データサイエンスがビジネスの世界でも広く使われるようになり数年経ちましたが、日本ではまだまだデータサイエンティストは不足している状況です。またこのようなデータサイエンスの知識は専門の分析者にとどまらず、どのような分野の方にもデータリテラシーとして身に着けるべきものと認識されています。

そもそもデータサイエンスとは、数学や統計学、機械学習を活用して、データから有益な情報を導き出す学問のことを言います。これらをマスターするためには、統計学の知識、機械学習の知識、ツールの使い方など様々な内容を学ぶ必要がありますが、弊社では皆様がデータサイエンスをお仕事で使えるようになるという目標に向けて、必要なものを必要なだけ学んでいくカリキュラムを提供しています。たとえば、お仕事の中でデータ分析が出てくる場面は以下のようなものがあります。

顧客管理におけるデータ分析
顧客データや販売データを集計することで顧客ごとの購入傾向を把握。見込みの高い顧客の判定を行い販売促進活動へ活用。

販売管理におけるデータ分析
売上データ(POSデータ)よりパフォーマンスの良い商品を現状把握。過去の売上データや、天候などの外部要因から売り上げを予測するモデルを作成し、在庫管理に応用。

マーケティングにおけるデータ分析
顧客データより顧客を属性ごとに複数のセグメントに分類。そのデータから将来の顧客行動を予測し販促活動につなげる。

効果測定におけるデータ分析
ビジネスにおいて何らかの施策を行った際、その効果測定をデータに基づいて行う。例えばメールクーポンを送ることで購買率をどのくらい高めることができるのか、データに基づいて判断する。

人事におけるデータ分析
社員データを分析することで、退職者を早期予測し早めに対策を行う。従業員アンケートなどのデータから、退職者予測モデルを作成する。

というように様々なお仕事の場面でデータは使われています。
こちらのカリキュラムではこういった分析ができるようになるために、分析の手法のみならず、分析プロジェクトの考え方までデータを触りながら練習していきます。

■本カリキュラムの特徴
１.Excelから始める
データサイエンスを行う際にプログラミング言語(Python, Rなど)を使うことありますが、初心者の方にいきなりプログラミング言語はハードルが高いものです。そこで本カリキュラムでは初めての方でも扱いやすいExcelで分析を行っていきます。直感的に操作できるExcelで分析の勘所を捉えて、分析の下地を作ることが上達への近道となります。
※データクレンジングを行う際には弊社が開発したツールを使います。

２.数学を深追いしない
データサイエンスの分析は数学に裏付けられていますので、数学はとても大切なものとなりますが、数学に詳しくなっても、実務で分析を行うことができなければ本末転倒です。そこで本カリキュラムでは数学を深追いしすぎることはせず、豊富な分析演習問題を手を動かして解くことによって、分析ができるようになることを目標に進めていきます。もちろん全く数学を扱わないことはありませんが、必要なものは講義内で説明しますので数学が苦手な方でもご安心ください。
※算数ができれば問題なく受講可能です

３.実データを用いた練習
本カリキュラムでは多くの分析演習を行っていきます。その際に、講師が今までに経験した様々な分野の実ビジネスデータを用いたデータ分析をご紹介していきます。実データはいきなり分析ができないような汚い形で保存されていることも多いので、そのデータをきれいにする作業(データクレンジング)も練習に取り入れています。

４.丁寧な資料
講義で配布する資料は、これだけを読んでも分析ができるように、デザイナー監修のもと丁寧に作りこんでいます。

データの読み取り・解釈編
データを正しく読み取るためのインプットスキルを身に着けます。

第01回 統計学の歴史と要約統計量
第02回 データの可視化とグラフの特徴
第03回 データの集計とその解釈
第04回 ピボットテーブル入門
第05回 ピボットテーブル基礎
第06回 ピボットテーブル応用
第07回 その他の記述統計手法
第08回 どうすれば退職者は減る？人事データを用いた退職者早期発見
第09回 グラフの歴史とグラフの目的
第10回 データ別グラフ選択とその利用法
第11回 なぜ売り上げは減った？アクセスログデータの解析
第12回 確率と確率分布
第13回 推定
第14回 統計的仮説検定
第15回 相関分析と回帰分析
第16回 顧客が好む商品は何？顧客アンケート分析による新商品販売量予測
第17回 因果推論とRCT
第18回 層別解析と交絡調整
第19回 回帰モデルと因果推論
第20回 ロジスティック回帰
第21回 メールクーポンの効果はいかほど？顧客データによる施策効果測定
第22回 セル単位のクレンジング
第23回 データ構造のクレンジング1
第24回 データ構造のクレンジング2
第25回 ツリーモデル
第26回 クラスタリング
第27回 在庫をいくら用意すればよい？機械学習による需要予測モデルの作成

・データサイエンスを学び、お仕事で活用したい方
→小売業販売管理にかかわる方
データに基づいた現状把握と将来の予測、今後の意思決定を行いたい
→製品開発にかかわる方
顧客アンケートデータを集計し、顧客のニーズを可視化したい
→マーケティングにかかわる方
データに基づいたマーケティング施策の評価、最適な施策の判定を行いたい
→人事にかかわる方
社員データより退職者を早期に予測しその対策を打ちたい