データサイエンス以前

Transcript

1. データサイエンス以前 ～データ活用のファーストペ ンギンになってしまったら～
2. 社内でデータサイエンスを 行っていく前に 社内でデー タサイエンスをやっていける 雰囲気を作ることが必要 WHAT’S データサイエンス以前？
3. 要はJTC DXすらようやく今年始めた 当然データの利活用なんて できるはずもなく。。。
4. 自己紹介 • 富樫 基拓 • 埼玉大学教養学部（バリバリ文系）卒業 • 2011年に入社。８年間、北海道で営業 • ２年間は北関東、新潟を担当 • 長距離を長時間運転するのが日常でした。。。。
5. 新型コロナウイルスの流行
6. コロナで営業ができなくなった！ • 医療機関が営業先なので、一切訪問できなくなった • 顧客も忙しすぎてWEBですら会えない。 • でも、売上好調（病院相手ですし・・・） あれ？営業いらなくね？
7. 営業の数を減らそう！
8. マーケティング部に 情報収集担当をおいてみよう！ • 当時、マーケティング部で各担当者が担当者ごとに情報収集をし ていて、作業が重複したり、属人化したりしていた。 • 業務を集約して効率化するとともに、各担当の負担を減らそう！ • とりあえず余っている営業から一人試しにやらせみるか・・・・ というわけで、 ある日突然 データ収集担当に・・・
9. 素人が情報担当になってしまったら・・・ • 文系営業だったので、分析スキルも知識もない。 • とりあえずマーケティング部のやっていた情報収集を引き継ぐが、エ クセルでの大量集計と、WEBなどからの定性情報の取得 • そもそもデータが社内にバラバラで、かき集めることからスタート。 • マーケティング部のオーダーによってはデータの探索から始めること も多々あり。。。。 • 作業が終わらず、深夜や休日に作業も日常・・・ • 全員分を処理しようとすると、エクセルがおもすぎて壊れる（エクセ ルって大量に関数いれて計算しきれないと、ある日突然すべてが消え 去るんですよ・・・・・） • それでも迫る締切・・・・
10. 無理じゃね？
11. プログラミングで処理しよう！ • エクセルが限界を迎えてきたタイミングでプログラミングへの移行を検 討し始めました。 • 当時データ分析はPythonとRが主流 • Pythonのほうが汎用性は高いものの、クラスや関数設計など学習コスト が高い • 業務を処理するだけなら、Rのほうが関数が充実しており、エクセルラ イクな記法もカバーできる。 • IDEもRStudio一択なので、悩む必要がなかった
12. 勉強って大切！ • プログラミングを勉強し始めた段階で、改めてデータ分析周り のことを勉強し始めた • 最初は書籍から始めたりしたが、TECHPLAYやconnpassなどか らセミナーに参加するようになった。 • ベンダーやSIer、コンサルなどの営業も受けるようにした。 • 資格も色々取得し、体系知識を獲得した。
13. データ分析のファーストペンギ ンになるということ • 社内で初めての職種であることが多いため、ロールモデルはおろかそもそも 何をどうしたらいいのかすらわからないことが多い。 • 結果的にまずは社内の集計業務を代替することからスタートというのは、 成果物が理解しやすい、担当者から感謝されるという点で正解だった。 • 勉強はコミュニティやセミナーで実地の話を聞きながら、資格試験を通じて 体系化し、結びつけていくことが大切。 • ベンダーやSIerの営業は業界知識も持っているし、ユースケースからの情報 も多い。初心者を相手にすることも多いため、営業に鍛えてもらうというの も 悪くない選択肢 • 自分の立場を確立するためにはそれなりの未来感と戦略を上司に説明し続け ることはすごい大事。 • Tableau、Google等の外部ベンダーのキラキラした世界観とそこにつながる ための戦略の肉付けに基本情報や応用情報から取得するストラテジーやマネ ジメントの知識がすごい大切！
14. IT企業の営業にとって、顧客の 育成はとっても大切！ • 一定程度の組織になると、意思決定機構が複雑となり、なおか つ決定者に直接面会できないケースが多くなる。 • 必然的に周辺の面会可能な担当から間接的に意思決定に関与し ていく 必要がある。 • その担当が特に若手の場合、将来的に出世し意思決定者になる 可能性もある。 • 各業者の営業担当と面会する場合、力量や出世可能性は常に値 踏みされる。 • 各営業のポジショントークを見破られるか、論点のは幅や深さ、 立体的に整理されているかというところは見られている可能性 が高い • 自分が意思決定者と近いor意思決定者であるという嘘は見破ら れるケースが多い。自力を鍛えよう！
15. 知識を得たら使いたくなりま すよね？？ • データサイエンティストが意思決定者になることは非 常に稀。基本は意思決定者を説得し、行動してもらう ことが必要になる。 • ロジスティック回帰による採用確率の予測、アソシ エーション分析による併売行動の分析であったりを実 施したが、マーケティング部の行動変容には繋がらな かった。 • ロジックが理解できないものを強引に活用してもそも そも納得が得られず、成果には繋がらない。 • DL/ML等の高度分析でロジックが理解できなくても、 そこを 受け入れてもらう土壌は最低限必要。 • 太古の昔には亀甲占いに説得性があったように、デー タサイエンスにもデータサイエンス以前の信頼を作っ ていくという作業は必須。
16. BIによるデータドリブ ンの普及 • データを見るという文化をまずは植え付けることが、データサ イエンス以前にまずは土壌として必要。 • BIは視覚的インパクトも高く、効果的。 • データ可視化によるビジネスインパクトの創出がゴールではな く、ダッシュボードの運用によるコミュニケーションの創出と、 それによるデータドリブンの伝播がゴール。 • BIは構築が完了ではなく、そこから改修などのコミュニケー ションを取っていくきっかけに過ぎない
17. まとめ • 社内でファーストペンギンになってしまったときには、外部コミュニティ、 資格試験、外部業者の３つをうまくブレンドすることが学習として効果的！ （業者様には迷惑だけど） • データサイエンスやりたいってなっても、まずはデータを信じる土壌を育て るところから始める必要がある。 • BIはすごい効果的。でも、そこからコミュニケーションをいっぱい取ってい くことのほうがもっと大切。 • 人を巻き込むにはキラキラした世界と明確なビジョンが必要。 各ベ ンダーと代理店を巻き込みながら、世界観を強固にしていくことが自力で組 織変革を行っていくにはとっても良い • ファーストペンギンは社内でロールモデルがなく、覚えることも多くてすご い大変。でも、社内では前例がないので評価はされにくいし、出世もしにく い。
18. 社内でファーストペンギン になりそうなら 全力で逃げよう！ 結論