充実した教育制度。入社1年目でも任せてもらえる、チャンスがある環境だから成長できる

ビッグデータが活用でき、社会・ビジネスに実装できる力がある。両方を兼ね備えている点が魅力

大学と大学院では数学を専攻して、博士課程を修了後、新卒でARISE analyticsに入社しました。データサイエンティストという職種に関心を持ったきっかけは、私が通っていた東京大学が主催していた企業や他大学の数理課題を解決するワークショップに参加したこと。産業界からの課題解決のためのスタディグループに何度か参加し、依頼者から感謝されるたびに胸が弾み、もっといろんな課題解決に携わりたいと思いました。

データサイエンスに携われる会社の中で、ARISE analyticsを選んだのは2つの理由があります。1つはKDDIが保有するビッグデータが活用できること。もう1つが、日本を代表する通信サービス企業の一つであるKDDIの要となるマーケティング領域をデータ分析で支援し、実ビジネスに活かせる提案を行えることです。今、データ分析会社はたくさんありますが、この両方を兼ね備えている企業は他にありません。

挑戦する機会に恵まれた、やりがいのある環境

入社以来、携わっているのがauのNPS(Net Promoter Score)向上のための分析支援です。NPSは顧客推奨度のことで、顧客がその製品やサービスにどれだけ愛着を持っているかを数値化したものです。
まず配属直後に携わったのが、顧客の接点量とNPSの相関分析です。この分析では、顧客との接点量を拡大すれば、NPSが向上することが「見える化」されました。NPSを向上させるための明確な方針を示す結果として、KDDIの経営層に評価いただいたときはとても嬉しかったです。この分析では、auにおける膨大な顧客接点データを整備したところが肝です。大変な作業ではありましたが、大量のデータを活用できるARISE analyticsだからこそ出来たことだと思います。また、この整備したデータは顧客行動を分析するためのダッシュボードとしてKDDIに提供しており、最近ではコロナ禍における顧客行動変容を分析する際にも、活用されています。

もう1つ印象に残っているのが、au顧客に対するNPS（顧客推奨度）の 「予測モデル」の作成プロジェクト。NPS予測モデルの作成は、日本で挑戦している企業は少ないと思います。そんなチャレンジングな業務を入社間もない若手である私が任せてもらえました。ARISE analyticsはやりたいと言えば、入社年次や年齢に関係なくチャンスがもらえる、そんなやりがいのある仕事場です。

教育体制が整備されているからこそ、データ分析の知識より「お客さまの課題を解決したい」という熱量が大事

「データサイエンティストになるためには、データ分析に関する知識は必要ですよね」と、よく就活生から聞かれます。もちろんデータサイエンティストにとってデータ分析は主業なので、知識は必要です。ですが、データサイエンティストとして活躍するために最も大事なことは、「課題への興味と熱量」です。お客さまの課題の解決に熱中して取り組める人であれば、きっとデータサイエンティストとして活躍できると思います。なぜなら、ARISE analyticsでは教育体制がちゃんと整備されているからです。

例えば新卒で入社すると、まず社会人にとって必要なコアスキルが身に付くトレーニングを受講します。ビジネスマナーはもちろん、ロジカルシンキングやタスクマネジメント、ビジネスライティングなどの知識・スキルを学びます。自分が苦手な部分に気づき、向き合うための起点となる大切な時間でした。自分が最もためになったと思うのは、ロジカルシンキングの講座。自分が思っていた以上にコミュニケーションが苦手であることに気づかされました。日々の業務において、考え方や伝え方の整理に役立っています。

約1か月間のコアスキルトレーニングが終わると、データサイエンティストとして求められる知識・スキルを習得する2か月間のトレーニング「データサイエンティストブートキャンプ」が始まります。このトレーニングの最後の2週間は、それまで学んだことを活かして、架空の会社の課題を一人で解決するモデルケースに挑みます。最終日にまとめたレポートを先輩たちの前で発表したところ、先輩たちからクライアントがアクションに移すまでのリードタイムが考慮されていない、といった現場ならではの視点で指摘が入りました。そこでデータサイエンティストという仕事の面白さと同時に、難しさが実感できました。配属後もOJTを通してデーサイエンティストとして学び、入社3年目になる今は任せてもらえることも増え、自走できる範囲が徐々に広がっています。

データ分析はあくまで手法で、私たちの目的はお客さまが効果的な施策に落とし込めるよう、ユーザー目線でボトルネックを取り除いていくことです。例えば「アプリ利用頻度が下がっている」という結果があれば、ユーザビリティやアプリの価格設定など、何がボトルネックなのかを見つけ出し、それを改善する施策に結びつけられるような示唆をお客さまは求めています。

顧客行動の理解はデータ分析が得意とする分野ですが、なぜアプリを利用しなくなったのかというユーザー心理の理解は不得意です。なので、お客さまの課題に十分に応えるために、今後はデータサイエンティストとしてデータ分析手法以外の顧客行動心理に対する知識も身につけ、ユーザー目線で示唆抽出できる仕組み作りに挑戦したいです。お客さまのビジネスに貢献できるデータサイエンティストとして、もっと成長していきたいと思っています。