マーケティングサイエンスの理論と実践

「マーケティングサイエンスの理論と実践」のカバー画像
著者
和山弘(わやまひろし) 著
定価
3,520円(本体3,200円+税10%)
発売日
2026.11.30
判型
B5変形
頁数
336ページ
ISBN
978-4-297-16025-8 978-4-297-16026-5

概要

マーケティングの現場では、広告費や開発投資がいまだに「経験」や「勘」で判断され、データが十分に活用されない場面が少なくない。本書は、そうした課題に向き合うソフトウェアエンジニア・データアナリストに向けて、マーケティングサイエンスの理論とPython実装を体系的に学べる一冊である。

マーケティングの変遷を起点に、市場構造の把握、消費者行動のモデル化、離反予測とLTV推定、推薦システムまでを扱う。顧客クラスタリング、普及モデル、選択モデル、NBDモデル、生存時間解析、BG/NBD、協調フィルタリング、グラフニューラルネットワークなどを取り上げ、各章は「ビジネス課題 → 理論 → Python実装」の流れで構成されている。

数式は直感的な理解を重視し、実装ではデータ準備から結果解釈、施策への活用までを丁寧に解説する。著者の現場経験や研究活動をもとに、単なる知識の羅列ではなく、読者が自分の業務課題に応用できる実践的な視点を提供する。

こんな方にオススメ

  • マーケティングの課題に取り組むデータサイエンティスト、データアナリスト
  • マーケティングの課題に取り組む機械学習エンジニア、ソフトウェアエンジニア
  • 分析担当者と協働する、マーケティングの企画・戦略担当者

目次

第1章 マーケティングの変遷

1.1 コトラーのマーケティング理論

1.2 データドリブンマーケティング

1.3 マスマーケティングとパーソナライズドマーケティング

  • 1.3.1 マスマーケティング
  • 1.3.2 パーソナライズドマーケティング
  • 1.3.3 マスマーケティングとパーソナライズドマーケティングの比較

1.4 演繹的な考え方と帰納的な考え方

  • 1.4.1 演繹的な考え方
  • 1.4.2 帰納的な考え方

1.5 まとめ

第2章 顧客を分類する

2.1 課題:なぜ「一斉送信」は失敗するのか?

  • 2.1.1 STPの重要性

2.2 解決手段:類似性に基づく顧客の分類

  • 2.2.1 類似性の定義
  • 2.2.2 k-means 法の目的関数とアルゴリズムの原理
  • 2.2.3 クラスタ数の候補の選び方
  • 2.2.4 GMMによる確率的分類

2.3 実践:k-means 法による顧客の分類

  • 2.3.1 データ準備
  • 2.3.2 エルボー法による候補の絞り込み
  • 2.3.3 k-means 法による分類と結果の可視化

2.4 実践:GMMによる顧客の確率的分類

  • 2.4.1 GMMとk-means 法の分類結果の比較
  • 2.4.2 クラスタへの所属確率の算出
  • 2.4.3 ペルソナと施策への展開

2.5 まとめ

第3章 新製品の普及を予測する

3.1 課題:なぜ「新製品の販売予測」は難しいのか?

3.2 解決手段:普及の法則「バスモデル」

  • 3.2.1 普及のプロセス:外部影響と内部影響による採用
  • 3.2.2 外部影響係数pと内部影響係数qの数理的役割
  • 3.2.3 モデルが描くS字カーブの数理的根拠

3.3 実践:パラメータの推定と予測

  • 3.3.1 データ準備:新製品の週次/月次販売台数
  • 3.3.2 非線形最小二乗法によるp・q・Mの推定
  • 3.3.3 将来の販売予測と推定値の安定性

3.4 まとめ

第4章 選ばれる要因を推定する

4.1 課題:なぜ「選ばれる理由」を数値で捉える必要があるのか?

  • 4.1.1 価格・性能・ブランドが選択に与える影響の数値化
  • 4.1.2 選択肢の価値を表す効用
  • 4.1.3 施策変更時の選択確率の試算

4.2 解決手段:ロジット選択モデル

  • 4.2.1 ランダム効用理論の概念と選択のメカニズム
  • 4.2.2 効用関数の設計と係数の解釈
  • 4.2.3 二項ロジットとシグモイド関数
  • 4.2.4 発展:プロビットモデルとの比較

4.3 実践:多項ロジットモデルによる要因分析

  • 4.3.1 データ準備:選択行動データと属性変数の設計
  • 4.3.2 多項ロジットによる係数の推定
  • 4.3.3 推定係数の解釈と施策への活用

4.4 まとめ

第5章 消費財の購買行動をモデル化する

5.1 課題:なぜ「ロイヤルティ」だけを追うと失敗するのか?

  • 5.1.1 「愛用者」を増やしたいというマーケターの直感と罠
  • 5.1.2 市場シェア・期間浸透率・購買者当たりの平均購買回数の関係
  • 5.1.3 購買行動の確率的な捉え方

5.2 解決手段:購買回数の法則「NBDモデル」

  • 5.2.1 ポアソン分布:個人の購買回数のモデル化
  • 5.2.2 ガンマ分布:期間内期待購買回数の個人差
  • 5.2.3 負の二項分布

5.3 解決手段:ブランドの選択を表す「ディリクレNBD」

  • 5.3.1 NBDとディリクレ分布による購買とブランド選択の統合
  • 5.3.2 ダブルジョパディの法則
  • 5.3.3 「100%ロイヤル」の解釈

5.4 実践:Pythonによる分布のフィッティング

  • 5.4.1 データ準備:顧客マスターとID付きPOSデータによる購買回数分布の作成
  • 5.4.2 SciPyによるNBDパラメータM・Kの推定
  • 5.4.3 ブランド別の購買指標:理論値の算出と比較

5.5 まとめ

第6章 消費者の異質性を捉える

6.1 課題:なぜ「平均的な消費者」だけでは不十分なのか?

  • 6.1.1 完全プール型回帰の限界
  • 6.1.2 消費者の異質性
  • 6.1.3 個人別データの不足と推定上の課題

6.2 解決手段:階層ベイズモデルと情報の借用

  • 6.2.1 階層構造のイメージ
  • 6.2.2 縮小推定
  • 6.2.3 MCMCの直感的理解

6.3 実践:PyMCによる消費者ごとの「価格係数」の推定

  • 6.3.1 データ準備:消費者ごとの価格と購入・非購入の記録
  • 6.3.2 完全プール型モデルと階層ベイズモデルの実装
  • 6.3.3 PyMCによるMCMCの実行と推定結果の確認・比較

6.4 まとめ

第7章 解約を予測する

7.1 課題:なぜ「解約予備軍」の特定が必要なのか?

  • 7.1.1 穴の空いたバケツ問題と引き止め施策の課題
  • 7.1.2 解約確率を事前に把握する必要性
  • 7.1.3 解約の有無と解約時期の予測

7.2 解決手段:生存時間解析

  • 7.2.1 契約期間を寿命と捉える生存時間解析の概念
  • 7.2.2 生存関数とカプラン・マイヤー曲線による解約時期の把握
  • 7.2.3 ハザード関数とCox比例ハザードモデル

7.3 実践:生存時間解析による解約時期と関連要因の分析

  • 7.3.1 データ準備:Telcoの解約データの読み込みと前処理
  • 7.3.2 カプラン・マイヤー曲線による契約継続率の可視化
  • 7.3.3 Coxモデルによる解約リスクの関連要因の分析

7.4 実践:機械学習による解約スコアの算出

  • 7.4.1 LightGBMによる解約スコアの算出
  • 7.4.2 解約スコアに基づく施策対象リストの作成

7.5 まとめ

第8章 併買パターンを発見する

8.1 課題:なぜ「一緒に買われる商品」を見つけるのは難しいのか?

  • 8.1.1 膨大な組み合わせから意味のあるパターンを見つける困難さ
  • 8.1.2 一緒に買われる関係の評価

8.2 解決手段:頻出パターンの抽出とルールの評価

  • 8.2.1 Aprioriアルゴリズム
  • 8.2.2 Eclatアルゴリズム
  • 8.2.3 アソシエーションルールと評価指標

8.3 実践:Aprioriアルゴリズムによるアソシエーションルールの発見

  • 8.3.1 データの読み込みとトランザクション形式への整形
  • 8.3.2 mlxtendを利用したAprioriアルゴリズムの実装
  • 8.3.3 アソシエーションルールの生成と評価

8.4 まとめ

第9章 売上の変動を分解して予測する

9.1 課題:なぜ「売上」を成分に分解するのか?

  • 9.1.1 売上の成分分解とその必要性
  • 9.1.2 施策と季節要因を切り分ける難しさ
  • 9.1.3 観測値と潜在状態を分ける必要性

9.2 解決手段:Prophetによる時系列予測

  • 9.2.1 時系列データの成分分解
  • 9.2.2 Prophetの特徴と実務での適用場面

9.3 解決手段:見えない状態を推定する「状態空間モデル」

  • 9.3.1 状態方程式と観測方程式による潜在状態の表現
  • 9.3.2 ローカルレベルモデルとローカル線形トレンドモデルの仕組み
  • 9.3.3 カルマンフィルタによる状態推定

9.4 実践:時系列予測と構造時系列モデルの構築

  • 9.4.1 Prophetによる365日先までの売上予測
  • 9.4.2 statsmodelsによる状態空間モデルの定義と推定
  • 9.4.3 売上の水準・傾き・季節性・残差の可視化
  • 9.4.4 予測区間付きの長期予測

9.5 まとめ

第10章 優良顧客を見極める

10.1 課題:なぜ「過去の売上」で顧客の将来価値は測れないのか?

  • 10.1.1 「優良顧客」の定義
  • 10.1.2 LTVと顧客への投資判断
  • 10.1.3 顧客の「生存確率」を扱う必要性

10.2 解決手段:RFM分析

  • 10.2.1 RFMの定義とスコアリング
  • 10.2.2 RFMスコアの予測上の限界

10.3 解決手段:購買・離反と粗利を予測する確率モデル

  • 10.3.1 「購買プロセス」と「離反プロセス」の2つの確率過程
  • 10.3.2 BG/NBDモデルの仕組みと採用理由
  • 10.3.3 購買日当たりの平均粗利を予測するガンマ-ガンマモデル

10.4 実践:LTV予測と顧客ランキング

  • 10.4.1 データ準備:LTV予測用の顧客別集計表の作成
  • 10.4.2 BG/NBDモデルの学習と生存確率の可視化
  • 10.4.3 将来の購買日数の予測と粗利ベースのLTVの算出
  • 10.4.4 LTVに基づくVIP顧客ランキングの作成
  • 10.4.5 PyMC-MarketingによるLTVの推定と不確実性の確認

10.5 まとめ

第11章 あなたへのおすすめを作る

11.1 課題:なぜ「選択肢が多い」とユーザーは疲れるのか?

  • 11.1.1 選択肢の多さと選択のパラドックス

11.2 解決手段:協調フィルタリングと行列分解

  • 11.2.1 評価行列の構造と疎性の問題
  • 11.2.2 協調フィルタリングの2つの方法
  • 11.2.3 行列分解の基本的な考え方
  • 11.2.4 ALSとBPRの仕組み
  • 11.2.5 推薦の適合率・再現率・F1スコア
  • 11.2.6 ランキングの評価指標
  • 11.2.7 推薦の多様性・新規性・カバレッジ・セレンディピティ

11.3 実践:行列分解の実装

  • 11.3.1 仮想データを用いた評価行列と疎行列の実装
  • 11.3.2 データ準備:Online Retailデータの読み込みと整形
  • 11.3.3 暗黙的フィードバック行列の構築とALS・BPRの学習
  • 11.3.4 特定ユーザーに対する推薦スコアの計算
  • 11.3.5 Top-N推薦リストの生成とランキング評価

11.4 まとめ

第12章 つながりを活かして推薦する

12.1 課題:なぜ「つながり」を活かせないのか?

  • 12.1.1 行列分解とLightGBMが直接扱いにくい構造情報
  • 12.1.2 履歴の少ないユーザーへの推薦とその限界
  • 12.1.3 推薦に利用するつながりの種類と本章の対象

12.2 解決手段:GNNを用いた推薦

  • 12.2.1 グラフニューラルネットワークの全体像
  • 12.2.2 推薦に用いる二部グラフと行列表現
  • 12.2.3 グラフ畳み込みネットワークの基本
  • 12.2.4 メッセージパッシングの概念
  • 12.2.5 NGCF:要素積を使うグラフ上の協調フィルタリング
  • 12.2.6 LightGCN:推薦に特化した軽量なGCN

12.3 実践:グラフを用いた推薦モデルの構築

  • 12.3.1 実装の構成とファイルの役割
  • 12.3.2 NGCFのクラス実装
  • 12.3.3 LightGCNのクラス実装
  • 12.3.4 TrainerとEvaluatorの実装
  • 12.3.5 モデルの学習と推薦性能の比較

12.4 まとめ

プロフィール

和山弘(わやまひろし)

1983年岩手県盛岡市生まれ。京都大学理学部卒業、同大学院理学研究科修士課程修了。2009年キヤノン株式会社に入社し、半導体デバイス開発、数値計算・シミュレーション技術開発、システム開発に従事。2019年に独立し、機械学習プロジェクトのPM・エンジニアとして複数企業のデータ活用支援に携わる。2020年合同会社LegalWinを共同創業、2021年に株式会社数理工房を設立。現在は社会人博士課程で推薦システムを研究しながら、システム開発・マーケティング分析・意思決定支援の実務に取り組んでいる。