株式会社セールスアナリティクス

10/06/2026

アパレルチェーンの需要予測（前編）：時系列データを読み解く
https://salesanalytics.co.jp/ds-casestudy/ds-casestudy007-1/
全国50店舗を展開するカジュアルアパレルブランド「STYLENOA」（仮名）のMD（マーチャンダイジング）部門では、半年後の春夏シーズンに向けて、主力商品であるベーシックTシャツの生産数量を決めなければなりません。

これまでの計画手法は「昨対比 + 営業の肌感覚」で、近年いくつかの問題が表面化していました。

10/06/2026

Python 時系列分析 1,000本ノック
– ノック86: 差分処理による定常化–
https://salesanalytics.co.jp/knocks/knocks0086/
#時系列分析 #時系列予測

08/06/2026

Python で学ぶ「ビジネスを動かす武器」 としての
「XAI」（説明可能AI）超入門
---
1日目　7/25(土) 13:30-18:00
2日目　8/8(土) 13:30-18:00
オンライン（ZOOM予定）
税込み22,000円
---

精度は高いのに、なぜか使われない。根拠を説明できず信頼されない。そんなデータサイエンティスト特有の壁を突破し、意思決定の主導権を握るための実践講座。

08/06/2026

📣 新コラム公開｜第496話

データを見て、
「先月の売上は5%減だった」
「新規顧客数は目標を下回った」
といった事実は読めても、そこから
「だから何をすべきか」 に進めず止まってしまうことがあります。この記事では、その壁の正体を、引き出しの不足 と 一人で考える限界 という観点から整理しています。

そのうえで、生成AIは「正解を教えてくれる存在」というより、思考の壁打ち相手 として使うと力を発揮すると述べています。たとえば、
・「この売上低下の原因をとりあえず10個挙げて」と気軽に頼める
・自分では思いつかなかった視点を一気に広げられる
・自分の施策案の弱点や見落としを点検できる
といった使い方です。記事中でも、相談相手がいない状況で一人で行き詰まりがちな人にとって、この気軽さと多様さが思考を動かす起点になると説明されています。

また、生成AIは人間の代わりではなく、人に相談する前の思考整理 に向いている、という整理も印象的です。AIと一通り壁打ちしてから上司や同僚に相談すると、議論の質が一段高まりやすい。そんな現場での使い方を考えるきっかけになる内容です。

https://www.salesanalytics.co.jp/column/no00496/

#データ活用 #思考整理 #意思決定

06/06/2026

こんにちは！ 「AIを導入すれば、 　今抱えている問題の多くは 　自動的に解決するはず」 この期待、 実は無意識のうちに 組織のあちこちで共有されています。 しかも立場によって、 投影している希望が 微妙に違うんで....

31/05/2026

📣 新記事公開｜欠損値処理シリーズ 第5回

欠損値処理というと、まず削除を考えがちですが、今回からはもう一つの大きな柱である 補完（imputation） に入ります。第5回では、欠損箇所をあらかじめ決めた値で埋める 定数補完 を取り上げ、pandas の fillna() と scikit-learn の SimpleImputer を使った実装を順番に紹介しています。

記事の中では、
・補完とは何か
・単変量補完と多変量補完の違い
・カテゴリ列を 'Unknown'、数値列を 0 や任意値で埋める考え方
・fillna() で単一列や複数列を補完する方法
・SimpleImputer の fit / transform とデータ漏洩を避ける考え方
・ColumnTransformer で列ごとに異なる補完を適用する方法
・定数補完が分布に与える影響

などを、Titanic データを使って整理しています。記事内のサンプルでは、age に177件、embarked に2件、deck に688件、embark_town に2件の欠損があることも確認しています。

「欠損値をどう埋めるか」を考える最初の一歩として、実務でよく使うシンプルな方法を押さえておきたいときに読みやすい内容です。
https://www.salesanalytics.co.jp/datascience/datascience339/

#データ分析 #欠損値処理

第3回・第4回では「欠損のある行や列を削除する」戦略を紹介しました。 今回からはいよいよ、欠損値処理のもう一つの大きな柱である 補完（imputation） に入っていきます。 補完にはさまざまな方法がありますが、まず押.....

29/05/2026

こんにちは！ 「うちにもデータはあるんですよ。 　でも活用できてなくて……」 これ、 企業のデータ活用に関する悩みとして、 たぶん一番多いセリフです。 で、 この悩みに対して 「もっとスキルを磨かなきゃ」 「BIツ....

25/05/2026

📣 新コラム公開｜第494話

「データ分析は専門家がいる大企業の話で、うちのような中小企業には縁がない」
そんな見方は、これまで確かに自然でした。中小企業にとっては、専門人材の確保、高額なツールやシステム、そして分析と日常業務の分断が、データ活用の大きなハードルになってきたからです。

今回の記事では、その構図が生成AIによって変わりつつあることが整理されています。たとえば、売上データに対して日本語で問いを投げるだけで傾向を見たり、分析結果に出てきた専門用語をビジネスの文脈で説明してもらったりできるようになり、これまで分析から遠かった経営者や現場担当者でも、データに触れやすくなっています。

さらに記事では、中小企業が逆転できる理由として、
・意思決定の速さがそのまま強みになること
・経営者自身が生のデータに直接向き合える規模であること
・現場の知見とAIを直結しやすいこと
の3点を挙げています。大企業のように重い調整を経ず、まず試して、手応えを見ながら磨いていける点も、中小企業ならではの利点として描かれています。

後半では、和菓子店の仕込み量判断、美容室のリピート施策、工務店の朝30分の“AI経営会議”といった具体的な活用シーンも紹介されています。生成AIを「何でも解決する魔法」としてではなく、中小企業が自社の意思決定にデータを持ち込むための現実的な入口 として考える視点が印象的な内容です。

https://www.salesanalytics.co.jp/column/no00494/

#データ活用 #中小企業

「データ分析は専門家がいる大企業の話で、うちのような中小企業には縁がない」 そんな声を、これまで多くの経営者から聞いてきました。 確かに、これまでデータ活用には専門人材の採用、高額なツールの導入、長期間....

23/05/2026

📣 新記事公開｜欠損値処理シリーズ 第4回

欠損値処理では、行を削除する方法だけでなく、欠損の多い列を削除する方法 や、分析ごとに使えるデータをできるだけ残す方法 もあります。今回の記事では、その2つとして 特徴量削除（列削除） と ペアワイズ削除 を取り上げています。

記事の中では、
・特徴量削除（列削除）とは何か
・どんなときに列削除を検討するか
・drop() を使った単一列・複数列の削除
・欠損率が一定以上の列を自動で削除する方法
・列削除がモデル精度に与える影響の見方
・ペアワイズ削除とは何か
・相関分析での使いどころ
・各ペアで使われた件数の確認や可視化

などを、Titanic データを使って順番に紹介しています。Titanic では deck が約77%、age が約20% 欠損しており、こうした列をどう扱うかが論点になっています。

「欠損があるから削る」ではなく、
サンプル数を残すのか、特徴量を残すのか、分析ごとにどう使い分けるのか を整理したいときに参考になる内容です。
https://www.salesanalytics.co.jp/datascience/datascience338/

#データ分析 #欠損値処理 #機械学習

23/05/2026

こんにちは！ もし天気予報が 「明日は晴れです」 としか言わなかったら、どうなるでしょう？ 傘を持たずに出かけて雨に降られたら、 「予報が外れた。もう信用しない！」 ってなりますよね。 でも、 「晴れ、ただし降....