ加工工程と、加工後の過去の案件の月別実績データの全データに対する実績中心近似曲線を算出する近似曲線算出工程と、前記算出した近似曲線からの前記全データの散らばりを計算し、計算した散らばりの傾向を表現する標準偏差曲線を算出し、前記実績中心近似曲線と前記標準偏差曲線に基づいて、閾値を算出する閾値算出工程と、前記加工後の異常判定対象案件の月別実績データを、前記算出した閾値と比較して異常判定を行う異常判定工程と、を含むことを特徴とする。

また、制御部を備えた情報処理装置が実行するための異常検知プログラムであって、前記制御部は、前記異常判定定義毎に、Ｘ軸項目、Ｙ軸項目、Ｘ軸スケール統一項目、Ｙ軸スケール統一項目をパラメータとして設定した異常判定定義マスタと、案件識別情報、Ｘ軸項目、Ｙ軸項目を含む、過去の案件の月別実績データと、案件識別情報、Ｘ軸スケール統一項目、Ｙ軸スケール統一項目を含む過去の案件の予定・実績データと、案件識別情報、Ｘ軸項目、Ｙ軸項目を含む異常判定対象案件の月別実績データと、案件識別情報、予定期間又は終了目標期間、予算又は目標を含む異常判定対象案件の予定・実績データと、にアクセス可能に構成されており、前記制御部において、前記過去の案件の月別実績データについて、案件識別情報毎に、Ｘ軸項目を前記過去の案件の予定・実績データのＸ軸スケール統一項目で割った経過率と、Ｙ軸項目を前記過去の案件の予定・実績データのＹ軸スケール統一項目で割った進捗率を算出して加工し、また、前記異常判定対象案件の月別実績データについて、案件識別情報毎に、Ｘ軸項目を前記異常判定対象案件の予定・実績データの予定期間又は終了目標期間で割った経過率と、Ｙ軸項目を前記異常判定対象案件の予定・実績データの予算又は目標で割った進捗率を算出して加工するデータ加工工程と、加工後の過去の案件の月別実績データの全データに対する実績中心近似曲線を算出する近似曲線算出工程と、前記算出した実績中心近似曲線からの前記全データの散らばりを計算し、計算した散らばりの傾向を表現する標準偏差曲線を算出し、前記実績中心近似曲線と前記標準偏差曲線に基づいて、閾値を算出する閾値算出工程と、前記加工後の異常判定対象案件の月別実績データを、前記算出した閾値と比較して異常判定を行う異常判定工程と、を実行させるための異常検知プログラムであることを特徴とする。

本発明によれば、近似曲線を用いて、過去の案件の実績データに基づいて、対象の案件の進捗の積み上がり方の異常を高精度に検知することが可能となるという効果を奏する。

図１は、本発明の課題を説明するための図である。 図２は、本発明の課題を説明するための図である。 図３は、本実施の形態に係る異常検知システムの構成の一例を示すブロック図である。 図４は、本実施形態に係る異常検知システムの制御部の全体の処理の一例を示す処理フローを示す図である。 図５は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図６は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図７は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図８は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図９は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図１０は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図１１は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図１２は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図１３Ａは、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図１３Ｂは、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図１４は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図１５は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図１６は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図１７は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図１８Ａは、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図１８Ｂは、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図１９は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図２０は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図２１は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図２２は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図２３は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図２４は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図２５は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図２６は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図２７は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図２８は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図２９は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図３０は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図３１は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図３２は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図３３は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図３４は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図３５は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図３６は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図３７は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図３８は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図３９は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図４０は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図４１は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図４２は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図４３は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図４４は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図４５は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。 図４６は、本実施形態に係る異常検知システムの制御部の処理の具体例を説明するための図である。

本発明の実施形態を図面に基づいて詳細に説明する。なお、本発明は本実施形態により限定されるものではない。

［１．概要］
本発明の概要を、背景、課題、解決例、本発明の特徴の順に説明する。

（１－１．背景）
本発明の背景を説明する。建設業や、システム開発業など、期間毎に進捗を積み上げていくようなプロジェクト型管理をする業界において、「過去の案件と比較して、積み上がり方が妥当かを判断したい」という要求がある。

本発明の異常検知システムでは、予定工期や予算を超過することを考慮しつつデータを加工し、進捗の推移の近似曲線を引くことで、進捗の積み上がり方を評価して、高精度に異常を検知することができる。また、各業務の特性に応じた判定の処理をマスタで設定することができる。

本発明の異常検知システムによれば、（１）予定工期や予算を超過した場合でも、柔軟に進捗遅れの異常を判定でき、計画を修正することができる。また、（２）進捗率の不正計上を検知し、実態に伴わない実績計上の不正を従来の異常検知システムより正確に防ぐことができる。

本明細書において、「経過月数」とは、案件開始からの経過した月数をいう。「累計実績額」とは、案件開始から経過月数までに掛かった実際の費用をいう。「予定工期」とは、案件開始前に設定される、案件が終了するまでに掛かる予定の月数をいう。「実施期間」とは、案件開始後に分かる、案件終了までにかかった月数をいう。「予算」とは、案件開始前に設定される、案件が終了するまでに掛かる予定の費用をいう。「実績額」とは、案件完了後に分かる、案件にかかった総額をいう。「予定工期経過率」とは、経過月数を予定工期で割ったものをいう。「実施期間経過率」とは、経過月数を実施期間で割ったものをいう。「予算経過率」とは、累計実績額を予算で割ったものをいう。「実績進捗率」とは、累計実績額を実績額で割ったものをいう。「異常判定対象案件」とは、進行中の案件で進捗の積み上がり方の異常を判定したい案件をいう。「近似曲線」とは、グラフで見た時の図形としての曲線をいう。「近似関数」とは、近似曲線をｘ，ｙ等の文字を用いて表した場合の式のことをいう。「近似関数名」とは、近似関数を式ではなく用語で区別するための名称のことをいう。

（１－２．課題）
図１及び図２を参照して、本発明の課題を説明する。従来、以下の課題がある。

１．工期と実績が一致する過去の案件のみで比較した場合、比較対象のサンプル数が少なく、妥当性が低い異常判定結果となるという課題がある。

２．過去の案件の工期と実績が異なると、データを比較することが出来ないという課題がある。

より具体的には、以下の通りである。

（１）工期と実績が一致する過去の案件のみで比較した場合、比較対象のサンプル数が少なく、妥当性が低い異常判定結果という課題は、具体的には、過去の案件のデータを集める際に、異常判定対象案件の工期と予算に一致するものだけを抽出すると、過去の案件のサンプル数が少なくなってしまう。このように、サンプル数が少ないと異常判定結果の妥当性が低くなってしまう。

（２）過去の案件の工期と実績が異なると、データを比較することが出来ないという課題について、図１及び図２を参照して詳細に説明する。過去の既に完了した案件Ｂ０００１の実績の積み上がり方をもとに案件Ａ０００１の異常判定を行いたい場合を説明する。前提として異常判定対象案件の実績データと予算データおよび過去の比較対象案件の実績データは以下のようなデータとして保持しているものとする。

図１（Ａ）は、異常判定対象案件の実績データの例を示しており、案件コード、経過月数、実績のデータを含んでいる。図１（Ｂ）は、異常判定対象案件の予算データの例を示しており、案件コード、工期、予算のデータを含んでいる。図１（Ｃ）は、過去の案件の実績データの例を示しており、案件コード、経過月数、実績のデータを含んでいる。

図２は、異常判定対象案件の積み上がり方と過去の比較対象案件の積み上がり方を比較する場合のグラフのイメージを示している。図２は、図１の過去の類似案件（Ｂ０００１）と異常判定対象案件（Ａ０００１）の経過月数と実績を示しており、Ｘ軸は経過月数（ヶ月）、Ｙ軸は実績（万円）を示している。異常判定対象案件の工期および予算が過去の比較対象案件の工期および実績と異なるため、異常判定対象案件の実績の積み上がり方が異常か否か判断できない。

（１－３．解決策）
そこで、本発明では、解決策として、例えば、過去の案件群の工期と実績のスケールと、異常判定対象の案件の工期と予算のスケールが一致するように、スケールを統一するデータの加工を行っている。

１．工期と実績が一致する過去の案件のみで比較した場合、比較対象のサンプル数が少なく、妥当性が低い異常判定結果となるという課題に対して、過去の案件の工期と実績によらず、異常判定対象の案件と比較出来るため、工期と実績に関係なくデータを集めることができるようになる。

２．過去の案件の工期と実績が異なると、データを比較することが出来ないという課題に対して、過去の案件群の工期と実績を異常判定対象の案件の工期と予算に合わせることで、過去の案件と異常判定対象の案件を比較できるようになる。

（１－４．本発明の特徴）
本発明の異常検知システムは、加工した過去の案件の月別データに対して近似曲線を引き、閾値の計算を行い、閾値を元に異常判定を行うものであり、以下の特徴１～３を有している。

（１）本発明の特徴１
工期の遅れや予算の超過など何を重視して異常を判定するか選択できる。本発明の異常検知システムの導入企業ごとに、案件完了時に予定工期・予算とのずれをどの程度重視するかの方針の違いを吸収できる（「３－４．過去の案件の月別実績データの加工方法の選択肢」で詳細を説明）。

（２）本発明の特徴２
案件の進捗の推移を予測する際に、複数の近似関数を選択できる。案件の進捗の推移を予測する際に、異常判定定義マスタで、近似関数候補名に多項式関数、指数関数、対数関数、ロジスティック関数、バスモデル関数を指定できる。異常検知システムのユーザが経験的に知っている、案件の進捗の推移に応じて、近似関数を選択することができる。

（３）本発明の特徴３
案件の進捗の推移の予測を精度高く行うことができる。本発明の異常検知システムの近似曲線アルゴリズムでは、実際のデータを用いて基準値・閾値を計算するため、精度が従来の手法より高い。

本発明の異常検知システムは、全業種・全業界に適用でき、例えば、建設工事業界やＩＴメディア業界等のプロジェクト型管理を行う案件に好適に適用することができる。

［２．構成］
図３を参照して、本実施形態に係る異常検知システム１００の構成の一例について説明する。図３は、異常検知システム１００の構成の一例を示すブロック図である。

異常検知システム１００は、市販のデスクトップ型パーソナルコンピュータである。なお、異常検知システム１００は、デスクトップ型パーソナルコンピュータのような据置型情報処理装置に限らず、市販されているノート型パーソナルコンピュータ、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔｓ）、スマートフォン、タブレット型パーソナルコンピュータなどの携帯型情報処理装置であってもよい。

異常検知システム１００は、制御部１０２と通信インターフェース部１０４と記憶部１０６と入出力インターフェース部１０８と、を備えている。異常検知システム１００が備えている各部は、任意の通信路を介して通信可能に接続されている。

通信インターフェース部１０４は、ルータ等の通信装置及び専用線等の有線又は無線の通信回線を介して、異常検知システム１００をネットワーク３００に通信可能に接続する。通信インターフェース部１０４は、他の装置と通信回線を介してデータを通信する機能を有する。ここで、ネットワーク３００は、異常検知システム１００と、サーバ２００や業務システム４００とを相互に通信可能に接続する機能を有し、例えばインターネットやＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等である。業務システム４００は、各種の業務データの作成や更新等を行う。

入出力インターフェース部１０８には、入力装置１１２及び出力装置１１４が接続されている。出力装置１１４には、モニタ（家庭用テレビを含む）の他、スピーカやプリンタを用いることができる。入力装置１１２には、キーボード、マウス、及び、マイクの他、マウスと協働してポインティングデバイス機能を実現するモニタを用いることができる。なお、以下では、出力装置１１４をモニタ１１４とし、入力装置１１２をキーボード１１２又はマウス１１２として記載する場合がある。また、モニタ１１４に情報を表示して、ユーザが入力装置１１２を操作すること等を、「ＵＩを介したユーザ操作」と記載する場合がある。

記憶部１０６には、各種のデータベース、テーブル、及びファイルなどが格納される。記憶部１０６には、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）と協働してＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）に命令を与えて各種処理を行うためのコンピュータプログラムが記録される。記憶部１０６として、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）・ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等のメモリ装置、ハードディスクのような固定ディスク装置、フレキシブルディスク、及び光ディスク等を用いることができる。記憶部１０６は、異常判定定義マスタ１０６ａ、判定結果テーブル１０６ｂ、近似曲線結果付属情報テーブル１０６ｃ、過去の案件の月別実績データ及び予定・実績データ、異常判定対象案件の月別実績データ及び予定・実績データ等を備えている。

異常判定定義マスタ１０６ａは、異常判定定義識別情報（異常判定定義ＩＤ、異常判定定義名）、取得定義、使用アルゴリズム（例えば、近似曲線）、パラメータ設定｛Ｘ軸項目（例えば、経過月数），Ｙ軸項目（例えば、累計実績額），Ｘ軸スケール統一項目（例えば、予定工期），Ｙ軸スケール統一項目（例えば、実績額），近似関数候補名（例えば、多項式関数，ロジスティック関数，バスモデル関数），滑らか度、有意水準）｝を関連付けて登録したテーブル等で構成することができる。オペレータは、異常判定定義マスタ１０６ａのデータを設定可能となっている。

判定結果テーブル１０６ｂは、異常判定の結果である判定結果データを格納するためのテーブルである。判定結果データは、案件コード、会計年月、予定工期経過率、実績進捗率、予測値、標準偏差、上側閾値、下側閾値、判定結果（ＦＡＬＳＥｏｒＴＲＵＥ）を含んでいてもよい。異常だと判定されたデータは、判定結果を「ＴＲＵＥ」とし、それ以外は、「ＦＡＬＳＥ」とする。

近似曲線結果付属情報テーブル１０６ｃは、異常判定のグラフを表示するための近似曲線結果付属情報を格納するためのテーブルである。近似曲線結果付属情報は、実行履歴ＩＤ、行番号、Ｘ、Ｙ、上側閾値、下側閾値を含んでいてもよい。「実行履歴ＩＤ」は、異常判定の１度の実行につき自動で割り振られるＩＤ、「行番号」は、表示用データを行ごとに０から連番を振ったもの、「Ｘ」は、表示用データのＸ軸の値に相当するもの、「Ｙ」は、表示用データのＹ軸の値に相当するもの、「上側閾値」は、表示用データの上側閾値、「下側閾値」は、表示用データの下側閾値である。

過去の案件の月別実績データは、案件コード（案件識別情報）、会計年月、Ｘ軸項目（例えば、経過月数）、Ｙ軸項目（例えば、累計実績額）を含むことにしてもよい。

過去の案件の予定・実績データは、案件コード（案件識別情報）、Ｘ軸スケール統一項目（例えば、予定工期）、予算、実施期間、Ｙ軸スケール統一項目（例えば、実績額）を含むことにしてもよい。

異常判定対象案件の月別実績データは、案件コード（案件識別情報）、会計年度、Ｘ軸項目（例えば、経過月数）、Ｙ軸項目（例えば、累計実績額）を含むことにしてもよい。

異常判定対象案件の予定・実績データは、案件コード（案件識別情報）、予定期間又は終了目標期間、予算又は目標、実施期間、実績額を含むことにしてもよい。目標は、見積金額や目標定着率等を含むことにしてもよい。

制御部１０２は、異常検知システム１００を統括的に制御するＣＰＵ等である。制御部１０２は、ＯＳ等の制御プログラム・各種の処理手順等を規定したプログラム・所要データなどを格納するための内部メモリを有し、格納されているこれらのプログラムに基づいて種々の情報処理を実行する。

制御部１０２は、記憶部１０６に格納されている、異常判定定義マスタ１０６ａ、判定結果テーブル１０６ｂ、近似曲線結果付属情報テーブル１０６ｃ、過去の案件の月別実績データ及び予定・実績データ、異常判定対象案件の月別実績データ及び予定・実績データ
等にアクセス可能に構成されている。なお、異常判定定義マスタ１０６ａ、判定結果テーブル１０６ｂ、近似曲線結果付属情報テーブル１０６ｃ、過去の案件の月別実績データ及び予定・実績データ、異常判定対象案件の月別実績データ及び予定・実績データは、他の場所（例えば、サーバ２００）に設けられていてもよく、制御部１０２がアクセス可能な構成であればよい。

制御部１０２は、機能概念的に、データ取得部１０２ａと、データ加工部１０２ｂと、近似曲線算出部１０２ｃと、閾値算出部１０２ｄと、異常判定部１０２ｅと、画面表示制御部１０２ｆと、マスタメンテ部１０２ｇと、を備えている。

データ取得部１０２ａは、業務システム３００から過去の案件の月別実績データ及び予定・実績データや異常判定対象案件の月別実績データ及び予定・実績データを取得して、記憶部１０６に格納する。例えば、データ取得部１０２ａは、業務システム３００から、異常判定定義マスタ１０６ａの取得定義に従って、パラメータ設定されているＸ軸項目（例えば、経過月数），Ｙ軸項目（例えば、累計実績額）を含む過去の案件及び異常判定対象案件の月別実績データ、Ｘ軸スケール統一項目（例えば、予定工期），Ｙ軸スケール統一項目（例えば、実績額）を含む過去の案件及び異常判定対象案件の予定・実績データを取得してもよい。

データ加工部１０２ｂは、過去の案件と異常判定対象案件の月別実績データのスケールを統一するためのデータの加工を行う。データ加工部１０２ｂは、過去の案件の月別実績データについて、案件識別情報毎に、Ｘ軸項目を前記過去の案件の予定・実績データのＸ軸スケール統一項目で割った経過率と、Ｙ軸項目を前記過去の案件のデータのＹ軸スケール統一項目で割った進捗率を算出して加工してもよい。また、異常判定対象案件の月別実績データについて、案件識別情報毎に、Ｘ軸項目を前記異常判定対象案件の予定・実績データの予定工期で割った経過率と、Ｙ軸項目を前記異常判定対象案件の予定・実績データの予算で割った進捗率を算出して加工してもよい。Ｘ軸項目は、経過月数を含み、Ｙ軸項目は、累計実績額を含み、Ｘ軸スケール統一項目は、予定工期又は実施期間を含み、Ｙ軸スケール統一項目は、予算又は実績額を含むことにしてもよい。

近似曲線算出部１０２ｃは、加工後の過去の案件の月別実績データの全データに対する実績近似曲線を算出する。近似曲線算出部１０２ｃは、加工後の過去の案件の月別実績データの経過率と進捗率、異常判定定義マスタ１０６ａに設定されている１又は複数の近似関数候補の情報を近似部品に渡して最適な係数を求め、近似部品から返ってくる係数を元に、ＡＩＣを計算し、ＡＩＣの最も小さな近似関数を実績中心近似関数として決定することにしてもよい。１又は複数の近似関数候補は、多項式関数、指数関数、対数関数、ロジスティック関数、及びバスモデル関数の少なくとも１つを含むことにしてもよい。

閾値算出部１０２ｄは、算出した近似曲線からの加工後の過去の案件の月別実績データの全データの散らばりを計算し、計算した散らばりの傾向を表現する標準偏差曲線を算出し、実績中心近似曲線と標準偏差曲線に基づいて、閾値を算出する。この場合、閾値算出部１０２ｄは、加工後の過去の案件の月別実績データの各経過率を実績中心近似関数に代入して、進捗率の予測値を計算し、予測値と進捗率の実際のデータとの差である残差を計算し、さらに、残差の平方を計算し、残差の平方に対して残差平方近似関数の近似曲線を引き、残差平方近似関数の平方根をとったものを標準偏差関数とし、加工後の異常判定対象案件の月別実績データの各経過率を、実績中心近似関数に代入して、進捗率の予測値を算出し、また、標準偏差関数に代入して標準偏差を算出し、標準偏差に有意水準を元に算出される一定値を掛けた値の分だけ、予測値の上下に幅を持たせた上側閾値及び下側閾値を算出することにしてもよい。

異常判定部１０２ｅは、加工後の異常判定対象案件の月別実績データの各案件識別情報の経過率及び進捗率を、算出した閾値と比較して異常判定を行う。異常判定部１０２ｅは、異常と判定した場合に異常検出メッセージ及び異常判定のグラフを異常判定出力画面に表示出力してもよい。

画面表示制御部１０２ｆは、モニタ１１４に表示する各種画面（例えば、異常判定出力画面やマスタメンテ画面等）の表示及びその入力を制御する。

マスタメンテ部１０２ｇは、例えば、モニタ１１４に表示されるマスタメンテ画面上でのオペレータの操作に応じて、異常判定定義マスタ１０６ａに対して、データの入力・追加・削除・編集等の設定を行う。

画面表示制御部１０２ｆは、モニタ１１４に表示する各種画面（例えば、店舗供給アラート画面やマスタメンテ画面等）の表示及びその入力を制御する。

［３．具体例］
図４～図４６を参照して、本実施の形態における異常検知システム１００の制御部１０２の処理の具体例について説明する。図４は、本実施の形態における異常検知システム１００の制御部１０２の全体の処理の概略を説明するための処理フローを示す図である。図５～図４６は、本実施の形態における異常検知システム１００の制御部１０２の処理の具体例を説明するための図である。

［３－１．処理フロー概説］
図４を参照して、処理フローの概要を説明する。図４において、データ加工部１０２ｂは、過去の案件の月別実績データの加工処理を実行し（ステップＳ１）、過去の案件の月別実績データについて、案件識別情報毎に、Ｘ軸項目を前記過去の案件の予定・実績データのＸ軸スケール統一項目で割った経過率と、Ｙ軸項目を前記過去の案件のデータのＹ軸スケール統一項目で割った進捗率を算出して加工する。Ｘ軸項目は、経過月数を含み、Ｙ軸項目は、累計実績額を含み、Ｘ軸スケール統一項目は、予定工期又は実施期間を含み、Ｙ軸スケール統一項目は、予算又は実績額を含むことにしてもよい。

データ加工部１０２ｂは、異常対象案件の月別実績データの加工処理を実行し（ステップＳ２）、異常判定対象案件の月別実績データについて、案件識別情報毎に、Ｘ軸項目を異常判定対象案件の予定・実績データの予定工期で割った経過率と、Ｙ軸項目を前記異常判定対象案件の予定・実績データの予算で割った進捗率を算出して加工する。

近似曲線算出部１０２ｃは、実績中心近似曲線算出処理を実行し（ステップＳ３）、加工後の過去の案件の月別実績データの全データに対する実績中心近似曲線を算出する。この場合、近似曲線算出部１０２ｃは、加工後の過去の案件の月別実績データの経過率と進捗率、異常判定定義マスタ１０６ａに設定されている１又は複数の近似関数候補の情報を近似部品に渡して最適な係数を求め、近似部品から返ってくる係数を元に、ＡＩＣを計算し、ＡＩＣの最も小さな近似関数候補を実績中心近似関数として決定することにしてもよい。１又は複数の近似関数候補は、多項式関数、指数関数、対数関数、ロジスティック関数、及びバスモデル関数の少なくとも１つを含むことにしてもよい。

閾値算出部１０２ｄは、実績中心近似曲線からのデータの散らばりを計算する処理を実行し（ステップＳ４）、算出した実績中心近似曲線からの加工後の過去の案件の月別実績データの全データの散らばりを計算する。この場合、閾値算出部１０２ｄは、加工後の過去の案件の月別実績データの各経過率を実績中心近似関数に代入して、進捗率の予測値を計算し、予測値と進捗率の実際のデータとの差である残差を計算し、さらに、残差の平方を計算してもよい。

閾値算出部１０２ｄは、データの散らばりの傾向を計算する処理を実行し（ステップＳ５）、計算した散らばりの傾向を表現する標準偏差曲線を算出する。この場合、閾値算出部１０２ｄは、残差の平方に対して残差平方近似関数の近似曲線を引き、残差平方近似関数の平方根をとったものを標準偏差関数とし算出してもよい。

閾値算出部１０２ｄは、異常判定対象案件の予測値・閾値を計算する処理を実行し（ステップＳ６）、実績中心近似曲線と標準偏差曲線に基づいて、閾値を算出する。この場合、閾値算出部１０２ｄは、加工後の異常判定対象案件の月別実績データの各経過率を、実績中心近似関数に代入して、進捗率の予測値を算出し、また、標準偏差関数に代入して標準偏差を算出し、標準偏差に有意水準を元に算出される一定値を掛けた値の分だけ、予測値の上下に幅を持たせた上側閾値及び下側閾値を算出することにしてもよい。

異常判定部１０２ｅは、異常判定処理を実行し（ステップＳ７）、加工後の異常判定対象案件の月別実績データを、算出した閾値と比較して異常判定を行う。この場合、異常判定部１０２ｅは、異常と判定した場合に異常検出メッセージを異常判定出力画面に表示出力してもよい。

異常判定部１０２ｅは、表示用データの計算処理を実行し（ステップＳ８）、異常判定結果のグラフを表示するための近似曲線結果付属情報を作成して近似曲線結果付属情報テーブル１０６ｃに格納し、近似曲線結果付属情報に基づいて異常判定結果のグラフを異常判定出力画面に表示出力する。

［３－２．処理フロー詳細］
図５～図３１を参照して、上記処理フローの詳細を説明する。

（前提１）
異常判定定義マスタ１０６ａは、記憶部１０６に予め登録されているものとする。異常判定定義マスタ１０６ａは、業務データ上の異常判定を行う定義を管理するためのマスタである。

図５は、異常判定定義マスタ１０６ａの構成例を示す図である。異常判定定義マスタ１０６ａは、異常判定定義ＩＤ、異常判定定義名、データ取得定義、使用アルゴリズム、パラメータ設定を関連づけて登録したものである。

同図に示す例では、異常判定定義ＩＤ「ＪＤ００１」、異常判定定義名「案件進捗アラート」、使用アルゴリズム「近似曲線」、パラメータ設定｛Ｘ軸項目：経過月数，Ｙ軸項目：累計実績額，Ｘ軸スケール統一項目：予定工期，Ｙ軸スケール統一項目：実績額，近似関数候補名：［多項式関数，ロジスティック関数，バスモデル関数］，滑らか度：１２，有意水準：０．１｝となっている。

（前提２）
記憶部１０６には、過去の類似案件の月別実績データ及び予定・実績データが格納されているものとする。データ取得部１０２ａは、業務システム４００から過去の案件の実績データ及び予定・実績データを取得して記憶部１０６に格納する。

図６（Ａ）は、過去の案件の月別実績データの例を示している。過去の案件の月別実績データは、案件コード、会計年月、経過月数［ヶ月］、累計実績額［万円］のデータの項目を備えている。「会計年月」の列は、処理フローの計算では使用しない。本例では、過去の案件の案件コードを「Ａ００１」、「Ａ００２」、「Ａ００３」とする。本説明では簡略化のため３案件を例にして説明するが、実際は異常判定結果の妥当性を担保するために過去の案件は多数あることが前提である。

図６（Ｂ）は、図６（Ａ）の過去の案件の月別実績データをグラフ化したものであり、横軸は、経過月数［ヶ月］、縦軸は、累計実績額［万円］を示している。

図６（Ｃ）は、過去の案件の予定・実績データの例を示している。過去の案件の予定・実績データは、案件コード、予定工期［ヶ月］、予算［万円］、実施期間［ヶ月］、実績額［万円］の項目を備えている。

（前提３）
記憶部１０６には、異常判定対象の案件の月別実績データ及び当該案件開始前の予定・実績データが格納されているものとする。データ取得部１０２ａは、業務システム４００から異常判定対象の案件の月別実績データ及び当該案件開始前の予定・実績データを取得して記憶部１０６に格納する。

図７（Ａ）は、異常判定対象案件の月別実績データの例を示している。異常判定対象案件の月別実績データは、案件コード、会計年月、経過月数［ヶ月］、累計実績額［万円］のデータの項目を備えている。「会計年月」の列は、処理フローの計算では使用しないが、異常判定結果のメッセージを表示する際に使用する。本例では、異常判定対象案件の案件コードを「Ｂ００１」、「Ｂ００２」とする。本説明では簡略化のため２案件を例にして説明するが、実際には異常判定対象案件は多数あることが前提である。

図７（Ｂ）は、図７（Ａ）の異常判定対象案件の月別実績データをグラフ化したものであり、横軸は、経過月数［ヶ月］、縦軸は、累計実績額［万円］を示している。

図７（Ｃ）は、異常判定対象案件の予定・実績データの例を示している。異常判定対象案件の予定・実績データは、案件コード、予定工期［ヶ月］、予算［万円］、実施期間［ヶ月］、実績額［万円］の項目を備えている。異常判定対象案件は進行中の案件であるため、実施期間と実績額の列にはデータが入っていない。

（前提４）
制御部１０２は、関数の最適な係数を求める計算部品（以下、「近似部品」と呼ぶ）を実装している。近似部品には以下のような情報を渡すことで最適な係数が返ってくる。以下、図８を参照して、近似部品を説明する。

図８（Ａ）は、近似部品に渡す情報（１）の例を示しており、近似曲線を引きたいデータを渡す。近似曲線を引きたいデータは（Ｘ，Ｙ）のようなペアのデータで、グラフで見た時の横軸Ｘ縦軸Ｙの値に対応する。

図８（Ｂ）は、近似部品に渡す情報（２）の例を示しており、近似したい関数を渡す。この例では、ｙ＝ａｘ^２＋ｂｘ＋ｃとなっている。近似したい関数の内ｘ，ｙ以外の文字が係数となる。

近似部品内での処理では、例として近似したい関数がｙ＝ａｘ^２＋ｂｘ＋ｃの場合は、上記例の場合では、近似部品によって、ａ＝０．５，ｂ＝－３．５，ｃ＝７．６という最適な係数が計算される。近似したい関数は、この例に限られるものではなく、ｙ＝ａやｙ＝ａｘ＋ｂ等の場合もある。

図８（Ｃ）は、近似部品が返す情報の例を示しており、近似部品内での処理で得られた近似したい関数の最適な係数が返される。この例では、近似部品が返す情報は、ａ＝０．５，ｂ＝－３．５，ｃ＝７．６の係数である。

（Ｓ１：過去の案件の月別実績データの加工処理）
図９及び図１０を参照して、過去の案件の月別実績データの加工処理を説明する。過去の案件の月別実績データの加工処理では、過去の案件の月別実績データの経過月数・累計実績額をＸ軸スケール統一項目、Ｙ軸スケール統一項目を１００％とする値に変換する。具体的には、異常判定定義マスタ１０６ａのパラメータ設定列に登録されているデータを元に以下の計算処理を行う。

（１）月別実績データのＸ軸項目の列の値をＸ軸スケール統一項目の値で割る。
（２）月別実績データのＹ軸項目の列の値をＹ軸スケール統一項目の値で割る。

以下では、過去の案件の月別実績データの案件コード「Ａ００３」を例に挙げて説明する。過去の案件の月別実績データのＸ軸項目、Ｙ軸項目をそれぞれどの値で割るかは異常判定定義マスタ１０６ａのＸ軸スケール統一項目、Ｙ軸スケール統一項目で設定できる。スケール統一項目の設定の違いによる加工後のデータの違いは、［３－３．過去の案件の月別実績データの加工方法の選択肢］で後述する。

図９（Ａ）は、異常判定定義マスタ１０６ａの設定例を示す図である。図９（Ｂ）は、Ａ００３の月別実績データのデータ例を示す図である。図９（Ｃ）は、Ａ００３の予定・実績データの例を示す図である。

図９（Ｄ）は、加工後のＡ００３の月別実績データの例を示しており、異常判定定義マスタ１０６ａの設定例に従い、Ｘ軸項目「経過月数」を、Ｘ軸スケール統一項目「予定工期」で割った予定工期経過率［％」と、Ｙ軸項目「累計実績額」を、Ｙ軸スケール統一項目「実績額」で割った実績進捗率［％］を算出する。

このデータの加工は、［３－３．過去の案件の月別実績データの加工方法の選択肢］の「パターンＢ：予定工期柔軟・予算厳格型」である。

加工後のデータの特徴は以下の通りである。予定工期経過率は経過月数を案件開始前の工期で割るため、案件が予定より、１．早く終わった場合は、最終経過月での予定工期経過率が１００％未満となり、２．長引いた場合は、最終経過月での予定工期経過率が１００％を超えることがある。また、実績進捗率は累計実績額を実績額で割るため、最終経過月での実績進捗率は必ず１００％となる。

過去の全ての案件「Ａ００１」～「Ａ００３」のデータに対して上記の「Ａ００３」のような処理を行った後のデータは図１０に示すような状態である。図１０（Ａ）は、加工後のＡ００１～Ａ００３の月別実績データの例を示している。図１０（Ｂ）は、図１０（Ａ）のデータをグラフ化した例を示している（上記本発明の特徴１）。

（Ｓ２：異常判定対象案件の月別実績データの加工処理）
図１１及び図１２を参照して、異常判定対象案件の月別実績データの加工処理の詳細を説明する。異常判定対象案件の月別実績データの加工処理では、異常判定対象案件の月別実績データの経過月数・累計実績額をそれぞれ予定工期・予算で割る。具体的には、以下の処理を行う。

（１）経過月数を予定工期で割る。
（２）累計実績額を予算で割る。

異常判定対象案件の月別実績データの案件コード「Ｂ００１」を例に挙げて説明する。図１１（Ａ）は、Ｂ００１の月別実績データのデータ例を示す図である。図１１（Ｂ）は、Ｂ００１の予定・実績データの例を示す図である。

図１１（Ｃ）は、加工後のＢ００１の月別実績データの例を示しており、異常判定定義マスタ１０６ａの設定例に従い、Ｘ軸項目「経過月数」を、Ｘ軸スケール統一項目「予定工期」で割った予定工期経過率［％」と、Ｙ軸項目「累計実績額」を、「予算」で割った予算進捗率［％］を算出する（過去の案件では、「実績額」で割っているが、ここでは「予算」で割る）。

異常判定対象案件の全ての案件「Ｂ００１」～「Ｂ００２」のデータに対して上記の「Ｂ００１」のような処理を行った後のデータは図１２に示すような状態である。図１２（Ａ）は、加工後のＢ００１～Ｂ００２の月別実績データの例を示している。図１２（Ｂ）は、図１２（Ａ）のデータをグラフ化した例を示している。

（Ｓ３：実績中心近似曲線算出処理）
図１３Ａ～図１５を参照して、実績中心近似曲線算出処理の詳細を説明する。実績中心近似曲線算出処理では、案件コードによるデータの区別はせずに、過去の案件の月別実績データの案件の全てのデータを元に近似部品を利用して近似曲線を計算する。本処理は、以下の特徴を有している。

（１）近似関数の選択肢には「多項式関数・指数関数・対数関数・ロジスティック関数・バスモデル関数」があり、複数選択することができる。
（２）選択された関数の中で一番ＡＩＣ（赤池情報量基準）という近似の精度を測る指標の最も良いものが、以降の処理フローで使われる近似曲線となる。

以降、この最も近似の精度がよいとされた近似関数を「Ｙ＝Ｆ（Ｘ）」とし、この近似関数名を「実績中心近似関数」、この近似関数をグラフに表示した場合の曲線のことを「実績中心近似曲線」と呼ぶ。Ｘは予定工期進捗率、Ｙは実績進捗率、Ｆは実績中心近似関数を表し、ＦにＸ：予定工期経過率を渡すことで、Ｙ：実績進捗率の予測値が計算される。

上記の「バスモデル関数」は、国土交通省で建設工事の進捗率を推測する際に使われている。また、バスモデル関数と比較するために、多項式関数やロジスティック関数も使われている（ｈｔｔｐｓ：／／ｗｗｗ．ｍｌｉｔ．ｇｏ．ｊｐ／ｓｏｇｏｓｅｉｓａｋｕ／ｊｏｕｈｏｕｋａ／ｃｏｎｔｅｎｔ／００１３４８９９５．ｐｄｆ）。

具体的には、以下の処理を行う。

（１）異常判定定義マスタ１０６ａに登録されているパラメータ設定のうち、Ｘ軸項目、Ｙ軸項目、近似関数候補名ごとの関数の情報を近似部品に渡して最適な係数を求める。
（２）近似部品から返ってくる係数を元に、ＡＩＣを計算する。
（３）ＡＩＣの最も小さな近似関数を実績中心近似関数とする。

以下それぞれの処理を詳細に説明する。
（１）異常判定定義マスタ１０６ａに登録されているパラメータ設定のうち、Ｘ軸項目、Ｙ軸項目、近似関数候補名ごとの関数の情報を近似部品に渡して最適な係数を求める。

図１３Ａ及び図１３Ｂにおいて、（Ａ）は、異常判定定義マスタ１０６ａのデータ例を示している。この例では、異常判定定義ＩＤ「ＪＤ００１」、異常判定定義名「案件進捗アラート」、使用アルゴリズム「近似曲線」、パラメータ設定｛Ｘ軸項目：経過月数，Ｙ軸項目：累計実績額，近似関数候補名：［多項式関数，ロジスティック関数，バスモデル関数］，・・・｝となっている。近似する関数の選択肢は、異常判定定義マスタ１０６ａに登録されているデータのパラメータ設定の近似関数候補に対応する、近似曲線を引きたいデータのＸ値・Ｙ値は異常判定定義マスタ１０６ａに登録されているデータのパラメータ設定のＸ値項目の加工後の値・Ｙ値項目の加工後の値に対応する。

（Ｂ）は、加工後の過去の案件の月別実績データの例を示している。（Ｃ）は、近似関数候補を示しており、多項式関数、ロジスティック関数、バスモデル関数が示されている。多項式関数が選択されている場合は、０次～６次までの多項式関数式が渡される。この例では、近似関数候補に多項式関数・ロジスティック関数・バスモデル関数が選択されているため、近似部品に渡される近似したい関数は上の９個となる。近似関数候補には、指数関数や対数関数を選択してもよい。

近似関数候補ごとに以下の処理を行う。例として、近似したい関数がｙ＝ａ／（１＋ｅｂｘ＋ｃ）の場合（ロジスティック関数）を説明する。（Ｄ）は、近似部品に渡される情報（１）（近似曲線を引き渡したいデータ）の例を示している。（Ｅ）は、近似部品に渡される情報（２）（近似したい関数）の例を示している。（Ｆ）は、近似部品から返ってくる情報（係数）の例を示しており、ａ＝１００．８５、ｂ＝－０．０６９、ｃ＝３．６８となっている。

（２）近似部品から返ってくる係数を元に、ＡＩＣを計算する。ＡＩＣの計算については、ｈｔｔｐ：／／ｗｗｗ．ｒａｄｉｏ３．ｅｅ．ｕｅｃ．ａｃ．ｊｐ／ｒｏｎｂｕｎ／ＴＲ＿ＹＫ＿０４８＿ＡＩＣ．ｐｄｆ参照。

図１４において、（Ａ）は、ＡＩＣの計算式を示しており、ＡＩＣ＝（データサイズ）×ｌｏｇ（予測値との差の２乗和）／（データサイズ）＋２×（係数の個数）となっている。ここで、Ｙの予測値は、近似関数に近似曲線を引きたいデータのＸが代入されて計算される。Ｙの予測値との差の２乗は、近似曲線を引きたいデータの（Ｙの値－Ｙの予測値）の二乗で計算される。データサイズは、データ（Ｘ，Ｙ）の組の数である。

ＡＩＣの特徴として、予測値との差の２乗和が小さいほどＡＩＣは小さくなり、係数の数が大きいほど、ＡＩＣは大きくなる。ＡＩＣの値自体に意味はなく、ＡＩＣの値の大小を比較することで近似関数の優劣を判断する指標である。ＡＩＣの計算式の解釈を説明する。ＡＩＣの計算式の第１項「（データサイズ）×ｌｏｇ（予測値との差の２乗和）／（データサイズ）」は、近似曲線を引きたいデータに対する精度の良さ、第２項「２×（係数の個数）」は、係数の数が多いことに対するペナルティを表している。ＡＩＣをもとに近似関数の優劣を判断することで、近似曲線を引きたいデータに過度にフィットすることなく、データの変化にも強い、バランスのよい近似関数が選択される。ＡＩＣをもとに近似関数の優劣を判断することによる効果を説明する。時間が経つにつれて過去の案件の実績データが増えたとしても、過度に過去のデータにフィットした近似関数が選択されるわけではないため、次の２つの効果が得られる。（１）異常判定を行うたびに近似関数の種類や次数が頻繁に変化することを防ぐことができる。（２）案件進捗管理の徹底などにより、予定の進捗を大きく外れる案件が激減した場合などでも、近似曲線が管理の徹底の前後でなだらかにシフトする。

（Ｂ）は、近似曲線を引きたいデータ（Ｘ，Ｙ）を示している。（Ｃ）は、Ｙの予測値、Ｙの予測値との差の２乗和を示している。

ＡＩＣの計算式に、データサイズ、Ｙの予測値との差の２乗和、係数、係数の個数＝３を代入すると、（Ｄ）に示すように、ＡＩＣ＝９４．１８となる。

上記処理を近似関数候補全てにおいて処理が終了した場合、図１５（Ａ）に示すようなデータを取得でき、近似関数候補全てのＡＩＣを取得できる。同図においては、「・・・」には、実際に数値が入る。

（３）ＡＩＣの最も小さな近似関数を実績中心近似関数とする。
近似関数候補すべてに対してＡＩＣを計算した結果、ロジスティック関数のＡＩＣが最も小さかったという仮定の下で処理フローの説明をすすめていく。実績中心近似関数をＹ ＝ Ｆ（Ｘ）とすると、本説明では、実績中心近似関数を、図１５（Ｂ）に示すような、ｙ＝１００．８５／（１＋ｅ^{－０．０６９Ｘ＋３．６８}）とする。これは、ＡＩＣが最も小さい関数で、近似したい関数に係数がセットされたものである。以降、この関数をＦ（Ｘ）とするとして扱う（本発明の特徴２，特徴３）。

（Ｓ４：実績中心近似曲線からのデータの散らばりを計算する処理）
図１６及び図１７を参照して、実績中心近似曲線からのデータの散らばりを計算する処理の詳細を説明する。実績中心近似曲線からのデータの散らばりを計算する処理では、以下の処理を行う。

（１）過去の案件の月別実績データの各予定工期経過率における実績進捗率の予測値を計算する。
（２）予測値と実績進捗率の実際のデータとの差（残差）を計算する。
（３）残差を２乗した値（残差の平方）を計算する。

図１６を参照して、具体的な計算を説明する。
（１）実績進捗率の予測値を、予測値＝Ｆ（工期進捗率）で計算する。
（２）実績進捗率と予測値の差である残差を、残差＝実績進捗率－予測値で計算する。
（３）残差の２乗を、残差の平方＝（残差）^２で計算する。

図１６（Ａ）は、過去の案件の実績データの予定工期経過率［％］と、実績進捗率［％］を示している。図１６（Ｂ）は、新たに追加される列である予測値［％］、残差［％］、残差の平方［％^２］を示している。予測値［％］は、予定工期経過率を実績中心近似関数Ｆ（Ｘ）に渡すことで計算される。残差を２乗しているため、残差平方は全て０以上の値となっている。残差を２乗することで、過去の実績データが近似曲線からどれだけ離れているかを残差平方の大小で表現できる。

図１７（Ａ）は、過去の案件データの予測値・近似曲線を示したグラフであり、横軸は、予定工期経過率［％］、縦軸は、実績進捗率［％］を示しており、過去の実績データをプロットすると共に、近似曲線上に予測値をプロットしている。実績進捗率－予測値が残差を示している。

図１７（Ｂ）は、残差を示したグラフであり、横軸は、予定工期経過率［％］、縦軸は、残差［％］を示している。

図１７（Ｃ）は、残差の平方を示したグラフであり、横軸は、予定工期経過率［％］、縦軸は、残差の平方［％^２］を示している。

（Ｓ５：データの散らばりの傾向を計算する処理）
図１８Ａ～図２０を参照して、データの散らばりの傾向を計算する処理の詳細を説明する。データの散らばりの傾向を計算する処理では、以下の処理を行う。

（１）残差の平方に対して近似曲線を引き、この近似関数名を残差平方近似関数と名付けで、この残差平方近似関数をσ^２＝Ｖ（Ｘ）とする。残差平方近似関数は（多項式関数）^２の形である。残差平方近似関数にＸ：予定工期経過率を渡すことで、その予定工期経過率における残差平方の予測値が返される。
（２）残差平方近似関数の平方根をとり、この関数名を標準偏差関数とし、この標準偏差関数をσ＝Ｓ（Ｘ）とする。標準偏差関数にＸ：予定工期経過率を渡すことで、その予定工期経過率における標準偏差（実績進捗率の散らばり度合い）が返される。

残差平方近似関数に平方根を取ることで、標準偏差を返す関数を作れることは、［３－４．データの散らばりの傾向を計算する理由］で説明する。以下、具体的な処理を説明する。

（１）残差の平方に対して近似部品を利用して近似曲線を引く（この曲線を残差平方近似曲線と名付ける）。
図１８Ａ及び図１８Ｂにおいて、（Ａ）は、過去の案件の実績データの予定工期経過率［％］、実績進捗率［％］、予測値［％］、残差［％］、残差の平方［％^２］を示している。（Ｂ）は、残差平方近似関数の候補を示している。

（多項式関数）^２の関数を近似したい関数に指定している理由は以下の通りである。
１．案件の進捗率を近似するわけではないため、案件の進捗を表現するとされているバスモデル関数など特殊な関数を指定する必要がないため、出来るだけ単純な関数を指定している。
２．実績進捗率を近似する時、実績進捗率は予定工期経過率が進むに従って増加していくものだが、残差の平方は予定工期経過率が進むにしたがって増加したり減少したりする可能性があるため、残差の平方の増減の変化を捉えるために（多項式関数）^２を採用している。
３．（多項式関数）^２にすることで後に残差平方近似関数に平方根を取った（多項式関数）を標準偏差関数として利用するため。

残差平方近似関数候補ごとに以下の処理を行う。例として近似したい関数をｙ＝（ａｘ^２＋ｂｘ＋ｃ）^２の場合を説明する。図１８Ａ及び図１８Ｂにおいて、（Ｃ）は、近似部品に渡される情報（１）（近似曲線を引きたいデータ）、（Ｄ）は、近似部品に渡される情報（２）（近似したい関数）を示している。（Ｅ）は、近似部品から返ってくる情報を示しており、係数は、ａ＝－０．００２８，ｂ＝０．３２０９，ｃ＝２．１３３６となっている。

つぎに、ＡＩＣを計算する。処理フローの（Ｓ３：実績中心近似曲線算出処理）と同様の処理を行うため、詳細な説明は省略する。

上記処理を残差の平方を近似する関数の候補すべてにおいて処理が終了した場合は、図１９（Ａ）に示すようなデータが取得される。

この例では、ＡＩＣが最も小さい関数で、近似したい関数に係数がセットされたものを、図１９（Ｂ）に示すように、残差平方近似関数ｙ＝（－０．００２８ｘ^２＋０．３２０９ｘ＋２．１３３６）^２とする。以降、この（２次関数）^２の形の関数のＡＩＣが最も小さかったという仮定の下で以下の処理のフローの説明を進めていく。残差平方近似関数をσ^２＝Ｖ（Ｘ）とする。この例では、Ｖ（Ｘ）＝（－０．００２８Ｘ^２＋０．３２０９Ｘ＋２．１３３６）^２となる。

図１９（Ｃ）は、残差の平方に対して残差平方近似曲線Ｖ（Ｘ）を引いたグラフを示しており、横軸は、予定工期経過率［％］、縦軸は、残差の平方［％^２］を示している。このように、近似曲線を引くことで、案件の開始から初期段階・後期段階は近似曲線からのずれが小さく、中期段階はずれが大きいなど、工期経過率に応じたデータのばらつきを考慮することができる。

（２）標準偏差関数を求める。
（１）で求めた残差平方近似関数のＸに予定工期経過率を渡したときの出力値は単位が［％^２］であるため、平方根を付けて単位が［％］の標準偏差関数に変換する。標準偏差関数Ｓ（Ｘ）の算出方法は、Ｓ（Ｘ）＝√Ｖ（Ｘ）とする。本処理フローの例では、Ｖ（Ｘ）＝（－０．００２８Ｘ^２＋０．３２０９Ｘ＋２．１３３６）^２であるため、Ｓ（Ｘ）＝－０．００２８Ｘ^２＋０．３２０９Ｘ＋２．１３３６となる。

図２０（Ａ）は、過去の案件の実績データの予定工期経過率、実績進捗率、予測値、残差、残差の平方に、残差の絶対値を加えたものを示している。図２０（Ｂ）は、標準偏差関数Ｖ（Ｘ）を標準偏差曲線として表示したグラフを示しており、横軸は、予定工期経過率［％］、縦軸は、残差の絶対値［％^２］を示している。残差の絶対値は、過去の案件の実績データと実績中心近似曲線とのズレの距離を意味する。なお、実際の計算処理では、過去の案件の実績データと実績中心近似関数による予測値の残差から残差の絶対値を計算することはないが、標準偏差曲線をグラフに表示する際の参考として記載している。

なお、残差の平方に近似曲線を引き、その近似関数に平方根を取ることの意味については、［３－４．データの散らばりの傾向を計算する理由］で詳しく説明する。

（Ｓ６：異常判定対象案件の予測値・閾値の計算処理）
図２１～図２４を参照して、異常判定対象案件の予測値・閾値の計算処理の詳細を説明する。これまでの処理により、実績進捗率の予測値を求める実績中心近似関数Ｆ（Ｘ）と標準偏差関数Ｓ（Ｘ）は準備されている。異常判定対象案件の予測値・閾値の計算処理では、過去の案件データは使用せず、異常判定対象案件の実績データを計算に用いる。異常判定対象案件の予測値・閾値の計算処理では、加工後の異常判定対象案件の実績データに対して、以下の処理を行う。

（１）予定工期経過率・実績中心近似関数Ｆ（Ｘ）を用いて、予測値を求める。
（２）予定工期経過率・標準偏差関数Ｓ（Ｘ）を用いて標準偏差（近似曲線からのズレの距離の予測値）を計算する。
（３）標準偏差に有意水準を元に算出される一定値を掛けた値の分だけ、予測値の上下に幅を持たせて上側閾値・下側閾値とする。

（１）予測値を求める。異常判定対象案件の予定工期経過率における実績進捗率の予測値を計算する。

図２１（Ａ）は、加工後の異常判定対象案件の実績データの案件コード、会計年月、予定工期経過率、実績進捗率に、予測値の列を追加したものである。予測値は、実績中心近似関数Ｆ（Ｘ）に、ｘ＝予定工期経過率として算出したものである。

図２１（Ｂ）は、図２１（Ａ）の予測値をグラフ化したものであり、横軸は、予定工期経過率［％］、縦軸は、実績進捗率［％］を示している。

（２）標準偏差を求める。加工後の異常判定対象案件の予定工期経過率における標準偏差を計算する。

図２２（Ａ）は、加工後の異常判定対象案件の実績データの案件コード、会計年月、予定工期経過率、実績進捗率、予測値に、標準偏差の列を追加したものである。標準偏差は、標準偏差関数Ｓ（Ｘ）にｘ＝予定工期経過率として算出したものである。計算された標準偏差は、実績中心近似曲線から標準偏差だけ離れる範囲内に実績データが入る可能性が６８％であるということを意味する。

図２２（Ｂ）は、図２２（Ａ）の標準偏差をグラフ化したものであり、横軸は、予定工期経過率［％］、縦軸は、標準偏差［％^２］を示している。

（３）閾値を求める。
図２３（Ａ）は、加工後の異常判定対象案件の月別実績データの案件コード、会計年月、予定工期経過率、実績進捗率、予測値、標準偏差に、上側閾値［％」、下側閾値［％」の列を追加したものである。

閾値の計算方法は、図２３（Ｂ）に示すように、上側閾値＝予測値＋Ｚ_α／２×（標準偏差）、下側閾値＝予測値－Ｚ_α／２×（標準偏差）で算出する。Ｚ_α／２は、標準正規分布の上側α／２％点の値を意味する。このαには、前提（１）にある異常判定定義マスタ１０６ａに登録されているパラメータ設定（有意水準）の値を使用する。

図２４（Ａ）は、異常判定定義マスタ１０６ａのデータ例を示す図であり、異常判定定義ＩＤ「ＪＤ００１」には、｛有意水準：０．１｝のパラメータが設定されている。

例えば、有意水準αが０．１の場合は、α／２＝０．０５（５％）となり、Ｚ_α／２＝１．６４５となる。この時、図２４（Ｂ）において、異常判定対象案件Ｂ００１の予定工期経過率４０％のレコードに対して、上側閾値＝２８．６７８＋１．６４５×１０．４１５、下側閾値＝２８．６７８－１．６４５×１０．４１５となる。実際の実績進捗率が下側閾値以上かつ上側閾値以下となる確率が９０％程度だと解釈できる。逆にこの範囲を超えると異常だと判定される。

図２４（Ｃ）は、図２３（Ｂ）の予測値、上側閾値、下側閾値をグラフ化したものであり、横軸は、予定工期経過率［％］、縦軸は、実績進捗率［％］を示している。なお、実績中心近似曲線と上側閾値、下側閾値のグラフを表示しているが、参考程度に表示しているだけである。

図２４（Ｄ）は、有意水準とパーセント点を説明するための図である（ｈｔｔｐｓ：／／ａｉ－ｔｒｅｎｄ．ｊｐ／ｂａｓｉｃ－ｓｔｕｄｙ／ｎｏｒｍａｌ－ｄｉｓｔｒｉｂｕｔｉｏｎ／ｎｏｒｍａｌ－ｄｉｓｔｒｉｂｕｔｉｏｎ／）。

（Ｓ７：異常判定処理）
図２５～図２７を参照して、異常判定処理の詳細を説明する。異常判定処理では、以下の処理を行う。

（１）異常判定対象案件の月別実績データと前の処理で求めた閾値をもとに異常判定を行う。
（２）判定結果のデータを記憶部２０６のテーブル（不図示）に格納する。

以下、異常判定処理の具体的な処理を説明する。
（１）異常判定対象案件に対して、前の処理で求めた閾値と異常判定対象案件の実績進捗率の大小を比較することで、異常を判定する。

図２５（Ａ）は、異常判定対象案件の実績データの案件コード、会計年月、予定工期経過率、実績進捗率、予測値、標準偏差、上側閾値、下側閾値を示している。

図２５（Ｂ）は、図２５（Ａ）の異常判定のグラフを示しており、横軸は、予定工期経過率［％］、縦軸は、実績進捗率［％］を示しており、実績中心近似曲線、上側閾値、下側閾値、Ｂ００１，Ｂ００２がプロットされている。同図において、Ｂ００１の予定工期経過率「４０」、実績進捗率「６０」は、上側閾値を超えているため異常と判定される。また、Ｂ００２の予定工期経過率「５７．１４３」、実績進捗率「２０」は、下側上側閾値を下回ったため異常と判定される。例えば、上側閾値を超えた場合は、実績のかさましの不正の可能性が検知される。また、下側閾値を下回る場合は、進捗の遅延の可能性が検知される。

（２）判定結果データを判定結果テーブル１０６ｂに格納する。
図２６は、判定結果データの例を示す図である。判定結果データは、案件コード、会計年月、予定工期経過率、実績進捗率、予測値、標準偏差、上側閾値、下側閾値、判定結果（ＦＡＬＳＥｏｒＴＲＵＥ）を含んでいてもよい。異常だと判定されたデータは、判定結果を「ＴＲＵＥ」とし、それ以外は、「ＦＡＬＳＥ」とする。

異常を検知した場合には、異常検知のメッセージを表示する。図２７は、異常検知のメッセージ例を示している。異常検知のメッセージでは、異常検知定義名、異常を検知した案件コード、計算手法、会計年度、実績進捗率、閾値からの解離度等が表示される。同図に示す例では、｛異常検知定義：ＪＤ００１ 案件進捗アラート、案件：Ｂ００１、会計年月：２０２２０３計算手法：近似曲線（有意水準：０．１）、実績進捗率：６０％、会計年月２０２２０３の実績進捗率が上限（４５．８１％）を上回ったため、自動検出されました。基準値を１４．１９上回っています。｝が表示されている。

（Ｓ８：表示用データの計算処理）
図２８～図３０を参照して、表示用データの計算処理を詳細に説明する。ここまでの処理で、過去の案件を元にした実績中心近似関数Ｆ（Ｘ）と標準偏差関数Ｓ（Ｘ）は求まっている状態である。表示用データの計算処理では、表示用（近似曲線を画面に表示する用）のデータを作成し、結果付属情報用のテーブルに格納する。

表示用データの計算処理では、以下の処理を行う。
（１）表示用のデータを表示する工期進捗率を求める。
（２）表示用のデータの近似曲線上の値、上側閾値・下側閾値の値を求める。
（３）近似曲線アルゴリズムの結果付属情報テーブルに結果を格納する。

以下、具体的な処理内容を説明する。
（１）表示用のデータの表示する工期進捗率を求める。
表示するデータの工期進捗率は、過去の案件データの工期進捗率の最小値と最大値を「滑らか度」というパラメータの値で分割したものである。図２８は、過去の案件の実績データのグラフを示しており、横軸は、予定工期経過率［％］、縦軸は、実績進捗率［％］を示しており、Ａ００１，Ａ００２，Ａ００３がプロットされている。

この予定工期経過率の範囲０～１２０％を滑らか度１２等分割して表示用データの工期進捗率を準備する。滑らか度は前提（１）にある異常判定定義マスタ１０６ａに登録されているパラメータ設定（滑らか度）の値を使用する。

図２８（Ｂ）は、異常判定定義マスタ１０６ａのデータ設定例を示している。同図に示す例では、異常判定定義ＩＤ「ＪＤ００１」に、パラメータ「滑らか度：１２」が設定されている。

図３１で示しているが、表示用データが画面上に表示される時は、予測値・上側閾値・下側閾値は折れ線グラフで表示される可能性があるため、「滑らか度」と大きい値にするほど、折れ線グラフは曲線に近い滑らかな線となる。

０～１２０％を１２等分割することで、図２８（Ｃ）に示すような表示用データの工期進捗率を準備する。この例では、各工期進捗率の間隔は０～１２０％を１２等分した１０％であり、表示用データの点の数としては１３点になる。

（２）表示用のデータの近似曲線上の値、上側閾値・下側閾値の値を求める。
過去の案件の実績データに対して処理を行った時に得られたＦ（Ｘ）、Ｓ（Ｘ）を用いて、表示用データの工期進捗率の時の近似曲線上の値、上側閾値・下側閾値の値を求める。異常判定対象案件の予測値・閾値の計算で行った処理と全く同じであるため、詳しい計算処理の説明は省略する。

計算処理後は、図２９（Ａ）に示すような表示用データとなり、予定工期経過率に、予測値、上側閾値、下側閾値の列が追加される。図２９（Ｂ）は、図２９（Ａ）の表示用データをグラフ化（折れ線グラフ）したものであり、横軸は、予定工期経過率［％］、縦軸は、実績進捗率［％］を示しており、予測値、上側閾値、下側閾値がプロットされている。グラフ上の白抜きの点の値が計算される。

グラフで見るとわかるように、上側閾値、下側閾値と実績中心近似曲線との幅は標準偏差関数を用いて計算されるため、以下の２つの特徴が反映された閾値となっている。

１．案件の初期や後期段階では近似曲線からずれる可能性が低い。これにより、近似曲線から少しでもずれた場合の異常性が高いため、閾値の幅は狭い。
２．案件の中期段階では近似曲線からずれる可能性が高い。これにより、正常であっても近似曲線からある程度ずれる可能性があり、多少ずれても異常性が低いため、閾値の幅は広い。

（３）近似曲線結果付属情報テーブル１０６ｃに格納する。
以下の表示用のデータを近似曲線アルゴリズムの結果付属情報テーブル（以下、「近似曲線結果付属情報テーブル」と呼ぶ）に格納する。近似曲線結果付属情報テーブル１０６ｃには、異常判定結果を画面上にグラフとして表示する際に補足情報として表示するデータが格納される。異常判定対象案件のデータ自体とは異なり、異常判定対象案件のデータと比較するためのデータが格納される。格納されるデータは過去の案件のデータのみをもとに算出されたデータである。

図３０（Ａ）は、表示用データのデータ例を示しており、図３０（Ｂ）は、表示用データに基づいて近似曲線結果付属情報テーブル１０６ｃ格納される近似曲線結果付属情報の例を示す図である。近似曲線結果付属情報は、実行履歴ＩＤ、行番号、Ｘ、Ｙ、上側閾値、下側閾値の項目を備えている。

ここで、実行履歴ＩＤは、異常判定の１度の実行につき自動で割り振られるＩＤ、行番号は、表示用データを行ごとに０から連番を振ったもの、Ｘは、表示用データのＸ軸の値に相当するもの、Ｙは、表示用データのＹ軸の値に相当するもの、上側閾値は、表示用データの上側閾値、下側閾値は、表示用データの下側閾値である。

以上、判定結果データ（図２６参照）と近似曲線結果付属情報（図３０（Ｂ）参照）を用いて、異常を検知した場合には、異常検知のメッセージと異常判定結果のグラフ（例えば、折れ線グラフ）を表示する。図３１は、異常検知のメッセージ例（図２７と同じ）と異常判定結果のグラフの例を示している。異常判定結果のグラフの例では、横軸は、予定工期経過率［％］、縦軸は、実績進捗率［％］となっており、予測値、閾値（上側、下側）、Ｂ００１がプロットされている。Ｂ００１は、判定結果データに基づいて表示される。予測値、閾値（上側、下側）は、近似曲線結果付属情報に基づいて表示される。

［３－３．過去の案件の月別実績データの加工方法の選択肢］
図３２～図４１を参照して、過去の案件の月別実績データの加工方法の選択肢について説明する（上記本発明の特徴１）。上述したように、異常判定定義マスタ１０６ａでスケール統一項目を設定できるようになっている。

図３２は、異常判定定義マスタ１０６ａの設定例を示す図である。Ｘ軸スケール統一項目に設定される想定の項目は、予定工期ＯＲ実施期間、Ｙ軸スケール統一項目に設定される想定の項目は、予算ＯＲ実績額である。図３２に示す異常判定定義マスタ１０６ａの設定例は、建設工事業の１例だが、その他業種で利用される想定もあるため、図３３に他業種の場合の設定例を示す。

図３３（Ａ）は、システム開発業の場合の１例を示しており、Ｘ軸項目「経過工数」、Ｙ軸項目「累計売上計上額」、Ｘ軸スケール統一項目「予定工数ＯＲ実績工数」、Ｙ軸スケール統一項目「見積金額ＯＲ売上額」となっている。

ここで、［経過工数［人日］］は、システム開発を初めてから掛かった工数である。［累計売上計上額［万円］］は、経過工数が経った時点での売上に計上された金額である。［予定工数［人日］］は、システム開発開始前に決まる、開発完了までに要する予定の工数である。［実績工数［人日］］は、システム開発完了後に決まる、開発完了までに要した工数である。［見積金額［万円］］は、システム開発開始前に決まる、開発完了時に売上として計上される予定の金額である。［売上額［万円］］は、システム開発完了後に決まる、開発完了時に計上されている売上額である。

図３３（Ｂ）は、企業研修業界の場合の１例を示しており、Ｘ軸項目「研修経過日数」、Ｙ軸項目「学習定着率」、Ｘ軸スケール統一項目「終了予定日数ＯＲ実際所要日数」、Ｙ軸スケール統一項目「目標定着率ＯＲ実際定着率」となっている。

ここで、［研修経過日数［日］］は、研修開始から経過した日数である。［学習定着率［％］］は、研修経過日数時点でのチェックテスト等により把握される定着率である。［終了予定日数［日］］は、研修経過開始前に決まる、研修終了までの予定に日数である。［実際所要日数［日］］は、研修終了後に分かる、研修に要した日数である。［目標定着率［％］］は、研修開始前に決まる、受講者に達成してほしい目標の定着率である。［実際定着率［％］］は、研修終了後に分かる、受講者の実際の定着率である。

その他、本異常検知システムのユーザの業界に従って、Ｘ軸項目・Ｙ軸項目・Ｘ軸スケール統一項目・Ｙ軸スケール統一項目は自由に設定される。

図３４（Ａ）は、過去の案件の月別実績データの例を示す図である。図３４（Ｂ）は、過去の案件の予定・実績データの例を示している。

図３５を参照して、過去の案件のデータの加工方法を４通り説明する。異常判定定義マスタ１０６ａのパラメータ設定により４つのパターンＡＢＣＤに分類する。

Ａ．Ｘ軸スケール統一項目：実施期間、Ｙ軸スケール統一項目：実績額の場合
Ｂ．Ｘ軸スケール統一項目：予定工期、Ｙ軸スケール統一項目：実績額の場合
Ｃ．Ｘ軸スケール統一項目：実施期間、Ｙ軸スケール統一項目：予算の場合
Ｄ．Ｘ軸スケール統一項目：予定工期、Ｙ軸スケール統一項目：予算の場合

パターンＡＢＣＤに以下のようにパターン名を名付ける。パターンＡを、「予定工期・予算厳格型」、パターンＢを、「予定工期柔軟・予算厳格型」、パターンＣを、「予定工期厳格・予算柔軟型」、パターンＤを「予定工期・予算柔軟型」とする。

「厳格」・「柔軟」とは、案件完了時に予定工期や予算通りに完了したかをそれぞれ、厳格・柔軟にチェックすることを意味する。以下、各パターンＡ～Ｄの例を説明する。

（パターンＡ．予定工期・予算厳格型（Ｘ軸スケール統一項目：実施期間、Ｙ軸スケール統一項目：実績額の場合））
図３６及び図３７を参照して、パターンＡの予定工期・予算厳格型を説明する。以下では、Ａ００３に加工を行った例を説明する。図３６（Ａ）は、Ａ００３の月別実績データ、図３６（Ｂ）は、Ａ００３の予定・実績データの例を示している。Ａ００３の月別実績データに対して加工を行い、経過月数／実施期間により実施期間経過率、累計実績額／実績額により実績進捗率を算出すると、図３６（Ｃ）のようになる。

全ての過去の案件の月別実績データに加工を行うと、図３７（Ａ）に示すようになる。図３７（Ｂ）は、図３７（Ａ）の過去の案件の月別実績データをグラフ化した図であり、図３８（Ｃ）は、表示用データの計算処理後のグラフを示している。

過去の案件のＸ軸の値の最大値は全て１００％となるため、以降の処理で算出される閾値はＸ値が１００％付近で収束する。このため、異常判定対象案件が開始前の工期通りに完了することを厳格にチェックできる。また、過去の案件のＹ軸の値の最大値は全て１００％となるため、以降の処理で算出される閾値はＹ値が１００％付近で収束する。このため、異常判定対象案件が開始前の予算通りに完了することを厳格にチェックできる。

（パターンＢ．予定工期柔軟・予算厳格型 （Ｘ軸スケール統一項目：予定工期、Ｙ軸スケール統一項目：実績額の場合））
図３８及び図３９を参照して、パターンＢの予定工期柔軟・予算厳格型を説明する。以下では、Ａ００３に加工を行った例を説明する。図３８（Ａ）は、Ａ００３の月別実績データ、図３８（Ｂ）は、Ａ００３の予定・実績データの例を示している。Ａ００３の月別実績データに対して加工を行い、経過月数／予定工期により予定工期経過率、累計実績額／実績額により実績進捗率を算出すると、図３８（Ｃ）のようになる。

全ての過去の案件の月別実績データに加工を行うと、図３９（Ａ）に示すようになる。図３９（Ｂ）は、図３９（Ａ）の過去の案件の月別実績データをグラフ化した図であり、図３９（Ｃ）は、表示用データの計算処理後のグラフを示している。

過去の案件のＸ軸の値の最大値は１２０％となるため、以降の処理で算出される閾値はＸ値が１２０％付近で収束する。このため、異常判定対象案件が多少の遅れで完了しても正常な範囲内だと判定できるようになる。また、過去の案件のＹ軸の値の最大値は全て１００％となるため、以降の処理で算出される閾値はＹ値が１００％付近で収束する。このため、異常判定対象案件が開始前の予算通りに完了することを厳格にチェックできる。

（パターンＣ．予定工期厳格・予算柔軟型（Ｘ軸スケール統一項目：実施期間、Ｙ軸スケール統一項目：予算の場合））
図４０及び図４１を参照して、パターンＣの予定工期厳格・予算柔軟型を説明する。以下では、Ａ００３に加工を行った例を説明する。図４０（Ａ）は、Ａ００３の月別実績データ、図４０（Ｂ）は、Ａ００３の予定・実績データの例を示している。Ａ００３の月別実績データに対して加工を行い、経過月数／実施期間により実施期間経過率、累計実績額／予算により予算進捗率を算出すると、図４０（Ｃ）のようになる。

全ての過去の案件の月別実績データに加工を行うと、図４１（Ａ）に示すようになる。図４１（Ｂ）は、図４１（Ａ）の過去の案件の月別実績データをグラフ化した図であり、図４１（Ｃ）は、表示用データの計算処理後のグラフを示している。

過去の案件のＸ軸の値の最大値は全て１００％となるため、異常判定対象案件が開始前の予定工期通りに完了することを厳格にチェックできる。また、過去の案件の完了時の予算進捗率は案件によって様々であるため、案件完了時に予算進捗率が１００％から多少離れても異常検知されずに済むようになっている。

（パターンＤ．予定工期・予算柔軟型（Ｘ軸スケール統一項目：予定工期、Ｙ軸スケール統一項目：予算の場合）
図４２及び図４３を参照して、パターンＤの予定工期・予算柔軟型を説明する。以下では、Ａ００３に加工を行った例を説明する。図４２（Ａ）は、Ａ００３の月別実績データ、図４２（Ｂ）は、Ａ００３の予定・実績データの例を示している。Ａ００３の月別実績データに対して加工を行い、経過月数／予定工期により予定工期経過率、累計実績額／予算により予算進捗率を算出すると、図４２（Ｃ）のようになる。

全ての過去の案件の月別実績データに加工を行うと、図４３（Ａ）に示すようになる。図４３（Ｂ）は、図４３（Ａ）の過去の案件の月別実績データをグラフ化した図であり、図４３（Ｃ）は、表示用データの計算処理後のグラフを示している。

過去の案件の完了時の予定工期経過率と予算進捗率は案件によってさまざまであるため、閾値についても予定工期経過率の後期段階では閾値の幅を持たせて計算される。

［３－４．残差の平方に近似曲線を引き、その近似関数に平方根を取ることの意味］
図４４～図４６を参照して、残差の平方に近似曲線を引き、その近似関数に平方根を取ることの意味を説明する。

図４４は、一般的なデータの散らばりの推定方法を説明するための図である。図４３において、残差は平均０の標準正規分布に従うと考えて、残差の分散はσ^２＝（残差平方和）／（データ数）で推定値が計算される。標準偏差は分散に平方根を取ったものになり、σ＝√（残差平方和）／（データ数）で計算される。（Ａ）に示すように、この時、残差が－σ～＋σの範囲にある確率は６８％であると解釈できる。

図４５は、残差のグラフを示しており、横軸は予定工期経過率［％］、縦軸は予測値差［％」となっている。散らばりがこの範囲に入る確率が６８％だと解釈できるため、＋σ，－σを使えば、閾値範囲を構成することができる。

図４６の（Ａ）において、分散を推定する時に出てきた以下の式であるσ^２＝（残差平方和）／（データ数）は残差の平方の平均を求める式になっており、残差の平方をプロットしたグラフで見ると、ｙ＝ａの形の直線のグラフで近似した時の係数ａに相当する。

残差の範囲を求めるために使われているσは、ａに平方根を取ったものになるので、残差の平方の近似関数に平方根を取ったものは標準偏差関数として利用できる。しかし、上記の計算では、予定工期経過率に応じた残差のばらつきを表現できていない（案件進捗の初期や後期段階では残差が小さくなり、中期では残差が大きくなるという特徴を表現できていない）。

そこで、ｙ＝ａの形の直線のグラフで近似している部分を、（Ｂ）に示すような関数に置き換えることで、予定工期経過率に応じた残差のばらつきを表現できるようにした。このように、直線のグラフで近似していた部分に独自の計算方法を導入した。

以上説明したように、本実施の形態によれば、過去の案件の月別実績データについて、案件識別情報毎に、Ｘ軸項目を前記過去の案件の予定・実績データのＸ軸スケール統一項目で割った経過率と、Ｙ軸項目を前記過去の案件の予定・実績データのＹ軸スケール統一項目で割った進捗率を算出して加工し、また、異常判定対象案件の月別実績データについて、案件識別情報毎に、Ｘ軸項目を前記異常判定対象案件の予定・実績データの予定期間又は終了目標期間で割った経過率と、Ｙ軸項目を前記異常判定対象案件の予定・実績データの予算又は目標で割った進捗率を算出して加工するデータ加工部１０２ｂと、加工後の過去の案件の月別実績データの全データに対する実績中心近似曲線を算出する近似曲線算出部１０２ｃと、算出した実績中心近似曲線からの加工後の過去の案件の月別実績データの全データの散らばりを計算し、計算した散らばりの傾向を表現する標準偏差曲線を算出し、実績中心近似曲線と標準偏差曲線に基づいて、閾値を算出する閾値算出部１０２ｄと、加工後の異常判定対象案件の月別実績データを、算出した閾値と比較して異常判定を行う異常判定部１０２ｅと、を備えているので、近似曲線を用いて、過去の案件の実績データに基づいて、対象の案件の進捗の積み上がり方の異常を高精度に検知することが可能となる。

［４．国連が主導する持続可能な開発目標（ＳＤＧｓ）への貢献］
本実施形態により、業務効率化や企業の適切な経営判断を推進することに寄与することができるので、ＳＤＧｓの目標８及び９に貢献することが可能となる。

また、本実施形態により、廃棄ロス削減や、ペーパレス・電子化を推進することに寄与することができるので、ＳＤＧｓの目標１２、１３及び１５に貢献することが可能となる。

また、本実施形態により、統制、ガバナンス強化に寄与することができるので、ＳＤＧｓの目標１６に貢献することが可能となる。

［５．他の実施形態］
本発明は、上述した実施形態以外にも、特許請求の範囲に記載した技術的思想の範囲内において種々の異なる実施形態にて実施されてよいものである。

例えば、実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部又は一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部又は一部を公知の方法で自動的に行うこともできる。

また、本明細書中や図面中で示した処理手順、制御手順、具体的名称、各処理の登録データや検索条件等のパラメータを含む情報、画面例、データベース構成については、特記する場合を除いて任意に変更することができる。

また、異常検知システム１００に関して、図示の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。

例えば、異常検知システム１００が備える処理機能、特に制御部にて行われる各処理機能については、その全部又は任意の一部を、ＣＰＵ及び当該ＣＰＵにて解釈実行されるプログラムにて実現してもよく、また、ワイヤードロジックによるハードウェアとして実現してもよい。尚、プログラムは、本実施形態で説明した処理を情報処理装置に実行させるためのプログラム化された命令を含む一時的でないコンピュータ読み取り可能な記録媒体に記録されており、必要に応じて異常検知システム１００に機械的に読み取られる。すなわち、ＲＯＭ又はＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などの記憶部などには、ＯＳと協働してＣＰＵに命令を与え、各種処理を行うためのコンピュータプログラムが記録されている。このコンピュータプログラムは、ＲＡＭにロードされることによって実行され、ＣＰＵと協働して制御部を構成する。

また、このコンピュータプログラムは、異常検知システム１００に対して任意のネットワークを介して接続されたアプリケーションプログラムサーバに記憶されていてもよく、必要に応じてその全部又は一部をダウンロードすることも可能である。

また、本実施形態で説明した処理を実行するためのプログラムを、一時的でないコンピュータ読み取り可能な記録媒体に格納してもよく、また、プログラム商品として構成することもできる。ここで、この「記録媒体」とは、メモリーカード、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ、ＳＤ（Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌ）カード、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（登録商標）（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ ａｎｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＭＯ（Ｍａｇｎｅｔｏ－Ｏｐｔｉｃａｌ ｄｉｓｋ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）、及び、Ｂｌｕ－ｒａｙ（登録商標） Ｄｉｓｃ等の任意の「可搬用の物理媒体」を含むものとする。

また、「プログラム」とは、任意の言語又は記述方法にて記述されたデータ処理方法であり、ソースコード又はバイナリコード等の形式を問わない。なお、「プログラム」は必ずしも単一的に構成されるものに限られず、複数のモジュールやライブラリとして分散構成されるものや、ＯＳに代表される別個のプログラムと協働してその機能を達成するものをも含む。なお、実施形態に示した各装置において記録媒体を読み取るための具体的な構成及び読み取り手順ならびに読み取り後のインストール手順等については、周知の構成や手順を用いることができる。

記憶部に格納される各種のデータベース等は、ＲＡＭ、ＲＯＭ等のメモリ装置、ハードディスク等の固定ディスク装置、フレキシブルディスク、及び、光ディスク等のストレージ手段であり、各種処理やウェブサイト提供に用いる各種のプログラム、テーブル、データベース、及び、ウェブページ用ファイル等を格納する。

また、異常検知システム１００は、既知のパーソナルコンピュータ又はワークステーション等の情報処理装置として構成してもよく、また、任意の周辺装置が接続された当該情報処理装置として構成してもよい。また、異常検知システム１００は、当該装置に本実施形態で説明した処理を実現させるソフトウェア（プログラム又はデータ等を含む）を実装することにより実現してもよい。

更に、装置の分散・統合の具体的形態は図示するものに限られず、その全部又は一部を、各種の付加等に応じて又は機能負荷に応じて、任意の単位で機能的又は物理的に分散・統合して構成することができる。すなわち、上述した実施形態を任意に組み合わせて実施してもよく、実施形態を選択的に実施してもよい。

１００ 異常検知システム
１０２ 制御部
１０２ａ データ取得部
１０２ｂ データ加工部
１０２ｃ 近似曲線算出部
１０２ｄ 閾値算出部
１０２ｅ 異常判定部
１０２ｆ 画面表示制御部
１０２ｇ マスタメンテ部
１０４ 通信インターフェース部
１０６ 記憶部
１０６ａ 異常判定定義マスタ
１０６ｂ 判定結果テーブル
１０６ｃ 近似曲線結果付属情報テーブル
１０８ 入出力インターフェース部
１１２ 入力装置
１１４ 出力装置
２００ サーバ
３００ ネットワーク
４００ 業務システム

Claims (9)

1. 制御部を備え、業務データの異常を検知する異常検知システムであって、
   前記制御部は、
   異常判定定義毎に、Ｘ軸項目、Ｙ軸項目、Ｘ軸スケール統一項目、Ｙ軸スケール統一項目をパラメータとして設定した異常判定定義マスタと、
   案件識別情報、Ｘ軸項目、Ｙ軸項目を含む、過去の案件の月別実績データと、
   案件識別情報、Ｘ軸スケール統一項目、Ｙ軸スケール統一項目を含む過去の案件の予定・実績データと、
   案件識別情報、Ｘ軸項目、Ｙ軸項目を含む異常判定対象案件の月別実績データと、
   案件識別情報、予定期間又は終了目標期間、予算又は目標を含む異常判定対象案件の予定・実績データと、
   にアクセス可能に構成されており、
   前記過去の案件の月別実績データについて、案件識別情報毎に、Ｘ軸項目を前記過去の案件の予定・実績データのＸ軸スケール統一項目で割った経過率と、Ｙ軸項目を前記過去の案件の予定・実績データのＹ軸スケール統一項目で割った進捗率を算出して加工し、また、前記異常判定対象案件の月別実績データについて、案件識別情報毎に、Ｘ軸項目を前記異常判定対象案件の予定・実績データの予定期間又終了目標期間で割った経過率と、Ｙ軸項目を前記異常判定対象案件の予定・実績データの予算又は目標で割った進捗率を算出して加工するデータ加工手段と、
   加工後の過去の案件の月別実績データの全データに対する実績中心近似曲線を算出する近似曲線算出手段と、
   前記算出した実績中心近似曲線からの前記全データの散らばりを計算し、計算した散らばりの傾向を表現する標準偏差曲線を算出し、前記実績中心近似曲線と前記標準偏差曲線に基づいて、閾値を算出する閾値算出手段と、
   前記加工後の異常判定対象案件の月別実績データを、前記算出した閾値と比較して異常判定を行う異常判定手段と、
   を備えたことを特徴とする異常検知システム。
2. 前記Ｘ軸項目は、経過月数を含み、前記Ｙ軸項目は、累計実績額を含み、前記Ｘ軸スケール統一項目は、予定工期又は実施期間を含み、前記Ｙ軸スケール統一項目は、予算又は実績額を含むことを特徴とする請求項１に記載の異常検知システム。
3. 前記異常判定定義マスタには、さらに、前記異常判定定義毎に、１又は複数の近似関数候補がパラメータとして設定されており、
   前記近似曲線算出手段は、加工後の過去の月別実績データの経過率と進捗率、前記異常判定定義マスタに設定されている１又は複数の近似関数候補の情報を近似部品に渡して最適な係数を求め、近似部品から返ってくる係数を元に、ＡＩＣを計算し、ＡＩＣの最も小さな近似関数候補を実績中心近似関数として決定することを特徴とする請求項１に記載の異常検知システム。
4. 前記１又は複数の近似関数候補は、多項式関数、指数関数、対数関数、ロジスティック関数、及びバスモデル関数の少なくとも１つを含むことを特徴とする請求項３に記載の異常検知システム。
5. 前記閾値算出手段は、
   加工後の過去の案件の月別実績データの各経過率を前記実績中心近似曲線の実績中心近似関数に代入して、進捗率の予測値を計算し、予測値と進捗率の実際のデータとの差である残差を計算し、さらに、残差の平方を計算し、
   残差の平方に対して残差平方近似関数の近似曲線を引き、残差平方近似関数の平方根をとったものを標準偏差関数とし、
   加工後の異常判定対象案件の月別実績データの各経過率を、前記実績中心近似関数に代入して、進捗率の予測値を算出し、また、前記標準偏差関数に代入して標準偏差を算出し、標準偏差に有意水準を元に算出される一定値を掛けた値の分だけ、予測値の上下に幅を持たせた上側閾値及び下側閾値を算出することを特徴とする請求項１に記載の異常検知システム。
6. 前記異常判定手段は、異常と判定した場合に異常判定の異常検出メッセージ及びグラフを表示部に出力することを特徴とする請求項１に記載の異常検知システム。
7. オペレータの操作に応じて、前記異常判定定義マスタのデータを設定するマスタメンテ手段を備えたことを特徴とする請求項１～６のいずれか１つに記載の異常検知システム。
8. 制御部を備えた情報処理装置で実行される異常検知方法であって、
   前記制御部は、
   異常判定定義毎に、Ｘ軸項目、Ｙ軸項目、Ｘ軸スケール統一項目、Ｙ軸スケール統一項目をパラメータとして設定した異常判定定義マスタと、
   案件識別情報、Ｘ軸項目、Ｙ軸項目を含む、過去の案件の月別実績データと、
   案件識別情報、Ｘ軸スケール統一項目、Ｙ軸スケール統一項目を含む過去の案件の予定・実績データと、
   案件識別情報、Ｘ軸項目、Ｙ軸項目を含む異常判定対象案件の月別実績データと、
   案件識別情報、予定期間又は終了目標期間、予算又は目標を含む異常判定対象案件の予定・実績データと、
   にアクセス可能に構成されており、
   前記制御部において実行される、
   前記過去の案件の月別実績データについて、案件識別情報毎に、Ｘ軸項目を前記過去の案件の予定・実績データのＸ軸スケール統一項目で割った経過率と、Ｙ軸項目を前記過去の案件の予定・実績データのＹ軸スケール統一項目で割った進捗率を算出して加工し、また、前記異常判定対象案件の月別実績データについて、案件識別情報毎に、Ｘ軸項目を前記異常判定対象案件の予定・実績データの予定期間又は終了目標期間で割った経過率と、Ｙ軸項目を前記異常判定対象案件の予定・実績データの予算又は目標で割った進捗率を算出して加工するデータ加工工程と、
   加工後の過去の案件の月別実績データの全データに対する実績中心近似曲線を算出する近似曲線算出工程と、
   前記算出した近似曲線からの前記全データの散らばりを計算し、計算した散らばりの傾向を表現する標準偏差曲線を算出し、前記実績中心近似曲線と前記標準偏差曲線に基づいて、閾値を算出する閾値算出工程と、
   前記加工後の異常判定対象案件の月別実績データを、前記算出した閾値と比較して異常判定を行う異常判定工程と、
   を含むことを特徴とする異常検知方法。
9. 制御部を備えた情報処理装置が実行するための異常検知プログラムであって、
   前記制御部は、
   異常判定定義毎に、Ｘ軸項目、Ｙ軸項目、Ｘ軸スケール統一項目、Ｙ軸スケール統一項目をパラメータとして設定した異常判定定義マスタと、
   案件識別情報、Ｘ軸項目、Ｙ軸項目を含む、過去の案件の月別実績データと、
   案件識別情報、Ｘ軸スケール統一項目、Ｙ軸スケール統一項目を含む過去の案件の予定・実績データと、
   案件識別情報、Ｘ軸項目、Ｙ軸項目を含む異常判定対象案件の月別実績データと、
   案件識別情報、予定期間又は終了目標期間、予算又は目標を含む異常判定対象案件の予定・実績データと、
   にアクセス可能に構成されており、
   前記制御部において、
   前記過去の月別実績データについて、案件識別情報毎に、Ｘ軸項目を前記過去の案件の予定・実績データのＸ軸スケール統一項目で割った経過率と、Ｙ軸項目を前記過去の案件の予定・実績データのＹ軸スケール統一項目で割った進捗率を算出して加工し、また、前記異常判定対象案件の月別実績データについて、案件識別情報毎に、Ｘ軸項目を前記異常判定対象案件の予定・実績データの予定期間又は終了目標期間で割った経過率と、Ｙ軸項目を前記異常判定対象案件の予定・実績データの予算又は目標で割った進捗率を算出して加工するデータ加工工程と、
   加工後の過去の案件の月別実績データの全データに対する実績中心近似曲線を算出する近似曲線算出工程と、
   前記算出した実績中心近似曲線からの前記全データの散らばりを計算し、計算した散らばりの傾向を表現する標準偏差曲線を算出し、前記実績中心近似曲線と前記標準偏差曲線に基づいて、閾値を算出する閾値算出工程と、
   前記加工後の異常判定対象案件の月別実績データを、前記算出した閾値と比較して異常判定を行う異常判定工程と、
   を実行させるための異常検知プログラム。