前に、僕が一回ウマたんさんのボイシー出させていただいての時に喋った以来。
しかもでも、あれ出させてもらったのも実は僕とたっちゃんで最初文字のメディアを始めたファンジブルアナリストきっかけだったので。
そうでしたか。
そう、だからまあ。
なるほど。
実質2回目の登場みたいな感じになってるんで。
ちょっと今日はいろいろリスナーの人から来てる質問とかで気になってるところをウマたんにぶつけていく。
OKです。
なるほど、質問来てるんですね。
質問というか、よくこんなこと聞かれるんですよ。から。
ウマたんさんに答えてもらいたいことがあります。
OKです。
たくさんありますね。ぜひぜひよろしくお願いします。
簡単にたっちゃんから紹介をお願いします。
はい、ウマたんさんです。
ウマたんさんは普段はデータサイエンティストとして仕事をしている傍らですかね。
デジタルマーケティングだったり、AIデータサイエンスに特化したメディアの発信。
スタビジというウェブメディアでもうすでに2万人超えを登録するYouTubeチャンネルも運営しております。
スターカーという教育サービスを展開していたり、最近だったら書籍の出版やユデミの講座の展開などもされているという他方面で大活躍中のウマたんさんになっております。
今日はぜひよろしくお願いします。
よろしくお願いします。
すごいいろいろやってますね。忙しいですか?
忙しいっちゃ忙しいんですけど、楽しく忙しくみたいな感じなんで、
すごいエキサイティングにやってます。新しいことやるのが好きなんで、いろんなことに手を出して楽しくやってるって感じですね。
アクティブなデータサイエンティスト。でも最近ちょっと開発やってるんですよね。
そうなんですよ。もちろんデータサイエンスもやりつつなんですけど、データサイエンスを活かしたサービス開発とかめちゃくちゃ興味があって、
データサイエンスを活かして記事ライティングをより効率化しようみたいなツールを作ったりとか、
あと本めちゃくちゃ好きなんで、いろんなネットに落ちてる大量な本の情報を集めてきて、
どんな人がどんな本に対してどういう評価してるかみたいな情報を取ってきて、本のデータベースみたいなのを独自に作って、
いろんな人が本読むと思うんですけど、その人が読んだ本に対する評価と他の人が読んだ本に対する評価を元に、
最終的には自然言語処理である人とある人の趣味思考が合うよねみたいな相性をその人の本の履歴から算出してみたいなサービスを作ろうとしてます。
じゃああの人が紹介してるから間違いないなみたいなのが実現するみたいなことですか?
そうですねそうですね、そういうのもあれば、最終形はこの人が今まで読んだ100冊に対する、まずどんな本を読んだかと、
その本に対するレビュー情報、良いと思ったか悪いと思ったかっていうのを貯めていって、他の人はもう同じように違う100冊読んでると思うんですけど、
その100冊の自然言語処理で相性っていうのが算出できると思うんである程度。
なので、こういうカテゴリーに興味がある人っていうのを本から抽出して、同じようなカテゴリーに興味がある人とマッチングするみたいな感じですね。
面白そう。
そうです、なんかいろんなことができるかなと思ってるので、そこを目指して今開発してるって感じです。
まさにレビュー評価を使ってレコメンドエンジンを作るみたいなところから派生して、さらに自然言語も組み込んでっていうところですよね。
はい、おっしゃる通りです。
それを個人的にやろうとされてるのもすごいなと思いつつ、一方でデータサイエンティストが最初に学びたいみたいなところの本当に基礎的な部分も丁寧に説明いただいてるので。
たっちゃんめっちゃ見てるでしょ。
僕めちゃめちゃ見てますよ。YouTubeチャンネルはもう新冊の時から本当に基本的な話、辞書家のように使わせていただいてます。
ありがとうございます。
そうね、なんかあれ何だったっけなーで調べると出てくるんだよね。
あんまり再生回数は回らないんですけど、なんか結構ニッチな統計用語とか確かに忘れがちな用語をちょっとずつ動画にしてたりとか記事にしてる感じですね。
あれ自分でも見返すんですか?
なんかそんなに見返しはしないんですけど、なんか自分でふとこれ何だっけって普通に調べた時に自分のが出てくるみたいなのがあります。
で、自分の見るみたいな。
めっちゃいいなそれ。
そこまで行きたいね、このポッドキャストも。
あの聞きましたけど、すごいなんだろうめちゃくちゃこれなんかこれ聞くとデータサイエンティストってなんか面白いんだなってワクワクするような気がしました。このポッドキャスト聞くと。
もっと言ってください。
欲しがってますね。
そうですね。
めちゃくちゃデータサイエンティストを目指す人が増えるし、なんか難しそうってどうしても思ってこうなんかとっつきにくいなって思ってる人に対してそのなんかハードルを低くしてあげて、すごいなんかデータサイエンティストをより増やす活動として素晴らしいなと思いました。
増えてほしいですよね。増えてほしいし、ここから派生してできればシニアな人とかにももっと響いてってくれたらいいなっていうのもあるんで、レベル分けとかもしていきたいですよね。
うまたんさんのメディアでもデータサイエンスをもっと身近にっていう合言葉キャッチフレーズの下で喋られているので、多分目指す方向は僕らと同じところは向いてるけどアプローチの違いで、本当に真面目に基本的なところはうまたんさんで学んでもらって、僕らの方では少しモチベーションを上げてもらうくらいの積み分けで。
そのぐらいでいいね。あんま求められてもこっちも困るしね。
そうですね。そんな感じで進めていければ、これからやっていければいいのかなと思いつつ、定期的に出てもらおう。
ぜひぜひお願いします。
今日なんですけど、そんなうまたんさんにいくつかいろいろ聞きたいこと。僕らはリスナーのことをコワーカーって呼んでるんですけど、一応こう隣に座ってるっていう体なんで。
なるほどなるほど、そういうことですね。
はいはいはい。
コワーカーの方から結構勉強の仕方だったり、最近データサイエンスに興味を持ち始めたんだけど何からやればいいみたいな質問をいただいているので、ぜひうまたんさん目線で情報を提供いただけたら嬉しいなと思っていて。
もういいですよ、こう俺のメディア見ろ、で今日もこれで終わりでもいい。
そうですね、結構なんかデータサイエンティストになりたいです、目指したいです、何から勉強したいですかって結構多いんですけど、なんかまずデータサイエンティストにもいくつか種類があると思ってるんで、
なんかどこの領域を目指したいのかっていうのを定めてから、なんかそこに向かっていかないとなんかフワフワしちゃうと思ってまして、だから何でしょう、まあでもこのポートキャストで結構いろんなその実務の話されていると思うんで、それを参考にしながら自分がどういう方向を目指すかっていうのをまず最初に、なんか自分のキャリアのロードマップを決めてほしいんですけど、
例えばなんかあのなんかコンサル側に行くのか、なんかコンサル側で割と何でしょう、データアナリスト寄りのことをするのか、それとも結構かなりAIエンジニアリングでがっつりサービス開発しながらデータサイエンス使っていくのかとか、結構なんかデータサイエンティストの一言で言っても、その企業のジョブディスクリプションによっても違うし、事業会社に行きたいのかコンサル会社に行きたいのかによって全然仕事違うし、
ウェブ業界なのか割と何でしょうオールドエコノミーの消費財系とか店舗系に行きたいのかで結構全然違うので、そもそも店舗系だとデータがないっていうところから始まったりすると思うんですけど、なんかそこが結構なんか全然行ってみたらデータサイエンティストイメージ違ったってなりがちなんで、
なんかある程度そういういろんな領域の人の話を聞いたりとかこういうポートキャストを聞いて、どういう方向に行きたいのかっていうのを定めてから本当に行きたいのかっていうのを自問自答してほしいですね。なんか割とデータサイエンティストかっこいいし年収高そうだからとりあえず目指したいっていう人結構多い気がするんですけど、そういう人は意外とあんまり向いてなかったりするんで、
なるほどな。
まずまずなんかそこの気がします。
給料で言ったら僕のイメージだとやっぱマシンラーニングとかのAIエンジニアみたいな方がもらえる先の幅はめっちゃでかい気がするんですけど、
そうっすねそうっすね。
そうっすよね、なんかどこも欲しい、なんかシリコンバレーとかで欲しがる人材の王道データサイエンティストってそこっすよね。
うんうんうん。
お金ならそっちな気もするし、コンサルとかはビジネス感度は養えそうみたいなぐらいは僕の実体験としてはわかりますかね。
はいはいはいはい。
データサイエンティストっていうと、よく日本だとビジネス領域に特化してる人材とデータサイエンス、いわゆる数学だったり統計学に強い人材と開発ができるデータエンジニアリングみたいなところ、
MLエンジニアみたいなところの3つの領域で語ることが多いんですけど、一方で業界っていうまた別軸の消費材なのか、
マーケティングなのか、またまた製造業なのか、業界って新しい軸もあるんだなというところ、馬丹さんの中ではどういうデータサイエンティストの活躍できる領域って整理されてますか。
それで言うと僕は最初消費材系で入っているので、データがないっていうのをすごい苦労しつつも、めちゃくちゃデータを集めるところでどうしたらいいかみたいな話を苦労してやってきたので、そこはそこですごい楽しくて、
本当にデータがないところから集めて、いろんな部署を巻き込んでってやってきたので、それはすごい楽しかったんですけど、あんまり新卒からそういう会社に入っちゃうと、
割と、まずそもそもモデリングするところまで行かなかったり、結構そこまで時間かかったりするんで、個人的に一番いいのは、最初コンサルとかで入って、いろんな業界をまず見れる状態で、いろんな業界を見ながら分析側だけがっつりやって、その後事業会社に転職するのが一番スムーズな気がしますね。
その時に消費財行くのか、本当にウェブ業界行くのかとかは選べばいいと思うんですけど、そういう方がスムーズだし行きやすいような気がします。
俺その道ですね。前がコンサルアクセンチュアとKDDIが合同で出資してるところでデータサイエンスやって、通信系メインだったけど、結構データ揃ってる状態で何するかみたいなところの動き方。
しかもなんかコンサル職強いと報告の仕方とか分析の仕方とかプレームワークがめちゃめちゃ決まってるから、結構覚えの楽というか。で、今事業会社に移ってるんで、なんかその道は僕もめっちゃオススメですね。
そうですよね。ちなみに事業会社に行った時の方が何かこう逆に良かったこととか何かあります?そのコンサルから事業会社に行ってどういうところが違って何か良かったこと、事業会社の方が学べることとか。
探索的なことができるっていうのがめっちゃでかいなって思ってて。これデータサイエンスの醍醐味なんですよ、僕の中では。コンサルって時間給みたいなもんでお金もらってるから、お試しで何かやってみるって結構お客さんのお金をめべりさせていくみたいな時間だから、あんまりうち手としては良くなくて。
できるところでわかる範囲で、結果を出していくみたいな最短でっていうのが求められるから、事業会社移ってめっちゃいいなと思ったのは、ここわかんないっぽい、ここら辺に課題あるっぽいけど、アプローチの仕方いろいろあるし、ちょっとこの方法とこの方法試してみようみたいなのができるのが個人的には今めっちゃ面白いなと思ってますね。
確かに確かに。逆に言うとそこに新卒でぶち込まれると、うち手がなくてめちゃめちゃ困るっていうパターンは容易に想像がついて潰れちゃう気もするんですよね。
その通りかなと思いますね。僕は通信事業会社で新卒で入社したので、まさに事業会社でいきなりデータサイエンティストをやるっていうパターンの人間なんですけど、やっぱり仮説思考でどこから手をつけていくかっていうところを、ブレストみたいな感じで部内のメンバーでこのタスクに対してじゃあどう手をつけていくっていう議論をするんですけど、やっぱり新卒その裸んないんで、
そのアイディアを全然出てこない。きついよね。だから最初は活躍できないなっていうのはもう必死必死と感じていたので、そういう意味だと新卒でいろいろまず手を動かしたいっていうモチベーションで入社するんだったら、コンサルティングのそのいわゆる受託分析に近いような形で手を動かせる環境っていうのはすごくいいかなと思いますね。
この放送の2個前かなにリスナー質問みたいなのに答えてる回があって、まさに新卒でアナリストとかになって、出すアウトプットアウトプットが何も価値がなくて困るみたいな新卒の悩みみたいなのが飛んできてたんで、多分みんな感じてるんですよ。
そうですよね。
グラフ作ってみて、その結果当たり前だよねって上司に言われる。俺何やってんだっていう。毎日悲しくなってますっていう。
かわいそうだった。
29回ですよね、多分29回の中。
そうですそうです。
はいはい、メンタル崩壊。
そうそう。
気持ちできました。はいはいはい。
ありがち、ありがちですね。
ありがちですよね。でもなんか、その新卒で入ってデータサイエンティストになるパターンと、データサイエンティスト受けたいからちょっと勉強を始めたいけど何したらいいかわからんってパターンの人とみたいな。
はいはいはいはいはいはい。
そっちって結構うまたんさんのカバーできる領域なんじゃないかなと思うんですけど。
転職したいみたいな感じ。
あーそれもそうですね。で、これの一個前のエピソードで、ボストンハウジングデータの話を僕らするんですよ。
はいはいはい。
あれまさにこう、ファーストステップとしてはめちゃめちゃいいデータというか、なんかもう練習台の代表例じゃないですか。
はいはい。
ああいうので手を動かしてやるっていうパターンもそうだし、なんかこう始めた方がいいんじゃないみたいな勉強の仕事とかってなんか見えてたりするんですか。
あーそうですね。それで言うとおっしゃる通りボストンハウジングとか、あとは、やっぱタイタニック、有名なタイタニックとか。
俺らがめちゃめちゃふざけて喋ったやつだ。
そこらへんはまあ、とりあえず触ってみて、肌感掴んで、そこからカグルとかミシカとかシグネイトとか、なんかいろんなデータ分析コンペティションの簡単そうなテーブルデータのやつとか取り組んでみて、
で、なんかすごいモサいるんだなとか思ったり、他の人のやつ見たりとかして学んだりとか、そこらへんですかね。
うん、やっぱり。でも結構思うのが、そのタイタニックとかハウジングとか、あとそのデータ分析コンペティションのやっても、結局実務でやるのってその整ったデータを揃えるまでが大変だったりするじゃないですか。
だからなんか、そこらへんのはなかなか学べないんで、学生だったらどっかインターン飛び込むのがいいし、転職されたい方だったら、結構あんまり大きなデータはないかもしれないですけど、今の現職で結構アナログなデータだとしても、
それをエクセルベースで取ってきて、本当に汚い状態から何かしらの価値をアウトプットできるところまで自分でやってみるっていうのが結構いい経験になるかなと思います。なんか機械学習を使わなくてもいいと思うんですよね、個人的には。
確かに、データサイエンスそこが全てじゃないですもんね。
機械学習とかモデル構築のところは、タイタニックとかボストンハウジングを足掛かりにデータ分析コンペティションを挑戦してもらって、その前手の汚いデータエンジニアリングのところとかは、何かとりあえず課題を自分で見つけて、とりあえず何かやってみる。
仮説立てて、手を動かして、モデル構築いかなくても何かやってみるっていうのがめちゃくちゃいい経験になるかなと思います。
うちのサービスで入ってもらって転職成功された方とかは、ガッツリ資格取ったりとか、ガッツリコンペ挑戦するっていうよりも、どっちかっていうと、今手元にあって何かできることを探して、実際に本当にシンプルな回帰分析に落とし込んで、何か成果出して、それを次の転職先の面談の時にアピールして転職成功されたりとか。
そういうケースが多いんで、全くデータサイエンティストじゃない畑から移るなら、モデリングも大事ですけど、何かこう自分で課題見つけて、仮説立てて、取り組んで、周り巻き込んで、少しでも成果出したっていう経験が重要なのかなって思いました。
それ俺、ない発想だ。
本当ですか。
そうなんですね。
さすがだわ。
多分皆さんも元々データサイエンスやられてて、大学院で。
私も僕もそうなんで、結構新卒からそっち側に行っちゃってるんですけど、多分その学校で勉強してなかった方とかって、多分その結構転職するときに困るんですけど。
そうなんだ。
はい。そういう切り口でいろいろ経験詰めば全然転職いけると思います。
それで行った人いるんすもんね。
はいはいはい、います。
それが説得力がすごいよな。
実際仕事だとそうですよね。
決まったタスクがあって、それでデータ、手を動かして分析するっていうよりかは、タスクは決まってないんだけど、なんとなく課題があって、これどうやって解決しようかっていう考える機会の方が多々あるかなと思っていて。
そこを解決したことがあるっていう過去のエピソードを持って転職に挑むことで、面接も多分パスしやすくなるだろうしっていう、勉強になりますね。
よかったです。
もうずっとデータサイエンスなんですね、マタンさんは。
はい、ずっとデータサイエンスで、ちょっとデジマ寄りのデータサイエンスを新卒でずっとやってて、事業会社でやって続けて、独立してからどっちかというとコンサル側に行った感じですね。
いろんな会社に分析するみたいな。逆なんですけど。
独立したのっていつなんですか?
2年半前くらいですね。2年ちょっと前。
でもなんかデータサイエンスの需要がもうまだまだグングン上がってる時じゃないですか。
はい。
21世紀で一番セクシーな仕事って言われることについてはどう思ってるんですか?
どうなんだろう。
いやまあ本当にこれから間違いなくデータサイエンスは伸びてく、その需要は伸びてくし重要だし。
なんでしょう。正直セクシーだなとは思わないです。正直。
全然セクシーじゃないって感じですね。むしろ。全然なんか汚いですね。泥臭い。はい、泥臭いです。
なんかセクシーなところだけにスポットライトが当たっちゃってるかもしれないですけど、全然泥臭いし。
だからなんかセクシーっていうワードに惹かれてデータサイエンスを目指しちゃうと、ちょっと現実とのギャップに驚いちゃうかなって気がします。
確かにな、それは絶対そう。セクシーなタイミングなかったな、今まで。
セクシージョブなんて一個もないっすよ。
完全に興味での質問なんですけど、馬田さんはどうしてデータサイエンティストを目指したんですか?
僕は大学の学部生の時に、それこそセクシーっていうワードとか、あと当時統計学が最強の学問であるっていう本が流行ってたような気がするんですけど、
そこら辺のちょっとした話題で、あとディープラーニングが2012年にものすごい結果出した、そこら辺から伸びてきてっていう、
あのそこら辺の時期だったので、2015年ぐらいに学部生で統計学の研究室を選んで、
本当に将来何か稼げそうとかかっこいいぐらいのイメージで目指して、
そっからなんですね。
って感じです。
でも結果的に大学院の時にインターンシップ長期であって、全然かっこよくないなって思っちゃったんですよ。
かっこよくないって泥臭いこと、泥臭いことめっちゃ多いと思って。
気づくの早い。
ちょっと若干こう失望して、で若干マーケティング寄りの仕事に関わりたいなと思って就活してたんですけど、
結果的にマーケティングの部署のデータサイエンス、データサイエンティストみたいなポジションで入って、
そうするとなんか大学、インターンシップの時やってたのは本当にただ手を動かしてやるだけだったのが、
割とその事業会社のマーケティング寄りの部署でやると、なんかそのデータサイエンスで生み出した価値が実際にそれを試作に落とし込んで、
お客さんからの反応を見て、で結果売上がりましたよねとかいうところまで見れたので、
割とそこは楽しくできたかなっていう感じですね。
じゃあ仕事やってからハマったんですね。
あ、そうですそうです。
でもなんかそこで感じたのはやっぱりなんか僕はデータサイエンス発信しつつも、
なんかデータサイエンスだけがめちゃくちゃ好きなわけじゃなくて、
なんかそのデータサイエンスを使って価値を届けたりとか、なんか物を作ったりとか、
なのでマーケティングとかプロダクト作りがありきのその裏側にデータサイエンスがあって、
データサイエンスでそこを伸ばしていくっていうのが好きなので、
なんかデータサイエンスだけやるっていうのだとちょっと僕自身はそんなに、
なんだろう向いてないというか、
どっちかというとマーケティング、エンジニアリングありきのデータサイエンス好きかなっていう感じですね。
そうですよね。
方法論としてのデータサイエンス、統計学だったりするから、
はいはいはい。
ゴールはその先にありますもんね。
はいそうなんですよね。
じゃあ学部の頃は統計学とかやってたけど、
マーケティング関連の仕事について、
結構また因果推論だったり、
ABテストだったりっていうところをまた学ばなきゃいけないのかなと思うんですけど、
そこらへんどういうふうに最初新卒で入った時って勉強始めました?
結構ここらへんを、
僕らはなんかエピソードで話したりもしたんですけど、
やっぱ現場目線の人はどうインプットしてたのかなっていうところが気になっていて。
そうですね、当時はその同じグループに、
たまたまめちゃくちゃすごいデータサイエンティストの方がいて、
いるたまにそういう人。
いるな。
いるんですよね。
そんなに大きなデータサイエンスできる人が逆にいない会社だったので、
新卒でデータサイエンティストみたいな感じで配属されたのが僕一人だったんですよ。
エリート。
いやいや、たまたま。
その人から常にマンツーマンで色々教えてもらえる環境が本当に運良かったので、
全然統計学、大学で学んでましたけど、
ビジネス領域で全然分からないこともありつつ、
その人に聞いて常に教えてもらうっていう環境がたまたまあったっていう感じですね。
いい師匠がいたんですね。
そうです、いい師匠がいましたっていうのが大きかったですね。
人な気がする。
人でかいよな。
でかいよね。
でかいっすね。だからやっぱここの会社にはこんなデータサイエンティストいますよっていう、
吊り方というか新卒へのアピールってやっぱ効果的なんですよね。
あるある。出入ったらいないのね。
もう転職したよその人ってね。
2人のところとかめちゃくちゃいそうですけど。
僕のいる会社はもうそれ全推しですね。
かぐるグランドマスターめっちゃいますみたいな。
そうですよね、そうですよね。
ってなってるけど、
ああいう人たちってやっぱり低手やまたな状態までたどり着いてるからこそ、
外に出していく。
外に発信してこういう人いるよってなってるから、
まあ初めて表に出てきてたところから、
情報が1年更新されてなかったら、
いなくなったと思った方がいいでしょうね。
なるほど、なるほど。
めっちゃ思いましたもん、僕。
転職する時とか、
なんかこうグランドマスター、かぐるグランドマスターいますとか、
こういう論文通した人がいますみたいな。
結構いろんなブログで見るけど、
その前の仕事とかも含め色々考えると、
いやまあそんなにずっといないでしょこの人みたいな。
思っちゃうから、
結構運みたいなとこないですかね。
うん、運ですよね、本当に確かに。
めちゃめちゃ運だと思うんだよな。
そこで組める経験はマジ大事。
だから全く出てないとこよりはやっぱいるって書いてある会社の方絶対いいから。
そうだね、同じモチベーションで入ってくる動機もいるだろうしね。
確かに、動機のモチベか。
うまたなさん動機いないじゃないですか。
そうなんですよね、確かに。
切磋琢磨みたいな。
切磋琢磨みたいなのは、
でもなんかそれで言うと、
大学院の時に動機と実はデータサイエンス発信するメディアを立ち上げて、
早っ。
そうなんですよ。
データサイエンスってなんか分かりづらいから、
もっと分かりやすく噛み砕いて伝えられたらいいよねっていうのを思って、
データサイエンスのメディア立ち上げて、
しばらく新卒1年目ぐらいの時はその動機と一緒に更新し続けてたので、
割と一緒に、そういう意味だと大学院の動機と業界は違えど、
彼もデータサイエンティストになってたので、
一緒に発信活動を通して、
新しいことを逆にアウトプットしなくちゃいけないんで、
インプットすることにもなるし、
っていうので切磋琢磨はできてたかもしれないですね。
開発とか、なんであえてそちらの領域に移っていったのかを知りたいんですが。
開発で言うと、やっぱり何か価値を届けるのが好きなので、
データサイエンスやりつつも、
データサイエンスを軸にしたサービス展開がしたいなと思って、
なので、がっつり開発よりに今開発とか、
それをどうやって広げるか、マーケティングよりのことを結構やってますね。
知りてえなあ、それ。
今度ちょっとまた、今回いっぱい聞いちゃったんであれなんですけど、
めっちゃ喋っちゃったですね。
そうですね。
面白かったわ。