『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
『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
Googleは米サンフランシスコでイベント「Google Cloud Next'17」を開催。1日目の基調講演で、データサイエンティストのコミュニティを運営する「Kaggle」の買収を発表しました(Googleの発表、Kaggleの発表)。 KaggleのブランドとチームはGoogle Cloudのなかで引き続き存続し、コンペティションなどの運営を続けていくとのこと。 Kaggleは、企業や研究者などがデータを投稿し、世界中のデータサイエンティストらがそのデータを基に、いかに優れたモデルやアルゴリズムなどで与えられた問題を解くかを競うコンペティションなどを運営しています。 Kaggleのコンペティションは、例えば機械学習を利用してガンの兆候を早期発見する方法を競うなど、社会的に重要な問題をコミュニティを通じたクラウドソーシング的な手法とデータサイエンスのアプローチで解決することと同時に、課
アドテクスタジオの木村です。今回は私がまだサービスが始まったばかりの頃のAI Messengerと調整していた時の「マインドセット」的なところをゆるく共有していきます。データを集計、視覚化(可視化)、分析しようとするエンジニアが、どのような問題に直面し、どのようにその問題を解決していくかに触れます。 問題設定:服を買いに行く服がない サービスが開始して間もないプロダクトで、データの集計や視覚化(可視化)や分析を試みようとした場合に、真っ先に直面するのが「データが無い(少ない)」という状況です。 通常、データに触れる人は、ビジネスで次の施策(アクション)に結び付くデータ分析結果の提示を求められます。ですが開始したばかりのプロダクトでは、まだマスタデータもオーディエンスデータも行動ログ(AI Messengerの場合はチャットのログがメインです)も、十分には設計されてはおらず、また蓄積もされて
2020年までにデータサイエンティストの業務の4割は自動化される。そしてデータサイエンティストを本職としない「シチズンデータサイエンティスト」が台頭すると、ガートナー データの分析を本職とするデータサイエンティストは、いまもっとも注目されている職業の1つです。そのデータサイエンティストがデータ分析のために行う業務の4割は2020年までに自動化され、そのおかげでデータサイエンティストを本職としない「シチズンデータサイエンティスト」によるデータ分析が台頭してくると、米調査会社が予想しています。 ガートナーによると、シチズンデータサイエンティストとは、データサイエンティストが本職ではないものの、データ分析業務の自動化が進むことで、かつては専門的な知識が必要だった先進的なデータ分析や予測などを自分で行えるようになった人のことを指します。 このシチズンデータサイエンティストの存在は、専門職であるデー
米国の人材紹介会社Robert Halfが、米国のIT分野における給料のトレンドを発表。同社の調査結果を基に、2017年度に昇級が期待できる職種を明らかにしました。 同社は、「IT分野の給与は力強い上昇をここ数年見せており、この傾向が2017年も続く」としています。 同社が発表した上昇率の主な順位は以下の通りです。年収の額は1ドル100円換算。 1位 データサイエンティスト(上昇率6.4%。年収1160万円~1635万円) 2位 ビッグデータエンジニア(上昇率5.8%。年収1350万円~1960万円) 3位 ネットワークセキュリティエンジニア(上昇率5.7%。年収1155万円~1625万円) 4位 Webデザイナー(上昇率5.2%、年収705万円~1180万円) 4位 ソフトウェアエンジニア(上昇率5.2%、年収1082万5000円~1645万円) 6位 ネットワークセキュリティ管理者(上
印刷する メールで送る テキスト HTML 電子書籍 PDF ダウンロード テキスト 電子書籍 PDF クリップした記事をMyページから読むことができます お久しぶりです。以前、ZDNet Japanで「データサイエンティスト講座」を執筆していました。 あれから約2年が経過しましたが、当時言いはやされていた“ビッグデータ”や“データサイエンティスト”を取り巻く環境は今どのような状況なのでしょうか。本連載は全8回を予定していますが、まずは初回のこの記事でこの2年を振り返り、現状を把握したいと思います。 ビッグデータのトレンド ビッグデータは2013年7月をピークに現在にかけて緩やかな減少傾向にあると言えます。 当時は色々なメディアで日夜取り上げられていることが多かったのですが、最近では見かけることはあれど、それ自体がメインに特集されている記事なども少なくなっており、実感に伴った結果であると言
『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
LINEは3月31日、LINEやその周辺サービス事業領域におけるデータの分析や研究をする専門開発組織「LINE Data Labs」を新設したと発表した。これまで各サービス事業領域ごとに存在していたデータチームを統合したもので、ユーザーの利用動向などのデータを横断的に扱えるようになるという。今後、データエンジニアやデータサイエンティスト、データプランナーなど、データに関連した職種を積極的に採用し、2016年内に50人規模の組織を目指すとしている。 同組織では、LINEやそのLINE周辺サービスで高度なデータ分析や機械学習を行い、ユーザー属性や興味関心分野の自動推計、それに基づくコンテンツ・広告配信の精緻化、運用型広告への活用、人工知能などデータ応用システムの構築、データ統合プラットフォームの構築・運用などに取り組む。 さらに、機械学習や人工知能、大規模データ基盤領域における研究成果を軸とし
印刷する メールで送る テキスト HTML 電子書籍 PDF ダウンロード テキスト 電子書籍 PDF クリップした記事をMyページから読むことができます データ分析にはどのような基盤を構築すれば良いのかーー。データ分析を考える上でまずは、ビジネス情報はどのようにデータとして存在するのかを考えてみよう。小規模レベルでは逐次入力されるスプレッドシートに、ある程度の規模のビジネスであれば自動化されたシステムを通じて入力されるリレーショナルデータベース(RDBMS)に、日々のビジネス活動とともに蓄積されていくものである。 どのような形式であれ、ほとんどの企業がビジネス情報をデータとして蓄積しているはずだ。本稿ではスプレッドシートやRDBMSといったソフトウェアの違いを特に区別せず、蓄積されたデータの集合のことを“データベース”と呼ぶことにする。 大概の企業がデータベースを持っている一方、世の中の
関連キーワード CIO | ビッグデータ | データサイエンティスト | データ分析 製品開発でユーザーのフィードバックを反映するのにビッグデータの解析は不可欠。しかし、他のチームとの連携を怠ると…… ビッグデータが注目の的から頭痛の種になりつつあるとしても、諦めるのはまだ早い。最高情報責任者(CIO)やデータサイエンスチームが致命的な失敗を起こさないように、優秀なビッグデータ解析担当者にありがちな6つの“勘違い”について、Bloombergでデータサイエンスチームの責任者を務めるギデオン・マン氏が解説する。 マン氏はGoogleのリサーチサイエンティストとして6年間勤務した後に、Bloombergに入社した。Bloombergでは、最高情報責任者(CTO)室で社内と顧客向けのビッグデータプロジェクトに携わってきた。「ビッグデータプロジェクトでは、製品管理部門の役割を果たすこともあれば、設
関連キーワード BI(ビジネスインテリジェンス) | ビッグデータ | データサイエンティスト | データ分析 | 経営 Bay Towelの公式Webページ《クリックで拡大》 リネンとユニフォームのレンタル会社、米Bay Towelでビジネスシステムアナリストを務めるデニス・ドゥシェク氏は、自分の仕事に満足している。管理部門は彼の提案に真摯(しんし)に耳を傾け、営業や経理など各部門のために彼が作成したリポートは各部門が評価してくれる。「多くの従業員が楽観的なプロジェクトや結果を求めている。その場しのぎの対策を取っているわけではない。私たちは将来を見据えて計画を立てることができるのだ」(ドゥシェク氏) これはドゥシェク氏に限ったことではない。米TechTargetが実施した2015年度におけるIT従事者の年間給与とキャリア調査(2015年6月~9月にオンラインで実施)によると、ビジネスイン
関連キーワード BI(ビジネスインテリジェンス) | ビッグデータ | データサイエンティスト | データ分析 医療給付の管理業務を手掛ける米eviCore Healthcareは2013年に、リアルタイム予測アナリティクスを活用する方法を検討し始めた。ただし、アナリティクスチームの構造が同社のビジネス部門から切り離された形になるのは避けたかったという。 併せて読みたいお薦め記事 データサイエンティストに頼らずどこまでできるか 米Netflxも実践、ユーザーの本気を引き出すセルフサービスBI導入の鉄則 次のExcelになる――セルフサービスBIの全社導入は可能か データサイエンティストに縁遠い人のための「機械学習」入門 データサイエンティストという仕事 「データサイエンティストはつらいよ」、注目職種も求人が多くない理由 「データサイエンティスト」として成功するための条件
スキルについて普段考えていることがあり、今回はビジネスに必要なスキルについて書きます。先日の記事でもデータサイエンティストについて記載しましたが、スキルからどのような職種かを見てみると、より理解が深まるかなとも思います。 スキルは、古期北欧語「区別(する能力)」を意味し、業務を遂行する能力と定義します。プレゼンなどの基本的なスキルを「ソフトスキル」、職種ごとに必要なスキルを「プロフェッショナルスキル」、そして、私が非常に大切にしている「リーダーシップスキル」の3種類だと思っています。。スキルは、すべて習得可能です。例えばマーケティングの職種の人。生まれつきのマーケターはいないわけですから、努力すれば後からスキルを身につけることができます。 大事な姿勢は、「目の前の仕事が天職であり、スキルを身につける絶好の機会である」とポジティブに考えることです。夢見る乙女になり、いつか自分に合う仕事にめぐ
John Weathington (Special to TechRepublic) 翻訳校正: 編集部 2015-07-29 06:15 データサイエンスの手を借りずにサイバー犯罪と戦うことは不可能だ。しかし、サイバー犯罪者にはさまざまなタイプがあり、一括りにすることはできない。もし真剣にサイバー攻撃に対抗しようと思うなら、データサイエンティストのチームに、以下の6つのタイプのサイバー犯罪者への対策を練ってもらうことを検討すべきだろう。 タイプ1:復讐者 多くの組織にとって最大の脅威となるのは、内部の人間による攻撃だ。もし、組織内のシステム管理者の1人が、何らかの理由で、復讐のために基幹システムの1つを破壊しようとしているところを想像してみてほしい。このシナリオは誰にとってもよい結末にならない。 データサイエンティストが何かできるとすれば、最近活発に議論されている、ユーザー行動分析(UB
関連キーワード ビッグデータ | データ | データサイエンティスト | データ分析 | 経営 ビッグデータ活用の目的と期待 出典:IDC Japan(TechTargetジャパン記事「“やるかやらないか”で二極化するビッグデータ活用 一般企業への浸透が進む」から)《クリックで拡大》 機械学習は、ビッグデータを活用して企業経営にインテリジェンスを持ち込むときの鍵となる。ただ、機械学習のアルゴリズムは魅力的ではあるものの、この技術は急速に複雑化している。われわれ全員がデータサイエンティストになる必要はないが、IT担当者は機械がどのように学習するか、しっかり理解していなければならない。 併せて読みたいお薦め記事 「機械学習」はどう使われる? 「機械学習」とは? データ分析技術に関連する12の大胆予測 「機械学習」時代の経営判断はどうあるべきか データサイエンティスト活用 「データサイエンティス
関連キーワード BI(ビジネスインテリジェンス) | データ | データサイエンティスト | データ分析 セルフサービス型BIの利用意向 出典:IDC Japan(TechTargetジャパン記事「“やるかやらないか”で二極化するビッグデータ活用 一般企業への浸透が進む」から)《クリックで拡大》 データサイエンティストは「21世紀で最も魅力的な職業」と呼ばれている。データサイエンティストは、将来のビジネスシナリオを予測したり、延々と数字が並んでいる未加工のデータから有益な事実を見つけたりすることができる。このように、魔法のような偉業を成し遂げられることを考えれば、データサイエンティストがこのように呼ばれているのは驚くべきことではないだろう。だが、大きく取り沙汰されているにもかかわらず、企業側ではデータサイエンティストに対して特別高い需要があるわけではない。 最近では、魅力の面でデータサイエ
関連キーワード BI(ビジネスインテリジェンス) | ビッグデータ | データサイエンティスト | データ分析 | データウェアハウス(DWH) データサイエンティストの仕事は、他のBI(ビジネスインテリジェンス)や分析の専門家とどう違うのだろうか。また、データサイエンティストになるには、どんな類の訓練と教育が必要なのだろうか。 関連記事 眠れる人材を発掘 トムソン・ロイター “社内クラウドソーシング”の群を抜く成果 野球、バスケチームがデータサイエンティスト確保へ――スポーツデータ分析最前線 「ビッグデータで価値創出」は2.3%、課題は人材不足 57.1%の企業でデータサイエンティストが不在 データサイエンティストだけでは何もできない理由 データサイエンティストの仕事は他とどう違うのか
行動経済学により「人間が必ずしも合理的な行動をとらない」ということが証明されましたが、それはまさに購買活動にもあてはまるのです。 例えば、日々の必需品を買いに行っているはずのスーパーマーケットにおいてすら、レジを通る商品の8割を「計画外の購買商品」が占めているということなどは、正にその好例のひとつと言える。こうした生活者の「計画外の購買行動」について、『行動経済学』を引用し、解説を試みた例はこれまでにも数多くあったはずですが、計画外の購買行動を意図的に引き起こすにはどうしたらいいのか?について『行動経済学』と同じ立場に立ち、科学的に取り組もうという試みはほとんどされてこなかったように思う。 先月発売となった『売れるロジックの見つけ方』は、そんな計画外の購買行動を発生させる、直観的で合理的ではない購買意志決定までの心理変容・・・ロジックをLPOツールの力を借りることにより合理的に発見し、更に
印刷する メールで送る テキスト HTML 電子書籍 PDF ダウンロード テキスト 電子書籍 PDF クリップした記事をMyページから読むことができます ヤフーなどIT企業が多く参加する一般社団法人データサイエンティスト協会とスキル定義委員会は12月10日、団体が定めるデータサイエンティストの「ミッション、スキルセット、定義、スキルレベル」を公開した。 協会ではデータサイエンティストのミッションを「人間を数字入力や情報処理の作業から開放すし、データの持つ力を解き放つこと」と定義。前述のミッションを踏まえ、データサイエンティストに求められるスキルセットを以下の3つにした。 ビジネス力:課題背景を理解した上で、ビジネス課題を整理し、解決する力 データサイエンス力:情報処理、人工知能、統計学などの情報科学系の知恵を理解し、使う力 データエンジニアリング力:データサイエンスを意味のある形に使える
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