ビジネス課題を解決する技術〜数理モデルの力を引き出す3ステップフレームワーク

はじめに
0.1 ビジネス課題とデータサイエンス
0.2 本書のアプローチ
0.3 本書の構成
0.4 本書で扱わないトピックと関連書籍
0.5 本書で用いる数式の記法
0.6 本書で用いるPythonコード

1章ビジネス課題を解決する技術
1.1 ビジネス課題とデータサイエンスの問題
1.1.1 データサイエンスの問題と数学の文章題
1.1.2 ビジネス課題と文章題のギャップ
1.2 ビジネス課題を解決するためのフレームワーク
1.3 ステップ1：ビジネス課題を数理最適化問題として定式化する
1.3.1 数理最適化問題としての定式化
1.3.2 なぜ数理最適化問題として定式化するのか
1.3.3 条件付き期待値の導入
1.3.4 なぜ条件付き期待値を利用するのか
1.4 ステップ2：数理モデル構築し、未知のパラメータをデータから推定する
1.4.1 単純集計
1.4.2 数理モデルの導入
1.5 ステップ3：数理最適化問題を解いて最適なアクションを導出する
1.6 本章のまとめ

2章 マーケティングにデータサイエンスを導入する
2.1 マーケティング活動としてのテレビCM
2.1.1 マーケティングにおけるテレビCMの役割
2.1.2 広告指標
2.1.3 指標の測定
2.1.4 テレビCMの出稿形態
2.1.5 スポットにおけるグロスリーチとユニークリーチの関係
2.1.6 実務における課題
2.2 ステップ1：ビジネス課題を数理最適化問題として定式化する
2.3 ステップ2：数理モデルを構築し、未知のパラメータをデータから推定する
2.3.1 データの準備と可視化
2.3.2 機械学習モデルによる推定
2.3.3 線形回帰モデルによる推定
2.3.4 対数変換による推定
2.3.5 既存の予測モデルの限界
2.3.6 CM接触の数理モデルの構築
2.3.7 ポアソン分布によるリーチカーブの推定
2.3.8 負の二項分布によるリーチカーブの推定
2.4 ステップ3：数理最適化問題を解いて最適なアクションを導出する
2.5 本章のまとめ
コラム：シミュレーションによる数理モデルの検証

3章 認知形成を数理モデリングする
3.1 ビジネス課題：製品認知率の改善
3.2 ステップ1：ビジネス課題を数理最適化問題として定式化する
3.3 ステップ2：数理モデル構築し、未知のパラメータをデータから推定する
3.3.1 求められるデータ
3.3.2 データの読み込みと可視化
3.3.3 機械学習モデルによる推定
3.3.4 線形回帰モデルによる推定
3.3.5 数理モデルによる問題の分解
3.3.6 CM接触確率と製品認知率の関係
3.3.7 個人差を考慮したモデルの拡張
3.3.8 パラメータの推定方法
3.3.9 数理モデルの実装
3.4 ステップ3：数理最適化問題を解いて最適なアクションを導出する
3.5 本章のまとめ

4章 連続最適化で広告予算を配分する
4.1 ビジネス課題：広告予算配分の最適化
4.2 ステップ1：ビジネス課題を数理最適化問題として定式化する
4.3 ステップ2：数理モデル構築し、未知のパラメータをデータから推定する
4.3.1 必要なデータ
4.3.2 データの読み込みと可視化
4.3.3 機械学習モデルによる予測
4.3.4 線形回帰モデルによる予測
4.3.5 数理モデルの構築
4.3.6 重複リーチのモデリング
4.3.7 重複リーチの補正
4.3.8 各媒体のユニークリーチの予測
4.3.9 予測モデルの統合
4.4 ステップ3：数理最適化問題を解いて最適なアクションを導出する
4.4.1 最適解の算出
4.4.2 最適化のインパクト
4.5 本章のまとめ

5章 離散最適化で広告出稿番組を選択する
5.1 ビジネス課題：番組選択の最適化
5.2 ステップ1：ビジネス課題を数理最適化問題として定式化する
5.3 ステップ2：数理モデル構築し、未知のパラメータをデータから推定する
5.3.1 必要なデータ
5.3.2 データの読み込みと可視化
5.3.3 線形回帰モデルによる予測
5.3.4 リッジ回帰による予測
5.3.5 機械学習モデルによる予測
5.3.6 数理モデルの構築
5.3.7 数理モデルの推定
5.3.8 数理モデルの実装
5.3.9 データを用いた予測精度の検証
5.4 ステップ3：数理最適化問題を解いて最適なアクションを導出する
5.4.1 離散最適化問題
5.4.2 貪欲法による近似解の探索
5.5 本章のまとめ
コラム：フリークエンシー分布の推定
コラム：合算のユニークリーチを各番組の貢献度に分解する
参考文献
索引