データ利活用の教科書④：データ分析でのPPDACサイクルとは？
読書ノート（114日目）
さて、今日もこちらの本を
紹介していこうと思います。
本書を5回に分け、以下についてを
紹介していこうと思います。
・データ利活用とデータリテラシー
・イシューについて
・リサーチを活用した1次データ収集
・データ分析の手法①
・データ分析の手法②
ということで今日は
・データ分析の手法①
について…
・データ分析は「意思決定に役立たないと意味がない」
・データ分析を通じて「ビジネスの確実性を高める」
・ディシジョンツリーでは期待値×確率で
期待利得を算出し意思決定に活用する
・データ分析の活用目的（アウトプット）は、
意思決定を支援するためのレポーティングと
業務システムの生産性向上（自動化・最適化）のための
モデル構築・実装に分かれる
・レポーティングではデータに基づいた
問題解決ステップであるPPDACサイクルが、
モデル構築・実装ではCRISP-DMの分析ステップが適している
・PPDACサイクル
Problem（解決すべき課題を明確化し仮説を立てる）
Plan（どのようなデータを集め分析するかの計画を立てる）
Data（データを収集し整備する）
Analysis（データを加工・分析して意味合いを抽出する）
Conlusion（資料作成・報告、新たな仮説・アイデアの創出）
・CRISP-DM
機械学習など学習モデルの構築を想定したサイクル
ビジネス課題の理解→データの理解→データの準備→
モデル構築→評価によって運用に耐えうるモデルを構築し、
その後は業務システムに実装して展開する
・データ分析には「探索型」と「仮説検証型」がある
・探索型は、良い仮説が見つからない際に様々な視点から
探索的にデータを分析し仮説を考えるアプローチする
・探索型によって、現状仮説・戦略仮説、
結論の仮説・理由の仮説などの初期仮説を精緻化する
・評価軸を考える際のコツは「悪魔のささやき思考」を活用
「それが良ければ、後は無視して大丈夫？」という
「悪魔のささやき思考」で自問自答すると良い
・データの4つの尺度
・質的データ（測定単位が無い、カテゴリーデータ）
名義尺度：男性を1、女性を2などのデータを区分するためのもの、
重回帰分析ではダミー変数化する
順序尺度：満足度などデータに順序関係があり大小関係を比較できるもの
・量的データ（測定単位がある）
間隔尺度：気温や西暦など、順序のあるデータ間に
等間隔の差があるもので数値の0が存在しないもの
比率尺度：金額や人数など、順序のあるデータに等間隔の差があり、
0が存在するもの
本書の中でも山場でもある
データ分析についてです。
詳しくはまた次回でも紹介を
したいと思います。
データ分析の世界には
PPDACサイクルというのがある
ということを本書で知りました。
本書を読む前は
PDCAサイクルに近いのかな？
などと思っていましたが、
かなり違っていたようです。
データ分析では「仮説が大切」と
様々な本で共通して言われていた通り
PPDACの最初のPは
Problem（課題明確化と仮説立て）
ということで、
なるほどー！と感じました。
ところで、
データサイエンティストが
21世紀で最もセクシーな職業である
という論文が発表されたのが
2012年頃ですが、今後も注目を
され続けるのでしょうか…？
その後10年が経ち、この仕事の需要は、雇用主と採用担当者の間でかつてなく高まっている。
AIはビジネスにおいてますます普及し、あらゆる規模と地域の企業がAIモデルの開発のためにデータサイエンティストの必要性を感じるようになった。インディードの求人数は2019年までに256％増えており、2029年までにほかのどの分野よりも成長するという、米国労働統計局の予測もある。引く手あまたの職は概して給与が高いものだが、カリフォルニアの経験豊富なデータサイエンティストの年収の中央値は、20万ドルに近づいている。
（現在データ分析を学んでいる
自分にとってのポジショントーク
になっている気もしますが…）
2029年までの予測でも、アメリカでの
データサイエンティストの需要は
高まり続けそうとのことです。
今年は一つでも多く、
「自己紹介」に繋がる分析実績を
残せるよう精進せねば！
と思った今日この頃です。
それではまた―！😉
この記事が参加している募集
この記事が気に入ったらサポートをしてみませんか？