データサイエンスを実践的・効率的に習得

・本講座は、金融機関の方を対象とした「マーケティングデータサイエンティスト養成講座」です。
・分析の初心者を対象としています。（高度な数学、プログラミングの経験は不要です。）
・金融機関データの分析に用いられる分析手法のしくみ・活用方法の理解と共に、金融機関におけるデータの特性に合わせた演習により、実践的解析力、問題解決力の習得を目指します。

◇オンラインによるライブ受講、ご都合に合わせたアーカイブ受講も可能です。
　・専用ライブ配信用スタジオ、リアルタイム質問機能を備えた専用システムにより、臨場感のある受講が可能です。
　・講義内容はアーカイブされますので、ご都合に合わせた視聴、受講後の復習が可能です。
　　アーカイブは開講月から6ヵ月後の月末迄視聴可能です。（2021年2月開講の場合　2021年8月31日迄）

◇受講内容に関する質問対応等サポートは、開講月から約1年間可能です。（2021年2月開講の場合　2022年1月31日迄）

・修了認定者には、統計検定２級（日本統計学会）取得を無料サポートします。

料金	50万円（税込）
研修時間	54時間（3 ～ 4 ヶ月）
修了認定要件	下記3 要件を満たした場合、修了認定証を交付・全科目受講（各科目90％以上出席）・総合テスト70 点以上・課題解決プレゼンテーションに合格

＜不合格の場合＞
1．受講不足の場合は、アーカイブ受講をして頂きます。
2．総合テスト不合格の場合は、再受講をお勧めし、再試験を受けて頂きます。
3．課題解決プレゼンテーションに不合格の場合は、課題レポートを提出して頂きます。
4．総合的に審査し、合格と認められた場合は、修了認定証を交付します。

講座説明（16分動画）講義スケジュール

講師陣

伊藤嘉朗
株式会社データサイエンス研究所　所長
講師略歴早稲田大学大学院修了。
（社）日本能率協会、産能大学、早稲田大学、中央学院大学等講師を歴任。
専門分野はマーケティング、統計学、多変量解析。
数多くの企業・団体において、データ分析に関わる研修及びコンサルティングを実施。

野口　怜
明治大学　講師（データサイエンス）
講師略歴東京大学大学院博士課程修了、博士(科学)。
専門分野はデータマイニング全般。
民間企業の製造現場において実践的なデータマイニング（機械学習）による品質管理等、数多くのコンサルティングを実施。
現在、明治大学にてデータサイエンス教育に従事。

若田忠之
早稲田大学グローバルエデュケーションセンター　講師
講師略歴早稲田大学大学院博士課程修了、博士（人間科学）。早稲田大学データ科学総合研究教育センターセンター員。
Pythonによるデータ解析法、Ｒ等用いた統計解析方法について指導。
専門分野は認知科学、実験心理学、知覚心理学。

藏本知子
立教大学　講師
　
講師略歴学習院大学大学院修了。専門分野は社会心理学。
大学では社会科学情報処理科目等において、EXCEL、SPSSを用いたデータ解析手法に関する講義を担当。
統計学の実務への活用能力を養成するため、各解析手法について理論に偏らない実践的な活用方法を指導している。

◎ その他、データサイエンスの各スペシャリストが担当いたします。

＊お支払い方法

　・請求書払い、クレジットカード
　　法人によるお申込みの場合は、締日払いも可能です。（お申込みフォーム備考欄に「支払予定日」をご記載ください。）
　・領収書をご希望の場合は、お申込みフォーム備考欄に「宛名」をご記載ください。

演習事例

ATM利用回数について昨年度の利用回数との違いについて調べる。
給与振込みの有無による定期預金残高の違いについて検討する。
金融商品の好感度について男女による違いについて比較する。
地域による無担保ローン残高の違いについて検討する。
新規金融商品における商品説明の有無による理解度の違いを調べる。
地域・年代による顧客対応満足度の違いについて検討する。
給振、投信による預金残高及びローン残高の違いについて調べる。
新規金融商品の知名度を、既存主力商品と比較する。
投資信託について、説明前後による理解度の違いについて判断する。
ネットバンキンキングの利用回数と普通預金残高について検討する。
売上高と、広告費、人口、DM発送数の関係について検討する。
年齢階層と預金種別及びローン種別残高の関連性を明らかにする。

定期預金残高と住宅ローン残高の関連についてについて調べる。
ATM利用回数と無担保ローン残高の関係について調べる。
過去の販売促進費と住宅ローン成約件数への効果について検討する。
商品評価に与える因子について分析する。
顧客情報から顧客離反要因について分析する。
年間ATM利用回数と流動性預金残高について分析する。
ソーシャルメディアの口コミについて分析する。
顧客属性からメールの開封率を予測する。
定期性預金と、流動性預金、ローン残高、給振の有無、投信の有無等で説明する。
各種調査データから借り入れ需要について予測する。
商品別に、売上高の構造について年度別に比較し問題点を明らかにする。
ブランドアンケート調査から、満足度と様々な要因との関係を明らかにする。

カリキュラム

科目	内容
1 マーケティングのための実践統計学	1. データの視覚化（箱ひげ図、ヒストグラム、散布図） 2. 基本統計（平均、分散、標準偏差、Z値、中央値、中央絶対偏差） 3. 分布（正規分布、ｔ分布） 4. 母集団と標本（検定のしくみ、2種類の過誤） 5. t検定（有意確率、区間推定、効果量、検出力） 6. カイ2乗検定（カイ2乗分布、効果量) 7. 相関分析（散布図、積率相関係数、交絡要因と偏相関係数） 8. 重回帰分析（標準化偏回帰係数、決定係数、交互作用のある場合）
2 Ｒによるデータ解析	1. Rとは（R、Rstudioのインストール） 2. Rの基本的な使用方法（Rstudio の使用方法、ライブラリー、データの読込み方法） 3. 基本統計量、（平均、分散、標準偏差、Ｚ値（偏差値）） 4. グラフと外れ値（箱ひげ図、ヒストグラム、散布図、3次元散布図、ヒートマップ、外れ値の検出方法） 5. t検定（有意確率、区間推定、効果量、検定力、対応の有無） 6. 2種類の過誤とサンプルサイズ（効果量・検定力・有意水準によるサンプルサイズの設定方法） 7. ノンパラメトリック検定（ウイルコクソン順位和検定、符号付順位和検定） 8. 分散分析（Ｆ値、多重比較（テューキー、ボンフェローニ）、対応の有無） 9. 重回帰分析（ダミー回帰） 10.ロジスティック回帰分析（予測値、オッズ比） 11.主成分分析（主成分負荷量、主成分スコア） 12.因子分析（主因子法、最尤法、直交回転、斜交回転、因子スコア）
3 Pythonによるビッグデータ解析	1. Pythonの基礎　・Python の導入、Jupyter Notebook の使い方、　　各種ライブラリの紹介:Matplotlib/Pandas/Numpy/scikit-learn 2．データ加工の基本　・データベースの基礎、複数データの結合、ダミー変数化、カテゴリー値化 3．教師あり学習：数値予測　・重回帰分析、ニューラルネットワーク、データの標準化　・オーバーフィッティング（過学習）と多重共線性、モデルの評価（決定係数） 4．教師あり学習：クラス分類　・ロジスティック回帰、決定木、ランダムフォレスト (アンサンブル学習) 　・サポートベクターマシン、モデルの評価（Accurary, Precision, Recall, F値） 5．教師なし学習：クラスタリング　・非階層的クラスタリング（k-means 法）、階層的クラスタリング　・モデルの評価（Elbow 法、シルエット係数） 6．教師なし学習：アソシエーション分析　・Aprioriによるアソシエーション分析、モデルの評価（支持度、確信度、リフト値） 7．自然言語処理とテキストマイニング　・形態素解析、頻出語分析とジップの法則、単語のベクトル化
4 実践力の養成	Ⅰ アンケート調査法　　1. 調査の分類、バイアス、質問項目の作成法　　2. 回答形式（単一回答、複数回答、自由記述）、　　　尺度化の方法（順位尺度、段階尺度、ＳＤ法、ＶＡＳ法等）　　3. 調査結果の集計方法　　　（箱ひげ図、ヒストグラムによる外れ値の検討、散布図による把握）　　4. 平均値の違いについての検討　　　（ｔ検定、対応の有無、有意確率、効果量、検定力）　　5. クロス集計表による検討（カイ2 乗検定、有意確率、効果量）　　6. 2群以上の因果関係の検討（相関分析、重回帰分析、交絡要因、ダミー変数）　　7. サンプルサイズの設定方法（効果量、検定力、有意水準の設定） Ⅱ 予測　　1．対数グラフによる観察法（差と比率の違い、グラフから予測する方法）　　2. 指数平滑法　　3. 時系列分析析（移動平均法、季節指数、TCSI 分離法による予測）　　4. 回帰モデルによる予測（トレンド、季節指数を用いた予測、ダミー変数を用いた予測 Ⅲ 管理のためのデータ分析方法　　1．得意先別データの分析
5 修了認定	総合テスト・課題解決プレゼンテーション