実践、chatgptとやるデータ分析 - 統計と分析をはじめました。

「データ分析をやってみたい。でも、どこから始めればいいかわからない」

私自身、そんな状態からスタートしました。

仕事で介護施設の入所相談記録データを使って分析に挑戦したのですが、最初に立てた計画は途中で崩れ、方針転換を余儀なくされました。

この記事では、その失敗と方針転換の経緯、そして最終的にテキストマイニングで得られた分析結果まで、一気にお伝えします。「データ分析って実際どんな感じ？」という方に、リアルな体験として読んでもらえれば嬉しいです。

最初の目標：入所者を増やすための分析

分析のテーマは「介護施設の入所相談記録から、入居につながるパターンを見つける」こと。

ChatGPTに相談しながら、以下の7ステップで進める計画を立てました。

順調に進むはず…でした。

Step2「データの中身を理解する」の段階で、想定外の問題が出てきました。

・空欄が多すぎる
相談記録の重要な項目（介護度、問合せ方法など）に空欄が大量にありました。集計しようにも、母数が揃わないため比較できません。

・入力値が統一されていない
「電話」「TEL」「tel」「お電話」など、同じ意味の値が複数の表記で入力されていました。このままでは正しく集計できません。

データを整えるだけで相当な時間がかかる上、整えたとしても分析に耐えられるデータ量が残るか不明でした。

そこで方針を転換することにしました。

空欄が多い数値データではなく、備考欄のテキストデータに着目しました。

備考欄には担当者が自由記述で書いた相談内容が入っており、こちらは比較的データが埋まっていました。

分析の方針を「テキストマイニングで、入所が決定した相談に共通する言葉を探す」に変更しました。

使用ツールはUser Local（無料のテキストマイニングツール）。2つの軸で分析しました。

入所が決定した方の備考欄で、頻繁に登場した単語はこちらです。

【頻出ワード】連絡、入居、施設、希望、予定、見学、本人、申込、説明、依頼

入所決定グループに特に特徴的だった単語はこちらです。

【特徴的ワード】来所、名張、伊賀、市立病院、MSW、ケアマネ、情報提供、申込

2つの分析を合わせると、入所が決定した相談には以下の共通パターンが見えてきました。

最初に立てた計画通りに進まないのが、実際のデータ分析です。

データの空欄や表記ゆれという「現実の壁」にぶつかったことで、より扱いやすいテキストデータへの方針転換ができました。

ChatGPTは計画立案の相談相手として非常に役立ちましたが、実際のデータを見て判断するのは自分自身でした。ツールに頼りすぎず、目の前のデータと向き合うことが大切だと感じました。

初めてのデータ分析で「うまくいかなかった」と感じている方へ。計画通りに進まないのは当たり前です。方針転換しながら前に進むことが、データ分析の実態です。

あなたが実際のデータ分析で「壁にぶつかった」経験があれば、ぜひコメントで教えてください。