Name: ChatGPTでマスターデータ分析（わずか12分） (Master Data Analysis with ChatGPT (in just 12 minutes))
Uploaded: 2025-09-21T01:09:13.000Z
Duration: 11 min 54 s
Description: VoiceTubeの動画で発音を聞きながら英語表現を覚えよう！学べる英語：

転換語

All of us work with data regardless of our role, but very few of us were taught how to analyze data in a structured way.

私たちは皆、職務に関係なくデータを扱っているが、構造化された方法でデータを分析する方法を教わった人はほとんどいない。

様態の副詞

So in this video, I'll bridge that gap by sharing a simple three-step framework that basically turns ChachiBT into our personal data analyst with zero technical skills required.

そこでこのビデオでは、技術的なスキルは必要なく、基本的にチャチブトを個人的なデータ・アナリストに変えるシンプルな3ステップのフレームワークを紹介することで、このギャップを埋めよう。

まず、背景を少し説明しよう。

In all my past roles, management consultant, account manager, product market manager, I've had to work with data and present findings.

経営コンサルタント、アカウント・マネジャー、プロダクト・マーケット・マネジャーなど、これまでのすべての職務において、私はデータを扱い、調査結果を発表しなければならなかった。

Like most of you though, I've never received any formal training in data analysis, but I also knew AI could help.

しかし、皆さんの多くがそうであるように、私もデータ分析について正式な訓練を受けたことはない。

So after taking the top AI for data analysis course on Coursera, I learned that the key was giving ChachiBT a proven framework to follow and have the AI perform all the hard analytical tasks on our behalf.

そこで、Courseraでデータ分析のためのトップAIコースを受講した後、重要なのはChachiBTに実績のあるフレームワークを与え、AIに難しい分析タスクをすべて代行させることだと学んだ。

Diving right in, the framework I learned is called DIG, description, introspection, and goal setting.

私が学んだフレームワークは、DIG（描写、内省、目標設定）と呼ばれるものだ。

And in a nutshell, by using ChachiBT to apply the DIG framework to any data set, we're able to number one, understand data we've never seen before in a matter of minutes instead of hours, and number two, extract insights that we, as non-data analysts, would have missed.

一言で言えば、ChachiBTを使ってDIGフレームワークをあらゆるデータセットに適用することで、第一に、見たこともないデータを数時間ではなく数分で理解できるようになり、第二に、データ分析者でない私たちが見逃してしまうような洞察を引き出せるようになる。

When you get handed a spreadsheet with no context, you're at 0% understanding.

何の脈絡もなくスプレッドシートを渡されても、理解度は0％だ。

But with every DIG prompt you input into ChachiBT, your understanding of the data increases.

しかし、チャチBTにDIGプロンプトを入力するたびに、データに対する理解が深まる。

And by the end of the DIG framework, you've uncovered insights that would have taken hours to find manually, if you found them at all.

そして、DIGフレームワークが終わる頃には、手作業で見つけるのに何時間もかかるようなインサイトを発見している。

Two quick things before diving to a real case study.

実際のケーススタディに入る前に、簡単に2つ。

First, I'm using a free Apple TV Plus data set that you can download and follow along.

まず、私は無料のApple TV Plusのデータセットを使っているので、それをダウンロードしてフォローしてほしい。

And it's actually pretty cool to analyze real data from popular TV shows and movies like Avatar, The Last Airbender, The Godfather, and Sherlock.

また、『アバター』、『ラスト・エアベンダー』、『ゴッドファーザー』、『シャーロック』のような人気テレビ番組や映画の実際のデータを分析するのは、実際かなりクールだ。

Second, the industry standard framework is actually called EDA, exploratory data analysis.

第二に、業界標準のフレームワークはEDA（探索的データ分析）と呼ばれている。

But I'm using DIG in this video because one, the principles are the same.

でも、このビデオでDIGを使っているのは、1つには原理が同じだからだ。

And second, the professor on Coursera probably used DIG because it's easier to remember.

そして第二に、Courseraの教授は、覚えやすいからDIGを使ったのだろう。

こんな仮想シナリオを思い浮かべてほしい。

Your colleague, let's call him Tim Cookie, just rage quit for absolutely no reason and left you with a spreadsheet with zero context.

あなたの同僚、仮にティム・クッキーと呼ぼう。彼は理由もなく激怒して辞め、あなたに何の脈絡もないスプレッドシートを残した。

At this point, we need ChachiBT to explain or describe what's in the file as quickly and effectively as possible.

この時点で、チャチBTにファイルの中身をできるだけ早く、効果的に説明、描写してもらう必要がある。

So let's open up ChachiBT, upload the data set, select the latest reasoning model, and start with the first description prompt.

それではChachiBTを開き、データセットをアップロードし、最新の推論モデルを選択し、最初の説明プロンプトから始めましょう。

List all the columns in the attached spreadsheet and show me a sample of data from each column.

添付のスプレッドシートのすべての列をリストアップし、各列のデータのサンプルを示してください。

The reason we start off with this prompt is because it forces ChachiBT to actually look at every single column in our data set.

このプロンプトで始める理由は、ChachiBTにデータセットのすべての列を実際に見させるためである。

And more importantly, gives us a quick overview of the data we're working with.

さらに重要なのは、扱っているデータの概要を素早く把握できることだ。

Looking at this output, I wanna point out two things.

この出力を見て、私は2つのことを指摘したい。

First, having ChachiBT return just one sample output is much easier for us, the human, to digest versus having to make sense of an entire spreadsheet we've never seen before.

第一に、ChachiBTが1つのサンプル出力だけを返すことは、私たち人間にとって、見たこともないスプレッドシート全体を理解するよりもはるかに消化しやすい。

Second, the sample is selected as Forrest Gump, a classic, nice.

第二に、サンプルはフォレスト・ガンプとして選ばれている。

And it returned all eight columns from the original spreadsheet, great.

そして、元のスプレッドシートから8つの列をすべて返してくれた。

But the release year is 994.0, and there are two genres separated by a comma.

しかし、発売年は994.0年で、コンマで区切られた2つのジャンルがある。

So this might represent issues for ChachiBT down the road.

だから、この先、チャチバートにとって問題になるかもしれない。

だから、そのことを記録しておきたい。

And I'm actually not really sure what IMDbID means.

IMDbIDの意味も実はよくわからない。

Does every show and movie have a unique ID?

すべての番組や映画には固有のIDがあるのですか？

I'm not sure, so I might wanna follow up and confirm.

よくわからないから、追って確認した方がいいかもしれない。

Oh, I'll link to all these prompts down below, by the way.

ところで、これらのプロンプトはすべて下にリンクしておこう。

Take five more random samples of the data for each column to make sure you understand the format and type of information in each column.

各列のデータの形式と情報の種類を理解していることを確認するために、各列についてさらに5つのランダムなサンプルを取る。

では、なぜもっとサンプルを求めるのか？

Because that one sample we received might be an outlier and therefore misleading.

というのも、私たちが受け取った1つのサンプルは異常値であり、それゆえに誤解を招く可能性があるからだ。

Multiple samples help us spot inconsistencies.

複数のサンプルがあれば、矛盾を見つけることができる。

Looking at this output, we see there are TV and movies under type, but we knew that already.

このアウトプットを見ると、テレビや映画がタイプ別になっているが、それはすでに分かっていたことだ。

このテレビ番組には3つのジャンルがあるんだ。

And some of this is available in one country, others are available in multiple countries.

また、ある国で利用できるものもあれば、複数の国で利用できるものもある。

Okay, so our understanding of the dataset is increasing.

なるほど、データセットに対する理解は深まっている。

Moving on to description prompt number three.

各列のデータ品質チェックを実行する。

Specifically look for missing or empty values, unexpected formats or data types, outliers or suspicious values.

特に、欠損値や空の値、予期しないフォーマットやデータタイプ、異常値、不審な値を探す。

We want ChachiBT to explicitly tell us if there's anything weird about the data we should know about before proceeding with our analysis.

ChachiBTには、分析を進める前に、データについて知っておくべき奇妙なことがあれば、明確に教えてもらいたい。

さて、ここにはいくつかのテーブルがある。

This first one tells us how many values are missing from each column.

この最初のものは、各列からいくつの値が欠落しているかを教えてくれる。

So for the title column, we're missing 589 values representing 3.1%.

つまり、タイトルの列については、3.1%に相当する589の値が欠落していることになる。

下げていくと、10％はかなり高い。

This number tells us that for the available countries column, we're missing 99.7% of the values.

この数字は、利用可能な国の列について、99.7％の値が欠けていることを物語っている。

I can double check really quickly by going into the raw dataset and doing a quick filter or sort rather.

未加工のデータセットに入り、フィルターやソートを素早く行うことで、本当に素早くダブルチェックができる。

Gonna sort this and I'm gonna scroll down.

これを整理して、下にスクロールするよ。

Yeah, most of these rows are completely empty for the available countries column.

そう、これらの行のほとんどは、利用可能な国の列が完全に空なのだ。

This means we should not perform any geographical analysis with this dataset because we're missing that information.

つまり、このデータセットでは地理的分析を行ってはいけないということだ。

At this point, it should be pretty clear that first, although ChachiBT is not doing 100% of work for us, it's making our job as a human analyst much easier.

この時点で、まず、ChachiBTが100％の仕事を代行してくれているわけではないが、人間のアナリストとしての仕事をはるかに楽にしてくれていることは明らかだろう。

Second, remember how the goal of the description step is for us to understand the dataset as effectively as possible?

第二に、記述ステップのゴールが、データセットをできるだけ効果的に理解することであることを覚えているだろうか？

I'm not gonna waste your time here, but in real life, I would have at this point asked follow-up questions like, hey, what does this TT number mean here?

ここで時間を無駄にするつもりはないが、実生活ではこの時点で、「このTTの数字はどういう意味ですか？

And ChachiBT would have confirmed it is the unique IMDb number.

そして、チャチBTはそれがIMDb固有の番号であることを確認しただろう。

By the way, if you use Google Workspace tools at work, you might wanna join my newsletter to receive an insanely actionable tip every week.

ところで、もしあなたが仕事でGoogle Workspaceツールを使っているのなら、私のニュースレターに参加すると、毎週ものすごく実用的なヒントを受け取れるかもしれない。

And the purpose of this step is to have ChachiBT brainstorm questions it could answer with our data.

そしてこのステップの目的は、チャチブトに我々のデータで答えられる質問をブレインストーミングさせることである。

This shows whether ChachiBT truly gets our data and often services insights we hadn't considered.

これは、チャチBTが本当に私たちのデータを把握しているかどうかを示すもので、私たちが考えもしなかった洞察を提供してくれることも多い。

Prompt one, tell me 10 interesting questions we could answer with this dataset and explain why each would be valuable.

プロンプト1、このデータセットで答えられる興味深い質問を10個教えてください。

And long story short, good questions mean ChachiBT understands our data.

長くなったが、良い質問というのは、チャチブトが我々のデータを理解しているということだ。

Bad questions equal there's a misunderstanding that needs fixing before we proceed.

悪い質問というのは、先に進む前に直さなければならない誤解があることを意味する。

この最初の3つの質問は堅実だ。

How has Apple TV's yearly output grown since launch?

Apple TVの年間生産台数は発売以来どのように伸びているのか？

If we're putting out more TV shows and movies year on year, it might mean we're capturing more market share.

年々多くのテレビ番組や映画を世に送り出しているということは、より多くの市場シェアを獲得しているということかもしれない。

What share of releases are movies versus series each year?

毎年公開される作品のうち、映画とシリーズの割合は？

This might tell us about viewer behavior.

これで視聴者の行動がわかるかもしれない。

Are we trending more towards TV shows or movies?

私たちはテレビ番組と映画のどちらに傾倒しているのでしょうか？

Which genres dominate the catalog and how have they shifted over time?

どのジャンルがカタログの大半を占め、時代とともにどのように変化してきたのか？

Imagine you were on the Apple content team, right?

あなたがアップルのコンテンツ・チームにいたと想像してみてください。

You might want to invest more in the most popular genre next year, or maybe additional analysis tells you the genre is oversaturated, so you wanna pull back.

来年は最も人気のあるジャンルにもっと投資したいと思うかもしれないし、追加分析でそのジャンルは飽和状態だから撤退したいと思うかもしれない。

Prompt two, for the first three questions, tell me exactly which columns you need to use and whether the current data is sufficient to answer it.

プロンプト2、最初の3つの質問について、どの列を使う必要があるのか、また現在のデータがそれに答えるのに十分かどうかを正確に教えてください。

This basically forces ChachiBT to show its work and tells us whether or not we can perform these analyses.

これは基本的に、ChachiBTにその仕事を示すことを強制し、私たちがこれらの分析を実行できるかどうかを教えてくれる。

We say that for question one, yes, we just need to fix 0.3% of non-numeric entries.

質問1については、そうだ、数字以外の入力の0.3％を修正すればいいのだ、と言う。

For question two, yes, we need to do some light data cleanup.

質問2については、そうですね、軽いデータのクリーンアップが必要です。

That's fine, we can tell ChachiBT to do it.

いいんだ、チャチBTに言えばいいんだから。

For number three, yes, we have all the information we need to perform the analysis.

3については、はい、分析に必要な情報はすべて持っています。

Prompt three is my personal favorite for the introspection step.

プロンプト3は、内省のステップで私が個人的に好きなものだ。

What questions do you think someone would want to ask about this data, but we can't answer due to missing information?

このデータについて、誰かが質問したくても、情報が欠けているために答えられない質問は何だと思いますか？

This basically surfaces gaps in our dataset and helps us manage our boss's expectations about what insights we can uncover.

これは基本的に、データセットのギャップを浮き彫りにし、どんなインサイトを発見できるかという上司の期待を管理するのに役立つ。

Here, we see questions like, what's the most watched genre?

ここでは、「最も視聴されているジャンルは？

We can't answer that because we don't have the view metrics.

ビューの指標がないので答えられない。

Or from a ROI perspective, which genres deliver the best cost per hour of content?

あるいは、ROIの観点から、どのジャンルがコンテンツ1時間あたりのコストを最も高くするのか。

字幕リスト動画再生

ChatGPTでマスターデータ分析（わずか12分） (Master Data Analysis with ChatGPT (in just 12 minutes))

weird

sort

process

scenario