カートを見る

　Pythonで学ぶ 明日 からできる
「ビジネス時系列予測」超入門
　（よくある売上データで需要予測モデルを作ろう）

【日時】8/2(土) 10:30-18:00
【会場】オンライン（ZOOM予定）
【価格】税込み22,000円
【定員】10名

　　　　※ノートＰＣはご準備ください
　　　　※復習用にアーカイブ動画を開催後1週間以内に期間限定で配信します




100%
返金保証
付き

ビジネス現場の典型的な時系列データである売上データなどを使った

時系列予測モデルの具体的な作り方と活用方法を公開！

～　古典的なARIMAモデルから数理最適化まで　～

特徴

現場で活用されているビジネス時系列分析手法を学ぶ

どの企業にもある時系列データである売上データ（POSや受注データなど）で時系列モデル構築の考え方と具体的手順を習得していきます

明日から使えるPythonによるビジネス時系列分析技術を習得

フリーの分析ツールPythonで、手を動かしながらより高度な時系列モデル構築を体験しながら学んでいきます。

現場活用し易い
実テーマベースで学ぶ

時系列データの活用で多い、需要予測（売上予測）を、実ビジネス事例を使い、具体的に実務でどのようにモデル化し活用しているのかを学びます

現場活用し易い
実テーマベースで学ぶ

時系列データの活用で多い、需要予測（売上予測）とモニタリング指標の異常検知を、実ビジネス事例を使い、具体的に実務でどのようにモデル化し活用しているのかを学びます

手を動かして構築する時系列モデル


主に4種類を想定しています

  • ARIMA系モデル
  • 機械学習系時系列モデル
  • 状態空間モデル
  • ベイズ時系列モデル

さらに、時系列予測モデルのアルゴリズムによらない、予測区間（コンフォーマル予測）の算定方法

および、時系列予測モデルの検討に必須の、時系列ホールドアウト法と時系列クロスバリデーション法を習得

  • 少人数のため、きめ細やかな対応が可能です
  • セミナー講師ではなく、現役のデータサイエンティストが教えます
  • 小難しい理論よりも、ビジネスへの実践にこだわっています
  • 収益に直結した売上データ分析を学びます
  • 単にデータ分析手法を学ぶだけでなく、いかに活用するのか、その勘所を学びます
  • 個々の分析手法が、どのように関連しあっているのかを体系的に学びます
  • 理論と演習（Pyhton）を繰り返すため、理論の定着と実践力が促されます
  • 古典的な時系列モデルARIMAから、最近の機械学習的な時系列モデルまで扱います
  • 通常のテーブルデータ系のアルゴリズム（線形回帰やXGBoostなど）で、時系列モデルを構築す方法（特徴量生成方法など）が学べます
  • セミナー講師ではなく、現役のデータサイエンティストが教えます

セミナー内容

1

イントロダクション

1-1　本日、皆さまに持ち帰って頂きたいこと
1-2　本日の概要と進め方
1-3　自己紹介

2

時系列予測が変えるビジネスの未来

ビジネス時系列分析と予測
  • 振り返り分析：過去から学ぶ
  • 近未来分析：未来を予測する
  • 時系列予測の発展と可能性
ビジネスを変革した時系列予測事例
  • マーケティングの高度化：消費者行動の先行指標分析
  • 在庫管理の最適化：需要予測による無駄の削減
  • 部品製造の効率化：多品種少量生産への対応
  • 販促活動の効率化：投資対効果の科学的分析
  • 成功事例から学ぶ実務展開のポイント

3

Python環境の構築

  • Pythonインストール
  • 必要なライブラリーのインストール
  • ちょっとした操作例

4

ビジネス時系列機械学習・超入門

テーブルデータと時系列データ
  • テーブルデータとは？
  • テーブルデータの機械学習アルゴリズム群（例：線形回帰やXGBoostなど）
  • 時系列データとは？
  • 時系列データのアルゴリズム群（例：ARIMA、Prophetなど）
  • テーブルデータ用のアルゴリズムで時系列データを扱う方法
時系列分析の基礎
  • 時系列データの種類
  • 時系列データの成分分解
  • 自己相関と偏自己相関
  • 定常性と非定常性
  • 周期期間の検討方法
  • 相互相関とインパルス応答関数
  • 時系列データの欠損処理
時系列データの特徴量エンジニアリング
  • ドメイン固有特徴量
  • カレンダー特徴量
  • ラグ特徴量
  • ローリング特徴量
  • エクスパンディング特徴量

5

予測モデルの評価と検証

予測精度の評価指標
  • MAE（Mean Absolute Error：平均絶対誤差）
  • MSE（Mean Squared Error）
  • RMSE（Root Mean Squared Error）
  • MAPE（Mean Absolute Percentage Error）
  • R^2（R-squared：決定係数）
ホールドアウト法と時系列データ
  • ホールドアウト法とは
  • 時系列データの場合のホールドアウト法
  • Pythonによる実装例
時系列のクロスバリデーション方法
  • 通常のクロスバリデーション
  • 時系列クロスバリデーション法
  • ホールドアウト×クロスバリデーション
残差分析によるモデル診断
  • 残差分析とは
  • 実施タイミング
  • 残差を視覚的に確認
  • モデル診断に用いられる統計的手法
  • 残差を用いたモデル改善の考え方
予測区間の算出
  • 従来の予測区間算出手法
  • コンフォーマル予測の基本原理
  • 時系列コンフォーマル予測
  • Pythonによる実装例

6

時系列予測モデルの構築手順

  1. データ活用ストーリーの設計
  2. データセットの準備
  3. 学習データとテストデータの分割
  4. 予測モデルの構築とテスト
  5. ディプロイ（実ビジネスで使えるようにすること）

7

時系列予測のための数理モデル

ARIMA系モデル
  • AR,MA,ARMA,ARIMA,SARIMA
  • AutoARIMA（自動ARIMA）
時系列回帰の数理モデル
  • 時系列回帰モデルとは
  • 見せかけの回帰問題
  • 外生変数の種類
  • 外生変数の制御と予測
  • 時系列特徴量
  • 機械学習モデルによる時系列予測
  • 1期先予測と複数先予測
ARIMA系の時系列回帰モデル
  • ARIMAXモデル
  • RegARIMAモデル
状態空間モデル
  • 状態空間モデルとは？
  • 基本的な線形状態空間モデル
  • Pythonでの実装例
ベイズ時系列モデル
  • Prophetによるベイズ時系列モデル
  • PyMCによるベイズ時系列モデル

8

時系列予測事例

時系列予測と数理最適化の融合
  • 時系列予測のメリットと限界
  • 数理最適化との融合事例
  • 2つの融合アプローチ
数理最適化問題・速習超入門
  • 数理最適化とは
  • 数理最適化モデリングの進め方
  • 数理最適化ライブラリとその使い方
Python実装事例（需要予測と在庫最適化）
  • 事例の概要
  • 需要予測モデルの作り方の検討と予測の実施
  • 需要予測結果を使った在庫最適化

9

フィナーレ

9-1　本日の振り返り
9-2　やるやるシート
9-3　Q&A

1

イントロダクション

1-1　本日、皆さまに持ち帰って頂きたいこと
1-2　本日の概要と進め方
1-3　自己紹介
講師 高橋威知郎　Marketing & Sales Data Scientist
開催日
8/2(土) 10:30-18:00
開催場所
オンライン（ZOOM予定）

※復習用にアーカイブ動画を
　開催後1週間以内に期間限定で配信します
参加料
22,000円/１名（税込み）

　※テキスト・資料等含む
　※ノートＰＣはご準備ください
定員 10名 ※満席になり次第、締め切らせて頂きます
主催 株式会社セールスアナリティクス
開催場所 オンライン（Zoom）
check!

参加特典

【1】同講座のテキスト一式
　・約200ページの詳細テキスト
　・演習で利用したデータ（CSV形式）
　など
　
【2】講師の書籍　※希望者のみ
　・好きなの1冊
　　営業生産性を高める! 「データ分析」の技術、
　　文系のためのデータサイエンスがわかる本、
　　ロジカルデータ分析、など

【3】データ分析・活用の相談（50分）
　　※希望者のみ

【4】同講座の再受講（無料）
　　※希望者のみ
申し込み期限： 2025年8月1日（金） ※定員に達し次第、締め切り

講師紹介

高橋威知郎

ビジネスデータ分析コンサルタント

Marketing & Sales Data Scientist

大学卒業後、約20年間一貫して「実践」にこだわり「データ分析」に関与してきました

  • 官公庁時代、米国国防総省の高官からデータ分析のパワーと要諦について力説され衝撃を受けました

    このとき、データ分析に魅了され、データ分析の世界でに生きていくことを決意しました
     

  • 私が身に着けたデータ分析は、学問的なものではなく、実践的なものです

    安全保障の世界のデータ分析は、生きるか死ぬかの世界です

    例えば、統計学的に正しいかどうかよりも、生きるか死ぬかを重視するということです

    学問的に正しい分析をしても、国が滅んでしまっては意味はありません

  • この培ったデータ分析のスキルをもっと広い世界で活かしたいと思い、30歳のころ民間のコンサルティング会社に転職

    主にマーケティング戦略、製品サービス開発、営業・販売促進の生産性改善、マーケティングROIなどに関するコンサルティングを提供してまいりました

  • 今までのコンサルティング経験をもとに、使えるデータのみで効率よく収益を拡大する仕組みである「DELTA法」を考案

    売上数兆円の大企業から社員数人程度のベンチャー企業のコンサルティングまで実施し、企業の大小問わず収益拡大を実現してきました

  • この培ったデータ分析のスキルをもっと広い世界で活かしたいと思い、30歳のころ民間のコンサルティング会社に転職

    主にマーケティング戦略、製品サービス開発、営業・販売促進の生産性改善、マーケティングROIなどに関するコンサルティングを提供してまいりました

著書の一部

営業生産性を高める! 「データ分析」の技術 (同文館) 
データを利益に変える!
データドリブンセールス
（同文舘出版）

【日時】8/2(土) 10:30-18:00
【会場】オンライン（ZOOM予定）
【価格】税込み22,000円

　※ノートＰＣはご準備ください
　※受講後、復習用に1ヶ月間アーカイブ動画を公開いたします

申し込み期限： 2025年8月1日（金）※定員に達し次第、締め切り

当社主催セミナーは100%返金保証
内容にご不満の場合、開催後2日以内にお申し出くだされば、理由を問わず全額返金いたします

主催企業概要

会社名 株式会社セールスアナリティクス
代表者 高橋 威知郎
住所 東京都渋谷区円山町5番5号 Navi渋谷V 3階
HP https://www.salesanalytics.co.jp/
問合せ先 📩 info@salesanalytics.co.jp
住所 東京都渋谷区円山町5番5号 Navi渋谷V 3階
Copyright 2025 Sales Analytics, Inc.