ポートフォリオって「作ったものの置き場」でしょ？
いいえ。採用側が見たいのは「意思決定に効いた証拠」と「再現性」です。
本ガイドは、未経験〜初学者が週10時間×4〜6週で、テーマ選定→要件定義→データ設計→ETL/分析→評価→可視化→README→10分LT→改善まで作り切るための“実務の型”を提供します。テンプレ/チェックリスト/コード雛形はコピペOKです。
この記事で身に付くこと
- “刺さる”ポートフォリオの設計図（評価指標まで逆算）
- 再現性のあるリポジトリ構成とREADMEテンプレ
- 10分LT（ライトニングトーク）台本テンプレ
採用に刺さらない“ありがちな失敗”3つ
① Notebook1枚で完結：セル順でしか再現できず、翌月には動かない。実務では再現手順と入出力の分離が必須です。
② ビジネス非接続：AUCや精度の自慢だけ。意思決定（Top-k／コスト／リソース制約）の話がないと弱いです。
③ ストーリー不在：目的→仮説→検証→打ち手の一貫性が途切れ、説得力を失います。
解決のカギ
「パイプライン（ETL）＋評価設計＋10分LT」の型に乗せること。以降のテンプレをそのまま使えばOKです。
レビュー100件超で見えてきた“勝ち筋”
筆者（ふみと）は大手企業でデータ/マーケティングサイエンティスト歴10年。採用側として数十人分の課題提出やポートフォリオをレビューしてきました。刺さる作品の共通点は、(1) 課題をビジネス語で語れる、(2) 再現可能なリポジトリ、(3) 10分LTが結論→根拠→打ち手で明瞭、の3つ。そこで本記事はこの要件から逆算して作っています。
ふみとメモ：実際の面接で「このスライド1枚で何を決めてもらいたい？」と聞くと、強い候補者は一呼吸で答えます。ここが腹落ちすると通過率が一段跳ねます。
“刺さるポートフォリオ”の設計図
以降は Python 3.10+ / pandas 2.x / scikit-learn 1.x / SQLite を想定します。
まず選ぶ：3つのトラック（目的別）
- 分析/BIトラック：売上・需要・構成比の把握→営業会議向け“意思決定1枚”
- MLトラック：離反/需要/不良予測→CV±std / Top-k / コストまで評価
- 自動化トラック：SQLite×Pythonで毎月回るETL→Excel納品の仕組み
どれか1つを深くやるのが最短ルート。横展開は2作目でOK。
テーマ選定テンプレ（コピペOK）
【誰の意思決定？】（例：店舗Mgr／ECMgr／人事）
【何を決める？】（例：重点店舗／在庫補充／離反対策）
【評価指標】（例：MAE／PR-AUC／Recall@5%）
【データ】（例：売上/顧客/在庫／公開データ）
【粒度/期間】（例：月次×店舗×カテゴリ、直近24ヶ月）
【納品物】（例：10分LT＋Excel1冊／ダッシュボード）リポジトリ雛形（そのまま使える）
project_name/
├─ data/ # 入出力（raw/processedを分けると尚良）
│ ├─ raw/
│ └─ processed/
├─ src/ # 前処理・学習・評価を関数化
│ ├─ features.py
│ ├─ train.py
│ ├─ evaluate.py
│ ├─ sql/
│ │ ├─ create_tables.sql
│ │ └─ queries.sql
├─ notebooks/ # 実験用（成果はsrcへ移す）
├─ reports/ # 図/Excel/PDF
├─ requirements.txt
└─ README.md # 再現手順ルール：Notebookは試作、本流は関数化してsrc/へ。データ/コード/成果物は分離しましょう。
READMEテンプレ（採用側はまずココを見る）
# プロジェクト名：上位店舗の売上トレンドと在庫打ち手提案
## 目的（1文）
店舗Mgrが翌月の重点施策を決めるために、月次売上トレンドと構成比の変化を把握する。
## データ
* sales.csv（date, store, product, qty, price）
* stores.csv（store, area, open\_date）
## 指標と評価
* KPI：売上、構成比（Top-5カテゴリ）
* MLがある場合：PR-AUC / Recall\@5%（営業リソース5%想定）
## 使い方（再現手順）
```bash
python -m venv .venv && source .venv/bin/activate # Windowsは .venv\Scripts\activate
pip install -r requirements.txt
python src/init_db.py # SQLite初期化（任意）
python src/run_all.py # ETL→集計→Excel/PDF出力
```
## 成果物
* reports/report.xlsx（Summary/Pivot/Data）
* reports/fig\_trend.png（注釈入り）
* 10分LTスライド（/reports）
## 結果サマリ（3行）
1. 4〜7月のYoY -12%（来店数要因）。
2. 新商品X導入でカテゴリYの粗利率 +2.1pt。
3. 次月：在庫調整A/Bとクーポン施策案。>>【保存版】データレポート納品の型：要件定義→ETL→検証→可視化→Excel/PDF→引き継ぎまで、失注しないワークフロー完全版
データとETL：SQLite×pandasの骨子
重い整形はSQL、仕上げはpandasが基本です。
詳細は>>【保存版】SQLite×Pythonで作る“ローカルDWH”——ETL・集計・レポート自動化の最短手順
from pathlib import Path
import sqlite3, pandas as pd
from src.features import make_monthly
DB = Path("data/warehouse/retail.sqlite")
con = sqlite3.connect(DB)
monthly = make\_monthly(con) # WITH monthly AS (...) を内部で実行
monthly.to\_excel("reports/report.xlsx", index=False)可視化：1枚で伝える型
- 図1（大）：月次売上折れ線＋移動平均＋注釈（キャンペーン/障害）
- 図2（小）：上位10店舗の横棒（1位を上）
- 図3（小）：100%積み上げ（カテゴリ構成比）
色は2〜3色＋強調1色、単位/軸/凡例は明記。[内部リンク：可視化入門]
MLを入れるなら：評価設計の必須セット
- CV（StratifiedKFold/KFold）→平均±std
- Top-k（営業/審査の上限に合わせる）
- 閾値（Youden/コスト最小）
- CI（ブートストラップで95%区間）
10分LT台本テンプレ（8〜10枚）
- タイトル/役割/目的（30秒）：誰の意思決定を支援？
- データと粒度（60秒）：行粒度・期間・除外ルール
- KPI/指標（60秒）：採用理由
- 結果1（90秒）：トレンド図＋注釈→結論1行
- 結果2（60秒）：上位店舗/カテゴリ比較
- ML結果（90秒）：CV±std、Top-k、閾値、コスト
- 示唆（60秒）：打ち手A/B、期待インパクト
- 再現性（60秒）：README/コマンド/DB
- 今後（30秒）：改善計画
- Q&A（60秒）：想定質問に先回り回答
サンプル企画（この3本なら外さない）
おすすめ3選
- 分析/BI：「月次×店舗の売上トレンドと構成比」— Excel＋1枚スライド / 折れ線・横棒・100%積み上げ
- ML：「離反（解約）予測と営業優先リスト」— PR-AUC / Recall@5% / Permutation重要度
- 自動化：「SQLite×Pythonで毎月回るレポート」— 増分ロード、PRAGMA/INDEX、エラーログ
レビュー観点チェックリスト
- 目的：誰の意思決定か。KPIと接続しているか。
- データ：粒度/期間/欠損/重複/型の扱いが明記。
- ETL：SQL/関数化で再現可能、
READMEに手順。 - 可視化：図選択の根拠、注釈/単位/凡例、色は2〜3色＋強調1色。
- 評価：CV±std、Top-k、閾値、CIを提示。
- 成果物：Excel/PDF/モデル/スクリプトが揃い1コマンド実行可能。
- 発表：結論→根拠→打ち手 の順で10分以内。
採点ルーブリック（面接官視点：100点）
- 目的/KPIの一貫性 20点
- 再現性（README/コマンド/構成） 20点
- 可視化の説得力（注釈/選図/配色） 15点
- 評価設計（CV/Top-k/閾値/CI） 20点
- ビジネス示唆（打ち手A/Bと期待効果） 15点
- コード品質（関数化/型/最小テスト） 10点
この配点で自己採点→不足を埋めるのが最短で合格水準に届く方法です。
仕上げまで最短到達：伴走レビューという選択
独学でも完走できますが、レビューの往復があると説得力が段違い。次の2校は質問対応/レビュー/転職支援がセットで、6週間で1本仕上げるのに相性が良いです。
TechAcademy データサイエンスコース（受講料：174,600円～ ※更に割引あり）
株式会社キカガク AI人材長期育成コース（受講料：237,600円~）
行動計画：30日で1本仕上げる（週10時間×4週）
Week1（設計）：テーマ選定→要件票→データ確保→リポジトリ雛形→requirements.txt固定
Week2（ETL/集計）：SQLite初期化→取り込み→WITH monthly→検証（全体=内訳合計）
Week3（可視化/ML）：1枚スライド構成→図3点→（必要なら）CV±std/Top-k/閾値/CI
Week4（仕上げ）：README/再現コマンド→Excel/PDF→10分LTリハ→自己採点（ルーブリック）
- [ ] READMEに目的/KPI/手順が明記
- [ ] 1コマンドで成果物が出る
- [ ] スライドは結論→根拠→打ち手
- [ ] （ML）CV±std/Top-k/閾値/CIあり
- [ ] 自己採点80点以上（ルーブリック）
付録A：最小テストとデータ検査（コピペ可）
import sqlite3, pandas as pd
def test\_sales\_non\_negative():
con = sqlite3.connect("data/warehouse/retail.sqlite")
df = pd.read\_sql\_query("SELECT qty, price FROM sales", con)
assert (df.qty >= 0).all() and (df.price >= 0).all()付録B：Issue/PRテンプレ
### 目的
### 変更点（Before/After）
### 影響範囲
### 再現手順付録C：よくある質問（FAQ）
Q. 公開できるデータがない / A. 公開データ/合成データでOK。粒度/指標/意思決定の設計が本質。
Q. 何本作るべき？ / A. 1本を深く（評価と再現性まで）。余力があれば2本目で別トラック。
Q. Kaggleだけで良い？ / A. 学習には◎。ただし再現性/意思決定接続/10分LTを自作で補う。
次に読むべき記事
-
-
【保存版】データレポート納品の型：要件定義→ETL→検証→可視化→Excel/PDF→引き継ぎまで、失注しないワークフロー完全版
“いい分析”より“伝わる納品”。副業や実務で評価されるのは、意思決定に効く1枚と再現できるパッケージを期限通り出せること。 本記事は、未経験〜初学者が週10時間×2〜3週で、要件定義→データ受領→ET ...
-
-
【保存版】SQLite×Pythonで作る“ローカルDWH”——ETL・集計・レポート自動化の最短手順
ローカルでゼロ構築、ファイル1つで完結、サーバ不要。本記事はSQLite×Pythonで“毎日回る”ETL・集計・レポート自動化を最短で作るための完全ガイドです。データ設計→DB作成→ETL（取り込み ...
-
-
【保存版】可視化入門：Matplotlib/Plotlyの使い分けと“伝わるグラフ設計”10ステップ
結論：可視化は「きれいに描く」ことではなく、意思決定を動かすための設計です。本稿では、未経験〜初学者が 週10時間×1〜2週 で、Matplotlib/Plotlyを軸に “伝わるグラフ”の設計と実装 ...
-
-
【保存版】scikit-learn基礎：回帰・分類・前処理・パイプライン・交差検証を“実務の型”で習得
機械学習で迷子になる最大の理由は、前処理→学習→評価→改善の順番が曖昧なまま個々のアルゴリズムに飛びつくこと。本記事は、未経験〜初学者が週10時間×2〜3週で到達できるscikit-learnの最短ル ...
-
-
【保存版】モデル評価：指標の選び方・交差検証・閾値最適化・ビジネス接続を“実務の型”で解説
精度が上がらない原因の多くは「評価設計の誤り」にあります。評価とは「何点取れたか」ではなく、意思決定に耐えるかを測る営み。この記事では、回帰/分類/ランキングの指標の選び方、交差検証の正しい使い分け、 ...
最近のコメント