JP2014056448A - Attribution analysis and presentation method, and system - Google Patents
Attribution analysis and presentation method, and system Download PDFInfo
- Publication number
- JP2014056448A JP2014056448A JP2012201075A JP2012201075A JP2014056448A JP 2014056448 A JP2014056448 A JP 2014056448A JP 2012201075 A JP2012201075 A JP 2012201075A JP 2012201075 A JP2012201075 A JP 2012201075A JP 2014056448 A JP2014056448 A JP 2014056448A
- Authority
- JP
- Japan
- Prior art keywords
- data
- causal relationship
- factor
- result data
- factor candidate
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本発明は，企業等における事故・故障等の要因分析・表示方法に関する。更に，本発明は，企業等における非財務情報の財務情報に対する関連性分析・表示システム，及びその方法に関する。 The present invention relates to a factor analysis / display method for accidents and breakdowns in a company or the like. Furthermore, the present invention relates to a relevance analysis / display system and method for non-financial information in a company or the like.
ＩＴ技術の発達により，企業において，保全に関する記録や，製造・営業等の企業活動に関する大量の非財務情報が蓄積されるようになってきた。このような状況の下，企業活動において事故・故障等が発生した場合，要因を求めて該要因の保全活動を優先する事等を目的として，蓄積された大量の情報の中から，該事故・故障等の因果関係を分析し，要因分析のニーズが高まっている。また，企業活動に影響を与える投資対象の優先順位付け等を目的として，企業におけるある時点における財務状況が，どのような企業活動の要因でそのような状況になったのか，因果関係を分析する要因分析のニーズが高まっている。 上記のような要因分析を行い，その結果を表示する方法の例として，ベイジアンネットワークにおけるＫ−２アルゴリズム（非特許文献１）が知られている。ベイジアンネットワークはカテゴリに分類された変数を前提とした循環の無いグラフ構造であり，Ｋ−２アルゴリズムは尤度と構造の単純さを指標とした情報量基準を評価関数として該グラフ構造を求める。 With the development of IT technology, companies have accumulated a large amount of non-financial information regarding maintenance records and corporate activities such as manufacturing and sales. Under such circumstances, when an accident or breakdown occurs in a company activity, the accident / failure is determined from a large amount of accumulated information for the purpose of seeking the cause and giving priority to the maintenance activities for the cause. There is a growing need for factor analysis by analyzing causal relationships such as failures. In addition, for the purpose of prioritizing investment targets that affect corporate activities, etc., analyze the causal relationship of the company's financial situation at a certain point in time, and what causes such a situation. There is an increasing need for factor analysis. As an example of a method for performing the factor analysis as described above and displaying the result, the K-2 algorithm (Non-Patent Document 1) in a Bayesian network is known. A Bayesian network is a non-circular graph structure based on variables classified into categories, and the K-2 algorithm obtains the graph structure using an information criterion based on likelihood and structure simplicity as an evaluation function.
一方，特許文献１には，医療分野におけるバリアンスの原因分析を行う方法とその表示方法が開示されている。該文献記載の方法では，原因―結果の組を組み合わせることにより要因分析結果に相当する表示を行う。また，特許文献２，３には，予め与えられた故障や異常が起きた時の因果関係を表示する方法が開示されている。 On the other hand, Patent Literature 1 discloses a method for performing cause analysis of variance in the medical field and a display method thereof. In the method described in the document, a display corresponding to a factor analysis result is performed by combining a cause-result pair. Patent Documents 2 and 3 disclose a method for displaying a causal relationship when a predetermined failure or abnormality occurs.
保全に関する記録や，製造・営業等の企業活動に関する非財務情報は，一般にはカテゴリ情報だけではなく連続する数値情報も含まれるが，ベイジアンネットワークでは，数値情報の依存関係を表示することはできない。また，Ｋ−２アルゴリズムで用いられる尤度や構造の単純さは情報間の因果関係の強さを表す指標ではないため，該アルゴリズムで求められたグラフ構造は要因を正しく表していない。 Non-financial information related to maintenance and business activities such as manufacturing / sales generally includes not only category information but also continuous numerical information. However, in a Bayesian network, the dependency of numerical information cannot be displayed. In addition, since the likelihood and the simplicity of the structure used in the K-2 algorithm are not an index representing the strength of the causal relationship between information, the graph structure obtained by the algorithm does not correctly represent the factor.
また，特許文献１では，因果関係生成の基となる原因―結果の組を求める相関関係生成手段が記載されているが，その方法は開示されておらず，データから因果関係を自動的に生成する一連の方法が開示されていない。特許文献２並びに特許文献３では，因果関係は予め与えられることが必要で，因果関係を自動的に求めることはできない。 Further, Patent Document 1 describes a correlation generation means for obtaining a cause-result pair that is a basis for generating a causal relationship, but the method is not disclosed, and a causal relationship is automatically generated from data. A series of methods is not disclosed. In Patent Document 2 and Patent Document 3, the causal relationship needs to be given in advance, and the causal relationship cannot be obtained automatically.
また、複数の要因から，事故・故障，財務状況等の結果を生じる場合，それらの要因が独立で作用しているのか，相互に関係があるのかを区別することは，複数要因全てに対して保全や投資の優先順位を上げる必要があるのか，一部の要因のみで良いのかを判断する上で必須となる。しかしながら、非特許文献１、特許文献１ないし３のいずれのも，複数の要因から結果が生じる場合，それらの要因が独立で作用しているのか，相互に関係があるのかを区別する事ができない。 In addition, when multiple factors cause consequences such as accidents / failures, financial conditions, etc., it is important to distinguish whether these factors are acting independently or related to each other. This is indispensable for determining whether it is necessary to raise the priority of conservation and investment, or whether only some factors are necessary. However, in both of Non-Patent Document 1 and Patent Documents 1 to 3, when a result is generated from a plurality of factors, it is not possible to distinguish whether these factors act independently or are related to each other. .
本願において開示される発明の代表的な一例を示せば以下の通りである。すなわち，事故・故障等に関する情報と，運用・保全関連情報並びに環境外部情報との相関を求め，二情報間で関連する場合には矢印で，三情報以上の間で関連する場合はそれらを纏める図を用いて表示する。更に予め，関連していない情報の組を業務知識として蓄積し，該情報間には前記の表示を行わない。 A typical example of the invention disclosed in the present application is as follows. In other words, the correlation between information related to accidents / failures, operation / maintenance related information, and environmental external information is obtained, and when related between two pieces of information, it is indicated by an arrow, and when related between three or more pieces of information, the information is collected. Display using diagrams. Further, a set of information that is not related is stored in advance as business knowledge, and the display is not performed between the information.
また，本願において開示される発明の別の代表的な一例を示せば以下の通りである。すなわち，財務情報と非財務情報との相関を求め，二情報間で関連する場合には矢印で，三情報以上の間で関連する場合はそれらを纏める図を用いて表示する。更に，関連する情報間の関連度合いを矢印の太さ，色等により表示する。更に，非財務情報を変更した場合の財務情報の変化を表示する。 Further, another representative example of the invention disclosed in the present application is as follows. That is, the correlation between the financial information and the non-financial information is obtained and displayed using an arrow when related between two pieces of information, and a diagram summarizing them when related between three or more pieces of information. Furthermore, the degree of association between related information is displayed by the thickness, color, etc. of the arrow. Furthermore, changes in financial information when non-financial information is changed are displayed.
本発明の代表的な実施の形態によれば，事故・故障が発生した際に関連する可能性がある要因の候補が矢印等で結ばれるため，自明でない該事故・故障の要因を発見することが可能となる。また，財務情報に影響を与える非財務情報とその度合いが分かるため，設備投資，運用・保全投資に伴う非財務情報の期待変化量から，財務情報に与える影響が分かり，投資効果の把握が可能となる。 According to a typical embodiment of the present invention, candidates for factors that may be related in the event of an accident / failure are connected with an arrow or the like, so that the cause of the accident / failure that is not obvious is discovered. Is possible. In addition, since non-financial information that affects financial information and its degree can be understood, the impact on financial information can be understood from the expected amount of change in non-financial information associated with capital investment and operation / maintenance investment, and the effect of investment can be ascertained. It becomes.
以下，本発明の実施形態を，図面を参照して説明する。 Embodiments of the present invention will be described below with reference to the drawings.
まず，図１〜３を用いて，本発明により出力される表示形態を説明する。 First, the display form output by the present invention will be described with reference to FIGS.
図１は事故・故障の要因分析結果の表示例である。事故・故障の情報である事故関連情報（１１１〜１１３）とその他の周辺要因（１２１〜１２４）が図示され，関連する情報が矢印等により結ばれている（１０１〜１０７）。例えば，周辺要因２（１２２）が事故関連情報２（１１２）と関連している場合は、周辺要因２から事故関連情報２への矢印（１０２）で表す。一方，三つ以上の情報である周辺要因１（１２１）と周辺要因２（１２２）と事故関連情報１（１１１）が互いに関連している場合には中心に丸印（１０１）を表示し，該周辺要因から該丸印への矢印（１０５，１０６）と該丸印から該事故関連情報１への矢印（１０７）で表す。また，図３に示すように関連する情報を丸で囲み，要因から事故関連情報への矢印で表す（３０１）方法や，要因から事故関連情報への矢印（３１１，３１２）と要因を直線（３１０）で結んで表す方法も考えられる。ここで，周辺要因２（１２２），周辺要因３（１２３），事故関連情報２（１１２）は，該周辺要因２から該事故関連情報２への矢印（１０２）と該周辺要因３から該事故関連情報２への矢印（１０３）で結ばれているが，これらの三情報が互いに関連しているのではなく，該周辺要因２と該周辺要因３は別個に該事故関連情報２と関連していることを表す。また，事故関連情報同士に関連がある場合には直線で結ぶ（１０４）。 FIG. 1 is a display example of an accident / failure factor analysis result. Accident-related information (111 to 113), which is information on an accident / failure, and other peripheral factors (121 to 124) are shown, and related information is connected by arrows or the like (101 to 107). For example, when the peripheral factor 2 (122) is related to the accident related information 2 (112), it is represented by an arrow (102) from the peripheral factor 2 to the accident related information 2. On the other hand, when the peripheral factor 1 (121), the peripheral factor 2 (122), and the accident related information 1 (111), which are three or more pieces of information, are related to each other, a circle (101) is displayed at the center. An arrow (105, 106) from the peripheral factor to the circle and an arrow (107) from the circle to the accident-related information 1 are represented. In addition, as shown in FIG. 3, the related information is circled and represented by an arrow from the factor to the accident related information (301), or the arrow from the factor to the accident related information (311 and 312) and the factor is a straight line ( A method of connecting and expressing in 310) is also conceivable. Here, the peripheral factor 2 (122), the peripheral factor 3 (123), and the accident related information 2 (112) are an arrow (102) from the peripheral factor 2 to the accident related information 2 and the accident from the peripheral factor 3. Although these three pieces of information are not related to each other, the peripheral factor 2 and the peripheral factor 3 are related to the accident-related information 2 separately. Represents that If the accident related information is related, it is connected with a straight line (104).
次に，図２は財務情報と非財務情報の関係分析結果の表示例である。図１と同様に財務情報（２１１〜２１３）と非財務情報（２２１〜２２４）が図示され，関連する情報が矢印等により結ばれている（２０１〜２０４）。また，矢印若しくは直線の太さは関連の強さを表し，例えば非財務情報３（２２３）と財務情報２（２１２）との関係は非財務情報２（２２２）と該財務情報２との関係より強いことを表す。また，矢印若しくは直線の種類（実線／破線）は互いに負の影響を与えているか正の影響を与えているかを表し，例えば非財務情報２（２２２）は財務情報２（２１２）に正の影響を与えている（２０４）が，財務情報３（２１３）には負の影響を与えている（２０２）。また，図３に示すように正の影響を与えている場合には「＋」を矢印に記載し（３２１），負の影響を与えている場合には「−」を矢印に記載する（３２２）方法も考えられる。更に，正の影響を与えている場合には黒い矢印，負の影響を与えている場合には赤い矢印とする場合も考えられる。一方，矢印の太さではなく色の違いを使って関係の強さを表すことも考えられる。 Next, FIG. 2 is a display example of a relationship analysis result between financial information and non-financial information. As in FIG. 1, financial information (211 to 213) and non-financial information (221 to 224) are illustrated, and related information is connected by arrows or the like (201 to 204). The thickness of the arrow or straight line indicates the strength of the relationship. For example, the relationship between the non-financial information 3 (223) and the financial information 2 (212) is the relationship between the non-financial information 2 (222) and the financial information 2. Represents something stronger. The type of arrow or straight line (solid line / broken line) indicates whether they have a negative influence or a positive influence. For example, non-financial information 2 (222) has a positive influence on financial information 2 (212). (204) has a negative effect on the financial information 3 (213) (202). Further, as shown in FIG. 3, when a positive influence is given, “+” is written in the arrow (321), and when a negative influence is given, “−” is written in the arrow (322). ) A method is also conceivable. Furthermore, a black arrow may be used when a positive effect is applied, and a red arrow may be used when a negative effect is applied. On the other hand, it is possible to express the strength of the relationship using the difference in color instead of the thickness of the arrow.
次に，本発明の実施形態の処理を，図４，５，２２を用いて説明する。 Next, processing according to the embodiment of the present invention will be described with reference to FIGS.
まず，本発明の実施形態のシステムは，データを図示する表示部（２２００），表示部に表示されたデータをマウス，キーボード等を用いて選択，データを入力するユーザ入力部（２２１０），他システムや他の記憶媒体よりデータを入力するデータ入力部（２２２０），本発明の方法を処理部に実行させるプログラム（２２３１），該プログラムにより生成されたデータ（２２３２），入力部（２２１０，２２２０）より入力されたデータ等を記録する記憶部（２２３０），プロセッサやメモリを有し該プログラムを実行する処理部（２２４０），各部分間のデータの通信を行うネットワーク（２２５０）から構成される。図１〜３に示した表示形態は表示部（２２００）に表示される。
次に，図４は事故・故障の要因分析方法の一例である。まず，データ入力部（２２２０）から入力され入力データ記録部（２２３３）に記録された，事故・故障関連情報（４１１）と，要因の候補である運用・保全情報（４１２）や環境外部情報（４１３）を入力とし，処理部（２２４０）が，プログラム記録部（２２３１）に記録されたプログラムを用いて，図１に示したような関係を求める因果関係生成を行う（４００）。次に，データ入力部（２２２０）から入力され入力データ記録部（２２３３）に記録された業務知識（４１０）を用い，処理部（２２４０）が，プログラム記録部（２２３１）に記録されたプログラムを用いて因果関係を修正し表示部（２２００）に表示する（４０１）。もし，誤った因果関係が表示されている場合には，表示部（２２００）に表示された該関係に対応する矢印等を，ユーザ入力部（２２１０）のマウス，キーボード等のデバイスを用いて選択することにより，業務知識（４１０）へ該関係を保存する。
First, a system according to an embodiment of the present invention includes a display unit (2200) that illustrates data, a user input unit (2210) that selects data displayed on the display unit using a mouse, a keyboard, and the like, and others. A data input unit (2220) for inputting data from a system or other storage medium, a program (2231) for causing the processing unit to execute the method of the present invention, data (2232) generated by the program, and input units (2210, 2220) ) Is configured from a storage unit (2230) for recording data input from the processing unit, a processing unit (2240) having a processor and a memory for executing the program, and a network (2250) for communicating data between the units. . The display forms shown in FIGS. 1 to 3 are displayed on the display unit (2200).
Next, FIG. 4 shows an example of an accident / failure factor analysis method. First, the accident / fault related information (411), the operation / maintenance information (412) that is a candidate of the factor, and external environmental information (412) that are input from the data input unit (2220) and recorded in the input data recording unit (2233) 413) as an input, the processing unit (2240) uses the program recorded in the program recording unit (2231) to generate the causal relationship as shown in FIG. 1 (400). Next, using the business knowledge (410) input from the data input unit (2220) and recorded in the input data recording unit (2233), the processing unit (2240) stores the program recorded in the program recording unit (2231). The causal relationship is corrected by using it and displayed on the display unit (2200) (401). If an incorrect causal relationship is displayed, an arrow corresponding to the relationship displayed on the display unit (2200) is selected using a device such as a mouse or keyboard of the user input unit (2210). By doing so, the relationship is stored in the business knowledge (410).
次に，図５は財務情報の要因分析方法の一例である。まず，データ入力部（２２２０）から入力され入力データ記録部（２２３３）に記録された財務情報（５１０）とそれ以外の非財務情報（５１１）を入力とし，処理部（２２４０）が，プログラム記録部（２２３１）に記録されたプログラムを用いて，図２に示したような関係を求める因果関係生成を行う（５００）。次に，処理部（２２４０）が，プログラム記録部（２２３１）に記録されたプログラムを用いて，因果関係毎に寄与率を算出し，図２における矢印の太さや種類に反映し表示部（２２００）に表示する（５０１）。次に，ユーザ入力部（２２１０）を用いてユーザが，非財務情報に新たな値を代入すると，処理部（２２４０）が，プログラム記録部（２２３１）に記録されたプログラムを用いて，影響を予測し表示部（２２００）に表示する（５０２）。 Next, FIG. 5 shows an example of a factor analysis method for financial information. First, the financial information (510) input from the data input unit (2220) and recorded in the input data recording unit (2233) and the other non-financial information (511) are input, and the processing unit (2240) records the program. Using the program recorded in the part (2231), the causal relation generation for obtaining the relation as shown in FIG. 2 is performed (500). Next, the processing unit (2240) calculates a contribution rate for each causal relationship using the program recorded in the program recording unit (2231), and reflects it in the thickness and type of the arrow in FIG. (501). Next, when the user assigns a new value to the non-financial information using the user input unit (2210), the processing unit (2240) uses the program recorded in the program recording unit (2231) to influence the program. Predict and display on the display unit (2200) (502).
次に，事故・故障関連情報（４１１），要因の候補である運用・保全情報（４１２）,環境外部情報（４１３）, 財務情報（５１０）,非財務情報（５１１）に関して，図６，７を用いて説明する。各データベースには図６に示すようなデータの形態が記録されたテーブルが１つ存在する。該テーブルには，データベースに格納されているデータ名（６０１），データの種類（６０２），及び種類に応じたパラメタ（６０３）が記録されている。ここで，データの種類（６０２）には，データの種類が環境外部情報（４１３）における気温や財務情報（５１０）における売上の様な実数データの場合には「１」，データの種類が運用・保全情報（４１２）における目視劣化度合いの様な値の順序のみが意味を持つ順序数の場合には「２」，データの種類が事故・故障関連情報（４１１）における事故種類のようなカテゴリ番号を表す場合には「３」が格納されている。また，パラメタ（６０３）はデータの種類（６０２）が「３」の場合のみ値が入力されており，該カテゴリ番号のカテゴリ数が格納される。例えば、事故種類のデータが「渇水（カテゴリ番号＝１）」「水道管破裂（カテゴリ番号＝２）」「洪水（カテゴリ番号＝３）」の３種類あればカテゴリ数「３」が格納される。次に，図６に記録されたデータ名毎に図７に示したテーブルが格納される。該テーブルには値が発生若しくは計測された時刻（７０１）とその値（７０２）が記録されている。 Next, regarding accident / failure related information (411), operation / maintenance information (412) that is a candidate of factors, environmental external information (413), financial information (510), and non-financial information (511), FIG. Will be described. Each database has one table in which a data form as shown in FIG. 6 is recorded. In the table, a data name (601) stored in the database, a data type (602), and a parameter (603) corresponding to the type are recorded. Here, the data type (602) is “1” when the data type is real number data such as temperature in the environmental external information (413) or sales in the financial information (510), and the data type is used. -“2” when only the order of values such as the degree of visual degradation in the maintenance information (412) is meaningful, “2”, and the data type is a category such as the accident type in the accident / fault related information (411) When a number is represented, “3” is stored. The parameter (603) is input only when the data type (602) is “3”, and the number of categories of the category number is stored. For example, if there are three types of accident data, “drought (category number = 1)”, “water pipe rupture (category number = 2)”, and “flood (category number = 3)”, the number of categories “3” is stored. . Next, the table shown in FIG. 7 is stored for each data name recorded in FIG. The table records the time (701) when the value was generated or measured and the value (702).
次に，因果関係生成処理（４００，５００）を，図８を用いて示す。ここで，結果データは，事故・故障の要因分析（図４）の場合には事故・故障関連情報（４１１），財務情報と非財務情報の関係分析（図５）の場合には財務情報（５１０）であり，要因候補データは，事故・故障の要因分析（図４）の場合には運用・保全情報（４１２）と環境外部情報（４１３），財務情報と非財務情報の関係分析（図５）の場合には非財務情報（５１１）である。 Next, causal relationship generation processing (400, 500) will be described with reference to FIG. Here, the result data includes accident / failure-related information (411) in the case of accident / failure factor analysis (FIG. 4), and financial information (FIG. 5) in the case of relationship analysis between financial information and non-financial information (FIG. 5). 510), and in the case of accident / failure factor analysis (FIG. 4), the candidate factor data is a relationship analysis between financial / non-financial information (operation / maintenance information (412) and environmental external information (413)) In the case of 5), it is non-financial information (511).
まず，因果関係生成処理（４００，５００）では、プログラム記録部（２２３１）に記録されたプログラムを用いて，処理部（２２４０）が，入力データ記録部（２２３３）に記録された，事故・故障の要因分析（図４）の場合には事故・故障関連情報（４１１），運用・保全情報（４１２）,及び,環境外部情報（４１３）を、財務情報と非財務情報の関係分析（図５）の場合には財務情報（５１０）及び非財務情報（５１１）を読み込み、対象となるデータ全ての組み合わせに対して相関係数を求め生成データ記録部（２２３２）に記録する（８０１）。ここで，組み合わせにおける双方のデータの種類（６０２）がいずれも実数である場合（すなわち、データの種類が「１」を示す場合）には，ピアソンの積率相関係数を，いずれかが順序数である場合（すなわち、データの種類が「２」を示す場合）には，スピアマンの順位相関係数を求める。また，データの種類（６０２）のいずれかがカテゴリである場合（すなわち、データの種類が「３」を示す場合）には，該データのカテゴリ数（６０３）分のダミー変数法を用いてスピアマンの順位相関係数を求める。ここで，ダミー変数法とは，例えばカテゴリ数が３の場合，３つのデータとみなし，カテゴリの値（７０２）が１，２，３である場合，カテゴリの値１，２，３を、各々（１，０，０），（０，１，０），（０，０，１）であると考える方法である。 First, in the causal relationship generation processing (400, 500), the accident / failure recorded in the input data recording unit (2233) is performed by the processing unit (2240) using the program recorded in the program recording unit (2231). In the case of the cause analysis (FIG. 4), the accident / failure related information (411), the operation / maintenance information (412), and the environmental external information (413) are analyzed, and the relationship analysis between the financial information and the non-financial information (FIG. 5) is performed. ), The financial information (510) and the non-financial information (511) are read, and correlation coefficients are obtained for all combinations of target data and recorded in the generated data recording unit (2232) (801). Here, when both data types (602) in the combination are real numbers (that is, when the data type indicates “1”), one of the Pearson product-moment correlation coefficients is ordered. If it is a number (that is, if the data type indicates “2”), Spearman's rank correlation coefficient is obtained. When any of the data types (602) is a category (that is, when the data type indicates “3”), Spearman uses a dummy variable method for the number of categories (603) of the data. The rank correlation coefficient is obtained. Here, the dummy variable method is, for example, when the number of categories is 3, it is regarded as three data, and when the category value (702) is 1, 2, 3, the category values 1, 2, 3 are respectively This is a method considered to be (1, 0, 0), (0, 1, 0), (0, 0, 1).
次に，処理部（２２４０）は、求めた相関係数を基に因果関係があるデータのグルーピングを行う（８０２）。なお，本実施例では相関係数を用いた方法を示したが，データをベクトルとみなし，その角度に基づく類似度を用いる方法等も考えられる。更に，データから図１０に示す因果関係を出力するその他の方法を用いても良い。 Next, the processing unit (2240) performs grouping of causal data based on the obtained correlation coefficient (802). In the present embodiment, a method using a correlation coefficient is shown. However, a method using a degree of similarity based on the angle by considering data as a vector is also conceivable. Furthermore, other methods for outputting the causal relationship shown in FIG. 10 from the data may be used.
次に，因果関係グルーピング処理（８０２）を，図９を用いて説明する。まず，プログラム記録部（２２３１）に記録されたプログラムを用いて，処理部（２２４０）が，全ての結果データに対して９０２〜９０３の処理を行う（９０１）。ここで結果データとは，因果関係の結果となるデータを表し，事故・故障関連情報（４１１）若しくは財務情報（５１０）に含まれるデータである。結果データＲｉは、図６に示した１つのレコードに記載のデータであり，図７に示すテーブルが１つのデータである。まず，結果データＲｉと強い相関（相関係数の絶対値が0.5より大きい）を持つデータの集合Ｓｉを求める（９０２）。本実施例では「相関係数の絶対値が0.5より大きい」として説明したが、0.5以外の値でもよい。次に，Ｓｉに含まれる全ての要因データに対し，強い相関を持つデータ同士を，結果データＲｉと共にグループＧｉｌとする（９０３）。 Next, the causal relationship grouping process (802) will be described with reference to FIG. First, using the program recorded in the program recording unit (2231), the processing unit (2240) performs the processing of 902 to 903 on all the result data (901). Here, the result data represents data that is a result of the causal relationship, and is data included in the accident / failure related information (411) or the financial information (510). The result data Ri is data described in one record shown in FIG. 6, and the table shown in FIG. 7 is one data. First, a data set Si having a strong correlation with the result data Ri (the absolute value of the correlation coefficient is greater than 0.5) is obtained (902). In the present embodiment, it has been described that “the absolute value of the correlation coefficient is greater than 0.5”, but a value other than 0.5 may be used. Next, data having a strong correlation with all factor data included in Si are grouped together with the result data Ri (903).
因果関係グルーピング処理（８０２）の具体例を図２３〜２６，１０を用いて説明する。図２３は相関係数算出（８０１）によって求められた相関行列で，各行の左に記載されたデータ（２３１０）と各列の上に記載されたデータ（２３１１）の相関係数が記載されている。算出された相関係数が０．５より大きい値の場合には背景を灰色で表している。ここで，同じデータの相関は１．０で自明なので淡色で表でいる。また，相関行列は対象行列なので，ｉ行ｊ列の値とｊ行ｉ列の値は等しい。結果データは「結果１」（２３０１）と「結果２」（２３０２）なので，それぞれに対し（９０１），強い相関を持つデータの集合を求める（９０２）。図２３の場合，第１行（２３０１）と第２行（２３０２）で０．５より大きな相関を持つデータ集合は図２４の２４０１，２４０２になる。次に，各データ集合（２４０１，２４０２）の相関行列（図２３の部分行列になる）で高い相関があるデータを同グループとする（９０３）。データ集合２４０１に含まれる要因「要因１」「要因２」に対応する相関行列が図２５であり，「要因１」「要因２」が強い相関を持つため，グループ化され，「結果１」「要因１」「要因２」が１つのグループとなる（１００１〜１００３）。一方，データ集合２４０２に含まれる「要因２」「要因３」に対応する相関行列が図２６であり，「要因２」「要因３」は強い相関を持たないため，別個のグループとなり，「結果２」「要因２」（１００８，１００９）と「結果２」「要因３」（１０１０，１０１１）のグループになる。更に，「結果１」「結果２」も強い相関を持つので，グループとなる（１００４，１００５）。 A specific example of the causal relationship grouping process (802) will be described with reference to FIGS. FIG. 23 is a correlation matrix obtained by correlation coefficient calculation (801), in which the correlation coefficient between the data (2310) described on the left of each row and the data (2311) described above each column is described. Yes. When the calculated correlation coefficient is larger than 0.5, the background is shown in gray. Here, since the correlation of the same data is obvious at 1.0, it is shown in light color. Since the correlation matrix is a target matrix, the value of i row and j column is equal to the value of j row and i column. Since the result data are “Result 1” (2301) and “Result 2” (2302), a set of data having strong correlation is obtained for each (901) (902). In the case of FIG. 23, data sets having a correlation greater than 0.5 in the first row (2301) and the second row (2302) are 2401 and 4022 in FIG. Next, data having a high correlation in the correlation matrix (which becomes a partial matrix in FIG. 23) of each data set (2401, 4022) is set to the same group (903). The correlation matrix corresponding to the factors “Factor 1” and “Factor 2” included in the data set 2401 is shown in FIG. 25. Since “Factor 1” and “Factor 2” have a strong correlation, they are grouped, and “Result 1” “ “Factor 1” and “Factor 2” form one group (1001 to 1003). On the other hand, the correlation matrix corresponding to “Factor 2” and “Factor 3” included in the data set 2402 is FIG. 26, and “Factor 2” and “Factor 3” do not have a strong correlation. 2 ”“ Factor 2 ”(1008, 1009) and“ Result 2 ”“ Factor 3 ”(1010, 1011). Furthermore, since “Result 1” and “Result 2” have strong correlation, they become groups (1004, 1005).
処理部（２２４０）は、以上の処理により求められた因果関係データを生成データ記録部（２２３２）に出力する。因果関係データの例を図１０に示す。因果関係データは、例えば、因果関係生成（４００，５００）によりグループ化されたデータ名（１０００）とグループ番号（１０２０）を含む。 The processing unit (2240) outputs the causal relationship data obtained by the above processing to the generation data recording unit (2232). An example of the causal relationship data is shown in FIG. The causal relation data includes, for example, a data name (1000) and a group number (1020) grouped by the causal relation generation (400, 500).
処理部（２２４０）は、因果関係データを用いて、表示部２２００に因果関係を表示する。処理部（２２４０）は、生成データ記録部（２２３２）に記録された図１０の因果関係データを参照し、グループ１（１００１〜１００３）とグループ６（１０１２〜１０１４）のようにグループが３つ以上のデータから構成される場合は１１０１，１１０６のように、直線で各データを結ぶのではなく、例えば、各データからの線を１点に集約して表示する。さらに，データが要因ならば矢印の始点とし，結果ならば矢印の終点として表示する。グループ２（１００４，１００５），グループ３（１００６，１００７）のようにグループが２つの結果データから構成される場合は直線で結ぶ（１１０２，１１０３）。グループ４（１００８，１００９），グループ５（１０１０，１０１１），グループ７（１０１５，１０１６）のようにデータが要因データと結果データから構成される場合は，要因データから結果データへの矢印を表示する（１１０４，１１０５，１１０７）。 The processing unit (2240) displays the causal relationship on the display unit 2200 using the causal relationship data. The processing unit (2240) refers to the causal relationship data of FIG. 10 recorded in the generated data recording unit (2232), and there are three groups such as group 1 (1001 to 1003) and group 6 (1012 to 1014). In the case of being composed of the above data, instead of connecting each data with a straight line like 1101 and 1106, for example, the lines from each data are collected and displayed at one point. Furthermore, if the data is a factor, the start point of the arrow is displayed, and if the result is displayed, the end point of the arrow is displayed. When a group is composed of two result data such as group 2 (1004, 1005) and group 3 (1006, 1007), they are connected with a straight line (1102, 1103). When data is composed of factor data and result data as in group 4 (1008, 1009), group 5 (1010, 1011), and group 7 (1015, 1016), an arrow from the factor data to the result data is displayed. (1104, 1105, 1107).
次に，業務知識（４１０）のデータ例を，図１２を用いて説明する。該業務知識には，因果関係として誤りであるデータの組が記録されている。図１２の場合，「結果１」と「結果２」（１２０１），「結果２」と「結果３」（１２０２），「結果２」と「結果２」と「要因４」（１２０３）の因果関係は誤りである事を表す。 Next, an example of business knowledge (410) data will be described with reference to FIG. In the business knowledge, a data set that is erroneous as a causal relationship is recorded. In the case of FIG. 12, the cause and effect of “Result 1” and “Result 2” (1201), “Result 2” and “Result 3” (1202), “Result 2”, “Result 2”, and “Factor 4” (1203) The relationship represents an error.
次に，因果関係修正処理（４０１）を図１０〜１３を用いて説明する。処理部（２２４０）は、プログラム記録部（２２３１）に記録されたプログラムを用いて，求められた因果関係（図１０，１１）に対し，業務知識（図１２）に含まれる因果関係がある場合には，そのグループを削除する。図１０〜１２の場合，１２０１に対応する因果関係はグループ２（１００４，１００５，１１０２），１２０２に対応する因果関係はグループ３（１００６，１００７，１１０３），１２０３に対応する因果関係はグループ６（１０１２〜１０１４，１１０６）なので，それらを削除する。これにより、図１０の因果関係データは図１３に示す通りとなり、処理部（２２４０）は、図１１に示した因果関係を、図１３の因果関係データに基づいて図１４に示すように修正して表示部２２００に表示する。 Next, the causal relationship correction process (401) will be described with reference to FIGS. When the processing unit (2240) uses the program recorded in the program recording unit (2231), there is a causal relationship included in the business knowledge (FIG. 12) with respect to the obtained causal relationship (FIGS. 10 and 11). Delete the group. 10 to 12, the causal relationship corresponding to 1201 is group 2 (1004, 1005, 1102), the causal relationship corresponding to 1202 is group 3 (1006, 1007, 1103), and the causal relationship corresponding to 1203 is group 6. Since they are (1012-1014, 1106), they are deleted. Accordingly, the causal relationship data in FIG. 10 becomes as shown in FIG. 13, and the processing unit (2240) corrects the causal relationship shown in FIG. 11 as shown in FIG. 14 based on the causal relationship data in FIG. Displayed on the display unit 2200.
次に，誤関係選択処理（４０２）を，図１４〜１６を用いて説明する。図１４の表示でユーザが誤関係である１４００を選択した場合，ユーザ入力部２２１０を介して該選択情報を受け付けると、処理部（２２４０）は、グループ４の該関係を因果関係データから削除し、因果関係表示を図１５のように修正し表示部（２２００）に表示する。また、処理部（２２４０）は、グループ４の組（１６００）を業務知識（４１０）に追加する。 Next, the erroneous relationship selection process (402) will be described with reference to FIGS. When the user selects 1400 that is in an incorrect relationship in the display of FIG. 14, when the selection information is received via the user input unit 2210, the processing unit (2240) deletes the relationship of the group 4 from the causal relationship data. The causal relationship display is corrected as shown in FIG. 15 and displayed on the display unit (2200). Further, the processing unit (2240) adds the group 4 set (1600) to the business knowledge (410).
次に，寄与率算出処理（５０１）を説明する。処理部（２２４０）は、プログラム記録部（２２３１）に記録されたプログラムを用いて，グループが２つのデータから構成される場合には８０１で求めた相関係数を寄与率として算出し，グループが３つ以上のデータから構成される場合には，グループ内の全てのデータの組み合わせにおける相関係数の平均を寄与率として算出する。処理部（２２４０）は、算出した寄与率の絶対値の値に比例して矢印の太さを変更し，寄与率の符号が正の場合には矢印を実線，負の場合には破線として表示部（２２００）に表示する。例えば、図２に示すように、矢印若しくは直線の太さを用いて寄与率を表す。例えば非財務情報３（２２３）と財務情報２（２１２）との関係は非財務情報２（２２２）と該財務情報２との関係より強い（寄与率が大きい）ことを表す。また，矢印若しくは直線の種類（実線／破線）は互いに負の影響を与えているか正の影響を与えているかを表し，例えば非財務情報２（２２２）は財務情報２（２１２）に正の影響を与えている（２０４）が，財務情報３（２１３）には負の影響を与えている（２０２）。また，図３に示すように正の影響を与えている場合には「＋」を矢印に記載し（３２１），負の影響を与えている場合には「−」を矢印に表示してもよい（３２２）。 Next, the contribution rate calculation process (501) will be described. The processing unit (2240) uses the program recorded in the program recording unit (2231) to calculate the correlation coefficient obtained in 801 as a contribution rate when the group is composed of two pieces of data. When the data is composed of three or more data, the average of the correlation coefficients in all the combinations of data in the group is calculated as the contribution rate. The processing unit (2240) changes the thickness of the arrow in proportion to the calculated absolute value of the contribution rate, and displays the arrow as a solid line when the sign of the contribution rate is positive and as a broken line when the sign is negative. Part (2200). For example, as shown in FIG. 2, the contribution rate is expressed using the thickness of an arrow or a straight line. For example, the relationship between the non-financial information 3 (223) and the financial information 2 (212) indicates that the relationship between the non-financial information 2 (222) and the financial information 2 is stronger (the contribution ratio is large). The type of arrow or straight line (solid line / broken line) indicates whether they have a negative influence or a positive influence. For example, non-financial information 2 (222) has a positive influence on financial information 2 (212). (204) has a negative effect on the financial information 3 (213) (202). Further, as shown in FIG. 3, when a positive influence is given, “+” is indicated in the arrow (321), and when a negative influence is given, “−” is indicated on the arrow. Good (322).
次に，影響予測処理（５０２）を，図１７〜２１を用いて説明する。まず，処理部（２２４０）はは、事故・故障の要因分析（図４）の場合には事故・故障関連情報（４１１），運用・保全情報（４１２）,及び,環境外部情報（４１３）を、財務情報と非財務情報の関係分析（図５）の場合には財務情報（５１０）及び非財務情報（５１１）を読み込み、全てのデータの組み合わせに関して，回帰係数を算出する（１８０１）。求められた回帰係数データ例を図１９に示す。回帰係数データは組み合わせた２つのデータ名（１９０１，１９０２）と回帰係数（１９０３）から構成される。次に，ユーザからの変更値の入力を受け付ける（１８０２）。例えば，ユーザからユーザ入力部（２２１０）を介して図２０の表示画面で「非財務情報２」（２０００）の選択を受け付ける。すると変更値入力プロンプト２００１を表示部（２２００）に表示し（２００１），ユーザ入力部（２２１０）を介してユーザから入力値「１００」を受け付ける。次に，回帰係数データの中で選択された「非財務情報２」（１９０１）を含むデータ１９１１〜１９１２に基づき，関係するデータ（１９０２）への影響値を入力値×回帰係数の式に基づき算出する（１８０３）。算出結果を図１７に示す。図１７は、影響があるデータのデータ名と影響値とを含む。次に，図１７に基づいて、影響があるデータ名（１７０１）とその影響値（１７０２）を出力する（１８０３）。処理部（２２４０）、表示部（２２００）にこれらの情報を表示する。出力結果例を図２１に示す。 Next, the impact prediction process (502) will be described with reference to FIGS. First, in the case of accident / failure factor analysis (FIG. 4), the processing unit (2240) provides accident / failure related information (411), operation / maintenance information (412), and environmental external information (413). In the case of the relationship analysis between the financial information and the non-financial information (FIG. 5), the financial information (510) and the non-financial information (511) are read, and regression coefficients are calculated for all data combinations (1801). An example of the obtained regression coefficient data is shown in FIG. The regression coefficient data is composed of two combined data names (1901, 1902) and a regression coefficient (1903). Next, an input of a change value from the user is accepted (1802). For example, selection of “non-financial information 2” (2000) is accepted from the user via the user input unit (2210) on the display screen of FIG. Then, a change value input prompt 2001 is displayed on the display unit (2200) (2001), and an input value “100” is received from the user via the user input unit (2210). Next, based on the data 1911 to 1912 including “non-financial information 2” (1901) selected from the regression coefficient data, the influence value on the related data (1902) is calculated based on the formula of input value × regression coefficient. Calculate (1803). The calculation results are shown in FIG. FIG. 17 includes data names and influence values of the affected data. Next, based on FIG. 17, the affected data name (1701) and its influence value (1702) are output (1803). These pieces of information are displayed on the processing unit (2240) and the display unit (2200). An example of the output result is shown in FIG.
Claims (14)
複数の要因候補データが１の結果データが関連している場合，該要因候補データが独立に前記結果データに関連しているのか，前記複数の要因候補データ相互が関連して前記１の結果データに関連しているのかを区別して表示することを特徴とする因果関係表示方法。 A method for displaying causal relationships,
When a plurality of factor candidate data are associated with one result data, whether the factor candidate data is independently associated with the result data, or the plurality of factor candidate data are associated with each other. The causal relationship display method characterized by displaying whether it is related to the.
複数の要因候補データ及び複数の結果データのそれぞれの組み合わせの相関関係を算出し、算出した相関関係に基づいて、前記要因候補データが独立に前記結果データに関連しているのか，前記複数の要因候補データ相互が関連して前記１の結果データに関連しているのかを判定することを特徴とする因果関係表示方法。 The method of claim 1, wherein
A correlation between each combination of a plurality of factor candidate data and a plurality of result data is calculated, and based on the calculated correlation, whether the factor candidate data is independently related to the result data, or the plurality of factors A causal relation display method characterized by determining whether candidate data are related to each other and the result data of one.
前記要因候補データが独立に前記結果データに関連している場合は、各要因候補データと前記結果データとを各要因候補データから前記結果データに向けた矢印で結んで表示し、
前記複数の要因候補データ相互が関連して前記１の結果データに関連している場合は、各データからの線を１点に集約して表示することを特徴とする因果関係表示方法。 The method of claim 2, wherein
When the factor candidate data is independently related to the result data, each factor candidate data and the result data are displayed by connecting each factor candidate data with an arrow directed to the result data,
A causal relation display method characterized in that, when the plurality of factor candidate data are related to each other and related to the one result data, the lines from each data are aggregated and displayed at one point.
ユーザから入力される誤関係を含む業務知識情報を保持し、
前記表示された因果関係を保持された業務知識に基づいて修正することを特徴とする因果関係表示方法。 In the causal relationship display method of Claim 3,
Holds business knowledge information including erroneous relationships input by users,
A causal relationship display method, wherein the displayed causal relationship is corrected based on retained business knowledge.
前記要因候補データと前記結果データ各々の間の寄与率を算出し，
前記算出した寄与率の値を表示することを特徴とする因果関係表示方法。 In the causal relationship display method of Claim 4,
Calculating a contribution rate between each of the factor candidate data and the result data;
A causal relationship display method characterized by displaying the calculated contribution rate value.
前記表示された要因データの値を変化させた場合の他のデータに対する影響値を算出し、
前記算出した影響値を表示することを特徴とする因果関係表示方法。 In the causal relationship display method of Claim 5,
Calculating an influence value for other data when the value of the displayed factor data is changed;
A causal relationship display method characterized by displaying the calculated influence value.
前記要因候補データと結果データとの間の相関を求め，
前記算出した相関が高いデータ同士をグループとし，
前記グループが要因候補データと結果データの２データから構成される場合には要因が独立に結果に関連していると判断し，
前記グループが３データ以上のデータから構成される場合には該グループの要因候補データが相互に関連していると判断することを特徴とする因果関係表示方法。 In the causal relationship display method according to claim 6,
Obtaining a correlation between the factor candidate data and the result data;
The calculated high correlation data is grouped,
If the group consists of two data, the candidate data and the result data, it is determined that the factors are related to the results independently.
A causal relationship display method characterized in that, when the group is composed of three or more data, it is determined that the candidate factor data of the group are related to each other.
複数の要因候補データが１の結果データが関連している場合，該要因候補データが独立に前記結果データに関連しているのか，前記複数の要因候補データ相互が関連して前記１の結果データに関連しているのかを区別して表示する表示部を備えることを特徴とする因果関係表示システム。 A causality display system,
When a plurality of factor candidate data are associated with one result data, whether the factor candidate data is independently associated with the result data, or the plurality of factor candidate data are associated with each other. A causal relationship display system comprising a display unit for distinguishing and displaying whether or not the information is related to the.
複数の要因候補データ及び複数の結果データのそれぞれの組み合わせの相関関係を算出し、算出した相関関係に基づいて、前記要因候補データが独立に前記結果データに関連しているのか，前記複数の要因候補データ相互が関連して前記１の結果データに関連しているのかを判定する制御部を備えることを特徴とする因果関係表示システム。 In the causal relationship display system according to claim 8,
A correlation between each combination of a plurality of factor candidate data and a plurality of result data is calculated, and based on the calculated correlation, whether the factor candidate data is independently related to the result data, or the plurality of factors A causal relationship display system comprising a control unit that determines whether candidate data are related to each other and result data of the one.
前記表示部は、
前記要因候補データが独立に前記結果データに関連している場合は、各要因候補データと前記結果データとを各要因候補データから前記結果データに向けた矢印で結んで表示し、
前記複数の要因候補データ相互が関連して前記１の結果データに関連している場合は、各データからの線を１点に集約して表示することを特徴とする因果関係表示システム。 In the causal relationship display system according to claim 9,
The display unit
When the factor candidate data is independently related to the result data, each factor candidate data and the result data are displayed by connecting each factor candidate data with an arrow directed to the result data,
A causal relation display system characterized in that, when the plurality of factor candidate data are related to each other and the one result data, the lines from each data are aggregated and displayed at one point.
ユーザから入力される誤関係を含む業務知識情報を保持する記憶部を備え、
前記制御部は、
前記表示された因果関係を保持された業務知識に基づいて修正することを特徴とする因果関係表示システム。 In the causal relationship display system according to claim 10,
A storage unit that holds business knowledge information including erroneous relations input from the user,
The controller is
A causal relationship display system for correcting the displayed causal relationship based on retained business knowledge.
前記制御部は、
前記要因候補データと前記結果データ各々の間の寄与率を算出し，
前記表示部は、
前記算出した寄与率の値を表示することを特徴とする因果関係表示システム。 In the causal relationship display system according to claim 11,
The controller is
Calculating a contribution rate between each of the factor candidate data and the result data;
The display unit
A causality display system that displays the calculated contribution rate value.
前記制御部は、
前記表示された要因データの値を変化させた場合の他のデータに対する影響値を算出し、
前記表示部は、
前記算出した影響値を表示することを特徴とする因果関係表示システム。 In the causal relationship display system according to claim 12,
The controller is
Calculating an influence value for other data when the value of the displayed factor data is changed;
The display unit
A causal relationship display system that displays the calculated influence value.
前記制御部は、
前記要因候補データと結果データとの間の相関を求め，
前記算出した相関が高いデータ同士をグループとし，
前記グループが要因候補データと結果データの２データから構成される場合には要因が独立に結果に関連していると判断し，
前記グループが３データ以上のデータから構成される場合には該グループの要因候補データが相互に関連していると判断することを特徴とする因果関係表示システム。 In the causal relationship display system according to claim 13,
The controller is
Obtaining a correlation between the factor candidate data and the result data;
The calculated high correlation data is grouped,
If the group consists of two data, the candidate data and the result data, it is determined that the factors are related to the results independently.
A causal relationship display system characterized in that, when the group is composed of three or more data, it is determined that the factor candidate data of the group are related to each other.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2012201075A JP6018852B2 (en) | 2012-09-13 | 2012-09-13 | Factor analysis / display method and system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2012201075A JP6018852B2 (en) | 2012-09-13 | 2012-09-13 | Factor analysis / display method and system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2014056448A true JP2014056448A (en) | 2014-03-27 |
| JP6018852B2 JP6018852B2 (en) | 2016-11-02 |
Family
ID=50613706
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2012201075A Active JP6018852B2 (en) | 2012-09-13 | 2012-09-13 | Factor analysis / display method and system |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6018852B2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7491333B2 (en) | 2021-03-12 | 2024-05-28 | 日本電気株式会社 | Electronic devices and computer programs |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06314199A (en) * | 1993-05-06 | 1994-11-08 | Fuji Electric Co Ltd | Process abnormality cause estimation system |
| JP2011150496A (en) * | 2010-01-21 | 2011-08-04 | Hitachi Ltd | Factor analysis device |
-
2012
- 2012-09-13 JP JP2012201075A patent/JP6018852B2/en active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06314199A (en) * | 1993-05-06 | 1994-11-08 | Fuji Electric Co Ltd | Process abnormality cause estimation system |
| JP2011150496A (en) * | 2010-01-21 | 2011-08-04 | Hitachi Ltd | Factor analysis device |
Non-Patent Citations (2)
| Title |
|---|
| JPN6016017701; 森下 真一: '流通業におけるデータマイニングの応用' 第２９回人工知能セミナー講演テキスト , 19950704, ｐｐ．５３-６２, 社団法人人工知能学会 * |
| JPN6016017703; 野地 幸一: 'サービスオーダ投入の効率化と品質向上を目指して ＳＯ入力支援システムの開発' ＮＴＴ技術ジャーナル 第４巻 第８号, 19920801, ｐｐ．１４-１６, 社団法人電気通信協会 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7491333B2 (en) | 2021-03-12 | 2024-05-28 | 日本電気株式会社 | Electronic devices and computer programs |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6018852B2 (en) | 2016-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Stojkoski et al. | The impact of services on economic complexity: Service sophistication as route for economic growth | |
| US8217945B1 (en) | Social annotation of a single evolving visual representation of a changing dataset | |
| AU2018203375A1 (en) | Method and system for data based optimization of performance indicators in process and manufacturing industries | |
| KR100914307B1 (en) | System of constructing credit risk model, method of managing credit risk using credit risk model construction and Recording medium thereof | |
| US11605025B2 (en) | Automated quality check and diagnosis for production model refresh | |
| US20120095802A1 (en) | System and methods for evaluating political, social, and economic risk associated with a geographic region | |
| CA2843276A1 (en) | Dynamic outlier bias reduction system and method | |
| US20190271673A1 (en) | System and method for performing industrial processes across facilities | |
| US11385782B2 (en) | Machine learning-based interactive visual monitoring tool for high dimensional data sets across multiple KPIs | |
| WO2016147657A1 (en) | Information processing device, information processing method, and recording medium | |
| JP2014235654A (en) | Risk evaluation device | |
| Gitzel | Data Quality in Time Series Data: An Experience Report. | |
| Park et al. | An optimal maintenance policy for ak-out-of-n system without monitoring component failures | |
| JP6018852B2 (en) | Factor analysis / display method and system | |
| JP6203169B2 (en) | Process evaluation apparatus and process evaluation program | |
| EP4075297A1 (en) | Machine learning-based interactive visual monitoring tool for high dimensional data sets across multiple kpis | |
| JP4777941B2 (en) | Demand forecasting method and apparatus | |
| JP2011227920A (en) | Marketing support system | |
| KR20110121014A (en) | System and method of tracking and diagnosing an unfavorable trade balance status and monitoring technologies using patent analysis | |
| JP2019106136A (en) | Quality prediction program, quality prediction method, and quality prediction device | |
| WO2016163008A1 (en) | Fault diagnostic device and fault diagnostic method | |
| JP2017207878A (en) | Missing data estimation method, missing data estimation device, and missing data estimation program | |
| JP2016532949A (en) | System and method for deriving critical change attributes from data signals that have been selected and analyzed over a period of time to predict future changes in conventional predictors | |
| US20230206251A1 (en) | Technologies for using machine learning to assess products and product suppliers | |
| JP7052914B1 (en) | Abnormality diagnosis system, abnormality diagnosis device, abnormality diagnosis method, and program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20150729 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20160422 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20160517 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160706 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20160906 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20161003 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 6018852 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |