Slide 1
Slide 1 text
分析案件をやり始めたときに
陥っていたことの共有と対策
⻑野 克也 (@chitose_ng)
Slide 2
Slide 2 text
後⽇、スライドのアップロードをします。
Caution
□□□□□□□□□□ 0/100%
Slide 3
Slide 3 text
DataGatewayをくぐり始めた⼈
DataGatewayをくぐろうとする部下がいる⼈
Target
□□□□□□□□□□ 1/100%
Slide 4
Slide 4 text
Company TVISION INSIGHTS株式会社
Work
- テレビの視聴態度のR&D
- クライアントKPIとの関係性調査
ʘςϨϏͷࢹௌଶΛଌΔձࣾʗ
Other
チトセナガノ(@chitose_ng)
まずは蝋の翼から
Tableauデータ分析 ~実践から活⽤まで~
プロフィール
□□□□□□□□□□ 2/100%
Slide 5
Slide 5 text
Company TVISION INSIGHTS株式会社
業界的に新領域のデータを
提供する会社
ʘςϨϏͷࢹௌଶΛଌΔձࣾʗ
プロフィール
NO PRESENTATION ?/100%
Slide 6
Slide 6 text
モニターのリビングに⼈体認識技術を組み込んだ機械を設置し、
視聴態度データを取得
NO PRESENTATION ?/100%
Slide 7
Slide 7 text
⾃動で顔認識・識別
どう観ているのか
（視聴体制）
誰が観ているのか
（個⼈特定）
テレビの注視度を
計測する
NO PRESENTATION ?/100%
Slide 8
Slide 8 text
業界的に、今までは「テレビがついているか」のデータから
KPIへの影響を⾒ていた
NO PRESENTATION ?/100%
Slide 9
Slide 9 text
「テレビをどう観ているか」という解像度がより上がったデータから
KPIへの影響を⾒ることができる
NO PRESENTATION ?/100%
Slide 10
Slide 10 text
「テレビをどう観ているか」という解像度がより上がったデータから
KPIへの影響を⾒ることができる
業界的に未解明の部分が多いので、
どう使えるかのR&Dと
クライアントのKPIとの関係を調査/分析
仕事内容
NO PRESENTATION ?/100%
Slide 11
Slide 11 text
2015
04
2017
09
2019
01 Today
SQLおじさん
(データ抽出の⼈/
データアーキテクト)
R&D
クライアント分析
2年半
1年半
BI屋
10ヶ⽉
ʘίίͷؾ͖ʗ
経歴
□□□□□□□□□□ 6/100%
Slide 12
Slide 12 text
分析案件をやり始めたときに
よくあった会話
Slide 13
Slide 13 text
こんな感じのモデル考えてます！
○○という手法もあると思うけど
なんでこの手法なの？
な、なんとなくっす。。。
本当にあったアレな会話1
ʘ
্
࢘
Ͱ
͢
ʗ
■□□□□□□□□□ 10/100%
Slide 14
Slide 14 text
こんな感じのモデル考えてます！
このモデル式だと☓☓に△△って仮定を
置いてるってことだよね？
あっ、はい多分そうっす。
（言われるまで意識してなかったけど)
本当にあったアレな会話2
ʘ
্
࢘
Ͱ
͢
ʗ
■□□□□□□□□□ 12/100%
Slide 15
Slide 15 text
何故なんとなく分析をしてしまうのか︖
Topic
Slide 16
Slide 16 text
何故なんとなく分析をしてしまうのか
1 モデルの構築⼿法を
どうやって選んだらいいのかわかっていない
■□□□□□□□□□ 16/100%
Slide 17
Slide 17 text
1 モデルの構築⼿法を
どうやって選んだらいいのかわかっていない
2 モデルの構築⼿法を選んだあとに
何について考えればいいのかわかっていない
■■□□□□□□□□ 20/100%
何故なんとなく分析をしてしまうのか
Slide 18
Slide 18 text
1 モデルの構築⼿法を
どうやって選んだらいいのかわかっていない
2 モデルの構築⼿法を選んだあとに
何について考えればいいのかわかっていない
テキトーにそれっぽい⼿法を選ぶ理由
テキトーに選んだ⼿法で、
テキトーに要素を⽳埋めする理由
■■□□□□□□□□ 26/100%
何故なんとなく分析をしてしまうのか
Slide 19
Slide 19 text
1 モデルの構築⼿法を
どうやって選んだらいいのかわかっていない
2 モデルの構築⼿法を選んだあとに
何について考えればいいのかわかっていない
どうやって防ぐか
テキトーにそれっぽい⼿法を選ぶ理由
■■■□□□□□□□ 35/100%
何故なんとなく分析をしてしまうのか
Slide 20
Slide 20 text
テキトーにそれっぽい⼿法を選ぶの
をどう防ぐか
何故その⼿法が必要なのかを考えた学習をする
■■■□□□□□□□ 37/100%
Slide 21
Slide 21 text
テキトーにそれっぽい⼿法を選ぶの
をどう防ぐか
何故その⼿法が必要なのかを考えた学習をする
何のために存在する⼿法︖
■■■■□□□□□□ 40/100%
Slide 22
Slide 22 text
テキトーにそれっぽい⼿法を選ぶの
をどう防ぐか
何故その⼿法が必要なのかを考えた学習をする
類似⼿法と⽐較した、
メリット・デメリットは︖
■■■■□□□□□□ 42/100%
Slide 23
Slide 23 text
テキトーにそれっぽい⼿法を選ぶの
をどう防ぐか
何故その⼿法が必要なのかを考えた学習をする
類似⼿法と⽐較した、
メリット・デメリットは︖
類似⼿法との違いは、
何故うまれたの︖
■■■■□□□□□□ 45/100%
Slide 24
Slide 24 text
テキトーにそれっぽい⼿法を選ぶの
をどう防ぐか
何故その⼿法が必要なのかを考えた学習をする
何のために存在する⼿法︖
類似⼿法との⽐較した、
メリット・デメリットは︖
類似⼿法との違いは、
何故うまれたの︖
要するに、論⽂のような読み⽅で理解・学習
Slide 25
Slide 25 text
Random Forestと
Gradient Boosting Decision Treeの違いを
⾔えますか︖
Example
■■■■■□□□□□ 50/100%
Slide 26
Slide 26 text
何故モデルをなんとなく作るか
1 モデルの構築⼿法を
どうやって選んだらいいのかわかっていない
2 モデルの構築⼿法を選んだあとに
何について考えればいいのかわかっていない
どうやって防ぐか
テキトーに選んだ⼿法で、
テキトーに要素を⽳埋めする理由
■■■■■□□□□□ 57/100%
Slide 27
Slide 27 text
選んだ要素ひとつひとつに問いを⽴て、
何故選んだのか説明可能な状態にする
テキトーに要素を
⽳埋めするのをどう防ぐか
■■■■■■□□□□ 60/100%
Slide 28
Slide 28 text
説明ができない部分は、
考えていない部分
選んだ要素ひとつひとつに問いを⽴て、
何故選んだのか説明可能な状態にする
テキトーに要素を
⽳埋めするのをどう防ぐか
■■■■■■□□□□ 62/100%
Slide 29
Slide 29 text
説明ができない部分は、
考えていない部分
この思考を繰り返すと、
考えて要素を⼊れられるようになる
選んだ要素ひとつひとつに問いを⽴て、
何故選んだのか説明可能な状態にする
テキトーに要素を
⽳埋めするのをどう防ぐか
■■■■■■□□□□ 67/100%
Slide 30
Slide 30 text
次のモデルへの問いは何か
Example
■■■■■■■□□□ 70/100%
Slide 31
Slide 31 text
CM認知度 = α CM本数 + β CM種類ダミー + 定数
Example
■■■■■■■□□□ 72/100%
Slide 32
Slide 32 text
Example
OLSで解くので正規分布
CM認知度 = α CM本数 + β CM種類ダミー + 定数
■■■■■■■□□□ 74/100%
どういう仮定を置いたモデル式なのか
Slide 33
Slide 33 text
Example
CM認知度 = α CM本数 + β CM種類ダミー + 定数
■■■■■■■□□□ 78/100%
どういう仮定を置いたモデル式なのか
値が線形増加する
OLSで解くので正規分布
Slide 34
Slide 34 text
Example
CM認知度 = α CM本数 + β CM種類ダミー + 定数
■■■■■■■■□□ 82/100%
どういう仮定を置いたモデル式なのか
値が線形増加する
OLSで解くので正規分布
CM種類が別でも
効果が同じ
Slide 35
Slide 35 text
Example
CM認知度 = α CM本数 + β CM種類ダミー + 定数
■■■■■■■■□□ 83/100%
値が線形増加する
どういう仮定を置いたモデル式なのか
途中で飽和するから
対数化が必要では︖
OLSで解くので正規分布
CM種類が別でも
効果が同じ
Slide 36
Slide 36 text
Example
CM認知度 = α CM本数 + β CM種類ダミー + 定数
■■■■■■■■□□ 87/100%
値が線形増加する
どういう仮定を置いたモデル式なのか
途中で飽和するから
対数化が必要では︖
OLSで解くので正規分布
CM種類が別でも
効果が同じ
CM種類で
効果が違うのでは︖
Slide 37
Slide 37 text
Example
CM認知度 = α CM本数 + β CM種類ダミー + 定数
値が線形増加する
どういう仮定を置いたモデル式なのか
途中で飽和するから
対数化が必要では︖
OLSで解くので正規分布
CM種類が別でも
効果が同じ
CM種類で
効果が違うのでは︖
何を問えばいいのかは慣れが必要。
はじめは上司に⼿伝ってもらおう。
Slide 38
Slide 38 text
今⽇のまとめ
Today’s Summary
■■■■■■■■■□ 94/100%
Slide 39
Slide 39 text
⾃分の頭でちゃんと考えた分析をするためには
Today’s Summary
1 ⼿法の違いを意識して学習し、
2 何について考えればいいのか把握し思考することで、
3 ⾃分が考えたあらゆる選択に対して、説明可能にする。
■■■■■■■■■□ 95/100%
Slide 40
Slide 40 text
■■■■■■■■■■ 100/100%