・終章：統計手法のまとめと仕様の手順
・ビジネスで統計学を用いる場合の分析の手順
　手順①：重回帰分析／ロジスティック回帰で関連性を分析
　手順②：結果の解釈
　手順③：必要に応じて因子分析／クラスター分析で縮約
　手順④：t検定やz検定でA/Bテストを検証

・分析結果からアイデアを考える3つの方法
(1)説明変数を動かせるものの場合（例：施策やブランドイメージなど）
　回帰係数から「この説明変数を動かすことで
　何円分のインパクトがあるか」を概算で予測する
(2)説明変数を動かせないが、ずらすことはできる場合
　（例：性別、年代など）
　現在の店舗への来店客層が男女比1:1の時に、
　女性の割合が8割の店舗づくりを目指した場合、
　そこから得られる売上インパクトを概算で予測する
(3)説明変数を動かすこともずらす事もできない場合
　（例：天候、気温など）
　　売上は変わらないが、コストを下げて利益に繋げる観点で考える
　　雨の日の営業日の割合は減らせないが、
　　雨の日に合わせた仕入れや在庫を予測し最適化を狙う

・相関と因果を混合しないように注意する
　「因果の向きが逆」ということも考えられる
・そのためにも、儲かりそうなアイデアが見つかったら、
　最後はランダム化比較実験またはA/Bテストで検証する


（※以下は、補足情報＆備忘メモです）
・「次の一歩」の統計手法①：アイデア探索の新手法
・時系列分析（ARIMAモデル）
・経時データ分析（混合効果モデルなど）
・生存時間解析（コックス回帰、ハザード比）
　「一定時間あたり何倍の確率で起こりやすい／起こりにくい」
　　という結果が得られる
　（例）「1年間の間に退会したか」だけでなく、
　　　　「同じ退会するにしてもどれぐらい早く退会したか」を解析

・「次の一歩」の統計手法②：縮約における新手法
・構造方程式モデリング
　（アウトカムへの変数が直接的だけでなく間接的な関係性も分析）
・項目反応理論
・k-means++法
　（従来より効率的で安定した分類に落ち着かせる事ができる方法）
・カーネルk-means法
　（同じ半径のクラスターしか分類できない従来のデメリットを解消）
・x-means法
　（一定の基準にそって最適な数にクラスターを分割する方法）

・「次の一歩」の統計手法③：ランダム化比較実験による検証の新手法
・統計的因果推論
　（ランダム化比較実験ができない状況で
　　どう間違いなく検証するかという研究）
・周辺構造モデル
　（傾向スコアを用いた手法の一つ）

・ビジネスで統計学を用いる場合の分析の手順　
手順①：重回帰分析／ロジスティック回帰で関連性を分析
手順②：結果の解釈
手順③：必要に応じて因子分析／クラスター分析で縮約
手順④：t検定やz検定でA/Bテストを検証