Google Trendsは、人間の検索行動を分析する上で広く使われているツールだが、機械学習に使う際には大きな落とし穴がある。著者は、このデータの「正規化」の仕組みが、時間系列データの解析やモデル構築において誤解を招く根本的な問題を抱えていると指摘する。Google Trendsは実際の検索数を公開せず、代わりに「100」を最大値とする正規化された相対値を提供する。つまり、任意の期間やキーワードで最も検索数の多かった日が必ず「100」になり、他の日はその割合でスケーリングされる。このため、異なる期間で比較すると「100」の意味が変わってしまう——たとえば5月13日と6月10日がそれぞれ「100」でも、実際の検索量は大きく異なる可能性がある。 著者は、5年分の日次データを取得しようと試みたが、90日以上は日次データが得られず、正規化の影響が顕著になる。さらに、Googleはすべての検索を記録せず、サンプリングによってデータを構築しており、ランダムな誤差や四捨五入の影響（例：50.5は50または51に丸められる）も生じる。これらの要因が、特に小さな値の周辺で大きな相対誤差を引き起こす。 解決策として、著者は「90日間のローリングウィンドウ」を採用。隣接するウィンドウ間に1か月の重複を持たせ、その重複期間を基準にデータをスケーリングする方法を提案。これにより、一時的なサンプリング誤差の影響を緩和。実際のデータで検証した結果、Facebookの2021年10月4日の検索急増（Metaサービス障害による）について、自身のデータとGoogle Trendsの週単位値を比較。週平均で102.8とほぼ一致し、スケーリング手法の信頼性を確認した。 結論として、Google Trendsデータは「正規化」によって意図的に比較を困難にしているが、適切なスケーリングと重複ウィンドウの活用により、信頼性のある日次時系列データを再構築可能であることが示された。ただし、複数国間の比較や、複数キーワードの統合分析にはさらなる工夫が必要。データ科学者にとって、Google Trendsは便利だが、その本質を理解せずに使うと、誤った結論に至る危険性がある。