Teams会議でSnapchatのフィルターを使用する方法について。やり方調べてみると、さくっと出来たので、その手順を載せておきます。 ※念のためですが、ご利用は自己責任でお願いします。重要な会議でポテトになっても責任は取れませんのであしからず笑
プレミアリーグの放映権料周りの数字が公式サイトで公開されていたのでサクッと可視化していきます。データ自体は5月に発表されたものですが、プレミアリーグが始まるこのタイミングで改めて見てみたいと思います。
1ヵ月間「Kaggle Masterによるデータ分析技術者養成講座」なるセミナーを受講していました。DeNAでデータサイエンティストとして働く@yukrai17さんが、Pythonを使った機械学習のモデル作りについて教えてくれる講座で、データの作り方やモデルの検証方法まで…
前回の収益編に引き続いて、今度は各クラブの費用と利益について可視化していきます。 96lovefootball.hatenablog.com
前回Power BIを使って「Jクラブ個別経営情報開示資料」を可視化できるようにしたので、実際に色々と可視化してみます。各クラブがどういった収益構造になっているのか、ビジネスとして成功しているクラブがどこなのかを明らかにしていきます。 96lovefootbal…
個人的に毎年楽しみにしている「Jクラブ個別経営情報開示資料」。各クラブのPLとBSをまとめられているので、財務状況を比較して見ることが出来ます。しかしこの資料、PDF形式になっていて可視化や分析するには少々手間がかかるのです。そこで今回はPower BI…
下の記事にあるように、サッカークラブはスポーツメーカーと巨額のスポンサー・サプライヤー契約を結んでいます。現在の契約では最高額となるバルサの例では、年間約150億円を受け取る契約となっており、その金額の凄まじさが分かると思います。 www.indepen…
最終回は九州と沖縄編です。ここまで見てきた感じだと「人口が少ないと集客も厳しくなる、ただし多いからといって必ずしも集客が増える訳ではない」といった傾向でしたが、九州・沖縄ではどうでしょうか。早速見ていきたいと思います。記事の最後にこれまで…
これまでJクラブのスタジアム商圏と人口を可視化してきましたが、いよいよ残りは2回です。今回は中四国をまとめて見てきます。
前回から間隔が空いてしまいましたが、引き続き人口とスタジアムの関係を可視化していきたいと思います。今回は関西を見てみます。
前回に続いてAdobeのダッシュボードを解読していきます。今回は、Adobeの考えるカスタマージャーニーに沿ったKPIを表示している部分（下図4番）とジャーニーの各フェーズにフォーカスしたページが中心となります。
3月26日から米ラスベガスで行われていた「Adobe Summit」。その基調講演の中で、Adobeが実際に社内で使用しているダッシュボードが披露される一幕があったようです。そのダッシュボードを詳しく分解してみることで、Adobeが自分たちのビジネスをどのように捉…
引き続きJクラブのスタジアムの商圏内の人口を可視化していきます。今回はサッカー王国静岡県のある中部地方を可視化してみます。北海道・東北地方は商圏内の人口が多いほど観客数も多い傾向にありましたが、こちらはどうなのでしょうか。
前回に引き続きJクラブのスタジアムの商圏内の人口を可視化していきます。今回は北海道と東北地域を対象に可視化します。
先日参加したセミナーで鹿島アントラーズの方が「Jリーグの商圏はスタジアムから30km圏内」と言っていたので、各クラブが圏内にどのくらいの人口を持っているのかPythonで可視化してみようと思います。データが多いので地方別にアウトプットしていき、最後に…
今回はfoliumというPythonのライブラリを使ってコロプレス図を作成してみたいと思います。コロプレス図は、選挙の時などに使用される「データを元に区域毎に色分けされた地図」のことです。地域毎の統計データは豊富にありますし、何より可視化することで直…
ガジェットやテクノロジーを扱うギズモードでも取り上げられていたアンダーアーマー社の「HOVR Infinite（ホバー インフィニット）」を手に入れたので、早速走ってみたいと思います。使い方とどんなデータが取れるのかをメインに紹介していきます。 www.gizm…
昨年12月に発表された「Google Earth Studio（グーグルアーススタジオ）」。Google Earth Studioを使うと、上空から撮影したようなカッコいい映像が簡単に作れるとのことで、早速試してみたいと思います。今回は利用登録から動画にするまでの流れを紹介致し…
以前、2019年2月のアップデートで追加されたPower BIの新機能「Key Influencers visual」を紹介しました。非常に簡単に要因の分析を行えることが分かったので、今回はリヴァプールのスタッツデータを使用して、その要因分析を行ってみたいと思います。
本ブログではPythonを題材にすることが多いのですが、業務ではMicrosoft社製のセルフBIツールである「Power BI」を普段から使っていたりします。マイクロソフトが力を入れているツールの一つらしく、毎月結構な量のアップデートがあり、新機能の追加と痒い所…
今回はスクレイピングとはまた違ったデータ取得方法についてです。最近流行りのAPI（アプリケーションプログラミングインターフェイス）を使って、Twitterのデータを取得して見たいと思います。その後のネットワーク分析を見据えて、ハッシュタグをリスト化…
Twitterのデータを取得する方法にAPIを使うやり方があるのですが、これには通常のTwitterアカウントに加えて開発者アカウントなるものが必要だそうです。Google先生に尋ねると「審査が厳しくなった」などの記事がよく出てきましたが、意外とさっくり取れたの…
少し前の記事ですが、Twitterのタイムライン上に下記記事が流れてきました。全体として非常に興味深いのですが、個人的に冒頭の「2015年夏の渡英以来、プレミアのFWでタックルとインターセプトの合計数が最も多いという守備の貢献度を示すスタッツ」という一…
ネットワーク分析に挑戦した際に、Google Colabだとmatplotlibの日本語表記対応が出来ず詰んでいた（元データは全て日本語だったので）時に思いついた荒技の紹介です。「元データから全部英語に変換しちゃえばいいんじゃね？」との発想でググって見るとGoogl…
分析の環境が整いつつある昨今で大事になってくるのが元となるデータです。そのデータをWebから収集する技術であるスクレイピングに、これまでも何度か挑戦してきましたが、思い通りの結果が出なかったり意外と労力がかかっていました。今回は、そんな少しハ…
今回は選手別の出場時間のデータから、Pythonの描画ライブラリmatplotlibを使ってグラフィカルに可視化する方法をまとめておきます。グラフィカルに表示することで、下記の記事見たいなことが感覚的に分かります。 96lovefootball.hatenablog.com
Twitterで見つけた可視化にインスピレーションを受けて、プレミアリーグの選手別出場時間をヒートマップで可視化してみました。グラフィカルにすることで直感的に感じれる部分も多々あるので、そこを中心に見ていきます。
以前の記事で作成したmatplotlibを使った様々な棒グラフの描画方法について、今回も備忘録を兼ねて記載しておきます。 96lovefootball.hatenablog.com
今回はPythonではなくWatsonです。IBMのAIであるWatsonの機能を利用して、自動で予測モデルを作成してみたいと思います。まずは以前使用したリヴァプールの前半戦スタッツを使ってみますが、データ量が少ないので精度は出ないと思われます。まずはやってみる…
会社で働いている時に「次の会議の場所をFitbitで知れたらなぁ」と思ったことがきっかけです。自分が愛用している「Fitbit Charge 2」のデフォルト機能では通知できないのですが、どうやらサードパーティ製のアプリを使えば実現できるそうなのでやって見たい…
