book

AI技術を活かすためのスキル ―データをビジネスの意思決定に繋げるために

by Daniel Vaughan, 西内啓, 長尾高弘

November 2021

Beginner to intermediate

272 pages

3h 32m

Japanese

O'Reilly Japan, Inc.

Read now

Unlock full access

AIのためになぜ分析スキルが必要なのか事例ドリブンのアプローチ誤解しないでほしいこと本書の対象読者必要な知識凡例コード例の利用について意見と質問謝辞
1.1　AIとは何か1.2　現在のAIが約束を果たせていないのはなぜか1.3　どのようにして現状に至ったか1.3.1　データ革命構造化データと非構造化データオンライン広告の重要性1.4　実現されていない期待の物語1.5　今日のAIドリブン企業に求められる分析スキル1.6　この章の重要な論点1.7　参考文献
2.1　記述的、予測的、処方的な問い2.1.1　予測的分析が力を発揮するとき：がんの発見2.1.2　記述的な分析：顧客離反アクショナブルな洞察の発見に潜む罠顧客生涯価値（CLV）2.2　ビジネス上の問いとKPI2.2.1　ロイヤルティ問題に対するソリューションの成否を測るためのKPI2.3　意思決定の構造：単純な分解2.3.1　具体例：あなたはなぜこの本を買ったか2.4　因果関係入門2.4.1　相関関係と因果関係の定義2.4.2　因果関係の推定に含まれる難しさ2.5　不確実性2.5.1　単純化による不確実性2.5.2　異質性による不確実性2.5.3　社会的相互作用による不確実性2.5.4　無知による不確実性2.6　この章の重要な論点2.7　参考文献
3.1　ビジネス目標からビジネス上の問いへハードKPIとソフトKPI3.2　記述的、予測的、処方的な問い3.3　いつもかならずビジネス上の問いからスタートして逆算する3.4　ビジネス上の問いのさらなる分解コンバージョン率の分解3.4.1　両面プラットフォームの例デートアプリのマッチング効率の分解3.5　ビジネス上の問いの立て方：一般的なユースケースによる例3.5.1　離反率の減少3.5.2　クロスセル：ネクストベストオファー3.5.3　CAPEXの最適化3.5.4　出店先の選定3.5.5　誰を採用すべきか3.5.6　延滞率3.5.7　在庫の適正化3.5.8　店舗の人員3.6　この章の重要な論点3.7　参考文献
4.1　アクショナブルとは何か4.2　物理的なレバー4.3　人間的なレバー4.3.1　人間はなぜそのように行動するのか4.3.2　制約によるレバー需要の法則4.3.3　選好に影響を与えるレバー4.3.4　期待を変えるレバー4.4　3章のユースケースへの応用4.4.1　顧客離反4.4.2　クロスセル4.4.3　CAPEXの最適化4.4.4　出店先の選定4.4.5　誰を採用すべきか4.4.6　延滞率4.4.7　在庫の最適化4.4.8　店舗の人員4.5　この章の重要な論点4.6　参考文献
5.1　なぜ単純化が必要か5.1.1　1次効果と2次効果テイラー級数近似5.2　分析力の鍛錬：フェルミの世界へようこそ5.2.1　この長方形の部屋の床にテニスボールをいくつ並べられるか5.2.2　メキシコシティのすべての窓を掃除するための料金としていくら請求するか窓1枚当たりいくら請求するかメキシコシティにある住宅の窓の数の概算5.2.3　フェルミ問題を使った予備的なビジネス・ケースの作成顧客に支払ってもよい上限額の求め方どの顧客に接触すべきかスタートアップからのオファーを受けるべきか5.3　3章のユースケースへの応用5.3.1　顧客離反5.3.2　クロスセル5.3.3　CAPEXの最適化5.3.4　出店先の選定5.3.5　延滞率5.3.6　在庫の適正化5.3.7　店舗の人員5.4　この章の重要な論点5.5　参考文献

6.1　不確実性はどこからやってくるのか6.2　不確実性の定量化ベイズの定理6.2.1　期待値期待値の計算方法6.3　不確実性のない意思決定6.4　不確実性をともなう単純な意思決定リスク回避6.5　不確実性をともなう意思決定6.5.1　これ以上のことはできないのか？6.5.2　しかしこれは頻度主義の言い分に過ぎない6.6　意思決定についての規範的理論と記述的理論6.7　不確実性をともなう意思決定にひそむパラドックス6.7.1　サンクトペテルブルクのパラドックス6.7.2　リスク回避6.8　実践での活用方法6.8.1　確率の推定6.8.2　期待値の推定6.8.3　頻度主義の手法とベイズ主義の手法6.9　3章のユースケースへの応用6.9.1　顧客離反6.9.2　クロスセル6.9.3　CAPEXの最適化6.9.4　出店先の選定6.9.5　誰を採用すべきか6.9.6　延滞率6.9.7　在庫の適正化6.10　この章の重要な論点6.11　参考文献
7.1　最適化とは何か7.1.1　数理最適化は難しい7.1.2　ビジネスの現場では最適化は決して新しい問題ではない7.1.3　価格と売上の最適化7.2　不確実性をともなわない最適化7.2.1　顧客離反顧客離反問題では何を最適化しようとしているのか7.2.2　クロスセル7.2.3　CAPEXの最適化7.2.4　人員規模の最適化7.2.5　最適な出店先の選定7.3　不確実性をともなう最適化7.3.1　顧客離反7.3.2　クロスセル7.3.3　人員規模の最適化7.3.4　不確実性をともなう最適化問題を解くためのテクニック7.4　この章の重要な論点7.5　参考文献
8.1　分析スキル8.1.1　処方的な問いの立て方8.1.2　因果関係の理解8.1.3　単純化8.1.4　不確実性の処理8.1.5　最適化に向けての格闘8.2　将来のAIドリブン企業8.2.1　AI8.3　締めくくりとして
A.1　機械学習とは何かA.2　MLモデルの分類A.2.1　教師あり学習A.2.2　教師なし学習A.2.3　半教師あり学習A.3　回帰と分類A.4　予測の生み出し方A.4.1　代入方式の注意事項性別の予測の例A.4.2　この関数はどこからやってくるのかA.4.3　優れた予測の生み出し方A.5　線形回帰からディープラーニングへA.5.1　線形回帰なぜ線形回帰と呼ぶかA.5.2　ニューラルネットワークA.6　A/Bテスト入門ランダム化された実験を実施するときのリスクサンプルサイズの選択A.7　参考文献

Overview

現代社会は多くのデータで溢れていますが、価値はデータや予測ではなく、意思決定によって生まれます。本書では、データの分析スキルを、ビジネス上の課題をより良い意思決定をもって処方的に解決するための能力であるとし、多くのユースケースを交えて解説します。ビジネス上の問いの立て方からスタートし、達成したい成果を明らかにした上でそのためのアクションを逆算していく。不確実性や因果関係の処理によって生み出される問題なども詳しく論じます。