20260512DSDAY04_電通マクロミルインサイト_眞鍋様・IBM_京田

2026-05-12に開催されたData Science Day 2026のご講演
講演2 株式会社 電通マクロミルインサイト 眞鍋尚行様・日本アイ・ビー・エム株式会社 京田雅弘
ビジネスを変えるデータサイエンス データサイエンス協会理事対談に見る実践と課題
のスライド資料（公開版）です。

1. 眞鍋尚行 電通マクロミルインサイト 代表取締役社長 京田雅弘 IBM テクノロジー事業本部 データプラットフォーム テクニカルセールス部長 講演2 ビジネスを変える データサイエンス データサイエンティスト 協会理事対談対談に見る 実践と課題
2. 日本アイ・ビー・エム株式会社 テクノロジー事業本部ソフトウェア・エンジニアリング事業部 データプラットフォーム テクニカルセールス 京田 雅弘 （一般社団法人 データサイエンティスト協会 理事） 業務アプリケーションのSE ＝＞ データ活用EUC 1998年ごろ CRMのコンサルティング業務 2002年ごろ BIツール（Cognos）のプリセールス 2002-2016 The Weather Companyの気象庁への認可登録 2017 統計ツールSPSS Statics およびマイニングツールSPSS Modelerの担当 2018-2020 データプラットフォームの技術営業担当 2020/7月から Speaker
3. 株式会社電通マクロミルインサイト 代表取締役社長 眞鍋 尚行 （一般社団法人 データサイエンティスト協会 理事） 〇事業会社にてCRMからキャリアスタート ２００１年から SPSS祭りの時期 ２００２年から 〇シンクタンクへ転職 ２００５年から コンサルタントとして丁稚奉公 〇（株）電通へ転職 ２０１０年から データアナリスト/データサイエンティストの肩書 データマネジメントプラットフォーム等の開発部長 〇現職にて会社経営 ２０２２年～現在 Speaker
4. 4 電通の コミュニケーションノウハウ 電通との共同プロジェクトで培った ノウハウを活かした提案が可能です。 マクロミルの 豊富なアセット 国内No.1リサーチ企業のマクロミルの 豊富なアセットを活用できます。 100 名以上の リサーチャー/アナリスト 専門性の高いリサーチャー/アナリストが貴 社の課題解決を支援します。 01 STRENGT H 02 STRENGT H 03 STRENGT H 電通マクロミルインサイト会社概要 役 員 代表取締役社長 眞鍋 尚行 従業員数 255名 ※2025年4月1日時点 事業内容 マーケティングに関わるプランニング・支援サービス マーケティングリサーチの企画・実施・分析サービス データベースの企画・設計・運営・サポートサービス 加盟団体 社団法人 日本マーケティング協会（JMA） 社団法人 日本マーケティングリサーチ協会（JMRA） ESOMAR（ヨーロッパ世論・市場調査協会） 日本マーケティングサイエンス学会 第三者認証 JIS Q 15001 プライバシーマーク ISO/IEC 27001 東京本社 東京都中央区築地4-7-5 築地KYビル 大阪支社 大阪市北区堂島2-1-31 京阪堂島ビル
5. （ご説明） データサイエンティスト協会のご紹介 データサイエンティストのスキルと定義
6. Copyright © 2026 The Japan DataScientist Society. All Rights Reserved. ▪団体名称 和文：一般社団法人 データサイエンティスト協会 英文：The Japan DataScientist Society URL：http://www.datascientist.or.jp ▪設立日 2013年5月15日 ▪目的 社会のビッグデータ化に伴い重要視されているデータサイエンティスト（分析人材）の育成のため、 その技能（スキル）要件の定義・標準化を推進し、社会に対する普及啓蒙活動を行う。 分析技術認定（レベル認定）などの活動を通じて、分析能力の向上を図るための提言や協力を 惜しまない支援機関として、高度人材の育成とデータ分析業界の健全な発展に貢献する。 ▪代表者 高橋 隆史 ▪所在地 東京都港区六本木1-4-5 16F WeWorkアークヒルズサウスタワー ▪会員数 法人会員 約１１０社、一般会員 約2０,0００名 データサイエンティスト協会とは 6
7. Copyright © 2026 The Japan DataScientist Society. All Rights Reserved. 協会活動の概要 7 社会 法人会員 （民間企業、大学・研究機関・自治体） 一般（個人）会員 データサイエンティスト協会 分析サービスを 必要とする企業 データサイエンティストを 必要とする企業 情報収集 勉強会などへの参画 意見、情報の提供 情報収集 委員会などへの参画 データ、意見、情報の提供 新たな付加価値サービスの提供など 情報交流促進 取引活性化・マッチング支援 関連諸団体 （学会/大学/官公庁/地方自治体等） 連携/協業 情報発信 キャリア形成支援 情報発信 人材育成支援 人材の定義/ 育成/評価 コミュニティ 形成 シンポ ジウム開催 情報発信 就業機会の創出 情報発信 検定 “データサイエンティスト”の職業としての確立と地位の向上に向け、データサイエンティスト人材の定義、技能認定、 勉強会など育成に関わる情報発信、マッチングなどを行っています。
8. Copyright © 2026 The Japan DataScientist Society. All Rights Reserved. ３つのスキルセット → つい先日更新しました・・・ 8 ビジネス力 (business problem solving) データ サイエンス (data science) データ エンジニアリング (data engineering) 課題背景を理解した上で、 ビジネス課題を整理し、 解決する力 情報処理、人工知能、 統計学などの情報科学系の 知恵を理解し、使う力 データサイエンスを 意味のある形に使えるようにし、 実装、運用できるようにする力 資料：データサイエンティスト協会プレスリリース (2014.12.10) http://www.datascientist.or.jp/news/2014/pdf/1210.pdf
9. Copyright © 2026 The Japan DataScientist Society. All Rights Reserved. ５つのスキルセット群を定義 9 ＜専門＞ 価値創造 ＜専門＞ データ サイエンス ＜専門＞ データ エンジニアリング ＜専門２＞データサイエンス 情報処理、人工知能、統計学など の情報科学系の知恵を理解し、使 う力 ＜融合＞ ＜基盤＞ ＜融合＞ ３つのスキルカテゴリを融合的に発 揮し、AI開発やAI利活用を推進す る力 ＜専門１＞価値創造 AIとデータ利活用の進化を見据え、 戦略立案者、ガバナンスリーダーとして 変革を推進する力 ＜専門３＞データエンジニアリング データサイエンスを意味のある形に使える ようにし、実装、運用できるようにする力 ＜基盤＞ 次代を担うデータプロフェッショナル として有すべき基礎的な力
10. Copyright © 2026 The Japan DataScientist Society. All Rights Reserved. 10 生成AIの普及で「分析」 はコモディティ化 • モデル選択・特徴量作成・可視化などの従来の“分析業務の一部”はAIで自動化 できる領域に。「分析ができるだけ」では十分な価値にならなくなった • 鍵になるのは “実際に価値が出るまでの一連のプロセス” のリード 価値創造こそがAI活用 の核心に • AI活用が「PoCで終わる」ことへの強い反省 • 企業が求める成果は “モデル精度” ではなく “業務・経営インパクト” に移行 • 従来からある産業のDXではとくに変革推進・課題再定義・ガバナンス・スケール展開 をできる人材が圧倒的に不足 LLM / AIエージェントに よって「価値の源泉」が 構造化・意味設計側へ • モデル構築よりも “何をどう解くか（課題再定義・意味構造設計）” の方が成果 に直結 • AIエージェントはタスクを実行するが、「戦略・意味・ガバナンス」は人が設計しなけれ ば機能しない • DSの強みはまさに構造理解 × データ × 技術 × 組織知の接続 実際のAI案件では“価 値創造の方”が圧倒的 にボトルネック • 「モデルはできたが使われない」「部署に展開できない」 • ボトルネックは、分析ではなく “課題設定・現場変革・スケール展開” にある • つまり、価値創造プロセスを牽引できる人材が成功の90%を占める データサイエンティストの役割は「分析」から「価値創造」へ拡大
11. （テーマ１） 分析チームの人材と組織 組織 人材 分析基盤
12. DX/データサイエンス人材の階層 ⚫業務がわかるDX人材の内製化が重要 12 ◆DXエキスパート ◆ 最先端手法、アルゴリズムの理解や開発 ◆ スキル：プログラミング、高等数学 ◆ 人材調達：外注も可能 ◆DXビジネスパーソン（ビジネストランスレーター、シチズンデータサイエンティスト） ◆ ビジネス課題をデータサイエンス課題に翻訳 ◆ ツールを使ったデータ分析 ◆ スキル：ノンコードの分析ツール（SPSS） ◆ 人材調達：内製化が重要 ◆DXビギナー ◆ データドリブンアクションの実施とレポートの理解 ◆ スキル： Excel活用やBIレポートの参照 ◆ 人材調達：一般社員の底上げ DX エキスパート DXビジネスパーソン DXビギナー 業務 データ エンジ ニアリ ング データ サイエ ンス
13. IT部門 業務部門 A 業務部門 B 業務部門 C 業務部門 D 分析チーム 集中型組織 IT部門 業務部門 A 業務部門 B 業務部門 C 業務部門 D 分析 担当者 分析 担当者 分析 担当者 分析 担当者 分散型組織 DX/データサイエンス組織
14. （テーマ２） AIを活用して仕事がどう変わったか
15. Copyright © 2026 The Japan DataScientist Society. All Rights Reserved. この10年のデータサイエンティストに必要なスキルの変化 15 2015 2023 2017 2019 2021 量子コンピュータ クラウド ブロックチェーン 匿名化技術、GDPR 個人情報削除 コンプライアンス・倫理・権利、 UI/UX開発、モニタリング、 プロジェクト要否や終了判断 D S D E B Z 統計数理基礎 知財 コンプライアンス 着想・デザイン 行動規範・論理思考 SQLプログラミング 分析プロセス データの理解・検証 オンプレミス 環境構築 データ収集 基礎数学の重要性見直し 敵対的生成モデル 公平性リスク アノテーション精度 BERT、ResNet p値の限界 機械学習スキルの増加 画像・動画処理 音声/音楽処理の増加 意味合いの抽出 移設 Hadoop、Scala、GPU 非構造化データ処理 AutoML、MLOps、AIOps ノーコード・ローコード ５G、LPWA コンテナ技術、認証、 ゼロトラスト オブジェクト指向言語 分析アプローチ AI活用検討、AI-ready データ・AI倫理 データ入手、PoC サービス維持/完了スキル 対数・指数、集合 「学習」スキル増加 因果推論、標本抽出 自然言語、画像認識 LIME・SHAP 分析プロセス データの理解・検証 見抜くスキル 機械学習 統計学 可視化 移設 移設 タ ス ク Ver.1作成 スキルチェックリストとの整合性 タスクの細分化 評価・改善のタスク ま た が り ス キ ル ・ 必 須 ノ ッ ク ア ウ ト 分析プロセス データの理解・検証 モ デ ル カ リ キ ュ ラ ム と の 整 合 性 生 成 Ａ Ｉ へ の 対 応 （DSから移管）統計情報 への正しい理解 ビジネス・技術的な背景理解 から組織全体にまたがるスキル 本質的なAI利活用 プロンプトエンジニアリング 無線通信網をもちいた データ収集 画像・音声・自然言語の 処理 「企画」「実装」「使う」視点 ビジネスデザイン、ユーザ環境 整備 2025 ネットワーク分析、レコメンド ハルシネーションの理解 大規模言語モデル（LLM） ファインチューニング 基 盤 融 合 行動規範、論理的思考 生成AIの基本的な活用 V C 生成AI構造理解 AI活用設計・評価 動画生成 各モダリティ処理 A I 時 代 へ の 定 義 改 革 データ基盤高度化・分散化 クラウドネイティブ化・自動化 セキュアデータ活用・ガバナンス AIシステム設計・運用 AIエージェント、マルチモーダル ロボティクス、IoT、AIガバナンス 「価値創造力」へ刷新し、データ サイエンティストの役割拡張 変革リーダーシップや倫理などを 強化 移設 AIタスクリストを価値創造に適用 PoC、MVP、スケールアップ AI開発、AIエージェント対応 資料：データサイエンティスト協会スキル定義委員会討議
16. Copyright © 2026 The Japan DataScientist Society. All Rights Reserved. たくさんのスキルを定義しています 全体 33 ★ ★★ ★★★ 必須スキル 21 9 3 20 125 ★ ★★ ★★★ 必須スキル 0 47 78 14 354 ★ ★★ ★★★ 必須スキル 108 157 89 77 180 ★ ★★ ★★★ 必須スキル 58 81 41 32 153 ★ ★★ ★★★ 必須スキル 51 51 51 43 融合 基盤 VC DE DS 845 ★（見習い） ★★（一人前） ★★★（棟梁） 必須スキル 238 345 262 186
17. Copyright © 2026 The Japan DataScientist Society. All Rights Reserved. データサイエンティスト協会サイトのニュースタブからダウンロードできます 17 https://www.datascientist.or.jp/news/
18. 何を課題と捉えるかで、その後の分析の価値が大きく変わる 課題の見極め データで 定義する 分析方針の設計 アクションの提言 データで 証明する データを 特定する • 短・長期的な施策を実効性・実現性・制約と合わせ説明できる • かかる労力/コストを定量的に提示できる • 期待効果を定量的に試算できる • 課題に対しリーズナブルな分析アプローチである • PoCを適切に設計し、妥当性がビジネスオーナーと合意されて いる • 課題が整理・構造化され納得感のあるものとなっている • 設定した課題の期待効果が定量化されている（KPI） • 課題を解決した場合のビジネスインパクトが大きい データで 合意する １ ２ ３ ４ • 予測モデルがビジネスの現実性を考慮している • 得られたモデルの精度と予測誤差をビジネスの言葉で解説 できる 根拠の提示 （PoC） コンテストの4つのフェーズ