テクノロジー(Technologies)

  • イノベーション普及理論 #1:Bass Modelによる新製品普及のモデリング

    はじめに 新製品が世の中に広く普及していく過程は、一体どのようなものでしょうか。これについて考える学問を普及学(Diffusion of Innovations)と呼びます。製品の普及を考えるとき、多くの場合、対象として耐久消費財、す...
    古川 拓磨
    Written by
    古川 拓磨 (Furukawa Takuma)
    SEEDATA Technologies
  • 課題の特定に必要とされるインタビューの数について

    SEEDATAでは、生活者の価値観の変化や未来の兆しをキャッチするために、通常小規模の対象者についてデプスインタビューを行い、背後にあるインサイトを発掘することを日々行っています。それでは、インサイトを抽出するために必要なインタビューの数は...
    広本拓麻
    Written by
    広本拓麻 (Hiromoto Takuma)
    SEEDATA Technologies
  • 消費行動の統計モデリング #6:市場反応のモデリング

    購買の行動や意思決定にまつわるビッグデータの出現や消費者の多様化が進む中、企業のマーケティング活動においてはミクロな市場に対して理解を深め、的確なインサイトを突いた訴求を実現することが求められています。SEEDATAでは定性的なリサーチ...
    広本拓麻
    Written by
    広本拓麻 (Hiromoto Takuma)
    SEEDATA Technologies
  • 消費行動の統計モデリング #5:マーケティングにおける回帰モデルの例

    購買の行動や意思決定にまつわるビッグデータの出現や消費者の多様化が進む中、企業のマーケティング活動においてはミクロな市場に対して理解を深め、的確なインサイトを突いた訴求を実現することが求められています。SEEDATAでは定性的なリサ...
    古川 拓磨
    Written by
    古川 拓磨 (Furukawa Takuma)
    SEEDATA Technologies
  • 消費行動の統計モデリング #4:選択肢間の相関を組み込んだプロビットモデル

    購買の行動や意思決定にまつわるビッグデータの出現や消費者の多様化が進む中、企業のマーケティング活動においてはミクロな市場に対して理解を深め、的確なインサイトを突いた訴求を実現することが求められています。SEEDATAでは定性的なリサーチ...
    広本拓麻
    Written by
    広本拓麻 (Hiromoto Takuma)
    SEEDATA Technologies
  • 【回帰分析の数理】#6 一般化線形モデル(GLM)とは

    はじめに 前回の記事では、線形回帰に続き、ロジスティック回帰を見ていきました。 目的変数である\(y\)は、線形回帰においては任意の実数値、ロジスティック回帰においては2値をとりました。では、目的変数\(y\)が、例えば...
    古川 拓磨
    Written by
    古川 拓磨 (Furukawa Takuma)
    SEEDATA Technologies
  • 消費行動の統計モデリング #3:階層的な選択構造を仮定したネステッドロジットモデル

    購買の行動や意思決定にまつわるビッグデータの出現や消費者の多様化が進む中、企業のマーケティング活動においてはミクロな市場に対して理解を深め、的確なインサイトを突いた訴求を実現することが求められています。SEEDATAでは定性的なリサーチ...
    広本拓麻
    Written by
    広本拓麻 (Hiromoto Takuma)
    SEEDATA Technologies
  • 【回帰分析の数理】#5 ロジスティック回帰の導出

    はじめに 前回までの記事では、データマイニングや機械学習において最もシンプルな手法である線形回帰の数理的な側面について見てきました。 今回は、2値分類を通じて、ラベル予測やリスクファクターの評価など様々な場面で使うことが...
    古川 拓磨
    Written by
    古川 拓磨 (Furukawa Takuma)
    SEEDATA Technologies
  • 消費行動の統計モデリング #2:ロジットモデルとその尤度関数

    購買の行動や意思決定にまつわるビッグデータの出現や消費者の多様化が進む中、企業のマーケティング活動においてはミクロな市場に対して理解を深め、的確なインサイトを突いた訴求を実現することが求められています。SEEDATAでは定性的なリサーチ...
    広本拓麻
    Written by
    広本拓麻 (Hiromoto Takuma)
    SEEDATA Technologies
  • 【回帰分析の数理】#4 過学習を防ぐL2正則化とベイズ的解釈(MAP推定)

    はじめに データマイニング・機械学習における最もシンプルな手法である線形回帰を例に、今回の記事では過学習を防ぐテクニックの一つであるL2正則化と、L2正則化のベイズ的解釈について見ていきます。前回の記事では、説明変数の多い柔軟なモデル...
    古川 拓磨
    Written by
    古川 拓磨 (Furukawa Takuma)
    SEEDATA Technologies