ALBERTRECRUITING
SITE

ENTRY
  1. TOP
  2. MEMBER ALBERTの人々
  3. 座談会
  4. データサイエンティスト座談会01・後編

CROSS TALK
データサイエンティスト座談会01・後編

CROSS TALK

02.分析する上で難しいと感じることはありますか?

生命さん
今まで携わってきた案件に共通して言えることなのですが、“タスクを定義する”というところに大変さを感じます。研究と違って分析案件はスケジュールや予算などにより限られた時間の中で進めていく必要があり、クライアントからのふわっとした大きなニーズに対して、具体的にどのように定義して進めていくかが難しいですね。例えば、「××をモデル化したい」というご要望に対して、「どう達成することが“モデル化したい”というご要望に対して達成したといえるのか?」ということを細かくタスク定義してクライアントと認識を合わせていく必要があります。また、コミュニケーションも大変だと思うことが多いです。学術的に定義されていない言葉をわかりやすく置き換えようとした時に、クライアントの使っている言葉の定義と、こちらの言葉の定義が違うこともあります。お互いに共通の意味の言葉にしていく過程で違った解釈のまま進まないようにするための理解やコミュニケーションは大変だと感じます。
情報さん
大変だと思うコミュニケーションに対して、どうやって対処していますか?
生命さん
まずはこちらでキーとなる過程とタスクを決めて、それに対して直接的に関わる言葉を定義して進めるしかないかなと。最初の段階でお互いにふわっとしたまま進めてしまうと、最後までふわっとしてしまうので、そこは手間ですがしっかりとやるべき部分だと思います。
情報さん
私は、非定型的な分析案件に携わることが多いのですが、その際にクライアントの分析環境やデータ構築まで考えて進めることに難しさを感じます。分析に利用する生データは思っているよりも大変な処理が必要な場合も多く、それを理解した上でクライアントの制限されたツールや環境でどう処理していくかということに、日々大変さを感じます。自分で調べて知識をどんどん吸収することで、次に活かしています。
物理さん
私も生命さんと同様に、クライアントとのコミュニケーションは大変だと感じることはありました。お互いの使う言語の理解に齟齬がないよう、ビジネスサイドの知見を素通りせずに確認することや理解して頂きやすいように分析のご報告をすることを心掛けています。また、クライアントのご要望に対応しながら、どのような分析をすればクライアントに貢献できるのかということを考え、コミュニケーションを取りながら進めていくことを意識しています。
情報さん
提案はこちらからしていくのですか?それともクライアントから頂いた内容をこちらで整理するのでしょうか?
物理さん
両方のケースがありますね。例えば方針変更があった際に、私たちから分析方針や手法を提案して進めていくこともあります。ただ、その分析結果のビジネス的な重要度についてはクライアントの判断が最も重要なので、意図を理解するよう距離を縮めていくことが大事なのかなと思います。そのためには、クライアントがどういうビジネスをやっているのかということをこちらも積極的に学んでいかないと、結果として有益なものにならないと思います。
心理さん
私はクライアント自身もデータアナリストである場合の分析案件はより大変だと感じました。その案件は時系列分析分野だったのですが、クライアントも詳しい方なので、時系列データに対して一番妥当な分析方法は何か?ということに対して毎週のように細かく議論しましたし、最終報告書は100ページほどになりました。クライアントも詳しい方だとより一層実力が問われますが、最終的には高評価をいただけたのでよかったです。
経済さん
お題とは少しズレてしまいますが、分析からシステム化・運用までを見据えた案件に携わった時に、運用していくためのデータエンジニア力が必要となる難しさを感じました。
データ分析は1人で運用していくものではないので、最終的に他の人が見てわかるものでないといけないし、且つ効率が良い運用にする必要があります。データサイエンティストとしてはそこを疎かには出来ないので、自分にはない知識もキャッチアップする必要があることは大変です。あまり得意じゃなくてもプログラミングをする場合もありますが、そういった時には、変にプライドを持たずに“わかる人に聞こう”という姿勢を持ち、周囲とコミュニケーションを取りながら解決するように心がけています。

03.多種多様な分野出身のデータサイエンティストがいることで良かったこと

経済さん
やはり、周囲に優秀な人が多いことで“自分も負けてられないぞ!”という気持ちになれるこことですね。周りの人の話を聞くと自分に足りない知識や考え方が見えてくるので、そういうところを日々補えるように勉強する姿勢が身に付きますね。
心理さん
そうですね。私も負けないぞ!という気持ちもありますが、合わせて“自分の専門性”をとても意識させられますね。

この業界では、新しい手法が日々生まれてくる中でオールマイティにできれば良いのですが、どんな分析案件でもあるところまでいったら必ず息詰まることがあります。そこを越えられるのは、専門性やその分野で戦ってきているという自負かなと思います。すべてを取り入れるのではなく、取捨選択しながらいかに自分の専門性や強みを伸ばせるか。自分のアイデンティティを確立する意味で、自分とは違う出身分野の方が多い環境は非常に良い環境だと思います。専門性が高い人が多いので、聞きたいことをすぐに聞けて、かつ的確な返答がもらえることが大変助かっています。
生命さん
私は多種多様な分野の人がいることで“会社全体として解析方法やモデリング、アプローチ方法の多様性がある”ということがメリットかなと思います。出身分野が同じでも実験を主体として行なってきた人もいれば、理論ベースで学んだ人もいます。実験と理論系では同じ分析案件でもアプローチ方法や捉え方が違うこともあるので、意見を出し合って最適な方法を模索できる知識があることが強みだと思います。

また、自分の研究分野に近い、バイオインフォマティクスを学んでいる方は、ALBERTでデータサイエンティストとして活躍できるんじゃないかなと思っています。こうした分野を学んでいる方のDNAデータを用いた分析から発展してきた手法や知識は、ビッグデータ分析には欠かせないものです。ぜひバイオインフォマティクス系の方と一緒に働きたいですね。
情報さん
私も、知識共有ができることが一番のメリットかなと思います。勉強会などで論文を一緒に読むことがあり、その中で疑問に思ったことをその分野の人に詳しく説明してもらうことで理解を深めることができます。また自分が説明する場合でも自分の専門分野だからこそより分かりやすく伝えるということを意識させられるのでとても勉強になっているなと感じます。知識共有の中で、最近はIoTやスマートファクトリー関連の案件に関わる機会が多く、工業で情報系の方でもデータサイエンティストとして活躍できる場は多いという印象をもっています。ぜひ、近い分野の方にもチャレンジして頂きたいですね。
物理さん
ALBERT全体の強みとしては、バックグラウンドやキャリアの多様性があることだと感じます。単純に出身分野だけを見るのではなく、自身のキャリアとしてどういうことをやってきたかというところを重視しているからこそ、多様な人が集まってくるのかなと。様々な年齢、専攻の人がいて、プロフェッショナル集団としての意識が高いところが強みだと思います。

出身分野が違っても、研究の中で培ってきた経験は現在の業務に活かせる部分が非常に多いですね。出身分野が違うからこそ生まれる多様性がALBERTの分析力・技術力の高さの理由になっています。ぜひ色々な出身分野の方にご応募いただきたいですね。

※2019年4月掲載。本文中に掲載されている制度や事例、部署名、役職等の内容は、掲載当時のものであり、
現在はそれらの内容が実在していない、あるいは変更されている可能性があります。

◀︎ 前編へ戻る
「出身分野の研究内容が現在の業務に活かされていると思うこと」
MEMBER