JP2009244981A - 解析装置、解析方法及び解析プログラム - Google Patents

Abstract

【課題】例えばインターネット等の通信網を介してアクセスされるウェブサイトにおいて、売上増等のため、価格の割引等の事象を実施した場合のアクセスを解析し、ユーザの潜在的な行動をモデル化する解析装置、解析方法及び解析プログラムを提供する。
【解決手段】アクセス履歴の傾向を単位期間毎に分析し、目的アクセス先に対するアクセスの潜在的な可能性を示す潜在特性をセッション毎に導出し、単位期間毎の潜在特性に対するアクセスの度数分布に対して主成分分析を行う。そして主成分毎に、潜在特性の分布を導出し、主成分及び潜在特性の分布を対応付けた潜在特性主成分表を生成する。また主成分分析の結果に基づいて、各主成分の相対的な関係を複数のクラスに分類し、クラス及びクラス毎の主成分構成比を対応付けたクラス構成比表を生成する。さらにクラス及び実施した事象の内容を対応付けた事象分類表を生成する。
【選択図】図２

Description

本発明は、通信網上のアクセス先に対するアクセスを解析する解析装置、該解析装置にて実行される解析方法、及び前記解析装置を実現するための解析プログラムに関する。

インターネット等の通信網を介してアクセスされるウェブサイトでは、新規顧客獲得、売上増等の目的のため、価格の割引、景品付き販売、広告等の商業上のキャンペーンが度々実施される。キャンペーン主催者は、どのような種類のインセンティブを、どれだけの量提供し、どれだけの広告の出稿をし、どれだけの期間続けるかを、投資対効果が最大となるように計画する必要がある。

しかし実際に計画通りにキャンペーンを実施したとしても、キャンペーンの効果が当初予想した通りに上がらないこともある。例えば以前に実施したキャンペーンと全く同じ条件で、再度キャンペーンを行ったとしても、利用者層の関心又は嗜好が変化している場合には、以前と同じ効果を上げることはできない。このためキャンペーン期間中でも、顧客からの反応を見ながら計画を動的に変更し、当初予定した目標に近付ける様に修正していくことが重要になる。

ウェブサイト上で、数日から数ヶ月続く長期的なキャンペーンを行う場合、キャンペーン初日のアクセス状況を分析して、予測と実績との差異の原因を分析し、原因を踏まえた上で、以降のキャンペーン施策を追加修正することができれば、当初予想した新規顧客獲得、売上増等の目標に近付けることができる。そこでアクセス解析のための様々な応用ソフトウェアが市販されている（例えば非特許文献１乃至４。）。

現在市販されているアクセス解析のための応用ソフトウェアでは、キャンペーン初日が終了した時点で、アクセス履歴を解析することにより、アクセス者数、購入者数、コンバージョン率、売上額等の項目の実績を算出することができる。なおコンバージョン率とは、最初のウェブページ、当該ウェブサイトへ誘導するバナー広告等の特定のアクセス先に対してアクセスしたアクセス者が、予め設定されている目的アクセス先となるウェブページへのアクセスに至る率を示す。目的アクセス先となるウェブページとは、例えば購入完了時に「ありがとうございました。」と表示するウェブページ、資料請求完了のウェブページ、会員登録完了のウェブページ等のウェブページであり、ウェブサイト毎に設定されている。目的アクセス先となるウェブページに対するアクセスは、ユーザが、商品の購入、資料請求、会員登録等の行為をしたことを示す。

また本願出願人は、キャンペーンに対する利用者集団の行動のモデル化によりアクセス解析を行うシステムを開示している（例えば特許文献１参照。）。
特開２００６−２６８５２９号公報 "Urchin（アーチン）"、［online］、［平成２０年３月１９日検索］、インターネット＜ＵＲＬ：http://www.proton.co.jp/products/urchin/index.html＞ "SiteTracker8（サイトトラッカー８）」、［online］、［平成２０年３月１９日検索］、インターネット＜ＵＲＬ：http://www.sitetracker.jp/＞ "SiteCatalyst（サイトカタリスト）"、［online］、［平成２０年３月１９日検索］、インターネット＜ＵＲＬ：http://www.omniture.co.jp/products/web_analytics＞ "Analytics8（アナライティクス８）"、［online］、［平成２０年３月１９日検索］、インターネット＜ＵＲＬ：http://www.samuraiz.co.jp/product/webtrends/＞

しかしながら市販されている応用ソフトウェアによる解析は、主にアクセス者数、購入者数、コンバージョン率、売上額等の項目の実績値を予測値と比較して差異を示す程度のものであり、目的アクセス先に対するアクセスへの潜在的な可能性まで推し量ることはできないという問題がある。具体的には、例えばアクセスを行った顧客が目的アクセス先にまで到達しない場合、その顧客は、キャンペーンが期待外れだったために目的アクセス先にまで到達しなかったのか、キャンペーンに大きな関心を持っているが、最終的な決断を見送っただけなのかを推し量ることができない。

特許文献１に係るシステムは、利用者の過去の来訪行動に基づくものであり、新規顧客集客を目的とするキャンペーンの様に、利用者の過去の行動履歴又は属性を利用することができないキャンペーンに適用することを想定したものではない。

本発明は斯かる事情に鑑みてなされたものであり、例えばキャンペーンを実施した場合に、アクセスの実績から、目的アクセス先に対するアクセスへの潜在的な可能性を、新規顧客相手であっても推し量るための比較の対象となる事象特徴モデルを生成する解析装置、該解析装置にて実行される解析方法、及び前記解析装置を実現するための解析プログラムの提供を目的とする。

本願は、通信網上のアクセス先に対するアクセスを解析する解析装置において、アクセス先、及び予め設定された目的アクセス先に対するアクセスの有無を示すアクセス履歴をセッション毎に記録している履歴記録部の記録内容から、アクセス履歴の傾向を単位期間毎に分析して、目的アクセス先に対するアクセスの潜在的な可能性を示す潜在特性をセッション毎に導出する履歴分析部と、該履歴分析部が導出した単位期間毎の潜在特性に対応するアクセスの度数分布に対して主成分分析を行う主成分分析部と、該主成分分析の結果に基づいて、単位期間毎の各主成分の相対的な関係を複数のクラスに分類する分類部と、目的アクセス先に対するアクセスに誘導すべく実施した事象の内容を単位期間毎に記録する事象記録部と、前記主成分毎に、内在する前記潜在特性の分布を導出して、主成分及び潜在特性の分布を対応付けた潜在特性主成分表を生成する第１生成部と、前記分類部が分類したクラス、及び該クラス毎の各主成分の相対的な関係に基づく主成分構成比を対応付けたクラス構成比表を生成する第２生成部と、前記分類部が分類したクラス、及び前記事象記録部に記録している事象の内容を、単位期間に基づいて対応付けた事象分類表を生成する第３生成部と、前記第１生成部が生成した潜在特性主成分表、前記第２生成部が生成したクラス構成比表、及び前記第３生成部が生成した事象分類表を、事象の実施に対する効果をモデル化した事象特徴モデルとして記録する解析結果記録部とを備える解析装置、解析方法及び解析プログラムを開示する。

これにより、目的アクセス先に対するアクセスへの潜在的な可能性を、新規顧客相手であっても推し量るための比較の対象となる事象特徴モデルを提供することが可能である。

本願の解析装置、解析方法及び解析プログラムは、通信網上のアクセス先、及び予め設定された目的アクセス先に対するアクセスの有無を示すアクセス履歴をセッション毎に記録している履歴記録部の記録内容から、アクセス履歴の傾向を単位期間毎に分析して、目的アクセス先に対するアクセスの潜在的な可能性を示す潜在特性をセッション毎に導出し、導出した単位期間毎の潜在特性に対するアクセスの度数分布に対して主成分分析を行う。そして主成分毎に、内在する前記潜在特性の分布を導出し、主成分及び潜在特性の分布を対応付けた潜在特性主成分表を生成する。また主成分分析の結果に基づいて、単位期間毎の各主成分の相対的な関係を複数のクラスに分類し、分類したクラス、及び該クラス毎の各主成分の相対的な関係に基づく主成分構成比を対応付けたクラス構成比表を生成する。さらに分類したクラス、及び目的アクセス先に対するアクセスに誘導すべく実施した単位期間毎の事象の内容を、単位期間に基づいて対応付けた事象分類表を生成する。そして生成した潜在特性主成分表、クラス構成比表及び事象分類表を、事象の実施に対する効果をモデル化した事象特徴モデルとして記録する。

この構成により、本願では、目的アクセス先に対するアクセスへの潜在的な可能性を推し量るための比較の対象となる事象特徴モデルを提供することが可能である等、優れた効果を奏する。

以下、本発明をその実施の形態を示す図面に基づいて詳述する。本願では、本発明の解析方法を、コンピュータを用いた解析装置にて実現する形態について説明する。なお以降の説明において、例えばインターネット等の通信網を介して提供するウェブサイトの運営又は運営の委託を行い、商品の販売、資料の提供、顧客を登録した会の運営管理等のサービスを提供する側を、便宜上、提供者と呼ぶものとする。またパーソナルコンピュータ等のコンピュータを用いて提供者が提供するウェブサイトにアクセスし、商品の購入、資料の請求、会員登録等のサービスを享受する顧客等の利用者を、便宜上、ユーザと呼ぶものとする。

本発明の解析方法は、通信網を介して提供されるウェブサイトに対するアクセスの解析に適用される。ウェブサイトとは、例えば複数のアクセス先を含むウェブページの集合を示す。アクセス先とは、例えば通信網上のファイル、プログラム等のリソースの位置を指示するＵＲＬ（Uniform Resource Locator）である。また以降の説明において、複数のアクセス先の中の一が目的アクセス先として予め設定されているものとする。目的アクセス先とは、例えば購入完了時に「ありがとうございました。」と表示するウェブページ、資料請求完了のウェブページ、会員登録完了のウェブページ等のウェブサイト毎に設定されたウェブページのＵＲＬである。即ちウェブサイトの提供側は、顧客等のユーザが目的アクセス先にアクセスする様に誘導すること、例えば商品を購入させること、資料を請求させること、会員として登録させることを目的としている。

また本発明の解析装置は、事象の実施に対する効果に関する解析を行う。事象とは、例えば、提供者又は提供者からの依頼により実施される新規顧客獲得、売上増等の目的のために行われる価格の割引、景品付き販売、広告等の商業上のイベント又はキャンペーンである。

図１は、本発明の解析装置のハードウェア構成例を示すブロック図である。図１に示す解析装置１は、パーソナルコンピュータ等のコンピュータを用いて構成される。解析装置１は、制御機構１０、補助記憶機構１１、記録機構１２及び記憶機構１３を備えている。制御機構１０は、装置全体を制御するＣＰＵ等の機構である。補助記憶機構１１は、本発明の解析プログラムＰＲＧ等のプログラム及びデータ等の各種情報を記録するＣＤ−ＲＯＭ等の記録媒体から各種情報を読み取るＣＤ−ＲＯＭドライブ等の機構である。記録機構１２は、補助記憶機構１１により読み取った各種情報を記録するハードディスク等の機構である。記憶機構１３は、一時的に発生する情報を記憶するＲＡＭ等の機構である。そして記録機構１２に記録した解析プログラムＰＲＧを記憶機構１３に記憶させ、制御機構１０の制御にて実行することにより、コンピュータは、本発明の解析装置１として作動する。

さらに解析装置１は、マウス、キーボード等の入力機構１４、モニタ、プリンタ等の出力機構１５、及びＬＡＮ、インターネット等の通信網に接続する通信ポート等の通信機構１６を備えている。

図２は、本発明の解析装置１の機能構成例を示す機能ブロック図である。解析装置１は、記録機構１２に記録している本発明の解析プログラムＰＲＧを制御機構１０の制御に基づいて実行することにより、履歴分析部１００、事象特徴モデル生成部１０１、潜在特性予測部１０２、実施結果分析部１０３、予実比較部１０４、対策支援部１０５、受付部１０６等の各種機能を作動させる。

履歴分析部１００は、ウェブログに基づいてユーザのアクセスに関する行動を分析するプログラムモジュールであり、項目集合設定部１０００及び項目反応理論分析部１００１を含む。項目集合設定部１０００は、ウェブログに基づいて、アクセス先及び予め設定された目的アクセス先に対するアクセスの有無を示すマトリクス状のアクセス履歴を生成するプログラムモジュールである。項目反応理論分析部１００１は、項目集合設定部１０００が生成したマトリクス状のアクセス履歴に基づいて目的アクセス先に対するアクセスの潜在的な可能性を示す潜在特性を導出するプログラムモジュールである。

事象特徴モデル生成部１０１は、事象の実施に対する効果をモデル化した事象特徴モデルを生成するプログラムモジュールであり、主成分分析部１０１０、分類部１０１１、第１生成部１０１２、第２生成部１０１３及び第３生成部１０１４を含む。主成分分析部１０１０は、単位期間毎の潜在特性の度数分布に対して主成分分析を行うプログラムモジュールである。分類部１０１１は、主成分分析の結果に基づいて、各主成分の相対的な関係を複数のクラスに分類するプログラムモジュールである。第１生成部１０１２は、主成分及び潜在特性の分布を対応付けた潜在特性主成分表を、事象特徴モデルの一つとして生成するプログラムモジュールである。第２生成部１０１３は、クラス及びクラス毎の各主成分の相対的な関係に基づく主成分構成比を対応付けたクラス構成比表を、事象特徴モデルの一つとして生成するプログラムモジュールである。第３生成部１０１４は、クラス及び事象の内容を対応付けた事象分類表を、事象特徴モデルの一つとして生成するプログラムモジュールである。

潜在特性予測部１０２は、実施を予定しているキャンペーン等の予定事象の内容及び事象特徴モデルに基づいて、予定事象を実施した場合の潜在特性の分布を予測として導出するプログラムモジュールである。

実施結果分析部１０３は、予定事象の実施結果における潜在特性の度数分布を導出するプログラムモジュールである。

予実比較部１０４は、予測した潜在特性の分布及び予定事象の実施結果に基づく潜在特性の度数分布を比較するプログラムモジュールである。

対策支援部１０５は、潜在特性の分布の予実差を解消する事象を導出するプログラムモジュールである。

受付部１０６は、ウェブログ、目的アクセス先、予定事象の内容、実施結果等の様々な情報の入力を受け付けるプログラムモジュールである。受付部１０６は、補助記憶機構１１、記録機構１２、入力機構１４、通信機構１６等の機構から各種情報の入力を受け付けるインターフェースとしての機能を実現するプログラムモジュールである。即ち受付部１０６が入力を受け付ける処理とは、記録媒体に記録されている情報を補助記憶機構１１にて読み取る処理、記録機構１２に記録されている情報を読み取る処理、操作者の操作により入力機構１４から入力された情報を受け付ける処理、及び通信機構１６にて外部の装置から入力される情報を受け付ける処理を示す。例えば後述する記録機構１２の領域を用いた各種データベースに記録されている情報を読み取る処理も、受付部１０６により実行される。

また解析装置１は、記録機構１２に記録している本発明の解析プログラムＰＲＧを制御機構１０の制御に基づいて実行することにより、記録機構１２の記録領域を、ウェブログ記録部１２０、アクセス履歴記録部１２１、事象記録部１２２、アクセス行動モデル記録部１２３、解析結果記録部１２４、予測潜在特性分布記録部１２５、実施結果記録部１２６、実績潜在特性分布記録部１２７等の各種データベースとして使用する。なおこれらの各種データベースは、必ずしも記録機構１２の記録領域を用いたものでなくとも良く、例えば解析装置１に接続する他の装置の記録領域、記録媒体の記録領域等の記録領域を各種データベースとしても良い。

ウェブログ記録部１２０は、ウェブページに対するアクセスの履歴であるウェブログを記録するデータベースである。

アクセス履歴記録部１２１は、ウェブログに基づいて作成されるマトリクス状のアクセス履歴を記録するデータベースである。

事象記録部１２２は、実施した事象の内容の履歴を記録するデータベースである。

アクセス行動モデル記録部１２３は、アクセス履歴に基づいて導出された潜在特性等の推定値を、ユーザの各アクセス先に対する行動をモデル化したアクセス行動モデルとして記録するデータベースである。

解析結果記録部１２４は、アクセス履歴記録部１２１に記録されているアクセス履歴及び事象記録部１２２に記録されている事象の内容の履歴に基づく解析結果のモデル、即ち事象特徴モデル生成部１０１が生成した各事象特徴モデルを記録するデータベースである。

予測潜在特性分布記録部１２５は、予定事象を実施した場合に予測される潜在特性の分布を記録するデータベースである。

実施結果記録部１２６は、予定事象の実施結果であるアクセス履歴を記録するデータベースである。

実績潜在特性分布記録部１２７は、予定事象の実施結果から導出された潜在特性の度数分布を記録するデータベースである。

図３は、本発明の解析装置１が備えるウェブログ記録部１２０の記録内容の一例を概念的に示す説明図である。ウェブログ記録部１２０は、セッションＩＤ、ホストＩＤ、アクセス日、アクセス時刻、アクセス先等の項目を有するレコード単位のデータとしてウェブログを記録している。セッションＩＤとは、提供者が提供しているウェブページに対するアクセスに係るセッションを特定する特定情報を示している。ホストＩＤとは、アクセス元のホストを特定する特定情報を示している。アクセス日とは、アクセスを受けた日を示している。アクセス時刻とは、アクセスを受けた時刻を示している。なおアクセス先とは、アクセスされたＵＲＬを示している。セッションを特定し、セッションＩＤを付与する方法については、実施されている様々な方法を用いることが可能である。例えばアクセス元のホストを特定し、同一ホストからの３０分以内のアクセスは、同一のセッションに係るアクセスであるとして特定する。

図４は、本発明の解析装置１が備える事象記録部１２２の記録内容の一例を概念的に示す説明図である。事象記録部１２２は、実施日、事象内容等の項目を有するレコード単位のデータとして、実施した事象に係る情報を記録している。実施日とは、事象を実施した年月日である。尚必要に応じて時間まで記録する様にしても良い。事象内容としては、事象種類、事象規模、経過日等の項目についての情報が記録されている。事象種類とは、「割引」、「バナー広告」等の実施した事象の種類である。事象規模とは、事象種類「割引」に対する割引率を示す「１０％」、事象種類「バナー広告」に対する広告掲載数を示す「４００」等の実施した事象の規模である。

アクセス履歴記録部１２１、アクセス行動モデル記録部１２３、解析結果記録部１２４、予測潜在特性分布記録部１２５、実施結果記録部１２６及び実績潜在特性分布記録部１２７の記録内容については後述する。

次に本発明の解析装置１の処理について説明する。図５は、本発明の解析装置１の解析処理の一例を示すフローチャートである。先ず解析処理の基幹となる処理について説明し、個々の処理の詳細については後述する。本発明の解析装置１は、解析プログラムＰＲＧ等のプログラムを実行する制御機構１０の制御に基づく受付部１０６の処理により、ウェブログ記録部１２０に予め記録されている、解析の対象となるウェブログを読み取る（Ｓ１０１）。ステップＳ１０１では、受付部１０６がウェブログの入力を受け付ける処理を実行する。また受付部１０６は、ウェブログに示されているアクセス先のうちで、目的アクセス先とするアクセス先の指定を受け付ける。

解析装置１は、制御機構１０の制御に基づく項目集合設定部１０００の処理により、ウェブログに基づいて、アクセス先及び目的アクセス先に対するアクセスの有無を示すアクセス履歴を生成し（Ｓ１０２）、生成したアクセス履歴をアクセス履歴記録部１２１に記録する（Ｓ１０３）。ステップＳ１０２では、例えば三ヶ月等の解析対象期間のウェブログに基づいてアクセス履歴が生成される。

図６は、本発明の解析装置１が生成するアクセス履歴の一例を示す説明図である。項目集合設定部１０００の処理にて生成されるアクセス履歴は、アクセス先及び目的アクセス先に対するアクセスの有無をマトリクスとして示している。図６に示すアクセス履歴において、「ＳＩＤ１」、「ＳＩＤ２」等の表記はセッションＩＤを示している。「ＵＲＬ１」、「ＵＲＬ２」等の表記は、アクセス先又は目的アクセス先であるＵＲＬを示している。例えば「ＵＲＬ１」から「ＵＲＬ９」までがアクセス先のＵＲＬであり、「ＵＲＬ１０」が目的アクセス先のＵＲＬである。マトリクス上に示されたアクセス履歴は、「１」がアクセスを受けたことを示し、「０」がアクセスを受けなかったことを示している。図６に示す例では、「ＳＩＤ１」として特定されるセッションは、「ＵＲＬ２」、「ＵＲＬ５」、「ＵＲＬ６」及び「ＵＲＬ７」として示されるアクセス先に対してアクセスを行ったが、目的アクセス先にはアクセスしなかったことを示している。

図５のフローチャートの続きを説明する。解析装置１は、制御機構１０の制御に基づく項目反応理論分析部１００１の処理により、アクセス履歴記録部１２１からアクセス履歴を読み取り、アクセス履歴の傾向を一日等の単位期間毎に分析して、目的アクセス先に対するアクセスの潜在的な可能性を示す潜在特性を導出する（Ｓ１０４）。潜在特性とは、目的アクセス先に対するアクセスの潜在的な可能性、即ち商品を購入する意思の度合である。例えばアクセス履歴から「キャンペーンに興味を持ってアクセスしたが期待外れであった」と推定されるセッションは、潜在特性が低い。また例えばアクセス履歴から「高い興味を持ったが商品の購入という最終決断を見送った」と推定されるセッションは、潜在特性が高い。

そして解析装置１は、制御機構１０の制御に基づく項目反応理論分析部１００１の処理により、導出した潜在特性等の推定値を、ユーザの各アクセス先に対するアクセス行動をモデル化したアクセス行動モデルとして、アクセス行動モデル記録部１２３に記録する（Ｓ１０５）。

解析装置１は、制御機構１０の制御に基づく主成分分析部１０１０の処理により、アクセス行動モデル記録部１２３からアクセス行動モデルを読み取り、単位期間毎に、潜在特性毎のアクセスの度数分布を導出し（Ｓ１０６）、導出した単位期間毎の潜在特性の度数分布に対して主成分分析を行う（Ｓ１０７）。ステップＳ１０６では、単位期間、即ち日毎の潜在特性の度数分布を導出する。潜在特性の度数とは、潜在特性を示す値毎にアクセス数を計数した値である。この様な潜在特性の度数分布を、解析対象期間を構成する単位期間毎に導出する。

さらに解析装置１は、制御機構１０の制御に基づく主成分分析部１０１０の処理により、主成分分析の結果に基づく複数の主成分から、合計の寄与率が所定値以上となる様に主成分を選択する（Ｓ１０８）。例えば主成分を選択する所定の条件として、寄与率の累積が７０％以上となる３個以上の主成分を選択することが設定されている。以降の処理においては、ステップＳ１０８にて選択した主成分に基づいて各種解析処理を行う。寄与率の高い少数の主成分を選択することにより、少ないパラメータでアクセス行動モデルを解析することが可能となる。

解析装置１は、制御機構１０の制御に基づく第１生成部１０１２の処理により、ステップＳ１０８にて選択した主成分に内在する潜在特性の分布を導出し（Ｓ１０９）、主成分及び潜在特性の分布を対応付けた潜在特性主成分表を生成する（Ｓ１１０）。

解析装置１は、制御機構１０の制御に基づく分類部１０１１の処理により、ステップＳ１０８にて選択した各主成分の関係を正規化する（Ｓ１１１）。ステップＳ１１１では、単位期間毎に、選択した各主成分の主成分得点を各主成分の主成分得点の絶対値の合計である規模係数にて除した結果に基づいて正規化する。

そして解析装置１は、制御機構１０の制御に基づく分類部１０１１の処理により、ｋ−ｍｅａｎｓクラスタリング手法等の手法を用い、単位期間毎の正規化した各主成分の主成分得点の相対的な関係を複数のクラスに分類（クラスタリング）する（Ｓ１１２）。

解析装置１は、制御機構１０の制御に基づく受付部１０６の処理により、事象記録部１２２に予め記録されている、実施した事象の内容を読み取る（Ｓ１１３）。ステップＳ１１３の事象とは、アクセス履歴を生成する対象とした解析対象期間に実施した価格の割引、景品付き販売、広告等の商業上のイベント、キャンペーン等である。

また解析装置１は、制御機構１０の制御に基づく第２生成部１０１３の処理により、分類部１０１１が分類したクラス毎の各主成分の構成比を示す主成分構成比を導出し（Ｓ１１４）、クラス及び主成分構成比を対応付けたクラス構成比表を生成する（Ｓ１１５）。

さらに解析装置１は、制御機構１０の制御に基づく第３生成部１０１４の処理により、分類したクラスと、事象の内容とを対応付けた事象分類表を生成する（Ｓ１１６）。ステップＳ１１６のクラス及び事象の内容は、日等の単位期間に基づいて対応付けられる。例えば対応付けの基となる日のアクセスの内容に基づいて分類したクラスと、その日の事象の内容とを対応付ける。

そして解析装置１は、制御機構１０の制御に基づく事象特徴モデル生成部１０１の処理により、潜在特性主成分表、事象分類表及びクラス構成比表を、事象の実施に対する効果をモデル化した事象特徴モデルとして解析結果記録部１２４に記録する（Ｓ１１７）。この様にして解析処理が実行される。

次に解析処理に含まれる個々の処理について更に説明する。図７は、本発明の解析装置１の項目集合設定処理の一例を示すフローチャートである。解析処理におけるステップＳ１０２の処理として説明したマトリクス状のアクセス履歴を生成する項目集合設定部１０００による処理について説明する。解析装置１は、制御機構１０の制御に基づく項目集合設定部１０００の処理により、ウェブログから、対象期間における単位期間毎のアクセス先に対するアクセスの度数に基づいて、解析の対象とするアクセス先の集合を決定する（Ｓ２０１）。対象期間における単位期間毎のアクセス度数とは、三ヶ月等の対象期間において、各日のアクセス先に対するアクセス数を計数した値である。そしてアクセス度数が高いアクセス先、例えばアクセス数の上位３０位までのＵＲＬの集合を各日について決定する。決定した日毎のアクセス先の集合の論理和を、解析の対象とするアクセス先の集合として決定する。

解析装置１は、制御機構１０の制御に基づく項目集合設定部１０００の処理により、各セッションが、ステップＳ２０１にて決定した各アクセス先に対してアクセスしたか否かを示した初期マトリクスを生成する（Ｓ２０２）。ステップＳ２０２にて生成される初期マトリクスとは、図６を用いて説明したマトリクス状のアクセス履歴の基礎となるマトリクスであり、図６と同様の形式で生成される。

解析装置１は、制御機構１０の制御に基づく項目集合設定部１０００の処理により、初期マトリクスに示されている各アクセス先と、目的アクセス先とのアクセスの有無に関する相関係数を算出する（Ｓ２０３）。ステップＳ２０３の相関係数は、例えばＰｅｒｓｏｎの相関係数が用いられる。

解析装置１は、制御機構１０の制御に基づく項目集合設定部１０００の処理により、初期マトリクスに示されている各アクセス先と、目的アクセス先とのアクセスの有無に関する相関が０であるという帰無仮説を棄却することができ、かつ相関係数が負ではないアクセス先を選定する（Ｓ２０４）。

そして解析装置１は、制御機構１０の制御に基づく項目集合設定部１０００の処理により、選定したアクセス先及び目的アクセス先に対するセッション毎のアクセスの有無を示すマトリクスを生成する（Ｓ２０５）。ステップＳ２０５にて生成されるマトリクスがマトリクス状のアクセス履歴となる。

図８は、本発明の解析装置１の項目反応理論分析処理の一例を示すフローチャートである。解析処理におけるステップＳ１０４の処理として説明した潜在特性等の各種推定値に係るパラメータを導出する項目反応理論分析部１００１の処理について説明する。項目反応理論分析処理とは、マトリクス状のアクセス履歴から、項目反応理論に基づいて、潜在特性等の推定値に係るパラメータを導出する処理である。解析装置１は、制御機構１０の制御に基づく項目反応理論分析部１００１の処理により、マトリクス状のアクセス履歴に対し、項目反応理論を適用した項目反応理論分析を行う（Ｓ３０１）。

ステップＳ３０１の項目反応理論分析について説明する。項目反応理論とは、例えば英語テストとして普及しているＴＯＥＩＣ（登録商標）の作成及び運用に用いられる数理モデルであり、例えば下記の文献に記載されている。

（参考文献１）豊田英樹、「項目反応理論（入門編）」、朝倉書店、２００２
（参考文献２）豊田英樹、「項目反応理論（理論編）」、朝倉書店、２００３

本発明の解析装置１は、項目反応理論分析を行うことにより、各アクセス先に対するアクセスの有無のパターンから、目的アクセス先に対するアクセスの潜在的な可能性を示す潜在特性を各セッションについて導出する。項目反応理論では、各アクセスの難易度を、潜在特性に対するロジスティック曲線と呼ばれるＳ字カーブでモデル化する。ロジスティック曲線は、下記の式（１）として示される分布関数にて定義することができる。

式（１）において、θは被験者の能力であり、本発明に適用した場合には、潜在特性となる。ｐ（θ）は、正答確率であり、本発明に適用した場合には、目的アクセス先に対してアクセスする確率を示す。ａは、問題が能力の高低を明確に判定する程度を示す識別力パラメータであり、本発明に適用した場合には、潜在特性とアクセス先に対するアクセスの有無との関連性の程度を示す。なお識別力パラメータａは、ロジスティック曲線のなだらかさに影響する。ｂは、問題の難しさを決める困難度パラメータであり、本発明に適用した場合には、アクセス先に対するアクセスのし易さを示す。ｃは、あて推量でも正答する確率を示すあて推量パラメータであり、本発明に適用した場合には、アクセス先に対して偶然アクセスする確率を示す。Ｄは、定数であり、ここでは１．７を用いる。

各セッションｉのアクセス先に対するアクセスの有無（アクセスした場合が１、アクセスしなかった場合が０）をｕ_i ＝｛ｕ_i1，ｕ_i2，…，ｕ_ij，ｕ_in｝と表記すると、Ｎ個のセッションの各アクセス先に対するアクセスの有無を示すパターン行列Ｕが観察される確率は、下記の式（２）で示すことができる。

式（２）にて示される尤度を最大化するθ，ａ，ｂ，ｃをアクセスの有無を示すパターン行列Ｕ、即ちマトリクス状のアクセス履歴の内容から推定する。推定には、同時最尤推定法、周辺最尤推定法等の既存の方法が用いられる。項目反応理論による分析には、例えば下記に示す統計分析環境Ｒにて提供されている既存のライブラリであるｌｔｍライブラリ等のプログラムモジュールを用いることができる。

（参考文献３）“The R Project for Statistical Computing”、［online］、［平成２０年３月１９日検索］、インターネット＜ＵＲＬ：http://www.r-project.org/index.html＞

なおｌｔｍライブラリのｌｔｍ関数を用いてパラメータを推定する場合、本発明では、あて推量パラメータｃは常に０と仮定し、識別力パラメータａ及び困難度パラメータｂを推定する様に設定したモデルを適用する。

解析装置１は、制御機構１０の制御に基づく項目反応理論分析部１００１の処理により、項目反応理論により推定するロジスティック曲線を表す各パラメータの当てはめ精度に基づいて、除外候補となるアクセス先を決定する（Ｓ３０２）。ｌｔｍライブラリのｌｔｍ関数は、各アクセス先に対してパラメータａ_j ，ｂ_j の推定値と標準誤差とを出力する。標準誤差が大きいアクセス先は、潜在特性θに対する正答確率ｐ（θ）が理想的なＳ字カーブを示さないことになり、当該アクセス先と潜在特性θとの関係に疑いの余地があることを示唆している。ステップＳ３０２では、当てはめ精度の代替値となる標準誤差が、予め設定されている１等の閾値を超えるアクセス先を除外候補として決定する。

解析装置１は、制御機構１０の制御に基づく項目反応理論分析部１００１の処理により、テスト情報関数を算出する（Ｓ３０３）。テスト情報関数とは、あるセッションの潜在特性θを推定した場合に、推定値が実際の値からどの程度ずれる可能性があるかを示す関数である。テスト情報関数の算出について説明する。

あるアクセス先をＵＲＬ_j として示すものとすると、アクセス先ＵＲＬ_j に対する潜在特性θ_i は、下記の式（３）で示すことができる。

Ｉ_j （θ_i ）＝Ｄ² ・ａ_j ² ・ｐ_j （θ_i ）・ｑ_j（θ_i ） …式（３）

式（３）において、Ｉ_j （θ_i）は、アクセス先ＵＲＬ_j についての項目情報量である。ａ_j は、アクセス先ＵＲＬ_j に対して算出された識別力パラメータである。ｐ_j（θ_i ）は、潜在特性θ_iのユーザが、アクセス先ＵＲＬ_j に対してアクセスする確率をロジスティック曲線から導出した値であり、ｑ_j （θ_i ）は、アクセス先ＵＲＬ_j に対してアクセスしない確率を示す値である。なおＤは、定数であり、ここでは１．７を用いる。

そして下記の式（４）に示す様に項目情報量Ｉ_j （θ_i）の和としてテスト情報関数が算出される。

Ｉ（θ_i ）＝ΣＩ_j （θ_i ） …式（４）

式（４）において、Ｉ（θ_i ）は、テスト情報関数を示す。また推定した潜在特性θに対するテスト情報関数Ｉ（θ_i ）の値がテスト情報量Ｉ（θ）となる。そしてテスト情報量Ｉ（θ）の平方根の逆数１／√（Ｉ（θ））が、推定した潜在特性θの標準誤差となる。例えばアクセス先ＵＲＬ_jにおける推定した潜在特性θ_j の標準誤差が大きい場合、その領域における潜在特性θの推定精度が低いことを意味する。

解析装置１は、制御機構１０の制御に基づく項目反応理論分析部１００１の処理により、ステップＳ３０１の項目反応理論分析による潜在特性θ等のパラメータの推定値が妥当であるか否かを判定する（Ｓ３０４）。ステップＳ３０２において、除外候補として決定されたアクセス先が存在し、かつテスト情報関数に基づいて算出される標準誤差が１／√（Ｉ（θ））が、０．５等の所定の閾値以下である場合、解析装置１は、潜在特性θ等のパラメータの推定値が妥当ではないと判定する。

ステップＳ３０４において、妥当ではないと判定した場合（Ｓ３０４：ＮＯ）、解析装置１は、制御機構１０の制御に基づく項目反応理論分析部１００１の処理により、除外候補として決定されたアクセス先を除外し（Ｓ３０５）、ステップＳ３０１へ戻り、以降の処理を繰り返す。ステップＳ３０５では、除外候補としたアクセス先の中で最も標準誤差が大きいアクセス先を除外する。なお必要に応じて所定の条件を満たす複数のアクセス先を除外する等、適宜設計することが可能である。そして解析装置１は、除外したアクセス先を除いてマトリクス状のアクセス履歴を再構成し、項目反応理論分析以降の処理を実行する。

ステップＳ３０４において、妥当であると判定した場合（Ｓ３０４：ＹＥＳ）、解析装置１は、制御機構１０の制御に基づく項目反応理論分析部１００１の処理により、ステップＳ３０１の項目反応理論分析によるθ等のパラメータの推定値を、分析結果である潜在特性として導出する（Ｓ３０６）。

ステップＳ３０６にて導出される潜在特性等の各種推定値に係るパラメータは、解析処理のステップＳ１０５にてアクセス行動モデルとしてアクセス行動モデル記録部１２３に記録される。以下では、アクセス行動モデル記録部１２３に記録されるアクセス行動モデルについて説明する。

ステップＳ３０６では、「セッションＩＤ、θ推定値」の組として潜在特性が導出される。従ってアクセス行動モデル記録部１２３には、セッションＩＤ及び潜在特性θを対応付けた組を示す潜在特性表をアクセス行動モデルとして記録する。潜在特性表にて示されるアクセス行動モデルは、各セッションの目的アクセス先に対するアクセスの潜在的な可能性を示す潜在特性を示すモデルである。

図９は、本発明の解析装置１が導出する潜在特性の分布の一例を示すヒストグラムである。図９に示すヒストグラムは、横軸に潜在特性θをとり、縦軸にセッション度数をとって、その関係を示している。なおヒストグラム中、斜線で示した度数のセッションが、目的アクセス先までのアクセスしたことを示している。図９に示すヒストグラムは、アクセス行動モデル記録部１２３に記録する潜在特性表の内容を展開して潜在特性毎の度数分布として示したグラフである。潜在特性が高位のセッションの一部は、実際に目的アクセス先までの到達、例えば商品の購入を行っている。また目的アクセス先まで到達していないセッションについても、潜在特性の高低を比較することができる。

またステップＳ３０６では、「ＵＲＬ、困難度、識別力」の組を導出する。従ってアクセス行動モデル記録部１２３には、アクセス先、困難度パラメータｂの推定値及び識別パラメータａの推定値を対応付けた組を示す推定値表をアクセス行動モデルとして記録する。

図１０は、本発明の解析装置１が用いる項目反応理論のロジスティック曲線を示すグラフである。図１０に示すグラフは、横軸に潜在特性θをとり、縦軸にアクセス確率ｐ（θ）をとって、推定値表にて示される組毎の推定値を用いたロジスティック曲線を示している。推定値表の困難度パラメータｂの推定値及び識別パラメータａの推定値は、アクセス先に対応付けられていることから、夫々のロジスティック曲線は、アクセス先に対応している。なお図１０中、太線で示したロジスティック曲線が、目的アクセス先に対応するロジスティック曲線を示している。例えば図１０を参照することにより、例えば潜在特性が高いユーザがどのようなアクセス先にアクセスするかを読み取ることができる。

さらにステップＳ３０６では、「ｎ個の０又は１のベクトル、潜在特性推定値」の組を導出し、アクセス行動モデルとして記録する。ｎとは、分析の対象となるアクセス先の数である。当該アクセス行動モデルは、各アクセスパターンを０又は１のベクトルとしてユーザの行動を示したモデルである。このアクセス行動モデルは、同じアクセスパターンのセッションについては、同じ潜在特性が推定されることをも示している。

次に解析処理におけるステップＳ１０６〜Ｓ１１５の処理として説明した各種事象特徴モデルを生成する事象特徴モデル生成部１０１による処理について説明する。

解析装置１は、事象特徴モデル生成部１０１の主成分分析部１０１０により、解析処理におけるステップＳ１０６〜Ｓ１０８の処理を実行する。図１１は、本発明の解析装置１が導出する単位期間及び潜在特性毎のアクセス数を示す度数分布表の一例を示す三次元グラフである。図１１は、ステップＳ１０６にて導出される度数分布をグラフ化した度数分布表である。図１１では、潜在特性及び単位期間毎に、アクセス数を示している。なおここでは、単位期間として日を用いている。

図１２は、本発明の解析装置１による主成分分析の結果である主成分の主成分基底及び主成分得点の一例を示すグラフである。図１２は、ステップＳ１０７にて行う主成分分析の結果を示している。主成分分析部１０１０は、潜在特性及び日に対するアクセス数を示す度数分布に対し、多変量解析手法の一つである主成分分析を実行し、図１１に示す度数分布を形成する主要な成分を抽出する。図１２（ａ）は、最も寄与率が高い第１主成分の基底を示すグラフであり、横軸に潜在特性θをとり、縦軸に第１主成分を構成する固有ベクトルの成分をとって、その関係を示している。図１２（ｂ）は、第１主成分の得点の経時変化を示すグラフであり、横軸に日をとり、縦軸に第１主成分の得点をとって、その関係を示している。図１２（ｃ）は、２番目に寄与率が高い第２主成分の基底を示すグラフであり、図１２（ｄ）は、第２主成分の得点の経時変化を示すグラフである。図１２（ｅ）は、３番目に寄与率が高い第３主成分の基底を示すグラフであり、図１２（ｆ）は、第３主成分の得点の経時変化を示すグラフである。

図１３は、本発明の解析装置１が主成分選択に用いる主成分の累積寄与率の一例を示すグラフである。図１３は、ステップＳ１０８にて行う主成分の選択に用いるグラフである。図１３の横軸は、主成分分析で抽出した主成分を寄与率が高い順に示しており、２０の主成分数を示している。縦軸は、主成分の寄与率を高い順に累積した値を示している。寄与率の累積が７０％以上となる３個以上の主成分を選択するという条件が、主成分を選択する条件として設定されている場合、図１３に示す例では、寄与率が高い上位３個の主成分が選択されることになる。そして図１３に示す例では、選択した上位３個の主成分の寄与率の累計が９６％以上となる。寄与率に基づいて選択した上位３個の主成分が、図１２に示した第１主成分、第２主成分及び第３主成分である。

解析装置１は、事象特徴モデル生成部１０１の第１生成部１０１２により、解析処理におけるステップＳ１０９〜Ｓ１１０の処理を実行する。図１４は、本発明の解析装置１が生成する潜在特性主成分表の一例を示す図表である。図１４は、ステップＳ１１０にて生成される潜在特性主成分表を示している。図１４に示す潜在特性主成分表は、選択された上位の主成分、即ち第１主成分、第２主成分及び第３主成分の基底を構成するθ１〜θ２０の潜在特性の含有量を表形式で示している。図１４に示す潜在特性主成分表は、図１２に示した各主成分の基底を構成する潜在特性の分布を表形式に展開したものである。なお潜在特性主成分表は、事象特徴モデルとして解析結果記録部１２４に記録される。

解析装置１は、事象特徴モデル生成部１０１の分類部１０１１により、解析処理におけるステップＳ１１１〜Ｓ１１２の処理を実行する。図１５は、本発明の解析装置１に係る主成分の経時変化の一例を示すグラフである。図１５は、第１主成分、第２主成分及び第３主成分の得点の経時変化を示すグラフであり、横軸に日をとり、縦軸に各主成分の得点をとって、その関係を示している。なおグラフを構成する１、２、３の数字は、夫々第１主成分、第２主成分、第３主成分を示している。

図１６は、本発明の解析装置１に係る正規化した主成分の経時変化の一例を示すグラフである。図１６は、ステップＳ１１１にて行う正規化を示すグラフである。図１６（ａ）は、図１５に示した第１主成分、第２主成分及び第３主成分の得点の経時変化を正規化したものであり、縦軸は第１主成分、第２主成分及び第３主成分の正規化した得点を示している。得点の正規化は日毎の各得点の組に対して行われる。各日の得点の正規化は、各主成分の得点の絶対値の和を規模係数として算出し、各主成分の得点を規模係数で除する計算により行われる。従って正規化した各主成分の絶対値の和は１になる。

なお主成分分析を行った場合、潜在特性θの分布が平均的な日については、各主成分の得点が０の近傍の値をとる。各主成分の得点が０に近似されると、各主成分の得点差が小さくなるため、クラスタリング時に悪影響を与える場合がある。そこで各主成分の得点の絶対値の和である規模係数が０に近い値をとる場合、除算結果である正規化した得点を０にする修正演算を実行する。図１６（ｂ）は、図１６（ａ）に示した正規化得点の経時変化に修正演算を施し、規模係数が０に近い値をとる日の各主成分の得点を０にしたものである。図１６（ａ）及び図１６（ｂ）を比較すると明らかな様に、図１６（ａ）に示す各主成分に係る正規化した得点のばらつきが小さい日については、図１６（ｂ）に示す様に全ての主成分の正規化得点が０となっている。なお図１６に示した例では、解析対象期間中の規模係数の最大値に対し、規模係数が１０％以下になる日を、規模係数が０に近いと判断する条件として設定している。

図１７は、本発明の解析装置１による分類の結果の一例を示すグラフであり、図１８は、本発明の解析装置１による分類の結果の一例を示す説明図である。図１７は、ステップＳ１１２にて行う分類（クラスタリング）を示すグラフである。図１７は、図１６（ｂ）に示す各主成分の正規化した得点を、日毎に分類した結果を示しており、同じ線種の日が同じクラスに分類されていることを示す。また図１８は、図１７に示したグラフを展開した図表である。図１８では、分析対象日毎に、クラス種類、規模係数、及び各主成分の正規化した得点を示している。クラス種類とは、分類したクラスの名称を示している。解析装置１は、ｋ−ｍｅａｎｓクラスタリング手法等の手法を用いて、日毎の主成分の正規化した得点の関係を分類する。ｋ−ｍｅａｎｓクラスタリング手法は、非階層型の代表的なクラスタリング手法である。

ｋ−ｍｅａｎｓクラスタリング手法について説明する。先ず各主成分の正規化した得点の最小値を０とし、最大値を１として、最小値及び最大値間の区間を、所定数の区間に区分する。ここでは［０．０〜０．１］、［０．１〜０．４］、［０．４〜０．６］、［０．６〜０．９］、［０．９〜１．０］の５区間に区分する。なお区間を定義する値は、最小値及び最大値間の区間における相対位置を示す。そして各主成分の正規化した得点についての相対位置が、どの区分に属するかを判定する。即ち各主成分を相対位置に基づいて５段階のレベルに区分するのである。得点の相対位置は、得点から最小値を減じた結果を、最大値及び最小値の差で除することにより算出される。そして主成分に係る相対位置が属する区分の組を日毎に求め、同じ組となる日を同じクラスとして分類する。例えばＡ日について求めた第１主成分の属する区分が［０．０〜０．１］、第２主成分の属する区分が［０．０〜０．１］、第３主成分の属する区分が［０．４〜０．６］であり、Ｂ日について求めた各主成分が属する夫々の組も同様である場合、Ａ日とＢ日とは同じクラスに分類される。例えば図１７及び図１８に示す例において、２００７／３／１と２００７／３／２とは、「種類１」として示される同じクラスに分類されていると確認することができる。

解析装置１は、事象特徴モデル生成部１０１の第２生成部１０１３により、解析処理におけるステップＳ１１４〜Ｓ１１５の処理を実行する。図１９は、本発明の解析装置１が生成するクラス構成比表の一例を示す図表である。図１９は、ステップＳ１１５にて生成されるクラス構成比表を示している。図１９に示すクラス構成比表では、分類したクラス毎に、各主成分の構成比を表形式で示している。各主成分の構成比として示している値は、各クラスについて、各主成分の相対値の平均値を算出し、各主成分の代表値として示したものである。なおクラス構成比表は、事象特徴モデルとして解析結果記録部１２４に記録される。

解析装置１は、事象特徴モデル生成部１０１の第３生成部１０１４の処理により、解析処理におけるステップＳ１１６の処理を実行する。図２０は、本発明の解析装置１が生成する事象分類表の一例を示す図表である。図２０は、ステップＳ１１６にて生成される事象分類表を示している。図２０に示す事象分類表は、事象記録部１２２に記録されている事業内容と、分類部１０１１が導出したクラス種類及び規模係数とを、日付に基づいて対応付けた表である。事業内容としては、事象種類及び事象規模と、経過日とが示されている。なお事象分類表は、事象特徴モデルとして解析結果記録部１２４に記録される。

この様にして解析装置１は、解析処理を実行し、事象の実施に対する効果をモデル化した事象特徴モデルを生成し、生成した事象特徴モデルを解析結果記録部１２４に記録する。

次に解析処理の結果である事象特徴モデルを用いた予測処理について説明する。予測処理は、事象特徴モデルを用い、販売促進のためのキャンペーンを実施した場合に、それによる効果、即ちアクセス状況を予測する処理である。図２１は、本発明の解析装置１の予測処理の一例を示すフローチャートである。解析装置１は、解析プログラムＰＲＧ等のプログラムを実行する制御機構１０の制御に基づく受付部１０６の処理により、実施する事象である予定事象の内容の入力を受け付ける（Ｓ４０１）。ステップＳ４０１にて受け付ける予定事象の内容は、例えば図４に示した事象記録部１２２に記録されている事象の内容に準じた形式が用いられる。

解析装置１は、制御機構１０の制御に基づく潜在特性予測部１０２の処理により、解析結果記録部１２４に記録している事象特徴モデルを読み取る（Ｓ４０２）。

解析装置１は、制御機構１０の制御に基づく潜在特性予測部１０２の処理により、事象特徴モデルの一つである事象分類表に基づいて、予定事象の内容から予測されるクラス種類及び規模係数を導出する（Ｓ４０３）。ステップＳ４０３は、予定事象の内容に一致又は類似する事象内容及び経過日を検索し、検索した事象内容及び経過日に対応付けて記録されているクラス種類及び規模係数を読み取る処理である。なお予定事象の内容に一致又は類似する事象内容及び経過日が複数存在する場合、対応付けられている複数のクラス種類及び規模係数の平均値を用いる。クラス種類の平均値とは、次の処理である主成分構成比の導出において、クラス構成比表に示されているクラス構成比の平均値である。なお平均値を算出するのではなく、直近のクラス種類及び規模係数を用いる様にしてもよい。事象実施時の効果は、常に変化しているとの前提に基づく処置である。

図２２は、本発明の解析装置１の予測処理の途中経過の一例を示す図表である。図２２は、ステップＳ４０３の処理の具体例であり、経過日と、導出されたクラス種類及び規模係数とを対応付けて示している。図２２に示す例では、予定事象を実施する全ての日において、クラス種類が「種類１」であるが、その規模係数は経過日毎に変化していることを示している。

図２１のフローチャートの続きを説明する。解析装置１は、制御機構１０の制御に基づく潜在特性予測部１０２の処理により、事象特徴モデルの一つであるクラス構成比表に基づいて、予測されるクラス種類から予測される主成分構成比を導出する（Ｓ４０４）。ステップＳ４０４は、ステップＳ４０３にて予測したクラス種類を検索し、検索したクラス種類に対応付けて記録されている各主成分の構成比を読み取る処理である。例えばクラス種類「種類１」では、第１主成分、第２主成分及び第３主成分の構成比が０．７：０．１：−０．２であるとの内容を読み取る。

解析装置１は、制御機構１０の制御に基づく潜在特性予測部１０２の処理により、事象特徴モデルの一つである潜在特性主成分表に基づいて、予測される主成分構成比から潜在特性の分布予測を導出する（Ｓ４０５）。ステップＳ４０５は、ステップＳ４０４にて予測した各主成分の構成比を、潜在特性主成分表に記録されている各主成分の潜在特性の分布に乗じることで、予測される各主成分の分布を導出する処理である。なお潜在特性の分布予測までの処理において、事象特徴モデルから読み取った情報をそのまま用いるのではなく、主催者が独自に入手している情報、経験等を加味し、必要に応じて適宜修正を加工する様にしても良い。

そして解析装置１は、制御機構１０の制御に基づく潜在特性予測部１０２の処理により、予定事象を実施した場合に予測される潜在特性の分布、クラス種類及び規模係数を出力機構１５から出力し（Ｓ４０６）、また予測潜在特性分布部１２５に記録する（Ｓ４０７）。ステップＳ４０６は、ステップＳ４０５にて導出した潜在特性の分布予測をモニタに表示し、必要に応じてプリンタを用いて印刷出力する処理である。ステップＳ４０７では、予測した潜在特性の分布として、潜在特性の分布そのものを示す情報と共に、潜在特性の分布をモデル化した情報としてクラス種類及び規模係数を示す情報も記録される。

図２３は、本発明の解析装置１が出力する潜在特性の分布予測の一例を示す説明図である。図２３は、ステップＳ４０５にて導出した潜在特性の分布予測の結果であり、ステップＳ４０６にて出力され、またステップＳ４０７で記録される情報である。図２３（ａ）〜（ｄ）は、夫々予定事象の開始の１日目から４日目までの潜在特性の分布予測を示すヒストグラムであり、横軸が潜在特性を示し、縦軸がセッション度数を示している。即ち図２３の各図は、図９に示した潜在特性の分布を示すヒストグラムの形式を用いて予測結果を示したものである。この様にして予測処理が実行される。

次に予定事象を実施した際に、予測処理にて予測した内容と、実施した結果とを比較する検証処理について説明する。図２４は、本発明の解析装置１の検証処理の一例を示すフローチャートである。本発明の解析装置１は、解析プログラムＰＲＧ等のプログラムを実行する制御機構１０の制御に基づく受付部１０６の処理により、実施結果記録部１２６から、解析の対象となる実施結果を読み取り、処理の対象として受け付ける（Ｓ５０１）。ステップＳ５０１にて受け付ける実施結果は、例えば前述した予定事象を実施後のアクセス先及び目的アクセス先に対するアクセスの有無を、セッション毎に示した図表として記録されている。即ち図３に示したウェブログと同様の形式である。ここでは予定事象実施後、一日分の実施結果を解析の対象として受け付けたものとして以降の処理を説明する。

解析装置１は、制御機構１０の制御に基づく実施結果分析部１０３の処理により、受け付けた実施結果、及びアクセス行動モデル記録部１２３に記録しているアクセス行動モデルに基づいて、実施結果における潜在特性の度数分布を導出する（Ｓ５０２）。ステップＳ５０２は、アクセス行動モデル等の過去の解析結果に基づいて、各セッションのアクセス先及び目的アクセス先に対するアクセスの結果から、各セッションの潜在特性を推定し、潜在特性の度数分布を導出する処理である。

解析装置１は、制御機構１０の制御に基づく実施結果分析部１０３の処理により、実施結果における潜在特性の度数分布に対して回帰分析を行い、潜在特性の度数分布を主成分毎の重みに分解して、クラス種類を判定する（Ｓ５０３）。ステップＳ５０３では、先ず、解析結果記録部１２４に記録されている事象特徴モデルを参照し、潜在特性主成分表に示されている各主成分の主成分基底を説明変数として回帰分析を行い、各主成分に係る重み係数を求める。そして求めた重み係数は、クラス種類の判別に用いられる。重み係数が、事象特徴モデルのクラス種構成比表に示されている主成分の構成比と一致又は近似されるクラス種類が存在する場合、当該クラス種類は、事象の実施結果を示すクラス種類であると判定することができる。クラス種類の判定には、回帰分析の精度を評価する指標として一般に用いられるＲ自乗値を用いることができる。例えばＲ自乗値が閾値として設定している０．８を超えた場合に、潜在特性の分布を、予測に用いたクラス種類の主成分に分解することができたと判定する。

解析装置１は、制御機構１０の制御に基づく実施結果分析部１０３の処理により、回帰分析で求められた主成分に係る重み係数を正規化して規模係数を導出する（Ｓ５０４）。

そして解析装置１は、制御機構１０の制御に基づく実施結果分析部１０３の処理により、潜在特性の分布等の実施結果を示す情報を、実績潜在特性分布記録部１２７に記録する（Ｓ５０５）。ステップＳ５０５では、潜在特性の分布そのものを示す情報と共に、潜在特性の分布をモデル化した情報として、クラス種類及び規模係数を示す情報も記録される。

解析装置１は、制御機構１０の制御に基づく予実比較部１０４の処理により、潜在特性の分布の予実比較を行う（Ｓ５０６）。ステップＳ５０６は、予測潜在特性分布記録部１２５から予測した潜在特性の分布を読み取り、また実績潜在特性分布記録部１２７から事象の実施結果を示す潜在特性の分布を読み取り、夫々を比較する処理である。なお比較は、潜在特性の分布そのものを比較するのではなく、クラス種類及び規模係数を比較することにより、比較結果を容易に求めることができる。そしてクラス種類及び規模係数に差異がある場合、予実差有りとして以降の処理を実行する。なおクラス種類及び規模係数に差異がない場合、実施結果は予測通りであるとの結論を出力する。

解析装置１は、制御機構１０の制御に基づく対策支援部１０５の処理により、予実比較の結果である予実差を分類する（Ｓ５０７）。ステップＳ５０７では、予測と実績とのクラス種類及び規模係数を比較することにより、幾つかの類型に分類することができる。ここではクラス種類が同一で規模係数が異なるタイプＡ、クラス種が異なり特定の主成分のみが異なるタイプＢ、全ての主成分が異なるか回帰分析を検証したＲ自乗値が閾値を超えないタイプＣの三種類のタイプに分類する例を説明する。

解析装置１は、制御機構１０の制御に基づく対策支援部１０５の処理により、予実差の分類結果に基づいて、潜在特性の分布の予実差を解消するための対策を導出する（Ｓ５０８）。ステップＳ５０８において、タイプＡに分類した場合、例えば広告規模の拡大により、キャンペーン自体の規模を補正することが適正であると判定し、規模を大きくする施策を実施する提案を対策として導出する。タイプＢに分類した場合、解析結果記録部１２４に記録されている事象特徴モデルから、特定の主成分を強化する事象内容を検索し、対策として導出する。タイプＣに分類した場合、過去の実績を示す事象特徴モデルから状況を類推することが困難な状況が発生していると判断して、具体的な対策の導出は実行せず、予実差が大きいことを示す警告のみとする。

解析装置１は、制御機構１０の制御に基づく対策支援部１０５の処理により、導出した対策を出力機構１５から出力する（Ｓ５０９）。ステップＳ５０９は、ステップＳ５０８にて導出した対策等の情報をモニタに表示し、必要に応じてプリンタを用いて印刷出力する処理である。

この様に本発明の解析装置１は、各ユーザの属性、過去の購入履歴等のユーザ毎の情報が利用できない場合でも、キャンペーン初日におけるユーザのアクセス状況の実績を解析し、予定と異なる場合には、その対策を提案することができる。即ち本発明は、キャンペーン初日のユーザの潜在特性の分布を過去の実績から予測した上で、予測と実績とが異なる場合に、予実差を予め設定されている複数のタイプのいずれかに分類し、タイプ毎に適切な対策を提案することが可能である。

前記実施の形態では、一台の装置を用いて構成した解析装置にて実施する形態を示したが、本発明はこれに限らず、必要に応じて機能を分散した複数台の装置にて実施する等、様々な形態に展開することが可能である。

また前記実施の形態では、スタンドアローンとして稼動する解析装置にて実施する形態を示したが、本発明はこれに限らず、ウェブサーバからウェブログをインターネット等の通信網経由で受信し、適宜必要な命令を通信網経由で、該当ウェブサーバへ送信するＡＳＰ型の形態に展開することも可能である。

さらに前記実施の形態では、アクセス先としてＵＲＬを設定する形態を示したが、本発明はこれに限られるものではない。例えば社内に構築されたイントラネットに適用する場合に、ＵＲＬ以外に、プライベートＩＰアドレス等の別途設定される独自のアドレスを用いる様にしてもよい等、様々な形態に展開することが可能である。

以上の実施の形態に関し、更に以下の付記を開示する。

（付記１）
通信網上のアクセス先に対するアクセスを解析する解析装置において、
アクセス先、及び予め設定された目的アクセス先に対するアクセスの有無を示すアクセス履歴をセッション毎に記録している履歴記録部の記録内容から、アクセス履歴の傾向を単位期間毎に分析して、目的アクセス先に対するアクセスの潜在的な可能性を示す潜在特性をセッション毎に導出する履歴分析部と、
該履歴分析部が導出した単位期間毎の潜在特性に対応するアクセスの度数分布に対して主成分分析を行う主成分分析部と、
該主成分分析の結果に基づいて、単位期間毎の各主成分の相対的な関係を複数のクラスに分類する分類部と、
目的アクセス先に対するアクセスに誘導すべく実施した事象の内容を単位期間毎に記録する事象記録部と、
前記主成分毎に、内在する前記潜在特性の分布を導出して、主成分及び潜在特性の分布を対応付けた潜在特性主成分表を生成する第１生成部と、
前記分類部が分類したクラス、及び該クラス毎の各主成分の相対的な関係に基づく主成分構成比を対応付けたクラス構成比表を生成する第２生成部と、
前記分類部が分類したクラス、及び前記事象記録部に記録している事象の内容を、単位期間に基づいて対応付けた事象分類表を生成する第３生成部と、
前記第１生成部が生成した潜在特性主成分表、前記第２生成部が生成したクラス構成比表、及び前記第３生成部が生成した事象分類表を、事象の実施に対する効果をモデル化した事象特徴モデルとして記録する解析結果記録部と
を備えることを特徴とする解析装置。

（付記２）
更に、
実施する事象である予定事象の内容の入力を受け付ける受付部と、
受け付けた予定事象の内容、及び前記解析結果記録部に記録している事象特徴モデルに基づいて、予定事象を実施した場合の潜在特性の分布の予測を導出する潜在特性予測部と
を備えることを特徴とする付記１に記載の解析装置。

（付記３）
前記履歴分析部が導出した潜在特性をアクセス履歴に係るセッションに対応付けたアクセス行動モデルとして記録するアクセス行動モデル記録部を備えており、
更に、
前記受付部は、前記予定事象を実施後のアクセス先及び目的アクセス先に対するアクセスの有無を、セッション毎に示した実施結果を受け付ける様にしてあり、
該実施結果、及び前記アクセス行動モデル記録部に記録しているアクセス行動モデルに基づいて、実施結果における潜在特性の度数分布を導出する実施結果分析部と、
前記潜在特性予測部が予測した潜在特性の分布、及び前記実施結果分析部が導出した潜在特性の分布を比較する予実比較部と、
該予実比較部が比較した結果である潜在特性の予実差に基づいて、潜在特性の分布の差を、予め設定されている複数の類型の一つに分類する対策支援部と
を備えることを特徴とする付記２に記載の解析装置。

（付記４）
前記履歴分析部は、
前記履歴記録部に記録している単位期間毎のアクセス履歴に対し、
アクセスの有無について目的アクセス先との相関が所定値以上であるアクセス先を選択し、
各セッションに対し、選択したアクセス先に対するアクセスの有無を対応付け、
各セッション及び選択したアクセス先に対するアクセスの有無の対応関係を項目反応理論による分析結果に基づいて、
潜在特性をセッション毎に導出する様にしてある
ことを特徴とする付記１乃至付記３のいずれかに記載の解析装置。

（付記５）
前記分類部は、
単位期間毎に、主成分分析の結果に基づく各主成分の主成分得点を各主成分の主成分得点の絶対値の合計である規模係数にて除した結果に基づいて正規化し、
正規化した各主成分の主成分得点の相対的な関係を分類する様にしてある
ことを特徴とする付記１乃至付記４のいずれかに記載の解析装置。

（付記６）
前記潜在特性予測部は、
前記事象分類表に基づいて、予定事象の内容から予測されるクラスを導出し、
前記クラス構成比表に基づいて、予測されるクラスから予測される主成分構成比を導出し、
前記潜在特性主成分表に基づいて、予測される主成分構成比から潜在特性の分布の予測を導出する様にしてある
ことを特徴とする付記２に記載の解析装置。

（付記７）
通信網上のアクセス先に対するアクセスを解析する解析装置を用いて実行する解析方法において、
アクセス先、及び予め設定された目的アクセス先に対するアクセスの有無を示すアクセス履歴をセッション毎に記録している履歴記録部の記録内容から、アクセス履歴の傾向を単位期間毎に分析して、目的アクセス先に対するアクセスの潜在的な可能性を示す潜在特性をセッション毎に導出する履歴分析ステップと、
該履歴分析ステップにて導出した単位期間毎の潜在特性に対応するアクセスの度数分布に対して主成分分析を行う主成分分析ステップと、
該主成分分析ステップによる主成分分析の結果に基づいて、主成分毎に、内在する前記潜在特性の分布を導出し、主成分及び潜在特性の分布を対応付けた潜在特性主成分表を生成する第１生成ステップと、
前記主成分分析ステップによる主成分分析の結果に基づいて、単位期間毎の各主成分の相対的な関係を複数のクラスに分類する分類ステップと、
該分類ステップにて分類したクラス、及び該クラス毎の各主成分の相対的な関係に基づく主成分構成比を対応付けたクラス構成比表を生成する第２生成ステップと、
前記分類ステップにて分類したクラス、及び目的アクセス先に対するアクセスに誘導すべく実施した単位期間毎の事象の内容を、単位期間に基づいて対応付けた事象分類表を生成する第３生成ステップと、
前記第１生成ステップにて生成した潜在特性主成分表、前記第２生成ステップにて生成したクラス構成比表、及び前記第３生成ステップにて生成した事象分類表を、事象の実施に対する効果をモデル化した事象特徴モデルとして記録する解析結果記録ステップと
を解析装置にて実行することを特徴とする解析方法。

（付記８）
コンピュータに、通信網上のアクセス先に対するアクセスを解析させる解析プログラムにおいて、
前記コンピュータに、
アクセス先、及び予め設定された目的アクセス先に対するアクセスの有無を示すアクセス履歴をセッション毎に記録している履歴記録部の記録内容から、アクセス履歴の傾向を単位期間毎に分析して、目的アクセス先に対するアクセスの潜在的な可能性を示す潜在特性をセッション毎に導出する履歴分析手順と、
該履歴分析手順にて導出した単位期間毎の潜在特性に対応するアクセスの度数分布に対して主成分分析を行う主成分分析手順と、
該主成分分析手順による主成分分析の結果に基づいて、主成分毎に、内在する前記潜在特性の分布を導出し、主成分及び潜在特性の分布を対応付けた潜在特性主成分表を生成する第１生成手順と、
前記主成分分析手順による主成分分析の結果に基づいて、単位期間毎の各主成分の相対的な関係を複数のクラスに分類する分類手順と、
該分類手順にて分類したクラス、及び該クラス毎の各主成分の相対的な関係に基づく主成分構成比を対応付けたクラス構成比表を生成する第２生成手順と、
前記分類手順にて分類したクラス、及び目的アクセス先に対するアクセスに誘導すべく実施した単位期間毎の事象の内容を、単位期間に基づいて対応付けた事象分類表を生成する第３生成手順と、
前記第１生成手順にて生成した潜在特性主成分表、前記第２生成手順にて生成したクラス構成比表、及び前記第３生成手順にて生成した事象分類表を、事象の実施に対する効果をモデル化した事象特徴モデルとして記録する解析結果記録手順と
を実行させることを特徴とする解析プログラム。

本発明の解析装置のハードウェア構成例を示すブロック図である。 本発明の解析装置の機能構成例を示す機能ブロック図である。 本発明の解析装置が備えるウェブログ記録部の記録内容の一例を概念的に示す説明図である。 本発明の解析装置が備える事象記録部の記録内容の一例を概念的に示す説明図である。 本発明の解析装置の解析処理の一例を示すフローチャートである。 本発明の解析装置が生成するアクセス履歴の一例を示す説明図である。 本発明の解析装置の項目集合設定処理の一例を示すフローチャートである。 本発明の解析装置の項目反応理論分析処理の一例を示すフローチャートである。 本発明の解析装置が導出する潜在特性の分布の一例を示すヒストグラムである。 本発明の解析装置が用いる項目反応理論のロジスティック曲線を示すグラフである。 本発明の解析装置が導出する単位期間及び潜在特性毎のアクセス数を示す度数分布表の一例を示す三次元グラフである。 本発明の解析装置による主成分分析の結果である主成分の主成分基底及び主成分得点の一例を示すグラフである。 本発明の解析装置が主成分選択に用いる主成分の累積寄与率の一例を示すグラフである。 本発明の解析装置が生成する潜在特性主成分表の一例を示す図表である。 本発明の解析装置に係る主成分の経時変化の一例を示すグラフである。 本発明の解析装置に係る正規化した主成分の経時変化の一例を示すグラフである。 本発明の解析装置による分類の結果の一例を示すグラフである。 本発明の解析装置による分類の結果の一例を示す説明図である。 本発明の解析装置が生成するクラス構成表の一例を示す図表である。 本発明の解析装置が生成する事象分類表の一例を示す図表である。 本発明の解析装置の予測処理の一例を示すフローチャートである。 本発明の解析装置の予測処理の途中経過の一例を示す図表である。 本発明の解析装置が出力する潜在特性の分布予測の一例を示す説明図である。 本発明の解析装置の検証処理の一例を示すフローチャートである。

１ 解析装置
１０ 制御機構
１１ 補助記憶機構
１２ 記録機構
１３ 記憶機構
１４ 入力機構
１５ 出力機構
１６ 通信機構
１００ 履歴分析部
１０００ 項目集合設定部
１００１ 項目反応理論分析部
１０１ 事象特徴モデル生成部
１０１０ 主成分分析部
１０１１ 分類部
１０１２ 第１生成部
１０１３ 第２生成部
１０１４ 第３生成部
１０２ 潜在特性予測部
１０３ 実施結果分析部
１０４ 予実比較部
１０５ 対策支援部
１０６ 受付部
１２０ ウェブログ記録部
１２１ アクセス履歴記録部
１２２ 事象記録部
１２３ アクセス行動モデル記録部
１２４ 解析結果記録部
１２５ 予測潜在特性分布記録部
１２６ 実施結果記録部
１２７ 実績潜在特性分布記録部
ＰＲＧ 解析プログラム

Claims (5)

1. 通信網上のアクセス先に対するアクセスを解析する解析装置において、
   アクセス先、及び予め設定された目的アクセス先に対するアクセスの有無を示すアクセス履歴をセッション毎に記録している履歴記録部の記録内容から、アクセス履歴の傾向を単位期間毎に分析して、目的アクセス先に対するアクセスの潜在的な可能性を示す潜在特性をセッション毎に導出する履歴分析部と、
   該履歴分析部が導出した単位期間毎の潜在特性に対応するアクセスの度数分布に対して主成分分析を行う主成分分析部と、
   該主成分分析の結果に基づいて、単位期間毎の各主成分の相対的な関係を複数のクラスに分類する分類部と、
   目的アクセス先に対するアクセスに誘導すべく実施した事象の内容を単位期間毎に記録する事象記録部と、
   前記主成分毎に、内在する前記潜在特性の分布を導出して、主成分及び潜在特性の分布を対応付けた潜在特性主成分表を生成する第１生成部と、
   前記分類部が分類したクラス、及び該クラス毎の各主成分の相対的な関係に基づく主成分構成比を対応付けたクラス構成比表を生成する第２生成部と、
   前記分類部が分類したクラス、及び前記事象記録部に記録している事象の内容を、単位期間に基づいて対応付けた事象分類表を生成する第３生成部と、
   前記第１生成部が生成した潜在特性主成分表、前記第２生成部が生成したクラス構成比表、及び前記第３生成部が生成した事象分類表を、事象の実施に対する効果をモデル化した事象特徴モデルとして記録する解析結果記録部と
   を備えることを特徴とする解析装置。
2. 更に、
   実施する事象である予定事象の内容の入力を受け付ける受付部と、
   受け付けた予定事象の内容、及び前記解析結果記録部に記録している事象特徴モデルに基づいて、予定事象を実施した場合の潜在特性の分布の予測を導出する潜在特性予測部と
   を備えることを特徴とする請求項１に記載の解析装置。
3. 前記履歴分析部が導出した潜在特性をアクセス履歴に係るセッションに対応付けたアクセス行動モデルとして記録するアクセス行動モデル記録部を備えており、
   更に、
   前記受付部は、前記予定事象を実施後のアクセス先及び目的アクセス先に対するアクセスの有無を、セッション毎に示した実施結果を受け付ける様にしてあり、
   該実施結果、及び前記アクセス行動モデル記録部に記録しているアクセス行動モデルに基づいて、実施結果における潜在特性の度数分布を導出する実施結果分析部と、
   前記潜在特性予測部が予測した潜在特性の分布、及び前記実施結果分析部が導出した潜在特性の分布を比較する予実比較部と、
   該予実比較部が比較した結果である潜在特性の予実差に基づいて、潜在特性の分布の差を、予め設定されている複数の類型の一つに分類する対策支援部と
   を備えることを特徴とする請求項２に記載の解析装置。
4. 通信網上のアクセス先に対するアクセスを解析する解析装置を用いて実行する解析方法において、
   アクセス先、及び予め設定された目的アクセス先に対するアクセスの有無を示すアクセス履歴をセッション毎に記録している履歴記録部の記録内容から、アクセス履歴の傾向を単位期間毎に分析して、目的アクセス先に対するアクセスの潜在的な可能性を示す潜在特性をセッション毎に導出する履歴分析ステップと、
   該履歴分析ステップにて導出した単位期間毎の潜在特性に対応するアクセスの度数分布に対して主成分分析を行う主成分分析ステップと、
   該主成分分析ステップによる主成分分析の結果に基づいて、主成分毎に、内在する前記潜在特性の分布を導出し、主成分及び潜在特性の分布を対応付けた潜在特性主成分表を生成する第１生成ステップと、
   前記主成分分析ステップによる主成分分析の結果に基づいて、単位期間毎の各主成分の相対的な関係を複数のクラスに分類する分類ステップと、
   該分類ステップにて分類したクラス、及び該クラス毎の各主成分の相対的な関係に基づく主成分構成比を対応付けたクラス構成比表を生成する第２生成ステップと、
   前記分類ステップにて分類したクラス、及び目的アクセス先に対するアクセスに誘導すべく実施した単位期間毎の事象の内容を、単位期間に基づいて対応付けた事象分類表を生成する第３生成ステップと、
   前記第１生成ステップにて生成した潜在特性主成分表、前記第２生成ステップにて生成したクラス構成比表、及び前記第３生成ステップにて生成した事象分類表を、事象の実施に対する効果をモデル化した事象特徴モデルとして記録する解析結果記録ステップと
   を解析装置にて実行することを特徴とする解析方法。
5. コンピュータに、通信網上のアクセス先に対するアクセスを解析させる解析プログラムにおいて、
   前記コンピュータに、
   アクセス先、及び予め設定された目的アクセス先に対するアクセスの有無を示すアクセス履歴をセッション毎に記録している履歴記録部の記録内容から、アクセス履歴の傾向を単位期間毎に分析して、目的アクセス先に対するアクセスの潜在的な可能性を示す潜在特性をセッション毎に導出する履歴分析手順と、
   該履歴分析手順にて導出した単位期間毎の潜在特性に対応するアクセスの度数分布に対して主成分分析を行う主成分分析手順と、
   該主成分分析手順による主成分分析の結果に基づいて、主成分毎に、内在する前記潜在特性の分布を導出し、主成分及び潜在特性の分布を対応付けた潜在特性主成分表を生成する第１生成手順と、
   前記主成分分析手順による主成分分析の結果に基づいて、単位期間毎の各主成分の相対的な関係を複数のクラスに分類する分類手順と、
   該分類手順にて分類したクラス、及び該クラス毎の各主成分の相対的な関係に基づく主成分構成比を対応付けたクラス構成比表を生成する第２生成手順と、
   前記分類手順にて分類したクラス、及び目的アクセス先に対するアクセスに誘導すべく実施した単位期間毎の事象の内容を、単位期間に基づいて対応付けた事象分類表を生成する第３生成手順と、
   前記第１生成手順にて生成した潜在特性主成分表、前記第２生成手順にて生成したクラス構成比表、及び前記第３生成手順にて生成した事象分類表を、事象の実施に対する効果をモデル化した事象特徴モデルとして記録する解析結果記録手順と
   を実行させることを特徴とする解析プログラム。

Images