指先のデータサイエンス：簡単な例でデータ分析を学ぶ

そもそもデータサイエンスはなぜ必要なのでしょうか？

データサイエンスは「AIマジック」ではなく、データに対する正確な質問です。

• 何が起こっているのですか？ — 説明的分析

• なぜこのようなことが起こるのでしょうか？ — 診断

• 今後の展望 — 予報

• どうすればいいですか？ — おすすめ

基本サイクル：収集→整理→観察（EDA）→仮説検証→モデル化→結果の説明と意思決定。

ルール1：結果は行動につながるべきです。数字のための数字は無駄です。

ミニチートシート：何を考慮し、何を測定するか

例1.コーヒーショップと平均チェック

シナリオ： オーナーは、なぜ収益が「跳ね上がる」のかを理解したいと考えています。

データ： テーブル orders (id、日付、金額、支払い方法)。

私たちがしていること：

1. 計算 平均チェック と 中央値.

2. 建設中 レシートの配布.

3. 見てみましょう 曜日 — ピーク日は？

df['weekday'] = df['date'].dt.day_name()
avg_check = df['amount'].mean()
median_check = df['amount'].median()
by_weekday = df.groupby('weekday')['amount'].mean().sort_values(ascending=False)

結論： 平均チェック >> メジアン — 高額注文の「テール」が長い場合。金曜日のピーク？つまり、木曜日の夜にプロモーションを開始することをお勧めします。

例2.閲覧から購入へのコンバージョン

シナリオ： オンラインストア：ビュー数が多く、購入数が少ない。

データ： イベント view_product と purchase と user_id.

views = events.query('event=="view_product"').user_id.nunique()
carts = events.query('event=="add_to_cart"').user_id.nunique()
buys  = events.query('event=="purchase"').user_id.nunique()
conv_view_to_cart = carts / views
conv_cart_to_buy  = buys / carts

結論: 「カート→購入」ステージで収益が減少している場合は、UX、フォームのエラー、または配送コストを確認してください。

例3：バナーのクイックA/Bテスト

from statsmodels.stats.proportion import proportions_ztest
count = np.array([buys_B, buys_A])
nobs  = np.array([visits_B, visits_A])
stat, p = proportions_ztest(count, nobs)

結論: +0.8 p.p.の差でも、信頼区間とトラフィックのコストを考慮する必要があります。

例4.「明日の」売上予測

X = pd.get_dummies(df[['day_index','weekday']], drop_first=True)
y = df['sales']
model.fit(X_train, y_train)
pred = model.predict(X_test)
mae = np.mean(np.abs(pred - y_test))

結論: 予測は、不確実性を減らすために必要であり、「正確な推測」のためではありません。

例 5. 実際に反応に影響を与えるものは何か？

シナリオ： メールマガジン。一部のメールは開封され、他のメールは開封されないのはなぜですか？

アイデア： 特徴の影響を評価するために相関とロジスティック回帰を確認します。

データのクリーニングは成功の半分です

B コディケ Pythonとアナリティクスの短いモジュールを提供し、CSVの読み込み、クリーニング、ファネル、ミニA/Bテスト、最初のモデルなどの「実際の」タスクを実行します。水なしで、わかりやすい結果。

また、アクティブな テレグラムチャンネル、ここでは素晴らしいアイデアについて話し合い、経験を共有し、課題を一緒に分析します。学習は有益であるだけでなく、楽しいものになります。