リモートワークについて

また久しぶりにブログを書きます。最近はリモートワークで、通勤時間が減ったことにより、より時間が有効活用できるようになったので、また読んだ本のアウトプットをする機会をまた作っていこうと思います。

3月ごろからずっとリモートワークをやってきており、はじめは慣れない部分もあり、効率的に仕事をやれているかどうかわかりませんでしたが、今はだいぶ慣れてきました。

リモートワークについては、賛否両論ありますが、この働き方には賛成です。通勤時間が無くなったのが大きいです。ただ、私自身、元々は家で勉強が集中できないタイプだったため、外のカフェや自習室、図書館などでやっていたため、リモートワークもはじめあまり慣れませんでした。

では、なぜ集中できるようになったかというと、家の中に「仕事ができる環境」を整えたからです。具体的には、長時間座って仕事ができる椅子を購入したり、モニタは動かせるデュアルモニタにしたり、WIFIをやめて光回線　10Gを引いたり、仕事をやるストレスをなるべく減らす環境を家に作りました。

コードを書いていてもMTG以外は基本誰にも邪魔されないですし、MTGもアジェンダが少ないとさくっと終わるので、非常に効率的に仕事ができていると感じています。また、回線を引いたことで、会議の途中でネット状態が悪くなることもなくなりましたし、必要なデータ等のやり取り、ダウンロードなどもさくっとできるようになって、ネット環境は職場と変わらずストレスがグッと減りました。

もちろん、リモートワークのデメリットはありまして、新人が上司の仕事ぶりが見えずOJTとして学ぶ機会が少なくなるですとか、怠ける人が出てくるですとか、オンオフの切り替えがしにくいですとかあります。新人の教育に関しては悩んでいる企業も少なくないようで、社会に出て間もないのに自律的に動けない人もいるため（いや、新人だけではなく、結構な年数経ってもこういう人は少ないですが）、そこは仕事のアウトプットや成果をちゃんと見える化できるように仕組みを整えていくのが大事になってくるのでしょうね。

今、「リモートワーク」という本を読んでいるので、それを今度まとめようと思います。

何の分野のデータサイエンティスト？

久しぶりにブログを更新します。

相変わらず、職場やプロジェクトは転々としていますが、現在、金融のリスク管理系の仕事をやっており、8年前にやっていたVaRとか信用リスクとかをまたやることになりました。この分野も広く言えばデータサイエンスの分野と言えますが、この分野から去ってまた戻ってくるまで、マーケティングの分析をやることが多かったです。

マーケティング分析、はじめは面白いと思っていましたし、学術的にも理論的なアプローチがたくさんあったので興味はあったのですが、何かふわっとしたようなデータ分析をやっている印象はありました。金融のリスク管理みたいにキッチリやらないですし、何か世界的に規制があるものでもなく、ある意味自由にやっていい感じはあったので、マーケティング分析ってふわふわしているなって印象はありました。

飽き性の自分がまた同じ分野に戻ってきたのは、グローバル案件で英語のスキルがアップするということと、Sparkでの実システムを扱えることが大きな理由となりました。あと、直近はなさそうですが、このリスク管理計算やポートフォリオの最適化とかは、量子コンピューターで使われる可能性も高く、量子コンピューターにも興味があったので、この分野に関われる可能性もあるだろうという期待もあり、この分野もちょこちょこ学び続けています（が、関数解析の復習とかがっつりではなく、ほんと入門レベルの本２−３冊です）

人工知能がこれだけ注目されているにも関わらず、実務上、リスク管理のベースとなる理論やアプローチは変わっておりません。まあ、個人の信用リスクがらみは人工知能や機械学習等を使ったサービスはありますが、こういった規制がらみはそんなに大きな変更なく、まあそれだけ洗練されたリスク管理の手法が金融分野では研究されていたということですかね。

これからも同様に、金融のリスク管理の手法は進化していくでしょうし、もしかすると、全体的な流れとして、今後は機械学習等の連携もあるかもしれません。自分の元々の専門分野（金融のリスク管理）を軸においてまたキャッチアップしつつ、巨大システムを構築しつつ、これからの金融におけるデジタル化？がどうなるのかまだ誰もわからないですし、銀行や証券業界はどんどんと変化していくと思いますが、データサイエンスの手法も磨いていくつもりです。

なぜデータサイエンスのジェネラリストになるべきではないのか

上記のことはほんとそうだと感じたので、データサイエティストを目指す人はぜひ、自分の専門分野（金融、マーケティング、医療など）を持って欲しいと思います。

データサイエンスは流行なのか？

データサイエンスやビッグデータが流行りだした頃は正直、疑いの目をもっていた。最近は、色々と現場で分析したり話を聞いているうちに、単なる流行ではなく、ますます必要になっている領域になっています。年々、引き合いも多くなってくる（笑）。特にビジネスの現場で使ってきた人は重宝される傾向にあるようです。単に数理モデルを作るだけじゃなくて、データサイエンスで重要なのは予測因子をビジネス現場でコントロールできるものに設定しないとあんまり意味がないってことですね。いくら予測精度が高くても、企業や現場側が頑張ってその因子を変えることができなければ、単なる数字のお遊びになってしまう。「日経平均や色んなマクロ指標を使って相関があり、予測精度が高いモデルを作成できました！」って言われても、「じゃあそれをどうやって変えればいいの？」ってなりますから。でっかい金融機関が取引をしてその市場にインパクトを与えられるってことも可能でしょう。一方、ほんとんどのメーカーや企業とかはそんなのできないので。あ、あと予測精度計算の時も、テストデータとかとらずにやっているモデルも多々みるので気を付けましょう。

どっかの本にも書いてあったことで、データ分析をする企業には色々と段階があります。最先端の高度な分析はグーグルとかアマゾンとかやっている一方、ほとんどの企業は「重回帰やロジスティック回帰分析って何？」とかというレベルです。なので、予測モデルを作って正解率、適合率うんぬんいっているとついてこれない人がほとんどです。データ分析している人たちはその辺も意識して、説明しないと他の人たちがついてこれなくなる。データ分析ブームで回帰分析の本もたくさんでてきていますので、それくらいはわかる方たちが増えてきましたが、因果と相関の違いがわかっていない人も多々います。

それ以前として、まずは自分の企業がやってきたことをちゃんとデータ化・可視化していきましょうって段階の企業もありますし、データを貯めてどうすりゃいいのとか、そのデータをなんとか使いたいって企業もありますけど、なんのために分析をするのかわかっていないと、無駄な投資になりますので。こういったことも数年前に出版された本に色々と書いてあるんだけど、まだまだ浸透していないってことですね。

あと、必要以上に数字をこねくりまわすのも好きじゃないですし、よくないです。数字でみせるとそれっぽくみえちゃうので、そういった悪習をデータサイエンスは一掃しなければいけません。

更新はしなくても

こちらの方がアクセス数が多いですし、やはり日本語の方が記述が早いので、、こちらもぼちぼち更新していくことにします！

そういえば、近年はフィンテックとかブロックチェーンが注目されていたり、ポケモンGOが話題になったりと世界はどんどん変化していっているんだなーと。

6－7年前の大学院のときにソーシャルレンディングとかに注目していて、ITの技術によって既存の金融機関のビジネスが覆されるじゃないかなあ思っていたけど、そうなる可能性がでてきているのは面白い。まあ既存の金融機関ものんびりしていないので、どうなるかわかんないですが、既存のビジネスにしがみついて、あぐらをかいているような奴らが淘汰されるのは間違いない。金融工学、クオンツ、ビッグデータ、データサイエンス、機械学習、AIときたから、次はフィンテックか。流行に流されている感ありますね。。

まあ、フィンテックってファイナンスとテクノロジーの組み合わせですし、ぱっとみ目新しさはないようですが、ブロックチェーンとか仮想通貨はもっと勉強しないとなと。暗号理論とかからんでいるみたいだし。この辺の領域っていますごい投資されていますね。

英語版で

英語版をやってみることにしました。 http://mathematics-ourlife.blogspot.jp/

転職しても変わらないこと

最近、アウトプットを全然していなかったので、久しぶりにブログを書こうと思います（笑）。お題は転職しても変わらないことです。

最近はやりの「ビッグデータ」ブームに乗って（？）、データの分析の仕事をしており、2回も転職してしまいました。が、転職はどちらもしてよかったと思います。どの企業にも問題はあるといえばありますし、それは色々ですので、あえて書かないでおこうと思います（笑）。

1社目は金融IT業界、2社目は広告業界、3社目はマーケティング業界と色々と動いてきました。ざっくりいうと1社目ではシステムを構築するスキル、2社目はコンサルティングと資料作成のスキルがアップしたような気がします。1社目は新卒で入ってそこで貢献できたのかどうかわかりませんが、2社目は目に見える形で貢献できて、「またいつでも戻ってきてください」といわれるまでになり、無事に卒業（？）はできたつもりです。※ただ、1社目は私が辞める前後くらいに、リクルートエージェントとか急に色々なところに求人をたくさんだしていたので、一応、歯車にはなっていたようです（笑）。

個人的には、3社目の現職が一番しっくりきており、人間関係においても、スキルアップ（データ分析、英語、等）においても、ワークライフバランス（？）においても、よいと感じています。もちろん、現状に満足するわけではないのですし、自分はまだまだだと感じる部分が多いですが、やはり環境って大事だなと思う今日この頃です。

ちなみに、現在も色々と転職に関する話をいただいておりますが、しばらくはこの会社で頑張ろうと思っています。景気が良いせいもあるんでしょうけど、確率とか数理モデルがなんとなくわかって（笑）、システムがそこそこわかって、英語もなんとなくできて、コンサル経験を積んでいる人というのはあんまりいないみたいです。ただ、システムは一流の人にはかないませんし、英語もコンサルもそうです。

唯一、確率とか数理モデルがなんとなくわかる（笑）くらいですが、それは今までいた会社の中では誰にも負けない自負はありました。もちろん、特定の数学的な領域を専門で勉強した人や、数学の研究者の方たちには負けるけど、ビジネスマンの中では一番勉強しているつもりです。金融業界では、確率微分方程式が解けたり、マリアバン解析なんて常識かもしれませんが、マーケティング業界で知っている人なんてほぼ皆無と思います、役に立つかどうかわかりませんが（笑）。

もちろん、その数学的なアイデアを使って、面白いことをやってやろうとか、新しいビジネスモデルを創ろうというモチベーションも誰にも負けません。それが私の強みかもしれませんし、どの業界にいっても同じ気持ちだと思います。

とある弁当屋の統計技師(データサイエンティスト) ―データ分析のはじめかた―

つい最近まで話題になっていた（今も？）「データサイエンティスト」に関する本です。数式も多少入っていますが、ストーリーとしては比較的読みやすく、統計がわからない人でも大丈夫だと思います。個人的にはわかりやすいと思います。主人公と弁当屋の娘とのやり取りについては、少々恥ずかしい感じをもたれるかもしれませんが、小説を読むような感じで読めばよいのではないでしょうか。

ExcelVBAでIEを思いのままに操作できるプログラミング術

ExcelのVBAを使ってIEを操る本です。VBAがあまりわからなくても、初歩から解説してあるので、VBA初心者でも大丈夫だと思います。この本では、TSUTAYAのオンラインでレンタル作品の在庫を店舗ごとに検索できたり、食べログの検索結果一覧を集めることができたりします。VBAでやらなくてもといわれちゃいそうですが、VBAを普段使っている人にも面白いと思いますので、おすすめです。

Excelで学ぶデータマイニング入門

エクセルを使ってデータマイニングを学ぶことができる本です。マイニングとは鉱山から宝の原石を掘り出すことを意味します。この本では、中古車の価格の予測、最適化計画法、アンケートデータの解析、コンジョイント分析、最適ポートフォリオの求め方などなど、面白い例がたくさん取り上げられています。RやらPythonやらいろいろなプログラミングを使ったデータ分析の本がありますが、これらがちょっと難しいという人には、まずはこういった本などを使って、エクセルからはじめることをおすすめします。

最近の状況について

もう一つブログを作っていたのですがやめにして、いろいろと面倒なのでやはりこっちで統一することにしました。。

昨年に金融業界からマーケティング業界に転職をしまして、プロジェクトに５つや６つ同時に入るという刺激的な仕事生活を送っています（もちろん、仕事の忙しさに波はあります）。今の仕事は色んな業界のことを知ることができますし、いろんなツールやシステムを使う機会もたくさんありますので、あきはこないと思います。その分、勉強することは多いので大変ですが、休みの日も色んな専門書を読んだりして、以前の会社生活とはだいぶ異なっていますね。。

鈴木敏文の統計心理学 データサイエンティストを超える仕事術

セブン&アイのトップ鈴木敏文さんのインタビュー本です。統計という名前がついていますが、統計的な専門用語は全くでてきません。データに対する見方とか扱い方に関する姿勢は見習うべき点は多いと思います。当たり前ですが、ただデータをみて漠然と分析するのではなく、あらかじめ仮説を持って、それを検証するためにデータ分析をする。仮説が正しくなかったときは、どこに原因があるのか追求する。また、この本では人間の購買行動心理についての重要性を述べています。

データ分析というと大学で使うような統計解析学とか数値解析、最新のIT技術を駆使するとか思い浮かべる人もいますが、ビジネスではそれらの数式やアルゴリズム自体が重要なのではありません。もちろん、それらを使ってよい次の経営戦略（利益をあげる、コストを下げる等）につなげられるならば、それはとても意味があります。この本ではそういった点については全く触れられていない（むしろ、サブタイトルが「データサイエンティストを超える仕事術 となっている）ので、「難しい数学をゴリゴリ使いたい！」という人たちには面白くないかもしれません。

しかし、ビジネスの現場では難しい数学（？）を使えるだけの人よりは、データから意味のある数字を読み取り、次のビジネスにつなげることができる人のほうが重要視されます。それが出来た上で、大学や大学院で学ぶ数学（数理モデル）を使う場面を適切に選び、使える（IT開発や環境設定も含めて）人は最強ですね。そんな人はどこからもひっぱりだこだから、非常に貴重な人材として扱われるでしょう。