データ戦略の会社が考える「データ分析の概要を掴むオススメ記事」

これまでに書いたデータ分析に関する記事について、オススメの記事や相互の関係性をはっきりさせるための見出しを作ってみました。これは今後も記事を追加するたびに、更新していこうと思います。

1) AI導入/DXに必要不可欠な「データ戦略」が実現性とプロジェクトの効果を最大化する

→ AI/IoTを含むデータサイエンス技術をビジネスの成果に結びつけるためのフレームワーク「データ戦略」の7要素について説明しています。(2020/4)

2) なぜ結果が出ないAI導入/DXが多いのか。成果を出す確率を上げるには何が必要なのか。

→ データ分析と一言で言っても、Excelで出来るクロス集計からAIを使った画像解析まで、指している内容が違うことが多いです。データ分析の活用例と、目的設定の重要性を紹介しています。(2019/1)

→ 経営課題を見つけるために分析に着手することにしました。ところがいざ、分析屋さんを呼んできたら「では分析のための経営課題を教えてください」と言われました。という話はよくあります。こんなトンチのような話は、なぜ生じるのでしょうか、を書きました。(2018/9)

→ ビジネスにおけるデータサイエンスを導入する上で、KPIの設定はとても重要です。実際にどんなサービスで、どんなKPIを設定してデータサイエンスが貢献しているのか、事例記事をベースにまとめました。(2018/11) 

→ ビッグデータの時代から「データを集めれば儲かる」と思っている方も多いですが、必ずしもそうではありません。データを集めた結果、そのデータを使って継続的に売上げを上げるないしコストを下げられるような構造が必要、ということを紹介しています。(2018/9月)

3) データ戦略を実行するために必要なもの。それは適切なチーム構成

→ データ戦略を実行するためには、スーパーエンジニアを連れてくるのと、複数人のチームで進めるのと、どちらが良いのでしょうか。という話です。(2019/4月)

→  私自身も、これまでに自分で機械学習のモデルを作ったり、それを経営層に説明したり、エンジニアに分析を依頼したり、一緒に開発をしたりして来ました。その経験から、「分析すること」と、それに付随する様々な業務（現状の課題の把握や、企画立案・提案など）は明確に分けた方が良いと考えています。(2019/3月)

→ データサイエンティストを育てたいので、どんなスキルを身につけさせれば良いか、という話はよくあります。よく「ビジネス」「データサイエンス」「データエンジニア」力をつけよう、と言われていますが、全て一人で身に着けることは難しいのでは、という記事です。(2018/9月)

4) オススメコラム

→ DataStrategyのnoteの中で、様々なトレンドにも取り上げられた記事だったりします。DataStrategyでは、データ分析/AIの導入の他に、高度なテクノロジーを用いたプロダクトのマーケティングアドバイザリーも行っています。最近ではToCのプロダクトだけではなく、ToBにおいてもその成長においてブランドが果たす役割の重要性が語られるようになりました。しかし、これらマーケティング・ブランディングという言葉は使う人によって定義が異なり、我々もプロジェクトの最初にすり合わせをする必要を感じることが多いので、我々なりの定義をまとめたものです。(2018/11月)

→ マーケティングは、データ活用の応用先としても非常にメジャーな分野の１つです。上手く行けば目に見えて売上が上がるので、データ分析を導入する際に期待される成果や費用対効果の想定がしやすいのも理由かもしれません。この記事では、具体的にデータをマーケティングに活用する際によくあるアプローチ４つを取り上げてみました。 (2018/7月)

→ 最近では、顧客の行動データが蓄積しやすい SaaS ビジネスでのデータ活用シーンも増えています。一方で、自社で蓄積する顧客行動のログデータだけでなく、外部データを活用することでデータを成長のエンジンとして活用することも出来ます。(2018/6月)

---

DataStrategy は「あらゆる事業家が最先端のデータサイエンスをプロジェクトに導入できる」を理念に、研究機関や技術者との連携を通じ AI/IoT/DX分野でのプロジェクトをリードする専門家集団です。まずは無料で相談だけでもしてみたい、弊社の取り組みについて一度直接聞いてみたいという方は、お問い合わせフォームからご連絡ください。

Contact