データ解析とは？問い・前処理・手法の選び方を具体例で解説

2026年6月10日

著者: 与謝秀作

データ解析は、目的に合うデータを集め、状態や関係を調べ、判断に使える形へ整理する活動です。難しい手法を使うことが目的ではありません。「何が起きたか」「次に何を確認するか」を、データの定義と限界を添えて説明できることが重要です。この記事では、架空の問い合わせ分析を使い、問いの設定から前処理・計算・改善仮説までをたどります。

データ解析とは：分析との言葉の違いより答える問い

「解析」と「分析」、英語のanalyticsとanalysisは、文脈によって重なる使われ方をします。言葉を一律に分けるより、答える問いと成果物を決めましょう。たとえば「問い合わせが増えたか」には件数の集計、「どの流入経路で違うか」には条件をそろえた比較、「変更が増加の原因か」には因果を検証する設計が必要です。

記述・診断・予測・処方という分類は、問いを整理するためには便利です。しかし後の段階ほど常に価値が高いわけではありません。受理された問い合わせ数を正しく数えられない段階なら、複雑な予測より定義と重複の確認が先です。NISTの探索的データ解析の説明も、データの構造や外れ値、仮定を調べる姿勢を重視しています。

目的・対象・指標・集計単位を決める

同じ「件数」でも、一行がページ表示、セッション、問い合わせ、顧客のどれを表すかで意味が変わります。まず対象と単位を紙に書き、集計の責任者と確認します。以下は、架空の本番Webサイトで「相談ページからの受理を改善する」という問いに使う要件表です。

項目	この例での定義	確認すること
目的	相談ページを入口とする訪問の受理状況を確認する	増減を見たあとに誰が何を判断するか
対象・期間	同じ本番ホスト・ページ群、同じ長さの前期と後期	タイムゾーン、流入条件、テスト除外をそろえる
問い合わせ明細の一行	問い合わせIDに対応する受信記録	再送ログと別の問い合わせを区別する
比較の集計単位	対象ページ群を入口とするセッション	分子も同じセッション集団から数える
成功条件	業務システムで受理を確認した操作	開始・送信試行・受理成功の違いを検証する
取得元・責任者	許可済みの計測と受理記録を担当者が照合	必要な情報だけを扱い、アクセスと保存条件を決める
不明値	流入元不明は不明のまま別集計	欠測をゼロや自然検索へ勝手に置き換えない

データ辞書には、列名だけでなく、単位、値の意味、取得元、更新時点を残します。「成功イベント」という名前だけでは受理が完了した証拠になりません。成功条件を確認できない場合は、成果指標を未測定とし、確認できる操作の集計と分けます。

欠測・重複・外れ値を確認し、処理ルールを残す

元データは組織の保存・アクセス条件に沿って保持し、加工用のデータと処理記録を分けます。欠測値は、未入力・取得失敗・対象外など理由が違います。pandasの欠測値ガイドでも、欠測の検出、除去、補完は別の処理です。処理ができることと、業務上その処理が適切なことは同じではありません。

次の6行は、前処理の考え方を示す独立した架空の受信ログです。問い合わせIDと受理状態は、この例では業務記録と照合済みとします。後のセッション比較表の元データではありません。

行・問い合わせID	記録内容	集計用データでの扱いと理由
1：Q101	本番・検索経由・受理済み	受理済みの1件として残す
2：Q101	行1と同じ受信の再送ログ	重複キーと内容を確認し、同じ受信を再度数えない
3：Q102	テスト環境・受理済み	本番集計から除外し、テストとして処理記録へ残す
4：Q103	本番・流入元不明・受理済み	受理の集計には残し、流入元は不明にする
5：Q104	本番・検索経由・未受理	成功には含めず、未受理として別集計する
6：Q105	本番・紹介経由・受理済み	受理済みの1件として残す

このルールでは、本番の重複を除いた問い合わせIDは4件、そのうち受理済みはQ101・Q103・Q105の3件です。これは問い合わせの件数であり、登録人数ではありません。訪問セッション数も示していないため、この表だけから訪問に対する受理率は計算できません。

外れ値も一律に削除しません。大口の取引か、単位の混在か、入力ミスかを元の記録に戻って確認します。除外する場合は理由と件数を残し、含めた場合と結論が変わるかも点検します。都合のよい結果にするための除外は、再現できる分析になりません。

記述・比較・関係・予測に合う手法を選ぶ

まず件数や分布を見て、問いに必要な範囲だけ手法を足します。以下は選定の目安です。どの手法でも、対象の偏りや計測の欠落を解消せずに使えば、見た目が精密でも誤った結論につながります。

問い	手法の例	必要な確認・推論の限界
何がどれだけ起きたか	件数・平均・中央値・分布	単位と分母をそろえる。平均だけでばらつきを消さない
属性や経路で違いがあるか	クロス集計・群別比較	各群の件数と構成を確認。属性差を原因と決めない
二つの量に関係があるか	散布図・回帰	外れ値やモデルの前提を調べる。係数だけから因果を断定しない
時間とともにどう変わったか	時系列の表・グラフ	期間、曜日、季節性、定義変更、別施策を確認
将来をどの程度予測できるか	予測モデルと未使用データでの評価	学習に使わない評価用データを確保。将来の精度を保証しない
変更が結果を生んだか	条件を設計した比較・実験	割り付けや他要因を検討。単純な前後差だけで断定しない

回帰はデータへモデルを当てはめて関係を調べる方法です。NISTの最小二乗回帰の説明は、当てはめとモデル検証の重要性を示しています。広告費と問い合わせが一緒に増えていても、需要が高い時期に両方が増えた可能性があります。広告費の係数をそのまま「追加予算による増分効果」と説明しないようにします。

架空データで集計から改善仮説まで進める

ここでは、別の架空データでセッション単位の比較をします。同じ本番ホスト・対象ページ群・タイムゾーン・同じ長さの期間を使用し、計測と受理成功の条件は検証済みで変更されていないと仮定します。分母は対象ページ群を入口とするセッション数、分子はその集団のうち同じセッション内で検証済み成功を少なくとも1回含むセッション数です。

指標	前期	後期
対象ページ群を入口とするセッション	200	300
検証済み成功を少なくとも1回含むセッション	10	12
上記の成功セッションの割合	10÷200×100＝5%	12÷300×100＝4%
前期との差	基準	成功セッションは2増、割合は1ポイント減

「成功セッションが10から12へ増えた」と「割合が5%から4%へ下がった」は、どちらも同時に成立します。流入が増えたため、成功の実数と割合は違う動きをしています。3回の成功イベントが同じセッションで起きても、ここでは1セッションです。イベント件数、人数、GA4のEntrancesという別指標を分子・分母へ混ぜません。

この段階でフォームの改悪とは断定できません。まず経路別のセッション構成、端末、対象ページ、受理エラー、季節性、他の施策や計測変更を調べます。成功が少ない場合は、数件の違いで割合が動くことも併記します。成功条件が未検証なら、同じ計算式にイベント数を入れず、成果比較は未測定と記録します。

相関・予測・因果を分け、検証と再現可能な記録につなげる

相関は一緒に変わる関係、予測は未知の値を見積もること、因果はある変更が結果を生む関係です。NISTの実験設計の説明は、相関だけで因果は示せず、第三の要因があり得ることを説明しています。売上が増えたという集計だけで「新規顧客が増えたから」と原因を確定することもできません。顧客数、購入頻度、単価などを分けて、必要な証拠を追加します。

分析メモ	今回の架空例で記録する内容
観測事実	成功セッションは10→12、割合は5→4%。同じ条件で集計した。
解釈候補	流入構成が変わった、特定端末でエラーが増えた、偶然の変動など。
追加で必要な証拠	経路別の分母・成功、エラーログ、計測変更履歴、許可範囲の操作確認。
次に試すこと	原因候補を確認し、必要なら説明や入力項目を一つずつ見直す。
評価条件	対象・成功条件・除外ルール・比較期間と、採用判断の基準を事前に決める。
限界と再現記録	少数の成功、未取得情報、処理ルール、データ取得日、集計方法を残す。