データサイエンス Pythonで実証！時系列分析の実務でよくある課題と解決策（前処理・モデル選択・評価の判断軸）
時系列分析を実務で進めるとき、最初に何を確認し、どのように前処理やモデル候補を絞るべきかを Python で整理します。実質GDP、小売売上、複数系列の例を通じて、系列の構造確認から定常化、モデル選択前の判断軸までまとめます。
データサイエンス 
データサイエンス Pythonで実証！複数系列の関係をVARで捉える（時系列データ同士の影響関係を見るには？）
時系列データを1本ずつ見るだけで十分でしょうか？本記事では、多変量時系列モデル VAR を使って、GDP・消費・投資の関係を Python で実証しながら、複数系列を同時に扱う意味と使いどころを整理します。
データサイエンス Pythonで実証！実データに時系列モデルを適用してみる（ARIMA・SARIMAはどう使い分ける？）
時系列データを定常化したあと、次に必要なのはモデル化です。本記事では、ARIMA と SARIMA を Python で比較し、季節性のある系列でどちらが自然なモデルになるのかを実データで確認します。
データサイエンス Pythonで実証！実データに定常化手法を適用してみる（株価・GDP・売上データ）
株価・GDP・小売売上という実データを使い、差分・トレンド除去・季節調整による定常化をPythonで実証します。非定常性の原因を見極め、図示とADF検定で処理前後を比較しながら、実務で使える前処理の考え方を整理します。
データサイエンス Pythonで実証！非定常データを定常化する4つの方法（差分・トレンド除去・季節調整・ARIMA）
時系列データの分析では定常性の確認が不可欠。本記事ではPythonを使い、差分・トレンド除去・季節調整・ARIMAの4手法で非定常データを定常化する方法を解説します。
リードマネジメント実践録 リードマネジメント実践録2｜週1回15分の1on1で部下の“上質世界”を知る方法
リードマネジメント実践録の第2回。週1回15分の1on1を通じて部下の「上質世界」に触れた実録です。部下育成に悩む管理職の方に役立つヒントを紹介します。
データサイエンス Pythonで実証！トレンドや時間項を含むデータの定常性を検証し柔軟に分析する方法
実務データの多くはトレンドや時間項を含む非定常系列です。本記事ではPythonで6種類のデータを生成し、ADF検定とKPSS検定を用いて定常性を検証。非定常の原因を見極め、柔軟に分析手法を選ぶための実践例を紹介します。
リードマネジメント実践録 リードマネジメント実践録1：部下が自律的に動かない悩みと、私が見つけた解決の糸口
コンサル業界の人材育成は「本人任せ」が常識。超有能タイプではない部下を育成する責任を負ったマネジャーが、リードマネジメントを実践し始めた記録を公開します。
データサイエンス Pythonで実証！時系列分析の第一歩：定常性をADF検定で確認する
時系列データを扱うなら「定常性の確認」が必須。本記事ではランダム変数とランダムウォークを例に、PythonでADF検定を実行して定常・非定常を判定する方法を解説します。偽物の相関を避けるための第一歩を学びましょう。
子育て 幼児2人乗せ自転車で膝が当たる悩みを解決！サドルを後ろに下げる方法（図解付き）
幼児2人乗せ自転車で膝が当たる問題を解決！ショックアブソーバーを使いサドルを後ろに下げる方法を写真付きで初心者向けに解説します。