データ分析の成否が事業の成否に直結するような会社を選べよ まず戦うフィ..
データ分析の成否が事業の成否に直結するような会社を選べよまず戦うフィールドが間違ってる。 予測モデルの精度改善がそのまま売上の改善につながるような業態の会社を選ぶんだよ。 そうすれば元増田みたいに冷遇はされない。 例えばGoogle. Googleでは売上の90%が広告収入から上がっている。 ここで言う広告とは、GoogleやらYoutubeやらに訪れたユーザーのデータを詳しく分析した上でもっともコンバージョンレートが高くなりそうな広告を予測して表示するタイプの広告だ。 「誰にどんな広告を表示したらもっともコンバージョンレートが上がるか」というのは、当然データ分析や機械学習の範疇だ。 想像してみてほしい 1. 毎日GoogleとかYoutubeとかに何億人だかのユーザーが訪れる。 2. 世界トップクラスのデータサイエンティスト達が作り上げた、Googleのコンバージョンレート予測モデルはも
あまりにも多くのスタートアップがデータ分析するときに犯す４つの失敗パターン - Qiita
ホテルを直前に予約する時に人気のあるHotel Tonightというサービスを提供しているスタートアップがこちらシリコンバレーにあります。そこでデータ分析のチームを率いているAmanda Richardsonが、スタートアップがデータを使うときによく犯す間違いをこちらの"The Four Cringe-Worthy Mistakes Too Many Startups Make with Data"という記事の中で4つにまとめていますが、今日はそちらを紹介したいと思います。これらはもちろんスタートアップに限らず、どのようなサイズの会社でも、とくに新しいデータ分析のプロジェクトを始める時によく見られる失敗パターンだと思いますが、こちらの記事では間違いだけでなく、逆にこうすればいいという提案も最後にわかりやすくまとめられているので、是非参考にしてみて下さい。 それでは、以下抜粋です。 間違い１
「情報」が「アート」に!? ビッグデータ時代に注目される「データ・アート」とはなにか
最近はとくに新型コロナウイルスの影響で、さまざまなデータやグラフを目にする機会が多くなってきました。そんなデータから、美しい独特の表現を生み出すアート作品が多く生まれています。「データ・アート」と言われるその分野にはどのような作品があるのでしょうか。
私の会社の機械学習経験ゼロの「ディープラーニングおじさん」が会社のAI戦略を動かすまで - karaage. [からあげ]
ディープラーニングおじさん 私の会社には「ディープラーニングおじさん」がいます。「います」といっても私が勝手に一人で心の中でそう呼んでいるだけですが…ともかく、今日はその「ディープラーニングおじさん」が、機械学習経験ゼロから、最終的に会社を動かすまでの華麗なる軌跡を紹介したいと思います。 なお、会社に関する情報は、私の都合である程度、虚実入り混じった情報になることご了承ください。今回の話で伝えたいことに関しては、影響は無い範囲とは思っています。 ディープラーニングおじさんの華麗なる軌跡 自分のツイートを「ディープラーニングおじさん」で検索したら、最初に引っかかったのが2016年10月ころでした。もう1年半くらい前ですね。 自分も個人で少しだけディープラーニング試したりしてるので、ディープラーニングおじさんに少しだけ自分の知ってる情報を提供してみたけど、おじさん何も聞かずに特攻しててワロタw
![私の会社の機械学習経験ゼロの「ディープラーニングおじさん」が会社のAI戦略を動かすまで - karaage. [からあげ]](https://cdn-ak-scissors.b.st-hatena.com/image/square/71762e78be72331ac96492b2337551ed398703d4/height=288;version=1;width=512/https%3A%2F%2Fcdn-ak.f.st-hatena.com%2Fimages%2Ffotolife%2Fk%2Fkaraage%2F20180426%2F20180426235611.jpg)
【特集】ゲームは狙ってヒットをさせられる？…三者マーケティング対談「ゲームアプリのマーケティングって何？」（前編） | gamebiz
【特集】ゲームは狙ってヒットをさせられる？…三者マーケティング対談「ゲームアプリのマーケティングって何？」（前編） マーケティングと聞いて、思い浮かべるものは何だろうか。広告やユーザー・クライアントとのコミュニケーション、サービス設計そのものなど、人によってそれぞれイメージは異なるだろう。 昨今の世の中はサービスやモノにあふれており、マーケティングの重要性は高まってきている。スマートフォンゲーム市場においても同様だと言えよう。 では、「マーケティング」とは何か。何をもって良いマーケティングと言えるのか。本稿では、書籍「いちばんやさしいアプリマーケティングの教本」の12月22日刊行を記念して、ブシロードの森下氏、Colorful Paletteの近藤氏、スパイダープラスの三浦氏の三者対談が実現。 現在の立ち位置はそれぞれ違えども、ゲームアプリのマーケティングに従事してきた三人に、マーケティン
大学間コンソーシアム | 東京大学 数理・情報教育研究センター
数理・データサイエンス・AI教育強化拠点コンソーシアム MIセンターは、2022年度政府予算に盛り込まれた「数理・データサイエンス・AI教育の全国展開の推進」事業の東京大学における実施主体です。 同事業で選定された29大学（拠点校11大学、特定分野校18大学）のコンソーシアムの幹事校として、大学、産業界、研究機関等と幅広くネットワークを形成し、地域や分野における先進的教育モデルの拠点として、数理・データサイエンス・AIの実践的教育の全国普及に努めます。 同時に、この分野を牽引できる国際競争力のある人材および産学で活躍できるトップクラスのエキスパート人材の育成を目指します。 [コンソーシアムホームページ] 数理・データサイエンス・AIの活用事例動画 本動画集は数理・データサイエンス・AIリテラシーレベル教材の導入となるような活用事例を収集したものです。数理・データサイエンス・AIリテラシーレ
BigQueryで傾向スコア分析｜Dentsu Digital Tech Blog｜note
電通デジタルで機械学習エンジニアをしている今井です。 本記事では、BigQueryで傾向スコア分析を行うための方法について紹介します。 広告効果ってあったの？広告効果とは、広告に接触した場合と接触していない場合とのその後のコンバージョン（例えば、購入金額や継続期間など）の差である、と言えます。 しかしながら、同一ユーザーにおいて、広告に接触した場合と接触していない場合とを同時に観測することはできません。 これを反実仮想（counterfactual）と呼びます。 そこで提案されたのが平均処置効果（average treatment effect, ATE）です。 広告に接触したユーザー群（𝑤=1）と接触していないユーザー群（𝑤=0）とのその後のコンバージョン（𝑦 ）の差を広告効果とするものです。 ここで、介入（広告に接触する）の有無以外の条件が公平になるようにユーザー郡が分かれていれ
機械学習モデルの解釈を支援する BigQuery Explainable AI が一般提供開始 | Google Cloud 公式ブログ
※この投稿は米国時間 2022 年 1 月 19 日に、Google Cloud blog に投稿されたものの抄訳です。 Explainable AI（XAI）は、機械学習モデルの意思決定を理解し、解釈するのに役立ちます。このたび、BigQuery Explainable AI の一般提供（GA）を開始いたしました。BigQuery は、Explainable AI を XAI の手法とモデルタイプの両面から最も包括的にサポートするデータ ウェアハウスです。BigQuery のスケールで実行され、1 つの SQL クエリで数百万件の説明を数秒以内に導き出します。 Explainable AI はなぜそれほど重要なのでしょうか。AI や ML への投資を続ける企業の間で、機械学習モデルの内部構造を理解するために、Explainable AI の必要性が急速に高まりつつあります。2021 年の
GA４を正しく知りたい！【Vol.4】 移管したら何が変わる？ BigQuery連携について知っておこう | “生活者データ・ドリブン”マーケティング通信
2022.07.14 GA４を正しく知りたい！【Vol.4】 移管したら何が変わる？ BigQuery連携について知っておこう #可視化 #ダッシュボード #マーケティング指標 アクセス解析ツールとしておなじみのGoogleアナリティクス(以下、GA)。現在多くの企業で使用しているユニバーサルアナリティクス（以下、UA）が2023年6月末を以ってデータ計測終了、以降でサービス終了予定であることが発表されました。それに伴い、GAを利用している企業は今後、Googleアナリティクス4（以下、GA4）に移管していく必要があります。 前回は、GA4の機能やその特徴ついてご紹介しました。 今回は第四弾として、GA4の特徴的な機能の一つであるBigQueryとの連携機能について解説します。 BigQueryとは？ BigQueryは、GoogleCloudが提供するソリューションの1つであり、役割とし
データ分析のマネジメント論２：アナリスト育成への向き合い方｜Jun Ernesto Okumura
前記事では、データ分析組織の役割や成長フェーズについて概観しました。この記事では、実際にマネジメントとしてどのようにアナリストメンバーに向き合っていくかを考えていきます。前提として、ある程度段階が進んだ（前記事との対応でいうと、効率化がある程度進んだ後半のフェーズの）分析組織を想定します。 Disclaimer ● 所属組織における評価や採用基準についての言及ではありません。 ● toCのモバイルサービス（ゲーム、タクシー配車、オンラインデーティング）での著者の経験をもとにまとめています。なるべく一般化できることを意識したつもりですが、当てはまらないドメインや組織もあると思います。 ● ある程度成熟した分析組織の話になります。データ基盤が運用されていて、KPIのモニタリングやアドホック分析が周っているフェーズの組織を念頭に置いています。 ● データサイエンティストや機械学習エンジニアについ
グロースを実施する時にやることのメモ｜樫田光 | Hikaru Kashida
ダメだ、noteで記事を書き始めたが1500文字くらい書いてお蔵入りになった。対策に仕立てないとPublishしたくないという謎の病だが、大作に仕上げる気力がない。 これは深刻だ。Shortな記事でも公開していけるような仕組みと心構えを考えないと... — 樫田光 | Hikaru Kashida (@hik0107) May 6, 2020 そのため、この記事はライトに書いてみる。 きっと、間違いや浅い知見もたくさんあるだろうが、知るかそんなこと。 だいたいいつも前置きで疲れるので、前置きなしで。 1 / LTVを見る顧客が将来的にサービスにもたらしてくれる収益の総和 顧客獲得のコスト（CAC：Customer Acquisition Cost）という投資に対して、きちんと回収できているか= Profitableかどうか の判断のために使う。 LTV ＞ CACの関係になっていることを「
事業の成長構造を理解してレバーを明確にする｜yoshihiko_tochinai
注）この記事は”10Xに入社して見えてきたPMFの実現方法”のパート3となります。パート１から読まれることをオススメします。 サマリー事業を継続的に成長させるためには、その成長構造を理解して適切なレバーを引くことが重要である。10XではStailerのFlywheelを定め、全ての機能・非機能の開発をこの構成要素となるレバーに紐づかせている。今回はSelectionの具体例を紹介し、どのように組織の中で取り組んでいるのかを説明する。 事業成長の鍵となるFlywheel10Xの話をする中で、少しだけAmazonの話をさせてもらいたい。 Amazonでは成長のレバーとして、Input MetricsとOutput Metricsを明確にわけていて（例えそれが小売であろうと、Prime Videoであろうと、Alexaであろうと）、事業部は明確にそのInput Metricsにフォーカスする。
データ分析のマネジメント論１：データ分析組織とは何か｜Jun Ernesto Okumura
この記事について以前、個人のデータキャリアを振り返る記事を投稿しました。この記事ではN=1のエピソードを書くことでアナリストキャリアの解像度を多少でも上げることを目的としていましたが、その後マネジメントを続けていく中で、また社外のアナリストの方々と話す中で、データアナリストの評価や育成について考える時間が増えました。 そもそも、データアナリストの評価基準はまだ様々な議論があり定まっていないような気がします。データ分析は「データを使って意思決定をサポートすること」という方向性は納得されていても、何を持ってその状態が達成できているかが言語化されていないために、組織としてあるべき姿やメンバーの動き方が定義されていない、という背景があるかもしれません。 加えて、意思決定の価値を定量化することは難しいです。チームの分析活動をROIで表現しづらかったり、それとなく成果を出していて周りからの信頼も厚けれ
統計・機械学習の理論を学ぶ手順 - Qiita
社内向けに公開している記事「統計・機械学習の理論を学ぶ手順」の一部を公開します。中学数学がわからない状態からスタートして理論に触れるにはどう進めばいいのかを簡潔に書きました。僕が一緒に仕事をしやすい人を作るためのものなので、異論は多くあると思いますがあくまでも一例ですし、社員に強制するものではありません。あと項目の順番は説明のため便宜上こうなっているだけで、必ずしも上から下へ進めというわけでもありません。 （追記）これもあるといいのではないかというお声のあった書籍をいくつか追加しました。 数学 残念ながら、統計モデルを正しく用いようと思うと数学を避けることはできません。ニューラルネットワークのような表現力が高くて色々と勝手にやってくれるような統計モデルでも、何も知らずに使うのは危険です。必ず数学は学んでおきましょう。理想を言えば微分トポロジーや関数解析のような高度な理論を知っておくのがベス
素人の僕が、データ分析に自信を持つようになったある発見 - 人と組織と、fukui's blog
2010年03月13日 22:01 カテゴリ事業家養成講座 素人の僕が、データ分析に自信を持つようになったある発見 Posted by fukuidayo Tweet 僕は1999年に就職活動をしました。会社は全部で8社ぐらい？受けたのかな。 受かった会社の選考よりも、落ちた会社の選考のほうが覚えているもので、あるシンクタンクを受けたときに提出したレポートの出来の悪さと、あるコンサルティング会社を受けたときに出たケーススタディーの答案を前に、頭が真っ白になったときのことは、今でもたまに思い出します。 どうやって分析し、自分の見解を示せば良いのか、まるでわからなかったのです。 それから数年がたち、僕はケーススタディーを受ける側ではなく、つくる側になりました。 データの見方を教え、伝える側になったのです。 そうなれたのは、データを分析する。ということに関して、助言を与え続けてくれた先輩・上司が
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
https://dl.ndl.go.jp/view/download/digidepo_11273962_po_000280.pdf?contentNo=1&alternativeNo=
マッキンゼー 2030 日本デジタル 改革
【リクルート出木場】100倍の結果を出す、成長戦略3つのポイント
NVIDIA ディープラーニング自習コース
データマイニング入門
