数字は揃ってる、でも「示唆」が出てこない ― データ分析のAI活用プロンプト

先日、あるマーケティング担当者がこんなことを言っていた。「データはもう山ほどある。GAもBIツールも入れた。でも、上司に『で、どうすればいいの？』と聞かれると、うまく答えられない」。

データ分析の本当のボトルネックは、集計ではなく「解釈」だ。数字を並べることは誰でもできる。そこから「だから何なのか」「次に何をすべきか」を引き出すところに、一番時間がかかる。

AIにドメイン知識は足りない。業界特有の文脈も、社内の政治も、現場の肌感覚も、人にしかわからない。でも「仮説の叩き台を出す」「分析設計を構造化する」「レポートの骨格をつくる」なら、分析のスピードを確実に上げてくれる。

ここでは、データ分析の設計から報告までをカバーするプロンプトを9個まとめた。

分析の設計フェーズ

手を動かす前に、「何のために」「何を明らかにするのか」を固める。ここが曖昧だと、集計した後に「で、何がわかったんだっけ？」となる。

分析の目的と設計を整理する

分析に取りかかる前のチェックリスト代わりに使える。上司との認識合わせにも。

以下のデータ分析の目的と計画を整理してください。

ビジネス上の課題: [解決したい課題]
手元にあるデータ: [データの概要・種類・期間]
この分析の結果を使う人: [意思決定者は誰か]
期限: [いつまでに必要か]

以下を整理してほしい:
- 分析の目的（一言で言うと）
- 答えるべき問い（3つ）
- 必要なデータと不足しているデータ
- 適切な分析手法の候補
- アウトプットのイメージ（表/グラフ/レポートなど）

仮説を立てる

仮説なしに分析すると、ただの「数字いじり」になる。まず検証すべき仮説を言語化する。

以下のビジネス課題に対する分析仮説を立ててください。

課題: [具体的な課題]
現状わかっていること: [既知の事実やデータ]
使えるデータ: [手元にあるデータ]

以下を出力してほしい:
- 仮説（3つ）とその根拠
- 各仮説を検証するための分析方法
- 必要なデータ項目
- 仮説が正しかった場合の次のアクション
- 仮説が外れていた場合の次の一手

データを理解するフェーズ

データの全体像をつかみ、異常値や傾向を見つける。ここで「このデータ、信用できるのか？」を判断する。

データの概要を把握する

分析の初手。全体像をざっくり掴んでから、深掘りポイントを見極める。

以下のデータの概要を分析してください。

データの説明:
[データの概要、またはサンプルデータを貼り付け]

以下を出力してほしい:
- 基本情報（行数・列数・対象期間）
- 各カラムの説明と型
- 欠損値の状況と対処方針
- 基本統計量（平均・中央値・分布）
- 分析を進める前に気をつけるべきポイント

異常値を見つける

分析結果を歪める外れ値を事前に洗い出す。「なぜこの数字が異常なのか」まで考える。

以下のデータの異常値・外れ値を検出してください。

データ:
[データを貼り付け、または概要を記載]

特にチェックしたい観点: [急激な変化/極端な値/データ間の矛盾など]

以下を出力してほしい:
- 検出された異常値とその箇所
- 異常と判断した根拠
- 対処方法（除外/補正/調査が必要）
- 異常値が分析結果に与える影響

分析を実行するフェーズ

いよいよ本分析。目的に合った手法で、仮説を検証する。

統計分析の方法を相談する

「この仮説を検証したいけど、どの分析手法が適切かわからない」というときに。

以下のデータで統計分析を行う方法を教えてください。

検証したい仮説: [仮説]
データの概要: [データの種類・件数・カラム]
使っている分析ツール: [Excel/Python/R/BigQueryなど]

以下を出力してほしい:
- この仮説に適した分析手法とその理由
- 分析の手順（ステップバイステップ）
- 結果の解釈方法（何が出たらどう判断するか）
- 分析時の注意点
- 可能であれば、コードや数式のサンプル

セグメント分析をする

全体の数字だけ見ていると見逃すインサイトが、セグメントを切ると浮かび上がる。

以下のデータをセグメント分析してください。

データの概要: [データの種類・件数]
セグメントの軸: [顧客属性/行動パターン/購買額/地域など]
知りたいこと: [セグメント間でどんな違いがあるか]

以下を出力してほしい:
- セグメントの定義と分け方
- 各セグメントの特徴
- セグメント間の比較（数値つき）
- 有効なセグメンテーションの提案
- 具体的なアクションへの示唆

結果を伝えるフェーズ

分析結果は「伝わって初めて価値になる」。数字に詳しくない人にも、一発でわかるように。

分析結果をわかりやすくまとめる

経営層や非分析者向けに、「So What？」をはっきり伝えるためのプロンプト。

以下の分析結果を、意思決定者向けにわかりやすくまとめてください。

分析結果:
[分析結果を貼り付け]

報告の相手: [経営層/現場マネージャー/クライアントなど]

以下の形式で出力してほしい:
- サマリー（3行以内）
- 主な発見（3つ、数字つき）
- 数字の解釈（「この数字は何を意味するか」）
- 推奨アクション
- 分析の限界・注意点

レポートの構成を設計する

スライドや報告書の骨格をつくる。「何をどの順番で見せるか」が伝わり方を決める。

以下の分析結果を報告するレポートの構成を作成してください。

分析の目的: [目的]
主な発見: [発見を箇条書き]
報告の相手: [誰に向けて]
ページ数の目安: [枚数]

以下を出力してほしい:
- レポートの構成（章立て）
- 各章で伝える内容
- 入れるべきグラフの種類とその理由
- 強調すべきポイント
- 付録に回してよい情報

適切なグラフを選ぶ

「とりあえず棒グラフ」を卒業する。データとメッセージに合った可視化を選ぶ。

以下のデータを可視化するグラフを提案してください。

データの概要: [データの種類・構造]
伝えたいメッセージ: [増加傾向/比較/構成比/相関など]
使用場所: [報告書/プレゼンスライド/ダッシュボードなど]

以下を出力してほしい:
- おすすめのグラフ種類とその理由
- グラフの設定（軸・色・ラベルなど）
- 見やすくするためのポイント
- 避けるべき可視化の例とその理由

データ分析でAIを使うときの3つの約束

1. 機密データ・個人情報は入れない ― 社外秘の売上データや顧客の個人情報は絶対にAIに渡さない。ダミーデータや集計済みの数字で代用する。
2. AIの出力はたたき台。最終判断は人間 ― AIが出した仮説や解釈は出発点にすぎない。業界知識と現場感覚を掛け合わせて、自分の頭で検証する。
3. 浮いた時間を「示唆を考える時間」に使う ― 集計やレポートの雛形づくりが速くなった分、「この数字はビジネスにとって何を意味するか」を深く考える時間に回す。