今日思ったことまとめ。
数字と格闘してみたいと思った。要は軍師官兵衛モードってことでしょ。
データサイエンティスト
「統計とITの能力」「ビジネスの問題を発見し解決する能力」「創造的な提案を行う能力」
〇〇✕データサイエンティスト
小さくてもいい一国一城の主になりたい。
いつも通り備忘録です↓
データマイニング、機械学習、人工知能、自然言語処理、ビジネスインテリジェンス、競合情報分析、分析、統計、ウェブ解析、ABテストや統計分析
アクチュアリー リテラシーに欠ける 最適化 レコメンデーション 検索窓の幅を変える
ビックデータ分析戦国時代
スモールビジネス→チューニングしやすい 注文管理、顧客管理
ソーシャルゲームの何％が課金するだろうか
行動ログの分析を徹底的にして、利益を最大化するチューニングを施す。
どのタイミングでイベントを発生させるか、キャラクターを強くさせるかなど。
確率のパラメータを高度な統計やデータマイニング処理、認知心理学的な分析を通して、ユーザーがゲームにハマり、最も多くお金を使いたくなるかに最適化していく。
１％上がれば、事実上、何億かの利益になる。
ソーシャルゲームがきっかけに他業種に広がる可能性は高い。
「欲望」も「効率」もビッグデータが最大化にする
いかにして消費者の琴線に触れられるかが勝負どころ
データは攻めでも守りでも使える
最小のコストで最大の広告をうつことができる
今までのやってきた事をデータの蓄積量や分析の深さがどんどん加速していくということ
キーワード「協業」ミッション「データによる課題解決」
①成果の最大化 サービス＝データではないがお互いの利点やノウハウを共有する
②コスト削減 １つのデータが外でも活用出来る可能性が大いにある、共有や統合は最大化のチャンスかもしれない
③人材育成 共有した情報を元に時間がかかる部分（クレームや問題に）を協業によって溜まったノウハウを活かし解決する 守りでも攻めでも使えると判ればそこに人を投入して「スペシャリスト」に育てる時間を使う
課題抽出、課題解決、潜在ニーズを発見し新たな提案を先行して打つ
課題解決のための思考ツール
３つの平均 「算術平均」「中央値」「最頻値」
思い込み、客観的に事実を知らず、あるいは無視することで主観的な思い込みにとらわれて評価をゆがめることを「認知バイアス」という。
見積もりが失敗する原因はメディアに植え付けられた先入観。ステレオタイプになるな。
先入観による誤りを取り払うことが大事
陥りやすいパターンをリストにしとこう。（航海地図みたいなもん）
メディアの伝えることも疑う 利用するデータの意味を理解する
「マネーボール」や「バスケットボールにおけるホットハンド：ランダム過程の誤認識」
最近「マネーボール」観ました。
一時期の好調も長い目で見れば収束する
人々の思い込みを覆す事実を発見し、データの種類や性質を見抜くのも、データサイエンティストの重要な役割。
業務改善のためのデータ分析では、
分析を行う前に、営業マンや販売員にインタビューを行うのが正しい方法だ。
コツはあるか、経験則によるジンクスはあるのか教えてもらおう。
ホットハンドにあたる仮説を得ることが出来る。仮説を得たら検証してみよう。
肯定、否定されることもある。
検証の積み重ねによって、ビジネスの世界のマネーボールが解明されていくのである
３つの思考パターン
「シンプルに考える-オッカムの剃刀」
正しい分析モデルを使うことと同じぐらいに、シンプルな分析モデルを使っていることが評価される。なぜか→分析の専門知識を持たないビジネスパーソンに提案する事が多いから（理数系の部長が分かっても、社長に解らなくては意味がない。すべからく）
「フェルミ推定」
前例がない画期的な新商品の市場規模を事前に予測するようなシーンはよくある。習得できるデータや分析モデルがなかった（少なかった）としても、論理展開を創造的につくり、各段階に常識的な推定を入れて、おおよその数字を求めるのがフェルミ推定である。
幅広い経験や教養、俗に言う「地頭の良さ」が求められるといってもよい 統計学的知識とビジネス知識の塩梅を
「たくさんの仮説からもっともらしいものを選び出す-アブダクション」
起こった現象を最もうまく説明できる仮説を形成するための推論法のこと。仮説形成とも訳される。
仮説と発見の論理。
1もっともらしい理にかなった仮説
2実験的に検証可能な仮説
3より単純な仮説
4実験に経費、時間、思考、エネルギーが節約できる仮説
「われわれの事業を知るための第一歩は、顧客は誰かという問いを発することである」ピーター・ドラッカー
当たり前の結論しか言えない分析官に終わらず、魅力的な提案につなげていく優秀なデータサイエンティストは、こうした思考を活用出来る人材であり、理論的であると同時に創造的でなければならない。 確率・統計の基礎 無駄な計算分析をやらないで済むように基礎は抑えよう
データを効率的に収集する、分析する、結果を読み解く能力を
興味を向けれるか、生データを見るのが好きか、
気づきを類似性やシステムにかけれるか 発見力
細かい改善を積み重ねて失敗リスクを少なくする（打率をあげるイメージ）
究極はワイン評価方程式 （定性、定量）
誰が顧客にすべきか→RFM分析
昨日の横浜DeNAベイスターズの采配がよく分からん。
ソト、オースティンをスタメンで使っていけばよかったのでは？
謎采配だと思った。
今日はこのへんで以上です。
また明日。
コメント