【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！
- データサイエンティストという職業はどんな役割があるのか知りたい
- データサイエンティストはビジネスでどうやって活躍するの？
- サイエンス型のデータサイエンティストってなに？
データサイエンティストという職業って実際ビジネスでどうやって活躍するのかわからない！と思っている人も多いのではないでしょうか。
今回はデータ分析の超プロフェッショナルである、「サイエンス型データサイエンティスト」について解説していきます。
筆者は約500名が在籍する会社で長らくデータサイエンティストとして働いています。長年の経験から様々なタイプのデータサイエンティストと接してきました。
そこで、この記事ではデータの価値を最大化する、サイエンス型データサイエンティストについて詳しく解説していきます。
この記事を読むと、データサイエンスでビジネス課題を解決するデータサイエンティストを理解でき、分析プロフェッショナルのビジネスにおける重要性が詳しくわかります。
下記、本記事のまとめです。
- サイエンス型データサイエンティストってどんな役割？
→データ分析の超プロフェッショナル！ - サイエンス型データサイエンティストはどんな仕事をするの？
→「分析レイヤー」で活躍！ビジネス要件に合致した最適な分析を行う！ - サイエンス型データサイエンティストに求められるスキルって？
→「データから示唆を得る力」が求められる！ - サイエンス型データサイエンティストのキャリアパスは？
→プロダクトの責任者である「プロダクトマネージャーロール」！
→技術力で先進技術を推進するスペシャリストロール - サイエンス型データサイエンティストになるには？
→知識を習得して、実践を繰り返す！ - サイエンス型データサイエンティストはデータの価値を最大化する重要な存在！
では、本題に移ります。
データサイエンティストは3つのタイプにわけられる
データサイエンティストは3つのタイプにわけられます。
下記はデータサイエンティスト協会が実施したデータサイエンティストのニーズを調査した結果です。データサイエンティスト協会はデータサイエンティストを3つのタイプにわけて定義しています。
- 「ビジネス型」：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
- 「サイエンス型」：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
- 「エンジニア型」：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
各企業で必要となるデータサイエンティストの役割は異なり、どのタイプのデータサイエンティストも一定数のニーズがあることがわかります。
データサイエンティストの3つのタイプについて、下記の記事で詳しく解説しているので、もっと知りたい方はぜひご覧ください。
データサイエンティストの三つのタイプって何！？【現役DSが徹底解説！】
データサイエンティストには様々なタイプが存在するよ。各企業で必要となるタイプは違うんだ。どのタイプのデータサイエンティストも需要があるよ。
サイエンス型データサイエンティストは分析の超プロフェッショナル
サイエンス型データサイエンティストは分析の超プロフェッショナルであり、下記のような特徴を持ちます。
- データの価値を最大化するために分析の数多くの引き出しを持つ
- 要件に合致した最適なデータ分析方法を立案する
詳しく解説していきます。
データの価値を最大化するために分析の数多くの引き出しを持つ
データの価値を最大化するためには、データ分析のスキルを幅広く持っていることが重要です。
サイエンス型データサイエンティストは、データの前処理、特徴量エンジニアリング、モデル選択、評価、チューニング、可視化など、様々なデータ分析技術に熟練しています。
分析の数多くの引き出しを持つことによって、状況に応じて最適なデータ分析を行うことができ、データから数多くの示唆を得ることができます。
データ分析の引き出しを多く持っていることが重要だよ。解決する課題は様々だよ。状況に応じて、柔軟な分析をするためには色んな分析方法を知っておく必要があるよ。
要件に合致した最適なデータ分析方法を立案する
サイエンス型データサイエンティストは、ビジネス要件に合致した最適なデータ分析方法の立案に強みを持ちます。
ビジネス課題に対して、どのようなデータ分析方法を使うべきかを正しく選択することが重要です。そのためには、ビジネス要件を理解した上でデータ分析を行わなければなりません。
また、ビジネス要件にはスケジュールも含みます。期限が限られた中でのデータ分析であるために、複雑なデータ分析ができないといった事象も起こります。
期限も含めたビジネス要件の中で最適なデータ分析を立案して、実行することがサイエンス型データサイエンティスト腕の見せ所です。
期限などの制約がある中でデータ分析をするのはすごく難しいよ。制約がある中でサイエンス型データサイエンティストが成果を出すために分析の引き出しが必要なんだよ。
サイエンス型データサイエンティストの仕事内容
データサイエンティストの仕事内容の全体感は下記のように、3つのレイヤーに大別できます。
- 「ビジネスレイヤー」：ビジネスを改善するには何をすべきか？を考えるレイヤー
- 「分析レイヤー」：ビジネス要件に基づいた分析を設計・実行するレイヤー
- 「インフラレイヤー」：分析を下支えするデータ管理・システムを構築するレイヤー
データサイエンティストは仕事内容は上記のように細分化することができます。また、データサイエンティストのタイプによって得意とするレイヤーが異なることも特徴です。
⇒データサイエンティストの仕事内容をもっと知りたい方はコチラ
サイエンス型データサイエンティストは分析レイヤーで活躍する
サイエンス型データサイエンティストは分析レイヤーで活躍します。
ビジネス要件に基づいた分析を設計・実行するために、幅広いデータ分析の引き出しを活用します。
また、サイエンス型のデータサイエンティストは「分析レイヤー」に強みを持ちつつも、「ビジネスレイヤー」、「インフラレイヤー」への理解も必要です。
データ分析を効率的に行うためにデータ加工やデータ管理など、「インフラレイヤー」の領域に関しても理解が必要です。
サイエンス型データサイエンティストは「ビジネスレイヤー」も「インフラレイヤー」も理解が必要なんだ。色んな知識を持っているから分析の超プロフェッショナルなんだよ。
サイエンス型データサイエンティストの仕事内容をもっと詳しく
サイエンス型データサイエンティストの仕事内容をもっと詳しく解説します。
下記に、サイエンス型データサイエンティストの仕事内容を詳しく図示しました。詳しく解説していきます。
要件定義
ビジネスレイヤーで検討された「ビジネス課題」に対して分析要件を定義します。具体的には「ビジネス課題」を「明らかにすべき問い」に細分化します。
「課題」ではまだ抽象度が高く、分析を実施する粒度間としては粗いです。「課題」を「問い」に細分化することで分析要件を明確にできます。
下記、「運営しているECサイトの顧客単価が低い」というビジネス課題に対する、「要件定義」の一例です。
■ビジネス課題：運営しているECサイトの顧客単価が低い
- 顧客単価が高い顧客はどのような顧客か？
・購入頻度が高い顧客の単価は高いか？
・同時に購入する商品数が多い顧客は単価が高いか？ など - どのような商品を購入している顧客が単価が高いか？
・日用品を購入している顧客は単価が高いか？ など
このように、「課題」を「問い」に細分化することで分析すべき要件がより鮮明になります。
また、「課題」を「問い」に分解することで分析の優先度を決定することにも役立ちます。
分析を実施する前に「明らかにすべき問い」を一覧化しておくことで、分析の優先度を決めやすくなり、効率的な分析を実施することができます。
ビジネス課題を分析要件に落とし込むことはとても重要なフェーズだよ。分析要件がずれていると後段のデータ分析全体の価値が下がってしまうからね。責任重大だね。
分析設計
「分析設計」では、「問い」を明らかにするための「分析アプローチ」を具体化します。
「分析アプローチ」は単純な基礎的集計・高度なアルゴリズムを用いた分析など様々な方法があります。重要なのは「問い」を明らかにできることです。
分析はあくまで手段であり、目的ではありません。目的が達成できるのであれば、早く簡単な方法が望ましいです。
「問い」を明らかにするために、最適な分析をできること最も重要な点になります。
“難しくて高度な分析”に価値がある訳じゃないよ。課題を解決できる分析にこそ価値はあるよ。目的に合致した分析アプローチを考えることが重要なポイントだよ。
分析示唆抽出
分析結果から示唆を導くフェーズです。
分析結果を基にわかったこと・考えられることを抽出して、次のアクションに活かします。
ここで重要となるのが、「わかったこと（事実）」と「考えられること（示唆）」を切り分けることです。
「わかったこと」は関係者の共通認識とすることができますが、「考えられること」は人間の意見が混ざっているため共通認識が取りづらい部分になります。
「わかったこと（事実）」と「考えられること（示唆）」を切り分けて話すことで納得感のある議論展開ができます。
「事実」は「事実」として伝えることが大事だよ。「事実」の共通認識を合わせてから、議論をするといい議論になるよ。伝え方もデータサイエンティストの重要なスキルの一つだよ。
Action検討
得られた示唆を基に次のアクションを検討するレイヤーです。
分析結果を基に得た示唆から次のアクションを具体化して列挙します。アクションは大きなものから小さなものまで数多くあります。
重要なのは分析により導かれた示唆から論理的に説明できるアクションであるかという点です。
分析によって得られた示唆から考えることで課題解決につながる、本質的なアクションを取ることができます。
分析の結果から論理的に考えられるアクションであれば、効果的である可能性が高いよ。分析により、事実を抑えた上で効果的なアクションが選択できることがデータ分析の真髄だよ。
サイエンス型データサイエンティストは「データから示唆を得る力」が必要
サイエンス型データサイエンティストはデータ分析のプロフェッショナルです。そのため、「データから示唆を得る力」が求められます。
詳しく解説していきます。
課題を深く理解・構造化する力
「ビジネス上の課題を深く理解して構造的に整理することで解くべき問いを定める力」が求められます。
サイエンス型データサイエンティストは、ビジネス課題を深く理解することが重要です。
大前提のビジネス理解がないと、分析の目的を明確にすることは難しく、誤った分析をしてしまいます。
誤った分析をしないようにビジネス課題を深く理解して、課題をシンプルな構造に整理することが大切です。このプロセスを挟むことで目的に合致した分析を行うことができます。
目的に合致した分析をするために、ビジネス課題を深く理解して、解くべき問いを定める力が求められます。
課題の理解から分析に落とし込むところが重要だよ。深くビジネス課題を理解することが必要だよ。状況に応じて考える必要があるから、実践経験で身に付けていくことが大事だよ。
最適な分析アプローチを具体化する力
「幅広い統計知識・機械学習の知識と解くべき命題を照らし合わせて最適な分析アプローチ具体化する力」が求められます。
サイエンス型データサイエンティストは解くべき命題に対して、多角的に分析アプローチを検討します。統計的な知識・数学的な理解・機械学習の知識を最大限活用して、最適な方法で分析を行うことが重要です。
サイエンス型のデータサイエンティストとして、最も期待される力であり、分析アプローチの引き出しの多さ・深さが価値になります。
この力を身に付けていくために日々の学習・トレンドの把握が重要で、日々の学習や情報収集が必須となります。
分析のプロフェッショナルとして最も期待される部分だよ。分析の引き出しの多さ・深さが価値に直結するよ。サイエンス型データサイエンティストの腕の見せ所だよ。
分析結果を解釈して意味づける力
「分析結果とビジネス背景を紐づけてビジネス観点で有用な示唆を導出する力」が求められます。
「サイエンス型」のデータサイエンティストには専門的な知識を活用して分析します。
分析アプローチによっては複雑性が高く、高度な解釈が求められることがあります。
最終的な分析の目的は解決策を導くことであり、ビジネス観点で有用な示唆を導出することが分析の価値になります。
そのため、サイエンス型データサイエンティストは高度な分析結果を解釈して、意味づける力が強く求められます。
分析結果だけでは価値にならないよ。分析結果を有用な示唆に意味づけてこそ価値になるよ。データサイエンティストとして必ず胸に留めておくべき考え方だよ。
専門スキル
時に、「汎用的に必要なスキルではないが特定領域では必須となる専門スキル」が求められます。
例えば、「自然言語処理」「画像・映像認識」「音声認識」があげられます。
これらのスキルは特定の領域では重要になりますが、一般的なデータサイエンティストにとっては利用シーンが少ないです。
そのため、必要に応じて身に付けるべきスキルと位置付けています。
データサイエンティストは特定領域（ドメイン）に特化することが差別化ポイントになります。適性があれば領域特化する価値の出し方も選択肢に入れるべきです。詳しくは下記をご覧ください。
“専門スキル”は汎用的に使えるスキルではないよ。でも”専門スキル”を深く身に付けると各領域のプロフェッショナルになれるよ。ドメインに入り込むことで、価値の高いデータサイエンティストになれるよ。
サイエンス型データサイエンティストに向いている人
サイエンス型データサイエンティストに向いている人の特徴は下記の2点です。
- 強い知的好奇心を持っている人
- 物事を深く突き詰めて考えられる人
強い知的好奇心を持っている人
サイエンス型データサイエンティストは、ビジネスにとって価値のある情報を発掘するために、常に新しいアイデアや方法を模索しなければなりません。
そのため、強い知的好奇心を持っている人がサイエンス型データサイエンティストに向いているといえます。
「何故そうなるのか？」、「どうしてこうなったのか？」という疑問を持ち、データから新たな発見をすることに喜びを感じる人はサイエンス型データサイエンティストに向いています。
また、新しい技術やツールに対しても積極的に学び、自ら手を動かして実践することができる人が望ましいです。
学ぶことが好きな人は適性が高いよ。自分の好奇心が原動力になって行動する人は活躍できるよ。常に新しいことを学ぶことが好きな人には超オススメだよ。
物事を深く考え抜ける人
物事を総合的に捉え、深く考え抜ける人はサイエンス型データサイエンティストに向いています。
データサイエンスは、複雑で大量のデータを扱うことが多く、データ分析が複雑化することも多いです。そのため、分析から有用な示唆を得るためには物事を深く突き詰めて考えることが重要です。
そのため、物事を深く考え抜ける方はサイエンス型データサイエンティストに向いていて、素晴らしい活躍ができるでしょう。
研究者であったり、学問の世界で活躍したことがある人は適性が高いよ。実際にサイエンス型データサイエンティストで活躍している人は修士や博士を持っている人が多いよ。
サイエンス型データサイエンティストのキャリアパス
サイエンス型データサイエンティストは一例として、下記のようなキャリアパスがあります。
- プロダクト全体の方向性を決定するプロダクトマネージャーロール
- 技術力で先進技術を推進するスペシャリストロール
詳しく解説していきます。
プロダクト全体の方向性を決定するプロダクトマネージャーロール
「データ」を活用して、プロダクトの価値を最大化させるプロダクトマネージャーロールです。
プロダクトとは、ECサイトやスマホアプリなどのサービスを指します。
近年でのプロダクト開発では、グロースハックという概念が一般化してきています。
グロースハックとは「プロダクトのデータを分析しながら、改善を繰り返してプロダクトを成長させていく」ことです。
どのようにユーザーがプロダクトを使っているのか、どのような点がユーザーに取って使いにくい点かなどのプロダクト改善に必要となる情報をデータで明らかにしながら改善を繰り返していきます。
さらに、データサイエンティストが活躍する機会として、「レコメンドシステム」すなわち「おすすめ機能」があります。最近では、各ユーザーの利用データから興味・関心を特定して、類似の商品やコンテンツをおすすめする機能が当たり前のように実装されています。
規模が大きくなると、レコメンドシステムの精度1つで数億円単位の売上が作られる重要な機能です。
このようにプロダクトの改善に長く携わっていれば、将来的に自身でプロダクトの責任者になることも可能です。データを活用してプロダクト全体の方向性を決定する役割は今後も必要になってきます。
プロダクトマネージャーロールに就くにはデータ分析の他にもマーケティングスキルなどが求められるよ。でも長くグロースハックに携わっていれば徐々に身に付いていくよ。
技術力で先進技術を推進するスペシャリストロール
「データ」を活用した先進技術の社会実装を推進するスペシャリストロールです。
近年では、ハード面・ソフト面問わずあらゆる技術が進歩してきており、社会への実装も進んできています。そのような新たな技術を社会実装するためのスペシャリストとしてデータサイエンティストが活躍します。
このロールではデータ分析の中でも「専門スキル」が求められます。さらに、ドメイン領域に対する深い知識が不可欠になります。
具体例を挙げて説明をすると、「画像認識技術」×「ドローン技術」で災害現場のモニタリングの実現、「需要予測技術」×「タクシー業界」でダイナミックプライシングの実現、など実用化に向けて必要な技術検証を行っていく役割になります。
「ドメイン領域」×「専門スキル」の掛け合わせになるため、特化型の「スペシャリスト」になります。
最先端の技術領域を切り開いていく人材となるため、求められるレベルも高いものがありますが、今後さらなるテクノロジーの発展が見込まれる現代においては欠かせない役割となってきます。
汎用性はそこまで高くないけど、中々市場にいない人材だよ。市場規模が大きい領域に特化していくことがオススメだよ。ドメインに特化していると他のデータサイエンティストと差別化できるよ。
サイエンス型データサイエンティストになるには「知識習得 → 活用」
サイエンス型データサイエンティストになるためには「知識習得 → 活用」することが重要です。
まずデータ分析に必要な知識やスキルを習得することが必要です。具体的には、データ分析の基礎、統計学や機械学習などのデータ分析技術を中心に知識を習得していくことが求められます。
ただし、知識だけではなく、実際にデータを分析して問題解決をしてみることが非常に重要です。自分でデータを集めて分析し、その結果をビジネス上の問題解決につなげることができるようになるためには、実践的な経験が必要です。
さらに、サイエンス型データサイエンティストは常に最新の技術やトレンドに対しても敏感である必要があります。業界のニュースや論文を読んだり、データ分析に関するコミュニティに参加したりすることで、最新の情報をキャッチアップすることができます。
活用する環境がないのであれば、転職を検討することも一つの手です。自らの身を置く環境一つでキャリアは大きく変わります。
知識は活用できることが重要だよ。知識を身に付けるだけじゃダメだよ。だから、知識を習得して活用してみるところまでが1セットなんだ。
【まとめ】データの価値を最大化するデータ分析のプロフェッショナル！
サイエンス型データサイエンティストは、データの価値を最大化するデータ分析のプロフェッショナルとして、様々な課題解決を推進する重要な役割です。
データ活用の重要性が高まっている昨今の市場環境では、どこの業界でも必要とされる存在です。
データサイエンティストの仕事内容がもっと詳しく知りたい方はこちらをご覧ください。
下記、本記事のまとめです。
- サイエンス型データサイエンティストってどんな役割？
→データ分析の超プロフェッショナル！ - サイエンス型データサイエンティストはどんな仕事をするの？
→「分析レイヤー」で活躍！ビジネス要件に合致した最適な分析を行う！ - サイエンス型データサイエンティストに求められるスキルって？
→「データから示唆を得る力」が求められる！ - サイエンス型データサイエンティストのキャリアパスは？
→プロダクトの責任者である「プロダクトマネージャーロール」！
→技術力で先進技術を推進するスペシャリストロール - サイエンス型データサイエンティストになるには？
→知識を習得して、実践を繰り返す！ - サイエンス型データサイエンティストはデータの価値を最大化する重要な存在！
今回は以上になります。
にほんブログ村
