2026年10月8日に、Microsoft Power Query、pandasのmissing data、scikit-learnのcommon pitfallsを再読しました。移行前に接続・変換・結合・読み込みと更新手順を分け、欠損はゼロや重複と混同せず検出・変換規則を記録します。予測を試す場合は前処理を含めて学習用と評価用を分け、漏えいを避けます。ExcelをAIへ置換したことや欠損検査だけで品質は保証されません。
ExcelからAIへ移す前に、いまの作業が「同じ規則で表を整える仕事」なのか、「正解が未知の予測」なのかを分けましょう。定型集計ならExcelやPower Queryで足りることがあります。AIを加える場合も、元データと照合できる出力を残すのが出発点です。
30秒で要点
- 欠損、ゼロ、重複は別物です。下の架空12行では、重複を除いた既知の売上は18,000円ですが、全注文の売上確定値ではありません。
- 集計の再現には表計算やコード、未知の値の予測には評価済みモデル、説明案にはLLMと、任せる役割を分けます。
- 時間短縮は生成時間だけで測らず、確認と再作業を足します。架空例の240分→120分は計算例であり、導入効果の実測ではありません。
Excelを置き換える前に、仕事を四つに分ける
Excelは手入力専用ではありません。Microsoftの説明では、Power Queryは接続・変換・結合・読み込みを行い、保存した変換手順を更新時に再実行します。Power Queryの公式説明を参照してください。利用できる接続先や機能は環境で異なります。
表が収まらない場合は、横にスクロールできます
| 仕事 | 最初に試す方法 | AIを検討する場面 | 人が決めること |
|---|---|---|---|
| 合計・件数・既知の条件分岐 | Excel、Power Query、SQLや定型コード | 集計式の案を得るとき | 集計単位、対象期間、除外理由 |
| 同じ整形を繰り返す | 保存した変換手順、Pythonなど | 書式が不揃いな文書の抽出補助 | 原文との一致、失敗時の扱い |
| 将来需要など未知の値を推定する | 単純な基準予測と比較するモデル | 過去データから推定する価値があるとき | 評価期間、誤差の費用、採否 |
| 表の説明・仮説を作る | 集計結果に基づく説明案 | LLMに論点や文章案を出させるとき | 数字の照合、因果を断定しないこと |
処理できる量、分析の深さ、自動化、可視化、予測は、それぞれ別の評価軸です。「AIだから大量でも速い」「客観的になる」と一括りにせず、同じ入力・同じ正解条件で比較します。TableauやPower BIなどの可視化製品、GAなどの計測基盤と、LLMや予測モデルも同じ機能ではありません。既存環境の役割を確認してから組み合わせます。
架空12行で、AIに渡す前の検算をする
以下は著者が作成した教材です。実在する顧客・売上・成果ではありません。同じ注文IDの同一内容は再取込として1件にする、と事前に決めています。分割納品などで同じIDに複数明細がある実データには、そのまま適用できません。
表が収まらない場合は、横にスクロールできます
| 行 | 注文ID | 金額（円） | 判定 |
|---|---|---|---|
| 1 | A01 | 1,000 | 既知 |
| 2 | A02 | 2,000 | 既知 |
| 3 | A03 | 1,500 | 既知 |
| 4 | A03 | 1,500 | 行3と同じ再取込 |
| 5 | A04 | 1,000 | 既知 |
| 6 | A05 | 未入力 | 金額不明、ゼロではない |
| 7 | A06 | 0 | 金額がゼロと確認済み |
| 8 | A07 | 3,000 | 既知 |
| 9 | A08 | 2,500 | 既知 |
| 10 | A09 | 2,000 | 既知 |
| 11 | A10 | 1,000 | 既知 |
| 12 | A11 | 4,000 | 既知 |
重複1行を除くと注文は11件、金額既知は10件です。既知分の合計は18,000円、既知分だけの平均は18,000÷10＝1,800円です。金額の確認率は10÷11≒90.9%になります。A05の金額が未確定なので、11件全体の売上と平均はまだ確定できません。
表が収まらない場合は、横にスクロールできます
| 処理 | 得られる値 | 問題・用途 |
|---|---|---|
| 重複を残し、既知の金額を足す | 19,500円 | 同じ1,500円を二重計上する |
| 重複を除き、既知だけを足す | 18,000円 | 未確定分を別記して使える |
| 未入力をゼロとして11件で割る | 約1,636.36円 | 不明をゼロと仮定した平均になってしまう |
| 既知10件の平均を示す | 1,800円 | 分母と未確定1件を明記する |
移行は四段階で進める
1. 現在の手順と正解条件を棚卸しする
入力ファイル、1行の意味、期間、担当者、提出先を記録します。月次売上なら、受注日か入金日か、返品を差し引くか、税込か税抜かが先です。いま手作業に何分かかるかだけでなく、誤りを見つけた場合の再作業も測ります。
2. 一番小さな方法を選ぶ
同じCSVの結合ならPower Queryやコード、自然文の要約案ならChatGPTやClaudeなどのLLM、未知の需要なら予測モデルというように、作業を分けます。製品名だけで採否を決めず、社内規程に沿うデータ投入可否、出力の照合方法、費用と運用担当を確認します。独自AIの開発は既存手段で満たせない要件が明らかになってから検討します。
3. 元データを残して整える
コピーした入力で、列名・文字コード・日付・単位・重複キーを揃え、変更理由を残します。欠損を平均で埋める、大きな値を削るといった処理は自動的に正しくなるわけではありません。異常に見える大口注文が本物なら、削除は誤りです。
予測をする場合は、学習用と評価用を先に分けます。scikit-learnの注意事項は、前処理で学ぶ値にも評価データを混ぜないことを説明しています。時系列予測なら、予測時点で知り得ない将来情報を使わない設計も必要です。
4. 小さく実施し、照合してから運用する
まず1種類の帳票で旧手順と並べます。合計・件数・未確定数を照合し、LLMの説明には根拠となるセルや集計を付けます。未検証の説明を顧客へ自動送信しません。不一致を担当者が調べ、手順を直してから対象を増やします。
記述・予測・分類を混ぜない
表が収まらない場合は、横にスクロールできます
| 分析 | 問い | 比較・確認するもの |
|---|---|---|
| 記述統計 | この期間に何が起きたか | 合計、分母、欠損、原票との一致 |
| 予測 | まだ分からない値はいくつか | 未見の期間の誤差、単純な基準予測 |
| クラスタリング | 似た傾向の集まりはあるか | 特徴量の尺度、分け方の安定性、施策上の意味 |
売上帳票の自動化は、集計と説明の確認時間を測る用途です。顧客セグメントは似た傾向を整理する用途であり、分類しただけで成約率が上がるわけではありません。需要予測は在庫判断の材料であり、欠品費用と保管費用、発注制約も別に考えます。
効果は確認・再作業込みで測る
表が収まらない場合は、横にスクロールできます
| 架空の同一月次帳票 | 作業時間 |
|---|---|
| 旧手順の全作業 | 240分 |
| 新手順の生成・集計 | 30分 |
| 新手順の照合 | 60分 |
| 新手順の修正・再作業 | 30分 |
| 新手順の合計 | 120分 |
生成部分だけなら（240−30）÷240＝87.5%ですが、全作業を比べると（240−120）÷240＝50%です。いずれも上の架空条件での算術です。実際の導入では初期整備・教育・利用料金も記録し、同じ品質を満たした仕事だけで比べます。
失敗を避ける要点は、データ品質を先に確認すること、もっともらしい説明を盲信しないこと、最初から複雑な仕組みにしないことです。今日の一歩は、直近の帳票1つについて「元の件数・集計後の件数・不明件数・検算値」を書き出すことです。
関連する学習
- 全体の仕組み：AI・LLM完全ガイド
- 業務への分解：AIによる業務自動化の事例
- 入力の整備：AIとデータ品質管理
- 説明案の依頼：プロンプトエンジニアリングの基本
- 判断の組み立て：AI・心理学・統計学による意思決定
- 支援の考え方：First byteのAIアプローチ