Movatterモバイル変換

Big data, Big innovation 次のイノベーションは、ビッグデータからデータサイエンティストとは？- そのスキル/ナレッジレベル定義の必要性 - 2012年12月6日株式会社ブレインパッド佐藤洋行

発表者プロフィール佐藤洋行 − 株式会社ブレインパッドアナリティクスサービス部ゼネラルマネージャー − データアナリストとして1年、プロジェクトマネージャー・営業として3年の業務を行った後、現在のポジション受託分析の宣伝・提案・デリバーのすべてに主体として関与してきました。 2

会社プロフィール【商号】株式会社ブレインパッド（英文 BrainPad Inc.) （東証マザーズ証券コード：3655）【住所】東京都品川区東五反田5-2-5 KN五反田ビル【設立】 2004年3月18日（決算日6月30日）【資本金】 326,618,926円（2012年9月30日現在）【社員数】 117名（ 2012年12月現在）【代表者】草野隆史【事業】アナリティクス事業ソリューション事業ＡＳＰ関連事業 3

データの有効活用を支援するネットが普及する中で、今後蓄積される「大量データこそが、もっとも重要で潤沢な経営資源になる」という視点からこの分析活用の遅れは、重大な問題になると考えています。蓄積可能なデータ量拡大する合理的な／効率的な意思決定の機会損失データ量ギャップ分析可能なデータ量 4 時間

事業区分マーケティング領域のデータ活用支援アナリティクス事業 ASP関連事業ソリューション事業人的サービスネットサービスシステム販売企業の蓄積データの分析技術を利用した CRM＆分析ソフトの分析業務の受託サービスのASP提供販売やシステム構築 5

創業来の連続増収（単位：百万円）売上高 2,000 1,946 1,750 1,500 1,347 1,250 直近４年は 1,000 906 40％以上の 750 647 高成長 500 420 368 250 130 0 2006年 2007年 2008年 2009年 2010年 2011年 2012年 6月期 6月期 6月期 6月期 6月期 6月期 6月期 6

毎日、バラエティーに富んだ多数の分析案件のお声掛けを頂いています・・・このままでは良くないな、と感じていることがあります 7

ビッグデータが話題 “GETTING CONTROL OF BIG DATA” Harvard Business Review 2012年10月号で特集された source: Harvard Business School Publishing., Oct 2012 9

ビッグデータが話題 “Data is king at Amazon” Matt Round (2004) 米アマゾン社のマーケティングディレクター source: Harvard Business School Publishing., Oct 2012 10

ＨＢＲ 2012年10月号 “GETTING CONTROL OF BIG DATA” 巻頭記事は、・ビッグデータ・データサイエンティスト・先進的分析フレームワーク source: Harvard Business School Publishing., Oct 2012 12

分析力を駆使する企業Davenport, Harris and Morison (2010) − 企業が分析力を駆使するために必要な要素を5つに分解し、DELTAとして紹介している・ Data ・ Enterprise ・ Leader ・ Target ・ Analyst 14

ビッグデータとは何か、どうやって収集するか 15

ビッグデータとは何か、どうやって収集するか・・・が問題ではない 16

（ビッグ）データはどう活用すれば良いのか・・・が問題である 17

データサイエンティストは注目の職業 18

データサイエンティストは注目の職業 “The sexy job in the next 10 years will be statisticians” Hal Varian (Googleのチーフエコノミスト)NewYorkTimes 2009年8月5日付けの記事 19「For Today’s Graduate, Just One Word: Statistics」より

データサイエンティストは注目の職業 “If ‘sexy’ means having rare qualities that are much in demand, data scientists are already there.” Thomas H. Davenport and D.J. Patil (バブソン大学教授・HBS客員教授)Harvard Buisiness Review 2012年10月号の記事 20「 Data Scientist: The Sexiest Job of the 21st Century」より

Data Science Journal2002年4月創刊。1つ目の論文は、 “Development of the web-based NIST X-ray Photoelectron Spectroscopy (XPS) Database”整備されてきたデータベースをどう活用するかに焦点 21

2002年専門のジャーナルが創刊2009年今後10年で最も魅力的な職業2012年 “今世紀”で最も魅力的な職業 22

データサイエンティストは需要過多マッキンゼー研究所によると、 2018年までに、米国だけでデータ分析官が “１４万人～１９万人不足する” だろう、とのこと。 source: McKinsey Global Institute, May 2011 23

2002年専門のジャーナルが創刊2009年今後10年で最も魅力的な職業2012年 “今世紀”で最も魅力的な職業・・・不足してる？ 24

データサイエンティストはどこにいる？ Davenport and Patil (2012) ビッグデータから利益を得るためにデータサイエンティストを雇う必要があるとして、マネージャーがやらなければならないのは・・・ source: Harvard Business School Publishing., Oct 2012 25

データサイエンティストはどこにいる？ Davenport and Patil (2012) ・彼らの能力を特定（定義）し、・企業に興味を持たせ、・生産的に働いてもらうことだ。 source: Harvard Business School Publishing., Oct 2012 26

データサイエンティストに定義がない？ 27

データサイエンティストに定義がない Davenport and Patil (2012) まず、データサイエンスの学位を提供する大学はない。そして、組織の中のある役割がデータサイエンティストである、ということもほとんどない。 source: Harvard Business School Publishing., Oct 2012 28

データサイエンティストに定義がない Davenport and Patil (2012) データサイエンティストを得るための最初のステップは・・・ビジネスにおいて彼らがどのようなことを成すのかを知ることだ。 source: Harvard Business School Publishing., Oct 2012 29

データサイエンティストの仕事とは？ 30

CRISP-DMCross-Industry Standard Process for Data Mining − DaimlerChrysler, NCR, OHRA, SPSSなどが参加するコンソーシアムで開発された方法論 − データマイニングプロジェクトを進める標準的な手順が 6つのフェーズに分解されているフェーズ1：ビジネスの理解（Buisiness Undertanding）フェーズ2：データの理解（Data Undertanding）フェーズ3：データの準備（Data Preparation）フェーズ4：モデルの作成（Modeling）フェーズ5：モデルの評価（Evaluation）フェーズ6：モデルの展開（Deployment） 31

KDD processThe Knowledge Discovery in Databases process − Fayyad et al. (1996) によってまとめられたデータマイニングのプロセス − データマイニングにより知見を導き出すための手順を以下の5つにまとめているステージ1：データセットの選択（Selection）ステージ2：データの前処理（Pre-processing）ステージ3：データの変換（Transformation）ステージ4：データマイニング（Data Mining）ステージ5：解釈と評価（Interpretation/Evaluation） 32

SEMMASample, Explore, Modify, Model and Assess − SASにより構築された、5つのステップからなるデータマイニングツールの導入手順 − 現在では、データマイニングの一般的な方法論とみなされることも多いステップ1：データサンプリングステップ2：データ間の関係性などの探索と理解ステップ3：変数の選択・合成・変換（モデリングの準備）ステップ4：モデルの作成ステップ5：モデルの（信頼性や有用性の）評価 33

Proceedings of the IADISAzevendo and Santos (2008) − KDD process と SEMMA は殆ど同一 − CRISP-DM はそれらに加え、前提となる知識と目的達成のための有効化を求めている点で、より完璧な方法論だと考えられる KDD SEMMA CRISP-DM --- --- Buisiness Understanding Selection Sample Data Understanding Pre processing Explore Transformation Modify Data Preparation Data mining Model Modeling Interpretation/Evaluation Assessment Evaluation --- --- Eployment 34

Proceedings of the IADISAzevendo and Santos (2008) − ただし、結局は KDD process でも、SEMMA でも、データの選択・準備や解釈・評価の段階について、ビジネス展開を考えずに実行することは不可能。 − その意味では、すべてが同じプロセスを含んでいると言える。 35

データサイエンティストの仕事とはAzevendo and Santos (2008) − ただし、結局は KDD process でも、SEMMA でも、データの選択・準備や解釈・評価の段階について、ビジネス展開を考えずに実行することは不可能。 − その意味では、すべてが同じプロセスを含んでいると言える。「ビジネスの理解」に基づいて分析し、結果を「施策連携」させることが要 36

分析力を駆使する企業Davenport, Harris and Morison (2010) − 企業が分析力を駆使するために必要な人的リソースとして、「分析リーダー」と「アナリスト」を挙げ、その仕事内容について記載している分析リーダー：強い影響力を持ち、人員や予算や時間を投じる権限もあり、これらを行使して分析に基づく意思決定を奨励するアナリスト：統計的手法、精度の高い定量・定性分析、情報モデリング技術などを使って意思決定を行う 37

What is data science?Mike Loukides (2010) ※ O’Reilly Media,Inc. のバイスプレジデント − 現在、多くの場面で求められるようになったデータの有効活用について、伝統的な統計解析との違いを以下のように述べている統計解析とデータサイエンスを区別するのは、後者は全体論的なアプローチをとるということだ。いたるところでデータを手に入れる機会が増え、データサイエンティストはデータを収集し、分析に適した形に整え、データにストーリーを語らせ、そのストーリーを他者に伝えている 38

1996年データ活用の方法論確立2010年ビジネスでの活用事例まとめデータサイエンスの再定義 39

データサイエンスの実際 40

Buisiness Understanding（あらゆる）ビジネスに精通しているデータサイエンティストはいない − 分析を受託して行う会社であればスポンサー部署から − 分析部署であれば戦術・施策を立案する部署から徹底的なヒアリングを行わなければならない・・・が、分析分野が得意なデータサイエンティストには、性質的にヒアリングが得意な人材が少ない 41

Data Understanding実際に企業に蓄積されているデータに整然としたものはない − 日々進歩するH/W、それに合わせて変わりゆくデータ − 一方でマーケティングデータは未だにExcel管理という企業も多い − データを管理する部署（場合によっては複数）から徹底的なヒアリングを行わなければならない・・・質問は比較的シンプルだが、関係部署が多い場合や、データの歴史が古い場合は、誰に聞けば良いか分からないことがしばしば 42

Data PreparationSQL系のDataBaseだけでも複数種が存在、分散処理も必要となってきている − しっかりインデックス整備する？ある程度で処理してしまった方が早い？Hadoop利用すべき？ − データの処理はどこで行う？新たに分析用DB構築すべき？多数の選択肢の中から可能な限り最善の選択をしなければならない・・・すべてに精通することは極めて難しい 43

ModelingH/Wの処理能力、分析手法、分析ツールは日進月歩、ビジネスの状況も常に変化している − 仮定すべき分布は？手法は重回帰／決定木／・・・？ベイズ系の手法の方が良い？ − 課題の設定は正しかった？ビジネスインパクトは？短い時間に様々な可能性を考慮し、正しい課題設定をして、正しい手法を適用して、結果を出さなければならない・・・複数の分析手法・ツールを利用した経験のあるデータサイエンティストは少ない。また、まずはやらなければ分からない部分もある。 44

Evaluationビジネスにおいては、テストのために一つだけの施策を行う期間を設けるのは非常に難しい。 − バックテストだけで十分か？他の施策への影響はシミュレーション可能か？ − 実験が必要であれば、どのような規模で、どのような対象に行うべきか？正しい評価を行うだけでも、テクニックが必要となる・・・経験がないと見落としてしまう落とし穴も存在する 45

Deployment関係部署を動かすのは分析結果だけではない。ビジネスパーソンとしての調整力が問われる。 − 分析結果から導き出される取るべき戦術／行うべき施策は現実的で、実行するだけの価値があるか？ − それらを関係部署（特に決定権者）に如何に伝えるべきか？フェーズ1の「ビジネス理解」とセットで、ビジネスに有用な戦術／施策に連携させることが求められる。誰に伝えるべきか、という選択も含め、ビジネスパーソンとしての力が必要となる・・・が、分析分野が得意なデータサイエンティストには、性質的にヒアリングが得意な人材が少ない 46

データサイエンティストのスキル/ナレッジレベル定義の必要性 47

データサイエンティストは存在するのか Davenport and Patil (2012) データサイエンティストは、・データハッカー・分析者・伝達者（コミュニケーター）・信頼できる相談役の複合体と考えられる。・・・が、そんな人は殆どいない source: Harvard Business School Publishing., Oct 2012 48

データサイエンティストは存在するのかDavenport, Harris and Morison (2010) − 分析リーダーの行動や姿勢には、企業のトップであれ現場の社員であれ、共通する特徴が認められる。ここに挙げるすべての特徴を備えている人はいないし、どの特徴をとくに強く備えているかは人によって当然違う  コミュニケーション能力を高める  データに基づく意志決定を要求する  有能な人材を採用し、評価する  模範を示す  結果に責任を持つ  教える  戦略を立て、目標を掲げる・・・ 49

組織としてのデータサイエンティスト• 異なるビジネス領域が得意なデータサイエンティスト• 異なるプロセスに精通したデータサイエンティスト• コミュニケーション能力の高いデータサイエンティスト適切に混成された組織が構築できれば、組織としてこのような人格になれるかも・・・「完全なデータサイエンティスト」 50

組織の構築に必要なもの今、何が課題なのか今、分析でそれを解決するに当たって、どのような人材が存在（不足）しているのか・・・答えられそうですか？ 51

データサイエンティストのスキル/ナレッジレベル定義の必要性業界の健全な発展に向けて 52

業界の健全な発展に向けて• スキル要件定義／標準化が行うことにより、どのデータサイエンティストがどの分野／プロセスを得意とするか明らかにすべきでは？ – 現在解決すべき課題に対して不足している人材を明らかにする – 外注時／採用時の需要と供給のミスマッチを防ぐ 53

業界の健全な発展に向けて• 認定制度（既存のものの利用も含め）などは作れないか？ – 業界として人材の品質を保証する – データサイエンティストを志す後進の学習を促す 54

業界の健全な発展に向けて• スキル要件定義／標準化が行うことにより、どのデータサイエンティストがどの業務を得意とするか明らかにすべきでは？ – 現在解決すべき課題に対して不足している人材を明らかにする – 需要と供給のミスマッチを防ぐ• 認定制度（既存のものの利用も含め）などは作れないか？ – 業界として人材の品質を保証する – データサイエンティストを志す後進の学習を促す特定の企業が決めるのではなく、業界全体として団体を作るなどして健全な発展を目指す必要性があると考えます。 55

データサイエンティスト協会（仮称）（まずは）複数社で構成する社団法人設立を予定。会員募集に当たっては、広く門戸を開き、関連団体／学会とも積極的に関わる。 56

データサイエンティスト協会（仮称）設立準備のためのfacebookページhttp://www.facebook.com/DataScientist.jp「いいね！」お願いします！ 57

データサイエンティスト協会データサイエンティストの定義を考えるグループhttps://www.facebook.com/groups/datascientist.jp/興味のある方、ご連絡お待ちしております。 58

ご清聴ありがとうございました 59

Movatterモバイル変換

Change Language

データサイエンティストとは？そのスキル/ナレッジレベル定義の必要性

Embed presentation

Recommended

More Related Content

What's hot

Viewers also liked

Similar to データサイエンティストとは？そのスキル/ナレッジレベル定義の必要性

More from BrainPad Inc.

データサイエンティストとは？そのスキル/ナレッジレベル定義の必要性

Movatterモバイル変換

データサイエンティストとは？ そのスキル/ナレッジレベル定義の必要性

Recommended

More Related Content

What's hot

Viewers also liked

Similar to データサイエンティストとは？ そのスキル/ナレッジレベル定義の必要性

More from BrainPad Inc.

データサイエンティストとは？ そのスキル/ナレッジレベル定義の必要性

データサイエンティストとは？そのスキル/ナレッジレベル定義の必要性

Similar to データサイエンティストとは？そのスキル/ナレッジレベル定義の必要性

データサイエンティストとは？そのスキル/ナレッジレベル定義の必要性