データ分析の常識を覆す！gemini3.5が実現する自律的エージェントサイクルの衝撃
- 本間 充/マーケティングサイエンスラボ所長
- 1 日前
- 読了時間: 7分
こんにちは、本間 充（Mitsuru Honma）です。日々の業務において、データ分析に頭を悩ませている社会人やマーケターの方は多いのではないでしょうか。
膨大なデータから意味のあるインサイトを引き出し、マーケティングの予算配分や次なる施策を決定するのは、非常に労力がかかる作業です。
しかし、最新のAIモデルである「gemini3.5」の登場によって、その常識が根本から覆ろうとしています。
gemini3.5 Flashは、これまでのAIモデルと比べてデータ分析能力が飛躍的に進化しました。
特に注目すべきは、AIエージェントによる「反復的・自律的」な分析サイクルが実現した点です。
今回は、この新しいAIがいかにして私たちのデータ分析業務を劇的に変えるのか、具体的な事例を交えて詳しく解説します。
従来のAIデータ分析が抱えていた「プロンプトの壁」
これまでのAIを活用したデータ分析では、人間が細かく指示（プロンプト）を出す必要がありました。
「AのデータとBのデータを結合して」「欠損値はゼロで埋めて」「ROIを計算して」といった具合に、手順を一つずつ明記しなければならなかったのです。
これを「Chain of Thought（思考の連鎖）」を用いた、手順明示型のプロンプトと呼びます。
しかし、現実のマーケティングデータなどは表記揺れや欠損が多く、いわゆる「汚いデータ」がほとんどです。
そのため、AIに完璧な指示を出したつもりでも、途中でエラーが発生し、処理が止まってしまうことが日常茶飯事でした。
エラーが出れば、人間がエラーコードを読み解き、修正のための指示を再び出すという「キャッチボール」が発生し、結果的に多くの時間を奪われていたのです。
gemini3.5最大の強み！エージェントの「自律的な分析サイクル」
gemini3.5 Flash最大の強みは、エージェントの並列実行や長期的なタスクの処理能力が格段に向上している点です。
これにより、人間は細かい手順を指示するのではなく、「ゴールを伝えるだけ」で済むようになりました。
AI自身が代替パスをテストし、動的に解決策を模索しながら分析を最後までやり遂げてくれます。
では、gemini3.5は曖昧な指示を受け取った際、内部でどのようなサイクルを回しているのでしょうか。
それは大きく分けて4つのステップから成る、高速かつ自律的な思考・実行プロセスです。それぞれを詳しく見ていきましょう。
1. データの評価とアプローチの設計
まず、gemini3.5は渡された複数のファイル（CSVやExcelなど）を読み込み、内容を把握します。
「広告データのキャンペーンIDと売上データのIDをキーにすれば結合できる」「LTVの計算には購入単価と頻度が必要だ」と自ら判断します。
人間から事細かに指示されずとも、まるで熟練のデータサイエンティストのように、分析の段取りを自ら設計するのです。
2. コードの実行と驚異の「自己修復」
設計に基づき、データ処理用のPythonコードなどを内部で生成して実行します。
ここで従来であれば、現実のデータ特有の汚れ（文字列の混入など）によるエラーで停止していましたが、gemini3.5は違います。
ここが最大の進化とも言える「自己修復」機能を発揮する場面です。
例えば、「費用の項目に『10万円』という文字列が混ざっていて計算エラーになった」とします。
gemini3.5は人間にエラーを報告して指示を仰ぐのではなく、「文字列を数値に変換する処理をコードに追記すれば解決する」と自ら判断します。
そして自動でコードを修正し、再実行を完遂させてしまうのです。
3. 多角的な仮説検証の反復
データが綺麗に整った後は、いよいよ高度な分析に入ります。
単に指定された計算を行うだけでなく、「SNS単体ではLTVが低いが、SNSを見た後にメルマガを開封したユーザーのLTVは突出して高い」といった隠れた傾向を探索します。
もし最初のクラスタリング（グループ分け）手法で綺麗な結果が出なければ、別の統計手法に切り替えて何度も計算をやり直すという粘り強さを持っています。
4. 意思決定に直結する最終レポートの出力
最終的に出力されるのは、人間が求めていたゴールに直結するインサイトだけです。
分析途中の泥臭いデータクレンジングやエラー解消の過程は裏側で処理され、結論のみが整理されて提示されます。
これにより、マーケターは結果を受け取ってすぐに次回の予算配分などの意思決定に移ることができます。
実践事例：新製品のマルチチャネル・キャンペーン分析
ここからは、実際の業務を想定した具体的な事例を見ていきましょう。
新製品のキャンペーンにおいて、Web広告、SNS、メルマガの直近3ヶ月の施策データと売上データを紐づけ、LTVを高めるチャネルの組み合わせを分析するケースです。
ここでは意図的に表記揺れや欠損を含んだ「汚いデータ」を用意したと仮定します。
### 分析の元となる3つのサンプルデータ
1つ目は「広告パフォーマンスデータ」です。費用欄に「10万円」といった文字列が混ざっていたり、カンマが含まれていたりします。
A. 広告パフォーマンスデータ (ad_performance.csv)
Campaign_ID | Channel | Cost (費用) | Clicks |
CMP_001 | SNS | 10万円 | 1500 |
CMP_002 | Web | 150000 | 2100 |
CMP_003 | 50,000 | 800 |
2つ目は「顧客行動ログ」で、どの顧客がいつSNSを閲覧し、いつメルマガを開封したかが記録されています。
B. 顧客行動ログ (customer_interactions.csv)
Customer_ID | Campaign_ID | Interaction | Date |
U_001 | CMP_001 | SNS閲覧 | 2026-05-01 |
U_001 | CMP_003 | メルマガ開封 | 2026-05-03 |
U_002 | CMP_002 | Web広告クリック | 2026-05-05 |
3つ目は「売上データ」で、購入日と売上金額がまとめられています。購入履歴がない顧客や複数回購入している顧客も混在しています。
C. 売上データ (sales_data.csv)
Customer_ID | Purchase_Date | Amount (売上) |
U_001 | 2026-05-04 | 12000 |
U_001 | 2026-06-10 | 8500 |
U_002 | 2026-05-05 | 3000 |
従来のプロンプト（手順明示型）の限界
従来のAIモデルでこの分析を行う場合、非常に長くて細かいプロンプトが必要でした。
広告データ,ad_performance.csvの費用列を確認し、『万円』が含まれる場合は数字を取り出して10,000を掛け、数値型に変換して行動ログ,customer_interactions.csvと広告データ,ad_performance.csvを結合し、さらに売上データ,sales_data.csvを結合してエラーや売上が無い顧客は0として処理を継続してこれほどまでに細かくステップを定義しても、未知のデータ不備があればエラーで停止し、人間が介入してプロンプトを修正するという手戻りが避けられませんでした。
gemini3.5向けのプロンプト（ゴール提示型）
一方、gemini3.5を活用する場合は、驚くほどシンプルな指示で完結します。中間処理はAIが自律的に判断・修正するため、解決したいビジネス課題だけを伝えます。
【目的】
どのチャネル、またはチャネルの「組み合わせ」が最も顧客のLTVを高めているかを特定すること。
【出力要件】
最も投資対効果が高かったチャネルの組み合わせ、発見された重要なインサイト、次回のキャンペーンに向けた具体的な予算配分の最適化提案。
【補足事項】
データ内に文字列混入などの不備がある場合は、よしなにクリーニングして計算を進めてください。
アップロードしたファイルは、
広告パフォーマンスデータ (ad_performance.csv)
顧客行動ログ (customer_interactions.csv)
売上データ (sales_data.csv)
です。人間が「こうやって計算して」とプロセスを指示するのではなく、「これが知りたい」というゴールだけを提示するアプローチへと完全にシフトしました。
なぜゴールを伝えるだけで機能するのか？
gemini3.5がこのようなゴール提示型のプロンプトで機能する理由は、その裏側で回っている高速なループ処理にあります。
目的を与えられると、内部で「データの把握」から「コードの生成・実行」「エラーの検知と修正」「結果の解釈」までを何十回も自動で反復します。
ユーザーからは見えないブラックボックスの中で、泥臭い作業をAIが自己完結してくれるのです。
この自律的な処理により、プロンプトの作成時間が大幅に短縮されることはもちろん、それ以上の大きなメリットがあります。
それは、「人間が思いつかなかった統計手法」や「予想外のデータの切り口」をAI自身が探索できる余白が生まれることです。
細かい指示でガチガチに縛らないからこそ、gemini3.5の高度な推論能力を最大限に引き出せるのです。
まとめ：マーケターは「作業」から「意思決定」へ
gemini3.5の登場により、データ分析のあり方は根本的に変わりました。
これまで多くの時間を割いていたデータのゴミ処理やエラー解消といった「作業」は、すべてAIに任せることができます。
これからのマーケターやビジネスパーソンに求められるのは、高度なプログラミングスキルではなく、AIへの適切な「ゴール設定」のスキルです。
AIが導き出した質の高いインサイトをもとに、「どう意思決定し、どうアクションを起こすか」に人間のリソースを集中できる環境が整いました。
gemini3.5を活用した自律的な分析サイクルは、あらゆる企業のマーケティング活動を強力に後押しするはずです。
ぜひ皆さんの日々の業務でも、この革新的なAIエージェントの力を試してみてください。
コメント