The fresh funds were raised from two investors who transferred the capital into a special purpose vehicle, a legal entity associated with the OpenAI Startup Fund.
![TechCrunch | Startup and Technology News](https://cdn-ak-scissors.b.st-hatena.com/image/square/92584d6251feb0822f349cf0211361b2833c9939/height=288;version=1;width=512/https%3A%2F%2Ftechcrunch.com%2Fwp-content%2Fuploads%2F2018%2F04%2Ftc-logo-2018-square-reverse2x.png)
安井翔太 サイバーエージェント AI Lab Economic Research Scientist 2013年Norwegian School of Economics MSc in Economics 修了後、サイバーエージェント入社。 入社後は広告代理事業にて広告効果検証等を行い、2015年にアドテクスタジオ(現AI事業本部)へ異動。以降はDMP・DSP・SSPと各種のアドテク商品においてデータを元にした意思決定のコンサルティング等を担当。 現在はAI LabのEconグループのリーダを担当。 ──ノルウェーで経済学を学んだ後、どうような経緯で新卒でサイバーエージェントに入社したのですか? 学生の時は環境・資源経済学における実証に興味がありノルウェーの大学院で「養殖サーモンの価格に周期性が存在するのか?」というテーマに取り組んでいました。 就職活動では業務の中でデータを扱う事が出来る
テクノロジーが進歩しても変わっていないデータ分析の理想と現実 株式会社データビークル 代表取締役最高製品責任者 西内啓氏 西内氏が2010年に大学の教職を辞し、2014年のデータビークル創業を経て今に至るまでの約10年間、企業からの相談内容はほとんど変わらないという。それは端的に言えば、図1に示す「データ」「分析」「意思決定」「現場」のライフサイクルをうまく回したいということだ。 図1:データ活用の理想的なライフサイクル 出典:データビークル ところが、現実にはどこかのプロセスがうまくいかない。多くの場合、「データが利用できない」「高度な分析手法を使っているが意思決定の役に立たない」「見える化しか意思決定に役立てられない」「現場がやりっぱなしで効果があったかどうかがわからない」のどれかに当てはまることが多いという。データを活用したいのにうまくいかない場合、どこかで止まっているからで、データ
『MarkeZine』が主催するマーケティング・イベント『MarkeZine Day』『MarkeZine Academy』『MarkeZine プレミアムセミナー』の 最新情報をはじめ、様々なイベント情報をまとめてご紹介します。 MarkeZine Day
ここ1〜2年くらいで、業務やプライベートのデータ分析・データサイエンスで参考にした本(と一部本じゃないもの)をまとめてみました(注:もちろん全部読んでいます).*1. なお, あくまでワタシ個人(@shinyorke)の見解に基づいた独自解釈であり、所属組織・チームの意向とは関係ありません(とだけ最初に断っておきます). サクッとまとめると 「レベル感(はじめて・経験者)」だけででなく,「エンジニア面を鍛える or 理論を固める」の軸で考えると良い書籍・学び方に出会える確率上がる エンジニアでも理論でもどっちから初めても良い, がどちらかが得意な方が絶対幸せ(≒片方だけじゃお話にならない可能性) 個人的なオススメは「機械学習図鑑」「前処理大全」「機械学習のための特徴量エンジニアリング」そして「試して学ぶ機械学習」です. おしながき サクッとまとめると おしながき 対象読者&執筆者について
2019年6月29日に開催されたCivic Tech Forum 2019の資料です。
The requested URL was rejected. Please consult with your administrator. Your support ID is: 11431019930562623858
これは何かGoogleの Material Design Guideline - Data Visualization がとても良くまとまっていたので、自分なりに和訳・編集してまとめたものです。 ※ 注意事項 こちらはあくまで、もとのドキュメントを参考に筆者が和訳・編集したものになります。原文の完全な和訳ではなく、抜粋の範囲や、英=>和の際の意訳を筆者が恣意的に行っています。 筆者の意訳・編集による曲解や元のドキュメントでのオリジナルの文意が気になる方は原文を読むことを強くおすすめします。 和訳の公開の可否についてはGoogle社に直接問い合わせています。1 / 原理原則(Principles) データの可視化は、複雑で内容の多い情報をグラフィカルな形式で表現するコミュニケーション手段である。 可視化の結果、データを比較しストーリーを伝えることが容易になり、データの利用者の意思決定の助け
「アベンジャーズ型」のデータ分析組織がうまくいかない理由:マスクド・アナライズのAIベンチャー場外乱闘!(1/3 ページ) 長い10連休が終わり、中には憂鬱(ゆううつ)な気分で仕事をしている方もいるかもしれません。実はこの原稿の締め切りは4月26日の連休前。話題の映画「アベンジャーズ/エンドゲーム」を見に行くのを楽しみにしながら原稿を納品しました。 しかし現実は非情なもので、連休明けから他社のデータ分析組織立ち上げ支援の準備をしなければなりません。最近は「自社でデータ分析組織を立ち上げたいが、やり方が分からないので手伝ってほしい」というような依頼が増えてきました。 分析業務を丸ごと外注するよりもコストが低くスピード感もあり、「弊社はデータ分析組織を持つ先進的な会社です」とドヤれるので、IRや広報、採用などでの利点もあるでしょう。ところが下心全開でデータ分析組織を立ち上げて失敗した事例は多く
「The Future of Data Analysis」の中でテューキーが言わんとしているのは、データ分析とはより良い質問を作り出していくことだ、ということでした。 この「The Future of Data Analysis」というエッセイが出版されたのは1961年、今からおよそ60年前のことですが、彼がこのエッセイの中で伝えようとしていたことは今日になっても色あせることがありません。 むしろ、現在データサイエンスの世界で起きている多くの議論というのはすでにこのエッセイの中に見つけることができます。 例えば、統計的に有意かどうかの判断が5%なのか1%なのかといったことに時間を掛けるのが無駄だとか、そもそもそういった仮説検定の手法やその正しさを議論するのに時間をかけるよりも、データから仮説そのものを構築くしていくことにもっと時間をかけるべきだとか、「最適化(モデルの予測精度を上げる)」に
マーケティングにおいて、もはや欠かせない要素であるインスタグラム。本記事では、業界ごとのInstagram動向を独自に分析しました。「フォロワー数の多い公式アカウントって?」「エンゲージメント率の平均は?」「投稿頻度はどのくらい?」インスタ運用に悩むSNS担当者へ、人気の企業アカウントの面白い活用方法やKPI設計・ベンチマークに役立つデータを紹介します。 2/15更新:調査概要に誤りがあった点を修正しました。 全業界で企業のInstagramアカウントが増加最もアカウント数が増えたのはサービス業界の107件フォロワー数10万以上のアカウントは平均して毎日1回以上投稿近年のInstagramの躍進は、企業のSNS担当者であれば誰しもが感じていることではないでしょうか。昨年は、国内月間アクティブアカウント数が2,900万を突破し(2018年9月時点)、ショッピング機能「Shop Now」の導入
ご注意:本記事は、@IT/Deep Insider編集部(デジタルアドバンテージ社)が「deepinsider.jp」というサイトから、内容を改変することなく、そのまま「@IT」へと転載したものです。このため用字用語の統一ルールなどは@ITのそれとは一致しません。あらかじめご了承ください。 日本マイクロソフト主催の勉強会「DEEP LEARNING LAB: AI開発を円滑に進めるための契約・法務・知財」が1月25日に開催された。 AIに関する法的な課題となる事例や、AIを「発注するユーザー」と「作るベンダー」はどう契約を結べばよいのか、について、具体的にガイドラインを示しながら説明された。実際にAIを取り組もうとしている企業にとっては参考になる話が多く、筆者自身も大いに参考になった。 その内容をすべてお伝えしたいところだが、3時間ほどの長丁場であり、しかも残念ながら動画配信などもなかった
数値化するメリット データを処理するとき、センサーなどを使ってコンピュータに取り込んだ値はもともと数値化されているといえます。温度や湿度、明るさ、音量など最近では多くのセンサーが使われています。また、人間が入力する場合も、ビジネスの現場では商品の金額や数量など、数値で入力することは少なくありません。 それだけでなく、私たちは普段使っているあいまいな言葉を数字で表現する場合があります。例えば、「私は背が高い」「たくさんスキーに行く」といった言葉を聞いたとき、受ける印象は人によって違うでしょう。 「背が高い」という言葉では、男性か女性かによって想定する高さが変わりますし、こどもなのか大人なのかによっても変わります。しかし、「私の身長は188cmです」というように数字を使うと聞いた人が想像する印象は同じになるでしょう。 同じように、「たくさん」という言葉も人によって受ける印象に差があります。スキ
「Web担当者Forumミーティング 2018 春」に登壇したブレインパッドの佐藤氏は、「データサイエンティストが語る! 施策に活かせる顧客インサイトをデータから得る方法」と題し、顧客を知り、最適なアプローチ方法を探るために必要な「顧客インサイト」をデータからどのように得たらよいか紹介した。 マーケティングにおけるデータ活用というと、AIや機械学習を駆使し、マーケティング施策の運用を効率化、自動化していく話にばかり目が行きがちだ。しかし、そもそものマーケティング施策が的外れでは効果を挙げることはできない。 佐藤氏は、データ分析、活用を通じて500社以上のマーケティング支援を行うブレインパッドで、自社サービスの開発から営業までを担当し、データ分析・活用に約20年間、従事してきたデータサイエンティストである。佐藤氏は「正しいターゲットに対する、正しいアプローチの発見にデータを活用して欲しい」と
MA、DMP、BIツールの導入やオムニチャネルの推進など、企業がマーケティングにデータを活用する傾向が強まっている。いわゆるデータマーケティングの推進ニーズが高まっている反面、現場のマーケターは大量かつ複雑なデータの扱いに疲弊し、結局データマーケティングが実践できない事例が多くある。 「Web担当者Forumミーティング 2018 春」に登壇した、マーケティングプラットフォーム「b→dash」を開発するフロムスクラッチ 執行役員の三浦將太氏は、企業の収益性を高める武器としてデータを自由自在に使いこなすための3つの条件を、先進企業の事例から解説した。 マーケターを疲弊させるデータ活用の闇フロムスクラッチは、現在おぎやはぎを起用したCMを展開しており、その反響もあって、非常に多くの企業からデータマーケティングに関する相談を受ける。よくあるのは下記のようなものだ。 MA(マーケティングオートメー
こんにちは、ほけきよです。 pythonでデータを取り扱っているとき「あれ、これどうやるんだっけ??」 ってなること、ありませんか?僕は10分に1回程度なります。 いや、覚えろと自分でも思うんですが、覚えられないんですよね。100回くらい同じコマンドを調べてたりする。 物覚えが良くないので、ココを見れば絶対大丈夫なようにしておこうと思い、まとめてみました。 jupyterで最初に開くときに読み込むモジュールたち datetime 日付⇔文字列の変換 datetimeの足し算引き算 json dict型⇔json jsonファイルの入出力 datetimeをjsonにする時、エラーが出る pandas ~以外を表すやつ andとor inf弾く リストをdfにサクッと変換 datetimeとして読み込み 読み込み時にcodecのエラーが出る DataFrameのfor文 numpy lins
「貯まったデータを分析して顧客を理解し、売上をアップしろ」と言われても、どの数値とどの数値を計測して、どのような関係性の時にどのような変化があればいいのかなど、要因は大量にあって複雑だ。専門家に分析を依頼してその結果を見ても、難しいグラフや予測結果が並んでいて、何が書いてあるかよくわからないということになってしまう。 ある課題について、要因が大量にあって、要因同士の関係が複雑ならば、結果も複雑になるのは当然。結果が複雑だと解釈するために知識が必要になる。そこで挫折してしまうというわけだ。 佐藤氏は、複雑な課題を解決するために複雑な分析をするのではなく、「課題自体をシンプルにしようと考える方が正しい」と言う。これは、ビジネスのうえでは普通にやっていることだろう。 売上を1.2倍にしろ! と言われたら、あなたならどう考える?たとえば、ワイン専門店の店長が「どうにかして売上を1.2倍にしろ」と本
この記事は Retty Advent Calendar 18日目の記事です。 昨日は@isaoekaさんの会社の行動規範浸透を図るため、メニューバーからいつでも確認できるアプリを作ったの話でした。 はじめまして、Rettyのデータ分析チームでマネージャーをやっている平野です。 Rettyのデータ分析チームは今年4月に立ち上げ現在9ヶ月目です。 この記事では立ち上げから9ヶ月でやってきた組織的取り組みについて中心に書きました。 今アドベントカレンダーではデータ分析の技術的取り組みついてを、一緒にデータ分析チームを立ち上げた@takegueが書いてますので、そちらも合わせて読んでいただけますと幸いです。 ベンチャー企業におけるDWH DevOps @ Retty - Retty Tech Blog Webサービスを支えるユーザログ基盤開発@Retty - Retty Tech Blog 目次
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
処理を実行中です
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