現役データサイエンティストが経験を活かして教育業界で起業した友人を2025年に支援した話

学習ログの分析と離脱要因の特定

まずは、学習プラットフォームのログデータをもらって、Pythonで解析。pandasで整形して、学習時間・問題正答率・動画視聴完了率・離脱タイミングを可視化した。

すると、以下の傾向が見えてきたんや。

初回登録後、3日以内に離脱するユーザーが全体の42%

離脱者の多くが「動画視聴完了率が低い」「正答率が低い」「復習機能を使っていない」

学習時間が短いユーザーほど、継続率が低い

ワイはmatplotlibとseabornでヒートマップを作成し、離脱パターンを視覚化。

リョウは「こんなに早く離脱されてるとは思わんかった…」と驚いとった。

パーソナライズされた学習レコメンドの導入

次に、ワイは協調フィルタリングとコンテンツベースのレコメンドを組み合わせて、学習内容の提案機能を実装した。

使用技術：LightFMでユーザー×コンテンツ行列を学習、TF-IDFで教材の特徴抽出

特徴量：過去の正答率、視聴履歴、学習時間帯、学年・科目

結果：「あなたにおすすめの復習問題」「次に見るべき動画」などの提案が可能に

これで、ユーザーの回遊率が1.7倍、復習機能の利用率が3倍に増加した。

学習モチベーション予測モデルの構築

リョウは「生徒のやる気が見えへん。どこで声かけたらええか分からん」と悩んでた。

そこで、ワイは学習モチベーションを予測するモデルを構築。

使用技術：XGBoostで分類モデル、特徴量は学習頻度・正答率・動画完了率・時間帯・連続ログイン日数

精度：F1スコア 0.84、AUC 0.91

このモデルを使えば、「モチベーション低下が予測される生徒」に対して、タイミングよくメッセージや応援動画を送ることができるようになった。

保護者向けダッシュボードの設計

教育って、生徒だけやなくて保護者との連携も大事や。ワイはTableauで保護者向けのダッシュボードを設計した。

表示項目：学習時間、進捗率、得意・苦手科目、モチベーション予測

更新頻度：週1回、自動更新

結果：保護者の満足度アンケートで「学習状況が把握しやすい」との回答が92%

リョウは「これで保護者との信頼関係も築ける」と喜んどった。

成果とその後

この一連の施策で、継続率は38%→72%に上昇。有料会員数も月間120人→450人に増加。教育系メディアにも取り上げられて、提携校も増えた。

リョウは「ワイの教育理念が、やっと形になってきた。お前の数字の力がなかったら、ここまで来れへんかった」と言うてくれた。

今では、彼のサービスは「学びを止めない仕組み」として、地方の教育機関にも導入され始めてる。

ワイは月1回のデータレビューと、モデルの精度改善を担当しとる。

教育とデータの共鳴

この経験で思ったんは、教育って感情と根気の世界やけど、そこにデータが加わることで「支える力」が生まれる。

先生の勘や経験を、数字で補強できるんや。

ワイのスキルが、誰かの学びを止めない仕組みになったこと。

それが、ワイにとっての最高の報酬や。