前回（第1回）では、欠損値には MCAR・MAR・MNAR という3つのメカニズムがあり、それぞれに応じた処理が必要だ、という話をしました。 欠損値処理シリーズ 第1回：欠損値とは何か — MCAR / MAR / MN...

問題 答え 解説 次の Python コードのモデルの特徴は何ですか？ Python コード: import numpy as np from statsmodels.tsa.api import VAR np.rand...

予測モデルを導入した組織には、ほぼ例外なく訪れる局面があります。 「今月の予測精度はどうだったか」を追いかける会議が始まる瞬間です。 最初は健全な取り組みに見えます。 予測モデルを運用しているのだから、その精度を定期的に...

機械学習モデルの精度がなかなか上がらない、と悩んだ経験はありませんか？ データを集め、特徴量を整え、ハイパーパラメータも調整したのに結果が伸びない原因が、実は 欠損値（missing values） の扱い方にあった、と...

問題 答え 解説 次の Python コードの出力から何がわかりますか？ Python コード: import numpy as np from scipy.signal import welch np.random.s...

予測モデルを導入した組織で、必ずと言っていいほど訪れる場面があります。 モデルが出した数字と、現場ベテランの肌感覚が、明らかに食い違う瞬間です。 モデルは「来月の需要は800個」と出している。 一方、長年その商品を担当し...

データサイエンスの世界では、「2つのデータがどれくらい似ているか（近いか）」 を測ることが非常に重要です。 たとえば、おすすめ商品のレコメンド、顧客のグループ分け（クラスタリング）、異常検知など、多くの分析手法の土台に「...

問題 答え 解説 次の Python コードは何を検出していますか？ Python コード: import numpy as np, pandas as pd from prophet import Prophet np...

限られた広告予算で成果を上げるためのヒントは、日々蓄積されている販促データの中にあります。 チラシの反応率、SNSやメールの結果、来店や売上の傾向など、身近なデータを活用すれば「効く施策」と「ムダな施策」を明確にできます...

需要予測を運用している組織では、だいたい次のような習慣があります。 予測が大きく外れると、会議が開かれ、原因が議論され、改善策が検討される。 なぜ外れたのか？ どこに見落としがあったのか？ 次はどう防ぐか？ 振り返りに時...

前回の記事では、正規分布について紹介しました。 正規分布をscipy.statsで理解する 正規分布は「身長」「テストの点数」のように、小数を含む連続的な値のデータに使われる確率分布でした。 しかし、データ分析の現場では...

ある企業で、こんな話を聞いたことがあります。 需要予測の精度を上げたい、在庫を最適化したい、という経営課題を背景に、数千万円規模のAI需要予測ツールを導入した。 ベンダーのデモンストレーションは素晴らしく、導入プロジェク...

問題 答え 解説 次の Python コードの検定における帰無仮説は何ですか？ Python コード: import numpy as np from statsmodels.tsa.stattools import k...

ビジネスの現場において、データ活用や生成AIの導入は避けて通れないテーマとなっています。 しかし、「何から始めればいいのか」「専門知識がないと難しいのではないか」と足踏みされている方も多いのではないでしょうか。 テーマ：...

「うちにはデータはあるんですよ。 　POSデータも受注データも、何年分も蓄積されています。 　でも、正直なところ活用できているかと言われると……」 企業のデータ活用に関する相談で、最も頻繁に耳にする言葉がこれです。 デー...

データサイエンスの世界では、「データがどんな形で散らばっているか」 を理解することがとても重要です。 テストの点数は平均点付近に多くの人が集まり、極端に高い点数や低い点数の人は少なくなります。 人の身長も平均値の前後に多...