データアナリストミートアップで発表したDataOps in MoneyForwardの資料です

1. DataOps
in
MoneyForward
2017/09/12(Tue)
Data Analyst Meetup Tokyo vol.5
at :DeNA

2. © Money Forward,inc.2
名前 : 伊藤 徹郎 (@tetsuroito)
所属 : MoneyForward, Inc.
部署 : 社⻑室
Tools : R & SQL & (sometimes Python)
Career :
企画営業 → データアナリスト → Webディレクター → 事業開発
イマココ
Who Am I

3. DataOpsってなに？

4. DataOpsの前にDevOpsの話
© Money Forward,inc.4
Dev
(Development)
Ops
(Operations)
[DevOps]はソフトウェア開発⼿法の1つで、開発担当者と運⽤担当者が連携して協⼒する
開発⼿法です。
開発担当者 運⽤担当者

5. DataOpsはDevOpsからインスパイアされてる
© Money Forward,inc.5
Data
(Data)
Ops
(Operations)
[DataOps]は私が提唱している考えで、データ分析担当者とサービス運⽤担当者が
それぞれ連携して、適切にサービスを改善/運⽤する⼿法です。
データサイエンティスト
データベースエンジニア
機械学習エンジニア
運⽤担当者

6. 要は・ ・ ・
© Money Forward,inc.6
同じサービスを担当する者同⼠、
うまく連携していきましょうということです

7. 少し宣伝
© Money Forward,inc.7
ZDNetという媒体で「事業会社で取り組むデータ分析の実際」という連載で
そのような内容の連載をしていました。よければチェックしてみてください！
https://japan.zdnet.com/cio/sp_17datas/

8. そうはいっても‥
© Money Forward,inc.8
なかなか協調して動くことは難しいことが多いです。
部⾨間で連携する場合、
「情報のサイロ化」
が問題になりやすいです。
また、同⼀チームで連携する場合、
「共通⾔語化」
に問題があることが多いです。

9. データサイエンス系⼈材に共通する点
© Money Forward,inc.9
協働するよりデータをいじる
チームメンバーとコミュニケーションを取るよりも、
取得可能なデータを⽤いて様々な分析を⾏ってみたり、
様々なモデルを試してみたり、他のデータと組み合わせて
みたり、⼀般的な統計情報から類推してみたり…

10. © Money Forward,inc.10
協働するよりデータをいじる
チームメンバーとコミュニケーションを取るよりも、
取得可能なデータを⽤いて様々な分析を⾏ってみたり、
様々なモデルを試してみたり、他のデータと組み合わせて
みたり、⼀般的な統計情報から類推してみたり…
データサイエンス系⼈材に共通する点

11. © Money Forward,inc.11
協働するよりデータをいじる
チームメンバーとコミュニケーションを取るよりも、
取得可能なデータを⽤いて様々な分析を⾏ってみたり、
様々なモデルを試してみたり、他のデータと組み合わせて
みたり、⼀般的な統計情報から類推してみたり…
こういう姿勢はダメです。
(胸に⼿を当て、考えましょう)
データサイエンス系⼈材に共通する点

12. © Money Forward,inc.12
私のオススメな⽅法
ディレクターやUXデザイナーとの協働
データサイエンティスト
データベースエンジニア
機械学習エンジニア
ディレクター
UI/UXデザイナー

13. どうやって？
© Money Forward,inc.13
UXワークショップの実践
チームの様々な職種のメンバーが⼀堂に会して、
「ペルソナ/シナリオ法」のワークショップを実践。
これにより、正しい仮説やターゲット像を作成。
ブログ記事 : https://moneyforward.com/engineers_blog/2017/04/19/user-survey-workshop/
■参加者の職種
エンジニア/デザイナー/PO,PMO/企画、マーケ
営業、アライアンス/カスタマーサポートなど

14. 試してみてよかったこと
© Money Forward,inc.14
Ø外化することで暗黙知の共有ができた
Øサービスの経験年数による理解度のばらつき補正
Øゴム化するペルソナをきちんと同定することができた
Ø組織の壁のようなものがなくなった
Ø同じ⽅向性、正しいユーザー像の理解度向上
Øチームビルディングにも好影響

15. 結果として得られる期待値
© Money Forward,inc.15
「仮説構築の精度」
AIファーストやデータ⺠主化の流れを受けて、どんどん
データ利⽤における⾃由度やアルゴリズムの精度、選択肢
の広がりが拡⼤しています。
その中で改めて我々データサイエンスを⾏う⼈間が
意識しなければならないことは、「5W1H」の仮説です。
When ： いつ
Where ： どこで
Who ： 誰が
What ： 何を
Why ： なぜ
How ： どのように
引⽤元書籍名：「イシューからはじめよ」
http://www.eijipress.co.jp/book/book.php?epcode=2085

16. MoneyForwardでの取り組み

17. データサイエンスを⾏うシステム構成
17 © Money Forward,inc.
定期バッチやアドホック分析なども実施し、必要に応じて構成変更
なども⾏っています。
ロゴは各社のHPより引⽤

18. サービス提供におけるデータサイエンス
18 © Money Forward,inc.
家計診断機能で専⾨家(FP)によるアルゴリズムを作成し、
ユーザーの属性など、近しい属性の理想の家計と⽐較・診断します。
(*家計診断は有料機能です)

19. サービス改善におけるデータサイエンス
© Money Forward,inc.19
ユーザーの⾏動ログから多変量解析や統計解析により問題を特定。
その結果から施策を⽴案・実装・リリース。
リリース後にもモニタリングし、次の施策をあてていきます。
ユーザー⾏動モデルの可視化 曜⽇・時間別⾏動分布の可視化 アソシエーションルールの
スキャッタープロット

20. 社内の勉強会なども開催
20
輪読会を実施し、その発表資料を社内の情報共有ツールへアップ
© Money Forward,inc.
引⽤元書籍名：「ITエンジニアのための機械学習理論⼊⾨」
http://gihyo.jp/book/2015/978-4-7741-7698-7

21. フィジビリティスタディー (KPIの予測など)
© Money Forward,inc.21
過去の蓄積データから予測モデルを作成し、信頼区間を⽤いた予測などの
取り組みも⾏っています。Facebookの⽅が開発したProphetを使った例
ブログ記事 : https://moneyforward.com/engineers_blog/2017/06/01/prophet/

22. © Money Forward,inc.22
ユーザーのパーソナライズ情報を最適なタイミングで配信
興味のある情報を学習し、よりよいアドバイスを提⽰
今強化している取り組み

23. 今後強化していきたい取り組み
© Money Forward,inc.23
・プライバシー保護データマイニング
・差分プライバシー
・オントロジー
セキュリティとデータサイエンスはトレードオフです。
セキュリティを担保しつつデータを活⽤出来る取り組みを推進予定です。
この辺の有識者の⽅々とぜひ意⾒交換や勉強会などをしたいので、ぜひお声掛けください！

24. 個⼈的に気になっているもの
© Money Forward,inc.24 出典： http://edwardlib.org/

25. 最後に⼀⾔物申したい

26. © Money Forward,inc.26
私たちは今回の
「DeepLearning」
ブームで何を学んだのか

27. DeepLearningで学んだことは
© Money Forward,inc.27
Deep LearningはNNの再びのブームによって
CNN、RNN、LSTM、GANなどの
様々なアルゴリズムが勃興している
扱うフレームワークも
H2O,MXNet,Caffe,Theano,Chainer,
Torch,Tensorflow,Keras
などの多岐にわたっている

28. DeepLearningで学んだことは
© Money Forward,inc.28
Deep LearningはNNの再びのブームによって
CNN、RNN、LSTM、GANなどの
様々なアルゴリズムが勃興している
扱うフレームワークも
H2O,MXNet,Caffe,Theano,Chainer,
Torch,Tensorflow,Keras
などの多岐にわたっている

29. DeepLearningで学んだことは
© Money Forward,inc.29
Deep LearningはNNの再びのブームによって
CNN、RNN、LSTM、GANSなどの
様々なアルゴリズムが勃興している
扱うフレームワークも
H2O,MXNet,Caffe,Theano,Chainer,
Tensorflow,Keras
などの多岐にわたっている
そうじゃない

30. DeepLearningで学んだことは
© Money Forward,inc.30
⾃社のビジネスモデルに適した
適切な課題設定およびタスク設定を⾏い、
いかに計算資源を獲得して、(お⾦をかけられて)
いかに良い教師データを揃えられるのか
その上で、先ほどのフレームワークの話が
くるのではないか
*あくまでも私⾒です

31. DeepLearning情報をキャッチするTips
© Money Forward,inc.31
arXivTimesというリポジトリがGithubにあります。
何も考えず、このリポジトリをウォッチしてください
https://github.com/arXivTimes/arXivTimes

32. DeepLearning情報をキャッチするTips
© Money Forward,inc.32
Issueに読んだ論⽂のサマリが上がってきます。
サクッと内容把握して、気になれば原著へ！
メール通知は
さながらDeepLearningメルマガ

33. Weʼre Hiring
© Money Forward,inc.33
マネーフォワードでは、⼀緒に働く仲間を募集しています。
マネーフォワード採⽤ページ、もしくはWantedlyページをご確認ください。
■マネーフォワード採⽤ページ https://recruit.moneyforward.com/
■Wantedly https://www.wantedly.com/companies/moneyforward/projects