事例で学ぶ! あたらしいデータサイエンスの教科書

データ分析は意思決定のためにあり!
現場で役立つデータサイエンスの新・定番書!

本書は、主に統計学の視点からデータサイエンスについて解説しています。

Python や R といったプログラミング言語を通じて
データ分析の手法は一通り学んだという皆さん、そのスキル、
実際に活かせていますか? 具体的な課題解決につながっていますか?

・分析結果から何を読み取ればいいのかわからない
・数字からどんな価値を見いだせるのかがわからない
・そもそも、その分析方法が適切なのかどうか自信がない
・効率のいい分析ができているのかどうかわからない
という方、多いのではないでしょうか?

データを使って意思決定を行うには、統計学の知識は欠かせません。
そこで本書では、8 つの具体的な社会事例を用い、
・課題に「適した」分析手法やデータの収集方法
・事例の分析結果の解釈
・分析や解釈の際に注意すべきこと
を数学の知識で補完しながら紹介しています。

著者は首都圏初のデータサイエンス学部として 2018 年 4 月に創設された、
横浜市立大学 データサイエンス学部 学部長の岩崎 学先生。

データサイエンティストやエンジニアが見失いがちな、
「何のために分析するのか」を意識しながら読み進めてみてください。

【こんな方にお勧めします】
・統計学もプログラミングも一通り学んだけれど、
結果をどう判断すればいいのかわからないエンジニア
・分析結果の数字やグラフから、
業務でいかすためのヒントを得たいデータサイエンティスト
・データサイエンスに興味のある学生 (専門課程を選ぶ際の
参考資料として)

【目次】
第 1 章 データサイエンスとは
第 2 章 アンケート調査結果から何を読み取るか 〜データの要約とグラフ化〜
第 3 章 オープンデータから何がわかるか、何がいえるか 〜集計データの統計分析〜
第 4 章 Web コンテンツの更新は売上高に効果があるか 〜変量間の関係と重回帰分析〜
第 5 章 ダイエットは効果があったのか 〜処置前後データと平均への回帰〜
第 6 章 テストの結果について部分と全体を融合する 〜マルチレベル分析〜
第 7 章 寿命をいかに測り分析するか 〜打ち切りとトランケーション〜
第 8 章 おいしいカフェオレを作りたい 〜実験計画法の効果的適用〜
第 9 章 あるべきデータがない 〜欠測データの処理法〜
第 10 章 機械学習のエッセンス

分析の手法は一通り学んだのに、結果から何を言えばよいのか分からない。『事例で学ぶ! あたらしいデータサイエンスの教科書』 (岩崎 学 著、翔泳社、2019 年 12 月刊) は、その段階にいる人へ向けて、主に 統計学の視点 からデータサイエンスを解説した書籍です。版元の紹介文によれば、8 つの具体的な社会事例を用いて、課題に適した分析手法やデータの収集方法、事例の分析結果の解釈、分析や解釈の際に注意すべきことを、数学の知識で補完しながら紹介する構成です。著者は刊行時の版元紹介で、2018 年 4 月に創設された横浜市立大学データサイエンス学部の学部長と案内されています。

全 10 章の構成、アンケート調査から欠測データと機械学習まで

第 1 章「データサイエンスとは」で、これまでの統計的データ解析の流れとデータサイエンスの特徴を整理したあと、第 2 章から第 9 章までの 8 章が事例の章です。章題は身近な問いや場面の形で示され、第 2 章はアンケート調査結果の要約とグラフ化、第 3 章はオープンデータを使った集計データの統計分析、第 4 章は Web コンテンツの更新が売上高に効果があるかを重回帰分析で、第 5 章はダイエットの効果を処置前後データと平均への回帰で、第 6 章はテストの結果をマルチレベル分析で扱います。続く第 7 章は寿命データの打ち切りとトランケーション、第 8 章はおいしいカフェオレ作りを題材にした実験計画法、第 9 章は欠測データの処理法で、最後の第 10 章は機械学習のエッセンスとして、データ分析のおさらい、機械学習手法の分類、パフォーマンスの評価を取り上げます。事例の 8 章はどれも最後の節で、その章で使った統計手法の概説 (第 4 章のみ概要) をまとめる並びで、事例で問いを立ててから手法を整理する順に組まれていると読めます。

分析結果の解釈でつまずく理由、データの素性と偏り

計算そのものは、ソフトウェアに任せれば数行で終わります。難しいのは、出てきた数字がデータの集め方に照らしてどこまで言えるのかを判断する部分です。たとえば体重の重い人だけを選んで処置を施すと、処置に効果がなくても次の測定では平均の側へ寄って見えます。これが平均への回帰で、効果の過大評価を生む典型的な落とし穴です。都道府県単位のような集計データから個人の傾向を推し量ると、集団で成り立つ関係が個人では成り立たないことがあります。寿命や継続期間のデータでは、観察を打ち切った時点でまだ続いている対象を除いてしまうと、平均は短い側へ偏ります。欠測のある行を単に捨てる処理も、欠測が起きる仕組みによっては結論を歪めます。本書の目次には、平均への回帰、エコロジカル・インファレンス、打ち切りとトランケーション、欠測のモデルと多重代入法といった語が並んでおり、こうした「データの素性が結論を左右する場面」を事例ごとに扱う構成です。データサイエンス の実務で差がつくのは、手法を知っているかよりも、こうした場面に気づけるかどうかです。

Python や R で手法を学んだ人へ、前提知識と向かない読者

版元は、統計学もプログラミングも一通り学んだが結果をどう判断すればよいか分からないエンジニア、分析結果の数字やグラフから業務に生かすヒントを得たいデータサイエンティスト、そして専門課程を選ぶ際の参考資料としてデータサイエンスに興味のある学生を、お勧めする読者に挙げています。紹介文が Python や R で手法を学んだ人に呼びかけていることからも、平均や分散、相関といった基本の統計量に一度触れたことがある人が想定されていると読めます。第 2 章に統計的推測の基礎、第 5 章に統計的検定の概説があるので、推測統計の考え方はここで確かめ直せます。一方、目次の見出しには特定のプログラミング言語やライブラリの名前は出てこないため、分析コードの書き方を身につけたい人には目的が合いません。機械学習 についても最終章で手法の分類と評価を見渡す扱いなので、モデルの実装まで進みたい場合は 機械学習本の選び方 を参考に、実装寄りの一冊と組み合わせるのが近道です。

裏を返せば、レポートやダッシュボードの数字を前にして「この差は意味があるのか」「この比較は公平なのか」と迷った経験のある人には、本書の事例は自分の仕事に置き換えやすいはずです。アンケート、売上、効果測定、継続期間、実験、欠測と、現場で出会いやすいデータの形が一通りそろっているので、分析の手を動かす前に考えるべき問いを持てるようになりたい人が買うと、元を取りやすい一冊です。