業界別データ活用の実務テンプレ｜小売・広告・製造・SaaSのKPI設計から打ち手まで

業界が変われば、KPI・データ粒度・運用はガラッと変わります。

本記事では小売/EC・広告/メディア・製造・IT/SaaSの4業界を横断し、「要件 → データ → 指標 → 打ち手」までを一気通貫で設計できる“実務テンプレ”として整理しました。
未経験の方は、ここから1業界を選んでPF（ポートフォリオ）化すれば、職務経歴書に直結します。

>>【完全ガイド】データサイエンティストの仕事内容と必要スキル・年収
>>未経験からデータサイエンティストへ：6ヶ月ロードマップ【現役が解説】
>>【保存版】データ職のポートフォリオ完全ガイド｜再現性・評価・LTまで
>>【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
>>データ可視化レポート納品の型：Tableau/Matplotlib｜“図3点＋結論1行＋運用”で伝わる・続く・刺さる
>>はじめてのSQL：SELECT/WHERE/GROUP BYを最短で理解【コピペOK】
>>【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
>>コピペで動く需要予測｜ARIMA×LightGBMでベースライン→運用まで
>>勤怠・売上の異常検知は設計が9割｜SLOとRules→Stats→MLで“静かな監視”を作る

はじめに：業界を意識しない学習は“伝わらない”

Kaggle中心の学びは運用や意思決定への接続があいまいになりがち。
さらに、粒度（日次/セッション/ロット）や遅延（集計タイミング）を無視すると、せっかくの分析も現場で使えません。
鍵は、業界ごとのKPI・スキーマ・運用文脈に合わせて「要件→データ→指標→打ち手」を設計することです。

この記事の使い方

各業界ごとに「代表課題とKPI → 最低スキーマ → 特徴量/モデル/評価 → ダッシュボード/運用 → PF雛形」の順でまとめます。
コードやSQLはそのままコピペで試せます。コードの前には 「このコードで何をしたいのか」 を明示しています。

小売/EC：需要×在庫は“誤差管理”から

代表課題とKPI：需要予測（MAE/WAPE）、在庫最適化（欠品率/在庫回転）、プロモ効果（Lift/粗利）、顧客価値（RFM/CLV）

最低スキーマ（例）

sales(tx_id, tx_date, store_id, sku_id, qty, price, promo_flag)
sku(sku_id, category, brand, size)
store(store_id, area, format)
calendar(date, wday, holiday, campaign)

まず何をしたい？（ねらい）

• 欠品や過剰在庫を減らす ために、日次レベルで需要を外さない。
• 安全在庫 を「μ + zσ」で設計し、目標欠品率 を業務の 閾値 に翻訳する。

特徴量/モデルの勘所

• ラグ、移動平均、季節性、祝日、プロモ前後はまず効く
• モデルは 軽量なツリー（LightGBM） や回帰で十分
• 安全在庫：平均需要μ、需要の標準偏差σ、目標欠品率αに対応するz値で μ + zσ を設定

評価と運用（“誤差管理”）

• 指標：MAE/WAPE（WAPEは絶対誤差の合計÷実績の合計）
• 運用：誤差→閾値→発注提案 に落とす。週次ダッシュボードは「売上推移・欠品率・在庫日数」を1枚に。

SQL最小例（カレンダー結合で欠測を埋め、予測用ベースを作る）

このSQLでやりたいこと：全日×全店舗×全SKUの 穴埋めテーブル を作り、モデリングに使える日次データをそろえます。

SELECT c.date, s.store_id, sk.sku_id,
       COALESCE(SUM(sa.qty),0) AS qty
FROM calendar c
CROSS JOIN store s
CROSS JOIN sku sk
LEFT JOIN sales sa
  ON sa.tx_date=c.date
 AND sa.store_id=s.store_id
 AND sa.sku_id=sk.sku_id
WHERE c.date BETWEEN '2025-06-01' AND '2025-08-31'
GROUP BY 1,2,3;

広告/メディア：配信最適化は“確率×費用対効果”

代表課題とKPI：配信最適化（CPA/ROAS）、クリエイティブ評価（CTR/CVR/Lift）、アトリビューション、予算配分（MMM）

最低スキーマ（例）

impression(impr_id, date, campaign, adgroup, creative, device, cost)
click(click_id, impr_id, date)
conv(conv_id, date, value, user_id)
creative_meta(creative, type, copy)

まず何をしたい？（ねらい）

• 反応確率（クリック/コンバージョン） を学習し、コスト当たりの価値（ROAS/CPA） を最大化。
• 予算や入札を スコア×閾値 に翻訳し、日次運用に落とす。

特徴量/モデルの勘所

• 曜日/時間/デバイス/媒体の傾向を素直に学習
• 反応確率は ロジスティック回帰 or ツリーモデル でOK
• 評価は PR-AUC（陽性稀少時に有効）
• MMMの入口は 単回帰 からで十分

SQL最小例（日×キャンペーンのROASを出す）

このSQLでやりたいこと：日次×キャンペーンの 広告費と成果（価値） をまとめ、ROAS を算出します。

SELECT i.date, i.campaign,
       SUM(c.value) / NULLIF(SUM(i.cost),0) AS roas,
       SUM(i.cost) AS spend
FROM impression i
LEFT JOIN click k ON k.impr_id=i.impr_id
LEFT JOIN conv c  ON c.date=i.date AND c.user_id IS NOT NULL
GROUP BY 1,2;

製造：監視は“誤警報率×検出率”の設計から

代表課題とKPI：異常検知（誤警報率/検出率）、歩留まり（良品率/不良率）、予防保全（MTBF/停止時間）

最低スキーマ（例）

sensor(ts, line_id, machine_id, temp, vib, press)
lot(lot_id, start_ts, end_ts, result)
maintenance(machine_id, ts, work_type)

まず何をしたい？（ねらい）

• 驚くべき変化を早く・静かに・正しく知らせる 監視を作る（“静かな監視”）。

• 誤警報率（False Positive Rate） を設計値として持ち、Recall とのバランスをチューニング。

特徴量/モデルの勘所

• 滑動窓の統計（平均/分散/偏度）、変化点、SPC（管理図）から導入
• モデルは IsolationForest / One-Class SVM / ロジスティック など

Python最小例（窓統計）

このコードでやりたいこと：センサー値に 移動平均と移動標準偏差 を付与し、変化点の兆候 をとらえやすくします。

import pandas as pd
w = 60
df['temp_mean'] = df['temp'].rolling(w).mean()
df['temp_std']  = df['temp'].rolling(w).std()

• rolling(w) は直近w点の窓をつくり、平均・標準偏差を計算
• これらを しきい値監視（例：temp > temp_mean + 3*temp_std）に接続

IT/SaaS：解約は“スコア×施策”で動かす

代表課題とKPI：解約予測（Churn/Retention）、オンボーディング（Aha moment到達率）、料金最適化（ARPU/LTV）

最低スキーマ（例）

events(user_id, ts, event, props)
subscription(user_id, plan, start_ts, cancel_ts)
account(industry, size, region)

まず何をしたい？（ねらい）

• 利用パターン（ファネル、利用間隔、機能回数）で解約リスクを可視化
• スコア×施策（例：スコア>0.8→CS架電） に翻訳し、運用へ

特徴量/モデルの勘所

• D1/D7アクティブ、主要機能の利用回数、直近利用からの経過日数
• モデルは ロジスティック回帰/ツリー、評価は PR-AUC / Lift

SQL最小例（コーホート残存をつくる）

このSQLでやりたいこと：ユーザーの初回利用日を「コーホート」として束ね、日次の 継続（残存） を可視化します。

WITH first AS (
  SELECT user_id, MIN(DATE(ts)) AS cohort
  FROM events GROUP BY 1
), daily AS (
  SELECT e.user_id, DATE(e.ts) d, 1 AS active
  FROM events e GROUP BY 1,2
)
SELECT f.cohort, d.d, SUM(active) AS act
FROM first f JOIN daily d USING(user_id)
GROUP BY 1,2;

共通：伝わるダッシュボードは“結論1行＋図3点”

• 結論1行：今週は需要が+8%／欠品-1.2pt。
• 図3点：推移（折れ線）／分解（棒）／構成比（100%積上げ）。
• 注釈：異常点に矢印＋メモ、基準線で判断を速く。
• 打ち手：在庫閾値+1日／予算を媒体Bへ+15%／解約スコア>0.8に架電。

ワンポイント：ダッシュボードは「決めるための1枚」。グラフは3つに絞り、結論→根拠→次の一手 の順で置くと、会議が早く終わります。

求人票の“翻訳表”：業界語→スキル/成果

“伴走レビュー”で業界PFを仕上げよう

厳しめのレビューほど、PFは現場語になります。まずは無料カウンセリング/体験で、課題サンプルとレビュー基準に触れてみましょう。

TechAcademy データサイエンスコース（受講料：174,600円～ ※更に割引あり）

TechAcademy 無料相談

株式会社キカガク AI人材長期育成コース（受講料：237,600円~）

キカガク 無料相談

状況別の“勝ち筋”

• 社会人（転職）：現職に近い 1業界 を選び、KPIの言語でPF化
• 副業目的：小売/広告の レポート自動化 を商品化（単価×稼働で回収）
• 在宅中心：SaaSの解約PF はローカルで完結しやすく、非同期レビューと相性◎

今日やること（60分）

1. 業界を1つ選ぶ（現職に近いほど有利）。
2. 上のスキーマを雛形に疑似データを作る（100日/1,000レコード程度）。
3. 指標を決める（小売=MAE、広告=PR-AUC/CPA、製造=Recall@誤警報、SaaS=PR-AUC/Lift）。
4. README雛形（目的/KPI/再現手順/結果/打ち手）を用意し、Makefile/pytest/CIまで作る。
5. ダッシュボードに図3点と結論1行＋打ち手を書く。

README雛形（コピペ可）

# 業界別PF（小売：需要予測）
## 目的/KPI
- 欠品率の低減、発注提案の自動化（MAE/WAPE）
## データ/スキーマ
- sales/sku/store/calendar（疑似データ生成スクリプト同梱）
## 再現手順
- `python -m pip install -r requirements.txt`
- `make all`（features→train→evaluate→report）
## 結果/打ち手
- MAE 12.4、補充提案で欠品率-0.8pt（試算）
## 限界/次の一手
- プロモ影響の分離/店舗クラスタ

付録：指標の超要約

• MAE：平均絶対誤差。外れ値に比較的強い。
• WAPE：総絶対誤差÷総実績。売上規模が違うSKUでも比較しやすい。
• PR-AUC：陽性稀少時の分離性能（広告・解約予測で有効）。
• Lift@k%：上位k%に絞った際の濃度。施策の“当てどころ”を見抜く。
• Recall@誤警報率：製造の監視設計で重要。誤报警を抑えつつ取りこぼしを減らす。

この記事から次に読むべきもの