1. となりのデータ分析屋さん
  2. 34. データ人材の君、バリュー..
2023-10-18 31:32

34. データ人材の君、バリュー出せてないんじゃない?大阪ガスの事例で見る価値の出し方【データサイエンス】

データサイエンス、人工知能(AI)の活用をここまでうまくやった会社はない!と言われている大阪ガスの事例をピックアップしながら、データサイエンティストのバリューの出し方を考えていきます。

番組の感想や、質問はTwitterハッシュタグ「⁠#となりの分析屋⁠」もしくは、以下おたよりフォームからお寄せください! ⁠⁠⁠⁠https://forms.gle/K81TcsyiP5Dpk8fz7⁠⁠⁠⁠ ▼大阪ガス(https://www.osakagas.co.jp/) 書籍:最強のデータ分析組織 なぜ大阪ガスは成功したのか https://amzn.to/46x4BzR

========================= ▼りょっち Spotify独占配信Podcast「⁠⁠⁠⁠⁠佐々木亮の宇宙ばなし⁠⁠⁠⁠⁠」はこちら! X (⁠⁠⁠⁠⁠⁠@_ryo_sasaki⁠⁠⁠⁠⁠⁠) Instagram (⁠@ryo_astro⁠⁠⁠⁠⁠) ▼たっちゃん X (⁠@⁠⁠⁠⁠⁠tatsuki_2022⁠⁠⁠⁠⁠⁠⁠)

========================= ▼要約 by ⁠⁠Summary fm⁠⁠ このエピソードでは、大阪ガスのデータ分析部門の活動について話が展開されています。大阪ガスは1990年代後半からデータ分析とデータ活用に取り組んできた先進的な企業です。データ分析部門は独立した組織として存在し、事業部門からの分析依頼に応える仕組みが構築されています。具体的な事例として、ガスの巡回ルートの最適化が紹介されました。このようなデータ分析の取り組みは、効率化やコスト削減に繋がる可能性があります。また、ネットワークサイエンスや数理最適化の手法を用いることも取り上げられています。リスナーは、大阪ガスの事例を通じて自分の会社や業務におけるデータ活用のヒントやアイデアを得ることができるでしょう。このエピソードは、データ分析に興味を持つ方や、会社のデータ活用に関心のある方にとって興味深いものとなっています。ぜひ、お聴き逃しなく。


=========================


web3 x データサイエンスメディア「⁠⁠⁠⁠⁠⁠Fungible Analyst⁠⁠⁠⁠⁠⁠」はこちら!

http://fungibleanalyst.com/

サマリー

大阪ガスは、データ活用事例を通じて、データ人材が会社でバリューを出す方法やデータ活用の重要性について語ります。部品の故障検知の失敗例から、修理依頼の電話を元に部品の故障予測を行い、即日修理の完了率を上げることで顧客満足度を向上させる取り組みを行っています。データ分析者に求められているのは、課題を吸い上げる力や真の課題を明らかにするヒアリング能力であり、データサイエンスの仕事にはクールさだけでなく事業価値を生み出す能力が求められることが重要です。

00:03
2023年、データサイエンティストオブザイヤー、そして、バリュー中毒オブザイヤーノミネートの佐々木亮さんです。
ありがとうございます。おめでとうございまーす。
去年のベストジーニスト賞に続き、今回はこんな賞いただけて、大変光栄に思っております。
はい。
大阪ガスのデータ活用事例
はい。ということで、今回は、データサイエンティストオブザイヤー、初代王者KKさんが率いた、大阪ガスのデータ活用すごくねっていう話ですね。
有名な話だけど、意外と詳細は知らなかった。
結構有名ですよね。うまたんさんも紹介してました。
あ、ほんと。やるな、のぶま。
はい。
俺だけバカにしてるみたいにするなよ。
はい。
ということで、まあ、大阪ガス、もう日本でデータ活用推進、一番早かったんじゃないの?っていうぐらいのところの歴史ひも解きつつ、
データ人材、どうやって会社でバリューを出していけばいいんだ?みたいな。
1個のたてつけのいい例になってるんじゃないかなっていうところと、個人的にはあんまりしっくりこないたてつけなんだけどなっていうところの話もちょっとちらっとしてるんで、
まあ、そのあたりも楽しんでいただけたらと思います。
それではどうぞ。
隣のデータ分析屋さん。
この番組は隣の席に知らないことを気軽に聞けるデータ分析屋さんがいたらいいなぁをかなえるポッドキャストチャンネルです。
データアナリストのりょっちです。
データサイエンティストのたっちゃんです。
今日は何でしょう?
今日はですね、大阪ガスの話をしようと思ってます。
大阪ガスに乗ってます。
違います、違います。
今日はいきなりシビアな問題からいきますよ。
あなた、会社で価値出せてます?っていう。
はい、来ました。
バリュー中毒会。
バリュー出せてます?って話なんですよ。
データ分析部門、みんなの会社にあると思うんですけど、その人たちってお金生み出してます?って思いません?
ギクッ。
利益上げてます?事業貢献できてます?っていうところ。
怖いやん。
もし分析してる人は、自分ちゃんと利益出せてるんだっけって思うかもしれないし、あの組織ちゃんと会社に価値出せてるのっていう疑問符を持ってる人もいるかもしれないんですよ。
はいはいはいはい。
データサイエンティストとして働いてるけど、
自分自身の悩みでもあって、会社に一円の利益を生み出してるかっていうところがモチベーションの上がらない一つの原因になってるなと最近感じていて。
あー、なるほどね。
むずいよね、確かに。
データ分析チームの構造と役割
例えば、マーケティングの人とかだったら、このCMめちゃめちゃ流行ったおかげで何人新規の人掴みましたとか、機能の改善をするような人とかだと、この機能を変えたことによって、昔よりも10%人が残ってるので、その人たちが使ったお金がいくらだから、僕は1億円の売り上げ貢献をしました。みたいなね。
そうなんですよ。目に見えて結果が出てくるんですよ。
でも、データ分析してる人たちって、そのマーケティングの人たちからお願いされてデータもらって分析する、そしていろいろモデルとか作って、こんな結果出ましたよっていう仕事の仕方をしてる人が多いと思ってて。
うん、いますね。たくさんいるでしょうね。
で、これって別に、その会社の事業を続けていくことにおいて、別にデータ分析の人材って別にいなくてもどうにかなるんですよ。
ぶっちゃけね。
ぶっちゃけ。それでもデータ分析には何かしらの意味があるよねって言って、各会社部門立ち上げて、チーム作って、どうにか継続させていこうっていう風にしてると思うんですけど、
分析屋さんとしてのその存在価値を上げて、社内でね、バリューを出していくためにはどうすればいいかっていうのを、今日は話していきたいっていうのが、この会のテーマですよ。
すごい真面目会になりそうな雰囲気が、いもたれしてきました、もう。
でも、安心してください。みんなハッピーにしていきたいと思うので。
今日はなんか広げるね、風呂敷をこうバッサバッサするね。
いやまあ、そうでもしていかないと、この不安は拭いきれないですよ。
おじさんに話してごらん。
大阪ガスっていう会社のデータ分析事例が、巷では少し有名で、この話をもとにデータ分析を事業、会社でうまくワークさせる、ドライブさせていく方法論、みたいなことを話していければなと思ってます。
この間たまたま聞いたわ、会社で。大阪ガスの話。
本当ですか?なんか有名らしいっていう。
それまでは知らんかった。
ガス会社ってあんまピンとこないじゃないですか。
何をしているかというか。
こないね。
データ分析がどう使われているのかとか。
レモンガスね、レモンガス。
契約してたわ。
レモンガスってなんだっけ?
なんか地域のガス会社?
あ、そうそうそうそう。
あれ?めちゃ池のCMの子が出てたやつもガス会社じゃなかったっけ?
ガス会社なの?あれ?ガス会社のCMじゃなかった?
マジ?
お金モンでしょ?
お金モンはテレビション。
あれ?
うちうち、うちはめちゃ池。
土曜の8時だよ。
はいはいはい。
あの子がやってたCMガス会社だった気がする。
あ、そうなんだ。
じゃあ絶対レモンガスだね。
確かね。
いや、まあだから、ガス会社何してるのって話ではあんだけど。
うん。
なんで大阪ガスが有名かっていうと、
ここのガス会社でデータサイエンス専門の組織を作って、
そこの所長になった川本香織さんっていう人がいるんですけど、
この人がめちゃめちゃ有名。
イニシャル経験ね。
イニシャル経験。
で、また面白いビッグワード出てくるんですけど、
この川本香織さん、
データサイエンティストオブザイヤーの初代受賞者なんですよ。
なにそれ。
データサイエンティストオブザイヤーってのがあるの?
日経情報ストラテジーが出している、
年1回のデータサイエンティストの功労者に。
えー。
有名なところが出しているデータサイエンティストオブザイヤーね。
はい。
の初代受賞者。
の2014年かな?
じゃあ、21世紀一番クールな仕事であるっていう中のオブザイヤーだから、
クールストオブジャパンっていうことでいいね。
いいじゃん。データサイエンティストオブザイヤー受賞者ってだけで。
もう一個変な冠乗っけないで。
クールストジャパン、
in 2016みたいな。
そういうことだ。
何でもいいんだけど、とりあえず。
欲しい、それ。
いや、いらないだろ。
いや、いらないとか言うな。
ごめんごめん。
それで一つ有名になったし、
それくらい大阪ガスでのデータ分析の事例が上手くドライブしたってところが、
多分ポイントで受賞されてる。
えー。
すごい人だ。
そうなんですよ。
この人が作り上げたデータ分析組織がすごすぎるっていう、そんな話。
えー。
データ分析の重要性とヒント
からヒントを得ていきたいよねっていう。
そこのね、川本さんのやった活動を聞いて、
自分の今いる会社との違いだったり、
自分の働き方の違いみたいなところを感じたら、
そこを少し変えていったり、マインドを寄せていったりとか。
おー。
っていうヒントが出てきたらいいんじゃないのっていう話ですね。
ヒント得た?
ヒントは得た。
気がする。
いいポッドキャストの使い方してるね。
うん。勉強してるからね。
だから話でいきますよ、早速。
うん。
で、大阪ガス、
まあ、そもそもどんな会社なのってところを先にお伝えしておくと、
名前の通り近畿地方、大阪の方に本社を置いてるガス会社で、
略称は大ガスっていう名前で、
半ガスじゃないんだ。
半ガスじゃない。大阪の大都って大ガス。
へー。
日本の4大都市ガス会社の1つで、
東京ガスに次ぐ2番手ですね。
我らが東ガスね。
そうですよ。
そんなガス会社が大事にしてることとしては、
やっぱり技術で競争力をつけていこうってところは、
会社の方針としてあるっていうことから、
1990年の後半から、もうデータ分析、データ活用に乗り出してるんですよ。
だいぶ早いっすよね。
早いね。
いや、そう。だって90年後半だ、Windowsの96とか。
あー、そういうことか。
だから早いっすよね。
確かに。何ができるんだろうね、Windowsのその頃の。
当時は紙データかもしれないけど、
はいはいはいはい。
でもやっぱり、ちゃんとデータで事実を抑えて何するかっていうところを考えて、
データを集めていこうっていうところで取り組んでて、
で、ここの技術チームっていうのが、ビジネスアナリシスセンターっていうのを立ち上げて、
うん。
社内の中でデータ分析するためだけの組織を最初から作ってるんですよ。
すごいね。
会社の中での構造が面白くて、
この分析チーム、ビジネスアナリシスセンターって長いんで、
分析チームっていう風に言っちゃいますけど、
その分析チームは一つ独立した組織として存在していて、
何か分析してほしいってなったら会社の中から、
その分析してほしい事業部門の人が、
その分析チームに依頼をかけて分析をしてアウトプットをいただくっていう、
そういう構造なんですね。
はいはいはいはい。
だからお金の扱い方も、
その分析チームに予算を渡して、
で、人件費としてそのお金を使ってもらって、
で、その予算で渡したお金を元にアウトプットを出していくっていう、
会社の中に会社があるみたいな、そんな感じ。
分析するための会社がある。
なるほど、はいはいはいはい。
同じ会社だけど、なあなあにせずに、
お金のやり取りを明らかにさせるっていう仕組みを作ってるんですよね、最初っから。
うわあ、それいいのか悪いのか結構どっちにも転ぶよね。
まあでもこれ、よくも悪くもでは確かにその通りかなと思っていて、
いい面をまずお伝えすると、
まあそのリソース、お金のその判断っていうのは事業部門がやりますよっていう。
会社の中の事業部門が、
そこのデータ分析のチームにお金を渡すかどうかってまず判断をする。
だから、
分析依頼をする時にお金を払うんだ、会社の中で。
そう。
そういうことか、そういうことか。
さっきのあれだと、普通にそういう分析チームみたいな部署があって、
そこに一定の会社の中の予算が振り当てられてっていう意味かと思ってた。
ああ。
ではなくて、もう会社の中の事業部門と分析チームがあって、
事業部門が分析チームにお金を払う。
そう。
だから、お金払ったんだから、ちゃんとアウトプットは出したよ、出してよねっていう。
はい。
何だろう。
首根っこ掴まれてる状態だ。
そうそうそうそう。
分析チームが首根っこ掴まれてる状態でもあるけど、
事業部門はそこの判断をしたからには、
どうにか分析チームと一緒になって、
組織構造と協力関係の難しさ
結果を出していかなきゃいけないっていうその、何だろう。
言っちゃえば一つの船に乗って、
同じ方向に向かって進んでるっていう状況を作り出すっていう。
うんうんうんうん。
そういう、何だろうな、仕組みを作ったよってところが。
えー。
結構仕事してると、事業部門と分析チームって確かにあるけど、
なんかお互いがお互いの利益のためというか、やりたいようにやっちゃうから、
なんか協力関係ってなかなか作るの難しいってあると思うんですよ。
まあ確かにね。
だからお金でつながってる関係って、
まあなんかドライかもしれないけど、
うまく機能すればだいぶ強い。
うん。
っていうまあ組織構造を作ってるよっていう。
ちなみに俺はそれが違うなと思って転職した。
なるほどな。
どっちかっていうとそっち、その考え方よりは、
中にいて一緒に伴奏していくみたいな形の方がいいと思って転職してる。
ああ、そっかそっか。
だから、その会社のやってる事業にもよってその、なんだな、雰囲気が違うのかもしれない。
ガス会社はもう事業としては、ガスの販売って一つの大きな事業があるから、
そういう意味だと最初から同じ方向向いてるの。
ああ、まあそっか。
まあそうだよね、会社によって違うよね。
だから、まあ全部の業界とかに適応できる話じゃないかもしれないけど、
まあ大阪ガスに限って言えば、
まあこういう組織構造で、
まあ分析をやっているよって話ですね。
どんな分析事例があるかってところを具体例言っていきたいなと思うんですけど、
ガスの仕事ってあんまピンとこないと思うんですけど、
うん、こない。
しかも、都市ガスなんで、
地下を通ってきてる管で、そのまんまガスが供給される状態だよね。
そうそうそう、だからあとは契約してもらえればOKなんで、
まあ契約してくれているところに、
なんかメンテナンスだったり、
まあ販売をかけたりとかっていう、
まあ巡回の仕事があったりするんですね。
うんうん、営業だ。
まあ営業ですね。
ほうほうほう。
巡回ルートの最適化
で、その巡回の効率化にデータ使うってピンときます。
経路最適化みたいなそういうこと?
そういうことですね。
まさにそれで、その巡回しているルートをどういう風に巡回するか、
どういうお客さんの順番で行くかっていう、
っていうところの効率化によって、
まあ工数削減になるよねっていうところ。
ウーバーのマッチングも多分ね、
そういう同じアルゴリズムが入っているはず。
あ、絶対そうっすね。
そう。あれしかも、
あれだよ、あの成功者の秘訣、
どこでやったとか、
質問会で来たネットワークサイエンスってあるじゃん。
はいはい。
あれだよ、最適経路出すとかっていうのは、
あれ実はネットワークサイエンスが裏で入っていることが多くて。
へー。
例えば、京都の街とかをシンプルに考えたらわかりやすいんだけど、
それぞれの路地をノードにする。
で、道をエッジにする。
っていうので、ネットワークの図っていうのを書いてあげるのね。
このネットワークサイエンスって、
なんか点に対して線結んで、
人間の関係性とかを表して、
その関係性を表すと、
理論的には6人繋いだら、
世界中の誰とでも友達になれるみたいな話があったりとか、
人未約の話とかっていうのが科学的に証明されてんだけど、
っていうのの同じ理論を使って、
路地をその人と同じようなノードにして、
道をエッジにしてってやった時に、
このノードからこのノードに行く時の最短のエッジ数と距離っていうのを
出してあげることによって経路の最適化ができて、
っていう無駄なパスを通らないようにするっていうのを
ネットワークでできたりするんでね。
ネットワークサイエンスでも出てくるんですね。
自分はその今の仕組みを、
数理最適化の枠組みで考えることが多くて、
野菜詰めるやつ?
野菜詰めるやつ、エピソード17とかかな。
一番聞かれてるやつね。
そう、あそこでやった数理最適化の中で有名な
巡回セールスマー問題っていう、
各、今の京都の話と一緒ですね。
その一個一個のエッジ、道を全部通って、
各都市を全部通って、
回った時にどここの経路が一番短くなるかっていう、
っていう話と同じだと思ってて。
そうね。
だからそういうなんだろうな、
テクニック、方法ですよね。
ネットワークサイエンスも、
巡回セールスマー数理最適化も。
だからそういうところで、
分析をすることで、
最適な結果を得ましょうねっていう話を、
ガス会社でもやっていたりとか。
営業の人切られるね。
ここのね、ルートを考えてる人たちが、
切られる。仕事がなくなる。
他のことができるようになる。
あれ良くないよね。
なんかさ、
俺、デリバリーのバイトしてたの。
高校の時とかバイトなんで。
いかにサボるかみたいな。
めちゃめちゃ大事なの。
分かる分かる。
から、すっごい早くいって、
で、しかもその時はその、
ウーバーとかってさ、
一軒いくらとかのさ、あれだけど。
そうじゃなくてもう時給で働いてるから。
そうだね。
違和感の出ない件数処理しつつ、
めちゃめちゃ早くお客さんのとこ行って配って、
で、いかにサボるか。
自分も宅配やってたからその気持ちめっちゃ分かりますね。
あそこ通るからコンビニあそこにあるでしょって。
みたいなのを、
頭の中での数理最適化をして。
分かるわ。この道通ったらめっちゃ早く着くからってなりますよね。
で、だから今だったらね、
もうスマホあるから余裕なんだけど、
それを覚えて、バーっていって、
宅配して、
で、終わって、
端っこでフラッシュゲームするみたいな。
ミクシーやるみたいな。
懐かしい。
糸通しやるみたいな。
おばちゃんが飛ぶやるみたいな。
だからそんな時代があったけど、
今は絶対無理ですよ。
一番早い経路がもう最初に、
データとしてアウトプットされてくるから、
この通り行かないと。
普通。
全然楽しくないじゃん。
そのフェーズがあるんだったら、
自動運転早くしてほしいってマジで思うね。
確かに。
そういえばさ、
はいはい。
このポッドキャスト始める時のさ、
はい。
一番最初練習で撮ったコカ・コーラの話、
それじゃなかった?
ああ、そっか。
ボツになったやつ。
ああ、お蔵入りしてるやつ。
3回、コカ・コーラの同じエピソード3回撮って、
3回とも面白くなくて消したやつ。
あれもね、
ベンダーの人の経路最適化だった気がする。
そっかそっか。
あれから考えたら成長しましたね。
成長したね。
同じ話を今テンション高めでしてるよ。
しかもネットワーク科学とか、
数理最適化とかいう話を挟みながら、
この話できてる。
半年で成長してます。
すごいな。
だから、そういう事例もありますよって紹介。
部品の故障予測と即日修理
だったり、他の事例として、
ガスのこの部品がいつ壊れるかを予測してほしいっていう依頼があったっていう。
一時期大流行りしたやつじゃない?
そう、部品の故障検知みたいな。
っていう依頼があって、
よくある話なんですよね、こういうのって。
製造業とかだったら特に。
あったよね。
2020年ぐらいにクソ流行ったやつでしょ。
そうそうそうそう。
異常検知とか、故障検知とか。
で、やっぱり分析チームはその依頼を元に、
じゃあこの消費、この部品が、
数日後に壊れる確率は90%くらいですよみたいなアウトプットが出てくるんですね。
だから、それをアウトプットとして出して、
事業部門は90%壊れるんだったら在庫発注しとかなきゃいけないよねみたいな意思決定に繋げるっていう。
はいはいはい。
っていう、そういうサイクルがあると思うんですけど、
結局90%で壊れるってことは、
10%外すってことじゃないですか。
そうね、逆に考えると。
そうそうそう。だから10回に1回壊れちゃうと、
お客さんからクレームくるから、
この結果使えないよってやっぱりなっちゃう。
はー。
そう。
その話だけで1は取れるな。
そうそう。だから、分析チームとしては、
頑張って分析して結果出したけど、
使えないよねっていう失敗例になるっていう。
ここまでだったらよくあるデータサイエンス、データ分析のポック、
実地検証の失敗例として、もう本当にごまんとある話なんだけど、
大阪ガスは、それで終わらなかったっていうところが、
この会社の強みだと思ってて、
じゃあ、この部品を実際に壊れて、
修理とかをしている現場見せてくださいって言って、
分析チームが動くんですね。
現場に行ってみると。
で、そこで分かったことって、
部品が壊れて、その壊れた部品を修理して直す、
その当日に直す即日修理完了率って言われる。
そのKPIを元に事業部門が動いてたっていうところまで、
突き止めたんですよ。
本来の事業部門のこの部品いつ壊れるか、
予測してっていうところじゃなくて、
即日にその部品を修理できるかっていうところの、
数値を求めてたっていう最初の依頼とのギャップが、
現場に行くことで分かったっていうところ。
はいはいはい。大事なやつだね。
そうそう。ヒアリング。
そうなんです。で、ここまで突き止めると、
じゃあ分析の手法も変えるし、
やりたいことも変わってくるからっていうところで、
今回のケースだったら、
修理依頼のコールセンターの電話で得た情報を元に、
どの部品が壊れて、
その故障の原因って何でっていうところまでを、
予測するっていうタスクに置き換えることで、
もうあらかじめ部品の用意と、
その修理の方法っていうところを、
分かった状態で現地にいて修理ができる。
だから即日の修理が完了する率が上がるよねっていう。
あー、そういうことね。
電話問い合わせがあって、
作業員が言って、
これだったら、
ちょっとじゃあまた明日来ますみたいなのが、
減れば結局顧客満足度上がる。
まさにそういうことです。
部品で話すよりも、
そこのもっと直接的に感じる部分を改善しましょう、
みたいなことか。
おっしゃる通りですね。
そういうことか。
データサイエンティストと事業部門の組織分け
データサイエンティストになるとき、
天文学者から、
よくそういう話を面接で言われた気がする。
聞かれるってこと、
こういう経験ありますかっていう。
とか、こういうことやってもらうけど、
みたいな。
お客さんから依頼来たら、
お客さん先に常駐してやるみたいな、
選択肢も一つとしてあるよみたいな。
違うなーと思ったり。
とかね。
だから、求められてるんですよね、
データ分析者に、
課題を吸い上げる力というか、
真の課題ってなんだっけを、
ヒアリングによって明らかにするみたいなところも、
本来は求められてるけど、
っていうところなんじゃないですか。
面接で聞かれたのは。
そうだね、きっと。
結局ね、ここまで分析者が出向いて、
課題のヒアリング、
要件定義まですることで、
分析がさらに進んで、
成果を上げることができたよ、
できるよっていう話。
うまくいった事例として、
紹介されてますね。
きっと外に出せない、
コミックス失敗とかもあっただろうね。
いや、もう絶対あるよね。
いいね。
でも、そういう外に出せるデータサイエンスの仕事とかあると、
モチベ上がるよね。
いや、上がるよね。
セクシーだよね。
ウェイ。
オブザイヤン、ウェイ。
やめろ。
だから、まとめに入っていきたいんですけど、
うん。
結局、
分析チームと事業部門っていう、
2つのチームの、
組織を分けたっていうだけじゃなくて、
分析チームが、
どういうマインドで働くかっていうところ、
ここが大事だよっていう。
まあ、そうね。
どうしても着目されるのは、
モデル作ったり、
うまい分析手法を使うっていうところに、
フォーカスされがちだけど、
その前段階、
課題を見つける力とか、
課題を定義したり、
なんなら現場に行って、
情報を吸い上げるっていうところと、
その後段階で出した結果を、
どう使うかっていうところまでを、
提案できる。ここが重要だよねっていう。
話ですね。
2回前?
3回前に、
うまたん来て話したけど、
別にクールじゃないよね。
全然クールじゃない。
泥臭い。
泥臭いお仕事だよね。
そうなんですよ。
まあ、でもクールな仕事だよって言って、
引っ張るからね、人を。
まあ、そうだね。
でもね、ここまでできて、
本当のクールだと思いますけどね。
なるほど。
うん。事業価値を、
倍増させてこそのクールだと。
じゃないと、
一円を生み出せない。
あー、そこに帰ってくるのね。
最初に言ってた。
そういうこと。じゃないと、
会社で分析する意味って本当にあるって、
思ってきません?
っていう話ですね。
まあ、なんか、そのクール加減で言うと、
俺的にはデータサイエンスも、
データアナリティクスも、
俺、
ここで1000万円売り上げたんだぜ、
っていうのじゃなくて、
どっちかっていうと、
データサイエンスのクールさとビジネス価値
いや、会社の売り上げ、
あれで5倍になったからな、
みたいな話。
掛け算の役割かなっていう気はしてるから。
なるほどね。
だから、
そうすると要素が増えるというか、
大元の事業が100万円の規模なのか、
1億円の規模なのかで、
×2した時の、
あれも変わるし、
なんか、
なんならもう、
べき上ぐらいの感じの役割、
になってるから。
まあ、いわゆるだから、
スケールさせていくみたいな、
スケーリングの要因になるのが、
データサイエンスって感じはするから、
まあ、だから、逆に言うと、
全く数字が出ないっていうパターンも、
あって、
出た時がクールみたいな。
はいはいはいはい。
まあ、そうだね。でもそれでも、スケールさせていくための、
なんか、火種みたいな、
投下していってるわけだから、いずれ大きくなっていく数字が、
ならいい。
いや、どっちかっていうと、
分析だけやって、
こんなすごい手法あるんだぜって、
格好をつけてるのは、
それって全然クールじゃないって、
僕は思うんすよ。
いいんすよ、若い時は。
それでも。
30歳目前はもうだめ?
全然だめ。
それは、
ずっとは続かんよ。
なるほどね。
新卒への戒めね。
そうそう。やっぱりビジネスって、
面白いと思うし、
一円生み出していくことの、
面白みも、データ分析人材だからこそ、
感じてほしいなっていうのが、
いいっすね。
僕の言いたいことですね。
まんま、
次回の予告みたいになったかもしんないね。
次回話そうと思ってんのか、
そもそも、俺の転職の話。
はいはい。
というか、俺は、
今はデータアナリストっていうのが、
一応メインにはなってるけど、
1年前転職したときは、
プロダクトマネージャーっていうとこに、
転職していて、
データサイエンティストから、
プロダクトマネージャーっていうとこに行って、
結局データの方、またやっぱ専門に戻ってる、
みたいな感じだから、
データ人材の、
価値を生み出さなきゃいけないところを、
よりビジネス寄りに行く、
キャリアパスって何?みたいな話。
うんうん。
流行りのPDM、
プロダクトマネージャーとは、
プロジェクトマネージャーと何が違うの?
みたいな、そんな話をしようかなっていうのが、
次回だね。
いいっすね。いや、知りたいっす。
現場目線の声。
それをじゃあ、ちょっとしていきましょう。
お願いします。
今回も面白いなと思ったら、
ぜひ、フォロー、レビュー、
よろしくお願いします。
番組の感想や質問は、
ハッシュタグ、隣の分析屋、隣のがひらがなで、
分析屋は漢字でお願いします。
いただいた質問で、
質問回答会とかもやっていくので、
じゃんじゃん、お寄せください。
また、概要欄に貼ってある
お便りフォームからも、
コメントしていただけるので、
そちらもぜひよろしくお願いします。
ではまた。バイバーイ。
31:32

コメント

スクロール