1章：ロジスティック回帰って何？―「当たる/当たらない」を予測する分析の基本
ロジスティック回帰は、ざっくり言うと「結果が2択のときに、どっちになりそうかを確率で予測する」ための分析手法です。Excelで扱う場面で多いのは、たとえば次のようなテーマ。
- 営業：商談が受注する（1）/しない（0）を予測する
- マーケ：メールを開封する（1）/しない（0）を予測する
- 人事：内定者が入社する（1）/辞退する（0）を予測する
ポイントは、結果（目的変数）が0/1で表せること。ここが、売上金額のような「連続値」を当てにいく重回帰分析と大きく違うところです。
では、ロジスティック回帰は何をやっているのか。イメージとしては、年齢、接触回数、提案回数、Web閲覧数…といった説明変数（原因になりそうな要素）から、結果が「1になる確率」を計算します。出力は次のように捉えると分かりやすいです。
予測確率が0.8 → 「1になる可能性が高い」
予測確率が0.2 → 「0になりそう」
そして実務で重要なのは、「確率を出して終わり」ではなく、どこを境界（しきい値）にして意思決定するかです。たとえば0.5以上なら「受注見込みあり」と判定する、0.7以上なら「優先フォロー対象」とする、など。ここを設計できると、分析が一気に仕事で使える形になります。
もう1つ、ロジスティック回帰が便利な理由は解釈しやすいことです。分析結果には「係数」が出てきますが、係数の符号（＋/−）を見るだけでも、
- その変数が増えると「1」になりやすいのか（＋）
- 逆に「1」になりにくいのか（−）
が分かります。さらに一歩進めると、係数をオッズ比に変換して「1になりやすさが何倍か」を説明できるので、上司や他部署にも共有しやすいのが強みです（読み解きは4章で扱います）。
注意点も押さえておきましょう。ロジスティック回帰は魔法ではなく、データの質が結果を大きく左右します。目的変数の0/1が正しく定義されていない、欠損が多い、極端な外れ値が混ざっている、そもそもサンプルが少ない…こうした状態だと「それっぽい数字」は出ても、運用で外しがちです。だからこそ次章では、Excelで分析を始める前のデータ準備をしっかり固めます。
ここまでをまとめると、ロジスティック回帰は「2択の結果を確率で予測し、意思決定につなげる」ための基本スキル。Excelでも工夫すれば実行でき、現場の「勘」を「根拠」に変える武器になります。
2章：Excelで始める前の準備―データ形式・0/1目的変数・欠損/外れ値チェック
ロジスティック回帰は「式を回す前の準備」で精度がほぼ決まります。Excelでやるならなおさら、まずはデータを“分析できる形”に整えるのが近道です。ここでは最低限押さえるべき3点（データ形式／0/1目的変数／欠損・外れ値）をまとめます。
① データ形式：1行=1件、1列=1項目にそろえる
基本は1行が1人（1商談/1配信/1応募者）、列に「目的変数」と「説明変数」を並べる形です。Excelあるあるとして、見出しが2段になっていたり、途中に空行・結合セルが入っていたりすると加工が一気に面倒になります。
- 列名は1行目に固定（例：
受注フラグ,年齢,提案回数…） - 結合セルは使わない（ピボット向けの表は分析に不向き）
- 数値は数値、日付は日付で統一（文字列の「3回」などはNG）
まずはCtrl+Tでテーブル化しておくと、範囲ズレや参照ミスも減ります。
② 目的変数は「0/1」をブレなく定義する
1章で触れた通り、目的変数（結果）は0/1で表現できる必要があります。重要なのは「何を1にするか」を業務ルールとして固定すること。
- 受注：受注=1／失注・保留=0（保留をどう扱うかは要検討）
- 開封：開封=1／未開封=0（配信失敗は除外などルール化）
- 入社：入社=1／辞退=0（内定取り消しは除外など）
また、Excelのデータに「Yes/No」「済/未」「○/×」が混ざっているなら、別列で0/1に変換してしまうのが安全です。例えば：
=IF([@結果]="受注",1,0)この“0/1の揺れ”が残ったままだと、後の推定（Solverなど）が不安定になりがちです。
③ 欠損と外れ値：まずは「件数」と「理由」を洗い出す
欠損や外れ値を放置すると、モデルが「変な学習」をして当たりにくくなります。Excelでできる範囲でも、次のチェックは必須です。
欠損チェック（空白・NA・0の混在に注意）
- 空白セル：
=COUNTBLANK(範囲) - 数値の欠損っぽい0：本当に0なのか（例：年齢0は欠損の可能性大）
- NA文字や「-」が混ざっていないか：フィルターで確認
対応はケース次第ですが、いきなり平均補完するより、まずは欠損が起きた理由（入力漏れ/未取得/仕様）を確認するのが実務的です。目的変数が欠損の行は、基本的に分析から除外します（正解がないため）。
外れ値チェック（まずは可視化）
外れ値は「間違い」と「レアだけど事実」が混ざります。Excelなら以下が手軽です。
- 並べ替えで最大・最小を見に行く
- 箱ひげ図や散布図で分布を確認
AVERAGEだけでなくMEDIANも併用して違和感を見る
たとえば「提案回数=999」など明らかな入力ミスは修正/除外候補。一方で「閲覧数が異常に多い人」は上位顧客かもしれず、消すとむしろ判断を誤ります。外れ値は“消す前に意味を確認”が鉄則です。
ここまでの準備ができると、3章のExcel実行（アドイン/関数/ソルバー）でつまずきにくくなります。ロジスティック回帰は「手法」よりも、まずデータの整形と定義が勝負。次章では、実際にExcelで回帰を走らせる具体手順に入っていきます。
3章：Excelでロジスティック回帰を実行する手順―アドイン/関数/ソルバーでの進め方
準備（目的変数0/1、欠損・外れ値チェック）ができたら、いよいよExcelでロジスティック回帰を回します。結論から言うと、Excelには「ロジスティック回帰ボタン」が標準であるわけではないので、実行方法は大きく3つあります。
- アドインで一発実行（環境次第だが最短）
- 関数で予測確率を計算しながら組む（仕組みが理解できる）
- ソルバー（Solver）で係数を推定する（Excelだけで完結しやすい）
① まずはアドインでやる（使えるなら最速）
会社のPC環境で外部ツールが入れられる場合は、ロジスティック回帰に対応したアドイン（分析ツール系、統計系）を使うのが手っ取り早いです。流れは概ね同じで、
- 目的変数（0/1列）を指定
- 説明変数（年齢、接触回数など複数列）を指定
- 出力先を指定して実行
で係数や予測確率が出ます。ただし注意点もあります。社内端末で導入できないことが多い／バージョン差で手順が違う／“ブラックボックス化”しやすい、という3つ。仕組みを押さえる意味でも、次の「関数＋ソルバー」手順を知っておくと詰まりません。
② 関数で「予測確率」を作る（モデルの形をExcel上に再現）
ロジスティック回帰の核は、説明変数の線形結合（スコア）を作って、それをS字カーブで0〜1の確率に変換する点です。Excelでは次の2段階に分けると分かりやすいです。
1) スコア（線形結合）
例：説明変数が X1, X2 の場合
=b0 + b1*X1 + b2*X22) 予測確率（ロジスティック変換）
=1/(1+EXP(-スコア))実務では、係数セル（b0,b1,b2...）を別枠に置き、各行の「スコア列」「予測確率列」を作ります。ここまで作ると、あとは係数を“それっぽく”当てはめるのではなく、Solverで最適化して係数を推定できます。
③ ソルバー（Solver）で係数を推定する（Excelだけで推定まで完結）
Solverは「ある指標が最小/最大になるように、指定したセル（係数）を動かす」機能です。ロジスティック回帰では、正解（0/1）に合う確率を最大化する方向で係数を探させます。代表的なのが対数尤度（ログ尤度）です。
準備として列を作ります（テーブル化していると参照が楽です）。
- 目的変数：
Y（0/1） - スコア：
Z - 予測確率：
P - ログ尤度：
LL
ログ尤度は各行で次の形にします。
=Y*LN(P) + (1-Y)*LN(1-P)そしてシートのどこかに「ログ尤度の合計」を作ります。
=SUM(LL列)あとはSolverを設定します。
- ［データ］→［ソルバー］を開く（なければ［ファイル］→［オプション］→［アドイン］でSolverを有効化）
- 目的セル：ログ尤度合計セル
- 目標：最大化
- 変数セル：係数セル（
b0,b1,b2...） - 解法：基本はGRG非線形（ロジスティックは非線形なので）
- 実行
うまく収束しないときは、係数の初期値を0にする／説明変数の桁をそろえる（例：金額は千円単位にする）／極端なPが出ないようにPに下限上限を設ける（例：MAX(MIN(P,0.999999),0.000001)）などが効きます。Excelだとここでつまずきがちなので、「数式が正しいか」「Pが0や1になってLNがエラーになってないか」をまず疑うのがコツです。
これでExcel上に「係数」と「各行の予測確率」が出せました。次の4章では、出てきた係数をどう読むか（符号、オッズ比、有意性、予測確率の注意点）を、実務で説明できる形に落とし込みます。
4章：結果を読み解くコツ―係数・オッズ比・有意性・予測確率の見方と注意点
3章までで係数（b0,b1,b2...）と予測確率Pが出せたら、次は「その数字をどう解釈して、どう説明するか」が勝負です。ここが曖昧だと、せっかくモデルを作っても「で、何が言えるの？」で終わります。
① まずは係数の符号（＋/−）で“方向性”を見る
ロジスティック回帰の係数は、説明変数が増えたときに「1になりやすくなるか/なりにくくなるか」を示します。
- 係数が＋：その変数が増えるほど、1（受注/開封/入社）になりやすい
- 係数が−：その変数が増えるほど、1になりにくい
ここで注意したいのは、係数の大きさを直感で比較しないこと。年齢（1単位＝1歳）と閲覧数（1単位＝1回）では単位が違うので、単純に「係数が大きい＝重要」とは言い切れません。比較したいなら、事前に標準化する/単位をそろえる（例：閲覧数を10回単位にする）などの工夫が必要です。
② オッズ比に直すと“何倍か”で説明できる
係数は「対数オッズ」という少し分かりにくい尺度なので、実務説明ではオッズ比に変換すると強いです。式はシンプルで、
=EXP(係数)オッズ比の解釈はこうです。
- オッズ比が1より大きい：1になりやすさが上がる（プラス要因）
- オッズ比が1より小さい：1になりやすさが下がる（マイナス要因）
たとえば「提案回数」の係数が0.4なら、オッズ比はEXP(0.4)≒1.49。つまり提案回数が1回増えると、受注の“オッズ”が約1.49倍と説明できます（確率が1.49倍、ではない点に注意）。
③ “有意性”はExcel単体だと過信しない（でも目安は作れる）
統計的には「その変数が本当に効いていると言えそうか？」をp値などで判断しますが、Excel＋Solverだけだと、標準誤差やp値が自動で出ないことが多いです。アドイン等でp値が出る場合は、一般的に
- p<0.05：有意（効いている可能性が高い）
- p≥0.05：有意と言い切れない（不要、と断定もできない）
を目安にします。ただ実務では、p値だけで採用/不採用を決めるより、「業務的に筋が通るか」「データ量は十分か」「偏りがないか」をセットで見るのが安全です。特に説明変数同士が似ている（例：架電回数と接触回数）と係数が不安定になり、p値もブレやすくなります（多重共線性の影響）。
④ 予測確率Pは“そのまま正解/不正解”にしない
ロジスティック回帰の出力で一番使うのは予測確率Pです。ただし、P=0.6を「当たる」と決めつけないのがコツ。必要なのは「しきい値（閾値）」の設計です。
- 0.5以上なら「見込みあり」
- 0.7以上なら「優先フォロー」
- 0.9以上なら「最重要」
のように、現場のコスト（フォロー工数）と取り逃しリスクで決めます。たとえば営業なら「外してもいいから上位だけ追う」のか、「取り逃しを減らしたい」のかで最適なしきい値は変わります。
⑤ 注意点：当たりそうに見えても“運用で外す”典型パターン
- 学習データにだけ強い：同じデータで作って同じデータで評価すると過大評価になりがち
- 0/1の偏り：受注率が極端に低いと、全部0でも高スコアに見えることがある
- 説明変数が未来情報：受注後に分かる情報を入れると、現場では再現できない
「解釈（係数・オッズ比）」と「運用（しきい値・評価）」をセットで考えると、ロジスティック回帰は一気に“仕事で使える分析”になります。次章では、営業・マーケ・人事それぞれで、どう意思決定に落とすかを具体例でつなげます。
5章：活用例でイメージする―営業/マーケ/人事で使える「意思決定」への落とし込み
ロジスティック回帰の価値は、係数を眺めることでも、確率Pを出すことでもなく、「次に何をするか」を決められることです。ここでは営業・マーケ・人事の3つで、Excelで作った予測確率をどう運用に変えるかを具体化します。
① 営業：見込み確度で「優先順位」と「打ち手」を分ける
例：受注フラグ（1/0）を目的変数に、接触回数、提案回数、業種、過去取引有無などでモデル化。各商談に予測確率Pが付いたら、やることはシンプルです。
- P≥0.7：勝ち筋があるので「見積・稟議・決裁者同席」などクロージング寄り
- 0.4≤P<0.7：情報不足の可能性が高いので「課題深掘り・追加提案」
- P<0.4：今追うより、ナーチャリング/別チャネルへ（工数の最適化）
ここで重要なのは、0.5を機械的に境界にしないこと。営業は工数が有限なので、「上位何件だけ追う」など現実のリソースに合わせてしきい値を設計すると、効果が出やすくなります。
② マーケ：配信リストを「反応しやすい層」から組み替える
例：メール開封（1/0）やクリック（1/0）を目的変数に、配信時間帯、件名タイプ、直近のサイト閲覧数、過去反応などを説明変数に置きます。予測確率を使うと、施策が「一斉配信」から変わります。
- Pが高い層：配信量を増やしても反応が取りやすい（CV寄りの訴求も試せる）
- Pが低い層：件名・オファーを変える、配信頻度を落とす、別チャネルへ切替
さらに実務的には、ABテストの当たりを早く見つける使い方もできます。「Pが高い人にだけABを当てる」ではなく、あえて中間帯（0.4〜0.6）にテストを当てると、差が出やすく学びが早いです。
③ 人事：辞退・離職の“予兆”を見て先回りする
例：内定辞退（1/0）や早期離職（1/0）を目的変数に、面談回数、内定から入社までのリードタイム、オファー内容の納得度（アンケート）、配属希望の一致度などを説明変数にします。
- Pが高い人：追加フォロー面談、現場社員との接点、条件説明の再整理などを手厚く
- Pが低い人：通常フローでOK（過剰対応による工数増を防ぐ）
ただし人事領域は特に、「予測でラベリングして終わり」にならない配慮が必須です。個人を決めつけるためではなく、面談機会や情報提供を最適化するために使う、という運用ルールを先に決めておくと安全です。
意思決定に落とすための最小チェックリスト
- しきい値：誰に・何を・どれだけやるか（工数とリスクで決める）
- 未来情報が入っていないか：運用時点で取得できる変数だけに限定
- 当てにいきすぎない：目的は「当てる」より「打ち手を変えて成果を上げる」
Excelでロジスティック回帰を回せるようになると、勘や経験だけで優先順位を決める状態から、根拠ある“仕分け”ができます。あとは確率に合わせて施策を用意し、回して、改善する。この一連の流れを作れると、分析が「資料作り」ではなく「成果」に直結します。
コメント