ビジネスデータをAIで分析する：集計から示唆出しまで

月次の売上データをExcelで開き、ピボットテーブルを組み、グラフにして、そこから「先月と比べて何が変わったのか」を言葉にする——この一連の作業を、AIに投げてしまう現場が増えています。集計そのものはAIが数秒で終わらせられますが、そこから先の「なぜそうなったのか」「次に何をすべきか」という示唆は、AIが出した文章をそのまま信じてよいものではありません。集計の精度と示唆の精度は別物だという前提を持たずにAIを使うと、誤った結論を自信満々の文章で受け取ることになります。

現状 — なぜ「AIに数字を読ませる」現場が増えているか

ChatGPTにはデータ分析機能（アップロードしたファイルを実際にコードで処理して集計・グラフ化する機能）が搭載されており、OpenAIはヘルプセンターでその使い方を公開しています※1。Claudeも同様にファイルを読み込んでの集計・分析に対応しています。業界調査でもAI活用が業務の各領域に広がっている傾向が示されており、McKinseyが継続的に実施しているAI活用に関する調査では、多くの組織で分析業務へのAI導入が進んでいるとされていますが、調査対象や設問設計によって数値の幅は大きく、具体的な割合は年ごとの調査資料で確認する必要があります※2。国内でも情報処理推進機構（IPA）がDX動向に関する調査報告を継続的に公表しており、業務データ分析へのAI・データ活用の広がりが取り上げられています※3。いずれも推計であり、自社の状況にそのまま当てはまるとは限りません。

AIが得意な集計、苦手な示唆出し

得意な作業

列の合計・平均・前月比などの機械的な集計、グラフの生成、外れ値の検出、複数シートの突き合わせは、AIが速く正確にこなせる領域です。人が同じ作業をすると数十分かかる集計が、数十秒で返ってくることも珍しくありません。

苦手な・注意が必要な作業

一方で「なぜこの数字が動いたか」という原因の推定は、AIが持っていない社内事情（キャンペーンの実施時期、営業体制の変更、季節要因など）を知らないまま答えを作ってしまう領域です。もっともらしい因果関係の文章が返ってきても、それはデータの相関から機械的に導いた仮説にすぎず、裏付けの検証を経ていません。ただし、こうした仮説の提示自体は無価値ではなく、人が検証すべき候補を絞り込む「たたき台」として使えば十分に有用です。

実践フロー — 集計から示唆出しまでの流れ

①分析の目的とデータの範囲を決める

「なんとなく傾向を知りたい」ではなく、「先月比で解約率が上がった要因の候補を3つ挙げたい」のように、答えるべき問いを先に言語化します。問いが曖昧なまま渡すと、AIも何を優先すべきか判断できません。

②生データではなく整形済みデータを渡す

列名が意味不明な社内システムの生エクスポートより、列名を整理し、不要な行を除いたシートを渡したほうが、集計ミスが起きにくくなります。個人情報や取引先名など不要な列は分析前に削除してください。

③集計・グラフ化をAIに依頼する

添付のCSVについて、月別の売上合計と前月比を計算し、
折れ線グラフで表示してください。
異常値（前月比±30%以上の変動）があれば該当月を教えてください。
集計方法（使った列・計算式）も併記してください。

④示唆を引き出す質問をする

集計結果が出たら、次の質問で仮説を引き出します。ただしここで返ってくる内容は「検証すべき仮説」であり「結論」ではないという前提を崩さないでください。

この集計結果から考えられる要因の仮説を3つ挙げてください。
それぞれ、データのどの部分から推測したかを明記してください。
断定はせず、あくまで検証すべき仮説として提示してください。

数字を鵜呑みにしないためのチェック

AIが提示した集計値は、少なくとも1箇所は自分でも手元の元データと突き合わせて検算してください。集計ロジック自体が意図と違う列を参照していたり、フィルタのかけ忘れで一部の行が抜けていたりする誤りは、出力された数字だけを見ていては気づけません。仮説についても、社内の担当者に一言確認するだけで、AIが知らなかった事情（システム障害があった、キャンペーン期間だった等）が判明し、仮説の優先順位が変わることがよくあります。

次の一歩

集計と仮説出しの型が身についたら、次は元になる資料そのものの扱い方です。分析対象のレポートやPDFを要約して意思決定の材料にする手順は長い資料をAIで要約する記事で扱っています。分析の前段階として競合や市場の情報を集める場合はAIで市場・競合リサーチを進める記事も参考にしてください。データの種類が変わっても、集計はAIに、解釈の妥当性検証は人に、という役割分担は変わりません。