ขนาดวิดีโอ: 1280 X 720853 X 480640 X 360
แสดงแผงควบคุมโปรแกรมเล่น
เล่นอัตโนมัติ
เล่นใหม่
データサイエンティストになりたい人でなくても、データサイエンスの基礎を身につけるだけで、ビジネスパーソンとしての価値が一気に上がりますね。
佐々木さんが丁度気になる内容を質問で深ぼってくれるから、聞いてて気持ちいい
メモ6:37 データサイエンティストじゃなくてもデータサイエンスはできる11:44 データ分析は車のダッシュボード16:50 データ分析の絶対ふみ外してはいけない8ステップ17:56 データサイエンスはなぜかデータから始まる20:16 うまく行った例（論文あり）22:18 専門家に任せられるのは分析くらい25:21 データサイエンティストは答えを持っていない、ヒントを持っているのは自分だ26:45 8ステップは論文を書くステップと同じ28:39 仮説立てまでの段階でのチームでの合意形成が大事31:02 経営、経済、マーケティングなどの分野を改めて固めてみる32:53 自分たちの売上の解像度を高める習慣を積んでおく
平尾さんの使う日本語が独特で何が結論なのか最後まで聞かないとわからない（時に最後まで聞いてもよくわからない）、持って回ったような話し方ばかりするので、佐々木さんがうまく導いてくれてなんとか理解できた！佐々木さんありがとう！
よく耳にするデータサイエンスについて、誤解を解く形で説明されていてとてもわかりやすかったです。一般の社会人がデータサイエンティストとして活躍するのはやはりハードルが高いものの、データサイエンティストと協働するといった視点で理解することは大切だと感じました。
データサイエンティストは、社会科学と自然科学の融合した職業だとよくわかる動画だと思いました。社会科学だけ修めて数理への理解が乏しい人には、この動画で紹介された仕事の過程の分析で躓いてしまうことは、必然だと感じました。果たして、分析で数理モデルやプログラミングコードを読み解き、作成できない人がデータサイエンティストと名乗れるかどうが、疑問符がつくと、個人的に感じました。
同意しかないです！！データサイエンティストを使う側の人にも見て欲しい動画!
いいチャンネルですね。基礎フローの大切さを再確認しました！！一方で「5つのフローのうち4フローが文系でもできるから、文系でもデータサイエンティストになれる」というのは、各フローの工数と学習コストが等分されていないことによる誤解だと思います。
話の後半を聞いていると文系の人のハードルがどんどん上がってきていると感じたのは私だけ？結局求められてるのは優秀なエンジニアのキャリアチェンジ組のほうなのか？
今高1でデータサイエンスに興味があります。有意義な話をありがとうございました。
やはり組織のトップ層がデータサイエンスで何ができるのかを理解していることが必要なんですね。
実りある内容でした。統計の知識以上にそれをツールとしてどう使うかという視点が勉強になりました。
佐々木さんの会話力はやっぱ凄い。聞きたいことが、そうじゃないんだよー、からそれそれ！へと流れていく。これもまた演出ならそれはそれで凄いが。
研究論文の考え方と同じですよね~~問題点とか、仮説とか。実は現在文系出身でも、大学院でquantitative analysisやstatisticsの課程もありますよ~~ 文系の私にとっては、data scienceはぜんぜん複雑じゃないと思う😅
ゴリゴリの文系、社会学出身のデータサイエンティストです。平尾社長に激しく同意致します。数学やプログラミングはある意味出来て当たり前な世界なので文系出身者は最初はかなり苦労しますが、そこを乗り越えると理系出身者とかなり差別化できるようになるので文系出身者にこそおすすめしたい分野だと思います。
理系が少し本気出せば社会科学の分野をその都度勉強できます。逆に文系がデータサイエンスにその都度必要となる数学、物理を勉強するのはかなり骨が折れると思います。結局、理工系出身者をかき集めた方が良いのです。
@user-ws9dl9jx7f数学の素養がない文系はそもそもデータサイエンスの知見を得ようという思考回路にもならないのではないかとは思いますけどね・・・稼げるって聞くしやってみっかーな感じの人は流石に挫折すると思いますが、現状のビジネスにおける経営課題として、データサイエンスの数字を追う必要性を論理建てて考えられる人は、素養あると思います。逆に、ビジネス軸で物事を考えられない、営業ライク、コンサルライクな話し方ができない理系エンジニアの方が、その技術を後から身に付けるのは学問より難しいと思いますので、機械学習エンジニア止まりになる傾向にあると思いますね。
ゴリゴリにデータ使う学科でワロタ
@user-ws9dl9jx7f 数学と言っても、データサイエンスくらいの数学は別にそうでもないでしょ数学基礎論とか、根幹に関わる問題は別やが
自分は開発エンジニアだから厳密に言うと別の職種だけど、文系の数学アレルギーと同程度、理系の「ビジネスアレルギー」みたいな人は存在するとにかく折衝やビジネスのドメイン知識から逃げようとするし、変にマネージャーとかになっちゃうととにかく物事の推進力がない。お金をどう集めて、誰と誰に合意を取って、開発者Aに必要なタスクを切り出してパスする、みたいなことが全くできない結局サービスがどう作られて、どういう点がお客さんに喜ばれてるかとかに興味がない、なんならそういうのは自分の領分ではないと思って嫌悪感すら持ってる人もいる何が辛いって、開発エンジニアですらそうやって生きてきた人って、モノづくりの勘が育たないというか、そのうちコーディングしてきた期間で言えば自分に及ばない若手にエンジニアリングでも抜かれていくんだよね…不思議なことに文系とか理系とかの区分はさっさと忘れた方が良くて、テクノロジー側にいる人はビジネスの方に、ビジネス側の人はテクノロジーの側に少し歩み寄るつもりで学ぶだけで充分良くなるはずそれでいうと大手SIerは文系出身のシステムエンジニアが多くて「文系だから出来ない」が通用しない世界だからか、この辺りのバランス感覚がいい人が比較的多い気がする
データ分析とその前後は正直全然違う能力だと思いますが、片方が出来るともう片方の理解が圧倒的に早くなると思います。ビジネスは一気通関でワンステップなのに、前後と間で学問的に性質が異なるステップが交差しているところが厄介だなと思いました。
今回も大変勉強になりました！
理系、文系って分けてる時点で。。。
数式にアレルギーのある人は絶対に無理だと断言しておきます。。。
パワポやエクセルなしには成り立たないけど、かといってパワポ職人やエクセル職人というものではないのと同じように感じる。データサイエンスは難しい概念とか習熟が必要だからまぁ異なるけど
大学卒業してればデータサイエンスの重要性は理解してそうなもんだけどなぁ。だいたい卒論で分析するし
これって理系の研究を個人でやれよって解釈だよねそすると、誰でもできるわけではないと思う
xicaさんにプロモーションの効果検証を依頼した事があります。笑い話でGMSの事を例に出してますが、貴社から似たようなレポートが出てきてびっくりしました。
顧客の課題、問題発見、仮説、データ収集、分析、仮説、、、結論。マッキンゼーとかのコンサルがやってる内容に似てると感じた。「データサイエンティスト」ってわざわざ名乗るくらいだからどこか違うんだろうけど、いまいち違いがわからなかった。
マッキンゼーとかのコンサルがやっていることは仰るとおりデータサイエンスの領域に入っていると思います。ただ、データサイエンスの仕事を二分する要素として、ゼロベースでデータベースを構築して、そこに数理による予測モデル構築から改善提案までできるエンジニアリング×ビジネスができる人が、狭義の意味でのデータサイエンティスト。BIツール(データをマニュアル通りに入れたらプログラミング知識無しでデータをある程度整えてくれるもの)を一つの道具としてビジネス軸で働かれる方を広義的なデータサイエンティストとされています。前者の方は、動画でもある通りド理系のエンジニアからビジネスライクな物事を考えられるホントに希少価値のあるデータサイエンティスト。後者の方は今後どんな事業においても必要となってくる、誰でも名乗れるデータサイエンティストと捉えると、分かりやすいと思います。マッキンゼーレベルの企業となると、前者の方がコンサル、ひいてはデータサイエンティストとして年収2000万以上で雇われてますね。後者においては、アクセンチュアとかのソルジャークラスでイメージすると分かりやすいかもしれません。
データサイエンティストの誤解は知識労働だから人材を量産しても飽和することだろ上位の仕事にしか価値がないのが知識労働なのに今から参入する人は素人に毛が生えたレベルで勝てる見込みあると思ってるんかな？
本当にそうだと思います。統計学、理工学、物理、数学を最低、学部レベルで修めた人じゃないと厳しいです。数学力の壁は存在し、文系ではすぐ天井にぶつかります。
@@deltaradio4654 結局それも学部レベルから修士レベル、博士レベルへとレベルが上って収束することでしょうそうなったときに数学的思考力は文系と１０年近く差が空いているわけでデータサイエンティストとして抜きに出るなら、統計などデータサイエンスで扱う学問を使うレベルから生み出すレベルにならなければならずそのレベルに１，２年データサイエンスを勉強した人が到達できるとは私は到底思えず、到達している頃には上位のレベルも高くなっているので正直、後発で目指した人の人生が無駄になる可能性があるため、あまり流行り廃りでデータサイエンティストをオススメしてほしくない気持ちはあります。
@@無し名-e4e 日本でデータサイエンスが話題に上がるのが遅かったですね。流行り廃りがあるのはその通りなので、データサイエンス根幹のとなる統計学や数学、物理等の抽象度が高い学問をやっといた方が潰しが効くと思います。
@@無し名-e4e文系出身者には、専売としてのデータサイエンティストになることは非常に困難を極めるというのは非常に同意です。ただ、日本の多くの事業がデータドリブンに運用されているかと言われるとそうでもなく、一定数、研究者レベルのデータサイエンティストではなく、データサイエンスを道具として活用したコンサル、営業をする人材が求められていると思います。文系出身者には、データサイエンスの知見×ドメイン知識×仮説設定力さえあれば、どんな業界でも潰しが効くと思いますし、勝ち残っていけると思います。データサイエンティストになるのではなく、データサイエンス人材としてのニーズは今後増え続けると思います。
”文系でもなれる”とされる「プログラマー」とか「データサイエンティスト」って家を建てる大工だと思うんですよね．情報工学を大学や大学院で学んだ人たちは建築家です．給料という意味ではその差は歴然でしょう．広告などで見かける”文系でもなれる”とされる「プログラマー」とか「データサイエンティスト」をSoftware Engineerと同じ意味で使っているような気がしてなりません．今高校生の方でIT系を目指すなら文系とかに進むんではなくて，情報工学を学べる学部学科（あるいは大学院）に行くべきだと思います．「未経験でもできる」という言葉に騙されないでほしいものです．
データサイエンス＝理系の専売特許だと思い込んでました、、、
文系とか理系とか二元論的に分けるの今時古ない？現実はどっちか寄りってだけでもっとグラデーションあるやん
データドリブンをしたくてもなにをどうしたらいいかわからず、結局は投げてしまい肌感の戦略の小さい企業は多そうですよね
課題の特定や要因の推測が大事なことはわかりましたが、その重要性を示す例として挙げられていたのは、①売上の方程式を作れ→雨 ②土地での売上の方程式を地域の変数を用いて作れ→昼間人口しかしこの２つに大きな差ができた要因は、データの分析によって“明らかになる余値があったか”だと思います。現代のように人口ではなく昼間人口が大事だよね、ということがわかっている状態で行った場合、②の例も①のように当然のことしかわからない、根拠にはなるが、という状態になるのではないでしょうか？今回の話の文脈ですと、データサイエンスが大きなインパクトを与えるのに、課題の特定や要因の推測が大事だ、というはずですが、そうではなく、そこに経験や感で知り得なかった“明らかになる余地”があるかどうかではないでしょうか？
平尾さん、ご無沙汰してますが、すごい良い感じになりましてね。時代が彼についてきたんだろうな🥰
神回ですね
ESG経営にはデータサイエンスは不可欠😊
起業動機も含めて全体的に誰かの話をしているかのような話でした。
面白いというか興味深すぎる🥼🔬✨
流石に、データサイエンティスト目指すにはGAFAに入れは、誤解を招く発言だと思いますよ？途中まで実りのある話かなぁと思ったんですけど、そこだけは疑問符をつけざるを得なかったなぁ勿体ない。日本企業でも、大手から中小までデータサイエンスを専業としている企業もあれば、一事業として文系出身者でも入れる企業もあります。知らないものは知らない、データサイエンティスト名乗るならソースのない肌感の仮説は控えるべきかと。揚げ足を取りたいのではなくて、これからの学生にこの領域を安易に諦めて欲しくなかった、文系出身でも機械学習ひいては予測モデル構築は全然できるんだよ、ってことは声を大にして伝えておきたかったからコメントに残しました。
ダッシュボード経営って奴ですね😊
一回kaggleに参加すれば、大体分かりますよ。
データサイエンスは殆どの領域は専門家に任せるべきではないという話だと、出演者の会社は何のためにあるのだろう
知見や進め方のノウハウを持っているので、それを基にお客様と伴走する感じなのかな
分析は任せてもいいけれども、ビジネスの課題抽出を含め専門家に依頼するのが間違っているということです。課題、仮説、ここら辺を抽出し、実際に組織で変革を起こしていくには外部ではなく、やはり内部であるべきだということです。
@@MickyKukita 理解しています。その上で、コメントしました。
面白い❤教会もクリスチャン業界もDATA利用しよう
結局データサイエンスに中身なんてなくて、普通のビジネスのやり方をがんばれって言われただけの印象。
「ありがとう」としか言いようがない。
確率もどこまで学べばいいのか知りたい。
30年前の国立理系の経済系で、ベイズの定理のγ分適用まで勉強します。確率はベイズの定理を理解出来れば良い
情報系分野に理系が得する職種ってありますか？
18:30 お金も時間も掛けてしまったとは言え、 『「雨が降ったら確実に売り上げが落ちます」以外の強い相関がデータからは（少なくとも我々は）導けませんでした』 という結論を得たのも一つの重要な成果では？ ”目的意識や仮説がなくただデータからスタートするのはよくない” と言い切ってしまっているのが若干違和感があります
単純にデータサイエンスって売り上げ予想をはじめとする予想でしょ。教師あり学習って単純なdlでしょ。
文系出身者には無理です。（大学理工学部卒程度の数学への理解があるなら可）
文系馬鹿にしてるコメントあるけど、経済学部ならゴリゴリ数学使ってるやろ？
自分の頭が悪すぎるせいか、２人が何故意思疎通できてるのか不思議で仕方ない。
説明が抽象的すぎて分かりにくい、、議題を減らしてもいいから、パワポ等を用いて、具体例を示しながら議論して欲しい。
なりたいです！
Great‼︎
データから集めるデータレイク全否定？
なにこれ
なんか、データサイエンティストじゃなくて、データアナリストの話ずっと言ってるな〜非構造化データからレコメンドシステム作るとか、そもそものデータ分析用のインフラをawsで作るとか、ガチの方のデータサイエンティストとかデータエンジニアとかを無視してる
大企業には、データサイエンスは無い
量子コンピュータベースの分析ソフトが世に出たらデータサイエンスという分野自体を人間がやる必要無くなるのでは？あともう一つ、文系と理系を分けて考える人はちょっとね、、、なぜ必要に応じて両方やればいいという思考にならないのか不思議。
データサイエンティストになりたい人でなくても、データサイエンスの基礎を身につけるだけで、ビジネスパーソンとしての価値が一気に上がりますね。
佐々木さんが丁度気になる内容を質問で深ぼってくれるから、聞いてて気持ちいい
メモ
6:37 データサイエンティストじゃなくてもデータサイエンスはできる
11:44 データ分析は車のダッシュボード
16:50 データ分析の絶対ふみ外してはいけない8ステップ
17:56 データサイエンスはなぜかデータから始まる
20:16 うまく行った例（論文あり）
22:18 専門家に任せられるのは分析くらい
25:21 データサイエンティストは答えを持っていない、ヒントを持っているのは自分だ
26:45 8ステップは論文を書くステップと同じ
28:39 仮説立てまでの段階でのチームでの合意形成が大事
31:02 経営、経済、マーケティングなどの分野を改めて固めてみる
32:53 自分たちの売上の解像度を高める習慣を積んでおく
平尾さんの使う日本語が独特で何が結論なのか最後まで聞かないとわからない（時に最後まで聞いてもよくわからない）、持って回ったような話し方ばかりするので、佐々木さんがうまく導いてくれてなんとか理解できた！佐々木さんありがとう！
よく耳にするデータサイエンスについて、誤解を解く形で説明されていてとてもわかりやすかったです。
一般の社会人がデータサイエンティストとして活躍するのはやはりハードルが高いものの、データサイエンティストと協働するといった視点で理解することは大切だと感じました。
データサイエンティストは、社会科学と自然科学の融合した職業だとよくわかる動画だと思いました。
社会科学だけ修めて数理への理解が乏しい人には、この動画で紹介された仕事の過程の分析で躓いてしまうことは、必然だと感じました。
果たして、分析で数理モデルやプログラミングコードを読み解き、作成できない人がデータサイエンティストと名乗れるかどうが、疑問符がつくと、個人的に感じました。
同意しかないです！！
データサイエンティストを使う側の人にも見て欲しい動画!
いいチャンネルですね。基礎フローの大切さを再確認しました！！
一方で「5つのフローのうち4フローが文系でもできるから、文系でもデータサイエンティストになれる」というのは、
各フローの工数と学習コストが等分されていないことによる誤解だと思います。
話の後半を聞いていると文系の人のハードルがどんどん上がってきていると感じたのは私だけ？結局求められてるのは優秀なエンジニアのキャリアチェンジ組のほうなのか？
今高1でデータサイエンスに興味があります。有意義な話をありがとうございました。
やはり組織のトップ層がデータサイエンスで何ができるのかを理解していることが必要なんですね。
実りある内容でした。統計の知識以上にそれをツールとしてどう使うかという視点が勉強になりました。
佐々木さんの会話力はやっぱ凄い。
聞きたいことが、
そうじゃないんだよー、
から
それそれ！
へと流れていく。
これもまた演出ならそれはそれで凄いが。
研究論文の考え方と同じですよね~~問題点とか、仮説とか。実は現在文系出身でも、大学院でquantitative analysisやstatisticsの課程もありますよ~~ 文系の私にとっては、data scienceはぜんぜん複雑じゃないと思う😅
ゴリゴリの文系、社会学出身のデータサイエンティストです。平尾社長に激しく同意致します。数学やプログラミングはある意味出来て当たり前な世界なので文系出身者は最初はかなり苦労しますが、そこを乗り越えると理系出身者とかなり差別化できるようになるので文系出身者にこそおすすめしたい分野だと思います。
理系が少し本気出せば社会科学の分野をその都度勉強できます。逆に文系がデータサイエンスにその都度必要となる数学、物理を勉強するのはかなり骨が折れると思います。結局、理工系出身者をかき集めた方が良いのです。
@user-ws9dl9jx7f
数学の素養がない文系はそもそもデータサイエンスの知見を得ようという思考回路にもならないのではないかとは思いますけどね・・・
稼げるって聞くしやってみっかーな感じの人は流石に挫折すると思いますが、現状のビジネスにおける経営課題として、データサイエンスの数字を追う必要性を論理建てて考えられる人は、素養あると思います。
逆に、ビジネス軸で物事を考えられない、営業ライク、コンサルライクな話し方ができない理系エンジニアの方が、その技術を後から身に付けるのは学問より難しいと思いますので、
機械学習エンジニア止まりになる傾向にあると思いますね。
ゴリゴリにデータ使う学科でワロタ
@user-ws9dl9jx7f
数学と言っても、データサイエンスくらいの数学は別にそうでもないでしょ
数学基礎論とか、根幹に関わる問題は別やが
自分は開発エンジニアだから厳密に言うと別の職種だけど、
文系の数学アレルギーと同程度、理系の「ビジネスアレルギー」みたいな人は存在する
とにかく折衝やビジネスのドメイン知識から逃げようとするし、変にマネージャーとかになっちゃうととにかく物事の推進力がない。
お金をどう集めて、誰と誰に合意を取って、開発者Aに必要なタスクを切り出してパスする、みたいなことが全くできない
結局サービスがどう作られて、どういう点がお客さんに喜ばれてるかとかに興味がない、なんならそういうのは自分の領分ではないと思って嫌悪感すら持ってる人もいる
何が辛いって、開発エンジニアですらそうやって生きてきた人って、モノづくりの勘が育たないというか、そのうちコーディングしてきた期間で言えば自分に及ばない若手にエンジニアリングでも抜かれていくんだよね…不思議なことに
文系とか理系とかの区分はさっさと忘れた方が良くて、テクノロジー側にいる人はビジネスの方に、ビジネス側の人はテクノロジーの側に少し歩み寄るつもりで学ぶだけで充分良くなるはず
それでいうと大手SIerは文系出身のシステムエンジニアが多くて「文系だから出来ない」が通用しない世界だからか、この辺りのバランス感覚がいい人が比較的多い気がする
データ分析とその前後は正直全然違う能力だと思いますが、片方が出来るともう片方の理解が圧倒的に早くなると思います。ビジネスは一気通関でワンステップなのに、前後と間で学問的に性質が異なるステップが交差しているところが厄介だなと思いました。
今回も大変勉強になりました！
理系、文系って分けてる時点で。。。
数式にアレルギーのある人は絶対に無理だと断言しておきます。。。
パワポやエクセルなしには成り立たないけど、かといってパワポ職人やエクセル職人というものではないのと同じように感じる。データサイエンスは難しい概念とか習熟が必要だからまぁ異なるけど
大学卒業してればデータサイエンスの重要性は理解してそうなもんだけどなぁ。だいたい卒論で分析するし
これって理系の研究を個人でやれよって解釈だよね
そすると、誰でもできるわけではないと思う
xicaさんにプロモーションの効果検証を依頼した事があります。笑い話でGMSの事を例に出してますが、貴社から似たようなレポートが出てきてびっくりしました。
顧客の課題、問題発見、仮説、データ収集、分析、仮説、、、結論。マッキンゼーとかのコンサルがやってる内容に似てると感じた。
「データサイエンティスト」ってわざわざ名乗るくらいだからどこか違うんだろうけど、いまいち違いがわからなかった。
マッキンゼーとかのコンサルがやっていることは仰るとおりデータサイエンスの領域に入っていると思います。
ただ、データサイエンスの仕事を二分する要素として、ゼロベースでデータベースを構築して、そこに数理による予測モデル構築から改善提案までできるエンジニアリング×ビジネスができる人が、狭義の意味でのデータサイエンティスト。BIツール(データをマニュアル通りに入れたらプログラミング知識無しでデータをある程度整えてくれるもの)を一つの道具としてビジネス軸で働かれる方を広義的なデータサイエンティストとされています。
前者の方は、動画でもある通りド理系のエンジニアからビジネスライクな物事を考えられるホントに希少価値のあるデータサイエンティスト。後者の方は今後どんな事業においても必要となってくる、誰でも名乗れるデータサイエンティストと捉えると、分かりやすいと思います。
マッキンゼーレベルの企業となると、前者の方がコンサル、ひいてはデータサイエンティストとして年収2000万以上で雇われてますね。
後者においては、アクセンチュアとかのソルジャークラスでイメージすると分かりやすいかもしれません。
データサイエンティストの誤解は知識労働だから人材を量産しても飽和することだろ
上位の仕事にしか価値がないのが知識労働なのに今から参入する人は素人に毛が生えたレベルで勝てる見込みあると思ってるんかな？
本当にそうだと思います。
統計学、理工学、物理、数学を最低、学部レベルで修めた人じゃないと厳しいです。
数学力の壁は存在し、文系ではすぐ天井にぶつかります。
@@deltaradio4654 結局それも学部レベルから修士レベル、博士レベルへとレベルが上って収束することでしょう
そうなったときに数学的思考力は文系と１０年近く差が空いているわけで
データサイエンティストとして抜きに出るなら、統計などデータサイエンスで扱う学問を使うレベルから生み出すレベルにならなければならず
そのレベルに１，２年データサイエンスを勉強した人が到達できるとは私は到底思えず、到達している頃には上位のレベルも高くなっているので
正直、後発で目指した人の人生が無駄になる可能性があるため、あまり流行り廃りでデータサイエンティストをオススメしてほしくない気持ちはあります。
@@無し名-e4e
日本でデータサイエンスが話題に上がるのが遅かったですね。流行り廃りがあるのはその通りなので、データサイエンス根幹のとなる統計学や数学、物理等の抽象度が高い学問をやっといた方が潰しが効くと思います。
@@無し名-e4e
文系出身者には、専売としてのデータサイエンティストになることは非常に困難を極めるというのは非常に同意です。
ただ、日本の多くの事業がデータドリブンに運用されているかと言われるとそうでもなく、
一定数、研究者レベルのデータサイエンティストではなく、データサイエンスを道具として活用したコンサル、営業をする人材が求められていると思います。
文系出身者には、データサイエンスの知見×ドメイン知識×仮説設定力さえあれば、どんな業界でも潰しが効くと思いますし、勝ち残っていけると思います。
データサイエンティストになるのではなく、データサイエンス人材としてのニーズは今後増え続けると思います。
”文系でもなれる”とされる「プログラマー」とか「データサイエンティスト」って家を建てる大工だと思うんですよね．
情報工学を大学や大学院で学んだ人たちは建築家です．
給料という意味ではその差は歴然でしょう．
広告などで見かける”文系でもなれる”とされる「プログラマー」とか「データサイエンティスト」をSoftware Engineerと同じ意味で使っているような気がしてなりません．
今高校生の方でIT系を目指すなら文系とかに進むんではなくて，情報工学を学べる学部学科（あるいは大学院）に行くべきだと思います．
「未経験でもできる」という言葉に騙されないでほしいものです．
データサイエンス＝理系の専売特許だと思い込んでました、、、
文系とか理系とか二元論的に分けるの今時古ない？
現実はどっちか寄りってだけでもっとグラデーションあるやん
データドリブンをしたくてもなにをどうしたらいいかわからず、結局は投げてしまい肌感の戦略の小さい企業は多そうですよね
課題の特定や要因の推測が大事なことはわかりましたが、その重要性を示す例として挙げられていたのは、①売上の方程式を作れ→雨 ②土地での売上の方程式を地域の変数を用いて作れ→昼間人口
しかしこの２つに大きな差ができた要因は、データの分析によって“明らかになる余値があったか”だと思います。現代のように人口ではなく昼間人口が大事だよね、ということがわかっている状態で行った場合、②の例も①のように当然のことしかわからない、根拠にはなるが、という状態になるのではないでしょうか？
今回の話の文脈ですと、データサイエンスが大きなインパクトを与えるのに、課題の特定や要因の推測が大事だ、というはずですが、そうではなく、そこに経験や感で知り得なかった“明らかになる余地”があるかどうかではないでしょうか？
平尾さん、ご無沙汰してますが、すごい良い感じになりましてね。時代が彼についてきたんだろうな🥰
神回ですね
ESG経営にはデータサイエンスは不可欠😊
起業動機も含めて全体的に誰かの話をしているかのような話でした。
面白いというか興味深すぎる🥼🔬✨
流石に、データサイエンティスト目指すにはGAFAに入れは、誤解を招く発言だと思いますよ？
途中まで実りのある話かなぁと思ったんですけど、そこだけは疑問符をつけざるを得なかったなぁ勿体ない。
日本企業でも、大手から中小までデータサイエンスを専業としている企業もあれば、一事業として文系出身者でも入れる企業もあります。
知らないものは知らない、データサイエンティスト名乗るならソースのない肌感の仮説は控えるべきかと。
揚げ足を取りたいのではなくて、これからの学生にこの領域を安易に諦めて欲しくなかった、文系出身でも機械学習ひいては予測モデル構築は全然できるんだよ、ってことは声を大にして伝えておきたかったからコメントに残しました。
ダッシュボード経営って奴ですね😊
一回kaggleに参加すれば、大体分かりますよ。
データサイエンスは殆どの領域は専門家に任せるべきではないという話だと、出演者の会社は何のためにあるのだろう
知見や進め方のノウハウを持っているので、それを基にお客様と伴走する感じなのかな
分析は任せてもいいけれども、ビジネスの課題抽出を含め専門家に依頼するのが間違っているということです。課題、仮説、ここら辺を抽出し、実際に組織で変革を起こしていくには外部ではなく、やはり内部であるべきだということです。
@@MickyKukita 理解しています。その上で、コメントしました。
面白い❤
教会もクリスチャン業界もDATA利用しよう
結局データサイエンスに中身なんてなくて、普通のビジネスのやり方をがんばれって言われただけの印象。
「ありがとう」としか言いようがない。
確率もどこまで学べばいいのか知りたい。
30年前の国立理系の経済系で、ベイズの定理のγ分適用まで勉強します。確率はベイズの定理を理解出来れば良い
情報系分野に理系が得する職種ってありますか？
18:30 お金も時間も掛けてしまったとは言え、
『「雨が降ったら確実に売り上げが落ちます」以外の強い相関がデータからは（少なくとも我々は）導けませんでした』
という結論を得たのも一つの重要な成果では？
”目的意識や仮説がなくただデータからスタートするのはよくない” と言い切ってしまっているのが若干違和感があります
単純にデータサイエンスって売り上げ予想をはじめとする予想でしょ。
教師あり学習って単純なdlでしょ。
文系出身者には無理です。（大学理工学部卒程度の数学への理解があるなら可）
文系馬鹿にしてるコメントあるけど、経済学部ならゴリゴリ数学使ってるやろ？
自分の頭が悪すぎるせいか、２人が何故意思疎通できてるのか不思議で仕方ない。
説明が抽象的すぎて分かりにくい、、
議題を減らしてもいいから、パワポ等を用いて、具体例を示しながら議論して欲しい。
なりたいです！
Great‼︎
データから集めるデータレイク全否定？
なにこれ
なんか、データサイエンティストじゃなくて、データアナリストの話ずっと言ってるな〜
非構造化データからレコメンドシステム作るとか、そもそものデータ分析用のインフラをawsで作るとか、ガチの方のデータサイエンティストとかデータエンジニアとかを無視してる
大企業には、データサイエンスは無い
量子コンピュータベースの分析ソフトが世に出たらデータサイエンスという分野自体を人間がやる必要無くなるのでは？あともう一つ、文系と理系を分けて考える人はちょっとね、、、なぜ必要に応じて両方やればいいという思考にならないのか不思議。