1. 第1章 ビジネスにおける時系列データ活用
   1. 1.1 ビジネス現場は 　　時系列データで溢れている
      1. 1.1.1 時系列データとは何か?
      2. 1.1.2 時系列データの3つの変動成分
      3. 1.1.3 点過程データと時系列データ
   2. 1.2 ビジネス時系列データで 　　よくある7つの活用事例
      1. 1.2.1 7つの活用事例とは?
      2. 1.2.2 基本となる3活用事例
      3. 1.2.3 セールスアナリティクスの3活用事例
      4. 1.2.4 広告･販促の効果測定と最適化
   3. 1.3 2種類の時系列データ
      1. 1.3.12種類の時系列データとは?
      2. 1.3.2 縦持ち時系列データ (時間軸が縦方向)
      3. 1.3.3 横持ち時系列データ (時間軸が横方向)
   4. 1.4 よく目にする7つの時系列特徴量
      1. 1.4.1 7つの時系列特徴量とは?
      2. 1.4.2 各特徴量の説明
      3. 1.4.3 特徴量はどんどん増える
   5. 1.5 時系列特徴量付きテーブルデータ
      1. 1.5.1 テーブルデータとは?
      2. 1.5.2 テーブルデータのほうが扱いやすい
      3. 1.5.3 テーブルデータ系の数理モデルを使おう!
2. 第2章 Pythonのデータ分析環境の設定 (JupyterLab)
   1. 2.1 Pythonのインストール
      1. 2.1.1 本書の Python環境
      2. 2.1.2 JupyterLab Desktop のインストール
      3. 2.1.3 Anacondaのインストール
   2. 2.2 Python以外のインストール
      1. 2.2.1 Graphvizのインストール
      2. 2.2.2 C++ コンパイラーのインストール
      3. 2.2.3 Rのインストール
   3. 2.3 利用するライブラリー (パッケージ) のインストール
      1. 2.3.1 ライブラリー(パッケージ) 管理ツール
      2. 2.3.2 condaとpipの使い方
      3. 2.3.3 ライブラリー (パッケージ) のインストール
3. 第3章 時系列予測モデル 構築・超入門
   1. 3.1 時系列データを使った 　　予測モデル構築の流れ
      1. 3.1.1 予測モデル構築の流れ
      2. 3.1.2 ホールドアウト法
      3. 3.1.3 クロスバリデーション法
      4. 3.1.4 評価指標
      5. 3.1.5 高精度な予測モデルが 「使えるモデル」とは限らない
   2. 3.2 時系列データの 　　特徴把握と前処理
      1. 3.2.1 時系列データ特有の3つの特徴把握方法
      2. 3.2.2 準備(必要なモジュールとデータの読み込み )
      3. 3.2.3 時系列データの変動成分の確認
      4. 3.2.4 時系列データが定常かどうかの確認
      5. 3.2.5 自己相関の確認
   3. 3.3 時系列の予測モデルを 　　構築してみよう
      1. 3.3.1 構築する予測モデルとサンプルデータ
      2. 3.3.2 実務で最も利用されているARIMA モデルのちょっとしたお話し
      3. 3.3.3 ARIMA で構築する予測モデル
      4. 3.3.4 ホルトウィンターズで構築する予測モデル
      5. 3.3.5 Prophet で構築する予測モデル(ハイパーパラメータそのまま)
      6. 3.3.6 Prophet で構築する予測モデル (ハイパーパラメータ自動探索)
      7. 3.3.7 時系列特徴量を生成しテーブルデータを作ろう!
      8. 3.3.8 複数先予測
      9. 3.3.9 線形回帰で予測モデルを構築 (すべての変数利用)
      10. 3.3.10 線形回帰で予測モデルを構築 (REF法で変数選択)
   4. 3.4 季節成分が複数ある場合の 　　予測モデル
      1. 3.4.1 MSTLで複数の季節成分を分解
      2. 3.4.2 TBATSで構築する予測モデル
      3. 3.4.3 ARIMAXで構築する予測モデル
      4. 3.4.4 時系列特徴量を生成しテーブルデータを作ろう!
      5. 3.4.5 線形回帰で構築する予測モデル
   5. 3.5 多変量時系列データの 　　特徴把握と因果探索
      1. 3.5.1 多変量時系列データと時系列グラフィカルモデル
      2. 3.5.2 相互相関係数によるアプローチ
      3. 3.5.3 因果探索モデルによるアプローチ
      4. 3.5.4 VAR モデルで実施
      5. 3.5.5 非ガウスSVAR (VAR-LINGAM) モデルで実施
4. 第4章 時系列データを使った ビジネス成果の上げ方
   1. 4.1 データでビジネス成果を上げる 「データ活用ストーリー」
      1. 4.1.1 データ活用ストーリーとは何か?
      2. 4.1.2 データ活用の3ステップ…
      3. 4.1.3 データから生成する3種類の情報 (インテリジェンス)
   2. 4.2 時系列データの異常検知
      1. 4.2.1 検知したい異常 (外れ値と構造変化)
      2. 4.2.2 「教師あり学習」と「教師なし学習」の使い分け
      3. 4.2.3 異常検知の過去・現在・未来
   3. 4.3 時系列データの要因探索
      1. 4.3.1 異常の要因探索と探索手法
      2. 4.3.2 変数間の関係性を事前に整理する
      3. 4.3.3 要因の種類
   4. 4.4 時系列データの将来予測
      1. 4.4.1 3種類の数理モデル
      2. 4.4.2 量と質を予測する
      3. 4.4.3 異常検知や要因探索との関係
5. 第5章 時系列データを活用した ビジネス事例
   1. 5.1 モニタリング指標の 　異常検知によるキャンペーン評価 　(自動車ディーラー)
      1. 5.1.1 事例説明
      2. 5.1.2 データセットと分析概要
      3. 5.1.3 Pythonの実施例
   2. 5.2 モニタリング指標の 　異常検知と要因探索 　( 小売りチェーン)
      1. 5.2.1 事例説明
      2. 5.2.2 データセットと分析概要
      3. 5.2.3 Pythonの実施例
   3. 5.3 売上予測モデルを活用した 　データドリブン販促 　 (小売りチェーン)
      1. 5.3.1 事例説明
      2. 5.3.2 データセットと分析概要
      3. 5.3.3 Python の実施例
   4. 5.4 離反予測モデルによる 　離反対策ルールの策定 　( 食品 ・ 法人向けビジネス)
      1. 5.4.1 事例説明
      2. 5.4.2 データセットと分析概要
      3. 5.4.3 Python の実施例
   5. 5.5 チャーンマネジメントのための 　離反時期予測 　(携帯電話サービス)
      1. 5.5.1 事例説明
      2. 5.5.2 データセットと分析概要
      3. 5.5.3 Pythonの実施例
   6. 5.6 LTVマネジメントのための 　LTV予測 (ECサイト)
      1. 5.6.1 事例説明
      2. 5.6.2 データセットと分析概要
      3. 5.6.3 Python の実施例
   7. 5.7 広告と販促効果を見える化し 　最適化する 　マーケティングミックスモデル 　 (スポーツジム)
      1. 5.7.1 事例説明
      2. 5.7.2 データセットと分析概要
      3. 5.7.3 Pythonの実施例