回帰分析を中心に個票データの分析まで扱う好評テキストのリニューアル。検定など読者がつまずきやすい箇所の説明をさらに充実させ，また3時点以上のパネルデータを扱う章を新たに設置。分析例や使用データなども全面アップデートした。ウェブサポートも充実。

＜B＞データ分析スペシャリストの知見を凝縮！＜/B＞

データサイエンスは、業務を劇的に変革できるチャレンジングで、

かつ、エキサイティングな分野です。ただしそこでは、単純に

データを収集し、それを各種統計理論に当て嵌めればプロジェクト

は成功するものでしょうか？　

本書は、日立製作所 Lumada Data Science Lab.　

のメンバーたちの叡智を凝縮した一冊です。

この中では、データ分析を行うための基礎技術や手順、

そしてプロジェクトを成功に誘うためのノウハウを懇切丁寧に

解説しました。

データサイエンスを業務に活用し社内DX化を図りたいIT担当者、

そして将来はデータサイエンティストになりたい人、必読の入門書です。

◆本書の主な内容

第1章　データサイエンスの現場　

　1.1　ビジネスの現場で活躍するデータサイエンティストとは？　

　1.2　十人十色のデータサイエンティスト

　1.3　データサイエンティストの一日

　1.4　データサイエンスプロジェクトを成功させるには？　

第2章　データサイエンティストになるには　

　2.1　高度な統計、数学知識が必要？　

　2.2　データサイエンティストが扱う代表的なツール

　2.3　データサイエンティストとしての心構え

第3章　データサイエンスプロジェクトの進め方　〜失敗しないためには〜　

　3.1　データサイエンスプロジェクトの流れ　

　3.2　1業務課題の把握（プロジェクト起案）

　3.3　2分析方針の設計

　3.4　3データの理解・収集

　3.5　4データの加工

　3.6　5データ分析・モデリング

　3.7　6分析結果の考察

　3.8　7業務への適用

第4章　分野別に学ぶデータサイエンス　

　4.1　はじめに

　4.2　数値解析（予測）

　4.3　数値解析（予兆検知）

　4.4　数値解析（要因解析）

　4.5　画像認識（適用技術：Deep Learning）

　4.6　テキスト解析（文書分類）

　4.7　数理最適化（生産計画最適化）

第5章　データサイエンスの現場適用とは　

　5.1　分析結果を現場で活用するには

　5.2　分析モデルの寿命？！　

　5.3　MLOpsという考え方

　5.4　MLOpsを動かしてみよう

第6章　データサイエンティストの未来　

　6.1　データサイエンティストが不要になる時代が来る！？　

　6.2　データサイエンティストとして今後重要になるポイント

　6.3　学び続けることの大切さ・楽しさ

データに隠れた問題の原因や意外な現実をひと目でわかるグラフにし、次の一手を見出すための基本と実践テクニックがわかる。

近年「ビッグデータ」や「データサイエンス」といった言葉がちまたを賑わせ、これからのビジネスマンに必要な素養とされています。しかし、「そんな事を急に言われても……」という人も多いのではないでしょうか。本書は、数学が苦手、データ分析なんてやったことがないという人のための、Excelを使ったもっともやさしいデータ分析入門です。専門書の難しい言い回しに挫折した人も本書でもう一度基本を押さえればデータ分析ができます！

【データサイエンティストたちの悪夢】

・上司が「AI使ってます」と言いたいだけのプロジェクト

・自分が期待した結果しか認めないクライアント

・プロジェクト終盤でもまだ手に入らないデータ

・分析手法にしか興味がない分析者

・最終報告後にやっと決まる仕様

【その分析、もう失敗しているかも…… 失敗を回避し、成功に近づくためのガイド】

本書は、第一線で活躍するデータサイエンティストたちが経験した、データ分析プロジェクトの「失敗」をもとに再構成された25の事例が収録されている。これらの臨場感あふれる事例から、データの活用に関わる人たちが、失敗を避けるために何をしてはならないのか、について学びとることができる。プロジェクトの失敗の予兆となる致命的な要因を察知し、失敗に至る「毒薬」を飲まないように注意するための知見が本書には随所に含まれている。

データの活用に関わる分析者、そして、分析を依頼する立場となる経営者や企画部、マーケティング部に所属する方々に送る、失敗から学び、成功への道筋を描くための必読書ーー失敗は成功の母である！

Part 1　「えーあい」でなんとかして！

CASE 1　UIを統一してUXが破綻する　

CASE 2　誰のための仕事？ それが問題だ　

CASE 3　最先端アピールのための最先端プロジェクト　

CASE 4　本当に季節性はありますか　

CASE 5　レコメンドの必要ありますか　

CASE 6　分析を現場でどう使うか　

CASE 7　ほとんど故障しない製品の故障予知　

CASE 8　AIという言葉の曖昧さ　

CASE 9　そんな目的変数で大丈夫か　

コラム　データサイエンティストとしての生き方　

Part 2　翻弄されるデータサイエンティスト

CASE 10　成功した報告しか聞きたくない　

CASE 11　ターゲティングの必要性　

CASE 12　決定木分析は決定木だけではない　

CASE 13　ドメイン知識の重要性　

CASE 14　政治的な数字の応酬　

CASE 15　プロダクトアウトでもドメイン知識は大事　

CASE 16　スタイルの違いが引き起こした混乱　

CASE 17　いくら分析したところで、売れないものは売れない　

コラム　データサイエンティストの人事事情　

Part 3　その失敗を超えてゆけ

CASE 18　カオス状態のBIレポート　

CASE 19　用意できたのは集計データのみ。予測精度はどこまで……　

CASE 20　取ってびっくり、こんなに使えるデータは少ないのか　

CASE 21　頑張って予測していたのは……　

CASE 22　木を見て森を見ずはキケン　

CASE 23　総人口の十倍を超えるID数との出会い　

CASE 24　最終報告が終わってから集計の仕様が決まる　

CASE 25　機械学習モジュールの寿命　

コラム　絶対に失敗しないデータ分析　

おわりに