幼稚園の展覧会 [ファミリー]
土曜日ですが、幼稚園の展覧会がありました。
幼稚園でどんなものを作ってとか、どんな絵を描いてとか、なかなか把握できてなかったのですが、展覧会に行ってみて、びっくり。
4月から1月くらいまでの作品がずら~っと並んでいました。
特に、1学期、2学期、3学期と同じ塗り絵をしている絵が飾っていましたが、どんどん上手くなっていっているのが分かります。
先生の頑張りっぷりも伝わってきます。w
幼稚園でどんなものを作ってとか、どんな絵を描いてとか、なかなか把握できてなかったのですが、展覧会に行ってみて、びっくり。
4月から1月くらいまでの作品がずら~っと並んでいました。
特に、1学期、2学期、3学期と同じ塗り絵をしている絵が飾っていましたが、どんどん上手くなっていっているのが分かります。
先生の頑張りっぷりも伝わってきます。w
ウルトラマンタロウのバッジ [ウルトラマン]
日曜日はウルトラマンタロウの日です。
昔のウルトラマンってちょっとオドロオロドしくて、ホラーちっくなところがあります。
いつも怖がりながら、布団に隠れて、隙間からテレビを見ている姿がほ微笑ましいです。
ブロックを使って、ウルトラマンタロウのバッジを作っていました。
よく見ているなぁ~ってのと、ブロックを組み合わせて自分で考え付いた発想が面白いです。
本物のバッジは、こんな感じ。
昔のウルトラマンってちょっとオドロオロドしくて、ホラーちっくなところがあります。
いつも怖がりながら、布団に隠れて、隙間からテレビを見ている姿がほ微笑ましいです。
ブロックを使って、ウルトラマンタロウのバッジを作っていました。
よく見ているなぁ~ってのと、ブロックを組み合わせて自分で考え付いた発想が面白いです。
本物のバッジは、こんな感じ。
ビッグデータの使い方・活かし方―マーケティングにおける活用事例 [マーケティング / 仕事]
朝野先生の新著。
とても人気で、Amazonでも品切れ状態みたい。
今度、新著の披露会があるそうです!
参加して、サインもらってこよっ♪
とても人気で、Amazonでも品切れ状態みたい。
ビッグデータの使い方・活かし方―マーケティングにおける活用事例
- 作者: 朝野 煕彦
- 出版社/メーカー: 東京図書
- 発売日: 2014/01
- メディア: 単行本
今度、新著の披露会があるそうです!
参加して、サインもらってこよっ♪
IBM SPSS Modeler(旧称Clementine)でオフセット関数のプッシュバック [データサイエンス、統計モデル]
ずっと、オフセット関数を使う場合、SQLプッシュバックってできないものと思っていました。
が、ウィンドウ(window)関数を使うことで同様の処理が出来ることがわかりました。
という書き方です。
IBM SPSS Modelerだと、オフセット関数を使う場合、何かの変数でソートをします。
その後で
@OFFSET(FIELD, EXPR)
という書き方をします。
たとえば、IDでソートをして変数 hoge の1つ前を持ってくる場合、
@OFFSET(hoge, 1)
と書きます。
これをウィンドウ(window)関数で書いた場合、
select
ID,
hoge,
lag( hoge, 2 )
over( order by ID ) as pre
from テーブル名;
と書けば、データベース(Netezza)側で処理させるので、ずっと高速に処理をすることができます。
が、ウィンドウ(window)関数を使うことで同様の処理が出来ることがわかりました。
LAG( 項目 ,[ 行数 ,デフォルト ] )
OVER( [ PRTITION BY 項目1,
[項目2,・・] ]
ORDER BY 項目1,
[項目2,・・] )
という書き方です。
IBM SPSS Modelerだと、オフセット関数を使う場合、何かの変数でソートをします。
その後で
@OFFSET(FIELD, EXPR)
という書き方をします。
たとえば、IDでソートをして変数 hoge の1つ前を持ってくる場合、
@OFFSET(hoge, 1)
と書きます。
これをウィンドウ(window)関数で書いた場合、
select
ID,
hoge,
lag( hoge, 2 )
over( order by ID ) as pre
from テーブル名;
と書けば、データベース(Netezza)側で処理させるので、ずっと高速に処理をすることができます。
JAL、4月から燃油サーチャージ引き上げ [【旅行】小旅行、旅行その他]
JAL、4月から燃油サーチャージ引き上げ
JALもANAも足並みそろえますので、ANAの燃油サーチャージも引き上げられることになるかと思います。
ちなみに、ハワイまでの燃油サーチャージですが、
~2014年3月31日発券まで、15,000円 /(1人あたり)
2014年4月1日~5月31日発券まで、16,000円 /(1人あたり)
です。
出発日ではなく、チケットの発券日なので、注意が必要です。
日本航空は5日、燃料価格に応じて国際線の航空運賃に上乗せする「燃油サーチャージ」を引き上げると発表した。
JALもANAも足並みそろえますので、ANAの燃油サーチャージも引き上げられることになるかと思います。
ちなみに、ハワイまでの燃油サーチャージですが、
~2014年3月31日発券まで、15,000円 /(1人あたり)
2014年4月1日~5月31日発券まで、16,000円 /(1人あたり)
です。
出発日ではなく、チケットの発券日なので、注意が必要です。
第72期名人戦・順位戦 A級 第8局 [将棋]
第72期名人戦・順位戦 A級 第8局が行われました。
トップの羽生善治三冠と渡辺明二冠がともに敗れたため、残り一局を残し、羽生三冠の名人挑戦が決まりました。
森内名人との名人戦は、春の風物詩になりつつあります。
さて、気になるのが降級争い。
谷川浩司九段の降級が決定していますが、残り一人は誰かが気になるところ。
降級の可能性があるのは、
屋敷伸之九段、郷田真隆九段、三浦弘行九段、久保利明九段の4人です。
3月7日のA級順位戦リーグ最終局で、
屋敷九段が負け ⇒ 屋敷九段が降級
屋敷九段が勝ち & 郷田九段が負け ⇒ 郷田九段が降級
屋敷九段が勝ち & 郷田九段が勝ち ⇒ 三浦九段と久保九段の敗者が降級
といった条件になります。
最終局の「将棋界の一番長い日」は、2014年3月7日(金)です。
トップの羽生善治三冠と渡辺明二冠がともに敗れたため、残り一局を残し、羽生三冠の名人挑戦が決まりました。
森内名人との名人戦は、春の風物詩になりつつあります。
さて、気になるのが降級争い。
谷川浩司九段の降級が決定していますが、残り一人は誰かが気になるところ。
降級の可能性があるのは、
屋敷伸之九段、郷田真隆九段、三浦弘行九段、久保利明九段の4人です。
3月7日のA級順位戦リーグ最終局で、
屋敷九段が負け ⇒ 屋敷九段が降級
屋敷九段が勝ち & 郷田九段が負け ⇒ 郷田九段が降級
屋敷九段が勝ち & 郷田九段が勝ち ⇒ 三浦九段と久保九段の敗者が降級
といった条件になります。
最終局の「将棋界の一番長い日」は、2014年3月7日(金)です。
ANAカードマイルプラス [マネー]
ANAダイナースプレミアムカードに変更してから、ANAのマイルをチェックすると、"ANAカードマイルプラス"といったマイルが付与されていました。
調べてみると、
とのことだった。
しかも、都度発生するわけではなく、〆日に合算されて付与されるので、端数の切り捨てが発生しないのが少しお得です。
たとえば、
セブンイレブン:200円(税込)=1マイル
マツモトキヨシ:100円(税込)=1マイル
となっています。
それにクレジットカードのマイル100円ごとに1マイルをプラスすれば、
セブンイレブン:100円あたり、1.5マイル
マツモトキヨシ:100円あたり、2マイル
の計算になります。
一方で、Edyマイルプラスってのもあります。
ダイナースで、「iD」や「Suica」のポイントをゲット
http://skellington.blog.so-net.ne.jp/2014-01-23
こちらは、Edyで支払うと、200円で2マイル付与。
それに、Edyへのチャージ代として、200円1マイルもらえます。
セブンイレブンは、ポイントプラス対象店舗ではないので、200円1マイル。
マツモトキヨシは、対象店舗なので、200円2マイル。
つまり、
セブンイレブン:100円あたり、1マイル
マツモトキヨシ:100円あたり、1.5マイル
の計算になります。
端数を考えれば、ANAカードマイルプラス対象のお店に関しては、Edyよりも直接ANAカードで支払うのがよさそうです。
調べてみると、
クレジットカード会社のポイント移行で得られるマイルとは別に、100円につき1マイルまたは200円につき1マイルが自動的にANAマイレージクラブの口座に積算されます。
とのことだった。
しかも、都度発生するわけではなく、〆日に合算されて付与されるので、端数の切り捨てが発生しないのが少しお得です。
たとえば、
セブンイレブン:200円(税込)=1マイル
マツモトキヨシ:100円(税込)=1マイル
となっています。
それにクレジットカードのマイル100円ごとに1マイルをプラスすれば、
セブンイレブン:100円あたり、1.5マイル
マツモトキヨシ:100円あたり、2マイル
の計算になります。
一方で、Edyマイルプラスってのもあります。
ダイナースで、「iD」や「Suica」のポイントをゲット
http://skellington.blog.so-net.ne.jp/2014-01-23
こちらは、Edyで支払うと、200円で2マイル付与。
それに、Edyへのチャージ代として、200円1マイルもらえます。
セブンイレブンは、ポイントプラス対象店舗ではないので、200円1マイル。
マツモトキヨシは、対象店舗なので、200円2マイル。
つまり、
セブンイレブン:100円あたり、1マイル
マツモトキヨシ:100円あたり、1.5マイル
の計算になります。
端数を考えれば、ANAカードマイルプラス対象のお店に関しては、Edyよりも直接ANAカードで支払うのがよさそうです。
大雪の中のデータ解析コンペ [データサイエンス、統計モデル]
朝から大雪で、電車が夜まで動くかどうかわかりませんが、データ解析コンペに行ってきました。
ECサイトの学生フリー編です。
場所は、慶応大学の矢上キャンパス。
日吉に着くと、激しく雪が横に降っていて、傘をさしていても痛い。
ドラクエに出てくる、凍てつく吹雪とはこのことか!って感じでした。
雪による交通傷害が予想されていたので、発表はスムーズに進んでいきました。
ECサイトのリコメンドを発表しているチームが多かったです。
個人的には、リコメンド関連なら、フリー編ではなく、課題編に出れば良かったのでは?と思う部分もありました。
また、協調フィルタリング関連の発表も多かったです。
アマゾンの影響なのか、ECサイトのリコメンド = 協調フィルタリングということなんでしょうかね。
協調フィルタリングって、そこまで良い精度が出せるとは思っていないのですが。。。
まぁ、わかりやすく、実装も簡単ってのはあるのでしょう。
ECサイトの学生フリー編です。
場所は、慶応大学の矢上キャンパス。
日吉に着くと、激しく雪が横に降っていて、傘をさしていても痛い。
ドラクエに出てくる、凍てつく吹雪とはこのことか!って感じでした。
雪による交通傷害が予想されていたので、発表はスムーズに進んでいきました。
ECサイトのリコメンドを発表しているチームが多かったです。
個人的には、リコメンド関連なら、フリー編ではなく、課題編に出れば良かったのでは?と思う部分もありました。
また、協調フィルタリング関連の発表も多かったです。
アマゾンの影響なのか、ECサイトのリコメンド = 協調フィルタリングということなんでしょうかね。
協調フィルタリングって、そこまで良い精度が出せるとは思っていないのですが。。。
まぁ、わかりやすく、実装も簡単ってのはあるのでしょう。
東京で26cmの大雪、戦後3番目 [ファミリー]
金曜日から降り始めた雪で、関東平野は真っ白。
外に出てみると、たくさんの子供たちがたくさんの雪だるまを作っていました。
東京だと、ここまでの雪を経験することってないですからね。
雪の上に寝っころがって、雪のスタンプをつけていました。
寒いけど、楽しそう~
いつもの公園も、雪が積もっているだけで、また別の公園になったようです。
雪で遊んだとは、お台場に行きました。
ゆりかこめも13時から動くってことで、出発は2時くらい。
レゴランドに行ってきましたが、さすがに、今日はガラガラです。
いつもこれくらい空いていると良いんですけどね…w
外に出てみると、たくさんの子供たちがたくさんの雪だるまを作っていました。
東京だと、ここまでの雪を経験することってないですからね。
雪の上に寝っころがって、雪のスタンプをつけていました。
寒いけど、楽しそう~
いつもの公園も、雪が積もっているだけで、また別の公園になったようです。
雪で遊んだとは、お台場に行きました。
ゆりかこめも13時から動くってことで、出発は2時くらい。
レゴランドに行ってきましたが、さすがに、今日はガラガラです。
いつもこれくらい空いていると良いんですけどね…w
インド料理の店 カザーナ お台場デックス東京ビーチ店 [グルメ / クッキング]
ポンパレでチケットを買って、「インド料理の店 カザーナ お台場デックス東京ビーチ店」に行ってきました。
3,300円が1,400円になります。
カレー3種やタンドリーチキンなど全9品とナンとサフランライスが食べ放題。
ただ、パパード(インドの豆せんべい)とかインドサラダ(スパイシーなサラダ)など、基本的に辛い!
子供には、厳しいお店でした。
お子様ランチ的なものはありましたが…
タンドリーチキンも美味しいんだけど、これも辛い。。。
子供たちは、ここまでほとんど食べれずに、ようやく待ちに待ったカレーの登場です。
元々、辛くないバターチキンを頼んでおいたけど、これは美味しかった。
辛さ控え目ですが、大人が食べても美味しいです。
ナンとサフランライスは、美味しかったらしく、たくさん食べていました。
冷静に考えてみると、大人二人で6,600円だったら高いけど、2,800円だったら、ありかなぁって思いました。
子供の料金はかからなかったのと、ナンとカレーは美味しかったので。
3,300円が1,400円になります。
カレー3種やタンドリーチキンなど全9品とナンとサフランライスが食べ放題。
ただ、パパード(インドの豆せんべい)とかインドサラダ(スパイシーなサラダ)など、基本的に辛い!
子供には、厳しいお店でした。
お子様ランチ的なものはありましたが…
タンドリーチキンも美味しいんだけど、これも辛い。。。
子供たちは、ここまでほとんど食べれずに、ようやく待ちに待ったカレーの登場です。
元々、辛くないバターチキンを頼んでおいたけど、これは美味しかった。
辛さ控え目ですが、大人が食べても美味しいです。
ナンとサフランライスは、美味しかったらしく、たくさん食べていました。
冷静に考えてみると、大人二人で6,600円だったら高いけど、2,800円だったら、ありかなぁって思いました。
子供の料金はかからなかったのと、ナンとカレーは美味しかったので。
めずらしく休日出勤 [マーケティング / 仕事]
今日は、めずらしく休日出勤です。
基本的に休日は仕事をしない派なんだけど…
この時期、通常業務は普通に忙しいのだが、それに加えて、インターンの学生の受け入れ、そして、自分自身のデータ解析コンペの分析と、やることが重なりすぎてしまった。
分析の時間がなくなってくると、意識的に、
・全体の最高の精度を出せるとしたら、だいたい○○くらい
・その中で、どこまでのデータを使ったら、そのベストモデルの何パーセントくらいになるのか
・そして、その計算時間は?
を事前に持つ持っておき、どこを重点的に分析し、どこを捨てるのか(分析しないのか)
といったことを考えるようになる。
時間をかければ、良いものは出来るだろうけど、時間がないことを言い訳にしたくない。
基本的に休日は仕事をしない派なんだけど…
この時期、通常業務は普通に忙しいのだが、それに加えて、インターンの学生の受け入れ、そして、自分自身のデータ解析コンペの分析と、やることが重なりすぎてしまった。
分析の時間がなくなってくると、意識的に、
・全体の最高の精度を出せるとしたら、だいたい○○くらい
・その中で、どこまでのデータを使ったら、そのベストモデルの何パーセントくらいになるのか
・そして、その計算時間は?
を事前に持つ持っておき、どこを重点的に分析し、どこを捨てるのか(分析しないのか)
といったことを考えるようになる。
時間をかければ、良いものは出来るだろうけど、時間がないことを言い訳にしたくない。
誰だ、人生をマラソンだって言ったのは [よもやま日記]
リクルートのCMって、ゼクシィのように印象に残るものと、これ何が良いたいんだっけ?ってCMがあります。w
これは、「あ~、良いなぁ。」って思ったCMでした。
金子 みすずの「みんなちがって、みんないい」的なメッセージです。
【公式】「すべての人生が、すばらしい。」リクルートポイントCM (120秒)
http://youtu.be/HMvNFqBOsdQ
タイトルを見ると、「リクルートポイント」ってあるので、リクルートポイントのCMなんだろうけど、おそらく、メッセージは観ている人には伝わっていないんじゃないかと思います。
ビジネス的に伝えたいことは伝わっていない気がしますが…(苦笑
ちょうどソチオリンピックの開会式と連動して流れていたみたいなので、そのあたりも上手い気がしました。
これは、「あ~、良いなぁ。」って思ったCMでした。
金子 みすずの「みんなちがって、みんないい」的なメッセージです。
【公式】「すべての人生が、すばらしい。」リクルートポイントCM (120秒)
http://youtu.be/HMvNFqBOsdQ
タイトルを見ると、「リクルートポイント」ってあるので、リクルートポイントのCMなんだろうけど、おそらく、メッセージは観ている人には伝わっていないんじゃないかと思います。
ビジネス的に伝えたいことは伝わっていない気がしますが…(苦笑
ちょうどソチオリンピックの開会式と連動して流れていたみたいなので、そのあたりも上手い気がしました。
全件でモデリングをした方が良いのか、サンプリングしてモデリングをした方が良いのか? [データサイエンス、統計モデル]
全件でモデリングをした方が良いのか、サンプリングしてモデリングをした方が良いのか?
「そりゃ、データがあるなら、全部使った方が、精度がよくなるんじゃないか?」と考えてしまいます。
昔は、そう思っていた時代がありました。w
しかし、最近では、サンプリングしてモデリングを進めた方が良いのでは?と思っています。
1 or 0 を予測するモデルを事例に、いくつかの切り口で考えてみたいと思います。
◆ その1 バランス調整
モデルによっては、1 と 0の比率がちょうど50%、50%の割合で出現する方が、1,0 を分類するにあたり、一番精度が出るモデルがあります。
インターネットなどのデータは、反応する人が少なく(1の割合が極端に少なく)、そのままでは高い精度を出すことができません。
だったら、出現率を調整した方が良いのでは?と。
ただし、これは全件データでも1を0と予測した場合の罰則のコストを高く設定することで、同様のことができます。
◆ その2 特徴量の作成
モデルの精度って、どのモデルを使うかによってのみ決まるわけではないです。
気の利いた特徴量(説明変数)を見つけるだけで、劇的に精度が上がります。
ということは、最初から、モデルを作成するために膨大な時間を費やすより、色々なモデルや特徴量を色々と試しながら、あたりをつけていく方が効率が良いでしょう。
最終段階において、全件データでモデルを流し直し、どれだけ精度が向上するのかを試すのはありかもしれません。
実際に、全件データを使った方が、若干精度が高くなる場合が多いような気がします。
ということで、最近は、ビッグデータを高速に処理できるデータベースが普及してきましたが、ハードに振り回されすぎないようにしたいものです。
「そりゃ、データがあるなら、全部使った方が、精度がよくなるんじゃないか?」と考えてしまいます。
昔は、そう思っていた時代がありました。w
しかし、最近では、サンプリングしてモデリングを進めた方が良いのでは?と思っています。
1 or 0 を予測するモデルを事例に、いくつかの切り口で考えてみたいと思います。
◆ その1 バランス調整
モデルによっては、1 と 0の比率がちょうど50%、50%の割合で出現する方が、1,0 を分類するにあたり、一番精度が出るモデルがあります。
インターネットなどのデータは、反応する人が少なく(1の割合が極端に少なく)、そのままでは高い精度を出すことができません。
だったら、出現率を調整した方が良いのでは?と。
ただし、これは全件データでも1を0と予測した場合の罰則のコストを高く設定することで、同様のことができます。
◆ その2 特徴量の作成
モデルの精度って、どのモデルを使うかによってのみ決まるわけではないです。
気の利いた特徴量(説明変数)を見つけるだけで、劇的に精度が上がります。
ということは、最初から、モデルを作成するために膨大な時間を費やすより、色々なモデルや特徴量を色々と試しながら、あたりをつけていく方が効率が良いでしょう。
最終段階において、全件データでモデルを流し直し、どれだけ精度が向上するのかを試すのはありかもしれません。
実際に、全件データを使った方が、若干精度が高くなる場合が多いような気がします。
ということで、最近は、ビッグデータを高速に処理できるデータベースが普及してきましたが、ハードに振り回されすぎないようにしたいものです。
ビデオリサーチのサンプル世帯が600人で良い理由 [データサイエンス、統計モデル]
朝野煕彦先生の『ビッグデータの使い方・活かし方―マーケティングにおける活用事例』を読んでいる。
本の中に書かれていましたが、首都圏における視聴率のサンプル世帯って600世帯らしい。
意外と少ないと感じたのだが、統計的にはそれくらいの対象者でも大丈夫って判断なのでしょう。
まず、視聴率の誤差を考えます。
視聴率の誤差が一番大きい時は、視聴率が50%の時。
逆に、誤差が0%に近づく、あるいは、100%に近づく時は、誤差が小さくなっていきます。
感覚的には、黒か白か、はっきりしないちょうど50%の確率の時に、サンプル数が一番必要になるってことなんでしょう。
標本誤差の計算方法としては、
標本誤差 = ±√(世帯視聴率(100-世帯視聴率)/標本数)
です。
標本数が600の時、世帯視聴率に対しての標本誤差は、
5%: 1.8%
10%: 2.4%
20%: 3.3%
30%: 3.7%
40%: 4.0%
50%: 4.1%
となります。
視聴率の大半が、10%~20%って考えると、視聴率の誤差は、2.4%~3.3%程度ってことが言えますね。
ということは、先週から視聴率が1%~2%上がったとか下がったって議論は、
「それって誤差の範囲内でしょう?」
とも言えますね。
ビッグデータの使い方・活かし方―マーケティングにおける活用事例
- 作者: 朝野 煕彦
- 出版社/メーカー: 東京図書
- 発売日: 2014/01
- メディア: 単行本
本の中に書かれていましたが、首都圏における視聴率のサンプル世帯って600世帯らしい。
意外と少ないと感じたのだが、統計的にはそれくらいの対象者でも大丈夫って判断なのでしょう。
まず、視聴率の誤差を考えます。
視聴率の誤差が一番大きい時は、視聴率が50%の時。
逆に、誤差が0%に近づく、あるいは、100%に近づく時は、誤差が小さくなっていきます。
感覚的には、黒か白か、はっきりしないちょうど50%の確率の時に、サンプル数が一番必要になるってことなんでしょう。
標本誤差の計算方法としては、
標本誤差 = ±√(世帯視聴率(100-世帯視聴率)/標本数)
です。
標本数が600の時、世帯視聴率に対しての標本誤差は、
5%: 1.8%
10%: 2.4%
20%: 3.3%
30%: 3.7%
40%: 4.0%
50%: 4.1%
となります。
視聴率の大半が、10%~20%って考えると、視聴率の誤差は、2.4%~3.3%程度ってことが言えますね。
ということは、先週から視聴率が1%~2%上がったとか下がったって議論は、
「それって誤差の範囲内でしょう?」
とも言えますね。
ウルトラマンのクレジットカード [ウルトラマン]
ウルトラマンのクレジットカードなるものがありました。
ULTRAMAN JCB GOLD CARD
http://www.orico.co.jp/merchant/m-78/index.html
オリコから発行されていますが、国際ブランドはJCBなんですね。
入会金無料、初年度無料です。
特典の
・オリジナルプレミアムカード
・ウルトラマンゴールドフィギュア
が目当て。
自分用というよりかは、息子用のクレジットカードですね。
元々、オリコ発行のイクスピアリカードを持っているので、審査はあっという間に終わり、すぐに発行されました♪
ULTRAMAN JCB GOLD CARD
http://www.orico.co.jp/merchant/m-78/index.html
オリコから発行されていますが、国際ブランドはJCBなんですね。
入会金無料、初年度無料です。
特典の
・オリジナルプレミアムカード
・ウルトラマンゴールドフィギュア
が目当て。
自分用というよりかは、息子用のクレジットカードですね。
元々、オリコ発行のイクスピアリカードを持っているので、審査はあっという間に終わり、すぐに発行されました♪
春のマルイバザールで、ウルトラマンタロウが出現 [ウルトラマン]
池袋のサンシャインシティで春のマルイバザールがありました。
他のファミリーセールとかでも使われる会場なので、けっこう大きい、すごい人でした。
4階のウルトラマンショップにウルトラマンタロウが出現!
抱っこしてくれそうな雰囲気だったので、宇宙防衛軍のお姉さんに確認すると、
タロウにお願いしてくれました。
タロウに抱っこしてもらい、大喜びの春飛。
手にはもちろん、ウルトラマンタロウの人形を持っています。
ちょうど今日曜日の6時半からウルトラマンタロウの再放送がやっており、それと連動しているんでしょうかね。
他のファミリーセールとかでも使われる会場なので、けっこう大きい、すごい人でした。
4階のウルトラマンショップにウルトラマンタロウが出現!
抱っこしてくれそうな雰囲気だったので、宇宙防衛軍のお姉さんに確認すると、
タロウにお願いしてくれました。
タロウに抱っこしてもらい、大喜びの春飛。
手にはもちろん、ウルトラマンタロウの人形を持っています。
ちょうど今日曜日の6時半からウルトラマンタロウの再放送がやっており、それと連動しているんでしょうかね。