継続的改善のための IR/IE セミナー 2018 [ セッション 3]IR 初級人材育成研修セッション 講義 2: データマネジメントと分析 鳥取大学 大学評価室学長室 IRセクション学長特別補佐 (IR 担当 ) 大野賢一

継続的改善のためのIR/IEセミナー2018

［セッション３］IR初級人材育成研修セッション

講義２：

データマネジメントと分析

鳥取大学 大学評価室

学長室IRセクション 学長特別補佐（IR担当）

大野 賢一

本日の内容



IRにおけるデータ分析とは



データマネジメントとは



データの特定



分析前のデータ準備

2

IRとは何か（現場での実感）



IR業務とは（嶌田ほか、2014）

①

必要な時に、必要な情報を、必要とする依頼者に提供する業務

②

そのための

データの情報への変換

業務（調査・分析をデザインする

業務も含まれる）



IRオフィスとは（藤原・大野, 2015）

「IR業務をより効果的、効率的に行う部署」

Data

= something given = 自然に得られる事実

Information

= informの名詞 = into + formすること = 判断を形成するために提供される事実

（参考） Intelligence = intelligent (=understanding) の名詞= inter + choose = 選択肢の間の選択をする

意思決定や判断、改善を図る依頼者への情報提供

（改善はAdministratorの仕事）

データはどうする？



分析に必要なデータは、どこにあり、どうやって集める？



データの定義や内容は、本当に合っている？



データの誤記やエラーは、どのような手順で修正する？



分析に足りないデータは、新規に集める？



一旦収集したデータは、どのように蓄積・維持する？



収集したデータのセキュリティ対策は？ など

組織としての「データマネジメント」が重要！

4

ビジネスデータ分析プロジェクトにおける

ライフサイクル

（出典：David（2017）８ページ（図1.3）を基に作成）

データ分析

詳細な

データ分析

ビジネスプロセス

への取込

メンテナンス

データの

特定

技術面の

検討

相関などの

検討

モデリング

テスト

結果の妥当性

評価

分析の目的

を決める

5

分析の目的（ビジネス課題の具体例）



既存顧客のロスを

３パーセント下げる



新規顧客が契約書にサインする割合を

２パーセント上げる



テレビの視聴占拠率を

70パーセントの確率

で予測する



どのクライアントが新製品に契約するか

75パーセントの精

度

で予測する



クライアントと製品の

新しいカテゴリを見つける



新しい顧客の

セグメンテーションモデルを生み出す

（出典：David（2017）９ページを基に作成）

6

データマネジメントとは

文字通り

データを管理すること

です。

もう少し細かく言えば、

データを登録・更新・活

用する業務

を指しますが、こういった業務を遂

行するために必要な、

データを蓄積しておく仕

組みの構築や維持、データ構造の可視化や

データの意味管理、責任体制の確立

、なども

データマネジメントに含まれます。

■株式会社データ総研 「データマネジメントとは何か」（2012/08/28）

7

データマネジメントの「対象」とは

１ アプリケーションデータ

１．１ 構造化データ

１．１．１ リソースデータ

１．１．２ イベントデータ

１．１．３ 集計系データ

１．２ 非構造化データ

２ メタデータ

■株式会社データ総研 「データマネジメントとは何か」（2012/08/28）

※「列」と「行」の概念のあるデータ

（CSVファイル、Excelファイル等）

※規則性があるデータもある

（XMLファイル等）

8

データマネジメントの「活動」とは

１ 戦略策定・計画（データアーキテクチャ）

２ データの設計

３ データを蓄積する仕組みの構築・維持

４ データの利用（データ品質の向上、

セキュリティ管理も含む）

■株式会社データ総研 「データマネジメントとは何か」（2012/08/28）

9

データマネジメントの実践事例（明治大学）

10

IR業務の推進に大切なこと



IRの基本的業務

要求された課題に沿って，収集したデータ（データベースなど）を

意味ある情報に変換する（分析する）こと



大切なこと

学内の各部門との連携，コミュニケーションを図ること



各部門と共通のデータ（合意された

定義のデータ）を使えること

→

①全学統合型データベース



データの見方や使い方を提案できる

こと

→

②ファクトブック



学内の抱えている課題や，学内

データの使われ方を理解すること

→

③学部等ヒアリング

１ 戦略策定・計画（データアーキテクチャ）

２ データの設計

11

A. 定型資料

・大学基礎データ ・学校基本調査 ・事業報告書 等

B.非定型の利用

・年度計画立案 ・カリキュラム検討 ・入試制度検討 ・学修成果の把握 ・点検・評価 ・各種調査，申請等

①基幹データベース

②

Excelデータ

○各種データベース

○各種マスタ

（例）

・教務システム

・人事システム

C. 学内業務利用

①生成・記録

②蓄積・共有

③利活用

③ 文字データ

各部署が業務

利用するExcel

等

・各種ガイド ・会議資料 等

ガイド・ＨＰで数値が異なる。

依頼に応じて類似したデータが作成され，公式の 統計資料が不明。情報公開上，課題

学部の数字が全学で分からない・・

紙やOffice等の独自管理でデータの属人化が進み，全 学の集計しにくい。

留学生数もいろいろ・・

必要時にデータ提供（集計）を各部門に依頼する ため，その時によって定義が異なり，不揃いになる。

教員数=助手が含まれたり，

特任教員が抜かれたり・・

手作業で作成し，集計部署も手作業のため， 集計基準が属人的で不正確になりがち。

データが遺失しても分らない？

個人管理が多く，データリストもない。全学的データの責 任者が不明瞭で，運用ルールも不明瞭。

①-1 統合型データベース～共通の言語を持つ

１ 戦略策定・計画（データアーキテクチャ）

２ データの設計

12

①-2 定義を整理する～対話と合意の蓄積

データ定義表項目

・分析レポート名称

・データ取得元

・取得データの詳細

・データ基準日

・データ取得日

・分析軸

・分析軸定義

・分析軸詳細

・備考

（定義の具体例など）

№ タイトル データ取得元 取得データ 取得データ詳細 基準日・取得日 分析軸 分析軸定義 分析軸詳細 備考 1 . 1 ①学生比率（男女構成比率） 基幹データ 学生数 在籍学生数を「性別」「文 系/理系」「所属キャンパ ス」「所属課程」ごとに分析 2015年5月1日 性別 学籍データ：性別 ②学生比率 （学部、研究科文理比率） 文系学部・研究科/理系学 部・研究科 ＩＲ：文理マスタ 文系学部：法，商， 政，文，営，情，国 文系研究科：法， 商 政 営 文 文系学部：法，商，政，文，営，情，国 文系研究科：法，商，政，営，文，情，教 デ，国，ＧＧ，専門職 系学部 農 総数 ③学生比率 （キャンパス比率） 所属キャンパス 学籍データ：所属キャンパス ④学生比率 （学位課程比率） 設置別 ＩＲ：設置マスタ 学部/博士前期課程/博士後期課程/専門 職大学院を区分 1 . 2 男女別学生数5か年推移 基幹データ※ 学生数 在籍学生数を「性別」で集 計 各年5月1日 性別 学籍データ：性別 ※　教務事務室所管「学生数集計表」過去5年分 1 . 3 男女別学生数比率 　[主要１２大学比較］ 私立大学連盟加盟校データライブラリ 学生数 他大学と在学生の「男女別割合」で比較 2014年5月1日 性別 － 私大連：平成26（2014）年度学生・教職員数調査 Ⅱ-１　学部別学生実員数 1 . 4 外国人留学生数 　［主要１２大学比較］ 私立大学連盟加盟校データライブラリ 大学別課程別留学生数 留学生を「課程別」に総計を示す。 留学生の定義はJASSOの 定義 準ず 2014年5月1日 留学生種別 留学生種別は私大連 の種別と同定義。 私大連：平成26（2014）年度国際教育・交流調査 「外国人留学生受入数 ＜大学別＞受 入れ留学生数」 1 . 5 出身地域別・外国人留学生数・比率 基幹データ 学生数（留学生 数） 留学生管理システムにおいて「留学生管理フラグ」＝ 「１」の学生。 2015年9月25日 出身地域 学籍データ：国籍 ＩＲ：地域マスタ 「地域マスタ」は学籍データの「国籍情報」を 「地域」に関連付けるも の。 「留学生」＝査証が「留学」の者。外国籍でも査 証が「留学」以外の場合はカウントしない。 1 . 6 外国人留学生の状況 1　外国人留学生数推移 2　2015年度国籍別留学生人数と割合 　（上位10か国） 2014年度明治大学 データ集 学生数（留学生数） 留学生を「国籍別」で集計 2015年5月1日 出身国及び派遣先国 【受入れ】学籍データ：国籍 【送出し】送出し学生 データ：「派遣国」情 大学データ表19 外国人留学生の受入れ状況 1 . 7 海外派遣学生の状況 1　海外派遣学生数推移 2　2014年度派遣国先別人数と割合 　　（上位10か国） 　部署データ 海外派遣学生数 2014年度海外留学をし たり､海外派遣プログラムに 参加した学生数 2015年5月1日 １　大学データ表20 　　海外派遣学生数 ２　データ管理部署：国際連携事務部 2 . 1 志願者の推移（過去５か年） 1　志願者数と志願倍率の推移 2　18歳人口と大学進学率の推移 １　2014年度明治大 学データ集 ２　学校基本調査 学部・学科，大学 院研究科，専門職 大学院の入学定員 と志願者数 - 2015年5月1日 志願倍率＝志 願者数÷学科 専攻の入学定 員 － １　大学基礎データ表３ 　　学部・学科，大学院研究科，専門職大学 院の志願者・合格者・入学者の推移 ２　学校基本調査（2015年度） 　　 2 . 2 一般入試における入学者に対する志願倍率と 入学率の経年推移（過去3か年）［主要8大 学比較］ 私立大学連盟加盟校 データライブラリ 各大学の一般入試（一般・センター利 用・全学部）におけ る志願者数、合格 者数、入学者数 入学者に対する志願倍率 ＝志願者数÷入学者数 入学率＝入学者数÷合 格者数 2012年度～2014年度 入学率＝入学 者数÷合格者 数 －

３ データを蓄積する仕組みの構築・維持

13

※ データを抽出(extract)し、利用しやすく変換・加工(transform)し、 対象となるデータベースに出力する(load)作業のこと 教学システム 基幹システム 各種ローカル ファイル ＤＳＡ （データ整理） ＤＷＨ (データ・ウェアハウス) データマート アウトプット

基幹ＤＢに蓄積

ETL処理１ (※) ETL処理２ SQL Server （SSAS）

SQL Server _{SQL Server（SSRS）}Share Point Server File Server ETL処理１ (※)

ＩＲ部門 ⇒ 各部門

ＩＲサーバーでのデータ変換

各部門の業務

①-3 統合型データベース～部署の解釈を不要にする

入試統計 教室割 参加者数・・・ 学籍処理 履修成績処理 教員人事・・・

各部門の業務

４ データの利用（データ品質の向上、

セキュリティ管理も含む）

14

①-4 学生番号の暗号化とIRの役割

業務システム

入力

各部署の

通常業務

蓄積

基幹ＤＢに

あるデータ

抜出し

学生番号

の暗号化

ＤＷＨ

ＤＭ

分析RDB

出力

Excel

(PowerPivot)

ＩＲデータベース

蓄積時：個別情報

出力時：統計情報

明治大学の場合

（統合型データベースがある場合）

15

理想と現実



各部門へのデータ提供の依頼



データ定義の調整，確認



データベースの構築，保守，運用



データ内容の精査



データベースからのデータ作成とデータ分析



分析結果の報告（分析レポート）

IRはここ！

鳥取大学の場合

（統合型データベースがない場合）

「鳥取大学データカタログ」を試行予定



データカタログの定義

いつどの部署で、どのようなフォーマットでデータを作成しているのかを

まとめたもの（嶌田ほか、2015）



目的

学内におけるデータ（情報）の「所在把握」と「定義の統一」を行う



収録対象

学校基本調査、大学ポートレート、大学情報データベース

※

_等の

既に学外に提供されたデータ（集計値）

※大学改革支援・学位授与機構が国立大学法人向けに実施

16

※サンプルについては当日画面表示のみ

データマネジメントの「活動」×

IR部門

×

IT部門

１

戦略策定・計画（データアーキテクチャ）

２

データの設計

３

データを蓄積する仕組みの構築・維持

４

データの利用

（

データ品質の向上

、

セキュリティ管理も含む

）

■株式会社データ総研 「データマネジメントとは何か」（2012/08/28）

17

ビジネスデータ分析プロジェクトにおける

ライフサイクル（再掲）

（出典：David（2017）８ページ（図1.3）を基に作成）

データ分析

詳細な

データ分析

ビジネスプロセス

への取込

メンテナンス

データの

特定

技術面の

検討

相関などの

検討

モデリング

テスト

結果の妥当性

評価

分析の目的

を決める

分析前の

データ準備

（処理）

データ分析

18

データの特定（データの種類）

意味

例

質的

データ

名義尺度 名義的に数値化を行う尺度

（区分するだけのデータ）

性別

血液型

順序尺度 順序に意味がある尺度

（数値自体に意味はなく、大小に意味があるデータ）

成績

職位

量的

データ

間隔尺度 数値の間隔に意味がある尺度

（上の尺度に加え、数値の和や差の計算はできるが、

数値の比には意味がないデータ）

得点

年齢

比率尺度 数値の和や差ととも、数値の比にも意味がある尺度

（上の尺度に加え、値が０になる点が一義的に決まっ

ているデータ）

人数

速度

（出典：涌井良幸・涌井貞美（2010）17～18ページを基に作成）

19

データの特定（データの種類）

Excel

®

_の場合

（セルの書式設定：分類）

Access

®

_の場合

（デザインビュー：データ型）

－

Yes/No型

（True/False、Yes/No、On/Off）

文字列

短いテキスト［テキスト］

長いテキスト［メモ］

数値

数値型

（バイト型、整数型、長整数型、単精度浮動小数点型等）

大きい数値

（通貨、数値、ユーロ等）

通貨

通貨型

（通貨、数値、ユーロ等）

日付

時刻

日付／時刻型

（日付、時刻）

20

データの特定（可視化）

グラフの種類

説明

棒グラフ

棒の高さで、量の大小を比較する。

折れ線グラフ

量が増えているか減っているか、変化の方向をみる。

円グラフ

全体の中での構成比をみる。

帯グラフ

構成比を比較する。

ヒストグラム

データの散らばり具合をみる。

レーダーチャート 複数の指標をまとめてみる。

散布図

2種類のデータの相関をみる。

箱ひげ図

データの散らばり具合をみる。

■なるほど統計学園－統計をグラフにあらわそう（種類と特徴）

21

【参考】

棒グラフ

22

どんなときに使うの？



棒グラフは、縦軸にデータ量をとり、棒の高さでデータの大小を表したグラフで

す。



データの大小が、棒の高低で表されるので、データの大小を比較するのに適

しています。

■なるほど統計学園－統計をグラフにあらわそう（種類と特徴）

【参考】

折れ線グラフ

23

どんなときに使うの？



折れ線グラフは、横軸に年や月といった時間を、縦軸にデータ量をとり、それ

ぞれのデータを折れ線で結んだグラフです。



線が右上がりならその期間はデータが増加（上昇）、右下がりならデータが

減少（下降）していることになるので、データの増減を見るのに適しています。

■なるほど統計学園－統計をグラフにあらわそう（種類と特徴）

【参考】

円グラフ

24

どんなときに使うの？



円グラフは、円を全体として、その中に占める構成比を扇形で表したグラフで

す。



扇形の面積により構成比の大小がわかるので、構成比を示すのに使われま

す。

■なるほど統計学園－統計をグラフにあらわそう（種類と特徴）

【参考】

帯グラフ

25

どんなときに使うの？



帯グラフは、長さをそろえた棒を並べ、それぞれの棒の中に構成比を示すこと

によって、構成比の比較をするためのグラフです。

■なるほど統計学園－統計をグラフにあらわそう（種類と特徴）

【参考】

ヒストグラム

26

どんなときに使うの？



ヒストグラムは、データの散らばり具合をみるのに使われます。



横軸にデータの階級を、縦軸にその階級に含まれるデータの数（人数、個

数など）をとって棒グラフで表します。

■なるほど統計学園－統計をグラフにあらわそう（種類と特徴）

【参考】

レーダーチャート

27

どんなときに使うの？



レーダーチャートは、複数のデータ（指標）を一つのグラフに表示することによ

り、全体の傾向をつかむのに用いられるグラフです。



円を、データの項目数に応じて中心から放射状に線を引き、それぞれの線上

に、データを表示します。そしてそれらを線で結んで、その形状を見ます。

■なるほど統計学園－統計をグラフにあらわそう（種類と特徴）

【参考】

散布図

28

どんなときに使うの？



散布図は、縦軸と横軸にそれぞれ別の量をとり、データがあてはまるところに

点を打って示す（「プロットする」といいます。）グラフです。



2つの量に関係があるかどうかをみるのに使います。

■なるほど統計学園－統計をグラフにあらわそう（種類と特徴）

【参考】

箱ひげ図

29

どんなときに使うの？



データのばらつき具合を比較するのに用います。



1つのデータのばらつきを見るだけでしたらヒストグラムでも見られますが、ヒスト

グラムでは異なる複数のデータのばらつきを比較することは困難です。



そのような場合、箱ひげ図により比較することができます。

箱ひげ図の説明



ひげの一番上が

最大値



上部の辺が第3四分位数

（

75％値

）



真ん中の線が第2四分位数

（

中央値

）



箱の下部の辺が第１四分位数

（

25％値

）



ひげの一番下が

最小値

■なるほど統計学園－統計をグラフにあらわそう（種類と特徴）

（補足）箱ひげ図はいくつか種類がある

30

ひげの上下端が最大値・最小値

となる箱ひげ図

ひげの長さを四分位範囲（IQR）の

1.5倍を上下限とする箱ひげ図

外れ値（ Outlier ）とは，データ分布において、他の観測値から大きく外れた値のこと。

外れ値の存在は、データ解釈を難しくする場合があります。1.5IQRの箱ひげ図は、外れ値

の影響を排除するためのものです。左右は共に同じデータを示した箱ひげ図ですが、印象が

異なると思います。

データの特定（外れ値）

■外れ値（異常値）とは

データ全体の傾向から大きく外れた値のこと。

データ欠損またはデータ処理ミスによるエラー値（異常値）も含まれる。

■外れ値（異常値）への対応



データの分布を可視化してチェック（ヒストグラム、散布図、箱ひげ図等）



エラー値（異常値）の場合は、

必ず削除または修正

する。



外れ値の場合は、

分析の目的に応じて

、削除の有無等について判断する。

31

【問題】統計データとヒストグラム

~平均値について考える

Ａ学科入試委員会では，入試形態（入試方式）の見直

しをすることになりました。

32

入試形態

入学者数

初年次ＧＰＡ平均

XX入試

481名

2.3

YY入試

477名

2.5

ZZ入試

542名

2.4

Ａ学科入試形態別 初年次ＧＰＡ平均（XX年度）

ここから、どのような事実，また特徴が読み取れますか？

データの特定（傾向）

33

データの整理

データの可視化

度数分布表や統計表の作成

グラフの作成

・階級

・相対度数

・累積度数

・代表値や散布度

○質的データの場合：

円グラフ、帯グラフ、ヒストグラム等

○量的データの場合：

折れ線グラフ、散布図等

■数値的要約（要約統計量）

代表値：最小値、最大値、平均値、中央値（メジアン）、最頻値（モード）

散布度：標準偏差（平均値）、四分位偏差（中央値）

分析前のデータ準備



データ分析を行う前の作業について、呼び方はさまざま

データクレンジング、データクリーニング、データの前処理、・・・

34

データクレンジング（data cleansing）

データベースの中から誤りや重複を洗い出し、異質なデータを取り除いて整理するこ

と。データベースの精度を高めることにより、経営やマーケティングに有用な相関関係

やパターンを探り出すデータマイニングなどに役立てることができる。データクリーニング

■コトバンク https://kotobank.jp/word/データクレンジング



主な作業として、以下のものがある。



表記ゆれの統一



エラー値や外れ値の確認



欠損データの補填



重複データ（行）の削除



複数のデータを組み合わせる（結合する）

分析前のデータ準備

文字列の場合

数値の場合



空白



全角・半角



大文字・小文字



漢字の新旧体・異体字



句読点や記号（カンマ等）



日付のフォーマット



郵便番号、住所、電話番号、

略語等の表記ゆれ



改行コード（CR、LF、CRLF）



空白（Nullも含む）



０（ゼロ）



想定範囲外の数値



数値の文字列型

35



表計算ソフトによる主な

処理方法



検索・置換機能による変換



フィルター機能による変換



関数による変換

分析前のデータ準備



表計算ソフト Excel

®

の関数による主な変換

36

対象

変換方法

関数

空白

余分なスペース（空白）を削除する

TRIM関数

スペースを全て削除する

SUBSTITUTE関数

全角・半角

全角文字を半角に変換する

ASC関数

半角文字を全角に変換する

JIS関数

大文字・小文字 大文字を小文字に変換する

LOWER関数

小文字を大文字に変換する

UPPER関数

数値の文字列型 文字列として表示された数値を変換する

※エラーチェック機能（！マーク）でも変換可

VALUE関数

分析前のデータ準備



表計算ソフトによるエラー値や外れ値の確認



フィルター機能によるチェック



グラフ作成によるチェック

•

１つのデータの場合：ヒストグラム、箱ひげ図

•

２つのデータの場合：散布図



ピボットテーブル（クロス集計）によるチェック



複数のデータを組み合わせる（結合する）



VLOOKUP関数によるデータ結合

：ある範囲の中から数値や文字列

のデータを検索し、それに対応した値を取りだす

［Excel

®

_］



リレーションシップ

：重複しない数値を主キー（プライマリキー）として、

表（テーブル）同士を関連付ける

［Access

®

_］

37

分析前のデータ準備



データ変形とは（藤原、2017）

BI（Business Intelligence）ツール等の分析ソフトが利用できるように、

データの形式を変換すること



主なデータ形式



ワイド（Wide）型

：横に長く、直感的に理解しやすい



公開データはワイド型が多い



ロング（Long）型

：縦に長く、分析ソフト等で扱いやすい



BIツールを使うにはロング型のデータが必要

38

ワイド型の例

番号

性別

英語

数学

001

女性

95

80

002

男性

78

86

…

…

…

…

ロング型の例

番号

性別

科目

点数

001

女性

英語

95

001

女性

数学

80

002

男性

英語

78

002

男性

数学

86

変形

（Reshape）

【問題】散布図 ~データを俯瞰し、分類する

Ａ学科カリキュラム委員会では，初年次の必修科目の影響

を確認することにしました。

39

この図で、異常値や外れ値等、

解釈を始める前に確認すべき

ところは何でしょうか？

分析前のデータ準備

チェックリスト

分析の目的に合ったデータは収集できたか？



収集したデータに漏れはないか？



データの型は適切か？

□

データ入力や変換時に生じるエラー値はチェックしたか？

□

データの内容に関する外れ値はチェックしたか？

□

データの妥当性をチェックしたか？



データが想定されたルールに基づいて作成（入力）されているか？



データのエラーチェック手順は適切か？

□

データを分析しやすいように整形したか？



ワイド型→ロング型への変換

□

必要に応じて、複数のデータソースを結合したか？



（例）学生番号をキーとしたデータ結合（成績とアンケート結果等）

□

40

参考文献・参考資料



David Nettleton［著］、市川太祐・島田真希［訳］（2017）

『データ分析プロジェクトの手引き データの前処理から予測モデルの運用

までを俯瞰する20章』、共立出版.



吉田寿夫（1998）『本当にわかりやすいすごく大切なことが書いてある

ごく初歩の統計の本』、北大路書房.



涌井良幸・涌井貞美（2010）『統計解析がわかる』、技術評論社.



嶌田敏行，藤原宏司，浅野茂，大野賢一，関隆宏，小湊卓夫，

土橋慶章，本田寛輔（2014）「米国の中規模州立大学のIRオフィス

および国立大学の評価・IR部署における業務の現状と今後の展開に関

する一考察」，『日本高等教育学会第17回大会発表要旨集録』，

46-47.



藤原宏司, 大野賢一（2015）「全学統合型データベースの必要性を

考える」，情報誌『大学評価とIR』 ，１, 39-47.

41

参考文献・参考資料



山本幸一（2017）「IRオフィスの活動とデータ分析の手順～明治大学

におけるIR 業務の経験から実務事例の紹介～」、大学評価・IR担当者

集会2017 IR初心者／初級セッション 講義資料、ミニワーク設問及び

回答.



藤原宏司（2017）「データマネジメントの必要性と実践」、大学評価・

IR担当者集会2017 全体会「評価とIRの結節点としてのファクトブック・

データ集の効用を考える」 講演資料.

42

•

Microsoft、Access、Excel、SharePointおよびSQL Serverは、米国 Microsoft Corporation

およびその関連会社の商標です。