データサイエンティスト実践セミナ(BDU Tokyo Meetup10)に行ってきた！

11月11日、
データサイエンティスト実践セミナー
Big Data University Tokyo Meetup #10
に行ってきた！
その内容をメモメモ

---

■グラフ　原田さん

・会社紹介
・自分のキャリアについて
　情報提供：早いほうがいい
　事業：早くても遅くてもだめ
　　視線→めがね：陳列棚の最適化

・データサイエンスの実務について
①案件のスケープと攻守を明確にすること
②業務のコストとインパクトを精査し、合意形成と納得感の醸成をすること
③戦力構想を可視化すること


・①案件のスケープと攻守を明確にすること
　事業もにたりんぐ環境改善
　　（１）データ内容が標準化されていない
　　　みんなが違うインターフェース→BIツール
　　（２）データ活用が高速化されていない
　　　アドホック、定型：時間かかる
　　（３）データのアクセスがオープン化されていない

　詐欺被害防止アルゴリズム開発
　　オレオレ詐欺に引っかかる人のモデリング

　人材サービス採用サービス
　　マッチングアルゴリズム
　　新人：内定率が下がる→下がらないように
　　SPSSで

　美容クロスセルアルゴリズム開発
　　サロンカテゴリ横断推奨アルゴリズム開発

　動画アプリ閲覧数工場アルゴリズム開発

　飲食店タイミング
　　二次会レコメンド

　→イッキツウカンに出来る環境

②業務のコストとインパクト
　施策
　分析
　運用
　基盤

　組織設計に影響
　事業貢献度を出す


③戦力構想を可視化
　　データ分析の組織装着
　　　事業課題設定力
　　　分析テーマ設定力
　　　分析力
　　　　分析力
　　　　データ抽象力
　　　　Hadoop
　　　　データ構造理解
　　　サービス堂入力

　　型
　　　専門組織型
　　　システム部門型
　　　カスタマWeb型
　　　ハイブリッド型

　　データマップ
　　スキルマップ
　　スキルスコア

　　ツール：お金で買えるところ
　　　　VS
　　ルール：その会社

　目標スコア

・最後に
　赤の女王仮説
　　全力で走り続けなければならない
　自ら機会を作り出し、機会によって自らを変えましょう

Q&A
・アジアのデータ分析技術
　中国；日本は相手にされていない→上海にはデータサイエンス学科で大量の人
　大学生は財布を出さない
　百度マップに全部ついている。中国のほうが単価高い

・オムニチャネル：うまくいかない。予測、当たらない
　流通業に対するとりくみ
　予測へのアドバイス

　流通：エリアマーケ
　人間は衝動買いのほうがおおい
　　→オムニチャネルに流れる理由は？
　楽天・アマゾンは、やれることを全てやっている

---

■データサイエンティスト組織の作り方を考える
　SONPO　中林さん
・動画：あたらしいとりくみ
・自己紹介
・何をやっているか
　　何でデータサイエンスチームが必要なのか
　　　事業戦略から、データ戦略への落としこみ
　　　データサイエンティスト組織の立ちあげ
　　　デジタルプラットフォームの構築
　　　データ
　　　AI：外部に積極活用＆自社のコンピタンス
　　　　　画像処理、音声認識は外
　　　　　保険は中
　　　ポイント：事業戦略にアラインした選択と集中

・デジタルプラットフォームのアーキテクチャ
　　サービス（API）・データサイエンティスト

　　アルゴリズム（AI　人工知能）
　　カタログ
　　データソース

・理想のアプローチ
　　スタートアップがデータサイエンスを武器に強くなる
　　　データエクセレンスへの道程
　　　　創業期：データの構造やデータベースをしっかり作る
　　　　　　創業メンバーとデータに関わる戦略を議論し、項目洗い出す
　　　　サービス立ち上げ期
　　　　　　アーキテクチャを確立
　　　　　　装着・実装
　　　　　　Webサービス Python,Django,Tornade
　　　　忍耐期
　　　　　　データ構造を維持し続ける
　　　　　　データサイエンスできるチーム
　　　　成長期
　　　　　　CTDO(チーフてくのろじーでーたおふぃさー）
　　　　　　→このフェーズからはじめるときつい

・失敗パターン
　　データありきで始めてしまう
　　システムやデータベースがスパゲティ
　　必要なデータが取れていない
　→時、すでに遅し

　　　　安定期
　　　　　　自動化→データエクセレンスカンパニー

・今からでも間に合うのか
　　データを事業戦略を推進する中核にすえる
　　トップの強力なスポンサーシップ
　　　　CDOの招聘
　　　　別会社を作ってすい寸するのも選択肢

・成功の秘訣：縦と横のハイブリッド・アプローチ

・データサイエンティスト組織に必要なメンバーと作り方
　　３つのスキルを持った組織
　　　　→ITエンジニアがデータサイエンティストを目指すには
　　　ビジネス
　　　データサイエンス
　　　データエンジニア

　　４つめの新たなスキル　システムエンジニア＋α

・最後に
　　データサイエンティストのキャリアのあり方
　　　CDO
　　どうしてコレをやっているのか
　　　CDOから一緒に腕まくりして汗かいてもらいたいの一言

Q&A
・IT部門
　連携できている
　すみわけができている：既存のオペレーション　IT
　新規・データ：こちら

・横串を通す理由
　　譲るところと残すところを決める。
　　　一元管理したいのはカタログ

---

■エンジニアから見た機械学習基盤
　～プロジェクトとの始め方と価値ある基盤～

・自己紹介
・価値ある基盤とは何か
　　失敗（ゴミ箱化）するリスクを最小化するために
　　問題提起・リサーチ・検証・モデル化・テストを高速にまわし
　　小さな失敗を積みあげ、価値抽出を最大化する
　　そのためのチーム、基盤、データ

・企業で機械学習の導入を進めるハードル
　・何をやっていいかが分からない（目的がない、目標がない）
　・データが集められない
　・サイクル化できない、分析結果が生きない
　→データ基盤のごみ箱化

・何をやっていいかわからない（目的・、目標がない）
　　LOB：これからはIoT、コグニティブ、機械学習
　　社員A:何か言い出したな・・
　→せいだいにこけます

・盛大にこけないために
　目的・大きな目標・小さな目標・期間を設定
　　現状把握のためにデータの可視化
　　　目的：現在の状況の把握
　　　目標：データの可視化
　　　目標：直近サービスログの可視化
　　　期間：２ヶ月

・当たり前から始めましょう
　　現状把握がない状態から予測分析、認知は難しいことを念頭に
　　　　現状把握：何が起こったのか
　　　　予測分析：将来何が起こるのか
　　　　認知：次に来るべき最適なアクションを判別・共有・指示を行う


・データが集められない：
　　何のデータがある
　　協力が得られない
　　セキュリティポリシー

・インプットとオペレーションでは、オペレーション側に負担を寄せる
　　データカタログ：データ構造変更に追従できないのが悪
　　　インプット：データの受け取りはキューを介して非構造で
　　　オペレーショん：ETLで構造化・半構造化して格納
　　　　　　　　　　　個人情報はマスキング

・ETLはどこでやるべきか
　　システム境界をkafka（キュー）で区切る→お互いの作業は非同期に行える
　　後方システムとの切り離し

　結果：データが集めやすい

・セキュリティの切りわけはツールと役割単位で区切る
　　BIツール、LOB→データ触らせない
　　かふかでくぎる：Hadoopに行く前にマスキング

・サイクル化できない
　　データファーストの考えにならない
　for humanからfor Machineへ
　　自動化して勝手に見てもらう。
　　マイクロサービス化

　定常分析

　事業側のライフサイクルに組み込みやすく

　マイクロサービス化：使う側の都合で利用できる

　分析処理のライフサイクルを構築

　Notebookでチームビルド

・まとめ