加藤エルテス聡志のレビュー一覧
-
Posted by ブクログ
第1章がビジネス活用編と第されたこ書籍を象徴していると思います。
--------------------
①データ分析によるビジネス成果を金額換算して示せ
└金額換算して初めて分析価値が評価される
②スゴイ分析よりも「成果が出る分析」を優先せよ
└学問的ではなく、実践的な読み方をすること
③分析結果を現場に丸投げするな
└ビジネス成果まで「分析者が」責任を持ちやりきる
④「現場」を知る努力をせよ
└現場感覚を捉えて初めて信用される
└信用されて初めて分析の話を聞いてもらえる
⑤業務プロセスレベルまで現場を把握せよ
└誰が、どのタイミングで、どの分析結果を基に、どう動くべきなのか。この４つが明確になっていること。
└分析を基に現場業務がどう変わるかまで見据える
⑥小さく初めて大きく波及させよ
⑦問題解決に積極的に関与せよ
└課題先行で逆算思考で挑む。結果、分析が課題解決に寄与しないならそれはそれで良いのスタンス
--------------------
技術的な分析スキルが高い=ビジネス成果を出せるわけではない。分業したほうが良いかもしれないレベルで分析結果と活用は大きな隔たりがあると思います。上記、忘れがちなので、何度も初心に返って、立ち戻ってこようと思わされました。
▼他の章も多くの気付きがありました。
第2章
・ヒアリング→ニーズの洗い出し→分析テーマ洗い出し→カテゴリ化→優先順位付けとキレイに整理して皆が理解・納得して進められたら理想なんだろうけど、実際には現場がイニシアチブを握ることはない「お任せ」だからうまくいかない事が多い気がする。実際には活用×インパクト確度が高そうなテーマを一つやってみて事例化して横展開がスピーディなんだろうなと思う。
第7章
・統計モデルと機械学習モデルの使い分け。どういうケースでどちらをもちいるか判断できるように。機械学習モデルでは予測区間の推定ができない。統計モデルは解釈ができる。係数を用いて何が目的変数に影響を与えるか、ビジネス的な示唆を得ることができる。但し、これは現時点での整理。将来的には予測精度が高く、解釈性も高い手法も出てくるかもしれない。DataRobotもその一つ。
第10章
・people analyticsの領域ではハイパフォーマーのコンピテンシーの定量的裏付けは有用なテーマ。人事領域に詳しくないと土地勘ある分析が難しい領域でもある＝外部の専門家に頼むのも手。なのでシステムベンダー選定から入らないこと。
・マッキンゼーでは「obligation to Dissent」という概念がある。批評や否定的な意見の述べることは義務であるという考え方。データ分析では偉い人が決めたことが進むことが多い。そうではない議論がPMには求められる。 -
-
-
-
-
Posted by ブクログ
個人的にはメルカリのBIチームの話題がとてもおもしろく参考になった。
横断組織としてのBIチームがあり、プロダクトやプロジェクト単位でアサインする体制をとることでのメリデメおよびデメリットへの対策がかなり具体的に書かれていてすぐにでも真似したい内容がたくさん。
またメルカリでは取締役や執行役員クラスでも必要に応じてSQLを書きデータに主体的に触れる文化があり、それも全社的に職種関わらずあるということで、レガシー企業のマイクロソフトOffice並に当たり前にデータ分析に取り組んでいるというのも読んでいて感服した次第。
そりゃグロースするわメルカリ。と思わずにいられない。
データ分析にあまり親和性がない人でも読みやすく、またぜひ読んでほしい本だと思った。 -
Posted by ブクログ
いわゆる人工知能のビジネスでの活用について、極めて丁寧かつ実務上の示唆が非常に良くまとめられた解説書。この手の類書は様々あるが、個人的にはトップレベルに分かりやすく、かつ学びが多い。
人工知能が得意な「可視化・分類・予測」という効用とそれぞれのビジネス上の事例の解説に始まる本書では、人工知能を本当にビジネスで活用するためのプロジェクトマネジメント上のフレームワークやその留意点が丁寧に解説されている。
例えば、用いるモデルを選択するというプロセスでは、モデルを選択するためには4つの判断基準が示される。
・Accuracy：モデルの精度
・Interpretation：解釈の容易性
・Coding/Construction：プログラミング作業・実装
・Speed：解析結果が出るまでの速度
問題はこの4つはAccuracyとその他3つでトレードオフになりやすいことであり、本書ではそのトレードオフが実際のプロジェクトでどのように発生し、どう解消するのかを2つの短いケーススタディを通じて仮想的に理解することができる。
また実務上、非常に重要な作業だが軽視されがちなデータの選択やクレンジングといったプロセスについても、丁寧かつ具体的な解説がなされているなど、有用性が高い。 -
-
Posted by ブクログ
機械学習、ディープラーニング・・・
とデータ分析関係の話題に事欠かない昨今。
上記のような技術に触れる機会は今後増える一方で、
かつ生産性を上げるという視点を考えると、
データ分析は避けて通れない領域である。
そんなデータ分析領域に取り組んでいくために、
どういったスキルが必要なのか、どんな人が必要なのか、
そしてどんな進め方で取り組んでいけばよいのか、
といった疑問を解決し、愚直に取り組むためにも、
まずは本書を読んで全体像を掴むと良いと思う。
【勉強になったこと】
・機械脳の時代に重宝されるのはデータサイエンティスト
だけでなく、データサイエンスとビジネスの架け橋と
なれる人のほうがずっと重宝される。
・レコメンドのときは、類似した映画をオススメする
のではなく、まだ見ぬものをオススメすることが大事。
知っているものをオススメされても喜ばないし、
価値は無い。映画のレビューからキーワードを
抽出し、似通ったキーワードの付いた映画を
進める等の工夫によって初めてレコメンドの価値が
生まれる。
・機械脳を作るときに大事なフレームワーク
ABCDEフレームワーク：
・Aim（目的）
何を実現すればよいか？
目的を立てるときにはSMARTに立てること。
手段、対象、数値基準、期日、制約条件
制約条件については、感度と特異度に注目する。
・Brain（機械脳の種類）
どんなアルゴリズムを使うのか？
「可視化」「分類・予測」のどちらであり、
どれくらいの精度が求められるのかを明確にする。
また、モデルの選定基準を可視化して、
データサイエンティストに説明を求めること。
モデルの選定基準は、
A：Accuracy（精度）
I：Interpretation（解釈容易性）
C：Coding/Construction（プログラミング作業・実装）
S：Speed（速度）
で判断するが、基本的に精度を取ると、
それ以外の3つは落ちるのが一般的。
・Coding/Construction（プログラミング作業・実装）
プログラムやサーバの構成
pythonやRが一般的によく使われているが、
既存システムがJavaならJavaでコーディングする
といった考え方が必要。
・Data（データ）
作り出したいデータとその基となるデータを
何にするかを明確にする。
基となるデータを選定するときの根拠は、
R：Relevancy（関連性）
V：Volume（データ量）
G：Granularity（粒度）
C：Cost Effectiveness（費用対効果）
で判断する。
・Execution（実行）
実行に移す際の組織、オペレーションを明確にする。
・欠損がランダムであれば、分析結果に影響を
及ぼさないことが研究結果から明らかになっている。
・データサイエンスはチームで取り組むものであり、
役割としては以下の3つがある。
データGM：
・プロジェクト全体を取りしきる
・ビジネスとデータサイエンスのコミュニケハブ
データサイエンティスト：
・統計学や機械学習についての考え方、
ツール適用における理論的側面をリード
データエンジニア：
・プログラミング作業や実装
・インフラ構成の決定
どれかだけ知っているでは上手くいかないため、
どれかに強く他はそれなりに理解しているといった
スキルセットとなることが望ましい。
そのためにも、自分がどの役割を目指すか、
向いているかを明確にして、それに向かって
勉強や実践による経験値を積んでいくこと。 -
-
-
-
-
-