特開 2023-162922 情報処理方法、情報処理装置、情報処理プログラム、および、該情報処理プログラムを記憶したコンピュータ読取可能な記憶媒体

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023162922

(43)【公開日】2023-11-09

(54)【発明の名称】情報処理方法、情報処理装置、情報処理プログラム、および、該情報処理プログラムを記憶したコンピュータ読取可能な記憶媒体

(51)【国際特許分類】

   G06N 20/00 20190101AFI20231101BHJP

【ＦＩ】

G06N20/00 160

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2022073637

(22)【出願日】2022-04-27

(71)【出願人】

【識別番号】000003137

【氏名又は名称】マツダ株式会社

(74)【代理人】

【識別番号】110001427

【氏名又は名称】弁理士法人前田特許事務所

(72)【発明者】

【氏名】目良 貢

(57)【要約】

【課題】行列データの解析に際し、特定の目的因子の値が０または１となった要因を、従来よりも明確に捉える。
【解決手段】情報処理方法は、行列データ４９にＰＬＳＡ法を適用するステップＳ１と、ＰＬＳＡ法適用後の行列データ４９において特定の潜在クラスｚ’に属する対象者ｎ_ｉそれぞれを基底とし、該対象者ｎ_ｉそれぞれに割り当てられた因子ｐ_ｊの値を各基底の成分とした多次元ベクトルを生成するステップＳ２と、多次元ベクトルにｔ－ＳＮＥ法を適用することで低次元ベクトルを生成するステップＳ３と、特定の潜在クラスｚ’に属する目的因子ｐ^ｆに対応した低次元ベクトルと、他の潜在クラスｚ”に属する各比較因子ｐ_ｊ”に対応した低次元ベクトルとの相対的な位置関係を可視化するステップＳ４と、可視化された相対的な位置関係に基づいて、目的因子の値が０または１となった要因を分析する要因分析ステップＳ７と、を備える。
【選択図】図１３

【特許請求の範囲】

【請求項1】

プログラムを実行する演算部を備えるコンピュータを用いることによって、複数の分析対象者と、該複数の分析対象者それぞれに割り当てられた０または１の値からなる複数の因子とを行列化してなる行列データを解析するとともに、該解析結果を可視化する情報処理方法であって、
前記演算部が前記行列データにＰＬＳＡ法を適用することで、それぞれ異なる潜在クラスによってラベリングされたブロック行列からなるブロック対角行列に近付けるように、前記行列データをクラスタリングするＰＬＳＡステップと、
前記クラスタリング後の前記行列データにおいて、特定の潜在クラスに属する分析対象者それぞれを基底とし、該分析対象者それぞれに割り当てられた因子の値を各基底の成分とした多次元ベクトルを、前記特定の潜在クラス以外の他の潜在クラスに属する因子を含めて前記演算部が生成する分析対象抽出ステップと、
前記演算部が前記多次元ベクトルにｔ－ＳＮＥ法を適用することで、前記多次元ベクトルを、２次元または３次元の低次元ベクトルに次元圧縮する次元圧縮ステップと、
前記特定の潜在クラスに属する一の因子を目的因子とし、前記他の潜在クラスに属する他の因子を複数の比較因子とすると、前記多次元ベクトルに対応して得られた各低次元ベクトルに基づいて、前記目的因子に対応した前記低次元ベクトルと、前記複数の比較因子の各々に対応した前記低次元ベクトルとの相対的な位置関係を前記演算部が可視化するベクトル可視化ステップと、
前記ベクトル可視化ステップによって可視化された前記相対的な位置関係に基づいて、前記目的因子の値が０または１となった要因を分析する要因分析ステップと、を備える
ことを特徴とする情報処理方法。

【請求項2】

請求項１に記載された情報処理方法において、
前記ベクトル可視化ステップでは、前記相対的な位置関係として、
前記目的因子に対応した前記低次元ベクトルと、前記複数の比較因子の各々に対応した前記低次元ベクトルとの間のユークリッド距離を前記演算部が可視化し、
前記要因分析ステップでは、
前記演算部が可視化した各ユークリッド距離の長短に基づいて、前記複数の比較因子の中から、前記目的因子の値に寄与した因子を探索する
ことを特徴とする情報処理方法。

【請求項3】

請求項２に記載された情報処理方法において、
前記目的因子は、所定の物品を所有しているか否かを示すフラグである
ことを特徴とする情報処理方法。

【請求項4】

請求項２に記載された情報処理方法において、
前記ベクトル可視化ステップでは、
前記複数の比較因子のうちの一の比較因子を第２の目的因子とし、
前記第２の目的因子に対応した前記低次元ベクトルと、該第２の目的因子を除いた残りの比較因子の各々に対応した前記低次元ベクトルとの間のユークリッド距離を前記演算部が可視化し、
前記要因分析ステップでは、
前記演算部が可視化した各ユークリッド距離の長短に基づいて、前記残りの比較因子の中から、前記第２の目的因子の値に寄与した因子を探索し、
前記第２の目的因子の値に寄与した因子と、前記目的因子の値に寄与した因子とを比較することで、前記目的因子の値が０または１となった要因を分析する
ことを特徴とする情報処理方法。

【請求項5】

請求項４に記載された情報処理方法において、
前記第２の目的因子が属する潜在クラスを第２の特定クラスと呼称すると、前記クラスタリング後の前記行列データにおいて、前記第２の特定クラスに属する分析対象者それぞれを基底とし、該分析対象者それぞれに割り当てられた因子の値を各基底の成分とした第２の多次元ベクトルを、前記第２の特定クラス以外の他の潜在クラスに属する因子を含めて前記演算部が生成する第２の分析対象抽出ステップと、
前記演算部が前記第２の多次元ベクトルにｔ－ＳＮＥ法を適用することで、前記第２の多次元ベクトルを２次元または３次元の低次元ベクトルに次元圧縮する第２の次元圧縮ステップと、
前記第２の多次元ベクトルに対応して得られた各低次元ベクトルに基づいて、前記目的因子に対応した前記低次元ベクトルと、前記第２の目的因子に対応した前記低次元ベクトルと、前記残りの比較因子の各々に対応した前記低次元ベクトルとの間のユークリッド距離を前記演算部が可視化する第２のベクトル可視化ステップと、を備え、
前記要因分析ステップでは、
前記ベクトル可視化ステップにおいて前記演算部が可視化した各ユークリッド距離の長短に基づいて、前記残りの比較因子の中から、前記目的因子及び前記第２の目的因子それぞれの値に寄与した因子を探索する第１の探索ステップと、
前記第２のベクトル可視化ステップにおいて前記演算部が可視化した各ユークリッド距離の長短に基づいて、前記残りの比較因子の中から、前記目的因子及び前記第２の目的因子それぞれの値に寄与した因子を探索する第２の探索ステップと、を実行し、
前記第１の探索ステップによって探索された因子と、前記第２の探索ステップによって探索された因子とを比較することで、前記目的因子の値が０または１となった要因を分析する
ことを特徴とする情報処理方法。

【請求項6】

請求項４または５に記載された情報処理方法において、
前記目的因子は、所定の物品を所有しているか否かを示すフラグであり、
前記第２の目的因子は、前記所定の物品とは相違する別の物品を所要しているか否かを示すフラグであり、
前記所定の物品および前記別の部品は、製造者の異なる同種の物品である
ことを特徴とする情報処理方法。

【請求項7】

プログラムを実行する演算部を備えるコンピュータを備え、複数の分析対象者と、該複数の分析対象者それぞれに割り当てられた０または１の値からなる複数の因子とを行列化してなる行列データを解析するとともに、該解析結果を可視化する情報処理装置であって、
前記演算部が前記行列データにＰＬＳＡ法を適用することで、それぞれ異なる潜在クラスによってラベリングされたブロック行列からなるブロック対角行列に近付けるように、前記行列データをクラスタリングするＰＬＳＡ手段と、
前記クラスタリング後の前記行列データにおいて、特定の潜在クラスに属する分析対象者それぞれを基底とし、該分析対象者それぞれに割り当てられた因子の値を各基底の成分とした多次元ベクトルを、前記特定の潜在クラス以外の他の潜在クラスに属する因子を含めて前記演算部が生成する分析対象抽出手段と、
前記演算部が前記多次元ベクトルにｔ－ＳＮＥ法を適用することで、前記多次元ベクトルを、２次元または３次元の低次元ベクトルに次元圧縮する次元圧縮手段と、
前記特定の潜在クラスに属する一の因子を目的因子とし、前記他の潜在クラスに属する他の因子を複数の比較因子とすると、前記多次元ベクトルに対応して得られた各低次元ベクトルに基づいて、前記目的因子に対応した前記低次元ベクトルと、前記複数の比較因子の各々に対応した前記低次元ベクトルとの相対的な位置関係を前記演算部が可視化するベクトル可視化手段と、
前記ベクトル可視化ステップによって可視化された前記相対的な位置関係に基づいて、前記目的因子の値が０または１となった要因を分析する要因分析手段と、を備える
ことを特徴とする情報処理装置。

【請求項8】

プログラムを実行する演算部を備えるコンピュータに実行させることによって、複数の分析対象者と、該複数の分析対象者それぞれに割り当てられた０または１の値からなる複数の因子とを行列化してなる行列データを解析するとともに、該解析結果を可視化する情報処理プログラムであって、
前記コンピュータに、
前記演算部が前記行列データにＰＬＳＡ法を適用することで、それぞれ異なる潜在クラスによってラベリングされたブロック行列からなるブロック対角行列に近付けるように、前記行列データをクラスタリングするＰＬＳＡステップと、
前記クラスタリング後の前記行列データにおいて、特定の潜在クラスに属する分析対象者それぞれを基底とし、該分析対象者それぞれに割り当てられた因子の値を各基底の成分とした多次元ベクトルを、前記特定の潜在クラス以外の他の潜在クラスに属する因子を含めて前記演算部が生成する分析対象抽出ステップと、
前記演算部が前記多次元ベクトルにｔ－ＳＮＥ法を適用することで、前記多次元ベクトルを、２次元または３次元の低次元ベクトルに次元圧縮する次元圧縮ステップと、
前記特定の潜在クラスに属する一の因子を目的因子とし、前記他の潜在クラスに属する他の因子を複数の比較因子とすると、前記多次元ベクトルに対応して得られた各低次元ベクトルに基づいて、前記目的因子に対応した前記低次元ベクトルと、前記複数の比較因子の各々に対応した前記低次元ベクトルとの相対的な位置関係を前記演算部が可視化するベクトル可視化ステップと、
前記ベクトル可視化ステップによって可視化された前記相対的な位置関係に基づいて、前記目的因子の値が０または１となった要因を分析する要因分析ステップと、を実行させる
ことを特徴とする情報処理プログラム。

【請求項9】

請求項８に記載された情報処理プログラムを記憶している
ことを特徴とするコンピュータ読取可能な記憶媒体。

【発明の詳細な説明】

【技術分野】

【0001】

ここに開示する技術は、情報処理方法、情報処理装置、情報処理プログラム、および、該情報処理プログラムを記憶したコンピュータ読取可能な記憶媒体に関する。

【背景技術】

【0002】

複雑なビッグデータに対する分析手法として、いわゆる確率的潜在意味解析法（ＰＬＳＡ）が広く知られている。ＰＬＳＡとは、解析対象とした行列を潜在変数毎にクラスタリングすることで、行成分および列成分のうちの少なくとも一方を低次元化する手法である。

【0003】

一例として、アンケート回答者を行成分とし、アンケート項目を列成分とし、アンケートの回答内容を値とした行列に対してＰＬＳＡを適用した場合、潜在変数によって分類された各潜在クラスには、１つまたは複数のアンケート回答者と、１つまたは複数のアンケート項目とが属することになる。

【0004】

この場合、前記行列に、「メーカＡを好むか否か」、「メーカＢを好むか否か」および「メーカＣを好むか否か」等のアンケート項目が含まれていると仮定すると、「第１の潜在クラスに属する回答者はメーカＡを好み、第２の潜在クラスに属する回答者はメーカＢを好み、第３の潜在クラスに属する回答者はメーカＣを好み、…」等、同じ潜在クラスに属するアンケート回答者に対し、アンケート項目に応じた解釈を与えることが可能になる。

【0005】

ＰＬＳＡの具体的な応用例として、例えば下記特許文献１には、目的のデータおよび／または情報を獲得、分析ならびにマイニングする方法において、マイニングされたデータをクラスタリングするためにＰＬＳＡを用いることが開示されている。

【0006】

また、複雑な高次元データを低次元化するためのアルゴリズムとして、いわゆるｔ分布型確率的近傍埋め込み法（ｔ－ＳＮＥ）も知られている。ｔ－ＳＮＥを用いることで、データ間の局所的な関係性を維持しつつ、高次元データを２次元または３次元データに変換することが可能になる。

【0007】

ｔ－ＳＮＥの具体的な応用例として、例えば下記特許文献２には、参照データの各要素がマッピングされた２次元空間または３次元空間を生成するために、処理部がｔ－ＳＮＥを用いることが開示されている。

【先行技術文献】

【特許文献】

【0008】

【特許文献1】特表２００９－５２５５１４号公報

【特許文献2】特開２０１９－９１４５４号公報

【発明の概要】

【発明が解決しようとする課題】

【0009】

本願発明者らは、複数の分析対象者と、該複数の分析対象者それぞれに割り当てられた０または１の値からなる複数の因子とを行列化してなる行列に対し、ＰＬＳＡを用いた分析を試みた。

【0010】

この場合、ＰＬＳＡによって得られる潜在クラスは、各潜在クラスに属する１人または複数人の分析対象者と、該分析対象者と同じ潜在クラスに属する１つまたは複数の因子とによって特徴付けられることになる。ここで、所定の潜在クラスに属する因子の値は、同じ潜在クラスに属する分析対象者の間で類似した値にはなるものの、完全に同一の値になるとは限らない。

【0011】

前述の例を用いて説明すれば、「メーカＡを好む潜在クラスに分類されたアンケート回答者には、実際にメーカＡの製品を所有している回答者（１の値が割り当てられた回答者）ばかりでなく、メーカＡの製品を所有していない回答者（０の値が割り当てられた回答者）も含まれる」ことになる。

【0012】

本願発明者らは、特定の潜在クラスに属する特定の因子（以下、「目的因子」という）の値が０または１になった要因を、その目的因子と他の因子との関係性から分析することを検討した。

【0013】

そうした分析を行うための手法としては、特定の潜在クラスに対応した行列において、行成分または列成分をなす各因子を互いに異なるベクトルとみなすことで、その潜在クラスに属する分析対象者と同数の次元を有する多次元ベクトルを生成することが考えられる。この場合、目的因子に対応したベクトルと、他の因子に対応したベクトルとのユークリッド距離等を分析することで、目的因子の値と同じ傾向を持った因子を抽出したり、それとは反対に、目的因子の値と相反する傾向を持った因子を抽出したりすることが可能になる。

【0014】

ところが、分析対象者が多数にわたる場合、前述のような多次元ベクトルは、可視化するのが容易ではなく、直感的にも把握しがたいという難点があった。そのため、特定の潜在クラスに属する各因子に対応した多次元ベクトルに対し、ｔ－ＳＮＥを適用して低次元ベクトルへと変換することが考えられる。

【0015】

しかしながら、同じ潜在クラスに属する因子の値は、前述のように、同じ潜在クラスに属する分析対象者の間で類似した値となり得る。そのため、そうした因子に対応した低次元ベクトルだけでは、目的因子に対応した低次元ベクトルとの傾向の差を捉えるには不十分である。

【0016】

本開示は、かかる点に鑑みてなされたものであり、その目的とするところは、複数の分析対象者と、該複数の分析対象者それぞれに割り当てられた０または１の値からなる複数の因子とを行列化してなる行列データの解析に際し、特定の目的因子の値が０または１となった要因を、従来よりも明確に捉えることにある。

【課題を解決するための手段】

【0017】

本開示の第１の態様は、プログラムを実行する演算部を備えるコンピュータを用いることによって、複数の分析対象者と、該複数の分析対象者それぞれに割り当てられた０または１の値からなる複数の因子とを行列化してなる行列データを解析するとともに、該解析結果を可視化する情報処理方法に係る。

【0018】

そして、本開示の第１の態様によれば、前記情報処理方法は、前記演算部が前記行列データにＰＬＳＡ法を適用することで、それぞれ異なる潜在クラスによってラベリングされたブロック行列からなるブロック対角行列に近付けるように、前記行列データをクラスタリングするＰＬＳＡステップと、前記クラスタリング後の前記行列データにおいて、特定の潜在クラスに属する分析対象者それぞれを基底とし、該分析対象者それぞれに割り当てられた因子の値を各基底の成分とした多次元ベクトルを、前記特定の潜在クラス以外の他の潜在クラスに属する因子を含めて前記演算部が生成する分析対象抽出ステップと、前記演算部が前記多次元ベクトルにｔ－ＳＮＥ法を適用することで、前記多次元ベクトルを、２次元または３次元の低次元ベクトルに次元圧縮する次元圧縮ステップと、前記特定の潜在クラスに属する一の因子を目的因子とし、前記他の潜在クラスに属する他の因子を複数の比較因子とすると、前記多次元ベクトルに対応して得られた各低次元ベクトルに基づいて、前記目的因子に対応した前記低次元ベクトルと、前記複数の比較因子の各々に対応した前記低次元ベクトルとの相対的な位置関係を前記演算部が可視化するベクトル可視化ステップと、前記ベクトル可視化ステップによって可視化された前記相対的な位置関係に基づいて、前記目的因子の値が０または１となった要因を分析する要因分析ステップと、を備える。

【0019】

ここで、前記ＰＬＳＡステップでは、ブロック対角行列に近付くように、所定の行列に対して並び替え（クラスタリング）が施されることになる。以下、クラスタリング後の行列を「準ブロック対角行列」ともいう。「準ブロック対角行列」の非ブロック対角部分は、ブロック対角行列の非ブロック対角部分とは異なり、非ゼロの値を取り得る。

【0020】

前記第１の態様によると、特定の潜在クラス（以下、単に「特定クラス」という）に属する分析対象者それぞれを基底とし、該分析対象者それぞれに割り当てられた因子の値を各基底の成分とした多次元ベクトルに対してｔ－ＳＮＥ法を適用することで、その多次元ベクトルを低次元ベクトルに次元圧縮する。

【0021】

そして、低次元ベクトルの可視化に際し、特定クラスに属する目的因子と、他の比較因子との比較を行うところ、後者の比較因子については、特定クラスに属する因子ではなく、それ以外の他の潜在クラスに属する因子を採用する。

【0022】

すなわち、クラスタリング（言い換えると、ブロック対角行列に近付けるような行列の並び替え）によって得られた各ブロック行列が、それぞれ潜在クラスに対応することから明らかなように、同じ潜在クラスに属する因子に対応した低次元ベクトルは、互いに類似した傾向（例えば、ベクトル長が同程度になったり、内積が１に近接したりする傾向）を示す。なお、ここでいう「ブロック行列」とは、前記準ブロック対角行列のブロック対角部分を構成する行列を指す。

【0023】

それに対し、特定クラスに属する目的因子と、他の潜在クラスに属する比較因子との比較を行うことで、低次元ベクトル同士の違いを明確化することができる。そうして違いが明確化された状態で、目的因子に近接又は離間する比較因子を探索することで、目的因子の値が０または１となった契機となり得る要因を、従来よりも明確に捉えることが可能になる。

【0024】

またそもそも、他の潜在クラスに属する比較因子との比較を行うことは、ＰＬＳＡ法を行った段階では異なる潜在クラスに分類されたものの、それでもなお、目的因子と強く相関するような比較因子を探索することに相当する。これは、従来のＰＬＳＡ法では知り得ない知見であり、特定の目的因子の値が０または１となった要因を、従来よりも多方面から捉えることができるようになる。

【0025】

また、本開示の第２の態様によれば、前記ベクトル可視化ステップでは、前記相対的な位置関係として、前記目的因子に対応した前記低次元ベクトルと、前記複数の比較因子の各々に対応した前記低次元ベクトルとの間のユークリッド距離を前記演算部が可視化し、前記要因分析ステップでは、前記演算部が可視化した各ユークリッド距離の長短に基づいて、前記複数の比較因子の中から、前記目的因子の値に寄与した因子を探索する、としてもよい。

【0026】

前記第２の態様によると、前記要因分析ステップは、各ユークリッド距離の長短に基づいて因子を探索するように構成されている。このように構成することで、より直感的に理解し易い形式で可視化及び探索することが可能になる。これにより、特定の目的因子の値が０または１となった要因を捉える上で有利になる。

【0027】

また、本開示の第３の態様によれば、前記目的因子は、所定の物品を所有しているか否かを示すフラグである、としてもよい。

【0028】

前記第３の態様によると、目的因子に対応した多次元ベクトルを構成する基底には、前記フラグが１となった分析対象者、すなわち、前記物品を実際に所有している分析対象者が含まれることになる。そうした多次元ベクトルに基づき生成された低次元ベクトルに対して前述の可視化を行うことで、前記物品を所有する契機となった要因、或いは、所有しない契機となった要因を、従来よりも多方面から捉えることが可能になる。

【0029】

また、本開示の第４の態様によれば、前記ベクトル可視化ステップでは、前記複数の比較因子のうちの一の比較因子を第２の目的因子とし、前記第２の目的因子に対応した前記低次元ベクトルと、該第２の目的因子を除いた残りの比較因子の各々に対応した前記低次元ベクトルとの間のユークリッド距離を前記演算部が可視化し、前記要因分析ステップでは、前記演算部が可視化した各ユークリッド距離の長短に基づいて、前記残りの比較因子の中から、前記第２の目的因子の値に寄与した因子を探索し、前記第２の目的因子の値に寄与した因子と、前記目的因子の値に寄与した因子とを比較することで、前記目的因子の値が０または１となった要因を分析する、としてもよい。

【0030】

前記第４の態様によると、第２の目的因子を用いた分析を行うことで、第１の目的因子の値が０または１となった要因を、より多方面から捉えることができるようになる。例えば、第２の目的因子が、第１の目的因子の競合商品を所有しているか否かを示すフラグだった場合、第２の目的因子が０または１となった要因を探索することで、前記競合商品の改良点、訴求点等を明らかにすることが可能になる。それらの知見を分析することで、第１の目的因子に対応した商品の要改良点等を明確化（見える化）することができる。

【0031】

また、本開示の第５の態様によれば、前記情報処理方法は、前記第２の目的因子が属する潜在クラスを第２の特定クラスと呼称すると、前記クラスタリング後の前記行列データにおいて、前記第２の特定クラスに属する分析対象者それぞれを基底とし、該分析対象者それぞれに割り当てられた因子の値を各基底の成分とした第２の多次元ベクトルを、前記第２の特定クラス以外の他の潜在クラスに属する因子を含めて前記演算部が生成する第２の分析対象抽出ステップと、前記演算部が前記第２の多次元ベクトルにｔ－ＳＮＥ法を適用することで、前記第２の多次元ベクトルを２次元または３次元の低次元ベクトルに次元圧縮する第２の次元圧縮ステップと、前記第２の多次元ベクトルに対応して得られた各低次元ベクトルに基づいて、前記目的因子に対応した前記低次元ベクトルと、前記第２の目的因子に対応した前記低次元ベクトルと、前記残りの比較因子の各々に対応した前記低次元ベクトルとの間のユークリッド距離を前記演算部が可視化する第２のベクトル可視化ステップと、を備え、前記要因分析ステップでは、前記ベクトル可視化ステップにおいて前記演算部が可視化した各ユークリッド距離の長短に基づいて、前記残りの比較因子の中から、前記目的因子及び前記第２の目的因子それぞれの値に寄与した因子を探索する第１の探索ステップと、前記第２のベクトル可視化ステップにおいて前記演算部が可視化した各ユークリッド距離の長短に基づいて、前記残りの比較因子の中から、前記目的因子及び前記第２の目的因子それぞれの値に寄与した因子を探索する第２の探索ステップと、を実行し、前記第１の探索ステップによって探索された因子と、前記第２の探索ステップによって探索された因子とを比較することで、前記目的因子の値が０または１となった要因を分析する、としてもよい。

【0032】

前記第５の態様によると、目的因子（第１の目的因子）の属する潜在クラスを特定クラスとした分析を行った後に、第２の目的因子の属する潜在クラスを特定クラスに変更した分析を行う。後者の分析は、第２の目的因子と同じ潜在クラスに属する分析対象者それぞれを基底とし、該分析対象者それぞれに割り当てられた因子の値を各基底の成分とした多次元ベクトルに基づいた分析となる。したがって、後者の分析と前者の分析は、低次元ベクトルの生成に用いる分析対象者の内訳が相違することになる。

【0033】

このように、分析対象者の内訳を異ならせた２つの分析結果を比較することで、目的因子の値が０または１となった要因を、より多方面から捉えることができるようになる。

【0034】

また、本開示の第６の態様によれば、前記目的因子は、所定の物品を所有しているか否かを示すフラグであり、前記第２の目的因子は、前記所定の物品とは相違する別の物品を所要しているか否かを示すフラグであり、前記所定の物品および前記別の部品は、製造者の異なる同種の物品である、としてもよい。

【0035】

前記第６の態様によると、第２の目的因子が０または１となった要因を探索することで、前記別の物品の改良点、訴求点等を明らかにすることが可能になる。これにより、前記所定の物品における要改良点等を明確化することができる。

【0036】

本開示の第７の態様は、プログラムを実行する演算部を備えるコンピュータを備え、複数の分析対象者と、該複数の分析対象者それぞれに割り当てられた０または１の値からなる複数の因子とを行列化してなる行列データを解析するとともに、該解析結果を可視化する情報処理装置に係る。

【0037】

そして、本開示の第７の態様によれば、前記情報処理装置は、前記演算部が前記行列データにＰＬＳＡ法を適用することで、それぞれ異なる潜在クラスによってラベリングされたブロック行列からなるブロック対角行列に近付けるように、前記行列データをクラスタリングするＰＬＳＡ手段と、前記クラスタリング後の前記行列データにおいて、特定の潜在クラスに属する分析対象者それぞれを基底とし、該分析対象者それぞれに割り当てられた因子の値を各基底の成分とした多次元ベクトルを、前記特定の潜在クラス以外の他の潜在クラスに属する因子を含めて前記演算部が生成する分析対象抽出手段と、前記演算部が前記多次元ベクトルにｔ－ＳＮＥ法を適用することで、前記多次元ベクトルを、２次元または３次元の低次元ベクトルに次元圧縮する次元圧縮手段と、前記特定の潜在クラスに属する一の因子を目的因子とし、前記他の潜在クラスに属する他の因子を複数の比較因子とすると、前記多次元ベクトルに対応して得られた各低次元ベクトルに基づいて、前記目的因子に対応した前記低次元ベクトルと、前記複数の比較因子の各々に対応した前記低次元ベクトルとの相対的な位置関係を前記演算部が可視化するベクトル可視化手段と、前記ベクトル可視化ステップによって可視化された前記相対的な位置関係に基づいて、前記目的因子の値が０または１となった要因を分析する要因分析手段と、を備える。

【0038】

前記第７の態様によると、行列データの解析に際し、特定の目的因子の値が０または１となった要因を、従来よりも明確に捉えることができる。

【0039】

本開示の第８の態様は、プログラムを実行する演算部を備えるコンピュータに実行させることによって、複数の分析対象者と、該複数の分析対象者それぞれに割り当てられた０または１の値からなる複数の因子とを行列化してなる行列データを解析するとともに、該解析結果を可視化する情報処理プログラムに係る。

【0040】

そして、本開示の第８の態様によれば、前記情報処理プログラムは、前記コンピュータに、前記演算部が前記行列データにＰＬＳＡ法を適用することで、それぞれ異なる潜在クラスによってラベリングされたブロック行列からなるブロック対角行列に近付けるように、前記行列データをクラスタリングするＰＬＳＡステップと、前記クラスタリング後の前記行列データにおいて、特定の潜在クラスに属する分析対象者それぞれを基底とし、該分析対象者それぞれに割り当てられた因子の値を各基底の成分とした多次元ベクトルを、前記特定の潜在クラス以外の他の潜在クラスに属する因子を含めて前記演算部が生成する分析対象抽出ステップと、前記演算部が前記多次元ベクトルにｔ－ＳＮＥ法を適用することで、前記多次元ベクトルを、２次元または３次元の低次元ベクトルに次元圧縮する次元圧縮ステップと、前記特定の潜在クラスに属する一の因子を目的因子とし、前記他の潜在クラスに属する他の因子を複数の比較因子とすると、前記多次元ベクトルに対応して得られた各低次元ベクトルに基づいて、前記目的因子に対応した前記低次元ベクトルと、前記複数の比較因子の各々に対応した前記低次元ベクトルとの相対的な位置関係を前記演算部が可視化するベクトル可視化ステップと、前記ベクトル可視化ステップによって可視化された前記相対的な位置関係に基づいて、前記目的因子の値が０または１となった要因を分析する要因分析ステップと、を実行させる。

【0041】

前記第８の態様によると、行列データの解析に際し、特定の目的因子の値が０または１となった要因を、従来よりも明確に捉えることができる。

【0042】

また、本開示の第９の態様は、前記情報処理プログラムを記憶していることを特徴とするコンピュータ読取可能な記憶媒体に係る。

【0043】

前記第９の態様によると、行列データの解析に際し、特定の目的因子の値が０または１となった要因を、従来よりも明確に捉えることができる。

【発明の効果】

【0044】

以上説明したように、本開示によれば、行列データの解析に際し、特定の目的因子の値が０または１となった要因を、従来よりも明確に捉えることができる。

【図面の簡単な説明】

【0045】

【図1】図１は、情報処理装置のハードウェア構成を例示する図である。

【図2】図２は、情報処理装置のソフトウェア構成を例示する図である。

【図3】図３は、情報処理方法の手順を例示するフローチャートである。

【図4】図４は、ＰＬＳＡステップの手順を例示するフローチャートである。

【図5】図５は、行列データを例示する図である。

【図6】図６は、ＰＬＳＡステップの基本概念を説明するための図である。

【図7】図７は、クラスタリング結果を例示する図である。

【図8】図８は、分析対象抽出ステップの手順を例示するフローチャートである。

【図9】図９は、分析対象抽出ステップの基本概念を説明するための図である。

【図10】図１０は、次元圧縮ステップの手順を例示するフローチャートである。

【図11】図１１は、ベクトル可視化ステップの手順を例示するフローチャートである。

【図12】図１２は、要因分析ステップの手順を例示するフローチャートである。

【図13】図１３は、ベクトル可視化ステップによって可視化される内容を例示する図である。

【図14】図１４は、第２のベクトル可視化ステップによって可視化される内容を例示する図である。

【図15】図１５は、表示態様の変更例を示す図である。

【発明を実施するための形態】

【0046】

以下、本開示の実施形態を図面に基づいて説明する。なお、以下の説明は例示である。

【0047】

＜装置構成＞
図１は、本開示に係る情報処理装置（具体的には、情報処理装置を構成するコンピュータ１）のハードウェア構成を例示する図であり、図２は、そのソフトウェア構成を例示する図である。

【0048】

図１に例示するように、コンピュータ１は、コンピュータ１全体の制御を司る中央処理装置（Central Processing Unit：ＣＰＵ）３と、ブートプログラム等を記憶するリードオンリーメモリ（Read Only Memory：ＲＯＭ）５と、メインメモリとして機能するランダムアクセスメモリ（Random Access Memory：ＲＡＭ）７と、２次記憶装置としてのハードディスクドライブ（Hard Disk Drive：ＨＤＤ）９と、を備える。なお、２次記憶装置としては、ＨＤＤ９の代わりに、ソリッドステートドライブ（Solid State Drive：ＳＳＤ）等を用いることもできる。

【0049】

これらの要素のうち、ＣＰＵ３は、種々のプログラムを実行する。ＣＰＵ３は、本実施形態における演算部として機能する。また、ＲＡＭ７及びＨＤＤ９は、ＣＰＵ３により実行されるプログラムを一時的または継続的に記憶する。ＲＡＭ７及びＨＤＤ９は、それぞれ、本実施形態における記憶部として機能する。

【0050】

コンピュータ１はまた、ディスプレイ１１と、ディスプレイ１１上に表示される画像データを格納するグラフィックスメモリ（Video RAM：ＶＲＡＭ）１３と、マンマシンインターフェースとしてのキーボード１５及びマウス１７と、を備える。ディスプレイ１１は、ＣＰＵ３による演算結果を表示することができ、本実施形態における表示部として機能する。また、本実施形態に係るコンピュータ１は、通信用のインターフェース２１を解して外部機器との間でデータを送受することができる。

【0051】

図２に例示するように、ＨＤＤ９のプログラムメモリには、オペレーティングシステム（Operating System：ＯＳ）１９、ＰＬＳＡプログラム２９Ａ、分析対象抽出プログラム２９Ｂ、次元圧縮プログラム２９Ｃ、ベクトル可視化プログラム２９Ｄ、特定クラス変更プログラム２９Ｅ、要因分析プログラム２９Ｆ、アプリケーションプログラム３９等が格納される。

【0052】

これらの要素のうち、ＰＬＳＡプログラム２９Ａ、分析対象抽出プログラム２９Ｂ、次元圧縮プログラム２９Ｃ、ベクトル可視化プログラム２９Ｄ、特定クラス変更プログラム２９Ｅ及び要因分析プログラム２９Ｆは、本実施形態における情報処理プログラム２９を構成する。

【0053】

ここで、情報処理プログラム２９とは、後述の情報処理方法を実行するためのプログラムであって、同方法を構成する各ステップをコンピュータ１に実行させるように構成されている。情報処理プログラム２９は、コンピュータ読取可能な記憶媒体１８に予め記憶されている。

【0054】

ＨＤＤ９のプログラムメモリにおいて、ＰＬＳＡプログラム２９Ａ、分析対象抽出プログラム２９Ｂ、次元圧縮プログラム２９Ｃ、ベクトル可視化プログラム２９Ｄ、特定クラス変更プログラム２９Ｅ及び要因分析プログラム２９Ｆは、それぞれ、キーボード１５、マウス１７等から入力される指令に応じて起動される。その際、ＰＬＳＡプログラム２９Ａ等は、ＨＤＤ９からＲＡＭ７にロードされ、ＣＰＵ３によって実行されることになる。

【0055】

一方、ＨＤＤ９のデータメモリには、解析対象となる行列データ４９と、その行列データ４９をクラスタリングすることで得られるクラスタデータ５９と、が格納される。

【0056】

この他、ＰＬＳＡプログラム２９Ａ、分析対象抽出プログラム２９Ｂ、次元圧縮プログラム２９Ｃ、ベクトル可視化プログラム２９Ｄ、特定クラス変更プログラム２９Ｅ及び要因分析プログラム２９Ｆを実行することで生成される種々のデータ、並びに、アプリケーションプログラム３９の実行結果については、必要に応じて、ＨＤＤ９のデータメモリに格納されたり、メインメモリとしてのＲＡＭ７に格納されたりする。

【0057】

以下、情報処理方法の具体的な方法論について詳細に説明する。

【0058】

＜方法論＞
図３は、情報処理方法の手順を例示するフローチャートである。図３に例示した方法は、コンピュータ１を用いることによって、行列データ４９を解析するとともに、その解析結果を可視化するものである。

【0059】

図３に示すように、情報処理方法は、ＰＬＳＡステップ（ステップＳ１）と、分析対象抽出ステップ（ステップＳ２）と、次元圧縮ステップ（ステップＳ３）と、ベクトル可視化ステップ（ステップＳ４）と、特定クラス変更ステップ（ステップＳ６）と、要因分析ステップ（ステップＳ７）と、を順番に実行することで実施される。なお、ベクトル可視化ステップ及び要因分析ステップの実行結果は、いずれも、表示部としてのディスプレイ１１上に表示することができる。

【0060】

これらのステップのうち、ＰＬＳＡステップは、ＣＰＵ３が前述のＰＬＳＡプログラム２９Ａを実行することで実施される。同様に、分析対象抽出ステップは、ＣＰＵ３が分析対象抽出プログラム２９Ｂを実行することで実施され、次元圧縮ステップは、ＣＰＵ３が次元圧縮プログラム２９Ｃを実行することで実施され、ベクトル可視化ステップは、ＣＰＵ３がベクトル可視化プログラム２９Ｄを実行することで実施され、特定クラス変更ステップは、ＣＰＵ３が特定クラス変更プログラム２９Ｅを実行することで実施され、要因分析ステップは、ＣＰＵ３が要因分析プログラム２９Ｆを実行することで実施される。

【0061】

ＣＰＵ３がＰＬＳＡプログラム２９Ａ等を実行することで、コンピュータ１は、ＰＬＳＡステップを実行するＰＬＳＡ手段と、分析対象抽出ステップを実行する分析対象抽出手段と、次元圧縮ステップを実行する次元圧縮手段と、ベクトル可視化ステップを実行するベクトル可視化手段と、特定クラス変更ステップを実行する特定クラス変更手段と、要因分析ステップを実行する要因分析手段と、を備える情報処理装置として機能することになる。

【0062】

以下、情報処理方法を構成する各ステップについて順番に説明する。

【0063】

（ＰＬＳＡステップ）
図４は、ＰＬＳＡステップの手順を例示するフローチャートである。また、図５は、行列データ４９を例示する図であり、図６は、ＰＬＳＡステップの基本概念を説明するための図であり、図７は、クラスタリング結果を例示する図である。

【0064】

ここで、図４に例示するフローチャートは、図３のステップＳ１において行われる処理を示している。すなわち、図３において制御プロセスがステップＳ１に進むと、ＣＰＵ３は、図４のステップＳ１１－Ｓ１４を順番に実行することになる。

【0065】

ＰＬＳＡステップは、ＣＰＵ３が行列データ４９にＰＬＳＡ法を適用することで、それぞれ異なる潜在クラスによってラベリングされたブロック行列からなるブロック対角行列に近付けるように、前記行列データをクラスタリングするように構成されている。言い換えると、このＰＬＳＡステップは、それぞれ異なる潜在クラスによってラベリングされたブロック行列を含んだ前述の準ブロック対角行列となるように、行列データをクラスタリングするように構成されている。

【0066】

具体的に、図４のステップＳ１１において、ＣＰＵ３が行列データ４９を読み込む。

【0067】

この行列データ４９は、複数の分析対象者ｎ_ｉ（ｉ＝１，２，…，Ｎ）と、該複数の分析対象者ｎ_ｉそれぞれに割り当てられた０又は１の値からなる複数の因子ｐ_ｊ（ｊ＝１，２，…，Ｍ）とを行列化してなるものである。以下、「分析対象者」を単に「対象者」と記載する。対象者の人数（＝Ｎ）は、好ましくは１００人以上、さらに好ましくは１０００となる。また、因子の数（＝Ｍ）は、好ましくは１００個以上、さらに好ましくは２００個以上となる。

【0068】

特に本実施形態では、行列データ４９の行成分が各対象者に対応し、列成分が各因子に対応するようになっている。すなわち、行列データ４９に対応したＮ行Ｍ列の行列をＸと表すと、Ｘの（ｉ，ｊ）成分は、ｉ番目の対象者ｎ_ｉにおける、ｊ番目の因子ｐ_ｊの値を表すことになる。

【0069】

複数の因子ｐ_ｊは、それぞれ、各対象者ｎ_ｉの性質、状態等を表すフラグとしてもよい。各対象者ｎ_ｉの性質には、各対象者ｎ_ｉの性別、性格及び嗜好が含まれる。各対象者ｎ_ｉの状態には、各対象者ｎ_ｉの年齢、健康状態及び所定の物品を所有しているか否を示すフラグが含まれる。複数の因子ｐ_ｊは、それぞれ、各対象者ｎ_ｉに対するアンケートの回答結果としてもよい。仮の呼称として、各対象者ｎ_ｉの性質及び状態を「価値観」と総称する場合がある。

【0070】

特に本実施形態では、各対象者ｎ_ｉの嗜好として、複数の因子ｐ_ｊに、メーカＡによって製造された物品（例えば、Ａ社製の自動車）を所有しているか否かを示すフラグ（図５の因子ｐ_１：「ユーザＡ」）と、この物品と同じ種類の物品であってかつメーカＢによって製造された物品（例えば、Ｂ社製の自動車）を所有しているか否かを示すフラグ（図５の因子ｐ_２：「ユーザＢ」）と、この物品と同じ種類の物品であってかつメーカＣによって製造された物品（例えば、Ｃ社製の自動車）を所有しているか否かを示すフラグ（図５の因子ｐ_３：「ユーザＣ」）とが含まれているものとする。

【0071】

詳しくは、図５に示す例では、複数の因子ｐ_ｊに、対象者ｎ_ｉの性別を示すフラグ（因子ｐ_４及び因子ｐ_５）と、対象者ｎ_ｉの年齢を示すフラグ（因子ｐ_６及び因子ｐ_７：「若年層」及び「熟年層」）と、対象者ｎ_ｉの嗜好を示すフラグ（因子ｐ_８～因子ｐ_１１）と、が含まれているものとする。

【0072】

さらに詳しくは、図５に示す例では、複数の因子ｐ_ｊに、「デザイン性を追求するか否か」を示すフラグ（因子ｐ_８：「デザイン性」）と、「機能性を追求するか否か」を示すフラグ（因子ｐ_９：「機能性」）と、「高級感を求めるか否か」を示すフラグ（因子ｐ_１０：「高級感」）と、「割安感を追求するか否か」を示すフラグ（因子ｐ_１１：「デザイン性」）と、が示されている。この他、視力の良否、認知状態の高低等、対象者ｎ_ｉの健康状態を示すフラグを因子ｐ_ｊに含めたり、集団行動を好むか否か等、対象者ｎ_ｉの性格を示すフラグを因子ｐ_ｊに含めたりしてもよい。

【0073】

なお、複数の因子ｐ_ｊには、対象者ｎ_ｉの年齢のように択一的に選ばれるフラグが含まれてもよいし、対象者ｎ_ｉの嗜好のように重複を許すフラグが含まれていてもよい。例えば、図５の因子ｐ_６及び因子ｐ_７に示すように、対象者ｎ_ｉの年齢は、若年層及び熟年層のいずれか一方のフラグが１となり、他方のフラグは０となる。それに対し、同図の因子ｐ_８及び因子ｐ_９に示すように、対象者ｎ_ｉの嗜好は、「デザイン性を追求するか否か」と「機能性を追求するか否か」の両方のフラグが１であってもよいし、片方のフラグが１であってもよいし、両方のフラグが０であってもよい。

【0074】

その後、ステップＳ１１から続くステップＳ１２において、演算部としてのＣＰＵ３が、ステップＳ１１で読み込んだ行列データ４９に対してＰＬＳＡ法を適用する。ＰＬＳＡ法を適用することで、行列データ４９は、ブロック対角行列に近づくように並び替えが施されることで、複数のクラスタＣｌ_ｚ（ｚ＝１，２，…，Ｚ）にクラスタリングされることになる。ここで、ブロック行列（準ブロック対角行列のブロック対角部分）としての各クラスタＣ_ｚは、いわゆる潜在クラス（潜在変数）ｚによってラベリングされることになる。

【0075】

ＰＬＳＡは、行列データ４９における行要素ｉと列要素ｊの同時確率分布Ｐ（ｉ，ｊ）を潜在クラスｚによって展開し、下式（１）のように表したものに相当する。

【0076】

【数1】

【0077】

上式に示すように、行要素ｉと列要素ｊは、双方とも、潜在クラスｚを使って表現することができる。つまり、複数の対象者ｎ_ｉがいずれかの潜在クラスｚに分類されると同時に、複数の因子ｐ_ｊもいずれかの潜在クラスｚに分類されることになる。これらの分類は、いずれも択一的に行われるようになっている。

【0078】

具体的な計算に際しては、いわゆるＥＭアルゴリズムを用いることによって、同時確率分布Ｐ（ｉ，ｊ）の対数尤度を最大にすることでクラスタリングを実行する。これにより、図６の下段に示すように、対象者ｎ_ｉ及び因子ｐ_ｊをそれぞれ第１クラスタＣｌ_１（ｚ＝１）、第２クラスタＣｌ_２（ｚ＝２）、第３クラスタＣｌ_３（ｚ＝３）、…に分類することができる。各クラスタＣｌ_ｚの構成成分は、フラグが１である確率が高いものが集まるように構成されている。換言すると、第１クラスタＣｌ_１の（１，２）成分に示すように、各クラスタＣｌ_ｚの構成成分は、必ずしも１になるとは限らない。

【0079】

なお、図６の下段は、概略的な例示に過ぎない。前述のように対象者の人数を１００人以上に設定しかつ因子の数を１００個以上に設定した場合、各クラスタＣｌ_ｚに属する対象者ｎ_ｉ及び因子ｐ_ｊの数は、双方とも数十～百個程度に及び得る。

【0080】

その後、ステップＳ１２から続くステップＳ１３において、ＣＰＵ３は、各潜在クラスｚに顧客ＩＤ（対象者ｎ_ｉの引数ｉ）と、因子ＩＤ（因子ｐ_ｊの引数ｊ）を振り分ける。この振り分けによって、図６に示すように、行列データ４９を少なくとも２つ以上のクラスタに分類することができる。

【0081】

ここで、ＣＰＵ３は、例えば、コンピュータ１の操作者による操作入力に基づいて、各クラスタＣｌｚを構成する１つ又は複数の因子ｐ_ｊを各クラスタＣｌ_ｚの名称（看板）に設定することができる。この名称は、各クラスタＣｌ_ｚの構成因子のうち、フラグが１となる確率が最も高い因子ｐ_ｊを選択してもよいし、操作者の目的に応じて、手動で選択してもよい。

【0082】

例えば図６の場合、フラグが１となる確率が高い因子ｐ_ｊとして、第１クラスタＣｌ_１ではｐ_１６とｐ_１８が選択され、第２クラスタＣｌ_２ではｐ_７とｐ_１１が選択され、第３クラスタＣｌ_３はｐ_２とｐ_１２が選択されることになる。看板及び因子ｐ_ｊの選択については、図７も参照されたい。

【0083】

一方、例えば、「Ａ社製品を所有しているか否かを分かつ要因を知りたい」という目的に基づいて本開示を実施する場合、因子ｐ_１が属する第１クラスタＣｌ_１には「Ａユーザ」、「Ａ社指向」等の名称を付し、因子ｐ_２が属する第３クラスタＣｌ_３には「Ｂユーザ」、「Ｂ社指向」等の名称を付し、因子ｐ_１～ｐ_３のいずれも属さない第２クラスタＣｌ_２には、「その他ユーザ」等の名称を付すことができる。

【0084】

なお、所定の物品を示すか否かを示すフラグ（例えば、ｐ_１）を因子ｐ_ｊに含めた場合、各潜在クラスｚに分類された対象者ｎ_ｉには、例えば第１クラスタＣｌ_１の対象者ｎ_８、ｎ_１９及びｎ_２１に示すように、実際にその物品（Ａ社製品）を所有している者（ｐ_１の値が１となった対象者）が含まれる。以下、そうした対象者ｎ_ｉを「主要Ａ社ユーザ」と呼称する場合がある。図６に示す例では、対象者ｎ_８，ｎ_１９，ｎ_２１が主要Ａ社ユーザに相当する。

【0085】

また、各潜在クラスｚに分類された対象者ｎ_ｉには、前記主要Ａ社ユーザに加え、第１クラスタＣｌ_１の対象者ｎ_１８のように、「Ａユーザ」と付された第１クラスタＣｌ_１に属しつつも、その物品を所有していない者（ｐ_１の値が０となった対象者）も含まれる。以下、そうした対象者ｎ_ｉを「潜在Ａ社ユーザ」と呼称する場合がある。図６に示す例では、対象者ｎ_１８が潜在Ａ社ユーザに相当する。

【0086】

また、各潜在クラスｚに分類された対象者ｎ_ｉには、主要Ａ社ユーザ及び潜在Ａ社ユーザに加え、第２クラスタＣｌ_２の対象者ｎ_１のように、「その他ユーザ」と付された第２クラスタＣｌ_２等、「Ａユーザ」以外のクラスタに属しつつも、Ａ社製品を所有している者も含まれる。以下、そうした対象者ｎ_ｉを「顕在Ａ社ユーザ」と呼称する場合がある。図６に示す例では、対象者ｎ_１が顕在Ａ社ユーザに相当する。

【0087】

以下、例えば、Ｂ社製品を所有しているか否かを示す因子ｐ_２が属する第３クラスタＣｌ_３に関し、同様に「主要Ｂ社ユーザ」、「潜在Ｂ社ユーザ」及び「顕在Ｂ社ユーザ」と呼称する場合がある。Ｃ社製品を所有しているか否かを示す因子ｐ_３を含んだ図外のクラスタＣｌ_ｚについても同様である。

【0088】

続いて、ステップＳ１３から続くステップＳ１４において、ＣＰＵ３は、クラスタデータ５９として、潜在クラスｚ毎に、顧客ＩＤと因子ＩＤを並び変えた行列データ４９をＲＡＭ７又はＨＤＤ９に格納する。つまり、ここでいうクラスタデータ５９とは、図６の下段に示すように、クラスタリング後の行列データ４９に他ならない。そうして格納されたクラスタデータ５９は、分析対象抽出ステップ等の後続の処理において、必要に応じて読み込まれる。ステップＳ１４が完了すると、制御プロセスは、図４に例示したフローからリターンし、図３のステップＳ２へ進む。

【0089】

（分析対象抽出ステップ）
図８は、分析対象抽出ステップの手順を例示するフローチャートである。また、図９は、分析対象抽出ステップの基本概念を説明するための図である。

【0090】

ここで、図８に例示するフローチャートは、図３のステップＳ２において行われる処理を示している。すなわち、図３において制御プロセスがステップＳ２に進むと、ＣＰＵ３は、図８のステップＳ２１－Ｓ２４を順番に実行することになる。

【0091】

分析対象抽出ステップは、クラスタリング後の行列データ４９、つまりクラスタデータ５９において、特定の潜在クラス（以下、単に「特定クラス」ともいう）ｚ’に属する対象者ｎ_ｉそれぞれを基底とし、該対象者ｎ_ｉそれぞれに割り当てられた因子ｐ_ｊの値を各基底の成分とした多次元ベクトルＸ_ｚ’，ｊを、特定の潜在クラスｚ’以外の他の潜在クラスｚ”に属する因子ｐ_ｊを含めてＣＰＵ３が生成するように構成されている。ここで、「ｚ”」は、「ｚ」として取り得る値のうち、「ｚ’」以外の全ての値を示す。

【0092】

具体的に、図８のステップＳ２１において、ＣＰＵ３がクラスタデータ５９を読み込む。前述のように、クラスタデータ５９は、潜在クラスｚ毎に、顧客ＩＤと因子ＩＤを並び変えた行列データ４９を示す。

【0093】

続いて、ステップＳ２１から続くステップＳ２２において、ＣＰＵ３が、複数の潜在クラスｚの中から特定クラスｚ’の選択を受け付ける。この選択は、例えば、コンピュータ１の操作者による操作入力に基づいて受け付けてもよいし、事前に特定クラスｚ’が記載された設定データをＨＤＤ９等から読み込んでもよい。

【0094】

本実施形態では、特定クラスｚ’の一例として、図６及び図９等に示す第１クラスタＣｌ_１、つまりｚ＝１の「Ａユーザ」が選択されたものとする。

【0095】

続いて、ステップＳ２２から続くステップＳ２３において、ＣＰＵ３は、特定クラスｚ’に属する顧客ＩＤを基底とし、各顧客ＩＤに割り振られた因子ｐ_ｊの値を各基底の成分とした多次元ベクトルＸ_ｚ’，ｊを生成する。すなわち、多次元ベクトルＸ_ｚ’，ｊの次元数ｄは、特定クラスｚ’に属する対象者ｎ_ｉの数ｄと一致することになる。

【0096】

また、多次元ベクトルＸ_ｚ’，ｊの生成に際して考慮される因子ｐ_ｊは、少なくとも特定クラスｚ’に属する１つの因子ｐ_ｊと、特定クラスｚ’以外の他の潜在クラスｚ”に属する２以上の因子ｐ_ｊと、を含む。以下、前者の因子ｐ_ｊを「第１の目的因子ｐ^ｆ」又は単に「目的因子ｐ^ｆ」と呼称する場合がある。

【0097】

例えば、図９に示す例では、特定クラスとしての第１クラスタＣｌ_１に属する対象者ｎ_ｉであるｎ_８、ｎ_１８、ｎ_１９及びｎ_２１が多次元ベクトルＸ_１，ｊの基底となる。この場合、多次元ベクトルＸ_１，ｊは４次元（すなわちｄ＝４）となる。

【0098】

また、第１クラスタＣｌ_１に属する因子ｐ_１を目的因子ｐ^ｆとした場合、その目的因子ｐ^ｆに対応する多次元ベクトルＸ_１，ｊは、図９に示すように
Ｘ_１，１＝（１，０，１，１）
と表すことができる。この場合の目的因子ｐ^ｆは、所定物品としてのＡ社製品を所有しているか否かを示すフラグとなる。

【0099】

一方、特定クラスｚ’以外の他の潜在クラスｚ”、すなわち、第２クラスタＣｌ_２、第３クラスタＣｌ_３、…に属する各因子ｐ_ｊに対応する多次元ベクトルＸ_１，ｊは、図内の範囲内では、
Ｘ_１，７＝（０，０，０，０），
Ｘ_１，１１＝（０，０，０，０），
Ｘ_１，２＝（０，１，０，０），
Ｘ_１，１２＝（０，０，１，０），
Ｘ_１，１７＝（０，０，０，０）
と表すことができる。

【0100】

ここに着目すべき点として、「特定クラスｚ’以外の他の潜在クラスｚ”に対応する多次元ベクトルＸ_ｚ’，ｊは、ベクトルの各成分の値として、他の潜在クラスｚ”に属する因子ｐ_ｊの値を考慮するように設定されているが、ベクトルの基底として考慮すべき対象者ｎ_ｉは、必ず、他の潜在クラスｚ”ではなく特定クラスｚ’に属する対象者ｎ_ｉから選択される」、ことが挙げられる。

【0101】

詳細は後述するが、このように多次元ベクトルＸ_ｚ’，ｊを設定しておくことで、特定クラスｚ’に属する対象者ｎ_ｉの状態・性質等を分かつ要因を、従来よりも明確に捉えることが可能になる。

【0102】

続いて、ステップＳ２３から続くステップＳ２４において、ＣＰＵ３は、ステップＳ２３によって生成された多次元ベクトルＸ_ｚ’，ｊを、ＲＡＭ７又はＨＤＤ９に格納する。そうして格納された多次元ベクトルＸ_ｚ’，ｊは、次元圧縮ステップ等の後続の処理において、必要に応じて読み込まれる。ステップＳ２４が完了すると、制御プロセスは、図８に例示したフローからリターンし、図３のステップＳ３へ進む。

【0103】

（次元圧縮ステップ）
図１０は、次元圧縮ステップの手順を例示するフローチャートである。

【0104】

ここで、図１０に例示するフローチャートは、図３のステップＳ３において行われる処理を示している。すなわち、図３において制御プロセスがステップＳ３に進むと、ＣＰＵ３は、図１０のステップＳ３１－Ｓ３３を順番に実行することになる。

【0105】

次元圧縮ステップは、ＣＰＵ３が多次元ベクトルＸ_ｚ’，ｊにｔ－ＳＮＥ法を適用することで、多次元ベクトルＸ_ｚ’，ｊを２次元又は３次元の低次元ベクトルｘ_ｚ’，ｊに次元圧縮するように構成されている。

【0106】

具体的に、図１０のステップＳ３１において、ＣＰＵ３が多次元ベクトルＸ_ｚ’，ｊを読み込む。

【0107】

続いて、ステップＳ３１から続くステップＳ３２において、ＣＰＵ３が、ステップＳ３１で読み込んだ多次元ベクトルＸ_ｚ’，ｊに対し、ｔ－ＳＮＥ法を適用する。例えば、高次元空間では多変量正規分布に基づく尺度でベクトルデータ間の距離を測り、低次元空間では自由度１のｔ分布に基づく尺度でベクトルデータ間の距離を測る。そして、ＣＰＵ３が２つの分布間のカルバック・ライブラー情報量を最小化することで、次元圧縮を実行する。ｔ－ＳＮＥ法を適用することで、ｄ次元の多次元ベクトルＸ_ｚ’，ｊを、２次元又は３次元の低次元ベクトルｘ_ｚ’，ｊへと変換することができる。

【0108】

本実施形態では、２次元の低次元ベクトルｘ_ｚ’，ｊに変換されたものとする。多次元ベクトルＸ_ｚ’，ｊの本数（考慮すべき因子ｐ_ｊの数）は、低次元ベクトルｘ_ｚ’，ｊの本数と同じである。

【0109】

続いて、ステップＳ３２から続くステップＳ３３において、ＣＰＵ３は、ステップＳ３２によって生成された低次元ベクトルｘ_ｚ’，ｊを、ＲＡＭ７又はＨＤＤ９に格納する。そうして格納された低次元ベクトルｘ_ｚ’，ｊは、ベクトル可視化ステップ等の後続の処理において、必要に応じて読み込まれる。ステップＳ３３が完了すると、制御プロセスは、図１０に例示したフローからリターンし、図３のステップＳ４へ進む。

【0110】

なお、図１０に例示するフローによって得られる低次元ベクトルｘ_ｚ’，ｊには、前述の第１の目的因子（目的因子）ｐ^ｆに対応した低次元ベクトルｘ_ｚ’，ｊに加え、必要に応じて、後述の第２の目的因子ｐ^ｓに対応した低次元ベクトルｘ_ｚ’，ｊが含まれることになる。

【0111】

（ベクトル可視化ステップ）
図１１は、ベクトル可視化ステップの手順を例示するフローチャートである。また、図１３は、ベクトル可視化ステップによって可視化される内容を例示する図である。

【0112】

なお、本実施形態において可視化可能な情報は、全て、表示部としてのディスプレイ１１上に表示することができる。また、ここいう表示部は、コンピュータ１に直に接続されたディスプレイ１１には限定されない。ネットワーク等を介してコンピュータ１と間接的に接続されたディスプレイを表示部として用いてもよい。

【0113】

ここで、図１１に例示するフローチャートは、図３のステップＳ４において行われる処理を示している。すなわち、図３において制御プロセスがステップＳ４に進むと、ＣＰＵ３は、図４のステップＳ４１－Ｓ４６を順番に実行することになる。

【0114】

ベクトル可視化ステップは、特定の潜在クラスｚ’に属する一の因子ｐ_ｊを目的因子ｐ^ｆとし、他の潜在クラスｚ”に属する他の因子ｐ_ｊを複数の比較因子ｐ_ｊ”とすると、多次元ベクトルＸ_ｚ’，ｊに対応して得られた各低次元ベクトルｘ_ｚ’，ｊに基づいて、目的因子ｐ^ｆに対応した低次元ベクトルｘ_ｚ’，ｊと、複数の比較因子ｐ_ｊ”の各々に対応した低次元ベクトルｘ_ｚ’，ｊと、の相対的な位置関係をＣＰＵ３が可視化するように構成されている。

【0115】

特に、本実施形態に係るベクトル可視化ステップでは、目的因子ｐ’に対応した低次元ベクトルｘ_ｚ’，ｊと、複数の比較因子ｐ_ｊ”の各々に対応した低次元ベクトルｘ_ｚ’，ｊとの間のユークリッド距離をＣＰＵ３が可視化するように構成されている。なお、ユークリッド距離に代えて、又は、ユークリッド距離に加えて、ベクトル間の内積を算出してもよい。

【0116】

具体的に、図１１のステップＳ４１において、ＣＰＵ３が各低次元ベクトルｘ_ｚ’，ｊを読み込む。

【0117】

続いて、ステップＳ４１から続くステップＳ４２において、ＣＰＵ３は、第１の目的因子ｐ^ｆと、必要に応じて第２の目的因子ｐ^ｓを選択する操作を受け付ける。第１及び第２の目的因子ｐ^ｆ，ｐ^ｓのうちの少なくとも一方は、前記ステップＳ２２に示した特定クラスｚ’の選択時に決定してもよいし、前記ステップＳ２３に示した処理の際に決定してもよい。

【0118】

具体的に、ステップＳ４２において、ＣＰＵ３は、特定クラスｚ’に属する一の因子ｐ_ｊを第１の目的因子ｐ^ｆに選択し、前記他のクラスｚ”に属する２以上の因子ｐ_ｊ（複数の比較因子ｐ_ｊ”）のうちの一を第２の目的因子ｐ^ｓに選択する。すなわち、第２の目的因子ｐ^２は、第１の目的因子ｐ^１とは異なる潜在クラスｚに属することになる。好ましくは、第２の目的因子ｐ^ｓに対応した多次元ベクトルＸ_ｚ’，ｊと、第１の目的因子ｐ^ｆに対応した前記多次元ベクトルＸ_ｚ’，ｊとは互いに直交する。

【0119】

なお、第１の目的因子ｐ^ｆとして、前述のように所定物品（Ａ社製品）を所有しているか否かを示すフラグ（因子ｐ_１）を選択した場合、第２の目的因子ｐ^ｓは、好ましくは、所定物品（Ａ社製品）とは相異する別の物品を所有しているか否かを示すフラグとなる。この場合、所定物品と別の物品は、製造者の異なる同種の物品とすることがさらに好ましい。

【0120】

図６等に示した例の場合、第２の目的因子ｐ^ｓとして、前記別の物品としてのＢ社製品を所有しているか否かを示すフラグ、つまり第３クラスタＣｌ_３に属する因子ｐ_２が選択されている。

【0121】

続いて、ステップＳ４２から続くステップＳ４３において、ＣＰＵ３は、第１の目的因子ｐ^ｆに対応した低次元ベクトルｘ_ｚ’，ｊと、第２の目的因子ｐ^ｓに対応した低次元ベクトルｘ_ｚ’，ｊと、第２の目的因子ｐ^ｓ以外の比較因子ｐ_ｊ”に対応した低次元ベクトルｘ_ｚ’，ｊと、を表示部としてのディスプレイ１１上に表示する（マッピングする）。その表示に際しては、図１３に示すように、各低次元ベクトルｘ_ｚ’，ｊの始点を省略し、終点のみを表示することができる。

【0122】

図５、図６及び図９等を用いて例示したように、特定クラスｚ’としての第１クラスタＣｌ_１が選択され（つまり、ｚ’＝１）、第１の目的因子ｐ^ｆとして第１クラスタＣｌ_１の因子ｐ_１が選択され、第２の目的因子ｐ^ｓとして第３クラスタＣｌ_３の因子ｐ_２が選択され、２次元の低次元ベクトルｘ_１，ｊへと次元圧縮された場合を考える。第１の目的因子ｐ^ｆの選択については、図７も参照されたい。

【0123】

なお、比較因子ｐ_ｊ”は、特定クラスｚ’以外の他のクラスｚ”に属する因子ｐ_ｊから選ばれることになる。例えば、上記例示の場合、第１クラスタＣｌ_１に属する因子ｐ_ｊは、比較因子ｐ_ｊ”から除外されることに留意されたい。

【0124】

この場合における低次元ベクトルｘ_１，ｊの表示結果は、図１３に示す通りである。同図に示す“Ｐｊ”とは、因子ｐ_ｊに対応した低次元ベクトルｘ_１，ｊの終点の位置座標を示している。すなわち、図１３の“Ｐ１”及び“Ｐ２”は、それぞれ、第１の目的因子ｐ^ｆに対応した低次元ベクトルｘ_１，１の終点の位置座標と、第２の目的因子ｐ^ｓに対応した低次元ベクトルｘ_１，２の終点の位置座標と、を示している。

【0125】

また、図１３における比較因子ｐ_ｊ”としては、第１の目的因子ｐ^ｆとしてのｐ_１と、第２の目的因子ｐ^ｓとしてのｐ_２と、第１クラスタＣｌ_１に属する他の因子ｐ_１６，ｐ_１８と、を除いた残り１６個の因子ｐ_ｊが選択されている。

【0126】

ステップＳ４３に示すように各低次元ベクトルｘ_１，ｊの終点の位置座標を可視化することで、それに続くステップＳ４４に示すように、低次元ベクトルｘ_１，ｊ間のユークリッド距離（距離）も、直感的な理解に堪えるレベルで可視化される。

【0127】

図１３に例示したように、第２の目的因子ｐ^ｓを追加で設定した場合、ＣＰＵ３は、その第２の目的因子ｐ^ｓに対応した低次元ベクトルｘ_１，ｊと、該第２の目的因子ｐ^ｓを除いた残りの比較因子ｐ_ｊ”の各々に対応した低次元ベクトルｘ_１，ｊとの間のユークリッド距離を可視化してもよい。

【0128】

ステップＳ４４では、ユークリッド距離の可視化を助けるべく、図１３の破線に示すように、第１の目的因子ｐ^ｆに対応したＰ１と、第２の目的因子ｐ^ｓに対応したＰ２とをそれぞれ中心としたサークルＣ_１１，Ｃ_１２を表示してもよい。この場合、各サークルＣ_１１，Ｃ_１２の内側に位置する比較因子ｐ_ｊ”は、第１の目的因子ｐ^ｆ及び／又は第２の目的因子ｐ^ｓと近距離であると判定することができる。一方、各サークルＣ_１１，Ｃ_１２の外側に位置する比較因子ｐ_ｊ”は、第１の目的因子ｐ^ｆ及び／又は第２の目的因子ｐ^ｓと遠距離であると判定することができる。２つのサークルＣ_１１，Ｃ_１２は、互いに同径としてもよい。

【0129】

そして、ステップＳ４４から続くステップＳ４５において、ＣＰＵ３は、第１の目的因子ｐ^ｆ及び第２の目的因子ｐ^ｓに対して相対的に短距離の比較因子ｐ_ｊ”を抽出する。

【0130】

ここでは、相対的に近距離の比較因子ｐ_ｊ”として、前述のサークルＣ_１１，Ｃ_１２の内側に位置する比較因子ｐ_ｊ”を抽出することができる。その際、第１の目的因子ｐ^ｆ又は第２の目的因子ｐ^ｓと、比較因子ｐ_ｊ”とのユークリッド距離を算出する。

【0131】

そして、ステップＳ４５から続くステップＳ４６において、ＣＰＵ３は、ステップＳ４５における抽出結果と、抽出された各比較因子ｐ_ｊ”に係るユークリッド距離と、を、ＲＡＭ７又はＨＤＤ９に格納する。そうして格納された低次元ベクトルｘ_ｚ’，ｊは、要因分析ステップ等の後続の処理において、必要に応じて読み込まれる。ステップＳ４６が完了すると、制御プロセスは、図１１に例示したフローからリターンする。

【0132】

ここで、第１の目的因子ｐ^ｆ及び第２の目的因子ｐ^ｓのうち第１の目的因子ｐ^ｆのみを設定した場合、制御プロセスは、図３のステップＳ４から、ステップＳ５及びステップＳ６をスキップしてステップＳ７へ進む。

【0133】

一方、第１の目的因子ｐ^ｆ及び第２の目的因子ｐ^ｓの両方を設定した場合、制御プロセスは、図３のステップＳ４からステップＳ５へ進む。ステップＳ５では、以下に示す特定クラス変更ステップ（ステップＳ６）を行うか否かを判定し、この判定がＹＥＳの場合はステップＳ７へ進む一方、ＮＯの場合はステップＳ６に進んで特定クラス変更ステップを実行する。

【0134】

なお、第１の目的因子ｐ^ｆ及び第２の目的因子ｐ^ｓの両方を設定した場合であっても、特定クラス変更ステップを必須とすることなく、これを省略してもよい。

【0135】

（特定クラス変更ステップ）
図１４は、第２のベクトル可視化ステップによって可視化される内容を例示する図である。

【0136】

ステップＳ６に示す特定クラス変更ステップでは、特定クラスｚ’の変更を実行する。具体的に、第２の目的因子ｐ^ｓが属する潜在クラスｚを、新たに特定クラスｚ’に変更する。これにより、第１の目的因子ｐ^ｓが属する潜在クラスｚは、比較因子ｐ_ｊ”の抽出元となる他の潜在クラスｚ”に再設定されることになる。

【0137】

図５、図６、図９及び図１４等を用いた例示の場合、第３クラスタＣｌ_３が新たに特定クラスｚ’に設定され、第１クラスタＣｌ_１は、他の潜在クラスｚ”に設定されたものとする。以下、変更後の特定クラス（第２の目的因子ｐ^ｓが属する潜在クラス）を「第２の特定クラス」と呼称し、当初の特定クラスと区別する場合がある。

【0138】

そうして特定クラスｚ’の変更が完了すると、制御プロセスは、図３のステップＳ２へと戻る。その後、制御プロセスは、特定クラスｚ’の変更を反映した状態で、分析対象抽出ステップ（ステップＳ２）と、次元圧縮ステップ（ステップＳ３）と、ベクトル可視化ステップ（ステップＳ４）とを再度実行する。その際、第１及び第２の目的因子ｐ^ｆ，ｐ^ｓは、１回目の実行時と同一になるように固定されることになる。

【0139】

ここで、再度実行される各ステップを、それぞれ第２の分析対象抽出ステップ、第２の次元圧縮ステップ、及び第２のベクトル可視化ステップと呼称すると、第２の分析対象抽出ステップでは、クラスタリング後の行列データ４９において、第２の特定クラスに属する対象者それぞれを基底とし、該対象者それぞれに割り当てられた因子の値を各基底の成分とした第２の多次元ベクトルを、第２の特定クラス以外の他の潜在クラスに属する因子を含めてＣＰＵ３が生成する。

【0140】

図１４等を用いた例示の場合、第２の多次元ベクトルは、「Ｘ_３，ｊ」と表すことができる。この場合の第２の多次元ベクトルＸ_３，ｊは、第１クラスタＣｌ_１に属する対象者ｎ_８，ｎ_１８，ｎ_１９，ｎ_２１を基底とする代わりに、第３クラスタＣｌ_３に属する対象者ｎ_４，ｎ_１２，…を基底とすることになる。

【0141】

続いて、第２の次元圧縮ステップでは、ＣＰＵ３が第２の多次元ベクトルにｔ－ＳＮＥ法を適用することで、第２の多次元ベクトルを２次元又は３次元の低次元ベクトルに次元圧縮する。

【0142】

図１４等を用いた例示の場合、低次元ベクトルは、「ｘ_３，ｊ」と表すことができる。この場合の低次元ベクトルｘ_３，ｊは、第３クラスタＣｌ_３に属する対象者ｎ_４，ｎ_１２，…を基底とした多次元ベクトルにｔ－ＳＮＥを適用することで生成されることになる。

【0143】

続いて、第２のベクトル可視化ステップでは、第２の多次元ベクトルに対応して得られた各低次元ベクトルｘ_３，ｊに基づいて、目的因子（第１の目的因子）に対応した低次元ベクトルと、第２の目的因子に対応した低次元ベクトルと、残りの比較因子の各々に対応した低次元ベクトルとの間のユークリッド距離をＣＰＵ３が可視化することになる。

【0144】

ここでいう「第１の目的因子に対応した低次元ベクトル」とは、第２の多次元ベクトルに対応して得られたものを指す。すなわち、図１４等を用いた例示の場合、第３クラスタＣｌ_３に属する対象者ｎ_４，ｎ_１２，…を基底とし、かつ、第１の目的因子ｐ^ｆとしての因子ｐ_１の値を各基底の成分とした多次元ベクトルにｔ－ＳＮＥを適用することで生成されたものが、「第１の目的因子に対応した低次元ベクトル」に相当する。「第２の目的因子に対応した低次元ベクトル」についても同様である。

【0145】

第２のベクトル可視化ステップにおける低次元ベクトルｘ_３，ｊの表示結果は、図１４に示す通りである。同図に示す“Ｐｊ”とは、因子ｐ_ｊに対応した低次元ベクトルｘ_３，ｊの終点の位置座標を示している。すなわち、図１４の“Ｐ１”及び“Ｐ２”は、それぞれ、第１の目的因子ｐ^ｆに対応した低次元ベクトルｘ_３，１の終点の位置座標と、第２の目的因子ｐ^ｓに対応した低次元ベクトルｘ_３，２の終点の位置座標と、を示している。

【0146】

また、図１４における比較因子ｐ_ｊ”としては、第１の目的因子ｐ^ｆとしてのｐ_１と、第２の目的因子ｐ^ｓとしてのｐ_２と、第３クラスタＣｌ_３に属する他の因子ｐ_１２，ｐ_１７と、を除いた残り１６個の因子ｐ_ｊが選択されている。

【0147】

各低次元ベクトルｘ_３，ｊの終点の位置座標を可視化することで、特定クラスｚ’変更後の低次元ベクトルｘ_３，ｊ間のユークリッド距離（距離）が、第１のベクトル可視化ステップと同様に可視化される。

【0148】

第２のベクトル可視化ステップでは、第１のベクトル可視化ステップと同様にユークリッド距離の可視化を助けるべく、図１４の破線に示すように、第１の目的因子ｐ^ｆに対応したＰ１と、第２の目的因子ｐ^ｓに対応したＰ２とをそれぞれ中心としたサークルＣ_３１，Ｃ_３２を表示してもよい。この場合、各サークルＣ_３１，Ｃ_３２の内側に位置する比較因子ｐ_ｊ”は、第１の目的因子ｐ^ｆ又は第２の目的因子ｐ^ｓのうちの一方と近距離であるとみなすことができる。

【0149】

多次元ベクトルＸ_３，ｊの基底を変更したことにより、第１の目的因子ｐ^ｆ又は第２の目的因子ｐ^ｓに対して近距離となる比較因子ｐ_ｊ”の内訳が、図１３に示す例から変化し得る。

【0150】

最終的に、第１のベクトル可視化ステップと同様に、ＣＰＵ３は、第１の目的因子ｐ^ｆ及び第２の目的因子ｐ^ｓに対して相対的に短距離の比較因子ｐ_ｊ”を抽出する。ここでは、相対的に短距離の比較因子ｐ_ｊ”として、前述のサークルＣ_３１，Ｃ_３２の内側又は近傍に位置する比較因子ｐ_ｊ”を抽出することができる。その際、第１の目的因子ｐ^ｆ又は第２の目的因子ｐ^ｓと、比較因子ｐ_ｊ”とのユークリッド距離を算出してもよい。

【0151】

（要因分析ステップ）
図３のステップＳ７に示す要因分析ステップは、ベクトル可視化ステップによって可視化された相対的な位置関係に基づいて、第１の目的因子ｐ^ｆの値が０または１となった要因を分析するように構成されている。

【0152】

具体的に、本実施形態に係る要因分析ステップでは、ＣＰＵ３が可視化した各ユークリッド距離の長短に基づいて、複数の比較因子ｐ_ｊ”の中から、目的因子（第１の目的因子）ｐ^ｆの値に寄与した因子ｐ_ｊを探索する。

【0153】

以下、要因分析ステップの詳細を、特定クラス変更ステップを経由しないた場合と、特定クラス変更ステップを経由した場合と、のそれぞれについて説明する。

【0154】

１．特定クラス変更ステップを経由しない場合
この場合、第１の目的因子ｐ^ｆの値に寄与した因子ｐ_ｊの探索は、サークルＣ_１１の内側又は近傍に位置する比較因子ｐ_ｊ”をリストアップするとともに、そのリストＬ_１１を第１の目的因子ｐ^ｆに対する距離が近い順に並べることで行われるようになっている。

【0155】

図１３に示す例では、第１の目的因子ｐ^ｆとして、第１クラスタＣｌ_１に属しかつＡ社製品を所有していることを示す因子ｐ_１が用いられている。この場合、第１の目的因子ｐ^ｆとの距離が近いということは、「因子ｐ_１とは異なるクラスタ（例えば、Ｂ社指向又はその他ユーザ）に属しつつも、因子ｐ_１との相関が高い因子（Ａ社製品を所有する契機となり得る因子）である」という仮の解釈を与えることが可能になる。

【0156】

それとは反対に、第１の目的因子ｐ^ｆとの距離が遠いということは、「因子ｐ_１とは異なるクラスタに属しつつ、それでいて、Ａ社製品を所有する契機とはなり難い因子である」という仮の解釈を与えることが可能になる。

【0157】

すなわち、図１３等に例示した低次元ベクトルｘ_１，ｊは、実際にＡ社製品を所有している主要Ａ社ユーザと、第１クラスタＣｌ_１に属している（つまり、主要Ａ社ユーザと同様の価値観を有する）ものの、Ａ社製品を所有していない潜在Ａ社ユーザと、を双方とも考慮した基底に基づいて生成されている。そうして生成された低次元ベクトルｘ_１，ｊと、実際にＡ社製品を所有していることを示す因子ｐ_１との距離を分析することで、第１クラスタＣｌ_１以外に属する因子ｐ_ｊの中から、主要Ａ社ユーザと潜在Ａ社ユーザとを分かつ因子ｐ_ｊ、すなわち、Ａ社製品を所有する契機となり得る因子ｐ_ｊを探索することが可能になる。

【0158】

その際、第１クラスタＣｌ_１に属する因子ｐ_ｊではなく、それ以外のクラスタに属するｐ_ｊに着目したことで、例えば、主要Ａ社ユーザが有する価値観とは異なる観点から、主要Ａ社ユーザと潜在Ａ社ユーザとを分かつ因子ｐ_ｊを抽出することが可能になる。これにより、従来とは異なる観点から、“気づき”を促すことができる。

【0159】

また、第１の目的因子ｐ^ｆに加えて第２の目的因子ｐ^ｓを設定した場合、ＣＰＵ３が可視化した各ユークリッド距離の長短に基づいて、複数の比較因子ｐ_ｊ”の中から、第２の目的因子ｐ^ｓの値に寄与した因子を探索する。

【0160】

この探索は、サークルＣ_１２の内側又は近傍に位置する比較因子ｐ_ｊ”をリストアップするとともに、そのリストＬ_１２を第２の目的因子ｐ^ｓに対する距離が近い順に並べることで行うことができる。

【0161】

図１３に示す例では、第２の目的因子ｐ^ｓとして、第３クラスタＣｌ_３に属しかつＢ社製品を所有していることを示す因子ｐ_２が用いられている。この場合、第２の目的因子ｐ^ｓとの距離が近いということは、「因子ｐ_１との相関が低く、かつ因子ｐ_２との相関が高い因子（Ｂ社製品を所有する契機となり得る因子）である」という仮の解釈を与えることが可能になる。

【0162】

また、第２の目的因子ｐ^ｓとの距離が遠いということは、「Ｂ社製品を所有する契機とはなり難い因子である」という仮の解釈を与えることが可能になる。

【0163】

すなわち、図１３に例示した低次元ベクトルｘ_１，ｊは、前述のように、主要Ａ社ユーザ及び潜在Ａ社ユーザを双方とも考慮した基底に基づいて生成されている。そうして生成された低次元ベクトルｘ_１，ｊと、Ａ社製品ではなくＢ社製品を所有していることを示す因子ｐ_２との距離を分析することで、第１クラスタＣｌ_１以外に属する因子ｐ_ｊの中から、主要Ａ社ユーザと、潜在Ａ社ユーザとを分かつ因子ｐ_ｊ、すなわち、Ａ社製品を指向する価値観を有しつつも、他社製品を所有するに至った因子ｐ_ｊを探索することが可能になる。

【0164】

第１の目的因子ｐ^ｆ及び第２の目的因子ｐ^ｓを双方とも設定することで、主要Ａ社ユーザと潜在Ａ社ユーザとを分かつ因子ｐ_ｊを多面的に探索することが可能になる。

【0165】

２．特定クラス変更ステップを経由した場合
図１２は、要因分析ステップの手順（特に、特定クラス変更ステップを経由した場合の手順）を例示するフローチャートである。

【0166】

この場合、ＣＰＵ３は、まず、特定クラス変更ステップを経由しない場合の工程と同様に、特定クラスｚ’の変更前に探索（抽出）された比較因子ｐ_ｊ”を、第１及び第２の目的因子ｐ^ｆ，ｐ^ｓに対して近い順に並べる（ステップＳ７１）。このステップＳ７１は、特定クラスｚ’の変更前に得られたユークリッド距離に基づいて、第１の目的因子ｐ^ｆ及び第２の目的因子ｐ^ｓそれぞれの値に寄与した因子を探索する第１の探索ステップに相当する。

【0167】

その後、ＣＰＵ３は、特定クラスｚ’の変更後に探索（抽出）された比較因子ｐ_ｊ”を、第１及び第２の目的因子ｐ^ｆ，ｐ^ｓに対して近い順に並べる（ステップＳ７２）。このステップＳ７２は、特定クラスｚ’の変更後に得られたユークリッド距離に基づいて、第１の目的因子ｐ^ｆ及び第２の目的因子ｐ^ｓそれぞれの値に寄与した因子を探索する第２の探索ステップに相当する。

【0168】

具体的に、前記ステップＳ７２では、まず、特定クラスｚ’変更後に可視化された内容に基づいて、サークルＣ_３１の内側又は近傍に位置する比較因子ｐ_ｊ”をリストアップするとともに、そのリストＬ_３１を第１の目的因子ｐ^ｆに対する距離が近い順に並べる。

【0169】

すなわち、図１４に例示した低次元ベクトルｘ_３，ｊは、主要Ｂ社ユーザと潜在Ｂ社ユーザを双方とも考慮した基底に基づいて生成されている。主要Ｂ社ユーザと潜在Ｂ社ユーザには、主要Ｂ社ユーザと同様の価値観を有しつつも、Ｂ社製品ではなくＡ社製品を所有するに至った顕在Ａ社ユーザが含まれ得る。

【0170】

したがって、そうして生成された低次元ベクトルｘ_３，ｊと、実際にＡ社製品を所有していることを示す因子ｐ_１との距離を分析することで、第３クラスタＣｌ_３以外に属する因子ｐ_ｊの中から、顕在Ａ社ユーザであるか否かを分かつ因子ｐ_ｊ、すなわちＡ社製品を所有する契機となり得る因子ｐ_ｊを探索することが可能になる。

【0171】

さらに、前記ステップＳ７２では、特定クラスｚ’変更後にＣＰＵ３が可視化した各ユークリッド距離の長短に基づいて、複数の比較因子ｐ_ｊ”の中から、第２の目的因子ｐ^ｓの値に寄与した因子を探索する。

【0172】

具体的に、特定クラスｚ’変更後に可視化された内容に基づいて、サークルＣ_３２の内側又は近傍に位置する比較因子ｐ_ｊ”をリストアップするとともに、そのリストＬ_３２を第２の目的因子ｐ^ｓに対する距離が近い順に並べる。

【0173】

すなわち、図１４に例示した低次元ベクトルｘ_３，ｊは、前述のように、主要Ｂ社ユーザ及び潜在Ｂ社ユーザを双方とも考慮しかつ顕在Ａ社ユーザを含み得る基底に基づいて生成されている。そうして生成された低次元ベクトルｘ_３，ｊと因子ｐ_２との距離を分析することで、第３クラスタＣｌ_３以外に属する因子ｐ_ｊの中から、顕在Ａ社ユーザであるか否かを分かつ因子ｐ_ｊ、すなわち、主要Ｂ社ユーザ及び潜在Ｂ社ユーザが、顕在Ａ社ユーザにならなかった契機となり得る因子ｐ_ｊを抽出することが可能になる。

【0174】

その後、ステップＳ７２から続くステップＳ７３は、第１の探索ステップによって探索された因子ｐ_ｊと、第２の探索ステップによって探索された因子ｐ_ｊとを比較することで、第１の目的因子ｐ^ｆの値が０または１となった要因を分析するように構成されている。

【0175】

具体的に、ステップＳ７３では、ＣＰＵ３は、特定クラスｚ’の変更前後で共通する比較因子ｐ_ｊ”を探索し、そうして探索された共通の比較因子ｐ_ｊ”をディスプレイ１１に表示するとともに、その表示態様を変更する。表示態様の具体的な変更内容としては、共通の比較因子ｐ_ｊ”の表示色を異ならせてもよいし、共通の比較因子ｐ_ｊ”にハイライト等を付してもよいし、共通の比較因子ｐ_ｊ”に下線を付してもよいし、共通の比較因子ｐ_ｊ”の書体を変更してもよい
図１５は、表示態様の変更例を示す図である。図１５に示す例は、図１３及び図１４において可視化された内容に基づいたものとされている。

【0176】

すなわち、図１５の上段には、特定クラスをｚ’＝１に設定しかつ各ベクトルの基底に第１クラスタＣｌ_１（Ａ社指向）に属する対象者を用いた場合における、第１の目的因子ｐ^ｆとしてのｐ_１に近接した４つの比較因子（Ｐ１９，Ｐ１１，Ｐ１２及びＰ３を参照）と、第２の目的因子ｐ^ｓとしてのｐ_２に近接した４つの比較因子（Ｐ１７、Ｐ１５、Ｐ１４及びＰ１０を参照）と、が表示されている。それらの比較因子は、ｐ_１又はｐ_２に近いものから順番に並んでいる。

【0177】

一方、図１５の下段には、特定クラスをｚ’＝３に設定しかつ各ベクトルの基底に第３クラスタＣｌ_３（Ｂ社指向）に属する対象者を用いた場合における、第１の目的因子ｐ^ｆとしてのｐ_１に近接した４つの比較因子（Ｐ１５，Ｐ１８，Ｐ１９及びＰ９を参照）と、第２の目的因子ｐ^ｓとしてのｐ_２に近接した４つの比較因子（Ｐ１１、Ｐ１６、Ｐ１４及びＰ４を参照）と、が表示されている。それらの比較因子は、ｐ_１又はｐ_２に近いものから順番に並んでいる。

【0178】

ここで、上段かつ第１の目的因子ｐ^ｆの表示欄と、下段かつ第１の目的因子ｐ^ｆの表示欄には、共通の比較因子として「Ｐ１９」が表れている。これは、「Ａ社指向の対象者であろうとも、Ｂ社指向の対象者であろうとも、因子ｐ_１９が、Ａ社製品を所有する契機となる可能性が高い」という仮の解釈を与えることができる。そうした因子は、他の因子と比べて重要度が高いと考えられるため、図１５に示すように下線を付して表示する。

【0179】

同様に、上段かつ第２の目的因子ｐ^ｓの表示欄と、下段かつ第２の目的因子ｐ^ｓの表示欄には、共通の比較因子として「Ｐ１４」が表れている。これは、「Ａ社指向の対象者であろうとも、Ｂ社指向の対象者であろうとも、因子ｐ_１４が、Ｂ社製品を所有する契機となる可能性が高い」という仮の解釈を与えることができる。そうした因子は、他の因子と比べて重要度が高いと考えられるため、図１５に示すように下線を付して表示する。

【0180】

このように、特定クラスｚ’の変更前後で共通の比較因子ｐ_ｊ”の表示態様を異ならせることで、他の比較因子ｐ_ｊ”と比べて重要性の高い因子をユーザに視認させることができる。これにより、情報処理方法の使い勝手を向上させることが可能になる。

【0181】

その後、制御プロセスは、図１２に示すフローを完了し、図３に示すフローからリターンする。

【0182】

＜効果等＞
以上説明したように、前記実施形態によると、特定クラスｚ’に属する対象者ｎ_ｉそれぞれを基底とし、該対象者ｎ_ｉそれぞれに割り当てられた因子ｐ_ｊの値を各基底の成分とした多次元ベクトルＸ_ｚ’，ｊに対してｔ－ＳＮＥ法を適用することで、その多次元ベクトルＸ_ｚ’，ｊを低次元ベクトルｘ_ｚ’，ｊに次元圧縮する（図３のステップＳ１－Ｓ３を参照）。

【0183】

そして、図９等を用いて説明したように、低次元ベクトルｘ_ｚ’，ｊの可視化に際し、特定クラスｚ’に属する第１の目的因子ｐ^ｆと、他の比較因子ｐ_ｊ”との比較を行うところ、後者の比較因子ｐ_ｊ”については、特定クラスｚ’に属する因子ではなく、それ以外の他の潜在クラスｚ”に属する因子を採用する。

【0184】

すなわち、クラスタリングによって得られた各ブロック行列が、それぞれ潜在クラスｚに対応することから明らかなように、同じ潜在クラスｚに属する因子に対応した低次元ベクトルｘ_ｚ，ｊは、互いに類似した傾向を示す。

【0185】

それに対し、特定クラスｚ’に属する目的因子ｐ^ｆと、他の潜在クラスｚ”に属する比較因子ｐ_ｊ”との比較を行うことで、低次元ベクトルｘ_ｚ’，ｊ同士の違いを明確化することができる。そうして違いが明確化された状態で、目的因子ｐ^ｆに近接又は離間する比較因子ｐ_ｊ”を探索することで、目的因子ｐ_ｊ”の値が０または１となった契機となり得る要因を、従来よりも明確に捉えることが可能になる。

【0186】

またそもそも、他の潜在クラスｚ”に属する比較因子ｐ_ｊ”との比較を行うことは、ＰＬＳＡ法を行った段階では異なる潜在クラスに分類されたものの、それでもなお、目的因子ｐ^ｆと強く相関するような比較因子ｐ_ｊ”を探索することに相当する。これは、従来のＰＬＳＡ法では知り得ない知見であり、特定の目的因子ｐ^ｆの値が０または１となった要因を、従来よりも多方面から捉えることができるようになる。

【0187】

また、図１３等を用いて説明したように、要因分析ステップは、各ユークリッド距離の長短に基づいて因子を探索するように構成されている。このように構成することで、より直感的に理解し易い形式で可視化及び探索することが可能になる。これにより、特定の目的因子ｐ^ｆの値が０または１となった要因を捉える上で有利になる。

【0188】

また、図９等に例示したように、目的因子ｐ^ｆに対応した多次元ベクトルを構成する基底には、Ａ社製品を実際に所有している対象者（例えば、ｎ_８、ｎ_１９，ｎ_２１）が含まれることになる。そうした多次元ベクトルに基づき生成された低次元ベクトルに対して前述の可視化を行うことで、Ａ社製品を所有する契機となった要因、或いは、所有しない契機となった要因を、従来よりも多方面から捉えることが可能になる。

【0189】

また、図９等に例示したように、第２の目的因子ｐ^ｓを用いた分析を行うことで、第１の目的因子ｐ^ｓの値が０または１となった要因を、より多方面から捉えることができるようになる。例えば、第２の目的因子ｐ^ｓが、第１の目的因子ｐ^ｓの競合商品を所有しているか否かを示すフラグだった場合、第２の目的因子ｐ^ｓが０または１となった要因を探索することで、前記競合商品の改良点、訴求点等を明らかにすることが可能になる。それらの知見を分析することで、第１の目的因子ｐ^ｆに対応した商品の要改良点等を明確化（見える化）することができる。

【0190】

また、図１２等を用いて説明したように、目的因子（第１の目的因子）ｐ^ｆの属する潜在クラス（図例ではｚ＝１）を特定クラスｚ’とした分析を行った後に、第２の目的因子ｐ^ｓの属する潜在クラス（図例ではｚ＝３）を特定クラスｚ’に変更した分析を行う。後者の分析は、第２の目的因子ｐ^ｓと同じ潜在クラスｚ’に属する対象者ｎ_ｉそれぞれを基底とし、該対象者ｎ_ｉそれぞれに割り当てられた因子ｐ_ｊの値を各基底の成分とした多次元ベクトルに基づいた分析となる。したがって、後者の分析と前者の分析は、低次元ベクトルの生成に用いる対象者ｎ_ｉの内訳が相違することになる。

【0191】

したがって、対象者ｎ_ｉの内訳を異ならせた２つの分析結果を比較することで、目的因子ｐ^ｆの値が０または１となった要因を、より多方面から捉えることができるようになる。

【0192】

《他の実施形態》
前記実施形態では、一のコンピュータ１によって実施されるものを例示したが、本開示は、その例には限定されない。本開示に係る情報処理方法及び情報処理プログラム２９は、複数のコンピュータ１を用いて実行してもよい。また、本開示におけるコンピュータ１には、スーパーコンピュータ、ＰＣクラスタ等の並列計算機も含まれる。

【符号の説明】

【0193】

１ コンピュータ（情報処理装置）
３ ＣＰＵ（演算部）
７ ＲＡＭ（記憶部）
９ ＨＤＤ（記憶部）
１１ ディスプレイ（表示部）
１８ 記憶媒体
２９ 情報処理プログラム
４９ 行列データ
Ｓ１ ＰＬＳＡステップ
Ｓ２ 分析対象抽出ステップ
Ｓ３ 次元圧縮ステップ
Ｓ４ ベクトル可視化ステップ
Ｓ７ 要因分析ステップ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】