CN108292380B - 要因分析装置、要因分析方法以及记录介质 - Google Patents

要因分析装置、要因分析方法以及记录介质 Download PDF

Info

Publication number
CN108292380B
CN108292380B CN201680063585.9A CN201680063585A CN108292380B CN 108292380 B CN108292380 B CN 108292380B CN 201680063585 A CN201680063585 A CN 201680063585A CN 108292380 B CN108292380 B CN 108292380B
Authority
CN
China
Prior art keywords
combination
factor
data
phenomenon
factors
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201680063585.9A
Other languages
English (en)
Other versions
CN108292380A (zh
Inventor
林哲也
松本茂
樱田招宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toshiba Corp
Toshiba Digital Solutions Corp
Original Assignee
Toshiba Corp
Toshiba Digital Solutions Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toshiba Corp, Toshiba Digital Solutions Corp filed Critical Toshiba Corp
Publication of CN108292380A publication Critical patent/CN108292380A/zh
Application granted granted Critical
Publication of CN108292380B publication Critical patent/CN108292380B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G06F11/0754—Error or fault detection not based on redundancy by exceeding limits
    • G06F11/076—Error or fault detection not based on redundancy by exceeding limits by exceeding a count or rate limit, e.g. word- or bit count limit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Debugging And Monitoring (AREA)

Abstract

实施方式的要因分析装置具有提取部、合计部、计算部以及生成部。提取部从现象与成为所述现象的要因的一个或者多个因子建立对应而成的组合数据中，根据组合数据的产生进行提取。合计部基于提取出的所述组合数据所含的所述现象与因子的组合，合计所述现象的产生数或者所述多个因子的组合的产生数。计算部基于所述合计部的合计结果，计算对应于所述现象与所述因子的组合且根据所述现象与所述因子的组合的产生数而变化的指标值。生成部生成：将每个所述现象与所述因子的组合和表示由所述计算部对每个所述现象与所述因子的组合计算出的指标值的图像建立对应而成的图像。

Description

要因分析装置、要因分析方法以及记录介质
技术领域
本发明的实施方式涉及要因分析(factorial analysis)装置、要因分析方法以及记录介质。
背景技术
以往，已知有对现象与成为导致该现象的要因的因子之间的因果关系进行分析的要因分析装置。然而，在以往的技术中，若成为现象的要因的因子增多，则存在不能准确地分析成为要因的因子与现象的关系的情况。
现有技术文献
专利文献
专利文献1:日本特开2015－49790号公报
发明内容
发明所要解决的课题
本发明所要解决的课题在于提供能够更准确地对组合多个因子而产生的现象的要因进行分析的要因分析装置、要因分析方法以及记录介质。
用于解决课题的手段
实施方式的要因分析装置具有提取部、合计部、计算部以及生成部。提取部从现象与成为所述现象的要因的一个或者多个因子建立对应而成的组合数据中，与组合数据的产生对应地进行提取。合计部基于所述组合数据所含的所述现象与因子的组合，合计出所述现象的产生数或者所述多个因子的组合的产生数。计算部基于所述合计部的合计结果，计算对应于所述现象与所述因子的组合且根据所述现象与所述因子的组合的产生数而变化的指标值。生成部生成：将所述现象与所述因子的组合和表示由所述计算部对每个所述现象与所述因子的组合计算出的指标值的图像建立对应而成的图像。
附图说明
图1为表示第1实施方式中的要因分析装置1的构成的一例的图。
图2A为说明在包括实施方式中的多个工序的生产线上产生的因子的图。
图2B为说明在包括实施方式中的多个工序的生产线上产生的因子的图。
图2C为说明在包括实施方式中的多个工序的生产线上产生的因子的图。
图2D为说明在包括实施方式中的多个工序的生产线上产生的因子的图。
图2E为说明在包括实施方式中的多个工序的生产线上产生的因子的图。
图2F为说明在包括实施方式中的多个工序的生产线上产生的因子的图。
图3为表示实施方式中的要因分析装置1的功能构成的一例的图。
图4为表示在实施方式中的收集数据存储部210中存储的收集数据的一例的图。
图5为表示实施方式中的提取数据241的一例的图。
图6为表示实施方式中的合计数据242的一例的图。
图7为表示实施方式中的可靠度数据243的一例的图。
图8为表示实施方式中的要因分析装置1的处理的一例的流程图。
图9为表示实施方式中的计算指标值的处理(S16)的一例的流程图。
图10为表示针对作为某提取数据241而提取出的组合数据进行处理而得的结果的图。
图11为表示实施方式中的对计算出的指标值进行储存的指标值存储部250的一例的图。
图12为表示用于说明实施方式中的图像生成部118生成的图像的一例的图。
图13为表示第2实施方式中的要因分析装置1的处理的一例的流程图。
图14为表示实施方式中的计算指标值的处理(S17A)的一例的流程图。
图15为表示针对作为某提取数据241而提取出的组合数据进行处理而得的结果的图。
图16为表示第3实施方式中的要因分析装置1的处理的一例的流程图。
图17为表示针对作为某提取数据241而提取出的组合数据进行处理而得的结果的图。
图18为表示第4实施方式中的要因分析装置1A的一部分构成的一例的图。
图19为表示实施方式中的要因分析装置1A的处理的一例的流程图。
图20为表示在实施方式中的收集数据存储部210A中存储的收集数据的一例的图。
图21为表示实施方式中的合计数据242A的一例的图。
图22为表示实施方式中的要因分析装置1A实施的要因分析模式(model)的处理的一例的流程图。
具体实施方式
以下，参照附图对实施方式的要因分析装置、要因分析方法以及记录介质进行说明。
(第1实施方式)
要因分析装置1为将用于分析要因(因子)与结果(现象)的关联性的各种数据作为分析对象而输出表示关系性的信息的装置。图1为表示实施方式中的要因分析装置1的构成的一例的图。本实施方式中的要因分析装置1包括通信接口10、CPU(Central ProcessingUnit：中央处理单元)等处理器20、RAM(Random Access Memory：随机存储器)30、ROM(ReadOnly Memory：只读存储器)40、存储装置50、显示接口60以及输入装置接口70。这些构成要素经由要因分析装置1内的总线等而能够互相通信地连接。
通信接口10经由网络NW而与其他的装置进行通信。网络NW包括LAN(Local AreaNetwork：局域网)或WAN(Wide Area Network：广域网)等。通信接口10从数据收集装置2接收在数据收集装置2中收集到的收集数据。收集数据是要因(因子)与结果(现象)以一对一或者一对多的形式相互建立对应而成的数据(组合数据)。
数据收集装置2有时收集在生产线中的各工序产生的各种事件的信息，并将收集到的各种事件的信息作为收集数据向要因分析装置1供给。以下，对该例进行说明，但不限于此。
图2A至图2F为说明在包括多个工序的生产线上产生的因子的图。如图2A所示，生产线具有种类不同的工序A、工序B、工序C以及工序D，上述的各工序按图示的顺序实施。在上述的各工序中，检测出能够成为各现象y的要因的因子x，并对其履历进行管理。例如，如图2B所示，在工序A中，作为日志而记录了产生因子xa1、因子xa2、因子xa3、…，各因子产生的时刻、该因子的内容(事件内容)等信息作为数据被管理。代表在工序A中产生的各因子而记作因子xa。
如图2C所示，在工序B中，产生因子xb1、因子xb2、因子xb3、…。另外，如图2D所示，在工序C中，产生因子xc1、因子xc2、因子xc3、…。另外，如图2E所示，在工序D中，产生因子xd1、因子xd2、因子xd3、…。在各工序中，作为日志而记录有各因子的产生，各因子产生的时刻、该因子的内容(事件内容)等信息作为数据被管理。代表在工序A、工序B、工序C中产生的各因子而记作因子xa、因子xb、因子xc。
另外，如图2F所示，在上述的生产线中产生现象y，作为日志而记录了产生现象ya、现象yb、现象yc、…。各现象产生的时刻、该现象的内容(事件内容)等信息作为数据被管理。代表所产生的各现象而记作现象y。
在以下的说明中，为了使说明简单化，例示出因子xa、因子xb、因子xc、因子xd进行说明。此外，上述的各因子x设为独立地产生。
关于现象y，既存在多个工序的因子关联而成为要因的情况，也存在特定的工序的因子成为要因的情况。例如，在产生的因子x中包括因子xa、因子xb、因子xc、因子xd这4个因子的情况下，如果对可能成为要因的因子x的组进行列举，则如下所述。
{xa}、{xb}、{xc}、{xd}、{xa、xb}、{xa、xc}、{xa、xd}、{xb、xc}、{xb、xd}、{xc、xd}、{xa、xb、xc}、{xa、xb、xd}、{xa、xc、xd}、{xa、xb、xc、xd}
上述示出一例，因子x的数量、因子x彼此的组合的合适与否、因子x的组数等不限于上述的例子。
数据收集装置2将上述的因子x的组以及与因子x的组关联的现象y建立关联，将建立了关联的因子x的组与现象y组合来形成组合数据。数据收集装置2将该组合数据向要因分析装置1供给。
此外，关于收集数据，也可以在数据收集装置2中分别地收集仅因子x的数据和仅现象y的数据。在该情况下，要因分析装置1也可以根据数据被取得的时刻或因子x与现象y产生的状况等，来生成组合数据。
返回要因分析装置1的说明。处理器20根据需要将在ROM40或者存储装置50中存储的程序在RAM30中展开并执行。
RAM30暂时存储处理器20进行的处理的结果等。ROM40存储处理器20执行的引导程序等。存储装置50是HDD(Hard Disk Drive：硬盘驱动器)、或SSD(Solid State Drive：固态硬盘)、SD存储卡(注册商标)等闪存。
显示接口60与显示装置3连接。显示接口60将处理器20生成的图像信息提供给显示装置3。显示装置3是LCD(Liquid Crystal Display：液晶显示器)或有机EL(Electroluminescence：电致发光)显示装置等。显示装置3显示基于经由显示接口60供给的图像信息的图像。
输入装置接口70与输入装置4连接。输入装置4包括鼠标等指示设备、键盘等。另外，输入装置4也可以包括安装有便携式存储装置的驱动器装置。
图3为表示实施方式中的要因分析装置1的功能构成的一例的图。要因分析装置1包括控制部100以及存储部200。
存储部200由RAM30、ROM40、或者存储装置50中的某个来实现。存储部200包括收集数据存储部210、提取条件存储部220、合计数据存储部240、指标值存储部250以及图像数据存储部260。
控制部100包括取得部110、模式提取部112、合计部114、指标值计算部116、图像生成部118以及显示控制部120。控制部100所包括的上述的各功能部通过处理器20执行程序来实现。此外，控制部100的功能部中的一部分或者全部也可以是LSI(Large ScaleIntegration：大规模集成电路)、ASIC(Application Specific Integrated Circuit：特定用途集成电路)、FPGA(Field-Programmable Gate Array：现场可编程门阵列)等硬件功能部。
取得部110经由通信接口10取得由数据收集装置2收集到的收集数据。取得部110将从数据收集装置2获得的收集数据写入收集数据存储部210。
图4为表示在收集数据存储部210中存储的收集数据的一例的图。收集数据为表示因子与现象的组合的信息与识别信息的组ID建立对应而成的信息。
另外，取得部110经由输入装置接口70从输入装置4取得对用于从收集数据中提取数据的条件进行指定的提取条件信息等，并将所取得的提取条件信息写入提取条件存储部220。
模式提取部112读出在收集数据存储部210中储存的收集数据(组合数据)，并基于在提取条件存储部220中储存的提取条件信息，提取满足规定的提取条件的组合数据。另外，模式提取部112将该提取结果作为提取数据241写入合计数据存储部240。
例如，模式提取部112从收集数据中去除包含产生数较少的现象y的组合数据，由此提取组合数据。以下，将提取出的数据称作提取数据。此外，模式提取部112也可以对于提取出的结果，以使特定的因子或者现象、或因子与现象的组合汇聚的方式实施排序，或以组合数据所含的因子的个数的顺序实施排序。
图5为表示提取数据241的一例的图。提取数据241为表示因子与现象的组合的信息与识别信息的组ID建立对应而成的信息。组ID与图4所示的收集数据中的组ID对应。
合计部114读出在合计数据存储部240中储存的提取数据241，按提取数据所含的每个组合数据实施合计处理。另外，合计部114将该合计结果作为合计数据242写入合计数据存储部240。并且，合计部114基于提取数据计算可靠度，并作为可靠度数据243写入合计数据存储部240。
图6为表示合计数据242的一例的图。合计数据242为表示因子与现象的组合的产生数的信息与识别组合的种类的组合ID建立对应而成的信息。在因子与现象的组合的产生数中写入由合计部114对于提取数据241所含的组合数据进行合计而得的结果。
图7为表示可靠度数据243的一例的图。可靠度数据243为因子与现象的组合模式的可靠度与组合ID建立对应而成的数据。可靠度例如可以是提取数据241中某组合数据产生的总数(α)与数据的个数(β)之比(α/β)，该数据的个数(β)是包括该组合数据所含的全部因子且不考虑现象地进行计数而得的，但可靠度不限于此。例如，也可以代替上述方式而根据下述比(α/β)来确定，该比(α/β)是设为提取对象的取得数据所含的组合数据中的与共通的现象对应的组合数据的个数(α)与取得数据所含的组合数据的总数(β)之比(α/β)。通过这样确定可靠度，能够将因子与现象的组一致的数据数相对于仅因子的组一致的数据集合整体产生到何种程度进行数值化。通过将如上述那样计算出的比(α/β)确定为可靠度，模式提取部112也可以基于该可靠度，提取设为由合计部114进行合计的对象的组合数据。
图8为表示实施方式中的要因分析装置1的处理的一例的流程图。首先，取得部110经由通信接口10对收集数据进行收集，并写入收集数据存储部210(S10)。
接下来，模式提取部112读出在S10储存在收集数据存储部210中的收集数据，提取满足规定的提取条件的组合数据(S12)，其中，规定的提取条件基于在提取条件存储部220中储存的提取条件信息。模式提取部112将提取出的组合数据作为提取数据241而写入合计数据存储部240。在后叙述模式提取部112对设为分析对象的组合数据进行筛选的具体方法。
接下来，合计部114基于在S12中由模式提取部112提取出的组合数据，合计出与组合数据对应的现象y的产生数n(y)(S14)。合计部114将该合计的结果作为合计数据242而与组合ID建立关联地写入合计数据存储部240。
指标值计算部116使用组合ID，参照在合计数据存储部240中储存的合计数据242，计算针对现象y与因子x的组合的指标值(S16)。之后，指标值计算部116将计算出的指标值写入指标值存储部250。后述计算指标值的处理的详细内容。
图像生成部118基于在指标值存储部250中储存的指标值，生成图像数据(S18)。图像生成部118生成视觉上容易识别合计数据242的特征的图像，将该图像的图像数据写入图像数据存储部260。
显示控制部120供给上述的图像数据，以使基于在图像数据存储部260中储存的图像数据的图像显示于显示装置3(S20)。
图9为表示实施方式中的指标值计算处理的一例的流程图。首先，指标值计算部116取得合计数据242所含的全部的(或者对象范围内的)组合数据的产生数(S162)。接下来，指标值计算部116根据包含在多个组合数据之间共通的因子和现象在内的多个组合数据的、在S162中得到的产生数，计算现象y与因子x的各组合所对应的指标值(S164)。接下来，指标值计算部116将在第2步骤中计算出的指标值写入指标值存储部250(S166)。如上述那样计算出的指标值的值根据组合数据的产生数而变化。
此外，指标值计算部116也可以在计算指标值时按照规定的条件事先限制对分析对象设定的数据。
图10为表示对作为某提取数据241而提取出的组合数据进行处理而得的结果的图。在图10的例中，在提取数据241中包含组合数据PT11、组合数据PT12以及组合数据PT13。组合数据PT11为分别产生了因子xc与因子xd这两方、其结果产生了现象ya的模式。组合数据PT12为分别产生了因子xb与因子xd这两方、其结果产生了现象ya的模式。组合数据PT13为分别产生了因子xa与因子xd这两方、其结果产生了现象ya的模式。指标值计算部116将可靠度为规定值以上的组合数据选择为分析对象。例如，在将可靠度为1％以上的组合数据选择为分析对象的情况下，指标值计算部116将可靠度小于1％的组合数据PT13从分析对象中去除。此外，在上述的可靠度的判定中使用的规定值的设定是任意的，不限于上述。这样，通过使用可靠度来选择组合数据，能够选择仅简单地通过因子x与现象y的产生数的系数无法选择的、相关性较高的组合数据。
在图10的例中示出了利用合计部114合计组合数据PT11的产生数n(PT11)，且其结果为700，可靠度为5％。此外，如前述那样，可靠度是将提取数据241中分别产生因子xc与因子xd两方的数据的总数设为分母、将组合数据PT11的产生数n(PT11)设为分子而得的比率。另外，示出了组合数据PT12的产生数n(PT12)为100，可靠度为2％。
本实施方式的指标值计算部116基于每个组合数据的模式产生数，计算每个因子xi与现象yj的组合的指标值。以下，对此进行说明。
在本实施方式中，指标值是指在合计结果的数据中将包含因子和现象的组合数据的数量与因子与现象的组合建立对应而合计的值。
例如，组合数据PT11与组合数据PT12包含共通的现象ya与因子xd。在该情况下，指标值计算部116对包含因子xd与现象ya的模式PT11以及模式PT12的产生数进行总计，将与因子xd和现象ya对应的指标值决定为800。另外，例如，因子xc与现象ya的组合仅包含于组合数据PT11。在该情况下，将与因子xc和现象ya所对应的指标值决定为700。此外，该图示出一例，不限于上述的例子。
图11为表示对计算出的指标值进行储存的指标值存储部250的一例的图。指标值存储部250例如是具有因子x与现象y作为二维数据的标签、在与各标签对应的项目中储存有指标值的存储区域。
图像生成部118读出在指标值存储部250中储存的指标值，生成图像数据。图像生成部118生成在视觉上容易识别上述的合计数据242的特征的图像，将该图像的图像数据写入图像数据存储部260。上述的图像包括根据作为数值数据的上述指标值而制作的各种图表、雷达图、热图等。
图12为用于说明图像生成部118生成的图像的一例的图。设在该图的例中显示热图。图像生成部118将图像数据存储部260中的与因子x和现象y的组合对应的各项的值转换为表示与该值对应的明亮度或者颜色的图像数据。
如图12所示，图像生成部118在作为数据标签而包含因子x与现象y的交叉表中附加作为基于指标值的热图的图像信息，从而生成该图所示的图像。该图所示的图像例如以如下方式生成，将500与1000设为阈值而判定各栏的值，使交叉表的各栏的图像的明亮度成为3个灰阶。阈值的数量、值是任意的，不限于此。
该图所示的图像例如被生成为，指标值越大则越暗、，标值越小则越亮。另外，该图所示的图像也可以被生成为，指标值越大则色彩越接近红(或者蓝)，指标值越小则越接近蓝(红)。另外，图像生成部118也可以使用多个阈值判定各栏的值，生成灰阶显示的图像。图像生成部118也可以选择使按灰阶区分后的结果中差异较小的阈值。
显示控制部120读出在图像数据存储部260中储存的图像数据，并从显示接口60供给上述图像数据以使基于图像数据的图像显示于显示装置3。显示装置3显示经由显示接口60供给的图像。
根据上述的实施方式的要因分析装置1，从现象与成为现象的要因的一个或者多个因子建立对应而成的组合数据中，根据组合数据的产生进行提取，基于组合数据所含的现象与因子的组合，合计出现象的产生数。要因分析装置1A基于合计结果，计算对应于现象与因子的组合、并根据现象与因子的组合的产生数而变化的指标值。由此，能够更准确地分析多个因子组合而产生的现象的要因。
另外，要因分析装置1进行模式产生数的合计，并制作合计结果与因子的交叉表，将所制作的交叉表作为热图来显示。由此，能够一眼看出哪个因子x成为现象y的主要因。
这里，说明与比较对象的技术之间的比较。例如，存在将导致各结果的时间序列上产生的各种因子的件数可视化的技术。在该情况下，在单纯将件数可视化的方法中，在产生较多与结果不相关的因子的情况下，成为与结果不相关的因子被强调的显示。特别是，在与现象y无关联的因子总是较多地产生的情况下，原本不应被强调地显示。在这样的技术中，有时由于原本不应被强调地显示的因子(噪声)而使本来应被强调地显示的因子被埋没。
除此以外，还存在事先进行现象与因子的相关分析、并去除与现象不相关的因子的技术。在该情况下，会去除那些以单独的因子不会导致现象而以多个因子的组合才会导致现象这样的因子。另外，若结果或因子的数量增多，则庞大的组合数据被提取。因此，有时只通过将结果简单地列表化进行显示，不能容易地解读该结果。
与此相对，若为实施方式的要因分析装置1，也能够解决上述的比较例的课题。即，能够准确地分析多个因子组合而产生的现象的要因。并且，在实施方式的要因分析装置1中，并不是因子的组合数据的罗列，而是通过因子与结果的热图这一简单那的形式进行可视化。因此，能够一眼掌握对于各结果哪一个因子贡献最大。
(关于模式提取)
要因分析装置1以减轻处理的负荷等为目的，也可以从分析对象中去除收集数据的一部分，来执行所希望的分析处理。例如，模式提取部112参照根据目的而设定的一种或多种提取条件信息来实施模式提取处理。由此，将所希望的组合数据设为要因分析处理的对象，并且将对要因分析处理的执行造成影响的组合数据从要因分析处理的对象中删除。通过控制部100的各功能部如上述那样调整要因分析处理的对象，要因分析装置1能够执行所希望的分析处理。
例如，要因分析装置1也可以通过事先设定设为分析对象的组合数据作为提取条件信息，来实施收集数据所含的组合数据的提取。由此，要因分析装置1即使从包含多个因子与现象组合而成的组合数据的收集数据中，也能够容易地提取所希望的组合数据。另外，能够更准确地分析多个因子组合而产生的现象的要因。
(第2实施方式)
以下，对第2实施方式进行说明。第2实施方式在指标值计算部116计算指标值的方法中，与第1实施方式不同。以下，以该不同点为中心进行说明。
第2实施方式中的指标值计算部116实施图13所示的处理，来代替图8所示的处理。图13为表示在第2实施方式的要因分析装置1中执行的处理的一例的流程图。以下，以与图8所示的处理不同的点为中心进行说明。在结束S14的处理后，合计部114基于在S12中提取出的提取数据241，将包含共通的因子x的组合数据的产生数与其共通的因子x相对应地进行合计(S14A)。之后，合计部114对合计的产生数赋予组合ID并作为合计数据242写入合计数据存储部240。
接下来，合计部114基于在S14A中计算出的包含相互共通的因子的组合数据的产生数以及在S14中计算出的包含共通的因子与现象的组合数据的产生数，计算每个包含共通的因子与现象的组合数据的可靠度(S16A)。之后，合计部114对计算出的可靠度赋予组合ID并作为可靠度数据243写入合计数据存储部240。
接下来，指标值计算部116基于包含相互不同的因子的多个组合数据的可靠度，计算指标值(S17A)。
图14为表示实施方式中的指标值计算处理的一例的流程图。首先，指标值计算部116设组合ID为关键字，从可靠度数据243中取得每个组合数据的现象y与因子x的组合的可靠度(S262)。接下来，指标值计算部116将是否存在包含多个组合数据间共通的因子与现象的组合数据设为计算条件，根据在S262中得到的可靠度，计算现象y与因子x的各组合所对应的指标值(S264)。接下来，指标值计算部116将在S264中计算出的指标值写入指标值存储部250(S266)。
例如，指标值计算部116将在具有共通的现象且包含相互不同的至少一个因子的组合数据中的、这些组合数据的可靠度的最大值确定为指标值。此外，上述的最大值示出一例，不限于此。
接下来，要因分析装置1执行S18以后的处理，生成基于上述的指标值的图像数据。
图15为表示针对某提取数据241提取出的组合数据进行处理而得的结果的图。在图15的例中，在提取数据241中包含组合数据PT21以及组合数据PT22。组合数据PT21为分别产生因子xc与因子xd这两方、其结果产生了现象ya的模式。组合数据PT22为分别产生因子xb与因子xd这两方、其结果产生了现象ya的模式。
在图15的例中，利用合计部114合计组合数据PT21的产生数n(PT21)，并示出了其结果为700，可靠度为70％。另外，示出了组合数据PT22的产生数n(PT22)为100，可靠度为80％。
如上述那样，利用合计部114按每个组合数据合计模式产生数与可靠度。此外，该图示出一例，不限于上述例子。
本实施方式的指标值计算部116基于每个组合数据的可靠度，计算每个因子xi与现象yj的组合的指标值。以下，对其进行说明。
在组合数据PT21、组合数据PT22中，现象Ya与因子xd相互共通，至少因子xb与因子xc成为相互不同的因子。在图15的例中，组合数据PT21、组合数据PT22具有共通的现象Ya与一个共通的因子xd，并包含相互不同的至少一个因子。在这样的情况下，指标值计算部116选择组合数据PT21的可靠度与组合数据PT22的可靠度中的最大值，作为这些组合数据中共通的现象所对应的可靠度的推断值，将选择出的推断值确定为对应于现象Ya与因子xd的指标值。在图15所示的情况下，组合数据PT22的可靠度80％最大，指标值计算部116选择该值。
本实施方式的指标值计算部116如上述那样按每个组合数据，基于组合数据的可靠度，计算每个因子x与现象y的组合的指标值。指标值计算部116基于作为合计部114的合计结果的可靠度数据243，利用对应于现象y与因子x的组合、并根据现象y与因子x的组合的产生数而变化的可靠度，来计算指标值。
指标值计算部116基于每个因子x与现象y的组合的指标值生成交叉表。并且，本实施方式的要因分析装置1与前述的第1实施方式相同地显示热图等。
根据以上说明的第2实施方式，指标值计算部116使用组合数据，基于分别包含相互共通的因子的组合的组合数据的总数以及分别包含因子的组合且包含相互共通的现象的组合数据的个数，来计算可靠度，由此，要因分析装置1能够生成基于可靠度的图像数据。
根据第2实施方式，能够起到与上述的第1实施方式相同的效果，并且能够生成能够容易辨别从收集数据中提取出的组合数据的可靠度的图像。
此外，在上述的说明中，例示出使用与在多个组合数据中共通的现象相对应的可靠度的最大值作为该现象所对应的可靠度的推断值的要因分析方法，但也可以代替该推断值而使用该现象所对应的可靠度的平均值、或者可靠度的合计值等。
(第3实施方式)
以下，对第3实施方式进行说明。第3实施方式在指标值计算部116计算指标值的方法中，与第1实施方式不同。以下，以该不同点为中心进行说明。
本实施方式中的指标值如下述那样进行计算。
第3实施方式中的要因分析装置1实施图16所示的处理来代替图8所示的处理。图16为表示实施方式中的要因分析装置1的处理的一例的流程图。以下，以与图8所示的处理不同的点为中心进行说明。在结束S14的处理后，合计部114基于在S12中提取出的提取数据241，将包含相互共通的因子x的组合数据的产生数与其共通的因子x对应地进行合计(S14B)。之后，合计部114，赋予组合ID并作为合计数据242写入合计数据存储部240。
接下来，合计部114基于在S14B中计算出的包含相互共通的因子x的组合数据的产生数以及在S14中计算出的包含共通的因子x与现象y的组合数据的产生数，计算每个包含共通的因子与现象的组合数据的可靠度(S16B)。之后，合计部114对计算出的可靠度赋予组合ID并作为可靠度数据243写入合计数据存储部240。
接下来，指标值计算部116基于在S14中计算出的组合数据的产生数与在S16B中计算出的可靠度之积，计算根据现象y与因子x的组合的产生数而变化的指标值(S17B)。例如，指标值计算部116按每个组合数据，计算组合ID所对应的在S14中计算出的组合数据的产生数与相同的组合ID所对应的在S16B中计算出的可靠度之积。在附加有相互不同的组合ID的设为对象的组合数据中存在包含共通的现象y与因子x的数据的情况下，指标值计算部116将这些组合数据的积进行合计后设定为指标值。在附加有相互不同的组合ID的设为对象的组合数据中不存在包含共通的现象y与因子x的数据的情况下，指标值计算部116将每个组合数据的积的值设定为指标值。如上述那样，指标值计算部116将基于每个组合数据的积的值设定为指标值。
要因分析装置1生成基于如上述那样计算出的指标值的图像数据。
图17为表示针对作为某提取数据241提取出的组合数据进行处理而得的结果的图。在图17的例中，示出了在提取数据241中包含组合数据PT31以及组合数据PT32的情况。组合数据PT31为分别产生因子xc与因子xd这两方、其结果产生了现象ya的模式。组合数据PT32为分别产生因子xb与因子xd这两方、其结果产生了现象ya的模式。在图17的例中，示出了利用合计部114合计组合数据PT31的产生数n(PT31)，其结果为500。
此外，以比率示出组合数据PT31的产生数n(PT31)相对于分别产生因子xc与因子xd这两方的情况的可靠度为10％。指标值计算部116将上述的组合数据的产生数500与可靠度10％相乘得到积(50)。另外，在图17的例中，示出组合数据PT32的产生数n(PT32)为100。与组合数据PT31同样地计算组合数据PT32的数据的可靠度的结果是，组合数据PT32的数据的可靠度为20％。指标值计算部116将上述的组合数据的产生数100与可靠度20％相乘得到积(20)。
如上述那样，利用合计部114，按每个组合数据合计组合数据产生数与可靠度。
接下来，着眼于每个组合数据的模式产生数与可靠度的合计结果。在组合数据PT31与组合数据PT32中，现象Ya与因子xd相互共通。在该情况下，指标值计算部116将这些的各组合数据的积进行合计而设定为指标值。也就是说，指标值计算部116将组合数据PT31的积50与组合数据PT32的积20的合计值70设定为指标值。
本实施方式的指标值计算部116，如上述那样，计算基于按每个组合数据计算出的组合数据的产生数与可靠度之积的值，作为针对因子x与现象y的组合的指标值。指标值计算部116基于每个因子x与现象y的组合的指标值生成交叉表。交叉表的现象Ya与因子xd所对应的栏的值如上所述，指标值计算部116对于其他的栏也以相同的方法确定值。
如上述那样，本实施方式的要因分析装置1与前述的第1实施方式相同地显示热图等。
根据以上说明的第3实施方式，指标值计算部116计算基于根据现象y与因子x的组合的产生数而变化的可靠度与包含相互共通的现象y的组合数据的产生数之积的值，作为针对现象y与因子x的组合的指标值。由此，要因分析装置1能够生成基于提取数据中的组合数据的产生数与可靠度的图像数据。
根据第3实施方式，能够起到与上述的第1实施方式相同的效果，并且能够基于提取数据中的组合数据的产生数与可靠度，生成能够容易分析现象y的要因的图像。
此外，第3实施方式的要因分析装置1也可以如式(2)所示那样实施上述的运算。
(因子x与现象y的组合数据的产生数)×(可靠度)
＝(因子x与现象y的组合数据的产生数)2/(包含因子x的组合的模式的产生数)…式(2)
根据上述的式(2)，通过将包含因子x与现象y的组合数据的产生数的平方值(幂值)的项保持在分子，与1次处理产生数的情况相比，产生数越多越能够设定为取更大的值的指标值。此外，在上述的式(2)所示的运算中，例示出平方的运算，但也可以包括更高次的幂运算。
此外，在上述的第1实施方式至第3实施方式中例示的要因分析装置1以减轻处理的负荷等为目的，也可以从分析对象中去除收集数据的一部分，来执行所希望的分析处理。例如，控制部100的功能部也可以执行基于下述所示的至少某个方法的处理。
(1)基于预测模型，使用生成的组合数据筛选现象的模式的方法，其中，预测模型是基于学习数据对组合数据产生的趋势进行预测的模型。
通过假设将来产生的现象和过去产生的现象与相同的要因相关，能够将该现象与要因的关联性规定为模型(预测模型)。模式提取部112使用预测模型提取所希望的组合数据，从而要因分析装置1能够缩小组合数据的个数来分析要因。
(2)将产生数比较多的特定的现象从分析对象中删除的方法。
如果不是分析对象的现象的产生数多于分析对象的现象的产生数，则有时要因的分析变得困难。在这样的情况下，模式提取部112将产生数比较多的特定的现象从分析对象中删除。例如，决定是否是分析对象的判定阈值被设定为比作为分析对象而设定的现象的产生数大的值。提取条件存储部220写入该判定阈值作为用于实施上述的提取处理的提取条件。
(3)将组合数据的产生率(可靠度)比较低的组合数据从分析对象中删除的方法。
即使作为组合数据被检测，也有时相对于因子的组合产生的次数，现象产生的次数比较少。在以下的说明中将组合数据的产生率称作可靠度。在这样的情况下，模式提取部112将可靠度低的组合数据从分析对象中删除。后述可靠度的计算方法。
(4)在将产生数与因子的产生数相比明显较少的现象设为分析对象的情况下，将产生数与现象的产生数相比明显较多地产生的因子从分析对象中删除的方法。
对于产生数与因子的产生数相比明显较少的现象，有时能够推断出该因子不是现象的要因。在这样的情况下，模式提取部112将产生数与因子的产生数相比明显较少的现象的组合，从分析对象中删除。
(5)将因子产生的时刻与现象产生的时刻之间的时间差为规定值以上的组合数据删除的方法。
在能够判定为可能成为要因的因子产生的时刻发生在与现象无关联的范围内时，模式提取部112将该组合数据从分析对象中删除。
此外，在第1实施方式至第3实施方式中，要因分析装置1也可以设为不进行模式提取。即，在第1实施方式至第3实施方式中，例示出了基于由模式提取部112提取出的组合数据的产生数，计算可靠度与指标值的示例，但也可以基于收集数据所含的组合数据的产生数，计算可靠度与指标值的至少一方。
(第4实施方式)
以下，对第4实施方式进行说明。在第4实施方式中，对要因分析装置1A生成提取条件信息的情况进行说明。例如，在第1～3的实施方式中，示出了要因分析装置1取得提取条件信息的情况。另一方面，第4实施方式的要因分析装置1A基于过去取得的收集数据，分析现象与因子的相关性，并生成将其结果设为提取条件的提取条件信息，基于所生成的提取条件信息执行要因分析处理。以下，以该点为中心进行说明。
图18为表示实施方式中的要因分析装置1A的一部分构成的一例的图。要因分析装置1A包括控制部100A以及存储部200A。以与前述的要因分析装置1之间的不同点为中心进行说明。
存储部200A包括收集数据存储部210、提取条件存储部220、合计数据存储部240、指标值存储部250、图像数据存储部260以及履历数据存储部270。
履历数据存储部270具有与合计数据存储部240相同的构成，写入有过去进行了要因分析的结果的合计数据。
控制部100A包括取得部110、模式提取部112、合计部114、指标值计算部116、图像生成部118、显示控制部120以及提取条件生成部130。
提取条件生成部130生成基于过去进行了要因分析而得的结果的提取条件信息，并向提取条件存储部220中存储。提取条件生成部130可以生成如下的提取条件信息，该提取条件信息包含过去进行了要因分析的结果是被判定为存在现象y与因子x的相关性的组合数据，但不限于此。
提取条件生成部130控制生成提取条件信息的学习模式的执行以及使用所生成的提取条件信息分析现象的要因的要因分析模式的执行。后述学习模式与要因分析模式的详细内容。
图19为表示实施方式中的要因分析装置1A的处理的一例的流程图。
首先，提取条件生成部130判定动作模式(S5)。在判定为学习模式的情况下，提取条件生成部130实施用于生成提取条件信息的S10至S30的处理作为分析因子x与现象y的相关性的处理。在S10至S16A的各处理中，要因分析装置1A实施与前述的第2实施方式的要因分析装置1A相同的处理。
接下来，提取条件生成部130将合计数据存储部240的各数据转录到履历数据存储部270中。提取条件生成部130基于履历数据存储部270中储存的数据，选择可靠度最高的组合数据，作为与可靠度数据243对应的数据。提取条件生成部130将选择的组合数据作为提取条件信息写入提取条件存储部220(S30)。
此外，在上述的说明中，说明了提取条件生成部130选择可靠度最高的组合数据，但也可以代替这些而将选择的组合数据的个数设为一个或者多个组合数据。例如，在提取多个组合数据的情况下，可以提取超过了与其现象对应的可靠度的平均值等规定的值的可靠度的数据，也可以从可靠度高的数据中提取按顺序选择的规定量的数据。
另一方面，在S5中，在判定为要因分析模式的情况下，提取条件生成部130实施基于新的收集数据的要因分析处理，执行其分析结果的可视化处理(S40)。
以下，对作为S40实施的要因分析模式的处理的一例进行说明。在以下示出的例子的情况下，数据收集装置2形成包含表示上述因子x的组合的信息的组合数据，作为用于要因分析模式的处理的新的收集数据。数据收集装置2将该组合数据向要因分析装置1A供给。
参照图18，对用于实施要因分析模式的处理的要因分析装置1A的构成进行说明。存储部200A还包括收集数据存储部210A以及合计数据242A。控制部100A还包括取得部110A和合计部114A。以下，以前述的控制部100与控制部100A的不同点。以及存储部200与存储部200A的不同点为中心进行说明。
取得部110A从数据收集装置2取得包含表示因子x的组合的信息的组合数据作为取得数据，并写入收集数据存储部210A。
图20为表示在收集数据存储部210A中存储的收集数据的一例的图。收集数据为表示因子的组合的信息与识别信息的组ID建立对应而成的信息。
合计部114A读出在收集数据存储部210A中储存的收集数据，按在提取条件存储部220中作为提取条件信息而储存的每个组合数据，实施合计处理，并将其结果作为合计数据242写入合计数据存储部240A。合计部114A通过上述的合计，获得如下结果，该结果是，按照每个组合数据，合计出在收集数据存储部210A中储存的收集数据中包括提取条件信息中的各组合数据所含的全部因子x且不考虑现象y地进行计数而得的数据的个数，从而得到该合计的结果。
图21为表示合计数据242A的一例的图。合计数据242A为表示因子的组合的产生数的信息与识别组合的种类的组合ID建立对应而成的信息。在因子的组合的产生数中写入有，合计部114A针对在收集数据存储部210中储存的收集数据所含的组合数据进行了合计而得的结果。
图22为表示实施方式中的要因分析装置1A实施的要因分析模式的处理的一例的流程图。以与图8的不同点为中心进行说明。首先，取得部110经由通信接口10取得收集数据(S10C)。之后，取得部110将所取得的收集数据写入收集数据存储部210。
接下来，合计部114A基于在S10中由取得部110收集到的取得数据，合计出与组合数据对应的因子x的组合的产生数(S14C)。合计部114A将该合计的结果与组合ID建立关联地作为合计数据242写入合计数据存储部240。
接下来，指标值计算部116使用组合ID参照在合计数据存储部240中储存的合计数据242，计算针对现象y与因子x的组合的指标值(S16)。之后，指标值计算部116将计算出的指标值写入指标值存储部250。例如，指标值计算部116如前述的图9、图10等所示的例子那样，合计出模式产生数。接下来，图像生成部118基于在指标值存储部250中储存的指标值生成图像数据(S18)，并提供所生成的图像数据(S20)。
根据上述的实施方式的要因分析装置1A，从现象与成为现象的要因的一个或者多个因子建立对应而成的组合数据中，根据组合数据的产生进行提取，生成提取条件。要因分析装置1A基于组合数据所含的现象与因子的组合，合计出因子的组合的产生数。要因分析装置1A基于合计结果，计算对应于现象与因子的组合、并根据现象与因子的组合的产生数而变化的指标值。由此，能够更准确地分析多个因子组合而产生的现象的要因。
根据上述的实施方式的要因分析装置1A，提取条件生成部130能够生成提取条件信息，使得根据对过去取得的收集数据进行要因分析的结果而判定为存在现象y与因子x的相关性的特定的组合数据包含于提取对象的组合数据中。通过基于这样的提取条件信息执行提取处理，在要因分析装置1A中消除了从提取条件中漏掉过去检测到的组合数据所含的因子的组合的情况。由此，要因分析装置1A能够提高提取处理的效率以及提取处理的可靠度。
此外，提取条件生成部130生成的提取条件信息所含的组合数据也可以是多个。提取条件生成部130也可以设定组合数据的优先级，以便从存在多个的组合数据中优先选择所希望的组合数据。
根据以上说明的第4实施方式，通过提取条件生成部130生成提取条件信息，要因分析装置1A能够执行基于从过去的收集数据中提取出的组合数据的、组合数据的提取处理。
根据第4实施方式，能够起到与上述第1实施方式相同的效果，并且能够将从过去的收集数据中提取出的组合数据不漏掉地用于新收集的收集数据中的该组合数据的要因分析中。另外，根据第4实施方式，能够生成容易辨别组合数据的可靠度的图像。
(第4实施方式的第1变形例)
对第4实施方式的第1变形例进行说明。在第1变形例中，也可以代替图22所示的处理、即作为S40实施的要因分析模式的处理而包括图8、图13或者图16的S10至S20的处理地进行实施，但不限于此。
根据第4实施方式的第1变形例，起到与上述的第4实施方式相同的效果，并且关于要因分析模式的处理对象，能够将现象与因子的组合数据设为对象。
(第4实施方式的第2变形例)
对第4实施方式的第2变形例进行说明。在S40的处理中，说明了数据收集装置2形成表示因子x的组的组合数据。另一方面，在第2变形例中，也可以不形成表示因子x的组的数据而是将各个因子x的数据供给到要因分析装置1A。在该情况下，例如，要因分析装置1A(取得部10C)也可以基于在提取条件存储部220中储存的组合数据，将从数据收集装置2取得的数据转换为表示因子x的组的数据。另外，要因分析装置1A也可以将转换后的数据写入取得数据存储部210中。
根据第4实施方式的第2变形例，起到与上述第4实施方式相同的效果，并且对于取得数据未形成因子x的组的各个因子x的数据也能够实施要因分析。
根据以上说明的至少一个实施方式，要因分析装置具有模式提取部112、合计部114、指标值计算部116以及图像生成部118。模式提取部112从现象与成为现象的要因的一个或者多个因子建立对应而成的组合数据中，根据组合数据的产生进行提取。合计部114基于组合数据所含的现象与因子的组合，合计出现象的产生数或者上述多个因子的组合的产生数。指标值计算部116基于合计部的合计结果，计算对应于现象与因子的组合、并根据现象与因子的组合的产生数而变化的指标值。图像生成部118生成：现象与因子的组合和表示计算部对每个现象与因子的组合计算出的指标值的图像建立对应而成的图像。由此，能够更准确地分析多个因子组合而产生的现象的要因。
说明了本发明的几种实施方式，但这些实施方式作为例子而提示，无意限定发明的范围。这些实施方式能够由其他各种形态实施，在不脱离发明的主旨的范围内，能够进行各种的省略、置换、变更。这些实施方式及其变形包含在发明的范围及主旨中，同样地包含在权利要求书所记载的发明及其均等的范围中。
例如，也可以是，取代与共通的现象y对应的组合数据的产生数，模式提取部112基于表示组合数据的产生量的特定的数据的个数、可靠度、产生频率、密度比以及与共通的现象y对应的组合数据的个数与组合数据的总数之比中的某个，来提取组合数据。与共通的现象y对应的组合数据的个数与组合数据的总数之比是指，例如设为提取对象的数据所含的组合数据中的与共通的现象对应的组合数据的个数与数据所含的组合数据的总数之比。
此外，也可以是，模式提取部112在由于组合的因子x的组合顺序不同而现象y的产生状况不同的情况下，作为不同的组合数据进行提取。由此，实施方式的要因分析装置1能够区分因子x的组合顺序不同的情况来进行分析。
此外，也可以是，模式提取部112或者合计部114合计出组合数据被提取之前的组合数据中的现象的产生数。例如，模式提取部112或者合计部114也可以使用取得数据所含的组合数据，作为组合数据被提取之前的组合数据。模式提取部112或者合计部114合计该取得数据中的现象的产生数，将合计后的现象的产生数用作合计数据存储部240的合计数据242。由此，能够取得提取前的数据所含的组合数据中的现象的产生状况。另外，要因分析装置1能够基于提取前的组合数据中的现象的产生数使分析的结果可视化。
此外，也可以是，模式提取部112将包含共通的因子x的组合的数据适用为表示组合数据的产生量的特定的数据。
此外，也可以是，在由实施方式的要因分析装置1设定为分析对象的收集数据中，根据成为对象的数据的用途，包括包含时刻信息的时间序列信息、表示位置的位置信息以及表示与其他数据的逻辑关系的逻辑信息等信息。
另外，例如，除了上述生产线中的现象的要因分析以外，实施方式的要因分析装置1也可以适用于运转中的产品的状态管理中的结果现象的要因分析、网络购物中的商品选择的经过分析等，也可以执行与用途对应的要因分析处理。示出了与实施方式不同的用途的一例，但不限于此。也可以是，例如，要因分析装置1在实施运转中的产品的状态管理中的结果现象的要因分析的情况下，将在运转中产生的事件用作因子，将与事件关联产生的结果用作现象。另外，也可以是，要因分析装置1在网络购物等中分析用户的喜好等的情况下，将商品购入时作为候补的商品用作因子，将最终选择的商品用作现象。
附图标记的说明
1、1A…要因分析装置，100、100A…控制部，110…取得部，112…模式提取部，114、114A…合计部，116…指标值计算部，118…图像生成部，120…显示控制部，130…提取条件生成部，200、200A…存储部。

Claims (13)

1.一种要因分析装置，具备：
提取部，从现象与成为所述现象的要因的一个或者多个因子建立对应而成的数据中，与所述现象的产生对应地进行组合数据的提取；
合计部，基于所述组合数据所含的所述现象与因子的组合，合计出所述现象与所述因子的组合的产生数；
计算部，基于所述合计部的合计结果，计算对应于所述现象与所述因子的组合且根据所述现象与所述因子的组合的产生数而变化的指标值；以及
生成部，生成：将所述现象与所述因子的组合和表示由所述计算部对每个所述现象与所述因子的组合计算出的指标值的图像建立对应而成的图像。
2.如权利要求1所述的要因分析装置，其中，
所述计算部计算所述现象与所述因子的组合的产生数，作为针对所述现象与所述因子的组合的指标值。
3.如权利要求1所述的要因分析装置，其中，
所述合计部参照所述组合数据，基于分别包含相互共通的因子的组合的组合数据的个数以及所述分别包含相互共通的因子的组合的组合数据中的包含相互共通的现象的组合数据的个数，计算所述因子的组合与所述现象的组合的可靠度，
所述计算部基于计算出的所述可靠度，计算所述指标值。
4.如权利要求1所述的要因分析装置，其中，
所述合计部基于分别包含相互共通的因子的组合的组合数据的个数以及所述分别包含相互共通的因子的组合的组合数据中的包含相互共通的现象的组合数据的个数，计算所述因子的组合与所述现象的组合的可靠度，
所述计算部计算基于多个所述可靠度而计算出的值，作为针对所述现象与所述因子的组合的指标值，该多个所述可靠度是根据至少所述现象共通的所述组合数据而计算出的多个所述可靠度。
5.如权利要求1所述的要因分析装置，其中，
所述合计部基于分别包含相互共通的因子的组合的组合数据的个数以及所述分别包含相互共通的因子的组合的组合数据中的包含相互共通的现象的组合数据的个数，计算所述因子的组合与所述现象的组合的可靠度，
所述计算部计算如下值作为针对所述现象与所述因子的组合的指标值，该值基于包含所述相互共通的现象的组合数据的个数而计算出的可靠度与包含所述相互共通的现象的组合数据的个数之积。
6.如权利要求1所述的要因分析装置，其中，
所述计算部基于所述组合数据，基于分别包含相互共通的因子的组合的组合数据的个数以及分别包含所述因子的组合且包含相互共通的现象的组合数据的个数的幂值，计算针对所述现象与所述因子的组合的指标值。
7.如权利要求1～6中任一项所述的要因分析装置，其中，
所述提取部基于与共通的所述现象对应的所述组合数据的产生量，提取所述组合数据。
8.如权利要求1～6中任一项所述的要因分析装置，其中，
所述提取部基于设为提取对象的所述数据所含的组合数据中的、与共通的现象对应的所述组合数据的个数与所述数据所含的所述组合数据的总数之比，提取设为所述合计部的合计对象的所述组合数据。
9.如权利要求1～6中任一项所述的要因分析装置，其中，
所述提取部在被组合的所述因子的顺序不同的情况下，作为不同的组合数据进行提取。
10.如权利要求1～6中任一项所述的要因分析装置，其中，
所述合计部合计出所述组合数据被提取之前的组合数据中的所述现象与所述因子的组合的产生数。
11.如权利要求1～6中任一项所述的要因分析装置，其中，
所述计算部基于所述提取部的提取结果与所述合计部的合计结果，计算针对所述现象与所述因子的组合的指标值。
12.一种要因分析方法，其中，
从现象与成为所述现象的要因的一个或者多个因子建立对应而成的数据中，与组合数据的产生对应地进行提取；
基于所述组合数据所含的因子的各组合，合计出所述现象与所述因子的组合的产生数；
基于所述合计的结果，计算针对所述现象与所述因子的组合的指标值；以及
生成：将每个所述现象与所述因子的组合和表示对每个所述现象与所述因子的组合计算出的所述指标值的图像建立对应而成的图像。
13.一种记录介质，记录有程序，该程序使计算机执行：
从现象与成为所述现象的要因的一个或者多个因子建立对应而成的组合数据中，根据组合数据的产生进行提取；
基于所述组合数据所含的因子的各组合，合计出所述现象与所述因子的组合的产生数；
基于所述合计的结果，计算针对所述现象与所述因子的组合的指标值；以及
生成：将每个所述现象与所述因子的组合和表示对每个所述现象与所述因子的组合计算出的所述指标值的图像建立对应而成的图像。
CN201680063585.9A 2015-11-02 2016-11-02 要因分析装置、要因分析方法以及记录介质 Active CN108292380B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2015216175A JP6181134B2 (ja) 2015-11-02 2015-11-02 要因解析装置、要因解析方法、及びプログラム
JP2015-216175 2015-11-02
PCT/JP2016/082601 WO2017078067A1 (ja) 2015-11-02 2016-11-02 要因解析装置、要因解析方法、及びプログラム

Publications (2)

Publication Number Publication Date
CN108292380A CN108292380A (zh) 2018-07-17
CN108292380B true CN108292380B (zh) 2023-04-18

Family

ID=58662101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680063585.9A Active CN108292380B (zh) 2015-11-02 2016-11-02 要因分析装置、要因分析方法以及记录介质

Country Status (5)

Country Link
US (1) US10642818B2 (zh)
EP (1) EP3373214A4 (zh)
JP (1) JP6181134B2 (zh)
CN (1) CN108292380B (zh)
WO (1) WO2017078067A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020004081A (ja) * 2018-06-28 2020-01-09 アズビル株式会社 イベント解析装置およびこれを用いた予告アラーム生成方法
JP6962888B2 (ja) * 2018-09-05 2021-11-05 株式会社日立製作所 特徴抽出装置
US11354320B2 (en) * 2018-10-11 2022-06-07 International Business Machines Corporation Determining causes of events in data
US20230024155A1 (en) * 2019-12-20 2023-01-26 Horiba, Ltd. Analysis apparatus management system, management method, management program, and management apparatus
JP7194132B2 (ja) * 2020-02-18 2022-12-21 株式会社日立製作所 特徴抽出装置および特徴抽出方法
CN113113141A (zh) * 2021-04-02 2021-07-13 北京果壳生物科技有限公司 一种基于孟德尔随机化评估微量营养素与精神类疾病因果关系的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007241861A (ja) * 2006-03-10 2007-09-20 Fuji Electric Systems Co Ltd 不具合対策支援装置、及び、原因事象発生確率（寄与率）算出装置
CN101436017A (zh) * 2007-11-14 2009-05-20 富士施乐株式会社 读取装置、图像形成装置以及图像形成方法
CN102158879A (zh) * 2011-02-24 2011-08-17 大唐移动通信设备有限公司 要因失分的数据处理方法及设备
JP2014099115A (ja) * 2012-11-15 2014-05-29 Fujitsu Ltd 抽出プログラム、抽出装置及び抽出方法
JP5684946B2 (ja) * 2012-03-23 2015-03-18 株式会社日立製作所 イベントの根本原因の解析を支援する方法及びシステム

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4017730A (en) * 1974-05-01 1977-04-12 Raytheon Company Radiographic imaging system for high energy radiation
US5778345A (en) * 1996-01-16 1998-07-07 Mccartney; Michael J. Health data processing system
EP1014287A3 (en) * 1998-12-14 2002-04-24 General Electric Company Multi-source information fusion system for dynamic risk assessment
US6917899B2 (en) * 2001-09-21 2005-07-12 Microsoft Corporation System and methods for providing histogram computation in a high precision rasterization data pipeline
US8819220B2 (en) * 2010-09-09 2014-08-26 Hitachi, Ltd. Management method of computer system and management system
JP5432867B2 (ja) * 2010-09-09 2014-03-05 株式会社日立製作所 計算機システムの管理方法、及び管理システム
US20140096146A1 (en) * 2012-09-28 2014-04-03 Hewlett-Packard Development Company, L.P. Translating time-stamped events to performance indicators
US9298525B2 (en) * 2012-12-04 2016-03-29 Accenture Global Services Limited Adaptive fault diagnosis
JP5833068B2 (ja) 2013-09-03 2015-12-16 株式会社東芝 系列データ分析装置及プログラム
US9755795B2 (en) * 2013-12-18 2017-09-05 Huawei Technologies Co., Ltd. System and method for WLAN OFDMA design of subcarrier groups and frame format
US9158811B1 (en) * 2014-10-09 2015-10-13 Splunk, Inc. Incident review interface

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007241861A (ja) * 2006-03-10 2007-09-20 Fuji Electric Systems Co Ltd 不具合対策支援装置、及び、原因事象発生確率（寄与率）算出装置
CN101436017A (zh) * 2007-11-14 2009-05-20 富士施乐株式会社 读取装置、图像形成装置以及图像形成方法
CN102158879A (zh) * 2011-02-24 2011-08-17 大唐移动通信设备有限公司 要因失分的数据处理方法及设备
JP5684946B2 (ja) * 2012-03-23 2015-03-18 株式会社日立製作所 イベントの根本原因の解析を支援する方法及びシステム
JP2014099115A (ja) * 2012-11-15 2014-05-29 Fujitsu Ltd 抽出プログラム、抽出装置及び抽出方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Multimode process data modeling:A Dirichlet process mixture model based Bayesian robust factor analyzer approach;Jinlin Zhu等;《Chemometrics and Intelligent Laboratory Systems》;20150315;第142卷;第231-244页 *
基于SEM图像的软土三维孔隙率计算及影响因素分析;徐日庆 等;《岩石力学与工程学报》;20150731;第34卷(第7期);第1497-1502页 *

Also Published As

Publication number Publication date
CN108292380A (zh) 2018-07-17
EP3373214A1 (en) 2018-09-12
JP2017090982A (ja) 2017-05-25
US10642818B2 (en) 2020-05-05
WO2017078067A1 (ja) 2017-05-11
EP3373214A4 (en) 2019-04-10
US20180267964A1 (en) 2018-09-20
JP6181134B2 (ja) 2017-08-16

Similar Documents

Publication Publication Date Title
CN108292380B (zh) 要因分析装置、要因分析方法以及记录介质
JP6723946B2 (ja) 業務改善支援装置および業務改善支援方法
US20150032708A1 (en) Database analysis apparatus and method
JP6521096B2 (ja) 表示方法、表示装置、および、プログラム
JP2017091329A (ja) データベース分析装置およびデータベース分析方法
JP2018147280A (ja) データ分析装置及びデータ分析方法
US10175686B2 (en) Devices, methods, and systems for a distributed rule based automated fault detection
US20190205361A1 (en) Table-meaning estimating system, method, and program
CN113906416A (zh) 可解释的过程预测
JP2020004113A (ja) 情報表示装置、情報表示プログラム及び情報表示方法
JPWO2017090475A1 (ja) 情報処理システム、関数作成方法および関数作成プログラム
JP2017045080A (ja) 業務フロー仕様再生方法
US20150081263A1 (en) Production simulation apparatus and production simulation method
US11467943B2 (en) System and method for struggle identification
JP7019339B2 (ja) 不良原因抽出システム及びその方法
US12079239B2 (en) Systems and methods for automatically deriving data transformation criteria
JP6861176B2 (ja) プロジェクト見積り支援方法およびプロジェクト見積り支援装置
JP6371981B2 (ja) 業務支援システム、業務支援システムを実行するプログラム及びそれを記録した媒体
JP6213665B2 (ja) 情報処理装置、及び、クラスタリング方法
JP6973445B2 (ja) 表示方法、表示装置、および、プログラム
CN110309047B (zh) 一种测试点生成方法、装置及系统
JP7132119B2 (ja) スキルマップ処理装置、スキルマップ処理方法、及びスキルマップ処理プログラム
WO2016163008A1 (ja) 異常診断装置および異常診断方法
JP6852004B2 (ja) データ解析システム、データ解析方法、及びプログラム
JP2016099688A (ja) リスク評価方法およびリスク評価装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant