西内啓のレビュー一覧

統計学が最強の学問である

西内啓

統計学が必要なことが書かれていて理解できます。ただ分析するだけでなく、そこから何がわかるか、今後に活かすことができるのかが大切になります。統計学の知識を持って仕事に臨むことは大切であり、全員に必要な力である。本書は、統計学の必要性が書かれています。統計学のことを学ぶには他の本で学ぶ必要があります。

統計学が最強の学問である

西内啓

難しい数式は一切でてこない。考え方を分かりやすくレクチャーしてくれる。これと普通の統計の教科書を同時に使って勉強するのがよろしいので？

統計学が最強の学問である

西内啓

統計学の基本的な理論や、因果推論については学んでいるため内容はよく理解できた。今まで個別の理論を勉強してきたが、一歩引いて統計学の全体感を理解するのに役立った。本書の読書前は、統計学が社会でどのように利用されているか、ユースケースを大量に紹介する内容だと思ったので、そういった内容を期待していると少しがっかりするかもしれない。既に統計学をある程度学んだ後に読むと頭の整理になってよいが「統計学が最強」というほどの印象は持てなかった。

統計学が最強の学問である

西内啓

統計学の基礎や考え方、発展の歴史、立場ごとの考え方を整理して学べた。
統計リテラシーやエビデンスの捉え方を身につける上では、非常に役立つ。
ただ、入門中の入門書というわけではないので、初学者としては話の表面的なことは理解できてもそのきちんとした中身は理解できないまま。
自分でも統計学の勉強(データから実際に算出してみる)を、別の本を買ったのでやってみて、その上でもう一回読み直したら、より深く理解できるかもしれない。

シグナル&ノイズ 天才データアナリストの「予測学」

ネイト・シルバー / 川添節子 / 西内啓

未来を予想するための理論としてペイズ定理というのがある。過去の情報に基づいて未来を予想する。しかし、過去の情報には、重要な情報であるシグナルと、誤情報であるノイズとがある。ノイズによってバイアスがかかり、誤った予想がなされてしまう。そこで、結果と照らし合わせて、確率論的に次の予想を行う。これを何度も繰り返すことで、より正確な予想が行えるようになる。これは、気象予想やチェスでは威力を発揮する。正確なフィードバックが得られ、コンピュータの力、特に生成AIの力を存分に発揮できるからだ。一方、地震や経済のように、システムが複雑で、予想が正しかったか否かの検証が難しい場合には、コンピュータでは対応出来ないという。兎に角、複雑な未来を予測するヒントが詰まった必読の書である。

統計学が最強の学問である

西内啓

後半、専門用語も出てくるため、データサイエンスや統計の知識がない人は一度では理解できないかもしれない。

統計学が最強の学問である

西内啓

前半までは統計学についてわかりやすい説明。後半以降は専門度が高まるため、理解が前半に比べると簡単ではない。

統計学が最強の学問である

西内啓

私は数学が大の苦手である。
しかし、本書の内容で統計の基本的な考えは学べる。
大事なのは統計によって何を明らかにしたいか定義づけること、統計手法の有用性、有意差を考慮することである。
実際に自己で統計を取り、データ活用するとなればもう少し専門的に学ぶ必要はあるかもしれない。

統計学が最強の学問である［実践編］

西内啓

実地での統計的手法の活用方法の基本（アウトカムを高めたいときの施策の抽出に限り、平均値などの現状分析や株価の予測などに関する内容はあまり掲載されていない。）がよくわかった。
データを整理したら、まずは重回帰分析（アウトカムが量的）かロジスティクス分析（アウトカムが質的）で影響している説明変数を見抜き、当該変数を操作することでアウトカムを変えられるのかどうか（当該説明変数とアウトカムの関係が、因果関係なのか相関関係なのか）をランダム化比較実験で検証し、その検証にあたってはz検定やt検定を行うと。
結局、χ２乗検定や分散分析は実用上あまり出番はないということか。
帰無仮説平均と対立仮説平均の差と、有意水準と望む検出力を設定すれば、これを満たすために必要な標準誤差がわかり、元データの標準偏差から必要なサンプル数が導出できるというのは、ちゃんとした順序で考えたら普通にそうなるだけの話だが、実用的で勉強になった。

統計学が最強の学問である［ビジネス編］

西内啓

経営戦略、人的資本管理、マーケティング、オペレーションの順にデータ分析と活用の手法を具体的に解説した良書。
共通するのは、適切なデータ分析対象範囲を決め、適切なアウトカム（=目的変数）を設定し、これに関係しそうな説明変数候補を決め（この時、先行研究で使えるものがあれば大いに参考にする）、ステップワイズ法などで説明変数を適度な数に縮約し、重回帰分析やロジスティクス分析により有意な説明変数を特定し、これを変えることでアウトカムに良い効果が出るかをランダム化テストで検証して改善に繋げる、という流れ。
そのうえで、それぞれのデータ活用におけるポイントもしっかり解説されていた。
経営戦略に関するデータ活用では、アウトカムは総資本利益率が望ましい。必要な説明変数データを収集するのに、帝国データバンクのようなデータ会社のデータのほか、業界団体や、顧客からの評価が知りたければマクロミルなどの調査会社の活用や、営業マンの資質などであれば業界記者や取引先などが使えるとのこと。
人的資本管理については、パフォーマンスの3割程度はIQやSPIで明らかになる汎用的な知能で説明できるが、残りの7割は個別の特性が効いてくるということ。人事情報はアウトカムについても、適宜補正可能な指標を選んでおくことが大事。
マーケティングでは、ターゲットセグメントを決める段階では、重回帰分析やロジスティクス分析ではなく、クラスタリングを用いて有意なグループを見出だして選ぶべき。これは、マーケティングのターゲットセグメント選択は、すなわち他のセグメントを捨てるということであるため、少なくともその変数を満たせば良いという経営戦略や人的資本管理における重視すべき変数の特定とは異なるアプローチが必要であるということである。セグメントが決まれば、当該セグメントの顧客のデータを集め、何がアウトカムである購買行動に繋がっているのか、繋がっていないのかを特定し、どこを強化すべきかを見抜く。
オペレーションでは、どの工程がボトルネックであるかを見抜いたうえで、そこを重点的に強化するべきである。そして、当該ボトルネックのアウトカムと説明変数を明らかにして何を強化すればアウトカムが向上するのかを明らかにする分析とともに、適正な在庫や仕入れやリソース投下を行うための「予測」も必要になる。予測では、他の説明変数だけでなく、過去の目的変数の実績値（例えば過去の売上）を自己回帰的に説明変数として予測する手法も有効である。
経営の戦略や戦術への深い理解と洞察力を併せ持った統計学の専門家の著書として、非常に読みごたえがあった。

統計学が最強の学問である

西内啓

統計の勉強をしたくて読んでみたが、普通に読み物として面白かった。
統計といっても使われる学問領域によって様々なんだということがよくわかった。
統計学とはなにか、統計の考え方を感覚的に理解したい人におすすめ。

統計学が最強の学問である

西内啓

統計学は、実際のデータから、要因や結果を導き出すもので、百の議論をぶっ飛ばす強力なツールであるということが実感できた。
最も良い標本は確かめたい要因以外の条件をコントロールして均すランダム化実験だが、それが無理なら疫学的アプローチで調査すれば良い。統計的手法は、つまるところ広義の回帰分析である。ベイズ論についても、主観でも良いので事前確率を設定し、実際に生じた事象の事後確率を求めて何が起こっているかを推定するという概念がよくわかった。

統計学が最強の学問である

西内啓

本書を選んだ理由
私自身の目下の業務には今のところ絡んでいないのですが、個人的に最近、AI・機械学習のセミナーに参加しました。その講師の先生が「専門家以外の人がAIや機械学習を学ぶ場合でも、統計学の基本だけは押さえておくべき」と言っていたため、本書を手に取りました。

「なぜ統計学が最強の学問」と言えるのか？
論をするにしても不可欠なプロセスとなるからだ” と本書では言っています。また、統計学を知っているかどうか？が結果を分ける事例として、本書の中に「あみだくじで買い出し当番を決める」と言う筆者の研修者時代の経験が出てきます。あみだくじについて私はこれまで、選んだところによってたどり着く結果がどこになるかは、どれも等価だと思っていました。詳細は本書を見て欲しいのですが、実はあみだくじの結果はランダムではなく偏りがあるということを本書では明確に示しています。このことから、本書は、統計を知らないと（自分は運が悪いんじゃないか・・・）と間違った思い込みで済ましてしまう事にもなると話しており、私もこれを見てはっとすることが多々ありました。

どんなところが役に立ったか？
中盤からはビッグデータやデータサイエンスについての考え方についても書かれています。例えば、AI・機械学習を学ぶとまず最初に「回帰分析」の話が出てきます。そもそも回帰分析とは何か？何のために扱うのか？が分かっていないと参考書を見てもなかなか頭に入ってきません。その点本書の第5章には、回帰分析の考え方を数式を使わずに分かりやすく解説しています。私が機械学習の学習を進める上で大きな助けになりました。また、統計学にも、多くの分析手法があり、どれを使って分析すればいいか分からない。あるいは、分析結果を見てどう判断すればいいのかも分からない、といった初学者故の悩みもあります。そんな人のためにも分かりやすく解説してあったのも良かったです。

本書は全体的に、数式など難解な部分を上手に省いて説明しています。その意味で本書はあくまで統計の素養を会得するための「きっかけ」の1冊と言えます。

統計学が最強の学問である［ビジネス編］

西内啓

難しくて、具体的な説明になると、
ついていけなくなるんだけど。
それでも納得できる。
これはそうなんだ、やっぱり、そうなんだ、と。
だから、少しでも理解できるように頑張りたい。
そんなことを思ってしまった。

統計学が最強の学問である［実践編］

西内啓

「実践編」の看板に偽りなし。著者の「頭の良さ」みたいなものがなんだかヒシヒシ伝わってくる感じの本。仕事が数字を扱いながらもふつう統計をつかう分野でないので、どう実践に使えるか悩みつつ読んだ

ちょくちょく後戻りして理解を確かめながらでないと読めなかったので、電子書籍でなく紙の本向きだと思う

統計学が最強の学問である［実践編］

西内啓

前著は社会に対するアンチテーゼとして統計学の素晴らしさを発信していた本であり、今作は統計学の基礎理論をどのように活用するか？という観点で書かれている。頭を使う部分も多くなっているが、基礎理論の導入としてはとても面白く分かりやすい本だと思う。大学の参考書など読んでみたが、ここまで分かりやすい本は無いと思う。
後半の数学補論は正直言って日本の一般的な文系社会人では着いていけないレベルだと思う。(積分とか覚えてない…みたいな人はまず無理)
著者の言う通り、使い込んでナンボなので実務の中で課題検証に使えるよう取り組んでいきたい。

統計学が日本を救う 少子高齢化、貧困、経済成長

西内啓

データにもとづいて議論しようよと言っている本。高齢化、国の借金、経済成長などの社会問題に対して定性的な印象だけで議論して破滅の道をたどるのではなく、定量的な統計データにもとづいて議論し解決を探ろうとしている。

人は社会という巨大な複雑さを自らの限られた知見からしか見ることができない。はたしてどれだけの人がその社会を正しく理解しよりよい未来に向けて行動できているのだろうかと思った。

統計学が最強の学問である［ビジネス編］

西内啓

ただでさえ統計学のビジネス利用を主軸としたシリーズの「ビジネス編」ということで、どこまでビジネスに特化した内容なのかと期待と疑問を同時に抱きながらも手に取る。

前回までの内容と同じく統計学に関する前提知識はほとんど仮定されていないと言える。結果的にビジネスでどのように分析するのかの詳細な具体的な例があるわけではないので実際に手を動かして勉強することを期待するとがっかりするかもしれない。

しかし、統計学をビジネスの場面で活用する上で「著者はここまで広範な知識を持っているのか」と驚かされる一冊だった。

「AI・データ分析プロジェクトのすべて[ビジネス力×技術力=価値創出]」などのデータ分析系の書籍ではよく述べられることだが、
データサイエンスや統計をビジネスに活用していくには統計知識・エンジニアリング知識・ビジネス知識のすべてが必要だといわれる。

少なくともビジネス知識に関しては、この著者はかなり広範で実践的な知識を有していると感じさせる一冊だった。

すなわち、実際にビジネスで統計を生かす人物の、
統計力　×　ビジネス力
がどのようにして力を発揮するのかを知ることのできる本だと言える。

本気で統計を仕事に生かそうと思うのならば統計以外にどのような知識を学ぶべきかの指針を示してくれる一冊だった。

統計学が最強の学問である

西内啓

〇学んだこと
１．あみだくじは、当たりたければ真ん中・外れたければ一番外側を引くこと
２．サンプリング調査と標準偏差の関係(コストメリットを考える)
３．解析はそれ自体価値があるものではなく、それを活かして何を行い、どれだけの価値を得られるのか
４．十分なデータと適切な比較を行うこと（その際、比較している対象がフェアであるかどうかをチェック）
５．統計学的な裏付けもないのに、それが絶対誤りだと決めつけることも愚か
６．ランダム化の３つの壁（現実・倫理・感情）
７．統計学的に、遺伝や人種に基づいて差別するメリットは存在しない
８．一般線形化モデルの表（結果変数（連続・ありなし）と説明変数（２・多グループ数・連続値の多寡・複数要因））
９．「予測」に役立つデータマイニング
１０．「ベイズ（事前・事後確率）」と「頻度論」

統計学が最強の学問である［実践編］

西内啓

標準誤差が見込まれる差の3分の1になるようにサンプル数を設定すれば、検出力は85%になる（有意水準5%の1.96＋検出力85%の1.04）。

顧客の退会までの期間は、生存時間解析を用いることができる。

複数の時点のデータを個体差を捉える情報として扱う経時データ分析では、混合効果モデルが用いられる。

因子得点を回帰モデルの説明変数にするよりも、共分散構造分析（構造方程式モデリング）を使う方がよい。

因子分析の応用として、表面的な反応に対する潜在的な力を明らかにする項目反応理論がある。

傾向スコアを用いた代表的な手法として、周辺構造モデルがある。