DS検定 第1章 ビジネスマインドとデータリテラシー 予想問題と解説

正解は「データのねつ造、改ざん、盗用」である。データを取り扱う人間の倫理では、都合のよい結果を作るためにデータそのものを偽ったり、他者の分析を盗用したりする行為が直接的に禁止される。「個人情報保護法の範囲内でのデータ利用」は法律が定める範囲を守った適法な利用であり、禁止行為ではなくむしろ順守すべき行動にあたる。「分析結果を第三者と共有すること」は業務上の透明性を高める通常のコミュニケーションであり、それ自体を禁止する理由がない。「仮説と異なる分析結果を報告すること」は、仮説に迎合せず事実をそのまま伝える誠実な行動であり、都合よく結果を作り変えるねつ造とは正反対の態度である。したがって、データの中身を偽る「ねつ造、改ざん、盗用」だけが禁止行為に直接該当する。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「第一正規化」である。個人情報保護法、EU一般データ保護規則（GDPR）、データポータビリティはいずれも個人情報や本人のデータ利用に関わる制度論点である。一方、第一正規化はデータベース設計で繰り返し項目を整理する正規化手法であり、個人情報保護の法令・制度ではない。個人情報保護法とGDPRは法令そのもの、データポータビリティはGDPR等が定める本人の権利であり、いずれも個人情報の取扱いという同じ領域に属する。第一正規化だけがデータベース設計というまったく別の領域の技術用語であり、この4択の中で単独で異なる分野に属する。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「目的やゴールの設定がないまま分析しても意味合いが出ないことを理解する」である。分析プロジェクトでは、何を明らかにするかという目的やゴールを先に定めることで、収益モデルにつながる主要な変数や、確認すべき一次情報を絞り込める。「目的やゴールの設定を後回しにし、まずデータを集める」は着手の順序を逆にしており、目的が定まらないまま集めたデータは何を検証すべきか分からなくなる。「収益モデルを考慮せずに変数を選ぶ」は、業務の収益構造と関係のない変数を選んでしまい、分析結果が意思決定に結び付かなくなる。「一次情報に接することは重要ではない」は、データが生み出された経緯を無視する態度であり、分析の前提を誤って理解する原因になる。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「母集団に占める割合など比率的な指標でなければ数字の比較に意味がないことが多いため」である。来店者数が異なる店舗では、購入者数の実数だけを見ると規模の差を成果の差と誤認しやすい。購入率のような比率的な指標に直すことで、母集団の大きさをそろえた比較ができる。設問では購入者数だけでなく、その分母となる来店者数が店舗ごとに異なる点へ着目する。誤差、グラフ化、個人情報という別の論点を除外し、母集団に占める割合で比較する理由を述べた選択肢を選ぶ。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「仮説と異なる結果を新たな知見として客観的に受容し、正確に報告する」である。当初立てた仮説を否定する結果であっても、それは意思決定に使える重要な知見になり得る。仮説に合うようデータを選び直す、ノイズとして排除する、報告しないといった対応は、分析結果の意味合いを誤らせる。設問では結果が仮説に合うかではなく、得られた結果を客観的に扱えるかを判断する。排除、再抽出、未報告はいずれも結果を正確に伝えないため除外する。仮説と観測された結果を分けて扱うことが重要である。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「何を明らかにする分析かを決め、必要なデータや指標を選びやすくするため」である。課題や仮説を先に言語化すると、目的やゴールが明確になり、主要な変数や確認すべき一次情報を絞り込みやすくなる。「分析結果を後から目的に合わせて解釈するため」は、目的を先に決めるのではなく結果に合わせて後から目的を当てはめる進め方であり、仮説言語化の狙いとは順序が逆である。「データのねつ造を防ぐために、仮説を固定して変更しないため」は、仮説を検証の出発点として扱わず固定してしまう考え方であり、データや分析結果に応じて仮説を見直す姿勢と矛盾する。「一次情報を見ずに分析を進めるため」は、一次情報を軽視する態度であり、課題や仮説を言語化する目的とは無関係である。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「分析結果の背景やデータが生み出される経緯も確認する」である。統計情報は数字だけを見ると、母集団、集計条件、データ取得の偏りを見落としやすい。分析結果の背景やデータが生み出された経緯を確認することで、実数だけの比較、仮説に合わない結果の無視、データ量への過信による不適切な解釈を避けられる。設問は計算手法ではなく、結果を解釈する際の姿勢を問うている。都合のよい数字だけを残す選択肢やデータ量だけを根拠にする選択肢を除外する。数字の大きさと解釈の適切さは別に確認する。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

この事例では、担当者が効果を大きく見せる目的で観測値の一部を書き換えており、データそのものを偽る行為にあたる。正解は「データのねつ造、改ざん、盗用」である。データを取り扱う人間の倫理では、都合のよい結果を作るためにデータを偽ったり、他者の分析を盗用したりする行為が直接的に禁止される。「事前に定めた基準で欠測値を補完し、その方法を記録として残すこと」は、処理の根拠を示せる正当なデータ整備であり、値を恣意的に書き換える行為とは区別される。「施策の効果が小さかったという結果を、そのまま上司へ報告すること」は、結果が期待に沿わなくても事実を伝える誠実な行動である。「個人を特定できないよう加工したうえでデータを分析すること」は、個人情報への配慮を伴う適切な取扱いであり、禁止行為ではない。したがって、観測値の書き換えに対応するのは「ねつ造、改ざん、盗用」だけである。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

この事例では、顧客情報を扱うチームが法制度ではなくデータベース構造の改善策を挙げており、該当するのは表の設計を整理する手法である。正解は「第一正規化」である。第一正規化は、データベース設計で繰り返し項目を整理し表を分割する正規化手法であり、個人情報保護の法令・制度ではない。「個人情報保護法の安全管理措置」は、個人情報の漏えい等を防ぐために事業者へ求められる法令上の取り組みであり、構造の改善策ではなく制度の側の論点である。「EU一般データ保護規則（GDPR）の消去権（忘れられる権利）」は、本人が自分のデータの削除を求められるGDPR上の権利であり、これも制度の論点にあたる。「データポータビリティの権利」は、本人が自分のデータを他事業者へ移せる権利であり、同じく制度の論点である。したがって、法制度ではなく設計の改善策として挙がるのは「第一正規化」だけである。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

この事例は、新規分析の初回会議でデータ収集に入る前に確認すべき事項を問うている。正解は「目的やゴールの設定がないまま分析しても意味合いが出ないことを理解する」である。何を明らかにするかを先に定めることで、集めるデータや見るべき変数を絞り込め、結果を意思決定に結び付けられる。「利用できるデータの量を確認し、集められるだけ集めてから目的を考える」は着手の順序が逆で、何を検証するのかが決まらないまま作業量だけが増える。「分析手法を先に決め、その手法に合う変数だけを選ぶ」は、手段が目的を決めてしまい、課題の解決に必要な変数を取りこぼす。「現場担当者への聞き取りは省き、既存の集計表だけで課題を判断する」は、一次情報に接する機会を捨てることになり、課題の捉え違いを招く。したがって、収集の前に確認するのは目的やゴールの設定である。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

この事例では、来店者1,000人の店舗Aと100人の店舗Bのように、母集団の大きさが10倍違う店舗の成果を比べる。正解は「母集団に占める割合など比率的な指標でなければ数字の比較に意味がないことが多いため」である。母集団の規模が違うと、実数の大小は規模の差を反映するだけで、成果の良し悪しを表さない。「来店者数が多い店舗の実数のほうが、常に信頼性が高いため」は、実数の大きさを成果の高さと取り違えており、規模の差を無視している。「来店者数が少ない店舗Bは、比較の対象から外すべきため」は、比率にそろえれば比べられる対象を、規模だけを理由に除いてしまう。「実数は平均値に換算できず、店舗間の比較に使えないため」は、実数から平均値や割合は計算できるので、前提が誤っている。したがって、比較の軸は比率的な指標である。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

この事例では、検証結果が責任者の予想と反対になっており、分析担当者の姿勢が問われている。正解は「仮説と異なる結果を新たな知見として客観的に受容し、正確に報告する」である。仮説と異なる結果も、施策や前提を見直す手がかりになる事実であり、そのまま正確に伝えることが誠実な対応である。「責任者の予想に近づくよう検証条件を変え、分析をやり直す」は、結果ではなく条件を操作して予想に合わせる行為であり、ねつ造に近い。「予想と合う部分だけを抜き出して中間結果として報告する」は、都合のよい部分だけを選ぶことで全体の結果を歪め、意思決定を誤らせる。「予想と異なる結果は誤差とみなし、次の分析に進む」は、根拠なく結果を退けており、報告すべき知見を隠すことになる。したがって、結果を客観的に受け止めて正確に報告する対応が適切である。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

依頼が曖昧なままでは、どのデータをどう見ればよいかが決まらない。正解は「何を明らかにする分析かを決め、必要なデータや指標を選びやすくするため」である。最初に課題と仮説を言葉にすることで、分析の目的がはっきりし、集めるデータや見る指標を選びやすくなる。結果が出てから仮説を後付けする、仮説を変更せず報告する、期待する結論に合わせてデータを選ぶ、という動機は、結果に合わせて目的を動かしたり、結論を先に決めたりするもので適切ではない。したがって、最初に課題と仮説を言葉にする目的は、分析の目的を決めてデータや指標を選びやすくすることである。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

地域別の差は、数字そのものだけでなく、その背景を確かめてから解釈する必要がある。正解は「分析結果の背景やデータが生み出される経緯も確認する」である。地域ごとに集め方や条件が違えば、差は実際の違いではなく、データの生まれ方の違いから生じている可能性がある。「差の大きさだけで判断する」は、その確認を省いている。「仮説に合う地域だけを報告する」は、都合のよい結果を選ぶ行為である。「標本が多ければ実数と比率で結論は変わらない」は、規模が違う地域で実数だけを比べる誤りを見落としている。したがって、結論の前に背景と経緯を確認する選択肢が適切である。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

都合のよい結果を作るために記録を選んで消す行為は、データを偽る「改ざん」にあたり、ねつ造・改ざん・盗用として禁止されるデータ倫理の代表例である。利用目的の範囲内で氏名を除いた集計値を共有することは、個人情報の取扱いとして妥当な利用であり、禁止行為ではない。外れ値の除外は、基準を事前に決めて理由を記録していれば、結果を操作する行為ではなく透明性のある処理である。効果が小さかったという事実をそのまま書くことは、結果を偽らない誠実な報告であり、削除による改ざんとは正反対である。したがって、記録を都合よく選別して消した行為だけがデータの改ざんに分類される。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

1つの欄に複数の値を入れず、繰り返しのある項目を分けて整理する手法は、データベース設計の第一正規化である。個人情報保護法の利用目的の特定と、要配慮個人情報の取得時の本人同意は、個人情報の取扱いを定める日本の法令上のルールである。GDPRのデータ主体の権利は、EU域内の個人データについて本人に認められる権利であり、これも制度上の論点である。この4つのうち、表の作り方を整える設計上の技法は第一正規化だけである。問われているのは法令や制度の名前ではなく、表を扱う設計の用語かどうかである。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

分析は、何を明らかにして何の判断に使うのかという目的やゴールを先に決めることで、必要な変数や確認すべき一次情報を絞り込める。件数の多い項目から対象を決めると、目的と無関係なデータが中心になり、結果が判断に結び付かない。ツールに合わせて項目を集めると、道具の都合でデータが選ばれ、本来必要な項目が抜け落ちるおそれがある。過去の結論をそのまま仮説にすると、今回の状況や最新のデータで確かめないまま結論を引き継ぐことになる。収集に入る前の確認事項は、目的とその使い道である。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

来店者数が違う店舗は、購入者数の実数だけでは規模の差を成果の差と取り違えやすい。購入者数を来店者数で割った購入率で比べると、店舗Aは20%、店舗Bは30%となり、規模をそろえた比較ができて店舗Bの成果が高いと読める。実数の大小だけで判断したり、規模が小さい店舗を外したりすると、比較そのものが成り立たない。2店舗を合算した値は全体の平均にすぎず、店舗ごとの違いを比べる目的に合わない。規模の違うものを比べるときは、割合にそろえるのが基本である。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

予想と反対の結果も、意思決定に使える新たな知見である。検証の条件とデータを示して正確に報告し、なぜ反対の結果になったかの仮説を立て直すのが適切な対応である。都合の悪い期間を除く集計のやり直しは、結果を予想に合わせて作る行為にあたる。誤りだと決めつけて破棄すると、確認もせず結果を捨てることになる。予想に合う結果が出るまで検証を続けて報告を保留するのは、結果を選別して伝える行為であり、客観性を損なう。どの対応も、結果を正確に伝えるという分析担当者の役割から外れている。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

「客足」だけでは、来店数の増減を見るのか、時間帯別の混み具合を見るのかが定まらない。課題と仮説を先に言葉にすると、何を確かめる分析かが絞られ、必要なデータの種類や集計の切り口を選べる。集計してから趣旨を決めると、順序が逆になり、結果に合わせた後付けの解釈になりやすい。仮説は検証の出発点であり、データを見て見直すものなので、変更しないと約束するのは適切でない。依頼者への確認を省くと、依頼の意図とずれた分析になるおそれがある。課題と仮説の言語化は、確かめる内容を絞る作業である。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

購入者数が2倍でも、地域Xの人口や調査対象者数がもともと2倍以上であれば、購入する人の割合に差はないかもしれない。地域ごとの規模やデータの集め方の違いを確認し、比率にそろえて見直せば、数字の差の意味を正しく読める。原因を確認せずに施策を集中すると、規模の差を成果の差と取り違える危険がある。対象者数の少ない地域を無視するのは、結果の一部を捨てる偏った扱いである。仮説に合う地域だけを残す報告は、都合のよい結果の選別にあたる。数字を読む前に、背景を確認するのが適切である。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

公式スキルチェックリスト（foundation.csv No.14）は、対象となる事象が通常見受けられる場合において、分析結果の意味合いを正しく言語化できることを★1つ星（見習いレベル）の項目としている。本問では、例年どおりの季節要因による増減を通常見受けられる事象と設定している。この場面で分析結果が何を意味するのかを、事象に即して正しく言葉にして伝える行動が、この項目の内容に当たる。意味合いの説明を受け手に任せる、事象に即さず過去の報告を流用する、通常の事象だから言語化は不要と考える、といった伝え方は、この項目の内容に当たらない。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-09-22公式スキルチェックリストver.6照合）

公式スキルチェックリスト（foundation.csv No.16）は、担当する分析プロジェクトにおいて、当該事業の収益モデルと主要な変数を理解していることを★1つ星（見習いレベル）の項目としている。売上改善のような課題を扱う場合も、担当する分析プロジェクトの対象である当該事業の収益モデルと主要な変数を、担当者自身が理解していることがこの項目の内容に当たる。収益モデルを他の人任せにして列名の把握で済ませる、分析結果から自然に分かるものとして理解を省く、他の事業の収益モデルを当てはめる、といった進め方は、当該事業の収益モデルと主要な変数を理解するという項目の内容に当たらない。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-09-22公式スキルチェックリストver.6照合）

公式スキルチェックリスト（foundation.csv No.12）は、与えられた分析課題に対し、初動として様々な情報を収集し、大まかな構造を把握することの重要性を理解していることを★1つ星（見習いレベル）の項目としている。最初から分析手法や集計対象を固定せず、まず情報を広く集めて課題の全体の構造をつかむ進め方が、この項目に当たる。特定の変数の精度を先に上げる、手法を先に決める、他の案件の結果を流用して情報収集を省く、といった進め方は、初動で全体の構造を把握する手順から外れる。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-09-21公式スキルチェックリストver.6照合）

公式スキルチェックリスト（data_science.csv No.91）は、データから事実を正しく浮き彫りにするため、集計の切り口や比較対象の設定が重要だと理解することを★1つ星（見習いレベル）の項目としている。この場面では、全社の合計だけでは事業部ごとの増減が打ち消し合って見えなくなるため、事業部別のように目的に合わせた切り口を置き、何と比べるかも設定して確認する。合計だけで足りるとみなす、切り口を固定する、数値のほうを補正するといった対応は、事実を浮き彫りにする考え方から外れる。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-08-31公式スキルチェックリストver.6照合）

公式スキルチェックリスト（foundation.csv No.4）は、現場に出向いてヒアリングするなど、一次情報に接することの重要性を理解していることを、行動規範＞ビジネスマインドの★1つ星（見習いレベル）の項目としている。本問では、手元の集計データだけでは店舗の実態が見えない場面を設定している。この場面で、現場に出向いて話を聞くなど、一次情報に接する進め方が、この項目の内容に当たる。手元の集計データだけで原因を断定する、要約資料だけを読んで現場への確認を省く、現場の声を分析で扱わないと決める、といった進め方は、この項目の内容に当たらない。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-09-22公式スキルチェックリストver.6照合）

誤っている説明を選ぶので、課題と仮説を決めるタイミングに注意する。正解は「課題と仮説は、分析結果が出たあとで、結果に合わせて決めるのが望ましい」である。課題と仮説は、分析を始める前に言葉にしておくもので、結果に合わせて後から決めると、都合のよい結論を選ぶことになる。課題や仮説の言語化がデータや指標の選択を助けること、目的やゴールの設定が出発点になること、収益モデルと主要な変数の理解が方向を定めやすくすることは、正しい説明である。したがって、結果に合わせて決めるとする説明が、設問の誤った説明である。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

誤っている考え方を選ぶので、数字の比較の落とし穴に注意する。正解は「地域ごとの規模が異なる場合でも、実数だけで比べれば公平な比較になる」である。規模が異なる地域を実数だけで比べると、規模の大きい地域が多く見えてしまうため、比率にそろえて比べる必要がある。比率的な指標が規模の違いをそろえるのに役立つこと、背景やデータが生み出される経緯も確認すること、仮説を否定する結果も新たな知見として正確に報告することは、いずれも適切な考え方である。したがって、実数だけで公平に比べられるとする説明が、設問の誤った説明である。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「データドリブン」である。データドリブンは、経験や勘だけで判断せず、データに基づいて分析的に判断・行動する考え方を指す。設問では施策前後の売上や反応を確認して継続を決めようとしており、この条件に当てはまる。データの改ざんは都合のよい結果に見せるためにデータを書き換える不正行為、データポータビリティは本人のデータを移転できることに関する概念である。大まかな構造の把握は細部の分析前にデータ全体の構成をつかむ作業で、判断の根拠をデータへ置く方針そのものではない。まず判断の根拠が経験則だけか、観測データも使うかを区別する。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「一次情報」である。一次情報は、調査や体験を通じて自分が直接入手した、加工されていない元の情報を指す。設問のインタビュー記録は調査担当者が直接得た記録であり、第三者の要約ではないため一次情報に当たる。データポータビリティは本人のデータを他の事業者へ移転できることに関する概念、収益モデルは事業が収益を生み出す仕組みである。データの改ざんは記録を不正に書き換える行為であり、直接得た記録を確認する姿勢とは反対である。情報の内容よりも、誰がどのように入手したかを確認すると判断できる。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「データや事象の重複」である。複数の経路から集めたデータに同じ注文が含まれると、一つの取引を二重に数えて売上を実態より大きく見せてしまう。設問では同じ注文IDが店舗データとECデータの両方に存在するため、集計前に重複を識別して一件として扱えるかを確認する。主要な変数は分析結果に強く関係する項目、比率的な指標は分母と分子を用いる見方、収益モデルは事業が収益を生む構造を指す。どの指標を分析するかより先に、同じ事象を何回数えているかを確かめる場面である。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「論理とデータの重要性」である。業務判断では、理由を筋道立てて整理するだけでも、数値を並べるだけでも不十分であり、論理とデータの両方を根拠として結論を検討する必要がある。設問では、売上低下という主張の筋道を整理したうえで販売データを確認している。データポータビリティは本人に関するデータの移転、大まかな構造の把握は詳細分析前に全体像をつかむ作業、データの改ざんは観測結果を不正に書き換える行為である。判断の根拠として筋道と観測データを組み合わせているかに注目する。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「データポータビリティ」である。データポータビリティは、本人に関するデータを本人が受け取り、別のサービスでも利用しやすくする考え方である。設問ではデータの適正な取得・利用・管理を定める法律名ではなく、サービス間で本人データを持ち運んで利用する考え方を問うている。個人情報保護法は日本で個人情報の取扱いを定める法律、EU一般データ保護規則はEUで個人データの保護と取扱いを定める規則、一次情報は調査や体験を通じて直接入手した加工前の情報である。制度名と、本人データの移転・再利用という考え方を分ける。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「主要な変数」である。主要な変数は、課題や仮説を検証するうえで結果との関係を重点的に確認する変数を指す。設問では解約率という結果に対して、利用頻度や契約期間、問い合わせ回数との関係を確かめようとしているため、これらが主要な変数になる。収益モデルは事業が収益を生む仕組み、比率的な指標は全体に対する一部の割合など二つの量の比、一次情報は調査や体験で直接得た元の情報である。項目の入手元や表し方ではなく、仮説検証で重点的に見る役割に注目する。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「収益モデル」である。収益モデルは、事業がどのような仕組みで収益を生み出すかを表す構造である。設問にある月額課金、従量課金、広告収入は、利用者や取引から売上を得る仕組みを示しているため収益モデルを選ぶ。主要な変数は課題や仮説と結果の関係を重点的に確認する項目、目的やゴールの設定は分析で解決したい課題と到達状態を明確にすること、データドリブンは経験や勘だけでなくデータに基づいて判断する考え方である。分析の進め方ではなく事業の収益発生構造を問うと読む。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「大まかな構造の把握」である。大まかな構造の把握は、細部の分析へ入る前に、データ全体がどのような要素で構成されているかをおおまかにつかむことである。設問では列、期間、件数、欠損を最初に確認しているため、この工程に当たる。課題や仮説の言語化は検証したい問いを文章で明確にすること、分析結果の意味合いの言語化は得られた数値や傾向のビジネス上の意味を説明すること、統計情報の不適切な解釈は前提を誤読して実態と異なる結論を導くことである。分析前の全体確認か、分析の目的設定か、結果の説明かを時間順に分ける。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「分析結果の意味合いの言語化」である。これは、分析で得られた数値や傾向がビジネス上どのような意味を持つかを、関係者が判断できる言葉で説明することである。設問では解約率の変化という結果を、顧客や施策との関係から事業上の意味へ翻訳している。課題や仮説の言語化は分析前に検証したい問いを明確にすること、大まかな構造の把握は詳細分析前にデータの構成をつかむこと、統計情報の不適切な解釈は前提を誤って実態と違う結論を出すことである。数値を得た後に、その意味を説明している点が判断軸になる。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「盗用」である。盗用は、他者の成果や表現を適切に示さず、自分のものとして利用する行為である。設問では別の担当者が作成した文章と図表を、出典や作成者を示さず自分の成果として提出しているため盗用に当たる。データのねつ造は実際には得ていないデータや結果を作ること、改ざんは得られたデータや分析結果を意図的に変更すること、統計情報の不適切な解釈は統計の前提や意味を誤読して実態と異なる結論を導くことである。他者の成果を無表示で使ったのか、存在しない結果を作ったのか、既存の値を変えたのか、読み取りを誤ったのかを、行為の対象から区別する。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「データのねつ造」である。データのねつ造は、実際には得ていないデータや結果を作り、得られた事実であるかのように扱う行為を指す。設問では測定していない20件の値を新たに作り、観測記録として追加しているため、ねつ造に当たる。改ざんは、すでに得られたデータや分析結果を意図的に変更する行為であり、存在しない記録を作るねつ造とは対象が異なる。盗用は他者の成果を出典表示なく自分のものとして使うこと、統計情報の不適切な解釈はデータ自体ではなく意味の読み取りを誤ることである。作成前に元の記録が存在したかを確認する。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）