時系列データを上手く調理することは、これらの問に何かしら解を与えることができます。特に予測モデルを上手く活用すると、過去を振り返り、未来を予測し、現在すべきことを導きだし、成果へと繋げることができます。いくら高精度な予測モデルを手にしても、どう活用すべきかわからないと成果は生まれません。そこで本書ではどのように扱うかを、実際のデータを用いて、使い方を重点的に解説していきます。時系列分析の多くの書籍は数式等を用いて解説していますが、実務的な運用には理論よりもPython等コードで実践していくことが重要です。
なお、事例として以下を取り上げます。
・モニタリング指標の異常検知によるキャンペーン評価（自動車ディーラー）
・モニタリング指標の異常検知と要因探索（小売りチェーン）
・売上予測モデルを活用したデータドリブン販促（小売りチェーン）
・離反予測モデルによる離反対策ルールの策定（食品・法人向けビジネス）
・チャーンマネジメントのための離反時期予測（携帯電話サービス）
・LTVマネジメントのためのLTV予測（ECサイト）
・広告・販促効果を見える化し最適化するマーケティング・ミックス・モデリング（スポーツジム）
https://www.ohmsha.co.jp/book/9784274230615/
正誤表やDLデータ等がある場合はこちらに掲載しています
第1章 ビジネスにおける時系列データ活用
第2章 Pythonのデータ分析環境の設定（JupyterLab）
第3章 時系列予測モデル構築・超入門
第4章 時系列データを使ったビジネス成果の上げ方
第5章 時系列データを活用したビジネス事例
第1章 ビジネスにおける時系列データ活用
1.1 ビジネス現場は時系列データで溢れている
1.1.1 時系列データとは何か？
1.1.2 時系列データの3 つの変動成分
1.1.3 点過程データと時系列データ
1.2 ビジネス時系列データでよくある7つの活用事例
1.2.1 7 つの活用事例とは？
1.2.2 基本となる3 活用事例
1.2.3 セールスアナリティクスの3 活用事例
1.2.4 広告・販促の効果測定と最適化
1.3 2種類の時系列データ 1
1.3.1 2 種類の時系列データとは？
1.3.2 縦持ち時系列データ（時間軸が縦方向）
1.3.3 横持ち時系列データ（時間軸が横方向）
1.4 よく目にする7つの時系列特徴量
1.4.1 7 つの時系列特徴量とは？
1.4.2 各特徴量の説明
1.4.3 特徴量はどんどん増える
1.5 時系列特徴量付きテーブルデータ
1.5.1 テーブルデータとは？
1.5.2 テーブルデータのほうが扱いやすい
1.5.3 テーブルデータ系のモデルを使おう！
第2章 Pythonのデータ分析環境の設定（JupyterLab）
2.1 Pythonのインストール
2.1.1 本書のPython 環境
2.1.2 JupyterLab Desktop のインストール
2.1.3 Anaconda のインストール
2.2 Python以外のインストール
2.2.1 Graphviz のインストール
2.2.3 R のインストール
2.3 利用するライブラリー（パッケージ）のインストール
2.3.1 ライブラリー（パッケージ）管理ツール
2.3.2 conda とpip の使い方
2.3.3 ライブラリー（パッケージ）のインストール
第3章 時系列予測モデル構築・超入門
3.1 時系列データを使った予測モデル構築の流れ
3.1.1 予測モデル構築の流れ
3.1.2 ホールドアウト法
3.1.3 クロスバリデーション法
3.1.4 評価指標
3.1.5 高精度な予測モデルが「使えるモデル」とは限らない
3.2 時系列データの特徴把握と前処理
3.2.1 時系列データ特有の3 つの特徴把握方法
3.2.2 準備（必要なモジュールとデータの読み込み）
3.2.3 時系列データの変動成分の確認
3.2.4 時系列データが定常かどうかの確認
3.2.5 自己相関の確認
3.3 時系列の予測モデルを構築してみよう
3.3.1 構築する予測モデルとサンプルデータ
3.3.2 実務で最も利用されているARIMAモデルのちょっとしたお話し
3.3.3 ARIMA で構築する予測モデル
3.3.4 ホルトウィンターズで構築する予測モデル
3.3.5 Prophet で構築する予測モデル（ハイパーパラメータそのまま）
3.3.6 Prophet で構築する予測モデル（ハイパーパラメータ自動探索）
3.3.7 時系列特徴量を生成しテーブルデータを作ろう！
3.3.8 複数先予測
3.3.9 線形回帰で予測モデルを構築（すべての変数利用）
3.3.10 線形回帰で予測モデルを構築（REF 法で変数選択）
3.4 季節成分が複数ある場合の予測モデル
3.4.1 MSTL で複数の季節成分を分解
3.4.2 TBATS で構築する予測モデル
3.4.3 ARIMAX で構築する予測モデル
3.4.4 時系列特徴量を生成しテーブルデータを作ろう！
3.4.5 線形回帰で構築する予測モデル
3.5 多変量時系列データの特徴把握と因果探索
3.5.1 多変量時系列データと時系列グラフィカルモデル
3.5.2 相互相関係数によるアプローチ
3.5.3 因果探索モデルによるアプローチ
3.5.4 VAR モデルで実施3.5.5 非ガウスSVAR（VAR-LiNGAM）モデルで実施
第4章 時系列データを使ったビジネス成果の上げ方
4.1 データでビジネス成果を上げる「データ活用ストーリー」
4.1.1 データ活用ストーリーとは何か？
4.1.2 データ活用の3 ステップ
4.1.3 データから生成する3 種類の情報（インテリジェンス）
4.2 時系列データの異常検知
4.2.1 検知したい異常（外れ値と構造変化）
4.3 時系列データの要因探索
4.3.1 異常の要因探索と探索手法
4.3.2 変数間の関係性を事前に整理する
4.3.3 要因の種類
4.4 時系列データの将来予測
4.4.1 3 種類の数理モデル
4.4.2 量と質を予測する
4.4.3 異常検知や要因探索との関係
第5章 時系列データを活用したビジネス事例
5.1 モニタリング指標の異常検知によるキャンペーン評価（自動車ディーラー）
5.1.1 事例説明
5.1.2 データセットと分析概要
5.1.3 Python の実施例
5.2 モニタリング指標の異常検知と要因探索（小売りチェーン）
5.2.1 事例説明
5.2.2 データセットと分析概要
5.2.3 Python の実施例
5.3 売上予測モデルを活用したデータドリブン販促（小売りチェーン）
5.3.1 事例説明
5.3.2 データセットと分析概要
5.3.3 Python の実施例
5.4 離反予測モデルによる離反対策ルールの策定（食品・法人向けビジネス）
5.4.1 事例説明
5.4.2 データセットと分析概要
5.4.3 Python の実施例
5.5 チャーンマネジメントのための離反時期予測（携帯電話サービス）
5.5.1 事例説明
5.5.2 データセットと分析概要
5.5.3 Python の実施例
5.6 LTVマネジメントのためのLTV予測（ECサイト）
5.6.1 事例説明
5.6.2 データセットと分析概要
5.6.3 Python の実施例
5.7 広告と販促効果を見える化し最適化するマーケティングミックスモデリング（スポーツジム）
5.7.1 事例説明
5.7.2 データセットと分析概要
5.7.3 Python の実施例
購入案内
購入履歴
送料について