信息处理设备、信息处理方法和程序与流程

1.本公开涉及信息处理设备、信息处理方法和程序。


背景技术：

2.关于任务，恰当地评估任务的执行者是非常重要的。为此目的，已经设计了许多用于自动或辅助上述评估的机制。例如，专利文献1设计了一种对投资信托基金进行评级的机制。
3.引文列表
4.专利文件
5.专利文献1：日本专利申请公开no.2009-245368


技术实现要素：

6.本发明要解决的问题
7.具体地，在对执行诸如投资信托基金等专业性较强的任务的执行者进行评估的情况下，需要在多方面分析的基础上进行更适当的评估。
8.问题的解决方案
9.根据本公开的某个观点，提供了一种信息处理设备，包括：评估单元，其基于指示被评估者关于预定任务的动作的结果的动作结果数据，执行对被评估者的动作的评估，其中，评估单元执行贡献分析，该贡献分析分析被评估者的动作对预定任务中的评估项目的贡献，并基于贡献分析的结果评估被评估者的动作，并且贡献分析包括：通过由机器学习算法生成的分类器，基于作为被评估者的动作的目标的多个对象的输入属性和对象的动作结果数据，生成其中多个对象布置在平面上的二维图。
10.此外，根据本公开的另一观点，提供了一种信息处理方法，包括：由处理器基于指示被评估者关于预定任务的动作的结果的动作结果数据，执行对被评估者的动作的评估，其中，执行评估进一步执行贡献分析，该贡献分析分析被评估者的动作对预定任务中的评估项目的贡献，并基于贡献分析的结果评估被评估者的动作，并且贡献分析包括：在由机器学习算法生成的分类器中，基于作为被评估者的动作的目标的多个对象的输入属性和对象的动作结果数据，生成其中多个对象布置在平面上的二维图。
11.此外，根据本公开的另一观点，提供了一种用于使计算机作为信息处理设备发挥作用的程序，该信息处理设备包括：评估单元，其基于指示被评估者关于预定任务的动作的结果的动作结果数据，执行对被评估者的动作的评估，其中，评估单元执行贡献分析，该贡献分析分析被评估者的动作对预定任务中的评估项目的贡献，并基于贡献分析的结果评估被评估者的动作，并且贡献分析包括：在由机器学习算法生成的分类器中，基于作为被评估者的动作的目标的多个对象的输入属性和对象的动作结果数据，生成其中多个对象布置在平面上的二维图。
附图说明
12.图1是示出根据本公开的实施例的学习设备10的功能配置示例的框图。
13.图2是示出本实施例的评估设备20的功能配置示例的框图。
14.图3是用于说明根据实施例的分类器215的生成和由分类器215输出的二维图m0的图。
15.图4是示出根据实施例的活跃回报图m1的示例的图。
16.图5是示出根据实施例的活跃权重图m2的示例的图。
17.图6是示出根据实施例的活跃回报和活跃权重图m3的示例的图。
18.图7是示出根据实施例的交易量图m4的示例的图。
19.图8是示出根据实施例的活跃回报和交易量图m5的示例的图。
20.图9是示出根据实施例的订单量图m6的示例的图。
21.图10是示出根据实施例的客户负责人年龄图m7的示例的图。
22.图11是示出根据实施例的订单量图和客户负责人年龄图m8的示例的图。
23.图12是示出根据实施例的合同图m9的示例的图。
24.图13是示出根据实施例的客户访问图m10的示例的图。
25.图14是根据实施例的合同和访问次数图的示例。
26.图15是示出根据实施例的由评估设备20处理流程的示例的流程图。
27.图16是示出根据实施例的比较对多个被评估者的评估的对照表的示例的图。
28.图17是示出根据实施例的信息处理设备90的硬件配置示例的框图。
具体实施方式
29.在下文中，将参考附图详细描述本公开的优选实施例。注意，在本说明书和附图中，具有基本相同功能配置的部件由相同的附图标记表示，并且将省略冗余说明。
30.注意，将按以下顺序给出描述。
31.1.实施例
32.1.1.背景
33.1.2.学习设备10的功能配置示例
34.1.3.评估设备20的功能配置示例
35.1.4.基于贡献分析的评估
36.1.5.处理流程
37.2.硬件配置示例
38.3.结论
39.《1.实施例》
40.《《1.1.背景》》
41.如上所述，关于某一任务，无论业务领域和业务类型如何，恰当地评估任务的执行者(以下，也称为被评估者)是非常重要的。然而，在被评估者执行的任务的专业度高并且评估者不具有与被评估者相同的对于任务的专业度的情况下，存在难以进行适当评估的情况。
42.这里，作为示例，假设在某一基金中对基金管理人执行评估的情况。例如，属于基
金的评估者对合同基金管理人或作为未来合同的候选人的新基金管理人作为被评估者执行评估。
43.然而，这里，在属于基金的评估者不具有与被评估者相当的专业知识的情况下，评估者很难对被评估者进行适当地评估。此外，可能会发生评估者无法掌握被评估者对策略等的解释，而不得不接受被评估者的话语的情况等。
44.因此，特别是，在执行具有专业性高的任务的被评估者(例如基金管理人(或基金))进行评估的情况下，重要的是基于多方面分析可视化评估。
45.此外，除了专业水平高，还有很多因素使得对被评估者的评估变得困难。例如，假设在组织(例如公司)中，销售人员执行销售活动以赢得与客户的合同。
46.上述销售人员所执行的销售活动包括客户拜访等的各种活动，并且客户和客户负责人的特征对合同的成败有很大影响。因此，很难构造用于建立合同的理论，并且可能难以正确地评估被评估者的销售活动。
47.根据本发明的实施例的技术构思是通过着眼于上述要点而构思的，并且对被评估者的动作实施更适当的评估。
48.为此目的，根据本发明的实施例的评估设备20的特征之一是执行贡献分析，该贡献分析分析被评估者的动作对预定任务中的评估项目的贡献，并基于贡献分析的结果评估被评估者的动作。
49.以下，将给出用于实施如上所述的评估的功能配置的详细描述。
50.《《1.2.学习设备10的功能配置示例》》
51.首先，将描述根据本实施例的学习设备10的功能配置示例。根据本实施例的学习设备10是生成用于由评估设备20进行贡献分析的分类器215的信息处理设备。
52.图1是示出根据本实施例的学习设备10的功能配置示例的框图。如图1所示，根据本实施例的学习设备10包括学习单元110、存储单元120等。
53.(学习单元110)
54.根据本实施例的学习单元110通过机器学习算法生成用于由评估设备20进行贡献分析的分类器215。
55.例如，根据本实施例的学习单元110可以通过使用神经网络的无监督学习来生成分类器215。
56.将单独详细描述根据本实施例的学习单元110的学习细节。注意，根据本实施例的学习单元110的功能由诸如gpu的处理器实施。
57.(存储单元120)
58.根据本实施例的存储单元120存储关于由学习单元110执行的学习的各种类型的信息。例如，存储单元120存储学习单元110用于学习的网络的结构、关于网络的各种参数、学习数据等。
59.以上，已经描述了根据本实施例的学习设备10的功能配置示例。注意，以上参照图1描述的配置仅仅是示例，并且根据本实施例的学习设备10的功能配置不限于该示例。
60.例如，根据本实施例的学习设备10可进一步包括接收用户的操作的操作单元、显示各种类型的信息的显示单元等。
61.根据本实施例的学习设备10的功能配置可以根据规格和操作灵活地修改。
62.《《1.3.评估设备20的功能配置示例》》
63.接下来，将描述根据本实施例的评估设备20的功能配置示例。根据本实施例的评估设备20是对被评估者的动作执行评估的信息处理设备。
64.图2是示出本实施例的评估设备20的功能配置示例的框图。如图2所示，根据本实施例的评估设备20包括评估单元210、存储单元220、输出单元230等。
65.(评估单元210)
66.根据本实施例的评估单元210基于指示被评估者关于预定任务的动作的结果的动作结果数据，执行对被评估者的动作的评估。
67.根据本实施例的被评估者的示例包括上面描述基金管理人等。在这种情况下，上面描述预定任务可以是资产管理。此外，上面描述被评估者的动作的示例包括诸如股票的金融产品的交易。此外，动作结果数据可以是记录交易结果(例如，购买某一股票的日期、购买量、出售某一股票的日期、出售量等)的数据。
68.此外，例如，根据本实施例的被评估者可以是属于公司的销售人员等。在这种情况下，上面描述的预定任务可以是与公司的合同。此外，上面描述的被评估者的动作的示例包括各种销售活动，例如拜访客户(包括潜在客户)、打电话、电子邮件和演示。此外，动作结果数据可以是记录如上所述的销售活动的结果(例如，访问日期、电话呼叫次数、电子邮件数量、存在或不存在演示等)的数据。
69.此外，根据本实施例的评估单元210的特征之一是使用分类器215执行贡献分析，并基于贡献分析的结果执行对被评估者的动作的评估。
70.根据本实施例的贡献分析可以包括，通过由机器学习算法生成的分类器215，基于作为被评估者输入的动作的目标的多个对象的属性和对象的动作结果数据，生成其中多个对象布置在平面上的二维图。
71.此外，根据本实施例的贡献分析进一步包括在分类器215输出的二维图中以热图形式表示关于评估项目的强度和关于被评估者的动作的强度。
72.将分别给出使用根据本实施例的分类器215的贡献分析和基于贡献分析的结果的评估的详细描述。注意，根据本实施例的评估单元210的功能由诸如gpu或cpu的处理器实施。
73.(存储单元220)
74.根据本实施例的存储单元220存储由评估设备20使用的各种类型的信息。存储单元220存储信息，例如，指示被评估者的动作的结果的动作结果数据、评估单元210使用的程序、评估单元210的评估结果等。
75.(输出单元230)
76.根据本实施例的输出单元230输出由评估单元210进行的评估的结果。例如，根据本实施例的输出单元230可以显示上述评估的结果。在这种情况下，输出单元230包括各种显示器。此外，例如，输出单元230可以将上述评估的结果打印在纸介质上。在这种情况下，输出单元230包括打印机。
77.以上，已经描述了根据本实施例的评估设备20的功能配置示例。注意，以上参照图2描述的配置仅仅是示例，并且根据本实施例的评估设备20的功能配置不限于该示例。
78.例如，评估单元210和输出单元230不一定必须设置在同一设备中。作为示例，设置
在本地布置的设备中的输出单元230可以获取由设置在布置在云中的单独设备中的评估单元210进行的评估的结果，并输出该结果。
79.根据本实施例的评估设备20的功能配置可以根据规格和操作灵活地修改。
80.《《1.4.基于贡献分析的评估》》
81.接下来，将给出根据本实施例的评估单元210使用分类器215的贡献分析和基于贡献分析结果的评估的描述。
82.根据本实施例的贡献分析分析被评估者的动作对预定任务中的评估项目的贡献。
83.此外，根据本实施例的贡献分析包括，通过分类器215，根据作为由评估者输入的动作的目标的多个对象的属性和对象的动作结果数据，生成其中多个对象布置在平面上的二维图。
84.例如，在任务是资产管理的情况下，根据本实施例的对象可以是股票的名称。
85.此外，例如，在任务是与客户的合同的情况下，根据本实施例的对象可以是客户(其可以包括潜在客户)。
86.首先，将描述根据本实施例的生成分类器215的方法。图13是用于说明根据本实施例的分类器215的生成和由分类器215输出的二维图m0的图。
87.根据本实施例的分类器215使用作为评估者的动作的目标的多个对象的属性和对象的动作结果数据作为输入数据id来输出其中多个对象布置在平面上的二维图m0。注意，图10所示的二维图m0中的每个矩形指示上述对象。
88.即，可以说，根据本实施例的分类器215具有在保持数据分布的相位结构的同时将高维数据集映射到低维空间的功能。
89.例如，可以通过重复执行无监督学习(其中，将上述输入数据id给予神经网络(nn)116，并输出二维图m0)来生成根据本实施例的分类器215。
90.例如，根据本实施例的分类器215可以是自组织图。另一方面，根据本实施例的分类器215可以通过使用诸如变分自动编码器(vae)的算法来生成。
91.根据本实施例的评估单元210使用如上所述生成的分类器215执行贡献分析。此时，根据本实施例的评估单元210的特征之一是在分类器215输出的二维图m0中以热图形式表示关于预定任务中的评估项目的强度和关于目标人的动作的强度。
92.例如，在预定任务是资产管理的情况下，上述评估项目的示例包括活跃回报。这里，活跃回报是表明投资组合的回报和基准的回报之间的差异的指数。
93.根据本实施例的评估单元210可以基于股票的属性(这里，上述基准的回报)和动作结果数据(这里，投资组合的回报)来计算活跃回报，并且生成活跃回报图m1，其中在二维图m0上以热图形式表示活跃回报。
94.图4是示出根据本实施例的活跃回报图m1的示例的图。在图4所示的活跃回报图m1中，活跃回报的强度由斜线的密度表示。
95.具体地，在图4所示的活跃回报图m1中，由高密度斜线表示投资组合的回报大大超过基准的回报的区域，并且由低密度斜线表示投资组合的回报与基准的回报之间几乎没有差异的区域。此外，投资组合的回报大大低于基准的回报的区域用单色(白色)表示。
96.注意，在图4所示的活跃回报图m1中，活跃回报的强度由上面描述的三个阶段来表示，以优先可见性，但是根据本实施例的评估单元210可以以更多的级并且连续地表示活跃
回报的强度。
97.此外，在图4所示的活跃回报图m1中，为了优先可见性，省略了布置在平面上的每个股票的表达。这同样适用于下面描述的每个热图。
98.此外，根据本实施例的评估单元210可进一步生成指示关于目标人的动作的强度的热图，作为要与指示关于预定任务中的评估项目的强度的热图(例如活跃回报图m1)进行比较的目标。
99.例如，可以将活跃权重作为与上述有关目标人的动作的强度指标的示例来提及。活跃权重是指示投资组合中的股票的构成比与基准中的股票的构成比之间的偏差幅度的指数。
100.根据本实施例的评估单元210可以基于股票的属性(这里，在上述基准中的股票的构成比)和动作结果数据(这里，在投资组合中的股票的构成比)来计算活跃权重，并且生成活跃权重图m2，其中在二维图m0上以热图形式表示活跃权重。
101.图5是示出根据本实施例的活跃权重图m2的示例的图。在图5所示的活跃权重图m2中，活跃回报的强度由点的密度表示。
102.具体地，在图5所示的活跃权重图m2中，投资组合中的股票持有量大大超过基准中的股票持有量的区域用高密度点表示。此外，投资组合中的股票持有量与基准中的股票持有量几乎没有差异的区域用低密度点表示。此外，投资组合中的股票持有量大大低于基准中的股票持有量的区域用单色(白色)表示。
103.注意，在图5所示的活跃权重图m2中，活跃权重的强度由上面描述的三个级来表示，以优先可见性，但是根据本实施例的评估单元210可以以更多的级和连续地表示活跃权重的强度。
104.以上，已经描述了根据本实施例的指示关于评估项目的强度的热图和指示关于目标人的动作的强度的热图的特定示例。
105.根据本实施例的评估单元210可进一步生成热图，其中上述生成的两个热图彼此重叠。
106.此外，此时，根据本实施例的评估单元210可以基于其中上述两个热图彼此重叠的热图(二维图)，评估被评估者的动作对评估项目的贡献是否是由于被评估者的能力。
107.例如，根据本实施例的评估单元210可以通过将活跃回报图m1和活跃权重图m2彼此重叠来生成活跃回报和活跃权重图m3。
108.图6是示出根据本实施例的活跃回报和活跃权重图m3的示例的图。此时，根据本实施例的评估单元210可以基于活跃回报和活跃权重图m3，评估被评估者的动作对活跃回报的贡献是否是由于被评估者的能力。
109.具体地，根据本实施例的评估单元210可以将具有关于评估项目的高强度的区域和具有关于被评估者的动作的高强度的区域相互重叠的区域评估为因为被评估者的能力而具有高贡献的区域。
110.例如，在图6所示的活跃回报和活跃权重图m3中，通过高密度斜线和高密度点的叠加来表示活跃回报高和活跃权重高的区域。该区域可以说是股票持有量大，并且由于被评估者的动作而获得利润的区域。
111.因此，根据本实施例的评估单元210可以像上述区域一样，将具有高强度活跃回报
的区域和具有高强度活跃权重的区域相互重叠的区域评估为由于被评估者的能力而产生利润的区域(好的选择)。
112.此外，根据本实施例的评估单元210可以将具有关于评估项目的高强度区域和具有关于被评估者的动作的低强度区域相互重叠的区域评估为被评估者的能力具有低贡献的区域，即，通过运气(侥幸)产生利润的区域。
113.例如，在图6所示的活跃回报与活跃权重图m3中，通过高密度斜线表示活跃回报高并且活跃权重低的区域。该区域可以说是股票持有量较小但相对获利的区域。
114.因此，根据本实施例的评估单元210可以像上述区域一样，将具有高强度活跃回报的区域和具有低强度活跃权重的区域相互重叠的区域评估为由于运气而产生利润的区域(运气)。
115.此外，评估单元210可以将关于评估项目的低强度区域和关于被评估者的动作的高强度区域相互重叠的区域评估作为有可能由被评估者的动作的动作影响评估项目的减少的区域。
116.例如，在图6所示的活跃回报与活跃权重图m3中，通过高密度点表示活跃回报低而活跃权重高的区域。该区域可以说是股票持有量大，并且由于被评估者的动作而产生损失的区域。
117.因此，根据本实施例的评估单元210可以像上述区域一样，将具有低强度活跃回报的区域和具有高强度活跃权重的区域相互重叠的区域评估为由于被评估者的动作而产生损失的区域(坏的选择)。
118.此外，根据本实施例的评估单元210还可以基于如上所述评估的每个区域的面积，从资产管理中产生的利润中计算指示由被评估者的能力产生的利润的贡献比率(意图利润比率(ipr))。
119.例如，在图13所示的示例的情况下，可以通过以下数学表达式计算ipr。
120.ipr＝好的选择/好的选择 运气
121.如上所述，根据使用根据本实施例的评估单元210的评估，与仅利用活跃回报简单地执行对被评估者的评估的情况相比，能够更适当地评估被评估者的能力。
122.此外，评估单元210还可以通过每预定周期连续计算ipr来执行诸如被评估者的能力如何变化的评估。
123.此外，在上面的描述中，已经例示了评估单元210基于活跃回报和活跃权重来执行被评估者的评估的情况；然而，根据本实施例的评估单元210的评估不限于这样的示例。
124.根据本实施例的评估单元210可以基于例如活跃回报和交易量来执行对被评估者的评估。
125.图7是示出根据本实施例的交易量图m4的示例的图。在图7所示的交易量图m4中，交易量的强度由斜线的密度表示。
126.具体地，在图7所示的交易量图m4中，交易量大的区域由高密度斜线表示，并且交易量中等的区域由低密度斜线表示。此外，交易量较小的区域用单色(白色)表示。
127.注意，在图7所示的交易量图m4中，交易量的强度由上面描述的三个级来表示，以优先可见性，但是根据本实施例的评估单元210可以以更多的级和连续地表示交易量的强度。
128.此外，根据本实施例的评估单元210可以通过将活跃回报图m1和交易量图m4彼此重叠来生成活跃回报和交易量图m5。
129.图8是示出根据本实施例的活跃回报和交易量图m5的示例的图。此时，根据本实施例的评估单元210可以基于活跃回报和交易量图m5，评估被评估者的动作对活跃回报的贡献是否是由于被评估者的能力。
130.例如，在图8所示的活跃回报和交易量图m5中，通过高密度斜线和高密度点的叠加来表示活跃回报高和交易量大的区域。该区域可以说是股票交易量大，并且由于被评估者的动作而获得利润的区域。
131.因此，根据本实施例的评估单元210可以将具有高强度活跃回报的区域和具有高强度交易量的区域相互重叠的区域评估为由于被评估者的能力而产生利润的区域(好的交易)。
132.另一方面，在图8所示的活跃回报和交易量图m5中，通过高密度斜线表示活跃回报高并且交易量小的区域。该区域可以说是股票交易量较小但相对获利的区域。
133.因此，根据本实施例的评估单元210可以将具有高强度活跃回报的区域和具有低强度交易量的区域相互重叠的区域评估为由于运气而产生利润的区域(运气)。
134.另一方面，在图8所示的活跃回报和交易量图m5中，通过高密度点表示活跃回报低并且交易量大的区域。该区域可以说是股票交易量大，并且由于被评估者的动作而产生损失的区域。
135.因此，根据本实施例的评估单元210可以将具有低强度活跃回报的区域和具有高强度交易量的区域相互重叠的区域评估为由于被评估者的动作(由于错误计算)而产生损失的区域(坏的交易)。
136.以上，已经通过具体示例描述了使用根据本实施例的评估单元210的评估。注意，根据本实施例的评估单元210除了上述的活跃回报、活跃权重和交易量之外，还可以以热图形式表示各种属性和基于这些属性的指标。
137.例如，根据本实施例的评估单元210可以生成关于市净率(pbr)、市盈率(per)、股票收益率等的热图，并且评估单元210可以基于热图执行评估。
138.根据使用根据本实施例的评估单元210的评估方法，可以执行评估，例如，在对哪个产业部门的投资或在哪个区域领域的投资中显示了能力(或发生了误读)。
139.此外，根据使用根据本实施例的评估单元210的评估方法，可以执行评估，例如，不盈利的结果是由于市场环境的影响还是由于投资风格。
140.以上，在任务是资产管理并且被评估者的动作是金融产品的交易的情况下，已经描述了贡献分析和基于贡献分析的评估。
141.另一方面，根据本实施例的任务和被评估者的动作不限于上述示例。例如，根据本实施例的任务可以是与客户的合同。此外，在这种情况下被评估者的动作可以是销售活动。
142.下面，通过具体的示例，将给出被评估者是属于公司的销售人员等的情况下的贡献分析，以及基于贡献分析的评估的描述。
143.注意，同样在这种情况下，对象的属性和动作结果数据类似地被输入到分类器215。在任务是与客户的合同的情况下，对象可以是客户(可以包括潜在客户)或客户负责人。
144.在对象为客户的情况下，属性的示例包括总市场价值、销售额、营业利润、员工数量、地区、业务类型等。
145.此外，在对象是客户负责人的情况下，属性的示例包括职位、年龄、性别、隶属关系、背景等。
146.此外，输入到分类器215的动作结果数据的示例包括客户访问的次数(频率)、电子邮件数量(频率)、电话呼叫次数(频率)或呼叫时间、合同的成功或失败、订单量等。如上所述的一组动作结果数据可以通过作为被评估者的销售人员的数量被输入到分类器215。
147.以下，通过具体的示例，将给出贡献分析和基于贡献分析结果的评估的描述。
148.例如，在任务是与客户的合同的情况下，订单量可以作为被评估者的评估项目的示例。因此，根据本实施例的评估单元210可以基于目标对象的属性和输入的动作结果数据来生成订单量图m6，其中以热图形式表示相对应的被评估者的订单量。
149.图9是示出根据本实施例的订单量图m6的示例的图。在图9所示的订单量图6中，用斜线的密度表示相对应的被评估者的订单量的强度。
150.具体地，在图9所示的订单量图m6中，订单量大于地点值的区域由高密度斜线表示，并且订单量中等的区域由低密度斜线表示。此外，订单量低于预定值(包括0)的区域由单色(白色)表示。
151.注意，在图9所示的订单量图m6中，订单量的强度由上面描述的三个级来表示，以优先可见性，但是根据本实施例的评估单元210可以以更多的级和连续地表示订单量的强度。
152.注意，对于可以与订单量进行比较的对象的属性，假定了各种动作；然而，这里，作为示例，采用了客户负责人的年龄。
153.图10是示出根据本实施例的客户负责人年龄图m7的示例的图。在图10所示的客户负责人年龄图m7中，客户负责人年龄的强度由点的密度表示。
154.具体地，在图10所示的客户负责人年龄图m7中，客户负责人年龄为51岁以上的区域由高密度点表示，并且客户负责人年龄为36至50岁的区域由低密度点表示。此外，客户负责人年龄在35岁或以下的区域用单色(白色)表示。
155.注意，在图10所示的客户负责人年龄图m7中，客户负责人的年龄的强度由上面描述的三个级表示，以优先可见性，但是根据本实施例的评估单元210可以以更多的级和连续地表示年龄的强度。
156.此外，根据本实施例的评估单元210可以将生成的订单量图m6和客户负责人年龄图m7彼此重叠，以生成订单量图和客户负责人年龄图m8。
157.图11是示出根据本实施例的订单量图和客户负责人年龄图m8的示例的图。参照图11，可以看出，订单量的强度高的区域的分布(高密度斜线)与客户负责人的年龄的强度高的区域的分布(高密度点)相似，并且两者相互重叠的区域的面积(高密度斜线和点)宽。
158.在这种情况下，根据本实施例的评估单元210可以评估相对应的被评估者倾向于从年龄为51岁或更大的客户的负责人获得高订单量。
159.此外，评估单元210可以评估在订单量仍然低(或0)的区域中的年龄为51岁或更大的客户负责人的区域，即，仅由订单量图和客户负责人年龄图m8中的高密度点表示的区域具有显示相对应的被评估者的强度的可能性。
160.通过查看上述评估，管理者等可以对具有51岁或以上的客户负责人并且仍然具有低订单量(或0)的公司执行适当的人员安置，例如使相对应的被评估者执行销售活动。
161.此外，在图11所示的订单量图和客户负责人年龄图m8中可以看出，订单量低(或0)的区域(纯白色)和客户负责人年龄为35岁以下的区域(纯白色)彼此广泛重叠。
162.在这种情况下，评估单元210可以进一步叠加关于相对应的被评估者的动作(例如，客户访问等)的热图，并执行进一步的评估。
163.这里，例如，在订单量低并且年龄为35岁以下的客户负责人的区域中，相对应的被评估者的客户访问强度低的情况下，评估单元210可以评估被评估者与35岁以下的客户负责人之间没有问题，并且存在由于未来重复的客户访问而导致订单量增加的可能性。
164.如上所述，根据本实施例的评估单元210还可以基于多个属性和动作执行多方面评估。
165.接下来，将参考图12至15描述关于销售活动的另一评估。
166.图12是示出根据本实施例的合同图m9的示例的图。在图12所示的合同图m9中，通过斜线的存在或不存在来表示是否建立了与客户的合同。
167.具体地，在图12所示的合同图m9中，通过斜线指示建立了与客户的合同的区域，并且通过纯白色指示未建立与客户的合同的区域。
168.此外，图13是示出根据本实施例的客户访问图m10的示例的图。在图13所示的客户访问图m10中，由点的密度表示相对应的被评估者的客户访问的强度。
169.具体地，在图13所示的客户访问图m10中，客户访问次数大于预定次数的区域由高密度点表示，并且客户访问次数中等的区域由低密度点表示。此外，客户访问次数低于预定次数的区域由纯白色表示。
170.注意，在图13所示的客户访问图m10中，客户访问的强度由上面描述的三个级来表示，以优先可见性，但是根据本实施例的评估单元210可以以更多的级和连续地表示客户访问的强度。
171.此外，图14是根据本实施例的合同和访问次数图的示例。参照图14，可以看出，建立合同的区域的分布(斜线)不同于客户访问强度高的区域的分布(高密度点)，并且两者相互重叠的区域(斜线和高密度点)非常小。
172.在这种情况下，根据本实施例的评估单元210可以评估由相对应的被评估者执行的客户访问没有导致合同的建立(目前)。
173.此外，在这种情况下，评估单元210可以进一步叠加关于相对应的被评估者的另一动作(例如，电话呼叫的数量等)的热图，并执行进一步的评估。
174.这里，例如，在建立合同的区域中，在关于执行外部包装的被评估者的电话呼叫次数的强度高的情况下，评估单元210可以评估通过电话呼叫进行业务获得合同的可能性高于通过执行客户访问获得合同的可能性。
175.通过查看上述评估，管理者等可以就未来的销售活动向被评估者提供适当的建议。
176.《《1.5.处理流程》》
177.接下来，将用示例描述根据本实施例的评估设备20处理流程。图15是示出根据本实施例的评估设备20处理流程的示例的流程图。
178.如图15所示，首先，评估单元210将对象的属性和动作结果数据输入到分类器215(s102)。
179.接下来，评估单元210使用分类器执行贡献分析(s104)。
180.接下来，评估单元210基于步骤s104中贡献分析的结果执行评估(s106)。
181.接下来，输出单元230输出步骤s106中的评估结果(s108)。
182.例如，输出单元230可以输出图4至图14所示的每个图等。
183.此外，如图16所示，输出单元230例如可以输出比较表等，其中对多个被评估者的评估彼此进行比较。
184.在图16所示的对照表的示例中，关于作为被评估者的公司a、公司b和公司c中的每一个，描述了活跃回报和评估单元210的评估结果。
185.例如，通过参考如图16所示的对照表，属于基金的评估者可以考虑从多个被评估者中选择未来待签约人、取消当前签约的基金管理人的合同等。
186.《2.硬件配置示例》
187.接下来，将给出根据本公开的实施例的学习设备10和评估设备20共有的硬件配置示例的描述。图17是示出根据本公开的实施例的信息处理设备90的硬件配置示例的框图。信息处理设备90可以是具有与上述每个设备的硬件配置等效的硬件配置的设备。如图17所示，例如，信息处理设备90包括处理器871、rom 872、ram 873、主机总线874、桥接器875、外部总线876、接口877、输入设备878、输出设备879、存储器880、驱动器881、连接端口882和通信设备883。注意，这里所示的硬件配置是示例，并且可以省略一些部件。此外，可进一步包括这里所示的部件以外的部件。
188.(处理器871)
189.例如，处理器871用作算术处理设备或控制设备，并基于记录在rom872、ram 873、存储器880或可移动记录介质901中的各种程序来控制部件或其一部分的整体操作。
190.(rom 872、ram 873)
191.rom 872是用于存储由处理器871读取的程序、用于计算的数据等的装置。ram 873暂时或永久地存储例如由处理器871读取的程序、当执行该程序时适当地改变的各种参数等。
192.(主机总线874、桥接器875、外部总线876、接口877)
193.例如，处理器871、rom 872和ram 873经由能够高速数据传输的主机总线874相互连接。另一方面，例如，主机总线874经由桥接器875连接到具有相对较低数据传输速度的外部总线876。此外，外部总线876经由接口877连接到各种部件。
194.(输入设备878)
195.例如，使用鼠标、键盘、触摸面板、按钮、开关、控制杆等作为输入设备878。此外，可以使用能够使用红外线或其他无线电波发送控制信号的遥控器(以下，遥控器)作为输入设备878。此外，输入设备878包括诸如麦克风的音频输入设备。
196.(输出设备879)
197.输出设备879是能够通过视觉或听觉向用户通知获取的信息的设备，例如，诸如阴极射线管(crt)、lcd或有机el的显示设备、诸如扬声器或耳机的音频输出设备、打印机、移动电话、传真机等。此外，根据本公开的输出设备879包括能够输出触觉刺激的各种振动设
备。
198.(存储器880)
199.存储器880是用于存储各种数据的设备。例如，使用诸如硬盘驱动器(hdd)、半导体存储设备、光存储设备、磁光存储设备等的磁存储设备作为存储器880。
200.(驱动器881)
201.例如，驱动器881是读取记录在诸如磁盘、光盘、磁光盘或半导体存储器等可移动记录介质901上的信息或将信息写入可移动记录介质901上的设备。
202.(可移动记录介质901)
203.例如，可移动记录介质901是dvd介质、蓝光(注册商标)介质、hddvd介质、各种半导体存储介质等。当然，可移动记录介质901可以是例如其上安装有非接触型ic芯片的ic卡、电子设备等。
204.(连接端口882)
205.例如，连接端口882是用于连接外部连接设备902的端口，例如通用串行总线(usb)端口、ieee1394端口、小型计算机系统接口(scsi)、rs-232c端口或光音频终端。
206.(外部连接设备902)
207.例如，外部连接的设备902是打印机、便携式音乐播放器、数码相机、数码摄像机、ic记录器等。
208.(通信设备883)
209.通信设备883是用于连接到网络的通信设备，并且例如是用于有线或无线lan、蓝牙(注册商标)或无线usb(wusb)的通信卡、用于光通信的路由器、用于非对称数字用户线(adsl)的路由器、用于各种通信的调制解调器等。
210.《3.结论》
211.如上所述，根据本公开的实施例的评估设备20包括评估单元210，其基于指示被评估者关于预定任务的动作的结果的动作结果数据，执行对被评估者的动作的评估。此外，根据本公开的实施例的评估单元210的特征之一是执行贡献分析，该贡献分析分析被评估者的动作对预定任务中的评估项目的贡献，并基于贡献分析的结果评估被评估者的动作。此外，上述贡献分析的特征之一是包括由机器学习算法生成的分类器基于作为被评估者输入的动作的目标的多个对象的属性和对象的动作结果数据，生成其中多个对象布置在平面上的二维图。
212.根据上述配置，可以实施对被评估者的动作的更适当的评估。
213.以上，已经参照附图详细描述了本公开的优选实施例，但本公开的技术范围不限于这样的示例。显然，在本公开的技术领域具有单色知识的人可以在权利要求书中描述的技术思想的范围内构思各种修改示例或修正示例，并且应当理解，这些修改示例或修正示例也属于本公开的技术范围。
214.此外，本说明书中描述的关于处理的步骤不一定必须按照流程图或序列图中描述的顺序按时间序列进行处理。例如，可以按照与所描述的顺序不同的顺序来处理或者可以并行地处理关于每个设备的处理的步骤。
215.此外，本说明书中描述的每个设备的一系列处理步骤可以通过使用软件、硬件以及软件和硬件的组合中的任何一个来实施。构成软件的程序预先存储在例如设置在每个设
备内部或外部的记录介质(非暂时性介质)中。然后，例如，每个程序在由计算机执行时被读入ram中，并由各种处理器执行。上述记录介质例如是磁盘、光盘、磁光盘、闪存等。此外，例如，可以经由网络来分发上述计算机程序，而不使用记录介质。
216.此外，本说明书中描述的效果仅仅是说明性的或示例性的，而不是限制性的。即，除了上述效果之外或代替上述效果，根据本公开的技术可以实现根据本说明书中的描述对本领域技术人员来说显而易见的其他效果。
217.注意，以下配置也属于本公开的技术范围。
218.(1)
219.一种信息处理设备，包括
220.评估单元，其基于指示被评估者关于预定任务的动作的结果的动作结果数据，执行对所述被评估者的所述动作的评估，
221.其中
222.所述评估单元执行贡献分析，所述贡献分析分析所述被评估者的所述动作对所述预定任务中的评估项目的贡献，并基于所述贡献分析的结果评估所述被评估者的所述动作，以及
223.所述贡献分析包括：通过由机器学习算法生成的分类器，基于作为所述被评估者的所述动作的目标的多个对象的输入属性和所述对象的所述动作结果数据，生成其中所述多个对象布置在平面上的二维图。
224.(2)
225.根据(1)所述的处理设备，其中
226.所述贡献分析进一步包括在所述二维图中以热图形式表示关于所述评估项目的强度和关于所述被评估者的所述动作的强度。
227.(3)
228.根据(2)所述的处理设备，其中
229.所述评估单元基于所述二维图评估所述被评估者的所述动作对所述评估项目的所述贡献是否是由于所述被评估者的能力。
230.(4)
231.根据(3)所述的处理设备，其中
232.所述评估单元将所述二维图中关于所述评估项目的高强度区域和关于所述被评估者的所述动作的高强度区域相互重叠的区域评估为由于所述被评估者的所述能力而具有高贡献的区域。
233.(5)
234.根据(3)或(4)所述的处理设备，其中
235.所述评估单元将所述二维图中关于所述评估项目的高强度区域和关于所述被评估者的所述动作的低强度区域相互重叠的区域评估为由于所述被评估者的所述能力而具有低贡献的区域。
236.(6)
237.根据(3)至(5)任一项所述的处理设备，其中
238.所述评估单元评估作为待评估的区域为，
239.所述二维图中关于所述评估项目的低强度区域和关于所述被评估者的所述动作的高强度区域相互重叠的区域，作为有可能由所述被评估者的所述动作的动作影响所述评估项目的减少的区域。
240.(7)
241.根据(3)至(6)任一项所述的处理设备，其中
242.所述预定任务包括资产管理。
243.(8)
244.根据(3)至(7)任一项所述的处理设备，其中
245.所述被评估者的所述动作包括金融产品的交易。
246.(9)
247.根据(7)或(8)所述的处理设备，其中
248.所述评估单元将所述二维图中具有高强度活跃回报的区域和具有高强度活跃权重的区域相互重叠的区域评估为由于所述被评估者的所述能力而产生利润的区域。
249.(10)
250.根据(7)至(9)任一项所述的处理设备，其中
251.所述评估单元将所述二维图中具有高强度活跃回报的区域和具有低强度活跃权重的区域相互重叠的区域评估为运气产生利润的区域。
252.(11)
253.根据(7)至(10)任一项所述的处理设备，其中
254.所述评估单元将所述二维图中具有低强度活跃回报的区域和具有高强度活跃权重的区域相互重叠的区域评估为由于所述被评估者的所述动作而产生损失的区域。
255.(12)
256.根据(7)至(11)任一项所述的处理设备，其中
257.所述评估单元将所述二维图中具有高强度活跃回报的区域和具有高强度交易量的区域相互重叠的区域评估为由于所述被评估者的所述能力而产生利润的区域。
258.(13)
259.根据(7)至(12)任一项所述的处理设备，其中
260.所述评估单元将所述二维图中具有高强度活跃回报的区域和具有低强度交易量的区域相互重叠的区域评估为运气产生利润的区域。
261.(14)
262.根据(7)至(13)任一项所述的处理设备，其中
263.所述评估单元将所述二维图中具有低强度活跃回报的区域和具有高强度交易量的区域相互重叠的区域评估为由于所述被评估者的所述动作而产生损失的区域。
264.(15)
265.根据(3)至(6)任一项所述的处理设备，其中所述预定任务包括与客户的合同。
266.(16)
267.根据(3)至(6)或(15)任一项所述的处理设备，其中所述被评估者的所述动作包括销售活动。
268.(17)
269.根据(1)至(16)任一项所述的处理设备，其中所述分类器包括自组织图。
270.(18)
271.根据(1)至(17)任一项所述的处理设备，
272.进一步包括
273.输出单元，其输出由所述评估单元进行的评估结果。
274.(19)
275.一种信息处理方法，包括
276.由处理器基于指示被评估者关于预定任务的动作的结果的动作结果数据，执行对所述被评估者的所述动作的评估，
277.其中
278.执行所述评估进一步包括执行贡献分析，所述贡献分析分析所述被评估者的所述动作对所述预定任务中的评估项目的贡献，并基于所述贡献分析的结果评估所述被评估者的所述动作，以及
279.所述贡献分析包括：通过由机器学习算法生成的分类器，基于作为所述被评估者的所述动作的目标的多个对象的输入属性和所述对象的所述动作结果数据，生成其中所述多个对象布置在平面上的二维图。
280.(20)
281.一种程序，用于使计算机
282.作为
283.信息处理设备，包括
284.评估单元，其基于指示被评估者关于预定任务的动作的结果的动作结果数据，执行对所述被评估者的所述动作的评估，
285.其中
286.所述评估单元执行贡献分析，所述贡献分析分析所述被评估者的所述动作对所述预定任务中的评估项目的贡献，并基于所述贡献分析的结果评估所述被评估者的所述动作，以及
287.所述贡献分析包括：通过由机器学习算法生成的分类器，基于作为所述被评估者的所述动作的目标的多个对象的输入属性和所述对象的所述动作结果数据，生成其中所述多个对象布置在平面上的二维图。
288.参考符号列表
289.10学习设备
290.110学习单元
291.120存储单元
292.20评估设备
293.210评估单元
294.215分类器
295.220存储单元
296.230输出单元。