data-define

Phase 0: 問題定義・目的設定スキル

前提: analysis_context.md を必ず読み込んでから実行すること【最重要】

---

1. Issue の定義【Issue Driven】

「解くべき問い（Central Question）」を一文で定義する:

• 「何を明らかにすれば意思決定できるか」から逆算する
• 「売上を上げたい」→「どの顧客セグメントにどのプロモーションが有効か」のように具体化
• チェック: 分析結果でアクションが変わるか？（Actionableか）
• チェック: そもそもデータで解ける問題か？

2. Issue Tree の構築【MECE】

Central Question を MECE に分解する:

Central Question
├── Sub-Issue A: ○○はなぜ起きているのか
│   ├── 仮説A-1: ○○が原因ではないか
│   └── 仮説A-2: ○○が原因ではないか
├── Sub-Issue B: ○○の規模はどのくらいか
└── Sub-Issue C: ○○に対して何ができるか

3. 仮説リストの設計【Hypothesis Driven】

各Sub-Issueについて:

• 仮説: 「おそらく○○だろう」
• 根拠: 「なぜなら○○だから」
• 検証手段: 「○○データで○○分析を行う」
• 仮説を否定するデータ: 「○○が見られた場合は仮説が誤り」【GL-7】

4. KGI / KPI の設計

指標種別	指標名	定義式	データソース	更新頻度
KGI（最終目標）
KPI（主要）
KPI（副次）

成功基準（定量的閾値）【GL-2, GL-4】:

• 「改善した」ではなく「○○が○○%以上向上」と数値で定義
• 最小検出水準（MDE: Minimum Detectable Effect）を設定する
• 点推定値には95%信頼区間を付ける【GL-4】

5. 必要サンプルサイズの試算【GL-5】

from statsmodels.stats.power import TTestIndPower

analysis = TTestIndPower()
n = analysis.solve_power(
    effect_size=0.3,   # MDEをもとに設定
    alpha=0.05,
    power=0.80,        # 検定力 1-β = 0.80
    alternative='two-sided'
)
print(f"必要サンプルサイズ: {n:.0f} / グループ")

現在のサンプル数と比較してギャップを報告する。

6. スコープの確定

• 分析期間（開始〜終了日）
• 対象地域・セグメント
• データソース範囲
• 除外するものとその理由

7. 潜在バイアスリスク一覧【GL-6, GL-7】

バイアス種別	リスク評価	対策
選択バイアス	高/中/低
サバイバーシップバイアス
確証バイアス
測定バイアス

8. Next Step の提示

【Next Step】
誰が: [担当者]
何を: [具体的アクション]
いつまでに: [期限]
優先度: Impact × Feasibility で評価

---

出力形式: 上記セクションを埋めた後、analysis_context.md の「分析目的・課題定義」セクションを更新する。

不確実な点は「不確実性: ○○」として必ず明記すること。

---

📝 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-define
| 項目 | 内容 |
|------|------|
| ステータス | 完了 / 一部完了 / 中断 |
| 実施内容 | [Issue Tree構築 / KGI・KPI設計 / 仮説リスト作成] |
| Central Question | [解くべき問いを1文で] |
| 分析種別 | [記述的 / 診断的 / 予測的 / 処方的 / 因果推論] |
| 主要KGI | [指標名・目標値] |
| 仮説数 | [設定した仮説数・主な仮説] |
| 問題・懸念 | [不確実性・未確定事項] |
| 申し送り | [EDAで重点確認すべき仮説・変数] |

---

✅ 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-define が完了しました 📋 analysis_context.md の「分析目的・課題定義」を更新しました

▶ 次の推奨ステップ（標準フロー）:

/data-analysis:data-explore

定義した仮説をデータで検証するEDA（探索的データ分析）を実施します

📌 状況別の選択肢:

• データがまだ手元にない場合 → /data-analysis:data-collect
• 複数データソースの統合が必要な場合 → /data-analysis:data-integrate

現在の推奨フロー:

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

$ARGUMENTS