この記事は、
日鉄ソリューションズの方が、取り組まれていたいろいろランキングの記事への感想などに基づいています。
「Qiitaのいろいろランキング2019」への感謝と提案：Qiita(42)
データサイエンティストのための分析：Qiita自己記事まとめ2020：Qiita(98)
@kazuo_reve の過去記事をviewsを中心に分析しようか、どうしようか迷い中。
ご本人が、viewsを記載してくだされば、分析を開始する。記載していただけなければ、このまま放置させていただく。
p.s. ver. 0.02 20210424
ご本人がいいねをくださった。他の記事でも、いいねをくれださったら、何か追記すると約束していたことを思い出した。
放置するはずのつもりが「統計」と「成果と課題」を追記しました。 "#短歌"
p.s. ver. 0.03 20210425
viewsを記載していただけました。ありがとうございます。
早速分析を始めました。
- viewsが全部100以上
めでたい。 - viewsが1000以上の記事が４つ。
4分の１以上がviewsが1000以上はさらにめでたい。 - いいねが全部１以上。
他の人だと、ここの基準を１番に持ってくる。
@kazuo_reveさんは、私が必ずいいねを押す。
すると、これを１番に持ってくると、単なるやらせになる。
社会統計の難しさは、自分の行動の影響をどう測定して、評価に緩和策を盛り込むか。
単にViewsの数だけであれば、facebook, twitterなどで、友達が1000人以上いれば、そこに流せば、容易にviewsが100は超えることは経験則（最後の項目の受動測定、能動測定の項目をご参照ください。）
p.s. ver.0.11
この記事を読まれた後で書かれた記事
新人の方によく展開している有益な情報
が、ぶっちぎりで、私の一番いいねが多い記事を瞬間風速的に抜いてしまった。
めでたい。統計データを見ながら市場分析をすると、
逆に、市場が自分についてくるような錯覚に陥ることがある。
他人にも統計分析してもらうと多角的になる。
その意味でも、最初に紹介した日鉄ソリューションの方には感謝している。
今まで買ってよかった技術書を紹介しよう！
参加記事をでも、最終日に登録し、あっというまに、私の二十以上の記事のいいね数を抜き去った。
マネージャー・リーダーの私にとって有益な知見が得られた書籍
統計(statistics)
データ一つ
統計は、データが１つではほとんどやることがないように思うかもしれない。
しかし、一つのデータでも、測定項目は、１００にも１０００にもすることができる。
時間、温度、場所、測ることが可能な事項は山のようにある。
その多くの測定項目間の関係を計算することができる。
測定項目数は、次の３つ、１０、３０、１００に当てはめて、分析してみるとよいかもしれない。
データが３つ
データが３つあれば、そこから相互関係の計算を始めることができる。特に、重要なのは、データが１０になった時に、どのような分布を目標とするかを決めること。
例えば、お菓子を作って３人に売ったとする。
あと７人に売るには、どうするとよいかを、それぞれ売れた３人の属性から予測し、どこに焦点を絞って売り込むかを決めることができる。
データが１０
割合が意味を持ち始める最初の段階。
１つだけが占める値か、半分が占める値か、全部が占める値か、
その間の様々な分布から、次のデータが３０の段階を設計することが可能かもしれない。
データが３０
品質関係の本に、データが３０で統計処理をするということが書いてあった本がある。経験的には妥当な意見だ。しかし、データが１つ、３つ、１０でも、統計と確率を駆使できることを学ぼうとしないのはうまくないかも。データを１００集めるまでの筋道を考えると良い。データ収集の費用をなるべく少なくすることを真剣に考える段階かもしれない。データが、１、３、１０の段階で考えられる人は、データサイエンティストと自称してよいかも。
プログラマにも読んでほしい「QCべからず集」
https://qiita.com/kaizen_nagoya/items/d8ada7b7fceafe2e5f0e
データが１００
統計処理の最初の山場。データ数が％を表す、計算がわかりやすい状況。
ABC分析という言葉がある。全体に占める割合の高い、１位（A)、２位（B）、３位（C)を分析し、ABCで５割を超えて入れば、それで有効な対策が打てるかもという仮説。
自分では、その３つに加えて、それ以外という区分を設け、ABCにはないが、自分が好きな意見や、自分の発想と同じ反応や、自分と同じ意見や、自分が気がついていなかった反応のどれか一つを取り上げて、その数を増やすための方策を考える。
データが1,000
統計処理の第二の山場。計算機を使った集計、分析をしていないと、費用対効果を得ることが難しいかもしれない。
分析の視点は山のように増え、時間経過があるかないかで、やることがすごく違う可能性がある。
データが10,000
統計処理の第三の山場。できれば、組織的に統計処理をするとよい。一人の力では、限りがあるし、時間経過がある場合には、対応が難しくなるかもしれない。
一覧(directory)
| title | goods | stock | views | v/g | date | rewrite |
|---|---|---|---|---|---|---|
| プロセス改善に関して、個人的に有益な情報 https://qiita.com/kazuo_reve/items/2c9a2d13bd57282bec1f | 4 | 4 | 433 | 108.25 | 2021/2/17 | 13 |
| ソフトウェアテストに関して、個人的に有益な論文・資料https://qiita.com/kazuo_reve/items/157423aff900ac3b9e16 | 1 | 2 | 399 | 399 | 2021/1/22 | 13 |
| ソフトウェア品質シンポジウムでBest Paper Effective Awardを受賞するコツ？https://qiita.com/kazuo_reve/items/b5e740328bebad179414 | 1 | 1 | 253 | 253 | 2021/1/8 | 5 |
| 形態素解析を活用した推敲の方法https://qiita.com/kazuo_reve/items/6b7205ffb4ce6ad230ba | 7 | 4 | 1,012 | 144.57 | 2020/11/13 | 14 |
| 見積りに関する情報と知見 https://qiita.com/kazuo_reve/items/4d74723faaad1c2875a0 | 7 | 4 | 916 | 130.85 | 2020/4/13 | 18 |
| 文章の推敲・校正の個人的なノウハウhttps://qiita.com/kazuo_reve/items/b15d99759d75f942b9f0 | 9 | 5 | 886 | 98.44 | 2020/3/29 | 18 |
| トラブルシューティング(デバッグ)について実体験から学んだこと https://qiita.com/kazuo_reve/items/d8fff990b8f2e691ad74 | 1 | 1 | 494 | 494 | 2020/2/29 | 12 |
| 派生開発の課題を解決するための工夫https://qiita.com/kazuo_reve/items/847a7b0a7988078c6cce | 7 | 5 | 1,299 | 185.57 | 2020/2/12 | 14 |
| 「Rによる機械学習」の勉強履歴（5）https://qiita.com/kazuo_reve/items/162ba2ebaf44bd4d449c | 1 | 1 | 548 | 548 | 2020/1/11 | 4 |
| 「規模あたりのテストケース数はもはや意味をなさない」という問いに対する考え https://qiita.com/kazuo_reve/items/50419ce788703746d14a | 1 | 4 | 1,098 | 1098 | 2020/1/8 | 15 |
| ワークショップ「ソフトウェア開発におけるHAZOP入門」の結果 https://qiita.com/kazuo_reve/items/c1c1d32baed5d60d55c7 | 2 | 2 | 922 | 461 | 2019/12/31 | 1 |
| 「Rによる機械学習」の勉強履歴（4） https://qiita.com/kazuo_reve/items/7cb4d7beaf55a8a1e745 | 2 | 3 | 636 | 318 | 2019/11/16 | 5 |
| 「Rによる機械学習」の勉強履歴（3）https://qiita.com/kazuo_reve/items/609396b80384095f594f | 3 | 2 | 634 | 211.33 | 2019/9/14 | 9 |
| 「Rによる機械学習」の勉強履歴（2）https://qiita.com/kazuo_reve/items/388968db10b67dbbb7ac | 3 | 2 | 781 | 260.33 | 2019/6/18 | 5 |
| 「Rによる機械学習」の勉強履歴（1）https://qiita.com/kazuo_reve/items/d45506146aeef52f6c65 | 6 | 5 | 1,530 | 255 | 2019/5/11 | 4 |
| 合計等 | 55 | 45 | 11,841 | 11.15 | 150 |
課題(task)
goods/stockが１桁。
私の場合、
viewsが100, goodsが1が第一目標
viewsが1,000, goodsが10が第二目標
viewsが10,000, goodsが100が第三目標
viewsが100,000, goodsが1,000が第四目標
viewsが1,000,000, goodsが10,000が第五目標
現在、@kaizen_nagoyaは、第三目標達成した記事は12ある。
うち、viewが第四目標に達成したのが一つ、goodsが第四目標に達成したのが一つ。まだ両方達成はない。
Qiita記事まとめ2021
https://qiita.com/kaizen_nagoya/items/7eeb41de74b30f03e2db
kazuo_reveの記事は、viewsが少ないからgoodsが少ないのかどうかを確かめたい。
確認した。viewsを増やす努力は必要だが、本人がする必要はない。
@kaizen_nagoya の記事でも、twitter, はてななどで、影響力のある方が、紹介してくださると、viewsはすぐに10,000を超えている。
viewsが1000超えの記事はいくつ。
全部viewsが３桁以上なのはめでたい。
いいね１、views１００以上の私の勝手な目標は達成している。
viewsが1000以上は４つ。１５記事中４つがviewsが1000を超えている。26.7%。４分の１を超えている。この達成率は、いい感じ。
ほんの一部の記事がいいのも、面白い展開だが、安定した記事を書けるのもよい。
次に注目するとよいのは、viewsの最大・最小が１桁の6.05倍であること。安定した読者層を獲得していることがわかる。
views/goodsの値の最大と最小の比率は10か100か100か。
views/goodsが二桁の記事が、割といい記事の確率が高い。
二人とも、１５件中１件が２桁。
読む価値がある可能性は高い。
最大値と最小値の比率は、Excelの関数で計算した。
@kazuo_reve
=INT(100MAX(D2:D16)/MIN(D2:D16))/100 = 6.04
@kaizen_nagoya
=INT(100MAX(D20:D34)/MIN(D20:D34))/100 = 203.44
一桁と３桁。ちなみに、@kazuo_reveの表の記事の全投稿数に占める割合は、
15/15 = 100%
@kaizen_nagoya の表の記事の全投稿数に占める割合は、
15/2524 = 5.9%
数が集まれば集まるほど、分散が大きくなるという社会現象の経験則に照らして妥当かも。下記記事の、増えると分散が大きくなるという例として示せたかもしれない。
統計と確率 プログラマによる、プログラマのための、統計と確率のプログラミングとその後
https://qiita.com/kaizen_nagoya/items/6e9897eb641268766909
g/vの最小値と最大値の比較。
@kazuo_reveは、
11.15。１０倍で収まっている。
@kaizen_nagoya はgoodsが0の項目があり計算できない。泣）
比較(comparison)
@kaizen_nagoyaの最近の１５記事。（比較のため数を揃えました）
成果と課題(outcomes and tasks)
数ヶ月前に、stockの回数を表示するようになってから、その数を分析に取り入れることを検討してきた。
これまで、自分のデータだけの分析では、rewrite回数を分析に入れてこなかった。今回、@kazuo_reveと@kaizen_nagoyaを比較するにあたって、書き換え回数は本人でなくても収集できることから、項目に取り入れてみた。
面白いことに、15記事の書き換え回数が約150回というのが二人の共通する特徴として浮かびあがった。
これらが、今回の分析を始めた間接的な成果がある。
統計処理で、直接的な成果が見通せないときは、
まず間接的な成果を目標に加えるとよい事がある。
自己記事の版による採点追記
100pointの記事を目標として、初稿でどこまで達成したか、
次の改定でどこまで達成したかを記録してみる。
初稿はできが１割くらいとみなして、10 points。第二稿は追記した統計処理と、成果と課題で記載したrewrite数、それぞれ10 pointsとして30 pointsとしてみた。
viewsをかせぐ道具。
| name | qiita | bookmeter | ||
|---|---|---|---|---|
| @kazuo_reve | 24 | 8 | 164 | 24 |
| @kaizen_nagoya | 4440 | 3893 | 1411 | 6166 |
受動測定(passive measurement)、能動測定(active measurement)
通信であれば、wiresharkの測定は受動測定、ping測定は能動測定。
qiitaであれば、自分でIDを持って入れば、自分のいいね、Stock以外は受動測定は不可能。ほとんどすべて能動測定になる。
積極的に、特定の記事だけtweetしたり宣伝して、効果を測定することもできる。
全部の記事をtweetして、いいね、retweetの数を測定することもできる。測定する項目は、数限りなく、新しい測定項目を作ることが、新たな市場での展開の切り口を見出すことができるかもしれない。
今後
今の倍の記事数になったことを想定する。
例えば、３０くらいの記事数になったときに、
いいねで３倍、viewsを3倍にするのが目標としていいかも。
例えば、こんな感じ。
QC検定に落ち「たか」らかける記事。20,000人の方に読んでいただけ「たか」ら書ける記事。「たかたか」分析の勧め。
https://qiita.com/kaizen_nagoya/items/2a371ee8c8f1b78cd5bb
し、しまった。goods, stockは３倍だが、viewsは２倍にもなっていない。
例としては失敗。
@kazuo_reveの記事が３０になった時点で、この一覧のviewsが３倍になっていればいいことにさせてください。ごめんなさい。ちょっとやらせっぽい。
いいね
@takubb Qiita の「いいね！」は何件とれば「いいね！」なのか検証してみた！
10件の「いいね！」がつけば、Qiita内でもTOP10%を占める良記事
文書履歴(document history)
ver. 0.01 初稿 20210423, 10points
ver. 0.02 統計処理追記 20210424, 30 points
ver. 0.03 @kazuo_reve さんが viewsを編集リクエストで記載していただけました。あわせて、課題と対策を追記。 20210425午前, 50 points
ver. 0.04 受動測定、能動測定追記 20210425午後 60 points
ver. 0.05 比較検討追記 20210425 夜 70 points
ver. 0.06 補足 20210427
ver. 0.07 追記 20210429
ver. 0.08 誤植訂正 20210501
ver. 0.09 URL追記 20210502
ver. 0.10 日鉄ソリューションズの方の記事への感想、データサイエンティストの方への記事を追記 20210510
ver. 0.11 新人の方によく展開している有益な情報 追記 20210807
ver. 0.12 マネージャー・リーダーの私にとって有益な知見が得られた書籍 追記 20210830
＜この記事は個人の過去の経験に基づく個人の感想です。現在所属する組織、業務とは関係がありません。＞
最後までおよみいただきありがとうございました。
いいね 💚、フォローをお願いします。
Thank you very much for reading to the last sentence.
Please press the like icon 💚 and follow me for your happy life.