2023年6月7日に『Pythonによる時系列分析: 予測モデル構築と企業事例』が出版されました。
目次の俯瞰（マークダウン形式）
# Pythonによる時系列分析 ―予測モデル構築と企業事例―
## はじめに
## 第1章 ビジネスにおける時系列データ活用
### 1.1 ビジネス現場は時系列データで溢れている
#### 1.1.1 時系列データとは何か?
#### 1.1.2 時系列データの3つの変動成分
#### 1.1.3 点過程データと時系列データ
### 1.2 ビジネス時系列データでよくある7つの活用事例
#### 1.2.1 7つの活用事例とは?
#### 1.2.2 基本となる3活用事例
#### 1.2.3 セールスアナリティクスの3活用事例
#### 1.2.4 広告･販促の効果測定と最適化
### 1.3 2種類の時系列データ
#### 1.3.12種類の時系列データとは?
#### 1.3.2 縦持ち時系列データ (時間軸が縦方向)
#### 1.3.3 横持ち時系列データ (時間軸が横方向)
### 1.4 よく目にする7つの時系列特徴量
#### 1.4.1 7つの時系列特徴量とは?
#### 1.4.2 各特徴量の説明
#### 1.4.3 特徴量はどんどん増える
### 1.5 時系列特徴量付きテーブルデータ
#### 1.5.1 テーブルデータとは?
#### 1.5.2 テーブルデータのほうが扱いやすい
#### 1.5.3 テーブルデータ系の数理モデルを使おう!
## 第2章 Pythonのデータ分析環境の設定 (JupyterLab)
### 2.1 Pythonのインストール
#### 2.1.1 本書の Python環境
#### 2.1.2 JupyterLab Desktop のインストール
#### 2.1.3 Anacondaのインストール
### 2.2 Python以外のインストール
#### 2.2.1 Graphvizのインストール
#### 2.2.2 C++ コンパイラーのインストール
#### 2.2.3 Rのインストール
### 2.3 利用するライブラリー (パッケージ) のインストール
#### 2.3.1 ライブラリー(パッケージ) 管理ツール
#### 2.3.2 condaとpipの使い方
#### 2.3.3 ライブラリー (パッケージ) のインストール
## 第3章 時系列予測モデル構築 ・超入門
### 3.1 時系列データを使った予測モデル構築の流れ
#### 3.1.1 予測モデル構築の流れ
#### 3.1.2 ホールドアウト法
#### 3.1.3 クロスバリデーション法
#### 3.1.4 評価指標
#### 3.1.5 高精度な予測モデルが 「使えるモデル」とは限らない
### 3.2 時系列データの特徴把握と前処理
#### 3.2.1 時系列データ特有の3つの特徴把握方法
#### 3.2.2 準備(必要なモジュールとデータの読み込み )
#### 3.2.3 時系列データの変動成分の確認
#### 3.2.4 時系列データが定常かどうかの確認
#### 3.2.5 自己相関の確認
### 3.3 時系列の予測モデルを構築してみよう
#### 3.3.1 構築する予測モデルとサンプルデータ
#### 3.3.2 実務で最も利用されているARIMA モデルのちょっとしたお話し
#### 3.3.3 ARIMA で構築する予測モデル
#### 3.3.4 ホルトウィンターズで構築する予測モデル
#### 3.3.5 Prophet で構築する予測モデル(ハイパーパラメータそのまま)
#### 3.3.6 Prophet で構築する予測モデル (ハイパーパラメータ自動探索)
#### 3.3.7 時系列特徴量を生成しテーブルデータを作ろう!
#### 3.3.8 複数先予測
#### 3.3.9 線形回帰で予測モデルを構築 (すべての変数利用)
#### 3.3.10 線形回帰で予測モデルを構築 (REF法で変数選択)
### 3.4 季節成分が複数ある場合の予測モデル
#### 3.4.1 MSTLで複数の季節成分を分解
#### 3.4.2 TBATSで構築する予測モデル
#### 3.4.3 ARIMAXで構築する予測モデル
#### 3.4.4 時系列特徴量を生成しテーブルデータを作ろう!
#### 3.4.5 線形回帰で構築する予測モデル
### 3.5 多変量時系列データの特徴把握と因果探索
#### 3.5.1 多変量時系列データと時系列グラフィカルモデル
#### 3.5.2 相互相関係数によるアプローチ
#### 3.5.3 因果探索モデルによるアプローチ
#### 3.5.4 VAR モデルで実施
#### 3.5.5 非ガウスSVAR (VAR-LINGAM) モデルで実施
## 第4章 時系列データを使ったビジネス成果の上げ方
### 4.1 データでビジネス成果を上げる 「データ活用ストーリー」
#### 4.1.1 データ活用ストーリーとは何か?
#### 4.1.2 データ活用の3ステップ…
#### 4.1.3 データから生成する3種類の情報 (インテリジェンス)
### 4.2 時系列データの異常検知
#### 4.2.1 検知したい異常 (外れ値と構造変化)
#### 4.2.2 「教師あり学習」と「教師なし学習」の使い分け
#### 4.2.3 異常検知の過去・現在・未来
### 4.3 時系列データの要因探索
#### 4.3.1 異常の要因探索と探索手法
#### 4.3.2 変数間の関係性を事前に整理する
#### 4.3.3 要因の種類
### 4.4 時系列データの将来予測
#### 4.4.1 3種類の数理モデル
#### 4.4.2 量と質を予測する
#### 4.4.3 異常検知や要因探索との関係
## 第5章 時系列データを活用したビジネス事例
### 5.1 モニタリング指標の異常検知によるキャンペーン評価(自動車ディーラー)
#### 5.1.1 事例説明
#### 5.1.2 データセットと分析概要
#### 5.1.3 Pythonの実施例
### 5.2 モニタリング指標の異常検知と要因探索 ( 小売りチェーン)
#### 5.2.1 事例説明
#### 5.2.2 データセットと分析概要
#### 5.2.3 Pythonの実施例
### 5.3 売上予測モデルを活用したデータドリブン販促 (小売りチェーン)
#### 5.3.1 事例説明
#### 5.3.2 データセットと分析概要
#### 5.3.3 Python の実施例
### 5.4 離反予測モデルによる離反対策ルールの策定( 食品 ・ 法人向けビジネス)
#### 5.4.1 事例説明
#### 5.4.2 データセットと分析概要
#### 5.4.3 Python の実施例
### 5.5 チャーンマネジメントのための離反時期予測(携帯電話サービス)
#### 5.5.1 事例説明
#### 5.5.2 データセットと分析概要
#### 5.5.3 Pythonの実施例
### 5.6 LTVマネジメントのための LTV予測 (ECサイト)
#### 5.6.1 事例説明
#### 5.6.2 データセットと分析概要
#### 5.6.3 Python の実施例
### 5.7 広告と販促効果を見える化し最適化するマーケティングミックスモデル (スポーツジム)
#### 5.7.1 事例説明
#### 5.7.2 データセットと分析概要
#### 5.7.3 Pythonの実施例
