data-context

コンテキストヒアリング・更新スキル

実行手順

---

Step 0: 入力の種別を判定する（最優先）

まず提供された入力が何の種別かを判定し、対応するパスで処理する。

入力の種別:
├── A. データファイル（CSV, Excel, DB等）→ Step 0-A（データ探索）
├── B. ビジネス文書（議事録, 戦略資料, 提案書, PDFテキスト等）→ Step 0-B（文書解析）
├── C. 複合（データ + 文書）→ Step 0-A + 0-B を両方実施
└── D. 何もない → AskUserQuestion で案内

---

Step 0-A: データファイルの確認

data/ ディレクトリを確認し、以下の情報を把握する:

確認項目	確認方法
ファイル一覧・形式	data/ 配下のファイルをリスト
列名・データ型	df.dtypes または先頭数行を表示
行数・列数	df.shape
欠損値の概況	df.isnull().sum()
数値列の基本統計	df.describe()
日付列の範囲	最小値・最大値
サンプル行	df.head(5)

import pandas as pd
import os

# エンコーディング自動検出（日本語データ対応）
def read_csv_smart(path):
    for enc in ['utf-8', 'utf-8-sig', 'cp932', 'shift-jis', 'latin1']:
        try:
            df = pd.read_csv(path, encoding=enc)
            print(f"読み込み成功: {enc}")
            return df
        except (UnicodeDecodeError, Exception):
            continue
    raise ValueError(f"エンコーディングを特定できません: {path}")

# data/ 配下のファイルを一覧
data_dir = 'data'
if os.path.exists(data_dir):
    files = [f for f in os.listdir(data_dir) if os.path.isfile(os.path.join(data_dir, f))]
    print(f"データファイル数: {len(files)}")
    for f in files:
        print(f"  - {f}")

データがない場合:

• AskUserQuestion で「分析に使うデータファイルを data/ フォルダへアップロードしてください」と案内する
• データ収集が必要なら /data-analysis:data-collect を提示して終了

データがある場合:

• 把握した情報をもとに以下のセクションへの記入候補を自動推論する:
  • セクション5（スコープ）: データの期間・件数
  • セクション6（データソース情報）: ファイル名・形式・件数・期間
  • セクション9（バイアスリスク）: 欠損パターン・偏りの初期評価

---

Step 0-B: ビジネス文書・資料の解析

対応する文書形態:

形態	例	処理方法
議事録・会議メモ	ミーティングノート	テキストから構造情報を抽出
戦略資料・提案書	コンサルティングデッキ	ビジネス課題・数値・アクションを抽出
PDF・レポート	分析レポート、業界調査	定量情報・仮説・前提条件を抽出
Excel サマリー	KPIダッシュボード	指標値・目標値・ビジネスロジックを抽出
メール・Slack等	依頼・要件メッセージ	依頼事項・制約・優先度を抽出

抽出する構造情報:

1. 【ステークホルダー】
   - 誰が関係するか (Who): クライアント、意思決定者、担当者
   - それぞれの関心事・ゴール

2. 【ビジネス課題】
   - 現状 (As-Is): 何が問題か、定量的な損失
   - 目標 (To-Be): どうなりたいか、期待値
   - 優先度: 最重要課題 → 次点 → その他

3. 【定量情報】
   - 金額・規模・件数・率 → 根拠付きで抽出
   - 期間・タイムライン
   - 試算・見積もり（楽観/保守の幅がある場合は両方）

4. 【データ情報】
   - 利用可能なデータソース
   - データの期間・形式
   - 不足データ・追加取得の合意

5. 【制約・前提】
   - 技術的制約
   - 期限・予算
   - 追加合意事項・宿題

6. 【不確実性・不明点】
   - 明言されていない前提
   - 矛盾・曖昧な箇所
   - 確認が必要な事項

処理例（議事録の場合）: ユーザーが会議メモを貼り付けた場合、上記6カテゴリに自動分類して提示し、ユーザーに確認してもらう。その後 analysis_context.md を更新する。

処理例（PDFレポートの場合）: PDFのテキストが提供されている場合、定量情報（数値・%・金額）を優先抽出し、分析目的・現状・課題を構造化する。

---

Step 1: analysis_context.md の確認

analysis_context.md を読み込む。

• ファイルが存在しない → templates/analysis_context.md をプロジェクトルートにコピーしてから実施する旨を案内
• ファイルが空・不十分 → Step 2 のヒアリングへ進む
• ファイルが十分に記載済み → 現状を確認し、更新が必要な箇所を確認する

---

Step 2: ヒアリング（AskUserQuestion を使用、一度に2〜3問）

Step 0 で把握した情報を提示しながらヒアリングを行う。 データ/文書から推測できる内容は「おそらく〜ではないですか？」と仮説として提示し、ユーザーに確認・修正してもらう。

第1回 — ビジネス背景の理解

• この分析を依頼した（または行う）背景・きっかけは何ですか？
• 分析結果を誰が・どのような意思決定に使いますか？
• [Step 0-B で抽出した課題候補] — これらで合っていますか？

第2回 — 目的と成功基準

• 分析で明らかにしたいことを一文で表すと？（データの列構成から候補を提示する）
• 「分析が成功した」と言えるのはどのような状態ですか？（定量的な基準があれば）
• [Step 0-B で抽出した数値目標候補] — これらが正しい目標値ですか？

第3回 — スコープと制約

• 分析対象の期間は？（データから読み取れた期間を提示して確認）
• 期限・使える技術・予算等の制約はありますか？

---

Step 3: analysis_context.md の更新

ヒアリング結果 と Step 0 の調査結果を合わせて analysis_context.md の該当セクションに記入・更新する。 「分析経過メモ」セクションに今回のヒアリング日時・データ概要・ポイントを追記する。

---

Step 4: 次ステップの案内

コンテキストが整ったら、次に実行すべきスキルを提示する:

ビジネス要件定義が必要な場合（コンサルティング案件）:
  → /data-analysis:data-requirements（ミーティングメモを貼り付けて実行）

【Issue】が明確になったら:
  → /data-analysis:data-define

データがすでにある場合:
  → /data-analysis:data-explore  ← データアップロード済みなら通常こちら

データ収集が必要な場合:
  → /data-analysis:data-collect

---

原則: 「分かりません」は有効な回答。回答が曖昧な場合は具体例を示して再度確認する。 ビジネス理解が不十分なまま分析に進まない。

---

📝 実行ログの記録（必須）

スキル完了後、以下のテンプレートを埋めて analysis_context.md の「12. 実行ログ」末尾に追記すること。

### YYYY-MM-DD HH:MM | data-context
| 項目 | 内容 |
|------|------|
| ステータス | 完了 / 一部完了 / 中断 |
| 入力形態 | CSV / PDF / 議事録 / 戦略資料 / ヒアリング |
| 実施内容 | [ヒアリング実施 / データファイル自動スキャン / 文書解析] |
| ビジネス背景 | [把握した課題・背景の要約] |
| データ概要 | [行数・列数・対象期間・主なカラム] |
| 主要な発見 | [コンテキスト上の重要な気づき] |
| 問題・懸念 | [品質問題・バイアスリスク・不確実性] |
| 申し送り | [次フェーズで注意すべき点] |

---

✅ 完了後: 次の推奨アクション（必須）

上記の実行が完了したら、必ず以下をユーザーに提示すること。

✅ data-context が完了しました 📋 analysis_context.md を更新しました

▶ 次の推奨ステップ（標準フロー）:

/data-analysis:data-define

Issue Tree・KGI/KPI・仮説を構造化設計します

📌 状況別の選択肢:

• コンサルティング案件で要件定義書が必要な場合 → /data-analysis:data-requirements
• データが既にあり Issue も明確な場合 → /data-analysis:data-explore
• データ収集が必要な場合 → /data-analysis:data-collect

現在の推奨フロー:

data-context ✅ → data-define → data-explore → data-clean → data-feature → data-model → data-interpret

$ARGUMENTS