DeepSeekでデータ分析、意思決定の一次通过率を約90%に

分析で時間がかかるのは計算より「何を測るか」の整理です。以前は週2日をSQLとExcelに使い、週次会議の結論も差し戻しが多かった。DeepSeek V4を固定フロー（取数・業務補完・分析骨子）に組み込んで約3か月、意思決定案の一次承認率が約45%から90%前後まで上がりました（同一評価基準、週次12回）。

deepseek v4、deepseek公式サイト、deepseekチュートリアルを探している方向け。役割づけ・3ルート・プロンプト・精度向上まで順に説明します。

1. DeepSeek の位置づけ：分析アシスタントであり、レポート工場ではない

多くのチームは LLM を「自然言語 BI」と誤解し、「今月 GMV がなぜ下がった？」と聞いてグラフと結論を一発で期待します。現実は SQL が動かず、指標定義がずれ、結論に業務文脈が欠けることばかり。

適切な位置づけ：DeepSeek は分析アシスタントです。正確な SQL、業務理解の補完、曖昧な問いの分解を支援します。可視化と最終判断は人と BI ツールの役割です。

シナリオ	よくある誤り	より適切な使い方
原因追跡	「なぜ下がった？」だけで ChatBI に期待	指標と期間を先に固定し、ルート 1 の SQL で仮説検証
入門	「ユーザー行動を分析して」など広すぎる質問	ルート 3 で 3–5 のサブ質問に分割し、フィールドと出力を明示
エンジニア	スキーマなしで SQL だけ依頼	DDL + フィールド意味 + フィルタを貼付—deepseek v4 の一発可用率が上がる

2. 私が固定で使う 3 つのルート

ルート 1：スキーマ + 指標定義 → 速く正確な SQL

DeepSeek V4 に DDL、キー/パーティション説明、測定内容・期間・重複排除ルールを渡すと、通常 1 分以内に実行可能な SQL が得られます。SELECT のみ、インラインコメント、前提の列挙を求めています。

長コンテキストは複数テーブル JOIN に有効：関連 3–5 表のフィールド説明を一度に貼る方が効率的です。

注意：モデルはデータ品質を知りません。フィールド意味や業務定義が曖昧なら、見た目の良い SQL でも数値は誤る—要件と受入基準は人が定義します。

ルート 2：業務背景を素早く補完

未知の業務表では、次の 5 ステップで deepseek v4 に数字を物語に変えてもらいます：

1. 業務オブジェクトと主指標：1 行は何を表す？売上、生産量、リテンション？
2. プロセス指標：流入から転換/納品までの観測ポイントは？
3. 季節性：曜日、祝日、繁忙/閑散期の影響は？
4. 構造次元：地域、チャネル、カテゴリ、顧客層—何を先に切る？
5. 業界参照：同種指標の一般的レンジやドライバーは？

例：ビール生産分析

ステップ 1（Web オン）：「中国ビール業界の過去 3 年の生産トレンド、主要コスト、季節性を要約—分析背景用。」

ステップ 2（Web オフ、サンプル貼付）：「brew_daily（date, plant_id, output_kl, energy_cost）について、ルート 2 の 5 ステップで優先検証すべき 5 問と必要フィールドを列挙。」

ルート 3：問いを分解し、分析フレームを組む

「価格設定は大丈夫？」のような空問は避けます。DeepSeek V4 で意思決定を 3–5 の検証可能なサブ質問に分け、各々にテーブル、比較軸、出力形式（表/JSON）を指定します。

例：価格弾力性

決定：「華東で 5% 値上げすべきか？」

分割：

• A：過去 12 か月の値上げ前後で販売量と粗利率は？（price_history, sales）
• B：競合の価格帯分布は？（Web で業界要約）
• C：高リピート vs 新規顧客で弾力性は異なる？（customer_segment）

質問の仕方	出力品質	向く場面
一文の曖昧な質問	抽象的で実装しにくい	ブレスト
サブ質問 + 表 + フィールド	SQL/表がそのまま使える	週次レビュー、深掘り
サブ質問 + JSON テンプレ	コード/グラフに流しやすい	自動レポート、AB 振り返り

3. 意思決定精度を約 4 割から 9 割へ

改善は検証ループによるもの：(1) スキーマと定義を貼付；(2) 指標定義の復唱確認；(3) Markdown 表または JSON 出力指定；(4) 人が 10% サンプル照合。約 3 か月で失敗は「指標ミス」から「もっと速く」へ。

同一評価基準、週次 12 回：

指標	改善前	改善後（約 3 か月）
SQL 一発可用率	~55%	~88%
週次案の一発承認率	~45%	~90%
手戻り工数/週	~16 h	~5 h

4. コピペ用プロンプトテンプレート

テンプレ 1：SQL 取数

データ分析 SQL アシスタントとして。スキーマ：

-- DDL を貼付

要件：2025-01-01〜2025-03-31、華東の日次 GMV（税込、支払済、order_id 重複排除）。 出力：SELECT のみ、コメント付き、前提 3 条を列挙。

テンプレ 2：業務背景

添付：{table_name} のフィールド辞書と 100 行サンプル。 業務オブジェクト/指標 → プロセス → 季節性 → 構造 → 業界参照の順で、優先 5 問と各フィールド・検証方法を列挙。

テンプレ 3：分析フレーム

意思決定：{一行で業務課題} 利用可能テーブル：{名前と主要フィールド} 3–5 サブ質問に分割。各々仮説、SQL 方針、比較軸、出力（Markdown 表または JSON）。

5. 私が踏んだ落とし穴

• データ基盤なしの ChatBI：指標が曖昧なまま NL 問い合わせは混乱を増幅—先にルート 1 でスキーマ文書化。
• 曖昧なプロンプト：「分析して」は思考の丸投げ—期間、対象、成功基準を明記。
• 検証なしで会議：自信≠正しさ—10% 行照合で口径事故の多くを防げる。
• deepseek公式サイトのドキュメント未確認：Web 検索、長コンテキスト、アップロード制限は更新が速い—deepseek公式サイトとdeepseekチュートリアルを確認。

6. まとめ

DeepSeek V4 を分析アシスタントとして：ルート 1 で SQL、ルート 2 で背景、ルート 3 でフレーム、検証ループで一発承認を約 9 割へ。deepseek公式サイトとdeepseekチュートリアルから始め、上記 3 テンプレをそのまま使ってください。