もちろんデータ活用の本当の面白さは後者にこそ在り、上辺のデータ・マトリクスにおいてさまざまなパラメータ（母数）を新たに仮想投入すれば、マーケティングの文脈そのものをガラリと変えることが出来る。
そうなると、ターゲット顧客と商材のオプションは常に新鮮なチャレンジングタームたりうる。
…以上のような僕なりの見立てにより、特に商業分野を目指す学生諸君にデータ分析の真髄を紹介してみたいと、常々考えていた。
そこで偶々出会ったのが、今般紹介するこの本である。
『マーケティング・エンジニアリング入門 上田雅夫・生田目崇 著 有斐閣アルマ』
本書は、市場（消費者）における商品購入の動機分析および企業側へのフィードバックにつき、「データ収集～分析～解釈」を多元的に推し進める、その技術導入本である。
章立てごとに論旨のウェイトおよび方向は異なっているものの、しばしば同一の定義を編み替えての記述も多く、よって巻頭から順通り読み進めるのはやや退屈でもある。
そこで、収斂的な数理モデルを幾つか紹介する第４章「マーケティング反応の分析」に特に注目し、極めて略記ではあるが、以下に此度の【読書メモ】とする。
＜第４章 マーケティング反応の分析＞
そのためには、それらのデータを、販売当事者にフィードバックするための定量的な「原因のデータ」、および、更なる販売目的設定のための「結果のデータ」とに切り分けて分析することが有効である。
ここで、とくに原因のデータとしては、市場環境および競合他社のマーケティングという外部環境のものと、自社のマーケティングという内部環境のものがある。
原因のデータおよび結果のデータの、見かけ上の変動の中に埋没している真の姿を発見するために、確率論や統計学を活用した数値モデル化を為せば、原因のデータと結果のデータを因果的に連関させて表現出来る。
==============
① 或る商品 i の或る時点 j における販売数量を「結果のデータ」としてYijと表し、左辺におく。
一方、その同じ商品 i のその時点 j での販売価格を「原因のデータ」として Xij と表し、これを右辺におく。
このさい「原因のデータ（右辺）」においては、販売価格 Xji とは独立した在る要因を推定してパラメータαとし、一方で販売価格 Xij がもたらす影響の重みを推定しパラメータβとして掛けつつ、さらには誤差値をεと推定してこれも外部に加える。
ここまでの「結果のデータ（左辺）」と「原因のデータ（右辺）」をまとめたモデル式は；
Yij = α + βXij + εij
ここで、推定したパラメータ αとβを母数としつつ、販売価格と販売数量の関係式を作成することが出来る。
そのためには両者の誤差を最小とする「最小２乗法」を用いた回帰分析が必要。
② また、この同じ商品 i の販売価格と販売数量にて、或る消費者kが買うか買わぬかの選択確率を表す場合には、やはり推定パラメータαとβを母数として、「結果データ（左辺）」と「原因データ（右辺）」の回帰分析のためのモデル式を；
Yijk= α + βXijk + εijk
と表すことが出来る（なお誤差εも消費者kの購入意思の影響を受けている）。
また、推定パラメータαとβについての「尤度関数」の最大化を図れば、販売価格別の消費者kの選択確率を二項分布とする関係式を導ける。
③ ヨリ複雑かつ実践的な推定／モデル式も可能。
この同じ販売価格と販売数量にて、或るひとつの価格priceij あたりでのこの消費者kの価格反応度を、彼がロイヤルティ高い消費者である場合のパラメータβHpとロイヤルティ低い消費者である場合のβLpに分けるとする。
ここで、それら価格反応度はダミーデータ(0/1）で得点化し、この消費者kが高ロイヤルティであればHLik=1かつLLik=0、一方で彼が低ロイヤルティであればHLik=0かつLLik=1と数値化するものとする。
以上をまとめて、「結果データ（左辺）」と「原因データ（右辺）」をモデル式で表現すると；
Yijk = α + βHp priceij x HLik + βLp priceij x LLik + εijk
このモデル式と推定パラメータをもとに、たとえば、この商品 i の販売価格設定をさまざまに変えた場合にどの消費者がどのくらい購入しうるか、についてのシミュレーションが出来る。
むろん価格以外を変数においたシミュレーションも広範に出来る。
④ 「固定効果」と「変動効果」について。
或る商品 i の或る時点 j での販売における「原因データ（右辺）」にて、特定の原因による固定効果を推定してパラメータ αf とし、その原因による変量効果も推定して αr とする。
かつ、或る影響の重みによる（平均的な）固定効果を推定しこれをパラメータ βf とし、その影響の重みによる何らかのセグメント別の変動効果も推定してこれを βr とする。
これをまとめて、「結果データ（左辺）」と「原因データ（右辺）」としてモデル式にすると；
Yij = {αf +αr} + {βf + βr} Xij + εji
これにより、たとえばαを数量にかかるパラメータ、βは価格にかかるパラメータとして推定し、これらを母数とすれば、多様なシミュレーション分析の数式化が出来る。
パラメータをもっと増やせば、シミュレーションの多様化も増す。
=========================
…以上、第４章に例示されている「結果データ」＝「原因データ」のモデル式と推定パラメータの置き方について、ざっと掻い摘んで記してみた。
さて本書は第５章にて、これらモデル式とパラメータ（母数）設定における最適値の推定スキルとして、最小２乗法、最尤法と回帰分析、ベイズ定理の紹介 ─ などの数理分析手法を経て、マーケティング上のさまざまな目的関数の最大化ないし最小化をはかる「数理計画問題」に入っていく。
ここらに至ると、正直なところ僕にはやや難解で、いやもちろん読みぬこうとすれば出来るような気もするのだが、ちょっと面倒でもある。
とまれ、商学部や経済学部の学生諸君などは、本書がどのようなコンテンツの参考書であるかおおよその見当はつくのではないかと察す、とともに、ここにささやかに紹介したマーケティング・エンジニアリングの数理はＡＩディープラーニングにおける回帰分析計算などなどの数理演算とも包摂しあう分野であるから、そっちの分野からこちらに出張してくる読者も多いのではないかなと想像している。
とりあえず、此度の【読書メモ】はここでいったん終わらせることとする － が、第５章以降はさらに今後も読み進めてゆくつもりゆえ、或いはここに追記するかもしれない。
以上