変更要約: PL-300 第4章を新規作成（ドメイン: 可視化と分析の後半=強化と分析）。ユーザビリティとストーリーテリング（ブックマーク・カスタムツールチップ・インタラクション編集・同期スライサー・選択ペイン・ドリルスルー・ナビゲーション・モバイル）、アクセシビリティとパーソナライズ（代替テキスト/タブ順/コントラスト・Personalize visuals・自動ページ更新）、パターンとトレンドの分析（Analyze 機能・ビン化/クラスタリング・キーインフルエンサー/分解ツリー・参照線/予測・異常検出）。
4.3パターンとトレンドの分析
Analyze 機能、グループ化/ビン化/クラスタリング、AI ビジュアル（キーインフルエンサー/分解ツリー）、参照線/予測、異常検出、Copilot 要約を理解します。
データを「見せる」だけでなく パターンと要因を見つける。Power BI の分析機能と AI ビジュアルが助けになります。
4.3.1Analyze 機能とグループ化/クラスタリング
Analyze 機能（右クリックの「増加/減少の説明」など）は、ある変化が どの要因で起きたか を自動分析して提示します。グループ化 は値をまとめ、ビン化（binning） は数値を一定幅の区間に区切り、クラスタリング は似たデータ点を自動でグループに分けます（ビン化は手動の区間、クラスタリングは自動分類という違い）。
4.3.2AI ビジュアル
キーインフルエンサー（key influencers） は「ある結果（例: 解約）に最も影響する要因」を示します。分解ツリー（decomposition tree） はメジャーを次元で 掘り下げて要因を分解し、AI が「次に分割すべき次元」も提案します。スマートナラティブ は要点を文章化します。「最も効く要因」＝キーインフルエンサー、「ドリルダウンして分解」＝分解ツリー、と使い分けます。
4.3.3参照線・予測・異常検出
折れ線などに 参照線/誤差範囲 を加えて基準を示し、予測（forecasting） で将来値を見積もります（時系列が前提）。異常検出（anomaly detection） は時系列の 外れ値 を自動で検出し説明候補を示します。これらは「分析」ペインの解析機能として提供されます。
決め手：「増減の要因を自動説明」＝Analyze機能。「数値を一定幅に区切る」＝ビン化。「似た点を自動グループ」＝クラスタリング。「結果に最も効く要因」＝キーインフルエンサー。「次元で掘り下げて分解」＝分解ツリー。「将来値を推定」＝予測。「時系列の外れ値」＝異常検出。
混同に注意：
①ビン化(手動の区間)とクラスタリング(自動分類)を取り違えない。
②キーインフルエンサー(要因の影響度)と分解ツリー(次元での分解)は別。
③予測と参照線は別物(将来推定 vs 基準線)。
④予測/異常検出は時系列が前提。
4.3.4この節のまとめ
- Analyze機能で増減の要因を自動説明・ビン化(手動区間)とクラスタリング(自動分類)
- キーインフルエンサー=最も効く要因・分解ツリー=次元で分解
- 予測/異常検出は時系列前提・参照線で基準を示す
進捗の記録にはログインが必要です。
理解度チェック
（軽い確認用）Q1. 解約に最も強く影響している要因を自動で特定したい。最適な AI ビジュアルはどれですか？
Q2. 売上メジャーを地域→製品→チャネルと次元で掘り下げて要因を分解したい。最適な AI ビジュアルはどれですか？
Q3. 時系列の売上から将来の値を見積もりたい。最適な機能はどれですか？
Q4. 連続値の年齢を 0–9, 10–19 のような一定幅の区間に区切りたい。最適な操作はどれですか？
Q5. 売上が急増した月について、どの要因が寄与したかを自動で説明させたい。最適な機能はどれですか？