出版書誌データベース

■□　人気講義が書籍になって登場！　□■
電気通信大学におけるデータサイエンスの人気講義が書籍になりました。
Pythonプログラムで日々のお買い物行動データ（マーケティングデータ）を探索的・仮説検証的に解析したり、機械学習モデルを構築したりしながら、ビジネスにおけるデータサイエンスのプロセスを学んでいきます。
プロセス全体をRPG（ロールプレイングゲーム）になぞらえ、親しみやすく、かつ分かりやすく解説します。
演習問題や章末問題も充実。インプットとアウトプットのサイクルを回してデータサイエンスの"実践力"を身に付けよう！

---
新進気鋭のビジネスデータサイエンティストがPythonで奏でる門外不出のプロの分析力を手に入れろ！
データで優位なマーケティングを展開する方法論と具体的手順を大公開
---

▽本書の特長
・実際のビジネスで使われているデータを使う
・実際のビジネスに携わっている者が執筆する
・実際の講義や発表資料をもとにライブ感を大切にする
・大学の授業や企業の勉強会で活用できるよう学びの要素も取り入れる

▽本書の対象読者
・ビジネスに通じるデータサイエンス力を身に付けたい方
・マーケティングデータの分析に関心がある方
・消費財メーカーや小売企業などにおいて業務をされている方

▽本書で学べること
・ビジネスにおけるデータサイエンスの進め方
・ショッパーマーケティングの課題と対策
・探索的データ解析の技法とプロセス
・仮説検証型データ分析の技法とプロセス
・データサイエンスに関するプレゼンや資料作成のコツ
・機械学習モデル構築とその評価の方法
・Kaggleコンペへの投稿にもチャンレンジ

▽本書の目次
第1章 全体像と学習の進め方
第2章 ショッパーマーケティングの課題
第3章 ショッパー行動解析データ概論
第4章 探索的データ解析(I)
第5章 探索的データ解析(II)
第6章 仮説検証型データ分析
第7章 報告資料の作成とプレゼン(I)
第8章 モデル構築の準備
第9章 精度評価の手法
第10章 決定木
第11章 ロジスティック回帰
第12章 アンサンブル
第13章 報告資料の作成とプレゼン(II)
第14章 システム化・回帰・クラスタリング
第15章 全体のふりかえりと今後にむけて

▽コラム
・来客数＝レシート発行枚数？
・データサイエンスは文理融合
・「外れ値」「欠損値」の扱いこそビジネス知識が問われる
・人は売場に来てから4秒で商品を決める？
・商品発注量の決定は「匠の技」？
・精度向上がビジネスの目標？
・ドドリアに学ぶ認知的不協和
…他多数

第1章　全体像と学習の進め方
　1.1　分析の全体像と本書の構成
　1.2　CRISP-DM
　1.3　クエストを楽しむ
　1.4　ふりかえりをしながら学びを得る
　1.5　DEFP2021発表資料からの学び
　章末問題
第2章　ショッパーマーケティングの課題
　2.1　ショッパーマーケティングと本書の範囲
　2.2　バーチャル店舗とリアル店舗の対比
　2.3　ショッパーマーケティングにおける課題
　2.4　データ活用の道しるべ
　2.5　今回のクライアントと仮想プロジェクト
　2.6　ビジネス課題の理解を深めるためには
　2.7　DEFP2021発表資料からの学び
　章末問題
第3章　ショッパー行動解析データ概論
　3.1　ショッパーマーケティングにおけるデータの種類
　3.2　ショッパー行動解析データ(GIデータ)の仕様
　3.3　GIデータの確認
　3.4　必要なデータはすべて集めるべきか？
　3.5　DEFP2021発表資料からの学び
　章末問題
第4章　探索的データ解析(I)
　4.1　探索的データ解析(EDA)とは
　4.2　head/tailで中身を確認する
　4.3　concatでcsvファイルを結合する
　4.4　describeで要約統計量を確認する
　4.5　histでヒストグラムを作成する
　4.6　boxplotで箱ひげ図を作成する
　4.7　astypeでデータ型を変換する
　4.8　DEFP2021発表資料からの学び
　章末問題
第5章　探索的データ解析(II)
　5.1　エリア情報を確認する
　5.2　フレームとエリアの特徴を確認する
　5.3　性別・年代を確認する準備
　5.4　pieで円グラフを作成する
　5.5　接触/購入の回数/人数の一覧表を作成する
　5.6　CVR(接触人数→購入人数)を算出する
　5.7　メーカー別に集計する
　5.8　scatterで散布図を作成する
　5.9　DEFP2021発表資料からの学び
　章末問題
第6章　仮説検証型データ分析
　6.1　仮説検証のための事前準備
　6.2　仮説1「女性の方がいろいろと商品を検討してそう」の検証
　6.3　仮説2「女性の方が長い時間比較検討してそう」の検証
　6.4　仮説3「若い人はあまり商品を検討しない」の検証
　6.5　仮説4「『雪のしずく』は『岩清水』と比較検討されている」の検証
　6.6　仮説5「時間帯によって手に取られる商品が異なる」の検証
　6.7　DEFP2021発表資料からの学び
　章末問題
第7章　報告資料の作成とプレゼン(I)
　7.1　これまでのふりかえり
　7.2　プレゼン資料の構成
　7.3　表やグラフの表現方法
　7.4　PythonとPowerPoint
　7.5　スライド作成のコツ
　7.6　プレゼン(発表)
　章末問題
第8章　モデル構築の準備
　8.1　なぜ機械学習モデルを作るのか(Why)
　8.2　どのように機械学習モデルを作るのか(How)
　8.3　どのような機械学習モデルを作るのか(What)
　8.4　特徴量を作成する
　8.5　テストデータの特徴量抽出
　8.6　準備結果の出力
　8.7　DEFP2021発表資料からの学び
　章末問題
第9章　精度評価の手法
　9.1　精度評価の概論
　9.2　精度評価指標
　9.3　過学習と検証法
　章末問題
第10章　決定木
　10.1　決定木とは
　10.2　決定木モデルの実装
　10.3　ハイパーパラメータチューニング
　10.4　最適化した決定木モデルの実装
　10.5　DEFP2021発表資料からの学び
　章末問題
第11章　ロジスティック回帰
　11.1　ロジスティック回帰とは
　11.2　ロジスティック回帰の実装
　11.3　ハイパーパラメータチューニング
　11.4　最適化したロジスティック回帰モデルの実装
　11.5　DEFP2021発表資料からの学び
　章末問題
第12章　アンサンブル
　12.1　アンサンブルとは
　12.2　決定木とロジスティック回帰のアンサンブル
　12.3　LightGBM
　12.4　ハイパーパラメータチューニング
　12.5　最適化したLightGBMモデルの実装
　12.6　DEFP2021発表資料からの学び
　章末問題
第13章　報告資料の作成とプレゼン(II)
　13.1　機械学習モデルの説明性
　13.2　機械学習モデルの説明内容
　13.3　DEFP2021発表資料からの学び
　13.4　中間報告時のフィードバック対応
　13.5　結果にコミットする
　13.6　鳥居さんの最終フィードバック
　章末問題
第14章　システム化・回帰・クラスタリング
　14.1　システム化
　14.2　売場・販促施策の改善
　14.3　DEFP2021発表資料からの学び
　14.4　回帰
　14.5　クラスタリング
　14.6　機械学習のさらなる活用
　章末問題
第15章　全体のふりかえりと今後にむけて
　15.1　全体のふりかえり
　15.2　今後取り組んでみると面白いテーマ
　15.3　商品開発や戦略への応用
　15.4　参考文献

著：清水　隆史
コニカミノルタ株式会社シニアプロジェクトマネージャー．
新卒で就職したシステムインテグレータにて宇宙開発関連システムの技術開発・運用などに従事．その後プロジェクトマネージャー，営業，事業戦略など広範な業務を横断的に担当し，技術とビジネスの橋渡しに面白さを感じる．コニカミノルタに転籍後，2018年よりショッパー行動解析サービス「Go Insight」のサービス企画・開発・運用に従事しプロダクトマネージャを務める．現在はPMOとして横断的にDXやデータサイエンス系プロジェクトのマネジメント全般に従事，人財育成にも取り組むとともに，スクラムマスターとしてアジャイル関連の活動も行う．

著：淺田　晃佑
コニカミノルタ株式会社シニアデータサイエンティスト．
新卒でIT企業にて画像処理やIoT関連webアプリ，顧客基盤システムなどの開発に従事．その後データサイエンティストに転身．金融向け予測モデル，自然言語処理関連プロダクト開発に携わる．2019年にコニカミノルタに転籍．数理スキルを活かし小売向けに時系列分析による需要予測，発注量の最適化などを行っている．