ぬるったん @データサイエンティストのキャリア発信
@Nurruttan
Followers
4,316
Following
158
Media
978
Statuses
2,642
データサイエンティスト・マネージャー勤務｜データ分析会社で「最年少・最速」でマネージャー職に昇進 ｜ データサイエンティストのキャリアについて発信。 YouTube → note →
Amazonアソシエイト参加中
Joined March 2023
Don't wanna be here?
Send us removal request.
Explore trending content on Musk Viewer
İran
• 516637 Tweets
Argentina
• 404124 Tweets
Kyle
• 266250 Tweets
Shapiro
• 220459 Tweets
Sunderland
• 141482 Tweets
Enrique Márquez
• 114558 Tweets
オフサイド
• 104474 Tweets
Francia
• 95175 Tweets
スペイン
• 94450 Tweets
#ErdoğanınYanındayız
• 80012 Tweets
Emily
• 68747 Tweets
Mascherano
• 65103 Tweets
İmamoğlu
• 60623 Tweets
Julian
• 60027 Tweets
Ron Paul
• 47334 Tweets
Arabia
• 43503 Tweets
#FRAARG
• 38019 Tweets
Angola
• 29999 Tweets
Game Informer
• 29115 Tweets
Fresh News for $XRP Holders
• 27137 Tweets
Hepimiz Erdoğan'ız
• 25090 Tweets
Joshua Cheptegei
• 20043 Tweets
BAUTISTA EN EL GRAN REX
• 19375 Tweets
準々決勝進出
• 18919 Tweets
Equi
• 16549 Tweets
Zenón
• 16470 Tweets
Mateta
• 16351 Tweets
Simeone
• 16263 Tweets
#バレーボール男子
• 15682 Tweets
Gabriel Sara
• 14118 Tweets
Almada
• 13455 Tweets
Otamendi
• 13056 Tweets
FGOフェス
• 12480 Tweets
Grant Fisher
• 10862 Tweets
Echeverri
• 10664 Tweets
Harmeet
• 10377 Tweets
منتخب مصر
• 10147 Tweets
Pinned Tweet
データサイエンティストの「キャリア」に関するサービスを運営しているよ。
データサイエンティストはキャリアに悩みやすい職業だからね。
少しでも悩みを解決できるように、サービス化して相談できる仕組みを作っているよ。
【完全無料】のサービスもあるから詳細はコメントから見てね。
4
1
46
アクセンチュア社が提唱している生成AI時代に人間に求めらえる8つのスキルという記事。
AIで効率化できる部分を見極めて、うまくAIを活用していくことが大事だね。
Generativeな部分が業務プロセスを多く変えられるポテンシャルがあるよ。
・いままでは自分で一から考えないといけなかったもの
1
102
1K
データサイエンティストのスキルの成熟度を作ってみたよ。
データサイエンティストに求められるスキルは多くて、DS協会が定義しているスキル定義もかなり細かいよね。
粒度を粗くして、自己評価できる粒度で整理してみたよ。
1
102
1K
キーエンスのデータサイエンティストの記事だよ。
「ビジネス課題の特定が大事」と何度も強調されているね。
分析を実際にしている時間は少なく、課題の整理やコミュニケーションに時間を割く
ってのは同意だよ。
分析の規模が大きいと分析専任者はできるけどね。
コンサル能力が大事だね。
2
117
903
デロイト社のデータサイエンティストの求人が細かく書かれていて、解像度が上がる内容だね。
データサイエンティストとしてどのような人材を求めているかが明確で、詰める経験も解像度高く書かれていて、よく考えられているね。
キャリアアップするために、重要なのは「経験」だよ。
0
68
630
データ分析の一連の流れが記載されたNRIの記事だよ。
非常にわかりやすい＆詳細に書かれていてDSの業務の全体像を理解するのにおすすめ。
「ビジネス力」を発揮する工程にも「データサイエンスの理解は必須」という主張も書かれているよ。
DSがコンサル的な動きをするのが大事ということだね。
1
51
563
博報堂グループのテクノロジー人材のポジションという記事だよ。
データサイエンティストは戦略プランニングの前段として上流領域に位置づけられているね。
データを見て現状を理解するのもデータ分析の大きな価値の一つ。
ビジネスを理解した上で分析できる人材が求められていることがわかるね。
1
50
546
「データサイエンティスト」と呼ばれている職業に求められるスキルは幅広いよ。
でも、すべてのスキルを身に付けるのは現実的ではないよ。
なぜなら、知ってても使えないと意味がないからね。
スキルを活かして、課題解決につなげるには実務経験の中で「経験」する必要がある。
1
56
540
データサイエンティストは業務理解を深めないと、成果は出せない、ってのがわかる内容だよ。
NRIさんの記事だね。
・データエンジニア
・データサイエンティスト
・ビジネスコンサルタント
の3者で課題解決をするというのは、いい体制だね。
1
48
521
データサイエンティストの業務内容がわかりやすい図だよ。
博報堂の記事。
「ビジネス力」というのが分析の前後をマネジメントするスキルで価値創出には重要なプロセスになるよ。
どんなビジネス課題を解決するのか？という観点から、分析を設計することが大事ということがわかるね。
2
44
511
博報堂コンサルティングのデータサイエンティストの記事だよ。
データサイエンティストの業務内容が色濃く書かれているね。
データサイエンティストの仕事は分析だけではなくて、分析の前段の「目的・課題設定」も含まれるよ。
むしろ、ここが一番大事なプロセスになるね。
0
46
511
データサイエンティストの業務内容をざっくり表現するとこんな感じになるよ。
・ビジネスレイヤー：
ビジネス要件や分析目的を考えて、分析をビジネスにどのように活用するかを考えるレイヤー
・分析レイヤー：
ビジネス要件に基づいて、分析の要件を決めたり、分析を実装するレイヤー
0
45
494
KDDIでのRAGでの社内チャットボット実装の記事だよ。
オーソドックスなシステムアーキで構成されているものの、開発での苦労がわかるね。
・業務に応じた検索アルゴリズムの改善
・チューニングの自由度の高さ
・AIのAPI呼び出し制限、トークン上限超過を回避するための対応
0
62
495
データサイエンティストのキャリアがこれから「領域特化」していく、というのがわかる内容だよ。
富士通CT社の記事。
各業界のドメイン知識に精通したDSは中々いない。
でもドメインを理解した上で、分析しないと価値は出せない。
だから、「ドメインに特化した」DSが今後求められていくよ。
3
62
475
個人的にはエクサウィザーズ社のRAGOpsの考え方が無駄がなくRAGの運用には最適だと思うよ。
すべてLLMに聞く必要はなくて、よくある質問はキャッシュDBからLLMなしで回答する構成。
コスト高が懸念されていたけど、GPT-4o miniで一定の解決は進みそうだね。
0
53
451
データ分析案件を遂行するまでの一連の流れを細分化すると、こんな感じになるよ。
支援会社よりの目線で書いているけど、事業会社でも似たようなところは多い。
データサイエンティストとして価値を出すために、各フェーズで重要となるポイントがあるよ。
今後、具体的に解説していくつもりだよ。
0
47
422
品質要件が厳しいLLMアプリケーションのトライアル評価を通じて得た知見
というメルカリ社の事例だよ。
LLMアプリを開発した時の苦労と知見がまとまっているね。
・RAG精度の限界
・問題設定の絞り込みの難しさ
・評価の工数過多
あたりがあげられているね。
0
56
423
キーエンス流、データサイエンティストになる方法とは
という記事だよ。
データサイエンティストとして、分析前の課題設定を間違えると中々価値を出せなくなってしまうよ。
課題を適切に設定することが分析以前の重要なプロセスだね。
2
36
405
キーエンス流、データサイエンティストになる方法とは
という、内容だよ。
データ分析はビジネスに役立てて業務活用することが価値になるよ。
特に重要なプロセスとしては、「ビジネス課題」を特定することだね。
0
38
402
サイバーエージェントも徐々にAIコンサルティング事業を進めて、高利益のコンサルビジネスを始めているね。
テクノロジー×コンサルティングのビジネスモデルは多くの企業で展開され始めているビジネスだね。
0
27
396
製造業のデータ活用事例がまとまっている記事だよ。
DSとして「活用事例を知っておくこと」は課題解決の引き出しにつながるよ。
製造業界でのデータサイエンスも注目されている領域。
特に製造業界からリスキリングして目指す人も多く、おすすめのキャリアだよ。
0
46
397
データサイエンティストの業務範囲は広いというのがよくわかる内容だよ。
ブレインパッド社の講演記事より。
大規模な案件になると、すべてを一人でやることは現実的ではなく、担当を分けることになるよ。
だから、強みと呼べるスキルを明確にすることが大事だよ。
DSにはキャラが重要だからね。
1
47
388
マッキンゼーが定めているデータサイエンティスト関連の区分だよ。
特に、領域を跨いでいる下記の3つの人たちの需要は高いよ。
・Data architests
・Analytics translators
・Data scientists
左下は
・エンタープライズ向け基盤構築
・中～小規模基盤の基盤構築
0
41
380
生成AIの活用でRAG構成の実装は各企業が多く取り組んでいるテーマだよ。
ただ、RAGの構築を運用まで見据えるとものすごく大変で、考えることは莫大になるよ。
・モデル
・回答の評価
・検索アルゴリズムの選定
・UI設計
などなど、色んな観点で評価する必要があるよ。
3
65
380
「データサイエンティスト」という職業に対する「市場の期待値」が徐々に変わってきているよ。
データ分析・モデル構築だけが期待される時代ではなくなってきているよ。
と、いうのがよくわかる「ブレインパッド」さんの記事。
DSの将来を考えるのに有益な記事だよ。
2
46
372
RAG構築のためのAzure OpenAI Serviceリファレンスアーキテクチャ詳解
というサイオス社の記事だよ。
RAGを実際に動かすとなった時にどうゆう技術を使って実装するのかが詳しく解説された記事で参考になるよ。
システム側がわからない人でも見ればなんとなくわかるからおすすめだよ。
0
29
386
アクセンチュアの「金融機関におけるデータビジネスの可能性」という記事だよ。
金融業界のデータ活用の全体感として書かれているね。
①データ収集と③価値創造のサイクルを回すことが重要だという記述があるね。
0
44
367
生成AIの潮流に乗ってRAGでの社内検索システムを作ろうとしている企業は多いよ。
＞一方でRAGのG（Generation）、つまり"生成"は本��に必要なのか？という議論もあります。
ってのは業務活用上ですごく重要な観点だよ。
6
55
359
中部電力さんが出しているDX、データ活用の資料がわかりやすくていいね。
電力業界のデータ活用は市場も大きく注目されている領域の一つ。
電力自由化によって競争の必然性が生まれている中で、テクノロジーを活用した変革は注力テーマになっているよ。
0
44
361
NRIのデータサイエンティストの業務の全体像がわかりやすいね。
始まりはビジネス要件の設定・課題設定をすることだよ。
ビジネス部分の経験があるかどうかで、データサイエンティストとしての市場価値は変わってくるよ。
分析を専門としつつ、ビジネス現場での経験を積むことが大事だね。
2
24
357
ビジネスのわかるデータサイエンティストを目指せ、というNRIさんの記事だよ。
課題解決には多様な人材でチームを組んで対応する、というのは共感だよ。
一人でできることは限られているからね。
でも中核にあるのは「ビジネス・コンサルティングのスキル」というのにも同意だよ。
1
35
354
小売業界におけるデータ駆動型変革、というアクセンチュア社の記事だよ。
小売データの活用は注目されているテーマだね。
地域ごとの顧客のニーズが違ってデータ分析を活用して、コスト最適化を図るというような手法はよく聞くね。
0
30
359
電通デジタル社のデータサイエンティストの紹介資料だよ。
マーケティング周りのよくあるデータ分析は網羅的に書かれているよ。
どの企業でもニーズがあるユースケースが並んでいるね。
マーケティング領域はどの企業にもある汎用的な機能だから、市場規模も大きい領域。
0
37
353
データ分析人材の強化の取り組みはここ数年で増加しているテーマだよ。
大和ハウスさんの例だよ。
ビジネス側の現場社員がデータを見て仕事をしよう、というコンセプトでデータ分析人材の育成を進めている企業が多いね。
①データ基盤を整備して、簡単にデータが見られる状態にする
3
43
352
RAG構築のためのAzure OpenAI Serviceリファレンスアーキテクチャ詳解
というサイオス社の記事がわかりやすいね。
RAGアプリを作るための全体アーキからフロント部分マで書かれているからどう開発しているのかが見える内容。
0
34
327
博報堂グループのテクノロジー人材のマッピング評だよ。
データサイエンスは上流に位置づけられているね。
マーケティングの戦略を考える際に、顧客のインサイトは重要な情報であり、議論の起点になりやすいよ。
データサイエンティストとして、上流領域で仕事ができるのは魅力的な経験だよ。
0
38
321
RAGでの検索性を上げるための試行錯誤が記録されているSuperShip社の記事だよ。
モデルの性能というより、ベクトルDB側の試行錯誤が多くて参考になるよ。
・チャンクのさせ方
・ベクトル埋め込みの工夫
というのが精度向上のポイントになるという話。
参考になるね。
0
38
323
データサイエンティストのスキルは多岐にわたるよ。
だからこそ、自身の強みを活かせるスキルを「戦略的に」身に付けていくことが大事だよ。
キャリアアップするには、自分の価値の出し方を見極めてスキルを身に付けることが重要だね。
どのスキルを強みとするのかは、考えるべきポイントだよ。
1
42
319
生成AIの将来像としてはアクセンチュアの記事が個人的にはわかりやすいよ。
AIを活用したピアワーカープラットフォームという世界観だね。
AIによって日頃の業務サポートを自動で行って、生産性を上げていくというコンセプト。
汎用的なユースケースもあって、どの企業でも活用余地はありそうだね。
0
37
323
データサイエンティストはどこまでエンジニアリングをすべきか？
サイバーエージェントさんの記事だよ。
エンジニアリングを強めておくとかなり重宝される人材になるよ。
データサイエンティストは意外とコードが汚く、エンジニアリング観点に疎い人も少なくないからね。
0
30
319
アクセンチュア流「AIとの8つの融合スキル」とは？ トップが示す生成AI仕事術
という内容だよ。
アクセンチュアが提唱している生成AI時代のスキルセットだね。
①人間がAIを補完するためのスキル
②AIに人間の力を拡張させるためのスキル
③人間とのAIハイブリッド活動
1
30
315
エムスリー社の「データサイエンティストのキャリアパス」という記事だよ。
データサイエンティストのキャリアパス・必要なスキルについて記載されている内容。
①ビジネス力×②分析力
③プロジェクト推進力×④イノベーション想像力
⑤組織貢献力
という5つのスキルが書かれているね。
0
30
315
経済産業省が出しているベネッセ社の生成AI活用の事例だよ。
生成AIの活用について詳細にまとまっていて、参考になるね。
まずはChatGPTを使える環境を作って、試行錯誤をしながら活用方法を進めていく流れはいい進め方だね。
特に、小学生向けにサービスをリリースしていることはすごいね。
0
37
311
データ活用を進めるにはあらゆる観点で考えていかない。
データ活用の方針がまとめられている大和ハウスさんの記事。
システム×人材の2軸で進めていくことが重要という点は強く同意できるポイント。
方針が具体化されている企業はデータ活用の本気度も高く、DSが働く環境としてもよいよね。
2
26
301
データサイエンス案件に必要な存在を「ブレインパッド」がまとめているよ。
データサイエンス案件では、様々な役割の人が必要ってことがあるよね。
ブレインパッドはDX推進の先駆け的企業で、多くの企業のDX（データ活用）推進をしているから信頼が高いよ。
いいたいことは、
0
34
296
データサイエンティストのキャリアプランは大きく5つに分けられるよ。もちろん被りもあるよ。
それぞれのキャリアプランによって、求められるスキル・役割は違うし、各企業が求めているデータサイエンティスト像も違う。
自分が目指すキャリアプランを少しづつでも決めていくことがおすすめ。
2
33
294
デジタルトランスフォーメーション（DX）を支える全社横断データプラットフォームの重要ポイント
というIBM社の記事だよ。
データ活用を進める上で、データ基盤の整備は必須となるテーマだよ。
データサイエンティストの業務環境という意味でも影響を受けやすい動きになるよ。
0
26
296
NEC、DX推進人材の育成支援サービスを体系化、デジタルスキル標準が示す人材類型ごとに育成メニューを整備
という内容だよ。
各役割に求めれるスキルが分かりやすくまとまっているね。
DX人材のスキルを定義して、人材育成・組織組成を考えるのはよくあるプロセスだよ。
0
28
296
Retrieval-Augmented Generationシステムの改善方法の紹介
という電通総研さんの記事だよ。
RAGは一度作って終わりではなくて、継続的な改善が必要。
運用まで見越して設計することが大事だね。
・参照データのアップデート
・検索アルゴリズムの改善
というのが大枠ではあると思うよ。
0
29
294
デロイトのデータサイエンティストの記事だよ。
コンサルファームということだけあって、コンサルができるデータサイエンティストを求めているね。
アナリティクスの価値を最大化するために、洞察を得るだけでなく、説得力を持ったストーリーテリングが重要
というのは、完全同意だね。
0
35
285
RAG構築のためのAzure OpenAI Serviceリファレンスアーキテクチャ詳解
というサイオス社の記事だよ。
RAGのアーキテクチャに関して、詳細に書かれていて参考になるよ。
バックエンドからフロントエンド、検索部分のポイントまで書かれていて、RAG構築時に気を付ける点を理解できるよ。
0
23
283
TDSE社の上手く整理されたDX人材の絵だよ。
DXを推進する上で、あくまでデータサイエンティストは一部の役割だということを改めて感じさせられるね。
DXを推進するには、そもそもの顧客体験や意思決定をどう変えるか？なども含めて、データの活用を考える必要性があるね。
0
21
281
大和ハウスのデータ利活用の記事だよ。
特にデータ基盤整備の重要性について書かれているね。
データが散在しているとデータ分析は断片的で非効率になるからね。
中長期的に考えるとデータ分析を頑張るより、データ基盤の整備を頑張る方が効果的だよ。
0
29
283
品質要件が厳しいLLMアプリケーションのトライアル評価を通じて得た知見
というメルカリさんの記事だよ。
アーキテクチャから評価まで書かれていて、ものすごく参考になるよ。
LLMアプリケーションを作る動きは最近のトレンドになっている中で、知っておくべき内容だね。
0
31
280
データサイエンティストの「業務内容」をざっくり表現するとこんな感じになるよ。
・ビジネスレイヤー： ビジネス要件や分析目的を考えて、分析をビジネスにどのように活用するかを考えるレイヤー
・分析レイヤー： ビジネス要件に基づいて、分析の要件を決めたり、分析を実装するレイヤー
0
22
274
���たすらにデータサイエンススキルを身に付けてもキャリアアップにはつながらないよ。
広く浅く知識を持っていて、実務で使う時に詳しくなるのが最もコスパのよい学び方。
・大枠の基礎的知識を浅く理解する
・実務で使う時になったら集中して学ぶ
0
33
274
製造現場で継続的なデータ活用を推進するために必要なこと、というIBM社の記事だよ。
「業界のドメイン知識が暗黙知化されているから、現場と向き合って進めることが重要」
というのはよく聞く話だね。
データ活用を浸透させるためにアプリ化するのも製造業ではよく見るやり方だよ。
1
33
272
RAGでの文書検索を実装したい世界観で重要度が増している技術が「セマンティック検索」だよ。
RAG構成で社内文書を検索して、業務効率を上げたいというのが、LLMの主要ニーズになっているね。
社内文書の検索性を上げるために、検索アルゴリズムに対する知識の重要性が上がっているね。
0
23
273
自身の経験＆色んな方との議論を経て、たどり着いた結論だよ。
今後は、企業の「コアコンピタンス」になる領域へのデータ活用が潮流になってくる。
日系大手だと製品開発領域が多い。
だから、各領域の「ドメイン知識」を有した「特化型のデータサイエンティスト」の需要が高まってくるよ。
0
20
266
製造現場で継続的なデータ活用を推進するために必要なこと
というIBM社の記事だよ。
・ドメインの理解
・現場業務への浸透が重要
という点がよくわかる内容だね。
データサイエンティストとして価値を出すために、徐々にドメイン知識の重要性が増してきているよ。
0
27
270
RAGでちょっと忘れられがちなのが、「embedding model」の性能だよ。
テキストの埋め込みに使うモデルの性能もRAG性能に寄与する重要なファクター。
現時点で情報を見る限り、OpenAIのモデルがとてもいいってことはなさそうだよ。
1
28
269
NRIの「生成AIを活用した企業変革」サービスが参考になるね。
生成AIが盛り上がっているけど、組織浸透まで考えると多くの観点で検討を進める必要があるね。
・組織の持ち方
・人材育成
・業務活用のユースケース検討
・システム構築
0
34
264
AIネイティブ企業への道（ITの備え編）
NRI社の記事だよ。
生成AIの活用が各企業で進んでいる中で、データ管理の重要性がさらに増してきているよ。
データ分析を進めるにあたってもDWHにデータを集約させることが重要だったね。
生成AIでも同様にAIに参照させるデータの管理が重要になってくるよ。
0
21
263
ここ1年で色んなデータサイエンティストと会話させてもらってきたよ。
データサイエンティストのキャリアアップとして、自分自身が行き着いた答えはコレだよ。
「コンサルティング能力がすべて」
データサイエンティストとして活躍している人間は「コンサルティング能力」が高い。
0
20
250
小売業界におけるデータ駆動型変革
というアクセンチュアの記事だよ。
小売業界でのデータ活用はよく進められているテーマだね。
①データを基に顧客のニーズの理解を深める
②新サービスを立ち上げてさらにデータを取得する
③プラットフォームとして、小売り業界を越えたビジネスを拡大
0
17
256
データサイエンティストと市場で呼ばれている人材にも色んなキャリアパスがあるよ。
ビジネスに強い、アナリティクスに強い、エンジニアリングに強い、それぞれが活躍する領域があるからね。
ただ、共通するのは「ビジネス課題を解決すること」だよ。
0
25
254
生成AIのユースケースは各所に渡って検討されているよ。
色んな事例を見ているけど、主要なユースケースは
・社内のドキュメント検索、生成
・カスタマーサポートへの活用
・マーケティング分野での画像生成
・社内レポート（ダッシュボード）のサポート
という部分が多いように見えるね。
0
33
249
製造現場で継続的なデータ活用を推進するために必要なこと
という、IBM社の記事だよ。
業務プロセスを変えるためにデータサイエンスを活用しようとする取り組みは多々あるよ。
そのために必要なのは「データサイエンス力」だけでなくて、「業務知見に詳しい人」も必ず必要になるよ。
0
31
245
【BCG流】データ分析を「やって終わり」にしない技術
という内容だよ。
データサイエンティストとして、価値創出するために重要な考え方が色濃く書かれているね。
・データ分析の前段の仮説の重要性
・仮説を作るための現場の情報収集
・分析結果時のコミュニケーションの取り方
などなど。
0
25
242
エクサウィザーズ、生成AIの回答品質を自社の運用で継続的に改善する「RAGOps」
RAGをチャットボットFAQで実活用する時のベストプラクティスはこれだと思うよ。
・ユーザーの評価が高い回答はキャッシュDBを参照（LLMを使わない）
・回答が満足いかなかったらオペレーターに連絡
1
24
245
「Kaggleだけではデータサイエンティストは育たない」データ分析でビジネスに貢献するには？
という、滋賀大（元大阪ガス）・河本薫教授の記事だね。
ビジネス課題は多種多様でKaggleのように問題はシンプルではないよ。
1
28
241
生成AIでデータ分析が大幅に効率化できるようになってきているよ。
GPT-4oで飛躍的に分析能力が向上したことを感じているよ。
生成AIでデータ分析が効率的になる中で、データサイエンティストがどう価値を出していくか動画でまとめていくよ。
明日の20時にアップするよ。
1
26
243
「Kaggleだけではデータサイエンティストは育たない」データ分析でビジネスに貢献するには？滋賀大・河本薫教授が語る
・分析力だけではビジネスを変えられない
・ビジネス現場で活躍するDSは多義
ってのは完全に同意だよ。
「強みを活かしてビジネス課題を解決する人材」が需要が高いね。
2
28
239
小売業界におけるデータ駆動型変革、というアクセンチュアの記事だよ。
小売業界のデータ活用は昔から活用が期待されている領域の一つだね。
小売は最も顧客に近いデータを持っているからこそ、他社のマーケティングにデータを活かす試みがよく見られるね。
1
34
235
エクサウィザーズ社の「生成AIチャンピオン」というアプローチだよ。
組織内での生成AIの活用を進める上で、立ち上げ人材は重要な役割を果たすね。
筋がよさそうな人に注力して、「推進者」として位置付ける組織戦略は一つのいい方法だね。
データ活用でも同様に上手く推進できている事例も多いよ。
0
14
229
未経験でデータサイエンティスト・アナリストを目指すには？というデロイトさんの記事だよ。コンサルのデータサイエンティストとして、課題解決を
というデロイトさんの記事だよ。
データサイエンティストとして、課題解決を推進するというのは必須のマインドだね。
0
17
229
ダイキン社のDX人材育成の資料だよ。
データサイエンティストの育成方針に関して、詳しく記載されていて人材育成に力を入れていることがわかるね。
特にビジネス活用できるDSを求めている印象が強いね。
＞テーマを企画・推進できるより高いレベル の人材の獲得・社内育成が最重要課題
0
23
225
マッキンゼーが定めているデータサイエンティスト関連の区分だよ。
特に、領域を跨いでいる下記の3つの人たちの需要は高いよ。
・Data architests
・Analytics translators
・Data scientists
左下は
・エンタープライズ向け基盤構築
・中～小規模基盤の基盤構築
0
17
225
なぜ「データ分析力」ではなく「データ活用力」が必要なのか？ これから身につけるべきスキルとは
というMarkeZineさんの記事内容。
データを分析の前後のプロセス（1）/（3）が今後重要なスキルになる、というのは同意だよ。
0
23
220
【DSにKaggleが必ずしも必要ではない話】
市場で「データサイエンティスト」と呼称されている役割はかなり曖昧という前提だよ。
データサイエンティストと言っても、
「①データアナリスト型」
「④データエンジニア型」
のキャリアプランではKaggle実績の重要性は低いよ。
一方で、
0
23
222
塩野義製薬のデータサイエンス戦略と実践──データ駆動で目指すヘルスケアの未来
という塩野義製薬のデータ活用推進事例。
最近個人的に学んでいる「医療・ヘルスケア業界」のデータ活用についてだよ。
データ活用を進める上での、大きな課題は「データ管理」みたいだね。
0
24
221
データサイエンティストはすべての工程を一人でこなすのは中々難しいものだよ。
大規模なプロジェクトになればなるほど、分業化が進むし、担当する領域も狭くなるよ。
ビジネス、サイエンス、エンジニアリングのどれかに強みを持って、強みで勝負していくことが大事だよ。
0
15
224
ChatGPTを利用するためのサーバーレスアプリケーションをAWS上に構築する
という電通総研さんのテックブログだよ。
AWSからChatGPTを呼び出すためのアーキテクチャだね。
AWSにデータが多く格納されている企業であれば、AWS側でシステムを組みたくなることも多いよ。
0
37
217
データプラットフォームの構築は企業の戦略ともなり得る重要なテーマになってきているね。
PwC社の記事から抜粋だよ。
仮想化レイヤーに大きな箱を作って、データを集約させるアーキテクチャはよく見かける構成だね。
0
23
214
マーケティング領域におけるデータ駆動型変革
アクセンチュアがまとめている記事。
マーケティング領域はテクノロジーが積極的に活用される領域の一つだよ。
データ活用も盛んでシステム投資もされやすい。
データサイエンティストの活躍の場も多くて、初手として経験を積むのはおすすめだよ。
1
20
214
簡易的な予測モデルを作りたいときによく使われる「XGboost」だよ。
勾配ブースティング系のモデルだよ。
アルゴリズム自体の説明ではなく、マーケティングの実務でどんな感じでメリットがあるかという点で語っていくよ。
最大のメリットは、
0
13
209
Azure AI Searchを使ったマルチモーダルRAGの実現
という電通総研社の記事だね。
検索でも画像やグラフなど多くの検索を実現したくなることは多々あるよ。
今後、マルチモーダルなRAGなどは需要は高まっていく技術の一つだね。
0
23
213
日立のデータサイエンティストの採用記事だよ。
データサイエンティストの成長環境として、優れた分析基盤があるかどうかは重要な観点だね。
・使いたいパッケージが使えない
・計算が遅くて試行錯誤できない
・そもそもデータが少ない
などなど、しょうがないけど分析環境が弱い企業もあるよ。
0
21
212
いまのデータ活用・生成AI活用において、「業務コンサル」は間違いなく活躍できる能力を持っているよ。
As-is、To-beの業務プロセスを整理して、データ活用・AI活用をして、業務を変革するか？
というのは各社が取り組みたいテーマの一つだからね。
0
27
209
Azure AI Searchを使ったマルチモーダルRAGの実現
という電通総研さんの記事だよ。
マルチモーダルRAGという画像もテキストも合わせて、LLMに情報検索をさせるという活用方法だよ。
論文だったり、製造業では画像＋テキストファイルの情報が多く、共に読み込める必要性があるね。
0
30
210
DeNAのヘルスケア事業を支えるデータサイエンス、という記事だよ。
ヘルスケア領域のデータサイエンスが具体的に書かれていて参考になるよ。
個人的に、医療・ヘルスケア業界のデータサイエンスはこれから盛んになる領域。
各業界でどんなデータ活用が考えられるのか知っておくのも重要だよ。
1
25
207
データ分析が価値を発揮するのは大半が「無駄の効率化」だよ。
無駄をいかに可視化して、効率的に修正できるか？というのが価値になりやすい。
無駄を見つけるには、長らくビジネス運営をしてきたビジネス層の仮説が有用だよ。
ビジネス層と密に議論できる体制がDSを活躍させる体制だよ。
0
12
205
人の意思とAIの予測を融合させ、未来予測型の経営を実現する
というアクセンチュアの記事内容だよ。
意思決定に使うデータサイエンスは活用するプロセスを整備することも大事になるね。
分析結果を出すだけだと使われないから、いかに分析結果を活用してもらうか？まで考える必要があるね。
0
21
212
デジタル人材の内製化は各企業で継続的に考えているトピックだよ。
TDSEさんの記事だよ。
データ分析者も例に漏れず、育成すべき対象になっているよ。
徐々にビジネス側に基礎的なデータ分析を寄せる動きは出てきているね。
0
22
204
BIツールの活用はよくあるテーマだね。
データの専門家として、構築に携わることは多いよ。
大事なのはどの業務で誰がいつ使うのかの業務設計だよ。
やりたいことから徐々に落としていかないと使われることのないダッシュボードが出来上がるよ。
1
21
203
リクルート社のデータスペシャリストの採用内容だよ。
データ分析人材を一つの組織に集めて、データ活用を推進している企業はデータサイエンティストの成長環境としておすすめだね。
・データサイエンティストとしての個別のキャリアプラン、評価設計がされている
1
28
200
データ分析を組織に浸透させるのはとても難しいという話だよ。
文化的な側面やシステム的な側面など時間がかかるものも多くて、相応の投資が必要。
中々、一筋縄ではいかないから会社として本気度が高くないと実現できない世界観だね。
0
19
197
少し古いけどデータサイエンス系のキャリアの整理だよ。
リクルートエージェント社の記事内容。
・データサイエンティスト
・データアナリスト
・機械学習エンジニア
・データエンジニア
周りのスコープ議論は色んな整理があって、どれも大きく間違ったことは言っていないと思うから複雑だね。
0
15
201
データサイエンティストの業務内容に関するブレインパッド社の内容だよ。
データサイエンティストに求められるスキルは多様だということが分かるね。
本記事では小規模プロジェク���の事例みたいだけど、大規模なプロジェクトであれば、分業制が進むことも多々あるよ。
0
13
197
メルカリで働くデータサイエンティストの記事だよ。
大型サービスのグロースに携わると「PdM」的な役割になることが多い。
提案型でプロジェクトを進める、といったところも特徴的だね。
技術力が高い印象があるメガベンチャーであっても、自ら分析結果を基にビジネスを動かす力が大事だね。
1
22
194
クラスタリングでよく使われる「DBscan」だよ。
ノイズに強い、密度ベースのクラスタリング手法だね。
ロジックではなく、マーケティングでの実用方法を語るよ。
マーケティングでは一つの商材に対して、複数のパターン（クリエイティブ）で訴求したくなるシーンがよくあるよ。
0
16
192