2時間後、この3つを自分の言葉で語れるようになっていればOKです。帰宅後の飲み会で友人に説明できるレベルを目指します。

私たちは毎日、知らないうちに大量のデータを生み出し、同時にデータに支えられて生きています。意識していないだけで、すでにデータの恩恵を受けています。

分析の目的は大きく3つ。自分の仕事がどこに該当するかを意識すると、使う手法・必要なデータ・かかる時間が見えてきます。

「うちの業界では関係ない」は幻想。どの業界でも、既に競合はデータで戦っています。自分の業界の事例を頭に入れておきましょう。

・データドリブンは勘を否定するものではありません。勘の精度を上げ、再現性を持たせるのが目的。ベテランの勘 + データで最強になります。

・現場のデータは8割が「汚い」と言われます。分析より加工の方が時間がかかるのが普通で、データサイエンティストの業務時間の60-70%がここに費やされます。

分析は難易度と価値の順に、この4段階に整理できます。下ほど高度で、意思決定への影響も大きい。ただし現場の8割は①②で十分な価値が出ます。

よく混同される2つの言葉。分析では「データ」を「情報」に、さらに「知識」「知恵」へと変換するプロセスが仕事になります。この階層を DIKW ピラミッドと呼びます。

データは大きく2種類。両方を組み合わせることで、数字の背景にある理由が見えてきます。定量だけでも、定性だけでも片手落ち。

データは「どれだけ整っているか」で3種類に分けられます。非構造化データは全体の約80%とも言われ、これを扱える企業が強い時代に。

どちらも「真ん中」を表す指標ですが、意味が違います。使い分けを間違えると意思決定を誤る典型例。統計の第一関門です。

分析結果を聞く側としても、この3つは知っておくと騙されにくくなります。広告・ニュース・社内報告にも頻出します。

ツールに優劣はありません。扱うデータ量と目的で選びます。まずはExcelから、物足りなくなったら次へ。全部学ぶ必要はありません。

・SQLは「データベースに対する質問文」。英語に近い構文で、読めるようになるのは意外と簡単。データ職なら必修、非エンジニアでも学ぶ価値大。

・pandasというライブラリを使えば、SQLと似たことを数行で書けます。CSVを読んで集計する例。自動化・機械学習に進むなら必須の言語です。

データ関連の職種は多様化しています。自分の興味と強みから、どの方向に行くか考えてみましょう。兼務も多いですが、役割のグラデーションを把握しておくと便利。

今日の知識を前提に、次回からは手を動かすパートが増えていきます。各回で小さな成果物（グラフ・レポート・コード）を作っていきます。

この3つを同僚に説明できれば、今日の2時間は成功です。明日から、数字の見え方が少し変わるはず。チームのSlackでシェアしてみてください。