データアナリストからアナリティクスエンジニアへのすゝめ｜OKIYUKI｜note
こんにちは。おきゆき (@okiyuki99) です。最近はアナリティクスエンジニア：データアナリスト = 80：20でやっています。数年前まではデータアナリスト・データサイエンティスト成分が多めだったのですが、逆転してきました。 アナリティクスエンジニアというポジションは昨年くらいから急激に見るようになったと思いますが、この記事ではデータアナリストのネクストキャリアとして、アナリティクスエンジニアはいいぞ！という話をします。 ちなみに、dbtの開発者ブログのこの内容にインスパイアされて、自分なりの考えを書いてみようと思いました。 アナリティクスエンジニアとはあらためてアナリティクスエンジニアについて簡単におさらい。dbtのアナリティクスエンジニアリングガイドに書かれているアナリティクスエンジニアの役割を意訳すると以下のように書いています。 データを使って解きたい問いを持つエンドユーザが分
データサイエンティスト含むデータ分析職の仕事がつらい4つの理由：洋の東西を問わずつらみは同じらしい - 渋谷駅前で働くデータサイエンティストのブログ
(Image by Pixabay) 某所でバズっていたこの記事ですが。 もう読んだ瞬間に「うわー、これ完全に洋の東西を問わずデータ分析業界だとどこでも見られる、業界つらみあるあるだなー」という感が湧いてきて、こみ上げてくる涙が押さえきれませんでした（嘘）。という軽口はさておき、実際にほぼ同じ内容の愚痴をUSでデータサイエンティストとして働いていた知人からも直に聞いたことがあるので、個人的にもかなり説得力のある話だなと思いました。 この記事の若干嫌なところは「データサイエンティストたちはいつでも転職活動をしている、何故ならどこの職場に行っても以下のつらみがあるからだ」という書き方をしている点。いや、データサイエンティスト含むデータ分析職が全員常に転職活動しているかというとさすがに違うだろうと思いますが、「それくらいつらいんですマジ勘弁して下さい」と言われたら頷かざるを得ないのもまた事実かな
データ分析担当は企画段階からコミットせよ！ドリコムのデータ分析チームの在り方 | SELECK [セレック]
〜ドリコムのデータ分析チームが、受け身の体制から事業へコミットするチームへ変貌を遂げる！分析チームを変えた、その取り組みを紹介〜 企業でのデータ活用が一般化するにつれ、データ分析チームを社内に設置する企業も増えている。 そのデータ分析チームが、最大の成果を出すために取り組むべきことは何だろうか。 ソーシャルゲームを始めとした、様々な事業を展開する株式会社ドリコムは、2015年に「データ分析チーム」の名称を「データコンサルティンググループ」に変更した。その裏には、データ分析担当は企画段階からコミットするべきという考えがあった。 ディレクターやプランナーからの依頼で動くことも多く、受け身になりがちなデータ分析担当。その環境を変えるための取り組みについて、データコンサルティンググループを統括する中村 竜太郎さんに詳しく伺った。 事業にコミットするデータコンサルティンググループ ドリコムには、20
![データ分析担当は企画段階からコミットせよ！ドリコムのデータ分析チームの在り方 | SELECK [セレック]](https://cdn-ak-scissors.b.st-hatena.com/image/square/d724f1e9623aac374dcdfadcf8a852acf7172b77/height=288;version=1;width=512/https%3A%2F%2Fdpd29bjwmgbr8.cloudfront.net%2Fwp-content%2Fuploads%2F2018%2F06%2F22112610%2F270.png)
DeNAの分析を支える分析基盤
Kenshin YamadaGeneral Manager, Analytics Infra Department at DeNA
データ分析基盤を支える技術 - YAPC::Asia Tokyo 2015
データ分析の話はそこかしこで行われてますが，それを俯瞰する話はあまりないようなので，ここらで一つ色々とまとめて喋りたいと思います．また，Treasure Dataで得た経験をもとに，機能だけでなくデータ分析基盤でよく要求される要素についても，いくつかの視点を交えて言及したいと思います． 話したいトピックリスト． データ分析の需要 データ分析の流れ データ分析基盤に使われるソフトウェア / サービス オンプレミス: Hadoop, Spark, Presto, Impala, etc クラウド: Treasure Data, BigQuery, Redshift, EMR, etc データ収集/同期: Fluentd, Embulk, Sqoop, etc ストリーム処理系: Storm, Norikra, Dataflow, etc キュー: Kafka, Amazon Kinesis,
開発者がビッグデータ分析にPythonを使う時によくやる間違い | POSTD
システムの構築、新しい技術の習得、PythonやDevOpsなどに情熱を注ぐソフトウェア開発者です。現在はチューリッヒを拠点とするビッグデータのスタートアップで働いており、データ分析およびデータ管理ソリューションのためのPythonの技術を磨いています。 1 はじめに Python は開発時間を短縮できるという点で一般的に評価の高い言語です。しかし、Pythonを使って効率よくデータ分析をするには、思わぬ落とし穴があります。動的かつオープンソースのシステムであるという特徴は、初めは開発を容易にしてくれますが、大規模システムの破綻の原因になり得ます。ライブラリが複雑で実行時間が遅く、データの完全性を考慮した設計になっていないので、開発時間の短縮どころか、すぐに時間を使い果たしてしまう可能性があるのです。 この記事ではPythonやビッグデータで作業をする時に、最も時間を無駄にしがちな事柄につ
Cloudera: 機械学習が広がる中でのデータモデル - ワザノバ | wazanova
Josh Willsは、Googleで広告オークションシステムとデータ分析インフラの開発を担当し、現在は、ClouderaのSenior Director of Data Scienceを勤めています。 機械学習によるデータ分析が、Googleなどに限らず、AirbnbやEtsyなどその他のネット企業にも広がっていく中、今後必要とされるデータモデルについて 、Midwest.io と GraphLab Conference で講演しています。 複数の機械学習分析を操るGoogleのチャレンジ 機械学習分析のベースとなる各サービスの仕様が頻繁に変更になる。 機械学習分析はそれぞれ単体でも複雑なのに、Googleの場合、それらが相互に関連があるケースが多かった。一つの機械学習分析の変更が、他の機械学習にどう影響がでるかが把握しきれない。その結果、広告配信システムを理解できない（= コントロール
ユーザーの半数は1ヶ月でアプリから去る。アプリジャンル別の90日後のアクティブ率まとめ。｜アプリマーケティング研究所
かなり古い記事で今更感はあるが、flurryのアプリジャンルごとのリテンション率をまとめた記事をメモ。 アプリジャンルごとの起動回数&リテンション率以下のグラフは、縦軸は1週間にアプリをどのくらいつかうか？横軸はダウンロードから90日後のリテンション率（生存率というかアクティブユーザー率という解釈でいいのかな） 一言でいうとどんなジャンルのアプリでも半分のユーザーは90日後にはいなくなっているということだ。リテンション率が高いのは天気、スポーツ、ニュースなど。カメラや音楽が低いというのはちょっと意外かも。 30、60、90日後のリテンション率以下は、ダウンロードより30、60、90日後のリテンション率と、一番右は週に何回起動するのかというグラフ。全体でならすと30日後にはユーザーは半分になってしまうと。 だから知っている人からすれば当たり前だけど「累計100万ダウンロード突破！」みたいなの
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
リクルートを支える横断データ基盤と機械学習の適用事例
データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
みんなのウェディングのデータ分析基盤の作り方。
失敗から学ぶ�データ分析グループの�チームマネジメント変遷 （デブサミ2016） #devsumi
失敗から学ぶ�データ分析グループの�チームマネジメント変遷
運用とデータ分析の遠くて近い関係、ISUCONを添えて