データサイエンティスト養成読本 ビジネス活用編 (Software Design plusシリーズ)

著者 : 高橋威知郎 矢部章一 奥村エルネスト純 樫田光 中山心太 伊藤徹郎 津田真樹 西田勘一郎 大成弘子 加藤エルテス聡志

• 技術評論社 (2018年10月30日発売)

感想・レビュー・書評

[bob-taniさんの感想 · 2023年10月5日]

データサイエンティスト時代の考え方。
ピープルアナリティクスについても問うている。
ビジネスの課題解決にデータ分析はどのように活用するのか。
現場のエッセンスが複数の会社と立場の視点で語られている。

[nakabookさんの感想 · 2022年12月8日]

本の企画からして当たり前だけれど、10章それぞれ別の人が書いているためまとまりがなく頭の中で整理しづらい。網羅的に感覚を掴むのには役立った。

[とまとまさんの感想 · 2021年10月10日]

データサイエンティストの仕事のイメージが、実例付きで分かりやすく書かれている。　文系（または数学やプログラミング苦手）だけど、データ解析につき仕事である程度分かったふりをしないといけない人には、丁度いい。

[鯛飯さんの感想 · 2021年6月1日]

昨今流行りのデータドリブンで何かやろう！みたいな流れが弊社にもあってだな、、

しかしながらデータ分析とはあくまで課題解決の手法の一つ。データから課題をみつけよう！ではなく、まずは課題を洗い出してその中からデータ分析の力を借りることが出来そうなものを抽出すべし、というのがすとんと落ちた、のだが。

まずは各現場の課題を洗い出すのに現場を知る必要があるよね、ってところと、データ分析を組織化する必要なくね？と頭グルグル悩ませているところ。

[一橋大学附属図書館(小展示)さんの感想 · 2021年2月22日]

■一橋大学所在情報（HERMES-catalogへのリンク）
【書籍】
https://opac.lib.hit-u.ac.jp/opac/opac_link/bibid/1001076717

[kooochanさんの感想 · 2020年1月5日]

個人的にはメルカリのBIチームの話題がとてもおもしろく参考になった。

横断組織としてのBIチームがあり、プロダクトやプロジェクト単位でアサインする体制をとることでのメリデメおよびデメリットへの対策がかなり具体的に書かれていてすぐにでも真似したい内容がたくさん。

またメルカリでは取締役や執行役員クラスでも必要に応じてSQLを書きデータに主体的に触れる文化があり、それも全社的に職種関わらずあるということで、レガシー企業のマイクロソフトOffice並に当たり前にデータ分析に取り組んでいるというのも読んでいて感服した次第。

そりゃグロースするわメルカリ。と思わずにいられない。

データ分析にあまり親和性がない人でも読みやすく、またぜひ読んでほしい本だと思った。

[miyazaghiさんの感想 · 2019年12月8日]

第1章がビジネス活用編と第されたこ書籍を象徴していると思います。

--------------------
①データ分析によるビジネス成果を金額換算して示せ
　└金額換算して初めて分析価値が評価される

②スゴイ分析よりも「成果が出る分析」を優先せよ
　└学問的ではなく、実践的な読み方をすること

③分析結果を現場に丸投げするな
　└ビジネス成果まで「分析者が」責任を持ちやりきる

④「現場」を知る努力をせよ
　└現場感覚を捉えて初めて信用される
　└信用されて初めて分析の話を聞いてもらえる

⑤業務プロセスレベルまで現場を把握せよ
　└誰が、どのタイミングで、どの分析結果を基に、どう動くべきなのか。この４つが明確になっていること。
　└分析を基に現場業務がどう変わるかまで見据える

⑥小さく初めて大きく波及させよ

⑦問題解決に積極的に関与せよ
　└課題先行で逆算思考で挑む。結果、分析が課題解決に寄与しないならそれはそれで良いのスタンス
--------------------

技術的な分析スキルが高い=ビジネス成果を出せるわけではない。分業したほうが良いかもしれないレベルで分析結果と活用は大きな隔たりがあると思います。上記、忘れがちなので、何度も初心に返って、立ち戻ってこようと思わされました。


▼他の章も多くの気付きがありました。

第2章
・ヒアリング→ニーズの洗い出し→分析テーマ洗い出し→カテゴリ化→優先順位付けとキレイに整理して皆が理解・納得して進められたら理想なんだろうけど、実際には現場がイニシアチブを握ることはない「お任せ」だからうまくいかない事が多い気がする。実際には活用×インパクト確度が高そうなテーマを一つやってみて事例化して横展開がスピーディなんだろうなと思う。

第7章
・統計モデルと機械学習モデルの使い分け。どういうケースでどちらをもちいるか判断できるように。機械学習モデルでは予測区間の推定ができない。統計モデルは解釈ができる。係数を用いて何が目的変数に影響を与えるか、ビジネス的な示唆を得ることができる。但し、これは現時点での整理。将来的には予測精度が高く、解釈性も高い手法も出てくるかもしれない。DataRobotもその一つ。

第10章
・people analyticsの領域ではハイパフォーマーのコンピテンシーの定量的裏付けは有用なテーマ。人事領域に詳しくないと土地勘ある分析が難しい領域でもある＝外部の専門家に頼むのも手。なのでシステムベンダー選定から入らないこと。
・マッキンゼーでは「obligation to Dissent」という概念がある。批評や否定的な意見の述べることは義務であるという考え方。データ分析では偉い人が決めたことが進むことが多い。そうではない議論がPMには求められる。

[take356aさんの感想 · 2019年10月1日]

output（分析結果）まででなく、outcome（ビジネス成果）まで関与することが重要。
当たり前のことですが、全くその通りと思いました。
あと、people analyticsという分野が登場していることに興味を持ちました。

[andalusia0705さんの感想 · 2019年3月18日]

運用感を知るだけ。計算理屈が書いてあるわけではない。さほど参考にならず。

[二見 大揮 / Futami Daikiさんの感想 · 2019年2月21日]

データ分析系のマネージャーがデータ分析とそれを普段の業務でどのように取り入れて仕事をしているかがわかる一冊。 データ分析は便利屋となりやすいのだが、どうしたらPMといい感じに仕事ができるか、どうしたらバリューを最大化できるかが載っている。 何度も読み返して普段の業務に取り入れたい一冊。

著者プロフィール

（株）セールス アナリティクス　代表取締役CEO　データ分析・活用コンサルタント、中小企業診断士

「2021年 『データドリブンセールス』 で使われていた紹介文から引用しています。」