テキスト・数値・カテゴリを統合し、概念構造モデルとして探索する。
Concept Mapは、自由記述テキスト、数値データ、カテゴリデータを統合し、 GNG+MSTによる概念構造モデルを構築・探索するためのデータマイニングツールです。 自動リサーチやCSVデータから、意味的なまとまり、クラスタ、ノード、プロファイルを可視化し、 データ空間の背後にある概念構造を読み解きます。
CSVデータ、自由記述、数値列、カテゴリ列を使い、概念調査・市場分析・VoC分析・製品コンセプト探索に活用できます。
自由記述データは、単なる分類ではなく“概念空間”として読む必要があります。
アンケートの自由記述、VoC、製品レビュー、ニュース、特許要約、研究概要、営業メモなどには、 キーワードや単純なカテゴリでは捉えきれない意味のまとまりがあります。 しかし、テキストをそのまま一覧で読んでも、全体の構造は見えにくくなります。
Concept Mapは、テキストを埋め込みベクトルとして扱い、 それを概念ノードとネットワーク構造に変換します。 さらに、数値列やカテゴリ列をプロファイル分析に使うことで、 各クラスタやノードがどのような特徴を持つのかを統計的に確認できます。
CSV入力から、概念構造モデルの構築・探索まで。
Concept Mapでは、データ入力、埋め込み、次元削減、特徴量設定、モデル構築、クラスタリング、探索までを 1つの流れとして実行できます。
テキスト列、数値列、カテゴリ列を分けて指定します。
自動リサーチで作成したCSVや、外部からインポートしたCSVを読み込み、 モデル構築に使うテキスト列、プロファイル分析に使う数値列・カテゴリ列、 探索時に参照する列を設定できます。
テキスト列
自由記述、記事要約、レビュー、問い合わせ内容、製品説明など、 意味構造の学習対象となる列です。
数値列
売上、評価点、頻度、価格、年齢、スコアなど、 クラスタやノードのプロファイル分析に使用します。
カテゴリ列
業種、地域、顧客区分、製品カテゴリ、回答者属性など、 各概念領域の特徴を把握するために使います。
参照列
元データのID、タイトル、URL、企業名、商品名など、 探索画面で確認したい情報を保持できます。
埋め込みと次元削減で、意味空間を解釈可能にします。
指定したテキスト列をLLMで埋め込みベクトル化し、 必要に応じてPCAやUMAPを使って次元削減を行います。 超多次元の埋め込み空間を人間が解釈しやすくするために、 LLMによる次元意味の自動ラベル付けも利用できます。
埋め込みベクトル
自由記述を意味ベクトルとして取得し、表現の違いではなく意味の近さを扱えるようにします。 通常は高次元の埋め込みを使い、試行時には低次元設定で計算コストを抑えることもできます。
PCA + UMAP
UMAPで次元解釈用の空間を作成します。 PCAを前処理として使うことで、ノイズを減らしてからUMAPに渡すこともできます。
次元の自動解釈
LLMを使って各次元の意味を解釈し、ラベル付けします。 モデルの視点やクラスタの意味を読むために重要な機能です。
特徴量の重みづけで、モデルの“視点”を変える。
各次元への重みを設定することで、同じデータを異なる視点からモデル化できます。 特定の次元を強めたり弱めたりすることで、 市場、顧客、製品、感性、機能など、関心に応じた概念マップを作ることができます。
Concept Mapは、データの“客観的な地図”ではなく、目的に応じた視点を持つマップです。
概念構造モデルでは、どの次元を重視するかによって、見える構造が変わります。 これは欠点ではなく、データをさまざまな角度から解釈するための重要な機能です。 通常はすべての次元の重みを1に設定し、必要に応じて分析目的に合わせた調整を行います。
BGNG / Fuzzy BGNGで、データを概念ノードに対応づけます。
Concept Mapでは、データレコードをノードに対応づけることで、 意味的に近いアイテム群を概念ノードとして整理します。 ハード割り当てとソフト割り当てを使い分けることで、 明確な分類から所属確率を持つ曖昧な対応まで扱えます。
標準BGNG
各データアイテムが必ずどれか1つのノードに対応するハード割り当てです。 明確な代表ノードを持たせたい場合に適しています。
Fuzzy BGNG
温度パラメータを用いたソフト割り当てにより、 各データアイテムが各ノードに属する確率を計算します。
拡張Fuzzy BGNG
ノード間の距離を適切に保つようにした拡張版です。 通常は標準BGNGまたはFuzzy BGNGで十分です。
MST制約付きWardクラスタリングで、飛び地のないクラスタを作る。
クラスタリングはデータレコードではなく、概念ノードに対して実行されます。 Ward法にMST制約を加えることで、ネットワーク上で繋がっているノード同士だけを併合し、 トポロジーに沿った自然なクラスタを作ります。
クラスタの“飛び地”を避け、ネットワーク構造に沿って意味領域を分けます。
通常のクラスタリングでは、距離だけで似た点をまとめるため、 2D/3D上では離れた領域が同じクラスタになることがあります。 MST制約付きクラスタリングでは、ネットワーク上で接続された領域を優先するため、 概念マップ上で解釈しやすいクラスタを得られます。
構築したモデルを、ネットワーク・クラスタ・プロファイル・AIで探索する。
Concept Mapの探索画面では、GNG+MSTモデルを3Dネットワークとして表示し、 クラスタ、次元値、度数、量子化誤差などを切り替えながら確認できます。 さらに、クラスタやノードの統計的特徴をプロファイル分析で確認できます。
ネットワーク表示
GNG+MSTモデルを3Dで表示し、ノード、クラスタ、近傍関係、各次元値を視覚的に確認できます。
プロファイル分析
選択したノードやクラスタについて、数値列・カテゴリ列の統計的特徴をグラフで確認できます。
クラスタ詳細
各クラスタの統計的特徴、所属ノード、構成データを確認し、意味領域として解釈できます。
データテーブル
元データの各レコードが、どのノード・クラスタに対応しているかを確認できます。
検索
文字列検索で対象アイテムを探し、そのアイテムがどのノードに対応しているかを確認できます。
モデル分析AIエージェント
「このモデルを説明して」「ノード1とノード21の違いは？」 「このノードから新しい製品コンセプトを考えて」など、AIにモデル分析を依頼できます。
概念調査、市場探索、VoC分析、製品コンセプト開発に。
Concept Mapは、定性情報の構造を読み解き、 数値・カテゴリデータと組み合わせて意味のある領域を発見する用途に適しています。
VoC・自由記述分析
顧客の声、問い合わせ、アンケート自由記述を概念マップ化し、 不満・期待・要望の意味的なまとまりを把握します。
市場・製品コンセプト探索
製品レビュー、競合情報、消費者インサイトから、 新しい製品アイデアやポジショニングを発見します。
研究・技術文献の整理
論文要旨、特許、技術資料をマップ化し、 研究テーマや技術領域の関係を探索します。
ニュース・トレンド分析
ニュース記事や業界レポートを概念構造として整理し、 emerging trendsや論点のまとまりを読み解きます。
社内ナレッジ探索
営業メモ、案件概要、社内レポートを概念マップ化し、 類似案件や重要テーマを発見します。
戦略・仮説発見
ノード間の近傍関係や空白領域を読み解き、 新しい戦略仮説や事業コンセプトの発想に活用します。
モデルを保存・共有・エクスポートできます。
作成したモデルはプロジェクト単位で保存し、共有URLで同僚に共有できます。 さらに、クラスタリング結果や次元情報をCSVでエクスポートでき、 必要に応じて定性分析用のREFI-QDA形式にも対応できます。
保存
チェックポイント、完全モデル、共有モデルとして保存し、 後から作業を再開できます。
共有
共有URLを発行し、同僚や関係者にモデルを共有できます。 アカウントの有無に応じて閲覧範囲を調整できます。
エクスポート
クラスタリング結果、全データ＋次元情報、次元値のみをCSVで出力できます。 REFI-QDA形式への出力にも対応します。
Concept Mapは、Concept IndexやKnowledge Base Builderの基盤にもつながります。
Concept Mapは、概念構造モデルを人間が探索するためのツールです。 一方で、同じGNG+MSTの考え方は、Concept IndexによるRDB上の概念検索や、 Knowledge Base Builderによる複数LLM Wikiの統合・ルーティングにもつながります。
つまりConcept Mapは、単なる可視化ツールではなく、 ConceptMinerが目指す「概念を中心にAIと業務データを接続する」ための中核機能です。
データの背後にある概念構造を、探索可能なマップに。
CSVデータ、自由記述、数値列、カテゴリ列を使って、 市場、顧客、製品、技術、社内ナレッジの意味構造を可視化しませんか。 Concept Mapは、概念調査とデータマイニングをつなぐConceptMinerの中核ツールです。
※ お問い合わせページのURLは、実際のページに合わせて変更してください。