DSの仕事を小例で体験｜データ・AI・4つの仕事を知る

このページはプロモーション（広告）を含みます。

データ・AI・4つの仕事を知る（初級・読む20分＋演習30分）

この授業のゴール

• 売上を「来店者数×購入率×客単価」に分け、増減の内訳を計算できる
• 内訳の計算結果から、言えること・言えないことを分けて分析メモに書ける
• 内訳の順序によって寄与の大きさが変わることを数値で示し、報告に条件を添えられる
• 分析の次に確認すべき事項（定義・期間・原因の候補）を依頼者に提案できる

仕事でどう使うか

データサイエンティスト（DS）の中心的な成果物は、意思決定者が読める分析メモです。難しい手法より先に、「問いを1文にする」「指標を分ける」「言えることと言えないことを分ける」という基本動作が評価されます。

実際の職場では、DSという肩書でも、データ基盤の整備や業務の改善提案まで担当する人がいます。肩書だけで担当範囲を決めつけず、成果物と意思決定で仕事を捉えることがこの授業の姿勢です。

前提

• データ・情報・判断の区別 → データ・情報・判断の違い
• 分析と予測と生成の区別 → 分析と予測と生成の違い
• 割合とパーセントポイント、客単価などの割り算 → 比率・割合・パーセントポイント
• 単位の確認 → 単位と桁と丸め

Pythonでは、関数（def 名前(引数): で定義する、入力を受け取り結果を返すまとまり）を使います。引数と戻り値は本文で説明します。

身近な状況：「売上が下がった。何とかして」

雑貨店「ことり堂」（架空）の店長から、DS担当者に依頼が来ました。

「今月の売上が先月より下がった。原因を調べて、来週からの対策を決めたい。」

まず、売上の定義を依頼者と揃えます。ここでは「税込、暦月、返品差引後」と確認できたとします。次に、手元の表です。

売上は68,000円（13.6%）減りました。しかし「減った」という一言では、対策が決まりません。どの部分が減ったのかを分ける必要があります。DSの最初の仕事は、この分け方を決めることです。

直感的な説明：売上を3つの掛け算に分ける

売上は、次の3つの掛け算で表せます。

売上 ＝ 来店者数 × 購入率 × 客単価

ことり堂の先月を代入します。来店者1,000人のうち20%の200人が購入し、1人あたり2,500円使ったので、$1000 \times 0.20 \times 2500 = 500{,}000$ 円です。

この形のよいところは、3つの要素が別の対策に結びつくことです。

売上が下がったとき、どの要素が下がったかが分かれば、手を打つ先が決まります。反対に、分けずに「売上を上げよう」と言うと、何もかもに少しずつ手を出して成果が見えなくなります。

正確な定義：要素分解と寄与（順次置換法）

記号を定義します。

• $V$：来店者数（人）。
• $r$：購入率（購入者数÷来店者数。0以上1以下の小数、単位なし）。
• $p$：客単価（円/人）。購入者1人あたりの売上。
• $S$：売上（円）。$S = V \times r \times p$。
• 添字0は先月、添字1は今月。

売上の変化 $\Delta S = S_1 - S_0$ を、3要素の寄与に分けます。ここでは順次置換法を使います。先月の値から出発して、要素を1つずつ今月の値に置き換え、そのたびの売上の変化を寄与とします。

$$\text{来店者数の寄与} = (V_1 - V_0)\, r_0\, p_0$$
$$\text{購入率の寄与} = V_1\, (r_1 - r_0)\, p_0$$
$$\text{客単価の寄与} = V_1\, r_1\, (p_1 - p_0)$$

この3つを足すと、必ず $\Delta S$ に一致します（途中の項が打ち消し合うため）。

ことり堂の数値を代入します。$V_0=1000$、$r_0=0.20$、$p_0=2500$、$V_1=800$、$r_1=0.225$、$p_1=2400$ です。

• 来店者数の寄与：$(800-1000) \times 0.20 \times 2500 = -100{,}000$ 円
• 購入率の寄与：$800 \times (0.225-0.20) \times 2500 = +50{,}000$ 円
• 客単価の寄与：$800 \times 0.225 \times (2400-2500) = -18{,}000$ 円

合計は $-100{,}000+50{,}000-18{,}000=-68{,}000$ 円で、実際の変化と一致します。

注意：この分解は「この順序で置き換えたときの寄与」です。順序を変えると数字が変わります（発展で確認します）。また、寄与の大きさは、原因の大きさを証明するものではありません。来店者数が減った理由は、この計算からは分かりません。

段階付き例題：分析メモを1枚書く

ステップ1：問いを1文にする。「今月の売上減（−68,000円）は、来店者数・購入率・客単価のどれが主因か。」

ステップ2：定義と範囲を書く。売上は税込、暦月、返品差引後。対象は店舗全体。チャネル別（店舗・オンライン）は今回の対象外。

ステップ3：分解を実行する。次のコードで、寄与を計算して全体と照合します。

def decompose(v0, r0, p0, v1, r1, p1):
    # 売上 = 来店者数 v × 購入率 r × 客単価 p の変化を、順次置換法で3つの寄与に分ける
    # 引数: v（人）, r（0〜1の小数）, p（円/人）。0が先月、1が今月
    # 戻り値: (来店者数の寄与, 購入率の寄与, 客単価の寄与)  単位は円
    effect_v = (v1 - v0) * r0 * p0
    effect_r = v1 * (r1 - r0) * p0
    effect_p = v1 * r1 * (p1 - p0)
    return effect_v, effect_r, effect_p

ev, er, ep = decompose(1000, 0.20, 2500, 800, 0.225, 2400)
total = 800 * 0.225 * 2400 - 1000 * 0.20 * 2500
print("来店者数", round(ev), "購入率", round(er), "客単価", round(ep))
print("合計", round(ev + er + ep), "実際の変化", round(total))

出力は「来店者数 -100000 購入率 50000 客単価 -18000」「合計 -68000 実際の変化 -68000」です。

ステップ4：結果を読む。来店者数の減少が−100,000円と、全体の減少（−68,000円）より大きい。購入率の改善（+50,000円）が減少の一部を打ち消し、客単価の低下（−18,000円）が少し重なっている。

ステップ5：言えること／言えないこと。

ステップ6：次の確認と提案を書く。来店者数の減少の理由を調べるため、(a)営業日数と曜日の並び、(b)近隣の動き、(c)曜日別の来店者数を確認する。そのうえで、集客施策を小さく試す案を出す。費用と担当、確認指標（2週間後の来店者数）を添える。

操作して理解する：数字を変えて寄与の動きを見る

同じ decompose 関数に、別の値を入れて結果を予想してから確認します。まず、関数を使う前に結果を紙に書いてみてください。

def decompose(v0, r0, p0, v1, r1, p1):
    return ((v1 - v0) * r0 * p0, v1 * (r1 - r0) * p0, v1 * r1 * (p1 - p0))

# (1) 来店者数だけ減る場合
print(decompose(1000, 0.20, 2500, 800, 0.20, 2500))
# (2) 購入率だけ下がる場合
print(decompose(1000, 0.20, 2500, 1000, 0.15, 2500))
# (3) すべて変わらない場合
print(decompose(1000, 0.20, 2500, 1000, 0.20, 2500))
# (4) 来店者数が減り、購入率と単価が上がる場合
print(decompose(1000, 0.20, 2500, 800, 0.25, 2600))

予想と答え：

• (1) 来店者数だけが変わる。寄与は $(-200) \times 0.2 \times 2500 = -100{,}000$ 円で、他は0。出力は (-100000.0, 0.0, 0.0)。
• (2) 購入率だけが変わる。$1000 \times (-0.05) \times 2500 = -125{,}000$ 円。他は0。
• (3) すべて変わらない。3つとも0。
• (4) 来店者数 $-100{,}000$、購入率 $800 \times 0.05 \times 2500 = +100{,}000$、客単価 $800 \times 0.25 \times 100 = +20{,}000$。合計は+20,000円。来店者が減っても、売上が増えることがある。

発展的な問い：(4)で、売上は増えていますが、来店者数は20%減っています。このとき「売上が増えたから問題なし」でよいでしょうか。来店者数は将来の売上の土台です。短期の売上と、来店者数という先行指標は、別に見る必要があります。

発展：分解の順序で寄与が変わる

順次置換法は、要素を置き換える順序で寄与が変わります。ことり堂で、順序を「客単価 → 購入率 → 来店者数」に変えてみます。

v0, r0, p0 = 1000, 0.20, 2500
v1, r1, p1 = 800, 0.225, 2400

# 客単価 → 購入率 → 来店者数 の順に置き換える
s_a = v0 * r0 * p0                  # 先月
s_b = v0 * r0 * p1                  # 単価だけ今月
s_c = v0 * r1 * p1                  # 単価と購入率が今月
s_d = v1 * r1 * p1                  # すべて今月
print("客単価の寄与", round(s_b - s_a))
print("購入率の寄与", round(s_c - s_b))
print("来店者数の寄与", round(s_d - s_c))

出力は、客単価 −20,000、購入率 +60,000、来店者数 −108,000 です。本文の順序（−100,000、+50,000、−18,000）とは異なります。合計は、どちらも −68,000円です。

どちらが「正しい」わけではありません。要素が掛け算で結びついているため、同時に変わった分（たとえば来店者数の減少と購入率の上昇が重なる部分）をどちらの要素に割り当てるかで差が出ます。実務では、(1)順序を決めて資料に明記する、(2)順序を変えても結論（来店者数の減少が最大）が変わらないことを確認する、のどちらかを行います。ほかに、各要素の対数の変化で配分する方法もあります。いずれも「寄与」の定義であり、因果の大きさではありません。

もう1つの注意は、母集団の混合です。店舗とオンラインを合計した客単価と、別々の客単価では、構成比が変わると合計の値が動きます。合計だけで分解した結果が、チャネル別の結果と逆の傾向になることがあります（シンプソンのパラドックス）。チャネル別の確認は、演習で行います。

よくある失敗

失敗1：購入率を「購入件数÷来店者数」と取り違える

購入率の分子を、購入者数（人）ではなく購入件数（件）にすると、1人が複数回買ったとき、分子が増えて率が大きく見えます。

visitors = 800
buyers = 180             # 購入した人数（人）
orders = 216             # 購入件数（件）。1人が複数回買う場合がある
print("人ベース", buyers / visitors)
print("件ベース", orders / visitors)

出力は 0.225 と 0.27 です。同じ表なのに4.5ポイントも違います。「人」と「件」は別の単位です。

直し方：分析の最初に、分母と分子の単位（人か、件か）を書きます。「購入率＝購入者数（人）÷来店者数（人）」のように、式で確定します。

失敗2：寄与の大きさを「原因の大きさ」として報告する

誤った報告：「来店者数が−100,000円の原因で、これは近くの競合店のせいです。」

分解から分かるのはどの要素が動いたかだけです。なぜ動いたかは、別の確認が必要です。たとえば、今月が先月より営業日が5日少なければ、来店者数が減るのは当然の結果かもしれません。

# 営業日数をそろえて比べる（1日あたりの来店者数）
v0, days0 = 1000, 25
v1, days1 = 800, 20
print("先月 1日あたり", v0 / days0, "人")
print("今月 1日あたり", v1 / days1, "人")

出力は 40.0 人と 40.0 人です。営業日数が違う場合、1日あたりでは来店者数は変わっていなかったことになります（この数値は説明のための仮の例です）。

直し方：分解の後に、期間・営業日数・曜日・イベントなどの条件をそろえて再確認し、原因の候補は「確認が必要な仮説」として書きます。

失敗3：購入率の分子と分母の期間がずれている

購入率は購入者数÷来店者数です。ここで、来店者数を「その月に来た延べ人数」、購入者数を「その月に購入した人数（来店は前月でもよい）」で数えると、率の意味が変わります。

# 同じ月の中で、来店と購入を結びつけた場合
visitors = 800
buyers_same_month = 180
# 購入者の中に、前月に来店して今月購入した人が20人含まれていた場合
buyers_with_prev = 180
buyers_matched = buyers_with_prev - 20
print("来店と同じ月の購入率", buyers_matched / visitors)
print("期間がずれた購入率", buyers_with_prev / visitors)

出力は 0.2 と 0.225 です。定義の期間が揃っていないために、率が2.5ポイント過大になります（仮の例）。

直し方：分母と分子は、同じ対象・同じ期間で数えます。結びつけられない場合は、その制約を分析メモの「限界」欄に書きます。

まとめ

• 売上は来店者数×購入率×客単価に分けられ、要素ごとに対策先が異なる。
• 順次置換法の寄与は、3つの合計が売上の変化に一致する。順序で値が変わるので、順序を明記する。
• 寄与は「どの要素が動いたか」を示す。「なぜ動いたか」は別の確認が必要。
• 購入率の分子・分母は、単位（人か件か）と期間を揃える。
• 分析メモは、問い・定義・結果・言えること・言えないこと・次の確認・提案をまとめた1枚にする。

用語

要素分解（decomposition）

全体の量を、掛け算や足し算で、より小さな要素に分けること。

寄与（contribution）

全体の変化のうち、ある要素の変化に割り当てられる部分。原因の大きさとは限らない。

客単価（average spend per buyer）

売上を購入者数で割った値。購入者1人あたりの売上（円/人）。

順次置換法（sequential substitution）

要素を1つずつ今月の値に置き換え、そのたびの変化を寄与とする分解法。順序によって寄与が変わる。

よくある質問

DSは、機械学習を使わない仕事もしますか？

多くのDSの日常は、集計・分解・可視化・報告です。機械学習は手段の一つです。問いに答えるのに必要な最小の手法を選ぶのが基本です。職場によっては機械学習の運用まで担当する人もいて、肩書で範囲は決まりません。

なぜ最初に売上の定義を揃えるのですか？

税込・税抜、返品、期間、計上日で数字が変わるためです。定義が揃っていないまま分析すると、会議で「その数字は何ですか」と議論が止まり、分析の価値が下がります。

寄与は順序で変わるのに、使ってよいのですか？

使えます。ただし、順序を明記し、結論が順序で変わらないことを確認します。要素の掛け算を足し算に直す別の方法（対数を使う方法）もあります。目的は正確な分割ではなく、対策先の優先順位をつけることです。

分解して原因が分かったら、次は何をしますか？

原因の候補（営業日数、天候、競合など）を仮説として挙げ、確認する方法を決めます。確認できたものから対策案を作り、費用・担当・期限・確認指標を付けて提案します。

売上が増えているのに、来店者数が減っているのは問題ですか？

短期の売上だけを見ると問題なく見えますが、来店者数は将来の売上の土台です。単価の引き上げで売上を保っている場合、客離れが進んでいる可能性があります。複数の指標を並べて見ます。

分析メモには何を書けばよいですか？

問い（1文）、定義と範囲、結果（表1つ）、言えること、言えないこと、次の確認、提案（費用・担当・期限・確認指標）です。1枚に収め、数字には単位と期間を付けます。

確認問題

次に学ぶこと

次は MLの仕事を小例で体験 で、機械学習（ML）の仕事を、翌週の需要予測の小例で体験します。分解で見つけた要素（来店者数など）は、予測の入力候補になります。数値の扱いに不安があれば 平均・合計・中央値を手計算 に戻ってください。

この授業の確認問題だけで習得とはしません。ON03 の総合テストと、自力課題で判定します。