【データサイエンス×ビジネスコミュニケーション】現役データサイエンティストが教える「伝えて動かすデータ分析」

このセクションで学ぶこととゴールについて確認します。
このコースで活用するためのPython環境を設定するための準備を行います。
「環境構築」を行う方法について説明します。

AnacondaというPythonと科学計算ライブラリ群のパッケージをWindowsとMacでインストールする方法を説明します。
実際にインストール方法を実践し、インストール後の状態を確認します。

Pythonでデータ分析を行うための必須ツールであるJupyter Notebookについて概要の説明と操作方法について解説します。
対話型Python実行環境であるJupyter Notebookについて説明します。
実際にJupyter Notebookを立ち上げて、プログラムを入力して実行します。

Notebookの作成しファイル名を変える方法を説明します。
「セル」の操作方法について説明します。
「保存」「セルの追加」「切り取り」「コピー」「貼り付け」「セルの移動」「停止」「カーネルの再起動」「全て実行」などのJupyter Notebookのアイコンについて紹介します。

メモを取るときに用いることができる「Makedown」について説明します。

Jupyter Notebook上で、Pythonの基本的な内容を復習します。
基本的な演算である「足し算」「引き算」「掛け算」「割り算」「余り」「累乗」の計算について説明します。
「変数」とはどういうものであるかや使い方について説明します。
データ型について「数値型」「文字列型」「ブール型」「リスト型」「辞書型」などの種類と確認・操作する方法を解説します。

Pythonの基本的な文法である「If文」「For文」について解説します。
If文で用いる「elif」「else」「Pass」や、「比較演算子」と「True」「False」について説明します。

※講義内で用いられている元号を表す変数について、「gangou」ではなく正しくは「gengou」となります。

繰り返しを行うときに用いるFor文の使い方について説明します。
For文を用いて新たなリストを生成する「リスト内包表記」について確認します。

Pythonの基本の最後として「関数」について解説していきます。
関数を自分で作る方法について説明します。
返り値の指定を行う方法を説明します。
「組み込み関数」「モジュール」について例を用いて説明します。

※講義内で用いられている元号を表す変数について、「gangou」ではなく正しくは「gengou」となります。

Numpyの基本について解説します。
Pythonの科学計算でよく用いられる基本的なライブラリである「Numpy」について説明します。
Numpyをインストールする方法を説明します。

ベクトル（1次元配列）の作成について説明します。リスト型であるarrayオブジェクトについて確認します。
1次元配列の中身の次元・データ型・要素数を確認する方法を紹介します。
最大・最小・合計の表示方法について説明します。
ベクトルの計算である内積の計算結果を出す方法を説明します。

行列（2次元配列）の作成について解説します。
行列の掛け算方法について説明します。

表データを扱うライブラリであるPandasについて解説します。
Pandasをインポートする方法を説明します。

インデックス情報がついているarrayオブジェクトである「Seriesオブジェクト」を作成する方法を説明します。
Indexの名前を自分で設定する方法を紹介します。

Seriesオブジェクトの要素を取り出す方法を説明します。

表データのオブジェクトである「DataFrameオブジェクト」について解説します。
データフレームの初期化の方法を実際にDataFrameオブジェクトを作りながら説明します。
DataFrameオブジェクトの表示方法について説明します。

特定の列や複数の列を参照する方法を紹介します。
データ型の確認を行います。

Pandasを用いてデータの全体像を把握する方法を解説します。
DataFrameオブジェクトに入っているデータのサイズ・データ型の確認や、ヘッドの表示方法について実践します。

データの抽出・並び替えの方法について解説します。
比較演算子を使って条件を作る方法を説明します。
条件を用いてデータの抽出を行う方法を紹介します。

データの並び替えの方法について説明します。

Pandasを用いた集計・集約の方法について解説します。
要素の個数を集計や、各種統計量を求める方法を説明します。
データ分析でよく活用する集約を行う方法を説明します。

Pandasの情報の集め方を紹介します。

データ分析をPythonで行うときに必須の可視化ライブラリである「Matplotlib」について解説します。一緒に読み込まれることが多い「Seaborn」について説明します。

実際にMatplotlib・SeabornをJupyter Notebook上で読み込みする方法を説明します。

Numpyで生成したデータを線グラフに描画（プロット）する方法を解説します。

Matplotlibを用いて「散布図」「ヒストグラム」をプロットする方法を解説いたします。

散布図・ヒストグラムの特徴と使う場面について説明いたします。

「ビン図」について解説します。

matplotlibで色を分けて描画（プロット）する方法を解説します。

データ点の特徴を表す方法を説明します。

これまで学んだPythonの基本的パッケージを使って課題を解いていきます。

課題1としてあやめデータセットを用いてデータ分析の実践を行なっていきます。

scikit-learnからあやめデータセットをデータフレームとして読み込んでデータの中身を確認します。

あやめの種類ごとにデータの分析・可視化をする方法についてぜひご自身で考えて試してみてから次の解答編にお進みください。

あやめデータセットを用いてデータ分析の課題の解答となります。

まず全体を見るためにそれぞれ3種類のあやめごとに平均値を出して比較します。

データを色分けして可視化してデータの全体像を把握します。

ワインデータセットを用いたPython基本パッケージの課題について解説します。

ワインデータセットをscikit-learnからデータフレームで読み込んで、データの中身を確認します。

データの可視化の方法についてぜひご自身で考えて試してみてから次の解答編にお進みください。

ワインデータを用いたデータ分析の課題の解答を行います。

まずデータの平均値を確認します。行と列を入れ替える「天地」の方法を説明します。

棒グラフを用いてデータを確認していきます。あるデータの種類を取り除いてデータを可視化する方法を説明します。

ワインの種類ごとに差分が大きそうな項目を探し詳しく比較します。

データ分析における解釈に必要な「ドメイン知識」について説明します。

解釈可能な特徴量について可視化を行います。

データ分析で用いる基本的な高校数学の知識をおさらいします。数学が苦手で理解が難しい場合は無理して考え込まず、こんな内容もあるのかと思っていただければ大丈夫です。

数学の記号にアレルギー反応を起こさないように、グラフや図を使いながら感覚的に理解できるように作成しています。

確率と分布について説明していきます。「期待値」と「分布関数」という言葉の意味を理解して、これらを使えるようにしていくことがゴールになります。

確率の計算方法を解説します。「確率変数」と「分布関数」の関係について例を用いて解説します。期待値の考え方について解説します。

確率と分布の発展的な内容になりますので、最初から完全に理解できなくても大丈夫です。

平均値を「確率変数」とした時の「確率分布」の求め方について解説します。「密度関数」についてビジネス現場での例を用いながら解説します。連続値の「期待値」の出し方を解説します。

データ分析の実践的な手法として、データを分析してその傾向を明らかにする「統計解析」について解説します。統計解析の中の「記述統計」と「推計」の考え方について解説します。

このレクチャーでは、データを集計して図示して傾向を把握する「記述統計」について扱います。業務で扱う多くのデータから傾向を理解するためにデータを要約する手法群を学びます。

※動画音声にノイズの混在があり大変申し訳ございません。

記述統計によるデータの把握について解説します。

記述統計で使われる基本的な「要約統計量」について解説します。

データセット特徴をつかむために平均・中央値・最頻値を求める方法を解説します。

基本的な要約統計量である「分散」と「標準偏差」について定義や考え方から学んでいきます。具体的なデータセットを用いて分散と標準偏差の求め方を説明します。

データの中心とどれくらいデータがばらついているのかを把握することができます。

データを図示して見るための基本的な技術を解説します。

量的データを可視化する「ヒストグラム」という方法を説明します。実際のデータセットを使ってヒストグラムでデータの分布を可視化していきます。

データの「パーセンタイル値」について解説します。

２つの変数の関係を表す「散布図」と「相関係数」について解説します。

散布図で２つのデータを可視化する方法を説明します。相関係数の計算方法と考え方を解説します。

数学が苦手な人でも数式に親しむために、数式の理解の仕方のポイントを解説します。「SciPy」というライブラリの使い方を解説します。

集めたデータからその背後にある元となるデータの性質を推測する「推計統計学」について概要を説明いたします。「母集団」と「標本」の関係を説明します。

推計統計学の基本である「統計的検定」についてJupyter Notebookを使いながら実践していきます。

2つの種類のデータ間に差があるかどうかを検定で確かめる準備をします。平均の出し方やヒストグラムの出し方の復習を行います。2つのヒストグラムの軸を合わせて比較する方法を解説します。

統計的検定のための問題設定について確認します。ビジネスシーンでの統計的検定の活用の仕方を説明します。

プロセスに沿って意思決定をしたい場合に実際のビジネス現場で活用されている検定方法について説明します。設定した問題に対して回答できるような推計統計の「統計的検定」の手法について基本的なステップについて解説します。

検定の1番のミソである「帰無仮説」と「対立仮説」の立て方について説明します。帰無仮説を棄却する方法を解説します。標本統計量とその起こりやすさを計算して数値的に判断する方法を説明します。

「t検定(ウェルチのt検定)」という検定手法について解説します。「標本誤差」と「t値」の計算方法と「t値」の性質について説明します。「t値」から「p値」に変換して棄却域に入っているかどうかを判断する方法を説明します。

「t検定」という統計的検定の具体的な計算方法を実践します。「scipy」を用いてt値とp値を求める方法を説明します。

t検定・統計的検定を行う際の注意について解説します。有意差がでる条件について確認します。

t検定以外に意思決定の助けになる手法について紹介します。統計的検定や実務への応用を学ぶ上で参考になる書籍を紹介します。

統計的検定の課題を出題いたします。自分でコードを書いて求めてみてください。

解答例は次のレクチャーでお示しします。

統計の課題について解答例を提示します。

第3章誠にお疲れ様でした。分量が多く、難しい部分も多かったと思いますが何度か見返すことで徐々に理解していっていただけましたら幸いです。

次回以降はデータサイエンスのビジネス応用にさらに踏み込んだ内容になりますので宜しくお願い申し上げます。

「機械学習」とは何かを説明します。「教師あり学習」と「教師なし学習」の違いと大まかな流れを解説します。「予測モデル」について具体例を用いて説明します。教師あり学習の「分類」と「回帰」について説明します。

教師なし学習について「クラスタリング」と「次元圧縮(削減)」について具体的な例を用いて説明します。

「scikit-learn」について解説します。

データ分析において何のために機械学習を使用するかを解説します。「CRISPデータマイニングプロセス」について再度説明します。

機械学習における「モデリング」のフローについて説明します。「前処理」「学習」「評価」について解説します。

機械学習の基本コンセプトの１つである「予測」について解説します。

予測モデルを作る手法である「分類」と「回帰」について説明します。

「分類」という手法について実際のデータを用いて実践します。分類を行うための準備である「前処理」について解説します。

「正解データ」と「入力データ」の準備について解説します。「特徴量作成」について説明します。「トレーニングデータ」と「テストデータ」の準備について説明します。

ライブラリとデータを読み込んで実際に「分類」の準備を実践していきます。

正解データと入力データの準備について実践していきます。特徴量の作成について実践していきます。データを散布図で可視化して確認します。

難しい部分はまずはコードを追っていただいて、あとからゆっくり理解していくのがオススメです。

トレーニングデータとテストデータを読み込んで、どのように分けるかの方法を説明します。分けた後のデータを散布図で図示して確認します。

はじめのうちは加工したデータをこまめに図示することで理解しやすくなります。慣れてくると頭の中で理解できるようになってきます。

「予測モデル」を構築するための機械学習手法について解説します。分類でよく使われる「SVM:Support Vector Machine」という手法の使い方について解説します。

予測モデルの初期化について説明します。トレーニングデータで学習させる方法を解説します。実際に予測モデルを使って、テストデータの予測を行なっていきます。

機械学習手法の概要・詳細を調べるための参考図書を紹介します。

作成した予測モデルの精度がどれくらい良いのかを確かめる「評価」について解説します。評価指数の１つである「正解率」を用いて評価する方法を解説します。

「正解率」の実際の式を説明します。正解率を用いて予測モデルの評価を行います。

機械学習の予測の１つである「回帰」について解説します。実際のデータを用いて回帰の流れを説明します。

データの準備を行います。読み込んだデータセットを確認します。

回帰についてデータの準備を、実際のビジネス・業務で行う場合の流れも踏まえながら実践していきます。

「ペアプロット」という手法を用いてデータを可視化し、特徴量の関係性を調査する方法を解説・実践します。

正解データと入力データの準備について実践します。トレーニングデータとテストデータの分け方を実践します。

回帰を用いた予測モデルの構築について解説します。回帰の代表的な手法である「線形回帰モデル」の使い方を説明します。

予測モデルの初期化や学習について実践します。

線形回帰モデルの概要・詳細を学ぶためのオススメの書籍を紹介します。

回帰予測モデルがどれくらい正しいのかを評価する方法を説明します。「平均二乗誤差(MSE: Mean Squared Error)」という指標を用いて予測モデルの評価を行います。平均二乗誤差の数式の表示方法を説明します。「scikit-learn」の使い方を解説します。

平均二乗誤差の出し方を実際のデータを用いて説明し、その評価の仕方を解説します。予測データと正解データの誤差を散布図で可視化する方法を説明します。

チューニング・特徴量生成について説明します。

機械学習の基本コンセプトである「パターン発見」について説明します。「教師なし学習」である「クラスタリング」「次元圧縮(削減)」について再度説明します。

「クラスタリング」について解説します。実際の業務で用いる「セグメンテーション」「ターゲティング」という手法について説明します。

代表的なクラスタリング手法である「k-means」と呼ばれる方法の実際に使うときの流れを説明します。k-meansの概要・詳細を理解するためのオススメの書籍を紹介します。

実際にk-meansを用いてクラスタリングを実践する方法を解説します。必要なデータセットを読み込む方法を説明します。URLからデータセットを読み込む方法を説明します。CSVのデータセットの扱い方を説明します。

使用するデータセットの中身を確認します。データを見やすくするためデータリストの列名を追加する方法を説明します。データのサイズを確認します。

クラスタリングを行うときの実際の流れについて説明します。

クラスタリングにおけるデータの準備の方法を説明します。特定のデータだけ取り出す方法を説明します。

scikit-learnを用いたクラスタリングの実行について説明します。「クラスタ数」の決め方について解説します。

予測データと元のデータを組み合わせて機械学習によってどのように分類されたかを確認する方法を説明します。クラスタ毎のデータ数や割合を確認する方法を説明します。

クラスタリングの結果の解釈についてポイントを解説します。クラスタの特徴づけの方法を説明します。クラスタ分けの内容を見やすく可視化する「ヒートマップ」の使い方について説明します。

クラスタリングしたデータの解釈を行う方法を解説します。それぞれのクラスタに対して「ヒートマップ」から特徴を掴んで名前をつける方法を説明します。

ビジネスの中でクラスタリングが活用できる場面について紹介します。

次元圧縮(削減)について再度概要を説明します。次元圧縮の主な用途について解説します。

データ可視化のための補助としての次元圧縮の手法について解説します。次元圧縮の流れについて説明します。

複数の特徴量を2つの軸の散布図に次元圧縮してデータの全体像を把握する方法について説明します。

「主成分分析(PCA: Principle Component Analysis)」について解説します。「重要度」について説明します。PCAの概要・詳細を学びたい時にオススメの参考文献を紹介します。

次元圧縮の実際の流れを実践しながら解説します。scikit-learnを用いて次元圧縮を実行する方法を説明します。

実際に圧縮された値を確認する方法を説明します。

次元圧縮を行なったデータに関して重要度に当たる「分散説明率」を確認する方法を解説します。「累積分散説明率」について説明します。

次元圧縮したデータを実際に可視化してデータを眺めて全体像を把握する方法を解説します。次元圧縮した軸の意味を解釈する方法について説明します。

散布図にわかりやすく文字をプロットする方法を説明します。データをランダムでサンプリングする方法を紹介します。

データサイエンスでよく用いられる「類似度」の考え方について解説します。実際のビジネスで類似度を用いる場面を紹介します。

類似度の基本的なコンセプト・測り方を解説します。よく使われる「コサイン類似度」について説明します。

実際に「コサイン類似度」を計算する方法を解説していきます。次元圧縮したあるデータについて、全てのデータとの類似度を計算して評価する方法を説明します。

ビジネスで類似度を活用できる場面を紹介します。

データ分析の出発点となる「ビジネス理解」について解説します。

ビジネス理解における「目的設定」について解説します。

データ分析の仕事の進め方を「自分起点」「他者起点」の視点から説明します。目的設定をどのようにするべきか、良い目的設定とは何かを解説します。

実際のビジネス現場での目的設定の流れについて説明します。「良い目的」とは何かを「ビジネス観点」と「データ分析観点」から整理します。

目的設定の方法として「仮説検証型アプローチ」と「探索型アプローチ」について解説します。

仮説検証型アプローチの概要・進め方とデータ分析の役割についてビジネス場面の具体例を用いて説明します。

探索型アプローチの概要・進め方と記述統計の役割についてビジネス場面の具体例を用いて説明します。

良い目的設定を行うために意識しておくべき点について解説します。「日頃からの情報収集」において把握・注意するべきことについて説明します。

目的を設定するために有用な方法論を解説します。

ビジネス理解と目的設定のまとめを行います。

手段と目的の違いを理解し、ビジネスとデータサイエンスの関係を知るために「目的」「手段」について解説します。

デ手段としてのデータサイエンスについて説明し、データサイエンスの利用の可否を検討できるようにします。

データ分析の要素を確認します。ビジネス理解と分析・解釈をどのようにつなげていくかを解説していきます。

データサイエンスの目的と手法の組み合わせ方について説明します。目的設定前と目的設定後に意識するべきことをビジネス現場の例を用いて説明します。

これまでに学習した分析・解釈のスキルを目的に合わせて確認していきます。目的設定と手法の引き出しを増やす方法を説明します。

目的設定の失敗や見誤りについて説明します。

「目的と分析手法の組み合わせ」についてまとめを行います。

「ビジネス理解」について学習したことをまとめていきます。

データ分析の要素とビジネス理解の組み合わせについて確認します。参考図書について紹介します。

ビジネス理解において起点となる「データの収集・加工」について概要を解説します。

このセクションで学ぶことやゴールを確認します。

データを利用するまでの一連の流れを解説します。

データ分析で利用するデータが生成される過程に目を向けられるように説明いたします。データベースやデータウェアハウスの概要を説明します。

データ利用の起点となる「ファイルデータ」と「データベース」について説明します。ファイルデータの種類について紹介します。データベースをデータ分析観点で理解できるように解説します。

なぜデータベースを使うのかを確認します。データベースのアプリケーションを紹介します。

「SQL」や「データウェアハウス」といった用語について説明します。

ここまでのまとめを行います。

データの収集や加工を行う上で注意するべきことについて、ビジネス場面での具体例を通して解説します。

行動ログデータ・アンケートデータ・実験データなどについて、利用しているデータと正しいデータが必ずしも一致しないことについて説明します。

データを利用するまでにどのような工程があるかを確認します。
データ利用の際に気をつけるポイントについて解説します。

データを利用するまでのまとめを行います。

データの加工についてJupyter Notebook・Pandasを用いて解説していきます。

必要なライブラリの読み込みについて説明します。データの加工に用いるデータの読み込み方法を確認します。

データの加工の手順として「データの結合」について実際のデータを用いて解説します。複数のデータを特定のID（キー）に基づいて繋げる方法を説明します。

結合方法の種類について説明します。理解の難しいポイントですので、次のレクチャーで結合方法について具体的に手を動かして理解していきます。

データの結合について具体的なデータを用いて実践していきます。

「INNER JOIN」「FULL JOIN」「LEFT/RIGHT JOIN」について説明します。

サンプリングしてデータを取り出す方法を確認します。「NaN」について説明します。

データ分析でよく用いられるデータの変換処理である「マッピング」「ビン分割」について解説します。

マッピング処理について実際のデータを用いて説明します。英語のデータを日本語に変換する方法を実践します。
統計指標を出すときによく用いられるビン分割について説明します。年齢を10歳区切りで集計する方法を実践します。集計したデータを棒グラフで可視化する方法を確認します。

ビン分割について区間の数を指定して範囲を自動で分割する方法を説明します。

「欠損値」の扱いや処理の方法について解説します。

「除外」「穴埋め」といった方法を具体的なデータを用いて説明します。欠損値が出るデータについて確認します。応用として平均値で穴埋めする方法を実践します。

データベースからデータを取り出す際に利用する「SQL」の基本を解説します。(Windowsを利用する場合の注意点を説明します。）

SQLについてPandasと同様にコードを書いて使う方法を説明します。「pandasql」の利用方法について実際のデータを用いて実践します。

データベースの基本用語について説明します。これから行う実際の業務でのデータベース操作の流れのイメージについて解説します。

SQLの基本構文について「select文」について解説します。結果をPandasのDataFrameとして受け取る方法を説明します。

カラム選択の方法について実践します。データベースから受け取るデータ量を制限する方法を説明します。

SQLにおいて「where句」によるデータの絞り込みについて実践しながら解説します。

SQLにおいて「order by節」によるデータの並び替えについて実践しながら解説します。

昇順・降順の方法について説明します。

SQLの応用として「集約関数」を解説します。

「count」「sum」「avg」「min」「max」などについて実際に使いながら説明します。

「group by節」によって集約値を求める方法を説明します。「as」を用いて列名を変更する方法を実践します。「group by節」において2つ以上のカラムを指定する方法を説明します。

「having節」で集計後の値で絞り込む方法について具体例を示しながら説明します。

SQLにおける「テーブルの結合」について解説します。

「JOIN句」を使用してPandasで行ったのと同様にテーブルを結合する方法を説明します。

その他、知っておくと良いSQLの文法について解説します。

「関数」・「サブクエリ」について説明します。

SQLのおすすめの書籍や参考資料について紹介します。

データ分析とデータベースの関係についてまとめます。

なぜデータベースを用いるかについて確認します。

収集・加工のスキルについてまとめを行います。

SQLの学習大変お疲れ様でした。次のレクチャーはデータ分析の評価について解説します。ビジネス応用において意思決定を支える重要な部分ですので、折り返し地点頑張っていきましょう。

データ分析の工程の一つとなる「評価」について解説します。

データ分析から意思決定を行い、実際に試してみてそれを評価するループについて説明します。

セクション7で学ぶこととゴールについて確認します。

「データ分析プロジェクト」とは何かを解説します。

「プロジェクト」とについて具体的なビジネス現場の例を用いて説明し、プロジェクトを評価することでゴールに近づいているかどうかを知る方法を説明します。

プロジェクトの危険信号について説明し、評価設計のミスによるプロジェクトの失敗について紹介します。

良い目的と達成の可否について再度ビジネス観点とデータ分析観点で確認します。「期待値の調整」の重要性について説明します。

ゴールとの距離の測り方を状況別に解説します。「進行の確認」と「状態の確認」について説明します。この次のレクチャーで実践します。

データ分析文脈での評価スキルとは何かについて解説します。目的達成評価のために用いる「仮説検証」と「モデル評価」について確認します。

データ分析を活用した２種類のビジネス貢献について確認します。

ここまでのまとめを行います。この後の学習の流れである「指標の定義と測定」「実験計画」を説明します。

プロジェクトと評価の関係について確認します。

最終到達点であるゴールとの距離を測る指標をビジネス現場の具体例を用いて解説します。「KPIマネジメント」という手法について説明します。

「KGI」「CSF」「KPI」についてビジネス現場での具体例を用いて解説します。KGI・CSF・KPIの関係について解説します。

具体的にKPIをどのように設定していけば良いのかについてデジタルマーケティング領域を例に解説します。「CSF」の選定のポイントについてビジネス現場の具体例を用いて確認します。

測れる指標を定義してそれらの「指標間の関係性整理」を行う方法を説明します。

KPIの望ましい性質について説明し、KPI指標を絞り込んでいく方法を解説します。

実際のビジネス現場でよく用いられるKPIの例について解説します。

WEBアプリケーションでよく用いられる「DAU」「MAU」「CVR」「CTR」「PV」「リテンション」「直帰率」について説明します。

KPIの意味合いについて注意点を説明します。各種「分析用指標」のモニタリングの方法について説明します。モニタリング体制を作るときの2つのコツを説明します。

KPIモニタリング時の注意点について解説します。

KPI運用における心構えを説明します。

ここまでのまとめを行います。

中間地点である目的＝仮説を達成できたかどうかを確認するための「仮説検証」についてビジネス場面での具体例を用いて解説します。

仮説検証の標準方法である「A/Bテスト」について説明します。A/Bテストの進め方について解説します。なぜA/Bテストが重要であるかについて説明します。

A/Bテストによる仮説検証の流れについて解説します。事前の準備の重要性について説明します。

具体的にビジネス現場の例を用いてA/Bテストにおけるポイントをいくつか説明します。

検定条件の考え方を説明します。実験計画の立て方とその実行について注意点を説明します。結果の分析と意思決定について説明します。

A/Bテストを進める上であると良い知識について紹介します。

ここまでのまとめを行います。

データ分析の中で「報告・意思決定」の位置付けや方法について解説します。

このセクションで学ぶこと・ゴールの確認を行います。

意思決定とデータ分析の関係性について解説します。

データ分析を活用することの価値を説明します。

組織で行う意思決定について確認します。

ビジネスシーンの中でどういうところで意思決定が発生するかを例を用いて確認します。

組織による意思決定のフローを図式化して説明します。

意思決定のポイントである「論理」と「感情」について解説します。

データ分析と意思決定・主張・根拠の関係性を整理します。

どのように伝えていくのが良いかをこのセッションのメインテーマとします。

どのように伝えれば良いのかコミュニケーションのスキルを解説します。

コミュニケーションの目的である「関係構築」「情報伝達」「行動促進」について説明します。

コミュニケーションの例を実際のビジネス現場を用いて紹介します。

コミュニケーションの手段について整理します。

どのようなことに留意する必要があるのかを説明します。

目的を達成する資料作成の重要なポイントを確認します。

資料のための「データ可視化」の重要なポイントを解説します。

可視化手法ごとの特徴や利用できる場面について紹介します。

コミュニケーションのスキルのまとめを行います。

意思決定のスキルについて解説します。組織の意思決定のフローを確認します。

意思決定フローのポイントを4つ説明します。

選択肢が複数ある時に絞り込みを行う5つの方法について説明します。

仮説検証と意思決定の関係について整理します。

意思決定フローの具体例を具体的なビジネス場面の例を用いて解説します。

課題設定・選択肢の生成過程・選択肢の結果予測・組織のあるべき姿と結論の共通認識の実際の流れについて確認します。

データ分析と意思決定に潜む罠について理解して、避けられるように解説します。

バイアスや陥りやすいミスについて説明します。

データ分析と意思決定のバイアスについて実際のビジネス現場の例を用いて説明し、取り除けるようにします。

意思決定のスキルのまとめを行います。

報告・意思決定のスキルのまとめを行います。

オススメの参考図書について紹介します。

データ分析における「実施・適用」の位置付けについて解説します。

このセクションで学ぶこととゴールについて確認します。

プロジェクトマネージメントの体系的知識である「PMBOK」を学んでいきます。

データ分析施策の実施について解説します。

施策の検証から展開への流れを説明します。仮説検証のスタートをメインテーマとしていきます。

実施・適用フェーズで実務上困った時に役立つ知識について紹介します。データ分析をもとに価値を創出する上で重要となります。

データマイニングプロセスと適用フェーズをどのように進めていくのかという「プロセス設計」について説明します。検証結果を最大活用できるような実施・適用フェーズのプロセス設計の流れを説明します。

データ分析でより価値を創出するための関連知識である「プロジェクトマネジメント」「ソフトウェア工学」の概要を紹介します。

この後に学ぶことをまとめ、このセクションでのポイントを説明します。

プロジェクトマネジメントとはどのようなものかについて解説します。

プロジェクトマネジメントの知識体系である「PMBOK(ピンボック)」の概要について説明し、プロジェクト推進で困った時に参照できるようにします。

データ分析の実施・適用フェーズでのPMBOKの活用例について説明します。

PMBOKをより深く学ぶためのオススメの書籍を紹介します。

ソフトウェア開発・運用について具体的なビジネス場面の例を使って解説します。ソフトウェア開発と実施・適用フェーズの関係性について説明します。

エンジニアと良い協働を行うためのソフトウェア開発・運用の知識について解説します。ソフトウェアの開発と運用の流れについて説明します。

主流な開発手法である「ウォーターフォール開発」と「アジャイル開発」について解説します。システム運用や運用と開発のコンフリクトの解消に有用な知識である「ITIL」「DevOps」について説明します。

ソフトウェア開発・運用でのポイントについてまとめます。
ソフトウェア開発・運用を学ぶ上でオススメの書籍を紹介します。

実施フェーズのポイントを解説していきます。

実施・適用フェーズの4つの重要領域を説明します。プロセス設計についてポイントを再度確認します。

開発・運用計画について解説します。システム化要件の取りまとめと運用について説明します。リスクコントロールの重要性について説明します。

キーパーソンとのコミュニケーションについてどのように行ったら良いかを解説します。

実施・適用のポイントをまとめます。

実践的なケーススタディとしてWebサイトのアクセスログの解析を解説します。

設定と課題を確認します。ECサイトを運営している会社に新たに着任したデータサイエンティストとして分析を進める方法を説明します。

利用するデータとWebサイトの構造を確認します。ある日のECサイトの行動ログを例にデータ分析を行なっていきます。

必要なライブラリとデータを読み込みます。（データファイルのURLはリソースから取得できます）

ユーザーのアクセスログデータの読み方を確認します。

アクセスログ解説におけるKPIを設定するために、メジャーな指標を計算する方法を説明します。

「DAU」「CVR」「CTR」「PV」を計算する方法を実践します。その他、取得できる指標についてビジネス現場での具体的な例を用いて説明します。

Webサイトのアクセスログに関する課題を実際に分析していきます。

比較のために仮説構築・経験から何らかの軸（ディメンション）によって分ける方法を実践します。

「商品ごとのCVR」の計算方法と分布を確認する方法を説明します。CVRの高い商品について確認を行います。

アクセスログデータを「ユーザー」軸で分析する方法を解説します。

「ユーザーごとの購入数」を計算する方法と分布を表示する方法を実践します。

「ライトユーザー」と「ヘビーユーザー」の2つのセグメントに分けてディメンションを切って分析する方法を説明します。

探索型の分析から仮説を作り、分析を進めていく方法を実践します。

セグメントごとにログデータにラベルをつけて集計する方法を説明します。ユーザーセグメントごとに購入している商品の分析を行います。

「ノーマライズ」「並び替え」について実践します。

アクセスログの分析についてここまでわかっていることをまとめます。Webサイトの主要な指標について計算結果をまとめます。

指標のデータを用いて「ファネル図」を作る方法を解説します。ファネル図から課題を抽出する方法を説明します。

商品別の分析とユーザーセグメント別の分析結果をまとめて施策案を考える方法を解説します。

分析してきたログデータについて大切な注意点を解説します。

データ分析と「偶然」の関係について説明します。

ここまで長い時間誠にお疲れ様でした。
ビジネス応用できるデータ分析についてこれまで学習してきました。
次のセクションは最後のまとめとなります。