現在は、プロジェクトマネージャーとしてクライアントとチームメンバーの間を取り持つ役割を担っています。ちなみに、当社のデータサイエンティストはアナリストからマネージャー職へとステップアップするのが一般的ですが、データ分析やアルゴリズム構築等の技術を極めるというキャリアパスもあります。私はマネージャー職へ進んだのでコーディングの機会はほとんどなくなりましたが、クライアントの課題に対してどのような分析方法で貢献できるか企画する業務はビジネスとデータ分析の両方のスキルを必要とするので、やりがいを感じています。

仕事内容については、製造業のお客様向けに装置のトラブルシューティングを支援した案件を例にご紹介します。

製造業と聞くと、多くの人は工場の中で作業員が生産活動を行っている、つまり人の手でものづくりが行われている様子を想像すると思います。しかし実際はほとんどの生産活動が機械（装置）で行われており、工場内の作業員が行っているのは、装置の修理やメンテナンスなどの管理業務です。こうした製造業のクライアントが抱える「生産性の向上」という課題に対して、私たちは「AIによる的確なトラブルシューティングで装置の稼働率を向上させる」支援を行いました。

装置の稼働率を上げるためには、故障や不具合などのトラブルによって装置が停止している時間をいかに短くするか、どれだけ早くトラブルを解決して装置を復旧させられるかがポイントです。修理やメンテナンスなどの具体的な対処方法はマニュアルを充実させることで対応できますが、故障や不具合の原因が特定できなければ無駄な作業に時間をとられて復旧に時間がかかってしまいます。そこで私たちは、過去に装置が故障した時のログを分析し、そのパターンの類似性からクラスタリングを行ってAIがトラブルの原因を特定するモデルを構築しました。

この案件に限りませんが、受託案件ならではの難しさとしてAI・機械学習が導いた結果と現場の感覚にギャップが生じることがあります。例えば、「故障Aと故障Bが同じカテゴリーになるのはおかしい」「故障Cも故障Dも部品Xの不具合なのだから扱いは一緒のはず」といったように、現場の担当者がAIによるクラスタリングに違和感を訴えることは少なくありません。実際にシステムを運用するのはクライアントですから、分析の途中過程で何度もデモを見せるなどしてギャップを埋めていく作業がとても大切になります。この案件では、AIがトラブルの原因を1つに絞り込むのではなく、可能性が高い故障原因の候補を複数提示し、最終的には人間が判断するという手順を採用することにしました。

▼ 仕事に必要な知識・スキル

分析者としては、まず統計学の前提知識はある程度必要です。知識だけでなくデータ分析・モデリングの経験やプログラミング能力、そして分析対象のドメイン知識も重要です。マネジメントには、課題や目的を明確にし、課題を分析テーマに落とし込むスキルが必要とされます。プロジェクトマネジメント全般のスキルを身につけ、プロジェクトのトラブルを未然に防ぐことも重要な役割です。

自社内に分析部門を持つ事業会社で働く場合は、その事業会社自体や扱っているプロダクトやサービスが好きであること、特定ドメインの分析に興味があることなどが大切でしょう。一方、受託会社はクライアントの業種・業界も多岐に渡りますので、特定のドメインに対する興味よりも、分析技術や分析技術を用いた課題解決に興味がある人が向いているかもしれません。

▼ 仕事に対する考え（想いやこだわり）

まだ誰も見つけていなかった事実や法則をデータから導き出すことができ、さらにそれがクライアントの課題解決にもつながったときに自分たちの仕事に対してやりがいを強く感じます。

データ分析の仕事で注意していることは、課題にしっかりと向き合うということです。たとえ精度の高い予測モデルを作成できたとしても、それが本来の目的から逸れていれば課題解決には至りません。本当に役に立つデータ分析はどんな分析なのかを考えています。