自動化データサイエンス&機械学習ソリューションでビジネスインサイトを加速

データサイエンティストはデータサイエンスプロジェクトの成功に不可欠だ。だが、彼らは単独ではできない。他のスキルセットと自動化ソリューションからの支援が必要だ。

データ——現代機械の歯車を潤すオイル。だが問題がある。組織はこの新たな力からビジネスインサイトを得るのに苦労している。

慢性的な不足

市場では、多くのエンタープライズ顧客が非常に大きなデータサイエンスチームを構築しようとしている。中には、顧客入力からIoTデバイスまで——これがメインチャネルになる——データ爆発に対処するため、数百人を採用しようとするところもある。

だが容易ではない。データサイエンティストは大幅に不足している。

Gartnerが提唱する「シチズンデータサイエンティスト」——統計と分析を主たる職務としないが、高度な診断分析や予測・処方能力を持つモデルを作成・生成する人——が存在するが、彼らは専門家を補完する役割だ。専門家を置き換えることはできない。特定の高度なデータサイエンス専門知識を持たないからだ。

それでも、多くの企業はシチズンデータサイエンティストチームの構築すら、ましてやデータサイエンティストチームの構築すら、本当に苦労している。

データサイエンス

データサイエンスは、科学的手法、プロセス、アルゴリズム、システムを用い、構造化・非構造化を問わず多様な形式のデータから知識とインサイトを抽出する多領域分野と説明される。データマイニングと類似している。

自然に多くの構成要素を持つ。その一つが機械学習で、「データサイエンスで最も楽しい部分」とdotDataのCEO兼創業者、藤牧亮平氏は言う。

企業が直面する真の痛みはデータ側にある——データサイエンスを適用できるようデータセットを整えることだ。データは非常に複雑で、エンタープライズで収集されるとき、機械学習やデータサイエンス目的で保存されているのではない。ビジネス目的で、例えばチャートとして保存されている。

ビジネスはこのビジネスデータを機械学習フォーマットに変換しなければならない。これは「特徴量学習（フィーチャーラーニング）」と呼ばれる、と藤牧氏。「そして基本的に、大量のドメイン知識を適用してデータを処理しなければならない。」

したがって、人材不足だがデータは流れ続けるこの環境では、データサイエンスのエンドツーエンドプロセス、フィーチャーパイプラインを含むデータの自動化が必要だ。

インサイト獲得とアクション推進

機械学習は予測、新規顧客特定、金融サービスではリスクの高い顧客特定などが可能だ。この予測*がビジネスプロセス自動化を駆動する。コアビジネスがビジネスシステムと統合され、何らかのビジネスアクションを自動的にトリガーする。このように多くの領域でビジネスを大幅に効率化できる。

機械学習とデータサイエンスプロセスからのもう一つの極めて重要な成果はビジネスインサイトだ。データは非常に複雑——業界専門家はドメイン知識と直感を持つ——だが、企業に流入する膨大なデータの裏には、専門家でさえ気づかない未知・未発見・予期せぬ知識が大量に隠れている。機械学習やデータサイエンスプロセスは、それらを通常発見できる。

dotDataからの例

dotDataは、自社プラットフォームを適用して住宅ローンタイプ商品に興味を持つ新規顧客を予測した銀行顧客と協業した。最初は若者にアピールすると思われていた。だが発見されたのは、全く異なるタイプの顧客——やや年配の層——が興味を持っていたことだ。この人口統計学的顧客層が、予測された若年層より多くこの商品を購入していた。

このタイプの新しいビジネスインサイトにより、顧客はこの顧客セグメント向けの新しいプロモーションキャンペーンを構築・設計できた。あるいは、このタイプのビジネスインサイトに基づき新商品を設計できた。

データサイエンスと機械学習プロセスの自動化が、データから新しいビジネスインサイトを生み出した。

データサイエンティストだけでは……十分ではない

データサイエンスで意味のあるビジネス成果を引き出すには、どんなスキルセットが必要か？ 最初は数学的・統計的知識だが、同時にこれらのビジネスは非常に大きな大規模複雑データをダウンロードしなければならない——これにはデータエンジニアリングが必要だ。

「また、同じデータで異なるビジネス問題を解くには、異なるドメイン専門知識が必要だ」と藤牧氏。

優秀なデータサイエンティストには強力な数学・統計スキルセットが必要だが、往々にしてビジネスとデータエンジニアリングスキルを持たない。

データサイエンティスト不足は、あらゆる成功するデータサイエンスプロジェクトのハードルだ。だが問題は：データサイエンティストだけでは、大規模複雑プロジェクトを完遂するには十分ではない。

成功するデータサイエンスプロジェクトには、ドメインエキスパート、設計エンジニア、データサイエンティストが必要だ。

データサイエンスプロジェクトの非常に大きな部分は予測*——ビジネスシステムと統合し、多くのデジタルメンテナンスを自動的に推進する必要がある。これは、このデータサイエンスプロセスを理解し、適切にビジネスシステムに統合できるエンジニアが必要だということだ。藤牧氏はこうした人材を「データサイエンス人材」と呼ぶ。

データサイエンティストは不可欠だが、データサイエンスプロジェクト完遂にはもっと多くの役割が必要だ。

dotDataのようなソリューションは、データサイエンスと機械学習を自動化することで、この問題を解決し、努力を分担し、ギャップを埋めるのを助ける。