9.10.3 プロジェクト：データ分析 Agent

この節の位置づけ

データ分析 Agent の本当の価値は、次のように「平均値を計算すること」だけではありません。

• 平均値を計算してくれる

ではなく、

「データを読む -> 分析する -> 結論を説明する」を、検証できる一連の流れにできるかどうか。

そのため、この種のプロジェクトは、複数ステップのツール協調や中間状態を見せるのにとても向いています。

学習目標

• データ分析 Agent の最小プロジェクト範囲を定義できるようになる
• データ入力、統計計算、説明出力を一連の流れにつなげられるようになる
• 最小サンプルで「検証可能性」を示せるようになる
• この題材を1ページの強いポートフォリオプロジェクトとして見せられるようになる

---

まずは地図を作る

データ分析 Agent は、「データを読む -> 統計を計算する -> 解釈を作る -> 表示方法を提案する」という流れで理解するとよいです。

flowchart LR
    A["入力テーブル"] --> B["統計計算"]
    B --> C["洞察を生成"]
    C --> D["グラフ提案 / レポート提案"]

この節で本当に解決したいのは、次の点です。

• データ分析 Agent はなぜ「pandas を呼び出せる」だけではないのか
• なぜ、最終的なひとことの結論よりも、検証できる中間過程のほうが大事なのか

---

プロジェクトの題材をどう絞るか？

まずは、次のような形にするのがおすすめです。

• 小さな表を読み込む
• いくつかの主要な統計量を計算する
• 統計量にもとづいて洞察の要約を作る

最初から次のような大きなものにしないほうがよいです。

• 自動 BI プラットフォーム
• 完全自動のレポート工場

初心者向けの、よりわかりやすいたとえ

データ分析 Agent は、次のような分析アシスタントだと考えるとよいです。

• 先に計算し、それから説明し、さらにどう図にするかも提案してくれる

普通の電卓との違いは、次の点ではありません。

• 計算が速いこと

違いはむしろ、

• 数字を、意味のある結論として整理できること

です。

---

まずは最小のデータ分析ループを動かす

この例では、次のことを行います。

1. 小さな売上表を読み込む
2. 総売上とカテゴリごとの平均を計算する
3. 簡単な分析結論を1つ出す

sales = [
    {"category": "course", "amount": 299},
    {"category": "course", "amount": 199},
    {"category": "book", "amount": 59},
    {"category": "book", "amount": 79},
    {"category": "service", "amount": 499},
]


def summarize_sales(rows):
    total = sum(row["amount"] for row in rows)

    grouped = {}
    for row in rows:
        grouped.setdefault(row["category"], []).append(row["amount"])

    per_category_avg = {
        category: round(sum(values) / len(values), 2)
        for category, values in grouped.items()
    }

    top_category = max(per_category_avg, key=per_category_avg.get)

    return {
        "total_amount": total,
        "per_category_avg": per_category_avg,
        "insight": f"{top_category} の客単価が最も高い。",
    }


result = summarize_sales(sales)
print(result)

実行結果の例：

{'total_amount': 1135, 'per_category_avg': {'course': 249.0, 'book': 69.0, 'service': 499.0}, 'insight': 'service の客単価が最も高い。'}

図の読み方

print された辞書を証拠の流れとして読む。元データからカテゴリ平均を作り、最大平均が insight になり、同じフィールドからグラフ提案を決める。

この例がすでにプロジェクトらしい理由

これは「計算」だけをしているのではなく、
次のことも含んでいるからです。

• 入力データ
• 中間統計
• 結論の出力

これで、最小のデータ分析ワークフローになっています。

なぜ insight が特に重要なのか？

ユーザーは、たいてい生の数字を見たいのではなく、
次のようなものを求めています。

• 意味のある結論

ここが、データ分析 Agent と普通の電卓の違いです。

初心者が最初に覚えやすいプロジェクト確認表

項目	最初に確認すべきこと
入力データ	フィールドの意味がはっきりしているか
中間統計	計算の基準が一貫しているか
insight	結論と数字が一致しているか
グラフ提案	グラフの種類がデータの形に合っているか

この表は初心者にとても向いています。
なぜなら、「データ分析 Agent」を、確認可能なワークフローとして見直せるからです。

図の読み方

この図は notebook の考え方で読みます。load data、profile schema、compute statistics、generate insight、suggest chart、write report の順です。各結論は、中間計算結果に戻って確認できる必要があります。

---

作品レベルのデータ分析 Agent が見せるべきものは何か？

入力データはどんな形か

次の点をはっきりさせるのがよいです。

• フィールド
• サンプル数
• 欠損値の有無

中間計算結果

たとえば、次のようなものです。

• 集計統計
• グループ化の結果
• 傾向の判断

最終的な説明

たとえば、次のようなものです。

• どのカテゴリの商品が最も良いか
• どの期間の変動が最も大きいか

グラフ提案

実際にグラフを生成しなくても、次のように出力できます。

• 棒グラフにするべきか、折れ線グラフにするべきか

これで、プロジェクトは実際の分析アシスタントにより近づきます。

---

最小の「グラフ提案器」を追加する

def suggest_chart(columns):
    if "date" in columns and "amount" in columns:
        return "line_chart"
    if "category" in columns and "amount" in columns:
        return "bar_chart"
    return "table"


print(suggest_chart(["category", "amount"]))
print(suggest_chart(["date", "amount"]))

実行結果の例：

bar_chart
line_chart

この小さなモジュールにはどんな価値があるか？

これは、このプロジェクトが単なる「計算」ではなく、
次の方向へ少しずつ進んでいることを示します。

• 分析
• 説明
• 可視化の提案

もう1つの最小「分析 トレース」の例

同じファイルまたは同じ Python セッションで続けて実行してください。このブロックは sales と result を再利用します。

trace = {
    "input_rows": len(sales),
    "total_amount": result["total_amount"],
    "per_category_avg": result["per_category_avg"],
    "insight": result["insight"],
}

print(trace)

実行結果の例：

{'input_rows': 5, 'total_amount': 1135, 'per_category_avg': {'course': 249.0, 'book': 69.0, 'service': 499.0}, 'insight': 'service の客単価が最も高い。'}

この例は初心者にとても向いています。
なぜなら、次のことが見えやすくなるからです。

• データ分析 Agent プロジェクトの本当に価値のある部分
• 「過程を検証できるかどうか」が重要であること

---

いちばん起こりやすい落とし穴

フィールドの意味を間違える

これは、データ分析 Agent でよくある致命的な問題です。
フィールドの意味を取り違えると、その後の流れ全体がずれてしまいます。

結論だけを見せて、中間過程を見せない

これだと、プロジェクトがブラックボックスのように見えてしまい、信頼を得にくくなります。

成功パスだけを作る

次のようなケースを見せないと、プロジェクトがあまり現実的に見えません。

• 欠損値
• 異常値
• 統計の基準の衝突

---

作品レベルのページに仕上げるには？

おすすめの構成

1. 元データのサンプル
2. 中間統計表
3. 洞察の要約
4. グラフ提案
5. エラーケース

ぜひ追加したい見せ場

次の3つを、

• 元データ
• 中間計算
• 最終結論

1本の trace として見せるとよいです。
これは、結果だけを貼るよりずっと強い見せ方です。

初心者が最初に覚えやすい評価表

観点	最初に聞くべきこと
正確性	数字は正しく計算できているか
検証可能性	中間過程を見返せるか
説明性	結論と統計が一致しているか
見せ方	グラフ提案と結論が自然につながっているか

この表は初心者にとても向いています。
「Agent プロジェクトが良いかどうか」を、より具体的な項目に分けて判断できるからです。

---

期待される結果：元データ、中間計算、洞察、グラフ提案、エラーケースを1本の trace として示し、分析結果を検証できる状態です。

残す証拠

このページを終えたら、この証拠カードを残します。

プロジェクト目標

エージェントが達成すべきことと、してはいけないこと

ベースライン

高度な機能を追加する前の単一エージェントループ

追跡パック

目標、計画、ツール呼び出し、観察、メモリ、評価

失敗ログ

少なくとも1回の失敗または危険な実行と根本原因

成果物

README、実行コマンド、trace スクリーンショット/ログ、次の一手

まとめ

この節で最も大事なのは、作品レベルの判断軸を作ることです。

データ分析 Agent の本当の見どころは、pandas を呼び出せるかどうかではなく、入力データ、中間計算、最終的な洞察を、検証可能な分析ループとしてまとめられるかどうかです。

このループがはっきりしていれば、このプロジェクトは複数ツールを使う Agent の理解を示すのにとても向いています。

これをポートフォリオにするなら、何を見せるのが一番よいか

一番見せるべきなのは、たいてい次のようなものではありません。

• ひとことの分析結論

むしろ、次の 4 つです。

1. 元データのサンプル
2. 中間統計の結果
3. insight がどう生まれたか
4. なぜそのグラフを提案したのか

そうすると、見る人は次のことを理解しやすくなります。

• あなたが理解しているのは分析ループであること
• 単に Agent に文章を言わせただけではないこと

---

バージョン別の進め方のおすすめ

バージョン	目標	重点となる成果物
ベーシック版	最小ループを動かす	入力できる、処理できる、出力できる、さらにサンプルを1組残す
スタンダード版	見せられるプロジェクトにする	設定、ログ、エラー処理、README、スクリーンショットを追加する
チャレンジ版	ポートフォリオ品質に近づける	評価、比較実験、失敗サンプル分析、次のロードマップを追加する

まずはベーシック版を完成させることをおすすめします。最初から大きく作りすぎないようにしましょう。
1つバージョンを上げるたびに、「何が増えたのか、どう検証したのか、まだ何が課題か」を README に書きましょう。

練習

1. サンプルデータに date フィールドを追加して、簡単な時系列分析に広げてみましょう。
2. 「検証可能性」がデータ分析 Agent にとって特に重要なのはなぜか、考えてみましょう。
3. 結論と数字が一致しないとき、このプロジェクトで最も問題が起きやすい層はどこでしょうか？
4. ポートフォリオとして見せるなら、どの部分をいちばん目立つように設計しますか？

プロジェクト参考とレビュー観点

1. 各 row に date を追加し、週または月で group し、total sales、average order value、churn rate などの trend を Agent に計算させます。output には code と chart/table の両方を含めます。
2. reproducibility が重要なのは、analysis conclusion を再実行できる必要があるからです。data version、cleaning steps、code、parameters、generated chart、final narrative を結びます。
3. conclusion と numbers が合わない場合は、まず analysis layer を見ます。aggregation logic、filters、date handling、chart interpretation です。その後、generation layer が結果を誇張していないか確認します。
4. portfolio で最も目立たせるべきなのは evidence loop です。user question -> generated code -> computed table/chart -> checked conclusion -> trace を見せると、Agent が data に基づいて reasoning していることを示せます。