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。

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
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
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
94. 94 1. ৬छͷ͹Β͖ͭΛՄࢹԽ͢Δ 2. ৬छͷ͹Β͖ͭ͸உঁؒͰҧ͍͕͋Δ͔ΛՄࢹԽ͢ Δɻ 3. ৬छͷ͹Β͖ͭ͸ɺୀ৬ͨ͠ਓͱͯ͠ͳ͍ਓͷؒͰ ҧ͍͕͋Δ͔ΛՄࢹԽ͢Δɻ ྫ - ΧςΰϦʔͷ͹Β͖ͭΛՄࢹԽ
96. 96 1. ৬छͷ͹Β͖ͭΛՄࢹԽ͢Δ 2. ৬छͷ͹Β͖ͭ͸உঁؒͰҧ͍͕͋Δ͔ΛՄࢹԽ͢ Δɻ 3. ৬छͷ͹Β͖ͭ͸ɺୀ৬ͨ͠ਓͱͯ͠ͳ͍ਓͷؒͰ ҧ͍͕͋Δ͔ΛՄࢹԽ͢Δɻ ྫ - ΧςΰϦʔͷ͹Β͖ͭΛՄࢹԽ
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
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
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
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