JP2018005738A - データ分析誘導装置およびデータ分析誘導方法 - Google Patents

Abstract

【課題】ユーザが各要因の影響度を精度良く分析し、影響度の大きい要因の効率的な発見を可能とすべく支援する。【解決手段】データ分析誘導装置２０１において、分析対象のデータを格納した記憶装置２０５と、データ中の値から指標および複数の要因の各指定を所定装置で受け付け、当該指標に対する当該複数の要因それぞれの影響度を、処理対象の要因以外の他の要因の影響を所定手順により排除して算出し、当該算出した影響度の情報を、当該指標と当該要因との関係性を示す所定情報と共に出力する演算装置２０７を備える構成とする。【選択図】図２

Description

本発明は、データ分析誘導装置およびデータ分析誘導方法に関するものであり、具体的には、ユーザが各要因の影響度を精度良く分析し、影響度の大きい要因の効率的な発見を可能とすべく支援する技術に関する。

工場、鉱山等の生産現場で稼働する機械について、その状態監視を行うシステムが提案されてきた。また近年では、そうしたシステムのネットワーク化が普及しつつある。それに伴い、上述の生産現場での各種作業の運行内容に関する、効率的なデータ収集と蓄積が可能となっている。例えば、鉱山フィールドにおける鉱山機械の運行履歴、または、工場の設備稼動履歴等がそれにあたる。また、これら機械の運行や機器状態に関する情報は、当該生産現場における所定の担当者らにより、当該機械や機器等のオペレータに対する指示や保全計画に反映されている。

こうした背景の下、上述のように収集・蓄積したデータを業務改善に活用したいというニーズがある。特に、当該データを適宜に用いて、生産性等の管理指標に影響している要因を検出することができれば、業務改善に有効である。

一方で、ＢＩ（Ｂｕｓｉｎｅｓｓ Ｉｎｔｅｌｌｉｇｅｎｃｅ）ソフトウェアの普及に伴い、上述のデータに関するドリルダウンにより、手動による所定値の可視化や分析が従来よりも容易になってきた。この分析の例では、例えば、ある指標値に着目した場合、どの属性が当該指標値に影響を与えているか推定する、といった分析が行われる。

以上に述べた各種目的に沿った従来技術として、例えば、分析用の多次元データ項目の組の選定に要する試行錯誤の削減などを目的として、多次元データ分析の分析軸の選定を支援する処理機能の一例（特許文献１参照）などが提案されている。

特許第５４５７９９５号広報

上述した従来技術における、データ項目選定に関する手順では、どの項目が主要な要因であるかを探るという観点が考慮されていない。そのため、項目間の間接的な影響を特に考慮した手順とはなっていない。

すなわち、ある一つの指標値に対して、どのデータ項目（以下「要因」と呼ぶ）の影響が大きいかを調べる際、一般に、単独で取り出した要因と指標値との間の影響を調べるだけでは不十分である。なぜなら、要因の間では互いに関連を持っており、或る要因Ａが指標に及ぼす影響は、要因Ｂがどのような値であるかに依存する点を踏まえるべきためである。

例えば、或る製品の生産量を指標値とし、その要因Ａを「作業者の違い」、要因Ｂを「作業場所の違い」、と想定する。また、要因Ａたる作業者の違いによって生産量に大きな違いが認められたとする。しかしながら、「作業者」それぞれの作業場所における、生産性の期待値がそもそも異なっている場合（例：作業性の難易度が場所で異なる、採掘対象
の鉱脈規模が異なる等）、「生産量」が作業者によって違う（換言すれば作業者のスキルや意欲等の違いとみなせる）ことは、「作業場所の違い」に相応の影響を受けている可能性を否定出来ない。

従って、各要因に関するデータに偏りがあるうる場合、指標値に関する各要因の影響度合いに関して、公平な判断は困難である。すなわち、上述の場合、要因Ａ以外の他の要因による指標値への影響を一定にするか、取り除かねば、要因単独の影響の大きさは結論付けられない。

もう一つの課題として、上述した作業者や作業場所の例のように、要因は順序を持たない離散的な値を持つため、一般的な分析方法をそのまま適用出来ないことが挙げられる。他方、もし要因が連続値であるならば、一般的な回帰分析の方法などを適用可能である。

以上の状況から、従来は、どの要因が指標値に対する主要な要因であるかを探る際、担当者の経験によるか、或いは網羅的な探索を行うしか方法がなかった。特に、網羅的な探索を行う場合、他の要因をどのように制限した上で、着目する要因に関する処理を行うべきか、様々な条件を組み合わせた検討が必要であり、そうした組み合わせに応じて探索手順が膨大になってしまう。

そこで本発明の目的は、ユーザが各要因の影響度を精度良く分析し、影響度の大きい要因の効率的な発見を可能とすべく支援する技術を提供することにある。

上記課題を解決する本発明のデータ分析誘導装置は、分析対象のデータを格納した記憶装置と、前記データ中の値から指標および複数の要因の各指定を所定装置で受け付け、当該指標に対する当該複数の要因それぞれの影響度を、処理対象の要因以外の他の要因の影響を所定手順により排除して算出し、当該算出した影響度の情報を、当該指標と当該要因との関係性を示す所定情報と共に出力する演算装置と、を含むことを特徴とする。

また、本発明のデータ分析誘導方法は、分析対象のデータを格納した記憶装置を備える情報処理装置が、前記データ中の値から指標および複数の要因の各指定を所定装置で受け付け、当該指標に対する当該複数の要因それぞれの影響度を、処理対象の要因以外の他の要因の影響を所定手順により排除して算出し、当該算出した影響度の情報を、当該指標と当該要因との関係性を示す所定情報と共に出力する、ことを特徴とする。

本発明によれば、ユーザが各要因の影響度を精度良く分析し、影響度の大きい要因の効率的な発見が可能となる。

本実施形態のデータ分析誘導装置を含むシステム構成例を示す図である。 本実施形態における分析サーバの構成例１を示す図である。 本実施形態の分析データ例として機械ステータスデータ例を示す図である。 本実施例のデータ分析誘導方法におけるフロー例１を示す図である。 本実施形態における画面表示例１を示す図である。 本実施形態のデータ分析誘導方法におけるフロー例２を示す図である。 本実施形態のデータ分析誘導方法におけるフロー例３を示す図である。 本実施形態における画面表示例２を示す図である。 本実施形態のデータ分析誘導方法におけるフロー例４を示す図である。 本実施形態における画面表示例３を示す図である。 本実施形態のデータ分析誘導方法におけるフロー例５を示す図である。 本実施形態における分析サーバの構成例２を示す図である。 本実施形態のデータ分析誘導方法におけるフロー例６を示す図である。

−−−システム構成例−−−

図１は、本実施形態におけるデータ分析誘導装置たる分析サーバ２０１を含む、システム構成例を示す図である。ここで本発明の適用対象として想定する構成は、例えば、工場や鉱山フィールドにおける設備や作業機械１０１の状態を、適宜なセンサ類で検知する収集装置１０２と、この収集装置１０２が検知したデータ、すなわち分析対象データを、ネットワーク１０３経由で受信・蓄積する分析サーバ２０１と、分析サーバ２０１の処理結果を表示してユーザたる分析者からの指示を受け付ける端末１０６と、を含むシステム構成とする。但し、こうした構成はあくまでも一例であって、本発明の適用対象を限定するものではない。
−−−分析サーバの構成例１−−−

図２は、本実施形態における分析サーバ２０１の構成例を示す図である。当該分析サーバ２０１は、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）やハードディスクドライブなど適宜な不揮発性記憶素子で構成される記憶装置２０５、記憶装置２０５ないしその他の適宜な記憶装置に保持されるプログラムを実行して装置自体の統括制御を行なうとともに各種判定、演算及び制御処理を行なうＣＰＵなどの演算装置２０７、演算装置２０７が上述のプログラムを読み出し実行するメモリで構成される処理部２０４、収集装置１０２とネットワーク１０３を介してデータ授受を行うデータ収集インターフェイス２０３、および、端末１０６とネットワーク１０３を介してデータ授受を行う表示・入力インターフェイス２０６、を備える。

なお、上述の処理部２０４には、上述したプログラムの実行により実装される、影響度算出部２０８、提示手順算出部２０９、およびグラフ描画部２１０が構成されている。

このうち、影響度算出部２０８は、要因の影響度を算出し、提示手順算出部２０９は、分析者におけるデータ分析行動を誘導する適宜な処理を実行し、グラフ描画部２１０は、影響度算出部２０８や提示手順算出部２０９による処理データからグラフを描画するものとなる。

こうした分析サーバ２０１は、ネットワーク１０３経由で受信した分析対象データ２１１を、データ収集インターフェイス２０３を介して記憶装置２０５に蓄積すると共に、処理部２０４に入力し、影響度算出部２０８、提示手順算出部２０９、およびグラフ描画部２１０によって適宜に処理を実行する。また、当該処理で得た各種データやグラフは、表示・入力インターフェイス２０６を通じて、端末１０６にて表示される。

なお、上述のデータ収集インターフェイス２０３および表示・入力インターフェイス２０６は、所定情報の表示や入力受付を行う入出力装置および通信装置とで構成される。

また、記憶装置２０５は、収集装置１０２から得た作業機械１０１の稼動状態、場所などのデータたる分析対象データ２１１、および、作業機械１０１のスペック情報など、時間的に変化が少ない基本情報２１２を保持している。
−−−分析対象データの例−−−

図３にて、本実施形態における分析対象データ２１１の一例として、作業機械１０１の
ステータスデータの例を示す。図３にて分析対象データ２１１を示すテーブルの各行がそれぞれ一つのステータスを示す。

こうした分析対象データ２１１におけるレコードの構成内容は、各レコードに一意に割り振られたレコードＩＤをキーとして、各ステータスの開始日時と終了日時、ステータスの種別を示す状態コード、どの機種の作業機械１０１に関する記録かを示す機械種別、どの作業機械１０１についてのステータスであるかを示す機械ＩＤ、および、付帯情報などから構成される。

なお、上述の付帯情報は、作業者のＩＤ、作業場所、天候などの情報である。当該付帯情報としては、本発明を適用する業種などに応じて適宜な数、種類を採用しうる。

また、上述の状態コードは、ステータスの種別ごとに記号を割り振ったものである。例えば、作業機械１０１が鉱山におけるトラックの場合、「積載所で待ち」、「積載中」、「積載走行」、「空荷走行」などの通常作業状態、及び、「休憩」、「シフト交替」、「食事」、「予定された保守」、「故障」などのその他状態の値を持つ。同じく、作業機械１０１が鉱山におけるショベルの場合、「積載中」、「整地中」、「待ち」などの通常状態と、トラックの場合と同様のその他の状態の値を持つ。分析サーバ２０１は、これらのデータから、後述するように要因と指標をそれぞれ算出することとなる。
−−−フロー例１−−−

図４に、本実施形態のデータ分析誘導方法のフロー例１であり、具体的には全体手順を示すフローチャートを示す。

まず、当該フローの事前算出（４００）において、分析サーバ２０１は、後述する影響度算出の準備のため、事前に行う準備計算を実行する。この事前算出の具体的な手順については、影響度算出（４０４）に伴い後述する。

次に、限定条件入力（４０１）において、分析サーバ２０１は、分析に必要な各種限定条件の入力を、端末１０６から受け付ける。ここで、限定条件とは、鉱山等における作業の場所、期間、集計単位など、分析対象データ２１１におけるデータの範囲や単位を限定するものである。分析サーバ２０１は、分析者による限定条件の入力を受けるため、適宜なＧＵＩを端末１０６に表示させる。或いは、予め保持する限定条件を記憶装置２０５から読み込むとしてもよい。

次に、分析対象のデータ読込（４０２）において、分析サーバ２０１は、記憶装置２０５から分析対象データ２１１を読み込む。なお、記憶装置２０５から直接読み込む形態のみならず、中間状態として処理部２０４のメモリに一次保管したデータから選択するとしてもよい。こうした読込形態は、実装するプログラムの種類や、データの量、処理時間の要請などに従って適した手順を選択するとすれば好適である。

次に、指標・要因関係図算出（４０３）において、分析サーバ２０１は、分析の対象となる指標と要因、及びそれらの関係図を算出する。指標や要因を分析対象データ２１１からどのように算出するかは予め定めておくこととする。

例えば、指標が「機器Ａの１日あたりの生産量」であれば、分析対象データ２１１のうち「機器Ａの運搬量のデータ」の１日分を総和して算出する。また分析サーバ２０１は、その指標に影響を及ぼすであろう要因が「作業者」、「作業場所」であれば、それらの条件に合致したデータを分析対象データ２１１中から選択する。

分析サーバ２０１は、関係図の算出に際し、まず端末１０６での分析者の選択によって指標の指定を受け付ける。次に、分析サーバ２０１は、当該指標が、複数の要因によってどのように変化するか算出し、これをグラフとして端末１０６に出力する。こうして出力するグラフの例を図５に示す。

図５に示すグラフは、「指標１」が、４つの要因「要因１」〜「要因４」の各値に応じて変化する様子を示すものである。ここで、複数の要因は、分析者等が仕様等によって予め決めているものを採用してもよいし、分析者が端末１０６から指定したものを採用するとしてもよい。

次に、分析サーバ２０１は、影響度算出（４０４）において、上述の指標と要因の関係図の算出結果を用いて、関係図ごとに影響度を算出する。この影響度算出手順の詳細は後述する。なお、本実施形態では、影響度算出部２０８による影響度の算出手順の一例として、分解算出と差分算出の２種類の手法のいずれかを用いることとする。その手順の詳細及び選択指針は図６、図７に基づき後述する。

次に、分析サーバ２０１は、影響度順に要因を提示（４０５）において、要因確認の準備として、ここまでの処理で算出された結果に基づき、影響度の大きい順に要因の情報を列挙したインターフェイスを生成し、これを端末１０６に表示させる。

次に、分析サーバ２０１は、要因分析誘導（４０６）において、上述の影響度順の要因の提示（４０５）に伴い、分析者における分析を誘導する手順を行う。この要因分析誘導（４０６）の詳細手順は後述するものとする。

次に、分析サーバ２０１は、処理終了（４０７）において、端末１０６を介して分析者による終了指示を受けたか判定し、当該終了指示の受信まで、上述のデータ読込（４０２）〜要因分析誘導（４０６）の各処理を繰り返し実行する。

以上が、本実施形態のデータ分析誘導方法におけるメインフローとなる。

−−−フロー例２およびフロー例３−−−

続いて、上述のフロー例１における影響度算出（４０４）の詳細について説明する。図６と図７に、対応する手順の詳細フローを示す。図６は分解算出のフロー、図７は差分算出のフローであり、影響度算出のための異なった算出方法に対応したフローとなる。なお、本実施形態では、分析課題に応じてこれら分解算出と差分算出の２種類の手法のうち、いずれかを適宜選択することとする。

なお、分析サーバ２０１は、図６に示す分解算出のフローを実行するため、フロー例１で示した事前算出（４００）が必要となる。当該事前算出は、なるべく小さい制限ごとに、予めばらつきを算出しておく手順である。ここで、ばらつきを示す値としては、例えば標準偏差等である。

ここで、分析者が端末１０６で指定した指標をＩとする。この指標Ｉは、例えば、ある生産現場の生産量などである。また同様に、その指標Ｉに対する影響を調査すべきＮ個の要因が、Ｆ１，Ｆ２，・・・，ＦＮであったとする。要因としては、当該生産現場で作業を行う作業者、その場所、天候、昼夜の違い、などが想定できる。なお、複数の指標に関する処理を行う場合、分析サーバ２０１は、それぞれの指標について当該フローを同様に繰り返し実行するものとする。

ここで、上述の指標Ｉは、要因の値によって変化する関数であり、必要に応じてＩ（Ｆ１，Ｆ２，・・・，ＦＮ）と規定する。

当該事前算出において、分析サーバ２０１は、着目する要因Ｆｉを除いた要因の組（Ｆ１，Ｆ２，・・・，Ｆ（ｉ−１），Ｆ（ｉ＋１），・・・，ＦＮ）が、それぞれとりうる値の組の全ての組み合わせごとに、着目する要因Ｆｉによる指標Ｉのばらつきを、例えば標準偏差の算定アルゴリズムにより算出する。また同時に、分析サーバ２０１は、当該指標や要因のデータ数も算出する。

なお、分析サーバ２０１は、着目するＦｉ以外の要因の組み合わせを特定するに際し、データがない組み合わせや、ばらつきが算出できない２個以下の組み合わせについては、データが０個で、ばらつきデータ無しとする（３個以下としてもよい）。例えば、上述の指標と要因の例で、作業者の影響度を他の３要因（場所、天候、昼夜の違い）の影響を除いて算出する場合、分析サーバ２０１は、事前算出として、（場所，天候，昼夜）＝（場所２，雨，夜）等、他要因の全組合せにて作業者によるばらつきを算出し、また同時にデータ数も記憶する。

分析サーバ２０１は、以上の事前算出の結果を用いて、図６に示すとおり分解算出を行う。まず、分析サーバ２０１は、対象となる着目要因を適宜に決定する（６０１）。

次に、分析サーバ２０１は、他要因組み合わせパターンを生成する（６０２）。ここで、他の要因に関して可能な組み合わせパターンの基本は、着目要因以外の要因がとりうる全ての値の組み合わせパターンとなる。例えば、他要因が（Ｆ２，Ｆ３）の２つであり、要因Ｆ２が、｛ｆ２１，ｆ２２，・・・，ｆ２Ｐ｝のＰ個の値、要因Ｆ３が｛ｆ３１，ｆ３２，・・・，ｆ３Ｑ｝のＱ個の値をとりうるとすると、分析サーバ２０１は、Ｐ×Ｑの組み合わせを生成する。

次に、分析サーバ２０１は、上述の他要因の組み合わせに限定してのばらつきが、上述のフロー例１における事前算出（４００）にて算出されたものかどうか判定する（６０３）。 この判定の結果、ばらつきが事前算出（４００）にて算出されたものであれば（６０３：Ｙｅｓ）、分析サーバ２０１は、それを読み込む（６０４）。他方、ばらつきが事前算出（４００）にて算出されたものでなければ（６０３：Ｎｏ）、分析サーバ２０１は、それらを追加で算出する。

最後に分析サーバ２０１は、それらの算出した全組み合わせに関するばらつきを合算して着目要因の影響度とする（６０６）。当該合算の方法は、ばらつきが標準偏差である場合、他要因の組み合わせごとに算出しておいたデータ数による重みとして加重の２乗平均する。

例えば、着目要因Ｆ１、２つの他要因（Ｆ２，Ｆ３）について、｛ｆ２１＊ｆ３１，ｆ２１＊ｆ３２，・・・，ｆ２Ｐ＊ｆ３Ｑ｝でのばらつきが、それぞれ｛ｓ２１３１，ｓ２１３２，・・・，ｓ２Ｐ３Ｑ｝、各データ数が｛ｎ２１３１，ｎ２１３２，・・・，ｎ２Ｐ３Ｑ｝，それらのデータ数の総和がＮｔであったとき、分析サーバ２０１は、着目要因の影響度を、ＳＱＲＴ（ｎ２１３１＊ｓ２１３１＾２＋ｎ２１３２＊ｓ２１３２＾２＋・・・＋ｎ２Ｐ３Ｑ＊ｓ２１３２＾２）／Ｎｔ、と算定する。

ここで「＊」は積演算、「＾２」は２乗演算、ＳＱＲＴ（）は（）内の平方根、「／」は除算である。

上述した生産量の例では、事前算出（４００）で求めた、全ての場所、天候、昼夜につ
いて、作業者のばらつきをデータ数で重み付き２乗平均する。分析サーバ２０１は、以上の処理を全ての要因で行い（６０７：Ｎｏ〜６０１〜６０７：Ｙｅｓ）、当該フローを終了する。

以上述べたように、この分解算出の手順は要因の組み合わせに分解するため、データ数が要因組み合わせ数に比べて十分多い必要がある。もしデータが不足すると、データ数の少ない組み合わせが多くなり、計算が困難になるためである。また本手順は、組み合わせの数に応じた計算量も必要となる。

なお、本実施形態では、上述の他要因組み合わせパターンの選び方につき、全ての組み合わせについて行うとしたが、分析者等によるマニュアル指定や、或いは適宜なアルゴリズムによるランダム指定等、他の方法を採用してもよい。上述のマニュアル指定とは、複数の要因値を同じグループとみなす、または、要因の値中で特定の値のみ用いる、または要因自体も利用するものを選択する、などの処理である。

例えば、要因「天候」に関し、「雨」と「雪」が、同じような影響があることをわかっているとして、バラバラにわけずに同じグループ（「降水」グループ）として算出するというのが、要素の値のグループをマニュアル指定する場合、また同じ例で「雪」は頻度が低いので「雨」だけ用いるというのが特定の値のみ用いるマニュアル指定の例である。

また、例えば、多数の要因中、「作業者」および「場所」の２要因のみ用い、後は用いないという指定が、要因自体を選択する例である。一方、ランダム指定とは、全ての値の組み合わせでなく、ランダムにピックアップした組み合わせから近似的に影響度を算出する手順である。このようなマニュアル指定やランダム指定を用いた場合、一般に全ての組み合わせを用いる場合よりも計算量を減らすことが可能である。

次に、影響度算出（４０４）の２種の手法のうち差分算出の手順を説明する。この差分算出の手順では、全ての要因による影響度を算出し、この影響度から、考慮したい要因以外の要因による影響度を除外する手順となる。具体的には、図７のフロー例に示す手順である。

なお、この手順においても、着目する一つの指標（以下指標Ｉとする）は定まっているものとする。もし複数の指標がある場合には、それぞれの指標について同じ処理を行う。
当該フローにおいて、まず、分析サーバ２０１は、全ての要因について、上述の指標Ｉに対する影響度を算出する（７０１）。ここでの影響度としては、上述のように、要因の値の違いによるばらつきを示す標準偏差などを用いる。

ここで、影響を調査すべきＮ個の要因（Ｆ１，Ｆ２，・・・，ＦＮ）に対して、指標Ｉがとりうる値の標準偏差は、ＳＱＲＴ［Ｓｕｍ＿｛ｆ１，ｆ２，・・・，ｆＮ｝ｎ（ｆ１，ｆ２，・・・，ｆＮ）＊Ｉ（ｆ１，ｆ２，・・・，ｆＮ）＾２］／Ｎｔ、となる。

ここで、Ｓｕｍ＿｛ｆ１，ｆ２，・・・，ｆＮ｝は、（Ｆ１，Ｆ２，・・・，ＦＮ）のとりうる値全ての組合せについての和をとること、ｎ（ｆ１，ｆ２，・・・，ｆＮ）は、要因が（ｆ１，ｆ２，・・・，ｆＮ）という値の組をとるデータの数、Ｉ（ｆ１，ｆ２，・・・，ｆＮ）は、要因が（ｆ１，ｆ２，・・・，ｆＮ）という値の組をとった場合の指標の値のデータ平均値、「＊」は積演算、「＾２」は２乗演算、ＳＱＲＴ（）は（）内の平方根、「／」は除算である。また、Ｎｔは、データ数の総和である。

次に、分析サーバ２０１は、着目要因を一つ適宜に決定する（７０２）。また分析サーバ２０１は、その着目要因を除いた要因に対して、指標Ｉの影響度（ばらつき）を算出す
る（７０３）。具体的には、着目要因をＦｉとして、非着目要因（Ｆ１，Ｆ２，．．．，Ｆ（ｉ−１），Ｆ（ｉ＋１），．．．，ＦＮ）のとりうる値について、指標Ｉの標準偏差を算出する。 次に分析サーバ２０１は、上述の処理（７０１）で算出した全要因影響度と、処理（７０３）で算出した全非着目要因影響度を用いて、所望の着目要因の影響度を算出する（７０４）。具体的には、例えば以下の演算を行う。今、全要因影響度をＩＭＰＡＣＴ（ＡＬＬ）、要因Ｆｉ以外の全非着目要因影響度をＩＭＰＡＣＴ（ｎｏｎ Ｆｉ）とすると、所望の着目要因Ｆｉの影響度は、ＳＱＲＴ｛ＩＭＰＡＣＴ（ＡＬＬ）＾２−ＩＭＰＡＣＴ（ｎｏｎ Ｆｉ）＾２ ｝、と算出できる。

分析サーバ２０１は、以上の処理を全ての要因に関し実行し（７０５：Ｎｏ〜７０２〜７０５：Ｙｅｓ）、当該フローを終了する。

以上の手順から、計算量、必要な記憶容量とも、差分算出の方が分解算出に比べて少ない手順となっている。

上述した分解算出と差分算出は、一般に算出結果は同じにはならない。しかしながら、以上で示した手順から、両者共、なるべく他の要因（非着目要因）のばらつきの影響を除いて着目要因のばらつきだけを抽出する効果を与える手順となっている。例えば、着目要因にばらつきがない（標準偏差がゼロ）のような特殊な場合には、両手法共、正しくゼロと算出される。

どちらの手法を用いるべきかの指針として、もし、要因値の組合せ計算時間が問題とならず、かつ、データ数が要因の組み合わせ数に比べて十分な場合、原理的に、より意図に忠実となる分解算出を用いると好適である。他方、そうした状況とならない場合、差分算出が適する。

なお、分解算出、差分算出のいずれの算出方法でも、通常のデータ分析手順において一般的に行われる外れ値除去を行うとしてもよい。また同様に、指標と要因との関係図たるグラフの特徴に沿った影響度を重視して、分散算出において頻度による重み付けを行わない算出を行うとしてもよい。

また、本実施形態の例では、影響度として標準偏差を用いたが、離散状態に対するばらつきを示すことが可能な値ならば他の値を採用するとしてもよい。例えば、標準偏差を平均値で割った値である変動係数、平均値からの差分の大きさ（絶対値）の平均、などを用いてもよい。

図８は、影響度算出（４０４）により算定した、指標に対する各要因の影響度を出力した画面、すなわち基本となる影響度の画面表示例を示したものである。ここで示す４つのグラフそれぞれは、図５に示したグラフと同様、縦軸は同じ一つの指標であり、横軸がそれぞれ異なった要因を示す。また、当該グラフにおいて、影響度８０１〜８０４が、上述した手順で各要因に関して算出した指標への影響度の値である。この例では、各要因に関するグラフのうち、「要因１」に関するグラフにおいて影響度８０１が最大となっている。 なお、図８で例示するように、予め定めた閾値に応じて各影響度を「高影響度」、「中影響度」、「低影響度」などと区分し、影響度の値と共に表示するとしてもよい。或いは、高影響度の要因に関するグラフのみ端末１０６に出力する、といった表示制御を行うとしてもよい。
−−−フロー例４−−−

次に、上述のフロー例１で示した要因分析誘導（４０６）の詳細手順について説明する。図９がその手順を示したフローである。

この場合まず、分析サーバ２０１は、処理（４０４）で得ている各要因の影響度を一覧表示するインターフェイスを、端末１０６に出力する（９０１）。

次に分析サーバ２０１は、着目要因のグラフを表示する（９０２）。

また分析サーバ２０１は、着目要因の取扱い選択を促すインターフェイスを表示する（９０３）。ここで、取扱い選択は、着目要因を特定の値に指定しない「指定なし」、特定の値に指定する「指定」、着目要因は以後の分析でないものとする「除外」の３種類である。

選択入力がなされた場合（９０４：Ｙｅｓ）、分析サーバ２０１は、現在の着目要因を終了してよいか、入力を促す表示を端末１０６に出力する（９０５）。

この結果、終了入力があり（９０６：Ｙｅｓ）、かつ、取扱い選択が「指定なし」以外で、条件変更となった場合（９０７：Ｙｅｓ）、分析サーバ２０１は、影響度をあらためて算出する（９０８）。

分析サーバ２０１は、以上の手順を全ての要因について行ったならば（９０９：Ｎｏ〜９０２〜９０９：Ｙｅｓ）、当該フローを終了する。

図１０は、上述の要因分析の誘導手順に対応する画面１０００の表示例である。当該画面１０００において、左側領域１００１には、各要因のリストとチェックリスト等の表示で構成される。なお、当該左側領域１００１における要因リストは、当該指標に対する影響度の大きいものから順に上から列挙する形態として、ユーザにチェックを促すのが効率的である。また、右側領域１００２には、例えば分析者が指定した現在注目している要因の各値と指標との関係性を示すグラフと、当該要因における指標への影響度の値とが表示される。

図１０の例では、現在注目されている要因として、要因リストのうち「要因４」に関する表示を破線枠１００３で囲んでいる。このように、現在注目されている要因を示す表示形態の他にも、注目要因を明示出来る表示方法であれば適宜に採用できる。また、画面１０００の上部領域には、現在注目されている要因に関し、分析者に判断を促すための指示１００４を表示する。

また、上述の要因リストにおいては、当該要因の取扱い選択を入力するためのＧＵＩが表示される。ここでは「指定なし」、「指定」、「除外」の列が表示される。また、「指定なし」、「除外」の場合には選択するためのボタンが、「指定」の場合は値を指定するボックスが設けられている。

ここで「指定なし」とは、今後、順に残りの要因を調査するに際して、現在の着目要因の値は特に指定せず（全ての値をとりうるとして）分析を進める場合に分析者が選択することになる。

一方、「指定」は、今後、順に残りの要因を調査するに際して、現在の着目要因の値と特定の値に固定して分析を進める場合にユーザが選択することになる。例えば、着目要因が「操作者」であったとして、特定の操作者に限定して他の要因を調べる場合などに用いる。

また、「除外」は、今後、順に残りの要因を調査するに際して、現在の着目要因は存在
しないものとして分析を進める場合にユーザが選択することになる。例えば、着目要因が「季節」であったとして、季節要因に関する影響は一切考慮しないものとして分析を進める場合などに用いる。この選択肢は計算量を減らすためにも有効である。一般に後者２つの選択では、影響度を修正する必要がある。

以上の実施例では、要因分析を分析者に選択させながら順に誘導する手順を説明したが、その他の誘導方法として、要因の取扱い選択を自動選択させることも可能である。図１１にその手順の実施例を示す。

当該フローにおいて、まず、分析サーバ２０１は、所定のアルゴリズムで選定した、或いは分析者が指定した着目要因の情報を記憶装置等に設定する（１１０１）。

次に、分析サーバ２０１は、当該着目要因も含め、未確認の要因に対して「要因間相対影響度」を算出する（１１０２）。

ここで「要因間相対影響度」とは、未確認の要因中で、他の要因の影響度に比べて、本要因の影響度はどの程度大きいかを示す量である。この場合、分析サーバ２０１は、例えば、未確認要因全ての影響度の平均値に対して、着目要因の影響度の何倍であるか算出し、その比率を「要因間相対影響度」とする。

次に、分析サーバ２０１は、当該着目要因に対して、もう一つの値である「値の突出度合い」を算出する（１１０３）。

ここで「値の突出度合い」とは、ひとつの要因がさまざまな値をとり、それぞれについて着目指標の値をとっている中で、最大の着目指標の値を持つ要因値での指標の値が他の要因値での指標の値と比べてどの程度突出しているかを示す値である。

例えば、ある要因の値でとる最大の指標の値がその要因の全ての値に対して平均の指標の値の比率が何倍であるかを「値の突出度合い」とする。例えば、指標の値として「生産量」、着目要因が「生産場所」であった場合、最も生産量の多い場所での生産量の値が生産量の全ての生産場所での平均値（頻度で重み付けしてよい）に比べて何倍であるかの比をとって生産場所の「値の突出度合い」とする。

以上２つの値を算出して、現在の着目指標を、それらの高低で４つのパターンに分類する。なお、過去の事例などで予め「要因間相対影響度」及び「値の突出度合い」のそれぞれについて閾値を決めておき、それらの閾値より大きい場合「高」、そうでない場合「低」とする。

次に、分析サーバ２０１は、それらの高低に従って要因の扱いを決定する。ここではその一例を示す。まず「要因間相対影響度」と「値の突出度合い」の双方が「高」の場合（１１０４：ｙ、１１０６：ｙ）、分析サーバ２０１は、当該要因は、相対的な影響度が高く、突出した値を持つと判定し、その突出した値をとる要因の値を指定する（１１０７）。

次に、「要因間相対影響度」が高く、「値の突出度合い」が低い場合（１１０４：ｙ、１１０６：ｎ）、分析サーバ２０１は、当該要因は、影響度は高いが飛びぬけて大きな一つの値を持っていないと判定し、当該要因は残して特に値を指定しない「指定なし」とする（１１０８）。

次に、「要因間相対影響度」が低く、「値の突出度合い」が高い場合（１１０４：ｎ、
１１０６：ｙ）、分析サーバ２０１は、当該要因において突出値は外れ値である可能性が高いと判定し、例えば「指定なし」とする（１１０９）。

最後に、「要因間相対影響度」と「値の突出度合い」の双方が「低」の場合（１１０４：ｎ、１１０６：ｎ）、分析サーバ２０１は、当該要因は重要な要因ではないと判定し、「除外」とする（１１１０）。

以上の判断の結果、取り扱い指定が「指定なし」以外で、条件変更となった場合（１１１１：ｙ）、分析サーバ２０１は、影響度を改めて算出する（１１１２）。他方、条件変更とならなかった場合（１１１１：ｎ）、分析サーバ２０１は、処理を１１１３に遷移させる。

以上の手順を全ての要因について行ったら（１１１３：ｎ〜１１０１〜１１１３：ｙ）、分析サーバ２０１は、当該フローを終了する。

以上で述べた手順は、分析サーバ２０１が全て自動で要因の取り扱い選択し、結果だけを提示する手順であった。しかしながら、要因の値を指定する場合だけ分析者に判断を委ねる、或いは、各要因ごとに上述の自動選択の結果に対する確認ボタン押下を分析者に要求する、などの処理を行うとしてもよい。更に、上述の確認ボタン押下に加えて、上述の自動選択の結果に分析者が満足しない場合のために「やりなおし」や２番目の選択を行わせる「次候補」ボタンなどをインターフェイスに含め、分析者からの指示を受ける構成としてもよい。

また、分析サーバ２０１は、分析者の指示履歴を記憶装置等に保持し、上述の自動選択の処理に用いるとしてもよい。この場合、分析サーバ２０１は、当該指示履歴に基づき、特定の要因が選ばれやすい、または選ばれにくくなるように、要因ごとに異なる調整可能な閾値や重み付け値を保持・更新し、上述の指示履歴が更新されるごと、すなわち、分析者が当該分析サーバ２０１を利用していくたびに、自動選択の処理の精度を維持・改善するとしてもよい。
−−−その他の例−−−

ここでは、その他の例として、特定の状況ごとにデータを変換して分析を行う例について説明する。その目的は、要因比較の際に、所定の外部データから特定できる、明らかな不公平性を除くことである。また、その手順は、要因に関して、鉱山等の現場での特有の付加情報によって影響度算出の際に何らかの重み付けを行うか、または要因の分類を行ってその分類ごとに纏まった算出を行う等の手順で実現する。

この場合の分析サーバ２０１の構成は、図１２に示すように、図２で既に示した分析サーバ２０１の構成に加えて、データ変換部１２０１と付加情報１２０２を備えるものとなる。

また、その手順は、図１３のフローに示すように、上述の実施形態で既に述べた要因分析の前処理として、データ読み込み（４０２）の後、付加情報を活用して値の変換（１３０１）を行う処理を含むものとなる。

以下、当該例の具体的な事例として、本発明を鉱山等の資源産出に適用する場合を想定して説明を行う。その場合の要因は主に「作業者」、「場所」、「環境」、「機械」に分類されるとする。また、複雑な地形を持つ鉱山を対象としていて、かつ野外環境のため、環境が時間ごとに変化する。また、地形自体も、資源産出に伴って変化する。ここでは、上述の実施形態で用いた手法に加えて、これらの付加情報を用いて、要因の選択や均等化
処理を行う。

まず「作業者」の場合、付加情報１２０２として、過去の作業経験や教育やパーソナリティの情報が活用可能である。そこで分析サーバ２０１は、たとえば、付加情報１２０２が示す作業の従事記録や教育記録の内容に応じて、当該作業者に期待できる資源産出のためのパフォーマンス（例：作業量や作業時間、作業効率、或いは資源産出量など）は変化するとして、指標・要因関係図算出（４０３）に際し、それらの値を参照して、期待できるパフォーマンスで指標の値に均等化処理を行う処理を加える。

また「場所」の場合は、付加情報１２０２として、地形や採掘のフェーズの情報が活用可能である。例えば、採掘開始時点のフェーズでは、表土の剥離作業などの付帯作業が多く必要であり、フェーズが進行した時点と比べて資源の生産量は低いものに留まる。そこで分析サーバ２０１は、付加情報１２０２が示す、「場所」におけるフェーズの情報を勘案して、期待できるパフォーマンスを算出し、そのパフォーマンスに対する資源産出結果を踏まえて影響度を算出する。

次に「環境」の場合、付加情報１２０２として、上述のパフォーマンスの変動原因となりうる降雨や気温などの情報が活用可能である。この場合、分析サーバ２０１は、指標・要因関係図算出（４０３）に際し、それら降雨や気温などの環境に関する付加情報１２０２を参照して、期待できるパフォーマンスで指標の値に均等化処理を行う処理を加える。ただし、「環境」要因自体が要因分析の要因である場合はその限りではない。

また、「機械」の場合、付加情報１２０２として、各機械の経年劣化状況を示す、機器履歴データが活用可能である。こうした経年劣化状況によって、当該機械の稼働時間等は異なってくる。よって、この場合の分析サーバ２０１は、指標・要因関係図算出（４０３）に際し、それら機器履歴データなどの「機械」に関する付加情報１２０２を参照して、期待できるパフォーマンスで指標の値に均等化処理を行う処理を加える。但し、機器自体が要因分析の要因である場合はその限りではない。

以上が要因の種類による分類であったが、その他に鉱山特有の事例として、分析データ２０１の収集エリアの規模によって分析内容を変更させるとしてもよい。例えば、一つの鉱山の単位など、小さいエリアでの分析データ収集を行う場合、時間単位やシフト単位での要因分析の結果を鉱山管理者にフィードバックする。一方、分析データ収集の範囲が国や地域単位であれば、分析データを収集して、より長い時間間隔での分析が望まれる為、目的ごとに分類を変えて影響度を算出する必要がある。そのため、小さいエリアでの分析は上述した実施形態で述べた自動選択を実行し、一方、広いエリアの集計は手動で行うように階層化ごとに自動、手動を振り分けた構成としてもよい。

また、影響度の分析は、指標に対してどの要因が影響力を持っているか分析することが目的であるが、影響度の状態に応じた所定情報を、ダイナミックに業務にフィードバックするとしてもよい。この場合、分析サーバ２０１は、要因による影響度の状態をリアルタイムに監視し、例えば採掘に伴う地形変化や機械の移動で状況が変化したことによる、影響度の変化（時間的あるいは絶対値の所定基準を超えた変化）を特定し、当該鉱山における管理者の端末等に警告通知を出力する、といった処理を実行する。

以上、本発明を実施するための最良の形態などについて具体的に説明したが、本発明はこれに限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能である。

こうした本実施形態によれば、他の要因に影響されることなく、複数の要因候補中でどの要因の影響が大きいかが比較可能となる。また、ユーザが指定した制限や要因の組にあ
わせて影響度が算出されるため、分析意図を反映しつつ、要因の大きさに沿った分析が可能となる。また、他要因の影響を除いた影響度が算出されるため、他要因の制限を組み合わせ的に調査する必要がなく、各要因について一度だけ順に確認を行うことで要因分析が終了する。また、そのためのＧＵＩを有することで、ユーザの分析を誘導することが可能となる。

すなわち、ユーザが各要因の影響度を精度良く分析し、影響度の大きい要因の効率的な発見が可能となる。

本明細書の記載により、少なくとも次のことが明らかにされる。すなわち、本実施形態のデータ分析誘導装置において、前記演算装置は、前記他の要因の影響を排除した影響度を算出するに際し、予め、処理対象の要因の各値について、これに関係する前記他の要因の値ごと、または、ユーザ指定の要因グループごとに分解して影響度を算出し、当該算出したものを所定アルゴリズムで合算する手順を用いるものである、としてもよい。

これによれば、指標および要因の各データが要因の組合せに対して十分多い状況下にて、要因間での特有の影響の及ぼし方を踏まえ、当該要因が指標に及ぼす影響度を精度良く算定出来る。ひいては、ユーザが各要因の影響度を精度良く分析し、影響度の大きい要因の効率的な発見が可能となる。

また、本実施形態のデータ分析誘導装置において、前記演算装置は、前記他の要因の影響を排除した影響度を算出するに際し、全ての要因における影響度から、前記他の要因における影響度を除外することで、処理対象の要因の影響度を算出する手順を用いるものである、としてもよい。

これによれば、指標および要因の各データが要因の組合せに対して十分でない状況下にて、要因間での特有の影響の及ぼし方を踏まえ、当該要因が指標に及ぼす影響度を精度良く算定出来る。ひいては、ユーザが各要因の影響度を精度良く分析し、影響度の大きい要因の効率的な発見が可能となる。

また、本実施形態のデータ分析誘導装置において、前記演算装置は、前記他の要因の影響を排除した影響度を算出するに際し、当該排除の適用対象となる各要因における原影響度として、当該要因の各値に対する当該指標の値のばらつきの度合いを算定し用いるものである、としてもよい。

これによれば、ばらつきに基づいて影響度を効率良く特定可能となり、ひいては、ユーザが各要因の影響度を精度良く分析し、影響度の大きい要因の効率的な発見が可能となる。

また、本実施形態のデータ分析誘導装置において、前記演算装置は、前記算出した影響度を用いて当該指標と当該要因との関係をユーザに確認させるインターフェイスを出力する処理を更に実行するものである、としてもよい。

これによれば、各要因の影響度をユーザに提示しつつ、当該要因に関する取扱いの決定作業を効率化できる。ひいては、ユーザが各要因の影響度を精度良く分析し、影響度の大きい要因の効率的な発見が可能となる。

また、本実施形態のデータ分析誘導装置において、前記演算装置は、前記インターフェイスを出力する処理に際し、前記確認の対象事項として、当該要因の取り扱いに関する事項であって、当該要因に関して分析するデータの限定有無およびその内容と、当該要因の
除外要否、に関する指示を促す入力インターフェイスを含めるものである、としてもよい。

これによれば、各要因の影響度をユーザに提示しつつ、当該要因に関する取扱いの決定作業を更に効率化できる。ひいては、ユーザが各要因の影響度を精度良く分析し、影響度の大きい要因の効率的な発見が可能となる。

また、本実施形態のデータ分析誘導装置において、前記演算装置は、前記インターフェイスを出力する処理に際し、前記入力インターフェイスで受け付けた指示に基づいて当該要因における影響度を再計算し、当該再計算の結果を出力する処理を更に実行するものである、としてもよい。

これによれば、要因に関する取扱いのユーザ決定に伴い、良好な精度で影響度を算定・出力し、ひいては、ユーザが各要因の影響度を精度良く分析し、影響度の大きい要因の効率的な発見が可能となる。

前記演算装置は、前記インターフェイスを出力する処理に際し、前記入力インターフェイスで受け付ける指示内容を、予め設定した所定の基準値に基づいて自動算出する処理を更に実行するものである、としてもよい。

これによれば、要因に関する取扱いを自動的に推定可能となる。ひいては、ユーザが各要因の影響度を精度良く分析し、影響度の大きい要因の効率的な発見が可能となる。

また、本実施形態のデータ分析誘導装置において、前記演算装置は、前記要因の影響度を算出するに際し、所定作業が伴う事象を指標とした場合の要因である、当該作業に関与する作業者、当該作業の場所、当該作業の環境、および当該作業に用いられる機械、のいずれかの特徴に関する所定情報に基づき、当該要因の特徴に応じた当該指標の値の所定のデータ変換またはグループ化を予め行う処理を更に実行するものである、としてもよい。

これによれば、鉱山や工場などの生産活動を行う現場に関して、ユーザが各要因の影響度を精度良く分析し、影響度の大きい要因の効率的な発見が可能となる。

また、本実施形態のデータ分析誘導装置において、前記演算装置は、前記影響度の算出を所定時間ごとに実行し、当該所定時間における影響度の変化が所定基準より大きい場合、当該分析対象のデータの発生場所に所在する所定端末に対し、所定通知を行う処理を更に実行するものである、としてもよい。

これによれば、鉱山や工場などの生産活動を行う現場に関して、機械の故障といった異常事態を影響度の急変等に基づき精度良く推定し、当該現場に伝達可能となる。

また、本実施形態のデータ分析誘導方法において、前記情報処理装置が、前記他の要因の影響を排除した影響度を算出するに際し、予め、処理対象の要因の各値について、これに関係する前記他の要因の値ごと、または、ユーザ指定の要因グループごとに分解して影響度を算出し、当該算出したものを所定アルゴリズムで合算する、としてもよい。

また、本実施形態のデータ分析誘導方法において、前記情報処理装置が、前記他の要因の影響を排除した影響度を算出するに際し、全ての要因における影響度から、前記他の要因における影響度を除外することで、処理対象の要因の影響度を算出する、としてもよい。

また、本実施形態のデータ分析誘導方法において、前記情報処理装置が、前記他の要因の影響を排除した影響度を算出するに際し、当該排除の適用対象となる各要因における原影響度として、当該要因の各値に対する当該指標の値のばらつきの度合いを算定し用いる、としてもよい。

また、本実施形態のデータ分析誘導方法において、前記情報処理装置が、前記算出した影響度を用いて当該指標と当該要因との関係をユーザに確認させるインターフェイスを出力する処理を更に実行する、としてもよい。

また、本実施形態のデータ分析誘導方法において、前記情報処理装置が、前記インターフェイスを出力する処理に際し、前記確認の対象事項として、当該要因の取り扱いに関する事項であって、当該要因に関して分析するデータの限定有無およびその内容と、当該要因の除外要否、に関する指示を促す入力インターフェイスを含める、としてもよい。

また、本実施形態のデータ分析誘導方法において、前記情報処理装置が、前記インターフェイスを出力する処理に際し、前記入力インターフェイスで受け付けた指示に基づいて当該要因における影響度を再計算し、当該再計算の結果を出力する処理を更に実行する、としてもよい。

また、本実施形態のデータ分析誘導方法において、前記情報処理装置が、前記インターフェイスを出力する処理に際し、前記入力インターフェイスで受け付ける指示内容を、予め設定した所定の基準値に基づいて自動算出する処理を更に実行する、としてもよい。

また、本実施形態のデータ分析誘導方法において、前記情報処理装置が、前記要因の影響度を算出するに際し、所定作業が伴う事象を指標とした場合の要因である、当該作業に関与する作業者、当該作業の場所、当該作業の環境、および当該作業に用いられる機械、のいずれかの特徴に関する所定情報に基づき、当該要因の特徴に応じた当該指標の値の所定のデータ変換またはグループ化を予め行う処理を更に実行する、としてもよい。

また、本実施形態のデータ分析誘導方法において、前記情報処理装置が、前記影響度の算出を所定時間ごとに実行し、当該所定時間における影響度の変化が所定基準より大きい場合、当該分析対象のデータの発生場所に所在する所定端末に対し、所定通知を行う処理を更に実行する、としてもよい。

１０１ 作業機械
１０２ 収集装置
１０３ ネットワーク
１０６ 端末
２０１ 分析サーバ（データ分析誘導装置）
２０３ データ収集Ｉ／Ｆ
２０４ 処理部
２０５ 記憶装置
２０６ 表示・入力インターフェイス
２０７ 演算装置
２０８ 影響度算出部
２０９ 提示手順算出部
２１０ グラフ描画部
２１１ 分析対象データ
２１２ 基本情報
１２０１ データ変換部
１２０２ 付加情報

Claims (20)

1. 分析対象のデータを格納した記憶装置と、
   前記データ中の値から指標および複数の要因の各指定を所定装置で受け付け、当該指標に対する当該複数の要因それぞれの影響度を、処理対象の要因以外の他の要因の影響を所定手順により排除して算出し、当該算出した影響度の情報を、当該指標と当該要因との関係性を示す所定情報と共に出力する演算装置と、
   を含むことを特徴とするデータ分析誘導装置。
2. 前記演算装置は、
   前記他の要因の影響を排除した影響度を算出するに際し、予め、処理対象の要因の各値について、これに関係する前記他の要因の値ごと、または、ユーザ指定の要因グループごとに分解して影響度を算出し、当該算出したものを所定アルゴリズムで合算する手順を用いるものである、
   ことを特徴とする請求項１に記載のデータ分析誘導装置。
3. 前記演算装置は、
   前記他の要因の影響を排除した影響度を算出するに際し、全ての要因における影響度から、前記他の要因における影響度を除外することで、処理対象の要因の影響度を算出する手順を用いるものである、
   ことを特徴とする請求項１に記載のデータ分析誘導装置。
4. 前記演算装置は、
   前記他の要因の影響を排除した影響度を算出するに際し、当該排除の適用対象となる各要因における原影響度として、当該要因の各値に対する当該指標の値のばらつきの度合いを算定し用いるものである、
   ことを特徴とする請求項１に記載のデータ分析誘導装置。
5. 前記演算装置は、
   前記算出した影響度を用いて当該指標と当該要因との関係をユーザに確認させるインターフェイスを出力する処理を更に実行するものである、
   ことを特徴とする請求項１に記載のデータ分析誘導装置。
6. 前記演算装置は、
   前記インターフェイスを出力する処理に際し、前記確認の対象事項として、当該要因の取り扱いに関する事項であって、当該要因に関して分析するデータの限定有無およびその内容と、当該要因の除外要否、に関する指示を促す入力インターフェイスを含めるものである、
   ことを特徴とする請求項５に記載のデータ分析誘導装置。
7. 前記演算装置は、
   前記インターフェイスを出力する処理に際し、前記入力インターフェイスで受け付けた指示に基づいて当該要因における影響度を再計算し、当該再計算の結果を出力する処理を更に実行するものである、
   ことを特徴とする請求項６に記載のデータ分析誘導装置。
8. 前記演算装置は、
   前記インターフェイスを出力する処理に際し、前記入力インターフェイスで受け付ける指示内容を、予め設定した所定の基準値に基づいて自動算出する処理を更に実行するものである、
   ことを特徴とする請求項６に記載のデータ分析誘導装置。
9. 前記演算装置は、
   前記要因の影響度を算出するに際し、所定作業が伴う事象を指標とした場合の要因である、当該作業に関与する作業者、当該作業の場所、当該作業の環境、および当該作業に用いられる機械、のいずれかの特徴に関する所定情報に基づき、当該要因の特徴に応じた当該指標の値の所定のデータ変換またはグループ化を予め行う処理を更に実行するものである、
   ことを特徴とする請求項１に記載のデータ分析誘導装置。
10. 前記演算装置は、
    前記影響度の算出を所定時間ごとに実行し、当該所定時間における影響度の変化が所定基準より大きい場合、当該分析対象のデータの発生場所に所在する所定端末に対し、所定通知を行う処理を更に実行するものである、
    ことを特徴とする請求項１に記載のデータ分析誘導装置。
11. 分析対象のデータを格納した記憶装置を備える情報処理装置が、
    前記データ中の値から指標および複数の要因の各指定を所定装置で受け付け、
    当該指標に対する当該複数の要因それぞれの影響度を、処理対象の要因以外の他の要因の影響を所定手順により排除して算出し、
    当該算出した影響度の情報を、当該指標と当該要因との関係性を示す所定情報と共に出力する、
    ことを特徴とするデータ分析誘導方法。
12. 前記情報処理装置が、
    前記他の要因の影響を排除した影響度を算出するに際し、予め、処理対象の要因の各値について、これに関係する前記他の要因の値ごと、または、ユーザ指定の要因グループごとに分解して影響度を算出し、当該算出したものを所定アルゴリズムで合算する、
    ことを特徴とする請求項１１に記載のデータ分析誘導方法。
13. 前記情報処理装置が、
    前記他の要因の影響を排除した影響度を算出するに際し、全ての要因における影響度から、前記他の要因における影響度を除外することで、処理対象の要因の影響度を算出する、
    ことを特徴とする請求項１１に記載のデータ分析誘導方法。
14. 前記情報処理装置が、
    前記他の要因の影響を排除した影響度を算出するに際し、当該排除の適用対象となる各要因における原影響度として、当該要因の各値に対する当該指標の値のばらつきの度合いを算定し用いる、
    ことを特徴とする請求項１１に記載のデータ分析誘導方法。
15. 前記情報処理装置が、
    前記算出した影響度を用いて当該指標と当該要因との関係をユーザに確認させるインターフェイスを出力する処理を更に実行する、
    ことを特徴とする請求項１１に記載のデータ分析誘導方法。
16. 前記情報処理装置が、
    前記インターフェイスを出力する処理に際し、前記確認の対象事項として、当該要因の取り扱いに関する事項であって、当該要因に関して分析するデータの限定有無およびその
    内容と、当該要因の除外要否、に関する指示を促す入力インターフェイスを含める、
    ことを特徴とする請求項１５に記載のデータ分析誘導方法。
17. 前記情報処理装置が、
    前記インターフェイスを出力する処理に際し、前記入力インターフェイスで受け付けた指示に基づいて当該要因における影響度を再計算し、当該再計算の結果を出力する処理を更に実行する、
    ことを特徴とする請求項１６に記載のデータ分析誘導方法。
18. 前記情報処理装置が、
    前記インターフェイスを出力する処理に際し、前記入力インターフェイスで受け付ける指示内容を、予め設定した所定の基準値に基づいて自動算出する処理を更に実行する、
    ことを特徴とする請求項１６に記載のデータ分析誘導方法。
19. 前記情報処理装置が、
    前記要因の影響度を算出するに際し、所定作業が伴う事象を指標とした場合の要因である、当該作業に関与する作業者、当該作業の場所、当該作業の環境、および当該作業に用いられる機械、のいずれかの特徴に関する所定情報に基づき、当該要因の特徴に応じた当該指標の値の所定のデータ変換またはグループ化を予め行う処理を更に実行する、
    ことを特徴とする請求項１１に記載のデータ分析誘導方法。
20. 前記情報処理装置が、
    前記影響度の算出を所定時間ごとに実行し、当該所定時間における影響度の変化が所定基準より大きい場合、当該分析対象のデータの発生場所に所在する所定端末に対し、所定通知を行う処理を更に実行する、
    ことを特徴とする請求項１１に記載のデータ分析誘導方法。