Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
探索的データ分析のためのチャートの選び方
Search
Kan Nishida
September 04, 2019
Science
2
1.2k
探索的データ分析のためのチャートの選び方
探索的データ分析の簡単な紹介と、その時に役立つチャートの選び方と使い方の話をデモを交えて行います。ヒストグラム、密度曲線、箱ひげ図、散布図、積み上げバーチャート、などの使い方を紹介します。
Kan Nishida
September 04, 2019
Tweet
Share
More Decks by Kan Nishida
See All by Kan Nishida
Seminar #52 - Introduction to Exploratory Server
kanaugust
0
330
Exploratory セミナー #61 政府のオープンデータ e-Statの活用
kanaugust
0
1.1k
Exploratory セミナー #60 時系列データの加工、可視化、分析手法の紹介
kanaugust
0
1.1k
Seminar #51 - Machine Learning - How Variable Importance Works
kanaugust
0
660
Exploratory セミナー #59 テキストデータの加工
kanaugust
0
670
Seminar #50 - Salesforce Data, Clean, Visualize, Analyze, & Dashboard
kanaugust
1
390
Exploratory セミナー #58 Exploratory x Salesforce
kanaugust
0
350
Exploratory Seminar #49 - Introduction to Dashboard Cycle with Exploratory
kanaugust
0
380
Seminar #48 - Introduction to Exploratory v6.6
kanaugust
0
340
Other Decks in Science
See All in Science
Accelerated Computing for Climate forecast
inureyes
PRO
0
120
白金鉱業Meetup Vol.16_【初学者向け発表】 数理最適化のはじめの一歩 〜身近な問題で学ぶ最適化の面白さ〜
brainpadpr
11
2.3k
機械学習 - DBSCAN
trycycle
PRO
0
1k
mathematics of indirect reciprocity
yohm
1
170
局所保存性・相似変換対称性を満たす機械学習モデルによる数値流体力学
yellowshippo
1
310
機械学習 - 授業概要
trycycle
PRO
0
230
機械学習 - K-means & 階層的クラスタリング
trycycle
PRO
0
1k
「美は世界を救う」を心理学で実証したい~クラファンを通じた新しい研究方法
jimpe_hitsuwari
1
160
04_石井クンツ昌子_お茶の水女子大学理事_副学長_D_I社会実現へ向けて.pdf
sip3ristex
0
600
モンテカルロDCF法による事業価値の算出(モンテカルロ法とベイズモデリング) / Business Valuation Using Monte Carlo DCF Method (Monte Carlo Simulation and Bayesian Modeling)
ikuma_w
0
240
01_篠原弘道_SIPガバニングボード座長_ポスコロSIPへの期待.pdf
sip3ristex
0
650
ド文系だった私が、 KaggleのNCAAコンペでソロ金取れるまで
wakamatsu_takumu
2
1.2k
Featured
See All Featured
Become a Pro
speakerdeck
PRO
29
5.5k
Automating Front-end Workflow
addyosmani
1370
200k
Bash Introduction
62gerente
614
210k
VelocityConf: Rendering Performance Case Studies
addyosmani
332
24k
How to train your dragon (web standard)
notwaldorf
96
6.2k
Keith and Marios Guide to Fast Websites
keithpitt
411
22k
Java REST API Framework Comparison - PWX 2021
mraible
33
8.8k
Templates, Plugins, & Blocks: Oh My! Creating the theme that thinks of everything
marktimemedia
31
2.5k
No one is an island. Learnings from fostering a developers community.
thoeni
21
3.4k
Testing 201, or: Great Expectations
jmmastey
45
7.6k
Refactoring Trust on Your Teams (GOTO; Chicago 2020)
rmw
34
3.1k
A Modern Web Designer's Workflow
chriscoyier
696
190k
Transcript
୳ࡧతσʔλੳͷͨΊͷ νϟʔτͷબͼํ
EXPLORATORY
3 εϐʔΧʔ ా צҰ CEO EXPLORATORY ུྺ 2016ɺσʔλαΠΤϯεͷຽओԽͷͨΊɺExploratory, Inc Λ
্ཱͪ͛Δɻ Exploratory, Inc.ͰCEOΛΊΔ͔ͨΘΒɺσʔλαΠΤϯεɾ ϒʔτΩϟϯϓɾτϨʔχϯάͳͲΛ௨ͯ͠γϦίϯόϨʔͰ ߦΘΕ͍ͯΔ࠷ઌͷσʔλαΠΤϯεͷීٴͱڭҭʹऔΓ Ήɻ ถΦϥΫϧຊࣾͰɺ16ʹΘͨΓσʔλαΠΤϯεͷ։ൃνʔ ϜΛ͍ɺػցֶशɺϏοάɾσʔλɺϏδωεɾΠϯςϦδΣ ϯεɺσʔλϕʔεʹؔ͢Δଟ͘ͷΛੈʹૹΓग़ͨ͠ɻ @KanAugust
Vision ΑΓΑ͍ҙࢥܾఆΛ͢ΔͨΊʹ σʔλΛ͏͜ͱ͕ͨΓલʹͳΔ
Mission σʔλαΠΤϯεͷຽओԽ
6 ୈ̏ͷ σʔλαΠΤϯεɺAIɺػցֶश౷ܭֶऀɺ։ൃऀͷͨΊ͚ͩͷͷͰ͋Γ·ͤΜɻ σʔλʹڵຯͷ͋ΔਓͳΒ୭͕ੈքͰ࠷ઌͷΞϧΰϦζϜΛͬͯ ϏδωεσʔλΛ؆୯ʹੳͰ͖Δ͖Ͱ͢ɻ Exploratory͕ͦ͏ͨ͠ੈքΛՄೳʹ͠·͢ɻ
ୈ1ͷ ୈ̎ͷ ୈ̏ͷ ϓϥΠϕʔτ(ߴ͍/ݹ͍) Φʔϓϯɾιʔε(ແྉ/࠷ઌ) UI & ϓϩάϥϛϯά ϓϩάϥϛϯά 2016
2000 1976 ϚωλΠθʔγϣϯ ίϞσΟςΟԽ ຽओԽ ౷ܭֶऀ σʔλαΠΤϯςΟετ Exploratory ΞϧΰϦζϜ Ϣʔβʔɾ ମݧ πʔϧ Φʔϓϯɾιʔε(ແྉ/࠷ઌ) UI & ࣗಈԽ ϏδωεɾϢʔβʔ ςʔϚ σʔλαΠΤϯεͷຽओԽ
質問 ExploratoryͰ؆୯ʹͰ͖ΔλεΫ 伝える データアクセス データ ラングリング 可視化 アナリティクス 統計/機械学習 UI
୳ࡧతσʔλੳͷͨΊͷ νϟʔτͷબͼํ
質問 伝える データアクセス データ ラングリング 可視化 アナリティクス 統計/機械学習
༧ଌ·ͨকདྷΛίϯτϩʔϧ͢ΔͨΊʹɺσʔλʹରͯ͠ ͨ͘͞Μͷ࣭Λ͔͚͛ɺ͑Λ୳͍ͯ͘͜͠ͱͰɺΑΓ Α͍ԾઆΛߏங͍ͯͨ͘͠Ίͷੳɻ 11 EDAʢ୳ࡧతσʔλੳʣ
12 ࣭ ͑ σʔλ Ծઆ EDAʢ୳ࡧతσʔλੳʣ
Why σʔλੳʁ 13
14 ΰʔϧ ϏδωεΛ
15 ΰʔϧ ϏδωεΛ ސ٬Λ૿͢
16 ΰʔϧ ͷԽ ϏδωεΛ ސ٬Λ૿͢ ސ٬ͷ
17 ސ٬ͷ͕ԿਓʹͳΔͷ͔༧ଌ͍ͨ͠ ༧ଌ
18 ސ٬ͷΛ1000ਓʹ͍ͨ͠ɻ ίϯτϩʔϧ
19 ༧ଌ ίϯτϩʔϧ ༧ଌ͢Δ͜ͱͰকདྷʹ උ͍͑ͨɻ ίϯτϩʔϧͯ͠কདྷ Λࣗͷࢥ͏ͷʹ͠ ͍ͨɻ Կ͕༧ଌʹӨڹ͢Δͷ ͩΖ͏͔ɻ
Ͳ͏͍͏ΞΫγϣϯΛ ͱΔͱ݁ՌʹӨڹ͢Δ ͩΖ͏͔ɻ
20 ༧ଌ ίϯτϩʔϧ • ࣍ͷ3ϲ݄ͷؒɺԿਓ͘Β ͍ͷ٬͕དྷΔͷ͔ʁ • ؾԹ͕ஆ͔͚Εɺ٬͕૿ ͑ΔͰ͋Ζ͏ɻ •
٬ͷΛ૿͢ʹԿ͕ Ͱ͖Δ͔ʁ • 10ˋͷׂҾΛ͢Εɺ٬ ͕૿͑ΔͰ͋Ζ͏ɻ
21 ༧ଌ ίϯτϩʔϧ • ࣍ͷ3ϲ݄ͷؒɺԿਓ͘Β ͍ͷ٬͕དྷΔͷ͔ʁ • ؾԹ͕ஆ͔͚Εɺ٬͕૿ ͑ΔͰ͋Ζ͏ɻ •
٬ͷΛ૿͢ʹԿ͕ Ͱ͖Δ͔ʁ • 10ˋͷׂҾΛ͢Εɺ٬ ͕૿͑ΔͰ͋Ζ͏ɻ Ծઆ
22 ༧ଌ ίϯτϩʔϧ Ծઆ ༧ଌʹԿ͕ Өڹ͢Δͷ͔ʁ ίϯτϩʔϧ͢ΔͨΊͷ ҼՌؔԿ͔ʁ
23 Ծઆ σʔλ ςετ Ծઆςετͯ͠ਖ਼͍͔͠Ͳ͏͔νΣοΫ͢Δɻ ׂҾ͢Δͱސ٬͕ 100ਓ૿͑Δɻ
24 Ծઆ σʔλ ςετ Ծઆςετͯ͠ਖ਼͍͔͠Ͳ͏͔νΣοΫ͢Δɻ • Ծઆݕఆ • A/Bςετ ׂҾ͢Δͱސ٬͕
૿͑Δɻ
25 Confirmatory Analysis Ծઆ σʔλ ςετ ԾઆΛσʔλΛͬͯݕূ͢Δ
26 Ծઆ σʔλ ςετ ԾઆΛͲ͏ߏங͢Δͷ͔ʁ
27 σʔλΛੳͯ͠ԾઆΛߏங͢Δ EDA ୳ࡧతσʔλੳʢEDAʣ Ծઆ σʔλ ςετ σʔλ
28 ༧ଌ ίϯτϩʔϧ EDA ΰʔϧ Why ୳ࡧతσʔλੳʁ Ծઆ σʔλ
29 ༧ଌ ίϯτϩʔϧ EDA Ծઆ σʔλ ༧ଌʹԿ͕Өڹ͢Δͷ͔ʁ ίϯτϩʔϧ͢ΔͨΊͷ ҼՌؔԿ͔ʁ
σʔλʹର࣭ͯ͠Λ͔͚͛ɺ͑Λ୳ࡧతʹٻΊ͍ͯ͘ ͜ͱͰɺઆ໌ɺ༧ଌɺίϯτϩʔϧͷͨΊͷԾઆΛߏஙͯ͠ ͍ͨ͘Ίͷੳɻ 30 EDAʢ୳ࡧతσʔλੳʣ
31 ࣭ ͑ σʔλ Ծઆ EDAʢ୳ࡧతσʔλੳʣ
ैۀһσʔλ
ैۀһσʔλ
ΰʔϧ • ͲͷΑ͏ʹڅྉʹҧ͍͕ͰΔͷ͔આ໌͍ͨ͠ɻ • ैۀһͷଐੑΛͱʹڅྉΛ༧ଌ͍ͨ͠ɻ • څྉΛ্͍͛ͨɺ͠ՄೳͰ͋Εʂ
σʔλʹର࣭ͯ͠Λ͔͚͛ɺ͑Λ୳ࡧతʹٻΊ͍ͯ͘ ͜ͱͰɺઆ໌ɺ༧ଌɺίϯτϩʔϧͷͨΊͷԾઆΛߏஙͯ͠ ͍ͨ͘Ίͷੳɻ 35 EDAʢ୳ࡧతσʔλੳʣ
36 ਖ਼͍࣭͠ʹରͯ͠ͷ ͍͍ͩͨͷ͑ͷ΄͏͕ɺ ؒҧ࣭ͬͨʹର͢Δ ਖ਼֬ͳ͑ΑΓ ΑͬΆͲ͍͍ɻ — John Tukey
37 • खݩʹ͋ΔมʹͲͷΑ͏ͳΒ͖͕ͭ͋Δͷ͔ɻ • มͲ͏͠ͷؒͰͲͷΑ͏ͳ૬͕ؔ͋Δͷ͔ɻ ࣭ͷͨΊͷ2ͭͷݪଇ
“Since the aim of exploratory data analysis is to learn
what seems to be, it should be no surprise that pictures play a vital role in doing it well. There is nothing better for making you think of questions you had forgotten to ask (even mentally),” John Tukey
Β͖ͭͱ૬ؔͷՄࢹԽ
Β͖ͭͷՄࢹԽ
αϚϦɾϏϡʔ
42
σʔλΒͭ͘ 43
$6,503 Β͖ͭ ฏۉ $15,000 $1,000
$6,503 ฏۉ
Γ͍ͨ͜ͱ • ͲͷΑ͏ʹσʔλ͍ͯ͠Δ͔ɻ • Ͳͷ͕ͬͱස͕ߴ͍͔ʁͳ͔ͥʁ • Ͳͷ͕͍͔͠ʁͳ͔ͥʁͦΕظ௨Γ͔ʁ • ҙ֎ͳύλʔϯ͕ݟ͑Δ͔ʁͳͥͦ͏ͳͷ͔ʁ 46
νϟʔτΛ͏
48 ώετάϥϜ ີۂઢ όʔ Β͖ͭΛཧղ͢ΔͨΊʹΑ͘ΘΕΔνϟʔτ
49 ͲͷνϟʔτΛ͑Α͍ͷ͔ʁ
50 σʔλͷλΠϓ࣍ୈʂ
࿈ଓσʔλ vs. ΧςΰϦʔσʔλ 51
࿈ଓσʔλ vs. ΧςΰϦʔσʔλ 52
• (numeric) • ɾ࣌ؒʢDateʣ 53
0 10 20 30 40 50 11 22 45
54 ࿈ଓੑ͕͋Δ ॱং͕ؔ͋Δ
55 ώετάϥϜ ີۂઢ όʔ
ώετάϥϜ 56
57 σʔλͷΛɺΛ͍͔ͭ͘ͷ۠ըʢόέοτʣʹ͚ɺ ͦΕͧΕͷ۠ըʹ͋ΔσʔλͷྔʢߦʣΛόʔΛͬͯද͢ɻ
ྫ - ͷΒ͖ͭͷՄࢹԽ 58 1. څྉͷΒ͖ͭΛՄࢹԽ͢Δ 2. څྉͷΒ͖ͭஉঁ͝ͱʹҧ͍͕͋Δ͔ʁ 3. څྉͷΒ͖ͭ৬छ͝ͱʹҧ͍͕͋Δ͔ʁ
59 1. څྉͷΒ͖ͭΛՄࢹԽ͢Δ 2. څྉͷΒ͖ͭஉঁ͝ͱʹҧ͍͕͋Δ͔ʁ 3. څྉͷΒ͖ͭ৬छ͝ͱʹҧ͍͕͋Δ͔ʁ ྫ - ͷΒ͖ͭͷՄࢹԽ
60 څྉͷΒ͖ͭΛώετάϥϜͰ ՄࢹԽ͢Δɻ • λΠϓʹώετάϥϜΛબɻ • X࣠ʹMontlyIncomeΛબɻ
61 څྉͷΒ͖͕ͭՄࢹԽ͞Εͨɻ
62 όέοτͷΛ্͛Δ͜ͱͰɺ͍͔ͭ͘ͷࢁ͕ݟ͑ͯ͘Δɻ
63 όέοτͷΛ100·Ͱ্͛ͯΈΔɻ
64 όέοτͷΛ্͛Δ͜ͱͰɺ͍͔ͭ͘ͷࢁ͕ݟ͖͑ͯͨɻ
65 ͜͏ͨ͠ࢁɺผͷάϧʔϓʹଐ͍ͯ͠Δͷ͔͠Εͳ͍ɻ
66 1. څྉͷΒ͖ͭΛՄࢹԽ͢Δ 2. څྉͷΒ͖ͭஉঁ͝ͱʹҧ͍͕͋Δ͔ʁ 3. څྉͷΒ͖ͭ৬छ͝ͱʹҧ͍͕͋Δ͔ʁ ྫ - ͷΒ͖ͭͷՄࢹԽ
67 څྉͷΒ͖ͭΛஉঁ͝ͱʹ ώετάϥϜͰՄࢹԽ͢Δɻ • ʮ৭ʯʹGenderΛબɻ
68 2ͭͷώετάϥϜ͕ॏͳΓ߹͍ͬͯΔɻ உঁؒͰ͖͋Β͔ͳҧ͍ͳ͍Α͏ͩɻ
69 1. څྉͷΒ͖ͭΛՄࢹԽ͢Δ 2. څྉͷΒ͖ͭஉঁ͝ͱʹҧ͍͕͋Δ͔ʁ 3. څྉͷΒ͖ͭ৬छ͝ͱʹҧ͍͕͋Δ͔ʁ ྫ - ͷΒ͖ͭͷՄࢹԽ
70 څྉͷΒ͖ͭΛ৬छ͝ͱʹώετ άϥϜͰՄࢹԽ͢Δɻ • ʮ৭ʯʹJobRoleΛબɻ
71 Managerʢʣͷάϧʔϓڅྉͷߴ͍άϧʔϓɺSales Repʢԫʣͱ Research ScientistʢϐϯΫʣͷάϧʔϓڅྉͷ͍άϧʔϓͷΑ͏ͩɻ
ີۂઢ 72
73 • σʔλͷΛ͔ΒͳۂઢΛͬͯද͢ • ॎ࣠σʔλͷີΛ͋ΒΘ͢ɻ
74 1. څྉͷΒ͖ͭΛՄࢹԽ͢Δ 2. څྉͷΒ͖ͭஉঁ͝ͱʹҧ͍͕͋Δ͔ʁ 3. څྉͷΒ͖ͭ৬छ͝ͱʹҧ͍͕͋Δ͔ʁ ྫ - ͷΒ͖ͭͷՄࢹԽ
75 1. څྉͷΒ͖ͭΛՄࢹԽ͢Δ 2. څྉͷΒ͖ͭஉঁ͝ͱʹҧ͍͕͋Δ͔ʁ 3. څྉͷΒ͖ͭ৬छ͝ͱʹҧ͍͕͋Δ͔ʁ ྫ - ͷΒ͖ͭͷՄࢹԽ
76 څྉͷΒ͖ͭΛີۂઢͰՄࢹ Խ͢Δɻ • λΠϓʹີۂઢΛબɻ • X࣠ʹMonthlyIncomeΛબɻ
77
78 1. څྉͷΒ͖ͭΛՄࢹԽ͢Δ 2. څྉͷΒ͖ͭஉঁ͝ͱʹҧ͍͕͋Δ͔ʁ 3. څྉͷΒ͖ͭ৬छ͝ͱʹҧ͍͕͋Δ͔ʁ ྫ - ͷΒ͖ͭͷՄࢹԽ
79 څྉͷΒ͖ͭΛஉঁ͝ͱʹີۂ ઢͰՄࢹԽ͢Δɻ • ઌ΄ͲͷີۂઢΛ༻͍Δɻ • ৭ͰׂʹGenderΛબɻ
80 உঁͷؒʹͪΐͬͱͨ͠ҧ͍͋ΔΑ͏ͩɻ
81 1. څྉͷΒ͖ͭΛՄࢹԽ͢Δ 2. څྉͷΒ͖ͭஉঁ͝ͱʹҧ͍͕͋Δ͔ʁ 3. څྉͷΒ͖ͭ৬छ͝ͱʹҧ͍͕͋Δ͔ʁ ྫ - ͷΒ͖ͭͷՄࢹԽ
82 څྉͷΒ͖ͭΛ৬छ͝ͱʹີۂ ઢͰՄࢹԽ͢Δɻ • ઌ΄ͲͷີۂઢΛ༻͍Δɻ • ৭ͰׂʹJobRoleΛબɻ
83 ৬छ͝ͱͷڅྉͷΒ͖ͭͷҧ͍ώετάϥϜΑΓΘ͔Γ͍͢ɻ
ີۂઢ ώετάϥϜ ಉ͡σʔλΛҟͳΔνϟʔτͰՄࢹԽ
࿈ଓσʔλ vs. ΧςΰϦʔσʔλ 85
iPad iPhone MacBook AirPods AppleTV ࿈ଓੑͳ͠ ΧςΰϦʔܕ 86
87 ώετάϥϜ ີۂઢ όʔɾνϟʔτ ΧςΰϦʔͷΒ͖ͭՄࢹԽ
88 • ΧςΰϦʔ͝ͱͷ݅ΛՄࢹԽɻ • ͲͷΧςΰϦʔʹσʔλ͕ू·͍ͬͯΔͷ͔ʁ • σʔλͷྔʹΑΔύλʔϯ͋Δ͔ʁ Γ͍ͨ͜ͱ
89 1. ৬छͷΒ͖ͭΛՄࢹԽ͢Δ 2. ৬छͷΒ͖ͭஉঁؒͰҧ͍͕͋Δ͔ΛՄࢹԽ͢ Δɻ 3. ৬छͷΒ͖ͭɺୀ৬ͨ͠ਓͱͯ͠ͳ͍ਓͷؒͰ ҧ͍͕͋Δ͔ΛՄࢹԽ͢Δɻ ྫ
- ΧςΰϦʔͷΒ͖ͭΛՄࢹԽ
90 1. ৬छͷΒ͖ͭΛՄࢹԽ͢Δ 2. ৬छͷΒ͖ͭஉঁؒͰҧ͍͕͋Δ͔ΛՄࢹԽ͢ Δɻ 3. ৬छͷΒ͖ͭɺୀ৬ͨ͠ਓͱͯ͠ͳ͍ਓͷؒͰ ҧ͍͕͋Δ͔ΛՄࢹԽ͢Δɻ ྫ
- ΧςΰϦʔͷΒ͖ͭΛՄࢹԽ
91 ৬छ͝ͱͷਓΛՄࢹԽɻ
92 όʔΛਓͰιʔτ͢Δɻ • ιʔτʹY1࣠Λબɻ
93
94 1. ৬छͷΒ͖ͭΛՄࢹԽ͢Δ 2. ৬छͷΒ͖ͭஉঁؒͰҧ͍͕͋Δ͔ΛՄࢹԽ͢ Δɻ 3. ৬छͷΒ͖ͭɺୀ৬ͨ͠ਓͱͯ͠ͳ͍ਓͷؒͰ ҧ͍͕͋Δ͔ΛՄࢹԽ͢Δɻ ྫ
- ΧςΰϦʔͷΒ͖ͭΛՄࢹԽ
None
96 1. ৬छͷΒ͖ͭΛՄࢹԽ͢Δ 2. ৬छͷΒ͖ͭஉঁؒͰҧ͍͕͋Δ͔ΛՄࢹԽ͢ Δɻ 3. ৬छͷΒ͖ͭɺୀ৬ͨ͠ਓͱͯ͠ͳ͍ਓͷؒͰ ҧ͍͕͋Δ͔ΛՄࢹԽ͢Δɻ ྫ
- ΧςΰϦʔͷΒ͖ͭΛՄࢹԽ
None
None
૬ؔͷՄࢹԽ 99
100 2ͭͷมͷ͏ͪɺ1ͭͷมͷ͕มΘΔͱ ͏1ͭͷมͷҰఆͷنଇΛ࣋ͬͯ ͍ͬ͠ΐʹมΘΔؔɻ ૬ؔ
101 Association Correlation 2ͭͷมͷؒʹԿΒ͔ ͷ͕ؔ͋Δɻ AssociationͷதͰಛʹͦͷ ͕ؔઢܗʢઢʣͷͷɻ ૬ؔ
102 US UK Japan 5000 2500 Country Monthly Income 0
Association
103 ྸ څྉ Correlation
104 ڧ͍ਖ਼ͷ ૬ؔؔ ૬ؔؔͳ͠ ڧ͍ෛͷ ૬ؔؔ 0 1 -1 0.5
-0.5 ૬ؔʢCorrelationʣ
105 ͳͥ૬ؔΛཧղ͍ͨ͠ͷ͔ʁ
106 Β͖ͭ ฏۉ 5000 100
107 Β͖ͭ $20,000 $1,000 څྉ
108 Β͖ͭ ͜ͷձࣾͷڅྉ ͍͘Β͘Β͍ʁ $20,000 $1,000 څྉ
109 Β͖ͭ ෆ࣮֬ੑ $20,000 $1,000 څྉ ͜ͷձࣾͷڅྉ ͍͘Β͘Β͍ʁ
110 0 30 20 ͠૬ؔؔΛݟ͚ͭΔ͜ͱ͕Ͱ͖Δͱɻɻɻ 10 $20,000 $1,000 څྉ ۈଓ
111 0 30 20 10 $20,000 $1,000 څྉ ۈଓ ۈଓ͕20ͩͱ
څྉ$15,000͘Β͍ɻ $15,000
112 ෆ࣮֬ੑ͕ݮΔ 0 30 20 څྉ ۈଓ ૬ؔ Β͖ͭ $20,000
$1,000 $15,000 $20,000 $1,000
113 ૬ؔ ෆ࣮֬ੑ͕ݮΔ US UK Japan 5000 100 Β͖ͭ
114 US UK Japan དྷ݄ͷސ٬ USͰ͋Εɺ 4000͔Β5000ͷؒɻ 5000 4000 ૬ؔ
ڧ͍૬ؔؔͷ͋ΔͷΛݟ͚ͭΔ͜ͱ͕Ͱ͖Ε څྉ͕Ͳ͏มΘΔ͔Λઆ໌͘͢͠ͳΔɻ ·ͨɺڅྉΛ༧ଌ͘͢͠ͳΔ
૬ؔؔͱҼՌؔҧ͏ɻ ҼՌؔ૬ؔؔͷಛผͳλΠϓɻ ؍ͨ͠૬͕ؔؔɺҼՌؔͩͱ֬ೝ͢Δࣄ͕Ͱ͖ͨ ΒɺͦͷใΛ࣋ͬͯকདྷΛίϯτϩʔϧ͢Δ͜ͱ͕Ͱ ͖Δɻ
૬ؔͷՄࢹԽ 117
118 ࢄਤ ശͻ͛ਤ όΠΦϦϯਤ ώʔτϚοϓ ີۂઢ όʔɾνϟʔτ
119 ͲͷνϟʔτΛ͑Α͍ͷ͔ʁ
120 σʔλͷλΠϓͷΈ߹Θͤ࣍ୈʂ
121 • ΧςΰϦʔ vs. • vs. •
ΧςΰϦʔ vs. ΧςΰϦʔ σʔλͷλΠϓͷΈ߹Θͤ
122 • ΧςΰϦʔ vs. • vs. •
ΧςΰϦʔ vs. ΧςΰϦʔ σʔλͷλΠϓͷΈ߹Θͤ
123 ࢄਤ ശͻ͛ਤ όΠΦϦϯਤ ώʔτϚοϓ ີۂઢ όʔɾνϟʔτ
124 ώετάϥϜɺີۂઢʹ৭Λ͏͜ͱͰɺ ΧςΰϦʔͱͷ૬ؔΛՄࢹԽ͢Δ͜ͱ͕Ͱ͖Δɻ
125 څྉʢʣx ৬छʢΧςΰϦʔʣ
126 څྉʢʣx ৬छʢΧςΰϦʔʣ
127 ͔͠͠ɺΧςΰϦʔͱͷؔΛݟΔ࣌ ശͻ͛ਤΛͬͨ΄͏͕ɺΘ͔Γ͍͢ɻ ʢҰൠతʹɻʣ
None
ͦΕͧΕͷαΠζʢߦͷʣ͕͘͠ͳΔΑ͏ʹ̐ͭͷάϧʔϓʹ͚Δɻ
3Q (ୈ3࢛Ґ/ 75ύʔηϯλΠϧ) 2Q (ୈ2࢛Ґ/ 50ύʔηϯλΠϧ) 1Q (ୈ1࢛Ґ/ 25ύʔηϯλΠϧ)
3Q Median 1Q
3Q Median 1Q
3Q Median 1Q ࠷େ ࠷খ
ྫ - ΧςΰϦʔͱͷ૬ؔͷՄࢹԽ 134 1. ৬छͱڅྉͷ૬ؔΛՄࢹԽ͢Δ 2. ৬छͱڅྉͷஉঁผͷ૬ؔΛՄࢹԽ͢Δ
135 1. ৬छͱڅྉͷ૬ؔΛՄࢹԽ͢Δ 2. ৬छͱڅྉͷஉঁผͷ૬ؔΛՄࢹԽ͢Δ ྫ - ΧςΰϦʔͱͷ૬ؔͷՄࢹԽ
136 • λΠϓʹശͻ͛ਤΛબɻ • X࣠ʹJobRoleΛબɻ • Y࣠ʹMonthlyIncomeΛબɻ • ιʔτʹY࣠Λબɻ
137 ৬छʢΧςΰϦʔʣ x څྉʢʣ
ྫ - ΧςΰϦʔͱͷ૬ؔͷՄࢹԽ 138 1. ৬छͱڅྉͷ૬ؔΛՄࢹԽ͢Δ 2. ৬छͱڅྉͷஉঁผͷ૬ؔΛՄࢹԽ͢Δ
139 உঁ (ΧςΰϦʔ) vs. څྉ ()
৬छ (ΧςΰϦʔʣͰׂ
OR…
142 ܁Γฦ͠Λ͏ΘΓʹ৭Λ͏ɻ
143
144 • ΧςΰϦʔ vs. • vs. •
ΧςΰϦʔ vs. ΧςΰϦʔ σʔλͷλΠϓͷΈ߹Θͤ
145 ࢄਤ ശͻ͛ਤ όΠΦϦϯਤ ώʔτϚοϓ ີۂઢ όʔɾνϟʔτ
146 ࢄਤ
147 • ओʹσʔλಉ࢜ͷΛදࣔ͢Δɻ • ͦΕͧΕͷͦΕͧΕͷσʔλʹ૬͢Δɻ
ྫɿͱͷؒͷ૬ؔͷՄࢹԽ 148 1. څྉͱྸͷؔΛՄࢹԽ͢Δɻ 2. څྉͱۈଓͷؔΛՄࢹԽ͢Δɻ 3. څྉͱۈଓͷ૬ؔؔ৬छʹΑͬͯҧ͏͔ௐ Δɻ
149 ྸͱڅྉͷ૬ؔΛࢄਤͰՄࢹ Խ͢Δɻ • λΠϓʹࢄਤΛબɻ • X࣠ʹAgeΛબɻ • Y࣠ʹMonthlyIncomeΛબɻ
150 ྸʢʣ x څྉʢʣ
151 τϨϯυϥΠϯΛදࣔ͢Δɻ • ઌ΄ͲͷࢄਤΛ༻͍Δɻ • Y࣠ͷϝχϡʔ͔ΒτϨϯυϥΠϯ Λબ͠μΠΞϩάΛ։͘ɻ • λΠϓʹઢܗճؼΛબɻ
152 τϨϯυϥΠϯͷػೳΛ͏ͱɺ ૬͕ؔΘ͔Δɻ
ྫɿͱͷؒͷ૬ؔͷՄࢹԽ 153 1. څྉͱྸͷؔΛՄࢹԽ͢Δɻ 2. څྉͱۈଓͷؔΛՄࢹԽ͢Δɻ 3. څྉͱۈଓͷ૬ؔؔ৬छʹΑͬͯҧ͏͔ௐ Δɻ
154 • λΠϓʹࢄਤΛબɻ • X࣠ʹTotalWorkingYearsΛબɻ • Y࣠ʹMonthlyIncomeΛબɻ
155 ۈଓʢʣ x څྉʢʣ
156 τϨϯυϥΠϯΛදࣔ͢Δɻ • ઌ΄ͲͷࢄਤΛ༻͍Δɻ • Y࣠ͷϝχϡʔ͔ΒτϨϯυϥΠϯ Λબ͠μΠΞϩάΛ։͘ɻ • λΠϓʹઢܗճؼΛબɻ
157 ۈଓͱڅྉͷ૬ؔ0.77Ͱɺൺֱతڧ͍ਖ਼ͷ૬͕ؔ͋Δɻ
ྫɿͱͷؒͷ૬ؔͷՄࢹԽ 158 1. څྉͱྸͷؔΛՄࢹԽ͢Δɻ 2. څྉͱۈଓͷؔΛՄࢹԽ͢Δɻ 3. څྉͱۈଓͷ૬ؔؔ৬छʹΑͬͯҧ͏͔ௐ Δɻ
159 ૬ؔͷڧ͞৬छʹΑͬͯҧ͏ɻ
160 • ΧςΰϦʔ vs. • vs. •
ΧςΰϦʔ vs. ΧςΰϦʔ σʔλͷλΠϓͷΈ߹Θͤ
161 ࢄਤ ശͻ͛ਤ όΠΦϦϯਤ ώʔτϚοϓ ີۂઢ όʔɾνϟʔτ
162 ΧςΰϦʔ vs. ΧςΰϦʔ ΧςΰϦʔಉ࢜ͷؔΛݟΔʹɺΧςΰϦʔͷ Έ߹Θͤ͝ͱʹΛ্͑͛Δ͔ɺͦͷશମʹ ର͢Δׂ߹Λܭࢉͦ͠ͷ݁ՌΛՄࢹԽ͢Δɻ
163 1. ৬छͱڭҭͷؒͷؔΛՄࢹԽɻ 2. ৬छͱୀ৬͔ͨ͠Ͳ͏͔ͷؒͷؔΛՄࢹԽɻ 3. ৬छͱڅྉͷؒͷؔΛՄࢹԽɻ 4. څྉͱۈଓͷؒͷؔΛՄࢹԽɻ ྫɿΧςΰϦʔͱΧςΰϦʔͷؒͷؔΛՄࢹԽ
164 1. ৬छͱڭҭͷؒͷؔΛՄࢹԽɻ 2. ৬छͱୀ৬͔ͨ͠Ͳ͏͔ͷؒͷؔΛՄࢹԽɻ 3. ৬छͱڅྉͷؒͷؔΛՄࢹԽɻ 4. څྉͱۈଓͷؒͷؔΛՄࢹԽɻ ྫɿΧςΰϦʔͱΧςΰϦʔͷؒͷؔΛՄࢹԽ
৬छ (ΧςΰϦʔ) vs.ڭҭ (ΧςΰϦʔ)
166 1. ৬छͱڭҭͷؒͷؔΛՄࢹԽɻ 2. ৬छͱୀ৬͔ͨ͠Ͳ͏͔ͷؒͷؔΛՄࢹԽɻ 3. ৬छͱڅྉͷؒͷؔΛՄࢹԽɻ 4. څྉͱۈଓͷؒͷؔΛՄࢹԽɻ ྫɿΧςΰϦʔͱΧςΰϦʔͷؒͷؔΛՄࢹԽ
৬छͱୀ৬͔ͨ͠Ͳ͏͔ͷؒͷؔΛՄࢹԽɻ ৬छ (ΧςΰϦʔ) vs. ୀ৬ (ϩδΧϧ)
• ϩδΧϧܕΧςΰϦΧϧܕͷಛघͳ߹ɻ • TRUE ͔ FALSEͷ2ͭͷͷΈΛ࣋ͭɻ
California Texas New York Florida Oregon ΧςΰϦʔܕ 169
ϩδΧϧ (ཧ) TRUE FALSE ࣙΊͨ? 170 ̎ͭͷ͔͠ͱΒͳ͍ΧςΰϦʔ
৬छ (ΧςΰϦʔ) vs. ୀ৬ (ϩδΧϧ)
172 1. ৬छͱڭҭͷؒͷؔΛՄࢹԽɻ 2. ৬छͱୀ৬͔ͨ͠Ͳ͏͔ͷؒͷؔΛՄࢹԽɻ 3. ৬छͱڅྉͷؒͷؔΛՄࢹԽɻ 4. څྉͱۈଓͷؒͷؔΛՄࢹԽɻ ྫɿΧςΰϦʔͱΧςΰϦʔͷؒͷؔΛՄࢹԽ
৬छ (ΧςΰϦʔ) vs. څྉ () ৬छͱڅྉͷؒͷؔΛՄࢹԽ
څྉ (ΧςΰϦʔ) ΧςΰϦʔԽ ৬छ (ΧςΰϦʔ) vs. څྉ ()
څྉʢʣ
څྉʢΧςΰϦʔʣ
ΧςΰϦʔԽͷઃఆ
څྉ (ΧςΰϦʔ)ɹvs. ৬छ (ΧςΰϦʔ)
179 1. ৬छͱڭҭͷؒͷؔΛՄࢹԽɻ 2. ৬छͱୀ৬͔ͨ͠Ͳ͏͔ͷؒͷؔΛՄࢹԽɻ 3. ৬छͱڅྉͷؒͷؔΛՄࢹԽɻ 4. څྉͱۈଓͷؒͷؔΛՄࢹԽɻ ྫɿΧςΰϦʔͱΧςΰϦʔͷؒͷؔΛՄࢹԽ
څྉ (ΧςΰϦʔ) vs. ۈଓ (ΧςΰϦʔ)
181 ώʔτϚοϓ ΧςΰϦʔؒͷΈ߹Θͤ͝ͱʹूܭͨ͠Λ৭Ͱදࣔ
182 ৬छͱڭҭͷؔΛώʔτϚοϓͰՄࢹԽ͢Δɻ
183 ৬छͱઐ߈ͷਓͷؔΛώʔτ ϚοϓͰՄࢹԽ͢Δɻ • λΠϓʹώʔτϚοϓΛબɻ • X࣠ʹJobRoleΛબɻ • Y࣠ʹEducationFieldΛબɻ •
৭ͰׂʹߦͷΛબɻ
184 ৬छͱઐ߈ͷਓͷ͕ؔώʔτϚοϓͰՄࢹԽ͞Εͨɻ
185 Life Science͕ઐ߈ͰResearch Scientistͷ৬ʹ͍͍ͭͯΔਓ 133ਓ͓Γɺ৬छͱઐ߈ͷΘͤ ͷதͰҰ൪ଟ͍ɻ
Q & A
None
• ϓϩάϥϛϯάͳ͠ RݴޠͷUIͰ͋ΔExploratoryΛੳπʔϧͱͯ͠༻͢ΔͨΊडߨதɺϏδωεͷ Λղܾ͢ΔͨΊʹඞཁͳσʔλαΠΤϯεͷख๏ͷशಘʹ100ˋूதͰ͖Δ • πʔϧͷ͍ํͰͳ͘ɺੳख๏ͷशಘ ݱͰ͑Δੳख๏ΛάϧʔϓԋशΛ௨࣮ͯ͠ࡍʹखΛಈ͔͠ͳ͕Βɺʹ͚ͭͯߦ͘ ͜ͱ͕Ͱ͖Δɻ • ࢥߟྗͱεΩϧͷशಘ
σʔλαΠΤϯεͷεΩϧशಘ͚ͩͰͳ͘ɺσʔλੳʹඞཁͳࢥߟྗशಘͰ͖Δ ಛ
࿈བྷઌ ϝʔϧ
[email protected]
ΣϒαΠτ https://ja.exploratory.io ϒʔτΩϟϯϓɾτϨʔχϯά https://ja.exploratory.io/training-jp Twitter @KanAugust
EXPLORATORY