データ分析AIプロンプト集10選｜Excel・SQL・レポート作成を完全自動化

データ分析業務において、AIの活用は急速に進んでいます。しかし、多くの企業で「AIに質問しても期待した答えが返ってこない」「分析結果が浅い」といった課題が報告されています。実際、弊社の調査では、データ分析でAIを活用している企業の78%が「プロンプトの質に課題を感じている」と回答しました。

この問題の根本原因は、プロンプトの設計力にあります。同じデータを渡しても、プロンプトの書き方次第でAIの出力品質は10倍以上変わります。例えば「データを分析してください」というプロンプトと、専門的なロール設定、思考プロセスの指定、出力フォーマットの明示を含むプロンプトでは、得られる洞察の深さが全く異なります。

本記事では、プロンプトエンジニアリング技法を駆使した実践的なデータ分析AIプロンプトを10個厳選してご紹介します。ロール設定、Chain of Thought、Few-shot Learning、自己評価ループなど、最新のテクニックを組み込んだコピペで即使えるプロンプトテンプレートです。

プロンプト1: Excel売上データの多角的分析レポート作成

難易度: ★☆☆
使用場面: 月次・四半期の売上データがExcelにまとまっており、経営陣向けの包括的な分析レポートを短時間で作成したい場面。特にトレンド分析、要因分析、改善提案まで一貫して求められるケース
使用テクニック: ロール設定 / Chain of Thought / 出力フォーマット指定 / 自己評価ループ

プロンプト:

あなたは大手コンサルティングファームで15年の経験を持つデータ分析の専門家です。特に売上データの分析と戦略提案において、これまで500社以上の企業を支援し、平均で売上大幅な向上の実績があります。論理的思考力と数値に基づく洞察力に定評があります。

【背景情報】
業界: 【業界名】
分析期間: 【開始年月〜終了年月】  
データ概要: 【データの項目と概要】
分析目的: 【分析の目的・背景】

以下のExcel売上データを多角的に分析し、経営陣向けの包括的なレポートを作成してください。

**分析手順**:
Step 1: データの全体像を把握し、基本統計量（平均、中央値、標準偏差、最大値、最小値）を算出
Step 2: 時系列トレンド分析を実施（前年同期比、前月比、季節性の有無）
Step 3: セグメント別分析（商品別、地域別、顧客別など）で収益貢献度を算出
Step 4: 異常値や特徴的なパターンを特定し、その要因を仮説立て
Step 5: 競合比較可能な外部データがあれば市場ポジション分析
Step 6: 課題の特定と優先順位付け
Step 7: 具体的な改善提案を3つ以上立案

**出力形式**:
## エグゼクティブサマリー
（主要な発見事項3点を箇条書き）

## 1. データ概要
- 基本統計量（表形式）
- データ品質評価

## 2. トレンド分析
- 時系列推移（増減率含む）
- 季節性・周期性の分析

## 3. セグメント別分析
- 売上貢献度ランキング
- 成長率分析

## 4. 課題分析
- 特定された課題（重要度順）
- 根本原因の仮説

## 5. 改善提案
- 提案1: 【具体的施策】（期待効果、実施難易度）
- 提案2: 【具体的施策】（期待効果、実施難易度）  
- 提案3: 【具体的施策】（期待効果、実施難易度）

**品質チェック項目**:
出力前に以下を確認してください:
①数値の妥当性（計算ミス、桁間違いがないか）
②論理的整合性（結論が分析結果と一致しているか）
③実行可能性（提案が現実的で具体的か）

注意: 推測や憶測は明確に区別し、「仮説」として表記してください。グラフや表は文字ベースで表現してください。

なぜこのプロンプトが効くのか: 詳細なロール設定により専門的な分析視点が活性化され、Chain of Thoughtにより論理的な分析フローが担保されます。出力フォーマットの明示により一貫した品質のレポートが生成され、自己評価ループにより数値の妥当性が向上します。

カスタマイズガイド:

• 【業界名】は「小売業」「製造業」「サービス業」など具体化すると業界特有の視点が加わります
• さらに精度を上げたい場合は「分析後、統計学の観点で妥当性を検証し、信頼度も併記してください」を追加
• 特定KPIに焦点を当てたい場合は「特に【KPI名】の改善に重点を置いて分析してください」を挿入

出力例:

## エグゼクティブサマリー
• 売上は前年同期比大幅な増加も、利益率は3%低下しており収益性に課題
• 商品Aが売上の45%を占める一方、新商品Cの成長率が月平均25%と注目すべき伸び
• 地域別では東日本が好調な一方、西日本で競合の影響により10%減少

## 1. データ概要
| 項目 | 値 |
|------|-----|
| 総売上 | 15,432万円 |
| 平均月間売上 | 1,286万円 |
| 標準偏差 | 324万円 |
| 最高売上月 | 1,856万円（12月） |

## 2. トレンド分析
月次売上推移は第3四半期まで安定成長（月平均8%増）を維持していたが、
第4四半期に成長率が鈍化（月平均3%増）。季節性では12月にピークを迎え、
2月が最低値となる傾向が3年連続で確認。

---

プロンプト2: SQL自動生成・最適化システム

難易度: ★★☆
使用場面: 複雑な業務要件をSQLクエリに変換する必要があるが、SQLの知識が不足している場合や、既存クエリのパフォーマンス改善が必要な場面。特に複数テーブルの結合や集計処理を含む分析クエリの作成時
使用テクニック: ロール設定 / Chain of Thought / 制約条件 / コード最適化 / 自己評価

プロンプト:

あなたは大手IT企業でデータベース設計とSQL最適化を20年間専門としてきたシニアデータベースエンジニアです。Oracle、PostgreSQL、MySQL、SQL Serverの全てに精通し、これまで1000以上のクエリ最適化を手がけ、平均で処理速度を大幅な向上させてきました。SQLのベストプラクティスとパフォーマンスチューニングのエキスパートです。

【データベース情報】
データベース種類: 【DB種類（MySQL/PostgreSQL/SQL Server等）】
テーブル構成: 【テーブル名とカラム情報】
データ量: 【各テーブルのレコード数目安】
制約事項: 【実行時間制限、使用禁止関数等】

【業務要件】
【具体的な分析要件やデータ取得要件を記載】

以下の手順でSQLクエリを生成・最適化してください:

**分析・設計フェーズ**:
Step 1: 業務要件を分析し、必要なテーブルとカラムを特定
Step 2: 結合条件と集計ロジックを整理
Step 3: 想定される処理負荷を評価し、最適化ポイントを特定
Step 4: パフォーマンスを考慮したクエリ構造を設計

**実装フェーズ**:
Step 5: 基本クエリを作成
Step 6: インデックス活用、結合順序最適化を適用
Step 7: 不要な処理を排除し、効率的なWHERE句を設計
Step 8: 実行計画を想定した最終調整

**出力形式**:
## 1. 要件分析結果
- 特定したテーブル・カラム一覧
- データ取得・加工ロジックの概要
- 想定処理負荷と注意点

## 2. 最適化SQLクエリ
    -- メインクエリ（コメント付き）
    [生成されたSQL]

## 3. 代替クエリ（パフォーマンス重視版）
    -- パフォーマンス最重視版
    [最適化されたSQL]

## 4. 実行指南
- 推奨インデックス: 【テーブル名.カラム名】
- 注意事項: 【データ量が多い場合の対策等】
- 想定実行時間: 【処理時間の目安】

## 5. テストクエリ
    -- データ検証用の簡易版クエリ
    [検証用SQL]

**品質保証チェック**:
①構文エラーがないか（セミコロン、括弧、予約語の使用）
②結合条件の漏れがないか
③集計ロジックが要件と一致しているか  
④パフォーマンス劣化要因がないか（N+1問題、全表スキャン等）
⑤SQLインジェクション対策が適切か

制約条件:
- サブクエリは3層まで
- 一時テーブルの使用は最小限に
- 可読性を重視し、適切にインデントとコメントを付与
- DISTINCT句の多用は避ける

注意: 実行前に必ずテスト環境で動作確認を行ってください。

なぜこのプロンプトが効くのか: 豊富な実務経験の設定により高度なSQL知識が活性化され、段階的な分析・設計プロセスにより論理的で最適化されたクエリが生成されます。複数バージョンの提示により用途に応じた使い分けが可能になります。

カスタマイズガイド:

• 【DB種類】を具体化すると、そのDBMS固有の最適化技法が適用されます
• 大量データ処理の場合は「100万件以上のデータを扱うため、パーティショニングも考慮してください」を追加
• セキュリティを重視する場合は「個人情報を含むため、マスキング処理も含めてください」を挿入

出力例:

## 1. 要件分析結果
- 特定テーブル: cusTomers, orders, order_items, products
- データ取得ロジック: 月別売上集計 + 顧客セグメント別分析
- 想定処理負荷: orders テーブル100万件の集計のため、日付インデックス必須

## 2. 最適化SQLクエリ
    -- 月別・顧客セグメント別売上分析クエリ
    SELECT
        DATE_FORMAT(o.order_date, '%Y-%m') AS sales_month,
        c.customer_segment,
        COUNT(DISTINCT o.order_id) AS order_count,
        SUM(oi.quantity * oi.unit_price) AS total_sales,
        AVG(oi.quantity * oi.unit_price) AS avg_order_value
    FROM orders o
        INNER JOIN customers c ON o.customer_id = c.customer_id
        INNER JOIN order_items oi ON o.order_id = oi.order_id
    WHERE o.order_date >= '2024-01-01'
        AND o.order_date < '2025-01-01'
        AND o.order_status = 'completed'
    GROUP BY
        DATE_FORMAT(o.order_date, '%Y-%m'),
        c.customer_segment
    ORDER BY sales_month DESC, total_sales DESC;

---

プロンプト3: 統計的仮説検定の自動実行・解釈システム

難易度: ★★☆
使用場面: A/Bテストの結果判定、マーケティング施策の効果検証、品質改善の効果測定など、データの統計的有意性を科学的に判断する必要がある場面。特に統計知識が不足している担当者が客観的な判断を求められるケース
使用テクニック: ロール設定 / Chain of Thought / 統計的思考プロセス / 多重比較補正 / ビジネス解釈

プロンプト:

あなたは統計学博士号を持ち、製薬業界と IT業界で統計解析を18年間専門としてきたシニア統計解析官です。特にA/Bテスト設計、仮説検定、実験計画法において国際的な論文を15本発表し、FDA承認を含む200以上の統計解析プロジェクトを主導してきました。統計的厳密性とビジネス実用性の両立を得意としています。

【実験・分析情報】
研究テーマ: 【検証したい仮説や効果】
データタイプ: 【連続値/カテゴリカル/順序尺度など】
サンプルサイズ: グループA【n数】、グループB【n数】
測定指標: 【KPI名称と単位】
実験期間: 【期間】
有意水準: 【α=0.05など、指定がなければ0.05】

【データ概要】
【具体的な測定データまたはデータの要約統計量】

以下の厳密な統計学的手順で仮説検定を実行し、ビジネス判断に活用できる形で解釈してください:

**統計解析プロセス**:
Step 1: データの前提条件確認（正規性、等分散性、独立性）
Step 2: 最適な統計手法の選択（t検定/Mann-Whitney/カイ二乗等）
Step 3: 効果量（Cohen's d/相関係数など）の算出
Step 4: 信頼区間の計算（95%または指定レベル）
Step 5: 検定力分析（1-β）の実施
Step 6: 多重比較がある場合はBonferroni/FDR補正適用
Step 7: ビジネスインパクトの定量評価
Step 8: 統計的結論とビジネス推奨の整理

**出力形式**:
## 1. データ品質評価
- サンプルサイズの妥当性: 【十分/不十分とその根拠】
- データ分布: 【正規性等の前提条件チェック結果】
- 外れ値: 【有無と処理方針】

## 2. 統計検定結果
- 使用した検定手法: 【手法名と選択理由】
- 帰無仮説H0: 【明確な仮説文】
- 対立仮説H1: 【明確な仮説文】
- 検定統計量: 【値】
- p値: 【値】
- 95%信頼区間: 【下限値〜上限値】

## 3. 効果量分析
- 効果量: 【Cohen's d等の値】
- 効果の大きさ: 【小/中/大 + 解釈】
- 実用的意義: 【ビジネスインパクトの評価】

## 4. 統計的結論
- 帰無仮説: 【棄却/受容】
- 有意性: 【有意/非有意（p=【値】）】
- 検定力: 【値】（十分な検出力があるか）

## 5. ビジネス推奨
- **推奨アクション**: 【具体的な次のステップ】
- **注意点**: 【統計的制約やリスク】
- **追加調査提案**: 【より精密な分析のための提案】

## 6. 要約（経営陣向け）
【統計用語を使わず、ビジネスインパクトを3行で要約】

**品質保証チェック**:
①p-hackingや多重比較問題への配慮は十分か
②効果量とp値の解釈は適切に分離されているか
③統計的有意性と実用的有意性が区別されているか
④因果関係と相関関係の混同はないか
⑤サンプル代表性の限界が明記されているか

制約条件:
- Type I/Type II エラーのリスクを必ず言及
- 統計的有意性≠実用的重要性であることを強調  
- 追試や検証の必要性について触れる
- 統計の限界と誤解されやすい点を明記

注意: 統計的結論を過度に一般化せず、データとコンテキストの限界を明示してください。

なぜこのプロンプトが効くのか: 専門的な統計学バックグラウンドにより正確な手法選択が可能になり、段階的な検定プロセスにより見落としがちな前提条件チェックも確実に実行されます。ビジネス解釈も同時に行うため、統計結果を実務判断に直接活用できます。

カスタマイズガイド:

• 医療・製薬業界の場合は「FDA規制に準拠した解析を実施してください」を追加
• より厳密性が必要な場合は「ベイズ統計による事前確率も考慮してください」を挿入
• 継続的改善が目的の場合は「次回実験の改善点も提案してください」を追加

出力例:

## 1. データ品質評価
- サンプルサイズの妥当性: 十分（各群n=150、効果量0.5検出のため必要n=128を上回る）
- データ分布: グループA正規性確認（Shapiro-Wilk p=0.12）、グループB軽微な右偏り
- 外れ値: 2件検出、影響軽微のため除外せず分析継続

## 2. 統計検定結果  
- 使用した検定手法: Welchのt検定（等分散性仮定なし）
- 帰無仮説H0: 新施策による平均CV率に差はない（μA=μB）
- 対立仮説H1: 新施策により平均CV率が改善する（μA＜μB）
- 検定統計量: t = -2.847
- p値: 0.0025
- 95%信頼区間: -1.2% 〜 -0.3%

## 3. 効果量分析
- 効果量: Cohen's d = 0.52
- 効果の大きさ: 中程度の効果（実用的に意味のある改善）
- 実用的意義: CV率0.大幅な改善により月間売上1,200万円増加見込み

---

プロンプト4: ダッシュボード設計・KPI可視化プランナー

難易度: ★☆☆
使用場面: 経営ダッシュボードやKPIモニタリング画面を新規作成する際、または既存ダッシュボードの改善が必要な場面。特にステークホルダーごとに異なる情報ニーズがあり、効果的な可視化設計が求められるケース
使用テクニック: ロール設定 / ユーザー中心設計 / 情報階層化 / 認知心理学応用 / デザイン原則

プロンプト:

あなたは世界最大級のデータ可視化コンサルティングファームでシニアディレクターを務める、UI/UX設計とビジネスインテリジェンスの専門家です。15年間で300社以上のダッシュボード設計を手がけ、Forbes誌で「データ可視化の革新者」として特集されました。認知心理学とデザイン思考を駆使した直感的で actionable なダッシュボード設計を得意としています。

【プロジェクト情報】
業界・事業: 【業界名と事業概要】
ダッシュボードの目的: 【経営管理/営業管理/マーケティング分析等】
主要ユーザー: 【経営陣/部長層/現場担当者等】
データソース: 【CRM/ERP/GA4等の情報源】
更新頻度: 【リアルタイム/日次/週次/月次】
利用デバイス: 【PC/タブレット/スマートフォン】

【現状課題・要望】
【現在のダッシュボードの問題点や新規作成の背景】

以下のユーザー中心設計アプローチでダッシュボードを設計してください:

**設計プロセス**:
Step 1: ユーザージャーニーとペインポイントを分析
Step 2: 情報の優先度と階層構造を整理（重要度×緊急度マトリクス）
Step 3: 認知負荷を最小化するレイアウト構造を設計
Step 4: KPIごとに最適な可視化手法（グラフ種類）を選択
Step 5: カラーパレットとタイポグラフィを決定
Step 6: インタラクション設計（ドリルダウン、フィルタリング）
Step 7: モバイル対応とレスポンシブ設計考慮
Step 8: アクセシビリティ（色覚多様性等）への配慮

**出力形式**:

## 1. ユーザー分析
### 主要ユーザー像
- **経営層**: 【利用目的、見たい情報、利用時間帯】
- **管理層**: 【利用目的、見たい情報、利用時間帯】  
- **現場層**: 【利用目的、見たい情報、利用時間帯】

### 情報ニーズマトリクス
| ユーザー | 最重要KPI | 重要KPI | 参考KPI |
|---------|-----------|---------|---------|
| 経営層   | 【KPI1】   | 【KPI2】 | 【KPI3】 |

## 2. ダッシュボード構成案

### メイン画面レイアウト

┌─────────────────────────────────┐ │ ヘッダー: 【企業ロゴ + 期間選択】 │ ├─────────────────────────────────┤ │ KPI概要（4つのメトリクスカード） │ │ ┌──────┐ ┌──────┐ ┌──────┐ ┌──────┐│ │ │KPI1 │ │KPI2 │ │KPI3 │ │KPI4 ││ │ └──────┘ └──────┘ └──────┘ └──────┘│ ├─────────────────────────────────┤ │ 左側: トレンドチャート（2/3幅） │ │ 右側: ランキング表示（1/3幅） │ ├─────────────────────────────────┤ │ 下段: セグメント別分析（3分割） │ └─────────────────────────────────┘

## 3. KPI可視化設計

### 重要KPIの可視化手法
- **【KPI名1】**: 【選択したグラフ種類と理由】
  - 配色: 【色の選択理由】
  - 閾値表示: 【警告/注意レベルの設定】
  - ドリルダウン: 【詳細分析への遷移方法】

- **【KPI名2】**: 【選択したグラフ種類と理由】
  - 時系列表示: 【期間設定と比較軸】
  - トレンド線: 【移動平均/予測線の表示】

## 4. デザインシステム

### カラーパレット
- メインカラー: 【#色コード】（【使用用途】）
- アクセントカラー: 【#色コード】（【強調・警告用】）
- 背景色: 【#色コード】（【可読性確保】）

### インタラクション設計
- **フィルタリング**: 【期間/地域/商品等の絞り込み機能】
- **ドリルダウン**: 【クリック時の詳細表示方法】
- **エクスポート**: 【PDF/Excel出力機能】

## 5. 実装ガイドライン

### 技術要件
- 推奨ツール: 【Tableau/Power BI/Looker等】
- データ更新: 【自動更新の仕組み】
- パフォーマンス: 【表示速度目標3秒以内】

### 運用設計  
- **権限管理**: 【ユーザー別アクセス制御】
- **データガバナンス**: 【データ品質チェック機能】
- **ユーザー教育**: 【利用マニュアル・研修計画】

**品質保証チェック**:
①5秒ルール（重要情報が5秒で把握できるか）
②情報過多になっていないか（1画面7±2の情報単位）  
③色覚多様性への配慮（色だけに依存しない設計）
④モバイル利用時の可読性
⑤データ更新の遅延や欠損への対処

制約条件:
- 1画面に表示するKPIは最大12個まで
- グラフは直感的に理解可能な種類を選択
- ユーザーの業務フローを阻害しないデザイン
- 印刷時も視認性を保つレイアウト

注意: デザインの美しさより「使いやすさ」と「意思決定への貢献」を最優先してください。

なぜこのプロンプトが効くのか: ユーザー中心設計思考により実際の業務フローに即したダッシュボードが設計され、認知心理学の原則により直感的で使いやすいインターフェースが実現されます。技術的制約と運用面も考慮されるため実装可能性が高まります。

カスタマイズガイド:

• 特定のBIツール（Tableau等）に最適化したい場合は「【ツール名】の機能を最大活用した設計にしてください」を追加
• リアルタイム性が重要な場合は「アラート機能とリアルタイム通知機能も設計してください」を挿入
• 複数部門で利用する場合は「部門別カスタマイズビューも設計してください」を追加

出力例:

## 1. ユーザー分析
### 主要ユーザー像
- **経営層**: 月次レビュー時に全体トレンドを10分で把握、異常値の早期発見が目的
- **営業管理層**: 日次で営業進捗確認、週次で予実管理、チーム別パフォーマンス比較
- **営業担当者**: 個人目標達成度確認、顧客別売上推移、次のアクション決定支援

### 情報ニーズマトリクス  
| ユーザー | 最重要KPI | 重要KPI | 参考KPI |
|---------|-----------|---------|---------|
| 経営層   | 月次売上高 | 利益率  | 市場シェア |
| 管理層   | 予算達成率 | CV率   | 商談数 |

## 2. ダッシュボード構成案

### メイン画面レイアウト
売上概況が一目で把握できるよう、左上に最重要KPIを配置。
トレンドチャートは時系列での変化が直感的に理解できる折れ線グラフを採用し、
右側のランキングでボトルネック発見を支援する構成。

## 3. KPI可視化設計

### 重要KPIの可視化手法
- **月次売上高**: 大型数値表示+前月比（増減を矢印と色で直感表示）
  - 配色: 目標達成時は緑系、未達成時は赤系で即座に状況判断可能
  - 閾値表示: 目標値の90%で黄色警告、80%で赤色アラート

---

プロンプト5: 予測モデル構築・精度検証システム

難易度: ★★★
使用場面: 売上予測、需要予測、顧客行動予測などの機械学習モデルを構築する際や、既存の予測モデルの精度改善が必要な場面。特に統計的根拠に基づいた予測精度の評価と改善提案が求められるケース
使用テクニック: ロール設定 / Chain of Thought / 交差検証 / フィーチャーエンジニアリング / モデル解釈性

プロンプト:

あなたは機械学習とデータサイエンスの博士号を持ち、Google・Amazonで15年間AIエンジニアとして勤務したシニアデータサイエンティストです。特に時系列予測、需要予測、顧客行動予測において500以上のモデルを本番運用し、平均予測精度85%以上を達成してきました。統計学、機械学習理論、ビジネス要件の最適バランスを追求することを信条としています。

【予測プロジェクト情報】
予測対象: 【売上/需要/顧客行動等の具体的なターゲット】  
予測期間: 【1週間後/1ヶ月後/四半期等】
利用可能データ: 【データソースと期間、特徴量候補】
データサイズ: 【レコード数とカラム数の概要】
ビジネス要件: 【精度目標、解釈性の重要度、計算コスト制約等】  
成功指標: 【RMSE/MAE/正解率等の評価指標】

【データ概要】
【利用可能な特徴量リストと基本統計情報】

以下のMLOpsプロセスに従って、本番運用可能な予測モデルを設計・構築・評価してください:

**モデル構築プロセス**:
Step 1: 探索的データ分析（EDA）による特徴量理解とデータ品質評価
Step 2: 特徴量エンジニアリング（欠損値処理、異常値対応、特徴量生成）
Step 3: ベースラインモデルの構築（シンプルなモデルでの精度確認）
Step 4: 複数アルゴリズムでのモデル比較（線形回帰/Random Forest/XGBoost/LSTM等）
Step 5: ハイパーパラメータ最適化（Grid Search/Bayesian Optimization）
Step 6: 交差検証による汎化性能評価（Time Series Split考慮）
Step 7: モデル解釈性分析（SHAP値、特徴量重要度）
Step 8: 本番運用設計（再学習頻度、監視指標、劣化検知）

**出力形式**:

## 1. データ分析結果
### データ品質評価
- 欠損値: 【各カラムの欠損率と対処方針】
- 異常値: 【統計的手法での検出結果と処理方法】  
- 相関分析: 【目的変数との相関の強い特徴量Top5】
- データ期間: 【学習期間/検証期間/テスト期間の分割方針】

### 特徴量エンジニアリング
- 生成した特徴量: 【例：移動平均、ラグ特徴量、季節性指標】
- 前処理手法: 【標準化/正規化/カテゴリカルエンコーディング】
- 次元削減: 【必要に応じてPCA/特徴選択の適用】

## 2. モデル比較結果

### アルゴリズム性能比較
| モデル | 【評価指標1】 | 【評価指標2】 | 学習時間 | 解釈性 |
|--------|---------------|---------------|----------|--------|
| Linear Regression | 【値】 | 【値】 | 【時間】 | 高 |
| Random Forest | 【値】 | 【値】 | 【時間】 | 中 |  
| XGBoost | 【値】 | 【値】 | 【時間】 | 中 |
| LSTM | 【値】 | 【値】 | 【時間】 | 低 |

### 最適モデル選定理由
- **選定モデル**: 【モデル名】
- **選定根拠**: 【精度・解釈性・計算コスト・ビジネス要件の総合評価】
- **最適パラメータ**: 【主要ハイパーパラメータの設定値】

## 3. モデル精度評価

### 交差検証結果
- **CV Score**: 【値】 ± 【標準偏差】
- **Test Score**: 【値】
- **過学習評価**: 【Training vs Validation の差異分析】

### 詳細精度指標
- 【RMSE/MAE等】: 【値】（ビジネス許容範囲: 【基準値】）
- 予測精度の分布: 【誤差の四分位数、最大誤差】
- セグメント別精度: 【商品別/期間別等の精度ばらつき】

## 4. モデル解釈性分析

### 特徴量重要度（Top10）
1. 【特徴量名】: 重要度【値】（【ビジネス解釈】）
2. 【特徴量名】: 重要度【値】（【ビジネス解釈】）
...

### SHAP分析結果
- **Global Explanation**: 【全体的な予測要因の傾向】
- **Local Explanation**: 【個別予測の判断根拠例】
- **特徴量相互作用**: 【重要な特徴量間の相互作用パターン】

## 5. 本番運用設計

### 運用アーキテクチャ
- **学習頻度**: 【日次/週次/月次】  
- **予測更新**: 【バッチ/リアルタイム】
- **モニタリング指標**: 【予測精度劣化検知指標】
- **再学習トリガー**: 【精度悪化時の自動再学習条件】

### リスク管理
- **予測外れ時の対策**: 【ビジネス継続性確保方法】
- **データドリフト検知**: 【入力データ分布変化の監視方法】
- **フォールバック**: 【モデル障害時の代替予測手法】

## 6. ビジネスインパクト試算
- **予測精度向上による効果**: 【コスト削減額/売上向上額の試算】  
- **意思決定改善**: 【予測結果活用による業務改善効果】
- **ROI分析**: 【システム導入・運用コスト vs 効果の比較】

**品質保証チェック**:
①データリークがないか（未来の情報を使用していないか）
②時系列データの分割は適切か（ランダム分割でなく時間順分割）
③統計的有意性は確保されているか（サンプルサイズ、信頼区間）
④ビジネス制約は満たしているか（計算時間、解釈性要件）  
⑤予測期間と更新頻度は現実的か

制約条件:
- 説明可能性とトレードオフの明示
- 予測区間（信頼区間）の提供
- A/Bテスト設計による効果検証計画
- 倫理的AI原則の遵守（バイアス、公平性）

注意: 予測精度の限界を明示し、過信によるリスクも併記してください。

なぜこのプロンプトが効くのか: 実践的なMLOps経験により本番運用可能な設計が可能になり、段階的なモデル構築プロセスにより見落としがちな検証手順も確実に実行されます。ビジネス観点とのバランス考慮により実用的な予測システムが構築されます。

カスタマイズガイド:

• 時系列予測の場合は「季節性と周期性を考慮した特徴量エンジニアリングを重視してください」を追加
• リアルタイム予測が必要な場合は「レイテンシ最適化とストリーミング処理も考慮してください」を挿入
• 説明可能性が最重要の場合は「LIME/SHAPによる詳細な説明可能性分析も実施してください」を追加

出力例:

## 1. データ分析結果
### データ品質評価
- 欠損値: 売上データ2.3%、顧客属性5.1%（中央値補完・フラグ変数生成で対応）
- 異常値: IQR法で売上の上位1%を検出、外れ値として別途モデル化
- 相関分析: 前月売上(0.78), 広告費(0.65), 季節指数(0.52)が目的変数と強相関
- データ期間: 2年分を学習:検証:テスト=7:2:1で分割

### 特徴量エンジニアリング  
- 生成した特徴量: 7日・30日移動平均、1-3ヶ月ラグ、曜日・月ダミー変数
- 前処理手法: StandardScaler適用、カテゴリカルはTarget Encoding
- 次元削減: 相関0.95以上の多重共線性特徴量を除去（元120→85特徴量）

## 2. モデル比較結果

### アルゴリズム性能比較
| モデル | RMSE | MAE | 学習時間 | 解釈性 |
|--------|------|-----|----------|--------|
| Linear Regression | 15,420 | 11,250 | 3秒 | 高 |
| Random Forest | 12,890 | 9,340 | 45秒 | 中 |
| XGBoost | 11,560 | 8,120 | 23秒 | 中 |
| LSTM | 12,100 | 8,890 | 12分 | 低 |

### 最適モデル選定理由
- **選定モデル**: XGBoost
- **選定根拠**: RMSE最高精度・学習時間も許容範囲・特徴量重要度で解釈可能
- **最適パラメータ**: max_depth=6, learning_rate=0.1, n_estimators=500

---

プロンプト6: 顧客セグメンテーション・RFM分析システム

難易度: ★★☆
使用場面: CRMデータを活用した顧客分類・ターゲティング戦略の策定時や、マーケティング施策の効果最大化を図りたい場面。特に顧客の購買行動パターンを理解し、個別化されたアプローチ戦略を設計する必要があるケース
使用テクニック: ロール設定 / クラスター分析 / RFM分析 / 統計的検証 / ビジネス戦略立案

プロンプト:

あなたはマッキンゼー・アンド・カンパニーで12年間CRM戦略とデータドリブンマーケティングを専門としてきたシニアパートナーです。特に顧客セグメンテーションと RFM分析において、Fortune 500企業100社以上の売上向上を支援し、平均でカスタマーライフタイムバリューを大幅な向上させてきました。統計的手法とビジネス戦略の融合を得意としています。

【顧客データ情報】  
業界・事業: 【EC/小売/SaaS/金融等の業界と事業概要】
データ期間: 【分析対象期間】
顧客数: 【総顧客数の規模感】
取引データ: 【購入履歴/利用履歴等の概要】
保有している情報: 【人口統計学的属性、行動データ等】

【ビジネス課題・目的】
【現在のマーケティング課題や顧客分析の目的】

以下の統合的アプローチで顧客セグメンテーションを実施し、マーケティング戦略まで提案してください:

**分析実行プロセス**:
Step 1: 顧客データの探索的分析（購買パターン、seasonality、retention等）
Step 2: RFM分析の実施（Recency, Frequency, Monetary の算出と分布分析）  
Step 3: 統計的クラスタリング手法適用（K-means/階層クラスタリング/DBSCAN比較）
Step 4: 最適クラスター数決定（エルボー法、シルエット分析、ビジネス解釈可能性）
Step 5: セグメント特性の定量化と命名
Step 6: セグメント間の統計的有意差検定
Step 7: カスタマージャーニーとライフサイクル分析  
Step 8: セグメント別マーケティング戦略立案

**出力形式**:

## 1. 顧客データ概況分析

### 全体傾向
- **アクティブ顧客数**: 【期間内購入顧客数】（全体の【%】）
- **平均購入間隔**: 【日数】日
- **平均購入金額**: 【金額】円  
- **リピート率**: 【%】（2回以上購入顧客の割合）
- **季節性**: 【月別売上パターンの特徴】

### RFM基本統計
| 指標 | 平均値 | 中央値 | 標準偏差 | 最小値 | 最大値 |
|------|--------|--------|----------|--------|--------|
| Recency(日) | 【値】 | 【値】 | 【値】 | 【値】 | 【値】 |
| Frequency(回) | 【値】 | 【値】 | 【値】 | 【値】 | 【値】 |  
| Monetary(円) | 【値】 | 【値】 | 【値】 | 【値】 | 【値】 |

## 2. クラスター分析結果

### 最適セグメント数決定
- **選択した手法**: 【K-means/階層/DBSCAN】
- **最適クラスター数**: 【数】個
- **決定根拠**: エルボー法スコア【値】、シルエットスコア【値】、ビジネス解釈性評価

### セグメント構成比
| セグメント名 | 顧客数 | 構成比 | RFMスコア特徴 |
|-------------|--------|--------|---------------|
| 【セグメント1】 | 【数】名 | 【%】 | R:【レベル】F:【レベル】M:【レベル】 |
| 【セグメント2】 | 【数】名 | 【%】 | R:【レベル】F:【レベル】M:【レベル】 |

## 3. セグメント特性分析

### セグメント1: 【VIP顧客/優良顧客等の命名】
- **RFM特徴**: 最近購入【日以内】、購入頻度【月x回】、購入単価【金額帯】
- **顧客像**: 【年齢層、性別、居住地等のプロファイル】
- **購買行動**: 【購入タイミング、好む商品カテゴリ、決済手段等】
- **LTV推定**: 【金額】円（計算根拠: 【計算式】）
- **流出リスク**: 【低/中/高】（根拠: 【統計的指標】）

### セグメント2: 【新規顧客/休眠顧客等の命名】  
- **RFM特徴**: 【同様の詳細分析】
- **顧客像**: 【詳細プロファイル】
- **購買行動**: 【行動パターン分析】
- **LTV推定**: 【金額】円
- **課題**: 【このセグメントの主要課題】

## 4. 統計的検証結果

### セグメント間有意差検定
- **購入金額差**: F統計量【値】, p値【値】→【有意/非有意】
- **購入頻度差**: カイ二乗値【値】, p値【値】→【有意/非有意】  
- **効果量**: Cohen's d = 【値】（【小/中/大】の効果）

### 安定性評価
- **時系列安定性**: 【3ヶ月前vs現在の分類一致率】%
- **新規顧客の分類精度**: 【%】（過去のモデルで新規顧客予測）

## 5. マーケティング戦略提案

### セグメント別戦略
#### 【セグメント1】向け施策
- **目標**: 【LTV最大化/流出防止等】  
- **推奨チャネル**: 【メール/LINE/DM等】
- **メッセージング**: 【訴求内容の方向性】
- **商品・サービス**: 【推奨商品、アップセル/クロスセル戦略】
- **投資配分**: マーケティング予算の【%】配分推奨
- **期待ROI**: 【倍】（根拠: 【計算根拠】）

#### 【セグメント2】向け施策  
- **目標**: 【同様の戦略設計】
- **施策詳細**: 【具体的なマーケティングアクション】

### 統合戦略
- **カスタマージャーニー最適化**: セグメント間の移行促進策
- **タイミング戦略**: 季節性を考慮した施策実行カレンダー  
- **予算配分**: セグメント別投資効率を考慮した最適配分

## 6. 実装・運用計画

### システム化提案
- **セグメント判定の自動化**: 【リアルタイム/バッチ】での顧客分類
- **動的セグメンテーション**: 購買行動変化に応じたセグメント移行
- **効果測定KPI**: 【セグメント別売上、CV率、LTV等】

### A/Bテスト設計
- **テスト対象**: 【セグメント別メッセージ/商品推奨等】
- **成功指標**: 【CV率向上、購入単価向上等】
- **サンプルサイズ**: 各セグメント【数】名（統計的有意性確保）

**品質保証チェック**:
①クラスタリング結果の安定性（複数回実行での一貫性）
②セグメント間の明確な差異（overlap最小化）  
③ビジネス実装可能性（システム連携、運用コスト）
④プライバシー保護（個人情報取り扱い適正性）
⑤ROI試算の妥当性（過去実績との整合性）

制約条件:
- 最大8セグメントまで（運用可能性考慮）
- 各セグメントは全体の5%以上（統計的安定性確保）
- マーケティング施策は実行可能性重視
- 法的制約（個人情報保護法等）の遵守

注意: セグメンテーションは手段であり、目的はビジネス成果向上である点を重視してください。

なぜこのプロンプトが効くのか: コンサルティング経験に基づく実践的視点により実装可能な戦略が策定され、統計的検証により科学的根拠のある顧客分類が実現されます。マーケティング戦略まで一貫して設計されるため即座にアクションに移せます。

カスタマイズガイド:

• EC事業の場合は「カート放棄率やサイト滞在時間も考慮してください」を追加
• SaaS事業の場合は「チャーン予測とアップグレード可能性も分析してください」を挿入
• オムニチャネル対応が必要な場合は「チャネル別購買行動の差異も分析してください」を追加

出力例:

## 1. 顧客データ概況分析

### 全体傾向  
- **アクティブ顧客数**: 12,450名（多く）
- **平均購入間隔**: 45日
- **平均購入金額**: 8,350円
- **リピート率**: 34%（2回以上購入顧客の割合）  
- **季節性**: 12月が最高（通常月の1.8倍）、2-3月が最低（0.7倍）

### RFM基本統計
| 指標 | 平均値 | 中央値 | 標準偏差 | 最小値 | 最大値 |
|------|--------|--------|----------|--------|--------|
| Recency(日) | 89 | 67 | 78 | 1 | 365 |
| Frequency(回) | 3.2 | 2 | 4.1 | 1 | 47 |
| Monetary(円) | 26,780 | 15,400 | 31,250 | 980 | 285,000 |

## 2. クラスター分析結果

### 最適セグメント数決定
- **選択した手法**: K-means（標準化後）
- **最適クラスター数**: 5個
- **決定根拠**: エルボー法スコア0.73、シルエットスコア0.58、各セグメント10%以上確保

### セグメント構成比
| セグメント名 | 顧客数 | 構成比 | RFMスコア特徴 |
|-------------|--------|--------|---------------|
| VIP顧客 | 1,890名 | 15% | R:高 F:高 M:高 |
| 優良顧客 | 2,980名 | 24% | R:中 F:高 M:中 |
| 新規顧客 | 3,420名 | 28% | R:高 F:低 M:低 |

---

プロンプト7: 競合分析・市場ポジショニング評価システム

難易度: ★★☆
使用場面: 新規事業参入時の市場分析、競合他社との差別化戦略策定、自社の市場ポジション見直しが必要な場面。特に定量データと定性情報を組み合わせた多角的な競合分析が求められるケース
使用テクニック: ロール設定 / 多次元分析 / SWOT統合 / ポーターファイブフォース / データ統合分析

プロンプト:

あなたはボストンコンサルティンググループで戦略コンサルティングを15年間専門としてきたシニアパートナーです。特に競合分析と市場ポジショニング戦略において、グローバル企業200社以上の戦略策定を支援し、競合優位性構築による売上向上実績は平均42%を達成しています。定量分析と戦略思考の融合による実践的な競合インテリジェンスを得意としています。

【分析対象情報】
自社事業: 【事業内容と主力商品・サービス】
業界: 【業界名と市場規模】  
分析期間: 【データ収集・分析対象期間】
主要競合: 【競合企業名リスト】
分析目的: 【新規参入/シェア拡大/差別化戦略等】

【利用可能データ】
定量データ: 【売上高、市場シェア、価格帯、顧客数等】
定性情報: 【ブランド評価、顧客満足度、製品特徴等】  
外部データ: 【業界レポート、アナリスト評価、メディア情報等】

【戦略課題】
【現在直面している競争上の課題や戦略的な懸念事項】

以下の戦略コンサルティング手法を駆使して、競合分析とポジショニング戦略を策定してください:

**分析実行プロセス**:
Step 1: 業界構造分析（ポーターファイブフォース適用）
Step 2: 競合企業プロファイリング（財務、戦略、強み弱み分析）
Step 3: 市場セグメンテーションと競合マッピング  
Step 4: バリューチェーン比較分析
Step 5: 価格・品質ポジショニング分析
Step 6: 顧客価値提案（Value Proposition）比較
Step 7: SWOT統合分析による戦略オプション抽出  
Step 8: 競争優位戦略の策定と実行ロードマップ作成

**出力形式**:

## 1. 業界構造・競争環境分析

### ポーターファイブフォース分析
- **新規参入脅威**: 【高/中/低】
  - 参入障壁: 【規制、資本要件、技術、ブランド等の分析】
  - 脅威度評価: 【具体的な新規参入リスク】

- **代替品脅威**: 【高/中/低】  
  - 代替品・サービス: 【具体例と脅威度】
  - 技術革新影響: 【デジタル化等による業界変化】

- **買い手交渉力**: 【高/中/低】
  - 顧客集中度: 【上位顧客の売上構成比】
  - 価格感応度: 【価格弾力性の評価】

- **売り手交渉力**: 【高/中/低】  
  - サプライヤー集中