SlideShare a Scribd company logo
1 of 40
Download to read offline
企業の中の経済学
2018 November 23-25
CyberAgent, Inc. All Rights Reserved
1
自己紹介
名前 : 金子 雄祐
職業 : データサイエンティスト
経歴:
2012年 東京大学文科II類入学
2016年 東京大学経済学部卒業
2018年 東京大学経済学研究科統計学コース卒業
2018年 CyberAgent入社.アドテク本部へ配属
使用言語 : Python, R , SQL, (Scala , Go , Spark)
blog :
https://cold-start-problem.hatenablog.com/
趣味 : Kaggle (Kaggle Expert)
2
今日の話の流れ
1. Tech企業と経済学
2. 経済学と因果推論
3. インターネット広告とは何か?
a. アドテクとはなにか?
b. 広告が表示されるまでの流れ(RTB)
4. アドテクと因果推論
a. アドテクとRCT
b. AIと因果推論
5. サイバーエージェントでの研究事例紹介(Off-Policy Evaluation)
6. まとめ + 余談
3
会社について
4
サイバーエージェントの事業一覧
ここの仕事をしてます
5
Tech企業と経済学
経済学者を雇うTech系企業
6
ネット広告関連企業
実際の求人例(FB)
7
● FBの求人
● 求人内容
1. 研究者
2. 経済学
3. 実験設計
4. 因果推論
1
2
3
4
実際の求人例(MS)
8
● MSの求人
● 求人内容
1. 研究者
2. 経済学
3. 因果推論
4. 計量経済学
5. 機械学習(人工知能)
1
3
4
2
5
求人例から見えること
9
● 経済学系の研究者の求人(基本的に研究者だと CS系,統計系,経済系の求人が多い )
● (計量)経済学 + 因果推論
● (計量)経済学 + 機械学習
研究者
経済学
因果推論
計量経済学
機械学習
経済学と因果推論,そして機械学習 (人工知能)がどう関係するのか?
10
経済学と因果推論
例: 東大入学に効果はあるか?
11
Q: 東大に入学したら平均年収は上がるのか?
平均年収
600万円
平均年収
500万円
東大入学
他大学入学
この差が
入学の効果?
例: 東大入学に効果はあるか?
12
Q: 東大に入学したら平均年収は上がるのか?
● 他の理由が入学と年収に効果を与えている可能性がある (例 : 親の年収,遺伝 etc …)
● この場合,年収の差そのままが東大入学そのものの因果効果 とは言えない
● つまり,東大入学と年収には 相関関係があるが,それは因果関係とは解釈できないということ
○ それではどうやって比較するのか?
年収 ↑
年収 ↓
Other Reasons
(親の年収 , 遺伝 etc)
方法1 : RCT
13
Q: 東大に入学したら平均年収は上がるのか?
● 1つの方法は,「学生をランダムに東大 or 他の大学に入れる」という実験をすること
○ ランダムにすれば,大学入学以外が年収に与える要因は消える
○ この方法はRCT(ランダム化比較試験 )と呼ばれる
● しかし実際には大学入学のようなケースでこのような実験は社会的に実施不可能
○ 社会的なコストが高すぎる. RCTを実施できないケースは社会に溢れてる
方法2 : 因果推論
14
Q: 東大に入学したら平均年収は上がるのか?
● もう1つの方法は,因果推論という手法を用いること
○ RCTが実施できないケースは社会に溢れているため,特に (計量)経済学で発展してきた
● 例えば,以下のようなやり方で 同じような質の学生を比べる
○ 親の年収や能力などが同じような学生のみを上手く抽出して差を調べる
○ 東大にギリギリ落ちた学生とギリギリ受かった学生の差を調べる
同質
入学効果は
+5万円 !
因果推論
15
インターネット広告とは?
Webページ内の広告
16
● 2018年ノーベル経済学賞の記事
● 赤い枠線内の部分が インターネット広告
● 掲載メディアのインセンティブ
○ 広告がクリックされると金銭
○ 従って,興味を惹く記事を出したい
● 広告をどんな仕組みで出しているのか?
● ネット広告が満たすべき性質
○ 即座に広告を出さないといけない
○ クリックされやすい
○ 広告内容( = 商品)への興味を惹く
● 上の問題をテクノロジーで解決する
= 広告(アド) × テクノロジー = アドテク
出典:https://www.yomiuri.co.jp/economy/20181008-OYT1T50089.html
これが広告
広告表示の流れ(RTB)
17
出典:https://www.yomiuri.co.jp/economy/20181008-OYT1T50089.html
<タグ>
● 広告が表示される場所(=広告枠)
● いわゆるタグが埋め込まれている
● javascriptなどのプログラムで動作
広告表示の流れ(RTB)
18
<タグ>
SSP
● サイトへアクセスがあると、リクエストが送信
● SSPという広告取引のための オークション主へのアクセスが行われる.
広告表示の流れ(RTB)
19
<タグ>
SSP
DSP
DSP
DSP
● SSPがDSP(=広告自動配信
システム)に入札リクエストを
送る.
● 入札リクエストの中身
○ 表示日時
○ 表示サイト
○ ユーザーのOS
○ ユーザーのデバイス
● 各DSPは様々な企業と契約
○ 広告クリックなどでDSP
は企業から金銭を得る
広告表示の流れ(RTB)
20
<タグ>
SSP
DSP
DSP
DSP
クリック率: 0.5%
入札額: 80円
クリック率: 1%
入札額: 100円
クリック率: 1.2%
入札額: 150円
過去のクリック情報から機械学習でクリック率予測を行い入札額を決定
Bid = CTR × Value
● Bid = 入札額
● CTR = 予測クリック率
● Value = クリックの価値
広告表示の流れ(RTB)
21
<タグ>
SSP
DSP
DSP
DSP
クリック率: 0.5%
入札額: 80円
クリック率: 1%
入札額: 100円
クリック率: 1.2%
入札額: 150円
入札額を送信し勝者が 2番目に高い額で落札,広告表示.クリックされたメディアにも金銭
= 第2価格オークション (今回は触れないが,経済学理論に基づくもの )
100円
80円
150円
22
アドテクと因果推論
RCT = The Gold Standard
23
アドテク企業でのRCT
24
● そもそも海外のアドテク企業では RCTを盛んにやっている
○ 広告のサイズを変更した時にクリックは増えるのか?
○ デザインを変えた時に検索はどうなるのか?
● 上記の項目は全て企業の収益に直結する 上に,RCTを行うのは特にネットでは容易
● しかし,ネットでもRCTが出来ない例がいくつか有り,その一つが AIの評価
○ そもそもAIとは?
1000 test/day
200 test/day
AIとアドテク
● 今はAI全盛の時代(例: ビッグデータ , ディープラーニング etc … )
● アドテク業界でもAIは用いないといけない(大量のリクエスト処理のため)
○ クリック率の予測 + 何円で入札するか?
○ クリック後の商品購入率の予測 + どんな広告を出すか? 25
”AI”とは?
AI = 機械学習による予測モデル + 意思決定ルール
例 : AIの更新
26
x
candidates
a,b,c,d
b Y_b
● ユーザーに対して広告画像を表示する
● ユーザーの情報Xを得て、選択肢{a,b,c,d}に対してクリックされるか否かの予測を行う。
● 予測クリック率が最大の選択肢を選ぶ
● クリックされたか否かの結果 (Y)を観測する
● 選ばれなかった画像に関しての結果は観測不能
Predict + decision
AI
Y_a 観測不可能a
例 : AIの更新
27
x
candidates
A = {a,b,c,d}
b Y_b
Predict + decision
dataset
X, A, Y
x
candidates
A = {a,b,c,d}
b Y_b
Predict + decision
モデルの学習と更新
1日この仕組みを回す
翌日は更新したモデルで回す
データの蓄積
例 : AIの更新
28
x
candidates
A = {a,b,c,d}
b Y_b
Predict + decision
dataset
X, A, Y
x
candidates
A = {a,b,c,d}
b
Predict + decision
1日この仕組みを回す
更新したモデルで回す
データの蓄積
new system
c
蓄積されたデータから
新AIを作る
→ 旧AIと新AIの比較を
どうすればいいのか?
AIの評価と因果推論
29
● AIの評価も本当はRCTで行いたい
○ しかし,AIの試したいパターンというのは上記の通り何通りも存在する
○ 非常に多くのユーザーや広告がいるアドテク市場だと,その組み合わせは何十万通りにも
● これらのAIをRCTで評価しようと思うと非常にコストがかかる
1. 効果がわからないAIを実際のシステム上で動かさないといけないリスク
2. 実験のための十分なサンプルを得られない
● つまり,AIのRCTは企業にとっても非常にコストがかかる
○ 低コストでかつAIの評価を正しくできる方法はないのか? → 因果推論!
too many patterns...
30
Off-Policy Evaluation
Off-Policy Evaluation
31
● 過去ログに対して新規のAIに意思決定を行わせる
○ つまり新規AIを実システムで運用する必要がない
○ したがって,コストが低く済む
● 意思決定が一致する物は結果の観測が出来る
● 結果が一致しない物は観測が出来ない
○ いわゆる欠測変数の問題
X 結果
X1 1 a d
X2 1 d d
X3 0 c c
X4 1 a a
X5 1 b c
評価
-
1
0
1
-
旧 新
AI
Off-Policy Evaluation
32
● 旧AIと新AIの性能を比較したい
● 旧AIについては全ての観測値が得られる
○ 旧AIについては、得られている結果について全
て平均を取れば性能になる
X 結果
X1 1 a d
X2 1 d d
X3 0 c c
X4 1 a a
X5 1 b c
評価
-
1
0
1
-
旧 新
AI
Off-Policy Evaluation
33
● 新AIについては、左の赤い部分のみ観測可能
○ 赤い部分についての結果のみ平均して平均を取
ればいい?
● 左の赤い部分は,全体のデータからのランダムサンプ
ルになっているわけではない
○ よって因果推論が必要に
○ 理論的には、Inverse Propensity Score、
Doubly Robust Estimationなどの手法を使う
X 結果
X1 1 a d
X2 1 d d
X3 0 c c
X4 1 a a
X5 1 b c
評価
-
1
0
1
-
旧 新
AI
OPEのメリット
34
● 左はイェール大学と CAの共同研究論文
(AAAI 2019 accepted)
○ OPEにおいて,統計的に最もバラツキが
少ない推定手法を提案
○ つまり.画像選択アルゴリズムの機能が
より改善するような手法 を提案
● 論文内では,CAの実際の広告配信データを
使って効果を検証
○ 従来手法に比べて広告のクリック率が約
10 ~ 15%上昇するという検証結果になっ
た
Yale 助教授 CA researcher
OPEのメリット
35
● OPEには,以下のようなメリットがある
1. 日々蓄積される旧AIの過去ログを使えば良いので新 AIの実装コストが低く済む
2. 効果のわからないAIを実際に運用するリスクを回避できる
3. 擬似的なRCTも可能.つまり,選択肢の評価も同時に可能.
■ 1つの画像のみを選択する AIをa ~ dの4つ分用意してOPEの結果を比較すれば良い
● このように,サイバーエージェントでは因果推論 & 経済学でAIの改善を行なっている
36
まとめと余談
日本のTech企業と経済学
37
Q: 海外のtech企業では経済学者を雇うけど日本ではどうなの?
海外 日本
● 残念ながらCAを除いてほとんどないのが現状
● CAのアドテクスタジオというアドテク部門の中に AI Labという研究組織がある
○ 国内には珍しく,経済学部門が存在
○ AI Labには他に画像認識部門や機械学習部門、ロボット部門などが存在
余談
2018年の論文:
テクノロジー企業における経
済学者(と経済学) 38
Susan Athey:
マイクロソフトの主任経済学者
スタンフォード教授
経済学 × AIの分野の第一人者
余談
39
● 今年のKDDという機械学習のトップレベルの世界会議
● 人工知能系の最高レベルの学会の基調講演者がノーベル経済学賞受賞者の Alvin Roth
● 2015年はSusan Atheyも基調講演
● こんな感じで,Computer Science と 経済学の融合は海外で特にすごく進んでいる
余談
40
● 少なくとも広告/アドテク系ならしばらくは食いっぱぐれない気がする
○ アドテク業界なら先述の定義の AIはまず無くならないし,となると AIの評価もしたい
○ あとは広告の因果効果とかもみんな気になってる(そういう研究もあります)
○ 実際,海外の機械学習系の学会でも因果推論 + 機械学習は流行りつつある
● 大学でやる研究と民間企業でやる研究の違い
○ (そもそも僕は研究やってないですが )金になるテーマをやんないといけないのが大変かも
○ 要は業界について理解してないと「何が金になるか」もわからない
○ その上で,大学の先生などと連携して研究とかなるとハードだと思います
○ 金になる研究を探すのにも経済学的なセンスが役立つと思います
● 特にプログラミングやってこなかったのに 1年目にコード書くの辛くないの
○ 結構楽しい
○ なんだかんだ企業入ったら頑張って仕事することが勉強になります
● 今後どんな研究あると思う
○ 「より大きな因果効果を得られる選択肢は何か? 」を探すという話になると思います
○ 今から頑張るならそういう視点で研究してみるのもありかも
Q. 企業で経済学やるって実際どうなの

More Related Content

What's hot

「DX完全に理解した」「DXわけがわからないよ」なユーザ企業の方へ
「DX完全に理解した」「DXわけがわからないよ」なユーザ企業の方へ「DX完全に理解した」「DXわけがわからないよ」なユーザ企業の方へ
「DX完全に理解した」「DXわけがわからないよ」なユーザ企業の方へYoheiGibo
 
学生のためのAI豆知識
学生のためのAI豆知識学生のためのAI豆知識
学生のためのAI豆知識Rei Sasaki
 
ビジネスパーソンのためのDX入門講座エッセンス版
ビジネスパーソンのためのDX入門講座エッセンス版ビジネスパーソンのためのDX入門講座エッセンス版
ビジネスパーソンのためのDX入門講座エッセンス版Tokoroten Nakayama
 
なぜコンピュータを学ばなければならないのか 21世紀の君主論
なぜコンピュータを学ばなければならないのか 21世紀の君主論なぜコンピュータを学ばなければならないのか 21世紀の君主論
なぜコンピュータを学ばなければならないのか 21世紀の君主論Tokoroten Nakayama
 
IT系エンジニアのためのプレゼンテーション入門
IT系エンジニアのためのプレゼンテーション入門IT系エンジニアのためのプレゼンテーション入門
IT系エンジニアのためのプレゼンテーション入門Masahito Zembutsu
 
「ユーザーを理解するって言うほどカンタンじゃないよね」 UXデザイン・UXリサーチをもう一度ちゃんと理解しよう!
「ユーザーを理解するって言うほどカンタンじゃないよね」 UXデザイン・UXリサーチをもう一度ちゃんと理解しよう!「ユーザーを理解するって言うほどカンタンじゃないよね」 UXデザイン・UXリサーチをもう一度ちゃんと理解しよう!
「ユーザーを理解するって言うほどカンタンじゃないよね」 UXデザイン・UXリサーチをもう一度ちゃんと理解しよう!Yoshiki Hayama
 
カネとAgile(大企業新規事業編) #rsgt2021
カネとAgile(大企業新規事業編) #rsgt2021カネとAgile(大企業新規事業編) #rsgt2021
カネとAgile(大企業新規事業編) #rsgt2021Itsuki Kuroda
 
プロダクション環境でオンラインで機械学習を動かすにあたってツライ話 #MLCT
プロダクション環境でオンラインで機械学習を動かすにあたってツライ話 #MLCTプロダクション環境でオンラインで機械学習を動かすにあたってツライ話 #MLCT
プロダクション環境でオンラインで機械学習を動かすにあたってツライ話 #MLCTTokoroten Nakayama
 
続・パワポは「最後」に開く-もっとみがく!プレゼン資料作成術「大掃除編」
続・パワポは「最後」に開く-もっとみがく!プレゼン資料作成術「大掃除編」続・パワポは「最後」に開く-もっとみがく!プレゼン資料作成術「大掃除編」
続・パワポは「最後」に開く-もっとみがく!プレゼン資料作成術「大掃除編」Michiyo Fukada
 
プレゼン用 きれいでわかりやすいパワーポイントを作る方法
プレゼン用 きれいでわかりやすいパワーポイントを作る方法プレゼン用 きれいでわかりやすいパワーポイントを作る方法
プレゼン用 きれいでわかりやすいパワーポイントを作る方法Makiko Kunieda
 
アジャイルチームの成果指標設計、進め方と注意点 -開発チームの事業貢献を見える化するには
アジャイルチームの成果指標設計、進め方と注意点 -開発チームの事業貢献を見える化するにはアジャイルチームの成果指標設計、進め方と注意点 -開発チームの事業貢献を見える化するには
アジャイルチームの成果指標設計、進め方と注意点 -開発チームの事業貢献を見える化するにはGraat(グラーツ)
 
大規模レガシー環境に立ち向かう有機的な開発フォーメーション #devsumi #devsumic
大規模レガシー環境に立ち向かう有機的な開発フォーメーション #devsumi #devsumic大規模レガシー環境に立ち向かう有機的な開発フォーメーション #devsumi #devsumic
大規模レガシー環境に立ち向かう有機的な開発フォーメーション #devsumi #devsumicItsuki Kuroda
 
素敵なプレゼン資料を作るためのKnow-Howてんこ盛りセッション:プレゼン道場 Ver 2.2
素敵なプレゼン資料を作るためのKnow-Howてんこ盛りセッション:プレゼン道場 Ver 2.2素敵なプレゼン資料を作るためのKnow-Howてんこ盛りセッション:プレゼン道場 Ver 2.2
素敵なプレゼン資料を作るためのKnow-Howてんこ盛りセッション:プレゼン道場 Ver 2.2Shoe-g Ueyama
 
カネとAgile #RSGT2018
カネとAgile #RSGT2018カネとAgile #RSGT2018
カネとAgile #RSGT2018Itsuki Kuroda
 
マッチングサービスにおけるKPIの話
マッチングサービスにおけるKPIの話マッチングサービスにおけるKPIの話
マッチングサービスにおけるKPIの話cyberagent
 
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)Yusuke Kaneko
 
リーンスタートアップにおける良い仮説、悪い仮説
リーンスタートアップにおける良い仮説、悪い仮説リーンスタートアップにおける良い仮説、悪い仮説
リーンスタートアップにおける良い仮説、悪い仮説Takaaki Umada
 
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019Tokoroten Nakayama
 
失敗から学ぶ データ分析グループの チームマネジメント変遷 (デブサミ2016) #devsumi
失敗から学ぶデータ分析グループのチームマネジメント変遷 (デブサミ2016) #devsumi失敗から学ぶデータ分析グループのチームマネジメント変遷 (デブサミ2016) #devsumi
失敗から学ぶ データ分析グループの チームマネジメント変遷 (デブサミ2016) #devsumiTokoroten Nakayama
 

What's hot (20)

「DX完全に理解した」「DXわけがわからないよ」なユーザ企業の方へ
「DX完全に理解した」「DXわけがわからないよ」なユーザ企業の方へ「DX完全に理解した」「DXわけがわからないよ」なユーザ企業の方へ
「DX完全に理解した」「DXわけがわからないよ」なユーザ企業の方へ
 
学生のためのAI豆知識
学生のためのAI豆知識学生のためのAI豆知識
学生のためのAI豆知識
 
ビジネスパーソンのためのDX入門講座エッセンス版
ビジネスパーソンのためのDX入門講座エッセンス版ビジネスパーソンのためのDX入門講座エッセンス版
ビジネスパーソンのためのDX入門講座エッセンス版
 
なぜコンピュータを学ばなければならないのか 21世紀の君主論
なぜコンピュータを学ばなければならないのか 21世紀の君主論なぜコンピュータを学ばなければならないのか 21世紀の君主論
なぜコンピュータを学ばなければならないのか 21世紀の君主論
 
IT系エンジニアのためのプレゼンテーション入門
IT系エンジニアのためのプレゼンテーション入門IT系エンジニアのためのプレゼンテーション入門
IT系エンジニアのためのプレゼンテーション入門
 
「ユーザーを理解するって言うほどカンタンじゃないよね」 UXデザイン・UXリサーチをもう一度ちゃんと理解しよう!
「ユーザーを理解するって言うほどカンタンじゃないよね」 UXデザイン・UXリサーチをもう一度ちゃんと理解しよう!「ユーザーを理解するって言うほどカンタンじゃないよね」 UXデザイン・UXリサーチをもう一度ちゃんと理解しよう!
「ユーザーを理解するって言うほどカンタンじゃないよね」 UXデザイン・UXリサーチをもう一度ちゃんと理解しよう!
 
カネとAgile(大企業新規事業編) #rsgt2021
カネとAgile(大企業新規事業編) #rsgt2021カネとAgile(大企業新規事業編) #rsgt2021
カネとAgile(大企業新規事業編) #rsgt2021
 
プロダクション環境でオンラインで機械学習を動かすにあたってツライ話 #MLCT
プロダクション環境でオンラインで機械学習を動かすにあたってツライ話 #MLCTプロダクション環境でオンラインで機械学習を動かすにあたってツライ話 #MLCT
プロダクション環境でオンラインで機械学習を動かすにあたってツライ話 #MLCT
 
続・パワポは「最後」に開く-もっとみがく!プレゼン資料作成術「大掃除編」
続・パワポは「最後」に開く-もっとみがく!プレゼン資料作成術「大掃除編」続・パワポは「最後」に開く-もっとみがく!プレゼン資料作成術「大掃除編」
続・パワポは「最後」に開く-もっとみがく!プレゼン資料作成術「大掃除編」
 
プレゼン用 きれいでわかりやすいパワーポイントを作る方法
プレゼン用 きれいでわかりやすいパワーポイントを作る方法プレゼン用 きれいでわかりやすいパワーポイントを作る方法
プレゼン用 きれいでわかりやすいパワーポイントを作る方法
 
アジャイルチームの成果指標設計、進め方と注意点 -開発チームの事業貢献を見える化するには
アジャイルチームの成果指標設計、進め方と注意点 -開発チームの事業貢献を見える化するにはアジャイルチームの成果指標設計、進め方と注意点 -開発チームの事業貢献を見える化するには
アジャイルチームの成果指標設計、進め方と注意点 -開発チームの事業貢献を見える化するには
 
大規模レガシー環境に立ち向かう有機的な開発フォーメーション #devsumi #devsumic
大規模レガシー環境に立ち向かう有機的な開発フォーメーション #devsumi #devsumic大規模レガシー環境に立ち向かう有機的な開発フォーメーション #devsumi #devsumic
大規模レガシー環境に立ち向かう有機的な開発フォーメーション #devsumi #devsumic
 
素敵なプレゼン資料を作るためのKnow-Howてんこ盛りセッション:プレゼン道場 Ver 2.2
素敵なプレゼン資料を作るためのKnow-Howてんこ盛りセッション:プレゼン道場 Ver 2.2素敵なプレゼン資料を作るためのKnow-Howてんこ盛りセッション:プレゼン道場 Ver 2.2
素敵なプレゼン資料を作るためのKnow-Howてんこ盛りセッション:プレゼン道場 Ver 2.2
 
カネとAgile #RSGT2018
カネとAgile #RSGT2018カネとAgile #RSGT2018
カネとAgile #RSGT2018
 
マッチングサービスにおけるKPIの話
マッチングサービスにおけるKPIの話マッチングサービスにおけるKPIの話
マッチングサービスにおけるKPIの話
 
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)
 
リーンスタートアップにおける良い仮説、悪い仮説
リーンスタートアップにおける良い仮説、悪い仮説リーンスタートアップにおける良い仮説、悪い仮説
リーンスタートアップにおける良い仮説、悪い仮説
 
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
 
しょぼいプレゼンをパワポのせいにするな! by @jessedee
しょぼいプレゼンをパワポのせいにするな! by @jessedeeしょぼいプレゼンをパワポのせいにするな! by @jessedee
しょぼいプレゼンをパワポのせいにするな! by @jessedee
 
失敗から学ぶ データ分析グループの チームマネジメント変遷 (デブサミ2016) #devsumi
失敗から学ぶデータ分析グループのチームマネジメント変遷 (デブサミ2016) #devsumi失敗から学ぶデータ分析グループのチームマネジメント変遷 (デブサミ2016) #devsumi
失敗から学ぶ データ分析グループの チームマネジメント変遷 (デブサミ2016) #devsumi
 

Similar to 企業の中の経済学

Retty recommendation project
Retty recommendation projectRetty recommendation project
Retty recommendation projectJiro Iwanaga
 
レコメンドエンジン作成コンテストの勝ち方
レコメンドエンジン作成コンテストの勝ち方レコメンドエンジン作成コンテストの勝ち方
レコメンドエンジン作成コンテストの勝ち方Shun Nukui
 
Social GAME における AI 活用事例 [第 4 回 Google Cloud INSIDE Games & Apps]
Social GAME における AI 活用事例 [第 4 回 Google Cloud INSIDE Games & Apps] Social GAME における AI 活用事例 [第 4 回 Google Cloud INSIDE Games & Apps]
Social GAME における AI 活用事例 [第 4 回 Google Cloud INSIDE Games & Apps] Google Cloud Platform - Japan
 
Tableau Developers Club Season2 - 外部サービス連携デモ
Tableau Developers Club Season2 - 外部サービス連携デモ Tableau Developers Club Season2 - 外部サービス連携デモ
Tableau Developers Club Season2 - 外部サービス連携デモ Kenji Noguchi
 
「今後現場で求められるAIエンジニア像とは?」株式会社ホットリンク 榊 剛史
「今後現場で求められるAIエンジニア像とは?」株式会社ホットリンク  榊 剛史「今後現場で求められるAIエンジニア像とは?」株式会社ホットリンク  榊 剛史
「今後現場で求められるAIエンジニア像とは?」株式会社ホットリンク 榊 剛史Leading Edge Co.,Ltd.
 
リクルート式ビッグデータ活用術
リクルート式ビッグデータ活用術リクルート式ビッグデータ活用術
リクルート式ビッグデータ活用術Recruit Technologies
 
Contextual package
Contextual packageContextual package
Contextual packageShota Yasui
 
数理モデリングからはじめるPython数理最適化 PyData.Tokyo 2017/6/28 Retty Inc. Iwanaga Jiro
数理モデリングからはじめるPython数理最適化 PyData.Tokyo 2017/6/28 Retty Inc. Iwanaga Jiro数理モデリングからはじめるPython数理最適化 PyData.Tokyo 2017/6/28 Retty Inc. Iwanaga Jiro
数理モデリングからはじめるPython数理最適化 PyData.Tokyo 2017/6/28 Retty Inc. Iwanaga JiroJiro Iwanaga
 
Ques12_自動テスト ✕ 機械学習 〜自動テスト結果分析は楽になるか?〜
Ques12_自動テスト ✕ 機械学習 〜自動テスト結果分析は楽になるか?〜Ques12_自動テスト ✕ 機械学習 〜自動テスト結果分析は楽になるか?〜
Ques12_自動テスト ✕ 機械学習 〜自動テスト結果分析は楽になるか?〜Mao Yamaguchi
 
おしゃスタ@リクルート
おしゃスタ@リクルートおしゃスタ@リクルート
おしゃスタ@リクルートIssei Kurahashi
 
資格学校のトライアル申込
資格学校のトライアル申込資格学校のトライアル申込
資格学校のトライアル申込XICA
 
Digital marketing on AWS
Digital marketing on AWSDigital marketing on AWS
Digital marketing on AWSYuta Imai
 
大切なお客様を、一生のお客様に ~自社・競合データから導く、結果につながるデータ分析の最新事例~
大切なお客様を、一生のお客様に  ~自社・競合データから導く、結果につながるデータ分析の最新事例~大切なお客様を、一生のお客様に  ~自社・競合データから導く、結果につながるデータ分析の最新事例~
大切なお客様を、一生のお客様に ~自社・競合データから導く、結果につながるデータ分析の最新事例~株式会社Consumer first
 
資格学校のトライアル申込者数
資格学校のトライアル申込者数資格学校のトライアル申込者数
資格学校のトライアル申込者数XICA
 
Springのプログラムモデルと動く仕様~テスト編~
Springのプログラムモデルと動く仕様~テスト編~Springのプログラムモデルと動く仕様~テスト編~
Springのプログラムモデルと動く仕様~テスト編~terahide
 
[db tech showcase Tokyo 2018] #dbts2018 #D23 『機械学習の自動化を実現するDataRobotによるAIの民主化とは』
[db tech showcase Tokyo 2018] #dbts2018 #D23 『機械学習の自動化を実現するDataRobotによるAIの民主化とは』[db tech showcase Tokyo 2018] #dbts2018 #D23 『機械学習の自動化を実現するDataRobotによるAIの民主化とは』
[db tech showcase Tokyo 2018] #dbts2018 #D23 『機械学習の自動化を実現するDataRobotによるAIの民主化とは』Insight Technology, Inc.
 
[よくわかるクラウドデータベース] リクルートにおけるRedshift導入・活用事例
[よくわかるクラウドデータベース] リクルートにおけるRedshift導入・活用事例[よくわかるクラウドデータベース] リクルートにおけるRedshift導入・活用事例
[よくわかるクラウドデータベース] リクルートにおけるRedshift導入・活用事例Amazon Web Services Japan
 
早稲田・鷲崎-ゴール指向の測定によるソフトウェア 品質評価と改善の実践的取組み (三つのコツ、三つの事例)-2015年2月19日
早稲田・鷲崎-ゴール指向の測定によるソフトウェア品質評価と改善の実践的取組み(三つのコツ、三つの事例)-2015年2月19日早稲田・鷲崎-ゴール指向の測定によるソフトウェア品質評価と改善の実践的取組み(三つのコツ、三つの事例)-2015年2月19日
早稲田・鷲崎-ゴール指向の測定によるソフトウェア 品質評価と改善の実践的取組み (三つのコツ、三つの事例)-2015年2月19日Hironori Washizaki
 

Similar to 企業の中の経済学 (20)

Retty recommendation project
Retty recommendation projectRetty recommendation project
Retty recommendation project
 
レコメンドエンジン作成コンテストの勝ち方
レコメンドエンジン作成コンテストの勝ち方レコメンドエンジン作成コンテストの勝ち方
レコメンドエンジン作成コンテストの勝ち方
 
Social GAME における AI 活用事例 [第 4 回 Google Cloud INSIDE Games & Apps]
Social GAME における AI 活用事例 [第 4 回 Google Cloud INSIDE Games & Apps] Social GAME における AI 活用事例 [第 4 回 Google Cloud INSIDE Games & Apps]
Social GAME における AI 活用事例 [第 4 回 Google Cloud INSIDE Games & Apps]
 
Tableau Developers Club Season2 - 外部サービス連携デモ
Tableau Developers Club Season2 - 外部サービス連携デモ Tableau Developers Club Season2 - 外部サービス連携デモ
Tableau Developers Club Season2 - 外部サービス連携デモ
 
「今後現場で求められるAIエンジニア像とは?」株式会社ホットリンク 榊 剛史
「今後現場で求められるAIエンジニア像とは?」株式会社ホットリンク  榊 剛史「今後現場で求められるAIエンジニア像とは?」株式会社ホットリンク  榊 剛史
「今後現場で求められるAIエンジニア像とは?」株式会社ホットリンク 榊 剛史
 
リクルート式ビッグデータ活用術
リクルート式ビッグデータ活用術リクルート式ビッグデータ活用術
リクルート式ビッグデータ活用術
 
Tdc 20181121
Tdc 20181121Tdc 20181121
Tdc 20181121
 
Contextual package
Contextual packageContextual package
Contextual package
 
数理モデリングからはじめるPython数理最適化 PyData.Tokyo 2017/6/28 Retty Inc. Iwanaga Jiro
数理モデリングからはじめるPython数理最適化 PyData.Tokyo 2017/6/28 Retty Inc. Iwanaga Jiro数理モデリングからはじめるPython数理最適化 PyData.Tokyo 2017/6/28 Retty Inc. Iwanaga Jiro
数理モデリングからはじめるPython数理最適化 PyData.Tokyo 2017/6/28 Retty Inc. Iwanaga Jiro
 
Ques12_自動テスト ✕ 機械学習 〜自動テスト結果分析は楽になるか?〜
Ques12_自動テスト ✕ 機械学習 〜自動テスト結果分析は楽になるか?〜Ques12_自動テスト ✕ 機械学習 〜自動テスト結果分析は楽になるか?〜
Ques12_自動テスト ✕ 機械学習 〜自動テスト結果分析は楽になるか?〜
 
おしゃスタ@リクルート
おしゃスタ@リクルートおしゃスタ@リクルート
おしゃスタ@リクルート
 
資格学校のトライアル申込
資格学校のトライアル申込資格学校のトライアル申込
資格学校のトライアル申込
 
Digital marketing on AWS
Digital marketing on AWSDigital marketing on AWS
Digital marketing on AWS
 
大切なお客様を、一生のお客様に ~自社・競合データから導く、結果につながるデータ分析の最新事例~
大切なお客様を、一生のお客様に  ~自社・競合データから導く、結果につながるデータ分析の最新事例~大切なお客様を、一生のお客様に  ~自社・競合データから導く、結果につながるデータ分析の最新事例~
大切なお客様を、一生のお客様に ~自社・競合データから導く、結果につながるデータ分析の最新事例~
 
資格学校のトライアル申込者数
資格学校のトライアル申込者数資格学校のトライアル申込者数
資格学校のトライアル申込者数
 
Springのプログラムモデルと動く仕様~テスト編~
Springのプログラムモデルと動く仕様~テスト編~Springのプログラムモデルと動く仕様~テスト編~
Springのプログラムモデルと動く仕様~テスト編~
 
[db tech showcase Tokyo 2018] #dbts2018 #D23 『機械学習の自動化を実現するDataRobotによるAIの民主化とは』
[db tech showcase Tokyo 2018] #dbts2018 #D23 『機械学習の自動化を実現するDataRobotによるAIの民主化とは』[db tech showcase Tokyo 2018] #dbts2018 #D23 『機械学習の自動化を実現するDataRobotによるAIの民主化とは』
[db tech showcase Tokyo 2018] #dbts2018 #D23 『機械学習の自動化を実現するDataRobotによるAIの民主化とは』
 
[よくわかるクラウドデータベース] リクルートにおけるRedshift導入・活用事例
[よくわかるクラウドデータベース] リクルートにおけるRedshift導入・活用事例[よくわかるクラウドデータベース] リクルートにおけるRedshift導入・活用事例
[よくわかるクラウドデータベース] リクルートにおけるRedshift導入・活用事例
 
ディープラーニング開発組織のつくり方と運営ノウハウ_DLLAB Case Study Day
ディープラーニング開発組織のつくり方と運営ノウハウ_DLLAB Case Study Dayディープラーニング開発組織のつくり方と運営ノウハウ_DLLAB Case Study Day
ディープラーニング開発組織のつくり方と運営ノウハウ_DLLAB Case Study Day
 
早稲田・鷲崎-ゴール指向の測定によるソフトウェア 品質評価と改善の実践的取組み (三つのコツ、三つの事例)-2015年2月19日
早稲田・鷲崎-ゴール指向の測定によるソフトウェア品質評価と改善の実践的取組み(三つのコツ、三つの事例)-2015年2月19日早稲田・鷲崎-ゴール指向の測定によるソフトウェア品質評価と改善の実践的取組み(三つのコツ、三つの事例)-2015年2月19日
早稲田・鷲崎-ゴール指向の測定によるソフトウェア 品質評価と改善の実践的取組み (三つのコツ、三つの事例)-2015年2月19日
 

More from Yusuke Kaneko

Kdd 2021 読み会(clustering for private interest-based advertising & learning a l...
Kdd 2021 読み会(clustering for private interest-based advertising & learning a l...Kdd 2021 読み会(clustering for private interest-based advertising & learning a l...
Kdd 2021 読み会(clustering for private interest-based advertising & learning a l...Yusuke Kaneko
 
DID, Synthetic Control, CausalImpact
DID, Synthetic Control, CausalImpactDID, Synthetic Control, CausalImpact
DID, Synthetic Control, CausalImpactYusuke Kaneko
 
LightGBM: a highly efficient gradient boosting decision tree
LightGBM: a highly efficient gradient boosting decision treeLightGBM: a highly efficient gradient boosting decision tree
LightGBM: a highly efficient gradient boosting decision treeYusuke Kaneko
 
How to correctly estimate the effect of online advertisement(About Double Mac...
How to correctly estimate the effect of online advertisement(About Double Mac...How to correctly estimate the effect of online advertisement(About Double Mac...
How to correctly estimate the effect of online advertisement(About Double Mac...Yusuke Kaneko
 

More from Yusuke Kaneko (6)

Kdd 2021 読み会(clustering for private interest-based advertising & learning a l...
Kdd 2021 読み会(clustering for private interest-based advertising & learning a l...Kdd 2021 読み会(clustering for private interest-based advertising & learning a l...
Kdd 2021 読み会(clustering for private interest-based advertising & learning a l...
 
DID, Synthetic Control, CausalImpact
DID, Synthetic Control, CausalImpactDID, Synthetic Control, CausalImpact
DID, Synthetic Control, CausalImpact
 
TokyoR_74_RDD
TokyoR_74_RDDTokyoR_74_RDD
TokyoR_74_RDD
 
LightGBM: a highly efficient gradient boosting decision tree
LightGBM: a highly efficient gradient boosting decision treeLightGBM: a highly efficient gradient boosting decision tree
LightGBM: a highly efficient gradient boosting decision tree
 
Hastie_chapter5
Hastie_chapter5Hastie_chapter5
Hastie_chapter5
 
How to correctly estimate the effect of online advertisement(About Double Mac...
How to correctly estimate the effect of online advertisement(About Double Mac...How to correctly estimate the effect of online advertisement(About Double Mac...
How to correctly estimate the effect of online advertisement(About Double Mac...
 

企業の中の経済学