ネットワーク分析のツール ネットワーク分析ってありますよね。 表面的な理解としては、こんな風情の図を描いたりするやつです。 頂点（node, vertex）と、頂点を結ぶ線（link, edge）の集まりとしての「グラフ」の性質を記述するグラフ理論というものがあって、これに基づいてたとえばソーシャル・ネットワーク上の人間関係とかが分析されたりするわけです。 ネットワーク分析のツールとしては、 igraph + Pythonによるネットワーク分析 ~ Blog of an immature researcher Python/NetworkXで簡単ネットワーク分析 - あんちべ！ 2章グラフ理論スピード入門 このあたりの記事を拝読すると、RやPythonのユーザとしては、iGraphってやつとNetworkXってやつを知っておけばよさそうです。 iGraphは（たぶん）Rのものが有名で、↑の
39. 実際の使用イメージ 試行数 アーム1期待値 アーム2期待値 アーム3期待値 活用or探索 0(0/0) 0(0/0) 1 1(1/1) 0(0/0) 2 1(1/1) 0(0/1) 3 1(1/1) 0(0/1) 4 1(2/2) 0(0/1) 5 1(2/2) 0.5(1/2) 6 1(2/2) 0.5(1/2) 7 8 0.66(2/3) 0.5(1/2) 9 0.5(2/4) 0.5(1/2) 10 0.4(2/5) 0.5(1/2) 0(0/0) 0(0/0) 0(0/0) 0(0/1) 0(0/0) 0(0/0) 0(0/2) 0(0/2) 0(0/2) 0(0/2) ・・・最も期待値の高いアーム 39 探索 探索 探索 探索 探索 探索 活用 活用 活用 活用 ランダム選択 引くアーム 結果 1 2 3 1 2 3 - アーム1 アーム2 アーム3 アーム1 アーム2
ホーム WACAについて WACA(一般社団法人ウェブ解析士協会)とは ウェブ解析士協会 会員制度 ウェブ解析士認定者照会 ウェブ解析士とは ウェブ解析士とは 認定資格 公式テキスト2024 公式問題集 ウェブ解析士インタビュー ウェブ解析士無料体験セミナー 法人会員について 受講可能講座一覧 お知らせ 重要なお知らせ プレスリリース メディア掲載 委員会・研究会の活動 イベント 会員向け 会員向けお知らせ 会員ログイン 支部について デジタルマーケティングを知る ビジネスに必要なスキルをウェビナーでFlashセミナー デジタルツール最前線ToyBox デジタルマーケティングの最新情報ウェブ解析士ナレッジ デジタルマーケティングを学ぶ 「実務に役立つ」 からこそ選ばれる資格ウェブ解析士認定講座 デジタルマーケティングの「実践者」になる上級ウェブ解析士認定講座 世界を変えるウェブ解析士を育て
PDCAは「小さな改善」を指すものではないし、そもそもWebサイト改善には向いてない。まずPDCAはP=計画ありきの「マネジメント」の話だし、Webはコントロールできない要素が多すぎて精度の高い計画立案が難しいからだ。 PDCAサイクルの出自は製造業の品質管理である。そしてPDCAという概念のキモは、「品質管理の話をしていると思ったらいつの間にかマネジメントの話をしていた。何を言っているのかry」である。例えば「C」は品質チェック作業はなく、品質のばらつき具合が事前の計画どおりだったかどうかを判断する。それはP=計画の検証そのものだ。製品の品質を管理するときに、単に品質チェックの「作業」を頑張ればいいのではない。品質の問題が生産工程全体のマネジメントの問題にスライドしていく。それがPDCAという概念の画期的な点だった。 だからPDCAというのは製造業だろうがWebだろうが、常にマネジメント
新卒でWeb系企業に入ってから6年間、webサイト改善の仕事に携わってきたけれど、いわゆるこの業界で言われる一般的な「Web解析」のやり方というのは、もう時代遅れなのではないかとこの半年くらい考えている。正確に言えば、Adobe Analytics（以下AA）やGoogle Analytics（以下GA)といった「Web解析ツール」を使ってWebサイトの課題を見つけて改善点を洗い出し云々……と言ったやり方は古いものになりつつあるのではないか、という話だ。 点の改善 線の改善 AAやGAといった従来のWeb解析ツールの弱点は、サイト全体でユーザがどのように動いているのか、つまりサイト上でのカスタマージャーニーを把握できないことだ。直帰率の高い入口ページを見つけて改善する、CVしているユーザがよく見ているページを見る……これらは基本的に課題がある、またはCVに寄与していそうな「点」を見つけて、
ソーシャルブックマークサービス「はてなブックマーク」のデータについて、大学や研究機関での研究目的で使用したいとのお問い合わせをいただくことがございます。データを学術研究などの分野でご活用いただくため、改めてはてなへのお問い合わせ方法についてお知らせいたします。 はてなでは、はてなブックマークのさまざまなデータについて、大学や研究機関での研究に利用していただく目的で提供しています。 データを研究目的で利用したい場合は、はてな利用規約をお読みいただいた上で、以下のお問い合わせ窓口よりご連絡ください。その際、「お問い合わせ内容」の部分に、所属する大学・研究機関名、利用したいデータの内容についてできる限り詳しくお書きください。はてなよりメールにてデータ利用の可否について回答させていただきます。 はてなブックマーク - お問い合わせ - はてな 提供可能なデータには一定の範囲を設けています。以下のデ
動機 これまで R + Google アナリティクス関連のエントリをいくつか書いてきた。 （Google アナリティクス - 廿TT を参照。） R は統計処理に特化した言語だが、もともとぼくが RGoogleAnalytics さわろうと思ったきっかけは、単に「Excel 苦手……。データ集計を使い慣れた R でさらっとやりたい」ということだった。 例えば、 「ここ1年半くらいのページビュー数上位10件のページ、月次推移で出しといて」 という程度のかんたんな作業も、手動でやるとけっこう面倒。 管理画面からやろうとすると、ページビュー数（PV）の多いページを一個ずつクリックしてエクスポート、バラバラのファイルをくっつけ直さなきゃいけない。 こういうのはスクリプト化してちゃっちゃと終わらせて早く帰りたい。 R による実践 「ここ1年半くらいのページビュー数上位10件のページ、月次推移で出す」
何気なくR-Bloggerのタイムラインを見ていたら、"CausalImpact: A new open-source package for estimating causal effects in time series | Google Open Source Blog"という記事がシェアされていたので見に行ってみたのでした。これはもう読んで字の如く「GoogleがキャンペーンがKPIにもたらす因果的影響を時系列から推定する」ためのRパッケージの話題で、その名も{CausalImpact}という。 ということで、ちろっと触ってみたので簡単にレビューしてみようと思います。本当は色々試してみたかったんですが、ちょっと手元に良いデータがないのでヘルプの事例のみでご勘弁を。。。 インストール 追記 (Jan 29 2020) 現在はCRANからインストールできます。 install.pack
取得したデータを基にした分析手法では、上位のサイトのデータ項目の傾向を機械学習させ、そのアルゴリズムを用いて順位を予想し、実際のGoogleでの順位との誤差でアルゴリズムの信頼度を決めている。また、これらの分析結果を解説する前に木村氏は、相関関係があるからといって必ずしも因果関係があるわけではないこと、相関が大きければよいわけではないこと、定量データ以外は計測できていない（今回のデータがすべてではない）ことを注意点として示している。 インデックス数が最も高い相関を示す続いて、ランクとの相関が大きい要素として圧倒的に大きかったのが「インデックス数」であったことを示す木村氏は、物理的にURLの配下にあるページ数がランクとの相関が大きいと説明する。 また、ディレクトリトップやサイトトップのインデックス数も相関が大きい要素として挙げられている。被リンク数に関連する要素（被リンク総数、被リンクサイト
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
