株式会社セールスアナリティクス 2026.10.17 SAT ／ 10.31 SAT　ONLINE

ONLINE SEMINAR ── DATA PREPROCESSING

Python で学ぶ 明日からできる
欠損値処理 実践講座
超入門 削除・補完・多変量補完まで、欠損値処理を体系的に学ぶ2日間

「とりあえず平均値で埋める」から卒業しませんか？ 欠損メカニズム（MCAR / MAR / MNAR）の理解から、pandas・missingno・scikit-learn による実装まで、実務で使える欠損値処理を手を動かして学びます。

DAY 12026年10月17日（土）13:30-18:00 DAY 22026年10月31日（土）13:30-18:00 VENUEオンライン（Zoom予定） PRICE税込み22,000円
今すぐ申し込む
100%返金保証
付き

※ノートPCはご準備ください　※復習用にアーカイブ動画を開催後2週間以内に期間限定で配信します

missing-data matrix■ = imputed

データ分析の8割は前処理。
その最大の壁「欠損値」への向き合い方で、
分析結果の信頼性は大きく変わります。

当セミナーは、マーケティングや営業の現場で活躍するデータサイエンティスト・データ分析実務者を養成するセミナーです。

欠損を含むデータと向き合うデータ分析の現場 IMG-01 メインビジュアル（欠損データと向き合う分析現場） 1600 × 700px / 横長

FOR YOU

こんな方におすすめです

  • 欠損値をいつも「削除」か「平均値補完」で済ませてしまっている方
  • MCAR / MAR / MNAR という言葉は聞いたことがあるが、実務でどう使い分けるか分からない方
  • 補完方法の違いが分析結果・予測精度にどう影響するのか、きちんと確かめたい方
  • 時系列データ（売上・センサー等）の歯抜けデータの扱いに悩んでいる方
  • KNN・MICE・MissForest などの多変量補完を、Pythonで実装できるようになりたい方
オンラインでセミナーを受講している様子 IMG-02 オンライン受講イメージ 1200 × 900px / 4:3

FEATURES

当セミナーの特徴

IMG-03
BUSINESS FIRST

ビジネス実務への応用に重点

  • 「とりあえず平均値で埋める」ことの危険性を、分布やバイアスの観点から解説
  • 欠損メカニズム（MCAR / MAR / MNAR）に応じた手法選択の判断力を養う
  • ケーススタディを通して、欠損値処理を分析・意思決定につなげる方法を習得
IMG-04
HANDS-ON PYTHON

実践的なPythonプログラミング

  • pandas / missingno / scikit-learn（SimpleImputer, KNNImputer, IterativeImputer）等で全手法を実装
  • コーディングを通して、各手法の考え方と使いどころの理解を深める
  • 補完前後の分布比較など、実務で必ず行う確認作業も演習で体験
  • 「欠損前の真値」つきの演習データなので、補完した値がどれだけ正確かをRMSEで検証できます
IMG-05
SYSTEMATIC

手法を体系的に網羅

  • 削除戦略（リストワイズ・ペアワイズ・特徴量削除）から単変量補完まで基礎を整理
  • 時系列補完（LOCF / NOCB / 線形補間）、KNN・MICE・MissForest、欠損インジケータまでカバー
  • 最後は「手法の選び方ガイド」で全体をフローチャートに整理
IMG-06
REAL THEME

現場活用しやすい実テーマベースで学ぶ

  • 顧客データ3,000件・日次売上730日分・設備センサー2万件・解約予測8,000件と、性質の違う4種類の実務型データを使用
  • 実務でどのように欠損を検出し、処理し、分析につなげるのかを具体的に学ぶ
  • 少人数制のため、きめ細やかな対応が可能

CASE STUDY

欠損値処理で「分析の質」が変わった事例

CASE 01顧客データの欠損で施策評価がぶれていた小売業A社

小売業の顧客データ分析の様子 IMG-07 事例1イメージ（小売・顧客データ） 1200 × 800px / 3:2
企業概要
小売業A社は全国に店舗を展開しており、会員データやアンケートデータを使って顧客分析・施策評価を行っています。
抱えていた課題
会員属性やアンケート回答に多くの欠損があり、顧客セグメント分析や施策評価の結果が集計のたびにぶれるという課題に直面していました。
他のアプローチでの限界
欠損は平均値で一律補完していましたが、回答しない人ほど特定の傾向を持つ（MNARに近い）データだったため、分布が歪み、セグメントの実態を正しく捉えられませんでした。
欠損値処理による限界突破
欠損パターンの可視化からメカニズムを見極め、多変量補完（MICE）と欠損インジケータを導入。分布の歪みが抑えられ、セグメント分析・施策評価の再現性と納得感が大きく向上しました。

CASE 02センサー／POSの時系列欠損に悩む製造・流通B社

製造・流通業の時系列データ分析の様子 IMG-08 事例2イメージ（製造・流通／時系列データ） 1200 × 800px / 3:2
企業概要
B社は製造・流通業で、設備センサーデータと店舗POSデータを使った需要予測・稼働分析に取り組んでいます。
抱えていた課題
機器停止やシステム連携エラーによる歯抜けの時系列データが多く、需要予測モデルの精度が安定しないという課題を抱えていました。
他のアプローチでの限界
欠損期間を含む行をまとめて削除していたため学習データが大幅に減少し、季節性やトレンドの情報まで失われてしまいました。
欠損値処理による限界突破
データの性質に応じてLOCF・線形補間を使い分け、欠損インジケータを併用。学習データを保ちながら予測モデルの精度と安定性を改善できました。

CURRICULUM

セミナー内容

DAY 1 ── 2026.10.17 SAT 13:30-18:00

欠損値の理解と基本戦略（削除・単変量補完）

INTROイントロダクション

  • 本日持ち帰って頂きたいこと
  • 本日の内容
  • なぜ欠損値処理で分析結果が変わるのか

CH 1欠損値の基礎理論

  • 欠損値とは何か／欠損がもたらす3つの問題
  • 欠損メカニズム：MCAR・MAR・MNAR
  • メカニズムによって許される手法が変わる
  • MCARは検定できるが、MARとMNARは原理的に区別できない

CH 2Python環境準備

  • 環境設定と利用ライブラリ
  • 利用するデータセットの説明

CH 3欠損値の検出と可視化

  • pandasによる欠損の集計・パターン把握
  • missingnoによる可視化（マトリックス・ヒートマップ・デンドログラム）
  • 欠損パターンからメカニズムを推測する
  • NaNになっていない「隠れ欠損」（空文字・0・9999・「不明」）の見つけ方

CH 4削除戦略

  • リストワイズ削除（完全ケース分析）の使いどころとバイアス
  • 特徴量削除・ペアワイズ削除
  • 「削除してよいケース／ダメなケース」の判断基準
  • 列を捨てるときも「欠損フラグ」は残すという発想

CH 5単変量補完

  • 定数・任意値補完（pandas / SimpleImputer）
  • 平均・中央値・最頻値補完と分布の歪み
  • ランダムサンプル補完で分布を保つ
  • 補完前後の分布比較演習
  • fitは訓練データのみ ── 本番で再現できる補完の書き方（データリーク対策）
平均値補完とランダムサンプル補完で分布がどう変わるかを比較したヒストグラム

DAY 1 演習より：平均値補完とランダムサンプル補完で、分布の形がどう変わるかを比較します

DAY 2 ── 2026.10.31 SAT 13:30-18:00

時系列・多変量補完と実践

CH 6時系列データの欠損値補完

  • LOCF / NOCB
  • 線形補間・スプライン補間
  • 売上・センサー系データでの演習
  • 予測タスクで「未来の情報」を使ってしまうリークの防ぎ方

CH 7多変量補完①：KNN Imputer

  • 近傍から補完する考え方
  • スケーリングとkの選び方（ここを外すと逆効果になります）
  • 実装演習

CH 8多変量補完②：MICE・MissForest と欠損インジケータ

  • 多重代入法（MICE / IterativeImputer）
  • MissForestによる非線形な補完
  • 欠損インジケータ（欠損そのものを特徴量にする）
  • Pipeline・ColumnTransformerで、列ごとに手法を変える実装
  • 手法の選び方ガイド（フローチャートで整理）

CH 9実データケーススタディ（総合演習）

  • 事例概要と利用するデータセット
  • 欠損の検出 → メカニズム推測 → 手法選択 → 補完 → モデル精度比較まで一気通貫
  • 補完方法の違いが予測モデルの精度に与える影響を検証
0.741→0.791

モデルは一切変えず、欠損処理だけで ROC-AUC が動きます

総合演習では、同じアルゴリズム・同じパラメータのまま「削除 → 単変量補完 → 多変量補完＋欠損インジケータ」と処理を変え、精度がどう動くかをご自身の手で確かめていただきます。モデルのチューニングに時間を使う前に、まず前処理を見直す ── その実感を持ち帰っていただくのが、この2日間の到達点です。

※ 本講座で使用する演習データでの結果例です。数値はデータや設定により変動します。

FINALE全体の振返りとお知らせ

  • 全体の振り返り／手法選択の整理
  • ネクストステップ
  • お知らせ
欠損の状況から処理手法を選ぶためのフローチャート

DAY 2 の総まとめ：欠損の状況から使う手法を判断するフローチャートに整理します

BENEFITS

参加特典

同講座のテキスト一式

詳細テキストに加え、章ごとの演習Notebook・解答Notebook・演習データ（CSV形式）一式をお渡しします。

欠損値処理 手法選択チートシート

「どんなとき・どの手法を使うか」を1枚のフローチャートに整理。明日からの実務でそのまま使えます。

講師の書籍 ※希望者のみ

『営業生産性を高める!「データ分析」の技術』『データドリブンセールス』など、お好きな1冊をプレゼント。

データ分析・活用の相談（50分）／同講座の再受講（無料）

※いずれも希望者のみ。学んだ内容を自社データに適用する際のご相談も承ります。

テキストとチートシートの現物イメージ IMG-11 特典イメージ（テキスト・チートシート・書籍） 1200 × 800px / 3:2

INSTRUCTOR

講師紹介

講師 高橋威知郎 IMG-12 講師写真 800 × 800px / 正方形

高橋 威知郎

ビジネスデータ分析コンサルタント／Marketing & Sales Data Scientist

大学卒業後、約20年間一貫して「実践」にこだわりデータ分析に関与。官公庁時代にデータ分析の世界に魅了され、その後コンサルティング会社にて、マーケティング戦略、製品サービス開発、営業・販売促進の生産性改善、マーケティングROIなどに関するコンサルティングを提供。

これまでの経験をもとに、使えるデータのみで効率よく収益を拡大する仕組みである「DELTA法」を考案。売上数兆円の大企業から数人規模のベンチャー企業まで、企業の大小を問わず収益拡大を支援してきました。

著書：『営業生産性を高める!「データ分析」の技術』（同文舘出版）、『データを利益に変える! データドリブンセールス』（同文舘出版）ほか

OVERVIEW

開催概要

セミナー名Pythonで学ぶ 明日からできる 欠損値処理 実践講座 超入門
講師高橋 威知郎（Marketing & Sales Data Scientist）
開催日1日目 2026年10月17日（土）13:30-18:00
2日目 2026年10月31日（土）13:30-18:00
開催場所オンライン（Zoom予定）
参加料22,000円／1名（税込み）　※テキスト・資料等含む　※ノートPCはご準備ください
定員10名　※満席になり次第、締め切らせて頂きます
アーカイブ復習用にアーカイブ動画を開催後2週間以内に期間限定で配信します
主催株式会社セールスアナリティクス

GUARANTEE

当社主催セミナーは100%返金保証

内容にご不満の場合、初回開催後2日以内にお申し出くだされば、理由を問わず全額返金いたします。

欠損値処理を、体系的に。

2026.10.17 SAT ＋ 10.31 SAT　13:30-18:00　ONLINE (Zoom)

参加料：22,000円（税込み）／1名

今すぐ申し込む

※お申し込み後、受講に必要なご案内をメールでお送りします

COMPANY

主催企業概要

会社名株式会社セールスアナリティクス
代表者高橋 威知郎
営業所東京都渋谷区円山町5番5号Navi渋谷Ⅴ3階
HPhttps://www.salesanalytics.co.jp/
問合せ先info@salesanalytics.co.jp