「20人に1人」をどう捉えるか──課題設定とデータの全体像

DIFF.のデータアナリストは、「20人に1人は左右の足のサイズが違う」という事実を起点に、どこにボトルネックがあるのかを定義するところから始めます。扱うデータは主に、
・3D計測による足長・足囲などのサイズ情報
・片足ごとの購買履歴と在庫データ
・痛みや諦めに関するアンケート結果
の3種類です。これらを統合し、「どの条件の人が、どの場面で、どんな不便に直面しているか」を定量的に把握することで、開発・在庫・マーケティングをまたいだ改善テーマを抽出していきます。

サイズ計測データの可視化──「なんとなく」から「この人にはこれ」が分かるまで

3D計測データは、単に「左右で◯cm違う」と集計するだけでは活かしきれません。DIFF.ではSQLやPythonを使い、左右差の分布、年齢・性別・ライフスタイル別の傾向、足幅・甲の高さとの組み合わせなどを多次元で可視化します。クラスタリングや主成分分析を用いて「このタイプの足型にはこのラストが合いやすい」といった仮説を作り、プロダクトチームと議論。結果として、「片足だけサイズが極端に違う人向けのラインナップ」など、開発投資の優先順位づけに役立てています。

片足販売ならではの在庫最適化──ペアではなく「片足の需要」を読む

左右別サイズ販売では、従来の「ペア単位」の在庫管理が通用しません。データアナリストは、片足ごとの販売履歴をもとに「右24.5cm・左25.0cm」のような組み合わせ需要をモデル化し、需要予測を行います。Pythonで時系列分析やベイズモデルを組み、サイズ別・左右別の欠品リスクをシミュレーション。さらに、「売れ残りがちな片足」と「不足しがちな片足」をマッチングさせるアルゴリズム検討にも関わり、廃棄や機会損失を減らす設計にデータ面からコミットします。

「痛み」と「諦め」を数値にする──アンケート分析の工夫

足の痛みや「仕方なく大きいサイズを選ぶ」といった諦めは、そのままではデータに乗りません。DIFF.では、アンケートで
・痛みの頻度（例：月◯回以上）
・生活への影響度（仕事・通学・スポーツなど）
・価格とフィット感どちらを優先したか
をスコア化し、行動データと結びつけて分析します。たとえば「痛みスコアが高い人ほど返品率も高いか」「特定のサイズ帯で諦めが集中していないか」を検証し、UI文言の改善やサイズ提案ロジックの改良に活かしています。

実際のプロジェクトフロー──仮説設定から施策検証まで

DIFF.のデータ分析プロジェクトは、概ね次の流れで進みます。
1. ビジネス課題の整理（例：特定サイズの欠品が多い）
2. 仮説設定（どのユーザー行動・足型が影響していそうか）
3. データ抽出・整形（SQL・Pythonによる前処理）
4. 分析・モデリング（可視化、統計モデル、予測モデル）
5.施策提案（在庫配分変更、UI改善、商品企画への示唆）
6. 実装後の効果検証（ABテストや指標モニタリング）
この一連のサイクルを回しながら、仮説の精度と「痛みを減らすインパクト」の両方を高めていきます。

技術スタックと評価されやすいポートフォリオのテーマ

DIFF.のデータアナリストに近い技術スタックとしては、
・SQL：BigQueryなどを想定した分析用クエリ設計
・Python：pandas、scikit-learn、statsmodels、可視化ライブラリ
・BIツール：ダッシュボードでの継続的モニタリング
が挙げられます。ポートフォリオでは、「在庫最適化」「需要予測」「レコメンド」「アンケートのテキストマイニング」など、ビジネス指標と結びついたテーマが評価されやすいです。単なるモデル精度ではなく、「どの意思決定がどう変わるのか」まで言語化できると説得力が増します。

社会課題への解像度を高めるためにできること

左右差というニッチに見えるテーマも、本質は「諦めてきた少数者の不便をどう減らすか」という社会課題です。この解像度を高めるには、
・ユーザーインタビュー事例や研究論文を読む
・オンラインコミュニティやレビューから生の声を集める
・自分や身近な人の「合う靴がない」経験を言語化する
といったインプットが有効です。そのうえで、「どんな指標で不便の減少を測れるか」「どのデータなら行動変容を説明できるか」を自分なりに整理すると、数字と現実の生活とをつなぐ視点が鍛えられます。