AI活用アナリティクス

🔄 前回のおさらい: レッスン4で3層の物語構造（What, Why, What to Do）、F字パターンのビジュアル階層、文脈なき数字をインサイトに変える比較を学びました。ここではAIをアナリティクスワークフローに追加し、手動分析の数時間をターゲットを絞ったインサイト発見の数分に変えます。

AIがアナリティクスを変える場所

AIはアナリティクス思考を代替しない——加速する：

AIでデータを探索する

最も価値の高いAIアナリティクス活用は、平易な言語でデータに質問すること。しかし回答の質は質問の質に完全に依存する。

文脈リッチプロンプトの公式：

[具体的な判断]について判断を下す必要があります。

データ：[アップロードまたはデータセットの説明]

ビジネス文脈：
- 戦略は[重点戦略]
- 懸念は[具体的な懸念]
- 判断のタイムラインは[いつ]

このデータを分析して以下を特定：
1. [判断に紐づく具体的な質問]
2. [2つ目の具体的な質問]
3. [3つ目の具体的な質問]

各発見について：
- データが何を示すか
- どの程度確信があるか（確信を高めるには何が必要か）
- どんなアクションを示唆するか

文脈の差：

✅ 確認クイズ: 「データを分析して面白いことを教えて」が文脈リッチプロンプトより劣る結果を生む理由は何か？

AIで異常検知

AIはデータの中の異常——ダッシュボードを走査する人間の目が見逃すスパイク、ドロップ、パターンの断絶——を発見するのが得意。

AI異常検知が捕捉するもの：

• 急変化：指標が通常範囲を超えて急上昇・急落
• 漸進的ドリフト：日々は目立たないが週単位では明確な緩やかな低下
• 相関の断裂：通常一緒に動く2指標の突然の乖離
• 季節偏差：前年同期と比較した異常なパフォーマンス

異常検知が教えないこと： 異常が重要か、原因は何か、どうすべきか。異常はシグナル——調査に値する仮説であり、行動すべき結論ではない。

データに異常を発見しました：[異常の説明]。

関連データ：[アップロードまたは説明]

調査を手伝ってください：
1. 実際の変化かデータ品質の問題か？
2. 最も可能性の高い説明は？（外部要因、季節パターン、内部変更を考慮）
3. 各説明を確認・排除するために必要な追加データは？
4. 本物のトレンドだとして、今後90日のビジネスインパクトは？

AIで予測分析

予測分析——これから何が起きるかの予測——はかつてデータサイエンティストと統計モデリングツールが必要だった。AIがそれを対話的にする。

AIがビジネスデータから予測できること：

• トレンド継続： 「現在の成長率が続くと6ヶ月後の売上は？」
• 顧客行動： 「近い将来の解約と一致するパターンを示すセグメントは？」
• キャパシティ需要： 「季節パターンと成長を踏まえ、いつ採用が必要？」
• シナリオモデリング： 「価格を10%上げた場合のコンバージョンと売上への影響は？」

予測→アクションギャップ： すべての予測に3つのフォローアップ質問が必要：

1. なぜ起きるのか？（根本原因）
2. 何をすべきか？（介入）
3. どう効果を測定するか？（測定）

✅ 確認クイズ: 予測→アクションギャップが予測アナリティクスの最も一般的な失敗ポイントである理由は何か？

まとめ

• AIアナリティクスは提供する文脈次第——「データを分析して」はノイズ、文脈リッチプロンプト（判断＋戦略＋懸念＋具体的質問）がアクショナブルなインサイトを生む
• AIはデータ探索、異常検知、予測分析、レポート生成に優れるが、4つすべてに解釈と行動のための人間の判断が必要
• 異常検知は異常をフラグするが重要性は判断しない——すべてのフラグに外部要因、データ品質、ソース内訳の調査が必要
• 予測アナリティクスには予測→アクションギャップがある：誰が解約するかを知るだけでは不十分で、なぜ（診断）、何をする（介入設計）、効いたか（測定）が必要
• 文脈リッチプロンプトの公式（判断＋データ＋文脈＋具体的質問）がAIを汎用統計エンジンからターゲット型アナリティクスパートナーに変える

次のレッスン： ビジネス課題を診断するための分析手法——コホート分析で行動を時系列追跡、ファネル分析で離脱ポイント発見、比較ベンチマークで何が機能し何が機能しないかを特定する方法を学びます。