Pythonによる時系列分析 ―予測モデル構築と企業事例―

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。

※この電子書籍は紙版書籍のページデザインで制作した固定レイアウトです。

時系列データを上手く活用し、ビジネス成果を生み出す!!
　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）

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
1.2　ビジネス時系列データでよくある7つの活用事例
1.3　2種類の時系列データ 1
1.4　よく目にする7つの時系列特徴量
1.5　時系列特徴量付きテーブルデータ
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
2.2　Python以外のインストール
2.3　利用するライブラリー（パッケージ）のインストール
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
3.2　時系列データの特徴把握と前処理
3.3　時系列の予測モデルを構築してみよう
3.4　季節成分が複数ある場合の予測モデル
3.5　多変量時系列データの特徴把握と因果探索
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」
4.2　時系列データの異常検知
4.3　時系列データの要因探索
4.4　時系列データの将来予測
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）

9784274230615