Data Analysis

• KPIのデバッグ、指標の急変（スパイクや低下）の調査、または数値が変化した理由の説明が必要な場合。
• A/Bテスト、コホート分析、またはファネルレビューを実施しており、単なる生の数値ではなく、統計的に妥当な解釈が必要な場合。
• エグゼクティブレポートやステークホルダー向けのブリーフを作成しており、データの羅列ではなく、意思決定につながる形で知見をまとめる必要がある場合。
• SQL、Pythonノートブック、スプレッドシート、またはBIツールのエクスポートを扱っており、難しい部分が分析的な判断（何を測定するか、どのように比較するか、それが実際に何を意味するか）である場合。

• 分析的な層を必要とせず、機械的なスプレッドシートの書式設定や生のSQL構文のサポートだけが必要な場合 — sql または csv のコンパニオンスキルで十分な場合があります。
• ライブダッシュボードやレポートパイプラインの構築または設定が必要な場合は、代わりに dashboard または business-intelligence スキルを検討してください。
• データ品質が低すぎる、またはサンプルサイズが小さすぎて信頼性のある推論をサポートできない場合 — このスキルはその点を指摘し、根拠のない結論を出すのではなく、サポートされていない結論をブロックします。

データに触れる前に、このスキルはすべての分析を具体的な意思決定に紐づけます。その意思決定のオーナーは誰か、結果がXかYかによって何が変わるのか、そして関連する時間軸はどれくらいかを明確にします。明確な意思決定のない分析は、未完成として扱われます。

すべての計算は、エンティティ、粒度、分子、分母、時間ウィンドウ、タイムゾーン、フィルター、除外条件、および信頼できるデータソースを含む明示的なメトリクス契約に基づいてロックされます。結果が提示される前に曖昧さが表面化されるため、定義が気づかないうちにずれていくことを防ぎます。

このスキルは、サンプルサイズの十分性、公平な比較グループ、多重比較のリスク、実用的有意性と統計的有意性の違い、および不確実性の定量化を検証します。結果は、偽りの点推定値ではなく、範囲（例：「12〜18%の改善」）として提示されます。

このスキルは分析上の質問を適切な手法に対応付けます：比較には仮説検定、予測には回帰分析、リテンションにはコホート分析、グループ間の差異にはセグメンテーション、異常なパターンには異常検知——それぞれに正しい主要アウトプットを伴います。

すべての結果は、回答・根拠・信頼度・留意事項・推奨される次のアクションという構成で整理されます。ステークホルダー向けの出力では、技術的な知見をビジネス上の示唆として伝えることを優先し、方法論から始めることはしません。

このスキルは、定義変更後に使い回されたKPI名、1つのグラフ内での集計粒度の混在、母数となる件数を示さないパーセンテージの表示、結論ありきのナラティブ探しといった分析上の落とし穴を、意思決定を誤らせる前に積極的に警告します。

製品実験の実施後、このスキルを使用して、サンプルサイズの検証、ノベルティ効果の確認、信頼区間を用いた効果量の算出を行い、結果が意思決定に使用できる状態か、さらなるテストが必要かを明示したステークホルダー向けブリーフを作成します。

主要指標が予期せず変動した場合、このスキルはメトリクス定義の検証、セグメント分解、時間粒度の一貫性確認、および交絡因子チェックを順を追って実施し、その変動が真のシグナルなのか、定義上の問題やデータ品質の問題によるアーティファクトなのかを特定します。

クエリの生の結果やノートブックの出力を、構造化された意思決定ブリーフに変換します。インサイトを冒頭に提示し、不確実性を定量化し、データから読み取れない点を明示し、次のアクションを推奨する形式で、経営層や部門横断的なステークホルダーへの報告に適した内容に仕上げます。

異なるユーザーコホートが時間の経過とともにどのように行動するかを分析し、獲得期間またはセグメント別に分類した継続率曲線を作成し、観察された差異が統計的に意味のあるものか、それともノイズの範囲内であるかを解釈します。