6
6

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

Anthropic公式の「データアナリスト用スキル」を読んで、分析の進め方を5段に整理してみた

6
Posted at

はじめに

Anthropicが職種別に公開しているClaude用プラグインのうち、データアナリスト向けの data を全部読みました。SQLの書き方集かと思って開いたら、中身の重心は「問いの立て方」と「出す前に自分の結果を疑う手順」にありました。

  • 分析は「問いの重さを決める → データを疑う → 計算する → 出す前に検証する → 洞察から語る」の5段で進める
  • 検証は2回出てくる。本体の手順の中に5点チェックがあり、さらに独立したスキルとして総点検がある
  • 会社ごとの「この列はこう読む」「これは必ず除外する」という暗黙知も、スキルとして書き出す仕組みが用意されている

対象読者: データ分析をClaudeに手伝わせている人、または自分の分析手順を一度見直したい人

自分もふだんClaude Codeで集計や分析をしていますが、「どういう順番で何を確かめさせるか」は毎回の指示まかせでした。公式がそこをどう設計しているのかを知りたくて読んだ、というのが動機です。

参考文献

この記事の骨格は、次の3つに寄りかかっています。

2026年10月時点の main ブランチを読んだ内容です。リポジトリは更新が続いているので、構成やスキル名が変わっている可能性があります。

data プラグインとは何か

anthropics/knowledge-work-plugins は、Anthropicが職種ごとに用意したプラグインを集めたリポジトリです。営業・マーケティング・財務・法務・プロダクトマネジメント・エンジニアリングなどが並び、その中の1つが data です。もともとはデスクトップアプリのCowork向けですが、Claude Codeでも使えます。

この業種特化のプラグインが出たときの反響は、Claude Code周りのプラグインやMCPを総ざらいした次の記事の冒頭でも、2026年2月の動向として取り上げられています。

data/skills/ の中には、スキルが10本入っています。

github-data-skills.png

スキル 役割 呼び方
analyze 問いに答える本体。手順の骨組み /data:analyze
explore-data 新しいテーブルの形・品質を把握する /data:explore-data
write-query SQLの方言に合わせてクエリを書く /data:write-query
create-viz / build-dashboard グラフ、HTMLダッシュボードを作る /data:create-viz など
validate-data 人に見せる前の総点検 /data:validate-data
data-context-extractor 社内の暗黙知から会社専用スキルを作る /data:data-context-extractor
sql-queries / statistical-analysis / data-visualization 上のスキルが参照する知識 利用者は直接呼ばない

Claude Codeではプラグインのスキルは /data:analyze のようにプラグイン名つきで呼びます(READMEでは /analyze と省略して書かれています)。依頼文の内容から自動で選ばれることもあります。

最後の行の3本は、SKILL.md の先頭に user-invocable: false と書かれていて、スラッシュコマンドのメニューには出てきません。利用者は呼べませんが、Claude は依頼の内容に応じて自動で読み込みます。他のスキルの手順にも「ここは sql-queries を参照する」と書かれていて、部品の位置づけです。

スキルが「必要になったときにだけ読み込まれる知識のパッケージ」である点は、MCP・Subagent・Skillsの違いを整理した次の記事が分かりやすいです。この構成も、まさにその設計を使っています。

導入は2行です。

claude plugin marketplace add anthropics/knowledge-work-plugins
claude plugin install data@knowledge-work-plugins

README の表には /validate や data-exploration data-validation interactive-dashboard-builder のような名前が残っていますが、実際のフォルダ名は validate-data explore-data などです。コマンドからスキルへの移行(コミット名は "Migrate commands to skills across all plugins")の名残のようなので、探すときはフォルダ名を使ってください。

全体像は5段の流れ

analyze の手順を軸に、周辺のスキルの中身を合わせて5段に整理すると、次の図のようになります。analyze 自体は「問いを理解する → データを集める → 分析する → 検証する → 提示する → 必要なら可視化する」の6ステップで、データを疑う段の中身は主に explore-data から来ています。右に書いたのは、その段を深くするスキルです。

data-plugin-five-steps.png

順番自体は、どの分析の入門書にも載っていそうな流れです。おもしろいのは、それぞれの段で「何を確かめるか」が具体的な数字や問いの形で書かれていること。ここからは段ごとに、持ち帰る価値があると思ったところを見ていきます。

① 問いの重さを3段階に分ける

最初にやるのは、問いの重さを決めることです。重さによって、出すものの形が変わるからです。

重さ 例 出すもの
一言で答える 先週の新規登録は何人か 答えと、再現用のクエリ
要因を掘る コンバージョン率が下がった原因は何か 一番大事な発見を先に、表やグラフで補強、注意点と次の問い
正式なレポート 四半期の振り返り 要旨・方法とデータ源・発見と根拠・限界・推奨

「先週の登録数を教えて」に対して、方法論と限界まで書いたレポートを返されても困ります。逆に、経営会議に出す数字が一行の答えだけでも困る。当たり前のことですが、AIに分析を頼むとこの重さの見積もりが毎回ぶれるので、最初に明示させる設計になっているのだと思います。

② 触る前にデータを疑う

集計の前に、テーブルの形を確かめます。explore-data で最初に聞かれるのは次の3つです。

  • 何行・何列あるか。1行は何の単位か(注文単位か、明細単位か)
  • 主キーは何か。本当に一意か
  • 最後に更新されたのはいつか。いつからのデータがあるか

1行の単位(粒度)を取り違えると、同じ COUNT(*) がまるで別の意味になります。注文テーブルに明細を結合して行が増え、売上が膨らむ——これはよくある間違いの代表で、④で紹介する別記事の1つ目に例つきで書きました。

欠損についても目安が数字で決まっています。

欠損していない割合 扱い
99%超 問題なし
95〜99% 欠損の中身を一度見る
80〜95% 欠ける理由と、結論への影響を把握する
80%未満 補完しないと使えない可能性がある

そのほか、0・-1・999999・N/A・test のような仮置きの値、一つの値だけ異様に多い列、末尾が0か5ばかりの数値(測った値ではなく目分量で入れた値の疑い)なども疑う対象として挙がっています。

③ 統計は数字を盛らないために使う

statistical-analysis を読んで印象的だったのは、統計が「凝った手法を使うため」ではなく、「数字を実態より大きく見せないため」の道具として書かれていたことです。

平均と中央値は並べて出します。売上や滞在時間のように右に長い分布では、平均がごく一部の大きな値に引っぱられるからです。外れ値も、すぐには消しません。

外れ値の正体 扱い
入力ミス 直すか除く
本当に極端な値 残したうえで、中央値など外れ値に強い指標を使う
別の集団 分けて別に分析する(法人の大口注文と個人など)

除いたときは、何件・何%を除いたかを書きます。

統計的に有意な差と、ビジネス上意味のある差も区別します。サンプルが大きければ、ごく小さな差でも有意になるからです。だから効果の大きさと信頼区間、売上や人数に換算した影響を一緒に出します。予測も、点ではなく幅で言います。「約5%」のほうが「4.73%」より正直だ、という書き方がされていました。

この「幅で言う」という考え方は、「○○が××%を説明する」という言い方の危うさを行動遺伝学の例で論じた次の記事でも、点推定ではなく区間で考える意義として出てきます。生成AIで複数のシナリオを試す、という実践の仕方も紹介されています。

④ 出す前に検証する

ここがこのプラグインの一番の読みどころです。検証は2回出てきます。

1回目は analyze の手順の中です。結果を出す前に、行数・欠損・桁・時系列の抜け・小計と合計の一致、の5点を確かめます。

2回目は独立したスキル validate-data です。人に見せる前の総点検として、方法・計算・見せ方・結論を順に点検し、最後に次の3段階で判定します。

判定 中身
そのまま共有してよい 方法が妥当で、計算を確かめ、注意点も書いてある
注記を付けて共有 おおむね正しいが、相手に必ず伝えるべき限界や前提がある
作り直し 誤りや方法上の問題がある。直すべき点を優先順に並べる

この点検の中心にあるのが、よくある落とし穴のカタログです。詳しく書かれているのは、JOINで行が増える、今いる人だけを見る、月の途中と丸1か月を比べる、分母がいつの間にか変わる、平均の平均、タイムゾーン、結果で切ったグループ、の7つ。別記事では、同じスキルの「その他の統計の罠」から、全体と内訳で逆になるシンプソンのパラドックスを加えて8つにしました。それぞれのSQLの例と見つけ方は、量が多いので別記事にまとめました。

その記事でも紹介した「怪しい結果のサイン」の中で、自分が一番刺さったのは「仮説をきれいに裏付ける結果」です。期待どおりの数字が出たとき、そこで手を止めていませんか? 元のスキルの言い方を借りると、現実はもっと散らかっているはず、という前提に立ちます。

⑤ グラフのタイトルに洞察を書く

data-visualization のうち、すぐ使えるものだけ挙げます。

  • タイトルは指標名ではなく洞察にする。「月別売上」より「売上が前年比23%増」
  • 棒グラフは0から始める。95から100の棒は、5%の差を大きく見せてしまう
  • 円グラフは区分が6未満のときだけ。3Dは使わない
  • 強調したい1系列だけ色を付け、残りはグレーにする
  • 赤と緑だけで区別しない。青とオレンジを基本の組にする

個人的には1つ目が一番効きました。タイトルを洞察で書こうとすると、「で、このグラフで何が言いたいのか」を書く前に決めることになるからです。

社内の暗黙知もスキルにする

最後の data-context-extractor は、分析そのものではなく、分析の前提知識を集めるためのスキルです。データウェアハウスのスキーマを確認したあと、アナリストに次のようなことを1つずつ聞き取ります。

  • 「ユーザー」「顧客」と言ったとき、具体的に何を指すか
  • 同じ人やアカウントに複数のIDが付いていないか
  • よく聞かれる指標2〜3個の、正確な計算式と期間の約束
  • クエリで必ず除外するもの(テスト・不正・社内ユーザーなど)
  • 新人がよくハマる罠(紛らわしい列名、タイムゾーン、欠損の癖など)

答えは SKILL.md と、用語・指標・テーブルごとの参照ファイルとして書き出されます。

たとえば購買データなら、「購買額は世帯全体の量なので、個人の値として読むときは世帯人数を考える」「自社の店で買っている割合が人によって違うので、その分を考える」といった前提がこれに当たります。データを見ただけでは分からないのに、知らないと結論を間違える知識です。新人に毎回口頭で伝えていた注意を、Claudeにも新人にも読める形で残す仕組みだと理解しました。

自分の手順と見比べて気づいたこと

読み終えて、自分の分析で一番抜けやすいのは④の検証だと感じました。集計して、それらしい数字が出たら、そのまま資料に貼りがちです。公式のスキルが、検証をわざわざ独立させ、判定まで3段階で言わせているのは、たぶんAIも人間も同じところで手を抜くからなのだと思います。

もう一つは、①の問いの重さです。AIに「この数字を出して」と頼むと、一言で済む問いにレポート並みの説明が返ってくることがよくあります。重さを最初に決めさせるだけで、返ってくるものの形がかなり揃いそうです。

まとめ

data プラグインは、分析を「問いの重さを決める → データを疑う → 計算する → 出す前に検証する → 洞察から語る」の5段で進めます。それぞれの段に、確かめるべきことが数字や問いの形で書かれていて、Claudeに入れなくても、人間のチェックリストとしてそのまま使えます。

次は data-context-extractor を使って、自分が担当しているデータの「新人がハマる罠」を書き出してみるつもりです。もし先に試した方がいたら、どんなスキルができたか教えてください。

6
6
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
6
6

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?