こんなデータサイエンティストは重宝される | ゆたろ＠米国生活に怯えるデータサイエンティスト

”データサイエンティストの仕事はデータを学習させ、良いモデルを作り、予測精度を上げることだ！”そう思っている人が多いかもしれませんが、これだけでは年収の低い残念データサイエンティストです。今は高い年収をもらっていたとしてもいずれツールの発達により駆逐対象となるでしょう。

今回は「こんなデータサイエンティストは重宝される！」をテーマに説明します。

非常に重要ですが、機械学習モデルを作成する前にデータ分析を行うことは必須となります。

なぜならば機械学習を使って何を予測したいのか？予測した結果をどう使うのか？をあらかじめ決めなければならないからです。

”今期〇〇商品の売上を30%向上させたい”という会社としての目標が決まっていたとして、データサイエンティストは何を考えるべきでしょうか？

データを分析して現状を知ることが必要になるはずです。これを達成するには仮説の立案とその仮説をデータから検証します。

【仮説例】

【検証例】

仮説立案と検証を繰り返し行うことで初めて、○○商品に対する事実を知ることができ、売上向上のための施策を打つことができます。この作業を行なわないと感覚を頼りに闇雲に施策を打つことになり、効率的とは言えません。

商品に対する事実を知ったところで、次に機械学習をどう使うかを考えます。

例としてはこのような感じです。データから仮説検証を行うマインドセットを持ったデータサイエンティストを目指しましょう。

データはどの業界にもあり、どの会社にも必ずと言っていいほど存在します。

つまり、データサイエンティストはどの業界でも活躍できる場があるということです。

転職によりデータサイエンティストになった人は、同業界であれば重宝されます。理由はデータに関する背景知識を持っているからです。

ここで言う背景知識の例を紹介します。

例) データの欠損の意味がわかる
とある製造データで欠損がある場合、その欠損に大きな意味がある場合があります。製品検査の結果、NGとなったためデータが欠損していたり、最初に機械が安定的に動くまではデータを取得しないなど、様々な理由があるかと思います。この辺のルールとして明記されていない隠しルールや現場感をわかっているのは製造現場で働いているスタッフだけです。また分析を行う上ではこの欠損の意味を知ることは非常に重要です。

背景知識がないままデータ分析を行うと、上っ面の知識だけで分析を行うことになり、より深い考察ができない場合があります。

もちろん自身の経験や知見で解決できることができれば素晴らしいですが、そうでない場合は同僚や知人にすぐに意見を聞きに行けるコミュケーション力、そして人脈力でカバーする必要があります。

データのインフラに詳しい人は機械学習の運用面で能力を発揮することができるのではないでしょうか。

「サンプルでもらったデータを使って予測精度の高い良いモデルが作れた！」

「でも次に何をすればいいのかわからない…」

そんなデータサイエンティストも多いのではないでしょうか。

実際には作成したモデルを使える形にするためのデプロイという作業が必要になります。

実際にデータをどのようなフローで取得して、どのシステムで予測して、結果をどこに出力するのかといったデータフローの設計を行います。

データサイエンティストが実際に手を動かしてインフラ整備を行う場面は少ないかもしれませんが、AIプロジェクトの最終ゴールの一つは自動化して使えるようにすることですので、データ全体の流れを適切に把握できると、価値の高いデータサイエンティストと言えるでしょう。

その他にもデータサイエンティストとして持っておくマインドセットはたくさんあります。

正直、挙げだしたらキリがないです。

みなさんも、ぜひ求められるデータサイエンティストになってください！
（私も頑張ります！）