  |
はてなキーワード: サイエンティストとは
盛夏の候、涼のお供に
探索的データ分析、現状の課題に対する適切な仮説とモデリング、そしてその評価をおこなうこと。モデルのデプロイから運用まで行う人もいただろうが、定義に大小あれそれがデータサイエンティストの本来の業務だった。
「分析・開発・ビジネスの三要素を併せ持った、データ解析業務の現場で替えの効かない人材になってほしい。分析や開発だけ出来る人間になってもしょうがないんだ。人間力を磨いて欲しい。」
どこかの偉い人が発したその言葉によって、まずデータサイエンティストは営業に駆り出されるようになった。それ全部やるんだったらデータサイエンティスト以外の職種っていらないじゃん、という現場の声を無視してこの方針はどこまでも広がり、いつしかデータサイエンティストとは営業業務に従事する職業だという定義が一般的になった。
私も例に漏れず、まだかつての定義のデータサイエンティストが主流であった頃に就職したものの、5年働いた後にこの波が来て、それから業務では一行もコードは書いていない。
それでもまだマシな方かもしれない。世間では平和という概念が本当にあったのかと疑問を呈さねばならないほどに、戦争の時代が訪れていた。データサイエンティストがホワイトカラーのあらゆる仕事を担う一方で、かつて営業と呼ばれていた人たちなどは兵士として戦場に駆り出されていたのだ。
「これからデータサイエンティストはどうなるんだろう...」
昼休みにこれまでの自分の過去を振り返りながら、私は自分の席でコードを書いていた。業務では書いていなかったが、私は未だに休日やこうした昼休みの時間などにコードを書いていた。今日の獲物は自分がこれまで集めてきた営業業務に関わるデータだ。
私が行う営業業務は他のデータサイエンティストの例に漏れず、架電を行いアポを獲得するタイプの新規開拓業務であったが、そのクライアントとの対話をすべて記録していたのだ。音声データを扱った経験はなかったので、音声データからテキストデータへの変換を行ってくれる外部サービスに処理を丸投げし、テキストデータを得られたのがつい昨日のこと。そこには1万人との対話記録データが残されていた。
「1万人との対話記録があれば、そこそこ学習ができるだろう。」
「久々にJupyter Notebookを立ち上げてEDA(Exploratory Data Analysis))をやってみるか。」
```
import pandas as pd
import numpy as np
df = pd.read_csv("../data/client_dialog.csv")
```
EDAなら図の可視化もしないといけないからmatplotlibが必要だな、きれいに図示したいからplotlyもimportしよう。あとはmecabも必要だし、話し言葉だからneologdも...
そんな事を考えながらウキウキとタイプして分析を進めていると、急にベルが鳴り始めた。
「ピーンポーンパーンポーン」
そんな。まだ昼休みは終わっていないのに。もしかして空襲？いやでも空襲にしては穏やかすぎる。するとメッセージが流れ始めた。
「これからCEOからのオンラインメッセージがあります。社員のみなさまは手を止めて、各フロアの大モニターにご注目ください。」
なんだろう。急にCEO直々のオンラインミーティングがあるなんて。いつもうちのトップである市川ユキは姿を表さず、社内広報雑誌のインタビューでしか顔を見せないのに。
そんな事を考えていると、フロアの一番大きなモニターに市川ユキの顔がでかでかと映し出された。そしていつものように唐突に話し始めた。
----------------------------------
「皆さん、お疲れ様です。突然ですが、明日から我が社は方針を転換し、弊社が抱える資産であるデータサイエンティストを、より活躍できる方向に育成するべく新たな研修制度を設けることとしました。」
「それが三ヶ月の兵士体験プログラムです。」
「データサイエンティストとしての強みを生かして、前線で活躍する兵士の方々の役に立つソリューションを生み出し提案することを期待します。分析だけ、技術だけの人間には決してなってほしくない。人間として、より素晴らしくなってほしいと思っています。」
「今世界で活躍するデータサイエンティストは、エンジニアリング技術など言うまでもありませんが営業成績だけでなく、戦場での成績も目覚ましいものがあります。私はそこに目をつけ、今後データサイエンティストは戦場に行くべきだと考えたのです。」
「つらいこともたくさんあるでしょう。そんなときは現場の人と飲みに出かけてください。辛いことは皆で分かち合いましょう。」
「それでは」
----------------------------------
...こうしてデータサイエンティストは、戦争に駆り出されるようになった。
増田文学大賞 'All Time Best増田' は２０１８年８月末に発表します。
コンサルにてアナリストをやった後、データサイエンティストを名乗りながら仕事をしています。そんな中で嫌だったなと思った人たちとプロジェクト
最近はアウトカムでの評価の流れにはなってきたが、まだまだモデルの評価をする事は少ない。
でも何故か相変わらずロジステックとCox回帰をやれればおっけーであり、モデルの精度が当たらなくてもオッズ比と説明変数の
有意差だけでていれば上手く行く分野。 本当に心が痛む上、まだまだ「医者でなければ人であらず」が通ってしまい、モデルの説明よりもお医者様のお言葉が1stにきてしまう。また分析プロジェクトの
設計らしい設計があまり出来ないのもつらいところ（モデルの精度が出ていないのにそのオッズ比・有意差に何の意味があるんだと思う）。後日本の製薬企業から「何とか工夫で有意差がでないのか！！」
という謎おしかりを受ける・・・いやそんなん無理ですやんと切実に思う。やる気でこの世界の数字は変わりません。
割と良いBIみたいなんが良くも悪くもあるためアナリストの人たちがやった気になっているやつ。Web関係のアナリストは、アナリストを名乗って欲しくない人の方が多いイメージ（勿論しっかりWebアナリストやっている方々は知っている）。広告内容を分類し、CVを予測、そしてマルチチャネルの予算からのCVを最適化案件をしていたらWebアナリスト様から「私の作るLPは最適です。なので予算４０００万です」という謎の最適の主張を受けたのはいい思い出（何故かデザイナー様がWebアナリストもやっていた）。広告内容のuser2vecでのレコメンド実装にチャレンジして評価して、協調フィルタリングよりも精度はよさげだな喜んでいたら、どっかのよくわからないレコメンドツールというのが汎用性もあるし、既存のツールに１万ぐらい払えば追加できるとそして何故か「最適化」されているという言葉に役員が騙されて決済がおりていたのを聞いたときは殺意が沸いた。どうせ既存のマーケティングオートメーションのレコメンドエンジンなんて協調フィルタリング・ロジぐらいだろうと思っている。本気で分析やっている人がそうそう最適化なんて言葉を使わないと思うんだ・・・。まぁここの反省はWeb業界といってもみんなコーディングがりがりではなくてGUIでいいならそれでが割と多いという事を学んだ （注意）。
３．データベース関連
どっかの人のにもあったが、「あっ、データ分析分かるんだよね？」という事でVB6とAccessの改修をやらされそうになったときは全力で拒否った。
４．やる気を説いて来る人達
やる気で数字が変わったら誰も苦労なんてしないんだよ・・・。半教師有り等で精度向上見込めるといってもいくらなんでもこのデータでは
５．ホワイトボックステストを要求されたとき
モデルのホワイトボックステストってどうやってやるんだ？精度を検証用データでやっていれば良いじゃないかと思っていた。ただそこの金融系でITプロジェクトは、基本的に「ホワイトボックステスト」やらが必須らしく・・・おいおい・・。とりあえずカテゴリーの目的変数がそれぞれの値を取ることを客先で見せてかつレポートで「こうこうこうゆうときにカテゴリー変数が変わりますよ」という彼らがいう境界線の確認を全てやることになった。カバレッジ１００％も言われたが、流石に無さ過ぎるので諦めてもらった。
６．KGIとKPIしっかり切り分けてBI作成していたら集計屋かといって来られる時
どこかの人にもあったが、私はビジネスが動けばよいと思っているので難しい分析をしなくても上手く行く時は、集計で上手く切り分けて、要因分析をやる（裏で決定木とかで境界値とかは見ていたりする）。ただ何故かそれで集計ばかりしかしていないと怒られる。別に研究者ではないし、難しい分析をしてクライアントへの説明に時間を取られたり、展開が難しくなるぐらいならば皆と合意した上で、KPIとKGIを切り分けてダッシュボード作成をしっかり出来る方が実はビジネス上上手く行くだ。むしろ自分への戒めでいつも難しい分析が本当に必要なのかと思ってるぐらいである。
注意 因みに私の別部署でインフラ基盤周りのWordpress関係が炎上していた。そこそこの大規模でWordpress使うって大変らしいのに・・・。
ずっと疑問なんだが
検索してみると出てくるのはデータサイエンティスト職だが、それは旧来のデータサイエンティストの仕事だろう？
いや語弊があるか
ディープラーニング等の新技術を売り込む会社はほんの少しだけ生まれてる
でも求人情報を眺めると、主たる業種は、データサイエンティストや生産管理とかそっち系だ
しかし「AIが仕事になる」と勘違いして勉強してる人が多すぎないか
こういうのってバブルですら無い虚業で、数年後目が覚めた時大量の難民を生むんだよなあ
芸人、歌手、声優、クリエイター、そういった学校のほうが強い界隈に成り果てるのではないか
AIが生まれても、技術がどう変わっても、世の中のビジネスモデルと言うものは大して変わらない
どこかで儲けなければならない縛りがあるから、技術だけで仕事は生まれない
こんな文系のマーケティングや経済学の力を借りようとしているのに。
https://twitter.com/TJO_datasci/status/983734237432987648
大方の任意の統計モデルはStan使うか粒子フィルタとかでパラメータ推定できるようになってきたので、どちらかというと経済学系やマーケティングサイエンス系のテキストを読んでどんなモデル式の候補が世の中であり得るかを勉強した方が良い気がしてきた
実験ができるような理系の分野ではなく仕事に使えるような数理モデルや統計は、経済学の方が一般的な理系よりも進んでいる。
夜7:30～73分拡大版
今回は、時代が生み出した新しい仕事のプロたちを特集するスペシャル。まずは、新しい仕事の代名詞とも言える「ユーチューバー」。作成した動画の総再生回数７９億回以上、チャンネル総登録者数１，１００万人を超え、日本トップを誇るユーチューバー、ＨＩＫＡＫＩＮ（ヒカキン）２８歳に、テレビ初となる密着。その成功は、日々のたゆまぬ努力で成し遂げられている。こだわりを追求するために、企画から出演、撮影、編集までを一人で行い、１年３６５日、ほぼ１日中自宅で仕事をしている。
そして、日本人として初めて「プロゲーマー」となった、梅原大吾（うめはらだいご）、３６歳。幼い頃から格闘ゲームの世界で頭角をあらわすも、それを仕事にするなんて考えられず、一度は介護の仕事に就いた梅原。しかし８年前、悩み抜いた末に、新たな仕事の道に踏み出し、業界の未来を切り開いた。さらに、今世紀最も魅力的な職業と称される、ビッグデータの分析者「データサイエンティスト」など、番組では、時代の最先端を突き進むプロたちの生きざまに迫る。
ワープロソフトが写植技師の仕事を奪った時、私は声を上げなかった
AIがデータサイエンティストの仕事を奪った時、私は声を上げなかった
俺は常々言っている
この詩の最後の句は
皆働かずに暮らせるようになった
で〆ようではないか
増田がなぜそんな環境が整っていない会社に行ったのかを私は知っている。データサイエンティストの年収は環境と反比例するからだ。WEB系のようなデータサイエンティストがたくさんいる所を程年収が安いし、事業会社のようなITに疎いところほど高い。
相場はデータサイエンティストの環境が整ってるDena、LINE、メルカリあたりのイケてるメガベンチャーで800万円くらい。EXCELでデフォルトのみずほ、丸紅で1300万円くらいだと思う。
まず戦うフィールドが間違ってる。
予測モデルの精度改善がそのまま売上の改善につながるような業態の会社を選ぶんだよ。
例えばGoogle.
ここで言う広告とは、GoogleやらYoutubeやらに訪れたユーザーのデータを詳しく分析した上でもっともコンバージョンレートが高くなりそうな広告を予測して表示するタイプの広告だ。
「誰にどんな広告を表示したらもっともコンバージョンレートが上がるか」というのは、当然データ分析や機械学習の範疇だ。
想像してみてほしい
1. 毎日GoogleとかYoutubeとかに何億人だかのユーザーが訪れる。
2. 世界トップクラスのデータサイエンティスト達が作り上げた、Googleのコンバージョンレート予測モデルはもっともユーザーがコンバージョンしそうな広告を予測して、それを表示する。
3. 予測モデルがはじき出した結果が正しければ、ユーザーは広告をクリックし、広告主は収益を上げ、その一部がGoogleに広告費として入る。
この時、2.の予測精度が1%上がれば、Googleの売上はそのまま1%上がる。
Googleの年間売上が1〜2兆円くらいだったはずだから、1兆円の1%としても100億円の売上向上という事になる。
そういう企業のデータサイエンティストは、絶対に元増田のような仕打ちを受けない。
逆に、データサイエンティストが末永く高い生産性を発揮できるようにあらゆる努力が行われているだろう。
Googleじゃなくてもこういう事業構造を持った企業では絶対にデータサイエンティストは軽んじられないと思うぞ。
広告以外だと、例えば保険業界のアクチュアリーとか金融業界のクオンツなんかも事業継続や収益に直結するから良い感じなんじゃないか? 知らんけど。
あのさ、「R/Pythonでバリバリ分析しようと思ってたけど入社したらExcelしか使わせてもらえませんでした」って転職先の下調べ甘すぎだよ。
プログラミングというスキルに対してどういうスタンスを取ってるかって、企業によってぜんぜん違うぞ。
元増田の会社みたいに「プログラミングスキルはコモディティ化したスキルで全部外注に出せばいい」みたいなスタンスを取ってる会社だってごまんとあるし、そういう会社に入ると悲惨なことになるぞ。
ちゃんと、転職エージェントから転職先の情報聞いたか? 転職先の会社とミスマッチが起きないように入念に面接を繰り返したか? Vokersは読んだか?
転職エージェントは転職が成約すると報酬が入るようになってる事が多いから、話半分で聞いたほうが良いとは思うが、それでも元増田レベルのミスマッチは指摘してくれると思うぞ。
面接は人事部門だけでなく、所属予定部署のマネージャークラスとか同僚になる可能性が高い人と面接させてもらって相性が良さそうかよく確認するんだよ。
Vokersは安いからとりあえず読んどけ。
データサイエンティストって基本的に物凄く"か弱い"職種なんだよ。
エンジニアみたに実際の製品を作る訳じゃないし、営業みたいに客が取れる訳じゃない。
データサイエンティストがバリューを発揮するためには、自らの成果を他の職種に理解して貰えないとダメなんだよ。
※Googleみたいに作ったモデルが直接プロダクトに組み込まれる場合は別な。
じゃあ、どうすれば他の職種から理解して貰えるかというと、これは難しいところだな。
僕も分からん。
ただ、1つ言えるのは、他の職種から信頼してもらえなければデータも出てこないし、分析した結果に耳を傾けられる事もない。
組織ってその内部にいろんな評価基準を持っている。その評価基準は必ずしも全体最適になってないかも知れない。だから無視したくなるかも知れない。
でも、まずは相手が持ってる評価基準に合致するようなバリューを出して、協力を取り付けるんだよ。そうしないと話が進まないからな。
既存の評価基準の中で十分な成果を出したら、発言権が増すからそうしたら次は増田の好きなようにやればいい。
まあ、これをするのが面倒なら、最初からデータサイエンスが事業に直結してる会社に入ると良いと思うぞ。
というわけで、元増田は、
3) 入った後の進め方も拙かった。
元々コンサル会社から事業会社のほうでデータサイエンティストをやるようになって１年経つが辞める。そのきつかったことを匿名という場所で卑怯ながらも話したいと思う。
元々私は大学院でそこそこ統計をやってきてから、コンサル会社に行きデータサイエンティストとして事業会社へ移った口だ。
根本的にデータサイエンティストとしての資質としてざっくりいうと以下の３つが必要だと思われる。
2. KPI設計及び事業からのKPIへの落とし込みからそのKPIからどう事業繋がるかというビジネス設計能力
私能力的には１がやや強く、その次に２がまぁまぁそして３はまだまだといった所で事業会社でデータサイエンティストとして孤軍奮闘をすることになった。
データはあるが、なかなか活用できていないこともあり、分析から企画から関われるという事で入社しようと思った。
後そこそこ大きな会社で働くのも良い経験と思い入社を決意した。ニッチな分野ではあるが、この分野ではTopカンパニーである。
最初の４日ぐらいは会社の研修とかで潰れるのは仕方ないもので、それが終わり早速の業務を行う事になった。
貰えない。
許可申請の関係で３週間程かかってからまず最初にデータを頂けるようになった。この時点でやる気を削がれた。
更にデータの確認という事で事業へのヒアリングを進めるだけで・・・６週間程かかった。更にやる気を削がれた。
この辺りで気付いた事だが、コンサル会社でいたときは、データの確認がスピィーディーだったのに何故こんな遅い作業なったかというと
日本の企業は部署跨ぐというのはとても大変で、コンサルとしてやっていたときは単価も高いし、期間内でやらないといけないという事で
いろいろと調整がスムーズに進んでいたという事がこの時に分かった。コンサルとして外から見ているとやはり分からない事は多い物である。
データの確認も終わり、分析をし、改善を行うテーマを決めて進める事になった。この時点で２カ月ぐらい過ぎていた気がする。R/Pythonの自分のパソコンへの許可申請を出すが、降りない・・・。会社的にはCならばOKだと言われる。でもCの追加ライブラリーの関係はダメらしく・・・悩んだ結果エクセルを基に分析をする事になった。現状把握のために基礎集計をするが、エクセルでSQLで言うGroup_byやら違うデータ同士をくっつけるためのJoinを32 bit エクセルで関数ベースでやると何度も落ちる・・・。この時点でやる気は地の底へと落ちていた。
この辺りでCベースでもう書き直そうかと悩むが、流石にCのライブラリーがない所でフルスクラッチ調に書くのは工数的にかかると考えたのでvbaを用いていた。
エクセルベースでの可視化から上司や関係者にデータの分析の結果を見せていく。この辺りでデータ分析から改善策はまとまっていた。しかしこの辺りでやる気をマイナスにして頂ける言葉を伺う。
私がVBAを書いているのをちらっと見て
「プログラミング何かやっていても仕方ないし、プログラマーではねぇ・・・。今後会社ではプログラマーなんていらないから企画できるようにならないと」
勿論これは直属の上司からのお言葉ではないが・・・正確には同期であるが・・・もはや殺意すら覚える。因みにこの人の既存サービスの改良プロジェクトが回った時のデータを収集したら分析する事になっていたが、プロジェクトのスケジュール感を見ると
開発 4カ月
運用以降
みたいな形でうん？何か少なくないか？と思ったら既存のサービスに関してのギャップ分析無しに既存サービスの改良を進めているらしい
・・・その上取れるデータは〇〇〇で〇〇〇は無いらしい。あっそんなん改善出来んやん・・・。一応私はアリバイ工作のためにメールや会議にて発言する
が・・・空気を読めないと言われ会議呼ばれなくなってしまう（因みにこのプロジェクトは要件定義から運用以降まで外注である）。
私のコンサル的な能力がなかったと言えば確かにその通りである。でもいやうん日本の企業の中で、分析をやっていくのは本当に難しいというのがよくわかる。
一人だったというのもある・・・でも殆ど基礎集計レベルで難しい用語を使わずに改善を行おうとしたいやでもこの日本の企業では無理だった。そしてやりたいと思わなかった。
たまに日本の企業でのエンジニアの不遇差を嘆く記事を見かけるが、割と同じようなパターンの臭いがする。
追記
２００万ｐｖの会員サイトでAmazon aws料金を月々リザーブドインスタンスで８０万ぐらい払っていてクラウド安くないと社内的に炎上しているらしい。どんな設計したのかは
もはや手をつっこみたくないレベル。
仕事柄、UXとかデータ分析とか、その辺が少し強いと思われているらしい。
職場の人からその辺の勉強の仕方を聞かれたので答えようとしたら、意外と長くなりそうだったのでメモがわりに書く。
そもそも、UXという言葉が流行りだしたのは最近の話だと理解していて、バズワードに近いと思っている。概念自体は遥か昔からあるものだし、何を今更世の中がUXというワードを使いたがっているのかが良くわからない。（が、ここでは面倒くさいので、定義が曖昧なUXという言葉で色々お茶を濁す）
また、UXを勉強するという言葉も、正直なところ違和感がある。
というのも、具体的なケースと紐づいて考えない限りは意味がない気がするからだ。文章の批評ばかりしていても小説家になれないのと一緒で、UXについて本や講義だけで勉強していても、UXに強くなることはないと思っている。つまり、自分たちが作っている（関わっている）サービスの中でUXを考えつくすこと自体が、一番の勉強なんじゃないかと思っているので、UXを本や何かで勉強するというのは効果は薄いんじゃないかと思っている。
とはいえ、体系化出来るメタスキル的なものがあるのは事実だし、その部分の話を書いてみる。
「UXを良くしたい」という話をよく相談されるのだが、そもそもとして、UXが良くなった後の世界をちゃんと考えられていないことが多い。
「そのサービスを使ってユーザは幸せになるの？」という問いにきちんと答えられない場合、黄色信号という印象。
UXUXってバカみたいに唱えている人はたくさんいるけど、自分たちのサービスのUXが良くなることでこんな世界が実現できるよっていう話を、具体的に、鮮明に、誰が聞いても腹落ちする形で話せる人ってどれだけいるのかな。UXを良くしたいと言っているのに、良くした後の先の世界がイメージできていなくて、どうやって良くしていくのか甚だ疑問なんだよね。
なので、UXを考えるにあたっては、「自分たちがどうしても叶えたい世界」があって、それが叶うことによって「世の中の誰かがすごく幸せになる」という確信が必要条件だと思ってる。なので、そこがない時点でUX改善どころかサービスを作ること自体をやめた方がいい。
もし、そんな感じの祈りにも似た思いが少しでもある場合は、自分たちが作りたい世界についてしっかりと考えて、そしてそれらを検証して確信に変え、具体的な言葉に落とし込むというプロセスを徹底的に行うことを、UX改善の前に行なった方が良い。そうやって生み出された言葉が、UXを考えるにあたっての拠り所になる部分になっていくから。
自分たちが作りたい世界を言語化できた後は、ユーザの観察と妄想に尽きる。
課題解決系のサービスなら、ユーザに当たる人が本当に困っているのか、何に困っているのかを見極めるために観察すべきだし、何らかのバリューを付加するサービスなら、「このサービスを使ってもらうことで幸せになるのかという妄想」をいかに具体的にできるかが鍵になる。
これらの観察および、具体的な妄想をしていくこと自体がUXを考えることである。
炊飯器が目に入ったので炊飯器のUXを考えるとした時の例で話す。
多分、こんな妄想をする。
炊飯器とか既に他の製品が存在するものは、ユーザの行動もだいたい想像できるし、何より自分が使うものだから妄想しやすい。
逆に、全く新しいものを作ろうとする時なんかは、妄想も中々大変だと思う。バイアウトして話題のCASHとかは、その辺りの参考になるものが中々なく、妄想もやり辛かったと思うので、それを形にできたUXデザイナーの人はすごいなと思う。会ってみたい。
これはかなり適当に書いたが、自分たちが行なった観察に基づく妄想に対して、それらが意味のあるものかどうかを見極めていく必要がある。これがいわゆる価値仮説の検証と呼ばれるもので、妄想が本当に必要とされるものなのかを見極めるフェーズである。必要とされないものなんて作っても意味がないから、この段階できちんと仮説の検証をしておく。検証については対象によって全く異なるため、都度考える必要があるので割愛。
例はかなり適当に書いたが、ユーザをしっかり観察して、その上でどうやったら幸せになるかを妄想して、それらを検証していくというフェーズを、手抜きせず行うことが大事だ。これが業務系のサービスだと、業務フローを作ったりするのだろうし、C向けサービスだとカスタマージャーニーなんかを作ったりすることになる。その辺りの手法は色々あるが、ユーザを見て、考えて、検証してという基本はどれも変わらない。
ユーザをひたすら観察したあとに、初めて解決策を考えるフェーズに移る。
解決策ありきのプロダクトだと（昔の技術先行型の日本の家電だけど）、あまりいい感じにはならない。
あくまでも、ユーザの観察が先にあって、それに対する「解」としてプロダクトを作っていく。
この、課題に対して適切な解を出していくこと自体が、UXの磨き込みに当たるという理解をしている。
そして、それらが部分最適にならないよう、全体最適も意識しながら解決策を考え、プロダクトに落とし込んでいく。
「ご飯は1分で炊けるけど、風呂釜より大きい炊飯器」とか、誰も必要としないよね。だけど、部分最適だけを考えるとそんなことになりがちである。そのためにも、部分を考えたら、全体を見るということを繰り返し行なっていくことが大切だと感じている。その意味では、捨てるべき部分と、活かすべき部分のバランスをどう取るかが大切になる。ここも結局ユーザが教えてくれるので、事前にしっかり観察できていれば、勝手に答えが出る。
長々と書いたが、自分たちが作るサービスを使ってくれる人たちが、「どうやったら素敵な感じになるかを考え尽くすこと」が最高の勉強方法だと思っている。なので頑張って考えると良いと思う。
とはいえ、何を考えればいいかわからないということもありそうなので、その時は
・誰のためのデザイン
・複雑さと共に暮らす
・融けるデザイン
あたりを読んでみるのは良いかもしれない。少なくとも、何かを考えるにあたっての視野は広がるような気がする。
また、解決策を生み出していくにあたっては、ロジカルシンキングが出来るに越したことはないので、
あたりを読んで見るのも良いかもしれない。後者は分類的にはロジカルシンキングの本ではないのだが、ロジカルに考えた時の解決策って一つだけじゃないよねということを身を以て知るためには良い本だと思う。
また、散々書いたが、UX云々の前に、自分たちが作っているサービス（だったり、炊飯器だったり椅子だったり）で「何を届けたいか」という部分が一番大事だと思う。それ抜きにはUXがどうとか議論するのは無駄というか、意味がないので、しっかり考え抜いてほしい。
データ分析というと、Pythonでごにょごにょやるのがそれだと思われがちだが、一部のデータサイエンティストを除いては、基本的にスプレッドシートで十分なんじゃないかと思っている。むしろ、電卓レベルでも足りるんじゃないかという気がしている。（ここで話しているのは一般的なインターネットサービスを運営していくときの話で、気象予報とか経済予測とかそんな感じの難しいデータ分析の話ではない）
というのも、多くの場合において、四則演算以上のことをしなくてもなんとかなるからだ。
どちらかといえば
といったことの方が大事だし、そもそも「何のために分析するか」が抜け落ちていることが多い。
whyの部分が明確でない分析はそもそも意味がないので、まずはなぜ分析するのかを考えるところから始める方が良い。
データ分析ときいて「統計学」や「Python」を勉強すること自体は悪くないのだが、それよりもまず先に、「なぜ分析するのか」「どんなデータが自分たちのサービスのキモになるのか」といった分析の前提になる部分をまずはしっかり見極めることの方が、統計学の勉強よりも優先されるべきだ。それらがハッキリすれば、手法はいくらでもあるし、だいたいはスプレッドシートの関数でなんとかなるので、難しい計算は特に必要ない。
実務でよく使うデータなんて、売上、利益、利益率、ARPU、CPA、CTR、CV、CVRとかくらいだし、これら全て四則演算のみで出せる。分析といっても、平均だったりそれらをユーザの属性で割り振ったりするだけだし、中学生でも問題なく出来ると思う。ただ、重ね重ねになるが、whyの部分がない場合はいくら分析しても何も生まないので、まずはそこを見極めることに重点をおいた方が良い。
長くなったので無理やりまとめる。
勉強＜＜＜＜＜実務であることは間違いないので、まずは自分が関わっているサービスについて真剣に考えたり、真剣に考える上で必要な数字が何かを自分の頭で考えることが、最高の勉強だと思う。教材とか、具体的なHowを期待していた人、ごめんなさい。でも、Howの意味で見ても、実践に勝るものはないと思っている。
世界最大のデータサイエンティストコミュニティ「Kaggle」において 機械学習コンペティション「Mercari Prize: Price Suggestion Challenge」を開催 | 株式会社メルカリ https://about.mercari.com/press/news/article/20171122_kaggle/
メルカリがデータサイエンスのコンペティションやるってそれユーザーから集めたデータでしょ？
商品のタイトルとかカテゴリーから特定の個人に行き着いたりしないの？
そもそもそれユーザーが出品したり投稿したりしたデータじゃん。
なんでユーザーに事前に通知もなく勝手にそのデータ使って、しかも誰でもダウンロードできる形で公開してコンペティションとか言ってんの？
せめて通知くらいしてくれないとサービスとして信用ならん。
