タグ: データサイエンス（用語）

編集部注：本稿の著者Asaf Cohen（アサフ・コーエン）氏は、データ運用プラットフォームであるMetrolink.aiの共同設立者兼CEO。

ーーー

「80:20のルール」としても知られるパレートの法則は、結果の8割は、原因全体の2割に相当する事柄に起因しているのであり、その他の原因が結果に及ぼす影響は小さいとする。

データ関連の仕事をしている人なら、この80:20のルールの別バージョン、すなわち、データサイエンティストは実際の分析やインサイトの生成ではなく、雑然としたデータを整えるのに勤務時間の80％を費やしている、というフレーズを耳にしたことがあるのではないだろうか。通常なら30分で行ける道のりを、交通渋滞のために2時間半かかるという例を考えれば、このフレーズの言わんとするところが理解していただけるだろう。

実際には、ほとんどのデータサイエンティストはデータ分析に勤務時間の20％以上の時間を割いているだろうが、それでも雑然とした大量のデータを分析に適したものに整えるのに数え切れないほどの時間を費やしているのが現状だ。重複したデータを削除したり、すべてのエントリが正しくフォーマットされていることを確認したりすることもこのプロセスの一部であり、その他の準備作業もしなければならない。

Anacondaの最新の調査によると、このプロセスに平均して全体の時間の45％が費やされていることがわかった。それより前に実施されたCrowdFlowerの調査では、その数字は60％と推定されており、またその他の調査でもこの範囲内の数字が示されている。

データの整備が重要でない、というわけではない。「使い物にならないデータを投入しても、使いものにならない結果が得られるだけ」とは、コンピューターサイエンス界でよく知られた法則であるが、これはデータサイエンスにも当てはまる。例えば、顧客番号1527のエントリーが数字ではなくテキスト形式になっていると、顧客あたりの平均支出を算出することができず、エラーになってしまうが、これはまだましな例である。最悪な場合には、企業は現実とは無関係なインサイトを元に今後に向けての判断を下すことになる。

ここで本当に問われるべきなのは、顧客番号1527のデータを、高給取りの専門家の時間を費やして再フォーマットするのが最良の方法なのかどうかである。さまざまな推定によると、データサイエンティストの平均給与は、年間で9万5000～12万ドル（約1050～1300万円）である。このような高給取りの従業員に、誰にでもできるようなつまらない雑用をさせるのは彼らの時間と会社のお金の無駄である。さらに、現実世界のデータには寿命があり、時間的制約のあるプロジェクトの場合、データセットの収集と処理に時間がかかりすぎると、分析を行う前に、それは古くて使いものにならなくなる可能性がある。

さらに、企業のデータの探求には、データに関与するはずではない人員が、本来の仕事ではなく、データの収集や生成の支援を命じられるなど、時間の無駄遣いが発生していることが少なくない。企業が収集したデータの半分以上はまったく活用されておらず、このことは、収集に関与した人員すべての時間が無駄に使われ、業務上の遅延とそれにともなう損失しか生み出さないことを示唆している。

データは収集されるものの、データサイエンスチームに負荷がかかりすぎてしまっていて、すべてのデータを活用できないこともしばしばだ。

すべてはデータのために、データはすべてのために

ここで概説された問題は、GoogleやFacebookなどのデータのパイオニアを除き、企業がデータ主導の時代における自らのあり方に頭を悩ませているという事実と結びついている。データが巨大なデータベースに投入され、データサイエンティストはデータ整備に多くの時間を費やし、またデータの収集の支援に時間を浪費している他の従業員がそのことから利益をえることはあまりないのである。

有り体に言えば、データ変革は始まったばかりである。データを事業モデルの中核に据えたテック大手の成功は、始まりの合図にすぎない。そして今のところその結果はまちまちであり、これは企業がまだデータに関する思考に習熟していないことの表れである。

データは多大な価値を持っており、企業もそれには気がついている。それは、 テック企業ではない企業がAI専門家を求めていることにも表れている。企業は道を誤ること無く進む必要があり、そこで重要になってくることの1つが、AIに注力するのと同じくらい人材に注力することである。

データは、事実上、あらゆる業種の組織構造内のあらゆる要素の運用を強化することができる。すべてのビジネスプロセスに機械学習モデルが存在する、といった未来を想像するのは魅力的かもしれないが、今はそこまで踏み込む必要はない。今日データを利用しようと考える企業のゴールは、データをA地点からB地点に移すことである。A地点はワークフローの中のデータが収集される地点であり、B地点は意思決定にそのデータを必要としている人物である。

重要なのは、Bがデータサイエンティストである必要はないということである。これは最適なワークフロー設計を解明しようとしているマネージャーかもしれないし、製造プロセスの欠陥を見つけ出そうとしているエンジニアかもしれないし、特定の機能のA/Bテストを行っているUIデザイナーかもしれない。これらの人々は全員、必要なデータを、インサイトを得るために処理できる状態で常に手元に持っていなければならない。

企業が人々に投資し、基礎的な分析スキルを身に付けさせた場合は特にそうだが、彼らはモデルと同様データで力を発揮することができる。このアプローチにおいては、アクセシビリティが鍵である。

懐疑論者はビッグデータは使い古された経済界の流行語にすぎないと主張するかもしれない。しかし、高度な分析能力は、明確な計画と適切な期待が備わっている限り、あらゆる企業の収益を強化することができる。最初の第一歩は、データをアクセスしやすく使いやすくすることであり、可能な限りデータを取り込むことではないのである。

言い換えれば、オールラウンドなデータ文化は、企業にとってデータインフラと同じくらい重要なのである。

関連記事
・【コラム】データサイエンティストは恐れずに新しい分野に挑戦せよ
・データサイエンティストが社内全体とデータを共有するプロセスをシンプルにするHexが6.1億円調達
・データ活用支援のDATAFLUCTが3億円調達、スタートアップスタジオモデルで2年後の上場目指す
画像クレジット：Getty Images under a alphaspirit license.

［原文へ］

（文：Asaf Cohen、翻訳：Dragonfly）

ビッグデータは表面的で中身が掴めない。何年も前から、あらゆる企業はある種のデータベースの中でデジタル情報の残滓をすべて保存しておくべきだと言われてきた。そうしないと、経営陣は競合他社などに対して競争力のあるインテリジェンスを失いかねない。

しかし、ビッグデータには1つ問題がある。とにかく膨大な量であることだ。

ペタバイト規模のデータを処理してビジネスに関する洞察を生成するには、コストと時間がかかる。さらに悪いことに、これらのデータは世界中のあらゆるハッカーグループのターゲットになる危険が大きい。ビッグデータは、維持、保護、機密保持すべてにコストがかかるが、押し並べてみると結果はそうしたコストに見合わない可能性がある。多くの場合、精選されたデータセットは、無限量の未処理データよりも速く、より良い洞察を提供できる。

企業は何をすべきだろうか？ここでまさに、Tonicがビッグデータの問題を改善するのに必要とされるだろう。

Tonicは「合成データ」プラットフォームで、未処理のデータをソフトウェアエンジニアやビジネスアナリストが使いやすいプライベートなデータセットに変換する。その過程でTonicのアルゴリズムは元のデータを識別せず、統計的には同一だが合成されたデータセットを作成する。これは個人情報が不安定なかたちで共有されないことを意味する。

たとえば、オンラインショッピングプラットフォームはその顧客と彼らが購入したものに関する取引履歴を持つ。そのデータを社内のすべてのエンジニアやアナリストと共有することは危険である。なぜなら、その購入履歴には知る必要のない者がアクセスすべきでない個人的な詳細情報が含まれている可能性があるからだ。Tonicは元の支払いデータを、まったく同じ統計的性質を持つが元の顧客とは結びつかない、新しい小さなデータセットに変換することができる。そうすればエンジニアがアプリをテストしたり、アナリストがマーケティングキャンペーンをテストしたりといったことがプライバシーに関する懸念を引き起こすことなく可能になる。

巨大なデータセットのプライバシーを扱う合成データやその他の方法が、ここ数か月の間、投資家から大きな注目を集めている。我々は先週、従業員が必要なデータのみにアクセスし、他のデータへアクセスすることをブロックするポリモーフィック型の暗号化への取り組みにラウンドを調達したSkyflowについて報じた。BigIDは、地域のプライバシー法に基づいてデータのある場所やアクセスすべき人物について追跡する（すなわちデータガバナンス）ことに留まらない包括的な視点を有している。

Tonicのアプローチには、プライバシーの問題だけでなく、データセットのサイズが大きくなるにつれて生じるスケーラビリティの問題も解決できるという利点がある。この組み合わせは投資家の注目を集めている。Tonicは本日午前、GGVのGlenn Solomon（グレン・ソロモン）氏とOren Yunger（オレン・ヤンガー）氏が率いるシリーズAで800万ドル（約8億3000万円）を調達したことを発表した。

同社は創業者4人によって2018年に設立された。CEOのIan Coe（イアン・コウ）氏はCOOのKarl Hanson（カール・ハンソン）氏と中学時代に出会い、両氏とCTOのAndrew Colombi（アンドリュー・コロンビ）氏は共にPalantirで勤務した経験がある。コウ氏はまた同社のエンジニアリング責任者Adam Kamor（アダム・カーマー）氏と共にTableauで働いていた。シリコンバレーの成功している最大手のデータインフラ企業で培われたものは、Tonicの製品DNAの一部を形成している。

Tonicのチーム。写真はTonicより提供

コウ氏によると、Tonicは現代のソフトウェアエンジニアリングで発生する最も明白なセキュリティ上の欠陥のいくつかを防ぐように設計されているという。エンジニアリングチームがデータパイプライン処理に費やす時間を節約することに加え、Tonicは「機密データが本番環境から、本番システムよりも常に安全性の低い下位の環境に移動することを懸念していない」という。

Tonicが誕生するきっかけは、Palantirの銀行顧客のトラブルシューティングをしていたときだったという。彼らは問題を解決するためにデータを必要としていたが、そのデータは非常にセンシティブだったため、チームは合成データを利用することになった。コウ氏は、合成データの有用性をより厳密な方法でより多くの人々に拡大したいと考えている。「規制の圧力は、データの取り扱い慣行を変えることをチームに迫っていると思います」 と彼は言う。

Tonicのテクノロジーの鍵は、未処理データを評価し、すべてのレコード間の関係を統計的に定義するサブセッターにある。分析の一部はデータソースに応じて自動化されており、自動化できない場合にデータサイエンティストがデータセットをオンボードし、それらの関係を手動で定義することをTonicのUIは可能にする。最終的にTonicは、そのデータを所有する企業内のすべての人が使用できる合成データセットを生成する。

今回の資金調達でコウ氏は、使いやすさとオンボーディングをさらに強化し、顧客にこのモデルのメリットを広めたいと考えている。「私たちは様々な観点からカテゴリーを生成しています。それは人々が商品やサービスを早期に受け入れるアーリーアダプターの考え方とその価値を理解し身につける必要がある、ということを意味します」と彼は語る。

主要投資家のGGVに加えて、Bloomberg Beta、Xfund、Heavybit、Silicon Valley CISO Investments、そしてエンジェル投資家のAssaf Wand（アッサーフ・ワンド）氏とAnthony Goldbloom（アンソニー・ゴールドブルーム）氏がこのラウンドに参加している。

関連記事：イリノイ州がマスク着用啓発の広告費割り当てにデータサイエンスを活用

カテゴリー：セキュリティ

タグ：ビッグデータ　データサイエンス

[原文へ]

（翻訳：Dragonfly）

公衆衛生に役に立つターゲット広告の例がある。マスク着用を促すキャンペーンで、イリノイ州は新型コロナウイルス感染症のリスクが最も高い郡にデジタル広告費用を注いでいる。

これを実現するために、同州政府はDan Wagner（ダン・ワグナー）氏が設立した（未訳記事）データサイエンス企業Civis Analytics（シビス・アナリティクス）と協業してきた。ワグナー氏は以前、Barack Obama（バラク・オバマ）氏の2012年再選キャンペーンで最高アナリティクス責任者を務めた人物だ。デジタル広告キャンペーンは2020年8月に始まったが、同州はターゲットを絞るのに使っている週ごとのリスク評価を示すマップなど、この取り組みの詳細をいま明らかにしている（イリノイ州リリース）。

Civisでヘルスケアアナリティクスのディレクターを務めるCrystal Son（クリスタル・ソン）氏は、チームが郡レベルの最新の新型コロナウイルスデータをJ.B. Pritzker（J.B.プリツカー）知事のチームのために毎週まとめていると説明した。プリツカー知事はこのデータを、It Only Works If You Wear Itキャンペーン広告費をどこで重点的に使うべきかを決めるのに活用している。

知事のオフィスで管理・予算を担当する責任者Cameron Mock（キャメロン・モック）氏は「最も新型コロナリスクがあるエリアにメディア費用を集中させるための独自方式」を州政府は活用している、と声明文で述べた。

モック氏は「リスクを基にした独自方式は、郡を高リスク、中リスク、低リスクに分けるために新型コロナ新規患者の傾向と郡レベルのモビリティを活用しています。そしてリスクが最も高いエリアに最も多くの広告費を充てるために比例分配を採用しています」。

画像クレジット：State of Illinois

この独自方式では郡を5つに分ける。最もリスクの高い郡はティア1、最もリスクが低い郡はティア5だ。ティア4と5にはベーシックな広告費が配分され、ティア3の郡はより大きな額を受け取る。そしてティア1と2には最大額が分配される。

マスク着用キャンペーンはオンライン広告に限定されてはいないが、独自方式はデジタル面でのみ使われている。というのも、広告費を週単位で従来の広告チャンネルに振り分けるのは難しいからだ。

「各郡の新型コロナ状況はそれぞれ異なるため、我々はイリノイ州内102郡の各現場の状況に対応するキャンペーンになるようにデザインしました」とプリツカー知事の副報道官Alex Hanns（アレックス・ハンズ）氏は声明で述べた。「エリアのリスクが高まった時、公衆衛生に関するメッセージの頻度も増えます。パンデミックが続いて次の波が来るとき、イリノイ州は引き続き科学者の指摘に耳を傾け、住民の安全を守るためにデータを追跡します」。

ソン氏は新型コロナ対応で、最もリスクの高い地域への広告費投入を優先するのと同じようなモデルを使っているキャンペーンは他にはない、と話した。このモデルはうまくいっているのだろうか。特定のキャンペーンの効果はデータでは示されないが、カーネギーメロン大学によると、イリノイ州民の89％がマスクを着用していて、これは現在米国内で15番目に高いマスク着用率となっている。

将来は他の組織がヘルスケアのために「よりカスタマイズされたコミュニケーションアプローチ」を採用するようになることを願っています、とソン氏は述べた。

「各グループが同じように行動して考えるかのように、ヘルスケアにおいては各グループを同一扱いする習慣がまだあります。それぞれにカスタマイズされたアプローチは、マスク着用以外にも幅広く応用できます」と話した。

カテゴリー：パブリック / ダイバーシティ

タグ：データサイエンス、新型コロナウイルス

画像クレジット：filadendron / Getty Images

［原文へ］

（翻訳：Mizoguchi）