Здравствуйте!
Ваша задача действительно не относится к классическому факторному анализу, хотя некоторые аспекты могут пересекаться. Факторный анализ используется для выявления скрытых факторов (латентных переменных), которые объясняют корреляции между наблюдаемыми переменными. Однако в вашей ситуации более подходящими могут быть другие статистические и машинные методы.
Для вашего набора задач и целей я бы рекомендовал рассмотреть следующие методы:
1. **Регрессионный анализ**: Это один из самых распространенных методов для определения влияния независимых переменных на зависимую. Вы можете использовать линейную или нелинейную регрессию для моделирования зависимостей между характеристиками процессов и целевой величиной прибыли.
2. **Методы деревьев решений**: Деревья решений и их ансамбли (например, Random Forest или Gradient Boosting) могут помочь вам выявить ключевые влияющие факторы. Эти методы хорошо работают с не линейными отношениями.
3. **Методы снижения размерности**: Такие как t-SNE или PCA, могут помочь вам визуализировать и понять структуру данных, а также выделить наиболее значимые характеристики ваших процессов.
4. **Анализ важности признаков**: Если вы выбираете метод машинного обучения, такие как Random Forest, можно вычислить важность признаков, чтобы определить, какие характеристики оказывают наибольшее влияние на целевую величину.
5. **Модели машинного обучения**: В дополнение к описанным выше методам, вы также можете рассмотреть использование сложных алгоритмов, таких как нейронные сети, для построения более точных моделей, если у вас достаточно данных.
В зависимости от ваших данных и специфики задачи, алгоритмы могут различаться по своей эффективности. Начните с регрессионного анализа или деревьев решений, чтобы лучше понять, какие факторы наиболее важны, и затем переходите к более сложным методам при необходимости.