Upgrade to Pro — share decks privately, control downloads, hide ads and more …

リサーチ&データサイエンスで「AI」をより良いものに / ReseachConference_goto

リサーチ&データサイエンスで「AI」をより良いものに / ReseachConference_goto

2022/05/28_RESEARCH Conference 2022での、後藤の講演資料になります

85da685d91fda190e2e3162d0de248a4?s=128

Recruit
PRO

May 31, 2022
Tweet

More Decks by Recruit

Other Decks in Technology

Transcript

  1. リサーチ&データサイエンスで「AI」をより良いものに 後藤 真理絵

  2. 大学時代 社会人1−2年 社会人3-10年 社会人10年〜 慶應SFC デザイン思考 エスノグラフィ Flashプログラミング Web広告制作会社 ディレクター見習い

    プロジェクト進行管理 マーケティングリサーチ会社 <データ収集> ・文献、各種統計情報 ・Webアンケート ・インタビュー調査 ・有識者インタビュー ・ビジネスエスノグラフィ <分析・報告> ・多変量解析、マイニング ・顧客向け報告会 ヤフー株式会社 <広告効果分析> ・広告効果分析 ・全社マーケティング最適化 <サービス利用状況分析> ・既存サービス分析支援 ・新規サービス立ち上げ伴走 2020〜 株式会社リクルート スタディサプリ 分析・データ活用リード 自己紹介 後藤真理絵 2018 Design for ALL設立 クリエイティブ系に憧れていた時期 営業・調査・分析の基礎 データサイエンスな世界
  3. 今日お伝えしたいこと リサーチとデータサイエンスの良いとこ取りを行い 人の人生を豊かにする世界を作りたい

  4. データサイエンス・「AI」って?(本日の定義) ・観測した大量のデータを機械学習し、行動パターンを発見する (モデル化) ・モデルをアプリやシステムに組み込み、パターンに応じて ユーザーの行動支援をする(自動化) 機械学習 アルゴリズム データ モデル データ

    モデル 行動支援 アプリ等
  5. 適切なデータから良い「AI」は生まれる ↑ データとアルゴリズムはビジネス課題に依存する

  6. 「AI」案件ではどんな沼に陥りがちか ・モデルが現実離れしている ・精度は良いがブラックボックス 使われない「AI」 →事業貢献できない

  7. なぜ沼にはまるのか・・・?

  8. 沼① 受発注の関係で発生しがちなこと 営業・プロダクト企画 ◯月までに XXをやりたい 担当A:取りまとめ 依頼 担当B:実作業 担当C:実作業 再委託

    データ組織(横断組織)
  9. 〜〜で 困ってます 担当A:取りまとめ 依頼 担当B:実作業 担当C:実作業 再委託 データ組織 沼① 受発注の関係で発生しがちなこと

    営業・プロダクト企画 課題すり合わせが うまくいかず迷宮入り
  10. 沼② 0→1を作る時に起こりがちなこと 課題 解決 手段 すぐに解決できる課題に目がいってしまう

  11. 沼② 0→1を作る時に起こりがちなこと 解決 手段 本質的な課題解決に なってない・・・ 解決するべき 課題??

  12. 一言で言えば、 データサイエンティスト側が サービスおよびユーザー・クライアント理解が 足りない時がある →不足しがちな情報を、質・量ともに吸収する ための取り組みが必要

  13. どうやって相互理解を深めるのか?

  14. 「AI」プロジェクトの大まかなプロセス 課題 定義 解決 手段 背景 理解 事前 調査 試作

    実装
  15. 徹底的に当事者視点で考え目線・情報量を揃える時間を創出 課題 定義 解決 手段 背景 理解 事前 調査 試作

    実装
  16. 事例A:営業向けクライアントのリピート予測(0→1案件) クライアント名 予測 確率 根拠 データ1 根拠 データ2 根拠 データ3

    根拠 データ4 根拠 データ5 A B C 直感的にわかる なぜ?がわかる 納得して次の行動に踏み出せる
  17. 領域に関連する情報を収集する 背景 理解 • 業界理解 • ビジネスモデル理解 • 事業戦略理解 •

    事業KPI理解 • 業務プロセス理解 etc
  18. 社内で領域の有識者にインタビューする 背景 理解 営業マニュアル • 業務フロー • 使用ツール • どんな工夫しているか

    • お困りごと etc
  19. ユーザーの行動を最小単位に分解し、データ所在を整理 背景 理解

  20. 定量データから見えるリピートパターンを把握 背景 理解 事前 調査 • ファクトデータ収集、集計 • 統計的に有意な傾向を発見 ※ダミーデータ

  21. 営業と壁打ち:現場の肌感・違和感から見立てる 背景 理解 事前 調査 • 現場の肌感と合うか ◦ データで解ける問題か •

    現場の違和感はないか ◦ 観測データ以外の要因の有無 繰り返すことで ファクト&理由→解決すべき課題
  22. 課題定義前の精度がその後の工程の精度を決める 課題 定義 解決 手段 背景 理解 事前 調査 試作

    実装 • スコープ設定 • 使用データ決定 • 予測内容決定 • アルゴリズム選定 • データセット作成 • モデル作成
  23. 営業と壁打ち:予測結果が肌感と合うか、すぐに動けそうか観察 試作 実装 ※ダミーデータ

  24. 営業と壁打ち:予測結果が肌感と合うか、すぐに動けそうか観察 試作 実装 • 現場の肌感と合うか ◦ 意思決定に使ってもらえるか • 現場の違和感はないか ◦

    予測精度の限界はどこか モデルや見せ方を試行錯誤
  25. ユーザーの行動を最小単位に分解し、データ所在を整理 背景 理解

  26. 探索的アプローチ 課題 定義 解決 手段 背景 理解 事前 調査 試作

    実装 https://www.jstage.jst.go.jp/article/jaih/26/2/26_2_107/_pdf 質的データ→量的データ ※設計に活かす
  27. 定量データから見えるリピートパターンを把握 背景 理解 事前 調査 • ファクトデータ収集、集計 • 統計的に有意な傾向を発見 ※ダミーデータ

  28. 収束的アプローチ 課題 定義 解決 手段 背景 理解 事前 調査 試作

    実装 https://www.jstage.jst.go.jp/article/jaih/26/2/26_2_107/_pdf ・量的データ ・質的データ 解釈→設計
  29. 営業と壁打ち:予測結果が肌感と合うか、すぐに動けそうか観察 試作 実装 ※ダミーデータ

  30. 検証的アプローチ 課題 定義 解決 手段 背景 理解 事前 調査 試作

    実装 https://www.jstage.jst.go.jp/article/jaih/26/2/26_2_107/_pdf 量的データ←質的データ ※妥当性を検証・補完
  31. 探索的アプローチ+収束的アプローチ+検証的アプローチ 課題 定義 解決 手段 背景 理解 事前 調査 試作

    実装 https://www.jstage.jst.go.jp/article/jaih/26/2/26_2_107/_pdf 質的データ→量的データ ※設計に活かす 量的データ←質的データ ※妥当性を検証・補完 ・量的データ ・質的データ 解釈→設計
  32. まとめ ・AI案件のプロセスにリサーチは組み込める ・リサーチャーとサイエンティストの協業を 意識したプロセス設計を行う ↓ ・サービス仕様とユーザー・クライアント行動の 深い理解が良い「AI」設計につながる

  33. 一見小難しいデータサイエンスですが、 リサーチとの接点が伝わっていたら嬉しいです

  34. ご静聴ありがとうございました