【データ分析】
データのインプットからアウトプットまでのエンジニアリングをする人をデータサイエンティストといいます。
その人材の能力は3つ。(一般社団法人データサイエンティスト協会 ■ )
- データエンジニアリング力
- ビジネス力
- データサイエンス力
データサイエンティストに必要な能力としてデータサイエンス力が挙がるって分類間違ってる気がします。恐らく、データサイエンス力が主力で、データエンジニアリング力とビジネス力が助力という解釈で良いと思います。
■ 結論
今後ほとんどの分析はBIツールで十分になる。したがって、データエンジニアリング力『だけ』を磨いた人材は経営上の負担になる。
一方で、データサイエンス力、ビジョン力を磨いた人材は、『検証力』という側面でBIツールの上位互換に価値を高め、経営上の資産になる。
■ AsIs(環境)
近年のデータサイエンスは以下の2つの手順のうちどちらかを採用しているケースが多い。
『ケース１SaaS利用』
➀分析対象とするデータを用意しBIツールに取り込む
➁AIに処理方法を聞く
➂BIツールで可視化
メリット：BIツールとAIといったSaaSを活用し、低コスト且つ俗人性が低い。
デメリット：チーム内にデータエンジニアリングのナレッジが貯まらず、IT人材が育ちにくい。
『ケース２分析官採用』
➀分析対象とするデータを用意しクラウドに取り込む
➁アウトプットイメージを作成
➂スクリプト作成
➃スクリプトアウトプットを可視化
メリット：チーム内にデータベース・データエンジニアリングのナレッジが貯まる。
デメリット：専門性の高いIT人材が必要となり、マネージャーを含む人件費が相当高い。
■ AsIs(当事者)
経営視点
「人件費」と「ソフトウェア(10万円以上/年)」の比較を行います。
・人件費は費用です。
・ソフトウェアは(無形固定)資産です。
ソフトウェアは貸借対照表に資産として掲載できるため、ステークホルダーの受けが良いです。
ソフトウェアはスケールしたい場合、ライセンスランクアップやソフトウェアの買い替えで対応できるため、可能な限り、人を雇わずソフトウェアを採用したい。
データサイエンティスト視点
「自分」と「ソフトウェア(10万円以上/年)」の比較を行います。
・データエンジニアリング力はBIツールの方が強い。
・データサイエンス力はAI系SaaSの方が強い。
したがって、データ分析官の既存のバリューは今後相対的に低下していきます。AIの方が自分よりロジカルですしね。
一方で、今後もAI系SaaSのアウトプットに不安は消えません。なぜなら、人とAIはインプットが異なるからです。人はマネージャーの下で業務経験をインプットし、AIはビッグデータをインプットします。
ビジネスは公共の一般性と局所的な特殊性のグラデーションがあります。
■ ToBe
### ビジネスは公共の一般性と局所的な特殊性のグラデーション
このグラデーションに関する解像度が高い役割に、特殊性を持つデータを加工し一般性を持たせてほしいというニーズがあります。
データサイエンティストは自身の専門性に新しい能力を磨くことでこのニーズに応えることができます。
それが次の「検証力」です。
新しいバリュー
BIツール・AIを検証する能力「検証力」
今後データサイエンティストとしてキャリア歩むためには、検証力を磨く必要があります。
■ Purpose
本稿の目的は、データサイエンティストとしてバリューを出すための基礎能力をお伝えします。