20170912 data analyst meetup tokyo vol.5

DataOpsin

MoneyForward2017/09/12(Tue)

Data Analyst Meetup Tokyo vol.5at :DeNA

© Money Forward,inc.2

名前 : 伊藤徹郎 (@tetsuroito)

所属 : MoneyForward, Inc.

部署 : 社⻑室

Tools : R & SQL & (sometimes Python)

Career :企画営業 → データアナリスト → Webディレクター → 事業開発

イマココ

Who Am I

DataOpsってなに？

DataOpsの前にDevOpsの話


Dev(Development)

Ops(Operations)

[DevOps]はソフトウェア開発⼿法の1つで、開発担当者と運⽤担当者が連携して協⼒する開発⼿法です。

開発担当者運⽤担当者

DataOpsはDevOpsからインスパイアされてる


Data(Data)

Ops(Operations)

[DataOps]は私が提唱している考えで、データ分析担当者とサービス運⽤担当者がそれぞれ連携して、適切にサービスを改善/運⽤する⼿法です。

データサイエンティストデータベースエンジニア

機械学習エンジニア

運⽤担当者

要は・・・


同じサービスを担当する者同⼠、うまく連携していきましょうということです

少し宣伝


ZDNetという媒体で「事業会社で取り組むデータ分析の実際」という連載でそのような内容の連載をしていました。よければチェックしてみてください！

https://japan.zdnet.com/cio/sp_17datas/

そうはいっても‥


なかなか協調して動くことは難しいことが多いです。

部⾨間で連携する場合、

「情報のサイロ化」が問題になりやすいです。

また、同⼀チームで連携する場合、

「共通⾔語化」に問題があることが多いです。

データサイエンス系⼈材に共通する点


協働するよりデータをいじる

チームメンバーとコミュニケーションを取るよりも、取得可能なデータを⽤いて様々な分析を⾏ってみたり、様々なモデルを試してみたり、他のデータと組み合わせてみたり、⼀般的な統計情報から類推してみたり…








こういう姿勢はダメです。(胸に⼿を当て、考えましょう)



私のオススメな⽅法

ディレクターやUXデザイナーとの協働

データサイエンティストデータベースエンジニア

機械学習エンジニア

ディレクターUI/UXデザイナー

どうやって？


UXワークショップの実践チームの様々な職種のメンバーが⼀堂に会して、「ペルソナ/シナリオ法」のワークショップを実践。これにより、正しい仮説やターゲット像を作成。

ブログ記事 : https://moneyforward.com/engineers_blog/2017/04/19/user-survey-workshop/

■参加者の職種エンジニア/デザイナー/PO,PMO/企画、マーケ営業、アライアンス/カスタマーサポートなど

試してみてよかったこと


Ø外化することで暗黙知の共有ができた

Øサービスの経験年数による理解度のばらつき補正

Øゴム化するペルソナをきちんと同定することができた

Ø組織の壁のようなものがなくなった

Ø同じ⽅向性、正しいユーザー像の理解度向上

Øチームビルディングにも好影響

結果として得られる期待値


「仮説構築の精度」AIファーストやデータ⺠主化の流れを受けて、どんどんデータ利⽤における⾃由度やアルゴリズムの精度、選択肢の広がりが拡⼤しています。

その中で改めて我々データサイエンスを⾏う⼈間が意識しなければならないことは、「5W1H」の仮説です。

When ：いつWhere ：どこでWho ：誰がWhat ：何をWhy ：なぜHow ：どのように

引⽤元書籍名：「イシューからはじめよ」http://www.eijipress.co.jp/book/book.php?epcode=2085

MoneyForwardでの取り組み

データサイエンスを⾏うシステム構成

17 © Money Forward,inc.

定期バッチやアドホック分析なども実施し、必要に応じて構成変更なども⾏っています。

ロゴは各社のHPより引⽤

サービス提供におけるデータサイエンス

18 © Money Forward,inc.

家計診断機能で専⾨家(FP)によるアルゴリズムを作成し、ユーザーの属性など、近しい属性の理想の家計と⽐較・診断します。(*家計診断は有料機能です)

サービス改善におけるデータサイエンス


ユーザーの⾏動ログから多変量解析や統計解析により問題を特定。その結果から施策を⽴案・実装・リリース。リリース後にもモニタリングし、次の施策をあてていきます。

ユーザー⾏動モデルの可視化曜⽇・時間別⾏動分布の可視化アソシエーションルールのスキャッタープロット

社内の勉強会なども開催

20

輪読会を実施し、その発表資料を社内の情報共有ツールへアップ

© Money Forward,inc.

引⽤元書籍名：「ITエンジニアのための機械学習理論⼊⾨」http://gihyo.jp/book/2015/978-4-7741-7698-7

フィジビリティスタディー (KPIの予測など)


過去の蓄積データから予測モデルを作成し、信頼区間を⽤いた予測などの取り組みも⾏っています。Facebookの⽅が開発したProphetを使った例

ブログ記事 : https://moneyforward.com/engineers_blog/2017/06/01/prophet/


ユーザーのパーソナライズ情報を最適なタイミングで配信興味のある情報を学習し、よりよいアドバイスを提⽰

今強化している取り組み

今後強化していきたい取り組み


・プライバシー保護データマイニング

・差分プライバシー

・オントロジー

セキュリティとデータサイエンスはトレードオフです。セキュリティを担保しつつデータを活⽤出来る取り組みを推進予定です。

この辺の有識者の⽅々とぜひ意⾒交換や勉強会などをしたいので、ぜひお声掛けください！

個⼈的に気になっているもの

© Money Forward,inc.24 出典： http://edwardlib.org/

最後に⼀⾔物申したい


私たちは今回の「DeepLearning」

ブームで何を学んだのか

DeepLearningで学んだことは


Deep LearningはNNの再びのブームによってCNN、RNN、LSTM、GANなどの様々なアルゴリズムが勃興している

扱うフレームワークもH2O,MXNet,Caffe,Theano,Chainer, Torch,Tensorflow,Kerasなどの多岐にわたっている



Deep LearningはNNの再びのブームによってCNN、RNN、LSTM、GANなどの様々なアルゴリズムが勃興している

扱うフレームワークもH2O,MXNet,Caffe,Theano,Chainer, Torch,Tensorflow,Kerasなどの多岐にわたっている



Deep LearningはNNの再びのブームによってCNN、RNN、LSTM、GANSなどの様々なアルゴリズムが勃興している

扱うフレームワークもH2O,MXNet,Caffe,Theano,Chainer,Tensorflow,Kerasなどの多岐にわたっている

そうじゃない



⾃社のビジネスモデルに適した適切な課題設定およびタスク設定を⾏い、いかに計算資源を獲得して、(お⾦をかけられて)いかに良い教師データを揃えられるのかその上で、先ほどのフレームワークの話がくるのではないか

*あくまでも私⾒です

DeepLearning情報をキャッチするTips


arXivTimesというリポジトリがGithubにあります。何も考えず、このリポジトリをウォッチしてください

https://github.com/arXivTimes/arXivTimes

DeepLearning情報をキャッチするTips


Issueに読んだ論⽂のサマリが上がってきます。サクッと内容把握して、気になれば原著へ！

メール通知はさながらDeepLearningメルマガ

Weʼre Hiring


マネーフォワードでは、⼀緒に働く仲間を募集しています。

マネーフォワード採⽤ページ、もしくはWantedlyページをご確認ください。■マネーフォワード採⽤ページ https://recruit.moneyforward.com/■Wantedly https://www.wantedly.com/companies/moneyforward/projects

Data & Analytics

20170912 data analyst meetup tokyo vol.5