研修受講に至ったきっかけ

まず、受講を決めるにあたって、業務に活用、反映できそうな技術やツールかどうかを判断し、その中でどのような知見や経験、成果物が得られるのかを想像した上で最適な研修を選択しました。

具体的になぜこの研修かというと、WEBサイト上のデータ活用/分析に使えそうだったからです。アド・エータイプのWEBサイト制作では作成して終わりではなく、公開した後にユーザーのアクセスや行動等を分析し、それに沿ったサイト改善やリニューアルを提案しています。ぼんやりとですが、そのフロー（レポート作成やデータ分析）の中にPythonが活用できると考えました。

「Pythonデータ分析実践」の研修内容について

研修カリキュラムですが、全６回で、ざっくりと以下のような内容です。

• ① pandas、Matplotlib、seabornライブラリを使用したデータ分析
  （データ読み込み、確認、加工、可視化）
• ② scikit-learnライブラリを使用した分類（データのカテゴリ予測）モデル構築
• ③ 分類＆回帰（データの値予測）モデル構築①
• ④ 分類＆回帰モデル構築②
• ⑤ 最終発表会に向けた準備、資料作成
  （どんなテーマにするか、分析をもとに何が解決、提案できるかを模索）
• ⑥ 集合研修にて最終発表会（これまでの研修をもとに、テーマに基づいたデータ分析発表）

流れとして、前半にpython上でデータを扱うためのライブラリ（pandasやMatplotlib、seabornなど）に触れ、データの読み込みから可視化までを行いました。中盤から後半にかけては、pythonの機械学習ライブラリであるscikit-learnを使用し、分類や回帰などの簡単なモデルを構築しました。また、モデルの精度を上げるために、特徴量の設定とその調整、モデル変更などにも触れていました。
最後には、集合研修にてそれぞれテーマに沿ったデータ分析を行うため、分析課題の調査からデータ収集、モデルを用いたデータ分析を行いました。

モデル…データからパターンや規則を学習し、予測や判断を行うための仕組みのこと
分類…データが分類されるジャンル、カテゴリを予測すること
回帰…データをもとに、新たな出力に対しその結果を予測すること

研修を受けてみての感想

研修を通して、pythonのハードルが下がったと感じました。以前のイメージではpythonと聞くと、「機械学習」・「AI」というワードが浮かび、学問的で専門性の高い分野だと考えていましたが、豊富なライブラリのおかげでより身近なものだと認識しました。さらに昨今だと、chatGPT等のAIツールの活用/連携により、もっと簡単に扱えるものになったと思います。

ただ一方で、pythonにおけるデータ分析の奥深さも知ったというのが、正直なところです。特に、分析を始める前のデータ収集やモデルに対しての特徴量の設定など、データ分析を始めるための下準備が一番重要であり、その土台がしっかりしていないと、分析結果に大きな差が生まれることも学びました。

また、グループワークがメインの研修体制であったことから、他の研修参加者の方との交流が多くあり、その中で様々な情報共有ができたことも良かったです。今後もこのような場がありましたら、是非参加してみたいと思います。

【番外編】Pythonを使用し、GA4データを取得＆出力させてみた

番外編となりますが、せっかくなのでGA4のデータをpython上で処理して出力させてみたいと思います。

準備として…
公式のクイックスタートに則って、APIとアナリティクスの設定をします。

• ① Google Analytics Data APIを有効にする
• ② GA4のプロパティにサービスアカウントを追加する
  ※サービスアカウントは保存した認証ファイルのclient_emailの値を確認ください。
  プロパティの新規追加の際には、「閲覧者」以上の権限を付与するように気を付けてください。

【1年間の月別総ユーザー数の推移】

コードはこちらです。（google colaboratoryで実装しました。）

# ライブラリのインストール
!pip install google-analytics-data pandas matplotlib

from google.analytics.data_v1beta import BetaAnalyticsDataClient
from google.analytics.data_v1beta.types import RunReportRequest
import pandas as pd
import matplotlib.pyplot as plt

# 認証ファイルのパスを指定
KEY_PATH = "/content/○○○○.json"

# GA4のプロパティIDを指定
PROPERTY_ID = "○○○○○○○○"

# クライアントの初期化
client = BetaAnalyticsDataClient.from_service_account_file(KEY_PATH)

# APIリクエストの設定（過去1年分のデータを取得）
request = RunReportRequest(
    property=f"properties/{PROPERTY_ID}",
    dimensions=[{"name": "date"}],
    metrics=[{"name": "totalUsers"}],
    date_ranges=[{"start_date": "2023-10-01", "end_date": "2024-09-30"}] 
)

# データ取得
response = client.run_report(request)

# データをDataFrameに変換
data = [
    {"date": row.dimension_values[0].value, "totalUsers": row.metric_values[0].value}
    for row in response.rows
]
df = pd.DataFrame(data)

# データ型の変換と日付のソート
df["date"] = pd.to_datetime(df["date"])
df["totalUsers"] = df["totalUsers"].astype(int)

# 月単位で集計
df["year_month"] = df["date"].dt.to_period("M")
monthly_df = df.groupby("year_month")["totalUsers"].sum().reset_index()

# 可視化 (棒グラフ)
plt.figure(figsize=(12, 6))
plt.bar(monthly_df["year_month"].astype(str), monthly_df["totalUsers"], color='skyblue')
plt.title("Monthly Total Users (Oct 2023 - Sep 2024)")
plt.xlabel("Month")
plt.ylabel("Total Users")
plt.xticks(rotation=45)
plt.grid(axis="y")
plt.tight_layout()
plt.show()

そして、出力結果がこちらです。今回は棒グラフで描画しました。
（自社データですので、一部ぼかしを入れています。）

ユーザーだけはなく、セッションやコンバージョン関連でも扱うことができ、その指標を掛け合わせたデータも出力できるそうです。また、この内容をCSVや表計算ファイルとして作成することも可能なので、レポート作成、集計にも役立ちますね。