This library allows you to communicate small amounts of data between air-gapped devices using sound. It implements a simple FSK-based transmission protocol that can be easily integrated in various projects. The bandwidth rate is between 8-16 bytes/sec depending on the protocol parameters. Error correction codes (ECC) are used to improve demodulation robustness. This library is used only to generat

やりたいことはタイトルのとおりです。同じように困ってる人のお役に立てれば。 QuickSightとは せっかくなのでAmazon BedrockのChat PlaygroundからAnthropic社のClaudeV２.1を使ってサマリを生成させてみました。 Amazon QuickSightは、クラウドネイティブのビジネスインテリジェンス(BI)サービスです。大規模なデータセットを高速に可視化し、ダッシュボードとして共有することができます。 主な特徴は以下の通りです。 大容量のデータをリアルタイムに分析し、結果を直感的なダッシュボードとして表示 機械学習を活用した予測など、先進的な分析機能を備えている AWSのマネージドサービスとして提供されており、インフラ構築不要で使用できる 柔軟な課金方式で利用料金を最適化できる 様々なデータソースや外部ツールと容易に接続が可能 QuickSight

アライアンス事業部 エンジニアグループ モダンデータスタック(MDS)チームのしんやです。 dbtはクラウド型データウェアハウス（DWH）におけるデータ変換に特化したツールです。非常に使い勝手が良く便利なツールである一方、様々な機能が提供されているのでいざ使ってみよう！となると『何をどうやって作り上げていけば良いんだろう？』『この場合のルールや制限はどういうものがあるの？どういう取り決めをもって扱えば良いんだろう？』という風に思うこともあるかと思います。(実際私自身そう感じました) そんなユーザーの疑問や悩みを解決する、いわゆるdbtユーザー向けのガードレール的な存在となりうるコンテンツがdbt社から展開されています。それが『dbtベストプラクティスガイド(Best practice guides)』です。構造、スタイル、セットアップなど、dbt Labsの現在の視点を通した「ベストプラク

顧客分析は、自社の業績をアップさせるために必要な取り組みです。しかし、具体的にどのように分析に取り組めばよいかと問われると、戸惑ってしまう方がいるのも事実ではないでしょうか。 このコラムでは、手軽に使えるExcelを活用し、顧客分析の基本をわかりやすく解説します。代表的な手法であるデシル分析とRFM分析を取り上げ、Excelを用いた身近で実践的なアプローチを紹介します。 顧客分析とは 顧客分析は、顧客の行動と傾向を分析し、より効果的なマーケティング戦略を形成するプロセスです。デシル分析では、顧客を収益性に応じて10のグループに分け、各グループの特徴を把握します。RFM分析は、顧客の最終購入日、購入頻度、購入金額を基に評価し、重要な顧客を特定します。これらの方法を使うことで、企業は顧客データを活用し、効果的なマーケティング戦略を立てることができます。 顧客分析を行うツール 顧客分析ツールには

データ基盤グループの吉本です。 今回は先日開催されたdatatech-jp Casual Talksで登壇した内容について補足も含め紹介します。 datatech-jp.connpass.com 発表資料はこちらです。 データ基盤に関わる問い合わせ対応を仕組みで解決する from 株式会社MonotaRO Tech Team www.slideshare.net 発表内容の背景（問い合わせ対応における課題） 発表したこと 発表の反響 最後に datatech-jpは主にデータエンジニアリングやデータ活用に関わる方が参加するコミュニティで、DWHやデータマネジメント、データエンジニアリングに関わる技術、ツールなどについて知見を共有したり、輪読会やLT会のようなイベントを実施しています。 オーガナイザーとして同社同僚の吉田(id:syou6162)が参加しています。 その中でCasual

データアナリティクス事業本部 サービスソリューション部 サービス開発部のしんやです。 去る2022年03月11日(金)、『事例に学ぶ、データ統合を効率化してデータドリブンな組織を作るためのAWS活用術』と第して、プレミアアンチエイジング様に御登壇頂く形でクラウドを活用したデータドリブンな組織づくりについて事例発表頂くセミナーを開催致しました。 【3/11（金）】事例に学ぶ、データ統合を効率化してデータドリブンな組織を作るためのAWS活用術 | DevelopersIO このセミナーでは、プレミアアンチエイジング様によるDWH導入事例、及び導入に際して選定頂く形となった、クラスメソッドが提供するAWSなどのクラウドDWHを活用したデータ統合基盤サービス「カスタマーストーリーアナリティクス（CSアナリティクス）」についての紹介がなされました。当エントリではその内容についてレポートします。 目次

自己紹介私は現在、マッチングアプリのPairsを運営するエウレカという会社でデータ組織のマネジメントを行っています。役割としては、BIチーム（データアナリストチーム）、AIチーム、Data Managementチーム（データ基盤チーム）の3チームの戦略推進が主になります。実際どのようなことをしているのかは以下の記事をご覧ください。 この記事について 今回記事を書こうと思ったきっかけは、データアナリストのキャリアについて自分の考えをまとめたかったからです。「データを使って意思決定に貢献する」「データからインサイトを得る」…と多くの組織がデータ分析に注力している中で、分析者であるところのデータアナリストが実際どのようなキャリアを歩んでいるかは、まだ情報が少ない印象を持っています。 そもそも「データアナリスト」という役職から想像される人物像は組織によってバラバラです。指標をレポートする人、データ

私は、いつもSaaS企業データを使った分析ばかり発信しているので、初対面でお話しする時「ぽこしーさんはVCや財務の方だと思ってました。。」と勘違いされることがあるのですが、名乗っている通りSaaSデータアナリストですw 今回は、組織の中のデータアナリストとしてインパクトを出す動き方についてnoteに書いてみました。1万字くらいになってしまいましたが、もし何か感じてくれたデータアナリストやデータサイエンティストの方がいらっしゃいましたら、お話ししてみたいですね〜。 このnoteは何？このnoteは、 データアナリストが出せるインパクトとは何か？ データアナリストとしてインパクトを出すためにどのような動き方をすれば良いか？ について、データアナリスト専門職だけでなく、データアナリストチームを統括するCXO・執行役員などへインタビューしたり、記事・書籍を通して、教わったことを自分なりに解釈・整理

The Apptio Platform drives your business success with features like Datalink, the Apptio TBM Unified Model (ATUM), Apptio BI, and Comments & Collaboration

デジタル庁でデータ分析の専門人材として活躍する樫田光氏のインタビューを前後編でお届けする。データ分析ユニットを立ち上げる際に必要な動き方、大規模組織の新たな組織能力として「データ分析」を活用して組織に変化を起こすこと、そしてデータドリブンな組織を作るための仕組みづくりについて語っていただいた。前編ではご自身のキャリア、大規模組織でのデータ分析組織立ち上げの流れ、その際に大切にすべき融和的な態度などについて伺った。 デジタル庁での仕事はこれまでのキャリアがすべてつながっている ──データ分析組織の立ち上げに関してお伺いする前に、樫田さんのこれまでのキャリアをお聞きできますか。 これまでのすべての経験が偶然ながら今の仕事につながっているように感じます。私はもともと、データ分析自体にはあまり興味がありませんでした。新卒では、外資系の戦略コンサルティングファームに入社しました。そこでの経験が、数値

OKRと「測りすぎ」 〜なりたい姿を、「測りすぎ」ないようにしながらどう追いかけるか〜/OKR and the tyranny of metrics

はじめに 本ドキュメントは、Dagsterのシステムコンセプトについて基本的な内容を要約・再整理した、Dagster導入のガイドです。 Dagsterの概念は、データオーケストレーションに特化されているところから独特のコンセプトを用いているところがあります。そのため、特に難しく重要な内容を要約し、理解の助けにするところを目指しました。また、公式ドキュメントの構成も十分に整理されていない部分もあり私なりに再構成してあります。用途に応じ目次を参照しつつ拾い読みしながらご活用いただけると幸いです。 Dagsterのシステム概要 以下は公式から引用したDagsterのシステム概要図です。Dagsterのサービス(Long-runnning services) とサービスから生成される Job(Ephemeral Process) の関係を示します。 図にはk8s(Kubernetes)とありますが

最近「ああ、これ前職でも前々職でもやったことあるなぁ」という仕事があった。データエンジニア(やその関連職種)として働き始めて約5年、3社でフルタイムとして働いてきて「このスキルは業界や組織規模が変わってもデータエンジニアとしてスキルを求められることが多いな」と感じたものをまとめてみることにした。棚卸し的な意味はあるが、特に転職用などではないです。 前提 どこでも必要とされたスキル データマネジメントに関する概要レベルの知識と実行力 セキュリティや法令に関する知識 事業ドメインに関する興味関心 他職種とのコミュニケーション能力 コスト管理 / コスト削減のスキル ソフトウェアエンジニアとしてのスキル DataOpsやアラートのハンドリング能力 分析用のSQLを書く力 古いテーブルやデータパイプラインを置き換えていくスキルや胆力 あるとやりやすいスキル 関連部署の動きを何となく把握しておく力

For more than a decade now, the fact that people have a hard time gaining actionable insights from their data has been blamed on its size. “Your data is too big for your puny systems,” was the diagnosis, and the cure was to buy some new fancy technology that can handle massive scale. Of course, after the Big Data task force purchased all new tooling and migrated from Legacy systems, people found t