サクサク読めて、アプリ限定の機能も多数!
トップへ戻る
おみそ汁
analytics-and-intelligence.net
主語を「データサイエンティスト」にするのをやめよう 「データサイエンティストに社内調整スキルは必要か」と盛り上がっていたので思うところをまとめる。 さて、この手の話がややこしくなるのは多くの人が「データサイエンティスト」がどのような役割を担っているかをあいまいにしたままで話を進めるからだ。そこでいったん「データサイエンティスト」という言葉を使わないようにする。 その代わりに主語に「データ分析をする人」を使う。「データサイエンティスト」や「データアナリスト」はもちろん「リサーチャー」も該当する。さらに「マーケター」や「マネージャー」など分析する人も全部含む。つまり「データ分析で意思決定の質を向上させる人」のことを指す(なので実は大半の人が当てはまる)。 それでは社内調整が必要かを考えるにあたり、先にデータを使うにあたり必要な役割には何があるかを考えよう。 データの「集約」と「整備」は誰かがや
データの仕事もいろいろありまして 現状データ分析者(データサイエンティスト・データアナリスト・リサーチャーなどの)としてしてくくられている職種に求められているのは「分析」だけでなく実際には「データ」「分析」「提案」がある。これらの間には明確な違いがあって、それを依頼する側される側で認識を合わせておかないと大変なことになると最近特に思うので、その違いについて整理する。 「データ」「分析」「提案」とは まずこの3つの違いについて一覧にしてみよう。重要なのは提供物と責任の違いだ。 種類 提供物 責任 例 データ 分析・洞察を経ていない情報 正確なデータを迅速に渡すこと 日別の感染者数 分析 分析と洞察を経て作った情報 中立・客観的な分析 感染者数の推移や業績への影響への予測 提案 具体的な施策 実効性を伴ったアイデアを出すこと 「緊急事態宣言を出すべき」という提案 名前に違和感があれば呼び方は自
「今日の感染者〇人」だけでは何の判断もできない 新型コロナウイルスの話題で持ちきりだが、インフォメーションとインテリジェンスの違いを見る上で良い題材になりそうだと思ったので書いてみる。 まず最初にインテリジェンスとインフォメーションの違いについて改めて書くと、 インフォメーションとは「加工されない生の状態」 インテリジェンスとは「意思決定のために加工、分析されたインフォメーション」 ということだ。「ある意思決定に使えるかどうか」で大きな違いがある、ということが伝われば十分。なお日本語の「情報」は両方の意味を持っており、後述するようにどちらにも区別が出来ない場合に使うぐらいにしておく。 また、インフォメーションとデータを区別する人もいるがその区別は今回の話ではあまり意味がないので立ち入らない。 「今日の感染者〇人」はインフォメーション さて、日々のニュースでは「今日の感染者が〇人」ということ
『日本軍のインテリジェンス』を読んで現在のビジネスにおけるデータ分析軽視をどうしたらいいのかを考える(1)組織化されないインテリジェンス 『日本軍のインテリジェンス』は日本のデータ分析の文化を知ることが出来る良書 戦後書かれた戦争に関する書籍は、個々の戦場や戦いに特化しているか、あるいは従軍した本人による個人的な体験記がほとんどであり、全容を書いたものはほとんど見当たらない(翻訳本は除く)。 インテリジェンス関連に至ってはほぼ後者のみで、あえて言うならば英米課長であった杉田一次(『大本営参謀の情報戦記』の著者堀栄三の上司でもある)が書いた『情報なき戦争指導』があるが、これも全容というには物足りない。 そんな中、2007年に発表された『日本軍のインテリジェンス』は「はじめに」にも書いてある通り、戦前の日本のインテリジェンスに関する包括的な考察を行うために書かれている貴重な書籍である。 タイト
初めてのイベント行ってきたレポート(?) @hik0107さんと@fladdictさんによる「noteの躍進を支えた”定性と定量の甘い関係” ─ データと世界観をどう組み合わせる?」というトークイベントに行ってきた。 内容については@tairoさんの素晴らしいまとめを読んでもらえれば十分なので、自分の思ったことや疑問に思ったことを書き連ねてみる。 全体的な感想 PMや企画の人がどうデータ分析をとらえているか、という話が中心。これだけ経営層がデータについて理解があり実際に活用している企業というのはめずらしいな、というのが率直に思ったところ。 それと「2年前からデータチームを作りたいと言っていた」と深津さんが冒頭に言っていたのが印象的。やはりリーダークラスにその意識があるかどうかが最大の問題なのだろう。 いろいろ思いついたこと&疑問に思ったこと 話に関係あることもないこともごちゃまぜに書いてし
AutoMLとか機械学習の自動化が進むとデータサイエンティストの言葉の定義によっては大半は不要になるかもしれないけれど不要になることは絶対ない 言いたいことはタイトルで大体言った キャリアが絡んでいることもあるだろうが自動化が進むとデータサイエンティストが不要になる、いやならないという話でAutoMLを中心にして燃え上がっている盛り上がっているのをこのところ見かける。 何がどう自動化されているのか、これからどうなりそうなのか、その時キャリアにはどういった影響が出るのかということには興味があるので今回は主に機械学習の自動化ついてあれこれ思うところを書きつらねてみたい。なおプログラミングをしないでGUIで実現するツールは自動化ツールとは違うので今回は除外。 今機械学習の何が自動化されているのか 現状の「機械学習自動化ツール」が対象としているのはすでにデータがあり、それをいかにプログラミングで処
2か月ぶり6回目 『「データ分析」は職業として(今後も)成り立つのか?』に登壇した際にお声がけいただき「一般社団法人 日本情報システムユーザー協会(JUAS)のAI研究会」で『AI導入やプロジェクトでよく見かける「失敗するパターン」』と題して講演してきた。スライドはこちら。 前半はあるあるな話。むしろ本編は後半 前半には「失敗するパターン」としてよく見かける話を7つに分けてなぜそうなるのかについて話した。 これだけだと「あるある話」をまとめただけなのだが、今回言いたかったのはむしろ後半にあえて書いた。その内容は読んでのお楽しみ。 初めてのアウェー(?) 今までのイベントは主にTwitterでやり取りをしていた人などからのお誘いだったが今回は初めていままでやりとりが無かった方からお声がけをいただいた。 データ分析のイベントとはちょっと違った雰囲気かなとおもったけど年齢層が大分高かったこと以外
データマートは情報が少ないので増やそう 毎回巨大なデータベースから取得しようとすると時間もかかるし環境次第ではコストもかかる。そこで必要に応じてデータマートを作るわけだが、前回のデータマートの作り方でも書いたように、データマートという言葉は有名でも具体的に何をどうしたらいいのかという情報が皆無。 なのでどんな選択肢があるかや自分がどうしているかについて書いておくと誰かの役に立つこともあるかもしれないので、書いてみようということで今回はどんなデータマートが考えられるかと、どう組み合わせるとどんなメリットデメリットがありそうかについてまとめてみる。 どんなマートが考えられるか テーブルがあってその中で区別を付ける何かがある(店舗マスタなら開店中かどうか、会員情報なら会員かどうかなど)という状況を前提に考える。マートは作らないという選択肢もあるがそれは別の問題なので今回は作ることを前提にしておく
エンジニアとアナリストの間で兵站を担う「データアーキテクト(データ整備人)」は1つの役割として確立しておいた方が良いと思うので整理してみた 「データ整備人(仮)」改め「データアーキテクト」にしよう 「データ整備人(仮)」という、「データベースからSQLを書いて抽出する」という仕事についての考察というか「なにこれ?」という話 続・「データ整備人(仮)」という「関わっている人が多くて、誰かがやらないといけないということは共通認識だけれども名前すらない役割」に関する雑多な話 という2つの記事を書いたところ思わぬ反響があり、特に前者は非常に多くの人に読んでもらった。どうも自分が考えていた以上にこの役割というか業務に関わっている人は多いらしい。 そこでこの役割が何かを考えると、業務の範囲、求められるスキルの幅広さ、その重要性を考えるとこの役割はデータ活用における「兵站」と表現できそうで、だとしたら一
なぜか見つからなかったので1週間遅れて購入以前からブログや記事を拝見している松本健太郎さん(@matsuken0716)とマスクド・アナライズさん(@maskedanl)お2人の共著。 全体的に文章はいたって真面目で普段読んでいるのとは違うテイスト。イラストもいつものいらすとやではないので著者を知らないで読んだら2人だとは気づかないかも? データサイエンスの全般を見通せる内容はデータサイエンスに関する話題を分析だけでなく全般的に扱っている。なので分析そのものは軽く触れている程度。 以前から考え方というか方向性が自分と似ているのかなとは思っていて、同じテーマで書いたら結構似た構成になる気がする。なのでこのブログのスタイルが好みだと思ってくれている人には合いそう。 ただ150ページぐらいでイラストも多めなので薄く広くになっている感はあり、「エンジニアの視点」や「サイエンス手法」はばっさり削って
ほぼ毎月5つのイベント登壇の最後小川卓さん( @ryuka01 )にお声がけいただいて『「データ分析」は職業として(今後も)成り立つのか?~データアナリスト・ウェブアナリスト・データサイエンティストのキャリアパスと業界の展望~』に登壇。 今回は『それでも「データ分析」で仕事をしたい人のためのデータ分析業界長期予報とこれからの選択肢についてv2.2.1_最終_0802更新(3)』という長ったらしいタイトルでキャリアについて話してきた。資料はこちら。 良かった点時間を調整しながら話せただんだん慣れてきたこともあって、「このあたりまでで15分」と考えていたところにほぼぴったり合わせられたのと、最後時間が超えたので数ページ飛ばすということが落ち着いてできた。 初回や2回目ぐらいまではそんな余裕すらなくて「とにかく全部読む」しか頭になく結果大きく時間を超えてしまったのだが、今回は45分の予定で3分ぐ
前日アップが恒例になってきた明日8/2は『「データ分析」は職業として(今後も)成り立つのか?~データアナリスト・ウェブアナリスト・データサイエンティストのキャリアパスと業界の展望~』というイベントに登壇して『それでも「データ分析」で仕事をしたい人のためのデータ分析業界長期予報とこれからの選択肢についてv2.2.1_最終_0802更新(3)』というタイトルで話すので資料をアップ。 タイトルが長い。 イベントページはこちら → 「データ分析」は職業として(今後も)成り立つのか?
「データ整備人(仮)」という、「データベースからSQLを書いて抽出する」という仕事についての考察というか「なにこれ?」という話 → データアーキテクトと呼ぶことにしよう 追記:データアーキテクトと命名して改めて整理した この役割については「データ整備人(仮)」ではなく「データアーキテクト」としてエンジニアとアナリストの間で兵站を担う「データアーキテクト」は1つの役割として確立しておいた方が良いと思うので整理してみたにまとめた。 なぜか誰もやりたがらない仕事 営業やマーケターなど、主にビジネスサイドから依頼を受け、必要なデータを集計・抽出して渡す役割がある。 この仕事をうまく表現する言葉もないためか、データに関わる人はもちろん求人情報含めて非常に混乱しているように見受けられる。 そこで、この役割について思うところを書いてみる。正直なところまだ自分の中でもまとまりきっていないので雑多な内容にな
お問い合わせ Twitter メールフォーム 免責事項 利用者が本サイトの情報を用いて行う一切の行為について、何ら責任を負うものではありません。本サイトの情報につきましては、利用者ご自身の判断でご利用ください。万一、本サイトのコンテンツが原因となり損害が生じた場合でも、一切責任を負いません。 本サイトの内容につきまして予告なしに変更、公開の中止がされる場合がありますので、予めご了承下さい。
今後のデータ分析事情を考える上で、過去と現在の事情を見ることは有用だろう。そこでまずは過去の日本のデータ分析事情を概観してみたい。 歴史を振り返ってみても、データ分析による意思決定をする文化が日本にない これは最近のビジネスの話だけでなく、どうも有史以来あまり必要がなかったためなのだろうが、意思決定のために情報・データを集めて分析する、という文化が見当たらない。 正確に言うと、リーダー自身が自分で分析をやってはいるのだが、軍師や参謀、あるいは諫議大夫のような役割の人が見当たらない。つまり一言でまとめれば「狭い国土で外部からの脅威もほとんどなく、内側の戦いも隣近所の小競り合いが中心だったのでリーダー自らが考えるだけで事足りた」というとことだろう。 国家の命運がかかる戦争でもやっぱりインテリジェンス軽視というか無視 では外部からの脅威が強くなったらすぐに変わるかというとそうでもない。数十年前の
50年前に発売されたとは思えない、日本の遅れをまざまざと感じさせるおすすめの良書 隠れた良書。ビジネスにおけるデータ分析をより広く、かつ具体的に書いており、特にデータ分析チームのマネージャー向けでこれ以上の書籍は日本語で読めるものは今のところ存在しない。もちろん現場の分析官(特に戦略情報担当)にも読んで欲しい。 この本は原書が1968年、日本語訳がその翌年の1969年(昭和44年)というからもう50年前。そんな時期にビジネスにおけるインテリジェンスについての包括的な記述のある本が出ているという事実にまず驚きだ。目次をざっと紹介すると、 第一章 マーケティング・インテリジェンスの概念 第二章 マーケティング・インテリジェンスのための組織論 第三章 情報の管理とは何か 第四章 インテリジェンス組織と活動-四つの実例 第五章 競合する他社に関するインテリジェンス 第六章 製品に関するインテリジェ
職種ではなく「何が求められているのか」をきちんと読もう データ分析関連の求人が増えたのは良いことであるのだが、同じ職種名でもその内容は企業によって千差万別で、データアナリストで探してみると実はコンサルタントだったりデータエンジニアだったりする。 定義がはっきりしない言葉をそれぞれの解釈で使っており、さらに企業側は分析についての知識や経験がない人がメディアに書いてあることをそのまま書いていたりするので混乱がさらに広がっているありさまだ。 そこでデータサイエンティスト・データアナリストの求人情報を読む際にどうしたらいいかについて考えてみたい。データサイエンティスト・データアナリストが就職や転職を考える際に注意することと合わせて読んでもらうと大外れを引く危険率は結構下がるだろう。 「データサイエンティスト」は大体「機械学習エンジニア」 「データサイエンティスト」は「デジタルに特化し、今までのデー
「アナリティクスディレクター」とは「データ分析プロセスのマネジメントを行い、様々な部署や人とのつなぎ役となる役割」である 「データ分析プロセスのマネジメントを行い、様々な部署や人とのつなぎ役となる役割」のことを「アナリティクスディレクター」と名付けよう データ分析とは「何を知りたいのか」という目的の決定から始まり、データの収集と分析を経て、意思決定と施策の実行が行われ、結果のフィードバックされることで終わる一連のプロセスである(参考:データ分析プロセスの概要)。 そのプロセスに参加する全員がこのプロセスを理解しているかどうかが分析を成功させる大きな要因となるが、たとえ全員が知っていたとしても誰かが適切に仕切らなければうまく動かないし、その役目は意思決定者側ではなく分析者側が担うべきだ。 同時に必要になるのが意思決定者やエンジニア、さらには外部の人々など役割もスキルも様々な部署や人との「つな
今データ分析に求められているのは「データ分析と他部署とのつなぎ役」だが、良い名前が思いつかない → 「アナリティクスディレクター」にしよう データ分析は部署を横断しないとうまくいかない データ分析の実務に関わっている人ならわかると思うが、「データ分析」というのは実に部署横断的な仕事だ。経営者から営業まで依頼はどこからでもやってくるし、データや環境のためにエンジニアとも関わる。データ分析を行うのもデータサイエンティストや機械学習エンジニアのような専門家から、グロースハッカーやカスタマーサクセスといった「データ分析をするマーケター」まで幅広い。 さらには外部のクライアントから直接や営業を通しての間接的な依頼をうまくコントロールしないと大変なことになるし、外注する場合の適切なマネジメントも必要だ。 まだある。データ分析はコミュニケーションと同じでそれだけではあまり役に立たないが、無いと話にならな
このままならば人工知能はバズワードとして遠からず消滅する このままいけば、人工知能は一時的なブームとなり、もう2・3年もすれば忘れ去られるだろう。もちろん裏側で使われるところでは使われるし、デジタル化が進む中で機械学習の重要性が下がることは決してない。しかし、それは社会全体から見ればほんの一部であり、新しいテクノロジーが浸透せずに終わってしまえばあまりにも大きな損失だ。 バズワードで終わるのはメディアが無理やり流行らせようとしているだけということが最大の原因だろうが、せっかくの盛り上がりを活かせない分析業界側にも考えるべき点はあるのでは、という視点で考えてみる。 技術と手法の話ばかりで「人工知能を使うことでどんな良いことがあるの?」に答えていない さて、今話題の人工知能であるが、「で、人工知能を使うことでどんな良いことがあるの?」という問いに具体的な内容を提示できる企業がどれだけあるかを考
油断すると足を引っ張られる定期レポート どこの企業でも多かれ少なかれ存在する定期レポートだが、様々な経緯をたどった結果作り方が煩雑になって毎回膨大な時間がとられていたり、その割には実は誰も読んでいないとか、そのままにしていると結構ひどい目に合う。 自分はやらない、そんなものは若手や外注に任せればよいので関係ない、というのは大変な勘違いで、その分その誰かの時間が無駄なレポートに費やされてやるべきことへの時間が削られるので放っておくわけにはいかない。 そこで自分がやる場合はもちろん、誰かにより効率的な仕事をしてもらうためにもどういったところを見るべきか、ついて考える。 定期レポートに関する業務を効率化するためにやるべきこと 本当にそのレポートが必要なのかを調査する 定期レポートというのは定期的に作られていることだけが存在理由になっていることも多く、定期的に作られてはいるけれどもほとんど誰も見て
2015年7月だから約3年前(更新日時が2018年になっているのは移転の影響)になるが、データサイエンティストという言葉は消えるどころか人工知能の話題と一緒にいまだよく聞かれる言葉となっている。しかし、このエントリーがひどく間違っていたのかといえばそうでもない。矛盾しているのではなく、同じ「データサイエンティスト」であってもその内容が違うのだ。 反省点:「データサイエンティスト」という言葉の定義があいまいだった 「データ分析をする人」には「アナリスト」と「エンジニア」がいる。 当時あまり意識していなかったのだが、「アナリスト」と「エンジニア」を区別していなかった、というよりは「アナリスト」についてしか考えていなかった、という方が正しいのだが、これが間違いであり大いに反省すべき点だ。「アナリストとしてのデータサイエンティスト」であることははっきりしておかないと、「(主に機械学習の)エンジニア
「データ分析をする人」は「アナリスト」と「エンジニア」に分かれ、その違いは「他の誰かが意思決定するための情報(つまりインテリジェンス)」を作るかどうかにある 「データ分析をする人」という言葉のあいまいさ データサイエンティスト・データアナリストはマーケターでもエンジニアでもない存在であり、それを他者に理解させる能力がなければならない。その一環として、そもそも「データ分析をする人」と世の中で漠然と言われているが定義があいまい故に誰かに伝える際に混乱が生じてしまっていると感じるので、改めてその言葉について考えてみる。 「データ分析をする人」は「アナリスト」と「エンジニア」に分かれる 「データ分析をする人」と呼ばれる人は、「データを使った仕事を専門的に、あるいは中心にしている人」であり、さらに分ければ「アナリスト」と「エンジニア」のどちらかに属すると考えられる。プログラミングをするかや、使う手法
次のページ
このページを最初にブックマークしてみませんか?
『データ分析とインテリジェンス』の新着エントリーを見る
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