データサイエンティストの経験談を読む

『先輩のアドバイス』

私が昔一緒に働いていた同僚に言われた言葉です。私たちの仕事は、問題を解決したり、問題を発見し提案したりすることが求められます。一方で、何が問題なのかわかっていないケースも多々あり、そのような場合、不要な偏見や固執によって思わぬ工数や手間がかかることや、成果に結びつきにくいことがあります。そのような時に、私はいつもこの言葉を思い出し、『今この問題は取り組むべき問題なのか』を自分に問いかけるようにしています。

データ分析の結果を伝えるとき、「正しさ」「分かりやすさ」「面白さ」を分けて考えるように教わったことを常に意識しています。

「正しさ」「分かりやすさ」「面白さ」を全て実現することができれば非常に相手に伝わり易くていいですが、なかなか難しいのが現実です。

私もそうですが、数学が好きで論理的に考える人はどうしても物事の「正しさ」を重視しすぎる傾向にあります。例えば、分析に扱った手法からそこに至る過程の詳細を説明することで結果を正しく伝えられ...

「“何がわからないかがわかる”だけで十分」と言う上司からのアドバイスを、仕事をする上で大切にしています。

データサイエンティストは、ビジネスや統計（数学）、プログラミングなど幅広い知識を活用しながら、分析や開発を行います。私自身がこの職種に就いた当時は、私のこれらの知識はまだ浅く、さらに、目の前の課題に対して「何がわからないかがわからない」という状態、かつ「わからないことをわからない」と言えない性格であったため、悩む日々が続きました。...

大学の恩師の一人から、上記の主旨の言葉をいただきました。

データだけでなく、データが取得された目的や取得される過程についての情報、それらの背景にある課題や知識（暗黙の前提となっているものも含めて）をできるだけ正確に理解した上で、適切な処理を施せたらば、有用な結果も手に入り得ます。が、一つひとつの結果は概して小さなものです。

小さな結果に対しては落胆せずに

それが手に入ったことを喜んで

歩みを止めずに次へ進むことが大事なんだと思います...

「当事者意識をもってデータに向き合う」

データ分析やシミュレーションモデルの作成など、データは客観的に評価しなければなりません。

しかし、データ分析の結果だけでは人を動かすことはできません。何を必要としているのか、そこから何をしたいのかをジブンゴト化し、データをどう活用するかまでをしっかり考えなければなりません。

データの向こう側にいる人をイメージすることはもちろん、一緒に仕事をする人をわくわくさせることを意識して、データ分析業務...

データサイエンティストになりたてのころ、やったことを全部伝えようとしてロジックがごちゃごちゃになっていました。

当時は仮説思考とかも弱く、非常に周囲に迷惑をおかけしてたなあと反省しています。

喫煙所で（教えてくださった人は現在タバコ辞めたんですが）タバコを吸いながら、10やったら2だけ伝えて、今度はその2だけでロジックを組めるように分析を設計してみたら、と言われて、その通りにしてみました。残りの8は聞かれたら答えればいいとして取っておく...

依頼された内容はその場で自分の言葉で意図が合っているかを聞き返すことで、論点とは何か/誰に向けて何をアウトプットするのかが明確化され手戻りが発生することを最小限に抑えられる

データ分析はプロセスでしかなく、それそのもの自体には意味はない。分析の結果をいかに実際のビジネスに活かすかが重要。そこまで見据えた分析ができるかが腕の見せ所であり、職人芸とも言える。

昨今、機械学習を活用したビジネス環境の変化に大きな注目が寄せられています。事実、演算量の飛躍的な増加や分析手法の高度化に伴い、以前では考えられないような幅広い領域、高い精度での検知や分類、評価が可能となっております。

一方で、世の中の多くの課題は最終的には人の意思決定や行動に変化を与える必要があることが多く、その際には上記のような検知や分類、評価といった行為は提供する価値全体のほんの一部でしかないケースや、そもそも活用しなくても価値と...

　データサイエンティストは、クライアント企業のビジネス課題の解決や新しい挑戦をデータ分析によって実現させる仕事です。業界のトップランナーであるクライアント企業のトップマネジメント層の方々と議論し、彼らの業務を改善していくパートナーとして認められるために、私はどんなスキルを持っていなければならないか、キャリアの中で常に考えてきました。

　私は、大学で計量経済学を専攻し、マクロ・ミクロ経済学のテーマで実証分析した経験もあり、最初は機械学習な...

ほとんどのケースでは最高精度を出す必要はなく、最新の手法を使う必要もありません。

実現したいことが満たせる最もシンプルな方法を使って、早くユーザー・関係者からフィードバックをもらって検証することが大事です。

分析やモデル作成は課題解決のために必要な作業であって、それが目的ではありません。

複雑なことをやるよりも、まずはシンプルに進めてすぐに反応をもらうことが大事です。

皆様がとても良い内容を書かれておりましたので、私からは少しだけ肩の力を抜く話をします。

データサイエンティストの仕事は当然ながらとても高度な緻密さを求められるものだと思います。

元データが正しいのか？分析結果が本当に言い切れるのか？などと拘りだすと時間が全然足りません。

また、分析の報告をする時に「あれ？なんかあそこの数値やけに低いな...集計間違ってないよな？」などを考え出すとメンタル面でも追い詰められてくるものです。

ほとんどの...

外とは、内容にもよるのですが、できれば世の中に。難しくても社内に。

（※私の弊社での業務上、自社が保有するビッグデータを世に発信する役割があるため）

人に見せる、特に、世の中に出すっていうゴールを見据えた時に、はじめて本気になって考察まで考えたり、内容の詳細について ”健全に“ 不安になったりします。

・出典元やロジックは本当に大丈夫かな？

・この表現できちんと伝わるかな？

・これを見せて何を伝えたいんだろう？

など。

分析と...

データ分析的に理想の方法はまず何かを考えよ。そして、そのあと、実現可能な方法のうち、最も理想に近いものを選択せよ。

データサイエンスをやっていると、理想的な方法と、現実的な方法に乖離があることが多いです。その時の考える指針を示してくれる言葉です。

「新しい技術に興味を持ち続け、自ら手を動かすことをやめない」ことです。

どんな世界においても言えることですが、その時点において最先端の技術もいずれは陳腐化します。

テクノロジー、特にデータサイエンスの世界はまだまだ発展途上で、今この瞬間においても新しい技術が誕生しています。

そのため、学生時代にどんな最先端の研究をしていても、一度学ぶことをやめてしまうと今その瞬間に学んでいる人たちとは戦えません。

一定の成果に満足せず好奇心旺盛...

私の尊敬する弊社の創業者であり、グローバルCEOのJeremy Achinからは、たくさんのことを学びました。その中で一つ私の考え方に影響を与えたことを上げるとすると、彼はあるときから「一つの問題を解くことよりもたくさんの問題を同時に解くことに興味を持つようになった」と言っていたことです。データサイエンスの活用の現実を見ていると、とても興味深いことに気づきます。以前は素粒子物理学で使われていた統計的解析手法やシュミレーション方法が、金融...