データサイエンスの未来へ向けた ⼀歩を踏み出そう 早稲⽥⼤学 創造理⼯学部 経営システム⼯学科 蓮池 隆 2022年2⽉26⽇(⼟) 東京書籍・Asial 情報科オンラインセミナー

簡単な⾃⼰紹介から 2 蓮池 隆(はすいけ たかし) • 1981年10⽉24⽇⽣まれ (1024は2の10乗です) • 幼少期〜︓⼤阪で育つ(⼤阪の北端なので，コテコテの⼤阪 ではないです…) • ⼤阪府⽴北野⾼校卒(変な⾼校でした…) • 学部〜博⼠課程，助教(〜2015年3⽉)︓⼤阪⼤学 (修⼠以降は，情報科学研究科情報数理学専攻) • 2015年4⽉〜︓早稲⽥⼤学経営システム⼯学科 • 多趣味，特にスポーツ観戦はかなり広範囲で興味あり • かなりの⾬男(台⾵もかなり呼び寄せます)…

簡単な⾃⼰紹介から 3 蓮池 隆(はすいけ たかし) • 専⾨分野︓オペレーションズ・リサーチ(OR) ▫ 不確実性下での意思決定(確率・ファジィ等々) ▫ サプライチェーンマネジメント(主に数理モデルより) → 最適化理論・数理モデリング寄りの研究 • 早稲⽥⼤学に来て，経営システム⼯学科に⼊ったので… ▫ ECサイトの購買・履歴データからのリコメンデーション ▫ 宿泊施設稼働率最⼤化を⽬指した動的価格設定・最適プ ラン名設定(これらを含めた観光科学) ▫ ⾏動データから⼀⼈ひとりの移動を復元・移動⾏動解析 → データ解析系の研究にシフト?︖

ですので… 4 • 教科「情報」や現・新の学習指導要領に関して，まだまだ 勉強不⾜の点があることは，ご了承ください． • 今回の発表は，あくまで『データサイエンスの研究に携 わっている研究者個⼈の⼀意⾒』としてとらえてください． (データサイエンスに関わる⽅々の共通⾒解や常識とは逸脱 した内容を話す可能性もあります)

⽬次 5 • 『データサイエンティスト』は魅⼒的な職業 • データサイエンスの未来へ向けた⼀歩とは︖ • ⼀歩踏み出した後に考えること • データ処理・分析が⼿軽な時代︖ • AIも栄養バランスの良い⾷事をしないとダメ︖ • まとめ︓データサイエンスは⾯⽩い︕

世の中は… 6 • 「データを持っていない企業は，もう競争に勝てない」 • GAFA(Google, Amazon, Facebook(Meta), Apple)の巨⼤ IT企業の出現で，よりデータの⼒が強くなっている →(電⼦ベースであれ，紙ベースであれ)膨⼤なデータの 蓄積がある企業は意外と多い • 膨⼤なデータの蓄積はあるが，それをどう活⽤すればよい のかで悩む企業が多い • 「データを的確に分析・活⽤できない企業は 取り残されていく」 → データを扱える⼈材の必要性が⾼まる

周りに⼈材はいないのか︖ 7 • データサイエンティストも含めたICT⼈材の不⾜(全業種) （出典）総務省「IoT時代におけるICT経済の諸課題に関する調査研究」（平成29年）

データサイエンティストとは 8 • 「さまざまな課題の解決や展望を予測するため，膨⼤に蓄積さ れているビッグデータの内容やその分布を調べ，特定の傾向や 性質に基づいた解析によって適切な解決⽅法を提⽰・評価する 職業」(⽇本⼤百科全書(ニッポニカ)) • 「データサイエンスの研究者および技術者．データ分析に不可 ⽋な情報処理・統計学・⼈⼯知能に関する知識と技術が求めら れる．データアナリスト」(デジタル⼤辞泉) • つまり，データが • 処理できて(プログラミング，エンジニア系) • 分析できて(統計・データマイニング系) • 解決⽅法を提⽰・評価できる(コミュニケーション系) ⼈材のこと．

新⾼等学校学習指導要領解説より 9 「「情報の科学的な理解」に裏打ちされた情報活⽤能⼒を育 むとともに，情報と情報技術を問題の発⾒・解決に活⽤する ための科学的な考え⽅等を育むことが求められている」 • ただやみくもに情報を触るだけではNG!! → ⽬的を持ち，的確な⼿法により情報を収集・分析し， それを活かす能⼒が求められている • とは⾔っても，そこまで⾝構える必要はない︕

⽬次 10 • 『データサイエンティスト』は魅⼒的な職業 • データサイエンスの未来へ向けた⼀歩とは︖ • ⼀歩踏み出した後に考えること • データ処理・分析が⼿軽な時代︖ • AIも栄養バランスの良い⾷事をしないとダメ︖ • まとめ︓データサイエンスは⾯⽩い︕

では何から始めればよいのか︖ 11 • 素朴な疑問は⽇常の⾄る所にあふれている → ⽇常の「なぜ︖」「どうして︖」がデータ分析の きっかけとなる ⽇常⽣活系 • 「私ジャンケンがすごく弱いんだけど…」 • 「あの⼈，いつもジャンケン勝つよね︖」 • ジャンケンが強い⼈・弱い⼈って特徴はあるのだろうか︖ たまたま︖何回かジャンケンすると強い・弱いがわかる︖

⽇常⽣活系(その2) 12 • 「⼩さい頃から⽜乳を飲むと背が⼤きくなるって本当︖」 • 実際に⾝⻑のデータと「昔から⽜乳をよく飲んでいたか︖」 といったアンケートデータを取り，クロス集計表にまとめて 分析してみる • (ただし，⾝⻑にコンプレックスがある学⽣もいるかと思う ので，実際の⾝⻑というよりも，⼩学校1年の時の⾝⻑から 何㎝伸びたかといったデータの⽅がよいかも) ○○㎝ 未満 ○○㎝〜 △△㎝ △△㎝〜 □□㎝ … 飲んでいた … 飲んでない …

では何から始めればよいのか︖ 13 • 素朴な疑問は⽇常の⾄る所にあふれている → ⽇常の「なぜ︖」「どうして︖」がデータ分析の きっかけとなる マーケティング系 • 「Webを通じて買い物をすると，推薦商品として⾃分の 好みの商品がちゃんと出てくるんだけどどうして︖」 • 先端の機械学習・AI⼿法が利⽤されているが，データを 収集することがおそらくできない…(それだけ，購⼊・閲 覧履歴データには価値がある)

マーケティング系(その2) 14 • 「コンビニエンスストアやコーヒーショップって隣り合う 場所に合ったりするけど，どうしてなんだろう︖」 • 実際にコンビニエンスストアやコーヒーショップが隣接し ている(もしくはかなり近い場所にある)場所がどのくらい あるか集計する • ⾃社の他の店舗，同業種の競合他社，ドラッグストアなど の競合他社との距離関係も⾒てみると⾯⽩いかも • 参考︓ホテリングの⽴地モデル(1929年発表) http://gametheory.jp/page.php?id=96 (最終閲覧⽇︓2022年2⽉22⽇)

では何から始めればよいのか︖ 15 • 素朴な疑問は⽇常の⾄る所にあふれている → ⽇常の「なぜ︖」「どうして︖」がデータ分析の きっかけとなる 都市伝説・⾔い伝え系 • 「1」から「9」までの数字の中から，「8」とか「3」とか 好きな数字を1つだけ選んで，それを頭に思い浮かべてく ださい．

では何から始めればよいのか︖ 16 • 素朴な疑問は⽇常の⾄る所にあふれている → ⽇常の「なぜ︖」「どうして︖」がデータ分析の きっかけとなる スポーツ系 • 野球︓2点差で負けている7回裏，ノーアウト1塁の状況で 送りバントをする⽅がよいか︖ • テニス・バレーボール・卓球︓サーブの時，どのコースに どの球種でサーブを⼊れた⽅が得点がとりやすいか︖ • スポーツ系のデータサイエンスは，今熱い領域

⽬次 17 • 『データサイエンティスト』は魅⼒的な職業 • データサイエンスの未来へ向けた⼀歩とは︖ • ⼀歩踏み出した後に考えること • データ処理・分析が⼿軽な時代︖ • AIも栄養バランスの良い⾷事をしないとダメ︖ • まとめ︓データサイエンスは⾯⽩い︕

データ処理・分析の観点から 18 「データに基づく現象のモデル化やデータの処理を⾏い解釈・ 表現する⽅法について理解し技能を⾝に付けること」 • 極論をすれば，今は「誰でもできてしまう」 ▫ ハード⾯︓計算機⾃体の⾶躍的な性能向上 (⼤規模データでも扱えてしまう) ▫ ソフト⾯︓データ解析ソフトの普及と性能向上 (SPSS, SASはもちろん，RやExcelも) → データさえあれば，何も考えず，ボタンをポチっと押す だけで何らかの結果が出てしまう… (中では，重回帰分析やら因⼦分析やら，何かしらの分析⼿ 法が適⽤されているのだが…)

今の⾼校⽣はプログラミングができる?! 19 • W⼤学のある学科の1年⽣︓C⾔語の授業における初回レ ポートの感想より • 「なんでPythonをやらないんですか︖今やデータ解析に ⽤いるディープラーニングや機械学習のプログラムは Pythonで書くのが主流なのに…」 • 少し勉強すれば，⾼校⽣でも先端のデータマイニング⼿法 を実装することができる時代 → 様々なパッケージが⽤意されているので，それを呼び 出せばOK(中⾝は理解していないとしても…) しかし…，中⾝を理解していないと…

重回帰分析であれば… 20 • ある店舗の売上を考えるオーナーがいたとして… ▫ 「⽉間の売上数は，来店客数・気温・⾬の⽇数・降⽔量・ イベントの有無が関わっていそうだ」 ▫ 「おっ，結果が出た︕これで売上数に何が・どのように 聞いているかわかるぞ︕」 ▫ 「あれ︖全く売上が伸びないじゃないか…」 • 重回帰分析で気をつけるべきこと(多重共線性)を理解してい れば，このような結果にならなかったかも… 重回帰分析 次⽉適⽤してみたが…

他にも 21 • 擬似相関の罠 「かき氷の売上と⽇中の気温には正の相関がある」 「⽇中の気温と熱中症患者には正の相関がある」 「かき氷の売り上げ増加が熱中症患者増加の原因である」 • ディープラーニングもいいことばかりではない → 中⾝はブラックボックスであることが多い ＝「なんかよくわからないけど，うまくいく」 誤った判断をすると なぜそのような結果がでるのか︖を分析できる⼒を養わせる ことこそ「情報」の授業での役割

⽬次 22 • 『データサイエンティスト』は魅⼒的な職業 • データサイエンスの未来へ向けた⼀歩とは︖ • ⼀歩踏み出した後に考えること • データ処理・分析が⼿軽な時代︖ • AIも栄養バランスの良い⾷事をしないとダメ︖ • まとめ︓データサイエンスは⾯⽩い︕

分析のポイントは『データの質』 23 • 『ビッグデータ』という⾔葉が世間で広まり始めた頃… →「何でもいいからデータを⽚っ端からたくさん集めて分析 すれば，何か良い結果が得られるでしょ」 例︓若者の趣味嗜好を，⽇頃の⾷料品や飲料品の購買履歴から 分析したい • 購買履歴のデータは⼭ほどあるが，男⼥の区別や年齢の区別， さらには品⽬も⼤雑把なデータである場合… → ⽬的に合った分析ができるはずもない…

分析のポイントは『データの質』 24 • ⽬的に合ったデータがあったとしても『質』が悪ければどう しようもない 例︓(私が体験した実例) • 商⽤トラックの運⾏履歴(GPS)データを解析して，休憩場所 や運⾏の効率化を⾏いたい → トラックのデータというだけで，どのくらいの⼤きさの トラックなのかいう情報なし → 本来は1台のトラックに固有のIDが割り振られているはず だが，なぜか1秒で数百㎞先を⾏ったり来たりするデータ が散⾒

分析のポイントは『データの質』 25 • 誤ったデータを学習データとしたAIは，(当たり前ですが) 間違った判断をする→データの誤りに気付くことが重要 • シンプルに，平均値や中央値・ばらつき(分散)・最⼤値や 最⼩値・歪度などを計算したり，散布図や度数分布表など を利⽤して，データを可視化することが重要

新⾼等学校学習指導要領解説より 26 「多様かつ⼤量のデータの存在やデータ活⽤の有⽤性，データサイ エンスが社会に果たす役割について理解し，⽬的に応じた適切な データの収集や整理，整形について理解し技能を⾝に付け」 「信頼性の⾼いデータを収集し適切に問題解決に活⽤するために必 要なデータの整理や整形，データを収集する際に存在する様々なバ イアスやデータの⼊⼿元の違いによる信頼性を含めたデータの特性 について判断する⼒を養う」 『データサイエンスにおける情報活⽤能⼒ ≒質の⾼いデータの収集⼒＋適切なデータ分析⼿法適⽤⼒ ＋分析結果を正しく理解し，伝える能⼒』 を養うことの重要性

⽬次 27 • 『データサイエンティスト』は魅⼒的な職業 • データサイエンスの未来へ向けた⼀歩とは︖ • ⼀歩踏み出した後に考えること • データ処理・分析が⼿軽な時代︖ • AIも栄養バランスの良い⾷事をしないとダメ︖ • まとめ︓データサイエンスは⾯⽩い︕

まとめ 28 • まずは，疑問に思ったことが”解決できそうな”データを 集めてみよう → データを集計するだけでも⾒えてくることがある 統計⼿法を使えば，さらに⾯⽩い結果がわかるかも • データの切り⼝は様々で，テーマ設定や分析⽅法で結果 の⾒え⽅も多様になる • (180度でなくても)常識を覆すような結果が出てくれば， そこに「⾯⽩さ」という宝物が詰まっている︕ ご清聴ありがとうございました