2023/05/30に開催された「開発生産性を高める 〜ソウゾウ、Voicyの挑戦と苦労〜」( https://offers.connpass.com/event/283434/ )で発表した資料です。

以下の記事などで既にかなり話題になっていますが、ぼくも触ってみました(使い方などの詳細はこちらの記事を参照してください)。 結論としては、マジすごくてかなり衝撃的です。すべてのホワイトカラーワーカーにとって、かなりディスラプティブなツールになるのではないでしょうか。 自分はコンサルタントでして、これまでにたくさんの資料を作ってきてスキルを磨いてきたつもりだったので、AIポン出しでここまでのものが出てきてしまうと、正直、人生について考えさせられちゃいますね。 この記事では、Napkinを使ってどういう資料ができたのか共有したいと思います。 ポストモーテムの勉強会をしたいなと思っていたので、まずはChatGPTで資料の骨子を出力し、それをNapkinに入力してみました。それで得られたのが、以下の資料です。 スライド1: タイトルスライド タイトル: ポストモーテムの教科書 副題: SREにおけ

テスラ、24年の成長鈍化を見込む－決算は予想に届かず、株価下落 この分野の高PERはもう許されない。 注目のテスラの決算発表があったが、普通に下振れとなった。 来期の販売見通しも弱いし、マージンもクソミソに下がっており、熱心なファン以外は希望を持てるシナリオがなかった。 【テスラの株価チャート】 EVについては、当初の先進性に加えて補助金・ガソリンに比べて走行距離当たり電力価格が安かったことによるアーリーアダプター需要によるダッシュが大きかった。 しかし、購入者についてはここにきてEVを買うかどうかというのに二の足を踏む傾向が見られており、なぜそのようになっているかをいくつかの点を交えながら確認したい。 理由の一つ目はメンテナンスコストの高さにある。 EVは従来ガソリン車と比べて搭載半導体数が多かったり、電気系統の複雑さがあるわけであるが、この複雑性のせいでガソリン車であれば部品とっかえの

この記事は datatech-jp Advent Calendar 2023 3日目の記事です。 背景・趣旨 筆者（@yuzutas0）は風音屋（@Kazaneya_PR）という会社を経営しており、データ職種の採用・育成に関心を持っています。 複数企業で少ない専門家を奪い合って疲弊するような採用活動ではなく、マーケット全体がより豊かになるような動き方はできないだろうかと模索しています。 1つの実験として、MENTAで「第2新卒が3ヶ月でデータ職種への転職を目指す講座」というトレーニングを提供し、ありがたいことに30名以上の方々に受講いただきました。 ちなみにこの講座は今では風音屋の社内研修になっています。 MENTAの受講者が30名を突破しました🎉 卒業生が風音屋に入社したり、スキルアップして「社内で提案が通るようになった」「現職で活躍できるようになった」という感想もいただいています。

先日、Quora日本語版でこんなやり取りがありました。 基本的にはここで述べた通りの話なのですが、折角なのでブログの方でも記事としてちょっとまとめておこうと思います。題して「何故データサイエンティストになりたかったら、きちんと体系立てて学ばなければならないのか」というお話です。 問題意識としては毎回引き合いに出しているこちらの過去記事で論じられているような「ワナビーデータサイエンティスト」たちをどう導くべきかという議論が以前から各所であり、それらを念頭に置いています。なお毎度のことで恐縮ですが、僕も基本的には独学一本の素人ですので以下の記述に誤りや説明不足の点などあればご指摘くださると幸いです。 一般的なソフトウェア開発と、統計分析や機械学習との違い 統計分析や機械学習を仕事にするなら、その「振る舞い」を体系立てて学ぶ必要がある きちんと体系立てて学ばなかった結果として陥りがちな罠 余談

こんにちは、メディア事業本部のエンジニアの id:skozawa です。 普段の業務では、女性向けキュレーションサービス LUCRA（ルクラ）のデータ分析やロジック開発をしています。 lucra.jp 先日行われたData Driven Developer Meetup #1で仮説検証とABテストについてLTをしてきたので、その内容について簡単に書きたいと思います。 Gunosyでは、プロダクトを改善するために、新しい機能の追加や、UIの変更、記事リスト配信ロジックの変更など、日々、様々な仮説検証を行っています。 記事の質や季節要因などのプロダクト改善とは異なる影響を排除して、効果を検証するために仮説検証ではABテストを採用しています。 この記事では、LUCRA開発チームでの仮説検証の流れを事例として紹介します。 仮説検証 仮説検証の流れは以下の通りです。 仮説検証 仮説を立てる 指標を決

私は高校入試で、数学以外の科目は 80～90点台でしたが、数学だけ55点でした……（合格者平均は約70点）。しかし試行錯誤の結果、定期テストで平均より少し上となり、評定平均4、模試偏差値65くらいを取れるようになりました。その方法について紹介します。（高校生記者・みかみ＝３月卒業） なぜ苦手か分析してみたら 数学が苦手だった原因を分析してみました。「解けない問題の解答を丸暗記しようとしていたこと」「解答用紙やノートがうまく使えないこと」「暗記するなという言葉を曲解し、復習せず思考停止していたこと」とわかりました。そこで、主に次の4つの方法を実践してみました。 【１】自分の言葉に変えてみる まず、私には数学特有の言い回しが難しかったので、問われた内容を自分の言葉に変えて、問題集に解答の流れを書き込みました。そしてセルフレクチャーという方法で、問題を見て瞬時に答えが導き出せるようにしました。

こんにちは。 データアナリスト 兼 チームのマネージャ としてメルカリという会社に4年ほど勤めていたのですが、色々やった気はするが、思い返してみると結局の所何をしたんだっけ？という気持ちに突然なりました。僕は忘れっぽいので、今後もこういう瞬間は何度も訪れそうな気がしています。 ということで、この4月から新しいことを始めるこのモーメントに自分が何をしたのかをちゃんと書き残しておくことにしました。 自分自身の記憶のアーカイブの役割とともに、誰かの参考になれば望外の喜びです。 大体2016−2019年くらいの話です（今のメルカリのデータ分析チームはもっと進化していますのであしからず。） LTVの概念を導入した2022年現在となってみると非常に不可解ではあるが、私がメルカリに入社した2016年頃には、社内では「LTVを見る」という概念はなかった。 ゆえに、投資がリクープ（回収）できているかどうかを

NHKのニュースや番組をつくっている私たちが取材に込めた思いや取材手法などをお話します。一緒に「取材ノート」をつくっていきましょう。サイトはhttps://www.nhk.or.jp/d-navi/note/ 利用規約はhttps://nhk.jp/rules

Google が公開している、より良いデータ分析のためのガイドブック「Good Data Analysis」で、データ分析の要所が簡潔にまとめられていて感動した 2022-03-08 Google の非公式ブログで、The Unofficial Google Data Science Blog というデータサイエンスをテーマにしたブログがある。 その中で、 Practical advice for analysis of large, complex data sets の記事を元にして作られた Google Developers Guides: Machine Learning Guides > Good Data Analysis を昨日見かけて読んでいたら素晴らしいドキュメントだったので、ここでその感動を共有したかったので筆をとったしだい。 Good Data Analysis の概

こんにちは。プライシングスタジオ株式会社代表の高橋です。プライシングスタジオではこれまで数十サービスのSaaSプライシングを支援してきました。国内では誰よりもSaaSプライシングに向き合ってきた自負があります。 このnoteは、そんな私だからこそ書ける、これだけ読めばSaaSのプライシングは大丈夫、そんな内容です。プライシングに悩んだら、いつきても大丈夫。そんなSaaSプライシングの教科書です。 SaaSのプライシングはの教科書ということもあり、総文字数16,000文字超えと、一気に読むには非常にボリューミーな内容になっています。だから最後まで無理して読まなくても大丈夫です。その代わり必要な時に、必要な情報を取りに来てくださると幸いです。 SaaS業界でプライシングが注目されているわけ近年、SaaS業界におけるプライシングに対する注目度は、他の業界と比べ異常なほど高いです。理由は簡単で、海

日々変動する株価データを題材にPythonにおけるデータ分析のいろはを学んでいく本連載。最終回はローソク足とともにこれまでに計算したオシレーターなど一式を1つのグラフで表示する方法や過去の株価データを基にした株価予測の方法を解説します。

2023 年 4 月にアップデートしました。 ビジネスにおいて「解像度が足りない」という言葉が使われるようになりました。この解像度という概念を、深さ、広さ、構造、時間の4つの軸で整理して、それぞれでどうやって解像度を上げれば良いのかについて解説しています。 このスライドを使った

サインインした状態で「いいね」を押すと、マイページの 「いいね履歴」に一覧として保存されていくので、 再度読みたくなった時や、あとでじっくり読みたいときに便利です。

あけましておめでとうございます。2020年もよろしくお願いします。 2019年は「データサイエンティストなのにデータ万能主義を否定している」的スタンスでのメディア露出が増えました。 発言に矛盾はないと思います。データ触っている人ほど、データに慎重ですよね？　加熱するデータへの過度な期待を、少しでも冷ませられたら幸いです。しかしデータ自体への火は消していない。火を絶やすでないぞぉ。ただ、データ分析の全てを否定したわけではありません。 実は取材を受ける度に「これからは因果関係を発見する因果推論が重要」と主張してきました。2020年代はますます重要性が増すと考えています。 新年１発目のnoteは、その論拠をまとめてみました。 2020年代は因果推論がアツいと思う理由私がデータ分析を始める際、いきなり数字は触りません。まずは「目的」と「アプローチ」を定義するところから始めます。 目的（WHATとW

こんにちは、hikaruです。 (誰？と思った方はこちらの自己紹介を見てくだると嬉しいです） 最近、デザインにとっても興味があります。 そんなこんなで先月くらいから、Cocoda!というUIデザインの学習サイトでゆるっと勉強を始めたところ、 Cocoda!の初心者コースを見ながら人生で初のUIデザインを作ってみてるが、丁寧でキットが充実しているおかげで僕のようなド素人でも意外にサクサク作れて楽しい。 しかしデザインツール便利だ。これはデザイナに限らずみんな使えるようになったほうが良さげ pic.twitter.com/1NEjvkNfqY — 樫田光 | Hikaru Kashida (@hik0107) July 17, 2020

機械学習による確率推定とカリブレーション/probabilistic-calibration-on-classification-model