• 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

• 事例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）
• 事例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）
• 事例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）
• 事例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）
• 事例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）
• 事例6：LTVマネジメントのためのLTV予測（ECサイト）
• 事例7：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）

• 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
    • 1.3.1　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）
  • 5.2　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）
  • 5.3　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）
  • 5.4　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）
  • 5.5　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）
  • 5.6　LTVマネジメントのためのLTV予測（ECサイト）
  • 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）

以下をクリクすると、Deepnote上のNotebook(実行例)を見ることができます
実行例を表示
※ページ数の都合上、書籍に載せきらなかったPythonコードとアウトプットが若干あります。
※そのため、書籍よりも若干ボリューミーになっていますが、気にしないでください。
※気が向いたら、時系列機械学習や時系列深層学習（時系列トランスフォーマーなど）などを掲載します（ブログで掲載するかも）

Notebook形式のPythonファイルおよびCSVファイルが必要な方は、以下から申し込みください。

お名前 ※
メールアドレス ※

【個人情報の取り扱いについて】
株式会社セールスアナリティクスは、本申し込みにおいてお預りした
お客さまの個人情報を当社が定める「プライバシーポリシー」に従い
適性に管理します。

<個人情報の利用目的>
・各種サービスのご提供・ご本人確認・当社セミナーに関するご案内
・当社が発行するメールマガジン・DM・その他のお知らせの送付

※メルマガが配信されますが、不要の方は配信されたメルマガから解除できます