【2026年7月最新】機械学習の回帰分析とは？分類との違い・主な手法・非エンジニアでも使える実践方法
aikanri-admin
この記事の内容
「来月の売上はいくらになりそうか」「この広告費を増やしたら来店客数はどれだけ増えるか」——こうした「数値を予測したい」というニーズの多くは、機械学習の中でも「回帰分析」と呼ばれる技術で解決できます。しかし「回帰」という言葉自体は聞いたことがあっても、「分類」との違いや、線形回帰・重回帰・リッジ回帰といった手法の使い分けまで正確に理解している方は多くありません。
この記事では、回帰分析の基本的な考え方から、分類との違い、主要な手法の使い分け、業界別の活用事例、そして実践時に見落としやすいチェックポイントまでを整理します。さらに、Pythonのコードを書けなくても回帰分析と同等の予測を得る現実的な方法まで踏み込んでお伝えします。
代表菅澤
AI鬼管理山崎
この記事を最後まで読むと、次の6つが明確になります。
01 WHAT IS REGRESSION 機械学習における回帰分析とは 「傾向」から「数値」を予測する技術
回帰分析とは、ある数値（従属変数）が、別の数値（独立変数）とどのような関係にあるかを分析し、その関係式を使って未知の数値を予測する手法です。「気温が上がると電気使用量が増える」「広告費を増やすと来店客数が増える」といった、日常的に感覚として捉えている関係性を、数式として明確に表現し、将来の数値を予測できるようにします。
📚 用語解説
従属変数（目的変数）と独立変数（説明変数）：回帰分析で「予測したい数値」を従属変数（目的変数）、「予測に使う手がかりとなる数値」を独立変数（説明変数）と呼ぶ。例えば「気温から電気使用量を予測する」場合、電気使用量が従属変数、気温が独立変数にあたる。
1-1. 回帰分析の目的：説明と予測の2つの側面
回帰分析には大きく2つの目的があります。1つは「なぜその結果になったのかを説明する」目的で、「売上に最も影響しているのは広告費か、客単価か」を明らかにするために使われます。もう1つは「将来の数値を予測する」目的で、「来月の広告費を増やした場合、売上はどう変化するか」をシミュレーションするために使われます。ビジネスの現場では、この2つの目的を意識的に区別することが、分析結果を正しく活用する第一歩になります。
回帰分析を依頼・発注する際は、「何が要因かを知りたいのか（説明）」「将来の数字を知りたいのか（予測）」のどちらが目的かを明確にしておくと、分析の設計自体がぶれずに進みます。
1-2. 「回帰」という言葉の由来
少し余談ですが、「回帰」という名前の由来を知っておくと理解が深まります。この言葉は、19世紀の統計学者フランシス・ゴルトンが親と子の身長を調査した際、「背が高い親の子どもは親より低くなる傾向」「背が低い親の子どもは親より高くなる傾向」があり、世代を経るごとに集団の平均値に近づいていく現象を「平均への回帰」と呼んだことに由来します。現在の機械学習で使われる「回帰分析」という言葉は、この統計学的な起源から受け継がれています。
📚 用語解説
教師あり学習における回帰の位置づけ：回帰分析は、機械学習の分類上「教師あり学習」の一種に位置づけられる。正解となる数値データ（例: 実際の売上実績）を学習データとして与え、その関係性を学習させる点で、正解ラベルを使わない教師なし学習とは明確に区別される。
回帰分析は機械学習の中でも特に基礎的かつ実務での応用範囲が広い技術です。より広い「機械学習全体の分類」については、別記事「AIと機械学習の違い」で教師あり学習・教師なし学習・強化学習の全体像を解説していますので、あわせてご覧ください。
02 REGRESSION VS CLASSIFICATION 回帰分析と分類の違い 「連続した数値」を出すか「カテゴリ」を出すか
機械学習の教師あり学習は、大きく「回帰」と「分類」に分かれます。両者の違いは、予測結果が「連続した数値」か「あらかじめ決められたカテゴリ」かという一点に集約されます。
| 項目 | 回帰分析 | 分類 |
|---|---|---|
| 予測結果 | 連続した数値（金額・個数・確率など） | あらかじめ決められたカテゴリ（Yes/No、A/B/C等） |
| 具体例 | 来月の売上金額を予測する | 顧客が解約するかどうかを予測する |
| 代表的な手法 | 線形回帰・重回帰・非線形回帰・リッジ回帰 | ロジスティック回帰・決定木・SVM |
| 評価の基準 | 予測値と実際の値の誤差の小ささ | 正解カテゴリと一致した割合（正解率等） |
例えば「来月の映画の視聴回数」を予測するなら回帰分析、「この映画が気に入られるかどうか（Yes/No）」を予測するなら分類、という区別になります。同じデータを扱っていても、知りたい答えの形によって使うべき手法が変わる点に注意が必要です。
「ロジスティック回帰」という手法は名前に「回帰」とついていますが、実際には分類（YesかNoかを予測する）タスクに使われる手法です。確率を連続値として内部的に計算する過程があることが名前の由来ですが、最終的な出力はカテゴリの判定であるため、分類の一種として扱われます。
📚 用語解説
ロジスティック回帰：名前に「回帰」を含むが、実際には分類タスクに使われる機械学習の手法。入力データから「あるカテゴリに属する確率」を0〜1の連続値として計算したうえで、一定の基準値（閾値）を超えるかどうかでカテゴリを判定する。与信審査の可否判定など、2値分類の代表的な手法として広く使われている。
2-1. 「同じデータ」でも問いの立て方で使う手法が変わる
同じ顧客データを使う場合でも、「この顧客が来月いくら購入するか」を知りたいなら回帰分析、「この顧客が来月解約するかどうか」を知りたいなら分類、というように問いの立て方によって使うべき手法がまったく変わります。実務でありがちな失敗は、この問いを曖昧にしたまま分析を依頼してしまい、後になって「欲しかった答えと違う形式の結果が出てきた」というすれ違いが起きることです。
代表菅澤
03 MAIN METHODS 回帰分析の主な種類・手法 単回帰・重回帰・非線形回帰・正則化手法まで
回帰分析には、データの性質に応じて使い分けるべき複数の手法があります。代表的なものを整理します。
| 手法 | 特徴 | 向いているデータ |
|---|---|---|
| 単回帰分析 | 独立変数が1つだけのシンプルな回帰 | 要因が1つに絞れる単純な関係 |
| 重回帰分析 | 複数の独立変数を組み合わせて予測 | 複数要因が絡む実務データ全般 |
| 非線形回帰 | 直線ではなく曲線的な関係を表現 | 売上の逓減・逓増など非直線的な傾向 |
| 分位点回帰 | 平均ではなく特定の分位点（中央値等）を予測 | 外れ値の影響を受けやすいデータ |
| リッジ回帰・ラッソ回帰 | 正則化により過学習・多重共線性を抑制 | 独立変数同士の相関が強いデータ |
3-1. 単回帰分析：最もシンプルな出発点
単回帰分析は、1つの独立変数から1つの従属変数を予測する、最もシンプルな回帰の形です。「広告費」から「来店客数」を予測するような、要因を1つに絞れる場合に使われます。多くの場合、データを直線（一次関数）で近似し、実際のデータ点と予測直線との誤差（残差）の二乗和が最小になるように直線を引く「最小二乗法」という方法で係数を求めます。
📚 用語解説
最小二乗法：回帰分析で、予測値と実際の値との差（残差）を二乗した合計値が最小になるように、回帰式の係数を求める計算手法。線形回帰における最も基本的なパラメータ推定方法で、多くの統計ソフト・機械学習ライブラリで標準的に採用されている。
3-2. 重回帰分析：実務データの多くはこちら
実際のビジネスデータでは、結果に影響する要因が1つだけということは稀です。売上であれば「広告費」だけでなく「客単価」「競合店の有無」「季節要因」など複数の要因が絡み合っています。複数の独立変数を同時に扱える重回帰分析は、こうした実務データの分析における標準的な選択肢です。
📚 用語解説
多重共線性：重回帰分析において、独立変数同士が強く相関している状態のこと。例えば「広告費」と「SNS投稿数」が常に連動して増減する場合、どちらが本当に売上に効いているのかをモデルが正しく切り分けられなくなり、係数の推定が不安定になる。第6章で解説するチェックポイントの一つ。
3-3. 非線形回帰・分位点回帰：直線では表せない関係を扱う
データによっては、「広告費を増やすほど効果が徐々に頭打ちになる」といった、直線では表現できない関係が存在します。このような場合は非線形回帰を使い、曲線的な関係式をデータに当てはめます。また、平均的な傾向ではなく「上位10%の顧客はどんな傾向か」のように、特定の分位点に注目したい場合は分位点回帰が使われます。分位点回帰は、極端に大きい・小さいデータ（外れ値）の影響を受けにくいという特徴もあります。
3-4. リッジ回帰・ラッソ回帰：正則化で安定性を高める
独立変数の数が多い、あるいは独立変数同士の相関が強い（多重共線性がある）場合、通常の重回帰分析では係数の推定が不安定になることがあります。この問題に対処するのがリッジ回帰・ラッソ回帰といった正則化手法です。係数が極端に大きくなりすぎないよう制約（ペナルティ）を加えることで、予測の安定性を高めます。ラッソ回帰は、影響の小さい変数の係数をゼロにすることで、重要な変数を自動的に絞り込む効果も持っています。
📚 用語解説
正則化（リッジ回帰・ラッソ回帰）：回帰モデルの係数が過度に大きくなることを抑える制約を学習過程に加える手法。リッジ回帰は係数の二乗の合計にペナルティを課し、ラッソ回帰は係数の絶対値の合計にペナルティを課す。ラッソ回帰は影響の小さい変数の係数をゼロにできるため、重要な変数の絞り込み（変数選択）にも使われる。
AI鬼管理山崎
要因が1つの
シンプルな関係
複数要因が
絡む実務データ
曲線的な関係や
外れ値への対処
正則化で
安定性を確保
04 HOW TO READ RESULTS 回帰分析結果の見方と評価指標 「精度が高い」をどう数値で判断するか
回帰分析の結果を正しく読み解くには、いくつかの評価指標を理解しておく必要があります。
| 指標 | 意味 | 見方のポイント |
|---|---|---|
| 決定係数（R²） | モデルがデータのばらつきをどれだけ説明できているか（0〜1） | 1に近いほど当てはまりが良いが、1に近すぎる場合は過学習を疑う |
| RMSE（二乗平均平方根誤差） | 予測値と実際の値のズレの大きさ（元の単位と同じ） | 小さいほど誤差が少ない。予測対象の単位で解釈できる |
| MAE（平均絶対誤差） | 予測誤差の絶対値の平均 | RMSEより外れ値の影響を受けにくい |
📚 用語解説
決定係数（R²）：回帰モデルが、実際のデータのばらつきのうちどれくらいの割合を説明できているかを示す指標。0〜1の値を取り、1に近いほどモデルの当てはまりが良いとされる。ただし極端に1に近い場合は、後述する過学習が起きている可能性も疑う必要がある。
特に注意したいのは、「R²が高い＝良いモデル」と単純に判断してはいけないという点です。学習に使ったデータに対してR²が異常に高い一方、未知のデータに対する予測精度が低い場合、それは「過学習（学習データに寄りすぎている状態）」のサインである可能性があります。必ず学習に使っていない検証用データでも評価することが重要です。
4-1. RMSEとMAE、どちらを重視すべきか
RMSE（二乗平均平方根誤差）は、大きな誤差により重いペナルティを与える性質があるため、「一度の大きな予測ミスが業務上致命的になる」場面で重視されます。一方MAE（平均絶対誤差）は誤差を均等に評価するため、外れ値の影響を抑えて全体的な傾向を見たい場面に向いています。両方を併記して報告すると、予測誤差の性質をより立体的に把握できます。
| 指標 | 大きな誤差への感度 | 向いている場面 |
|---|---|---|
| RMSE | 高い（誤差を二乗するため大きな誤差を強く反映） | 一度の大きな外れが致命的な予測（在庫欠品・資金繰り等） |
| MAE | 低い（誤差をそのまま平均するため均等に評価） | 全体的な傾向・平均的な精度を把握したい場面 |
回帰分析の結果を社内資料にまとめる際は、「予測値」だけでなく「R²」「RMSE（またはMAE）」「検証データでの精度」の3点をセットで記載する習慣をつけると、意思決定者が結果の信頼度を正しく判断できます。
05 BY INDUSTRY ビジネスにおける回帰分析の活用事例 業界を問わず「数値予測」のニーズがあるところに使われる
回帰分析は、業界を問わず「将来の数値を予測したい」というニーズがある場所であれば、幅広く活用されています。
| 業界 | 活用パターン | 予測する数値の例 |
|---|---|---|
| 小売業 | 需要予測・売上予測 | 来月の商品別販売数、季節ごとの売上 |
| 製造業 | 生産効率・品質管理 | 不良品発生率、設備の稼働効率 |
| 金融業 | リスク評価・価格予測 | 株価・為替の傾向、貸し倒れリスクの度合い |
| ヘルスケア | 健康リスクの予測支援 | 生活習慣データからの疾患リスクの傾向 |
| 交通・物流 | 配送計画の最適化 | 配送にかかる時間、必要な車両台数 |
| 不動産 | 物件価格の査定支援 | エリア・築年数・広さからの想定価格 |
| エネルギー | 需要予測 | 気温・季節に応じた電力需要 |
| 農業 | 収量予測 | 天候データからの作物収穫量 |
「毎月/毎週、勘と経験で数字を見積もっている業務」があれば、それは回帰分析の候補です。売上見込み、必要な人員数、在庫の発注量など、日常的に「なんとなくの予測」で意思決定している業務を洗い出してみてください。
代表菅澤
5-1. 業界によって「重視される指標」も変わる
興味深いのは、業界によって回帰分析で重視される観点が異なる点です。小売業では「季節変動をどれだけ正確に捉えられるか」、金融業では「予測の外れ方が損失にどう直結するか」、製造業では「わずかな予測誤差が歩留まりにどう影響するか」というように、同じ回帰分析でも業界特有の"何を重視すべきか"という視点が存在します。他業界の事例をそのまま持ち込むのではなく、自社の業界特性に照らして評価基準を調整することが重要です。
「小売業でこの手法が効果的だった」という事例を、そのまま金融業や製造業に当てはめようとすると、重視すべき評価指標のズレによって期待した効果が出ないことがあります。事例は「考え方の参考」として捉え、自社データでの検証を必ず行ってください。
06 CHECKPOINTS 実践時に見落としやすいチェックポイント 過学習・多重共線性・外れ値への対処
回帰分析を実務に取り入れる際、見落とされがちな3つのチェックポイントを紹介します。
6-1. 過学習：学習データにだけ強いモデルにご用心
前章で触れた通り、学習データに対する精度だけを見て「良いモデルができた」と判断するのは危険です。学習に使っていない新しいデータでも同程度の精度が出るかを必ず確認してください。
6-2. 多重共線性：独立変数同士の相関を確認する
重回帰分析で複数の独立変数を使う場合、変数同士が強く相関していないかを事前に確認する必要があります。多重共線性が強いと、係数の解釈が不安定になり、「本当は効いていない変数が効いているように見える」といった誤った結論を導くリスクがあります。
6-3. 外れ値：異常な数値がモデル全体を歪めていないか
一部の異常に大きい・小さいデータ（外れ値）が混ざっていると、回帰式の傾きが不自然に引っ張られてしまうことがあります。分析前にデータの分布を確認し、明らかな入力ミスや特殊事例が混入していないかをチェックすることが、精度の高い分析の前提条件です。
回帰分析はコードを実行すれば必ず何らかの数式・数値を出力します。しかし、上記のチェックを怠ると、実務では使えない不正確な予測を信じてしまうリスクがあります。「数字が出た」ことと「その数字が信頼できる」ことは別問題だと心得てください。
6-4. データの「量」より「質」が精度を左右する
回帰分析というと「データが多ければ多いほど良い」というイメージを持たれがちですが、実際には入力ミス・欠損値・単位のばらつきが混在した大量データより、整理された少量データの方が高精度な予測につながることも珍しくありません。分析に着手する前に、まずデータの整理状態を確認する工程を省略しないことが、結果的に近道になります。
📚 用語解説
欠損値：データの一部が記録されていない、空欄になっている状態のこと。回帰分析では欠損値をそのまま放置すると計算エラーになったり、誤った学習をしてしまったりするため、欠損値を補完する（平均値で埋める等）か、該当データを除外するといった事前処理が必要になる。
07 NO-CODE REGRESSION 【独自】非エンジニアがコードなしで回帰分析を使う方法 Claude Codeに「予測して」と頼むだけの世界
ここまで紹介してきた回帰分析の手法・注意点は、実はPythonのコードを1行も書かなくても、Claude Codeのようなエージェント型AIに任せることができます。
7-1. 「このデータから来月の数字を予測して」で始まる分析
手元のExcelデータをClaude Codeに渡し、「このデータから来月の売上を予測して」と依頼するだけで、AIが自律的にデータの性質を判断し、適切な回帰手法（単回帰か重回帰か、正則化が必要かなど）を選んでコードを実行し、結果を分かりやすく報告してくれます。
Excelファイルを
共有するだけ
「何を予測したいか」
を日本語で指示
手法選定〜精度検証
まで自律的に実行
人間が最終的な
妥当性を判断
7-2. 第6章のチェックポイントもAIに確認させられる
「このモデルは過学習していないか、検証データで確認して」「独立変数同士の相関を確認して、多重共線性がないかチェックして」といった、専門的なチェック項目についても、そのまま日本語で依頼すれば実行してもらえます。専門用語を知らなくても、この記事で紹介したチェック項目をそのまま指示文として使えるのが、エージェント型AIの実務的な価値です。
AI鬼管理山崎
7-3. 「予測が外れたとき」の振り返りもAIと一緒に行う
回帰分析は一度作って終わりではなく、予測と実績の差を継続的に振り返り、モデルを更新していく運用が本来は必要です。「先月予測した数字と、実際の結果を比較して、ズレの原因を分析して」とClaude Codeに依頼すれば、この振り返り作業自体も継続的に代行してもらえます。人間が行うべきは、コードを書くことではなく、「振り返りのサイクルを止めないこと」に変わってきています。
来月の数字を
AIが予測
実際の結果との
ズレを確認
ズレの要因を
AIが分析
次月の予測に
反映
回帰分析は「1回作って終わり」ではなく、毎月・毎週のサイクルで予測と実績を照らし合わせる運用に乗せることで真価を発揮します。最初から完璧な精度を求めず、まずは3ヶ月程度の振り返りサイクルを回してみることをおすすめします。
08 GENAI CASE STUDY 【独自データ】GENAI社内での回帰分析の使いどころ 広告運用・経理での予測業務の実例
弊社（株式会社GENAI）では、Claude Max 20xプラン（月額$200・約30,000円）を全社契約し、回帰分析的な予測業務もClaude Codeに任せています。
| 業務領域 | 回帰分析的な使い方 | 概算削減時間 |
|---|---|---|
| 広告運用 | 過去の配信データから来月のCPA・必要予算を予測 | 週10時間 → 週1時間 |
| 営業 | 商談件数・成約率の傾向から翌月の見込み数を予測 | 週20時間 → 週2時間 |
| 経理 | 月次の費用推移から翌月の支出見込みを予測 | 月40時間 → 月5時間 |
上記は弊社の肌感ベースの数値であり、業種・業態・担当者のスキルによって削減時間は変動します。あくまで「回帰分析的な予測業務をどこまでAIに任せられるか」の参考情報としてご覧ください。
弊社には統計の専門家は在籍していませんが、「何を予測したいか」を明確に言語化する力さえあれば、手法選定から実装、精度検証までをClaude Codeに任せられることが分かっています。
代表菅澤
8-1. 「毎月の振り返り」を業務フローに組み込んだ効果
弊社の広告運用チームでは、毎月初めに「先月の予測CPAと実績CPAの差」をClaude Codeに分析させ、その結果を翌月の予算配分の判断材料にしています。この振り返りサイクルを継続することで、予測モデル自体の精度が運用開始時よりも徐々に安定してきているという実感があります。回帰分析は一度作って終わりではなく、育てていくものだという認識が、社内に根付いてきました。
09 CONCLUSION まとめ 「予測する」という経営行為をデータと数式に置き換える
この記事では、回帰分析の基本的な考え方、分類との違い、主要な手法、評価指標、業界別の活用事例、実践時のチェックポイント、そして非エンジニアがコードなしで回帰分析を活用する方法までを整理しました。最後にポイントを振り返ります。
最も重要なメッセージをお伝えします。回帰分析の数式や手法名を暗記することよりも、「自社のどの"勘と経験"による予測を、データに基づく予測に置き換えられるか」を見つけることの方が重要です。その第一歩を踏み出すのに、専門知識は必須ではなくなっています。
回帰分析という技術自体は数十年前から存在するものですが、それを使いこなすためのハードルは、AIエージェントの登場によってこの数年で劇的に下がりました。「難しそうだから」という理由だけで検討を止めていた予測業務がないか、この記事を機に一度棚卸ししてみることをおすすめします。
代表菅澤
「勘と経験」による予測を、データに基づく予測へ。AI鬼管理が設計します
専門の統計家がいなくても、回帰分析的な予測業務は既存AIで十分カバーできます。
弊社の実運用ノウハウをベースに、個別にご相談を承ります。
AI鬼管理山崎
NEXT STEP
この記事の内容を、あなたのビジネスで
実践してみませんか？
AI活用を自社で回せるようになりたい方へ
AI鬼管理
Claude Code・Cowork導入支援から業務設計・社内浸透まで実践ベースで伴走。「自社で回せる組織」を90日で作る経営者向けトレーニング。
よくある質問
Q. 回帰分析と分類、どちらを使うべきか迷ったときの判断基準は？
A. 知りたい答えが「金額・個数・確率」のような連続した数値であれば回帰分析、「Yes/No」「A/B/C」のようなカテゴリであれば分類を選びます。この基準に立ち返れば、多くの場合迷わず判断できます。
Q. ロジスティック回帰は回帰分析の一種ですか？
A. 名前には「回帰」とついていますが、最終的な出力はカテゴリ（Yes/No等）を判定する分類タスクに使われる手法です。内部で確率を連続値として計算する過程があることが名前の由来ですが、分類の一種として扱われます。
Q. 重回帰分析で独立変数はいくつまで使えますか？
A. 理論上は多数の独立変数を扱えますが、変数が増えるほど多重共線性のリスクや過学習のリスクが高まります。まずは影響が大きいと想定される少数の変数から始め、必要に応じてリッジ回帰・ラッソ回帰で調整する進め方が現実的です。
Q. R²が低い場合、そのモデルは使えないということですか？
A. 一概には言えません。R²が低くても、ビジネス上重要な傾向（例えば「ある要因が結果に統計的に影響している」という事実）が確認できれば、意思決定の参考情報として一定の価値があります。ただし精度の高い予測を求める用途では、他の手法や追加データの検討が必要です。
Q. 統計の専門知識がなくても回帰分析を業務に取り入れられますか？
A. 取り入れられます。Claude Codeのようなエージェント型AIに「このデータから◯◯を予測して」と日本語で依頼すれば、手法選定から実装、精度検証までを代行してもらえます。専門用語を知らなくても、この記事で紹介したチェック項目をそのまま指示文として使えます。
Q. 回帰分析の結果を社内で説明するとき、何に注意すべきですか？
A. R²やRMSEといった専門用語をそのまま使うのではなく、「予測が実際の数字とどれくらいズレる可能性があるか」を業務の単位（円・件数など）に置き換えて説明すると、非専門家にも伝わりやすくなります。
Q. 回帰分析はどのくらいの頻度で見直す（再学習する）べきですか？
A. 業務の変化スピードによりますが、月次で数字を追う業務であれば毎月、季節性が強い業務であれば四半期ごとなど、実績との比較サイクルを決めて定期的に見直すことをおすすめします。予測と実績のズレが大きくなってきたタイミングも、見直しのサインです。
Claude Codeで業務自動化を90日で叩き込む
経営者向けの伴走型パーソナルトレーニング
AI鬼管理へのお問い合わせ
この記事を読んで気になった方へ。
AI鬼管理の専門スタッフが、御社に最適な
業務自動化プランを無料でご提案します。
- AI業務自動化サービス「AI鬼管理」を運営 — Claude Code を活用し、経営者の業務を「AIエージェントに任せる仕組み」へ転換するパーソナルトレーニングを 伴走構築 で提供。日報・採用・問い合わせ対応・経費精算・議事録・データ集計・営業リスト等の定型業務を、AIに代行させる体制を経営者と一緒に作り込む
- Claude Code 実装ノウハウを 経営者・法人クライアント に直接指導。生成AIを「便利ツール」ではなく 「業務を任せる存在」 として運用する手法を体系化
- 「やらせ切る管理」メソッドの開発者。シンゲキ株式会社（2021年設立・鬼管理専門塾運営）にて累計3,000名以上の学習者を志望校合格に導いた管理メソッドを、AI × 経営者支援 に転用
- 著書『3カ月で志望大学に合格できる鬼管理』(幻冬舎)、『親の過干渉こそ、最強の大学受験対策である。』(講談社)
- メディア出演: REAL VALUE / カンニング竹山のイチバン研究所 / ええじゃないかBiz 他
- 明治大学政治経済学部卒
