1章　データ分析とは何か

01　データとは何か

• データとは
• 質的データと量的データ
• 構造化データと非構造化データ
• 一次データと二次データ

02　データから価値を引き出す4ステップ～DIKWモデル

• DIKWモデルとは
• DIKWモデルの具体例

03　情報をもとに知識を引き出すデータ分析

• 重要な役割を果たすデータ分析

04　ゴールはあくまでデータを価値に変えること

• データ分析により得られる成果

2章　データ分析の目的と取り組む前の注意点

05　データ分析の目的①現状の正確な把握

• 現状把握はデータ分析の第一歩

06　データ分析の目的②新しい出来事の結果の予測

• 予測結果を活用した的確な意思決定

07　データ分析の目的③物事の関係性の説明

• 未知の課題や関係性を見つけ出し，新しく価値を創出

08　混同を避けるため注意したい関連分野

• データ分析と混同しやすい関連分野

09　データ分析に取り組む前の注意点

• データ分析において注意するケース

3章　データ分析の代表的な手法

10　データの関係性を明らかにする分析手法

• データを構成する特徴量
• 回帰分析
• AI・機械学習による回帰分析
• 主成分分析
• 因子分析

11　データをいくつかのグループに分ける分析手法

• グループ分けは重要な分析手法の1つ
• 分類
• クラスタリング

12　データ間の差を比較する分析手法

• 施策の効果を考える際に役立つ分析
• 統計的仮説検定の注意点

13　データ間の因果関係を明らかにする分析手法

• 相関関係と因果関係
• 統計的因果推論

4章　データ分析を支える周辺技術とツール

14　ETLツール

• ETLツールとは
• ETLツールを利用するメリット
• 主要なETLツール

15　BIツール

• BIツールとは
• BIツールの役割
• 主要なBIツール

16　AutoML

• AutoMLとは
• AutoMLツールの主な機能
• 主要なAutoMLツール

17　データ分析プラットフォーム

• データ分析プラットフォームとは
• データ分析プラットフォームを利用するメリット
• オンプレミス型とクラウド型
• 主要なクラウド型データ分析プラットフォーム

5章　データ分析プロジェクトの企画から準備まで

18　データ分析プロジェクトとは

• データ分析プロジェクトの重要な要素
• データ分析プロジェクトとシステム開発プロジェクトとの違い

19　データ分析プロジェクトの全体像

• 企画→分析→評価の3ステップ
• 分析の企画
• 分析の実施
• 分析結果の評価

20　データ分析プロジェクトチーム体制と役割

• データ分析プロジェクトで必要な役割
• チーム編成時のポイント

21　プロジェクトのゴールと目標の設定

• 似ているようで異なる「ゴール」と「目標」
• ゴール設定のポイント～KGI
• 「目標」設定のポイント～KPI
• 密接に関連するKGIとKPI

22　解決したいビジネス課題と仮説の設定

• 課題と仮説の設定がプロジェクト成功の鍵
• ビジネスの目標達成を阻害している課題の明確化
• データ分析を用いた解決が適しているか確認
• 仮説の設定

23　プロジェクトのスコープ設定

• 曖昧にすべきでないスコープ設定
• スコープ設定のアプローチ
• スコープの変更管理，ステークホルダーとの合意

24　費用の見積もりと費用対効果の評価

• プロジェクトにかかる費用，ビジネス効果の事前確認
• 費用対効果の評価

25　分析方針の検討

• プロジェクト開始時に検討しておくべき要素
• 分析に必要なデータの特定と収集方法などの確認
• データを加工する方針の決定
• 使用する分析手法や可視化手法の選択
• 分析結果の評価指標の決定
• 分析結果のアウトプットイメージの検討

26　データを収集する準備

• 分析に必要なデータと入手手段の確認
• セキュリティ対策と法令遵守

6章　データ分析の実施

27　データの確認

• 生データの確認
• データの全体像の確認
• データの可視化
• 統計量を算出する
• データの全体像を確認した上で，分析に適したデータかどうかを確認

28　データの加工①データの形式を揃える

• データの加工を行う3ステップ
• データの形式を揃える
• 数値データ
• 日時データ
• カテゴリデータ
• 名寄せ

29　データの加工②データクレンジング

• データクレンジング
• 外れ値の処置の方針
• 外れ値の処置
• 欠損値の処置の方針
• 欠損値の処置

30　データの加工③データ構造の加工

• データ構造の加工
• データの統合
• データの抽出と集計
• データの正規化と標準化

31　データ分析①現状把握，将来予測，未知の関係性探索

• 現状把握
• 将来予測
• 未知の関係性探索

32　データ分析②数理最適化

• 数理最適化とは

7章　データ分析の結果の評価

33　分析結果の正確性の評価①回帰分析の評価指標

• 回帰分析の評価指標

34　分析結果の正確性の評価②分類問題の評価指標

• 分類問題の評価指標

35　分析結果の正確性の評価③モデルの汎化性能の評価

• モデルの汎化性能の評価
• AICとBIC
• 交差検証（クロスバリデーション）

36　分析結果の信頼性の評価

• 分析結果の評価には「信頼性」も重要
• 統計的有意性の評価
• データの品質評価

37　分析結果の洞察

• 洞察に有効な特異点，相違点，傾向性，関連性
• 可視化による特性の発見

38　分析結果のビジネス上の意味を捉える

• 重要な2つのポイント
• 相関関係と因果関係の区別
• ドメイン知識の活用

39　分析の改善・見直し①データの改善

• 分析は必ず改善や見直しを検討
• データの改善

40　分析の改善・見直し②手法の改善

• データの特性に適した手法への切り替え
• より高度なアルゴリズムへの変更
• モデルの性能向上テクニック

41　分析の改善・見直し③評価指標の見直し

• 評価指標の見直しは重要

42　分析結果の報告①報告に記載すべき事項

• 報告は重要なプロセス
• 報告のサマリー
• データ分析の背景と目的
• 分析に使用したデータの概要
• 分析方法とプロセス
• 分析結果
• 考察と推奨アクションの提言

43　分析結果の報告②報告書作成のポイントと注意点

• 報告は受け手の印象を大きく左右する
• ストーリーの考案
• 表現上の注意点
• 報告内容をわかりやすくする工夫
• 見栄えや表記ルールなどの基本を徹底する
• 表やグラフの活用
• 最後に見直しとリハーサル

付録　組織でデータを活用するために

01　効率的にデータを活用するための組織づくり

• 組織におけるデータ活用でよくある課題
• データガバナンスとデータマネジメント
• データパイプラインの整理
• データマネジメントを始めるための知識体系「DMBOK」

02　データ分析人材の確保

• データ分析人材に求められるスキル
• データ分析に必要な基礎知識
• どのようにして育成を行うか