JP6904331B2 - 要因分析装置、要因分析方法、およびプログラム - Google Patents

Description

本開示は、要因分析装置、要因分析方法およびプログラムに関し、特に目的変数の値の変化に寄与する説明変数を特定する要因分析装置、要因分析方法およびプログラムに関する。

目的変数と説明変数との関係を明らかにし、目的変数の値の変化に強い影響を持つ説明変数を特定するための技術として、回帰分析などの統計的手法が、物品の製造現場における品質管理やシステム管理等において広く利用されている。

例えば、物を製造するプロセスにおいて、製造品の品質に影響を与える要因を特定するために、センサなどの計測器によって観測できる様々な項目について観測値を取得し分析する統計的手法が、用いられる（特許文献１、２）。複数の項目が品質に影響を与えると考えられる場合には、品質を表す項目を目的変数とし、複数の項目を説明変数とした、多変量解析を行うのが一般的である。分析者は、多変量解析によってそれぞれの説明変数の寄与率や関連の度合い等を算出することで、説明変数それぞれの、目的変数の値の変化に与える影響の程度（すなわち、説明変数それぞれの影響度）を知ることができる。

ところで、製造プロセスなどの工程では、品質や生産効率などの指標に強い影響を持つ項目が、強い影響を持つことが既知である項目であったり、値の制御が不能な項目であったりする場合がある。したがって、強い影響を持つ項目以外の項目についても、その項目が指標にどのような、また、どの程度、影響を持つものであるか、知見を得ることが重要である。

しかし、一般に、多変量解析手法では、目的変数の値の変化に著しく強い影響をもつ項目が説明変数に含まれる場合、その変数の寄与率（その説明変数が目的変数の値を決定づけている度合）が大きく算出される。その結果、他の説明変数の寄与率は相対的に小さく算出され、目的変数の値に強い影響を持つ説明変数（影響要因）であっても、影響要因でないと判断される場合がある。

このように、要因分析においては、すべての項目を説明変数として行う解析によっては発見することが難しい影響要因が存在しうる。この問題に対し、目的変数の値の変化に著しく強い影響を持たない項目のみを用いて解析を行っても、解析結果である関数のあてはまりが十分でなかったり、精度のよい解析ができなかったりする可能性があり、正しく影響要因を特定することはできない。

特許文献３および４には、影響要因でありながら寄与率が低いために大きな影響要因に隠れてしまう説明変数を見つける技術が記載されている。この技術では、目的変数に対する寄与率の高い説明変数を用いて重回帰式を求め、計算して得られる目的変数の予測値と実測値との差を新たに目的変数とした重回帰分析を、残りの説明変数を新たな説明変数として行う。

特許文献５には、製造工程における多数の項目について、測定順序または工程順序を踏まえつつ項目間で重回帰分析を行うことで、項目間の階層的な関係を可視化する技術が記載されている。

特開２００９−２５８８９０号公報 特開２００２−１１０４９３号公報 特開２００７−３２９４１５号公報 米国特許出願公開第２００７／０２８８１０５号明細書 特開２０１１−１５０４９６号公報

特許文献３および４に記載の技術は、寄与率が大きい説明変数のそれぞれとの関連度が小さな説明変数が、隠れていた影響要因として特定されやすい技術である。しかし、寄与率が大きい説明変数のいずれかと関連度が大きい説明変数は、この技術によっても隠されやすく、発見されにくい。

特許文献５に記載の技術は、各項目間で影響度を算出するものの、影響要因の候補となるすべての項目を説明変数として重回帰分析を行うため、強い影響を持つ項目と強い関連度を有している項目は影響度が過小評価されやすい。特に、時間的な前後がなく、因果関係が明確でない説明変数の組に対しては、関係づけが正しく算出されにくいと考えられる。

したがって、強い影響要因に隠れてしまう影響要因を特定できる、上記特許文献とは異なる方法が望まれる。

また、解析によって影響度が大きいと判断された要因が、指標を改善する上で制御不可能な項目の値である場合がある。この場合、目的変数の値を制御する上で、制御不可能でない項目のそれぞれが、当該制御不可能な項目にどの程度寄与するかを知ることが肝要である。

そこで、本発明は、多変量解析において、それぞれのデータの影響度に関するより有用な知見を得ることが可能な要因分析装置、要因分析方法およびプログラムを提供することを目的の一つとする。

本発明の一実施態様に係る要因分析装置は、データの種類を第１グループ、または第２グループに分類する分類手段と、前記第２グループに分類される種類のデータの、前記第１グループの種類のデータに対する影響度を目的データへの影響度として算出する影響度算出手段と、を備えることを特徴とする。

本発明の一実施態様に係る要因分析方法は、データの種類を第１グループ、または第２グループに分類し、前記第２グループに分類される種類のデータの、前記第１グループの種類のデータに対する影響度を目的データへの影響度として算出する影響度算出手段する、ことを特徴とする。

本発明の一実施態様に係るプログラムは、データの種類を第１グループ、または第２グループに分類する分類処理と、前記第２グループに分類される種類のデータの、前記第１グループの種類のデータに対する影響度を目的データへの影響度として算出する影響度算出処理と、をコンピュータに実行させることを特徴とする。

本発明によれば、それぞれのデータの影響度に関するより有用な知見を得ることができる。

本発明の第１の実施形態の要因分析装置の構成を示すブロック図である。 第１の実施形態で用いられる時系列の例を表す図である。 グラフとして可視化された時系列の例である。 第１の実施形態のデータ記憶部におけるデータの格納の形態の例を示す図である。 第１の実施形態のデータ記憶部におけるデータの格納の形態の別の例を示す図である。 第１の実施形態の要因分析装置によるデータの蓄積の処理の流れを示すフローチャートである。 第１の実施形態の要因分析装置による要因分析の処理の流れを示すフローチャートである。 第１の実施形態の影響度記憶部に保存された、第２グループの説明時系列のそれぞれの、代表時系列の値の変化に対する影響度の表の例を示す図である。 第１の実施形態の出力装置により影響度記憶部から出力された解析結果の例を示す図である。 本発明の第２の実施形態の要因分析装置の構成を示すブロック図である。 第２の実施形態の要因分析装置による要因分析の処理の流れを示すフローチャートである。 本発明の各実施形態の各部を構成するハードウェアの例を示すブロック図である。 第１の実施形態の各部を回路で構成した場合のブロック図である。 第２の実施形態の各部を回路で構成した場合のブロック図である。

＜＜第１の実施形態＞＞
本発明の第１の実施形態を詳細に説明する。

本実施形態では、例として、要因分析装置が、ある製品の製造工程における品質管理に適用される場合を説明する。ただし、本発明の用途は、製造工程における分析や品質管理に限定されない。

＜構成＞
図１は、本実施形態の要因分析装置１０の構成例を示すブロック図である。要因分析装置１０は、１つ以上のデータ取得部２０と通信可能に接続される。

データ取得部２０は、製造工程における様々な項目に関する値を、たとえば計測することによって取得する。データ取得部２０は、製品工程における様々な項目に関し設定された値を取得してもよい。データ取得部２０は、取得した値を要因分析装置１０に送信する。

値を取得する対象となる項目は、製造品の品質指標または製造条件に分類される。品質指標とは、製品の品質または製品に対する評価を示す項目である。どのような項目を品質指標とするかは、製品の特徴に応じて様々な観点によって決められてよい。品質指標に分類される項目の例は、製品の導電性、耐水性、耐熱性、および正常に動作するか否かを示す製品状態等である。品質指標の項目に関する値は、数値の大きさで表すことができる定量的な値でもよいし、「正常／異常」などの定性的な（質的な）値でもよい。製造条件とは、製品の品質指標の値を左右する可能性のある因子を表す項目である。製造条件に分類される項目の例は、例えば、温度、圧力、ガス流量、電圧、材料の粘度または特定の操作を行っているか否かを示す操作状況等である。製造条件を示す項目は、値が取得可能なあらゆる項目の中から選択されうる。製造条件は、数値で示される量的な値でもよいし、「有／無」などの質的な値でもよい。

データ取得部２０がそれぞれの項目に関する値を取得する方法は、例えばセンサを用いた計測によってもよいし、保守員による判定や設定によってもよい。例えば、データ取得部２０はセンサを備え、そのセンサにより項目に関する値を取得してもよい。例えば、データ取得部２０は入力インタフェースを備え、保守員が入力した判定の結果や設定を、項目に関する値として取得してもよい。あるいは、ソフトウェア・プログラム等が製造条件を変化させたり、取得したりできる場合、データ取得部２０は、当該ソフトウェア・プログラム等からその製造条件に関する値を取得してもよい。また、データ取得部２０は複数存在してもよいし、１つのデータ取得部２０が複数の項目に関する値を取得してもよい。

以下、データ取得部２０によって取得された値を観測値と呼ぶ。

本実施形態では、データ取得部２０は、観測値を、たとえば、観測値を取得し次第、または、随時（たとえば、所定の時間ごとに）、要因分析装置１０へ送信する。データ取得部２０は、観測値に、その観測値を取得した時刻を関連づけてもよい。

これにより、本実施形態の要因分析装置１０の、例えば後述されるデータ分類部１０２が、複数の項目の観測値を、時刻の情報に基づいて互いに関連づけることができる。データ取得部２０が観測値を取得し次第観測値を送信する場合は、要因分析装置１０のデータ分類部１０２が、観測値を受信した時刻をその観測値に関連づけてもよい。

本実施形態では、取得された観測値を時刻順に並べたデータを「時系列」と呼ぶ。図２は、ある項目の時系列（時系列１）の例を表す図である。データ分類部１０２は、例えば図２に示す例のように、観測値が取得された時刻と、取得された時刻に関連づけられた観測値との列を、時系列としてデータ記憶部１１１に記録する。図３は、グラフとして可視化された時系列の例である。

また、本実施形態では、上述の品質指標に係る項目の時系列を「目的時系列」、上述の製造条件に係る項目の時系列を「説明時系列」と呼ぶ。すなわち、「目的時系列」は、分析者がその値の変化に影響する要因を分析しようとする時系列である。「説明時系列」は、「目的時系列」の値の変化に影響する可能性があると考えられる項目に係る時系列である。

要因分析装置１０は、データ取得部２０が取得した観測値を受信する。要因分析装置１０は、たとえば製造ラインに併設され、データ取得部２０から観測値を直接取得してもよい。要因分析装置１０は、遠隔のサーバに実装されていてもよい。要因分析装置１０が遠隔のサーバ上に実装される場合、たとえば、データ取得部２０にて取得した観測値を、分析者が製造ラインに併設された端末から通信ネットワークを介してサーバの要因分析装置１０に送信すればよい。

要因分析装置１０は、例えば、プログラムがロードされたメモリと、プログラムに従って処理を実行する中央演算装置（ＣＰＵ；Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）によって実現される。また、要因分析装置１０は、プログラムに基づくＣＰＵの制御によって動作するコンピュータによって実現されてもよい。

図１を参照して、要因分析装置１０の構成を説明する。要因分析装置１０は、受信部１０１と、データ分類部１０２と、時系列分類部１０３と、説明時系列分類部１０４と、代表時系列選択部１０５と、影響度算出部１０６と、解析部１０７と、データ記憶部１１１と、影響度記憶部１１２とを含む。データ分類部１０２、時系列分類部１０３、説明時系列分類部１０４、代表時系列選択部１０５、影響度算出部１０６、および解析部１０７は、例えば、プログラム制御に従って処理を実行するＣＰＵによって実現される。データ記憶部１１１および影響度記憶部１１２は、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の記憶装置で実現される。データ記憶部１１１および影響度記憶部１１２を構成する記憶装置は１個でも複数個でもよい。

受信部１０１は、データ取得部２０が取得した観測値を受信する。

データ分類部１０２は、受信部１０１が取得した観測値がどの項目に関する観測値であるかを識別し、取得した観測値を、識別した項目の時系列を構成する観測値としてデータ記憶部１１１に保存する。たとえば、観測値には項目を識別できる情報がデータ取得部２０によって関連づけられていてもよい。データ分類部１０２は、その情報によって識別された項目の時系列に、その観測値を追加する。あるいは、たとえば、データ分類部１０２は、受信した観測値がどのデータ取得部２０から送信された観測値であるかを認識し、認識した情報に関連づけられる項目の時系列に、観測値を追加してもよい。データ分類部１０２は、受信した観測値がどのセンサにより観測された観測値であるかを認識し、認識した情報に関連づけられる項目の時系列に、観測値を追加してもよい。データ分類部１０２は、このように観測値をデータ記憶部１１１に蓄積することで、項目別に時系列を生成する。このように、項目は時系列の種類を表すといえる。本発明の各実施形態では、項目を「種類」と表記することもある。なお、データ分類部１０２は、時系列を生成してから、生成した時系列をデータ記憶部１１１に保存してもよい。

データ記憶部１１１は、項目ごとに、時系列を構成する観測値を記憶する。

図４は、データ記憶部１１１における観測値の格納の形態の例を示す図である。データ記憶部１１１は、項目ごとに、データ分類部１０２から受信する観測値の値を、その値が観測された時刻とともに記憶する。観測値は観測された時刻順に記憶されることで、時系列を成す。

データ記憶部１１１は、それぞれの時系列について、その時系列の種別情報を関連づけて記憶する。種別情報は、時系列が目的時系列であるか説明時系列であるかを示す情報である。それぞれの時系列の種別情報は、後述する時系列分類部１０３によって決定される。図４に示す例において、「種別」の値は、時系列の種別情報を表す。図４に示す表の「種別」の欄を参照すると、時系列０が目的時系列であり、時系列１〜４が説明時系列であることがわかる。

データ記憶部１１１は、それぞれの説明時系列について、グループ情報を関連づけて記憶する。グループ情報は、説明時系列が第１グループに属するか、第２グループに属するかを示す情報である。グループ情報は、後述する説明時系列分類部１０４によって決定される。図４に示す例において、「グループ」の値は、時系列が属するグループを表す。図４に示す表の「グループ」の欄を参照すると、時系列１，２が第１グループに属し、時系列３，４が第２グループに属することがわかる。

データ記憶部１１１は、第１グループに属する説明時系列について、その時系列が代表時系列であるか否かを示す情報を関連づけて記憶する。代表時系列は、代表時系列選択部１０５によって、説明時系列から選ばれる時系列である。代表時系列であるか否かを示す情報は、後述する代表時系列選択部１０５によって決定される。図４に示す例では、「代表時系列」の欄において、代表時系列である時系列には「Ｙ」、代表時系列でない時系列には「Ｎ」が関連付けられている。図４に示す例では、時系列１が「代表時系列」であることがわかる。

図５は、データ記憶部１１１におけるデータの格納の形態の別の例を示す図である。図５に示す例では、目的時系列の欄に時系列０が含まれ、説明時系列の欄に時系列１〜４が含まれる。説明時系列の欄は、第１グループまたは第２グループの欄に分かれる。第１グループの欄は、代表時系列の欄または代表時系列でない欄に分かれる。図５に示す例では、目的時系列は時系列０で、第１グループの説明時系列は時系列１，２で、第２グループの説明時系列は時系列３，４であることがわかる。また、代表時系列は時系列１であることがわかる。

図４および図５は一例であり、時系列の記憶の態様はこれらの例に限定されない。データ記憶部１１１は、それぞれの時系列について、種別やグループ等の情報がわかるように記憶すればよい。

時系列分類部１０３は、データ記憶部１１１の時系列を、目的時系列または説明時系列に分類する。たとえば、ある時系列が製品条件に関する時系列である場合、時系列分類部１０３は、その時系列を説明時系列であると判定する。判定のため、観測値には時系列の種別を判定できる情報がデータ取得部２０によって関連づけられていてもよい。そして、時系列分類部１０３は、たとえば、図４で示されるように、時系列に種別情報を関連づける。あるいは、時系列分類部１０３は、図５で示されるように、種別情報が関連付けられた領域に時系列を配置する。

説明時系列分類部１０４は、説明時系列を、第１グループ、または第２グループに分類する。具体的には、説明時系列分類部１０４は、それぞれの説明時系列について、その説明時系列が第１グループまたは第２グループのいずれのグループに属するかを判定する。

本実施形態では、説明時系列を第１グループまたは第２グループに分類する基準は、その説明時系列が目的時系列に対する影響要因であることが明らかであると特定されたか否か、であるとする。説明時系列が目的時系列に対する影響要因であることが明らかであるか否かは、たとえば分析者および説明時系列分類部１０４のいずれか一方または双方によって判定されればよい。

たとえば、説明時系列が目的時系列に影響を与えることが分析者にとって既知である場合、分析者が、説明時系列を分類してもよい。この場合、分析者は、たとえば、過去の解析結果等によって目的時系列との相関が強いとわかっている説明時系列を、影響要因であることが明らかである説明時系列として特定する。そして、分析者は、特定した説明時系列を、要因分析装置１０の入出力インタフェース等を介して説明時系列分類部１０４に指示すればよい。説明時系列分類部１０４は、指示された説明時系列を、第１グループに分類する。

説明時系列分類部１０４が、それぞれの説明時系列が、目的時系列に対する影響要因であることが明らかであるか否かを判定してもよい。説明時系列分類部１０４は、分析者によって特定されなかった説明時系列の中から、目的時系列に対する影響要因である説明時系列を特定してもよい。説明時系列分類部１０４は、目的時系列に対する影響要因であることが明らかである説明時系列の特定を、たとえば、事前に定義されたルールに基づいて行えばよい。

たとえば、説明時系列分類部１０４は、事前に定義された条件を満たす説明時系列を、目的時系列に対する影響要因であることが明らかな説明時系列として特定する。事前に定義された条件は、予め分析者等が要因分析装置１０に対し設定すればよい。

上記条件は、説明時系列の属性に対する条件であってもよい。属性は、例えば、説明時系列のデータを取得したデータ取得部２０に付与された名称（ラベル）または識別子、使用されたセンサの種類、センサに付与された名称、時系列として取得されたデータの種類（項目）、そのデータに付与された名称（項目名）、のいずれか一つまたは複数であってもよい。この場合、たとえばデータ分類部１０２が、説明時系列等の時系列に属性を付与すればよい。

条件は、属性の値によって表されていてもよい。その場合、説明時系列分類部１０４は、条件に一致する属性の値を持つ説明時系列を、影響要因であることが明らかである説明時系列として特定すればよい。条件は、正規表現によって表された属性の値であってもよい。その場合、説明時系列分類部１０４は、条件にマッチする属性の値を持つ説明時系列を、影響要因であることが明らかである説明時系列として特定すればよい。例えば、条件として、センサの名称が「＊流量＊」と指定された場合、たとえば名称が「超音波流量計」であるセンサによって取得されたデータの時系列は、影響要因であることが明らかな説明時系列として特定される。

複数の条件があってもよい。その場合、説明時系列分類部１０４は、いずれかの条件にマッチする属性の値を持つ説明時系列を、影響要因であることが明らかである説明時系列として特定すればよい。また、説明時系列分類部１０４は、複数の条件を表の形で保持していてもよい。分析者は、表の形で表された複数の条件を要因分析装置１０に入力してもよい。条件は、複数の論理式によって表されていてもよい
説明時系列が目的時系列に対する影響要因であることが明らかであることは、説明時系列分類部１０４による計算や、観測結果によって判定されてもよい。

たとえば、説明時系列の値の変化に応じて目的時系列の値が変化することが観測された場合に、説明時系列分類部１０４は、その説明時系列を目的時系列に対する影響要因であるとして特定してもよい。たとえば、説明時系列分類部１０４は、説明時系列の値の変化に応じた目的時系列の値の変化の量や割合が、事前に定義された条件を満たす場合に、その説明時系列を、目的時系列に対する影響要因であることが明らかな説明時系列であると特定してもよい。説明時系列分類部１０４は、たとえば、説明時系列の値の変化の大きさに対する、その変化が生じた時の目的時系列の値の変化の割合を算出すればよい。そして、説明時系列分類部１０４は、算出した割合が、事前に定められた閾値より大きい場合に、その説明時系列を、目的時系列に対する影響要因であることが明らかな説明時系列として特定すればよい。

説明時系列分類部１０４は、目的時系列と説明時系列との間で計算できる情報量、たとえば相互情報量に基づいて、影響要因であることが明らかな説明時系列を特定してもよい。相互情報量は、例えば、ＭＩＣ（Ｍａｘｉｍａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｏｅｆｆｉｃｉｅｎｔ）法により算出可能である。説明時系列分類部１０４は、たとえば、観測されたすべての説明時系列に対して、目的時系列との相互情報量を計算し、相互情報量が所定の閾値より大きい説明時系列を第１グループに分類し、それ以外を第２グループに分類してもよい。

あるいは、説明時系列分類部１０４は、すべての説明変数を用いて目的変数に対する多変量解析を実行し、多変量解析の結果算出される、それぞれの説明変数の係数やｐ値に基づいて、それぞれの説明変数が影響要因であることが明らかであるか否かを判定してもよい。

グループの分類は、以上に説明した分類方法の組み合わせにより行われてよい。

説明時系列分類部１０４は、新たな時系列がデータ記憶部１１１に追加された場合や、まだ分類されていない時系列がある場合に、その時系列を分類すればよい。

説明時系列分類部１０４は、説明時系列がいずれのグループに属するかを判定した場合、その説明時系列がどちらのグループに属するかを示す情報（グループ情報）を、その説明時系列に関連づける。説明時系列分類部１０４は、たとえば、図４で示されるように、時系列にグループ情報を関連づける。あるいは、説明時系列分類部１０４は、図５で示されるように、グループ情報が関連付けられた領域に時系列を配置する。

代表時系列選択部１０５は、第１グループの説明時系列のうちの１つを代表時系列として選択する。

本実施形態では、例として、代表時系列選択部１０５は、目的時系列の値の変化に最も強く影響する時系列を代表時系列として選択する。代表時系列選択部１０５は、目的時系列の値の変化に最も強く影響する時系列を特定できる手法によって特定された説明時系列を、代表時系列として選択すればよい。たとえば、代表時系列選択部１０５は、第１グループの説明時系列のそれぞれの、目的時系列に対する影響度を算出する。影響度とは、影響の度合いを表す値である。第１グループの説明時系列の目的時系列に対する影響度とは、第１グループの説明時系列の値の変化が、目的時系列の値の変化に与える影響の度合いを表す値であると理解されてもよい。影響度は、たとえば、統計的な解析によって算出可能である。

たとえば、代表時系列選択部１０５は、目的時系列を目的変数とし、第１グループの説明時系列を説明変数とした多変量解析を実行する。代表時系列選択部１０５は、多変量解析手法として、目的変数の値の変化に対する説明変数の影響度を算出する方法であれば、いかなる手法を用いてもよい。たとえば、目的時系列が量的データである場合、代表時系列選択部１０５は、多変量解析として重回帰分析を用いることができる。重回帰分析が用いられた場合、代表時系列選択部１０５は、それぞれの説明変数について算出されるｐ値の逆数またはｔ値を、影響度と見なすことができる。目的時系列が質的データである場合、代表時系列選択部１０５は、たとえば、多変量解析としてロジスティック回帰分析を用いることができる。ロジスティック回帰分析が用いられた場合、代表時系列選択部１０５は、それぞれの説明変数について算出されるｐ値の逆数またはＷａｌｄ統計量を、影響度と見なすことができる。

本実施形態の説明では、説明変数が目的変数の値変化に対して与える影響が大きいほど、その説明変数の影響度の値は大きい。

代表時系列選択部１０５は、算出された影響度に基づき、目的時系列の値の変化に与える影響が最も大きい説明時系列を、代表時系列として選択すればよい。具体的には、代表時系列選択部１０５は、例えば上記のような方法で算出された影響度が最も大きい説明時系列を特定し、特定した説明時系列を代表時系列として選択すればよい。

なお、ある説明変数が質的データである場合は、代表時系列選択部１０５は、その説明変数をダミー変数に変換してから、多変量解析を行えばよい。

また、代表時系列選択部１０５が用いる多変量解析手法を１つに限る必要はない。代表時系列選択部１０５は、２つ以上の多変量解析手法を用いて、個別に影響度を算出し、算出された２つ以上の影響度を統合してもよい。影響度を統合する際は、代表時系列選択部１０５は、たとえば、それぞれの多変量解析手法において、算出された影響度を、最大値が１、最小値が０になるように正規化し、正規化された影響度の和あるいは平均をとればよい。代表時系列選択部１０５は、多変量解析手法に重みづけを行ってもよい。代表時系列選択部１０５は、多変量解析手法に設定された重みを、その多変量解析手法によって算出された影響に掛け、重みが掛けられた影響度を統合してもよい。

代表時系列選択部１０５は、代表時系列を選択したら、選択した代表時系列がいずれであるかを示す情報をデータ記憶部１１１に記録する。代表時系列選択部１０５は、影響度算出部１０６に当該情報を送信してもよい。

影響度算出部１０６は、第２グループの説明時系列のそれぞれの、代表時系列に対する影響度を算出する。具体的には、影響度算出部１０６は、データ記憶部１１１から、第２グループの説明時系列および代表説明時系列を読み出す。そして、影響度算出部１０６は、第２グループの説明時系列を説明変数、代表時系列を目的変数とした、多変量解析を実行し、その多変量解析の結果からそれぞれの説明時系列の影響度を算出する。影響度算出部１０６による影響度の算出の方法については、既に代表時系列選択部１０５で説明された方法と同様でよい。

影響度算出部１０６は、算出したそれぞれの影響度を、影響度記憶部１１２に保存する。この際、影響度算出部１０６は、算出した影響度（複数の多変量解析により複数の影響度が算出された場合は、統合された影響度）が大きい順に、第２グループの説明時系列をソートし、ソートされた説明時系列を影響度記憶部１１２に格納してもよい。

影響度記憶部１１２は、影響度算出部１０６によって算出された影響度を記憶する。

解析部１０７は、影響度算出部１０６による算出の結果を解析する。具体的には、解析部１０７は、算出された影響度に基づき、代表時系列の値の変化に対する影響が基準よりも大きい説明時系列を特定する。たとえば、解析部１０７は、算出された代表時系列に対する影響度が閾値を超える説明時系列を特定する。代表時系列は目的時系列に影響を与える影響要因であるため、代表時系列に対する影響度は、目的時系列に対する影響度の１つと見なすことができる。したがって、代表時系列に対する影響度が高い時系列は、目的時系列に対する影響度が高い時系列であるといえる。

上記の閾値は、分析者によって指定されていればよい。あるいは、閾値は、目的時系列に対する代表時系列の影響度に応じて決定されてもよい。たとえば、分析者はある値αを代表時系列に対する影響要因である可能性の判定に使用される閾値の基準（以下、「基準閾値」と表記）として指定しておく。代表時系列選択部１０５によって算出された代表時系列の、目的時系列に対する正規化された影響度がβである場合、解析部１０７は、αをβで割った値を上記の閾値とすればよい。解析部１０７の解析によってこの閾値に基づいて特定された時系列は、目的時系列に対して強い影響を与える時系列である可能性が高い。

あるいは、解析部１０７は、上述の基準閾値を、上述の判定の閾値として使用してもよい。その場合、解析部１０７は、代表時系列に対する影響度を補正し、補正した値を解析に用いてもよい。たとえば、代表時系列の、目的時系列に対する正規化された影響度がβである場合、解析部１０７は、それぞれの説明時系列の影響度をβで割った値を、基準閾値αと比較してもよい。

解析部１０７は、特定された説明時系列が目的時系列に対する影響が高い可能性があることを示す情報を、影響度記憶部１１２に記録する。

また、解析部１０７は、特定された説明時系列が目的時系列に対する影響要因であるか否かをさらに解析してもよい。たとえば、解析部１０７は、代表時系列を除いた第１グループの説明時系列と、当該特定された説明時系列とを説明変数とした、目的時系列に対する多変量解析を行う。この多変量解析により算出された、特定された説明時系列の目的時系列に対する寄与率が、有意である（たとえば、所定の閾値を超える）場合、特定された説明時系列は目的時系列に対する影響要因であるといえる。解析部１０７は、このように解析した結果を、影響度記憶部１１２に記録してもよい。

出力装置３０は、影響度記憶部１１２に記憶された情報を分析者等に向けて出力する。出力装置３０は、表示部等を有していてもよい。分析者等は、出力された情報によって、要因分析装置１０による分析結果を確認できる。

なお、本実施の形態では、要因分析装置１０と出力装置３０とは別個の装置として記載されるが、要因分析装置１０は、出力装置３０を表示部として含んでいてもよい。

＜動作＞
次に、本実施形態の要因分析装置１０の動作を、具体的なデータの例を示しながら説明する。

（データの蓄積）
図６は、要因分析装置１０によるデータの蓄積の処理の流れを示すフローチャートである。まず、要因分析装置１０の受信部１０１が、データ取得部２０から観測値を受信する（ステップＳ６１）。以下で説明する具体例では、５６種類の項目が存在する。項目のうち、品質指標である項目が１つある。この項目が示す値は「正常」または「異常」の２値のいずれかであるとする。すなわち、この項目に係る観測値は質的データである。他の５５個の項目は、製造条件に関する項目である。これら５５個の項目は、量的なデータであってもよいし、質的なデータであってもよい。

次に、データ分類部１０２が、受信した観測値を、項目別に時系列としてデータ記憶部１１１に保存する（ステップＳ６２）。こうして、５６個の時系列がデータ記憶部１１１に記憶されたとする。

（分析）
次に、要因分析装置１０が要因分析を行う処理を説明する。図７は、要因分析装置１０による要因分析の処理の流れを示すフローチャートである。

なお、ステップＳ７１以降の処理は、分析の対象となる１つの目的時系列および複数の説明時系列が解析に十分な数のデータで生成されてから開始するとよい。当処理は、図示しない分析者の指示によって開始してもよい。要因分析装置１０が、十分なデータが蓄積されたと判断した場合（たとえば、全ての時系列の観測値の数が閾値に達した場合）に、ステップＳ７１以降の処理を開始してもよい。

まず、時系列分類部１０３は、時系列を目的時系列または説明時系列に分類する（ステップＳ７１）。ただし、時系列の分類は、必ずしも図７に示す動作のフローの開始後に行われなくともよい。時系列分類部１０３は、得られた時系列（または観測値）がデータ記憶部１１１に記録された時点で、その時系列（または観測値）の種別をデータ記憶部１１１に記録してもよい。

上記ステップＳ７１の処理によって、データ記憶部１１１において、１つの目的時系列と、５５個の説明時系列とが識別された状態となる。

次に、説明時系列分類部１０４は、要因分析の対象となる説明時系列のそれぞれを、第１グループまたは第２グループに分類する（ステップＳ７２）。

説明時系列分類部１０４は、説明時系列をいずれかのグループに分類した場合、その説明時系列の分類先のグループを示す情報（グループ情報）をデータ記憶部１１１に記録する。

なお、説明時系列の分類は、必ずしも図７に示す動作のフローの開始後に行われなくともよい。たとえば、説明時系列分類部１０４は、項目のグループ情報や分類基準がわかっている場合は、わかっている情報をデータ取得部２０に予め通知してもよい。その場合、データ取得部２０がグループ情報を観測値に関連づけて観測値をデータ分類部１０２に送信することができる。説明時系列分類部１０４は、わかっている情報をデータ分類部１０２に予め通知してもよい。その場合、データ分類部１０２は、グループ情報を観測値に含めて観測値をデータ記憶部１１１に記録できる。

また、説明時系列分類部１０４は、説明時系列の分類を、すべての時系列の種別情報が決定する前に行ってもよい。たとえば、説明時系列分類部１０４は、時系列分類部１０３が時系列を説明時系列へと分類した時に、可能であれば、その時点でその説明時系列の分類を行ってもよい。

上記ステップＳ７２の処理によって、たとえば５つの説明時系列ｔ１、ｔ２、ｔ３、ｔ４、およびｔ５が、第１グループに分類され、他の説明時系列１〜５０が第２グループに分類されたとする。すなわち、説明時系列ｔ１、ｔ２、ｔ３、ｔ４、およびｔ５は、目的変数の値の影響要因であることが明らかである説明時系列であり、説明時系列１〜５０は、目的変数の値の影響要因であることが明らかでない説明時系列である。

説明時系列のグループの分類が完了した場合、次に、代表時系列選択部１０５は、第１グループの説明時系列の中から１つを、代表時系列として選択する（ステップＳ７３）。

本実施形態では、代表時系列は、目的時系列の値の変化に最も強く影響する説明時系列である。したがって、代表時系列選択部１０５は、説明時系列ｔ１、ｔ２、ｔ３、ｔ４、およびｔ５を説明変数として、目的時系列の回帰分析を行う。目的時系列は質的データであるため、代表時系列選択部１０５は、たとえば、Ｌ１正則化ロジスティック回帰分析を行えばよい。代表時系列選択部１０５は、この分析によって求められた回帰式における係数の値が最も高かった説明時系列を、代表時系列として選択する。

次に、影響度算出部１０６は、ステップＳ７３で選択された代表時系列の値の変化に対する、第２グループの説明時系列の影響度を算出する（ステップＳ７４）。そして、影響度算出部１０６は、算出したそれぞれの説明時系列の影響度を、影響度記憶部１１２に保存する（ステップＳ７５）。

ステップＳ７４において、影響度算出部１０６は、２つ以上の多変量解析手法を用いて、個別に影響度を求めてもよい。そして、影響度算出部１０６は、求めた２つ以上の影響度を統合してもよい。その場合、ステップＳ７５において、影響度算出部１０６は、統合された影響度を、説明時系列の影響度として、影響度記憶部１１２に保存する。

図８は、ステップＳ７５によって影響度記憶部１１２に記憶された影響度の例を示す表である。図８の例において、「順位」は、影響度の序列を表す。「時系列番号」は、時系列に付された、時系列を識別する番号を表す。「影響度」は、「時系列番号」により特定される時系列の影響度を表す。

そして、解析部１０７が、影響度算出部による影響度の算出結果を解析する（ステップＳ７６）。そして、解析部１０７は、解析結果を影響度記憶部１１２に記録する。

解析が終了したら、解析結果は出力装置３０によって、例えば分析者に出力される。

図９は、出力装置３０によって出力された解析結果の例である。図９の例では、「順位」「時系列番号」「形状」「影響度」「改善提案」が出力されている。「順位」は、影響度の大きさの序列を表す。「時系列番号」は、時系列に付された、時系列を識別する番号を表す。「形状」には、「時系列番号」により特定される時系列のグラフの形状が記載される。「影響度」には、その時系列の影響度が記載される。解析部１０７は、図７の表の「改善提案」の欄で示されるように、代表時系列の値を変化させる（たとえば大きくする）ために、その時系列の項目の値をどのように変化させたら良いかを示した提案を解析結果に含めてもよい。改善提案に記載される内容は、時系列の形状や、説明時系列の値の変化に伴う代表時系列の値の変化に基づいて決定されればよい。このように、解析部１０７は、分析者の分析結果への理解を助けるための様々な情報が出力されるよう、影響度記憶部１１２に情報を付加してよい。

分析結果が出力されることにより、出力先の分析者等は、目的時系列の値の変化に対する寄与の程度が明らかでない説明変数について、代表時系列（すなわち、目的時系列の値の変化に影響を与える説明時系列の１つ）に対する影響度の序列を把握できる。

図９に示される例において、「時系列番号」が「８」である説明時系列が代表時系列に対して最も大きな影響度を持つことや、「時系列番号」が「２２」である説明時系列が代表時系列に対して２番目に大きな影響度を持つことがわかる。また、「形状」および「影響度」および「改善提案」を参照することにより、分析者は、それぞれの時系列番号の説明時系列の、目的時系列に対する影響要因である可能性を検討できる。さらに、分析者は、時系列番号が「８」である説明時系列の振幅を大きくすることにより、目的時系列の値を変化させることができる可能性があることを理解できる。このようにして、分析者は、製品の品質を改善するための方策をより具体的に理解することができる。

＜効果＞
第１の実施形態の効果を説明する。

本実施形態における要因分析装置１０は、影響要因であることが明らかでなかった説明時系列について、影響要因である可能性が高い項目を特定できる。その理由は、影響要因であることが明らかでない項目を説明変数として、影響要因であることが明らかである項目の１つに対する多変量解析を実行することで、影響要因であることが明らかである項目の１つに対して影響度の高い項目を算出するからである。特に、目的変数に強い影響を与える影響要因と強い関連がある項目は、すべての項目を説明変数とした多変量解析によっては影響要因と判定されにくいが、本実施形態の要因分析装置１０によって特定することができる。

これにより、製品の管理者は、製品の品質に関わる影響要因をより正しく把握することができる。

また、要因分析装置１０は、影響要因と特定された第２グループの項目を第１グループに分類し直し、再びステップＳ７３〜Ｓ７６を実行してもよい。そうすることで、要因分析装置１０は、隠れている影響要因をさらに見つけられる可能性がある。

要因分析装置１０は、目的時系列に対する第１グループの説明時系列による回帰式と、代表時系列に対する第２グループの回帰式を、出力装置３０を介して、出力先に提示するようにしてもよい。これによれば、出力先の分析者は、特定された項目に係る観測値の変化がどの程度品質基準の値に寄与するかを、より具体的に推量することができる。

その理由は、目的変数の値が主要な影響要因の関数で記述でき、その主要な影響要因の１つが特定された項目の関数で記述できることにより、目的時系列と特定された項目の時系列が定量的に関連づけられるからである。（たとえば、目的時系列をＹ、説明時系列の集合をＸ、第１グループの説明時系列の集合をＴ⊂Ｘ、第２グループの説明時系列の集合をＦ＝Ｘ＼Ｔ、代表時系列をｔ∈Ｔ、とする。「＼」は、差集合を表す記号である。このとき、関数的入出力関係としてｙ＝ｆ（Ｔ）およびｔ＝ｇ（Ｆ）が言えるならば、ｙ＝ｆ（Ｔ）＝ｆ（Ｔ＼ｔ，ｇ（Ｆ））であるから、ある関数ｈを用いてｙ＝ｈ（Ｔ＼ｔ，Ｆ）と記述できる。）
以上のように、本実施形態の要因分析装置１０によって、製品の管理者は、それぞれのデータの影響度に関するより有用な知見を得ることができる。

なお、第１の実施形態において、第１グループと第２グループとを分類する基準は上記に示した例に限られない。以下に、分類の基準の変形例およびその効果をそれぞれ説明する。

＜変形例１＞
説明時系列分類部１０４による説明時系列の分類の基準は、必ずしも影響要因であることが明らかであると特定されたか否かでなくともよい。たとえば、説明時系列分類部１０４は、第１グループに分類された説明時系列と目的時系列との間の関係の大きさが、第２グループに分類された説明時系列と目的時系列との間の関係の大きさより大きくなるよう説明時系列の分類を行ってもよい。この場合、たとえば、説明時系列分類部１０４は、説明時系列と目的時系列との間の関係の大きさを表す値の大きさに基づいて、説明時系列を分類する。影響要因であることが明らかな説明時系列と目的時系列との間の関係の大きさを表す値は、影響要因であることが明らかでない説明時系列と目的時系列との間の関係の大きさを表す値よりも大きいことが期待される。したがって、影響要因であることが明らかな説明時系列は、第２グループではなく第１グループに分類されることが期待される。

また、上記分類の基準は、影響要因であることが明らかであると特定されたか否かという基準と組み合わされてもよい。たとえば、説明時系列分類部１０４は、第１グループに分類された説明時系列と目的時系列との間の関係の大きさが、第２グループに分類された説明時系列と目的時系列との間の関係の大きさより大きくなるよう説明時系列の分類を行ったあと、影響要因であることが明らかであると特定できる第２グループの説明時系列を第１グループに分類し直してもよい。

＜変形例２＞
第１グループの項目の値に対する影響度が高い第２グループの項目が明らかになれば、その第２グループの項目の値を制御することで、その第１グループの項目の値を間接的に制御することができる。そして、その第１グループの項目が目的項目の影響要因である場合、その第１グループの項目の値に対する影響度が高い第２グループの項目の値を制御し、その第１グループの項目の値を間接的に制御することによって、目的項目の値を間接的に制御できる可能性がある。

説明時系列分類部１０４は、値を直接制御することができない項目の時系列を第１グループに分類するように設計されてもよい。たとえば、要因分析装置１０は、分析者等が各項目について、項目の値を直接制御することができるか否かを表す情報を設定し、説明時系列分類部１０４がその情報を認識できるように、設計されていればよい。説明時系列分類部１０４は、その情報に基づいて、値を直接制御できない項目の時系列を第１グループに分類する。

上記のような構成により、第２グループには、値を直接制御できる項目のみが含まれる。このような状況で、第１の実施形態の要因分析装置１０による分析を行えば、第１グループの項目の説明時系列に対して、直接制御することができる項目の説明時系列のみを説明変数とした解析の解析結果が得られる。この解析によって、影響要因であって値を直接制御することができない第１グループの項目の値に対して、影響度が大きい第２グループの項目が明らかになれば、その第２グループの項目の値を制御することによって、目的項目の値を間接的に制御できる可能性がある。

影響度算出部１０６は、第１グループの説明時系列のすべてについて、第２グループの説明時系列の影響度を算出してもよい。解析部１０７は、その結果に基づいて、第１グループの説明時系列のいずれかの値を制御することにより目的時系列の値を間接的に制御できる可能性がある第２グループの説明時系列を特定してもよい。これにより、分析者は、直接制御可能であって、間接的に品質基準を制御できる可能性がある項目を、知ることができる。また、たとえば、分析者は、影響要因である項目の値を変化させたい場合にその項目が制御不可能であったとき、代わりに制御することでその値を間接的に制御できる項目を特定できる。

＜変形例３＞
説明時系列分類部１０４は、関連度の強い項目どうしでクラスタを作成し、それぞれのクラスタから目的変数に対して最も強い影響を与える変数の時系列を第１グループに分類し、それ以外を第２グループに分類してもよい。このような分類によれば、強い影響要因の存在によって、全項目を説明変数とする解析において影響要因であると判定されなかった項目を見つけることができる可能性がある。

＜その他、変更されうる事項＞
代表時系列は、分析者によって指定されてもよい。たとえば、第１の実施形態において、分析者は、影響要因とわかっている第１グループの説明時系列のうち、直接制御することができない項目の１つについて、その項目を指定する情報を要因分析装置１０に対して送信する。要因分析装置１０の代表時系列選択部１０５は、指定された項目を代表時系列として選択する。影響度算出部１０６は、第２グループの説明時系列の、代表時系列に対する影響度を算出する。これにより、分析者は、影響要因であるが直接制御することができない項目に対する影響度が高い項目を、影響要因とわかっていない項目の中から特定することができる。

また、影響度算出部１０６は、第１グループの説明時系列に対する多変量解析を、回帰分析によって行う場合、生成する回帰モデルの適合の良さを示す指標である重寄与率を計算してもよい。影響度算出部１０６が、第１グループの説明時系列すべてについて、第２グループの説明時系列による回帰モデルの重寄与率を明らかにすれば、第２グループの説明時系列とは関連度の低い、第１グループの説明時系列が明らかになる。この時、解析部１０７は、算出された重寄与率が所定値以上である項目と、重寄与率が所定値未満である項目とが区別されて出力されるよう、第１グループに分類される項目を影響度記憶手段に格納してもよい。これにより、出力先の分析者は、第２グループの説明時系列のみによって値を説明できる説明時系列と、第２グループの説明時系列のみによっては値を説明できない説明時系列とを知得することができる。この結果に基づいて、分析者は、重寄与率が所定値以下である第１グループの説明時系列と、第２グループの説明時系列とを説明変数として、目的時系列に対する多変量解析を実行することができる。第１の実施形態のもとでこの解析を行えば、分析者は、第２グループの説明時系列と関連度の高い影響要因が説明変数に含まれないため、第２グループの説明時系列から影響要因を見つけやすい。また、分析者は、変形例２のもとでこの解析を行えば、全ての説明時系列を説明変数とした多変量解析に比べ、値を直接制御できる項目の累積寄与率がより大きい回帰式を作ることができる。

また、本実施形態で記載した解析手法は、一例であり、本発明を実施するために可能な手法であれば他の解析手法を用いてよい。たとえば、影響度算出部１０６は、多変量解析手法として、ランダムフォレストを用いることができる。また、目的時系列が量的なデータである場合は、代表時系列選択部１０５は、重回帰分析法を用いて代表時系列を選択することができる。

また、本実施形態では、温度、ガス流量などの製造条件を観測する複数のセンサが使用される製造工程を分析対象としたが、本要因分析装置は、ある変数の値の変動の要因を特定するために多変量のデータが用いられる様々な場面に適用可能である。たとえば、本要因分析装置は、製品の試験や、ＩＴシステムやプラントシステムの管理に用いられてよい。たとえば本要因分析装置は、製品の耐水試験において「製品が壊れたか否か」を品質基準として、水の温度、浸水時間、製品に与えていた振動、または製品の向き等の条件の継時的な変化の観測データを基に、品質基準に関わる影響要因を分析することができる。たとえばＩＴシステムにおいて、本要因分析装置は、ＣＰＵ使用率、メモリ使用率、ディスクアクセス頻度や使用量などの時系列を用いて、性能指標である消費電力量や演算時間などに関わる要因を特定する場面で用いられ得る。

要因分析装置１０は、代表時系列を選び直してもよい。たとえば、ステップＳ７６の後、要因分析装置１０は、選択された代表時系列とは異なる代表時系列を選択し、再びステップＳ７４〜Ｓ７６の処理を実行してもよい。これにより、最初に選ばれた代表時系列に基づいた分析では発見されなかった影響要因を解析部１０７が発見できる可能性がある。

本実施形態では、１つの目的時系列が分析対象であるが、複数の目的時系列が分析対象であってもよい。目的時系列が複数ある場合、要因分析装置１０は、それぞれの目的時系列に対して別々にステップＳ７２〜Ｓ７６の処理を行うことで、それぞれの目的時系列の値の変化に影響する説明時系列を特定できる。

本実施形態では、時刻と観測値とが関連づけられたデータである時系列を分析に用いたが、分析に用いるのは必ずしも時系列でなくてよい。たとえば、異なる条件で製造された製品の一つ一つについて、製品の品質に影響を与える要因について分析する場合は、製品番号によって、項目のデータどうしが関連づけられればよい。すなわち、要因分析装置１０は、製品番号と観測値のデータを用いて、上述の実施形態に示した分析と同様の分析を行うことができる。

＜＜第２の実施形態＞＞
前述の実施形態に係る主要部を含む要因分析装置を、本発明の第２の実施形態として説明する。図１０は、本発明の第２の実施形態の要因分析装置９の構成を示すブロック図である。図１０に示すように、要因分析装置９は、分類部９２と、影響度算出部９３とを備える。データ記憶部９１は要因装置の外部で、要因分析装置９と通信可能な状態で接続されていてもよい。

分類部９２は、データの種類を、所定の基準に従って、第１グループ、または第２グループに分類する。

影響度算出部９３は、第２グループに分類される種類のデータの、第１グループの種類のデータに対する影響度を、目的データへの影響度として算出する。目的データとは、値が変化するデータであって、その値の変化が、第１グループおよび第２グループの種類のデータの値の変化から影響を受ける可能性があるデータである。

たとえば、影響度算出部９３は、第１グループに分類される種類のデータのうち目的データの値に影響を与える要因である１つの種類のデータを対象として、第２グループのる種類のデータを説明変数とした多変量解析を行う。そして、影響度算出部９３は、第２グループの種類のデータのそれぞれの、対象に対する影響度をそれぞれ算出する。算出された影響度は、目的データへの影響度と見なされる。

影響度算出部９３は、算出された影響度が所定の閾値を超えるデータの種類を、目的データの値に影響を与える要因の候補として特定してもよい。

要因分析装置９の動作の流れは図１１に示されるとおりである。まず、分類部９２が、データの種類を第１グループ、または第２グループに分類する（ステップＳ１１１）。次に、影響度算出部９３が、第２グループに分類される種類のデータの、第１グループの種類のデータに対する影響度を、目的データへの影響度として算出する（ステップＳ１１２）。

本要因分析装置によれば、それぞれのデータの影響度に関するより有用な知見を得ることができる。その理由は、目的データに対する影響度の高いデータの種類に隠れやすいデータの種類が、特定の種類を除いたグループのデータによる、当該特定の種類のデータへの影響度の算出によって、見つけられやすいからである。

以上、説明した本発明の各実施形態において、各装置の各構成要素は、機能単位のブロックを示している。各装置の各構成要素の一部または全部は、例えば図１２に示すようなコンピュータ１２００とプログラムとの可能な組み合わせにより実現される。コンピュータ１２００は、一例として、以下のような構成を含む。

・ＣＰＵ１２０１
・ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２０２
・ＲＡＭ１２０３
・ＲＡＭ１２０３にロードされるプログラム１２０４Ａおよび記憶情報１２０４Ｂ
・プログラム１２０４Ａおよび記憶情報１２０４Ｂを格納する記憶装置１２０５
・記録媒体１２０６の読み書きを行うドライブ装置１２０７
・通信ネットワーク１２０９と接続する通信インタフェース１２０８
・データの入出力を行う入出力インタフェース１２１０
・各構成要素を接続するバス１２１１
各実施形態における各装置の各構成要素は、これらの機能を実現するプログラム１２０４ＡをＣＰＵ１２０１がＲＡＭ１２０３にロードして実行することで実現される。各装置の各構成要素の機能を実現するプログラム１２０４Ａは、例えば、予め記憶装置１２０５やＲＯＭ１２０２に格納されており、必要に応じてＣＰＵ１２０１が読み出す。なお、プログラム１２０４Ａは、通信ネットワーク１２０９を介してＣＰＵ１２０１に供給されてもよいし、予め記録媒体１２０６に格納されており、ドライブ装置１２０７が当該プログラムを読み出してＣＰＵ１２０１に供給してもよい。

各装置の実現方法には、様々な変形例がある。例えば、各装置は、構成要素毎にそれぞれ別個のコンピュータ１２００とプログラムとの可能な組み合わせにより実現されてもよい。また、各装置が備える複数の構成要素が、一つのコンピュータ１２００とプログラムとの可能な組み合わせにより実現されてもよい。

また、各装置の各構成要素の一部または全部は、その他の汎用または専用の回路、コンピュータ等やこれらの組み合わせによって実現される。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。

各実施形態の各構成要素の一部または全部の機能は、図１３および図１４のように、上述した回路等とプログラムとの組み合わせによって実現されてもよい。

図１３は、本発明の第１の実施形態の要因分析装置１０の各構成要素を回路で構成した場合を表すブロック図である。図１３において、受信回路１３１は受信部１０１として機能する。データ分類回路１３２はデータ分類部１０２として機能する。時系列分類回路１３３は時系列分類部１０３として機能する。説明時系列分類回路１３４は説明時系列分類部１０４として機能する。代表時系列選択回路１３５は代表時系列選択部１０５として機能する。影響度算出回路１３６は影響度算出部１０６として機能する。解析回路１３７は解析部１０７として機能する。データ記憶回路１３８はデータ記憶部１１１として機能する。影響度記憶回路１３９は影響度記憶部１１２として機能する。

図１４は、本発明の第２の実施形態の要因分析装置９の各構成要素を回路で構成した場合を表すブロック図である。図１４において、分類回路１４２は分類部９２として機能する。影響度算出回路１４３は影響度算出部９３として機能する。

各装置の各構成要素の一部または全部が複数のコンピュータや回路等により実現される場合には、複数のコンピュータや回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、コンピュータや回路等は、クライアントアンドサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。

本願発明は以上に説明した実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

本出願は、２０１６年３月２３日に出願された日本出願特願２０１６−０５７９３７を基礎とする優先権を主張し、その開示の全てをここに取り込む。

上記実施形態の一部または全部は以下の付記のようにも記載され得るが、以下には限られない。

［付記１］
データの種類を第１グループ、または第２グループに分類する分類手段と、
前記第２グループに分類される種類のデータの、前記第１グループの種類のデータに対する影響度を目的データへの影響度として算出する影響度算出手段と、
を備えることを特徴とする要因分析装置。

［付記２］
前記分類手段は、前記目的データに影響があることが明らかな前記種類として特定された前記種類を前記第１グループに分類する、
ことを特徴とする付記１に記載の要因分析装置。

［付記３］
前記分類手段は、前記第１グループに分類される前記種類のデータの前記目的データへの影響が、前記第２グループに分類される前記種類のデータの前記目的データへの影響より大きくなるように前記データの種類を分類する、
ことを特徴とする付記１または２に記載の要因分析装置。

［付記４］
前記分類手段は、前記目的データに影響があることが明らかであると判断される前記データの種類を前記第１グループに分類する、
ことを特徴とする付記１から３のいずれか一項に記載の要因分析装置。

［付記５］
前記目的データへの影響度として算出された前記影響度に基づき、前記第１グループに分類された前記種類のデータへの影響が基準より大きい前記第２グループの種類のデータを、前記目的データに影響を与える影響要因として特定する解析手段をさらに備える、
ことを特徴とする付記１から４のいずれか一項に記載の要因分析装置。

［付記６］
データの種類を第１グループ、または第２グループに分類し、
前記第２グループに分類される種類のデータの、前記第１グループの種類のデータに対する影響度を目的データへの影響度として算出する、
ことを特徴とする要因分析方法。

［付記７］
前記目的データに影響があることが明らかな前記種類として特定された前記種類を前記第１グループに分類する、
ことを特徴とする付記６に記載の要因分析方法。

［付記８］
前記第１グループに分類される前記種類のデータの前記目的データへの影響が、前記第２グループに分類される前記種類のデータの前記目的データへの影響より大きくなるように前記データの種類を分類する、
ことを特徴とする付記６または７に記載の要因分析方法。

［付記９］
前記目的データへの影響度として算出された前記影響度に基づき、前記第１グループに分類された前記種類のデータへの影響が基準より大きい前記第２グループの種類のデータを、前記目的データに影響を与える影響要因として特定する、
ことを特徴とする付記６から８のいずれか一項に記載の要因分析方法。

［付記１０］
前記データの種類は、データの値の変化を直接制御できる種類と直接制御できない種類とを含み、
データの値の変化を直接制御できる前記種類を前記第１グループに分類し、
前記影響度算出手段は、前記第２グループに分類される種類のデータの、前記第１グループの種類のデータに対する影響度を算出する、
ことを特徴とする付記６から９のいずれか一項に記載の要因分析方法。

［付記１１］
コンピュータに、
データの種類を第１グループ、または第２グループに分類する分類処理と、
前記第２グループに分類される種類のデータの、前記第１グループの種類のデータに対する影響度を目的データへの影響度として算出する影響度算出処理と、
を実行させることを特徴とするプログラム。

［付記１２］
前記分類処理は、前記目的データに影響があることが明らかな前記種類として特定された前記種類を前記第１グループに分類する、
ことを特徴とする付記１１に記載のプログラム。

［付記１３］
前記分類処理は、前記第１グループに分類される前記種類のデータの前記目的データへの影響が、前記第２グループに分類される前記種類のデータの前記目的データへの影響より大きくなるように前記データの種類を分類する、
ことを特徴とする付記１１または１２に記載のプログラム。

［付記１４］
前記コンピュータに、
前記目的データへの影響度として算出された前記影響度に基づき、前記第１グループに分類された前記種類のデータへの影響が基準より大きい前記第２グループの種類のデータを、前記目的データに影響を与える影響要因として特定する解析処理を実行させる、
ことを特徴とする付記１１から１３のいずれか一項に記載のプログラム。

［付記１５］
前記データの種類は、データの値の変化を直接制御できる種類と直接制御できない種類とを含み、
前記分類処理は、データの値の変化を直接制御できる前記種類を前記第１グループに分類し、
前記影響度算出処理は、前記第２グループに分類される種類のデータの、前記第１グループの種類のデータに対する影響度を算出する、
ことを特徴とする付記１１から１４のいずれか一項に記載のプログラム。

９ 要因分析装置
１０ 要因分析装置
２０ データ取得部
３０ 出力装置
９２ 分類部
９３ 影響度算出部
１０１ 受信部
１０２ データ分類部
１０３ 時系列分類部
１０４ 説明時系列分類部
１０５ 代表時系列選択部
１０６ 影響度算出部
１０７ 解析部
１１１ データ記憶部
１１２ 影響度記憶部
１３１ 受信回路
１３２ データ分類回路
１３３ 時系列分類回路
１３４ 説明時系列分類回路
１３５ 代表時系列選択回路
１３６ 影響度算出回路
１３７ 解析回路
１３８ データ記憶回路
１３９ 影響度記憶回路
１４２ 分類回路
１４３ 影響度算出回路
１２００ コンピュータ
１２０１ ＣＰＵ
１２０２ ＲＯＭ
１２０３ ＲＡＭ
１２０４Ａ プログラム
１２０４Ｂ 記憶情報
１２０５ 記憶装置
１２０６ 記録媒体
１２０７ ドライブ装置
１２０８ 通信インタフェース
１２０９ 通信ネットワーク
１２１０ 入出力インタフェース
１２１１ バス

Claims (10)

1. 複数のデータの種類を第１グループ、または第２グループのいずれかに分類する分類手段と、
   前記第１グループに分類される種類から目的データへの影響が最も大きい種類を選択する代表時系列選択手段と、
   前記第２グループに分類される種類のデータの、前記第１グループから選択された種類のデータに対する影響度を算出する影響度算出手段と、
   を備えることを特徴とする要因分析装置。
2. 前記分類手段は、前記目的データに影響があることが明らかな前記種類として特定された前記種類を前記第１グループに分類する、
   ことを特徴とする請求項１に記載の要因分析装置。
3. 前記分類手段は、前記第１グループに分類される前記種類のデータの前記目的データへの影響が、前記第２グループに分類される前記種類のデータの前記目的データへの影響より大きくなるように前記データの種類を分類する、
   ことを特徴とする請求項１または２に記載の要因分析装置。
4. 前記目的データへの影響度として算出された前記影響度に基づき、前記第１グループに分類された前記種類のデータへの影響が基準より大きい前記第２グループの種類のデータを、前記目的データに影響を与える影響要因として特定する解析手段をさらに備える、
   ことを特徴とする請求項１から３のいずれか一項に記載の要因分析装置。
5. 前記データの種類は、データの値の変化を直接制御できる種類と直接制御できない種類とを含み、
   前記分類手段は、データの値の変化を直接制御できる前記種類を前記第１グループに分類し、
   前記影響度算出手段は、前記第２グループに分類される種類のデータの、前記第１グループの種類のデータに対する影響度を算出する、
   ことを特徴とする請求項１から４のいずれか一項に記載の要因分析装置。
6. コンピュータが、
   複数のデータの種類を第１グループ、または第２グループのいずれかに分類し、
   前記第１グループに分類される種類から目的データへの影響が最も大きい種類を選択し、
   前記第２グループに分類される種類のデータの、前記第１グループから選択された種類のデータに対する影響度を算出する、
   ことを特徴とする要因分析方法。
7. 前記コンピュータが、
   前記目的データに影響があることが明らかな前記種類として特定された前記種類を前記第１グループに分類する、
   ことを特徴とする請求項６に記載の要因分析方法。
8. コンピュータに、
   複数のデータの種類を第１グループ、または第２グループのいずれかに分類する分類処理と、
   前記第１グループに分類される種類から目的データへの影響が最も大きい種類を選択する処理と、
   前記第２グループに分類される種類のデータの、前記第１グループから選択された種類のデータに対する影響度を算出する影響度算出処理と、
   を実行させることを特徴とするプログラム。
9. 前記分類処理は、前記目的データに影響があることが明らかな前記種類として特定された前記種類を前記第１グループに分類する、
   ことを特徴とする請求項８に記載のプログラム。
10. 前記分類処理は、前記第１グループに分類される前記種類のデータの前記目的データへの影響が、前記第２グループに分類される前記種類のデータの前記目的データへの影響より大きくなるように前記データの種類を分類する、
    ことを特徴とする請求項８または９に記載のプログラム。

Images