AIとの対話で『次の一手』を導き出す
｜分析を行動に変える

フェーズ 03までのステップで、分析に必要なデータは整い、可視化の準備も完了しました。

しかし、グラフや集計表が表示されただけでは、ビジネスの課題は解決しません。「数字がどうなっているか」を読み取り、「だから、何をするのか」を決定する必要があります。

このフェーズでは、これまでの設計に基づいた分析結果からAIと一緒に想定される課題の真因を考察し、現場がすぐに実行できる「具体的な改善アクション」と、報告用の「分析レポート」を作成しましょう。

STEP 01　AIと一緒に「具体的な改善アクション」を考えよう（5分）
STEP 02　AIに報告用の「レポート」を書いてもらおう（5分）
よくある質問
まとめ
OPTION　＜少し慣れてきたら…＞ AIとの対話を、より効率よく進めるコツ

フェーズ 03で設計した「分析の作戦」を使って、実際のDr.Sumのデータを確認してみましょう。

フェーズ 01の仮説が正しかったかを検証（答え合わせ）します。その「検証結果（事実）」をもとに、AIと一緒に具体的な「解決策（アクション）」を考えます。

フェーズ 03で立てた「分析の作戦」をAIに伝えて、具体的な打ち手を提案してもらいます。

なお、フェーズ 03で作成したモックアップは、「ダミーデータ」を用いた表示サンプルだったため、そのままでは現実の判断材料になりません。そのため、このステップでは、作成したビジュアルではなく、「分析の作戦」に基づき、Dr.Sum内のデータを直接参照して、現実の数値に即した精度の高い改善アクションを導き出します。

「根拠（数値）」は、フェーズ 03の検証結果からそのまま引用できていますか？
（例：検証結果に無い数値を足していないか？別の指標の数値を混ぜていないか？）
根拠（数値）の“向き”と、ToDoの方向が噛み合っていますか？
（例：「来店客数が前月比 -15%」が根拠なのに、ToDoが「単価アップのために高価格帯を増やす」だけで、客数を戻す手が打てていない…など。）
根拠（数値）と、期待される効果が「同じ観点」でつながっていますか？
（例：根拠が「カテゴリAの売上が -20%」なのに、効果が「リピート率が上がる」になっていて、売上の話から急に別の指標の話に変わっていないか？）
実施期間の目安は、ToDoの量と現実感が合っていますか？
（例：作業が多いのに「すぐ」になっていないか？逆に即効性の施策が長期になっていないか？）

STEP 01で「対策案」が固まりました。これを上司やチームに報告し、実行の許可をもらいましょう。

分析結果とあなたが考えた対策案をセットにして、AIに説得力のある報告レポートを書かせます。

AIに「課題」と「提案したいアクション」を伝えて、簡潔な報告レポートを作成してもらいます。

各スライドの役割が混ざっていませんか？
（例：1枚目にアクションが大量に入っている／2枚目がKPIだらけになっている…など。）
スライド2の各アクションに、STEP01の根拠（数値）を“そのまま”添えられていますか？
（例：数値が無い／「客数 -15%」が「売上 -15%」のように指標がすり替わっている…など。）

もし、出力されたHTMLのレイアウトが崩れていたら、AIに調整を依頼してみましょう。

おつかれさまでした！
これで、フェーズ 01から始まった全4回のプログラムは完結です。

よくある質問

AIの提案が「当たり前」のことばかりで、あまり役に立ちません。どうしたらいいですか？

次の2点を意識すると、AIの回答をより深い内容に引き出しやすくなります。

1. プロンプトに「前提・制約・強み」を具体的に追加する

AIは、与えられた条件の範囲で思考します。

そのため、以下のような情報を補足すると、一般論ではなく「自分たちの状況に即した」回答になりやすくなります。

- 組織や業務の制約（人員・予算・期間・権限など）

- 現在の課題背景や、すでに分かっている事実

- 自社・自部門の強み、逆にできないこと

2. より深い推論が得意なモデルを使う（使い分ける）

改善アクションの検討やKPI設計など、「なぜそう言えるのか」「他の選択肢はないか」といった思考が重要な場面では、

より深く推論するタイプのモデルを使うことで、

- 前提条件を踏まえた整理

- 代替案やリスクの提示

- 施策とKPIの因果関係の明確化

といった点が充実しやすくなります。

なお、報告書の文章化など「表現を整える」ことが主目的の場合は、必ずしも深い推論モデルでなくても十分なケースもあります。

目的に応じて、プロンプトの書き方とモデルを使い分けることが重要です。

Write your awesome label here.

データ活用のサイクルを回し続けると、AIとのやり取りが積み重なり、「以前の前提をもう一度説明するのが面倒」「検討プロセスがバラバラになって管理しにくい」といった課題が出てきます。

そこで重要になるのが、単なるプロンプトの工夫を超えた「会話を効率よく管理・再利用する仕組み」の構築です。

ここでは、過去の検討内容を瞬時に呼び出すコツや、検討フェーズが変わっても説明をやり直さずに済む「プロジェクト機能」の活用術、そしてノウハウを資産化するMarkdown連携など、ここでは、Claudeを例に、AIを「一過性のツール」から「継続的なパートナー」へと進化させる3つの管理術をご紹介します。

1. 過去の情報参照：「過去の検討内容を呼び出す」

Claudeには、過去の膨大なチャット履歴を検索し、その内容を参照しながら新しい回答を組み立てる仕組みがあります。

・「前に決めたこと」をAIが忘れない： 過去にやり取りした分析方針や、苦労してまとめた前提条件をAIが自動で踏まえてくれるため、説明を省略してスムーズに次の議論へ進めます。

・多角的な深掘りがスムーズに： 「以前の検討結果をベースに、今度は別の切り口で考えて」といった指示が可能になり、一つのテーマを深く、広く掘り下げることができます。

「過去の自分」とAIが積み上げてきた文脈（コンテキスト）をそのまま引き継げるため、フェーズをまたいでも思考が途切れないのが最大の特徴です。

2. プロジェクト機能：「説明をやり直さずに済む管理術」

Claudeの「プロジェクト機能」を活用すれば、AIの中にあなた専用の「共有知識ベース」を作れます。

例えば、次のような情報をこれらをプロジェクト知識（手順やファイル）に登録しておけば、フェーズが変わって新しいチャットを開始しても、毎回同じ説明をする手間が省けます。

活用例：

・会社名、業種、使用しているデータベース名

・分析の全体的な目的や背景

・Dr.SumやMotionBoardのバージョン情報

設定例：
・手順: 分析の目的や背景、Claudeへの役割指示などを記述

・ファイル: データベース設計書、過去フェーズの結果をテキストファイルやPDFで保存

補足：

各フェーズで得られた結果（データ要件リストやSQL文など）を次のフェーズやステップで1度だけ使いたい場合は、各フェーズやステップのプロンプトに直接コピー&ペーストしてください。プロジェクト知識への追加は、何度も参照する基本情報（会社情報、データベース情報など）に限定することで、管理がシンプルになります。

3. Markdown化：「再利用できる形にする」

さらに効率を高めたいなら、AIに渡す前提や条件をテキストチャットに直接打ち込むのではなく、「Markdown（md）ファイル」として手元に整理しておくのもおすすめです。

・プロジェクトの「共通基盤」として： 作成したmdファイルをプロジェクトにアップロードしておくだけで、常に最新の前提をAIと共有できます。

・ツールに縛られない汎用性： Claude以外の他のAIサービスでもそのまま読み込めるため、環境が変わってもあなたのノウハウが失われません。

・「テンプレート化」で展開がスムーズ： 一度作った構成案や指示の「型」は、少し書き換えるだけで別の分析テーマにもすぐに応用できます。

mdファイルは、複雑なフェーズを切り分けて進めるデータ活用において、何度でも使い回せる「分析の共通土台」になります。