日次データの「曜日効果」を曜日ダミー変数で推定する
店舗の来客数や売上を日ごとに並べると、「週末は多く、月曜は少ない」といった曜日のパターンが見えてきます。では、土曜日は月曜日より何人多いのでしょうか。 この記事では、日次の時系列データから曜日効果（曜日ごとの水準の差）を...
[For beginners] がんばれデータサイエンティスト！
EconMLで実践する ビジネス因果推論
（第10回）
「どれだけやるか」を決める、そして現場に載せる
（連続処置の限界効果と実務チェックリスト10項目）
営業部長がこう聞きます。「うちの営業は、年に何回訪問すべきなんだ？」 集計では、年9回以上訪問した顧客の契約金額は0〜2回の顧客の3倍。「多いほど良い」と答えたくなります。 これまでの9回は「やる／やらない」の2値の施策...
CausalImpactで実践する 施策の効果検証（第3回）
CausalImpactの練習用データをPythonで作る（正解の効果を仕込む）
この連載で使っている campaign_sales.csv は、答えが分かっているデータです。 5月の自店舗の売上には、キャンペーンの効果として、ちょうど10%を上乗せしてあります。だから第0回では、CausalImpa...
【POS売上分析Copilotを作る #3】
構造化出力入門
― 生成AIの回答をJSONで受け取り、数字を検証する ―
前回の記事では、Tool Calling で「数字はPython、説明は生成AI」という分担を作りました。生成AIは計算せず、関数を選んで、返ってきた集計結果をもとに説明を書く。ここまでで、数字そのものは毎回同じになりま...
【POS売上分析Copilotを作る #2】
Tool Calling入門
― 生成AIに「計算させる」のではなく「関数を選ばせる」 ―
前回の記事では、生成AIにCSVを渡して「分析して」と頼むと数字が毎回変わる理由を、期間・対象・指標・出力形式の4条件から整理しました。そして、4条件を関数の引数に固定すれば、誰が何回計算しても同じ数字になることを確かめ...
【POS売上分析Copilotを作る #1】
生成AIにCSVを渡して「分析して」と頼むと、なぜ数字が毎回変わるのか
― 指定すべき4つの条件 ―
生成AIのチャット画面にCSVを添付して、「先週から売上が落ちた商品を教えて」と頼む。数秒で、それらしい表と説明が返ってくる。便利です。 ところが、同じ質問を翌日もう一度すると、違う商品名と違う金額が返ってくる。3回目は...
EconMLで実践する ビジネス因果推論
（第9回）
その結論、信じていいのか
（レビュー会の5つの質問にプラセボ検定と感度分析で答える）
手法を決め、数字が出て、資料を作りました。レビュー会でデータに詳しい役員がこう聞きます。「その422円、信じていいの？」 この問いに「頑健です」と答えてはいけません。答えるべきは「どういう条件なら覆るか」です。今回は第2...
CausalImpactで実践する 施策の効果検証（第2回）
tfcausalimpactのインストール手順（Windows）とよくあるエラーの直し方
前回（第1回）までは、pandasだけで前後比較の危うさを確かめました。 今回から、いよいよCausalImpactのライブラリを使います。 入れ方は pip install tfcausalimpact の1行です。 ...
EconMLで実践する ビジネス因果推論
（第8回）
手法を使い分ける
（メタラーナー4種とLinearDMLを同じデータで比べる）
EconMLには SLearner、TLearner、XLearner、DRLearner……と手法が並んでいます。「結局どれを使えばいいのか」。いちばん多い質問です。 今回は事例を変えて、BtoB法人営業の「重点フォロ...
生成AIの回答をJSONで受け取る
– 「JSONで返して」と頼むだけでは足りない –
Pythonで集計した売上を生成AIに渡して、商品ごとに「見出し」と「コメント」を書いてもらう。書いてもらった結果は、Pythonの表（DataFrame）に並べて、Excelに書き出したり、レポートに差し込んだりしたい...