--- title: "データパイプラインの作成" url: https://docs.catalyst.zoho.com/ja/tutorials/churn-prediction/create-data-pipeline/ description: "解約予測 - Catalyst QuickMLサービスを使用して、解約を予測するための強力なMLパイプラインを作成します。" last_updated: 2026-08-17T12:16:04Z service: All Services type: tutorial related_links: - name: "データクリーニング" url: /ja/quickml/help/data-preprocessing/data-cleaning - name: "データ変換" url: /ja/quickml/help/data-preprocessing/data-transformation - name: "データプロファイラーとビューアー" url: /ja/quickml/help/data-profiler-and-viewer/ --- # データパイプラインの作成 データセットのアップロードが完了したので、次にそのデータセットを使用して[データパイプライン](https://docs.catalyst.zoho.com/ja/quickml/help/create-data-pipeline/)を作成します。 1. 左メニューの**Datasets**コンポーネントに移動します。データパイプラインを作成する方法は2つあります： - データセットをクリックし、ページ右上の`Create Pipeline`をクリックします。 ![create-pipeline](https://catalyst-docs-development.zohostratus.in/images/tutorials/churn-prediction/create-pipeline.webp) - 以下の画像のように、データセット名の左側にあるペンアイコンをクリックします。 ![pen-icon](https://catalyst-docs-development.zohostratus.in/images/tutorials/churn-prediction/pen-icon.webp) ここでは、前処理用に**Churn_1**データセットをアップロードしています。**Churn_2**は、以降の前処理ステップでこのデータセットに追加されます。 2. パイプライン名を「**Churn Prediction Data Pipeline**」と入力し、`Create Pipeline`をクリックします。 ![Pipeline Name](https://catalyst-docs-development.zohostratus.in/images/tutorials/churn-prediction/pipeline-name.webp) 以下のスクリーンショットのように、[パイプラインビルダーインターフェース](https://docs.catalyst.zoho.com/ja/quickml/help/pipeline-builder-interface/walkthrough/#pipeline-builder-interface-1)が開きます。 ![Initial Pipeline](https://catalyst-docs-development.zohostratus.in/images/tutorials/churn-prediction/initial-pipeline.webp) データセットのクリーニング、精製、変換を行い、データパイプラインを実行するために、以下の一連のデータ前処理操作を実行します。各操作には、パイプラインの構築に使用される個別の[データノード](https://docs.catalyst.zoho.com/ja/quickml/help/data-preprocessing/data-cleaning/)が含まれます。 ### QuickMLによるデータ前処理 1. #### 2つのデータセットの結合 QuickMLのを使用して、新しいデータセットを追加できます（追加するデータセットは事前にアップロードしておく必要があります）。ここでは、既存のデータセットとマージするために**Churn_2**データセットを追加します。`Custom Name`セクションでノードのカスタム名を指定できますが、ここではデフォルト名の**Add dataset**のままにしています。次に、`Save`ボタンをクリックします。 ![add-dataset](https://catalyst-docs-development.zohostratus.in/images/tutorials/churn-prediction/add-dataset.webp) - 左パネルの`Data Extraction`をクリックし、`Add Dataset` [ノード](https://docs.catalyst.zoho.com/ja/quickml/help/data-preprocessing/data-extraction/#add-dataset)を選択します。これにより、新しいデータセット（Churn_2）をパイプラインに追加できます。 - 左パネルの`Data Transformation`を選択し、`Union` [ノード](https://docs.catalyst.zoho.com/ja/quickml/help/data-preprocessing/data-transformation/#union)を選択します。次に、2つのノード間のリンクを接続してノード間の結合を行います。これにより、**Churn_1**と**Churn_2**の2つのデータセットが1つのデータセットに結合されます。 - いずれかのデータセットに重複レコードが存在する場合、操作実行時に「**Drop Duplicate Records**」のチェックボックスを必ずオンにしてください。次に、`Save`ボタンをクリックします。これにより、両方のデータセットから重複レコードが削除されます。 ![Union](https://catalyst-docs-development.zohostratus.in/images/tutorials/churn-prediction/union.webp) 2. #### 列の選択/削除 データセットから列を選択または削除することは、データ分析や機械学習における一般的なデータ前処理ステップです。列の選択や削除は、分析やモデリングタスクの具体的な目的と要件に応じて判断します。 このデータセットからモデル学習に不要な列は、「**security_no**」、「**joining_date**」、「**avg_frequency_login_days**」、「**last_visit_time**」、「**referral_id**」です。QuickMLでは、Data Cleaningコンポーネントの**Select/Drop** [ノード](https://docs.catalyst.zoho.com/ja/quickml/help/data-preprocessing/data-cleaning/#select-or-drop)を使用して、モデル学習に必要なフィールドをデータセットから素早く選択できます。 ![required-field-selection](https://catalyst-docs-development.zohostratus.in/images/tutorials/churn-prediction/required-field-selection.webp) 3. #### データセットの列に値を補填する QuickMLの`Fill Columns` [ノード](https://docs.catalyst.zoho.com/ja/quickml/help/data-preprocessing/data-cleaning/#fill-columns)を使用すると、特定の条件に基づいて列の値を簡単に補填できます。要件に応じて、null値や非null値を補填できます。ここでは、「**joined_through_referral**」と「**medium_of_operation**」の列について、「**?**」が含まれる行をカスタム値「**Not mentioned**」で補填します。「**points_in_wallet**」列については、空の値をカスタム値「**0**」で置換します。 ![Fill Column](https://catalyst-docs-development.zohostratus.in/images/tutorials/churn-prediction/fill-column.webp) ドロップダウンメニューから、列に適した**データ型**を選択します。 ![Fill Column](https://catalyst-docs-development.zohostratus.in/images/tutorials/churn-prediction/datatype.webp) `"+"`ボタンをクリックして複数の条件を追加し、条件を選択した後に`Save`ボタンをクリックします。 ![Fill Column](https://catalyst-docs-development.zohostratus.in/images/tutorials/churn-prediction/add.webp) 4. #### データのフィルタリング データセットのフィルタリングとは、特定の基準や条件を満たす行のサブセットをDataFrameから選択することです。ここでは、Data Cleaningセッションの`Filter` [ノード](https://docs.catalyst.zoho.com/ja/quickml/help/data-preprocessing/data-cleaning/#filter)を使用して、「**days_since_last_login**」、「**avg_time_spent**」、「**points_in_wallet**」列の値が「**0**」以上のものをフィルタリングし、「**preferred_offer_types**」と「**region_category**」列については空でない値を持つものをフィルタリングします。 ![Data Filter](https://catalyst-docs-development.zohostratus.in/images/tutorials/churn-prediction/data-filter.webp) 5. #### 感情分析 感情分析は、顧客フィードバックやレビューなどのテキストに含まれる感情や感情的なトーンを判定するための手法です。感情分析の目的は、テキストが伝える感情や意見に基づいて、ポジティブ、ネガティブ、またはニュートラルに分類することです。 ここでは、商品に関するフィードバックが含まれている「**feedback**」という列があります。**Zia Features**配下の**Sentiment Analysis** [ノード](https://docs.catalyst.zoho.com/ja/quickml/help/zia-features/#zia-sentiment-analysis)を使用して、列の値をポジティブ、ネガティブ、またはニュートラルに分類できます。 「**feedback**」列の値を`Sentiment Analysis`ノードの結果で置換する場合は、`Replace in place`の横にあるチェックボックスをオンにしてください。 ![Sentiment Analysis](https://catalyst-docs-development.zohostratus.in/images/tutorials/churn-prediction/sentiment-analysis.webp) 6. #### 保存と実行 次に、`Sentiment Analysis` [ノード](https://docs.catalyst.zoho.com/ja/quickml/help/zia-features/#zia-sentiment-analysis)を`Destination`ノードに接続します。すべてのノードが接続されたら、`Save`ボタンをクリックしてパイプラインを保存します。その後、`Execute`ボタンをクリックしてパイプラインを実行します。 ![Completed data pipeline](https://catalyst-docs-development.zohostratus.in/images/tutorials/churn-prediction/completed-data-pipeline.webp) 以下のページにリダイレクトされ、実行ステータスとともに実行されたパイプラインが表示されます。パイプラインの実行が成功したことが確認できます。 ![Executed data pipeline](https://catalyst-docs-development.zohostratus.in/images/tutorials/churn-prediction/executed-pipeline.webp) `Execution Stats`をクリックすると、以下のようにコンピュート使用量の詳細を確認できます。 ![Execution stats for data pipeline](https://catalyst-docs-development.zohostratus.in/images/tutorials/churn-prediction/execution-stats.webp) このパートでは、QuickMLを使用したデータ処理方法について説明しました。機械学習モデルの構築に向けてデータを準備するためのさまざまな効果的な手法を紹介しました。このデータパイプラインは、Catalystプロジェクト内のさまざまなユースケースに対して、複数のML実験を作成するために再利用できます。