JP5993273B2

JP5993273B2 - 意思決定支援システム及び方法

Info

Publication number: JP5993273B2
Application number: JP2012230912A
Authority: JP
Inventors: 英志木村; 森田　豊久; 豊久森田
Original assignee: Hitachi Systems Ltd
Current assignee: Hitachi Systems Ltd
Priority date: 2012-10-18
Filing date: 2012-10-18
Publication date: 2016-09-14
Anticipated expiration: 2032-10-18
Also published as: JP2014081878A

Description

本発明は、意思決定支援システム及び方法に係り、特に、多次元データの利用による結論の推定及び推定結果の可視化により、ユーザの意思決定を支援するシステム及び方法に関する。

多変量解析法の一つとしてロジスティック回帰分析法が知られている。例えば、二項ロジスティック回帰は統計手法により多変数の入力から結論を推定するモデルを作成することができる。この推定モデルにより、どの変数の組み合わせであればどのような結論になるかを算出することが可能である。別の値を入力すれば推定結果がどのような値になるかを知ることができる。

推定モデルに関して、例えば、非特許文献１には、自己資本比率などの財務指標から企業の倒産確率を予測する方法が開示されている。また、特許文献１には、引き合い案件に関する受注前サービス履歴を管理して、受注前サービス開始時点からの経過時間に基づいてその引き合い案件の受注確度を算出し、これを画面に表示する営業支援システムが開示されている。

特開２００５−３２２０９４号公報

塚田裕昭、倒産企業の異時点データによる倒産判別モデルの推定、UFJ Institute REPORT、2005.3 Vol.10 No.2

従来の二項ロジスティック回帰は、多変数の入力が可能な推定モデルに値を入力すれば、どのような結論になるかを推定できる。しかし、現状からどのように値を変更すれば、現状を改善することができるかを知ることはできない。そのため、現状改善のための具体的施策を決定することが難しい。

また、非特許文献1に記載の技術は、財務指標から企業の倒産確率を予測して、倒産しそうな企業を知ることはできるが、倒産を回避するためには具体的にどのような施策を行えばいいかはわからない。また、特許文献1に記載の技術は、複数の案件がある場合、どの案件に優先して営業活動をするべきかということはわかるが、現状営業活動を行っている案件で受注確率を上げるために具体的に如何にしたらよいかということがわからない。

本発明の目的は、複数の値の組み合わせにより何れの値をどのように変更すると現状の改善につながるか又は悪化につながるかを提示して、ユーザが現状改善の具体的施策を決定することができる意思決定支援システム及び方法を提供することにある。

本発明による意思決定支援システムは、好ましくは、計算機システムを用いて、推定モデルの変数に入力するパラメータを変更して推定結果のシミュレーションを行うことにより意思決定を支援するシステムであって、
該推定モデルに利用されている変数の中で値が変更可能な変数を、端末より取得する設定手段と、
該端末から取得された変数から、推定を行う値の複数の組み合わせを生成する組合せ生成手段と、
該生成手段によって生成された値の複数の組み合わせを用いてシミュレーションを行い、推定結果を得る推定手段と、
該推定手段によって推定結果と用いられた値の組み合わせを該端末に出力して、何れの値の変更が何れの推定結果を変更するかを可視的に表示する手段とを有することを特徴とする意思決定支援システムとして構成される。

また、本発明による意思決定支援方法は、好ましくは、計算機システムでプログラムを実行することで、推定モデルの変数に入力するパラメータを変更して推定結果のシミュレーションを行うことにより意思決定を支援する意思決定支援方法であって、
該計算機システムは、該推定モデルに利用されている変数の中で値が変更可能な変数を、端末より取得する設定ステップと、
該計算機システムは、該端末から取得された変数から、推定を行う値の複数の組み合わせを生成する組合せ生成ステップと、
該計算機システムは、該生成ステップで生成された値の複数の組み合わせを用いてシミュレーションを行い、推定結果を得る推定ステップと、
該計算機システムは、該推定ステップによる該推定結果と用いられた値の組み合わせを該端末に出力して、何れの値の変更が何れの推定結果を変更するかを可視的に表示するステップとを有することを特徴とする意思決定支援方法として構成される。

本発明によれば、ユーザが実行可能である施策の候補が、現状を改善する施策か又は悪化させる施策かを知ることができ、ユーザが改善策を決定するための支援を行うことが可能となる。

一実施例による意思決定支援システムの構成例を示す図。一実施例による意思決定支援の全体処理手順を示すフローチャート図。一実施例による推定サブシステムによる推定モデル作成処理手順を示すフローチャート図。一実施例による学習データＤＢのテーブル構成例を示す図。一実施例による推定モデルＤＢのテーブル構成例を示す図。一実施例による推定サブシステムによる推定処理手順を示すフローチャート図。一実施例による推定結果ＤＢのテーブル構成例を示す図。一実施例によるシミュレーションサブシステムによる処理手順を示すフローチャート図。一実施例による推定モデル選択ダイアログの例を示す図。一実施例による変更可能項目設定ダイアログの例を示す図。一実施例による現状パラメータセット設定ダイアログの例を示す図。一実施例による現状パラメータセット検索ダイアログの例を示す図。一実施例によるパラメータ設定ダイアログの例を示す図。一実施例によるパラメータセットＤＢのテーブル構成例を示す図。一実施例による推定サブシステムによるシミュレーション処理手順を示すフローチャート図。一実施例によるシミュレーション結果ＤＢのテーブル構成例を示す図。一実施例による表示サブシステムによる結果表示処理手順を示すフローチャート図。一実施例によるランキング表の例を示す図。

以下、図面を用いて本発明を実施するための最良の実施形態について説明する。
図１は、計算機システムに構築される意思決定支援システムの構成例を示す。
１又は複数の計算機で構成される計算機システム１０には、シミュレーションサブシステム２０、推定サブシステム３０、表示サブシステム４０、データベース群５０が構築される。シミュレーションサブシステム２０、推定サブシステム３０及び表示サブシステム４０は、これらの機能を実現する特定のアプリケーションプログラムが計算機で実行することで実現される。
計算機システム１０には、業務処理を行う計算機である業務システム６０、及び計算機システム１０に対して入出力を行う端末７０が接続される。

シミュレーションサブシステム２０は、変更可能項目設定部２０１、パラメータ設定部２０２、パラメータセット生成部２０３を有し、端末７０から、値を変更可能な変数（以下、変更可能項目という）と、その値（以下パラメータという）を受け取り、その受け取ったパラメータからシミュレーションに用いる複数の変数に対するパラメータの組み合わせ（以下パラメータセットという）を生成してデータベース群５０に格納する。更に、推定サブシステム３０にシミュレーション実行要求を送信し、その後、表示サブシステム４０に結果表示要求を送信する。

各構成部について説明すると、変更可能項目設定部２０１は、端末７０から推定モデルの変数の変更可否情報を受け取り、推定モデルＤＢ５０３に変数の変更可否情報を格納する。パラメータ設定部２０２は、端末７０から推定モデルの変数に代入するパラメータを受け取る。パラメータセット生成部２０３は、受け取ったパラメータからパラメータセットを作成する。パラメータは、一変数に対して複数個設定することが可能であり、パラメータセット生成部２０３では、複数個設定されたパラメータで考えられるすべての組み合わせのパラメータセット（以下シミュレーションパラメータセットという）を生成する。パラメータセット生成部２０３は、生成したシミュレーションパラメータセットをパラメータセットＤＢ５０１に格納する。

推定サブシステム３０は、推定モデルの作成と推定モデルの適用による結論の推定を行うシステムであり、学習データ取得部３０１、推定モデル作成部３０２、推定部３０３を有する。ここで、学習データ取得部３０１では、推定モデル作成に利用するパラメータセットの集合（以下、学習データという）を外部の業務システム６０の業務ＤＢ６０１から取得して、学習データＤＢ５０４に格納する。推定モデル作成部３０２は、学習データＤＢ５０４から学習データを取得して推定モデルを作成し、作成した推定モデルの情報を推定モデルＤＢ５０３に格納する。推定部３０３は、推定モデルＤＢ５０３のモデル情報を用いて、業務ＤＢ６０１から取得したパラメータセット以下、現状パラメータセットでの推定結果を算出して、その結果を推定結果ＤＢ５０５に格納する。

表示サブシステム４０は、シミュレーション結果を表示するシステムであり、ランキング生成部４０１と、結果表示部４０２を有する。ここで、ランキング生成部４０１は、シミュレーション結果ＤＢ５０２と推定結果ＤＢ５０５からデータを取得して、シミュレーションパラメータセットに推定モデルを適用した時の推定結果（以下シミュレーション結果という）と現状パラメータセットに推定モデルを適用した時の推定結果を比較するランキング表を作成する。ランキング表は、推定結果の降順または昇順とし、端末７０から入力したパラメータから生成されたパラメータセットと現状パラメータセットもこのランキング表に含める。結果表示部４０２は、作成したランキング表を端末７０の表示画面に表示する。表示画面の表示に際して、現状パラメータセットから変更されたパラメータがわかるように、変更した欄に網掛けして表示するのが好ましい。

データベース群５０は、各サブシステムで利用されるテーブル類を格納するものであり、パラメータセットＤＢ５０１、シミュレーション結果ＤＢ５０２、推定モデルＤＢ５０３、学習データＤＢ５０４、推定結果ＤＢ５０５を有する。主なＤＢの構成は、図４，５，７，１４，１６に示す。

パラメータセットＤＢ５０１はシミュレーションパラメータセットを格納するＤＢである。図１４に示すように、パラメータセットＤＢ５０１は、シミュレーションＩＤ１４０１、パラメータセットセットＩＤ１４０２、変更パラメータ１４０３、固定パラメータ１４０４の各項目から構成される。シミュレーションＩＤ１４０１は、シミュレーションパラメータセットを一意に識別するための番号である。パラメータセットＩＤ１４０２は、シミュレーションパラメータセット内のパラメータセットを一意に識別するための番号である。変更パラメータ１４０３は、変更可能項目に対するパラメータである。固定パラメータ１４０４は、変更可能項目以外に対するパラメータである。

シミュレーション結果ＤＢ５０２は、シミュレーション結果を格納するＤＢである。図１６に示すように、シミュレーション結果ＤＢ５０２は、シミュレーションＩＤ１６０１と、パラメータセットＩＤ１６０２と、倒産確率１６０３と、現状パラメータセットからの変更数１６０４の各項目から構成される。シミュレーションＩＤ１６０１及びパラメータセットＩＤ１６０２は、それらを一意に識別するための番号である。倒産確率１６０３は、推定結果を示す。現状パラメータセットからの変更数１６０４は、各パラメータセットにおいて、現状パラメータセットから変更したパラメータ数を示す。

推定モデルＤＢ５０３は、推定モデルの情報を格納するＤＢである。図５に示すように、推定モデルＤＢ５０３は、推定モデルＩＤ５０６、変数ＩＤ５０７、変数名５０８、変更可否５０９の各項目から構成される。推定モデルＩＤ５０６は、推定モデルを一意に識別する番号である。変数ＩＤ５０７はモデル内の変数を一意に識別する番号である。変数名５０８は変数の名前である。変更可否５０９は、変数をユーザが変更可能か否か設定するもので、ユーザが全く設定していない初期状態はすべて「False」（変更不可の意味）となっている。

学習データＤＢ５０４は、学習データを格納するＤＢであり、図４に示すように、学習データとして、推定モデルに利用する候補となる変数４０３と、結論となる変数４０４の各項目から構成される。

推定結果ＤＢ５０５は、現状パラメータセットでの推定結果を格納するＤＢである。図７は、二項ロジットモデルを用いて企業の財務指標から倒産確率を算出した例に関する推定結果ＤＢ５０５の例を示す。推定結果ＤＢ５０５は、現状パラメータセット７０１と、推定に使用された推定モデルを示す推定モデルフラグ７０２と、推定結果７０３の各項目から構成される。この例では、現状パラメータセット７０１は企業の状況を示す情報を表している。推定モデルフラグ７０２は、使用された推定モデルを「１」で、不使用のモデルを「０」で表す。また、推定結果７０３はこの例では「倒産確率」を表す。

以下、企業の倒産確率の推定を例として本発明の実施例を説明する。
図２は、計算機システム１０１が、推定モデルによるシミュレーションを実行する際のシステム全体の処理手順を示す。

新しく推定モデルを作成する場合、推定サブシステム３０は推定モデルの作成ステップＳ２０２を実行する。既に推定モデルＤＢ５０３に登録されている推定モデルを利用する場合は、推定モデルの作成ステップは実行しない（Ｓ２０１、Ｓ２０２）。次に、シミュレーションサブシステム２０は、推定モデルを用いて、現状パラメータセットでの推定を行う（Ｓ２０３）。その後、シミュレーションサブシステム２０は、ユーザが端末７０より入力したパラメータからシミュレーションパラメータセットを生成する（Ｓ２０４）。シミュレーションパラメータセットを生成した後、推定サブシステム３０は、生成されたシミュレーションパラメータセットを用いて推定を行う（Ｓ２０５）。最後に、表示サブシステム４０はシミュレーション結果を端末７０に表示して処理を終了する（Ｓ２０６）。

図３は、推定サブシステム３０による推定モデルの作成手順を示す。
まず、学習データ取得部３０１は、業務システム６０の業務ＤＢ６０１から学習データを取得して、学習データＤＢ５０４に格納する（Ｓ３０１）。取得する学習データは図４に示すテーブル構成例の通りである。学習データには、推定モデルに利用する候補となる変数（４０３）と結論となる変数（４０４）をテーブルに含んでいる必要がある。

次に、推定モデル作成部３０２は、推定モデルに利用する変数候補から変数を選択して推定モデルを作成する（Ｓ３０２）。多変数の入力から結論を推定するモデルは、重回帰モデル、二項ロジットモデル等があるが、ここではその手法は問わない。推定モデルに利用する変数の選択についても、ステップワイズ法、変数増加法などがあるが、ここではその方法は問わない。最後に、推定モデル作成部３０２は、作成した推定モデルの変数情報を推定モデルＤＢ５０３に格納して処理を終了する（Ｓ３０３）。推定モデルＤＢ５０３のテーブル構成例は図５に示す通りである。

図６は、推定サブシステム３０による推定処理手順を示す。
まず、推定部３０３は、業務ＤＢ６０１から現状パラメータセットを取得する。次に、推定部３０３は、推定モデルＤＢ５０３から推定モデルの情報を取得し、現状パラメータセットでの推定結果を算出する。最後に、推定部３０３は、推定結果を推定結果ＤＢ５０５に格納する。

図８は、シミュレーションサブシステム２０によるシミュレーションパラメータセットの生成手順を示す。
まず、変更可能項目設定部２０１は、ユーザにシミュレーションで用いる推定モデルを選択させるダイアログを端末７０に表示して、選択された推定モデルの情報を推定モデルＤＢ５０３から取得する（Ｓ８０１）。推定モデル選択ダイアログの例を図９に示す。推定モデル選択ダイアログは、推定モデルＤＢ５０３から取得した推定モデルの情報をコンボボックス９０１で表示して、端末７０にてユーザに推定モデルを選択させる。選択後、「次へ」ボタン９０２を選択する。

変更可能項目設定部２０１は、取得した推定モデルの情報をもとに、端末７０よりユーザに変更可能項目を入力させるためのダイアログを表示する（Ｓ８０２）。変更可能項目設定ダイアログの例を、図１０に示す。図９の推定モデル選択ダイアログで「次へ」ボタン９０２を選択した後に、図１０の変更可能項目設定ダイアログが表示される。ダイアログには、推定モデルＤＢ（５０３）から取得した推定モデルの変数名１００１とそれぞれの変数の変更可否を設定するコンボボックス１００２が表示される。ユーザは端末７０よりこのコンボボックスでそれぞれの変数の変更可否を入力する。全ての変数に対して変更可否の入力を行ったら「次へ」ボタン１００３を選択する。

次に、パラメータ設定部２０２は、端末７０よりユーザに現状パラメータセットを入力させるダイアログを表示する（Ｓ８０３）。現状パラメータセット設定ダイアログの例を図１１に示す。図１１の現状パラメータセット設定ダイアログは、図１０の変更可能項目設定ダイアログで「次へ」ボタン１００３を選択すると表示される。現状パラメータセット設定ダイアログは、パラメータを設定するテキストボックス１１０１があり、ユーザが端末７０より入力する。「検索」ボタン１１０２を選択すると、現状パラメータセット検索ダイアログが表示され、現状パラメータセットを推定結果ＤＢ５０５から検索してパラメータを入力することもできる。

現状パラメータセット検索ダイアログの例を図１２に示す。図１２のテキストボックス１２０１に検索条件を入力して、「検索」ボタン１２０２を選択すると、推定結果ＤＢ５０５から条件に一致したパラメータセット１２０３を取得して表示する。ユーザが端末７０より、条件に一致したパラメータセットの中からパラメータセットを１つ選択して、「決定」ボタン１２０４を選択すると、図１１のパラメータの欄に自動的に選択したパラメータセットのそれぞれのパラメータが入力される。全てのパラメータを入力したら、「次へ」ボタン１１０３を選択する。

その後、パラメータ設定部２０２は、変更可能項目のパラメータ（以下、変更パラメータ）をユーザに入力させるダイアログを端末７０に表示する（Ｓ８０３）。パラメータ設定ダイアログの例を図１３に示す。パラメータ設定ダイアログには、変更パラメータを入力するテキストボックス１３０１が表示される。テキストボックス１３０１には、一つまたは複数個のパラメータを入力することが可能である。複数個入力する場合は、複数個のカテゴリ値を入力するか、数値の範囲を入力する。以下、この複数個のカテゴリ値と数値の範囲のことを合わせてパラメータの範囲と呼ぶ。パラメータの範囲の入力は、カテゴリ値であれば、「２０%，３０%」のようにカンマなどの区切り文字で区切り入力する。数値であれば、「１８００−２０００：２００刻み」のように数値の範囲と刻み幅で入力する。全ての変更パラメータを入力したら「決定」ボタン１３０２を選択する。「決定」ボタン１３０２が選択されたら、ダイアログを閉じる。

シミュレーションに必要な情報を取得した後、パラメータセット生成部２０３は、パラメータセットを生成する（Ｓ８０４）。具体的にパラメータセットとは、「資本金=１００Ｍ、自己資本比率=２５％、従業員数=２０００」のように複数の変数に対するパラメータの組み合わせのことをいう。パラメータの範囲が設定されている変数がある場合、パラメータの範囲内すべてのパラメータについてのパラメータセットを生成する。例として、資本金に１つ、自己資本比率に２つ、従業員数に３つのパラメータがパラメータの範囲内にある場合、すべての組み合わせである６つのパラメータセットが生成される。この例では、この６つのパラメータセットがシミュレーションパラメータセットとなる。
最後に、パラメータセット生成部２０３は、生成されたシミュレーションパラメータセットをパラメータセットＤＢ５０１に格納して処理を終了する（Ｓ８０５）。

図１５は、推定サブシステム３０によるシミュレーションの手順を示す。
まず、推定部３０３は、パラメータセットＤＢ５０１からシミュレーションパラメータセットを取得する（Ｓ１５０１）。次に、推定部３０３は、推定を行っていないパラメータセットがある間、パラメータセットでの推定結果の算出を行う（Ｓ１５０２、Ｓ１５０３）。シミュレーションパラメータセット内の全てのパラメータセットでの推定が終了したら、推定部３０３はシミュレーション結果をシミュレーション結果ＤＢ５０２に格納する（Ｓ１５０４）。

図１７は、表示サブシステムによつ表示の手順を示す。
まず、ランキング生成部４０１は、シミュレーション結果ＤＢ５０２からシミュレーション結果を取得する（Ｓ１７０１）。次に、ランキング生成部４０１は推定結果ＤＢ５０５から現状パラメータセットの推定結果を取得して、前ステップで取得したシミュレーション結果と合わせ、推定結果の昇順、または降順に並び替えたランキングを生成する（Ｓ１７０２）。ランキング表には、推定結果と合わせて変更パラメータの情報、現状パラメータからの変更数の情報も含める。その後、結果表示部４０２は、どのパラメータが現状パラメータから変更されているかを可視化するため、ランキング表内のシミュレーションパラメータセットにおいて現状パラメータセットと異なるパラメータの欄に網掛け等をする（Ｓ１７０３）。最後に、結果表示部４０２は、作成したランキング表を端末７０に表示する（Ｓ１７０４）。

端末７０に表示されるランキング表の例を図１８に示す。図１８は、企業の倒産確率のシミュレーションを行った出力結果で倒産確率が低い順に高いランクを付けている。また、変更する前の現状パラメータセットと、そのパラメータによって推定された倒産確率が表示される。それぞれのシミュレーション結果において、現状パラメータセットから変更したものについては、変更したパラメータの欄に網掛け表示がされている。この現状パラメータセットの推定結果より上位に記載されたシミュレーション結果はいずれも現状より倒産確率が低くなると推定されたものであり、ユーザはどのパラメータをどのように変更すれば、倒産確率が低くなるかを一覧することができる。

一方、現状パラメータセットの推定結果より下位に記載されたシミュレーション結果は現状より倒産確率が高くなると推定されたものであり、どのパラメータをどのように変更すれば、倒産確率が高くなるかを知ることができる。

実施例１の倒産確率を案件の受注確率に変えて、営業活動支援を行うこともできる。営業支援のＳＦＡ（Sales Force Automation）システムがもつ営業活動データをもとに、案件の受注確率を推定して、営業員がどのように営業活動を変更すれば受注確率を上げることができるかを提示することもできる。

実施例１の倒産確率を製品の不良品率に変えて、製造工程改善支援を行うこともできる。製品の製造工程での製造パラメータや環境条件をもとに、不良品率を推定して、製造工程をどのように変更すれば不良品率を下げることができるかを提示することもできる。

活動記録が蓄積されている企業において、意思決定を支援する各種のシステムに利用が可能である。例えば、営業支援（ＳＦＡ）システム、顧客管理（CRM: Customer Relationship Management）システム、製造システムなどが考えられる。

１０：計算機システム
２０：シミュレーションサブシステム２０１：変更可能項目設定部２０２：パラメータ設定部
２０３：パラメータセット生成部
３０：推定サブシステム３０１：学習データ取得部３０２：推定モデル作成部３０３：推定部
４０：表示サブシステム４０１：ランキング生成部４０２：結果表示部
５０：データベース群５０１：パラメータセットＤＢ５０２：シミュレーション結果ＤＢ
５０３：モデルＤＢ５０４：学習データＤＢ５０５：推定結果ＤＢ
６０：業務システム７０：端末

Claims

計算機システムを用いて、推定モデルの変数に入力するパラメータを変更して推定結果のシミュレーションを行うことにより意思決定を支援するシステムであって、
該推定モデルに利用されている変数の中で値が変更可能な変数を、端末より取得する設定手段と、
該端末から取得された変数から、推定を行う値の複数の組み合わせを生成する組合せ生成手段と、
該生成手段によって生成された値の複数の組み合わせを用いてシミュレーションを行い、推定結果を得る推定手段と、
該推定手段によって推定結果と用いられた値の組み合わせを該端末に出力して、何れの値の変更が何れの推定結果を変更するかを可視的に表示する手段とを有する
ことを特徴とする意思決定支援システム。
推定モデルを用いて、推定モデルの変数に入力するパラメータを変更して推定結果のシミュレーションを行うシステムであって、変更可能な変数の設定を行い、変更パラメータを複数の組み合わせにより該端末から入力して、
前記推定手段は、前記複数の組み合わせとして複数のパラメータセットで推定結果を算出し、
前記表示手段は、該推定結果における、現状と異なるパラメータセットでのシミュレーション結果と現状パラメータセットでのシミュレーション結果とを推定結果の順に該端末にランキング表示する
ことを特徴とする請求項１に記載の意思決定支援システム。
前記設定手段は、該端末から入力される該複数のパラメータセットの変数ごとに複数のパラメータを設定して、
前記生成手段は、設定されたパラメータのすべての組み合わせを生成してシミュレーションの入力とする
ことを特徴とする請求項２に記載の意思決定支援システム。
前記シミュレーション結果の該端末におけるランキング表示は、現状パラメータセットから変更がなされたパラメータに色づけまたは網掛けを行うことを特徴とする請求項２乃至３のいずれかに記載の意思決定支援システム。
該意思決定支援システムは企業の倒産確率を推定して意思決定を支援するシステムであり、
前記表示手段は、現状と異なるパラメータセットでの倒産確率のシミュレーション結果と現状パラメータセットでのシミュレーション結果を、倒産確率の順に該端末にランキング表示し、それぞれのシミュレーション結果にはパラメータセットと倒産確率を該端末に表示する
ことを特徴とする請求項２乃至４のいずれかに記載の意思決定支援システム。
該意思決定支援システムは案件の受注確率を推定して意思決定を支援するシステムであり、
前記表示手段は、現状と異なるパラメータセットでの受注確率のシミュレーション結果と現状パラメータセットでのシミュレーション結果を、受注確率の順に該端末にランキング表示し、それぞれのシミュレーション結果にはパラメータセットと受注確率を該端末に表示する
ことを特徴とする請求項２乃至４のいずれかに記載の意思決定支援システム。
該意思決定支援システムは製品の不良品率を推定して意思決定を支援するシステムであり、
前記表示手段は、現状と異なるパラメータセットでの不良品率のシミュレーション結果と現状パラメータセットでのシミュレーション結果を、不良品率の順に該端末にランキング表示し、それぞれのシミュレーション結果にはパラメータセットと不良品率を該端末に表示する
ことを特徴とする請求項２乃至４のいずれかに記載の意思決定支援システム。
計算機システムでプログラムを実行することで、推定モデルの変数に入力するパラメータを変更して推定結果のシミュレーションを行うことにより意思決定を支援する意思決定支援方法であって、
該計算機システムは、該推定モデルに利用されている変数の中で値が変更可能な変数を、端末より取得する設定ステップと、
該計算機システムは、該端末から取得された変数から、推定を行う値の複数の組み合わせを生成する組合せ生成ステップと、
該計算機システムは、該生成ステップで生成された値の複数の組み合わせを用いてシミュレーションを行い、推定結果を得る推定ステップと、
該計算機システムは、該推定ステップによる該推定結果と用いられた値の組み合わせを該端末に出力して、何れの値の変更が何れの推定結果を変更するかを可視的に表示するステップとを有する
ことを特徴とする意思決定支援方法。