SlideShare ist ein Scribd-Unternehmen logo
1 von 35
Downloaden Sie, um offline zu lesen
カスタマーサクセスのための
データ整備人の活動記録
id:syou6162
2020/05/14
第3回 データアーキテクト(データ整備人)を ”前向きに”考える会 登壇資料
自己紹介
● 吉田 康久
○ Twitterやはてなidは@syou6162 / id:syou6162
● 前職: NTTコミュニケーション科学基礎研究所
○ 自然言語処理や機械学習の研究に従事
● 株式会社はてな
○ アプリケーションエンジニアとして入社
○ はてなブックマーク
○ サーバー管理/監視システムMackerel
■ 教師なし学習による異常検知機能開発
● 2020年2月よりMackerelチームのCRE(Customer Reliability Engineer)
○ 主にデータ基盤整備 / データ分析
2
お願い: フィードバック、お待ちしております!!!
3
https://mackerel.io/ja/
Mackerel: SaaS型の
サーバー監視/管理
サービス
Agentがサーバーの
メトリックを収集、
グラフで可視化 4
アジェンダ
● カスタマーサクセス(CRE)とデータ基盤 / データ整備人
● カスタマーサクセスのためのデータ整備人の活動記録
○ ステップ1: 主要KPI計算のためのデータパイプラインの整備
○ ステップ2: データ基盤でできること / 出せる価値を感じてもらう
■ データ分析の一歩手前から伴走
○ ステップ3: 自走できる環境に近づける
■ チームとして継続的にメタデータを整備できるように
5
MackerelチームのCREについて
● CRE: Customer Reliability Engineer
○ 日本語に直訳すると「顧客信頼性エンジニア」
○ 2017年に発足
● ミッション: 顧客に寄り添い、顧客が抱える真の課題にフォーカスし、その課題を技術
を軸として顧客と共に解決を図る
● キーは「カスタマーサクセス」と「エンジニアリング」
○ ユーザーの課題をエンジニアリングで解決
■ 例: テクニカルサポート
○ ユーザーの課題をエンジニアリングで発見
■ 例: データ分析やデータ基盤
6
カスタマーサクセスを視野に入れたプロダクトの価値
参考:カスタマーサクセスとは何か
プロダクトの機能
そのもの
プロダクトを正しく使いこ
なすことで
得られる価値(成功)
Mackerelを取り巻く顧
客の体験
カスタマーサクセスを視野に入れたプロダクトの価値
参考:カスタマーサクセスとは何か
プロダクトの機能
そのもの
プロダクトを正しく使いこ
なすことで
得られる価値(成功)
Mackerelを取り巻く顧
客の体験
CREチームは、カスタマーの成功にフォーカスしつつ、
プロダクトの価値全体を最大化したい
カスタマーサクセスを視野に入れたプロダクトの価値
CREチームは、カスタマーの成功にフォーカスしつつ、
プロダクトの価値全体を最大化したい
プロダクト
サクセス
カスタマーの目線でプロ
ダクトの機能そのものを
価値を得やすいものにし
ていく
カスタマーサクセスを視野に入れたプロダクトの価値
CREチームは、カスタマーの成功にフォーカスしつつ、
プロダクトの価値全体を最大化したい
プロダクト
サクセス
ハイタッチ
テクニカル
サポート
カスタマーの目線でプロ
ダクトの機能そのものを
価値を得やすいものにし
ていく
プロダクトを正しく使いこなす、Mackerelを取り巻く
体験をより高める支援をする
ハイタッチ:顧客との対面に近い、ハイコストだけど親密
で濃度の高いコミュニケーション
テクニカルサポート:オンラインのスピーディーなコミュニ
ケーション(エフォートレス)
カスタマーサクセスを視野に入れたプロダクトの価値
CREチームは、カスタマーの成功にフォーカスしつつ、
プロダクトの価値全体を最大化したい
プロダクト
サクセス
ハイタッチ
テクニカル
サポート
データ分析基盤
CREチーム(広くMackerelチームが)がより効果の高いアクション・意思決定がで
きるようデータ基盤/ データ分析で下支えする。
私の主担当
最近は活用の幅が少し広がりつつある
プロダクトの価値全体を最大化
プロダクト
サクセス
ハイタッチ
テクニカル
サポート
データ分析基盤
セールス /
マーケティング
開発チーム
プロダクト
オーナー
注意: 私のトークでは話さないこと
● 大規模なチーム、すでにデータ基盤がある程度形になっている状況下でのデータ整
備人
○ データ整備人の担当領域がすでに明確に決まっているケース
● チームメンバー全員で↓くらいの規模での話をします(Mackerel Day 2の集合写真)
13
データ整備人の定義によると
このくらいの割合で働いています
データエンジニア = 3
データ整備人 = 4
データアナリスト = 3
アジェンダ
● カスタマーサクセス(CRE)とデータ基盤 / データ整備人
● カスタマーサクセスのためのデータ整備人の活動記録
○ ステップ1: 主要KPI計算のためのデータパイプラインの整備
○ ステップ2: データ基盤でできること / 出せる価値を感じてもらう
■ データ分析の一歩手前から伴走
○ ステップ3: 自走できる環境に近づける
■ チームとして継続的にメタデータを整備できるように
14
ステップ1: 主要KPI計算のためのデータパイプラインの整備
● 当初: BigQueryもデータウェアハウスもないゼロからのスタート
○ ゼロからって、それって本当?
○ そんなことはない!
● 経営陣向けの主要KPIダッシュボード(スプレッドシート)は存在
○ これが最初のデータ基盤
15
● 方針: このダッシュボードから整備しよう!
○ このダッシュボードは絶対見られる
○ 主要KPIを分解しないと、細かい施策の善し悪しや影響度が分からない
データレイク
RDBからtsvにしたのをシートにコピー
データウェアハウス
生データを(何段階かで)集計
データマート
グラフ表示用のシート
着手以前の状況
16
スタート地点のRDB
のテーブル
ゴールの主要KPIダッ
シュボード
着手以前の状況
17
スタート地点のRDB
のテーブル
ゴールの主要KPIダッ
シュボード
スプレッドシートの依存関係が多段で
発生!
着手以前はそもそもこの依存関係が明
らかではなかった
着手以前の状況
18
Aさん: XXXの分析したかった
けど、KPIダッシュボードが壊れ
るのは怖い...
詳細分析はまた今度にしよう
スタート地点のRDB
のテーブル
ゴールの主要KPIダッ
シュボード
Aさん: XXXを追加分析したい
から変更を加えよう!!
Bさん: ダッシュボード、壊れ
て見れなくなってる?!
● チームメンバーと一緒に既存のKPI算出までのフローを「全部」追った
○ スプレッドシートの依存関係を可視化
● 今回やるスコープを決める
○ 全部一気にやるのは無理
○ まずはKPI系から着手
改善: データワークフローの可視化
19
経理系(請求書関係)
KPI系 => まずこちらから!
改善: ワークフローの簡素化と(部分的な)自動化
● スプレッドシートをスクリプトに置き換え
○ 依存関係のグラフを見ながら、後段に影響が出ないように
○ 「このデータって今見ていますか?」というのを利用者にヒアリング
■ 利用者: プロデューサー、経営陣、経理部、事務チーム
■ 削れるところは可能な限り削ってシンプルに
● 自動化が理想的ではあるものの、特殊なプランも存在する
○ エンジニアなので自動化は大好き...
○ 完全な自動化に必要以上には拘らない
20
アジェンダ
● カスタマーサクセス(CRE)とデータ基盤 / データ整備人
● カスタマーサクセスのためのデータ整備人の活動記録
○ ステップ1: 主要KPI計算のためのデータパイプラインの整備
○ ステップ2: データ基盤でできること / 出せる価値を感じてもらう
■ データ分析の一歩手前から伴走
○ ステップ3: 自走できる環境に近づける
■ チームとして継続的にメタデータを整備できるように
21
ステップ2: データ基盤で出せる価値を感じてもらう
● データ基盤を整備しても、分析によって価値を生まなければ無意味
○ データ分析の文化醸成はまだまだこれから、という段階
● データ基盤 / データ分析でどこで価値が出せそうか、分析を進めたい人がどこにい
るか、ひたすらヒアリングやミーティング聴講
○ 主要KPIのデータフロー整備の経験が生きた
22
価値が出る & 分析可能なところはどこか
● 例えばこういうミーティングに参加
○ 来期以降の施策を考えるリーダー合宿
○ ペルソナ策定会
○ カスタマージャーニーマップ作成会
○ プロダクトエンゲージメントスコア作成会
○ デザイン相談会
● ミーティングの前にアジェンダが出ていれば、簡単な分析やダッシュボードを持ち込
む
○ データに興味を持ってもらう!
23
事例: ジャーニーマップ
会話例: この設定でつまずく人が多
いって本当ですか? 条件に合うユー
ザーの利用統計見ませんか ?
分析したい人が分析できるスキルを: ペアプロ & 100本ノック
● 「この分析をしたいのであれば、ここに生データがあって、こういう感じで分析ができ
ますよ」という簡単な分析を私が示す
○ 私で全部はやらない
○ 深掘り分析をしたい人に伴走する
● SQLのペアプロ
○ 東京と京都をGoogle Meetで画面共有しながら
● 頻出題材については、SQL100本ノックに取り入れる
○ 参考: 営業さんまで、社員全員がSQLを使う 「越境型組織」 ができるまでの3+1
のポイント | リブセンス
24
意思決定の場所に自分から行く
25
会話例: こちらのデータソースを使
うと、より適切に効果を測定できそ
うですね
会話例: この施策については定量
データよりも定性データのほうが
適切かも?
ペルソナに近いユーザーにインタ
ビューしてみませんか ?
会話例: このKPIを計測する
データは今はないです。
リリース前にログを仕込んでお
きましょう
メルカリさんの事例を参考にさせてもらいました
会話例: 最初はこの分析やった
ほうがよさそうに思っていたけ
ど、優先度低いことが分かりま
したね。
今回はこの分析やらないことに
しましょう
アジェンダ
● カスタマーサクセス(CRE)とデータ基盤 / データ整備人
● カスタマーサクセスのためのデータ整備人の活動記録
○ ステップ1: 主要KPI計算のためのデータパイプラインの整備
○ ステップ2: データ基盤でできること / 出せる価値を感じてもらう
■ データ分析の一歩手前から伴走
○ ステップ3: 自走できる環境に近づける
■ チームとして継続的にメタデータを整備できるように
26
ステップ3: 自走できる環境に近づける
● 初期は分析者が少人数だったので個別回答で何とかなったが、明らかにスケールし
ない...
○ 解決案: データに対する知識をメタデータに持たせていこう
● BigQueryの{テーブル, カラム}のdescriptionに{テクニカル, ビジネス}メタデータを記
述、Data Catalogでメタデータに対する検索
27
カラムAとB、似てるけどどっちを使うといいですか ?
XXXを調べたいけど、どのテーブルを見ればいいですか ?
この料金って税込ですか、税抜ですか ?
データ整備人(私) 分析したい人
Data Catalogで検索
28
先日GAになりました🎉
マネージドサービスなので、データ整備人が 1人
でも運用可能!
課題: どうやって継続的にメタデータを管理するか
● サービスは生き物であり、メタデータも日々変化
○ 変化に「継続的」に追従したい
○ 管理すべきテーブルやカラム数は普通に多い
● データ整備人の気合と根性だけでは無理
○ 根性ないので、早々に諦めました...
29
ゆずたそさんからのアドバイス
30
https://twitter.com/yuzutas0/status/12
14772931751841792
メタデータ付与、実践!
● 既存カラムへのコメント付与
○ 私が付与
■ 元アプリケーションエンジニアでもあるので、低コストで調査可能
○ 全テーブル / 全カラムにまんべんなく付与するのはコスパが悪いので、発行さ
れたSQLの統計量を元に利用回数の多いものから着手
■ データドリブンに改善
● 新規のカラムの追加 / 既存カラムの変更
○ 実装直後で一番知見があるので、開発チームへ依頼
○ Pull Requestのテンプレートに確認項目を追加
31
typeカラム: 0は仮登録、1は登録済み、2は退会
XXXカラム: 2020年より前はNULL、YYY施策で
集計値が入るようになった。集計条件は〜
開発チームがメタデータを付与するインセンティブ
● 「ALTER TABLE時はメタデータも付与してね!」とお願いするのは簡単
○ 面倒な雑用を押し付けているだけ?
● 開発チームへのメリットを提示
○ 開発チームに最近入ったメンバーにとっても、DBにメタデータがあることは開発
タスクへのオンボーディングを早める意味でも有用
○ エンジニアへのデータ調査依頼の削減
○ SREなど普段アプリケーションのコードを触らない人もいるので、そういった人た
ちに向けても重要な情報を提供できる
● データ整備人だけでなく、「チーム」でメタデータを育てていく環境を作ることを意識
32
RDBからBigQueryへのメタデータの組み込みフロー
33
開発チーム + 私で
コメントDDLを付与
メタデータを
自由に検索
● コメントDDLはtblsを使うと便利
○ スキーマ情報をjsonで取り扱える
● tblsで抽出した情報をjqで加工、bqコマンドでスキーマを流し込めば完成!
○ 詳細はこちら
○ コメントの付与率をMackerelで可視化することでモチベーション維持
付与率を可視化
BigQueryだけで何とか
するのは大変しんどい !!
まとめ
34
● カスタマーサクセス(CRE)とデータ基盤 / データ整備人
● カスタマーサクセスのためのデータ整備人の活動記録
○ ステップ1: 主要KPI計算のためのデータパイプラインの整備
○ ステップ2: データ基盤でできること / 出せる価値を感じてもらう
■ データ分析の一歩手前から伴走
○ ステップ3: 自走できる環境に近づける
■ チームとして継続的にメタデータを整備できるように
私が思うデータ整備人の役割:
データの活用者(意思決定者など)を助けたり、データを取り巻く環境がどうある
べきかを定義し、データの生成者(=エンジニアなど)と協力して、あるべき姿へ
近づけていくこと
参考
● データ基盤関係
○ データマネジメント知識体系ガイド
○ データマネジメントが30分でわかる本
○ データ基盤のメタデータを継続的に管理できる仕組みを作る - Hatena
Developer Blog
○ データ基盤の3分類と進化的データモデリング
● カスタマーサクセス関係
○ セールスエンジニア 改め Customer Reliability Engineer (CRE) になりました -
Hatena Developer Blog
○ カスタマーサクセスとは何か――日本企業にこそ必要な「これからの顧客との
付き合い方」
35

Weitere ähnliche Inhalte

Was ist angesagt?

企業におけるデータ分析プロジェクトと求められるスキル
企業におけるデータ分析プロジェクトと求められるスキル企業におけるデータ分析プロジェクトと求められるスキル
企業におけるデータ分析プロジェクトと求められるスキルRakuten Group, Inc.
 
データ収集の基本と「JapanTaxi」アプリにおける実践例
データ収集の基本と「JapanTaxi」アプリにおける実践例データ収集の基本と「JapanTaxi」アプリにおける実践例
データ収集の基本と「JapanTaxi」アプリにおける実践例Tetsutaro Watanabe
 
DXはなぜ進まないのか? 経営とITの観点からの課題と提言(NTTデータ テクノロジーカンファレンス 2020 発表資料)
DXはなぜ進まないのか? 経営とITの観点からの課題と提言(NTTデータ テクノロジーカンファレンス 2020 発表資料)DXはなぜ進まないのか? 経営とITの観点からの課題と提言(NTTデータ テクノロジーカンファレンス 2020 発表資料)
DXはなぜ進まないのか? 経営とITの観点からの課題と提言(NTTデータ テクノロジーカンファレンス 2020 発表資料)NTT DATA Technology & Innovation
 
プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4
プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4
プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4shakezo
 
セグメント?クラスタリング? ユーザーを分類し、サービスの改善に活かすポイント
セグメント?クラスタリング? ユーザーを分類し、サービスの改善に活かすポイントセグメント?クラスタリング? ユーザーを分類し、サービスの改善に活かすポイント
セグメント?クラスタリング? ユーザーを分類し、サービスの改善に活かすポイントNaoto Tamiya
 
エンジニアも知っておきたいAI倫理のはなし
エンジニアも知っておきたいAI倫理のはなしエンジニアも知っておきたいAI倫理のはなし
エンジニアも知っておきたいAI倫理のはなしYasunori Nihei
 
Elasticsearchインデクシングのパフォーマンスを測ってみた
Elasticsearchインデクシングのパフォーマンスを測ってみたElasticsearchインデクシングのパフォーマンスを測ってみた
Elasticsearchインデクシングのパフォーマンスを測ってみたRyoji Kurosawa
 
[丸ノ内アナリティクスバンビーノ#23]データドリブン施策によるサービス品質向上の取り組み
[丸ノ内アナリティクスバンビーノ#23]データドリブン施策によるサービス品質向上の取り組み[丸ノ内アナリティクスバンビーノ#23]データドリブン施策によるサービス品質向上の取り組み
[丸ノ内アナリティクスバンビーノ#23]データドリブン施策によるサービス品質向上の取り組みTeruyuki Sakaue
 
情報抽出入門 〜非構造化データを構造化させる技術〜
情報抽出入門 〜非構造化データを構造化させる技術〜情報抽出入門 〜非構造化データを構造化させる技術〜
情報抽出入門 〜非構造化データを構造化させる技術〜Yuya Unno
 
なぜコンピュータを学ばなければならないのか 21世紀の君主論
なぜコンピュータを学ばなければならないのか 21世紀の君主論なぜコンピュータを学ばなければならないのか 21世紀の君主論
なぜコンピュータを学ばなければならないのか 21世紀の君主論Tokoroten Nakayama
 
ビッグデータ処理データベースの全体像と使い分け
2018年version
ビッグデータ処理データベースの全体像と使い分け
2018年versionビッグデータ処理データベースの全体像と使い分け
2018年version
ビッグデータ処理データベースの全体像と使い分け
2018年versionTetsutaro Watanabe
 
DeNAの分析を支える分析基盤
DeNAの分析を支える分析基盤DeNAの分析を支える分析基盤
DeNAの分析を支える分析基盤Kenshin Yamada
 
協調フィルタリング入門
協調フィルタリング入門協調フィルタリング入門
協調フィルタリング入門hoxo_m
 
心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein
心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein
心理的安全性と、Veinの紹介 Psychological safety and introduction of VeinTokoroten Nakayama
 
不均衡データのクラス分類
不均衡データのクラス分類不均衡データのクラス分類
不均衡データのクラス分類Shintaro Fukushima
 
Snowflake Architecture and Performance
Snowflake Architecture and PerformanceSnowflake Architecture and Performance
Snowflake Architecture and PerformanceMineaki Motohashi
 
先端技術とメディア表現1 #FTMA15
先端技術とメディア表現1 #FTMA15先端技術とメディア表現1 #FTMA15
先端技術とメディア表現1 #FTMA15Yoichi Ochiai
 
リクルートを支える横断データ基盤と機械学習の適用事例
リクルートを支える横断データ基盤と機械学習の適用事例リクルートを支える横断データ基盤と機械学習の適用事例
リクルートを支える横断データ基盤と機械学習の適用事例Tetsutaro Watanabe
 
データサイエンティスト スキルチェックシート(抜粋版)
データサイエンティスト スキルチェックシート(抜粋版)データサイエンティスト スキルチェックシート(抜粋版)
データサイエンティスト スキルチェックシート(抜粋版)The Japan DataScientist Society
 
初めてのデータ分析基盤構築をまかされた、その時何を考えておくと良いのか
初めてのデータ分析基盤構築をまかされた、その時何を考えておくと良いのか初めてのデータ分析基盤構築をまかされた、その時何を考えておくと良いのか
初めてのデータ分析基盤構築をまかされた、その時何を考えておくと良いのかTechon Organization
 

Was ist angesagt? (20)

企業におけるデータ分析プロジェクトと求められるスキル
企業におけるデータ分析プロジェクトと求められるスキル企業におけるデータ分析プロジェクトと求められるスキル
企業におけるデータ分析プロジェクトと求められるスキル
 
データ収集の基本と「JapanTaxi」アプリにおける実践例
データ収集の基本と「JapanTaxi」アプリにおける実践例データ収集の基本と「JapanTaxi」アプリにおける実践例
データ収集の基本と「JapanTaxi」アプリにおける実践例
 
DXはなぜ進まないのか? 経営とITの観点からの課題と提言(NTTデータ テクノロジーカンファレンス 2020 発表資料)
DXはなぜ進まないのか? 経営とITの観点からの課題と提言(NTTデータ テクノロジーカンファレンス 2020 発表資料)DXはなぜ進まないのか? 経営とITの観点からの課題と提言(NTTデータ テクノロジーカンファレンス 2020 発表資料)
DXはなぜ進まないのか? 経営とITの観点からの課題と提言(NTTデータ テクノロジーカンファレンス 2020 発表資料)
 
プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4
プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4
プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4
 
セグメント?クラスタリング? ユーザーを分類し、サービスの改善に活かすポイント
セグメント?クラスタリング? ユーザーを分類し、サービスの改善に活かすポイントセグメント?クラスタリング? ユーザーを分類し、サービスの改善に活かすポイント
セグメント?クラスタリング? ユーザーを分類し、サービスの改善に活かすポイント
 
エンジニアも知っておきたいAI倫理のはなし
エンジニアも知っておきたいAI倫理のはなしエンジニアも知っておきたいAI倫理のはなし
エンジニアも知っておきたいAI倫理のはなし
 
Elasticsearchインデクシングのパフォーマンスを測ってみた
Elasticsearchインデクシングのパフォーマンスを測ってみたElasticsearchインデクシングのパフォーマンスを測ってみた
Elasticsearchインデクシングのパフォーマンスを測ってみた
 
[丸ノ内アナリティクスバンビーノ#23]データドリブン施策によるサービス品質向上の取り組み
[丸ノ内アナリティクスバンビーノ#23]データドリブン施策によるサービス品質向上の取り組み[丸ノ内アナリティクスバンビーノ#23]データドリブン施策によるサービス品質向上の取り組み
[丸ノ内アナリティクスバンビーノ#23]データドリブン施策によるサービス品質向上の取り組み
 
情報抽出入門 〜非構造化データを構造化させる技術〜
情報抽出入門 〜非構造化データを構造化させる技術〜情報抽出入門 〜非構造化データを構造化させる技術〜
情報抽出入門 〜非構造化データを構造化させる技術〜
 
なぜコンピュータを学ばなければならないのか 21世紀の君主論
なぜコンピュータを学ばなければならないのか 21世紀の君主論なぜコンピュータを学ばなければならないのか 21世紀の君主論
なぜコンピュータを学ばなければならないのか 21世紀の君主論
 
ビッグデータ処理データベースの全体像と使い分け
2018年version
ビッグデータ処理データベースの全体像と使い分け
2018年versionビッグデータ処理データベースの全体像と使い分け
2018年version
ビッグデータ処理データベースの全体像と使い分け
2018年version
 
DeNAの分析を支える分析基盤
DeNAの分析を支える分析基盤DeNAの分析を支える分析基盤
DeNAの分析を支える分析基盤
 
協調フィルタリング入門
協調フィルタリング入門協調フィルタリング入門
協調フィルタリング入門
 
心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein
心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein
心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein
 
不均衡データのクラス分類
不均衡データのクラス分類不均衡データのクラス分類
不均衡データのクラス分類
 
Snowflake Architecture and Performance
Snowflake Architecture and PerformanceSnowflake Architecture and Performance
Snowflake Architecture and Performance
 
先端技術とメディア表現1 #FTMA15
先端技術とメディア表現1 #FTMA15先端技術とメディア表現1 #FTMA15
先端技術とメディア表現1 #FTMA15
 
リクルートを支える横断データ基盤と機械学習の適用事例
リクルートを支える横断データ基盤と機械学習の適用事例リクルートを支える横断データ基盤と機械学習の適用事例
リクルートを支える横断データ基盤と機械学習の適用事例
 
データサイエンティスト スキルチェックシート(抜粋版)
データサイエンティスト スキルチェックシート(抜粋版)データサイエンティスト スキルチェックシート(抜粋版)
データサイエンティスト スキルチェックシート(抜粋版)
 
初めてのデータ分析基盤構築をまかされた、その時何を考えておくと良いのか
初めてのデータ分析基盤構築をまかされた、その時何を考えておくと良いのか初めてのデータ分析基盤構築をまかされた、その時何を考えておくと良いのか
初めてのデータ分析基盤構築をまかされた、その時何を考えておくと良いのか
 

Ähnlich wie カスタマーサクセスのためのデータ整備人の活動記録

正確な意思決定を阻む 問題・障害との向き合い方
正確な意思決定を阻む 問題・障害との向き合い方正確な意思決定を阻む 問題・障害との向き合い方
正確な意思決定を阻む 問題・障害との向き合い方syou6162
 
オープンセミナー岡山 これから始めるデータ活用
オープンセミナー岡山 これから始めるデータ活用オープンセミナー岡山 これから始めるデータ活用
オープンセミナー岡山 これから始めるデータ活用syou6162
 
データ分析コンペでスキルアップしよう.pdf
データ分析コンペでスキルアップしよう.pdfデータ分析コンペでスキルアップしよう.pdf
データ分析コンペでスキルアップしよう.pdfH. K
 
事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)
事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)
事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)Tokoroten Nakayama
 
データ基盤グループを支えるチームビルディング
データ基盤グループを支えるチームビルディングデータ基盤グループを支えるチームビルディング
データ基盤グループを支えるチームビルディング株式会社MonotaRO Tech Team
 
LT.22 機械学習におけるPDCAを回せる環境構築の話
LT.22 機械学習におけるPDCAを回せる環境構築の話 LT.22 機械学習におけるPDCAを回せる環境構築の話
LT.22 機械学習におけるPDCAを回せる環境構築の話 GIG inc.
 
持続的なサービス提供のための計測と分析
持続的なサービス提供のための計測と分析持続的なサービス提供のための計測と分析
持続的なサービス提供のための計測と分析Miyabi Goji
 
MonotaRO のデータ活用と基盤の過去、現在、未来
MonotaRO のデータ活用と基盤の過去、現在、未来 MonotaRO のデータ活用と基盤の過去、現在、未来
MonotaRO のデータ活用と基盤の過去、現在、未来 株式会社MonotaRO Tech Team
 
20180920_【ヒカ☆ラボ】【データサイエンティストが教える 】 機械学習、人工知能を使った「ビジネスになる」アプリケーションの作り方
20180920_【ヒカ☆ラボ】【データサイエンティストが教える 】 機械学習、人工知能を使った「ビジネスになる」アプリケーションの作り方20180920_【ヒカ☆ラボ】【データサイエンティストが教える 】 機械学習、人工知能を使った「ビジネスになる」アプリケーションの作り方
20180920_【ヒカ☆ラボ】【データサイエンティストが教える 】 機械学習、人工知能を使った「ビジネスになる」アプリケーションの作り方Shunsuke Nakamura
 
データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理Koichi Hamada
 
20180809_機械学習を使った「ビジネスになる」アプリケーションの作り方
20180809_機械学習を使った「ビジネスになる」アプリケーションの作り方20180809_機械学習を使った「ビジネスになる」アプリケーションの作り方
20180809_機械学習を使った「ビジネスになる」アプリケーションの作り方Shunsuke Nakamura
 
20180730 ds womens
20180730 ds womens20180730 ds womens
20180730 ds womensRio Kurihara
 
How to organize data science project (データサイエンスプロジェクトの始め方101)
How to organize data science project (データサイエンスプロジェクトの始め方101)How to organize data science project (データサイエンスプロジェクトの始め方101)
How to organize data science project (データサイエンスプロジェクトの始め方101)Yasuyuki Kataoka
 
データ管理に重要なことは事業と組織の理解だった(Data Engineering Study #11 発表資料)
データ管理に重要なことは事業と組織の理解だった(Data Engineering Study #11 発表資料)データ管理に重要なことは事業と組織の理解だった(Data Engineering Study #11 発表資料)
データ管理に重要なことは事業と組織の理解だった(Data Engineering Study #11 発表資料)株式会社MonotaRO Tech Team
 
Tableauが魅せる Data Visualization の世界
Tableauが魅せる Data Visualization の世界Tableauが魅せる Data Visualization の世界
Tableauが魅せる Data Visualization の世界Takahiro Inoue
 
Itプロジェクトにおけるuxデザインの実践的適用方法
Itプロジェクトにおけるuxデザインの実践的適用方法Itプロジェクトにおけるuxデザインの実践的適用方法
Itプロジェクトにおけるuxデザインの実践的適用方法Roy Kim
 
Open Cloud Innovation2016 day1(これからのデータ分析者とエンジニアに必要なdatascienceexperienceツールと...
Open Cloud Innovation2016 day1(これからのデータ分析者とエンジニアに必要なdatascienceexperienceツールと...Open Cloud Innovation2016 day1(これからのデータ分析者とエンジニアに必要なdatascienceexperienceツールと...
Open Cloud Innovation2016 day1(これからのデータ分析者とエンジニアに必要なdatascienceexperienceツールと...Atsushi Tsuchiya
 
20180627 - DEEP LEARNING LAB / Cognitive Services 最新情報 30 分でズバリ!
20180627 - DEEP LEARNING LAB / Cognitive Services 最新情報 30 分でズバリ!20180627 - DEEP LEARNING LAB / Cognitive Services 最新情報 30 分でズバリ!
20180627 - DEEP LEARNING LAB / Cognitive Services 最新情報 30 分でズバリ!Takashi Okawa
 
データ分析チームを組成して3ヶ月で学んだこと
データ分析チームを組成して3ヶ月で学んだことデータ分析チームを組成して3ヶ月で学んだこと
データ分析チームを組成して3ヶ月で学んだことKoki Shibata
 
DeNA のデータ活用を支える BigQuery データの民主化とガバナンス強化の軌跡 | Google Cloud INSIDE Games & App...
DeNA のデータ活用を支える BigQuery データの民主化とガバナンス強化の軌跡 | Google Cloud INSIDE Games & App...DeNA のデータ活用を支える BigQuery データの民主化とガバナンス強化の軌跡 | Google Cloud INSIDE Games & App...
DeNA のデータ活用を支える BigQuery データの民主化とガバナンス強化の軌跡 | Google Cloud INSIDE Games & App...Google Cloud Platform - Japan
 

Ähnlich wie カスタマーサクセスのためのデータ整備人の活動記録 (20)

正確な意思決定を阻む 問題・障害との向き合い方
正確な意思決定を阻む 問題・障害との向き合い方正確な意思決定を阻む 問題・障害との向き合い方
正確な意思決定を阻む 問題・障害との向き合い方
 
オープンセミナー岡山 これから始めるデータ活用
オープンセミナー岡山 これから始めるデータ活用オープンセミナー岡山 これから始めるデータ活用
オープンセミナー岡山 これから始めるデータ活用
 
データ分析コンペでスキルアップしよう.pdf
データ分析コンペでスキルアップしよう.pdfデータ分析コンペでスキルアップしよう.pdf
データ分析コンペでスキルアップしよう.pdf
 
事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)
事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)
事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)
 
データ基盤グループを支えるチームビルディング
データ基盤グループを支えるチームビルディングデータ基盤グループを支えるチームビルディング
データ基盤グループを支えるチームビルディング
 
LT.22 機械学習におけるPDCAを回せる環境構築の話
LT.22 機械学習におけるPDCAを回せる環境構築の話 LT.22 機械学習におけるPDCAを回せる環境構築の話
LT.22 機械学習におけるPDCAを回せる環境構築の話
 
持続的なサービス提供のための計測と分析
持続的なサービス提供のための計測と分析持続的なサービス提供のための計測と分析
持続的なサービス提供のための計測と分析
 
MonotaRO のデータ活用と基盤の過去、現在、未来
MonotaRO のデータ活用と基盤の過去、現在、未来 MonotaRO のデータ活用と基盤の過去、現在、未来
MonotaRO のデータ活用と基盤の過去、現在、未来
 
20180920_【ヒカ☆ラボ】【データサイエンティストが教える 】 機械学習、人工知能を使った「ビジネスになる」アプリケーションの作り方
20180920_【ヒカ☆ラボ】【データサイエンティストが教える 】 機械学習、人工知能を使った「ビジネスになる」アプリケーションの作り方20180920_【ヒカ☆ラボ】【データサイエンティストが教える 】 機械学習、人工知能を使った「ビジネスになる」アプリケーションの作り方
20180920_【ヒカ☆ラボ】【データサイエンティストが教える 】 機械学習、人工知能を使った「ビジネスになる」アプリケーションの作り方
 
データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理
 
20180809_機械学習を使った「ビジネスになる」アプリケーションの作り方
20180809_機械学習を使った「ビジネスになる」アプリケーションの作り方20180809_機械学習を使った「ビジネスになる」アプリケーションの作り方
20180809_機械学習を使った「ビジネスになる」アプリケーションの作り方
 
20180730 ds womens
20180730 ds womens20180730 ds womens
20180730 ds womens
 
How to organize data science project (データサイエンスプロジェクトの始め方101)
How to organize data science project (データサイエンスプロジェクトの始め方101)How to organize data science project (データサイエンスプロジェクトの始め方101)
How to organize data science project (データサイエンスプロジェクトの始め方101)
 
データ管理に重要なことは事業と組織の理解だった(Data Engineering Study #11 発表資料)
データ管理に重要なことは事業と組織の理解だった(Data Engineering Study #11 発表資料)データ管理に重要なことは事業と組織の理解だった(Data Engineering Study #11 発表資料)
データ管理に重要なことは事業と組織の理解だった(Data Engineering Study #11 発表資料)
 
Tableauが魅せる Data Visualization の世界
Tableauが魅せる Data Visualization の世界Tableauが魅せる Data Visualization の世界
Tableauが魅せる Data Visualization の世界
 
Itプロジェクトにおけるuxデザインの実践的適用方法
Itプロジェクトにおけるuxデザインの実践的適用方法Itプロジェクトにおけるuxデザインの実践的適用方法
Itプロジェクトにおけるuxデザインの実践的適用方法
 
Open Cloud Innovation2016 day1(これからのデータ分析者とエンジニアに必要なdatascienceexperienceツールと...
Open Cloud Innovation2016 day1(これからのデータ分析者とエンジニアに必要なdatascienceexperienceツールと...Open Cloud Innovation2016 day1(これからのデータ分析者とエンジニアに必要なdatascienceexperienceツールと...
Open Cloud Innovation2016 day1(これからのデータ分析者とエンジニアに必要なdatascienceexperienceツールと...
 
20180627 - DEEP LEARNING LAB / Cognitive Services 最新情報 30 分でズバリ!
20180627 - DEEP LEARNING LAB / Cognitive Services 最新情報 30 分でズバリ!20180627 - DEEP LEARNING LAB / Cognitive Services 最新情報 30 分でズバリ!
20180627 - DEEP LEARNING LAB / Cognitive Services 最新情報 30 分でズバリ!
 
データ分析チームを組成して3ヶ月で学んだこと
データ分析チームを組成して3ヶ月で学んだことデータ分析チームを組成して3ヶ月で学んだこと
データ分析チームを組成して3ヶ月で学んだこと
 
DeNA のデータ活用を支える BigQuery データの民主化とガバナンス強化の軌跡 | Google Cloud INSIDE Games & App...
DeNA のデータ活用を支える BigQuery データの民主化とガバナンス強化の軌跡 | Google Cloud INSIDE Games & App...DeNA のデータ活用を支える BigQuery データの民主化とガバナンス強化の軌跡 | Google Cloud INSIDE Games & App...
DeNA のデータ活用を支える BigQuery データの民主化とガバナンス強化の軌跡 | Google Cloud INSIDE Games & App...
 

Mehr von syou6162

自分の目的に合った統計量と そのバラ付きを計算しよう ~NPSを例に~(統計学勉強会)
自分の目的に合った統計量と そのバラ付きを計算しよう ~NPSを例に~(統計学勉強会)自分の目的に合った統計量と そのバラ付きを計算しよう ~NPSを例に~(統計学勉強会)
自分の目的に合った統計量と そのバラ付きを計算しよう ~NPSを例に~(統計学勉強会)syou6162
 
Mackerel Drink Up #9 ロール内異常検知の正式化
Mackerel Drink Up #9 ロール内異常検知の正式化Mackerel Drink Up #9 ロール内異常検知の正式化
Mackerel Drink Up #9 ロール内異常検知の正式化syou6162
 
Mackerelのロール内異常検知の設計と運用
Mackerelのロール内異常検知の設計と運用Mackerelのロール内異常検知の設計と運用
Mackerelのロール内異常検知の設計と運用syou6162
 
教師なし学習によるMackerelの異常検知機能について 〜設計/運用/評価の観点から〜
教師なし学習によるMackerelの異常検知機能について〜設計/運用/評価の観点から〜教師なし学習によるMackerelの異常検知機能について〜設計/運用/評価の観点から〜
教師なし学習によるMackerelの異常検知機能について 〜設計/運用/評価の観点から〜syou6162
 
機械学習を活用したサービスにおける工夫紹介
機械学習を活用したサービスにおける工夫紹介機械学習を活用したサービスにおける工夫紹介
機械学習を活用したサービスにおける工夫紹介syou6162
 
機械学習を使った趣味サービスにおける工夫紹介
機械学習を使った趣味サービスにおける工夫紹介機械学習を使った趣味サービスにおける工夫紹介
機械学習を使った趣味サービスにおける工夫紹介syou6162
 
今日から始める機械学習〜はてなの事例〜
今日から始める機械学習〜はてなの事例〜今日から始める機械学習〜はてなの事例〜
今日から始める機械学習〜はてなの事例〜syou6162
 
機械学習を用いたMackerelの異常検知機能について
機械学習を用いたMackerelの異常検知機能について機械学習を用いたMackerelの異常検知機能について
機械学習を用いたMackerelの異常検知機能についてsyou6162
 
Mackerel Anomaly Detection at PyCon mini Osaka
Mackerel Anomaly Detection at PyCon mini OsakaMackerel Anomaly Detection at PyCon mini Osaka
Mackerel Anomaly Detection at PyCon mini Osakasyou6162
 
はてなにおける機械学習の取り組み
はてなにおける機械学習の取り組みはてなにおける機械学習の取り組み
はてなにおける機械学習の取り組みsyou6162
 
はてなにおける機械学習の取り組み
はてなにおける機械学習の取り組みはてなにおける機械学習の取り組み
はてなにおける機械学習の取り組みsyou6162
 
異常検知ナイト LT登壇資料 はてな id:syou6162
異常検知ナイト LT登壇資料 はてな id:syou6162異常検知ナイト LT登壇資料 はてな id:syou6162
異常検知ナイト LT登壇資料 はてな id:syou6162syou6162
 
Duolingo.pptx
Duolingo.pptxDuolingo.pptx
Duolingo.pptxsyou6162
 
今日からできる構造学習(主に構造化パーセプトロンについて)
今日からできる構造学習(主に構造化パーセプトロンについて)今日からできる構造学習(主に構造化パーセプトロンについて)
今日からできる構造学習(主に構造化パーセプトロンについて)syou6162
 
Kernel20110619
Kernel20110619Kernel20110619
Kernel20110619syou6162
 
Optimization In R
Optimization In ROptimization In R
Optimization In Rsyou6162
 
Syou6162 Dbcls
Syou6162 DbclsSyou6162 Dbcls
Syou6162 Dbclssyou6162
 
半教師あり学習
半教師あり学習半教師あり学習
半教師あり学習syou6162
 
R User Group 2009 Yoshida
R User Group 2009 YoshidaR User Group 2009 Yoshida
R User Group 2009 Yoshidasyou6162
 

Mehr von syou6162 (20)

自分の目的に合った統計量と そのバラ付きを計算しよう ~NPSを例に~(統計学勉強会)
自分の目的に合った統計量と そのバラ付きを計算しよう ~NPSを例に~(統計学勉強会)自分の目的に合った統計量と そのバラ付きを計算しよう ~NPSを例に~(統計学勉強会)
自分の目的に合った統計量と そのバラ付きを計算しよう ~NPSを例に~(統計学勉強会)
 
Mackerel Drink Up #9 ロール内異常検知の正式化
Mackerel Drink Up #9 ロール内異常検知の正式化Mackerel Drink Up #9 ロール内異常検知の正式化
Mackerel Drink Up #9 ロール内異常検知の正式化
 
Mackerelのロール内異常検知の設計と運用
Mackerelのロール内異常検知の設計と運用Mackerelのロール内異常検知の設計と運用
Mackerelのロール内異常検知の設計と運用
 
教師なし学習によるMackerelの異常検知機能について 〜設計/運用/評価の観点から〜
教師なし学習によるMackerelの異常検知機能について〜設計/運用/評価の観点から〜教師なし学習によるMackerelの異常検知機能について〜設計/運用/評価の観点から〜
教師なし学習によるMackerelの異常検知機能について 〜設計/運用/評価の観点から〜
 
機械学習を活用したサービスにおける工夫紹介
機械学習を活用したサービスにおける工夫紹介機械学習を活用したサービスにおける工夫紹介
機械学習を活用したサービスにおける工夫紹介
 
機械学習を使った趣味サービスにおける工夫紹介
機械学習を使った趣味サービスにおける工夫紹介機械学習を使った趣味サービスにおける工夫紹介
機械学習を使った趣味サービスにおける工夫紹介
 
今日から始める機械学習〜はてなの事例〜
今日から始める機械学習〜はてなの事例〜今日から始める機械学習〜はてなの事例〜
今日から始める機械学習〜はてなの事例〜
 
機械学習を用いたMackerelの異常検知機能について
機械学習を用いたMackerelの異常検知機能について機械学習を用いたMackerelの異常検知機能について
機械学習を用いたMackerelの異常検知機能について
 
Mackerel Anomaly Detection at PyCon mini Osaka
Mackerel Anomaly Detection at PyCon mini OsakaMackerel Anomaly Detection at PyCon mini Osaka
Mackerel Anomaly Detection at PyCon mini Osaka
 
はてなにおける機械学習の取り組み
はてなにおける機械学習の取り組みはてなにおける機械学習の取り組み
はてなにおける機械学習の取り組み
 
はてなにおける機械学習の取り組み
はてなにおける機械学習の取り組みはてなにおける機械学習の取り組み
はてなにおける機械学習の取り組み
 
異常検知ナイト LT登壇資料 はてな id:syou6162
異常検知ナイト LT登壇資料 はてな id:syou6162異常検知ナイト LT登壇資料 はてな id:syou6162
異常検知ナイト LT登壇資料 はてな id:syou6162
 
Duolingo.pptx
Duolingo.pptxDuolingo.pptx
Duolingo.pptx
 
今日からできる構造学習(主に構造化パーセプトロンについて)
今日からできる構造学習(主に構造化パーセプトロンについて)今日からできる構造学習(主に構造化パーセプトロンについて)
今日からできる構造学習(主に構造化パーセプトロンについて)
 
Kernel20110619
Kernel20110619Kernel20110619
Kernel20110619
 
Optimization In R
Optimization In ROptimization In R
Optimization In R
 
Syou6162 Dbcls
Syou6162 DbclsSyou6162 Dbcls
Syou6162 Dbcls
 
半教師あり学習
半教師あり学習半教師あり学習
半教師あり学習
 
R User Group 2009 Yoshida
R User Group 2009 YoshidaR User Group 2009 Yoshida
R User Group 2009 Yoshida
 
Tsukuba
TsukubaTsukuba
Tsukuba
 

カスタマーサクセスのためのデータ整備人の活動記録