ChatGPT Advanced Data Analysis完全ガイド｜経営データのCSV分析・グラフ生成を実践解説

——「データ分析をやりたいが、PythonもExcelの関数もよくわからない」。経営者やマーケティング担当者がこう感じる場面は、実は驚くほど多いものです。詳しくは「ChatGPT vs Claude vs Gemini」で解説しています。

AI活用完全ガイドもあわせてご覧ください。

McKinsey Global Instituteの調査によれば、企業が保有するデータのうち実際に意思決定に活用されているのはわずか15〜20%にとどまります。多くの企業がCRMやMAツール、会計ソフトにデータを蓄積しながらも、「分析スキルの壁」によって宝の山を眠らせているのが現実です。

ChatGPTのAdvanced Data Analysis（旧称: Code Interpreter）は、この壁を劇的に下げる機能です。CSVやExcelファイルをアップロードし、自然言語で「売上の月次推移をグラフにして」と指示するだけで、Pythonコードが自動生成・実行され、統計分析やグラフが即座に出力されます。詳しくは「AI議事録自動作成ツール比較」で解説しています。

ここが結構ミソなのですが、この機能の本質的な価値は「プログラミング不要でデータサイエンティストの作業を再現できる」点にあります。SQLもPandasも知らなくても、経営に必要なインサイトを自分の手で引き出せるようになるのです。詳しくは「AI契約書レビューツール比較」で解説しています。

この記事では、Advanced Data Analysisの基本操作から、財務分析・顧客分析・マーケティング分析の実践例まで、経営データ活用の具体的な手法を解説します。

この記事でわかること

• Advanced Data Analysis（Code Interpreter）の仕組みと対応ファイル形式
• CSV/Excelアップロードから統計分析・グラフ生成までの基本ワークフロー
• 財務データ分析（損益推移・キャッシュフロー予測）の実践手順
• CRM・顧客データ分析（セグメンテーション・LTV算出）の具体例
• マーケティングデータ分析（チャネル別ROI・ファネル分析）の活用法
• HubSpotエクスポートデータを分析に活かすための設計ポイント
• 分析精度を高めるプロンプト設計と注意すべき限界

Advanced Data Analysisとは——ChatGPTに搭載されたデータ分析エンジン

Advanced Data Analysis（ADA）は、ChatGPT上でPythonコードを自動生成・実行し、データの加工・分析・可視化をノーコードで行える機能です。

もともと2023年に「Code Interpreter」として登場し、その後「Advanced Data Analysis」に改称されました。OpenAI公式のプラン比較ページで最新の機能・価格情報が確認できます。2026年現在では、ChatGPT Plus（月額$20）、Team（月額$25〜30）、Enterprise（要問い合わせ）の各プランで利用できます。

基本的な仕組み

1. ファイルアップロード: CSV、Excel（.xlsx/.xls）、JSON、PDF、画像などをチャットにドラッグ＆ドロップ
2. 自然言語で指示: 「月別売上の推移を折れ線グラフにして」のように日本語で依頼
3. Python自動実行: ChatGPTがPandas、Matplotlib、Seabornなどのライブラリを使ったコードを生成・実行
4. 結果を出力: グラフ画像、加工済みCSV、統計サマリーなどをダウンロード可能

ここで重要なのは、Team/EnterpriseプランではアップロードしたデータがOpenAIのモデル学習に利用されないという点です。経営データや顧客情報を扱う場合、この保証は必須条件になります。無料版やPlusプランでもオプトアウト設定は可能ですが、法人利用であればTeam以上のプランを選ぶのが現実的です。

詳しいプラン比較は「ChatGPT Enterprise導入ガイド｜セキュリティ・SSO・データ保護の設計から運用まで」で解説しています。

基本ワークフロー——CSVアップロードから分析・グラフ生成まで

実際にAdvanced Data Analysisを使った分析の流れを、ステップごとに解説します。

ステップ1: データの準備とクレンジング

分析精度を大きく左右するのが、アップロード前のデータ準備です。ChatGPTはある程度のデータクレンジングも自動で行いますが、以下のポイントを事前に整えておくと精度が格段に上がります。

アップロード前のチェックリスト:

• ヘッダー行が1行目にあるか（2行目以降にデータが始まる構造）
• 日付列のフォーマットが統一されているか（例: 2026-01-15 or 2026/01/15）
• 数値列にカンマ区切り（例: 1,000,000）が入っていないか
• 空白セルが「空文字」なのか「NULL」なのかを把握しているか
• 文字コードがUTF-8になっているか（日本語文字化けの主因）

ステップ2: アップロードと初期探索

ファイルをアップロードしたら、まず以下のプロンプトでデータの全体像を把握します。

このCSVファイルの概要を教えてください。
- 行数・列数
- 各列のデータ型と欠損値の数
- 数値列の基本統計量（平均、中央値、最大、最小、標準偏差）
- 先頭5行のサンプルデータ

この初期探索をスキップして「いきなり分析して」と依頼するのは、健康診断なしで手術するようなものです。データの全体像を掴んでから分析に入ることで、的外れな結果を防げます。

ステップ3: 分析指示とグラフ生成

全体像が見えたら、具体的な分析を指示します。ポイントは「何を知りたいか」をビジネス文脈で伝えることです。

良いプロンプト例:

月別の売上推移を折れ線グラフで表示してください。
前年同月比の成長率も併記し、成長率がマイナスの月は赤色でハイライトしてください。

悪いプロンプト例:

グラフを作って

具体的な指示ほど、期待に近い出力が得られます。

財務データ分析——損益推移・コスト構造・キャッシュフロー予測

ここからは、経営判断に直結する3つの分析領域を実践的に解説します。まずは財務データ分析です。

損益推移分析

freeeやマネーフォワードからエクスポートした損益データをCSVでアップロードし、以下のような分析が可能です。

実践プロンプト例:

このCSVは月次の損益データです。以下の分析をお願いします。
1. 売上・売上原価・粗利の月次推移を棒グラフ＋折れ線グラフで表示
2. 粗利率の推移を別グラフで表示
3. 販管費の内訳を円グラフで可視化
4. 直近3ヶ月の傾向から、次月の売上を線形回帰で予測

コスト構造分析

ここが結構ミソなのですが、ChatGPTの予測モデルはあくまで「過去データの延長線上」にある傾向を示すものです。新規事業の立ち上げや大型案件の受注といった非線形な変化は予測できません。予測結果は「参考値」として扱い、経営判断の補助材料に位置づけるのが正しい使い方です。

顧客データ分析——セグメンテーション・LTV・離脱予測

CRMに蓄積された顧客データをAdvanced Data Analysisで分析する方法です。HubSpotのコンタクトやDealをCSVエクスポートし、そのままアップロードするだけで高度な分析が実行できます。

RFM分析によるセグメンテーション

RFM分析（Recency: 最終購買日、Frequency: 購買頻度、Monetary: 購買金額）は、顧客をスコアリングして優先度を付ける手法です。

実践プロンプト例:

この顧客データCSVでRFM分析を実施してください。
- Recency: 最終購買日から今日までの日数
- Frequency: 過去12ヶ月の購買回数
- Monetary: 過去12ヶ月の合計購買金額
各指標を5段階でスコアリングし、上位セグメント（スコア合計12以上）を「VIP顧客」、
中位（8〜11）を「成長顧客」、下位（7以下）を「休眠リスク」としてラベル付けしてください。
セグメント別の顧客数・平均購買金額を表にまとめてください。

LTV（顧客生涯価値）算出

以下の条件でLTVを算出してください。
- 平均月次売上 × 粗利率 × 平均継続月数
- セグメント別（VIP/成長/休眠リスク）に集計
- LTV上位20社のリストを出力

HubSpotデータを活用した顧客分析の設計

HubSpotからエクスポートする際のポイントがあります。

• コンタクトエクスポート: 設定 > インポートとエクスポート > コンタクトのエクスポート から取得
• 取引エクスポート: 設定 > インポートとエクスポート > 取引のエクスポート から取得
• カスタムプロパティ: リードスコア、ライフサイクルステージ、業種などを含めると分析の幅が広がる

HubSpotのレポート機能だけではカバーしきれないクロス集計やクラスタリングが、Advanced Data Analysisなら自然言語の指示だけで実行できます。CRMデータの活用度を一段引き上げる手段として、非常に有効です。

CRMデータの基本的な活用方法については「AIデータ分析ツール比較ガイド｜ChatGPT・Claude・Geminiで業務データを分析する方法」も参考にしてください。

マーケティングデータ分析——チャネル別ROI・ファネル・コホート

マーケティング施策の効果測定にもAdvanced Data Analysisは威力を発揮します。

チャネル別ROI分析

Google Analytics、HubSpotのマーケティングレポート、広告管理画面からエクスポートしたデータを統合して分析します。

実践プロンプト例:

3つのCSV（GA4セッションデータ、HubSpotリードデータ、広告費データ）を
「月」と「チャネル」でマージして、以下を算出してください。
1. チャネル別のCPA（獲得単価）
2. チャネル別のROI（投資対効果）
3. チャネル別のコンバージョン率推移（折れ線グラフ）
4. 最もROIが高いチャネルTOP3

ファネル分析

コホート分析

コホート分析は、同時期に獲得した顧客グループの行動変化を追跡する手法です。SaaSやサブスクリプションビジネスでは、月次チャーンレートの把握に不可欠な分析ですが、Excelで手作業で組むと非常に手間がかかります。

このCSVで月別コホート分析を実施してください。
- 初回購買月でグループ化
- 各月の継続率（リテンションレート）をヒートマップで表示
- 6ヶ月目のリテンション率が50%を下回るコホートを特定

この分析結果をHubSpotのワークフローと連携させれば、離脱リスクの高い顧客に自動でフォローアップメールを送るといった施策につなげることができます。

分析精度を高めるプロンプト設計——5つの原則

Advanced Data Analysisの出力品質は、プロンプトの設計で大きく変わります。以下の5原則を意識するだけで、分析精度は格段に向上します。

原則1: コンテキストを先に伝える

【良い例】
このCSVは当社のBtoB SaaS事業における月次売上データです。
顧客は法人で、契約形態は月額サブスクリプション（月額5万〜50万円）。
2024年1月から2026年2月までの26ヶ月分のデータが含まれています。

原則2: 出力形式を指定する

「グラフを作って」ではなく、「横軸を月、縦軸を売上額（万円単位）とした棒グラフで、目盛線を入れて日本語ラベルで表示してください」と具体的に指示します。

原則3: 比較軸を明示する

「前年同月比」「部門別」「顧客セグメント別」など、何と何を比較したいかを明示すると、ChatGPTは適切な分析手法を選択します。

原則4: 仮説を添える

【良い例】
仮説: 4月と10月に解約率が上がる傾向があると思われます。
この仮説を検証するために、月別の解約率推移を折れ線グラフで表示し、
統計的に有意な差があるか検定してください。

原則5: 段階的に深掘りする

最初から複雑な分析を一度に依頼するのではなく、まず全体像を把握し、気になるポイントを順に深掘りする進め方が最も精度の高い結果を得られます。

Advanced Data Analysisの限界と注意点——正直に向き合うべきこと

Advanced Data Analysisは非常に強力なツールですが、万能ではありません。経営判断に使う以上、その限界を正しく理解しておくことが重要です。

データセキュリティの限界

• 無料版/Plusプランではデータが学習に利用される可能性がある（オプトアウト設定は可能だが、法人利用ではTeam以上を推奨）
• セッション終了後もOpenAIのサーバーにデータが一定期間残る可能性がある
• 機密性の高いデータ（個人情報、契約金額の詳細など）はアップロード前に匿名化処理を検討すべき

分析精度の限界

• 大規模データ（100万行超）ではメモリ制限により処理が途中で止まることがある
• 時系列予測は過去の傾向の延長であり、構造的な変化は予測できない
• 統計的検定の結果をChatGPTが「有意である」と判定しても、ドメイン知識による解釈が必要
• 同じデータ・同じプロンプトでもセッションごとに微妙に異なる結果が出ることがある（再現性の限界）

運用上の限界

• セッションが約10分で切れるため、長時間の反復分析には向かない
• 生成されたコードの品質にばらつきがあり、専門家のレビューなしに本番運用するのはリスクがある
• グラフのデザイン（フォント、カラーパレット）の細かいカスタマイズには限界がある

これらの限界を踏まえたうえで、「初期探索・仮説検証・迅速なプロトタイピング」にAdvanced Data Analysisを使い、最終的な意思決定は人間が行うというスタンスが健全です。

Advanced Data Analysis × HubSpot——CRMデータ分析の実践フロー

HubSpotに蓄積されたデータをAdvanced Data Analysisで分析する具体的なフローを紹介します。

ステップ1: HubSpotからデータをエクスポート

HubSpotの管理画面から以下のデータをCSVでエクスポートします。

• コンタクト: ライフサイクルステージ、リードスコア、流入チャネル、作成日
• 取引（Deal）: ステージ、金額、作成日、クローズ日、担当者
• 企業（Company）: 業種、従業員数、年商、所在地

ステップ2: データ統合と分析

3つのCSV（コンタクト、取引、企業）をメールアドレスと企業名で結合し、
以下の分析を実施してください。
1. リードソース別の商談化率と受注率
2. 業種別の平均取引金額と受注サイクル（日数）
3. リードスコア別の受注率（スコアの有効性検証）
4. 月別のパイプライン推移（ステージ別の積み上げ棒グラフ）

ステップ3: インサイトをHubSpotに還元する

分析結果をもとに、HubSpotの設定を最適化します。

• リードスコアリングの再設計: 分析で判明した受注相関の高い属性をスコアリングモデルに反映
• ワークフローの改善: 離脱リスクの高いセグメントに自動フォローアップを設定
• レポートダッシュボードの更新: 分析で見つけた重要KPIをHubSpotのダッシュボードに追加

この「エクスポート→分析→還元」のサイクルを月次で回すことで、CRMの精度と営業効率は着実に向上します。HubSpotのレポート機能とAdvanced Data Analysisは競合するものではなく、日常のモニタリングはHubSpot、深掘り分析はAdvanced Data Analysisという使い分けが最も効果的です。

カスタムGPTsを活用した分析の自動化については「ChatGPTカスタムGPTs活用ガイド｜業務特化AIアシスタントの作り方と社内展開のベストプラクティス」で詳しく解説しています。

他のAIデータ分析ツールとの比較——用途に応じた使い分け

Advanced Data Analysisだけが選択肢ではありません。目的に応じて最適なツールを選ぶことが重要です。

ここが結構ミソなのですが、ChatGPTのAdvanced Data Analysisは「分析の民主化」ツールです。データサイエンティストの代替ではなく、「分析リテラシーが高くないビジネスパーソンがデータに触れる最初の入口」として位置づけるのが最も効果的な活用法です。

本格的な分析基盤が必要な場合はTableauやPython環境に移行すべきですが、「まず仮説を素早く検証したい」というフェーズではAdvanced Data Analysisの速度感に勝るツールはありません。

企業向けAI比較の詳細は「ChatGPT・Claude・Gemini企業向け比較ガイド」をご参照ください。

業種別・活用シナリオ集

業種ごとの具体的な活用シナリオを紹介します。自社に近い業種のテンプレートをベースに、カスタマイズして使ってください。

SaaS・サブスクリプションビジネス

• MRR（月次経常収益）推移分析: 新規・アップセル・ダウングレード・チャーンの4要素分解
• コホート別リテンション分析: 獲得月ごとの継続率ヒートマップ
• CAC/LTV比率のモニタリング: 健全性指標（LTV/CAC > 3x）の月次追跡

製造業・卸売業

• 在庫回転率分析: SKU別の回転率と適正在庫水準の算出
• 売上季節性分析: 過去3年分の月次データから季節変動パターンを抽出
• 取引先別収益性分析: パレート分析（上位20%の取引先が売上の何%を占めるか）

コンサルティング・プロフェッショナルサービス

• 稼働率分析: コンサルタント別の稼働率と売上貢献度
• プロジェクト採算分析: 案件別の粗利率と工数超過率
• パイプライン分析: 商談ステージ別のコンバージョン率とボトルネック特定

よくある質問

Q. Advanced Data Analysisは無料で使えますか？

ChatGPTの無料プランでも利用可能ですが、利用回数に制限があります。頻繁にデータ分析を行う場合はPlus（$20/月）以上が推奨です。法人利用では、データの学習非利用が保証されるTeam（$25〜30/月）またはEnterprise（要見積もり）プランが安全です。

Q. アップロードしたデータはOpenAIに学習されますか？

Team・Enterpriseプランでは学習に利用されないことが保証されています。無料版・Plusプランではオプトアウト設定が可能ですが、機密性の高い経営データを扱う場合はTeam以上を推奨します。

Q. 100万行を超える大規模データは分析できますか？

メモリ制限により処理が途中で止まることがあります。サンプリングやフィルタリングで行数を減らしてからアップロードするのが実用的な対処法です。

Q. Pythonの知識がなくても使えますか？

はい。日本語で指示するだけでPythonコードが自動生成・実行されます。ただし、生成されたコードを読めると分析精度がさらに高まります。

Q. 分析結果をそのまま経営判断に使ってよいですか？

分析結果は「参考値」として扱うのが推奨です。コードのバグや統計的解釈の不正確さのリスクがあるため、重要な意思決定では専門家のレビューを経ることが重要です。

まとめ——Advanced Data Analysisは「分析の民主化」を実現する最速の入口

ChatGPTのAdvanced Data Analysisは、プログラミングスキルがなくても経営データを統計分析・グラフ化できる画期的なツールです。このテーマの全記事はAIツール比較ガイドでご覧いただけます。

この記事のポイント:

• Advanced Data Analysis（旧Code Interpreter）は、CSV/Excelをアップロードして自然言語で指示するだけでPythonによるデータ分析が実行できる
• 財務分析（損益推移・CF予測）、顧客分析（RFM・LTV）、マーケ分析（ROI・ファネル・コホート）のすべてに対応
• HubSpotからエクスポートしたCRMデータの深掘り分析に特に効果的
• 法人利用ではTeam/Enterpriseプランのデータ保護が必須条件
• 予測モデルには限界があり、最終的な経営判断は人間が行うべき

データ分析は「専門家だけのもの」ではなくなりました。しかし、分析結果をCRMやMAツールの設計に正しく落とし込むには、ツールの理解だけでなくビジネスプロセス全体を見渡す視点が必要です。

株式会社StartLinkでは、HubSpotのCRMデータを活用した分析設計から、分析結果に基づくリードスコアリング・ワークフローの最適化まで、一気通貫で支援しています。「データはあるけど活用できていない」とお感じの方は、ぜひお気軽にご相談ください。

無料相談のお問い合わせはこちら →