Japanese Help Center

データアナリスト向け

3週間以上前に更新

データアナリストのコンピテンシーモデルは、職務・タスク分析、業界調査、専門家インタビューを用いて開発されました。これらのコンピテンシーは網羅的なリストであることは期待されていません。なぜなら、データアナリストに対する期待は組織ごとに異なる場合があるためです。私たちは、データアナリストがその役割で効果的に機能するために示すことが期待される、最も一般的でコアとなるデータコンピテンシーを捉えることを目指しました。

データ管理：データの収集、保存、利用のプロセス。データ収集、データクリーニングと変換、データ保存、データ品質、データセキュリティを含みます。	データ管理：データの収集、保存、利用のプロセス。データ収集、データクリーニングと変換、データ保存、データ品質、データセキュリティを含みます。
アソシエイト（レベル1）	プロフェッショナル（レベル2）
SQLを使用して標準的なデータ抽出、結合、集計タスクを実行する PostgreSQLを使用して、数値、カテゴリ変数、日付をグループ単位で集計する。 PostgreSQLを使用して、データベーススキーマを解釈し、複数のテーブルを行または列で結合する。 PostgreSQLを使用して、異なる条件に基づいてデータを抽出する。 PostgreSQLのクエリ内でサブクエリを使用して、2番目のテーブル（例：異なるテーブル、集計済みテーブル）を参照する。	RまたはPythonを使用して標準的なデータインポート、結合、集計タスクを実行するフラットファイルからRまたはPythonにデータをインポートする。データベースからRまたはPythonにデータをインポートする。 RまたはPythonを使用して、数値、カテゴリ変数、日付をグループ単位で集計する。 RまたはPythonを使用して、複数のテーブルを行または列で結合する。 RまたはPythonを使用して、異なる基準に基づいてデータをフィルタリングする。
SQLを使用して分析準備のための標準的なクリーニングタスクを実行する PostgreSQLを使用して、特定のパターンに一致する文字列をデータセット内でマッチさせる。 PostgreSQLでデータ型間の値を変換する。 PostgreSQLで文字列を操作してカテゴリデータおよびテキストデータをクリーンアップする。 PostgreSQLで日付および時間データをクリーンアップする。
SQLを使用してデータ品質を評価し、検証タスクを実行する PostgreSQLを使用して欠損値を特定し置換する。異なるタイプのデータ検証タスクを実行する（例：一貫性、制約、範囲検証、一意性）。 PostgreSQLを使用して。 PostgreSQLを使用してデータセット内のデータ型を特定し検証する。

探索的分析：統計とビジュアライゼーションを用いてデータセットの傾向を分析・特定すること。メトリクスの計算やデータビジュアライゼーションの作成を含みます。	探索的分析：統計とビジュアライゼーションを用いてデータセットの傾向を分析・特定すること。メトリクスの計算やデータビジュアライゼーションの作成を含みます。
アソシエイト（レベル1）	プロフェッショナル（レベル2）
SQLを使用してデータの特徴（例：中心傾向と変動性の指標、欠損）および特徴間の関係（例：相関）を報告するためのメトリクスを計算する PostgreSQLを使用して変数の中心傾向（例：平均、中央値、最頻値）を計算する。 PostgreSQLを使用して変数の分散の指標（例：範囲、標準偏差、分散）を計算する。 PostgreSQLを使用して変数の歪度を計算する。 PostgreSQLを使用して変数の欠損率を計算し、データの特徴および関係の報告に対する影響を説明する。 PostgreSQLを使用して変数間の相関を計算する。	PythonまたはRを使用してデータの特徴および特徴間の関係を効果的に報告するためのメトリクスを計算する RまたはPythonを使用して変数の中心傾向（例：平均、中央値、最頻値）を計算する。 RまたはPythonを使用して変数の分散の指標（例：範囲、標準偏差、分散）を計算する。 RまたはPythonを使用して変数の歪度を計算する。 RまたはPythonを使用して変数の欠損率を計算し、データの特徴および関係の報告に対する影響を説明する。 RまたはPythonを使用して変数間の相関を計算する。
データの特徴を示すためにデータビジュアライゼーションを読み解き分析するデータの特徴を示す際に異なるタイプのデータビジュアライゼーション（例：棒グラフ、箱ひげ図、折れ線グラフ、ヒストグラム）を区別する。データビジュアライゼーション（例：棒グラフ、箱ひげ図、折れ線グラフ、ヒストグラム）を解釈し、データの特徴を要約する。	データの特徴を示すためにRまたはPythonでデータビジュアライゼーションを作成する RまたはPythonを使用して棒グラフを作成およびカスタマイズする。 RまたはPythonを使用して箱ひげ図を作成およびカスタマイズする。 RまたはPythonを使用して折れ線グラフを作成およびカスタマイズする。 RまたはPythonを使用してヒストグラムを作成およびカスタマイズする。
特徴間の関係を表すためにデータビジュアライゼーションを読み解き分析する特徴間の関係を表す際に異なるタイプのデータビジュアライゼーション（例：散布図、ヒートマップ、ピボットテーブル）を区別する。データビジュアライゼーション（例：散布図、ヒートマップ、ピボットテーブル）を解釈し、特徴間の関係を要約する。	特徴間の関係を表すためにRまたはPythonでデータビジュアライゼーションを作成する RまたはPythonを使用して散布図を作成およびカスタマイズする。 RまたはPythonを使用してヒートマップを作成およびカスタマイズする。 RまたはPythonを使用してピボットテーブルを作成およびカスタマイズする。

統計的実験：得られたデータが有効で客観的な結論を導くために分析できるように実験を計画する手順。	統計的実験：得られたデータが有効で客観的な結論を導くために分析できるように実験を計画する手順。
アソシエイト（レベル1）	プロフェッショナル（レベル2）
仮説検定および実験の基礎となる統計概念を説明する異なる統計分布（例：二項分布、正規分布、ポアソン分布、t分布、カイ二乗分布、F分布など）を定義する。仮説検定における統計概念（例：帰無仮説、対立仮説、片側検定および両側検定など）を説明する。実験計画における統計概念（例：対照群、ランダム化、交絡変数など）を説明する。パラメータ推定と信頼区間を説明する。	データに対してサンプリング手法を適用する異なる種類のランダムサンプリング技術を区別し、RまたはPythonを使用してその方法を適用する。 RまたはPythonを使用して統計分布（例：正規分布、二項分布、ポアソン分布、指数分布など）からデータをサンプリングする。 RまたはPythonを使用して統計分布（例：正規分布、二項分布、ポアソン分布、指数分布など）から確率を計算する。
	統計検定を実施する方法を実装する RまたはPythonを使用して統計検定（例：t検定、ANOVA検定、カイ二乗検定）を実行する。 RまたはPythonからの統計検定結果を分析する。

データコミュニケーション：技術的および非技術的な聴衆に対して、説得力があり実行可能な方法でデータの発見を提示する実践。データストーリーテリング、データビジュアライゼーション、プレゼンテーションおよびライティングスキルを含みます。	データコミュニケーション：技術的および非技術的な聴衆に対して、説得力があり実行可能な方法でデータの発見を提示する実践。データストーリーテリング、データビジュアライゼーション、プレゼンテーションおよびライティングスキルを含みます。
アソシエイト（レベル1）	プロフェッショナル（レベル2）
小規模で多様な聴衆にデータの概念を提示する発見やアプローチ選択の理由を説明する。	データを用いてストーリーを構築、伝達、要約するデータストーリーテリングの技術を用いて発見を提案し、ビジネス関係者に解決策を伝える。
発見を支援するためにデータビジュアライゼーションを活用する可視化ツールを使用してチャートを作成する。提示される発見を支援するビジュアライゼーションを使用する。	ビジネスリーダーに対して複数の手法（書面および口頭）でコミュニケーションを行うビジネス目標、成果、推奨事項を述べる口頭プレゼンテーションを行う。発見やアプローチ選択の理由について書面で説明する。

ビジネス感覚：物事がどのように行われ、なぜそうなるのかについての一般的かつ組織固有の知識の集合であり、組織に良い影響を与える意図で使用されます。	ビジネス感覚：物事がどのように行われ、なぜそうなるのかについての一般的かつ組織固有の知識の集合であり、組織に良い影響を与える意図で使用されます。
アソシエイト（レベル1）	プロフェッショナル（レベル2）
該当なし	関連情報を収集し、パターンを検出し、データを観察・解釈するビジネス目標を説明する。解決策がビジネスの問題にどのように対応しているかを説明する。実施した作業の結果に基づいて今後の行動に関する推奨を提供する。
	ビジネスプロセスのベンチマーク、監視、評価を行う問題解決の成功を測定するために将来的にビジネスが使用できるメトリクスを定義する。問題のベースライン測定を提供するために既存のデータを用いてメトリクスを評価する。