Submit Search
Upload
企業が求めるデータサイエンティスト人材像-データサイエンティスト 国内企業動向調査(2019)より
•
2 likes
•
2,921 views
The Japan DataScientist Society
Follow
データサイエンティスト協会 2010年6月10日webセミナー講演資料
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 34
Download now
Download to read offline
Recommended
AIシステムの要求とプロジェクトマネジメント-前半:機械学習工学概論
AIシステムの要求とプロジェクトマネジメント-前半:機械学習工学概論
Nobukazu Yoshioka
データ活用をするための組織
データ活用をするための組織
Kon Yuichi
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
Deep Learning Lab(ディープラーニング・ラボ)
初学者のためのプロンプトエンジニアリング実践.pptx
初学者のためのプロンプトエンジニアリング実践.pptx
Akifumi Niida
エンジニアも知っておきたいAI倫理のはなし
エンジニアも知っておきたいAI倫理のはなし
Yasunori Nihei
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
AIシステム開発のプロジェクトマネジメント
AIシステム開発のプロジェクトマネジメント
Naoshi Uchihira
Recommended
AIシステムの要求とプロジェクトマネジメント-前半:機械学習工学概論
AIシステムの要求とプロジェクトマネジメント-前半:機械学習工学概論
Nobukazu Yoshioka
データ活用をするための組織
データ活用をするための組織
Kon Yuichi
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
Deep Learning Lab(ディープラーニング・ラボ)
初学者のためのプロンプトエンジニアリング実践.pptx
初学者のためのプロンプトエンジニアリング実践.pptx
Akifumi Niida
エンジニアも知っておきたいAI倫理のはなし
エンジニアも知っておきたいAI倫理のはなし
Yasunori Nihei
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
AIシステム開発のプロジェクトマネジメント
AIシステム開発のプロジェクトマネジメント
Naoshi Uchihira
失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
Hiroyuki Masuda
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
Satoshi Hara
機械学習モデルを REST API としてサービングするシステム開発における上流プロセスの絞り込みと効果検証(PM学会2023年度秋季研究発表大会 発表資料)
機械学習モデルを REST API としてサービングするシステム開発における上流プロセスの絞り込みと効果検証(PM学会2023年度秋季研究発表大会 発表資料)
NTT DATA Technology & Innovation
リクルートライフスタイル流!分析基盤との賢い付き合い方
リクルートライフスタイル流!分析基盤との賢い付き合い方
Recruit Lifestyle Co., Ltd.
AIを活用し経理業務を「データサイエンス業務」に変革するためのポイントと実務-経理人材が今後目指すべき方向性を提示-
AIを活用し経理業務を「データサイエンス業務」に変革するためのポイントと実務-経理人材が今後目指すべき方向性を提示-
Kan Hara
AIビジネス推進人材に必要なスキルとその育成方法
AIビジネス推進人材に必要なスキルとその育成方法
munjapan
Matlantisで実現する不均一系理論触媒科学3.0: Ru/La0.5Ce0.5O1.75-xにおける強い金属・担体相互作用の解明と展望_PFCCウェ...
Matlantisで実現する不均一系理論触媒科学3.0: Ru/La0.5Ce0.5O1.75-xにおける強い金属・担体相互作用の解明と展望_PFCCウェ...
Matlantis
Data-centricなML開発
Data-centricなML開発
Takeshi Suzuki
機械学習モデルのサービングとは?
機械学習モデルのサービングとは?
Sho Tanaka
(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説
Hironori Washizaki
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
Takashi Suzuki
機械学習応用システムの安全性の研究動向と今後の展望
機械学習応用システムの安全性の研究動向と今後の展望
Nobukazu Yoshioka
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
Takashi J OZAKI
ドライブレコーダの画像認識による道路情報の自動差分抽出
ドライブレコーダの画像認識による道路情報の自動差分抽出
Tetsutaro Watanabe
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]
DeNA
機械学習 入門
機械学習 入門
Hayato Maki
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計
Takahiro Kubo
modern software qa - draft 1
modern software qa - draft 1
Yasuharu Nishi
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
Takashi J OZAKI
データサイエンティストのリアル-2015年~2019年 一般(個人)会員アンケートより
データサイエンティストのリアル-2015年~2019年 一般(個人)会員アンケートより
The Japan DataScientist Society
データサイエンティストの就労意識
データサイエンティストの就労意識
The Japan DataScientist Society
More Related Content
What's hot
失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
Hiroyuki Masuda
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
Satoshi Hara
機械学習モデルを REST API としてサービングするシステム開発における上流プロセスの絞り込みと効果検証(PM学会2023年度秋季研究発表大会 発表資料)
機械学習モデルを REST API としてサービングするシステム開発における上流プロセスの絞り込みと効果検証(PM学会2023年度秋季研究発表大会 発表資料)
NTT DATA Technology & Innovation
リクルートライフスタイル流!分析基盤との賢い付き合い方
リクルートライフスタイル流!分析基盤との賢い付き合い方
Recruit Lifestyle Co., Ltd.
AIを活用し経理業務を「データサイエンス業務」に変革するためのポイントと実務-経理人材が今後目指すべき方向性を提示-
AIを活用し経理業務を「データサイエンス業務」に変革するためのポイントと実務-経理人材が今後目指すべき方向性を提示-
Kan Hara
AIビジネス推進人材に必要なスキルとその育成方法
AIビジネス推進人材に必要なスキルとその育成方法
munjapan
Matlantisで実現する不均一系理論触媒科学3.0: Ru/La0.5Ce0.5O1.75-xにおける強い金属・担体相互作用の解明と展望_PFCCウェ...
Matlantisで実現する不均一系理論触媒科学3.0: Ru/La0.5Ce0.5O1.75-xにおける強い金属・担体相互作用の解明と展望_PFCCウェ...
Matlantis
Data-centricなML開発
Data-centricなML開発
Takeshi Suzuki
機械学習モデルのサービングとは?
機械学習モデルのサービングとは?
Sho Tanaka
(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説
Hironori Washizaki
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
Takashi Suzuki
機械学習応用システムの安全性の研究動向と今後の展望
機械学習応用システムの安全性の研究動向と今後の展望
Nobukazu Yoshioka
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
Takashi J OZAKI
ドライブレコーダの画像認識による道路情報の自動差分抽出
ドライブレコーダの画像認識による道路情報の自動差分抽出
Tetsutaro Watanabe
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]
DeNA
機械学習 入門
機械学習 入門
Hayato Maki
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計
Takahiro Kubo
modern software qa - draft 1
modern software qa - draft 1
Yasuharu Nishi
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
Takashi J OZAKI
What's hot
(20)
失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
機械学習モデルを REST API としてサービングするシステム開発における上流プロセスの絞り込みと効果検証(PM学会2023年度秋季研究発表大会 発表資料)
機械学習モデルを REST API としてサービングするシステム開発における上流プロセスの絞り込みと効果検証(PM学会2023年度秋季研究発表大会 発表資料)
リクルートライフスタイル流!分析基盤との賢い付き合い方
リクルートライフスタイル流!分析基盤との賢い付き合い方
AIを活用し経理業務を「データサイエンス業務」に変革するためのポイントと実務-経理人材が今後目指すべき方向性を提示-
AIを活用し経理業務を「データサイエンス業務」に変革するためのポイントと実務-経理人材が今後目指すべき方向性を提示-
AIビジネス推進人材に必要なスキルとその育成方法
AIビジネス推進人材に必要なスキルとその育成方法
Matlantisで実現する不均一系理論触媒科学3.0: Ru/La0.5Ce0.5O1.75-xにおける強い金属・担体相互作用の解明と展望_PFCCウェ...
Matlantisで実現する不均一系理論触媒科学3.0: Ru/La0.5Ce0.5O1.75-xにおける強い金属・担体相互作用の解明と展望_PFCCウェ...
Data-centricなML開発
Data-centricなML開発
機械学習モデルのサービングとは?
機械学習モデルのサービングとは?
(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
機械学習応用システムの安全性の研究動向と今後の展望
機械学習応用システムの安全性の研究動向と今後の展望
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
ドライブレコーダの画像認識による道路情報の自動差分抽出
ドライブレコーダの画像認識による道路情報の自動差分抽出
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]
機械学習 入門
機械学習 入門
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計
modern software qa - draft 1
modern software qa - draft 1
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
Similar to 企業が求めるデータサイエンティスト人材像-データサイエンティスト 国内企業動向調査(2019)より
データサイエンティストのリアル-2015年~2019年 一般(個人)会員アンケートより
データサイエンティストのリアル-2015年~2019年 一般(個人)会員アンケートより
The Japan DataScientist Society
データサイエンティストの就労意識
データサイエンティストの就労意識
The Japan DataScientist Society
Nci 2021recruit
Nci 2021recruit
YujiAwara
DXの推進において企業内に求められる人材やデジタル人材の育て方
DXの推進において企業内に求められる人材やデジタル人材の育て方
Hironori Washizaki
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
Deep Learning Lab(ディープラーニング・ラボ)
Saga Smart Center: データ分析の基礎
Saga Smart Center: データ分析の基礎
Daiyu Hatakeyama
医療×AIシンポジウム -医療×AI推進人材を考える- 報告書
医療×AIシンポジウム -医療×AI推進人材を考える- 報告書
Deep Learning Lab(ディープラーニング・ラボ)
It実行力強化のためのスキル調査と活用方法
It実行力強化のためのスキル調査と活用方法
コシキ・バリューハブ株式会社/KOSHIKI ValueHub
RIT assesment service for DX
RIT assesment service for DX
RIT
深層学習モデルと統計モデルHR現場で適切だったのはどっち!?
深層学習モデルと統計モデルHR現場で適切だったのはどっち!?
Deep Learning Lab(ディープラーニング・ラボ)
超高速開発の基礎概念 20141119 0
超高速開発の基礎概念 20141119 0
正善 大島
企業活動と情報システム 図版
企業活動と情報システム 図版
Masanori Saito
LiBRA 08.2020 / ITソリューション塾_これからのビジネス戦略
LiBRA 08.2020 / ITソリューション塾_これからのビジネス戦略
Masanori Saito
20141211 qpits国連ハビタット福岡プレゼン
20141211 qpits国連ハビタット福岡プレゼン
QPITS_Official
Sangyo2009 05
Sangyo2009 05
Akao Koichi
杉並診断士会向けKintoneご紹介コンテンツr2
杉並診断士会向けKintoneご紹介コンテンツr2
junji kumooka
SXSWedu 2016 報告会 〜EdTech JAPAN 世界への挑戦 セッション紹介(山邉分)
SXSWedu 2016 報告会 〜EdTech JAPAN 世界への挑戦 セッション紹介(山邉分)
Tetsuo Yamabe
ビッグデータはどこまで効率化できるか?
ビッグデータはどこまで効率化できるか?
Shohei Hido
事業会社が開催する人材育成プログラム ”Data Science BOOTCAMP”とは?
事業会社が開催する人材育成プログラム ”Data Science BOOTCAMP”とは?
Norihiko Nakabayashi
NRI事例に学ぶ、”検索”による大規模システム開発の生産性向上
NRI事例に学ぶ、”検索”による大規模システム開発の生産性向上
aslead
Similar to 企業が求めるデータサイエンティスト人材像-データサイエンティスト 国内企業動向調査(2019)より
(20)
データサイエンティストのリアル-2015年~2019年 一般(個人)会員アンケートより
データサイエンティストのリアル-2015年~2019年 一般(個人)会員アンケートより
データサイエンティストの就労意識
データサイエンティストの就労意識
Nci 2021recruit
Nci 2021recruit
DXの推進において企業内に求められる人材やデジタル人材の育て方
DXの推進において企業内に求められる人材やデジタル人材の育て方
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
Saga Smart Center: データ分析の基礎
Saga Smart Center: データ分析の基礎
医療×AIシンポジウム -医療×AI推進人材を考える- 報告書
医療×AIシンポジウム -医療×AI推進人材を考える- 報告書
It実行力強化のためのスキル調査と活用方法
It実行力強化のためのスキル調査と活用方法
RIT assesment service for DX
RIT assesment service for DX
深層学習モデルと統計モデルHR現場で適切だったのはどっち!?
深層学習モデルと統計モデルHR現場で適切だったのはどっち!?
超高速開発の基礎概念 20141119 0
超高速開発の基礎概念 20141119 0
企業活動と情報システム 図版
企業活動と情報システム 図版
LiBRA 08.2020 / ITソリューション塾_これからのビジネス戦略
LiBRA 08.2020 / ITソリューション塾_これからのビジネス戦略
20141211 qpits国連ハビタット福岡プレゼン
20141211 qpits国連ハビタット福岡プレゼン
Sangyo2009 05
Sangyo2009 05
杉並診断士会向けKintoneご紹介コンテンツr2
杉並診断士会向けKintoneご紹介コンテンツr2
SXSWedu 2016 報告会 〜EdTech JAPAN 世界への挑戦 セッション紹介(山邉分)
SXSWedu 2016 報告会 〜EdTech JAPAN 世界への挑戦 セッション紹介(山邉分)
ビッグデータはどこまで効率化できるか?
ビッグデータはどこまで効率化できるか?
事業会社が開催する人材育成プログラム ”Data Science BOOTCAMP”とは?
事業会社が開催する人材育成プログラム ”Data Science BOOTCAMP”とは?
NRI事例に学ぶ、”検索”による大規模システム開発の生産性向上
NRI事例に学ぶ、”検索”による大規模システム開発の生産性向上
More from The Japan DataScientist Society
学生から見たデータサイエンティスト
学生から見たデータサイエンティスト
The Japan DataScientist Society
AI・データ利活用継続の鍵はビジネススキル
AI・データ利活用継続の鍵はビジネススキル
The Japan DataScientist Society
コニカミノルタにおけるデータドリブンPLMの取り組み
コニカミノルタにおけるデータドリブンPLMの取り組み
The Japan DataScientist Society
エントリー層向けセミナー#04『はじめての最適化』
エントリー層向けセミナー#04『はじめての最適化』
The Japan DataScientist Society
基礎から学ぶ! インダストリアルIoTの実現に必須のセンサ計測と予知保全の動向
基礎から学ぶ! インダストリアルIoTの実現に必須のセンサ計測と予知保全の動向
The Japan DataScientist Society
機械学習の先端センシングへの適用と展望
機械学習の先端センシングへの適用と展望
The Japan DataScientist Society
『機械学習による故障予測・異常検知 事例紹介とデータ分析プロジェクト推進ポイント』
『機械学習による故障予測・異常検知 事例紹介とデータ分析プロジェクト推進ポイント』
The Japan DataScientist Society
データサイエンティスト協会 会員制度説明資料
データサイエンティスト協会 会員制度説明資料
The Japan DataScientist Society
スキルチェックリスト 2017年版
スキルチェックリスト 2017年版
The Japan DataScientist Society
データサイエンティスト協会スキル委員会4thシンポジウム講演資料
データサイエンティスト協会スキル委員会4thシンポジウム講演資料
The Japan DataScientist Society
コグニティブ・ファクトリーの実像とIoT時代に求められるデータ・サイエンティストとは?ー製造業の視点からー
コグニティブ・ファクトリーの実像とIoT時代に求められるデータ・サイエンティストとは?ー製造業の視点からー
The Japan DataScientist Society
製造現場におけるAI×IoT導入と利活用~IoTによる設備のモニタリングとAIによる設備監視の高度化~
製造現場におけるAI×IoT導入と利活用~IoTによる設備のモニタリングとAIによる設備監視の高度化~
The Japan DataScientist Society
基礎から学ぶ!インダストリアルIoTの実現に必須のセンサ計測とエッジコンピューティング
基礎から学ぶ!インダストリアルIoTの実現に必須のセンサ計測とエッジコンピューティング
The Japan DataScientist Society
データサイエンスの全体像とデータサイエンティスト
データサイエンスの全体像とデータサイエンティスト
The Japan DataScientist Society
分析せよ!と言われて困っているあなたへの処方箋
分析せよ!と言われて困っているあなたへの処方箋
The Japan DataScientist Society
データ分析に必要なスキルをつけるためのツール~Jupyter notebook、r連携、機械学習からsparkまで~
データ分析に必要なスキルをつけるためのツール~Jupyter notebook、r連携、機械学習からsparkまで~
The Japan DataScientist Society
データサイエンス業務と「ツール」
データサイエンス業務と「ツール」
The Japan DataScientist Society
データサイエンスの全体像
データサイエンスの全体像
The Japan DataScientist Society
データサイエンティスト スキルチェックシート(抜粋版)
データサイエンティスト スキルチェックシート(抜粋版)
The Japan DataScientist Society
データサイエンティスト スキルチェックリスト
データサイエンティスト スキルチェックリスト
The Japan DataScientist Society
More from The Japan DataScientist Society
(20)
学生から見たデータサイエンティスト
学生から見たデータサイエンティスト
AI・データ利活用継続の鍵はビジネススキル
AI・データ利活用継続の鍵はビジネススキル
コニカミノルタにおけるデータドリブンPLMの取り組み
コニカミノルタにおけるデータドリブンPLMの取り組み
エントリー層向けセミナー#04『はじめての最適化』
エントリー層向けセミナー#04『はじめての最適化』
基礎から学ぶ! インダストリアルIoTの実現に必須のセンサ計測と予知保全の動向
基礎から学ぶ! インダストリアルIoTの実現に必須のセンサ計測と予知保全の動向
機械学習の先端センシングへの適用と展望
機械学習の先端センシングへの適用と展望
『機械学習による故障予測・異常検知 事例紹介とデータ分析プロジェクト推進ポイント』
『機械学習による故障予測・異常検知 事例紹介とデータ分析プロジェクト推進ポイント』
データサイエンティスト協会 会員制度説明資料
データサイエンティスト協会 会員制度説明資料
スキルチェックリスト 2017年版
スキルチェックリスト 2017年版
データサイエンティスト協会スキル委員会4thシンポジウム講演資料
データサイエンティスト協会スキル委員会4thシンポジウム講演資料
コグニティブ・ファクトリーの実像とIoT時代に求められるデータ・サイエンティストとは?ー製造業の視点からー
コグニティブ・ファクトリーの実像とIoT時代に求められるデータ・サイエンティストとは?ー製造業の視点からー
製造現場におけるAI×IoT導入と利活用~IoTによる設備のモニタリングとAIによる設備監視の高度化~
製造現場におけるAI×IoT導入と利活用~IoTによる設備のモニタリングとAIによる設備監視の高度化~
基礎から学ぶ!インダストリアルIoTの実現に必須のセンサ計測とエッジコンピューティング
基礎から学ぶ!インダストリアルIoTの実現に必須のセンサ計測とエッジコンピューティング
データサイエンスの全体像とデータサイエンティスト
データサイエンスの全体像とデータサイエンティスト
分析せよ!と言われて困っているあなたへの処方箋
分析せよ!と言われて困っているあなたへの処方箋
データ分析に必要なスキルをつけるためのツール~Jupyter notebook、r連携、機械学習からsparkまで~
データ分析に必要なスキルをつけるためのツール~Jupyter notebook、r連携、機械学習からsparkまで~
データサイエンス業務と「ツール」
データサイエンス業務と「ツール」
データサイエンスの全体像
データサイエンスの全体像
データサイエンティスト スキルチェックシート(抜粋版)
データサイエンティスト スキルチェックシート(抜粋版)
データサイエンティスト スキルチェックリスト
データサイエンティスト スキルチェックリスト
企業が求めるデータサイエンティスト人材像-データサイエンティスト 国内企業動向調査(2019)より
1.
企業が求めるデータサイエンティスト人材像 データサイエンティスト国内企業採用動向調査(2019)より 2020年6月10日 データサイエンティスト協会 調査・研究委員会
2.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. 本日お話する内容 調査目的と概要 調査結果 – ①データサイエンティストの在籍状況 – ②データサイエンティストの採用/育成実態 – ③企業が求めるデータサイエンティスト人材像 まとめ 2
3.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. 調査目的と概要 3
4.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. 調査目的 4 データサイエンティストの人材育成やスキルアップ、 組織内外の需要(企業)と供給(データサイエンテイスト)の マッチングに関する現状を明らかにするため 国内一般企業が抱える課題を把握・考察する
5.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. 調査概要 データサイエンティストの採用に関するアンケート 調査対象 :日本国内一般企業(人事担当者向け) ※従業員30名以上の企業を対象に、 企業規模別にランダム抽出 調査手法 :郵送法 調査期間 :2019年8月21日~10月8日 有効回答数:計283社(発送5,435社、回収率5.2%) 注:本調査資料の百分率表示は小数点以下を四捨五入しているため、 合計しても100%とならない場合がございます。 5
6.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. 調査結果① データサイエンティストの在籍状況 6
7.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. データサイエンティストの在籍実態 7 データサイエンティストが1人以上いる会社は全体の29% Q. 貴社にはデータサイエンティストは何名いらっしゃいますか。 DSが1人以上 29% DSが0人 69% 未回答 2% 2019年4月時点 1~2人 22% 3~5人 26% 6~10人 22% 11~20人 12% 21~50人 9% 51~100人 5% 101人以上 5% 在籍者数内訳 全企業対象(n=283) データサイエンティスト在籍者が1人以上の企業(n=82)
8.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. 29% 11% 14% 23% 29% 59% 29% 69% 89% 86% 73% 67% 41% 69% 2% 0% 0% 4% 5% 0% 2% 全業種計(n=283) 建設業(n=18) 運輸業、郵便業(n=29) 製造業(n=70) 卸売業・小売業(n=42) 情報通信業(n=37) 上記以外の産業(n=84) DSが1人以上 DSが0人 未回答 データサイエンティストの在籍実態(業種別) 8 Q. 貴社にはデータサイエンティストは何名いらっしゃいますか。 建設業では11%、情報通信業では59%と、 業種による違いが大きい ※業種別グラフは、業種無回答を除いて集計 全企業対象(n=283)
9.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. データサイエンティストのタイプ別内訳 9 在籍するデータサイエンティストをタイプ別で分類すると エンジニアタイプが最も多い Q. 貴社のデータサイエンティストについて、タイプ別の内訳をお答えください。 タイプ① 33% タイプ② 24% タイプ③ 43% データサイエンティスト在籍者が1人以上で、タイプ別の回答があった企業(n=70) ※各社のタイプ別人数比率の平均値 タイプ③ データ分析を目的とし、プログラミング 知識を使ってデータの収集、加工やシ ステムへの実装、運用ができる人材 (職種の例:データエンジニアなど) タイプ① ビジネス課題を抽出し、データを分析・ 活用して課題を解決できる人材 (職種の例:データマーケターなど) タイプ② 統計学、人工知能などの情報科学系 の知識を理解し、統計ソフトなどを用い た専門的な分析ができる人材 (職種の例:データアナリストなど)
10.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. データサイエンティストのタイプ別内訳(業種別) 10 33% 47% 21% 32% 24% 16% 31% 24% 43% 37% 48% 44% 全産業計(n=70) 製造業(n=15) 情報通信業(n=18) 上記以外の産業(n=35) タイプ① タイプ② タイプ③ Q. 貴社のデータサイエンティストについて、タイプ別の内訳をお答えください。 エンジニアタイプの割合は、製造業では37%と低く、 情報通信業では48%と高い傾向にある タイプ③ データ分析を目的とし、プログラミング知識を使っ てデータの収集、加工やシステムへの実装、運用 ができる人材 (職種の例:データエンジニアなど) タイプ① ビジネス課題を抽出し、データを分析・活用して 課題を解決できる人材 (職種の例:データマーケターなど) タイプ② 統計学、人工知能などの情報科学系の知識を 理解し、統計ソフトなどを用いた専門的な分析 ができる人材 (職種の例:データアナリストなど) データサイエンティスト在籍者が1人以上で、タイプ別の回答があった企業(n=70) ※業種無回答は除く
11.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. データサイエンティスト人材の増減と内訳 11 Q. データサイエンティスト人材の増減と、増やした人数の増員方法をお答えください。 4.6 1.7 1.1 0 1 2 3 4 5 社 内 の 異 動 ・ 育 成 中 途 採 用 者 新 卒 採 用 者 直近1年間で増えたデータサイエンティストの内訳直近1年間でのデータサイエンティストの増減 (平均人数:人) この1年でデータサイエンティストを増やした企業は56% 増員方法の多くは、社内の異動・育成によるもの データサイエンティスト在籍者が1人以上の企業(n=82) データサイエンティストの在籍者が1人以上で、 直近1年間で1人以上の増員があった企業(n=52) 1人以上増えた 56% 増減なし 39% 1人以上減った 5%
12.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. 調査結果② データサイエンティストの採用/育成実態 12
13.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. データサイエンティスト採用の充足度 13 Q. この1年間で、貴社が目標としていた人数のデータサイエンティストを確保できましたか。(SA) 確保できた 17% どちらかといえば確保できた 26% どちらかといえば確保できなかった 21% 確保できなかった 37% この1年間でデータサイエンティストを確保する予定だった企業(n=82) DSを採用しようとした企業のうち 「目標としていた人数を確保できなかった」企業が58%
14.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. データサイエンティスト採用の充足度(業種別) 14 17% 16% 29% 13% 26% 16% 38% 25% 21% 21% 24% 18% 37% 47% 10% 45% 全産業計(n=82) 製造業(n=19) 情報通信業(n=21) 上記以外の産業(n=40) 確保できた どちらかといえば確保できた どちらかといえば確保できなかった 確保できなかった Q. この1年間で、貴社が目標としていた人数のデータサイエンティストを確保できましたか。(SA) 特に、情報通信業以外の業種で 確保できなかった企業の割合が高い(63%~68%) この1年間でデータサイエンティストを確保する予定だった企業(n=82) 63% 68%
15.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. データサイエンティスト人材の育成・研修制度 15 Q. データサイエンティスト人材の育成・研修の制度として貴社内にあるものをすべてお答えください。(MA) 45% 38% 29% 27% 27% 15% 7% 2% 5% 18% 0% 20% 40% 60% 社 外 研 修 の 受 講 制 度 ・ 紹 介 制 度 基 本 ス キ ル の 社 内 研 修 制 度 社 外 資 格 取 得 支 援 制 度 専 門 ス キ ル の 社 内 研 修 制 度 メ ン タ ー に よ る 個 別 指 導 イ ベ ン ト ・ 交 流 会 社 内 資 格 制 度 ヘ ル プ デ ス ク な ど の 問 い 合 わ せ 窓 口 そ の 他 育 成 ・ 研 修 の 制 度 が な い 育成・研修制度としては、社外研修支援と社内研修が中心 一方で、育成・研修の制度がない企業も18%ある データサイエンティスト在籍者が1人以上の企業(n=82)
16.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. データサイエンティスト人材の育成・研修制度(業種別) 16 45% 38% 29% 27% 27% 15% 7% 2% 5% 18% 44% 31% 19% 31% 19% 13% 13% 6% 0% 19% 64% 50% 36% 36% 45% 23% 9% 0% 0% 5% 38% 36% 31% 19% 21% 12% 5% 2% 10% 26% 社 外 研 修 の 受 講 制 度 ・ 紹 介 制 度 基 本 ス キ ル の 社 内 研 修 制 度 社 外 資 格 取 得 支 援 制 度 専 門 ス キ ル の 社 内 研 修 制 度 メ ン タ ー に よ る 個 別 指 導 イ ベ ン ト ・ 交 流 会 社 内 資 格 制 度 ヘ ル プ デ ス ク な ど の 問 い 合 わ せ 窓 口 そ の 他 育 成 ・ 研 修 の 制 度 が な い 全産業計(n=82) 製造業(n=16) 情報通信業(n=22) 上記以外の産業(n=42) 情報通信業では、全体的に 育成・研修制度の充実が進んでいる Q. データサイエンティスト人材の育成・研修の制度として貴社内にあるものをすべてお答えください。(MA) データサイエンティスト在籍者が1人以上の企業(n=82)
17.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. データサイエンティスト人材の育成方針 17 Q. データサイエンティスト人材育成方針として最もあてはまるものをお答えください。(SA) 人材育成方針で最も重視することは、 OJTが44%と最多 データサイエンティスト在籍者が1人以上の企業(n=82) OJTで育成していく 44% 外部研修を受講させる 23% 社内研修で育成していく 6% その他 2% 育成の予定がない 12% 未回答 12%
18.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. データサイエンティスト人材の育成方針(業種別) 18 44% 44% 41% 45% 23% 31% 18% 24% 6% 0% 18% 2% 2% 0% 0% 5% 12% 19% 5% 14% 12% 6% 18% 10% 全産業計(n=82) 製造業(n=16) 情報通信業(n=22) 上記以外の産業(n=42) OJTで育成していく 外部研修を受講させる 社内研修で育成していく その他 育成の予定がない 未回答 情報通信業では社内研修で育成する企業が18%あるが、 製造業、その他産業では0~2%と少ない データサイエンティスト在籍者が1人以上の企業(n=82) Q. データサイエンティスト人材育成方針として最もあてはまるものをお答えください。(SA)
19.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. 19 Q. 貴社では「データサイエンス」に関する専門の部署やチームがありますか。(SA) 現在、存在している 62%今後、設立を予定・ 検討している 13% 存在していない(今後 の予定もない) 23% 未回答 1% 62%の企業がデータサイエンスに関する専門部隊を持つ また、13%の企業は今後、設立を予定・検討している データサイエンティスト在籍者が1人以上の企業(n=82) 「データサイエンス」に関する専門の部署やチームの存在
20.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. 専門部隊を持つ企業も情報通信業が先行し、 77%に達している 20 62% 25% 77% 69% 13% 25% 18% 7% 23% 44% 5% 24% 1% 6% 0% 0% 全産業計(n=82) 製造業(n=16) 情報通信業(n=22) 上記以外の産業(n=42) 現在、存在している 今後、設立を予定・検討している 存在していない(今後の予定もない) 未回答 データサイエンティスト在籍者が1人以上の企業(n=82) 「データサイエンス」に関する専門の部署やチームの存在(業種別) Q. 貴社では「データサイエンス」に関する専門の部署やチームがありますか。(SA)
21.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. 調査結果③ 企業が求めるデータサイエンティスト人材像 21
22.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. 今後3年間で増員したいデータサイエンティスト人数 22 Q. 今後3年間で、データサイエンティストを何名程度増やす予定ですか。 今後3年間でさらにDSを増やしたいのは、DS在籍企業の 77%、DSがいない企業でも11%は新たに獲得したい 0人 18% 1~2人 17% 3~5人 20% 6~10人 16% 11~20人 7% 21~50人 12% 51~100人 2% 101~200人 1% 201~500人 1% 未回答 5% データサイエンティスト在籍者1人以上企業(n=82) 0人 78% 1~2人 8% 3~5人 2% 6~10人 1% 未回答 9% データサイエンティスト在籍者0人企業(n=201) ※2019年4月時点
23.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. 今後3年間で増員したいデータサイエンティストの増員方法 23 Q. 今後3年間で、データサイエンティストを何名程度増やす予定ですか。増員方法別にお答えください。 (平均人数:人) 5.2 4.5 2.8 0 1 2 3 4 5 6 社 内 の 異 動 ・ 育 成 中 途 採 用 者 新 卒 採 用 者 増員方法としては、社内の異動・育成が最も高いが、 中途採用や新卒採用のニーズもある 今後3年間で、データサイエンティストを1人以上増員予定の企業(n=88)
24.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. 【現在と未来の比較】データサイエンティストの増員方法 24 (平均人数:人) 5.2 4.5 2.8 0 1 2 3 4 5 6 社 内 の 異 動 ・ 育 成 中 途 採 用 者 新 卒 採 用 者 過去と比べると、中途採用・新卒採用での増員意向が高まる 今後3年間で、データサイエンティストを1人以上増員予定の企業(n=88) 4.6 1.7 1.1 0 1 2 3 4 5 6 社 内 の 異 動 ・ 育 成 中 途 採 用 者 新 卒 採 用 者 (平均人数:人) グラフ左: Q. データサイエンティスト人材の増減と、増やした人数の増員方法をお答えください。 グラフ右: Q. 今後3年間で、データサイエンティストを何名程度増やす予定ですか。増員方法別にお答えください。 今後3年間で増員したい データサイエンティストの増員方法 過去1年間で増員した データサイエンティストの増員方法
25.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. 今後3年間で増員したいデータサイエンティストの人材像 25 Q. 今後3年間で、貴社が採用・育成したいデータサイエンティストの人材像をお答えください。(MA/SA) 89% 88% 73% 70% 56% 56% 13% 1% 18% 41% 10% 6% 7% 6% 0% 1% 0% 20% 40% 60% 80% 100% 複数の分野を俯瞰的にみてデータ分析の活用を戦略的に考えられる人材 データによるビジネス課題解決を得意とする人材 データ分析のプロフェッショナルな人材 統計やAIなどのデータ分析に関する「理論」に詳しい人材 データのハンドリングを得意とする人材(エンジニア) データを使ったサービスを開発する人材 データを使ったアート作品を作るクリエイター的な人材 その他 あてはまるもの全て 最もあてはまるもの1つ 今後3年間で、データサイエンティストを1人以上増員予定の企業(n=88) 人材像としては「ビジネス課題解決」「戦略検討」スキルを 持つ人材が求められている ※無回答は含まない
26.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. 今後3年間で増員したいデータサイエンティストの人材像(業種別) 26 89% 88% 73% 70% 56% 56% 13% 1% 94% 81% 69% 69% 56% 44% 13% 0% 92% 92% 85% 81% 77% 69% 19% 0% 86% 86% 68% 64% 45% 52% 9% 2% 複数の分野を俯瞰的にみてデータ分析の活用を戦略的に考えられる人材 データによるビジネス課題解決を得意とする人材 データ分析のプロフェッショナルな人材 統計やAIなどのデータ分析に関する「理論」に詳しい人材 データのハンドリングを得意とする人材(エンジニア) データを使ったサービスを開発する人材 データを使ったアート作品を作るクリエイター的な人材 その他 全産業計(n=88) 製造業(n=16) 情報通信業(n=26) 上記以外の産業(n=44) 情報通信業においては、 より多様なスキルを求める傾向がある 今後3年間で、データサイエンティストを1人以上増員予定の企業(n=88) Q. 今後3年間で、貴社が採用・育成したいデータサイエンティストの人材像をお答えください。(MA)
27.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. 今後増員したいデータサイエンティストのタイプ別内訳 27 Q. 今後3年間で、データサイエンティストを何名程度増やす予定ですか。タイプ別にお答えください。 今後増員したいDSのタイプは、マーケタータイプが 最も多いが、エンジニア、アナリストのニーズもある タイプ① 40% タイプ② 24% タイプ③ 36% ※各社のタイプ別人数比率の平均値 今後3年間でデータサイエンティストを1人以上増員予定の企業で、 タイプ別の回答があった企業(n=71) タイプ③ データ分析を目的とし、プログラミング 知識を使ってデータの収集、加工やシ ステムへの実装、運用ができる人材 (職種の例:データエンジニアなど) タイプ① ビジネス課題を抽出し、データを分析・ 活用して課題を解決できる人材 (職種の例:データマーケターなど) タイプ② 統計学、人工知能などの情報科学系 の知識を理解し、統計ソフトなどを用い た専門的な分析ができる人材 (職種の例:データアナリストなど)
28.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. 今後増員したいデータサイエンティストのタイプ別内訳(業種別) 28 40% 54% 28% 38% 24% 19% 24% 26% 36% 27% 48% 36% 全業種計(n=71) 製造業(n=13) 情報通信業(n=17) 上記以外の産業(n=40) タイプ① タイプ② タイプ③ 情報通信業以外の業種で、 マーケタータイプへのニーズが特に高い タイプ③ データ分析を目的とし、プログラミング知識を使っ てデータの収集、加工やシステムへの実装、運用 ができる人材 (職種の例:データエンジニアなど) タイプ① ビジネス課題を抽出し、データを分析・活用して 課題を解決できる人材 (職種の例:データマーケターなど) タイプ② 統計学、人工知能などの情報科学系の知識を 理解し、統計ソフトなどを用いた専門的な分析 ができる人材 (職種の例:データアナリストなど) ※業種無回答は除く 今後3年間でデータサイエンティストを1人以上増員予定の企業で、 タイプ別の回答があった企業(n=71) Q. 今後3年間で、データサイエンティストを何名程度増やす予定ですか。タイプ別にお答えください。
29.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. 【現在と未来の比較】データサイエンティストのタイプ別内訳 29 40% 54% 28% 38% 24% 19% 24% 26% 36% 27% 48% 36% 全業種計(n=71) 製造業(n=13) 情報通信業(n=17) 上記以外の産業(n=40) タイプ① タイプ② タイプ③ いずれの業種も、今よりもマーケタータイプを増やしたい タイプ③ データ分析を目的とし、プログラミング知識を使っ てデータの収集、加工やシステムへの実装、運用 ができる人材 (職種の例:データエンジニアなど) タイプ① ビジネス課題を抽出し、データを分析・活用して 課題を解決できる人材 (職種の例:データマーケターなど) タイプ② 統計学、人工知能などの情報科学系の知識を 理解し、統計ソフトなどを用いた専門的な分析 ができる人材 (職種の例:データアナリストなど) ※業種無回答は除く グラフ左:データサイエンティスト在籍者が1人以上で、タイプ別の回答があった企業(n=70) グラフ右:今後3年間でデータサイエンティストを1人以上増員予定の企業で、タイプ別の回答があった企業(n=71) 33% 47% 21% 32% 24% 16% 31% 24% 43% 37% 48% 44% 全産業計(n=70) 製造業(n=15) 情報通信業(n=18) 上記以外の産業(n=35) タイプ① タイプ② タイプ③ 今後、増員したい データサイエンティストのタイプ 現在、在籍する データサイエンティストのタイプ グラフ左:Q. 貴社のデータサイエンティストについて、タイプ別の内訳をお答えください。 グラフ右:Q. 今後3年間で、データサイエンティストを何名程度増やす予定ですか。タイプ別にお答えください。
30.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. まとめ 30
31.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. まとめ 国内企業の約3割にデータサイエンティストが在籍 特に情報通信業で活用が先行 31 データサイエンティストは 既にさまざまな業種で在籍 この1年でデータサイエンティスト を増員した企業は56% 56% 29% 11% 14% 23% 29% 59% 全業種計 建設業 運輸業、郵便業 製造業 卸売業・小売業 情報通信業 DSが1人以上在籍している企業
32.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. まとめ データサイエンティストは企業側から見ると依然不足 情報通信業以外の業種でも採用意欲は強い 32 データサイエンティストを 十分に確保できていない企業が多い 77% 11% DS1人以上企業 DS0人企業 今後3年間でデータサイエンティストを 増員したい企業も多い 確保でき なかった 58%
33.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. まとめ 33 求めるデータサイエンティスト像は、 ビジネス課題解決や戦略検討が得意な人材 マーケタータイプ (ビジネス課題を抽出して 応用できる人材) のニーズが高い 「ビジネス」スキルへの 期待が高い 33% 47% 21% 全産業計 製造業 情報通信業 40% 54% 28% 全産業計 製造業 情報通信業 現在のDSに占める マーケタータイプの割合 増員したいDSに占める マーケタータイプの割合 採用・育成したいデータサイエンティストの人材像トップ3 89% 88% 73% 複数の分野を俯瞰的にみてデータ分析の活用 を戦略的に考えられる人材 データによるビジネス課題解決を得意とする人材 データ分析のプロフェッショナルな人材
34.
Copyright © 2020
The Japan DataScientist Society. All Rights Reserved. まとめ 国内企業の約3割にデータサイエンティストが在籍 特に情報通信業で活用が先行 データサイエンティストは企業側から見ると依然不足 情報通信業以外の業種でも採用意欲は強い 求めるデータサイエンティスト像は、 ビジネス課題解決や戦略検討が得意な人材 34 企業側からも、データサイエンティストの増加、裾野の広がりが確認できた。 現在のデータサイエンティストは情報通信業に多く在籍する。 一方、他の業種では、十分に確保できてない企業が多く、 今後は、幅広い業種で採用が拡大していくと考えられる。 また、自社ビジネスに応用できる人材への期待が非常に高かった。 現在のデータサイエンティスト構成比と比べるとギャップがあり、 企業側には、ビジネススキルを向上させるための環境整備が期待される。
Download now