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。
| 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。
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。

