はじめに

データ分析の目的は、データに基づいて判断できるようにすることです。分析そのものが目的ではありません。経営陣が判断に使うグラフ、プロダクトチームに向けた実験結果のまとめ、研究者向けのモデル評価、日々の業務の指針となるダッシュボードなど、誰かが次の行動を決めるのに役立つ成果物を作ります。

R for Data Science で広く知られるようになった分析の進め方があります。まずデータを取り込んで整形し、次にデータの変換、可視化、モデル化を繰り返して理解を深めてから、結果を伝えます。

ChatGPT Work は、この一連の作業に適しています。データのクリーニング、仮説の検討、分析の実行から、再現可能な成果物の作成まで支援します。目指すのは、一度使って終わりのノートブックではなく、他の人が内容を検証し、結果を信頼して再実行できる分析です。

ユースケースの設定

手元のデータで答えたい問いを一つ選びます。問いが具体的であるほど、必要なデータ、確認すべき点、どのような結果を示せばよいかが明確になります。

分析例：高速道路に近い住宅の評価額

ここでは、次の問いを例に分析を進めます。

高速道路に近い住宅は、離れた住宅に比べて評価額がどの程度低いのでしょうか？

一方のデータセットには物件の評価額や売買価格が、もう一方には所在地、土地区画、高速道路までの距離などの情報が含まれているとします。モデルを実行するだけでは十分ではありません。入力データの信頼性を確かめ、結合方法を記録し、条件を変えても結果が成り立つかを検証したうえで、他の人が使える成果物にまとめます。

CSV ファイルや Excel ブックを添付するか、@google-drive で利用が承認されている Google スプレッドシートを名前で指定できます。データが手元のコンピューターにある場合は、デスクトップアプリを使えます。

ChatGPT Work

データの取り込み

まずファイルを添付し、ChatGPT に中身を確認してもらいます。これにより、次のような基本事項を把握できます。

• 各ファイルの形式は何か
• 各データセットは何を表していると考えられるか
• どの列が目的変数、識別子、日付、所在地、測定値に該当しそうか
• データの品質に明らかな問題があるのはどこか

この段階では結論を求めず、まずデータの一覧と内容の説明を依頼します。

入力データの整形と結合

実務では、多くの場合ここからが本番です。複数のデータセットがあり、どの列が主キーになるかが明確でない場合、単純に結合するとレコードが抜け落ちたり、重複したりするおそれがあります。

結合を実行する前に、ChatGPT に次の作業を依頼します。

• キー候補の値が一意かどうかの確認
• NULL 値の割合と書式の違いの把握
• 大文字と小文字、空白、住所表記など、明らかな表記のばらつきの統一
• 試験的な結合と一致率の報告
• 最終的な結合済みファイルを書き出す前に、最も安全な結合方法を提案

住所を正規化する、複数の列から区画識別子を作る、位置情報で照合するなど、適切な結合キーや照合方法を導き出す必要がある場合は、結合方法を採用する前に、それぞれの利点と欠点、例外となるケースを ChatGPT に説明してもらいます。

グラフを使った探索

モデルを選ぶ前に、グラフを使ってデータの特徴を把握します。住宅の例では、高速道路に近い住宅と離れた住宅を比較し、外れ値や欠損値の分布を調べます。見かけ上の価格差が、各グループに含まれる地区の構成や住宅の広さ、その他の要因で説明できるかも確認します。

どのグラフも、最初に設定した問いに沿って作成します。他の人が分析内容を検証できるように、有用な比較結果を保存しておきます。

問いに合ったモデルの構築

すべての分析に複雑なモデルが必要なわけではありません。まずは解釈しやすいベースラインモデルから始めます。

高速道路と住宅の評価額の例では、まず回帰モデルなど、結果を解釈しやすいモデルを使うのが妥当です。住宅の広さ、築年数、所在地といった関連要因を調整しながら、高速道路までの距離と評価額の関係を推定します。

ChatGPT に次の点を明示してもらいます。

• 目的変数と各特徴量の定義
• 調整に用いる変数と、その選定理由
• データリークのリスクと分析から除外したもの
• データの分割方法、評価方法、不確実性の推定方法をどのように選んだか
• 結果が何を意味するかを平易な言葉で説明

最初のモデルで十分な性能が得られなくても、その結果は役に立ちます。問題がモデル、特徴量、結合の品質、問いの立て方のどこにあるかを見極める手がかりになります。

分析結果の共有

分析は、他の人が結果を活用できて初めて役に立ちます。読み手の用途に応じた成果物を ChatGPT に作成してもらいます。

• 技術面で協力するメンバー向けの Markdown 形式のメモ
• 後続の業務で使うスプレッドシートや CSV ファイル
• 意思決定者向けに体裁を整えた文書や PDF
• 分析を再利用するためのノートブック、ダッシュボード、静的レポート

結果を解釈する際の注意点も含めるよう依頼します。結合の品質に問題がある場合、サンプルに偏りがある場合、モデルの前提が成り立つかどうかが不確かな場合は、その点を成果物に明記します。

任意：Python 環境の準備

プロジェクトで再利用可能なスクリプトやノートブックが必要な場合は、既存の Python 環境を使うか、再現可能な最小限の環境を用意するよう ChatGPT に依頼します。元のファイルは変更せず、分析結果、グラフ、最終レポートは別に保存します。ChatGPT Work で添付ファイルを分析する際に、あらかじめ Python 環境を用意する必要はありません。

プロンプト例

データセットの読み込みと内容の説明

結合方法の事前確認

解釈しやすい初期モデルの構築

関係者向けレポートの作成