なぜデータクリーニングはアナリストの時間の 80% を奪うのか
アナリストが Excel で費やす時間のおよそ 80% は、データクリーニングに消えています。内訳は重複の削除、データ型の修正、列の分割です。この数字は o11 のレポートが明らかにしました。多くの AI ツールが返してくるのは数式だけで、動かすのは結局あなた自身です。本記事では、よくあるクリーニング作業と、AI がそれをシート内で直接実行する方法を紹介します。
80% という数字が大きいのは、クリーニングが難しいからではなく面倒だからです。一つひとつの修正は簡単でも、数が数十通りあり、しかもシートごとに内容が違います。時間は、ここで 1 列を整え、あそこで 1 列を分割する、という積み重ねの中で消えていきます。これはまさに、人よりも機械が得意な仕事であり、実行型のツールが引き継げる部分です。
この 80% は、単なる生産性の補足情報ではありません。チームが最初に自動化する Excel 作業がクリーニングになる理由は、ここにあります。データを洗う時間は、意思決定を本当に支える分析に使われない時間です。だからこそ、洗う工程を短くできるものは、その先の作業全体で効いてきます。
財務アナリストにとって、この 80% は毎日の現実です。財務アナリスト向けのクリーニングでは、レポート作成や月末決算の前に同じ作業がどう展開するかを追っています。
よくあるクリーニング作業の内訳
- 重複する行は削除して、レコードが 1 件ずつしか残らないようにします。
- データ型を整えます。文字列になっていた数値は数値へ、混ざった日付は正しい日付へ変換します。
- くっついた列を分割します。全名を姓と名に、住所を複数の項目に分ける場合などです。
- 書式を統一します。シート全体を通して、大文字と小文字、余分な空白、通貨記号をそろえます。
- 欠損値は、安全に推測できるところだけ埋め、推測できないところには印を付けます。
- 完全一致の文字列に限らず、パターン単位で検索と置換します。末尾のスペース、改行、統一されていない区切り記号が狙いです。
- ルールセットに照らして検証します。想定外の値、範囲から外れた数値、想定リストに合わない新しいカテゴリを洗い出します。
実際のところ、作業の中心になるのは 3 つです。重複の削除、データ型の修正、書式の統一。どれも説明は簡単で、実行は機械的にこなせます。だからこそ AI クリーニングでは、最初に取り組む効果が最も大きい対象になります。厄介な欠損値や検証のケースに手を出す前に、ここから始めるのが賢明です。
クリーニングは、順番を決めて進めるとうまくいきます。まず構造を直し（型、重複、分割）、次に書式を統一し、最後に検証で締めくくります。どの段階も前の段階に乗っかる形なので、この順序でステップを組み立てるエージェントのほうが、思いつくまま一気に修正するより、きれいな結果を出しやすいです。
AI によるデータクリーニングの進め方
実行型のクリーニングツールは、いつも同じ手順で動きます。まず普段の言葉でクリーニングの内容を伝えます。するとツールがワークブックを読み、操作を組み立てます。あなたがその計画を承認すると、変更を表示しながら 1 ステップずつファイル内で実行していきます。提案までで止まるツールは、もっと手前で終わります。数式やマクロを渡して、実行はあなたに丸投げです。
違いを生むのは、この 1 ステップずつの見える化です。Mica が各ステップをどう見せるかで、その流れを詳しく説明しています。
また、クリーニングは型や空白、範囲に触れるため、表面化するエラーは数式に関するものが中心です。クリーニングで起きる数式エラーで、よくある事例をまとめています。
見える化は、見た目を良くするための話ではありません。クリーニングは小さな破壊を伴います。分割で名前を切り誤ったり、型の修正で先頭のゼロが落ちたりする。だから安全と言える AI クリーナーは、各操作を実行前に見せてくれるものだけです。以下で紹介する流れに、一発実行のマクロではなく必ず承認ステップが入っているのは、そのためです。
数分の下準備で、クリーニングの精度は上がります。データが 1 枚のシートにまとまっているか、範囲名がはっきりしているかを確認する。どの列は推測してよく、どの列は絶対に触らないかを書き出す。空白をどう扱うかのルールを決めておく。これを先に言葉にしておくと、最初の計画で正しい操作が示されます。
AI クリーニング vs 手作業 vs Power Query：どれを選ぶか
| 取り組み方 | 速さ | 手間 | 可視性 |
|---|---|---|---|
| 手作業（検索と置換、数式） | 遅い | 高い | 完全 —— 各ステップは自分で実施 |
| 数式を提案するだけの AI | テキストが出るまでが速い | 中 —— 貼り付けと確認は残る | 貼り付けた分のみ |
| ファイル内で実行する AI | 速い | 低い | 実行中の全ステップを表示 |
Power Query はその中間です。スクリプト化できて繰り返し実行もできますが、変換の設計は自分でやらなければなりません。時間が溶けていくのを止められるのは、上の表の「実行」の行です。クリーニングがファイルの中で、しかも見える形で進み、毎週組み直す必要もなくなります。
Power Query と AI は競合相手ではなく、解いている問題が違います。毎週新しいエクスポートに同じ変換をかけるなら Power Query の出番です。逆に、一度きりだったり不規則だったりして、Query を組むのは大げさすぎるなら AI が向いています。両方が必要なチームは、繰り返せるルートをスクリプト化しておき、それ以外を AI に任せればいいでしょう。
納品前のクリーニングチェックリスト
- 元のワークブックは、AI のクリーニングを 1 手でも実行する前にバックアップしておきます。
- 実行中の各ステップは、その都度確認します。ローカルエージェントなら、操作の前後をすべて目で確認できます。
- 同じタスクをコピーに対して再実行し、結果が安定して再現されるか（まぐれではないか）を確かめます。
- 結合・分割した列は、見出しではなく実際の行に当てて抜き取り確認します。
AI クリーニングが常に正解とは限りません。小さくて、すでにきれいなシートなら、自動化を組むより手作業で 1 回通したほうが速いです。厳しい外部仕様を満たす必要があるデータなら、クリーニングを誰がやったかにかかわらず、検証は手作業のままにしておきましょう。この記事が対象にしているのは、広くて乱れた中間層です。80% が実際に潜んでいるのは、そういうシートです。