中小企業がAIで勝つために
エッジデバイスでの機械学習はデータサイエンティスト不足を解消するか
データサイエンティストは数が少なく高給であることから、企業での雇用が難しくなっている。だが、エッジデバイスのインテリジェンスが大きく向上すれば、データサイエンティストを必要としなくなるかもしれない。(2019/7/3)

新規ビジネスのチャンスを得やすいのはどちら?
いまさら聞けない「データサイエンティスト」と「ビジネスアナリスト」の違い
データサイエンスとビジネスアナリストの違いは、データサイエンティストがデータを深く掘り下げて、独自のビジネス解決策に行き着かなければならない点だ。もちろん違いはそれだけではない。(2018/5/18)

YouTubeやブログでも学べる
データサイエンティストを目指すなら知っておきたい学習方法
データサイエンスを学ぶ場所と機会は大学の外側にも広がっている。大規模公開オンライン講座(MOOC)やオンラインで公開しているドキュメントなどがあり、データサイエンティストとしてのスキルセット獲得に役立つ。(2019/2/22)

単なるデータサイエンティストではダメ
本当に役に立つ、希少なデータサイエンティストの見つけ方
あらゆる組織がデータサイエンティストを求めているようだ。だが適切なスキルを持った適切な人材を確保するのは難しい。データ分析能力があるだけでは役に立たないのだ。(2019/7/8)

適切なツールと適切なチームで勝負
“ユニコーン”なデータサイエンティストは不要、専門家不在でもうまく回る企業とは
データサイエンティストはビッグデータアナリティクスで貴重な役割を果たせるが、あらゆる企業に必要というわけではなさそうだ。データサイエンティストがいなくても技術と企業文化で課題の克服に挑む企業もある。(2015/12/1)

多くの専門家が「必要」と認める機能は?
データサイエンティストを楽にする ビッグデータ分析ツールの10大「必須機能」
ビッグデータ分析ツールを探しているなら、さまざまな機能がある中でも10個の機能に注目してほしい。特に、分析結果を埋め込む機能、他のアプリケーションとの連携機能、バージョン管理機能は確認しておきたいところだ。(2019/2/15)

AI人材不足に悩む企業を救う
データサイエンティスト要らずの機械学習自動化プラットフォームを試してみた!
人工知能(AI)技術をビジネスに取り入れるためには、データ分析やAI技術の専門家が必要となる。そうした人材を確保することが難しい企業でAI技術を活用するための方法を紹介する。(2019/10/9)

DataOpsの誕生【後編】
DataOps実践のヒント
データサイエンティストがDataOpsを実践するには、データを扱う環境が必要だ。都度IT部門と交渉して環境を整えてもらうようでは時間がかかり過ぎる。(2019/6/28)

経験豊かなデータサイエンティストのお墨付き
「Python」「R」「Jupyter Notebook」「Tableau」「Keras」が愛用される理由
企業の取得データが急増している近年では、情報を全て把握するためにもデータサイエンスツールが欠かせない。本稿では「Python」「R」「Jupyter Notebook」「Tableau」「Keras」について、データサイエンティストが愛用する理由を聞いた。(2019/2/12)

重要なのはユーザーとデータの「橋渡し」
Intelがこっそり教える「データサイエンティストに必要な素質」とは
ビジネスで扱うデータは増加し続けており、機械学習などデータ分析の機会も増えた。分析担当者には高いスキルが求められるが、本当に必要なスキル、素質とは何なのだろうか。Intel担当者に聞いた。(2017/12/27)

予測分析をビジネスに生かすには
「データサイエンティストが足りない」の大問題をどう乗り越える?
あらゆる業務において経験や勘だけでなく、データに基づいた意思決定を実現したい。ただ、データサイエンティストは今でも手いっぱい。うまい解決手段はないだろうか。(2016/12/19)

単なる分析の専門家では務まらない
「データサイエンティスト」として成功するための条件
データサイエンティストはデータを深く探求できなければならない。データサイエンティストと他の分析の専門家を区別するものは何だろうか。(2015/3/9)

運用環境では予期しないことが起こる
機械学習導入のカギは「運用者と開発者のスキル差をどう埋めるか」
機械学習モデルの導入時には、その開発時とは全く異なるスキルセットが必要だ。データサイエンティストとエンジニアリングチームはこのギャップを埋める準備をしなければならない。(2019/2/22)

原因分析で見えてきたこと
まさかの「トランプ氏当選」で面目丸つぶれのデータサイエンティスト、米大統領選の予想はなぜ外れた?
米大統領選挙では、ほぼ全ての予測モデリングアルゴリズムが勝者予想を外した。その原因にデータサイエンティストが注意を払わなければ、今後あらゆる予測分析プロジェクトを迷走させてしまう恐れがある。(2016/11/30)

ハイパースケールプロバイダー各社が火花
AWS、Microsoft、Google、IBMがのめり込むクラウドAI、勝利の作戦は?
クラウドプロバイダー各社は人工知能(AI)クラウドサービス分野でしのぎを削っており、データサイエンティストや開発者がモデルをトレーニングするための環境として自社のプラットフォームを売り込んでいる。(2018/3/9)

“全員野球”で取り組むデータ活用
Airbnbはこのツールで超高速な意思決定を実現、「データ民主化」とは
民泊サービスのAirbnbは、起業当初からデータの価値を認識していた。同社は、データを「民主化」するツールを構築し、トレーニングを考案した。その結果、従業員はデータサイエンティストへと変貌を遂げた。(2017/11/1)

データから読み解く企業の思惑
「データサイエンティストはつらいよ」、注目職種も求人が多くない理由
将来のビジネスシナリオを予測したり、多くのデータから有益な事実を見つけ出す、データサイエンティスト。魅力的な職業だが、企業側からみた実情は違うようだ。(2015/5/28)

300社超の調査で判明
データサイエンティストのスキル不足は大問題、「技術についていけない」の声も
多くの企業は、今日のビッグデータとデータサイエンスがもたらすチャンスを認識しているが、一方でそのエコシステムの複雑さに手を焼いている。(2017/3/6)

進化する医用画像テクノロジー
放射線科医は病院のデータサイエンティストになる
Philips Healthcareの幹部社員であるジェロエン・タス氏は、データサイエンスと進化した画像診断を組み合わせることは、個人に最適化した価値に基づく医療ケアへの移行において重要だと語る。(2017/3/27)

データサイエンティストの仕事、価値、育成とは
データサイエンティスト4人が座談会で語った「データ分析の現在と未来」
ビッグデータ分析と関連して注目される「データサイエンティスト」。彼らはどのような仕事をし、どのような価値を企業に提供しているのか。実際にデータ分析に関わるデータサイエンティストが座談会で語った。(2013/4/24)

孤高の人はたいてい失敗する
“独善”データサイエンティストが陥る6つの勘違い
現代IT技術で注目のビッグデータで要となるデータサイエンスチームは最も花形のセクションだ。優柔な人材が集まってくるが、それだけに、自らの誤りに気付かないままビジネスを窮地に追い込むこともある。(2016/2/5)

総賃金で平均25%の違い
「データサイエンティスト」はやはりセクシーな職業? 調査で分かった“超高給”
米TechTargetが実施した2015年度の給与調査によると、BIやビッグデータに携わっている従業員は、自身の仕事に対する満足度がかなり高いことが分かった。その秘密に迫る。(2015/12/21)

さまざまなデータ管理ツールとの相性も抜群
データサイエンティストが太鼓判、「Apache Spark」がIoT分析に選ばれる理由
産業機器が生成する膨大な量のデータの意味を理解するには、IoTのビッグデータ分析が欠かせない。このタスクにはSparkが対応できるかもしれない。(2016/3/7)

高給なデータサイエンティストはいらない
「専門家はいません」でもサクサク進む簡単データ分析術
業務実績や経済動向の指標データをリアルタイムで解析し将来動向を予測する動きが多くの企業で進んでいる。高精度の予測には高度なスキルを持ったデータサイエンティストの存在が不可欠というわけでもない。(2016/8/1)

基本的な仕組みを知る
データサイエンティストに縁遠い人のための「機械学習」入門
機械学習はより洗礼された意思決定において、有益なデータを抽出する最適なツールになり得る。機械学習がどのように情報を予測しているのか、基本的なアルゴリズムや仕組みについて紹介する。(2015/7/2)

TechTargetジャパン プレミアムレビュー
データサイエンティストに聞く、ビッグデータ活用の条件
世間の注目を集めている「データサイエンティスト」。企業におけるその「本当の役割」と、分析という行為を確実にビジネスの成果につなげるための鉄則を探った。(2013/5/29)

マーケティングのデータ活用に関するアンケート調査
57.1%の企業でデータサイエンティストが不在
企業においてマーケティングのデータ分析状況はどこまで進んでいるのか? データ分析製品/サービスの導入状況、データサイエンティストの活動実態などを読者に聞いた。(2013/10/17)

「スポーツの世界は統計を好む」
野球、バスケチームがデータサイエンティスト確保へ――スポーツデータ分析最前線
一部のプロリーグでは既に、データ分析を意思決定プロセスに取り入れる動きが始まっている。米大リーグやNBAでの取り組みを紹介する。(2014/4/18)

分析のカリスマから学ぶ
女性が増えると分析力アップ? 精鋭データサイエンスチームを作る7つの教訓
データサイエンティストが習得すべきプログラミング言語は何だろうか。また、彼らにはどのような指導が必要だろうか。チームにもっと女性を参加させるべき理由は何か。これらの疑問を含めた7つの項目に答える。(2014/8/27)

施策に落とし込むプロセス構築が大切
データサイエンティストだけでは何もできない理由
データサイエンスチームに必要なのは、1人の人物に全ての役割を担わせることではなく、データサイエンスのプロセス全体に焦点を当てることだ。(2013/7/22)