問いの立て方と指標の定義から、SQL の集計・JOIN・ウィンドウ関数、pandas での前処理、matplotlib での可視化、コホート・ファネル・RFM・A/B テストまで。全30レッスンで「データを見て意思決定に繋げる」ところまで進みます。集計結果はすべて、架空 EC ショップの固定データで実際に動かした値を載せています。
全30レッスンを6つの章に分けています。第1章から順に進めるのがおすすめですが、 気になるところだけ拾い読みしてもかまいません。 ※ SQL・pandas・matplotlib を使う回はブラウザ内で実行できません。第1回で用意する Python 3.14 の仮想環境（SQL は標準ライブラリの sqlite3）で試してください。標準ライブラリだけで済む小さな計算は、その場で実行できます。
クエリを書く前に、問いを指標・対象・期間に分け、指標をコードで定義し、どのテーブルに何行あるかの地図を持ちます。最後は、キャンセルの混入や平均の罠など、正しいクエリでも結論を狂わせる落とし穴を整理します。
集約関数と GROUP BY で全体と内訳をつかみ、JOIN・サブクエリ・ウィンドウ関数・日付の丸めで欲しい形に取り出します。最後は、売上・注文数・AOV・トップカテゴリを 1 つのサマリにまとめます。
SQL で取り出したデータを pandas に読み込み、欠損・外れ値・結合・ピボットで分析できる形に整えます。最後は、その手順を関数にまとめ、何度実行しても同じ結果になる前処理にします。
問いに合うグラフを選び、matplotlib で折れ線・棒・ヒストグラムを描いて、2 つの図を並べたダッシュボードにまとめます。最後は、縦軸の切り方で差を誇張するなど、誤解を招く図の作り方と避け方を見ます。
コホート・ファネル・RFM・時系列の傾向・A/B テストという、実務で繰り返し使う分析の型を、同じ EC データで試します。最後は、2 案の差が偶然かどうかを検定で見分け、「増えたから採用」を避けます。
分析結果を、結論 → 根拠 → 次の一歩の順に組んだレポートにし、示唆で止めずに推奨まで書いて意思決定に繋げます。最後は、取り出しから書き出しまでを 1 つのパイプラインにまとめ、定期的に自動で回せる形にします。
全30レッスンを終えたら、次は同じ pandas の上で予測モデルを作る Python & 機械学習 入門 へ。メンバーシップで全コースが解放されます。