元営業のデータアナリストが考える現場と上手く仕事を進める方法 - Leverages データ戦略ブログ
はじめに データ戦略室ビジネスアナリティクスグループの奥田と申します。IT人材領域の法人営業を3年経験した後、昨年4月に部署を異動し、現在はデータアナリストとして仕事をしています。 主な仕事内容は、事業のデータ戦略策定・実行、データ活用プロジェクトのPM、事業部へのBIツールの導入及び浸透、各種データ分析・提案、データ活用研修の実施など、データ活用に関わる業務を幅広く行っています。 データ活用の業務を進めていく上でビジネス現場との連携は必要不可欠ですが、その連携がうまくいかず様々な面で苦労することがありました。同じ思いをしているデータアナリストの方もいるのではないかと思います。そこで、営業とデータアナリストの両方の立場を経験している身として、ビジネス現場と上手く連携しながら仕事を進めていくヒントになるポイントを体験談を交えて紹介していきます。少しでも参考になれば幸いです。 営業時代の仕事内
いったい何のためのモデルなのか？ | 分析のおはなし。
最近の投稿 「施策デザインのための機械学習入門」というデータサイエンスの起爆剤 データ分析との出会い ５ 色々挑戦した2019年だった いったい何のためのモデルなのか？ 「サルたちの狂宴」を読みました。 アーカイブ 2021年8月 (1) 2020年2月 (1) 2019年12月 (1) 2018年12月 (1) 2018年9月 (1) 2018年2月 (1) 2017年6月 (2) 2017年5月 (1) 2017年3月 (1) 2017年2月 (1) 2017年1月 (2) 2016年10月 (1) 2016年8月 (1) 2016年7月 (2) 2016年2月 (3) 2016年1月 (3) 2015年12月 (1) 2015年11月 (2) 2015年9月 (2) 2015年8月 (2) 2015年7月 (2) 2015年3月 (2) 2015年2月 (2) 2015年1月 (2)
検証："データサイエンティスト"から"分析"をとると何者になるのか。 - mirandora.com
近年、多くの企業が連日、AIやビッグデータ関連のリリースを出しておりまして、 それに伴い、データサイエンティストの市場価値も高まっている状況です。 しかしながら今後、AIが発達して自動でデータの収集や分析、可視化を行う世界が来た時、 データサイエンティストの価値とは何になるのでしょうか。 データサイエンティストとは、データサイエンティスト協会によると 統計・機械学習スキル x プログラミング（エンジニアリング）スキル x ビジネススキルを併せ持ったものとのことです。 では、それぞれのスキルをデータサイエンティストから除くと、 一体何者になるのでしょうか。ただの人でしょうか。 今後AIが担ういろんなものを除いてもそれでも残る価値、 それが将来的に必要な本質的な”データサイエンティスト”の価値なのかもしれません。 そこで今回は、 「word2vecを用いて、”データサイエンティスト”の価値を検
データサイエンティストはこうやってデータ分析の仕事をしている（自分の経験と見聞談をもとに） - 渋谷駅前で働くデータサイエンティストのブログ
誰かの参考になるかもしれないと思って、僕の前職時代の取り組み方や他の現場で僕とよく似たアドホック分析系の仕事をされている方から聞き取った内容をもとに、適当にまとめてみました。 ということで、これは正確には「アドホック分析系データサイエンティストがどうやってデータ分析しているか」のまとめ、です（笑）。ちなみに、僕が既に公開している資料としてはこんなものもあります。 最新業界事情から見るデータサイエンティストの「実像」 from Takashi J Ozaki こちらのp.59以降はまさに前職時代に最後に所属していた部署での僕の取り組みそのものを書いたものなので、どなたかの参考にでもなれば。 ちなみにその前に所属していた部署では、普通にHadoopエコシステムベースのBIフレームワークの保守とかやってました。定期集計用のHiveクエリを100個ぐらいズラリと並べたスクリプトを本番環境にコミット
データ分析において必要なことを原点に立って考えてみる - Qiita
今日は統計や技術の詳細な話は少しお休みして、そもそもデータマイニングとは何なのか、分析において必要なことは何なのかを考えてみます。 仮説力とは何なのか データ分析の実務においては、分析モデルの手法や統計的方法の前にまず検討しなければならないことが多々あります。たとえば分析対象の問題をどのように設定するか、対象の特徴 (= 属性、振る舞い等) をどのように表現するか、何を可視化するかあるいはそれをどう決めるか、ログなどを用いて特徴の計算方法をどのように定義するか、といったことなどです。 実務というのは大学での実験ではありません。目の前にあるデータに対して興味先行で機械学習や統計的手法を適用しても得られるものはありません。統計学の有名な言葉に GIGO (ゴミを入れればゴミが出てくる) という言葉がある通り、高度な解析手法やツールに溺れても自己満足で不適切な分析に終わってしまうのです。 分析の
データドリブンな組織を作るときにまず行うこと 〜我が社よデータ分析色に染まれ〜 - ハウテレビジョンブログ
はじめに データ解析本部のn_maoです。 前回は高速集計ツールmコマンドのご紹介をしました。 前回のmコマンドの紹介の投稿 今回は趣向を変えて、社内に分析部隊をゼロから作り、データドリブンなサービス改善を実現するためにまず行うべきこと、意識することをまとめてみました。 これは実際にゼロから初めた私の経験に基づくものです。 １つのケーススタディとして読んでいただければと思います。 主張を大まかな流れに分類すると、 1. 分析環境を整える 2. 社員のデータに対する意識を高める 3. データ分析とサービス開発を結ぶ仕組みを作る 4. 小さな効果を体感してもらう 5. 現状を把握し、指標を作る という感じです。 以下で各トピックの詳細について触れていきます。 1. 分析環境を整える 分析のためのサーバーを用意する 当然のことですが、念のため。 データ分析や集計を行っていると、どうしてもメモリや
データに振り回されて失敗した�あんなことやこんなこと�～ゲームのために必要な本当の�ビジネス・アナリティクス～
CEDEC2014にて発表させていただいた内容です。 発表日時 : 2014年9月4日(木) 13:30～14:30 公式URL : http://cedec.cesa.or.jp/2014/session/BP/16553.html 中継URL : http://www.ustream.tv/channel/cedec-ust-c Mobage Developers blogでの予告 : http://developers.mobage.jp/blog/notice-of-cedec2014 反応 : togetter等でとりまとめ予定 セッションの内容 ■ビッグデータという言葉が一般化しつつある昨今、より重要なのは、データを適切に解釈し、価値を生み出す「アナリティクス（分析）」であると言われています。ゲームアプリやソーシャルゲームの世界においても、データからどのようにゲームを面白くする
データアナリストに多分必要な物。 | 分析のおはなし。
最近の投稿 「施策デザインのための機械学習入門」というデータサイエンスの起爆剤 データ分析との出会い ５ 色々挑戦した2019年だった いったい何のためのモデルなのか？ 「サルたちの狂宴」を読みました。 アーカイブ 2021年8月 (1) 2020年2月 (1) 2019年12月 (1) 2018年12月 (1) 2018年9月 (1) 2018年2月 (1) 2017年6月 (2) 2017年5月 (1) 2017年3月 (1) 2017年2月 (1) 2017年1月 (2) 2016年10月 (1) 2016年8月 (1) 2016年7月 (2) 2016年2月 (3) 2016年1月 (3) 2015年12月 (1) 2015年11月 (2) 2015年9月 (2) 2015年8月 (2) 2015年7月 (2) 2015年3月 (2) 2015年2月 (2) 2015年1月 (2)
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
機械学習プロジェクトの アイデア出しと事前影響評価 / evaluate machine learning projects
