行動データの探索
- ファネル分解: サインアップ〜継続利用の離脱ポイントを特定し優先度を明確化する。
- セグメント深掘り: LTV上位ユーザーの共通行動をクラスタリングで抽出。
- 仮説→起案: 行動ログから仮説を立てて、よりCVRの高いロジックへの変更を行う
データサイエンティスト（事業会社）
データでプロダクトの成長加速度を上げる
各種データとデータサイエンススキルを武器に、A/Bテストが難しい施策でも効果改善や効率化を行うデータサイエンティストの仕事像を解説します。仮説づくりからレポーティング、チーム連携、要求要件整理まで実装以外のマルチな動き方が必要です。
役割概要
プロダクトデータサイエンティストは、ユーザー行動ログや各種データを束ねて仮説→検証→ROI説明までを一気通貫で担う存在です。因果推論に基づいた効果検証やレコメンドロジックのエンハンス等などのプロジェクトを回しつつ、意思決定を支援するところまで伴走します。
意思決定の現場に入り込み、プロダクトマネジャー・データエンジニア・マーケターやプロダクトグロース等の三者をデータで橋渡しします。経営陣への説明責任まで支えることでチーム全員のアクションをそろえます。
主な業務領域
実験設計とパーソナライズ
- 準実験の設計: 自然実験や差分の差分法でA/Bテストが難しい施策を評価。
- 推薦モデル構築: レコメンドやスコアリングモデルでエンゲージメントを向上。
- メールやLINEの配信ロジック: one to oneのコミュニケーションにより、CVRを最大化。
事業との関わり
- ステークホルダー連携: マーケやプロダクトグロースと打ち手をすり合わせ、次の施策に繋げる。
- エグゼクティブ報告: ROIサマリーと次の投資判断材料を短いスプリントで提供。
代表的なプロジェクト
株式会社リクルート CausalImpactを用いたオウンドメディア記事の価値証明
SUUMOは、コンテンツマーケティングが最終的なCVに貢献するかを検証しました。将来の顧客層に対し、オウンドメディアの記事を初期接点とするキャンペーンを実施し、CausalImpact分析で効果を測定。結果、記事に接触したエリアではCVが約35%増加したと推計されました。
株式会社メルカリ 「見た目が近い商品」レコメンド改善の取り組み
Vision-Language ModelのSigLIPを自社の商品データでファインチューニングし、「見た目が近い商品」のレコメンド機能を改善しました。A/Bテストでは、レコメンドのタップ率が1.5倍、購入数が**14%**増加しました。推論の高速化のためにTensorRTも導入され、GKEとVertex AI Vector Searchを用いたシステムで本番運用されています。
NTTドコモビジネス 機械学習×数理最適化で業務プロセス革命！
コールセンターのシフト最適化を取り上げ、NTT ComのノーコードAI開発ツール「Node-AI」で架電数を需要予測し、その予測結果を基に数理最適化を用いて総労働時間が最小となる最適なシフト計画を自動で策定する手法を解説しています。在庫管理やダイナミックプライシングなど、他の分野への応用も期待できそう。
スキル&マインドの3層マップ
テクニカル
- SQL×Python: BigQueryでデータ抽出し仮説検証を回す。
- 情報理論の理解: 因果推論やNLP、数理最適など、強みが一つでもあると良いでしょう。
- 事業のデータ基盤理解: 定期ロジックのエンハンス等で必要になります
- 泥臭い前処理: 不完全なログを整形しながら分析に耐える形へ整える。
ビジネス理解
- 事業の戦略理解:事業側の戦略の理解は必須です。戦略に基づいた案件の起案が、活躍の鍵です。
- KPIツリーの理解: マーケファネルに分解し、インパクトが大きく優先度が高い課題から解決しましょう
- ROIの説明: エグゼクティブ向けに投資効果を端的に提示する必要があります
コラボレーション
- プロジェクト: PMやエンジニアと協業し、仮説→実装→検証サイクルを共有します
- CS/マーケ連携: 施策でデータ観点を補強したり、要求の壁打ちからプロジェクトに昇華したりします。
- プレゼン力: 図や言葉の粒度を相手に合わせて翻訳します。
- 期待値調整: 「AIで何でも」期待と現実のギャップを丁寧に補正する。
キャリアの伸び方
スペシャリストパス:会社によって役職名は異なりますが、テックリードになるパターンです。難度の高い仮説検証と基盤整備をリードします。
グロース／PMパス: KPI設計の経験を活かし、グロースリードやプロダクトマネジャーとなって事業KPIを握る道もありえます。
越境パス: 顧客折衝が好きならAIコンサルタントやソリューションスペシャリストとして社外案件を支援するポジションも相性が良いです。
キャリアに関するあれこれ
- Q: 期待されることと現実のギャップは？
- 「AIで全部解決して」と言われますが、データが揃っていなかったり分析が地味な結果になることも多いです。現実的なインパクトを説明するコミュニケーションが重要です。
- Q: 毎日モデルづくりばかりですか？
- 大半はデータの整備や社内調整、レポート作成など泥臭い作業です。仮説検証を回すためには地道な準備が欠かせません。
- Q: プレッシャーは大きいですか？
- 成果を数字で証明し続けるプレッシャーはあります。多部署と連携しながら優先度を握り、地味な改善でも価値を示していきます。