③ 加工結果とチェック — 7/7¶

加工プロセス

② 実装（Colab）の Notebook をコミット済みデータに対して実行した結果です（決定的なので Colab 実行と一致します）。加工後スキーマは加工後テーブル定義を参照。

加工前後の比較¶

顧客マスタは 9項目 → 4項目 に縮約されました。直接だれかを特定できる情報は消え、分析に必要な粗い属性だけが残ります。

flowchart LR
    subgraph 前["加工前（9項目）"]
        direction TB
        a[会員ID] & b[氏名] & c[生年月日] & d[性別] & e[郵便番号] & f[住所] & g[携帯電話番号] & h[電子メールアドレス] & i[クレジットカード番号]
    end
    subgraph 後["加工後（4項目）"]
        direction TB
        r[整理番号] & s[性別] & t[年代] & u[市区町村]
    end
    a --> r
    c --> t
    d --> s
    f --> u
    前 -. 氏名・郵便番号・携帯・メール・カード番号 は削除 .-> 後

削除: 氏名 / 郵便番号 / 携帯電話番号 / 電子メールアドレス / クレジットカード番号 / Cookie ID
一般化: 生年月日 → 年代（10歳区切り）、住所 → 市区町村
置換: 会員ID → 整理番号（3テーブル共通、履歴結合を維持）
維持: 性別、購入年月日・品目・数量・金額、アクセス日時・閲覧カテゴリ

確認テスト結果（すべて合格）¶

[x] 削除対象カラムが存在しない（氏名・郵便番号・住所・携帯・メール・カード番号・会員ID・Cookie ID）
[x] 必要な加工後カラム（整理番号・性別・年代・市区町村）が存在する
[x] レコード数が意図せず変化していない（customers 800 / purchases 4,789 / web_access 7,959）
[x] 同一人物の履歴関係が整理番号で維持されている（purchases・web_access の整理番号 ⊆ customers）

加工後データによる分析（利用目的の再現）¶

加工後データでも、利用目的（地域 × 顧客層 × 商品関心）の分析が成立します。

年代別平均購入金額（円）:

年代	10代	20代	30代	40代	50代	60代	70代	80代以上
平均	3,877	3,064	3,430	3,662	3,682	4,045	4,115	4,243

市区町村別平均購入金額（上位5）:

市区町村	平均（円）
東京都大田区	4,401
東京都八王子市	4,315
東京都世田谷区	3,870
東京都練馬区	3,818
東京都江戸川区	3,796

年代別購入品目トップ3:

20代: 飲料 / 惣菜 / 菓子
70代: 米・穀物 / 精肉 / 野菜

市区町村単位・年代単位で「どの地域のどの顧客層がどの商品に関心を持つか」を読み取れる＝出店計画の検討という利用目的が、加工後も達成できることを示します。

↩ もう一度確かめる: ② Colab で自分で実行／ ① 加工の設計に戻る。次の事例は case02 匿名加工情報。