[データサイエンティストの思考法〜KDD Cup世界第2位の頭の中〜]

2016年5月12日(木)加藤 亮、本橋 智光

　前回、ビジネスにおけるデータ活用の現状と、データを“武器”として活用するために企業が重点的に取り組むべきポイントについて、KDD Cupなどのデータ分析競技と比較することで説明しました。今回は、筆者らのチームを含め、KDD Cupで上位入賞した3チームの特徴を整理しながら、データ活用の今後と人材像を考えてみましょう。

モデリングを実現するための３つの選択肢

　KDD CUP2015の上位入賞3チームとは、1位の「Intercontinental Ensemble」、2位が筆者らの「FEG&NSSOL」、そして３位が「Data Robot」です。面白いことに、これら3チームは、チームメンバーの構成からして全然違います。

　Intercontinental Ensembleは、データ分析コンペが好きなメンバーが様々な会社から集まったチーム、FEG&NSSOLは、同じ会社グループのデータ分析コンサルティングに関わっているメンバーが集まったチームです。そしてData Robotは、データ分析のための自動化ツールを開発しているメンバーが集まったチームでした。

　各チームの強みも特徴的でした。Intercontinental Ensembleは、データ分析コンペの豊富な経験から、高度なアンサンブル技術（分析モデルを複数組み合わせて精度を向上させる技術）と緻密なスケジューリング力が群を抜いていました。筆者らFEG&NSSOLは多様な業務経験から得た様々な特徴量の抽出を武器に精度向上を実現できたと自負しています。

　そしてData Robotは、自社のサービスを活用してモデリングを自動化し、特徴量の抽出のみ手動で行うという省力化で高精度を実現していました。これら3チームの特徴は、モデリングの実現手段としてもとらえられます。以下、モデリングを実現するための手段として視点から各チームの強みを深掘りしてみます。

Intercontinental Ensemble流の強み

世界中のハイレベルなデータ分析者の力に期待し、データ分析コンペを開催することでモデル構築をアウトソースする方法があります。データを公開することやコンペに準備したデータしか使えないなど、いくつかの問題点がありますが、良いモデルを安価に作ることが容易です。例えば、KDD Cup 2015の賞金総額は200万円程度です。その程度の出費で多様なモデルのアイデアを入手できるとすれば投資対効果としては十分という見方もできるでしょう。

FEG&NSSOL流の強み

データ分析コンサルタントを雇うことも1つの手段です。費用はそれなりにかかりますが、モデル構築以外のフェーズにおいてもコンサルティングを頼めます。柔軟なデータの追加や高精度なモデリングのみならず、モデルの可読性の向上やモデルのレポーティングといった種々の要望を実現できます。データを広く公開する必要がないのも利点です。

Data Robot流の強み

各種サービスを活用して、自社内でモデリングを実現する方法もあります（関連記事『予測モデルを自動生成する米データロボット、リクルートAI研究所と組んで日本市場に参入』）。Data Robotのサービスは、データ分析の初心者であっても高度なモデリングを実現できるようになっています。このようなサービスを活用し、テーマやデータの準備・加工ができれば、素早く簡単にデータ分析を実現できます。上手く活用すれば自社の人材不足を補える可能性もあります。

　これら3つの手段を適切に選択すれば、モデリングを実現できます。ですが、それだけではデータ分析から利益を生み出すことができません。データ分析プロセスの上流から下流までのすべてを実現する必要があるからです（図1の①～⑨）。そのためには、データを活用したビジネスを先導できる人材を社内に育てる必要があります。

これからのデータ活用に必要な人材像は1つではない

　アウトソースや各種サービスを利用するにしても、データ分析のビジネス活用が注目されるなかでは、データ分析を担う人材の不足も叫ばれています。その人材とは、図2にあるような、データ分析、IT、ビジネスの全スキルを持つような人材だと言われてきました。

　これら3つのスキルを担保するために、それぞれのスキルだけを持つ人材がいれば良いというわけではありません。各スキルをつなぎ合わせられるように、２つ以上のスキルを持つ人材も必要になります（表1）。そんなオールマイティーな人材は、現実的にはなかなかいません。ですので最近では、これらのスキルをチームで担保すべきだと指摘され始めています。

　これまでの意思決定の方法から、データを活用した意思決定に舵を切るには、分析スキルに関わる人材が新たに必要になります。このうちデータ分析者は、前述の通りアウトソースなど外部からの調達が可能でしょう。データ処理エンジニアは、ビジネス内容に依存しない技術に特化したスキルを持つ人材ですので、こちらもシステムインテグレーターなどからの外部調達が可能です。

　しかし、データ分析企画者に限っては、内部で育てることが重要です。今後のビジネスを先導していく人材だからです。また彼らが、データ分析をビジネス活用につなげられるよう社内への働き掛けられるポジションを用意する必要もあります。

　データ分析企画者は、ビジネスを深く理解していなければならず、その内容によって求められることが大きく異なり、担う範囲も広がります。データ分析者ほど専門性が高い知識は求められません。しかし、データ分析の限界についての理解が必須です。自社ビジネスを理解し、データ分析によって、でできることとできないことを見極めねばなりません。

　データ分析技術は進化し続けており、ビジネス活用パターンも十分には体系化されていません。そのため、データ分析者に求められるスキルを習得するのはかなり大変です。一方で、データ分析がビジネス優位性をもたらす事例が増え始めており、データ分析企画者が今後のビジネス上で重要なポジションであるとの認識も高まっています。

　従って、データを活用するビジネスを成功させるためには、データ分析自体には外部の力を借りつつデータ分析企画者を自社内に育てるなど、多様なスキルセットを持つ人材を社内外から確保することが不可欠になります。