JP6181134B2 - 要因解析装置、要因解析方法、及びプログラム - Google Patents

Description

本発明の実施形態は、要因解析装置、要因解析方法、及びプログラムに関する。

従来、事象と、その事象を招く要因となる因子との因果関係を解析する要因解析装置が知られている。しかしながら、従来の技術では、事象の要因となる因子が多くなると、要因となる因子と事象との関係を正確に解析できない場合があった。

特開２０１５−４９７９０号公報

本発明が解決する課題は、複数の因子が組み合わさって生じる事象の要因を、より正確に解析することができる要因解析装置、要因解析方法、及びプログラムを提供することである。

実施形態の要因解析装置は、抽出部と、集計部と、算出部と、生成部とを持つ。抽出部は、事象と、前記事象の要因となる一または複数の因子が対応付けられた組合せデータから、組み合わせデータの発生に応じて抽出を行う。集計部は、前記組み合わせデータに含まれる前記事象と因子との組合せに基づいて、前記事象の発生数または前記複数の因子の組み合わせの発生数を集計する。算出部は、前記集計部による集計結果に基づいて、前記事象と前記因子との組み合せに対応し、前記事象と前記因子との組み合わせの発生数に応じて変化する指標値を算出する。生成部は、前記事象と前記因子との組み合せごとに前記算出部により算出された指標値を示す画像が、前記事象と前記因子との組み合せに対応付けられた画像を生成する。

第１の実施形態における要因解析装置１の構成の一例を示す図。 実施形態における複数の工程を含む製造ラインで発生する因子について説明する図。 実施形態における要因解析装置１の機能構成の一例を示す図。 実施形態における収集データ記憶部２１０に記憶される収集データの一例を示す図。 実施形態における抽出データ２４１の一例を示す図。 実施形態における集計データ２４２の一例を示す図。 実施形態における信頼度データ２４３の一例を示す図。 実施形態における要因解析装置１の処理の一例を示すフローチャート。 実施形態における指標値を算出する処理（Ｓ１６）の一例を示すフローチャート。 ある抽出データ２４１として抽出された組み合わせデータに対して処理が行われた結果を示す図。 実施形態における算出された指標値を格納する指標値記憶部２５０の一例を示す図。 実施形態における画像生成部１１８が生成する画像の一例を説明するための図。 第２の実施形態における要因解析装置１の処理の一例を示すフローチャート。 実施形態における指標値を算出する処理（Ｓ１６）の一例を示すフローチャート。 ある抽出データ２４１として抽出された組み合わせデータに対して処理が行われた結果を示す図。 第３の実施形態における要因解析装置１の処理の一例を示すフローチャート。 ある抽出データ２４１として抽出された組み合わせデータに対して処理が行われた結果を示す図。 第４の実施形態における要因解析装置１Ａの一部の構成の一例を示す図。 実施形態における要因解析装置１Ａの処理の一例を示すフローチャート。 実施形態における収集データ記憶部２１０Ａに記憶される収集データの一例を示す図。 実施形態における集計データ２４２Ａの一例を示す図。 実施形態における要因解析装置１Ａが実施する要因解析モードの処理の一例を示すフローチャート。

以下、実施形態の要因解析装置、要因解析方法、及びプログラムを、図面を参照して説明する。

（第１の実施形態）
要因解析装置１は、要因（因子）と結果（事象）との関連性を解析するための各種データを解析対象として、関係性を示す情報を出力する装置である。図１は、実施形態における要因解析装置１の構成の一例を示す図である。本実施形態における要因解析装置１は、通信インタフェース１０と、ＣＰＵ（Central Processing Unit）などのプロセッサ２０と、ＲＡＭ（Random Access Memory）３０と、ＲＯＭ（Read Only Memory）４０と、ストレージ装置５０と、表示インタフェース６０と、入力装置インタフェース７０とを含む。これらの構成要素は、要因解析装置１内のバス等を介して相互に通信可能に接続される。

通信インタフェース１０は、他の装置とネットワークＮＷを介して通信を行う。ネットワークＮＷは、ＬＡＮ（Local Area Network）やＷＡＮ（Wide Area Network）等を含む。通信インタフェース１０は、データ収集装置２から、データ収集装置２において収集された収集データを受信する。収集データは、要因（因子）と結果（事象）とが、一対一または一対複数で互いに対応付けられたデータ（組み合わせデータ）である。

データ収集装置２は、製造ラインにおける各工程で発生した各種イベントの情報を収集し、収集した各種イベントの情報を収集データとして要因解析装置１に供給する場合がある。以下、その例について説明するが、これに限定されるものではない。

図２は、複数の工程を含む製造ラインで発生する因子について説明する図である。図２（ａ）に示すように、製造ラインは、種類が異なる工程Ａ、工程Ｂ、工程Ｃ、工程Ｄを有し、上記の各工程が図示する順に実施される。上記の各工程において、各事象ｙの要因となり得る因子ｘが検出され、その履歴が管理されている。例えば、図２（ｂ）に示すように、工程Ａにおいて、因子ｘａ１、因子ｘａ２、因子ｘａ３、・・・が発生したことがログとして記録され、各因子が発生した時刻と、その因子の内容（イベント内容）等の情報がデータとして管理される。工程Ａにおいて発生する各因子を代表して因子ｘａと記す。

図２（ｃ）に示すように、工程Ｂにおいて、因子ｘｂ１、因子ｘｂ２、因子ｘｂ３、・・・が発生する。また、図２（ｄ）に示すように、工程Ｃにおいて、因子ｘｃ１、因子ｘｃ２、因子ｘｃ３、・・・が発生する。また、図２（ｅ）に示すように、工程Ｄにおいて、因子ｘｄ１、因子ｘｄ２、因子ｘｄ３、・・・が発生する。各工程において、各因子が発生したことがログとして記録され、各因子が発生した時刻と、その因子の内容（イベント内容）等の情報がデータとして管理される。工程Ａ、工程Ｂ、工程Ｃにおいて発生する各因子を代表して因子ｘａ、因子ｘｂ、因子ｘｃと記す。

また、図２（ｆ）に示すように、上記の製造ラインにおいて、事象ｙが発生し、事象ｙａ、事象ｙｂ、事象ｙｃ、・・・が発生したことがログとして記録される。各事象が発生した時刻と、その事象の内容（イベント内容）等の情報がデータとして管理される。発生する各事象を代表して事象ｙと記す。

以下の説明では、説明を簡素化するために、因子ｘａ、因子ｘｂ、因子ｘｃ、因子ｘｄを例示して説明する。なお、上記の各因子ｘは、独立に発生するものとする。

事象ｙは、複数の工程の因子が関連して要因になる場合もあれば、特定の工程の因子が要因になる場合がある。例えば、発生した因子ｘに、因子ｘａ、因子ｘｂ、因子ｘｃ、因子ｘｄの４つの因子が含まれる場合、要因となり得る因子ｘの組を列挙すると下記のようになる。

｛ｘａ｝、｛ｘｂ｝、｛ｘｃ｝、｛ｘｄ}、{ｘａ、ｘｂ}、{ｘａ、ｘｃ}、{ｘａ、ｘｄ}、｛ｘｂ、ｘｃ｝、｛ｘｂ、ｘｄ}、｛ｘｃ、ｘｄ}、{ｘａ、ｘｂ、ｘｃ}、{ｘａ、ｘｂ、ｘｄ}、{ｘａ、ｘｃ、ｘｄ}、{ｘａ、ｘｂ、ｘｃ、ｘｄ}
上記は、一例を示すものであり、因子ｘの数、因子ｘ同士の組み合わせの適否、因子ｘの組の数などは、上記の例に限定されるものではない。

データ収集装置２は、上記の因子ｘの組と、因子ｘの組に関連する事象ｙとを関連付けて、関連付けた因子ｘの組と事象ｙとを組み合わせて組み合わせデータを形成する。データ収集装置２は、その組み合わせデータを要因解析装置１に供給する。

なお、収集データは、データ収集装置２において、因子ｘのみのデータと、事象yのみのデータとで別々に収集されてもよく、この場合、要因解析装置１は、データの取得された時刻、或いは因子ｘと事象ｙとが発生する状況等に応じて組み合わせデータを生成してもよい。

要因解析装置１の説明に戻る。プロセッサ２０は、ＲＯＭ４０またはストレージ装置５０に記憶されたプログラムを、必要に応じてＲＡＭ３０に展開して実行する。

ＲＡＭ３０は、プロセッサ２０が行う処理の結果等を一時的に記憶する。ＲＯＭ４０は、プロセッサ２０が実行するブートプログラム等を記憶する。ストレージ装置５０は、ＨＤＤ（Hard Disk Drive）、或いは、ＳＳＤ（Solid State Drive）やＳＤメモリーカード（登録商標）などのフラッシュメモリである。

表示インタフェース６０には、表示装置３が接続される。表示インタフェース６０は、プロセッサ２０が生成した画像情報を表示装置３に供給する。表示装置３は、ＬＣＤ（Liquid Crystal Display）や有機ＥＬ（Electroluminescence）表示装置などである。表示装置３は、表示インタフェース６０を介して供給された画像情報に基づく画像を表示する。

入力装置インタフェース７０には、入力装置４が接続される。入力装置４は、マウス等のポインティングデバイス、キーボード等を含む。また、入力装置４は、可搬型記憶装置が装着されるドライブ装置を含んでもよい。

図３は、実施形態における要因解析装置１の機能構成の一例を示す図である。要因解析装置１は、制御部１００と、記憶部２００とを含む。

記憶部２００は、ＲＡＭ３０、ＲＯＭ４０、またはストレージ装置５０のいずれかにより実現される。記憶部２００は、収集データ記憶部２１０と、抽出条件記憶部２２０と、集計データ記憶部２４０と、指標値記憶部２５０と、画像データ記憶部２６０とを含む。

制御部１００は、取得部１１０と、パターン抽出部１１２と、集計部１１４と、指標値算出部１１６と、画像生成部１１８と、表示制御部１２０とを含む。制御部１００が含む上記の各機能部は、プロセッサ２０がプログラムを実行することにより実現される。なお、制御部１００の機能部のうち一部または全部は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）等のハードウェア機能部であってもよい。

取得部１１０は、通信インタフェース１０を介して、データ収集装置２により収集され
た収集データを取得する。取得部１１０は、データ収集装置２から所得した収集データを収集データ記憶部２１０に書き込む。

図４は、収集データ記憶部２１０に記憶される収集データの一例を示す図である。収集データは、因子と事象の組み合わせを示す情報が、情報を識別する組ＩＤに対応付けられた情報である。

また、取得部１１０は、入力装置インタフェース７０を介して、入力装置４から、収集データからデータを抽出するための条件を指定する抽出条件情報などを取得して、取得した抽出条件情報を抽出条件記憶部２２０に書き込む。

パターン抽出部１１２は、収集データ記憶部２１０に格納された収集データ（組み合わせデータ）を読み出して、抽出条件記憶部２２０に格納された抽出条件情報に基づいて所定の抽出条件を満たす組み合わせデータを抽出し、その抽出結果を抽出データ２４１として集計データ記憶部２４０に書き込む。

例えば、パターン抽出部１１２は、収集データのうちから、発生数が少ない事象ｙを含む組み合わせデータを除外して、組み合わせデータを抽出する。以下、抽出されたデータを抽出データと称する。なお、パターン抽出部１１２は、抽出された結果に対し、特定の因子または事象、或いは、因子と事象の組み合わせがまとまるように並び替えを実施したり、組み合わせデータに含まれる因子の個数の順に並び替えを実施したりしてもよい。

図５は、抽出データ２４１の一例を示す図である。抽出データ２４１は、因子と事象の組み合わせを示す情報が、情報を識別する組ＩＤとに対応付けられた情報である。組ＩＤは、図４に示す収集データにおける組ＩＤと対応する。

集計部１１４は、集計データ記憶部２４０に格納された抽出データ２４１を読み出して、抽出データに含まれる組み合わせデータごとに集計処理を実施して、その結果を集計データ２４２として集計データ記憶部２４０に書き込む。集計部１１４は、更に、抽出データに基づいて信頼度を算出し、信頼度データ２４３として集計データ記憶部２４０に書き込む。

図６は、集計データ２４２の一例を示す図である。集計データ２４２は、因子と事象の組み合わせの発生数を示す情報が、組み合わせの種類を識別する組み合わせＩＤに対応付けられた情報である。因子と事象の組み合わせの発生数には、抽出データ２４１に含まれる組み合わせデータに対して集計部１１４が集計を行った結果が書き込まれる。

図７は、信頼度データ２４３の一例を示す図である。信頼度データ２４３は、因子と事象の組み合わせデータの信頼度が、組み合わせＩＤに対応付けられたデータである。信頼度は、例えば、抽出データ２４１において、ある組み合わせデータが発生した総数（α）と、その組み合わせデータに含まれる因子の全てを含み、事象については考慮せずにカウントしたデータの個数（β）との比（α／β）であってよいが、これに限定されるものではない。例えば、上記に代えて、抽出の対象にする取得データに含まれる組み合わせデータのうち共通する事象に対応する組み合わせデータの個数（α）と、取得データに含まれる組み合わせデータの総数（β）との比（α／β）から定めてもよい。このように信頼度を定めることで、因子の組だけが一致するデータ集合全体に対し、因子と事象の組が一致するデータ数がどの程度生じているかを数値化することができる。上記のように算出した比（α／β）を信頼度として定めることで、その信頼度に基づいて、パターン抽出部１１２は、集計部１１４による集計の対象にする組み合わせデータを抽出するようにしてもよい。

図８は、実施形態における要因解析装置１の処理の一例を示すフローチャートである。まず、取得部１１０が、通信インタフェース１０を介して収集データを収集し、収集データ記憶部２１０に書き込む（Ｓ１０）。

次に、パターン抽出部１１２は、Ｓ１０において収集データ記憶部２１０に格納された収集データを読み出して、抽出条件記憶部２２０に格納された抽出条件情報に基づく所定の抽出条件を満たす組み合わせデータを抽出する（Ｓ１２）。パターン抽出部１１２は、抽出した組み合わせデータを抽出データ２４１として集計データ記憶部２４０に書き込む。パターン抽出部１１２が解析の対象にする組み合わせデータを絞り込む具体的手法については後述する。

次に、集計部１１４は、組み合わせデータに対応する事象ｙの発生数ｎ（ｙ）を、Ｓ１２においてパターン抽出部１１２によって抽出された組み合わせデータに基づいて集計する（Ｓ１４）。集計部１１４は、組み合わせＩＤに関連付けて、その集計の結果を集計データ２４２として集計データ記憶部２４０に書き込む。

指標値算出部１１６は、組み合わせＩＤを用いて集計データ記憶部２４０に格納された集計データ２４２を参照し、事象ｙと因子ｘとの組み合わせに対する指標値を算出し（Ｓ１６）、算出した指標値を指標値記憶部２５０に書き込む。指標値を算出する処理の詳細については、後述する。

画像生成部１１８は、指標値記憶部２５０に格納された指標値に基づいて画像データを生成する（Ｓ１８）。画像生成部１１８は、集計データ２４２の特徴を視覚的に識別容易な画像を生成し、その画像の画像データを画像データ記憶部２６０に書き込む。

表示制御部１２０は、画像データ記憶部２６０に格納された画像データに基づいた画像を表示装置３に表示させるように、上記の画像データを供給する（Ｓ２０）。

図９は、実施形態における指標値算出処理の一例を示すフローチャートである。まず、指標値算出部１１６は、集計データ２４２に含まれる、全ての（あるいは対象範囲内の）組み合わせデータの発生数を取得する（Ｓ１６２）。次に、指標値算出部１１６は、複数の組み合わせデータ間に共通する因子と事象を含む複数の組み合わせデータのＳ１６２で得られた発生数から、事象ｙと因子ｘとの各組み合わせに対応する指標値を算出する（Ｓ１６４）。次に、指標値算出部１１６は、第２のステップで算出した指標値を、指標値記憶部２５０に書き込む（Ｓ１６６）。上記のように算出した指標値は、組み合わせデータの発生数に応じてその値が変化する。

なお、指標値算出部１１６は、指標値を算出するに当たり、解析対象に設定するデータを所定の条件に従って予め制限してもよい。

図１０は、ある抽出データ２４１として抽出された組み合わせデータに対して処理が行われた結果を示す図である。図１０の例では、抽出データ２４１に、組み合わせデータＰＴ１１、組み合わせデータＰＴ１２、及び、組み合わせデータＰＴ１３が含まれている。組み合わせデータＰＴ１１は、因子ｘｃと因子ｘｄの双方がそれぞれ発生し、その結果、事象ｙａが発生したパターンである。組み合わせデータＰＴ１２は、因子ｘｂと因子ｘｄの双方がそれぞれ発生し、その結果、事象ｙａが発生したパターンである。組み合わせデータＰＴ１３は、因子ｘａと因子ｘｄの双方がそれぞれ発生し、その結果、事象ｙａが発生したパターンである。指標値算出部１１６は、信頼度が所定値以上の組み合わせデータを解析対象に選択する。例えば、信頼度が１％以上の組み合わせデータを解析対象に選択する場合、指標値算出部１１６は、信頼度が１％未満の組み合わせデータＰＴ１３を除外する。なお、上記の信頼度の判定に用いる所定値の設定は任意であり、上記に限定されない。このように、信頼度を用いて組み合わせデータを選択することで、単に因子ｘと事象ｙの発生数の係数だけでは選択できなかった相関性の高い組み合わせデータを選択することが可能なる。

図１０の例では、集計部１１４により、組み合わせデータＰＴ１１の発生数ｎ（ＰＴ１１）が集計され、その結果が８００であり、信頼度が５％であったことを示している。なお、信頼度は、前述したように、抽出データ２４１のうちから、因子ｘｃと因子ｘｄの双方がそれぞれ発生したデータの総数を分母とし、組み合わせデータＰＴ１１の発生数ｎ（ＰＴ１１）を分子とした比率である。また、組み合わせデータＰＴ１２の発生数ｎ（ＰＴ１２）が１００であり、信頼度が２％であったことを示している。

本実施形態の指標値算出部１１６は、組み合わせデータ毎のパターン発生数に基づいて、因子ｘｉと事象ｙｊとの組み合せ毎の指標値を算出する。以下、これについて説明する。

本実施形態において、指標値とは、集計結果のデータにおいて、因子と事象を含む組み合わせデータの数を、因子と事象との組み合わせに対応付けて集計した値である。

例えば、組み合わせデータＰＴ１１と組み合わせデータＰＴ１２は、共通の事象ｙａと因子ｘｄを含む。この場合、指標値算出部１１６は、因子ｘｄと事象ｙａとを含むパターンＰＴ１１およびパターンＰＴ１２の発生数を合計して、因子ｘｄと事象ｙａとに対応する指標値を８００と決定する。また、例えば、因子ｘｃと事象ｙａの組み合わせは、組み合わせデータＰＴ１１にしか含まれない。この場合、因子ｘｃと事象ｙａとに対応する指標値を７００と決定する。なお、同図は一例を示すものであり、上記の例に限定されない。

図１１は、算出された指標値を格納する指標値記憶部２５０の一例を示す図である。指標値記憶部２５０は、例えば、二次元データのラベルとして因子ｘと事象ｙとを有し、各ラベルに対応する項目に指標値が格納される記憶領域である。

画像生成部１１８は、指標値記憶部２５０に格納された指標値を読み出して、画像データを生成する。画像生成部１１８は、上記の集計データ２４２の特徴を視覚的に識別容易な画像を生成し、その画像の画像データを画像データ記憶部２６０に書き込む。上記の画像には、数値データである上記の指標値から作成した各種グラフ、レーダーチャート、ヒートマップなどが含まれる。

図１２は、画像生成部１１８が生成する画像の一例を説明するための図である。この図の例では、ヒートマップが表示されるものとする。画像生成部１１８は、画像データ記憶部２６０における、因子ｘと事象ｙとの組み合わせに対応した各項の値を、その値に応じた明るさまたは色を示す画像データに変換する。

図１２に示すように、画像生成部１１８は、データラベルとして、因子ｘと事象ｙとを含むクロステーブルに、指標値に基づくヒートマップとしての画像情報を付加して、同図に示す画像を生成する。同図に示す画像は、例えば、５００と１０００を閾値にして各欄の値が判定され、クロステーブルの各欄の画像の明るさが３階調になるように生成されたものである。閾値の数、値は任意であり、これに限定されるものではない。

同図に示す画像は、例えば、指標値が大きいほど暗くなり、小さいほど明るくなるように生成される。また、同図に示す画像は、指標値が大きいほど色彩が赤（または青）に近くなり、小さいほど青（赤）に近くなるように生成されてもよい。また、画像生成部１１８は、複数の閾値を用いて各欄の値を判定し、階調表示する画像を生成してもよい。画像生成部１１８は、階調分けされた結果にばらつきが少なくなるような閾値を選択してもよい。

表示制御部１２０は、画像データ記憶部２６０に格納された画像データを読み出して、画像データに基づいた画像を表示装置３に表示させるように、上記の画像データを表示インタフェース６０から供給する。表示装置３は、表示インタフェース６０を介して供給された画像を表示する。

上記の実施形態の要因解析装置１によれば、事象と、事象の要因となる一または複数の因子が対応付けられた組合せデータから、組み合わせデータの発生に応じて抽出を行い、組み合わせデータに含まれる事象と因子との組合せに基づいて、事象の発生数を集計し、集計結果に基づいて、事象と因子との組み合せに対応し、事象と因子との組み合わせの発生数に応じて変化する指標値を算出することにより、複数の因子が組み合わさって生じる事象の要因を、より正確に解析することができる。

また、要因解析装置１によれば、パターン発生数の集計を行い結果と因子のクロステーブルを作成してヒートマップとして表示する。これによりどの因子ｘが事象ｙの主要因になっているかを一見して見つけることが可能になる。

ここで、比較対象の技術との比較について説明する。例えば、各結果に至った時系列で発生した様々な因子の件数を可視化する技術が存在する。この場合、単純な件数の可視化では本来結果と相関のない因子が多く発生すると強調された表示になる。特に、事象ｙに関連しない因子が常に多く発生するものは本来強調して表示されるべきものではない。このような技術では、このような本来強調して表示されるべきものではない因子（ノイズ）により本来強調して表示されるべき因子が埋もれてしまうことがあった。

その他にも、事前に事象と因子の相関分析を行い、事象と相関のない因子を除外しておく技術が存在する。この場合、単独の因子だけでは事象に至らないが複数の因子の組み合わせで初めて事象に至るような因子は除外されてしまう。また、結果や因子の数が増えると膨大な組み合わせデータが抽出される。そのため、結果を単にリスト化して示すだけでは、その結果を容易に判読できないことがある。

これに対し、実施形態の要因解析装置１であれば、上記の比較例の課題も解決することができる。すなわち、複数の因子が組み合わさって生じる事象の要因を、より正確に解析することができる。更に、実施形態の要因解析装置１では、因子の組み合わせデータの羅列ではなく、因子と結果のヒートマップという単純な形で可視化しているため、各結果についてどの因子が最も寄与しているのかを一見して把握することが可能になる。

（パターン抽出について）
要因解析装置１は、処理の負荷を軽減させることなどを目的として、収集データの一部を解析対象から除いて、所望の解析処理を実行してもよい。例えば、パターン抽出部１１２は、目的に応じて設定された一または複数種類の抽出条件情報を参照してパターン抽出処理を実施することにより、所望の組み合わせデータを要因解析処理の対象にするとともに、要因解析処理の実行に影響を与えるような組み合わせデータを要因解析処理の対象から削除する。制御部１００の各機能部が上記のように要因解析処理の対象を調整することにより、要因解析装置１は、所望の解析処理を実行することができる。

例えば、要因解析装置１は、抽出条件情報として、解析の対象にする組み合わせデータを予め設定しておくことより、収集データに含まれる組み合わせデータの抽出を実施してもよい。これにより、要因解析装置１は、複数の因子と事象が組み合わさっている組み合わせデータが含まれる収集データからも、所望の組み合わせデータを抽出することが容易になり、複数の因子が組み合わさって生じる事象の要因を、より正確に解析することができる。

（第２の実施形態）
以下、第２の実施形態について説明する。第２の実施形態は、指標値算出部１１６が指標値を算出する手法において、第１の実施形態と相違する。以下、この相違点を中心に説明する。

第２の実施形態における指標値算出部１１６は、図８に示す処理に代えて、図１３に示す処理を実施する。図１３は、第２の実施形態に係る要因解析装置１において実行される処理の一例を示すフローチャートである。以下、図８に示す処理と異なる点を中心に説明する。Ｓ１４の処理を終えた後、集計部１１４は、Ｓ１２において抽出された抽出データ２４１に基づいて、共通する因子ｘを含む組み合わせデータの発生数を、その共通する因子ｘに対応させて集計し（Ｓ１４Ａ）、組み合わせＩＤを付与して集計データ２４２として集計データ記憶部２４０に書き込む。

次に、集計部１１４は、Ｓ１４Ａにおいて算出した互いに共通する因子を含む組み合わせデータの発生数と、Ｓ１４において算出した共通する因子と事象とを含む組み合わせデータの発生数とに基づいて、共通する因子と事象とを含む組み合わせデータごとの信頼度を算出し（Ｓ１６Ａ）、組み合わせＩＤを付与して信頼度データ２４３として集計データ記憶部２４０に書き込む。

次に、指標値算出部１１６は、互いに異なる因子を含む複数の組み合わせデータの信頼度に基づいて指標値を算出する（Ｓ１７Ａ）。

図１４は、実施形態における指標値算出処理の一例を示すフローチャートである。まず、指標値算出部１１６は、信頼度データ２４３から、組み合わせＩＤをキーにして組み合わせデータ毎の事象ｙと因子ｘとの組み合わせの信頼度を取得する（Ｓ２６２）。次に、指標値算出部１１６は、複数の組み合わせデータ間に共通する因子と事象を含む組み合わせデータが存在するか否かを算出条件にして、Ｓ２６２で得られた信頼度から、事象ｙと因子ｘとの各組み合わせに対応する指標値を算出する（Ｓ２６４）。次に、指標値算出部１１６は、Ｓ２６４において算出した指標値を、指標値記憶部２５０に書き込む（Ｓ２６６）。

例えば、指標値算出部１１６は、共通の事象を有し、互いに異なる少なくとも１つの因子を含む組み合わせデータのうちで、それらの組み合わせデータの信頼度の最大値を指標値として決定する。なお、上記の最大値は一例を示すものであり、これに限定されない。

次に、要因解析装置１は、Ｓ１８以降の処理を実行して、上記の指標値に基づいた画像データを生成する。

図１５は、ある抽出データ２４１に抽出された組み合わせデータに対して処理が行われた結果を示す図である。図１５の例では、抽出データ２４１に、組み合わせデータＰＴ２１と、組み合わせデータＰＴ２２とが含まれている。組み合わせデータＰＴ２１は、因子ｘｃと因子ｘｄの双方がそれぞれ発生し、その結果、事象ｙａが発生したパターンである。組み合わせデータＰＴ２２は、因子ｘｂと因子ｘｄの双方がそれぞれ発生し、その結果、事象ｙａが発生したパターンである。

図１５の例では、集計部１１４により、組み合わせデータＰＴ２１の発生数ｎ（ＰＴ２１）が集計され、その結果が７００であり、信頼度が７０％であったことを示している。また、組み合わせデータＰＴ２２の発生数ｎ（ＰＴ２２）が１００であり、信頼度が８０％であったことを示している。

上記のように、集計部１１４により、組み合わせデータ毎にパターン発生数と信頼度が集計される。なお、同図は一例を示すものであり、上記の例に限定されない。

本実施形態の指標値算出部１１６は、組み合わせデータ毎の信頼度に基づいて、因子ｘｉと事象ｙｊとの組み合せ毎の指標値を算出する。以下、これについて説明する。

組み合わせデータＰＴ２１と、組み合わせデータＰＴ２２は、事象Ｙａと因子ｘｄが互いに共通し、少なくとも因子ｘｂと因子ｘｃが互いに異なる因子になる。図１５の例では、組み合わせデータＰＴ２１と、組み合わせデータＰＴ２２は、共通の事象Ｙａと１つの共通の因子ｘｄとを有し、互いに異なる少なくとも一つの因子を含む。このような場合、指標値算出部１１６は、組み合わせデータＰＴ２１の信頼度と、組み合わせデータＰＴ２２の信頼度とのうちの最大値を、それらの組み合わせデータに共通する事象に対応する信頼度の推定値として選択し、事象Ｙａと因子ｘｄに対応する指標値として決定する。図１５に示す場合、組み合わせデータＰＴ２２の信頼度８０％が最も大きく、指標値算出部１１６は、その値を選択する。

本実施形態の指標値算出部１１６は、上記のように、組み合わせデータ毎に、組み合わせデータの信頼度に基づいて、因子ｘと事象ｙとの組み合せ毎の指標値を算出する。指標値算出部１１６は、集計部１１４による集計結果である信頼度データ２４３に基づいて、事象ｙと因子ｘとの組み合わせに対応し、事象ｙと因子ｘとの組み合わせの発生数に応じて変化する信頼度から指標値を算出する。

指標値算出部１１６は、因子ｘと事象ｙとの組み合せ毎の指標値に基づいてクロステーブルを生成する。そして、本実施形態の要因解析装置１は、前述の第１の実施形態の場合と同様にヒートマップなどを表示する。

以上に説明した、第２の実施形態によれば、指標値算出部１１６は、組み合わせデータに基づいて、互いに共通する因子の組み合わせをそれぞれ含む組み合わせデータの総数と、因子の組み合わせをそれぞれ含む組み合わせデータであって、互いに共通する事象を含む組み合わせデータの個数とに基づいて、信頼度を算出することによって、要因解析装置１は、信頼度に基づいた画像データを生成することができる。

第２の実施形態によれば、上記の第１の実施形態と同様の効果を奏するものに加え、収集データから抽出した組み合わせデータの信頼度を容易に判別可能な画像を生成することができる。

なお、上記の説明において、複数の組み合わせデータに共通する事象に対応する信頼度の推定値として、その事象に対応する信頼度の最大値を用いた要因解析の方法を例示したが、これに代えて、その事象に対応する信頼度の平均値、または、信頼度の合計値等に変更してもよい。

（第３の実施形態）
以下、第３の実施形態について説明する。第３の実施形態は、指標値算出部１１６が指標値を算出する手法において、第１の実施形態と相違する。以下、この相違点を中心に説明する。

本実施形態における指標値は、下記のように算出する。

第３の実施形態における要因解析装置１は、図８に示す処理に代えて、図１６に示す処理を実施する。
図１６は、実施形態における要因解析装置１の処理の一例を示すフローチャートである。以下、図８に示す処理と異なる点を中心に説明する。
Ｓ１４の処理を終えた後、集計部１１４は、Ｓ１２において抽出された抽出データ２４１に基づいて、互いに共通する因子ｘを含む組み合わせデータの発生数を、その共通する因子ｘに対応させて集計し（Ｓ１４Ｂ）、組み合わせＩＤを付与して集計データ２４２として集計データ記憶部２４０に書き込む。

次に、集計部１１４は、Ｓ１４Ｂにおいて算出した互いに共通する因子ｘを含む組み合わせデータの発生数と、Ｓ１４において算出した共通する因子ｘと事象ｙとを含む組み合わせデータの発生数とに基づいて共通する因子と事象とを含む組み合わせデータごとの信頼度を算出し（Ｓ１６Ｂ）、組み合わせＩＤを付与して信頼度データ２４３として集計データ記憶部２４０に書き込む。

次に、指標値算出部１１６は、事象ｙと因子ｘとの組み合わせの発生数に応じて変化する指標値を、Ｓ１４において算出した組み合わせデータの発生数とＳ１６Ｂにおいて算出した信頼度との積に基づいて算出する（Ｓ１７Ｂ）。例えば、指標値算出部１１６は、組み合わせデータ毎に、組み合わせＩＤに対応するＳ１４において算出した組み合わせデータの発生数と、同じ組み合わせＩＤに対応するＳ１６Ｂにおいて算出した信頼度との積を算出する。互いに異なる組み合わせＩＤが附された対象とする組み合わせデータに、共通する事象ｙと因子ｘを含むものがある場合には、指標値算出部１１６は、それらの組み合わせデータの積を合計して指標値に設定する。互いに異なる組み合わせＩＤが附された対象とする組み合わせデータに、共通する事象ｙと因子ｘを含むものがない場合には、指標値算出部１１６は、組み合わせデータ毎の積の値を指標値に設定する。上記のように、指標値算出部１１６は、組み合わせデータ毎の積に基づく値を指標値に設定する。

要因解析装置１は、上記のように算出した指標値に基づいた画像データを生成する。

図１７は、ある抽出データ２４１として抽出された組み合わせデータに対して処理が行われた結果を示す図である。図１７の例では、抽出データ２４１に、組み合わせデータＰＴ３１と、組み合わせデータＰＴ３２とが含まれた場合を示している。
組み合わせデータＰＴ３１は、因子ｘｃと因子ｘｄの双方がそれぞれ発生し、その結果、事象ｙａが発生したパターンである。組み合わせデータＰＴ３２は、因子ｘｂと因子ｘｄの双方がそれぞれ発生し、その結果、事象ｙａが発生したパターンである。
図１７の例では、集計部１１４により、組み合わせデータＰＴ３１の発生数ｎ（ＰＴ３１）が集計され、その結果が５００であることを示している。

なお、因子ｘｃと因子ｘｄの双方がそれぞれ発生した場合に対する、組み合わせデータＰＴ３１の発生数ｎ（ＰＴ３１）を比率で示した信頼度が１０％である。指標値算出部１１６は、上記の組み合わせデータの発生数５００と信頼度１０％を乗算して積（５０）を得る。
また、組み合わせデータＰＴ３２の発生数ｎ（ＰＴ３２）が１００であることを示す。組み合わせデータＰＴ３２のデータの信頼度を、組み合わせデータＰＴ３１と同様に算出した結果、２０％である。指標値算出部１１６は、上記の組み合わせデータの発生数１００と信頼度２０％を乗算して積（２０）を得る。

上記のように、集計部１１４により、組み合わせデータ毎に、組み合わせデータ発生数と信頼度が集計される。

次に、組み合わせデータ毎のパターン発生数と信頼度の集計結果に着目する。組み合わせデータＰＴ３１と、組み合わせデータＰＴ３２は、事象Ｙａと因子ｘｄが互いに共通している。この場合、指標値算出部１１６は、それらの各組み合わせデータの積を合計して指標値に設定する。要するに、指標値算出部１１６は、組み合わせデータＰＴ３１の積５０と、組み合わせデータＰＴ３２の積２０との合計値７０を指標値に設定する。

本実施形態の指標値算出部１１６は、上記のように、組み合わせデータ毎に算出した組み合わせデータの発生数と信頼度との積に基づく値を、因子ｘと事象ｙとの組み合せに対する指標値として算出する。指標値算出部１１６は、因子ｘと事象ｙとの組み合せ毎の指標値に基づいてクロステーブルを生成する。
クロステーブルの事象Ｙａと因子ｘｄに対応する欄の値は上記のとおりであるが、指標値算出部１１６は、他の欄も同様の方法で値を決定する。

上記のようにして、本実施形態の要因解析装置１は、前述の第１の実施形態の場合と同様にヒートマップなどを表示する。

以上に説明した、第３の実施形態によれば、指標値算出部１１６は、事象ｙと因子ｘとの組み合わせの発生数に応じて変化する信頼度と、互いに共通する事象ｙを含む組み合わせデータの発生数との積に基づく値を、事象ｙと因子ｘとの組み合わせに対する指標値として算出することによって、要因解析装置１は、抽出データにおける組み合わせデータの発生数と信頼度に基づいた画像データを生成することができる。

第３の実施形態によれば、上記の第１の実施形態と同様の効果を奏するものに加え、抽出データにおける組み合わせデータの発生数と信頼度に基づいて、事象のｙの要因を容易に解析可能な画像を生成することができる。

なお、第３の実施形態の要因解析装置１は、上記の演算を、式（２）に示すように実施してもよい。

（因子ｘと事象ｙの組み合わせデータの発生数）ｘ（信頼度）
＝（因子ｘと事象ｙの組み合わせデータの発生数）^２／（因子ｘの組み合わせを含むパターンの発生数） …（２）

上記の式（２）によれば、因子ｘと事象ｙの組み合わせデータの発生数の自乗値（べき乗値）を含む項を分子に持つことにより、発生数を１次で扱う場合に比べて、発生数が多くなるほどより大きな値をとる指標値に設定することができる。なお、上記の式（２）に示す演算では、自乗の演算を例示したが、更に高次のべき乗の演算を含めてもよい。

なお、上記の第１の実施形態から第３の実施形態に例示した要因解析装置１は、処理の負荷を軽減させることなどを目的として、収集データの一部を解析対象から除いて、所望の解析処理を実行してもよい。例えば、制御部１００の機能部は、下記に示す少なくとも何れかの方法による処理を実行してもよい。

（１）学習データに基づいて組み合わせデータが発生する傾向を予測する予測モデルに基づいて、生成される組み合わせデータを用いて事象のパターンを絞り込む方法。
将来発生する事象が、過去に発生した事象と同様の要因に関連するものと仮定することにより、その事象と要因の関連性をモデル（予測モデル）として規定できる。パターン抽出部１１２が予測モデルを用いて所望の組み合わせデータを抽出することで、要因解析装置１は、組み合わせデータの個数を絞って要因を解析することができる。

（２）発生数が比較的多い特定の事象を、解析の対象から削除する方法。
解析の対象としない事象の発生数が、解析の対象の事象の発生数より多くなると、要因の解析が困難になる場合がある。このような場合にパターン抽出部１１２は、比較的発生数が多い特定の事象を、解析の対象から削除する。例えば、解析の対象か否かを決定する判定閾値が、解析の対象として設定する事象の発生数より大きな値に設定され、抽出条件記憶部２２０は、その判定閾値を上記の抽出処理を実施するための抽出条件として書き込まれる。

（３）組み合わせデータの発生率（信頼度）が比較的低い組み合わせデータを、解析の対象から削除する方法。
組み合わせデータとして検出されていても、因子の組み合わせが発生した回数に対して、事象が発生した回数が比較的少ない場合がある。組み合わせデータの発生率のことを、以下の説明では信頼度という。このような場合にパターン抽出部１１２は、信頼度が低い組み合わせデータを、解析の対象から削除する。信頼度の算出方法は後述する。

（４）因子の発生数より発生数が著しく少ない事象を解析の対象とする場合、発生数が事象の発生数より著しく多く発生する因子を解析の対象から削除する方法。
因子の発生数より発生数が著しく少ない事象は、その因子が事象の要因ではないと推定できる場合がある。このような場合にパターン抽出部１１２は、因子の発生数より発生数が著しく少ない事象の組み合わせを、解析の対象から削除する。

（５）因子が発生した時刻と事象が発生した時刻との時間差が所定値以上になる組み合わせデータを削除する方法。
要因となり得る因子が発生した時刻が、事象に関連しない範囲で生じていると判定できる場合、パターン抽出部１１２は、当該組み合わせデータを解析の対象から削除する。

なお、第１の実施形態から第３の実施形態において、要因解析装置１は、パターン抽出を行わないものとしてもよい。すなわち、第１の実施形態から第３の実施形態では、パターン抽出部１１２によって抽出された組み合わせデータの発生数に基づいて、信頼度と指標値を算出する事例を例示したが、収集データに含まれる組み合わせデータの発生数に基づいて、信頼度と指標値の少なくとも一方を算出してもよい。

（第４の実施形態）
以下、第４の実施形態について説明する。第４の実施形態において、要因解析装置１Ａが、抽出条件情報を生成する場合について説明する。例えば、第１〜３の実施形態において、要因解析装置１が抽出条件情報を取得する場合を示したが、これに代えて、第４の実施形態の要因解析装置１Ａは、過去に取得した収集データに基づいて事象と因子の相関を分析し、その結果を抽出条件とする抽出条件情報を生成し、生成した抽出条件情報に基づいて要因分析処理を実行する。以下、この点を中心に説明する。

図１８は、実施形態における要因解析装置１Ａの一部の構成の一例を示す図である。要因解析装置１Ａは、制御部１００Ａと、記憶部２００Ａとを含む。前述の要因解析装置１との相違点を中心に説明する。

記憶部２００Ａは、収集データ記憶部２１０と、抽出条件記憶部２２０と、集計データ記憶部２４０と、指標値記憶部２５０と、画像データ記憶部２６０と、履歴データ記憶部２７０とを含む。

履歴データ記憶部２７０は、集計データ記憶部２４０と同様の構成を有し、過去に要因解析した結果の集計データが書き込まれる。

制御部１００Ａは、取得部１１０と、パターン抽出部１１２と、集計部１１４と、指標値算出部１１６と、画像生成部１１８と、表示制御部１２０と、抽出条件生成部１３０と、を含む。

抽出条件生成部１３０は、過去に要因解析した結果に基づいた抽出条件情報を生成して、抽出条件記憶部２２０に記憶させる。抽出条件生成部１３０は、過去に要因解析をした結果、事象ｙと因子ｘの相関性があると判定された組み合わせデータを含めた抽出条件情報を生成してもよく、これに限定されない。

抽出条件生成部１３０は、抽出条件情報を生成する学習モードと、生成した抽出条件情報を用いて、事象の要因を解析する要因解析モードとの実行を制御する。学習モードと要因解析モードの詳細は後述する。

図１９は、実施形態における要因解析装置１Ａの処理の一例を示すフローチャートである。

まず、抽出条件生成部１３０は、動作モードの判定を実施して（Ｓ５）、学習モードと判定された場合、因子ｘと事象ｙとの相関性を解析する処理として、抽出条件情報を生成するためのＳ１０からＳ３０の処理を実施する。Ｓ１０からＳ１６Ａの各処理において、要因解析装置１Ａは、前述の第２の実施形態の要因解析装置１Ａと同様の処理を実施する。

次に、抽出条件生成部１３０は、集計データ記憶部２４０の各データを履歴データ記憶部２７０に転記する。
抽出条件生成部１３０は、信頼度データ２４３に対応するデータとして、履歴データ記憶部２７０に格納されたデータに基づいて、信頼度が最も高い組み合わせデータを選択する。抽出条件生成部１３０は、選択した組み合わせデータを抽出条件情報として、抽出条件記憶部２２０に書き込む（Ｓ３０）。

なお、上記の説明において、抽出条件生成部１３０は、信頼度が最も高い組み合わせデータを選択するものと説明したが、これに代えて、選択する組み合わせデータの個数を、一または複数の組み合わせデータにしてもよい。例えば、複数の組み合わせデータを抽出する一例として、その事象に対応する信頼度の平均値などの所定の値を超える信頼度を示すもの、信頼度が高いものから順に所定数を選択したもの等が挙げられる。

一方、Ｓ５において、要因解析モードと判定された場合、抽出条件生成部１３０は、新たな収集データに基づいた要因解析処理を実施して、その解析結果の可視化処理を実行させる（Ｓ４０）。

以下、Ｓ４０として実施する要因解析モードの処理の一例について説明する。以下に示す例の場合、データ収集装置２は、要因解析モードの処理のための新たな収集データとして、上述した因子ｘの組み合わせを示す情報を含む組み合わせデータを形成する。データ収集装置２は、その組み合わせデータを要因解析装置１Ａに供給する。

図１８を参照し、要因解析モードの処理を実施するための要因解析装置１Ａの構成について説明する。記憶部２００Ａは、さらに収集データ記憶部２１０Ａと、集計データ２４２Ａとを含む。制御部１００Ａは、さらに取得部１１０Ａと、集計部１１４Ａとを含む。以下、前述の制御部１００と記憶部２００との相違点を中心に説明する。

取得部１１０Ａは、因子ｘの組み合わせを示す情報を含む組み合わせデータを、取得データとしてデータ収集装置２から取得して、収集データ記憶部２１０Ａに書き込む。

図２０は、収集データ記憶部２１０Ａに記憶される収集データの一例を示す図である。収集データは、因子の組み合わせを示す情報が、情報を識別する組ＩＤに対応付けられた情報である。

集計部１１４Ａは、収集データ記憶部２１０Ａに格納された収集データを読み出して、
抽出条件記憶部２２０において抽出条件情報として格納された組み合わせデータごとに集計処理を実施し、その結果を集計データ２４２として集計データ記憶部２４０Ａに書き込む。集計部１１４Ａは、上記の集計により、収集データ記憶部２１０Ａに格納された収集データにおいて、抽出条件情報における各組み合わせデータに含まれる因子ｘの全てを含み、事象ｙについては考慮せずにカウントしたデータの個数を、組み合わせデータごとに集計した結果を得る。

図２１は、集計データ２４２Ａの一例を示す図である。集計データ２４２Ａは、因子の組み合わせの発生数を示す情報が、組み合わせの種類を識別する組み合わせＩＤに対応付けられた情報である。因子の組み合わせの発生数には、収集データ記憶部２１０に格納された収集データに含まれる組み合わせデータに対して集計部１１４Ａが集計を行った結果が書き込まれる。

図２２は、実施形態における要因解析装置１Ａが実施する要因解析モードの処理の一例を示すフローチャートである。図８との相違点を中心に説明する。まず、取得部１１０が、通信インタフェース１０を介して収集データを収集し、収集データ記憶部２１０に書き込む（Ｓ１０Ｃ）。

次に、集計部１１４Ａは、組み合わせデータに対応する因子ｘの組み合わせの発生数を、Ｓ１０において取得部１１０により収集された取得データに基づいて集計する（Ｓ１４Ｃ）。集計部１１４Ａは、組み合わせＩＤに関連付けて、その集計の結果を集計データ２４２として集計データ記憶部２４０に書き込む。

次に、指標値算出部１１６は、組み合わせＩＤを用いて集計データ記憶部２４０に格納された集計データ２４２を参照し、事象ｙと因子ｘとの組み合わせに対する指標値を算出し（Ｓ１６）、算出した指標値を指標値記憶部２５０に書き込む。例えば、指標値の算出は、前述の図９、図１０等に示す例のように、パターン発生数を集計する。次に、画像生成部１１８は、指標値記憶部２５０に格納された指標値に基づいて画像データを生成し（Ｓ１８）、その画像データを供給する（Ｓ２０）。

上記の実施形態の要因解析装置１Ａによれば、事象と、事象の要因となる一または複数の因子が対応付けられた組合せデータから、組み合わせデータの発生に応じて抽出を行い、抽出条件を生成する。要因解析装置１Ａは、組み合わせデータに含まれる事象と因子との組合せに基づいて、因子の組み合わせの発生数を集計し、集計結果に基づいて、事象と因子との組み合せに対応し、事象と因子との組み合わせの発生数に応じて変化する指標値を算出することにより、複数の因子が組み合わさって生じる事象の要因を、より正確に解析することができる。

上記の実施形態の要因解析装置１Ａによれば、抽出条件生成部１３０は、過去に取得した収集データの要因解析をした結果から、事象ｙと因子ｘの相関性があると判定された特定の組み合わせデータを抽出対象の組み合わせデータに含めるように、抽出条件情報を生成できる。このような抽出条件情報に基づいて抽出処理を実行することにより、要因解析装置１Ａは、過去に検出された組み合わせデータに含まれる因子の組に合わせを抽出条件から漏らすことが無くなる。これにより、要因解析装置１Ａは抽出処理の効率化と、抽出処理の信頼度を高めることができる。

なお、抽出条件生成部１３０が生成する抽出条件情報に含める組み合わせデータは、複数であってもよい。抽出条件生成部１３０は、複数ある組み合わせデータから所望の組み合わせデータが優先的に選択されるように、組み合わせデータの優先度を設定してもよい。

以上に説明した、第４の実施形態によれば、抽出条件生成部１３０が抽出条件情報を生成することによって、要因解析装置１Ａは、過去の収集データから抽出された組み合わせデータに基づいた、組み合わせデータの抽出処理を実行できる。

第４の実施形態によれば、上記の第１の実施形態と同様の効果を奏するものに加え、過去の収集データから抽出された組み合わせデータを漏らすことなく、新たに収集される収集データにおける当該組み合わせデータの要因解析に利用することができ、組み合わせデータの信頼度を容易に判別可能な画像を生成することができる。

（第４の実施形態の第１の変形例）
第４の実施形態の第１の変形例について説明する。第１の変形例では、図２２に示す処理、すなわちＳ４０として実施する要因解析モードの処理に代えて、図８、図１３、または、図１６のＳ１０からＳ２０の処理を含めて実施してもよく、これに限定されない。

第４の実施形態の第１の変形例によれば、上記の第４の実施形態と同様の効果を奏するものに加え、要因解析モードの処理の対象を、事象と因子の組み合わせデータを対象にすることができる。

（第４の実施形態の第２の変形例）
第４の実施形態の第２の変形例について説明する。Ｓ４０の処理において、データ収集装置２は、因子ｘの組を示す組み合わせデータを形成するものと説明したが、これに代えて、第２の変形例では、因子ｘの組を示すデータを形成せずに、個々の因子ｘのデータを要因解析装置１Ａに供給するものとしてもよい。この場合、例えば、要因解析装置１Ａ（取得部１０Ｃ）は、抽出条件記憶部２２０に格納された組み合わせデータに基づいて、データ収集装置２から取得したデータを、因子ｘの組を示すデータに変換して、取得データ記憶部２１０に書き込むようにしてもよい。

第４の実施形態の第２の変形例によれば、上記の第４の実施形態と同様の効果を奏するものに加え、取得データが因子ｘの組を形成しない個々の因子ｘのデータに対しても、要因解析を実施することができる。

以上説明した少なくともひとつの実施形態によれば、事象と、事象の要因となる一または複数の因子が対応付けられた組合せデータから、組み合わせデータの発生に応じて抽出を行うパターン抽出部１１２と、組み合わせデータに含まれる事象と因子との組合せに基づいて、事象の発生数または前記複数の因子の組み合わせの発生数を集計する集計部１１４と、集計部による集計結果に基づいて、事象と因子との組み合せに対応し、事象と因子との組み合わせの発生数に応じて変化する指標値を算出する指標値算出部１１６と、事象と因子との組み合せごとに算出部により算出された指標値を示す画像が、事象と因子との組み合せに対応付けられた画像を生成する画像生成部１１８とを持つことにより、複数の因子が組み合わさって生じる事象の要因を、より正確に解析することができる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

例えば、パターン抽出部１１２は、共通する事象ｙに対応する組み合わせデータの発生数に代えて、組み合わせデータの発生量を示す特定のデータの個数、信頼度、発生頻度、密度比、共通する事象ｙに対応する組み合わせデータの個数と組み合わせデータの総数の比の何れかに基づいて組み合わせデータを抽出するようにしてもよい。共通する事象ｙに対応する組み合わせデータの個数と組み合わせデータの総数の比とは、例えば、抽出の対象にするデータに含まれる組み合わせデータのうち共通する事象に対応する組み合わせデータの個数と、データに含まれる組み合わせデータの総数との比のことである。

なお、パターン抽出部１１２は、組み合わせた因子ｘの組み合わせの順により事象ｙの発生状況が異なる場合には、異なる組み合わせデータとして抽出してもよい。これにより、実施形態の要因解析装置１は、因子ｘの組み合わせの順が異なる場合を分けて解析することができる。

なお、パターン抽出部１１２または集計部１１４は、組み合わせデータが抽出される前の組み合わせデータにおける事象の発生数を集計してもよい。例えば、パターン抽出部１１２または集計部１１４は、組み合わせデータが抽出される前の組み合わせデータとして、取得データに含まれる組み合わせデータにしてもよい。パターン抽出部１１２または集計部１１４は、その取得データにおける事象の発生数を集計し、集計データ記憶部２４０の集計データ２４２にする。このように構成することにより、抽出前のデータに含まれていた組み合わせデータにおける事象の発生状況を取得することが可能になり、要因解析装置１は、抽出前の組み合わせデータにおける事象の発生数に基づいて解析した結果を可視化させることができる。

なお、パターン抽出部１１２は、組み合わせデータの発生量を示す特定のデータとして、共通する因子ｘの組み合わせを含むデータを適用してもよい。

なお、実施形態の要因解析装置１が解析対象に設定する収集データには、対象となるデータの用途に応じて、時刻情報を含む時系列情報、位置を示す位置情報、他のデータとの論理的な関係を示す論理情報などの情報が含まれていてもよい。

また、例えば、実施形態の要因解析装置１は、上記の製造ラインにおける事象の要因解析の他に、稼働中の製品の状態管理における結果事象の要因解析、ネットショッピングにおける商品選択の経過分析等に適用されてもよく、用途に応じた要因解析処理を実行してもよい。実施形態と異なる用途の一例を示すが、これに限定されない。例えば、要因解析装置１は、稼働中の製品の状態管理における結果事象の要因解析を実施する場合に、稼働中に発生したイベントを因子とし、イベントに関連して発生する結果を事象としてもよい。また、要因解析装置１は、ネットショッピングなどでユーザの好みなどを解析する場合に、商品購入時に候補にした商品を因子とし、最終的に選択した商品を事象としてもよい。

１、１Ａ…要因解析装置、１００、１００Ａ…制御部、１１０…取得部、１１２…パターン抽出部、１１４、１１４Ａ…集計部、１１６…指標値算出部、１１８…画像生成部、１２０…表示制御部、１３０…抽出条件生成部、２００、２００Ａ…記憶部

Claims (14)

1. 事象と、前記事象の要因となる一または複数の因子とが対応付けられたデータから、前記事象の発生に応じて組み合わせデータの抽出を行う抽出部と、
   前記組み合わせデータに含まれる前記事象と因子との組合せに基づいて、前記事象の発生数または前記複数の因子の組み合わせの発生数を集計する集計部と、
   前記集計部による集計結果に基づいて、前記事象と前記因子との組み合わせに対応し、前記事象と前記因子との組み合わせの発生数に応じて変化する指標値を算出する算出部と、
   前記事象と前記因子との組み合わせごとに前記算出部により算出された指標値を示す画像が、前記事象と前記因子との組み合わせに対応付けられた画像を生成する生成部と、
   を備える要因解析装置。
2. 前記算出部は、
   前記事象と前記因子との組み合わせに対する指標値として、前記事象と前記因子との組み合わせの発生数を算出する、
   請求項１記載の要因解析装置。
3. 前記集計部は、
   前記組み合わせデータを参照し、
   互いに共通する因子の組み合わせをそれぞれ含む組み合わせデータの個数と、前記互いに共通する因子の組み合わせをそれぞれ含む組み合わせデータのうち、互いに共通する事象を含む組み合わせデータの個数とに基づいて、前記因子の組み合わせと前記事象の組み合わせの信頼度を算出し、
   前記算出部は、
   前記算出した信頼度に基づいて前記指標値を算出する、
   請求項１記載の要因解析装置。
4. 前記集計部は、
   互いに共通する因子の組み合わせをそれぞれ含む組み合わせデータの個数と、前記互いに共通する因子の組み合わせをそれぞれ含む組み合わせデータのうち、互いに共通する事象を含む組み合わせデータの個数とに基づいて、前記因子の組み合わせと前記事象の組み合わせの信頼度を算出し、
   前記算出部は、
   少なくとも前記事象が共通する前記組み合わせデータから算出された複数の前記信頼度に基づいて算出した値を、前記事象と前記因子との組み合わせに対する指標値として算出する、
   請求項１記載の要因解析装置。
5. 前記集計部は、
   互いに共通する因子の組み合わせをそれぞれ含む組み合わせデータの個数と、前記互いに共通する因子の組み合わせをそれぞれ含む組み合わせデータのうち、互いに共通する事象を含む組み合わせデータの個数とに基づいて、前記因子の組み合わせと前記事象の組み合わせの信頼度を算出し、
   前記算出部は、
   前記互いに共通する事象を含む組み合わせデータの個数に基づいて算出された信頼度と、前記互いに共通する事象を含む組み合わせデータの個数との積に基づく値を、前記事象と前記因子との組み合わせに対する指標値として算出する、
   請求項１記載の要因解析装置。
6. 前記算出部は、
   前記組み合わせデータに基づいて、互いに共通する因子の組み合わせをそれぞれ含む組み合わせデータの個数と、前記因子の組み合わせをそれぞれ含む組み合わせデータであって、互いに共通する事象を含む組み合わせデータの個数のべき乗値とに基づいて、前記事象と前記因子との組み合わせに対する指標値を算出する、
   請求項１記載の要因解析装置。
7. 前記抽出部は、
   共通する前記事象に対応する前記組み合わせデータの発生量に基づいて前記組み合わせデータを抽出する、
   請求項１から請求項６の何れか１項に記載の要因解析装置。
8. 前記抽出部は、
   抽出の対象にする前記データに含まれる組み合わせデータのうち共通する事象に対応する前記組み合わせデータの個数と、前記データに含まれる前記組み合わせデータの総数との比に基づいて、前記集計部による集計の対象にする前記組み合わせデータを抽出する、
   請求項１から請求項６の何れか１項に記載の要因解析装置。
9. 前記抽出部は、
   前記組み合わせた因子の順が異なる場合には、異なる組み合わせデータとして抽出する、
   請求項１から請求項８の何れか１項に記載の要因解析装置。
10. 前記集計部は、
    前記組み合わせデータが抽出される前の組み合わせデータにおける事象の発生数、または、前記組み合わせデータが抽出される前の組み合わせデータにおける複数の因子の組み合わせの発生数を集計する、
    請求項１から請求項９の何れか１項に記載の要因解析装置。
11. 前記算出部は、
    前記抽出部による抽出結果と前記集計部による集計結果に基づいて、前記事象と前記因子との組み合わせに対する指標値を算出する
    請求項１から請求項１０の何れか１項に記載の要因解析装置。
12. 事象の要因となる一または複数の因子とが対応付けられたデータを組み合わせデータとして取得する取得部と、
    前記組み合わせデータに含まれる前記事象と因子との組合せに基づいて、前記事象の発生数または前記複数の因子の組み合わせの発生数を集計する集計部と、
    前記集計部による集計結果に基づいて、前記事象と前記因子との組み合わせに対応し、前記事象と前記因子との組み合わせの発生数に応じて変化する指標値を算出する算出部と、
    前記事象と前記因子との組み合わせごとに前記算出部により算出された指標値を示す画像が、前記事象と前記因子との組み合わせに対応付けられた画像を生成する生成部と、
    を備える要因解析装置。
13. 事象と、前記事象の要因となる一または複数の因子が対応付けられた組み合わせデータから、組み合わせデータの発生に応じて抽出を行い、
    前記組み合わせデータに含まれる因子の各組合せに基づいて、前記事象の発生数または前記複数の因子の組み合わせの発生数を集計し、
    前記集計の結果に基づいて、前記事象と前記因子との組み合わせに対する指標値を算出し、
    前記事象と前記因子との組み合せごとに前記算出された指標値を示す画像が、前記事象と前記因子との組み合せごとに対応付けられた画像を生成する、
    要因解析方法。
14. コンピュータに、
    事象と、前記事象の要因となる一または複数の因子が対応付けられた組み合わせデータから、組み合わせデータの発生に応じて抽出させ、
    前記組み合わせデータに含まれる因子の各組合せに基づいて、前記事象の発生数または前記複数の因子の組み合わせの発生数を集計させ、
    前記集計の結果に基づいて、前記事象と前記因子との組み合せに対する指標値を算出させ、
    前記事象と前記因子との組み合せごとに前記算出された指標値を示す画像が、前記事象と前記因子との組み合せごとに対応付けられた画像を生成させる、
    プログラム。

Images