
Excel管理からPython+HTMLダッシュボードへ:非エンジニアがAIと進めた実務改善の記録
Google Data Analytics や Google Advanced Data Analytics を学んできた中で、ずっと考えていたことがあります。
それは、講座の中で学んだ Python、データ前処理、可視化、KPI設計の考え方を、実務の中でどう使えるのか、ということです。
学習としては、データを読み込み、欠損値を処理し、可視化し、モデルを作る流れをひと通り経験しました。
一方で、実際の仕事では、きれいに整ったデータセットが最初から用意されているわけではありません。
Excelで管理しているデータがあり、チャネルごとに見たい数字が少しずつ違い、広告費やセッション数、CVR、平均単価などの定義もそろえる必要があります。
今回は、そうした実務データをもう少し見やすくするために、AIの力を借りながら、Python+HTMLのダッシュボードを作ってみました。
まだ本格運用前の段階ではありますが、ダミーデータを使ったMVPとしては、かなり形になってきたので、その過程を整理しておきます。
この記事の想定読者
ExcelでのKPI管理が重くなってきた方
複数チャネルの販売実績や広告効果をまとめて見たい方
BIツールの共有・運用面で悩んでいる方
非エンジニアとしてAIやPythonを実務改善に使ってみたい方
専門的な開発記事ではなく、実務担当者がAIを使ってダッシュボード作成に取り組んだ記録です。
なぜダッシュボードを作ろうと思ったのか
もともとの目的は、さまざまな販売プラットフォームに分散している数字と、広告関連の数字をまとめて見られるようにすることでした。
最初は、販売チャネルも限られていたため、Excelで管理していても大きな問題はありませんでした。
販売台数や売上を月次で確認し、必要に応じて広告の数字を見る程度であれば、Excelでも十分対応できていました。
しかし、だんだんビジネスを拡張していく中で、販売プラットフォームが増え、広告経由の送客データやセッション数、CVRなど、見たい数字も増えていきました。
販売実績は各プラットフォームで確認できます。
広告のクリック数や費用も、広告管理画面を見れば確認できます。
ただ、それぞれを個別に見ているだけでは、製品全体として販売が進んでいるのか、どのチャネルに課題があるのか、広告が販売につながっているのかが見えにくくなってきました。
たとえば、販売台数だけを見ると好調に見えても、セッション数やCVRを見ると別の課題が見えるかもしれません。
逆に、広告のクリック数が増えていても、それが販売につながっていなければ、送客の質や販売ページ側に改善余地があるかもしれません。
このように、チャネルが増えるほど、Excel上で数字を集めて、定義をそろえて、全体像を確認する作業がだんだん面倒になってきました。
そこで、販売台数、売上、平均単価、セッション数、CVR、広告クリック数、推定獲得コストなどを、同じ画面で確認できるダッシュボードを作りたいと考えました。
単にグラフを作りたかったというより、製品全体の販売進捗、課題、広告効果を同じ定義で確認できる状態を作りたかった、というのが出発点です。
最初はPower BIでも作ってみた
最初に試したのは、Power BIでダッシュボードを作ることでした。
Power BIはBIツールとして非常に強力ですし、スライサーやグラフ、カード型KPIの作成もできます。
実際に自分のPC上で作ってみると、見た目の整えやすさや操作性はかなり便利だと感じました。
一方で、私の環境ではPower BI Desktop版を使う前提になり、社内で継続的に共有するところに少し課題がありました。
自分だけが見るのであれば問題ありません。
ただ、ダッシュボードは本来、関係者と同じ数字を見ながら、状況確認や意思決定に使うものです。
そのため、自分のPCの中で完結する形よりも、必要な人がアクセスできる場所に置き、同じ画面を見られることが重要だと感じました。
そこで、Power BIで作る方向も試したうえで、今回はPythonでデータを加工し、HTMLファイルとしてダッシュボードを生成する方法に切り替えてみることにしました。
今回作ったもの
今回作ったのは、販売実績や広告関連KPIを見るためのダッシュボードです。
実データではなく、まずはダミーデータで作成しました。
主に見られるようにしたのは、以下のような項目です。
販売台数
卸売上
平均卸単価
CVR
チャネル別の販売推移
セッション数
広告クリック数
推定1台獲得コスト
データ品質チェック
KPI定義
ダッシュボードにはタブを用意し、本体販売、チャネル別詳細、消耗品、広告KPI、獲得コスト、定義ページを切り替えて見られるようにしました。
また、年・月・販売チャネルで絞り込みができるようにし、月別推移やチャネル別比較を確認できる形にしています。

実データ・実製品名・実チャネル名は使用していません。

指標の意味や集計対象を確認できるようにした公開用モックです。
運用の流れ
今回のダッシュボードでは、次のような運用を想定しています。
まず、実データは data/raw フォルダに置きます。
そのデータをPythonで読み込み、必要な集計や加工を行います。
その後、PythonからHTMLファイルを生成します。
生成したHTMLは、必要に応じてSharePointに置き、そこからファイルを開くことでブラウザで閲覧できることを確認しました。
ここで大事にしたのは、実データと生成HTMLをGitにコミットしないことです。
実データには社内情報が含まれるため、Git管理の対象にはしません。
また、生成されたHTMLにもデータが埋め込まれるため、これもコミットしない方針にしました。
Gitで管理するのは、Pythonコード、HTMLテンプレート、設定ファイル、定義書などです。
コードは作業ブランチで管理し、データや生成物とは分けて扱う形にしました。
このあたりは、実務で使ううえでかなり重要だと感じました。
ダッシュボードを作ること自体も大事ですが、それ以上に、データ・コード・生成物をどう分けて安全に扱うかが重要でした。
AIに助けられたこと
今回の作成では、AIにかなり助けられました。
特に役立ったのは、以下のような部分です。
Pythonでのデータ加工ロジックの作成。
HTMLやCSSの構成。
Chart.jsを使ったグラフ描画。
KPIカードのレイアウト。
スライサーやタブ切り替えの実装。
エラーの原因調査。
データ品質チェックの考え方。
定義ページの整理。
自分ひとりでゼロから作ろうとすると、かなり時間がかかったと思います。
特にHTMLやJavaScriptの細かい実装は、自分の専門領域ではありません。
ただ、AIに「こういうKPIを見たい」「この条件で絞り込みたい」「この数字はこう計算したい」と伝えることで、かなり現実的なところまで形にできました。
非エンジニアでも、AIを使えばここまで作れるのか、という手応えはありました。
ただし、AIに丸投げできないことも多かった
一方で、AIに任せれば全部終わるわけではありませんでした。
むしろ、重要な部分ほど、人間側で決める必要がありました。
たとえば、CVRの分母にどのチャネルを含めるのか。
セッション数が取れない販売チャネルを、CVR計算に含めてよいのか。
広告費と販売ページクリック数をどう対応させるのか。
推定1台獲得コストをどの範囲で計算するのか。
平均単価は単純平均ではなく、売上 ÷ 台数で見るべきではないか。
不明な数値を0として扱ってよいのか、それともnullとして除外すべきか。
こうした判断は、AIが勝手に決めてよいものではありません。
業務の意味を理解している人間が、定義を決める必要があります。
今回作っていて一番強く感じたのは、ダッシュボード作成で難しいのは、グラフを描くことそのものではないということです。
本当に難しいのは、「どの数字を、どの条件で、どう比較するか」を決めることでした。
Data Analyticsで学んだことが効いた部分
今回の取り組みは、Google Data Analytics や Google Advanced Data Analytics で学んだこととかなりつながりました。
たとえば、Pythonでデータを読み込んで加工すること。
欠損値や異常値の扱いを考えること。
集計単位をそろえること。
可視化の目的を明確にすること。
KPIを定義し、見る人が同じ意味で数字を理解できるようにすること。
データ品質チェックを入れること。
講座の課題では、与えられたデータに対して分析を行うことが中心でした。
一方、実務では、そもそもデータが複数の場所にあり、粒度や定義がそろっていないことがあります。
その意味で、今回のダッシュボード作成は、「学んだことを実務に近い形で使ってみる」良い練習になりました。
作ってみて分かったこと
今回、ダミーデータ版のMVPを作ってみて分かったことがあります。
まず、AIを使うことで、非エンジニアでもかなり実用的なダッシュボードを作れる可能性があるということです。
PythonやHTMLをすべて暗記していなくても、何をしたいのかを言語化できれば、AIとやり取りしながら形にできます。
一方で、AIを使うほど、業務側の定義力が重要になるとも感じました。
AIはコードを書くことはできます。
しかし、どの数字が重要なのか、どのデータを対象にするのか、どの指標を意思決定に使うのかは、人間が決める必要があります。
また、実務で使うなら、共有方法やデータの扱いも重要です。
今回は、実データと生成HTMLをGitに入れず、コードだけを管理する形にしました。
生成したHTMLは、必要に応じてSharePointに置き、社内で閲覧できる形を想定しています。
このように、単に画面を作るだけでなく、運用まで考えることで、ようやく実務改善に近づくのだと感じました。
今後やりたいこと
今後は、実データを使って数値の検証を進めたいと思っています。
ダミーデータではうまく見えても、実データを入れると、想定外の欠損や表記ゆれ、異常値が出る可能性があります。
また、どのKPIを最終的に定例確認に使うのか、どの粒度まで共有するのかも整理が必要です。
さらに、HTML生成の手順をもう少し簡単にし、毎月の更新が負担にならないようにしたいです。
最終的には、Excelで毎回手作業で確認していたものを、より少ない手間で、同じ定義の数字として確認できる状態にしていきたいと思っています。
おわりに
今回の取り組みを通じて、AI時代の非エンジニアに必要なスキルは、コードをすべて自力で書く力だけではないと感じました。
もちろん、Pythonやデータの基礎知識はあった方がよいです。
しかし、それ以上に大事なのは、業務上の問いを整理し、KPIを定義し、AIに伝えられる形に落とし込み、出てきたものを検証する力だと思います。
AIを使えば、ダッシュボードの試作はかなり進めやすくなります。
ただし、使えるダッシュボードにするには、業務の理解、データの扱い、共有方法、運用設計が必要です。
今回のPython+HTMLダッシュボード作成は、そのことを実感する良い機会になりました。
学んだData Analyticsを、少しずつ実務改善に接続していく。
その一歩として、今回の取り組みはかなり意味があったと感じています。
関連記事
今回の記事は、Google Data Analytics や Google Advanced Data Analytics で学んだことを、実務のダッシュボード作成に接続してみた記録です。
関連する学習記録として、以下の記事も書いています。
また、AIを使った実務改善の試行錯誤として、以下の記事も関連しています。