探索的データ分析のためのチャートの選び方

19fc8f6113c5c3d86e6176362ff29479?s=47 Kan Nishida
September 04, 2019

 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。

19fc8f6113c5c3d86e6176362ff29479?s=128

Kan Nishida

September 04, 2019
Tweet

Transcript

  1. ୳ࡧతσʔλ෼ੳͷͨΊͷ νϟʔτͷબͼํ

  2. EXPLORATORY

  3. 3 εϐʔΧʔ ੢ా צҰ࿠ CEO EXPLORATORY ུྺ 2016೥ɺσʔλαΠΤϯεͷຽओԽͷͨΊɺExploratory, Inc Λ

    ্ཱͪ͛Δɻ Exploratory, Inc.ͰCEOΛ຿ΊΔ͔ͨΘΒɺσʔλαΠΤϯεɾ ϒʔτΩϟϯϓɾτϨʔχϯάͳͲΛ௨ͯ͠γϦίϯόϨʔͰ ߦΘΕ͍ͯΔ࠷ઌ୺ͷσʔλαΠΤϯεͷීٴͱڭҭʹऔΓ૊ Ήɻ ถΦϥΫϧຊࣾͰɺ16೥ʹΘͨΓσʔλαΠΤϯεͷ։ൃνʔ ϜΛ཰͍ɺػցֶशɺϏοάɾσʔλɺϏδωεɾΠϯςϦδΣ ϯεɺσʔλϕʔεʹؔ͢Δ਺ଟ͘ͷ੡඼ΛੈʹૹΓग़ͨ͠ɻ @KanAugust
  4. Vision ΑΓΑ͍ҙࢥܾఆΛ͢ΔͨΊʹ σʔλΛ࢖͏͜ͱ͕౰ͨΓલʹͳΔ

  5. Mission σʔλαΠΤϯεͷຽओԽ

  6. 6 ୈ̏ͷ೾ σʔλαΠΤϯεɺAIɺػցֶश͸౷ܭֶऀɺ։ൃऀͷͨΊ͚ͩͷ΋ͷͰ͸͋Γ·ͤΜɻ σʔλʹڵຯͷ͋ΔਓͳΒ୭΋͕ੈքͰ࠷ઌ୺ͷΞϧΰϦζϜΛ࢖ͬͯ ϏδωεσʔλΛ؆୯ʹ෼ੳͰ͖Δ΂͖Ͱ͢ɻ Exploratory͕ͦ͏ͨ͠ੈքΛՄೳʹ͠·͢ɻ

  7. ୈ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
  8. 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

  9. ୳ࡧతσʔλ෼ੳͷͨΊͷ νϟʔτͷબͼํ

  10. 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

  11. ༧ଌ·ͨ͸কདྷΛίϯτϩʔϧ͢ΔͨΊʹɺσʔλʹରͯ͠ ͨ͘͞Μͷ࣭໰Λ౤͔͚͛ɺ౴͑Λ୳͍ͯ͘͜͠ͱͰɺΑΓ Α͍ԾઆΛߏங͍ͯͨ͘͠Ίͷ෼ੳɻ 11 EDAʢ୳ࡧతσʔλ෼ੳʣ

  12. 12 ࣭໰ ౴͑ σʔλ Ծઆ EDAʢ୳ࡧతσʔλ෼ੳʣ

  13. Why σʔλ෼ੳʁ 13

  14. 14 ΰʔϧ ϏδωεΛ੒௕

  15. 15 ΰʔϧ ϏδωεΛ੒௕ ސ٬Λ૿΍͢ ໰୊

  16. 16 ΰʔϧ ໰୊ͷ਺஋Խ ϏδωεΛ੒௕ ސ٬Λ૿΍͢ ސ٬ͷ਺ ໰୊

  17. 17 ސ٬ͷ਺͕ԿਓʹͳΔͷ͔༧ଌ͍ͨ͠ ༧ଌ

  18. 18 ސ٬ͷ਺Λ1000ਓʹ͍ͨ͠ɻ ίϯτϩʔϧ

  19. 19 ༧ଌ ίϯτϩʔϧ ༧ଌ͢Δ͜ͱͰকདྷʹ උ͍͑ͨɻ ίϯτϩʔϧͯ͠কདྷ Λࣗ෼ͷࢥ͏΋ͷʹ͠ ͍ͨɻ Կ͕༧ଌʹӨڹ͢Δͷ ͩΖ͏͔ɻ

    Ͳ͏͍͏ΞΫγϣϯΛ ͱΔͱ݁ՌʹӨڹ͢Δ ͩΖ͏͔ɻ
  20. 20 ༧ଌ ίϯτϩʔϧ • ࣍ͷ3ϲ݄ͷؒɺԿਓ͘Β ͍ͷ٬͕དྷΔͷ͔ʁ • ؾԹ͕ஆ͔͚Ε͹ɺ٬͕૿ ͑ΔͰ͋Ζ͏ɻ •

    ٬ͷ਺Λ૿΍͢ʹ͸Կ͕ Ͱ͖Δ͔ʁ • 10ˋͷׂҾΛ͢Ε͹ɺ٬ ͕૿͑ΔͰ͋Ζ͏ɻ
  21. 21 ༧ଌ ίϯτϩʔϧ • ࣍ͷ3ϲ݄ͷؒɺԿਓ͘Β ͍ͷ٬͕དྷΔͷ͔ʁ • ؾԹ͕ஆ͔͚Ε͹ɺ٬͕૿ ͑ΔͰ͋Ζ͏ɻ •

    ٬ͷ਺Λ૿΍͢ʹ͸Կ͕ Ͱ͖Δ͔ʁ • 10ˋͷׂҾΛ͢Ε͹ɺ٬ ͕૿͑ΔͰ͋Ζ͏ɻ Ծઆ
  22. 22 ༧ଌ ίϯτϩʔϧ Ծઆ ༧ଌʹԿ͕ Өڹ͢Δͷ͔ʁ ίϯτϩʔϧ͢ΔͨΊͷ ҼՌؔ܎͸Կ͔ʁ

  23. 23 Ծઆ σʔλ ςετ Ծઆ͸ςετͯ͠ਖ਼͍͔͠Ͳ͏͔νΣοΫ͢Δɻ ׂҾ͢Δͱސ٬͕ 100ਓ૿͑Δɻ

  24. 24 Ծઆ σʔλ ςετ Ծઆ͸ςετͯ͠ਖ਼͍͔͠Ͳ͏͔νΣοΫ͢Δɻ • Ծઆݕఆ • A/Bςετ ׂҾ͢Δͱސ٬͕

    ૿͑Δɻ
  25. 25 Confirmatory Analysis Ծઆ σʔλ ςετ ԾઆΛσʔλΛ࢖ͬͯݕূ͢Δ

  26. 26 Ծઆ σʔλ ςετ ԾઆΛͲ͏ߏங͢Δͷ͔ʁ

  27. 27 σʔλΛ෼ੳͯ͠ԾઆΛߏங͢Δ EDA ୳ࡧతσʔλ෼ੳʢEDAʣ Ծઆ σʔλ ςετ σʔλ

  28. 28 ༧ଌ ίϯτϩʔϧ EDA ΰʔϧ Why ୳ࡧతσʔλ෼ੳʁ Ծઆ σʔλ

  29. 29 ༧ଌ ίϯτϩʔϧ EDA Ծઆ σʔλ ༧ଌʹԿ͕Өڹ͢Δͷ͔ʁ ίϯτϩʔϧ͢ΔͨΊͷ ҼՌؔ܎͸Կ͔ʁ

  30. σʔλʹର࣭ͯ͠໰Λ౤͔͚͛ɺ౴͑Λ୳ࡧతʹٻΊ͍ͯ͘ ͜ͱͰɺઆ໌ɺ༧ଌɺίϯτϩʔϧͷͨΊͷԾઆΛߏஙͯ͠ ͍ͨ͘Ίͷ෼ੳɻ 30 EDAʢ୳ࡧతσʔλ෼ੳʣ

  31. 31 ࣭໰ ౴͑ σʔλ Ծઆ EDAʢ୳ࡧతσʔλ෼ੳʣ

  32. ैۀһσʔλ

  33. ैۀһσʔλ

  34. ΰʔϧ • ͲͷΑ͏ʹڅྉʹҧ͍͕ͰΔͷ͔આ໌͍ͨ͠ɻ • ैۀһͷଐੑΛ΋ͱʹڅྉΛ༧ଌ͍ͨ͠ɻ • څྉΛ্͍͛ͨɺ΋͠ՄೳͰ͋Ε͹ʂ

  35. σʔλʹର࣭ͯ͠໰Λ౤͔͚͛ɺ౴͑Λ୳ࡧతʹٻΊ͍ͯ͘ ͜ͱͰɺઆ໌ɺ༧ଌɺίϯτϩʔϧͷͨΊͷԾઆΛߏஙͯ͠ ͍ͨ͘Ίͷ෼ੳɻ 35 EDAʢ୳ࡧతσʔλ෼ੳʣ

  36. 36 ਖ਼͍࣭͠໰ʹରͯ͠ͷ ͍͍ͩͨͷ౴͑ͷ΄͏͕ɺ ؒҧ࣭ͬͨ໰ʹର͢Δ ਖ਼֬ͳ౴͑ΑΓ΋ ΑͬΆͲ͍͍ɻ — John Tukey

  37. 37 • खݩʹ͋Δม਺ʹ͸ͲͷΑ͏ͳ͹Β͖͕ͭ͋Δͷ͔ɻ • ม਺Ͳ͏͠ͷؒͰͲͷΑ͏ͳ૬͕ؔ͋Δͷ͔ɻ ࣭໰ͷͨΊͷ2ͭͷݪଇ

  38. “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
  39. ͹Β͖ͭͱ૬ؔͷՄࢹԽ

  40. ͹Β͖ͭͷՄࢹԽ

  41. αϚϦɾϏϡʔ

  42. 42

  43. σʔλ͸͹Βͭ͘ 43

  44. $6,503 ͹Β͖ͭ ฏۉ $15,000 $1,000

  45. $6,503 ฏۉ

  46. ஌Γ͍ͨ͜ͱ • ͲͷΑ͏ʹσʔλ͸෼෍͍ͯ͠Δ͔ɻ • Ͳͷ஋͕΋ͬͱ΋ස౓͕ߴ͍͔ʁͳ͔ͥʁ • Ͳͷ஋͕௝͍͔͠ʁͳ͔ͥʁͦΕ͸ظ଴௨Γ͔ʁ • ҙ֎ͳύλʔϯ͕ݟ͑Δ͔ʁͳͥͦ͏ͳͷ͔ʁ 46

  47. νϟʔτΛ࢖͏

  48. 48 ώετάϥϜ ີ౓ۂઢ όʔ ͹Β͖ͭΛཧղ͢ΔͨΊʹΑ͘࢖ΘΕΔνϟʔτ

  49. 49 ͲͷνϟʔτΛ࢖͑͹Α͍ͷ͔ʁ

  50. 50 σʔλͷλΠϓ࣍ୈʂ

  51. ࿈ଓσʔλ vs. ΧςΰϦʔσʔλ 51

  52. ࿈ଓσʔλ vs. ΧςΰϦʔσʔλ 52

  53. • ਺஋ (numeric) • ೔෇ɾ࣌ؒʢDateʣ 53

  54. ਺஋ 0 10 20 30 40 50 11 22 45

    54 ࿈ଓੑ͕͋Δ ॱংؔ܎͕͋Δ
  55. 55 ώετάϥϜ ີ౓ۂઢ όʔ

  56. ώετάϥϜ 56

  57. 57 ਺஋σʔλͷ෼෍Λɺ਺஋Λ͍͔ͭ͘ͷ۠ըʢόέοτʣʹ෼͚ɺ ͦΕͧΕͷ۠ըʹ͋ΔσʔλͷྔʢߦʣΛόʔΛ࢖ͬͯද͢ɻ

  58. ྫ - ਺஋ͷ͹Β͖ͭͷՄࢹԽ 58 1. څྉͷ͹Β͖ͭΛՄࢹԽ͢Δ 2. څྉͷ͹Β͖ͭ͸உঁ͝ͱʹҧ͍͕͋Δ͔ʁ 3. څྉͷ͹Β͖ͭ͸৬छ͝ͱʹҧ͍͕͋Δ͔ʁ

  59. 59 1. څྉͷ͹Β͖ͭΛՄࢹԽ͢Δ 2. څྉͷ͹Β͖ͭ͸உঁ͝ͱʹҧ͍͕͋Δ͔ʁ 3. څྉͷ͹Β͖ͭ͸৬छ͝ͱʹҧ͍͕͋Δ͔ʁ ྫ - ਺஋ͷ͹Β͖ͭͷՄࢹԽ

  60. 60 څྉͷ͹Β͖ͭΛώετάϥϜͰ ՄࢹԽ͢Δɻ • λΠϓʹώετάϥϜΛબ୒ɻ • X࣠ʹMontlyIncomeΛબ୒ɻ

  61. 61 څྉͷ͹Β͖͕ͭՄࢹԽ͞Εͨɻ

  62. 62 όέοτͷ਺Λ্͛Δ͜ͱͰɺ͍͔ͭ͘ͷࢁ͕ݟ͑ͯ͘Δɻ

  63. 63 όέοτͷ਺Λ100·Ͱ্͛ͯΈΔɻ

  64. 64 όέοτͷ਺Λ্͛Δ͜ͱͰɺ͍͔ͭ͘ͷࢁ͕ݟ͖͑ͯͨɻ

  65. 65 ͜͏ͨ͠ࢁ͸ɺผͷάϧʔϓʹଐ͍ͯ͠Δͷ͔΋͠Εͳ͍ɻ

  66. 66 1. څྉͷ͹Β͖ͭΛՄࢹԽ͢Δ 2. څྉͷ͹Β͖ͭ͸உঁ͝ͱʹҧ͍͕͋Δ͔ʁ 3. څྉͷ͹Β͖ͭ͸৬छ͝ͱʹҧ͍͕͋Δ͔ʁ ྫ - ਺஋ͷ͹Β͖ͭͷՄࢹԽ

  67. 67 څྉͷ͹Β͖ͭΛஉঁ͝ͱʹ ώετάϥϜͰՄࢹԽ͢Δɻ • ʮ৭ʯʹGenderΛબ୒ɻ

  68. 68 2ͭͷώετάϥϜ͕ॏͳΓ߹͍ͬͯΔɻ உঁؒͰ͸͖͋Β͔ͳҧ͍͸ͳ͍Α͏ͩɻ

  69. 69 1. څྉͷ͹Β͖ͭΛՄࢹԽ͢Δ 2. څྉͷ͹Β͖ͭ͸உঁ͝ͱʹҧ͍͕͋Δ͔ʁ 3. څྉͷ͹Β͖ͭ͸৬छ͝ͱʹҧ͍͕͋Δ͔ʁ ྫ - ਺஋ͷ͹Β͖ͭͷՄࢹԽ

  70. 70 څྉͷ͹Β͖ͭΛ৬छ͝ͱʹώετ άϥϜͰՄࢹԽ͢Δɻ • ʮ৭ʯʹJobRoleΛબ୒ɻ

  71. 71 Managerʢ੺ʣͷάϧʔϓ͸څྉͷߴ͍άϧʔϓɺSales Repʢԫ྘ʣͱ Research ScientistʢϐϯΫʣͷάϧʔϓ͸څྉͷ௿͍άϧʔϓͷΑ͏ͩɻ

  72. ີ౓ۂઢ 72

  73. 73 • ਺஋σʔλͷ෼෍Λ׈͔ΒͳۂઢΛ࢖ͬͯද͢ • ॎ࣠͸σʔλͷີ౓Λ͋ΒΘ͢ɻ

  74. 74 1. څྉͷ͹Β͖ͭΛՄࢹԽ͢Δ 2. څྉͷ͹Β͖ͭ͸உঁ͝ͱʹҧ͍͕͋Δ͔ʁ 3. څྉͷ͹Β͖ͭ͸৬छ͝ͱʹҧ͍͕͋Δ͔ʁ ྫ - ਺஋ͷ͹Β͖ͭͷՄࢹԽ

  75. 75 1. څྉͷ͹Β͖ͭΛՄࢹԽ͢Δ 2. څྉͷ͹Β͖ͭ͸உঁ͝ͱʹҧ͍͕͋Δ͔ʁ 3. څྉͷ͹Β͖ͭ͸৬छ͝ͱʹҧ͍͕͋Δ͔ʁ ྫ - ਺஋ͷ͹Β͖ͭͷՄࢹԽ

  76. 76 څྉͷ͹Β͖ͭΛີ౓ۂઢͰՄࢹ Խ͢Δɻ • λΠϓʹີ౓ۂઢΛબ୒ɻ • X࣠ʹMonthlyIncomeΛબ୒ɻ

  77. 77

  78. 78 1. څྉͷ͹Β͖ͭΛՄࢹԽ͢Δ 2. څྉͷ͹Β͖ͭ͸உঁ͝ͱʹҧ͍͕͋Δ͔ʁ 3. څྉͷ͹Β͖ͭ͸৬छ͝ͱʹҧ͍͕͋Δ͔ʁ ྫ - ਺஋ͷ͹Β͖ͭͷՄࢹԽ

  79. 79 څྉͷ͹Β͖ͭΛஉঁ͝ͱʹີ౓ۂ ઢͰՄࢹԽ͢Δɻ • ઌ΄Ͳͷີ౓ۂઢΛ༻͍Δɻ • ৭Ͱ෼ׂʹGenderΛબ୒ɻ

  80. 80 உঁͷؒʹͪΐͬͱͨ͠ҧ͍͸͋ΔΑ͏ͩɻ

  81. 81 1. څྉͷ͹Β͖ͭΛՄࢹԽ͢Δ 2. څྉͷ͹Β͖ͭ͸உঁ͝ͱʹҧ͍͕͋Δ͔ʁ 3. څྉͷ͹Β͖ͭ͸৬छ͝ͱʹҧ͍͕͋Δ͔ʁ ྫ - ਺஋ͷ͹Β͖ͭͷՄࢹԽ

  82. 82 څྉͷ͹Β͖ͭΛ৬छ͝ͱʹີ౓ۂ ઢͰՄࢹԽ͢Δɻ • ઌ΄Ͳͷີ౓ۂઢΛ༻͍Δɻ • ৭Ͱ෼ׂʹJobRoleΛબ୒ɻ

  83. 83 ৬छ͝ͱͷڅྉͷ͹Β͖ͭͷҧ͍͸ώετάϥϜΑΓ΋Θ͔Γ΍͍͢ɻ

  84. ີ౓ۂઢ ώετάϥϜ ಉ͡σʔλΛҟͳΔνϟʔτͰՄࢹԽ

  85. ࿈ଓσʔλ vs. ΧςΰϦʔσʔλ 85

  86. iPad iPhone MacBook AirPods AppleTV ࿈ଓੑͳ͠ ΧςΰϦʔܕ 86

  87. 87 ώετάϥϜ ີ౓ۂઢ όʔɾνϟʔτ ΧςΰϦʔͷ͹Β͖ͭՄࢹԽ

  88. 88 • ΧςΰϦʔ͝ͱͷ݅਺ΛՄࢹԽɻ • ͲͷΧςΰϦʔʹσʔλ͕ू·͍ͬͯΔͷ͔ʁ • σʔλͷྔʹΑΔύλʔϯ͸͋Δ͔ʁ ஌Γ͍ͨ͜ͱ

  89. 89 1. ৬छͷ͹Β͖ͭΛՄࢹԽ͢Δ 2. ৬छͷ͹Β͖ͭ͸உঁؒͰҧ͍͕͋Δ͔ΛՄࢹԽ͢ Δɻ 3. ৬छͷ͹Β͖ͭ͸ɺୀ৬ͨ͠ਓͱͯ͠ͳ͍ਓͷؒͰ ҧ͍͕͋Δ͔ΛՄࢹԽ͢Δɻ ྫ

    - ΧςΰϦʔͷ͹Β͖ͭΛՄࢹԽ
  90. 90 1. ৬छͷ͹Β͖ͭΛՄࢹԽ͢Δ 2. ৬छͷ͹Β͖ͭ͸உঁؒͰҧ͍͕͋Δ͔ΛՄࢹԽ͢ Δɻ 3. ৬छͷ͹Β͖ͭ͸ɺୀ৬ͨ͠ਓͱͯ͠ͳ͍ਓͷؒͰ ҧ͍͕͋Δ͔ΛՄࢹԽ͢Δɻ ྫ

    - ΧςΰϦʔͷ͹Β͖ͭΛՄࢹԽ
  91. 91 ৬छ͝ͱͷਓ਺ΛՄࢹԽɻ

  92. 92 όʔΛਓ਺Ͱιʔτ͢Δɻ • ιʔτʹY1࣠Λબ୒ɻ

  93. 93

  94. 94 1. ৬छͷ͹Β͖ͭΛՄࢹԽ͢Δ 2. ৬छͷ͹Β͖ͭ͸உঁؒͰҧ͍͕͋Δ͔ΛՄࢹԽ͢ Δɻ 3. ৬छͷ͹Β͖ͭ͸ɺୀ৬ͨ͠ਓͱͯ͠ͳ͍ਓͷؒͰ ҧ͍͕͋Δ͔ΛՄࢹԽ͢Δɻ ྫ

    - ΧςΰϦʔͷ͹Β͖ͭΛՄࢹԽ
  95. None
  96. 96 1. ৬छͷ͹Β͖ͭΛՄࢹԽ͢Δ 2. ৬छͷ͹Β͖ͭ͸உঁؒͰҧ͍͕͋Δ͔ΛՄࢹԽ͢ Δɻ 3. ৬छͷ͹Β͖ͭ͸ɺୀ৬ͨ͠ਓͱͯ͠ͳ͍ਓͷؒͰ ҧ͍͕͋Δ͔ΛՄࢹԽ͢Δɻ ྫ

    - ΧςΰϦʔͷ͹Β͖ͭΛՄࢹԽ
  97. None
  98. None
  99. ૬ؔͷՄࢹԽ 99

  100. 100 2ͭͷม਺ͷ͏ͪɺ1ͭͷม਺ͷ஋͕มΘΔͱ ΋͏1ͭͷม਺ͷ஋΋ҰఆͷنଇΛ࣋ͬͯ ͍ͬ͠ΐʹมΘΔؔ܎ɻ ૬ؔ

  101. 101 Association Correlation 2ͭͷม਺ͷؒʹԿΒ͔ ͷؔ܎͕͋Δɻ AssociationͷதͰ΋ಛʹͦͷ ؔ܎͕ઢܗʢ௚ઢʣͷ΋ͷɻ ૬ؔ

  102. 102 US UK Japan 5000 2500 Country Monthly Income 0

    Association
  103. 103 ೥ྸ څྉ Correlation

  104. 104 ڧ͍ਖ਼ͷ
 ૬ؔؔ܎ ૬ؔؔ܎ͳ͠ ڧ͍ෛͷ
 ૬ؔؔ܎ 0 1 -1 0.5

    -0.5 ૬ؔʢCorrelationʣ
  105. 105 ͳͥ૬ؔΛཧղ͍ͨ͠ͷ͔ʁ

  106. 106 ͹Β͖ͭ ฏۉ 5000 100

  107. 107 ͹Β͖ͭ $20,000 $1,000 څྉ

  108. 108 ͹Β͖ͭ ͜ͷձࣾͷڅྉ͸ ͍͘Β͘Β͍ʁ $20,000 $1,000 څྉ

  109. 109 ͹Β͖ͭ ෆ࣮֬ੑ $20,000 $1,000 څྉ ͜ͷձࣾͷڅྉ͸ ͍͘Β͘Β͍ʁ

  110. 110 0 30 20 ΋͠૬ؔؔ܎Λݟ͚ͭΔ͜ͱ͕Ͱ͖Δͱɻɻɻ 10 $20,000 $1,000 څྉ ۈଓ೥਺

  111. 111 0 30 20 10 $20,000 $1,000 څྉ ۈଓ೥਺ ۈଓ೥਺͕20೥ͩͱ

    څྉ͸$15,000͘Β͍ɻ $15,000
  112. 112 ෆ࣮֬ੑ͕ݮΔ 0 30 20 څྉ ۈଓ೥਺ ૬ؔ ͹Β͖ͭ $20,000

    $1,000 $15,000 $20,000 $1,000
  113. 113 ૬ؔ ෆ࣮֬ੑ͕ݮΔ US UK Japan 5000 100 ͹Β͖ͭ

  114. 114 US UK Japan དྷ݄ͷސ٬਺͸ USͰ͋Ε͹ɺ 4000͔Β5000ͷؒɻ 5000 4000 ૬ؔ

  115. ڧ͍૬ؔؔ܎ͷ͋Δ΋ͷΛݟ͚ͭΔ͜ͱ͕Ͱ͖Ε͹ څྉ͕Ͳ͏มΘΔ͔Λઆ໌͠΍͘͢ͳΔɻ ·ͨɺڅྉΛ༧ଌ͠΍͘͢ͳΔ

  116. ૬ؔؔ܎ͱҼՌؔ܎͸ҧ͏ɻ ҼՌؔ܎͸૬ؔؔ܎ͷಛผͳλΠϓɻ ؍࡯ͨ͠૬ؔؔ܎͕ɺҼՌؔ܎ͩͱ֬ೝ͢Δࣄ͕Ͱ͖ͨ Βɺͦͷ৘ใΛ࣋ͬͯকདྷΛίϯτϩʔϧ͢Δ͜ͱ͕Ͱ ͖Δɻ

  117. ૬ؔͷՄࢹԽ 117

  118. 118 ࢄ෍ਤ ശͻ͛ਤ όΠΦϦϯਤ ώʔτϚοϓ ີ౓ۂઢ όʔɾνϟʔτ

  119. 119 ͲͷνϟʔτΛ࢖͑͹Α͍ͷ͔ʁ

  120. 120 σʔλͷλΠϓͷ૊Έ߹Θͤ࣍ୈʂ

  121. 121 • ΧςΰϦʔ vs. ਺஋ • ਺஋ vs. ਺஋ •

    ΧςΰϦʔ vs. ΧςΰϦʔ σʔλͷλΠϓͷ૊Έ߹Θͤ
  122. 122 • ΧςΰϦʔ vs. ਺஋ • ਺஋ vs. ਺஋ •

    ΧςΰϦʔ vs. ΧςΰϦʔ σʔλͷλΠϓͷ૊Έ߹Θͤ
  123. 123 ࢄ෍ਤ ശͻ͛ਤ όΠΦϦϯਤ ώʔτϚοϓ ີ౓ۂઢ όʔɾνϟʔτ

  124. 124 ώετάϥϜɺີ౓ۂઢʹ৭Λ࢖͏͜ͱͰɺ ΧςΰϦʔͱ਺஋ͷ૬ؔΛՄࢹԽ͢Δ͜ͱ͕Ͱ͖Δɻ

  125. 125 څྉʢ਺஋ʣx ৬छʢΧςΰϦʔʣ

  126. 126 څྉʢ਺஋ʣx ৬छʢΧςΰϦʔʣ

  127. 127 ͔͠͠ɺΧςΰϦʔͱ਺஋ͷؔ܎ΛݟΔ࣌͸ ശͻ͛ਤΛ࢖ͬͨ΄͏͕ɺΘ͔Γ΍͍͢ɻ ʢҰൠతʹ͸ɻʣ

  128. None
  129. ͦΕͧΕͷαΠζʢߦͷ਺ʣ͕౳͘͠ͳΔΑ͏ʹ̐ͭͷάϧʔϓʹ෼͚Δɻ

  130. 3Q (ୈ3࢛෼Ґ/ 75ύʔηϯλΠϧ) 2Q (ୈ2࢛෼Ґ/ 50ύʔηϯλΠϧ) 1Q (ୈ1࢛෼Ґ/ 25ύʔηϯλΠϧ)

  131. 3Q Median 1Q

  132. 3Q Median 1Q

  133. 3Q Median 1Q ࠷େ஋ ࠷খ஋

  134. ྫ - ΧςΰϦʔͱ਺஋ͷ૬ؔͷՄࢹԽ 134 1. ৬छͱڅྉͷ૬ؔΛՄࢹԽ͢Δ 2. ৬छͱڅྉͷஉঁผͷ૬ؔΛՄࢹԽ͢Δ

  135. 135 1. ৬छͱڅྉͷ૬ؔΛՄࢹԽ͢Δ 2. ৬छͱڅྉͷஉঁผͷ૬ؔΛՄࢹԽ͢Δ ྫ - ΧςΰϦʔͱ਺஋ͷ૬ؔͷՄࢹԽ

  136. 136 • λΠϓʹശͻ͛ਤΛબ୒ɻ • X࣠ʹJobRoleΛબ୒ɻ • Y࣠ʹMonthlyIncomeΛબ୒ɻ • ιʔτʹY࣠Λબ୒ɻ

  137. 137 ৬छʢΧςΰϦʔʣ x څྉʢ਺஋ʣ

  138. ྫ - ΧςΰϦʔͱ਺஋ͷ૬ؔͷՄࢹԽ 138 1. ৬छͱڅྉͷ૬ؔΛՄࢹԽ͢Δ 2. ৬छͱڅྉͷஉঁผͷ૬ؔΛՄࢹԽ͢Δ

  139. 139 உঁ (ΧςΰϦʔ) vs. څྉ (਺஋)

  140. ৬छ (ΧςΰϦʔʣͰ෼ׂ

  141. OR…

  142. 142 ܁Γฦ͠Λ࢖͏୅ΘΓʹ৭Λ࢖͏ɻ

  143. 143

  144. 144 • ΧςΰϦʔ vs. ਺஋ • ਺஋ vs. ਺஋ •

    ΧςΰϦʔ vs. ΧςΰϦʔ σʔλͷλΠϓͷ૊Έ߹Θͤ
  145. 145 ࢄ෍ਤ ശͻ͛ਤ όΠΦϦϯਤ ώʔτϚοϓ ີ౓ۂઢ όʔɾνϟʔτ

  146. 146 ࢄ෍ਤ

  147. 147 • ओʹ਺஋σʔλಉ࢜ͷ෼෍Λදࣔ͢Δɻ • ͦΕͧΕͷ఺͸ͦΕͧΕͷσʔλʹ૬౰͢Δɻ ਺஋ ਺஋

  148. ྫɿ਺஋ͱ਺஋ͷؒͷ૬ؔͷՄࢹԽ 148 1. څྉͱ೥ྸͷؔ܎ΛՄࢹԽ͢Δɻ 2. څྉͱۈଓ೥਺ͷؔ܎ΛՄࢹԽ͢Δɻ 3. څྉͱۈଓ೥਺ͷ૬ؔؔ܎͸৬छʹΑͬͯҧ͏͔ௐ΂ Δɻ

  149. 149 ೥ྸͱڅྉͷ૬ؔΛࢄ෍ਤͰՄࢹ Խ͢Δɻ • λΠϓʹࢄ෍ਤΛબ୒ɻ • X࣠ʹAgeΛબ୒ɻ • Y࣠ʹMonthlyIncomeΛબ୒ɻ

  150. 150 ೥ྸʢ਺஋ʣ x څྉʢ਺஋ʣ

  151. 151 τϨϯυϥΠϯΛදࣔ͢Δɻ • ઌ΄Ͳͷࢄ෍ਤΛ༻͍Δɻ • Y࣠ͷϝχϡʔ͔ΒτϨϯυϥΠϯ Λબ୒͠μΠΞϩάΛ։͘ɻ • λΠϓʹઢܗճؼΛબ୒ɻ

  152. 152 τϨϯυϥΠϯͷػೳΛ࢖͏ͱɺ ૬ؔ܎਺͕Θ͔Δɻ

  153. ྫɿ਺஋ͱ਺஋ͷؒͷ૬ؔͷՄࢹԽ 153 1. څྉͱ೥ྸͷؔ܎ΛՄࢹԽ͢Δɻ 2. څྉͱۈଓ೥਺ͷؔ܎ΛՄࢹԽ͢Δɻ 3. څྉͱۈଓ೥਺ͷ૬ؔؔ܎͸৬छʹΑͬͯҧ͏͔ௐ΂ Δɻ

  154. 154 • λΠϓʹࢄ෍ਤΛબ୒ɻ • X࣠ʹTotalWorkingYearsΛબ୒ɻ • Y࣠ʹMonthlyIncomeΛબ୒ɻ

  155. 155 ۈଓ೥਺ʢ਺஋ʣ x څྉʢ਺஋ʣ

  156. 156 τϨϯυϥΠϯΛදࣔ͢Δɻ • ઌ΄Ͳͷࢄ෍ਤΛ༻͍Δɻ • Y࣠ͷϝχϡʔ͔ΒτϨϯυϥΠϯ Λબ୒͠μΠΞϩάΛ։͘ɻ • λΠϓʹઢܗճؼΛબ୒ɻ

  157. 157 ۈଓ೥਺ͱڅྉͷ૬ؔ܎਺͸0.77Ͱɺൺֱతڧ͍ਖ਼ͷ૬͕ؔ͋Δɻ

  158. ྫɿ਺஋ͱ਺஋ͷؒͷ૬ؔͷՄࢹԽ 158 1. څྉͱ೥ྸͷؔ܎ΛՄࢹԽ͢Δɻ 2. څྉͱۈଓ೥਺ͷؔ܎ΛՄࢹԽ͢Δɻ 3. څྉͱۈଓ೥਺ͷ૬ؔؔ܎͸৬छʹΑͬͯҧ͏͔ௐ΂ Δɻ

  159. 159 ૬ؔͷڧ͞͸৬छʹΑͬͯҧ͏ɻ

  160. 160 • ΧςΰϦʔ vs. ਺஋ • ਺஋ vs. ਺஋ •

    ΧςΰϦʔ vs. ΧςΰϦʔ σʔλͷλΠϓͷ૊Έ߹Θͤ
  161. 161 ࢄ෍ਤ ശͻ͛ਤ όΠΦϦϯਤ ώʔτϚοϓ ີ౓ۂઢ όʔɾνϟʔτ

  162. 162 ΧςΰϦʔ vs. ΧςΰϦʔ ΧςΰϦʔಉ࢜ͷؔ܎ΛݟΔʹ͸ɺΧςΰϦʔͷ ૊Έ߹Θͤ͝ͱʹ਺Λ਺্͑͛Δ͔ɺͦͷશମʹ ର͢Δׂ߹Λܭࢉͦ͠ͷ݁ՌΛՄࢹԽ͢Δɻ

  163. 163 1. ৬छͱڭҭͷؒͷؔ܎ΛՄࢹԽɻ 2. ৬छͱୀ৬͔ͨ͠Ͳ͏͔ͷؒͷؔ܎ΛՄࢹԽɻ 3. ৬छͱڅྉͷؒͷؔ܎ΛՄࢹԽɻ 4. څྉͱۈଓ೥਺ͷؒͷؔ܎ΛՄࢹԽɻ ྫɿΧςΰϦʔͱΧςΰϦʔͷؒͷؔ܎ΛՄࢹԽ

  164. 164 1. ৬छͱڭҭͷؒͷؔ܎ΛՄࢹԽɻ 2. ৬छͱୀ৬͔ͨ͠Ͳ͏͔ͷؒͷؔ܎ΛՄࢹԽɻ 3. ৬छͱڅྉͷؒͷؔ܎ΛՄࢹԽɻ 4. څྉͱۈଓ೥਺ͷؒͷؔ܎ΛՄࢹԽɻ ྫɿΧςΰϦʔͱΧςΰϦʔͷؒͷؔ܎ΛՄࢹԽ

  165. ৬छ (ΧςΰϦʔ) vs.ڭҭ (ΧςΰϦʔ)

  166. 166 1. ৬छͱڭҭͷؒͷؔ܎ΛՄࢹԽɻ 2. ৬छͱୀ৬͔ͨ͠Ͳ͏͔ͷؒͷؔ܎ΛՄࢹԽɻ 3. ৬छͱڅྉͷؒͷؔ܎ΛՄࢹԽɻ 4. څྉͱۈଓ೥਺ͷؒͷؔ܎ΛՄࢹԽɻ ྫɿΧςΰϦʔͱΧςΰϦʔͷؒͷؔ܎ΛՄࢹԽ

  167. ৬छͱୀ৬͔ͨ͠Ͳ͏͔ͷؒͷؔ܎ΛՄࢹԽɻ ৬छ (ΧςΰϦʔ) vs. ୀ৬ (ϩδΧϧ)

  168. • ϩδΧϧܕ͸ΧςΰϦΧϧܕͷಛघͳ৔߹ɻ • TRUE ͔ FALSEͷ2ͭͷ஋ͷΈΛ࣋ͭɻ

  169. California Texas New York Florida Oregon ΧςΰϦʔܕ 169

  170. ϩδΧϧ (࿦ཧ஋) TRUE FALSE ࣙΊͨ? 170 ̎ͭͷ஋͔͠ͱΒͳ͍ΧςΰϦʔ

  171. ৬छ (ΧςΰϦʔ) vs. ୀ৬ (ϩδΧϧ)

  172. 172 1. ৬छͱڭҭͷؒͷؔ܎ΛՄࢹԽɻ 2. ৬छͱୀ৬͔ͨ͠Ͳ͏͔ͷؒͷؔ܎ΛՄࢹԽɻ 3. ৬छͱڅྉͷؒͷؔ܎ΛՄࢹԽɻ 4. څྉͱۈଓ೥਺ͷؒͷؔ܎ΛՄࢹԽɻ ྫɿΧςΰϦʔͱΧςΰϦʔͷؒͷؔ܎ΛՄࢹԽ

  173. ৬छ (ΧςΰϦʔ) vs. څྉ (਺஋) ৬छͱڅྉͷؒͷؔ܎ΛՄࢹԽ

  174. څྉ (ΧςΰϦʔ) ΧςΰϦʔԽ ৬छ (ΧςΰϦʔ) vs. څྉ (਺஋)

  175. څྉʢ਺஋ʣ

  176. څྉʢΧςΰϦʔʣ

  177. ΧςΰϦʔԽͷઃఆ

  178. څྉ (ΧςΰϦʔ)ɹvs. ৬छ (ΧςΰϦʔ)

  179. 179 1. ৬छͱڭҭͷؒͷؔ܎ΛՄࢹԽɻ 2. ৬छͱୀ৬͔ͨ͠Ͳ͏͔ͷؒͷؔ܎ΛՄࢹԽɻ 3. ৬छͱڅྉͷؒͷؔ܎ΛՄࢹԽɻ 4. څྉͱۈଓ೥਺ͷؒͷؔ܎ΛՄࢹԽɻ ྫɿΧςΰϦʔͱΧςΰϦʔͷؒͷؔ܎ΛՄࢹԽ

  180. څྉ (ΧςΰϦʔ) vs. ۈଓ೥਺ (ΧςΰϦʔ)

  181. 181 ώʔτϚοϓ ΧςΰϦʔؒͷ૊Έ߹Θͤ͝ͱʹूܭͨ͠਺஋Λ৭Ͱදࣔ

  182. 182 ৬छͱڭҭͷؔ܎ΛώʔτϚοϓͰՄࢹԽ͢Δɻ

  183. 183 ৬छͱઐ߈ͷਓ਺ͷؔ܎Λώʔτ ϚοϓͰՄࢹԽ͢Δɻ • λΠϓʹώʔτϚοϓΛબ୒ɻ • X࣠ʹJobRoleΛબ୒ɻ • Y࣠ʹEducationFieldΛબ୒ɻ •

    ৭Ͱ෼ׂʹߦͷ਺Λબ୒ɻ
  184. 184 ৬छͱઐ߈ͷਓ਺ͷؔ܎͕ώʔτϚοϓͰՄࢹԽ͞Εͨɻ

  185. 185 Life Science͕ઐ߈ͰResearch Scientistͷ৬ʹ͍͍ͭͯΔਓ͸ 133ਓ͓Γɺ৬छͱઐ߈ͷ૊Θͤ ͷதͰ͸Ұ൪ଟ͍ɻ

  186. Q & A

  187. None
  188. • ϓϩάϥϛϯάͳ͠ RݴޠͷUIͰ͋ΔExploratoryΛ෼ੳπʔϧͱͯ͠࢖༻͢ΔͨΊडߨத͸ɺϏδωεͷ໰୊ Λղܾ͢ΔͨΊʹඞཁͳσʔλαΠΤϯεͷख๏ͷशಘʹ100ˋूதͰ͖Δ • πʔϧͷ࢖͍ํͰ͸ͳ͘ɺ෼ੳख๏ͷशಘ ݱ৔Ͱ࢖͑Δ෼ੳख๏ΛάϧʔϓԋशΛ௨࣮ͯ͠ࡍʹखΛಈ͔͠ͳ͕Βɺ਎ʹ͚ͭͯߦ͘ ͜ͱ͕Ͱ͖Δɻ • ࢥߟྗͱεΩϧͷशಘ

    σʔλαΠΤϯεͷεΩϧशಘ͚ͩͰͳ͘ɺσʔλ෼ੳʹඞཁͳࢥߟྗ΋शಘͰ͖Δ ಛ௃
  189. ࿈བྷઌ ϝʔϧ kan@exploratory.io ΢ΣϒαΠτ https://ja.exploratory.io ϒʔτΩϟϯϓɾτϨʔχϯά https://ja.exploratory.io/training-jp Twitter @KanAugust

  190. EXPLORATORY