■25/1/3 11:55AM
竹書房 probability p
高確率なものは本能的行動
はっちゃんはフリー6局で行くと良いんじゃないか、抹茶とか中Eとか船着き場とかで、SODの内容を放送しておくと中和されるんじゃ
■勘違いが人を動かす 教養としての行動経済学入門論理も情熱も人を動かすには弱い
不安や同調や本能で勘違いさせ誘導する、思考の穴を突く 人は安定思考なのでバグらせないと行動変容させられない
ハウスフライ効果：特定の情報を繰り返し目にすることで、その情報が正しいと信じてしまう心理的バイアス
癖付け（教育も癖付け、広告も詐欺も思考に癖付ける、同調圧力もある種
心理的距離：共感度、遠ければ苦手な人とも上手く行く(共感せず上辺だけ) 相手の嫌なことは嫌なことで返し強化させない
■思考の穴思考には不具合がある、無知で勘違い何もわかっていないし、実は何もできないが出来る気になっている不眠に睡眠時間を増やすべき、では解決にならないだろ、相関や因果は分かれ メカニズムがあると思い込むと因果関係に相関関係がなくても信じてしまう綿密な計画を立てることでスムーズに進むと錯覚し逆に酷くなった→見積の倍を確保するとよいが、思考の穴があるやつの見積とは何ぞや？確証性バイアス、信じたことの裏付けの証拠ばかりを集め強化する、幸福度は高いが悪循環なら最悪→反芻しない、one more brand new day、正反対のことを検証すると避けられる流暢性の罠→動画を見ると踊れると勘違い→訓練をちゃんとする歴史、文化、経済、政治の信条的なバイアス→強い拒否感で問題になり易い、公正に公共の利益を守る別システムを意識的に再構築するしか
因果関係を誤信させる→共通点・類似性を提示しよう、原因と勘違いしてくれる大数の法則では少数より大数が常に優れ誤謬が避けられる→大数の統計データより個人のストーリーを発信し影響力を行使平均への回帰→調子がありより良い時もあればより悪い時もあるが好まれる方を押し出すネガティビティバイアス→5%避妊に失敗より95%避妊成功の方が印象良いので言い方保有効果→保有による愛着で痛覚、鎮痛剤が効き痛覚が低いと冷静、昔は損=死であったが現代は損切りも必要 押入から全部床に出して何を残すか（コンマリ断捨離で保有効果を回避し収得する感覚にする損失回避→期待値よりリスクを見て損をさけようとする、これも痛覚→期待値で設計するより得する感覚を押し出す利己→他者が置かれている状況を重ねられるようにする→ワーストケースシナリオを共有する 子供は嘘をつけない、他者の考えが違うことを知らないから、サイコパスと同じ利己遅延割引、確実性効果→遅れて得られる報酬の価値は割引れる、苦痛も先延ばししがち→即効性や100%を約束する マシュマロ待ちテストでまてた子はsatが高くなる、待つ期待値を正しく評価した方がいいかも、gritにも繋がる自己管理能力の高く社会的経済的地位が低いと心血管疾患が多い 困難なタスクには極端にハイレベルな自己管理力が必要 中レベルの自己管理力は高困難タスクにうまく対処できなかった→スーパーマンでなければ個人の幸福度を優先した働き方が良い？ア●公には必要な教養、高慢かつ神経質だから人気？→少し新規性があったが具体的には自分の経験として詐欺的に試すしか実感でけへんなぁ
■ベイズの定理原因Xが起こったもとで結果Yが起こるというのが条件付き確率の計算式P(Y|X)= P(X,Y)/P(X) X→Yが起こる確率をXで割っている
↓ベイズの定理は、結果Yが起こったもとで原因Xが起こる確率が分かるという逆を出せるP(X|Y)=P(Y|X)P(X)/P(Y) 条件付き事後確率を原因Xで掛けて結果Yで割るとYかつXである確率が分かるという神の数学↓元々の確率が尤度（ゆうど、likelihood、もっともらしさ、新しいデータ）を受けて確率がどう変化するか計算できるベイズ更新：一度求めた事後確率を事前確率として用いることで、新しいデータを入手するたびに、事後確率を更新して洗練することができる
ベイズの定理 とは？誰でも理解できるようにわかりやすく解説 | HEADBOOST
■ユダヤの商法 藤田田合理、契約、ケチ、疑い深い、信用、仕事お金至上金を巻き上げる/お金は奪い合い 取引額を倍々に増やし現地を耕した後に進出して直売りに変更等エグイ 日本の大企業の社員は自分の力を過大評価し世界では通用しない食を楽しむ 宗教上休みをきっちり取るし、食を楽しむやイイ女を囲ったり楽しんでる 風呂でシッカリ体を洗い清潔金持ち、女と口、好きなものより苦手なものを売った方が割り切れる ターゲットは金持ち/女性を狙う等、これは確実に見習いたい
田さん陳さん東大でGHQに通訳アルバイトし19に弟子入りし銀座のユダヤ人になった
買い切りかリピート購入/サブスクか、買い切りは長く続ける商売でなく店を畳んで違う商品をやる広告投資管理7割：年間に支払う平均金額(1年LTV)>客一人獲得に掛かる広告費上限(CPO)
■確率思考の戦略論
客引きもバンカーも運転手も世界各国で同じ雰囲気＞法則があるブランドに対する好意度：preference=ブランドイクイティ＋価格＋製品パフォーマンスプレファレンスが高いものはより高頻度で購入される＝＞シェア人はそれぞれのカテゴリのEvoked setを持ってる：エビス50黒ラベル30一番搾り20プレファレンスに基づいたエボークトセット持ち、その中のカテゴリーの購買回数分だけサイコロを振って選んでいるだけPreference好意度(ブランドイクイティ＋価格＋製品パフォーマンス)＋Awareness認知＋Distribution配荷年間購入者の全世帯に対する割合=認知率x配荷率x過去購入率xEvokedSet率x年間購入率年間売り上げ=総世帯数x1年間に買う人浸透率x平均購入回数x平均購入金額
シェア=参入順位xプレファレンスx宣伝費比率x間合い年数
どれだけ競合に比べて宣伝できているかが大きい
次回購入タイミング=平均購入回数xプレファレンス とかデータ化、確率見ていく差別化して先鋭化しても自社を選んで貰えるとは限らない 差別化でターゲットを絞ってマーケットが小さくなる危険性
ベストセラー＞観光大使/政府/首相＞人を巻き込みPRにコーラは原液販売に注力し現地生産フランチャイズにし配荷拡大した商品棚をその店/客のプレファレンスに合わせ配荷の質を改善都合が悪くなるとルールを変えてでも勝とうとする西洋人 スポーツマンシップは油断させるプロパガンダでしかないサイコパス：感情が意思決定の邪魔にならない＞選ぶストレス無しに最適判断できる ＋人心掌握（※勝ち馬しか人は選ばない、第一想起にどう入るか、高くても良い大量の広告を打つ オペを遅くしてでも行列を作る、先着サイコロ無料話題をつくる、ライトが明かる過ぎるとか目立つ店構え
＝＝＝＝
多変量解析
消費者の行動を左右する要素は様々だが、「絞り込むと本質的には3つ程度しか残らない」
最も重視すべきは「プレファレンス（相対的好意度）」。次にどれだけ知ってもらえているかという「認知」、その後、消費財であれば製品の手に取りやすさを示す「配荷」、テーマパークであればパークまでの「距離」が続く。企業が重視しがちな品質や技術力といった「パフォーマンス」の優先順位は低い。「新機能を搭載しただけでは、消費者に響かない」。相対的好意度、認知、配荷のどれかが足りないと、どんなにいい製品も埋もれてしまう。
商圏
テーマパーク業界の失敗例を調べ全国で閉園になった約50の遊園地を見ると、すべて需要を上回る投資をしていました。 需要は商圏の大きさやその人口を調べると分かります。明らかにお金を使ってはいけないところに投資をしていたのです。
可視化
思考力に強みを持つ人を「T（＝Thinking）型」、人とつながる力や伝える力が強い人を「C（＝Communication）型」、人を率いて動かす力を強みとする人を「L（＝Leadership）型」として、3つに分類し可視化。可能性の高い分野に資源を集中。
＝＝＝＝
国の大学教育の目標人材「思考力、判断力、俯瞰力、表現力の基礎の上に、幅広い教養を身につけ、高い公共性、倫理性を保持しつつ、時代の変化に合わせて積極的に社会を支え、論理的思考力を持って社会を改善していく資質」↓１）分野を超え先端の学問を学び時代の変化に合わせて積極的に社会を改善していく人材２）高度な教養と専門性がある人材３）高い実務能力がある人材
■データ解釈学入門garbage in garbage out ゴミを見てるとゴミしか出てこない測定が難しい、欲しいデータが取れないことの問題ランダム要素の和は正規分布が多い観測のプロセスがデータに既に影響を与えているピークが複数ある、外れ値等で分布を見ておきたい
実数を見たら割合も見る
因果関係が特定→メカニズム理解因果関係がある→介入で影響力出せる相関関係がある→予測できる
目的変数または従属変数 ワインの質説明変数または独立変数 天候温度等両方が量的変数なら重回帰分析目的変数がカテゴリ変数で説明変数が量的変数ならロジスティック回帰目的変数が量的変数で説明変数がカテゴリ変数なら分散分析や多重比較分析目的変数も説明変数もカテゴリ変数ならクロス集計表
予測は例外事象に弱い 内挿=interpolation データ内で完結 外挿=extrapolarion データがない領域の予測史上最高温度でのアイスの売上（1日2個食べる、暑すぎて外出控え買わない、他の流行
パーセンタイル 大小で並べた特定%分幾何分布
試行を繰り返し、初めて成功するまでに必要な試行回数をモデル化する離散分布。 例: コインを投げて初めて表が出るまでの回数。二項分布 一定回数の試行で、成功する回数をモデル化する離散分布。 例: 10回コインを投げて表が出る回数。負の二項分布 成功が指定回数起こるまでの試行回数をモデル化する離散分布。 例: サイコロを振って、5回目の「6」が出るまでの試行回数。ポアゾン分布 単位時間または単位空間内での稀な事象の回数をモデル化する離散分布。 例: 1時間内に受ける顧客の電話数。指数分布 事象が発生するまでの待ち時間をモデル化する連続分布。 例: 顧客が来るまでの時間。ガンマ分布 複数の指数分布の待ち時間を足し合わせた分布。 例: 3件目の電話がかかるまでの待ち時間。[Click for image]
誤差 error確率分布 probability distribution正規分布 normal distribution aka ガウス分布平均値 mean分散 variance最頻値 mode標準偏差 standard deviation確証バイアス confirmation bias相関係数 correlation coefficient交絡因子 confounding factor因果効果 causal effect平均処置効果 average treatment effect実験群 experimental group対照群 control group ゾロ投薬重回帰分析 multiple regression analysisサンプリング調査 sample survey二項分布 binomial distribution帰無仮説 null hypothesis対立仮説 alternative hypothesis有意水準 significance level正規性 normality等分散性 homoscedasticity樹状図 dendrogram汎化 generalization モデルが他のデータにも有効再現性 Reproducibility 他者が同じデータと方法で同じ結果を得られる
Replicability 独立した研究で同様の結果を得られる特異性 specificity妥当性 validity
納得感 plausibility整合性 coherence類似性 analogy誤謬 fallacy
■データサイエンス入門80分で学ぶ！Pythonによる回帰分析の基本【Pythonデータサイエンス超入門】 - YouTubejupyter notebook: pythonの実行環境、ラボラトリみたいなもの分析か機械学習かプロット打って線形から予測>重回帰分析>説明変数から目的変数を出すp<0.05場合により0.01なら説明変数に影響力があることが分かる p値が高いものは抜いたモデルでも良い
定数という意味で切片constant、で、これは必須
交互作用>説明変数の掛け算>特徴量データから重回帰分析結果を整理してモデルを作成>未来予測 説明変数間で相関が大きいマルチコしていると駄目
y軸との交点という意味で切片intercept
ロジスティック回帰分析は正誤判定の2項分布でS字グラフ、確率 ポアゾン回帰分析は発生回数で、正規分布
90分で覚える！Pythonによる機械学習の基本〜教師なし学習編〜【Pythonデータサイエンス超入門】セグメント分けk-means、ターゲットのセグメントを予測次元削減するとセグメントを出せる>寄与率(落した次元が落した情報残存率)セグメントの意味は人間が考える pcaならmodel_dim.componentsで要素出現をマップ化できるセグメントをさらに関係化し階層クラスタリングクラスタ数推測> エルボー法>自動推測ならx-meansアソシエーション分析> 同時発生調査、DAG関係性support(同時発生率)、confidence (Aの内のAB同時発生率)、lift (Bの内のconfidence率)
2時間で覚える！Pythonによる機械学習の基本〜教師あり学習編〜【Pythonデータサイエンス超入門】 - YouTube
機械学習：ラベルを教えターゲットのラベルを予測強化学習：報酬の定義を教え、最大化する行動を予想(解釈不能だが精度が高い回帰問題regression→数値で予測分類問題classification→ YかNか予測決定木分析:影響のある順に2択を繰り返す(データ偏りに弱い、精度が低いが解釈しやすいサポートベクターマシン (SVM: 綺麗に分ける線を見つけるランダムフォレスト: 決定木を沢山つくり多数決勾配ブースティング: 決定木を徐々に改善 (精度が高い精度:結果が分かっているデータを使った回帰モデルの誤差を2乗し平均を取る(平均2乗誤差 分類の精度は横)結果2×縦)予測2=4パターンの混同行列しかない。横の合計が実値、縦の合計が予測値 正解率(全体) 平均再現率(Y/Nそれぞれの正解率を平均: recall) 平均適合率(各予測の正解率を平均:precision) 平均F値(再現率と適合率の調和平均:f1-score)学習用とテスト用(結果を隠す)にデータを分け、モデルの精度を確認 学習用データでモデルの精度を計測>>テスト用データでモデルの精度を計測→過学習かも、同じ位が良い
Comment (0)
■25/1/1 5:49AM
law enforcement
■電子帳簿保存法一問一答
電子帳簿保存法一問一答（Q&A）～令和４年１月１日以後に保存等を開始する方～｜国税庁
電子帳簿保存法一問一答
電子帳簿保存法とは？対象書類や保存要件・改正内容についてわかりやすく解説 | 経営者から担当者にまで役立つバックオフィス基礎知識 | クラウド会計ソフト freee
法令/監査対応なら基本はオリジナル側で対応。もしデータロードした業務DB側でも法令/監査対応が必要なら要件を聞いて対応
データロードした業務DB側は利用上の保管の必要性があるようなら削除しない
法令上必要なもの: 帳簿、取引記録、財務、電子帳簿、金融取引、税法、賃金出勤、電気通信ログ、個人情報保護、マイナンバーあたり
検索して閲覧ができ状況を追えるようになっていればよさそう
オリジナルかどうか: EDIは最低の加工ができそう。領収書等は原本が必要。それぞれ要件が細かくある
■GDPR (General Data Protection Regulation)
EUのデータは欧州経済領域EAAの域外に持ち出せなかったのでは？：日本へは十分性認定がありOK？
個人情報や購買情報、行動履歴等の分析やデータ処理ができなかったのでは？
EU域内の個人データを対象
EUに拠点がない企業でも、EU域内の個人(データ主体)のデータを処理する場合にはGDPRが適用される可能性がある
EU域内の個人データを取り扱う場合の例: EU居住者向けのウェブサービス、オンラインストア、マーケティング活動
EU居住者の行動を監視する場合の例:ウェブサイトでのクッキーを使ったトラッキング
GDPRでの個人データは、特定の個人を識別できるあらゆる情報を指します。例えば:
名前、住所、メールアドレス、電話番号、IPアドレス、クッキーID、健康データ、財務情報など
正当な個人データ処理の根拠を確保することが必要です。例えば:
データ主体の同意(具体的で明示的な同意が必要)
契約の履行(契約を遂行するための必要性)
法的義務の遵守(例えば税務関液データ)
データ主体または第三者の重大な利益保護
特に日本の企業がマーケティング目的でデータを利用する場合、明確な同意の取得が重要です。
データ主体(個人)の権利を尊重する。以下の権利を持っています：
データへのアクセス権:自分のデータの確認を求める権利
修正権:不正確なデータを修正する権利
削除権:「忘れられる権利」として知られるデータ削除を要求する権利
データポータビリティ権:自分のデータを他社に移転する権利
日本の企業がこれらのリクエストを受けた場合、適切に対応できる体制を整える必要があります。
データ保護体制が必要です。例えば：
一定規模以上のデータ処理を行う場合、DPO (Data Protection Officer) を任命することが求められます
データの収集、処理、保管方法を文書化し、必要に応じて提出できる体制を整える
必要に応じてデータを匿名化または暗号化して保護する
データ時の対応計画が必要です。例えば：
GDPRでは、データ漏洩が発生した場合72時間以内に監督当局(例:EUのデータ保護機関)および影響を受けたデータ主体に報告する義務がある
漏洩時の対応手順を事前に策定しておくことが重要
日本での具体的対応：
プライバシーポリシーの見直し
GDPRに基づいたデータ収集目的、保管期間、権利行使方法の明記
データ処理者(プロセッサー)との契約確認
データを処理する外部業者(例:クラウドプロバイダー) もGDPR準拠が求められます。契約内容を確認し適切な管理を行う
越境データ移転の対応: EUから日本へのデータ移転には特定の条件が必要です。日本は「十分性認定」を受けており、一定の条件下でEUから日本へのデータ移転が認められます。
+++2010-08-09+++++++++++
個人情報保護法と特定電子メール法 ー Information privacy & antispam law
で下記を書いていたが滅茶苦茶ではないか？古い
■個人情報保護法
- 不要なものは破棄しろ
- あらかじめ伝えた目的外に使うな
- 要求にはできる範囲で対応しろ
- 利用目的、問い合わせ先を開示しろ
- 本人からの照会、訂正依頼には対応しろ
- データを管理しろ、データ委託先を監督しろ（責任はこっち持ちだ）
個人情報は同意を元に収集しその方法でのみ使用
利用目的が変わると同意の取り直しが必要
委託等第三者へ提供する場合本人に同意をとる
第三者から受け取った場合は記録を残す
安全管理を徹底させる
※例外としてのデータ提供が可能
警察、検察、弁護士会、からの照会、国への協力
生命、児童や公衆衛生に関する場合
※過剰反応はするな
5000人以下なら守らなくてもよい
目的に同意をもらえば名簿を配布できる等
http://www.caa.go.jp/seikatsu/kojin/index.html
↓
個人を識別できる情報
氏名だけ 携帯のIMEI等の番号だけ 顔写真 生存人物（プライバシーマーク：Pマークは死者も個人情報）
コンテキストによって地域と性別と身長などだけでも個人識別できれば個人情報になりえる
↓
以前は履歴情報や特性情報は氏名を切り離せば良かった
厳しくなるが利用すべきという声も
↓
免許証番号→個人情報
生体情報→個人情報
匿名加工情報→個人情報ではなく商店街や地域連携ができ目的外利用も
個人情報への紐づけをなくさなければならない
類推で個人特定できたもだめ（A町の198cm男はBさん）
匿名加工情報の具体的な作成方法 https://www.meti.go.jp/policy/it_policy/privacy/downloadfiles/tokumeikakou.pdf
■特定電子メール法
- 事前に同意を取れ（オプトイン）
- 同意の時期と方法を記録しろ（送信しなくなってから1ヶ月経過するまで）
- 送付者は誰か、受信拒否の通知先を表示しろ
- 不要意思があれば送るな（オプトアウト）
※次の場合は同意なしに送付できる
名刺をもらった相手、取引関係、サービス契約者に付随的に広告宣伝を含む場合、公表しているメールアドレス
http://www.soumu.go.jp/main_sosiki/joho_tsusin/d_syohi/m_mail.html
http://www.caa.go.jp/representation/index.html
http://www.dekyo.or.jp/soudan/
http://www.caa.go.jp/representation/pdf/091214premiums_1.pdf
http://www.caa.go.jp/representation/pdf/100401premiums2.pdf
■警視庁vs総務省
警察庁「サイバー犯罪条約では上限3カ月の保存を要請」
日本のISP事業者の多くが平均で半年間、大手では2～3年程度のログ記録を保全
総務省「情報流出によるプライバシー侵害を恐れ、早期消去を主張」
Comment (0)
■24/12/27 9:25PM
GitHub Actions
■労務管理のツボとコツ超高齢化社会、長時間労働は無理、効率化の改革が必要
柔軟な働き方、同一労働同一賃金採用は適切でない年齢制限は不可面接で聞けない 本籍、出生地、生い立ち、生活(間取り) 家族、職業、地位、収入、資産 信条、労働組合等試用期間14日、延長や有期変更も可(解雇予告は要る)5年超の契約社員は無期切替の主張が出来る 社員ではなく無期、定年後採用の場合は主張無理 クーリング期間6ヶ月の途切れがあれば期間通算できない残業 1日８時間、週40時間 36協定で月45時間、年360時間 繁忙期の特別条項、月100時間等にできる 月60時間超は5割増 管理監督者の残業代不要（深夜は出るが）パワハラに該当する可能性 暴行、傷害等の「身体的な攻撃」 傷や暴言等の「精神的な攻撃」 無視等の「人間関係からの切り離し」 進行不可能なことへの強制や仕事の妨害等の「過大な要求」 能力や経験とかけ離れた程度の低い仕事を命じること等の「週小な要求」 私的なことに過度に立ち入る「個の侵害」接待、ゴルフの経費が会社でも労働時間にはならないインターバル規制で終業時間から次の始業時刻の間に最低でも連続11時間の休息が要る健保の傷病手当金で三分の二が最長1年6ヶ月間でる8割以上出勤するとバイトでも有給要る、日数は勤務時間で違う備品等の損害賠償を社員に請求できる合同労組は社外で一人でも入れる労働審判は3回まで、初回までに全ての主張と証拠を出す就業規則は雇用形態に係わらず10名以上で届け出必要 社員代表の意見書添付、不利益変更は大方の同意か合理性が必要みなし労働とは？労働時間の計算が難しい場合に、実際の労働時間にかかわらず事前に定められた労働時間を働いたとみなす制度
■GitHub Actionsの動作内容はリポジトリ内に設定されている.github/workflows内のYMLにあるsteps: - name: Checkout uses: actions/checkout@v4
@以下はバージョン、特定のコミットSHAにもできる @3df4ab11eba7bda6032a0b82a6bb43b11571feac #v4 Commits · actions/checkout · GitHubonセクションにPushやPR作成やスケジュール実行等のトリガーや対象ブランチやパス等も書かれているSecretsや環境変数は、Terraformでクラウドプロバイダーにアクセスする場合等で、GitHub Actionsのsecrets で認証情報が設定されていることが多い。これらはリポジトリのSettings > Secrets and variables > Actions で確認可能。GitHub Actions でのシークレットの使用 - GitHub Docs
name: Deploy Terraform
on: push: branches: - main #この場合、mainブランチへのpushでトリガーされる
jobs: terraform: runs-on: ubuntu-latest steps: - name: Checkout code uses: actions/checkout@v3 - name: Setup Terraform uses: hashicorp/setup-terraform@v2 with: terraform_version: 1.4.0 - name: Initialize Terraform run: terraform init - name: Apply Terraform run: terraform apply-auto-approve #terraform planなしじゃ
Comment (0)
Navi: 1 | 2 | 3 | 4 >
-Home
-Column [130]
-Europe [9]
-Gadget [77]
-Web [134]
-Bike [4]
@/// BANGBOO BLOG ///
