近年、企業戦略のなかでデータ活用の重要性が高まっています。コンピューターに効率的に学習を積ませることのできるディープラーニング(Deep Learning)の技術が登場して以降、AI開発競争は世界的に過熱しています。しかし、ディープラーニングの精度を上げるためには教材となるビッグデータが必要となります。いかにして効率的にデータを収集するか、収集したデータを学習に最適な形にアウトプットできるかがAI開発の鍵を握るといっても過言ではないほどです。

一方で優秀なデータサイエンティストの採用のハードルも高くなり、データ活用の戦略立案も進まない企業も多くあります。日本最大級の顧問契約マッチングサイト「KENJINS」では、ITスキル(セキュリティ対策・AIなど)だけでなく、統計学、心理学等、幅広い分野の知識を有する専門家が、ビッグデータ活用の戦略立案やデータ内容の確認から入って、運用・解析・レポーティングまで支援します。

■役割・期待

お客様のデータ活用の参謀として、最先端かつ幅広いソリューションを適用しながら、お客様のデジタル化の根幹となるデータ活用のための戦略・アーキテクチャを描き、実際の構築にも携われることが醍醐味です。また、海外の専門家やデリバリーセンターとも連携しながら、新しいソリューションをスピード感を持ちながらスケールさせるといったグローバルでの活躍の機会もご提供致します。

■ビックデータ解析の必要性

現代のビジネスは従来のように表面的かつ一面的なデータ分析をするだけでは十分ではなくなっています。多様化する需要やニーズに対応するためには、一見無秩序とも思える膨大なデータの中に潜んでいる傾向を明らかにすることができる機械学習や統計的な分析の手法が必要不可欠です。ビッグデータとは、Webサイトの閲覧履歴やGPSの位置情報などの膨大で雑多なデータを指します。

これらのデータは情報量が非常に大きく、分析に使用するにはそれなりの環境が必要です。先進的な企業では、ビッグデータの活用が進み、データを一元管理してビジネスに利用するシーンも増えてきました。しかしながら、多くの企業では利用目的や取得した場所毎にバラバラのフォーマットのままデータが散在しており、全く整理されていないような状況も散見されます。

■データ活用を進めるうえでのポイント

データを活用したいと考える企業が増えてきていますが、次の5つのポイントを抑えることが 成功への近道です。

① 目的の見極めと体制の整備(戦略 )
「なんとなく」今あるデータを使いたい という企業も多いのですが、中期経営計画でデータ活用やデジタル戦略について明言がされていない企業は、目的不在になってしまうケースがあります。

戦略、予算、体制を整えるためにこれらが中期経営計画で定義することが重要ですが、中期 経営計画で定義されておらずにボトムアップでデータ活用を推進する場合、「なぜやる必要があるのか」という禅問答を繰り返してしまうケースがあります。具体的にどのようにデータを活用していくかを描くことが重要ですが、それよりも優秀なデータサイエンティストを採用する のであれば、 まず全体の戦略と予算、体制を整えることが最優先と考えるべきです。

②価値あるデータ
蓄積されてきたデータは、事業のあらゆる領域にわたると考えられます 。しかしそのデータが金脈になるとは限りません。 たとえば、Googleは検索サービスや無料メールサービスを提供して、その人が何に興味があるのか、どんな人なのかを特定し、広告配信ビジネスに役立てています。まずはどのようなデータが価値を生み出すのかを考えることが重要であり、何も考えずに集めたデータが価値を生み出せる可能性は低いです。

③人材
シリコンバレーのテクノロジー企業の場合、データサイエンティストの年収の中間値は1,600万円 程度とストックオプションといわれています。報酬の順番としては、社長>役員=リード・データサイエンティスト>本部長(執行役員)>ミドル・データサイエンティスト>部長>データサイエンティスト>課長>社員という順番が一般的です。それほどデータサイエンティストは価値を生み出す源泉といわれています。しかし、多くの企業は、その半分以下の報酬提示しかできないため、いい人材が獲得できないという課題があります。

④業務環境
万が一優秀なデータサイエンティストが入社しても、分析環境がない、データ分析官なのに自由にデータが扱えない、上司が理解してくれない、メンターがいないなど業務環境が整備されていないため、採用したデータサイエンティストが辞めてしまうケースがあります。これらの業務環境の改善を徹底した企業が優秀な人材を保持できるといえます。

⑤組織文化
従来型の日本企業は、組織構造は階層になっており、上司からその上司へ報告して、上司が部下を評価し、育成するための組織構造でした。しかし、若くても分析能力が高いデータサイエンティストがいたとしても、上司はそのスキルの高さやアウトプットを理解できないかもしれません。データサイエンティストがリスペクトするのは、上司ではなく、同僚や後輩であることもあります。 価値を生み出せる人材こそ真に評価されるべきで、誰を主役にする組織文化にするか、が最も難しい課題だといえるでしょう。

■データサイエンティストに必要なスキル

データサイエンティストに必要なスキルは、一般的に以下の3軸で考えることができます。

1、機械学習・統計
2、ビジネス(コンサルティングスキル・コミュニケーション力)
3、エンジニアリング(プログラミング力・インフラの知識)

1、 機械学習・統計のスキル
機械学習・統計のスキルとは、データを適切に解釈し、様々な機械学習や統計的手法のなかから問題解決に結びつくものを取捨選択し、実装・分析を進めていく力です。こちらはデータサイエンティストとして当然持っておくべきスキルであり、これが欠けている場合は他のエンジニアやコンサルタントとの違いが無いと言えるでしょう。

基本的な数学の知識から、統計学・機械学習に関する知識に加え、最新の論文を読解するリサーチ力や特定の分野(自然言語処理、画像認識、異常検知、時系列データなど)に関する理解など、多くが求められています。しかし、データ分析のみで価値を生み出すことは年々難しくなっているため、近年では機械学習や統計のスキルが突き抜けているからといって、一流のデータサイエンティストを名乗れるような状況ではなくなってきています。

2、エンジニアリングスキル
エンジニアリングスキルとは、プログラミングやサーバ・データベースなどのインフラに関する知識をはじめとしたスキルを指します。イメージとしては、情報工学科の授業で学ぶような内容に加え、実務で使用するWebフレームワークや、AWSやGCPなどのクラウドサービス、ビッグデータを扱うソフトウェア(Spark, Hadoop, Hive)に関する知識が求められています。

3、ビジネススキル
ビジネススキルとは、データ分析を通して顧客に価値を提供するスキルを指します。事業会社であれば自社サービス、コンサルであればクライアントのサービスやドメインについて深く理解した上で、社内外とコミュニケーションをとりながらデータアナリティクスプロジェクトを円滑に進めることが求められています。また、データ分析を完璧に理解していないような方に対して、分析の方針や結果をわかりやすく説明するといった能力も必要です。

■データ活用に外部の専門家を活用するメリット

データ活用において、外部の専門家の活用は相性が良いと考えます。
背景としては、テック企業でなければデータサイエンティストの採用や社内育成が難しいといった現状や、データの活用に関しては業務理解が詳しくなくとも、現場と協同で価値発揮ができる点が挙げられます。また、わかりやすく数値的に価値を出せるため、価値貢献が見えやすいなどの理由があります。

日本最大級の顧問契約マッチングサイト「KENJINS」では、 上記の①戦略に関して、専門家の視点で「やる必要性と活用領域」をアドバイス可能であり、②のデータの価値や内容については、複数の仮説を立てて 検証・解析するために何が足りないのかを専門家を通して知ることもできます。③報酬④環境⑤組織改革も外部の人材だからこそ、客観的な観点から その企業に適した体制のアドバイスが可能です。

専門家を必要なタイミングで、必要な頻度・期間で活用できるKENJINSであれば、 企業の状況と専門家の経歴やどの領域で貢献したいかという志向を見極めて専門家をご提案します。

データの活用を行い、さらに機械学習のモデルの構築をしたい場合は、データ分析を専門としている会社に依頼する方法があります。自社にノウハウがないが、課題解決にデータを利用したい場合は、ぜひデータ分析企業にお問い合わせください。