CSVデータ分析

手元のCSVデータがあれば、売上や会員数の集計・推移の把握はもちろん、施策の前後比較、A/Bテストでの優劣判定、地域ごとの比較（差分の差分法）、広告費と売上の関係をみるMMM（マーケティング・ミックス・モデリング）まで行えます。ただし、どの分析が実際に使えるかはデータに必要な列と期間がそろっているかで決まり、分析に入る前にデータ自体の状態（欠損・重複・外れ値・型)を確認しておく必要があります。この記事では、分析担当になったばかりの人向けに、CSVでできる分析の種類と、分析に入る前に確認すべき4つの観点を整理します。

結論：分析の前にデータの健康状態を見る

分析の精度は、手法の選び方より前に、データの状態で大きく決まります。欠損値が多い列をそのまま平均に使う、重複した行を2回数える、外れ値を見落として全体の傾向と誤認する——こうした見落としは、どれも後工程の分析手法をどれだけ精密にしても取り戻せません。統計じょうずのCSVデータ診断は、ファイルを読み込むだけで欠損・重複・外れ値・列ごとの型を確認し、今あるデータでどの分析が使えそうかを候補として示します。まずここで「使えるデータか」と「候補になる分析」を確認してから、手法を選ぶ順番が安全です。

CSVでできる分析

手元のCSVに必要な列と十分な期間のデータがそろっていれば、次の5つの分析が行えます。何が分かるかと必要な列をごく簡単に並べます（必要な列と目安の期間の詳しい基準は後述の表で確認してください）。

• 集計・推移：売上や会員数などの合計・平均を日次・月次でまとめ、増減の傾向をみます。必要な列は日付列とKPI列（売上・件数など）です。
• プレポス調査（施策前後比較）：施策の実施前と実施後でKPIがどう変わったかを比較します。必要な列は日付列とKPI列です。
• A/Bテスト：2つのパターン（群）のどちらの成果が高いかを統計的に判定します。必要な列は群（パターン）列と成果列です。
• 差分の差分法（地域比較）：施策を行った地域と行っていない地域を比べ、施策そのものの効果だけを取り出します。必要な列は日付列・地域列・KPI列・施策フラグ列です。
• MMM（マーケティング・ミックス・モデリング）：広告費などの施策変数と売上の関係を推定し、どの施策がどれだけ効いたかをみます。必要な列は日付列・KPI列・広告費などの施策変数列です。

いずれも、CSVに必要な列と期間のデータが実際にそろっていることが前提です。次の章で、分析に入る前にデータの状態を確認する手順を説明します。

分析に入る前の確認

上で挙げた分析はどれも、データが欠損なく正しく記録されていることを前提にしています。CSVを読み込んだら、まず次の4つの観点で状態を確認しましょう。統計じょうずのCSVデータ診断は、ファイルを読み込むだけで欠損・重複・外れ値・列ごとの型を確認できます（対応形式はUTF-8またはShift_JISで1行目が列名のCSV、10MBまで。処理はブラウザ内で完結するためファイルを送信・保存しません）。ただし診断できるのは形式と統計量の確認までで、値そのものが正しいか（計測の誤りや定義のズレ）までは判定できません。

観点1：欠損値——何が欠けていて、なぜ欠けたのか

欠損値は「空白のセル」として現れますが、空白になった理由は一様ではありません。入力し忘れただけの欠損もあれば、「売上が0だったので記録しなかった」という、値そのものに意味がある欠損も混在します。後者を見落として欠損行をまとめて削除すると、売上がゼロだった日ほど分析から除外され、実態より良い数字に見えてしまうことがあります。

欠損への対処は大きく3つです。行ごと削除する、前後の値や平均で補う、欠損のまま「不明」として扱う。どれが正しいかは一概には言えず、欠損がデータ全体の何%を占めるか、特定の条件（曜日・担当者・地域など)に偏って欠けていないかを先に確認してから選ぶのが基本です。偏りがあるのに気づかず削除すると、残ったデータが元の集団を代表しなくなります。

観点2：重複行——同じ出来事を2回数えていないか

重複行は、システムの二重送信やExcelでのコピー作業のミスなど、分析とは関係のない原因で発生することが多いですが、集計結果には確実に影響します。同じ注文が2行あるCSVで売上合計を出すと、実際より多い金額が出てしまいます。

注意したいのは、「完全に同じ行」だけを重複と見なすと見落としが出る点です。注文IDなど一意のキーになる列があれば、そのキーの重複を確認するほうが確実です。キーが無いCSVでは、日付・金額・担当者など複数列の組み合わせで重複らしさを判断する必要があり、この判断自体にも曖昧さが残ります。

観点3：外れ値——消すべきか、残すべきか

外れ値とは、他の値から大きく離れた1つ、または少数の値を指します。目安として、平均から標準偏差の2〜3倍以上離れた値や、第1四分位数から四分位範囲（IQR）の1.5倍を引いた値より小さい、または第3四分位数にIQRの1.5倍を足した値より大きい値を外れ値の候補とする考え方がよく使われますが、これは一般的な経験則であり、どの基準が正しいかは分野やデータの性質によって変わります。

ここで最も重要なのは、外れ値は「異常」とは限らないという点です。入力ミスで桁が1つ増えた値は除くべき異常値ですが、大型連休の売上が普段の数倍になった値は、実際に起きた出来事を反映した正常な値です。機械的な基準だけで消すと、本当に見るべき変化を見落とすことになります。外れ値を見つけたら、まず「なぜその値になったのか」を業務の文脈から確認し、入力ミスだと確認できたものだけを除外するという順番が安全です。

観点4：列の型——数値や日付が文字列になっていないか

CSVは見た目が数字や日付でも、実際には文字列として保存されていることがあります。たとえば金額の列に「¥」や「,」が混ざっていると、集計ソフトがそれを数値ではなく文字列として読み込み、合計や平均の計算からその行だけ除外されてしまうことがあります。日付も「2026/10/12」と「2026-10-12」のような表記の混在があると、同じ日として認識されず、月次集計が割れる原因になります。

型のずれは、合計や平均の値が不自然に小さい・一部の行だけ計算結果に反映されていない、といった形で現れるため、分析結果を見て違和感を感じたら、まず列の型を疑うのが近道です。

4つの観点を確認したら、分析ごとに必要な列と目安の期間を次の表で確認します。

統計じょうずのCSVデータ診断は、この列と期間の有無を見て、今あるCSVで使えそうな分析を候補として表示します。候補に出ない分析は、必要な列か期間のどちらかが足りていないという意味です。たとえば施策の前後で数字を比べたいなら、施策前後それぞれの期間に欠損が集中していないかが重要になりますし、地域ごとの比較をしたいなら、地域の表記ゆれ（「東京都」と「東京」など）が型の問題と同じようにグループを分断します。候補として出た分析についても、効果測定の手法の使い分けを参考に、手元のデータがその手法の前提に本当に合っているかを確認してから進めるとよいでしょう。

下表は、4つの観点を見落とした場合に起きやすい誤りをまとめたものです。

よくある質問

Q. データ量が少ない場合、欠損値はどう扱えばよいですか。 データ量が少ないほど、欠損行を削除する影響は大きくなります。件数が限られる場合は、まず欠損の原因を確認し、削除よりも「不明」として残したうえで、分析結果に欠損の件数を注記する方法のほうが安全なことが多いです。

Q. 外れ値を自動で判定してくれるツールを使えば十分ですか。 自動判定は候補を絞り込むうえで有用ですが、最終的に除外するかどうかの判断には、その値が生まれた業務上の背景を確認する工程が欠かせません。自動判定の結果をそのまま適用する前に、該当する行の内容を見る習慣をつけておくとよいでしょう。

Q. 列の型が合っているかは、どこを見れば分かりますか。 合計や平均が想定より小さい、一部の月だけ数値が0になっている、といった不自然な結果が出たときは型のずれを疑うサインです。統計じょうずのCSVデータ診断では、列ごとに型を確認できるので、分析に入る前に目を通しておくと手戻りを減らせます。

CSVデータから何が分析できるかは、手法を選ぶ前に欠損・重複・外れ値・型という4つの観点でデータの状態を確認して初めて見えてきます。機械的な基準だけに頼らず、違和感のある値は業務の背景まで確認する姿勢が、分析結果を誤読しないための一番の近道です。