Submit Search
Upload
ビジネスの現場のデータ分析における理想と現実
•
59 likes
•
26,283 views
Takashi J OZAKI
Follow
Zansa第17回勉強会・社会人枠での発表です。データ分析の話は全くしてません(笑)。
Read less
Read more
Technology
Report
Share
Report
Share
1 of 52
Recommended
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
Takashi J OZAKI
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
さらば!データサイエンティスト
さらば!データサイエンティスト
Shohei Hido
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
合成変量とアンサンブル:回帰森と加法モデルの要点
合成変量とアンサンブル:回帰森と加法モデルの要点
Ichigaku Takigawa
マルチモーダル深層学習の研究動向
マルチモーダル深層学習の研究動向
Koichiro Mori
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
Yuya Unno
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
Recommended
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
Takashi J OZAKI
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
さらば!データサイエンティスト
さらば!データサイエンティスト
Shohei Hido
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
合成変量とアンサンブル:回帰森と加法モデルの要点
合成変量とアンサンブル:回帰森と加法モデルの要点
Ichigaku Takigawa
マルチモーダル深層学習の研究動向
マルチモーダル深層学習の研究動向
Koichiro Mori
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
Yuya Unno
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
NIPS2017読み会 LightGBM: A Highly Efficient Gradient Boosting Decision Tree
NIPS2017読み会 LightGBM: A Highly Efficient Gradient Boosting Decision Tree
Takami Sato
データサイエンティストのつくり方
データサイエンティストのつくり方
Shohei Hido
臨床疫学研究における傾向スコア分析の使い⽅ 〜観察研究における治療効果研究〜
臨床疫学研究における傾向スコア分析の使い⽅ 〜観察研究における治療効果研究〜
Yasuyuki Okumura
大規模言語モデルとChatGPT
大規模言語モデルとChatGPT
nlab_utokyo
最適輸送入門
最適輸送入門
joisino
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
強化学習入門
強化学習入門
Shunta Saito
強化学習その2
強化学習その2
nishio
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII
最新業界事情から見るデータサイエンティストの「実像」
最新業界事情から見るデータサイエンティストの「実像」
Takashi J OZAKI
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
takehikoihayashi
レコメンドアルゴリズムの基本と周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法
Takeshi Mikami
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
Ichigaku Takigawa
Disentanglement Survey:Can You Explain How Much Are Generative models Disenta...
Disentanglement Survey:Can You Explain How Much Are Generative models Disenta...
Hideki Tsunashima
楽しい研究のために今からできること 〜新しく研究を始める皆さんへ〜
楽しい研究のために今からできること 〜新しく研究を始める皆さんへ〜
諒介 荒木
ベイズモデリングで見る因子分析
ベイズモデリングで見る因子分析
Shushi Namba
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
データサイエンス概論第一 5 時系列データの解析
データサイエンス概論第一 5 時系列データの解析
Seiichi Uchida
WI2研究会(公開用) “データ分析でよく使う前処理の整理と対処”
WI2研究会(公開用) “データ分析でよく使う前処理の整理と対処”
Hajime Sasaki
2016年6月版データマエショリスト入門
2016年6月版データマエショリスト入門
Yuya Matsumura
More Related Content
What's hot
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
NIPS2017読み会 LightGBM: A Highly Efficient Gradient Boosting Decision Tree
NIPS2017読み会 LightGBM: A Highly Efficient Gradient Boosting Decision Tree
Takami Sato
データサイエンティストのつくり方
データサイエンティストのつくり方
Shohei Hido
臨床疫学研究における傾向スコア分析の使い⽅ 〜観察研究における治療効果研究〜
臨床疫学研究における傾向スコア分析の使い⽅ 〜観察研究における治療効果研究〜
Yasuyuki Okumura
大規模言語モデルとChatGPT
大規模言語モデルとChatGPT
nlab_utokyo
最適輸送入門
最適輸送入門
joisino
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
強化学習入門
強化学習入門
Shunta Saito
強化学習その2
強化学習その2
nishio
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII
最新業界事情から見るデータサイエンティストの「実像」
最新業界事情から見るデータサイエンティストの「実像」
Takashi J OZAKI
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
takehikoihayashi
レコメンドアルゴリズムの基本と周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法
Takeshi Mikami
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
Ichigaku Takigawa
Disentanglement Survey:Can You Explain How Much Are Generative models Disenta...
Disentanglement Survey:Can You Explain How Much Are Generative models Disenta...
Hideki Tsunashima
楽しい研究のために今からできること 〜新しく研究を始める皆さんへ〜
楽しい研究のために今からできること 〜新しく研究を始める皆さんへ〜
諒介 荒木
ベイズモデリングで見る因子分析
ベイズモデリングで見る因子分析
Shushi Namba
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
データサイエンス概論第一 5 時系列データの解析
データサイエンス概論第一 5 時系列データの解析
Seiichi Uchida
What's hot
(20)
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
NIPS2017読み会 LightGBM: A Highly Efficient Gradient Boosting Decision Tree
NIPS2017読み会 LightGBM: A Highly Efficient Gradient Boosting Decision Tree
データサイエンティストのつくり方
データサイエンティストのつくり方
臨床疫学研究における傾向スコア分析の使い⽅ 〜観察研究における治療効果研究〜
臨床疫学研究における傾向スコア分析の使い⽅ 〜観察研究における治療効果研究〜
大規模言語モデルとChatGPT
大規模言語モデルとChatGPT
最適輸送入門
最適輸送入門
失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
強化学習入門
強化学習入門
強化学習その2
強化学習その2
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
最新業界事情から見るデータサイエンティストの「実像」
最新業界事情から見るデータサイエンティストの「実像」
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
レコメンドアルゴリズムの基本と周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
Disentanglement Survey:Can You Explain How Much Are Generative models Disenta...
Disentanglement Survey:Can You Explain How Much Are Generative models Disenta...
楽しい研究のために今からできること 〜新しく研究を始める皆さんへ〜
楽しい研究のために今からできること 〜新しく研究を始める皆さんへ〜
ベイズモデリングで見る因子分析
ベイズモデリングで見る因子分析
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
データサイエンス概論第一 5 時系列データの解析
データサイエンス概論第一 5 時系列データの解析
Viewers also liked
WI2研究会(公開用) “データ分析でよく使う前処理の整理と対処”
WI2研究会(公開用) “データ分析でよく使う前処理の整理と対処”
Hajime Sasaki
2016年6月版データマエショリスト入門
2016年6月版データマエショリスト入門
Yuya Matsumura
「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
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
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
Koichi Hamada
Viewers also liked
(6)
WI2研究会(公開用) “データ分析でよく使う前処理の整理と対処”
WI2研究会(公開用) “データ分析でよく使う前処理の整理と対処”
2016年6月版データマエショリスト入門
2016年6月版データマエショリスト入門
「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
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
不均衡データのクラス分類
不均衡データのクラス分類
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
Similar to ビジネスの現場のデータ分析における理想と現実
Thinking datascientist itself
Thinking datascientist itself
HiroyukiOtsubo
セグメンテーションの考え方・使い方 - TokyoR #44
セグメンテーションの考え方・使い方 - TokyoR #44
horihorio
アクションマイニングを用いた最適なアクションの導出
アクションマイニングを用いた最適なアクションの導出
Shintaro Fukushima
(道具としての)データサイエンティストのつかい方
(道具としての)データサイエンティストのつかい方
Shohei Hido
20120326 zansa勉強会発表資料 (公開用) 02 04-38
20120326 zansa勉強会発表資料 (公開用) 02 04-38
tetsuro ito
OpenDataの知見共有とビジネス化
OpenDataの知見共有とビジネス化
Satoshi Iida
Thank you communication network in organization 感謝ネットワークからみる組織のコミュニケーションの形
Thank you communication network in organization 感謝ネットワークからみる組織のコミュニケーションの形
Hiroko Onari
データジャーナリズム―異業種のコラボレーションがニュースを変える― (2013年12月)
データジャーナリズム―異業種のコラボレーションがニュースを変える― (2013年12月)
yuzoakakura
JPA2019 Symposium 1
JPA2019 Symposium 1
Jun Kashihara
teaming and weak internal information
teaming and weak internal information
Hiroko Onari
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.
Gaiaxセミナー資料20111216
Gaiaxセミナー資料20111216
ITmedia_HR(人事・採用)
Gaiaxセミナー20111216「採用現場が考えるソーシャル」
Gaiaxセミナー20111216「採用現場が考えるソーシャル」
URANO HEIYA
20131213 itサービスに求められる人材像
20131213 itサービスに求められる人材像
jun_suto
20131221 次世代共創マーケティング
20131221 次世代共創マーケティング
晴生(作成中) 山崎
20220422佐賀銀行新入行員研修
20220422佐賀銀行新入行員研修
KazuhitoKitamura
Similar to ビジネスの現場のデータ分析における理想と現実
(16)
Thinking datascientist itself
Thinking datascientist itself
セグメンテーションの考え方・使い方 - TokyoR #44
セグメンテーションの考え方・使い方 - TokyoR #44
アクションマイニングを用いた最適なアクションの導出
アクションマイニングを用いた最適なアクションの導出
(道具としての)データサイエンティストのつかい方
(道具としての)データサイエンティストのつかい方
20120326 zansa勉強会発表資料 (公開用) 02 04-38
20120326 zansa勉強会発表資料 (公開用) 02 04-38
OpenDataの知見共有とビジネス化
OpenDataの知見共有とビジネス化
Thank you communication network in organization 感謝ネットワークからみる組織のコミュニケーションの形
Thank you communication network in organization 感謝ネットワークからみる組織のコミュニケーションの形
データジャーナリズム―異業種のコラボレーションがニュースを変える― (2013年12月)
データジャーナリズム―異業種のコラボレーションがニュースを変える― (2013年12月)
JPA2019 Symposium 1
JPA2019 Symposium 1
teaming and weak internal information
teaming and weak internal information
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
Gaiaxセミナー資料20111216
Gaiaxセミナー資料20111216
Gaiaxセミナー20111216「採用現場が考えるソーシャル」
Gaiaxセミナー20111216「採用現場が考えるソーシャル」
20131213 itサービスに求められる人材像
20131213 itサービスに求められる人材像
20131221 次世代共創マーケティング
20131221 次世代共創マーケティング
20220422佐賀銀行新入行員研修
20220422佐賀銀行新入行員研修
More from Takashi J OZAKI
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
Takashi J OZAKI
Taste of Wine vs. Data Science
Taste of Wine vs. Data Science
Takashi J OZAKI
Granger因果による時系列データの因果推定(因果フェス2015)
Granger因果による時系列データの因果推定(因果フェス2015)
Takashi J OZAKI
Tech Lab Paak講演会 20150601
Tech Lab Paak講演会 20150601
Takashi J OZAKI
なぜ統計学がビジネスの 意思決定において大事なのか?
なぜ統計学がビジネスの 意思決定において大事なのか?
Takashi J OZAKI
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
Takashi J OZAKI
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
Takashi J OZAKI
Jc 20141003 tjo
Jc 20141003 tjo
Takashi J OZAKI
データ分析というお仕事のこれまでとこれから(HCMPL2014)
データ分析というお仕事のこれまでとこれから(HCMPL2014)
Takashi J OZAKI
Visualization of Supervised Learning with {arules} + {arulesViz}
Visualization of Supervised Learning with {arules} + {arulesViz}
Takashi J OZAKI
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Takashi J OZAKI
Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~
Takashi J OZAKI
Simple perceptron by TJO
Simple perceptron by TJO
Takashi J OZAKI
More from Takashi J OZAKI
(13)
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
Taste of Wine vs. Data Science
Taste of Wine vs. Data Science
Granger因果による時系列データの因果推定(因果フェス2015)
Granger因果による時系列データの因果推定(因果フェス2015)
Tech Lab Paak講演会 20150601
Tech Lab Paak講演会 20150601
なぜ統計学がビジネスの 意思決定において大事なのか?
なぜ統計学がビジネスの 意思決定において大事なのか?
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
Jc 20141003 tjo
Jc 20141003 tjo
データ分析というお仕事のこれまでとこれから(HCMPL2014)
データ分析というお仕事のこれまでとこれから(HCMPL2014)
Visualization of Supervised Learning with {arules} + {arulesViz}
Visualization of Supervised Learning with {arules} + {arulesViz}
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~
Simple perceptron by TJO
Simple perceptron by TJO
Recently uploaded
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
Toru Tamaki
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
Toru Tamaki
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
sugiuralab
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
iPride Co., Ltd.
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
Hiroki Ichikura
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
Ryo Sasaki
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
taisei2219
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
Toru Tamaki
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Yuma Ohgami
Recently uploaded
(9)
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
ビジネスの現場のデータ分析における理想と現実
1.
ビジネスの現場の データ分析における 理想と現実 株式会社リクルートコミュニケーションズ データサイエンティスト 尾崎 隆
(Takashi J. OZAKI, Ph. D.) 2013/11/28 1
2.
一応、自己紹介を… ブログ&Twitterやってます 2013/11/28 2
3.
一応、自己紹介を… ブログ&Twitterやってます 2013/11/28 3
4.
一応、自己紹介を… 現在は… 2013/11/28 4
5.
一応、自己紹介を… 現在は… リクルートグループ全体のマーケティングにおける データ分析を担当するデータサイエンティスト 2013/11/28 5
6.
本日のお品書き データサイエンティストが思い描く「理想」 ビジネスの現場における「現実」
「理想」と「現実」の折り合いをうまくつけて、データ分析で価値 を発揮していくには? 2013/11/28 6
7.
おことわり 今日は分析手法の話とか、 難しい話は一切いたしません 2013/11/28 7
8.
おことわり 今日はアドホック分析業務の 現場でよくある話をします ※学生の方が多い会だと聞いてきたもので… 2013/11/28 8
9.
本日のお品書き データサイエンティストが思い描く「理想」 ビジネスの現場における「現実」
「理想」と「現実」の折り合いをうまくつけて、データ分析で価値 を発揮していくには? 2013/11/28 9
10.
データサイエンティストが思い描く「理想」 仕事の進め方では… できる限り面白い仕事がしたいよね あんまり煩雑なルーチンワークには 時間を取られたくないし もちろんカンファレンスとかも出たいし OSSとかにもコミットしたいな データサイエンティスト 2013/11/28 10
11.
データサイエンティストが思い描く「理想」 具体的な分析のやり方では… 基本通りp < 0.05じゃないと 表には出せないよね バシッと機械学習使って厳密な 結果を出してナンボでしょ MCMC使えば複雑なモデルを組み合わ せて正確なパラメータ推定できるよ データサイエンティスト 2013/11/28 やっぱりHadoop上でアルゴリズムを 分散させて一気に大容量でやりたいな 11
12.
データサイエンティストが思い描く「理想」 データサイエンティストという立場の人々が 往々にして思い描く理想、それは… 2013/11/28 12
13.
データサイエンティストが思い描く「理想」 「知的好奇心を満たせる仕事」 ※昨年尾崎がポスドクを辞めて転職した際に、とある企業で 面談して下さった部長氏(素粒子物理Ph.D.出身)の言葉 2013/11/28 13
14.
本日のお品書き データサイエンティストが思い描く「理想」 ビジネスの現場における「現実」
「理想」と「現実」の折り合いをうまくつけて、データ分析で価値 を発揮していくには? 2013/11/28 14
15.
ビジネスの現場における「現実」 初めて分析業務の現場を見て… データサイエンティスト 2013/11/28 15
16.
ビジネスの現場における「現実」 初めて分析業務の現場を見て… ・・・・・・・・・・・・・・ データサイエンティスト 2013/11/28 16
17.
ビジネスの現場における「現実」 彼(彼女)は何を見たのか? 2013/11/28 17
18.
ビジネスの現場における「現実」 前処理 分析 レポート これが一般的な流れですが… 2013/11/28 18
19.
ビジネスの現場における「現実」 現実には… 2013/11/28 19
20.
ビジネスの現場における「現実」 前処理 分析 レポート これぐらいの比率だったりする 2013/11/28 20
21.
ビジネスの現場における「現実」 つまり… データサイエンティスト 2013/11/28 21
22.
ビジネスの現場における「現実」 つまり… データサイエンティスト 2013/11/28 22
23.
ビジネスの現場における「現実」 つまり… マエショリスト 2013/11/28 23
24.
ビジネスの現場における「現実」 「前処理が全工数の9割以上を占める」 カラム定義が揃ってない複数テーブル間にデータが 分散していたり
NAだらけだけど0を入れて補完するとまずいような データが1TBぐらいあったり 外注したデータなのでDBから取ってくるのではなく 全てCSVでン百GBぐらい降ってきたり 2013/11/28 24
25.
ビジネスの現場における「現実」 現場にありがちなもう一つの仕事 データサイエンティスト 2013/11/28 25
26.
ビジネスの現場における「現実」 現場にありがちなもう一つの仕事 うひー・・・ データサイエンティスト データ分析基盤の保守運用 2013/11/28 26
27.
ビジネスの現場における「現実」 「え?crontabぐらい設定できるよね?」 バッチ集計のスクリプトをコミットしたり
バックエンド分析処理のコードをビルドしたり アラートメール出てたらリモートでログインして復旧 作業入ったり ・・・つまり「普通にエンジニア仕事もやる」という 2013/11/28 27
28.
ビジネスの現場における「現実」 適応すべきは自分の影響が 及ぶ範囲だけではない データサイエンティスト 2013/11/28 28
29.
ビジネスの現場における「現実」 適応すべきは自分の影響が 及ぶ範囲だけではない 分析よろしくー あ、はい・・・ データサイエンティスト 2013/11/28 ビジネスマネージャー 29
30.
ビジネスの現場における「現実」 ビジネス側の人とデータ分析の話をすると… は?機械学習?統計的検定?p値?AIC?重回 帰分析?何それ?ちょっと説明してくれる? データ分析データ分析っていうけど、要は Excelの関数うまく使いこなすことでしょ? まだるっこしいこと言うなぁ。Aの平均の方が Bの平均よりも大きいんだからAでいいじゃん 数学苦手だったからさぁ、ぶっちゃけ算数 より難しいもの見ても分からないんだよね ビジネスマネージャー ※弊社および弊グループではビジネス側の人たちでも データ分析諸系統に通じている人が沢山いるのでご安心を 2013/11/28 30
31.
ビジネスの現場における「現実」 これくらい認識に差のある相手と 会話をしなければいけません 2013/11/28 31
32.
ビジネスの現場における「現実」 なので、色々な悲喜劇が起きる 2013/11/28 32
33.
ビジネスの現場における「現実」 決定木で一番良さそうなサイト 導線を選んでみました 決定木って何?この図全然見慣れ なくて読みにくいよ。こんな変な もの持ってこないで、普通にExcel で集計したシート持ってきて ・・・・・・・・・ ビジネスマネージャー データサイエンティスト 2013/11/28 ※これはフィクションです 33
34.
ビジネスの現場における「現実」 これさぁ、Excelで割合計算した結果 と食い違ってるじゃん。おかしいで しょ?変に難しいことに手を出すと 危ないよ、やり直して (単相関と偏相関の 違いなんだけど…) 重回帰分析の結果出ました。 偏回帰係数を見るとですね… ビジネスマネージャー データサイエンティスト 2013/11/28 ※これはフィクションです 34
35.
ビジネスの現場における「現実」 何でそんなに時間かかってるの? データ渡したのだいぶ前だよね? こんなの1日で終わるでしょ? (前処理に時間か かった上にSVM回し 終わるのに3日かか るよ、そもそもあの データ量だし…) お待たせしてすみません、 機械学習にかけた結果です ビジネスマネージャー データサイエンティスト 2013/11/28 ※これはフィクションです 35
36.
ビジネスの現場における「現実」 あーあ、小難しいことは言わずに黙ってサクッと1日で言われ た通りに売上が伸びる改善施策につながる分析結果持ってき てくれるデータサイエンティストどこかにいないかなー ・・・・・・・・・・・・ ビジネスマネージャー データサイエンティスト 2013/11/28 ※これはフィクションです 36
37.
ビジネスの現場における「現実」 不幸なすれ違いが続くと 危ないのは、恋愛と同じ 2013/11/28 37
38.
本日のお品書き データサイエンティストが思い描く「理想」 ビジネスの現場における「現実」
「理想」と「現実」の折り合いをうまくつけて、データ分析で価値 を発揮していくには? 2013/11/28 38
39.
折り合いをつけて、データ分析で価値を発揮していくには? 1. 2013/11/28 39
40.
折り合いをつけて、データ分析で価値を発揮していくには? 1. そもそも話の通じるビジネス側 の人が多い他部署・他社に移る やってられっかチクショー データサイエンティスト ※身も蓋もないが、仕方ない場合も世の中にはある 2013/11/28 40
41.
折り合いをつけて、データ分析で価値を発揮していくには? 2. 2013/11/28 41
42.
折り合いをつけて、データ分析で価値を発揮していくには? 2. 日頃からビジネス側の人たちと 会話を密にする いやぁ、この前の前処理5日も食っ ちゃいましたよ、アハハハハ そうか、全然知らなかったよ・・・ 今度から余裕を持たせて依頼するよ ビジネスマネージャー データサイエンティスト ※ランチの席とかでネタっぽく実情を訴えるとか(笑) 2013/11/28 42
43.
折り合いをつけて、データ分析で価値を発揮していくには? 3. 2013/11/28 43
44.
折り合いをつけて、データ分析で価値を発揮していくには? 3. 科学コミュニケーションをする つもりで対話せよ 簡単に言えば、この数字が大きい ほどより○○だと思ってOKです なるほどー。ってことは、そっちの別 の数字との関係性を見るには・・・ ビジネスマネージャー データサイエンティスト ※デキるビジネス系の人ほど頭の回転が速いので、 こういう「概念」の理解も早い(経験的に) 2013/11/28 44
45.
折り合いをつけて、データ分析で価値を発揮していくには? 4. 2013/11/28 45
46.
折り合いをつけて、データ分析で価値を発揮していくには? 4. 相手のビジネス視点を自分の ものにして話すべし この分析結果から言って、来月のKPI○○ は××との相乗効果で売上高への・・・ そうそう、そこが知りたかったんだよ。 これが分かれば予算配分決められるし ビジネスマネージャー データサイエンティスト ※ビジネス系の人はビジネスの話をしたいのです 2013/11/28 46
47.
折り合いをつけて、データ分析で価値を発揮していくには? 5. 2013/11/28 47
48.
折り合いをつけて、データ分析で価値を発揮していくには? 5. 分析に少しでも詳しい人を見つ けて味方にしてしまう Aの方が説得力 ありますね 分析結果から言うと Aの方が良さそうです そうか、2人とも同意見 なら大丈夫そうだな ビジネス側の人 ビジネスマネージャー データサイエンティスト 2013/11/28 ※持つべきものは味方。そして意外と大学が 経済学系出身とかで詳しい人は多いもの 48
49.
折り合いをつけて、データ分析で価値を発揮していくには? 6. 2013/11/28 49
50.
折り合いをつけて、データ分析で価値を発揮していくには? 6. 価値さえ認めてもらえるように なれば、色々チャレンジできる 素晴らしい成果が出たし、今回 使ったネタでトップカンファレ ンス出してみたら? 喜んで!頑張ってきます! データサイエンティスト こうなったらもっとR&Dにも 力を入れて行かなきゃね ビジネスマネージャー ※NIPSとかKDDとか行かせてもらえることも (弊社および弊グループにおける実例) 2013/11/28 50
51.
ということで、「理想」と「現実」のせめぎ合いを見てきました データサイエンティストが思い描く「理想」 ビジネスの現場における「現実」
「理想」と「現実」の折り合いをうまくつけて、データ分析で価値 を発揮していくには? 2013/11/28 51
52.
最後に まだビッグデータ系のデータ分析部門は どこも立ち上がったばかりなので、 自分好みの組織に作り上げてやりたい ことをやろうと志す若い学生の皆さんに とっては今がチャンスですよ! 2013/11/28 52