次の時代を創造し、世界をよりよい場所に変える仕事。
気難しい天才学者の発言を周囲に分かりやすく伝える人
データを使って新しい体験を作る仕事です
経営上の課題を解決するために、データを分析して、課題解決の施策の方向性を決定づける示唆を出したり、実際にデータを使って施策をコード化する仕事。
具体的には、データによる需要予測や、潜在的な顧客の発見、マーケティング施策の効果検証を行う。
以前はデータを扱って分析や実装をする仕事を包括的にデータサイエンティストと呼んでいたが、ここ数年で分業化が進んでおり、データ分析よりビジネス的な能力が求められるデータアナリストや、機械学習によるアルゴリズムを作成し実装するAIエンジニアなど、役割が細分化されている。
ウガンダ県知事向け、紛争後のコミュニティ形成の為の日本研修(1ヶ月間)の引率・報告書作成
各国地方行政官の能力向上プロジェクトの見える化
データ分析チームの立ち上げ
PROGOSで使用するAIエンジンの開発
PROGOSのAIエンジンをプロダクションローンチ
人材データ分析を活用した最適配置
大企業系、コンサル系、ベンチャー・メガベンチャー系に分けられる。
大企業系では、自社の持っている豊富なデータを活用してインパクトを生むような業務が多い。
データが充実しているほうが統計学的に分析の正確性が増し、事業規模が大きいほうがデータ分析のインパクトも掛け算的に大きくなるので、大企業ではデータサイエンスの役割を発揮しやすい。
コンサル系では、顧客の持っているデータを分析して事業改善の提案などをする。アクセンチュアやブレインパッドなどがこれに相当する。
データと向き合うことよりも、ビジネス全体を分析対象として顧客と対峙することが多いという点では、データアナリスト寄りの業務が多い。
DeNAやリクルートといったベンチャー・メガベンチャー系では、統計学的な手法や機械学習の技術の高さを強みにしているという特徴があり、実装にも少しかかわるようなAIエンジニア寄りの業務になることが多い。
一般に、大学院修了レベルの知識・技術力を求められる。情報系や経済系出身の学生が多く、専門分野である程度データ分析の経験を積んでいるパターンが多い。Kaggle（データサイエンティスト・AIエンジニアのプラットフォームの一つ）のような場で企業や政府主催のコンペに参加し、コードを書く経験を積んだ学生が増えてきている。
ただ、経験必須というわけではなく、独学できる基礎的な能力があれば就職後に学び始めてキャッチアップできる人もいるという。
求められることは新卒と大きく変わらないが、中途の場合は未経験だと厳しい。即戦力として期待されるため、統計学や機械学習の知識があることはもちろん、社内外のデータを使って、実際にデータ分析で事業にインパクトを与えた経験を持っているほうが有利となる。チームワーク力があり、プロジェクトを共同で進められるかどうかも重視される。
データサイエンティスト協会の「スキルチェックリスト」では、求められる能力として「データサイエンス力」「ビジネス力」「データエンジニア力」の3つを挙げている。中でも情報処理・統計学的なスキルである「データサイエンス力」は仕事を通じて向上していく。
上記3つの力のうち「最低限1つは必要ですが、2つあれば十分だと思います」（電通デジタル・荒川拓さん）。足りない部分は、データアナリストやAIエンジニアと分業することでもカバーできる。
データサイエンティストの経験談の中から、一部を抜粋して紹介しています。
仕事の中で、最も楽しいと感じる瞬間はどんな時ですか？
データという「素材」と、分析という「道具」があったからこそ、現実をより深く理解できた、と思えた時です。
データというのは、あくまでの現実に起きている事象の一部を切り取った写像であり、全てを説明できるわけではないです。
その上で、データを分析して見つけた結果の背景を探った時に、その理由が現実での動きに結びついたとき、楽しさを感じます。
そして、それを知ったからこそ、実際の施策や意思決定が変わり、きちんと結果がでたときには、「データを...
分析したからこそ、出せた成果」という実感を大いに感じられ、やりがいを感じます。
この仕事をやっていて、眠れないほどしんどい瞬間はどんな時ですか？
データサイエンスはまだ新しい分野でありながら、昨今のAIブームで大きくその名を知られることになりました。
しかし仮にデータサイエンティストの名前は知っていたとしても、
実際の仕事の中身をよく理解している人は、まだ世の中に多くはありません。
このため、例え大きな期待をもって迎えられた立場だとしても、
最初に周囲の部門を説得し、理解や信頼を得るまでは非常にしんどいプロセスとなります。
データサイエンスにおいて新しい知見を得るためには、横断...
的なデータ活用が必須となるケースが多いため プロジェクトの初めに、今までの業務では協働することのなかった多くの部門と並列的に交渉することが多いです。 先に述べたように、データサイエンスに対する実際の理解はまだまだ足りないのが現実です。 横断的な業務においてはデータオーナーである既存のビジネス部門の協力を得る必要がありますが、 その各部門がデータサイエンスを得体の知れないものと捉えていると、コミュニケーションに多大なコストを払うことになります。 特にデータの宝の山である伝統的大企業ほど組織が大きくコミュニケーションが複雑になるため、 必然的に、データが実際に揃い触り始めるまでのプロセスに多大な努力と時間をかけることになります。 そのような状況下でデータ活用の有用性を訴えるためにも、分かりやすく伝える力は必須であると考えています。
同業の先輩や同僚にアドバイスされたことで、最も仕事上の教訓になったことは何ですか？
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。
転職や就活で、この職業を目指す未経験の方におすすめの書籍は何ですか？理由と合わせて教えてください。
他の方はビジネス寄りの本を紹介されているようなので、理論寄りの本を紹介します。最初の本というにはハードルが高いものを選んでいます。正直に告白すれば、私も全てを精読したと言える状態ではありません。
しかし、本格的に志すなら、このレベル以上の書籍・論文とも付き合ってほしいと自戒も込めて書きます。そのような中上級者への入門として捉えていただければと思います。
洋書を挙げましたが、『大規模計算時代の統計推論―原理と発展―』というタイトルで翻訳...
されています。「本書は，統計学が過去60年間にどのように進化してきたか検証し，広範囲に俯瞰する」とは共立出版の翻訳書 HP からの引用ですが、これが驚くべきことに大言壮語になっていません。 最初に統計的データ処理を「アルゴリズム（具体的にどんな計算を行っているか）」と「推論（なぜその計算を行うのか）」の2つの側面に分けて考えるということが宣言されます。 その後に頻度主義とベイズ主義の比較などが行われ、個別のトピックに移り、ニューラルネットワークやブースティングなど現在よく用いられるようになった手法も取り上げられています。 データサイエンスに従事すれば学ぶことは尽きないですが、本書を通じて統計学において過去に何が行われていたかを知ることは、新たな知識と格闘する際の哲学的な支柱となると信じます。
この仕事に向いている人、向いていない人の資質とは何だと思いますか？
人間を信用しすぎる人は，この仕事（というより，この分野）に向いていないかもしれません．
私達がデータの力や技術で救いたいのは畢竟人間です．
しかし，人間は（人間に楽をさせるというのも私達の目的の一つではありますが）ともすれば楽をしたがるし，何か道具があったらすぐ悪い使い方を思いつくし，あるいは善意が悪い結果を招くこともあります．
これはモノづくりを担う人が普遍的に意識すべきことなのかもしれません．
データサイエンティストも，時として人...
の剥き出しの本音を見つめたり，人間の悪い側面を想定して仕事をしなければならないことがあります． 人間という存在を信用している人にとっては，少しつらい仕事なのではないかな，と思います．
この職業について未経験の人に説明するとしたら、どんなキャッチコピーをつけますか？
データという食材を元に、価値を生み出す料理人
