【ITパスポート試験】No.150｜データ分析

本記事では、業務で使用するデータをどのように洗い出し、整理・準備したうえで分析につなげていくのかという流れを押さえながら、「データの結合」と「データクレンジング」という代表的な作業内容について分かりやすく解説します。

1.　業務で使うデータの洗い出しと整理の重要性

この章では、分析の出発点となる「どんなデータを使うのか」を明らかにし、それを整理しておくことの重要性を、実務の流れに沿って説明します。

データの洗い出し

データ分析は、ただコンピュータに数字を入れてグラフを描けば完了するものではありません。最初の一歩は、業務の目的や課題を踏まえて「どのデータが必要か」「どこにそのデータがあるか」を丁寧に洗い出すことです。たとえば売上を伸ばしたいのであれば、売上金額だけでなく、顧客属性や購入チャネル、キャンペーンの実施状況など、原因を考えるために必要なデータを幅広く候補に挙げる必要があります。

このとき大切なのは、いきなり手元のシステムにあるデータだけを見るのではなく、「意思決定に必要な情報は何か」という視点から逆算して考えることです。現場の担当者へのヒアリングや業務フローの整理を通じて、今は記録されていないが本来は取っておきたいデータに気付く場合もあります。洗い出しの段階でこうしたギャップを見つけておくことで、今後の入力項目や帳票の見直しにもつながります。

データの整理と一覧化

洗い出したデータは、そのままでは部署ごとに形式がバラバラであったり、保存場所が異なっていたりすることが多いです。そのため、どのデータがどのファイルやシステムに存在するのか、どんな項目を持っているのかを整理して一覧化する作業が重要になります。例えば、「顧客マスタ」「受注データ」「アクセスログ」といった単位で、ファイル名や格納場所、主な項目名などを表にまとめておくと、後の作業がぐっとスムーズになります。

この整理の過程で、「同じ内容なのに名称が違う項目」や「ほぼ同じデータを複数のシステムで重複して持っている」といった問題点も見えてきます。これらはデータが食い違う原因にもなるため、どちらを基準にするのか、今後はどこに集約するのかといった方針を決めるきっかけになります。また、整理しているうちに、どのデータが日次・月次などどの頻度で更新されるのかも見えてくるため、分析のタイミングやレポートの更新周期を考える際の参考情報にもなります。

2.　分析前のデータ準備のテクニック

この章では、洗い出して集めてきたデータを分析に使える形に整えるための代表的な作業として、「データの結合」と「データクレンジング」について説明します。

データの結合

データの結合とは、複数の表やファイルに分かれているデータを、共通する項目を手掛かりにして一つにまとめる作業のことです。例えば、ある表には「顧客IDと名前」、別の表には「顧客IDと購入履歴」が記録されているとします。このとき、顧客IDをキーとして二つの表を結合すれば、「どの顧客がどの商品を購入したか」をひと目で確認できる一つの表を作ることができます。

実務では、販売管理システムのデータとWebアクセスログのデータを組み合わせて、「どの広告から来た人が実際の購入につながったのか」を調べるような場面もあります。このように、結合によってデータ間の関係を分かりやすくし、分析に必要な情報を一か所に集めることができます。ただし、結合に使うキーが正しく対応していないと、誤った結果になってしまうため、項目名だけでなく内容や形式までしっかり確認することが重要です。

さらに、結合の方法によっては「片方にしか存在しないデータ」を残すかどうかが変わります。例えば、購入履歴がない顧客も分析の対象にしたいのか、それとも購入が発生した顧客だけを見たいのかによって、結合の仕方を選び分ける必要があります。このような判断は、分析の目的と結果の解釈に直結するため、単に機械的に結合するのではなく、業務的な意味合いを考えながら作業を進めることが大切です。

データクレンジング

データクレンジングとは、分析に使う前のデータから誤りや欠損、矛盾などを見つけ出し、修正・除去してきれいな状態に整える作業のことです。現場から集められたデータには、入力ミスで桁数がおかしいもの、同じ顧客が微妙に違う名前で重複登録されているもの、必須項目が空欄のままのものなど、さまざまな「汚れ」が含まれています。これらをそのまま使うと、平均値や合計値が実態とかけ離れてしまい、誤った意思決定につながるおそれがあります。

具体的なクレンジングの方法としては、あり得ない値（例えば年齢が300歳など）を検出して修正したり、明らかな重複データを統合したり、日付や住所の表記ゆれを統一したりする作業があります。また、欠損している値について、他の情報から妥当な値を推測して補完する場合もありますが、その方法によって分析結果が変わることがあるため、どのように補完したかを記録しておくことが重要です。

クレンジングは地味で時間のかかる作業ですが、ここを丁寧に行うことで分析結果の信頼性が大きく向上します。逆に、どれだけ高度な分析手法を使っても、元のデータが信用できなければ意味がありません。データクレンジングは「データをきれいに整えて信頼できる状態にする作業」であり、堅実な分析の土台づくりだと押さえておきましょう。

まとめ

データ分析を行ううえで、最初に重要になるのは「業務でどんなデータを使っているのか」を洗い出し、それらの所在や内容を整理しておくことです。この段階で、分析の目的に対してどのデータが役に立つのか、またどのデータが不足しているのかを把握できます。データは集めれば終わりではなく、業務プロセスと密接に結び付いた形で設計し、蓄積していくことが求められます。

洗い出して集めたデータは、そのままでは形式や品質がバラバラで、分析に使いづらいことが少なくありません。そこで、複数のデータを結び付けて意味のある形にまとめる「データの結合」や、誤りや欠損を修正してきれいな状態に整える「データクレンジング」といった作業が必要になります。これらは高度な統計手法よりも前の段階に位置する、いわば「分析の下準備」です。

最終的に信頼できる分析結果を得るためには、この下準備をどれだけ丁寧に行えるかが大きな鍵となります。試験勉強では、データ分析の華やかな部分だけでなく、データの洗い出し・整理・結合・クレンジングといった地道なプロセスの役割や意味をしっかり理解しておきましょう。そうすることで、実務の現場でも役立つ、実践的なデータ活用のイメージが身に付いていきます。