【自己紹介】
#Twitter：@Nurruttan / #YouTube：@Nurruttan
【転職支援サービス】
転職を検討しているデータサイエンティスト向けに【完全無料の】転職支援サービスを実施しています！
詳しくは下記をご覧ください！
【キャリア相談サービス】
キャリアに悩むデータサイエンティスト向けにキャリア相談サービスをやっています！
詳しくは下記をご覧ください！
こんにちは、ぬるったんです。
今回は、【よくある悩み】データサイエンティストとして技術に向き合い続けるにはどうしたらいいか？という内容で解説していきます。
私自身マネージャー経験やキャリア相談サービスの経験から、多くのデータサイエンティストが悩んでいる問題の一つに、技術に向き合いたいけどビジネスロールを求められてしまう、といった悩みがよくあります。
特に、面接官として面接をしている中でもこのような転職理由は多く聞かれて、データサイエンティストのキャリアを悩ます大きな悩みになっていると感じます。
今回は、このような「技術に触れ続けたい問題」がなぜ発生するか、どう解決していけばいいのか？という点について解説していきます。
YouTube版はこちらをご覧ください。チャンネル登録も合わせてよろしくお願いします。
DSによくある「技術に触れ続けたい問題」
データサイエンティストとしてよく聞く悩みが、技術に触れていたいが会社からはビジネスロールを求められるという悩みです。
自身が会社でマネジメントしている時でも、面接をしている時でも、キャリア相談をしていてもかなり多い悩みであり、多くのデータサイエンティストが悩んでいる問題の一つです。
データサイエンティストに求められる能力はよく3つの円で語られることが多いです。
ビジネス力、サイエンス力、エンジニアリング力と三つで語られます。
多くのデータサイエンティストがサイエンススキルを学び始めてキャリアアップしていきます。
そのような中で、技術に触れているのが楽しい、新たな技術に触れることが楽しい、といったモチベーションで日々学習や仕事に励んでいる人も多いです。
しかし、徐々にキャリアを築いていくと会社からはビジネスロールを求められるようになってしまう、というのがよくあるデータサイエンティストの悩みになります。
本当は技術に触れ続けて、キャリアアップを図っていきたいという方は多くいます。
しかし、会社から求められているのはビジネスロールになってくることが多々あります。
経験を積んでくるとビジネス的な立ち回りが求められ始めて、マネジメント的な役割を担い始めて技術から遠くなってしまうことに不満を感じ始めてしまいます。
支援会社であれば、セールス活動に従事して、自身は本当にデータサイエンティストなのか？と疑問を持ち始めることも悩むポイントです。
このような中で、どうキャリアを築いていくかを悩んでしまいます。
「このまま技術に触れずにビジネスロールに振り切ってキャリアを築いていくのか？」
「それとも技術に触れられる環境に転職して新たな環境を探すのか？」
こういった悩みは各所で発生しており、データサイエンティストの最大の悩みの一つだと感じます。
データサイエンティストの需要の差異
このような悩みがなぜ発生するかを説明する前に、データサイエンティストの需要がどのようになっているのかを解説します。
データサイエンティストと一言で言っても、多くの役割があり、データサイエンスへの期待値も大きく変わってくるというのが実情です。
こちらの図は縦軸で企業による違い、横軸でデータサイエンスを活用する領域をざっくり区分した概念図です。
過去の自身の経験から演繹的にまとめました。
各企業による差異
まず縦軸ですが、大企業・Tech系企業・コンサル系企業という形で整理をしています。
大企業
大企業、いわゆるJTCでは、正直なところ組織の分析リテラシーは低いというのが一般的です。
また、過去の経験に基づいた意思決定をする文化が強く、データ活用を進める文化が薄いというのが、多くの大企業で起きていることでしょう。
Tech系企業
2つめのTech系企業ではメガベンチャーなどのテクノロジーに強みを持つ、企業を指します。
このような企業では、組織としての分析リテラシーが高いというのが特徴的です。
データを基に意思決定を行う文化も根付いていることが多く、データ分析は一般的に活用されています。
コンサル系企業
3つ目のコンサル系企業では、支援する先の文化に左右されます。
支援先の分析リテラシーが低ければ、それに合わせて分析をしていかなければなりませんし、分析リテラシーが高ければ、高度な分析をしても受け入れられます。
ただし、大手コンサル企業ではデータが豊富で資金も大きい、大企業の支援を中心に行っていることが多いです。
特にデータサイエンスで売上をあげていこうとしている大手コンサルは大企業に対する支援が多くなってくる傾向があります。
このように、各企業でも多くの文化と傾向があるというのは、自身のキャリアを構築する上で、理解しておくべきことでしょう。
領域による差異
一方で、データサイエンスを活用する領域でも差異があります。
意思決定系
まず、意思決定系の領域です。
意思決定系の領域ではマーケティング・経営など、データを基に効果的な意思決定をしていく領域になります。
最も一般的なものは大量の顧客データを分析して、顧客のインサイトを基にマーケティング施策を実行していくような取り組みです。
広告の効果検証やキャンペーンの効果検証などもこの領域に当たります。
意思決定系の特徴としては、意思決定者に分析の内容を分かりやすく、納得感がある形で伝えることが求められるという点です。
そのため、意思決定領域に関わるデータサイエンティストには高いコミュニケーションスキルや合意形成力が求められます。
プロダクト改善系
二つ目の領域がプロダクト改善系です。
こちらは、WEBサービスなどのプロダクトをデータサイエンスの力で成長させていく領域になります。
想像しやすいのが、ECサイトであったり、YouTubeなどの動画サービスです。
このようなプロダクトでは、膨大な利用ログが蓄積されます。
例えば、ECサイトを例に取ると、顧客の購入ログはもちろん、どのような商品をカートに入れたか、どのようなページを閲覧したか、いつサイトを使っていたか、など多くのデータが存在します。
このような膨大なデータを活用して、サービスの成長を促進していく役割です。
プロダクト開発系ではレコメンドシステムの構築なども期待されることがあるため、エンジニアリング能力が求められる点が特徴的です。
開発系
三つ目が開発系です。
開発系の領域では、製品開発や製造領域に対して、データサイエンスを活用して効率化を図る領域になります。
代表的な例が、画像認識を活用した不良品の検知であったり、音声認識を用いた機器劣化の検知です。
開発系の領域では物理的な現象に対して、データサイエンスを活用して、事前にリスクを検知したり、人の仕事を代替することで業務効率化を推進するという取り組みが多くあります。
用いられる技術も画像認識や音声認識など深層学習系の技術を使うことも多く、技術に特化する期待値が持たれやすいです。
開発系の領域では意思決定にデータ分析を活用するものではなく、目標とする指標（例えば、検知率）を上げられるかが重視されるので、分析の精度が重視されます。
特に、Kaggleなどのスキルが重視される傾向があるのも開発系の大きな特徴です。
このように、どの領域にデータサイエンスを活用するかによっても、データサイエンティストに対する期待値は変わるものである、ということは重要です。
領域の選択を間違えれば、自身がやりたいこととの乖離は発生してしまうということになります。
求められる分析の差異
このように企業×領域でデータサイエンティストに求められる分析は異なります。
企業と領域の2軸を掛け合わせた時に、どのような分析が求められるのかという点を解説します。
大企業の意思決定領域
一つ目が、大企業の意思決定領域です。
こちらは、コンサル系の企業も多く引っ張られるので、コンサル系企業でも多くは同様の期待値になります。
この領域では、単純で分かりやすい分析を求められる傾向があります。
大企業では分析リテラシーが低く、データ分析を活用する文化が低い傾向があります。
これは決して企業運営上は全く悪いという訳ではありません。
大企業では歴史がある企業で、不確実な状況において、大きな意思決定を行ってきた方々が意思決定者になっていることが多いです。
データが整備されていない過去の状況では、すべてをデータに基づいて判断をしていたらビジネスのスピードには追い付かず、出遅れてしまうという側面がありました。
ここ数年で計算技術が大きく発展したため、大企業でもデータを基に意思決定することが出来るようになってきています。
このような背景から、大企業の意思決定領域では、過去の経験則に基づいて意思決定を行う方々にデータ分析を活用していく必要があります。
そのため、非常にわかりやすくメッセージ性が高い分析が求められるという特徴があります。
高度で複雑な分析はそもそも聞いてもらえず、データサイエンティストとしては専門性を発揮することが難しい場合が多くあります。
もちろん、例外的な場合もありますが、多くの人の状況を聞いているとかなり頻繁に起きている傾向であると感じます。
Tech系企業の意思決定領域
二つ目が、Tech系企業の意思決定領域です。
Tech系企業では分析リテラシーが高いことが特徴的であることから、データサイエンス・深い統計知識を活用したデータ分析が受け入れられやすいです。
データ分析を活用する文化が高いことから、重要指標のダッシュボードなどは当たり前に存在しており、ダッシュボードではやりきれない分析がデータサイエンティストに期待されることになります。
そのため、注力キャンペーンにおいて、緻密に交絡を調整して比較を行うことや、大規模なRCT比較なども期待されることがあり、データサイエンティストとしての専門性を発揮しやすい環境になります。
プロダクト改善系の領域
三つ目が、プロダクト改善系の領域です。こちらは企業による差異は少ないです。
WEB系のサービスを運営しているため、リテラシーが高い人材が多いことから大企業の中でも一定の分析リテラシーがあります。
特に、プロダクト改善系は膨大なデータを活用して、機械的に顧客に対して。コンテンツをおすすめ機能、いわばレコメンドシステムを構築することも多いです。
一般的な機械学習やクラスタリング、協調フィルタリングなどの手法を用いて、プロダクトを改善していく期待値を持たれやすく、データサイエンティストとしての専門性が活かしやすい領域になります。
レコメンドシステムを構築する際には、システムの知識もある程度必要になってくるのでエンジニアリング能力も一定レベルまで必要になってくる領域になります。
開発系の領域
最後に、開発系の領域です。開発系の領域でも、企業における差異は少ないです。
データを活用する方々がエンジニア色が強い人材になるので、データ分析をかなり興味深く聞いてくれ、分析リテラシーも高い傾向があります。
開発系の領域では、物理的な現象に対してデータサイエンスを活用することが多く、組織の政治的な要素が入ることが少ないです。
特に、不良品の検知率、など指標が明確であることから目的となる指標の精度をいかにあげられるか？という点が重視される点になります。
そのため、モデルの精度向上やデータサイエンスに向きあいやすい環境であり、データサイエンティストとして専門性を活かしやすい領域になります。
開発系の領域ではデータが散在していることも多く、データ収集や加工のフェーズに多くの労力がかかるというのが、特徴的な点になります。
このように、各企業×領域でデータサイエンティストに求められる分析や期待値が変わります。
自身がやりたいことと、企業・領域がずれていると、満足度の低い職場環境になり、不満が発生しやすくなるため、大枠の傾向としてこのような傾向があることは理解しておくといいと思います。
なぜ「技術触れていたい問題」は発生するか？
前置きが長くなりましたが、ここからなぜ「技術触れていたい問題」は発生するか？について解説していきたいと思います。
「技術触れていたい問題」は大企業の意思決定領域で起きやすい
「技術触れていたい問題」は大企業の意思決定領域で起きやすいです。
分かりやすい分析の需要が高いから
一つ目の理由として、分かりやすい分析の需要が高いからです。
前述したように大企業では、分析のリテラシーが低い傾向があります。
そのため、大企業ではメッセージ性が重視された分かりやすい分析の需要が高くなります。
高度な分析の需要が少ない
二つ目の理由としては、高度な分析の需要が少ないという理由です。
高度な分析が意思決定者に伝わりづらく、データサイエンス・深い統計知識を使う分析が少なくなります。
データサイエンティストとして日々学習しているデータサイエンス、統計知識を上手く活用しきれないため、徐々にビジネス側の意思決定者とコミュニケーションをする役割が強くなってきます。
結果として、技術に触れることが少なくなり、ビジネス側でコミュニケーションする立場となってきてしまい、やりたいことと乖離してしまうといったことが発生します。
市場規模が大きく、求人が多い
最後に、大きな要因として挙げられるのが、市場規模が大きく、求人が多いということです。
大企業の意思決定にデータを活用する領域は市場規模が大きく求人も多くあります。
やはり、日本のマーケットを動かしているのは大企業であることは間違いありません。
大企業の資金というのはそれほど大きなものでその資金の流入先として大手コンサル企業があるような構造です。
そのため、どうしてもこの意思決定の領域には多くの資金が流れ、結果として市場規模が大きく、求人も多いという側面があります。
結果として、技術的に尖り切れていないデータサイエンティストや経験が浅いデータサイエンティストはなし崩し的に大企業の意思決定領域で仕事をすることが多々あるように感じています。
自身のやりたいことではないということになり、不満がたまっていってしまう傾向があります。
このように、「技術触れていたい問題」は市場構造的にやや起きやすくなってしまっているように感じ、今後もますますこの傾向は続いていくのではないかと感じます。
技術に向き合うにはどうすればいいか？
では、技術に向き合ってキャリア形成していくにはどのようにしたらいいのか？といった点について解説していきます。
結論は、大企業の意思決定の領域から離れるというのが得策です。具体的に解説していきます。
Tech系企業で働く
一つ目が、Tech系企業で働くことです。
分析リテラシーが高い企業で働くことでデータサイエンティストとしての専門性を活かした分析ができる可能性が高まります。
データサイエンスの専門性を発揮できるかどうかは企業文化にも大きく依存するため、分析リテラシーが高い企業で働くことで、自身の専門性を活用した働き方ができるようになります。
意思決定系の領域から離れる
二つ目が、意思決定系の領域から離れることです。
プロダクト改善や開発系の領域に身を置いて、キャリアを作っていく方法になります。
プロダクト改善系であれば、膨大な顧客の利用ログを基にデータを活用して、自身のデータサイエンスの専門性を活かした働き方ができます。
レコメンドシステムの構築などに携わることもできるため、技術に向き合える時間も多くなります。
開発系においてもデータサイエンスへの期待値が高い領域であるからこそ、データサイエンティストとして専門性を活かした働き方がしやすい領域になります。
生成AIの領域に振り切る
三つ目が、生成AIの領域に振り切ることです。
生成AIは最近出てきた領域ですが、生成AIは意思決定の領域ではあまり価値を発揮しない技術です。
ツールとして、提供して意思決定のサポートをすることは考えられますが、生成AI単体でなにかを意思決定の行うことはありません。
生成AIでは開発スキルが必須で技術に触れやすい領域です。
最終的にはアプリケーションを作ったり、アプリを改善する仕組みを作ったり、システム構築系の案件になるため、技術に向き合いたい方にはおすすめの領域になります。
今後、市場の拡大も見込まれるので、一つの有力な選択肢になるでしょう。
このように、技術に向き合うためには、いくつか選択肢があります。
ただし、現時点ではやはり大企業の意思決定系の領域が需要としては高く、他の領域では競争力が高い領域であると言えるでしょう。
そのため、自身のスキルを磨きながら、求人を探して、適切な環境に身を置く努力をしていく必要があると感じます。
まとめ
と、いうところでまとめに移ります。
- ビジネスロールを求められ、技術に触れる機会がなくなることはデータサイエンティストのよくある悩み
- 大企業（いわゆるJTC）意思決定に関わるデータ分析に携わる場合によく発生する悩み
- 技術に向き合うには意思決定領域から離れて、データサイエンスの期待値が高い領域で働くことが大事
と、いうのが今回のまとめです。
データサイエンティストのキャリア構築は非常に難しく、悩みやすいものです。今後もデータサイエンティストのキャリアに関する情報を発信していきます。
今回は以上です。ありがとうございました。
にほんブログ村
