presalesfordatascientist.pdf

©2019 Crosstab Mitsuru Urushibata All rights reserved データサイエンティストのためのプリセールス入門 2018年
12月 03日 @kasegu_data

©2019 Crosstab Mitsuru Urushibata All rights reserved 2 自己紹介 @kasegu_data
名前数学専攻修士修了後データ分析会社を経て広告会社へ経歴 10年以上データ分析業務に従事。渡り歩いた業界は金融向け分析広告無職広告と多様。お金を稼ぐ事ができるデータサイエンティストを目指し、実践してきた。データサイエンティストとお金というテーマで日々キャリアを模索中 PR データ分析とビジネスのつなぎこみデータクリーニング得意領域 *本スライドの内容は個人の見解であり、所属する組織の公式見解ではありません

©2019 Crosstab Mitsuru Urushibata All rights reserved 3 1.はじめに 2.提案フェーズ
3.プレアナリティクスフェーズ 4.最後に

©2019 Crosstab Mitsuru Urushibata All rights reserved 4 背景と目的データサイエンティストが働く領域は様々です。その領域ごとに必要とされるスキルも異なります。例えば自社のサービス開発であれ
ばハッキングや解析スキルが、顧客への納品を前提としたプロジェクトではそれだけではなく顧客との折衝スキルも必要となります。一方で巷でのデータサイエンティストへの教育は前者-すなわちハッキングや解析スキル-に重きが置かれる事が多い気がします。本スライドではそれを受け、データサイエンティストとして顧客向けのプロジェクトを行うために必要なスキルを簡単に解説したいと思います。具体的にはプリセールス（提案/プレアナリティクス）段階でのデータサイエンティストに求められるスキルを扱います。他社向自社向 B to C B to B Webサービス法人部門アドテク界隈とか伝統的大企業原則ない分析専門会社広告代理店とかハッキング/解析スキル顧客折衝/セールス *データサイエンティストの働くフィールドを2軸で切ってそれぞれのフィールドに重要なスキルを示した（勿論全部ある程度必要だが特にと思われるもの）

©2019 Crosstab Mitsuru Urushibata All rights reserved 5 プリセールスの重要さエンジニアにはプリセールスエンジニアという職種があります。定義は色々ありますが転職サイトの(*)言葉を借りると
[プリセールスとは、システム構築やソフトウェア製品を販売・導入する際に、営業担当に同行し、ＩＴの技術的な知識を用いて、営業担当をサポートする職業です。]です。要するには専門的な知識を用いての営業支援を行う職種です。当然データサイエンティストも同様にプリセールスデータサイエンティストというのがいて然るべきではないかというのが私の考えです。プリセールスの有無はプロジェクトの成否を分けるといっても過言ではないです。 *出典 https://www.elite-network.co.jp/dictionary/presales.html 顧客営業データサイエンティスト顧客営業データサイエンティスト体制1 体制2 • Q:期待値コントロールが難しい。例えばモデルの精度に対しての顧客希望が現実的でない場合。 • C:工数見積もりがざっくりしすぎて価格が不適切になる。 • D:営業段階で潰しておくリスク（データが使い物にならないとか）が後工程で発覚して納期遅延に関わる。上の逆になる！？体制の違いによるプロジェクトへの影響をQCDごとに示した

©2019 Crosstab Mitsuru Urushibata All rights reserved 6 体系化されたノウハウが必要だが… 一方でデータサイエンティストのための営業といった論点に触れている書物は少ないと感じます。従って本スライドでは世間にあまり転
がっていないノウハウ、すなわち営業提案の段階でのデータサイエンティストが行動指針と具体的なノウハウを説明します。 (引用) データサイエンス協会 http://www.datascientist.or.jp/news/2014/pdf/1210.pdf 〇関連書籍 PRML 赤本統計学入門その他ググれば沢山〇関連書籍 Sql関連書籍 Python R その他ググれば沢山〇関連書籍ビジネスを絡めた本はあるがダペンポート教授のようなCMO/CEO向けの本が多い。本スライドで提案する営業とのかかわり方みたいなものは少ない

©2019 Crosstab Mitsuru Urushibata All rights reserved 7 データ分析プロジェクト概要
合意形成ポイント合意形成ポイント合意形成ポイント * アウトプットは必ずしも明文化されている必要はない提案プレアナリティクス分析成果物作成 • プリセールスヒアリング • 期待値のコントロール • 成果物の設定 • 提案書作成支援 • 分析方向性立案 • データ連携方法確認 • 分析工程の合意形成 • データ受領/確認 • マスターデータ作成 • 基礎集計 • モデリング • スコアリング • 報告書の作成 • モデル定義書の作成 • スコアリングデータの提供サブタスク主アウトプット • 提案書 • スケジュール • 価格 • 体制 • 成果物 • 分析方向性 • データ連携図 • 分析工程図 • データ一覧 • データ作成手順 • 基礎集計表 • モデル概要 • スコアリング概要 • 最終報告書 • 一連のアウトプットを原則すべて掲載 • 実装PJの場合モデル定義書 • スコアリングデータ主タスクデータ分析のプロジェクトのフェーズは大きく4つに分けることができます。本稿では前2つのフェーズに絞って解説します。本稿の議題いわゆるデータサイエンティストが得意な領域

©2019 Crosstab Mitsuru Urushibata All rights reserved 8 （参考）データ分析プロジェクト概要
参考までですが、当プロジェクト概要はデータ分析のフレームワークであるCRISP-DMと以下のように対応してますビジネス理解データの収集/理解データの準備/加工集計による関係性比較数理モデリング（予測/ 分類/最適化）結果の可視化結果の評価/展開超重要超重要重要まあまあ重要超重要 (引用) 株式会社ギックスHP http://www.gixo.jp/blog/3715 より提案プレアナリティクス分析成果物作成 • プリセールスヒアリング • 期待値のコントロール • 成果物の設定 • 提案書作成支援 • 分析方向性立案 • データ連携方法確認 • 分析工程の合意形成 • データ受領/確認 • マスターデータ作成 • 基礎集計 • モデリング • スコアリング • 報告書の作成 • モデル定義書の作成 • スコアリングデータの提供サブタスク主タスク

©2019 Crosstab Mitsuru Urushibata All rights reserved 10 提案フェーズ
サブタスク 10 * outputは必ずしも明文化されている必要はないプリセールスヒアリング • ヒアリング • 何を • いつまでに • どのデータを使って • いくらで期待値のコントロール • 顧客の目的/目標確認 • できること、できないことの切り分け • 顧客目標に合わせた分析方向を提案成果物の設定 • 成果物を設定 • 分析報告書 • モデル定義書 • スコアリングデータリスト提案書作成支援 • 左記の内容を踏まえて「スケジュール」「体制」「価格」「成果物」を盛り込んだ内容にする • ヒアリング情報 • あれば顧客情報 • 名刺 • IR • あればRFP • 顧客目標達成と現状のギャップ • プロジェクト遂行のボトルネック • ギャップとボトルネックを解消した簡易的なロードマップ • 想定成果物一覧 • 想定成果物イメージ • 提案書の一部（全体は営業担当者作成） input output 提案フェーズは4つのサブタスクに分けることができます。特に成果物の取りきめは重要です。

サブタスクプリセールスヒアリング(1/2) 11 * ヒアリングの技術については別の本や/研修資料を参照顧客ヒアリングにより、顧客の視点での目標等を整理します。ヒアリング項目は概ね顧客の目標に関わる内容と制約（データ/納期 /予算/）に関わる内容が適切です。顧客によってはRFPがある場合はそれも活用します。顧客RFP等顧客ヒアリングヒアリング項目アウトプット項目内容顧客目標プロジェクトの目的そのもの何をするか目的達成のためのするべきことどのようにその方法論データ使用する（できる）データ納期プロジェクトの納期予算プロジェクトの予算具体例顧客情報を活用したマーケティング基盤の構築・顧客を複数のクラスタに分類・潜在顧客をクラスタに振り分ける・外部データすべてを変数にクラスタリングを行う・クラスタ数は10個・CRMデータ・トランザクションデータ 3週間納品 xxx万インプット

サブタスクプリセールスヒアリング(2/2) 12 制約事項を考慮し顧客の要望とできることのギャップを分析します（この時点でギャップがないということは滅多にない）まずはhow の部分にフォーカスします。制約事項顧客達成目標 (Object) ・顧客情報を活用したマーケティング基盤の構築何をするのか？ (what) ・顧客を複数のクラスタに分類どのように (How) ・CRMデータを変数にクラスタリングを行う制約が与える影響【納期】・3週間納品【データ】・CRMデータ・トランザクションデータ・潜在顧客をクラスタに振り分ける・Aone全体に拡張するモデルを作成・クラスタ数は25個【予算】・xxx万想定されているデータだけではできない多すぎるため、工数的に足りない 1 2

©2019 Crosstab Mitsuru Urushibata All rights reserved 13 (例1) 納期/予算のギャップ
13 【納期/予算由来のギャップ解消】基本的に工数の削減が必要です。目標達成のために過剰といえる分析数を減らします。但しで過剰であることの根拠を説明する必要があります。削減方法の一般論を論じることは残念ながら困難であるが、2章分析方向性立案で学ぶ内容でいくばくか対応可能です。分析1 分析2 分析3 顧客要望必要十分な工数 1

©2019 Crosstab Mitsuru Urushibata All rights reserved 14 (例2) データのギャップ
14 【データ由来のギャップ解消】実はデータ制約は緩和できる可能性があります。顧客がヒアリング時に回答したデータは顧客が保有している全データでなく、実はとりそこねていたものがあったりするのです。したがってデータ制約のギャップ解消でまずやるべきことは受託側から必要なデータの有無を再度確認することです。 (A) 顧客が真に利用できるデータ (B) ヒアリング時に顧客が認識していたデータ (C) あれば分析可能データ (A)-(B)が顧客の認識の外にあるデータ。このようなものが存在してしまう理由に「担当になったばかりで不慣れ」「分析にそんなデータ必要とは思わなかったという早合点」などがある (C)∧(A)-(B)存在すれば、分析可能となる例1) ヒアリング時に顧客データに決済情報がないと聞いていたが、後から担当者の勘違いであったと判明例2) ヒアリング時必要ないと担当者が思いクッキー情報の有無に言及していなかったが、実は重要なデータであった 2

サブタスク期待値コントロール(1/3) 15 前項のギャップ解消の代替案を適用。顧客の期待値は高すぎず、低すぎずにコントロールすることができます。代替案を適用どのように (How) ・CRMデータを変数にクラスタリングを行う・Aone全体に拡張するモデルを作成・クラスタ数は25個想定されているデータだけではできない多すぎるため、工数的に足りない 1 2 当初のとおり問題なく実行できるクラスタ数は10個に変更クラスタは少量でも問題ない旨説明実はデータがあった期待値の推移初回ヒアリング時ギャップ露見時代替案提示時

サブタスク期待値コントロール(2/3) 16 簡易ロードマップ作製し期待値をFIXさせます簡易ロードマップこの際詳細なガントチャートは不要、メモレベルでいつから各々の工程がどれぐらいで終わるかのみで十分。重要なのは顧客/受託側が現実的な進め方をすり合わせること期待値の推移初回ヒアリング時ギャップ露見時代替案提示時【簡易ロードマップ】 1.データ準備・ファイルで受領予定。csv,tab可能。受け渡しはクラウド（情シス要確認いついつまで）12月1日（月）予定・データロード 2.データクリーニング・12月2～2日程度。都度不明点を確認する・基礎集計を行う5日程度 →第一回めのうちあわせ（集計内容と今後の分析方向性すりあわせ） 3.分析開始・CRMデータからクラスタ10個作成（←事前のギャップ分析を行っているので、リスクは回避されている）・拡張する（これも同様前項で現実的な方法に修正したため、問題なく進行できる）双方で7日程度 →2回目のうちあわせ（分析結果のオーソライズ、最終報告書の章立てすりあわせ） 4.報告書作成 5日程度 FIX

サブタスク期待値コントロール(3/3) 17 howの中で代替案がないとき、上の階層であるwhatの代替案を考えます。すべてのwhatで代替案がない場合顧客目標が達成不可能となり、期待値は0になります。しかし達成できないものを受注するリスクを排除しています。期待値の推移初回ヒアリング時ギャップ露見時代替案無し制約事項顧客達成目標 (Object) ・顧客情報を活用したマーケティング基盤の構築何をするのか？ (what) ・顧客を複数のクラスタに分類どのように (How) ・CRMデータを変数にクラスタリングを行う【納期】・3週間納品【データ】・CRMデータ・トランザクションデータ・潜在顧客をクラスタに振り分ける・Aone全体に拡張するモデルを作成・クラスタ数は25 個【予算】・150万想定されているデータだけではできない多すぎるため、工数的に足りない 1 2 代替案無し

サブタスク成果物の設定(1/2) 18 成果物の取り決めを行います。目的としては受託側としては追加での納品等がないようにゴールを定める意味合いの方が強いです。先に明示していない場合、データ加工あとのデータや加工スクリプト、モデル定義書と追加で対応せざるを得なくなります。 *ただし業務委託契約においても準委任契約であれば検収が不要であるはず（要法務確認）。したがってシステムと異なりでき上りが想定できないデータ分析プロジェクトでは準委任契約の方がリスクが少ない。作成データ作成スクリプトドキュメント打ち合わせ資料最終報告書成果物概要主なプロジェクト内容モデル定義書学習データ/スコアリングデータ Sql/Python/Rコード SPSSストリーム SASスクリプト定例及び毎回の打ち合わせ資料 PJ全体の統括な資料パラメータ及び数式からなる書広告/CRMターゲティングモデル開発/実装 PoC 全体で必要 PoC ビジネス企画支援モデル開発/実装作成負荷低中中高高レポート分析結果自体広告/CRMターゲティング低～中（変動）

サブタスク成果物の設定(2/2) 19 一方すべての成果物を作成すると負荷が大きいため、ここではおおよそプロジェクトの特性ごとに必要とされる成果物をPJ内容ごとに示します。これをもとになるべく負荷か低い成果物での合意形成を目指します。広告配信レポーティング PoC モデル開発/実装〇 △ △ △ 〇打ち合わせ資料 △ △ 〇最終報告書〇 △ モデル定義書〇レポート〇ドキュメント作成データ作成スクリプト成果物/PJ内容〇:=ほとんど要求される △:=たまに要求される

サブタスク提案書作成支援(1/2) 20 原則提案書は営業担当者が主な作成手として我々はそれを支援する立場となります。提案内容でも特に分析担当者が資するものとして、スケジュールと体制図があります。ここでは非常に簡易的なスケジュールを以下に示しますが、詳細なものを要求される場合ももちろんあります。ここではガントチャートの作り方には立ち入らないため、分析担当者として提案書作成者に伝えるべきエッセンスのみに絞りました。 1.スケジュール 2.打ち合わせタイミング 3.バッファーの確保上記３つは必ず織り込むようにします。 * 提案書の書き方の詳細にはこの本では触れない。あまりに膨大な量となり、本稿のスコープからはずれる。興味がある方は「受注を勝ち取るための外資系「提案」の技術---日本人の知らない世界標準メソッド単行本（ソフトカバー） – 2015/3/20 式町久美子 (著)を参照大項目中項目 1w 2w 3w 4w 1w 2w 3w 4w 1.データ準備 1.1.データ受領 1.2.データ読み込み 1.3.データ内容確認 2.データクリーニング 2.1.基礎集計 2.2.異常値処理 3.分析 3.1.相関分析 3.2.モデル作成 3.3.評価 4.報告書作成 4.1.ドラフト作成 4.2.オーソライズ 2017年12月 2018年1月打ち合わせポイント

サブタスク提案書作成支援(2/2) 21 体制作成。営業担当者がいれば一緒に作成します。主に我々は営業以外の体制を作成します。プロジェクト規模によるが、 PM(シニア)、メンバー（アソシエイト）×1-2名程度です。顧客体制分析体制営業担当者 1名 PM シニア 1名分析アソシエイト 2名データインフラアソシエイト 1名・顧客折衝・会議体運営・契約書/請求書とりまとめ・プロジェクト管理・顧客折衝・レビュー・成果物責任・データ集計・モデリング・報告書作成・データ連携・データ格納省略 * 一部の会社を除き、ほとんどが営業担当者がいるであろうから、データ分析者自らが行うことは少ないと思うが、本書はデータ分析者がマネジメントを行うことができることを目標とするた、ヒト/モノ/カネに関することにも触れる

©2019 Crosstab Mitsuru Urushibata All rights reserved 22 (コラム) 提案フェーズにおいての我々の役割
22 ➢ 提案フェーズにおいてのリスク回避データ分析PJにおいてリスクとはどのようなものがあるだろうか？例えば分かりやすい例でいえば、少量データでの複雑なモデル作成であったり、データ同志が紐づかない、大量のモデル作成による工数負荷、顧客と成果物認識の相違等のものがある。これらはすべてPJのQCDを脅かすリスクであるが一方で、提案段階で把握し取り除くことができる物が多い。例えば、顧客の初期の要望に「複数のモデルを作成して比較したい」というものがあったとき、ほとんどの場合で顧客目標達成よりも過剰な要望、すなわちもっと少ないモデルで十分である事が多い。そのため少数モデル作成を提案し、工数負荷に関するリスクを取り除くことができる。 ➢ 顧客の言いなりにならない顧客要望が目標に対して過剰になりがちな理由は、データ分析に対しての理解不足が挙げられる。そのため目標達成のため保守的（過剰）な要望をしてしまう。我々の仕事は顧客の言いなりにならずに目標のための必要十分条件を示すことである*。 ➢ 目標への必要十分条件の見つけ方経験によるところが大きい。サーキットの1周目である若手は慎重になりすぎるくらいで丁度よい。PMやシニアの後をついて複数周回して経験を積むのが良い。逆に言えば経験さえ積めば誰でもできるようになる。 * ダメなPMはMをやらないため、全てお客様の言う通りとしてPJを混乱させます。見つけたら逃げましょう。

©2019 Crosstab Mitsuru Urushibata All rights reserved 24 プレアナリティクスフェーズ
フェーズサブタスク 24 * outputは必ずしも明文化されている必要はない分析工程作成 • 左記2つを踏まえて具体的な分析の工程図を作成データ受領/確認 • データ受領/確認 • ファイルそのものの確認 • 内容の確認分析方向性立案 • 提案した内容を実行するための分析方向性を決める • どのデータでどのような分析をして何をえるかデータ受領方法確認 • データ関連のヒアリング • データはどこにあるか連携方法は？いつまでに？ • ファイルでもらう • DBtoDB等 • 提案書 • ヒアリング内容 • 分析方向性 • データ連携図 • 左記2つのoutput • 受領データ • あればデータ定義書/ データフォーマット一覧 • 分析工程図 • 受領データ一覧 • UU数/レコード数 • カラム一覧 input output プレアナリティクスフェーズでは分析方向性と具体的なデータ連携等を確認し定めます。先の2つは場合によっては提案フェーズに入ります。場合によっては提案フェーズ

サブタスク分析方向性立案(1/3) 25 分析方向性を定めるには以下のステップを踏みます（例はECサイトの場合） ① KGIの設定 ② KPIに分解 ③ コントロール可能変数特定 ④ 仮説立案 ⑤ 分析方向性立案と評価売上/年間訪問ユーザ数購買率購買バスケット単価新規ユーザ数既存ユーザ数認知率認知顧客注意/関心ユーザー数検索ユーザー数検索後訪問率検索率注意/関心率潜在顧客今回はこちらは省略 KGI KGI分解図分析アプローチstep output 課題策定より、売上/年間と設定右図「KGI分解図」訪問ユーザの特に新規ユーザ数が減少傾向 ① 検索後訪問率が低い ② 認知率が低い（自社ECの）何のために、どのような分析を行うか？ ※１ KGI（Key Goal Indicator）：最終ゴールとなる指標 ※２ KPI（Key Performance Indicator）： KGIを達成するための実行の度合いを表す指標

サブタスク分析方向性立案(2/3) 26 KPIのうちコントロール可能変数を特定します。基本的に下に→がないものがコントロール可能変数。例外は「潜在顧客」のように「打ち手」によってコントロール不可能のものは除きます。（問題の簡単化のため、流入は全て検索のみとする）売上/年間訪問ユーザ数購買率購買バスケット単価新規ユーザ数既存ユーザ数認知率認知顧客注意/関心ユーザー数検索ユーザー数検索後訪問率検索率注意/関心率潜在顧客今回はこちらは省略 KGI コントロール可能変数 2 1 3 4 5

サブタスク分析方向性立案(3/3) 27 KPIのうちコントロール可能変数を特定します。分析方向性を立案し、現実妥当な分析案を作成します。（赤囲いのもの）利用難度低利用難度中利用難度高利用データアクセス解析ツールより取得 CRMデータより取得 ①購買率 3rdパーティデータ等の外部データ ② 検索後訪問率 ③ 検索率 3rdパーティデータ等の外部データ ④ 注意関心率アンケート情報で取得 ⑤ 認知率アンケート情報で取得仮説立案 • 顧客レコメンデーションが不足 • 訪問者の購買力が弱い • 当該サイトへの理解不足 • 広告の露出が少ないため認知が少ない比較軸時間軸/他ECベンチマーク時間軸/他ECベンチマーク時間軸/他ECベンチマーク時間軸/他ECベンチマーク時間軸/他ECベンチマーク • SEO対策が足りないため下位にランキングされる • 入札ワードの最適化分析方向性立案 • 顧客グループとアイテムグループを作り高倍率を分析レコメンドモデルを作成 • 購買力が高いと想定される層を分析 • 注意関心率を分析。結果次第で広告クリエイティブのA/Bテストを行う • 認知率を分析。結果次第でマスプロモーションを行う • SEO対策データ制約多し分析結果を施策につなげずらい

データ受領方法確認 28 分析案より必要なデータを特定しました。受領方法や受領日をすり合わせます。必要であればデータ連携図を作成します。受領方法受領日形式その他アクセス解析データクラウドでの受け渡し 2018年x月y日 tabファイル CRMデータ HD媒体〃〃アンケートデータ CSVをメールに添付〃 CSVファイルアンケートは先方が設計。x月y日まで回収顧客環境顧客DB アクセスデータ.tab CRMデータ.tab アンケートデータ.csv ファイルチャネルクラウド受託環境分析DB 指定期間内(*)のログを抽出指定期間末のCRMのスナップショットを抽出 *一度指定期間を決めたら変えない。分析結果の再現性がなくなるため。

©2019 Crosstab Mitsuru Urushibata All rights reserved 29 (参考) データ受領日デッドラインの設定方法
29 PERT図を用いてデッドラインを設定します。作業開始予定日が12月15日の場合、遅くとも12月6日までにはデータ抽出作業を開始していなくてはならない。また遅くとも3つのデータの抽出は12月13日までに終わっていなければならない。データ抽出作業開始アンケート終了データ受領アクセスデータ抽出完了 CRM データ抽出完了 1日 1日 7日 1日 1日 1日 1日 12月 15日 12月 14日 12月 13日 12月 13日 12月 13日 12月6 日

分析工程作成 30 実際のデータを見る前に分析の工程を作成し、顧客との合意形成を得ます。 Raw data アクセスデータ CRMデータアンケートデータ加工図アクセスデータをCRMデータを顧客IDで紐づけるデータクレンジング * クレンジングの詳細は実際にデータを受領後に行った作業を書込むデータクレンジング * クレンジングの詳細は実際にデータを受領後に行った作業を書込む分析顧客とアイテムの協調フィルタリング分析を行い、レコメンデーションルールを作成購買力の高い層をデモグラ等で可視化認知率/注意関心率を算出デモグラ等層別で分析認知率の高低と購買力の高低の2軸で分析、狙うべきターゲットを特定注意関心率の高低と購買力の高低の2軸で分析、A/Bテストを行うターゲットを決定

データ受領/確認 31 データを受領後にデータそのものが正しいか、破損はないか？データのカラムが正しいか、データの中身が正しいか等を確認。適宜受領表を作成し顧客への確認を促します。受領日キーレコード数ファイル名最終更新日時アクセス解析データ 2018年x月y日顧客ID 1,234,567 xxx.tab xxxx CRMデータ〃〃 12,345 yyy.tab xxxx アンケートデータ〃ユーザーID 1,234 zzz.csv xxxx ▪ 受領データそのものの確認 ① ファイル数確認事項先方送付のファイル数に過不足ないか？項目実際にあった例圧縮/解答の際、ファイルが破損していた。確認し再度拠出対応を依頼 ② キーキーはどれか？複数IDがある場合があり、なおかつ1つのものに2つ他のID がぶら下がっていたりする ③ レコード数レコード数が妥当か？エクセルなどでは1000万行以上であると強制的にカットされてしまう ④ 最終更新日時古いデータでないか？保存前の古いデータが送られてくることがある【受領表】

データ受領/確認 32 カラム内容を確認します。データクリーニングの段階で詳細に行うため。ここでは以下2つに絞って行います。 ▪ 受領データカラムの確認 ⑤ カラム仕様カラム仕様書と同様化？カラム仕様書にないものがあったりする ⑥ カラム定義レイアウト表と整合性があるか？１＝男２＝女等の対応があるか？過去２＝男、１＝女となっていたことがあった。また９９のようにレイアウト表にないものがあったりしたことがある ▪ カラム仕様書（あらかじめ必ず入手しておく）

©2019 Crosstab Mitsuru Urushibata All rights reserved 34 最後に私は理系の大学院にいたため、まわりはあまり顧客と話すことが得意でないという人が多かった気がします。私もあまり得意ではな
かったのですが新卒で就職した会社でそのような機会にめぐまれ自分が思うほど苦手でないことに気づきました。さらにハッキングスキルや解析スキルはkaggle上位者と比べると凡庸な能力しかなかったため、解析スキル×ビジネスコミュニケーションスキルを2つを兼ね備えたデータサイエンティストになることが自分が生き残る道だと思い自身でノウハウを開発し体系化しました。これは私のポジショントークになってしまうのですが、解析スキルやハッキングスキルのどちらかのみを売りとするデータサイエンティストサイエンティストはほんの一握りのトップ以外あまり食えなくなるのではと思います。解析手法がパッケージ化されそれを利用することである程度コモディティ化が進み、とりあえず1点特化型のデータサイエンティストが過剰になるのではないかというのが理由です。ですので皆様にはデータサイエンティスト協会の3つのスキルのうち2つを50点レベルでできるようになることをお勧めします。特に解析スキルとビジネススキルの二刀流は解析/ハッキングより少数派ですので唯一の存在になれる可能性があります。そのようなものを目指す方に本スライドがお役に立てれば幸いです。ご精読ありがとうございました。 *本スライドの内容は個人の見解であり、所属する組織の公式見解ではありません

presalesfordatascientist.pdf

presalesfordatascientist.pdf

More Decks by mitsu666

Other Decks in Business

Featured

Transcript