Excel業務が変わる！Copilot×Python自動化術－第3回：数字に“意味”を見つける分析思考

この記事のポイント

・数字を集計するだけで終わらず、“意味”を取り出す分析思考の型
・CopilotとPython in Excelで使える 4つの分析視点（比較・構成・推移・外れ値）
・そのまま使える 分析プロンプト例5つ
・AIに任せる部分／人間が判断する部分の線引き

集計と「分析」は違う

月次レポートで「売上：1,234万円」と書くのは集計です。

分析は、「昨年比＋8%、しかし主要3商品中2商品は減少。伸びているのはAの新規客獲得分」のように、数字に”意味”を見つけること。集計で終わる報告書から、分析を付けた報告書に変わると、会議の議論も意思決定の速度も変わります。

AIは集計を速くしてくれますが、単に数字を出すだけでは「分析」にはなりません。分析思考の型をこちら側が持ち、AIを使い倒すことが大事です。

図１：生成AIで作成した月別棒グラフとカテゴリ内訳付きの積み上げ棒グラフ

数字に意味を見つける「4つの視点」

どんな数字も、この4つの視点で眺めるだけで解釈が進みます。

視点	問い	よく使う可視化
① 比較	「他と比べてどうか」	棒グラフ、前月比、競合比
② 構成	「何が全体を占めているか」	積み上げ棒、円グラフ、パレート図
③ 推移	「時間で変わったか」	折れ線、移動平均、累積
④ 外れ値	「異常に大きい／小さい点はどこか」	散布図、ヒストグラム、箱ひげ図

AIに指示する時は、この4つのどの視点でデータを見てほしいかを明記するのがコツです。

分析プロンプト例 5つ

① 比較の視点

売上データ（A列：日付、B列：商品、C列：金額）があります。
以下の比較を行ってください。
・商品別の今月合計と前月合計
・前月比の差分（金額・%）
・前月比が-20%以下、または+30%以上の商品をハイライト
結果は表にしてコメント欄に1行「最も注目すべき変化」を1つ書いてください。

② 構成の視点

顧客別売上データから、以下の構成分析をお願いします。
・売上上位20%の顧客が全体の何%を占めるか（80/20ルール）
・上位5社／中位10社／下位の合計で3分類
・円グラフで可視化
「集中度が高い／分散している」のどちらかの結論を1文で添えてください。

③ 推移の視点

過去12ヶ月の売上推移データがあります。
・月次データに3ヶ月移動平均を追加
・前年同月比の折れ線を重ねて表示
・「トレンドとして上昇／横ばい／下降」のどれかを判定し、根拠となる数字を添えてください
グラフと判定コメントをセットで出力。

④ 外れ値の視点

注文データから、以下の外れ値検出を行ってください。
・金額の平均から±3σ外れる取引
・1顧客1日に5件以上の注文
・土日祝日の高額取引（平日平均の5倍以上）
各外れ値について、原因候補を3つ挙げてください（例：記入ミス、特別注文、不正等）。

⑤ 複合分析

以下のデータで「売上が減った本当の理由」を探ってください。
・月別売上、商品別売上、顧客別売上、地域別売上を全て参照
・減少額の大きい順に要因を分解（要因分解表）
・「新規客減少／既存客離脱／単価低下／数量減少」のどれが主因か
結論を3行で示し、根拠データを併記してください。

Python in Excel が強い分析シーン

図２：生成AI×Pythonによるデータの可視化

Copilotでカバーしきれない高度な分析は、Python in Excel（Microsoft 365 Business/Enterprise で2024年9月16日 一般提供開始）のほうが得意です。デフォルトで pandas・NumPy・Matplotlib・seaborn・statsmodels が import 済みで、次のような処理が数行で書けます。

分析	Excel標準で難しい点	Pythonなら
相関分析	CORREL関数を列ごとに手動実行	df.corr()で一発
クラスタリング	不可	scikit-learn（追加import可）で実行
回帰分析	「分析ツール」オプション必要	statsmodelsのols()で標準装備
ヒストグラム+外れ値	散布図＋条件付き書式を組み合わせ	matplotlib/seabornで統合可視化

Python in Excel で書く散布図＋回帰線の例

=PY(
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
df = xl("Sheet1!A1:C200", headers=True)
fig, ax = plt.subplots(figsize=(8,5))
sns.regplot(x="price", y="units_sold", data=df, ax=ax)
ax.set_title("価格と販売数の関係")
fig
)

AIに任せる分析 vs 人間が判断する分析

工程	担当	理由
データ集計	AI	機械的反復が得意
可視化案の提示	AI	候補を素早く出せる
数字の解釈	人間	文脈・経緯を知る必要あり
原因仮説の検証	協業	AIが候補、人間が検証
次のアクション決定	人間	判断責任が必要

特に数字の解釈は、自社の過去の経緯・現場の事情・顧客心理を知っている人間の領域です。AIにはそれができません。分析の主役は人間で、AIは下ごしらえ担当、という関係を崩さないことが失敗を減らすコツです。

よくあるつまずきと対処

つまずき1：AIが「それっぽい分析」を出してきて、正しいかわからない
→ 毎回「根拠となる数字を添えて」と指示する。数字と結論がセットで初めて分析。

つまずき2：可視化がキレイすぎて本質を隠している
→ 必ず「もう1パターン違う視点で可視化して」と追加指示。1つの可視化だけで意思決定しない。

つまずき3：結論がふわっとしている
→ 「3行の結論」「具体数字で裏付け」を指定する。曖昧なものは再生成を指示。

よくある質問（FAQ）

Q1. CopilotとChatGPTを分析で使い分ける基準は？

データが既にExcelにある → Copilot in Excel（コピペ不要）。
複数ソースのデータやWeb上の情報を横断 → ChatGPT／Claude。
大量行・統計処理 → Python in Excel。
使い分けの基準は「どこにデータがあるか」と「処理の複雑度」です。

Q2. 分析結果をレポートにするときのテンプレは？

「サマリー3行 → 1つの主要グラフ → 根拠データ表 → 次アクション3つ」のフォーマットが最も伝わりやすいです。Copilotに「この構成でレポートを作って」と指示すると一気に整います。

Q3. 異常値が出たとき、どこまで深掘りすべき？

金額のインパクトで決めます。上位3件の異常値が全体の5%以上占めるなら必ず原因特定。それ以下なら記録のみ残して次月に流す、という運用が現実的です。

まとめ：分析は「集計+解釈」で完成する

・4視点（比較・構成・推移・外れ値）を意識してAIに指示する
・プロンプトには根拠数字・結論文・判定コメントの3点セットを依頼
・Python in Excelで相関・回帰・クラスタリング等の一段深い分析
・解釈と意思決定は人間の仕事、AIは下ごしらえ担当

次回予告

次回（第4回）は「ぐちゃぐちゃなデータも一発で整理」をテーマに、データクレンジングの実践手順を解説します。

参考：
・Microsoft「Python in Excel availability」公式ドキュメント（2024年9月16日 一般提供開始）
・Microsoft「Excel で Copilot を使用して数値データに関する分析情報を取得する」公式ドキュメント

<文/岡崎 凌>