データアナリストとPKアルゴリズムエンジニア、どちらが勝つでしょうか?

この記事では、データ アナリストとアルゴリズム アナリスト間の協力の問題から始めて、典型的なエラー状況を分析し、行き詰まりを打破するためのアイデアを提供し、適切で調和のとれた協力シナリオを示します。データ アナリストとアルゴリズム エンジニアにおすすめの読み物です。

データアナリストがアルゴリズムエンジニアとどのように協力すべきかは、古くからある問題です。一方、ビジネス側では、このモデルに対する幻想が高まっています。一方で、データ収集が不十分、データ担当者が不足、業務目標が明確でないなどの問題を抱える企業も少なくありません。分析とアルゴリズムを連携させ、より高い効果を上げるにはどうすればよいのでしょうか。今日はそのシステムを共有したいと思います。

1.典型的な2つの誤った習慣：グーブリスタイル

企業のリーダーの中には、自社のデータアナリストの無能さについて不平を言うのが好きで、常に「モデルを思いつくことだけがクールだ」と考えている人もいます。その結果、データアナリストは皆、自らを守ろうとし、「モデル」という言葉が関わるすべての作業と自分たちの間に線引きをし、すべてをアルゴリズムエンジニアに任せきりにしました。

もちろん、これを行うとアルゴリズムは無効になります。

言うまでもなく、多くの場合、リーダーが言及するモデルは単に「SWOT」のような漠然としたものにすぎません。

言うまでもなく、モデリングの目標の多くは、「成功するために何ができるかを予測する」といった、単に非現実的なものばかりです。

基本的な特徴のスクリーニング作業だけをサポートする人がいなければ、アルゴリズムエンジニアは疲弊してしまいます。プロジェクトの進捗は遅く、結局、「なぜあなたのモデルは 100% 正確な予測ができないのですか」と批判されました。

もちろん、このような問題は伝統的な企業ではよくあることです。特にデジタル変革の段階では、リーダーたちは多くの高尚な PPT を見て、従来の企業を非常によく理解していると考えていました。

ドッグスタイル：一部のインターネット企業はアルゴリズムの応用について比較的明確な位置づけを持っており、アルゴリズムグループの地位も比較的高い。そこで彼らは、アルゴリズム グループに割り当てられたアナリストを犬のように扱うという極端な行動に出ます。私が何をするか心配する必要はありません。私が言う通りにデータを取得してください。データ分析の作業は、終わりのないデータ収集テーブルに圧倒されます。

こうすることで、誰もが危険にさらされることになります。運用部門は言うまでもなく、データアナリストでさえアルゴリズムのロジックを理解していないからです。知識がない場合、運用部門は単純なデータ指標の監視を通じてアルゴリズムの有効性を推測することしかできません。そして、少しでも問題の兆候があると、彼らは疑問を持ち始めます。「アルゴリズムが機能していない！」「密かに何を変更したのか！」「ただふざけているだけだ！」こうした疑念は、部門間の責任転嫁や口論の導火線となり、際限のない内部摩擦を引き起こすことになる。

2.行き詰まりを打破するための基本的な考え方

本質的には、分析とアルゴリズムはどちらもデータの応用です。そこで、魂を見つめる質問が浮かびます。データがあれば、お金はコンピューターから際限なく流れ出るのでしょうか?明らかに違います!データ自体がすべての病気を治せるわけではありません。データに役割を果たさせたい場合、データをビジネスの現実と密接に統合し、データが役立つポイントを見つける必要があります。

しかし、実際のビジネス状況は非常に複雑であり、データとビジネス行動が絡み合っていることがよくあります。

例えば：

• 短編動画のDAUが減少しているのは、アルゴリズムの推奨が十分に強力ではないためか、それともクリエイター自身の質が低すぎるためでしょうか?
• 取引のコンバージョン率が低下しました。商品の推奨が良くないのか、商品の入手先が適切に選択されていないのか?
• パフォーマンス予測は不正確ですか?それは予測モデルの力が十分でないからでしょうか、それともビジネス自体が緩いからでしょうか?

この時点で、ビジネス部門は常に責任を転嫁することができます。「私たちのデータは不十分すぎるので、Byte のアルゴリズムがあれば最高です。」データ面では、アルゴリズムと分析の両方に責任があります。したがって、最終的な解決策は、データ学生が互いに踏みつけるのではなく、団結して、良いシナリオを見つけ、成果を上げ、責任を軽減することです。

空虚な言葉はあまりにも空虚に思えるので、具体的な問題のシナリオで考えてみましょう。

3.典型的な協力シナリオ1

プロジェクト確立問題シナリオ：大手製造会社は、採用効率を向上させるために「多次元3次元分析モデル」を確立したいと考えています。質問：現時点での需要にどのように応えればよいでしょうか？

これは、要件が不明確な典型的なシナリオです。

• 採用効率とは何ですか?
• 採用コストを下げる?採用後の定着率は向上しますか?適切な人材を採用していますか?
• 適切な人物とは誰ですか?明確な定義はありますか?
• 「適切」の定義は、組立ライン作業者、営業、マーケティングプランナー、管理者の間で一貫していますか?
• 組立ライン作業員、営業、マーケティングプランナー、マネージャーの採用問題は同じですか?

上記の状況は明確ではない

したがって、アルゴリズム/分析を誰が担当しているかに関係なく、要求を引き受ける人は誰でも最初に上記の質問をする必要があります。もちろん、問題の定義が不明確な場合は、データアナリストが前に出てコミュニケーションをとる方が適切です。データ アナリストはビジネスに近いため、ビジネス言語をより簡単に理解し、ビジネス アイデアを導くことができます。

企業側はさらにこう答えた。

• 管理職にふさわしい人材の採用を支援する
• XX 省と市では組立ライン労働者の採用が容易であることがわかりました。私たちは彼らを集中的に採用します。
• 部門全体の人件費をXXX百万元以内に抑える

では、今こそ「多次元」かつ「三次元」のモデルの構築を始めるべき時なのでしょうか?

いいえ！全然近くないよ！

IV.典型的な協力シナリオ 2

タスクの分解には、プロジェクトの進行を制限する 3 つの大きな問題があります。

1. 「適切な」管理職の定義が不明確である。

管理者の評価は、組立ラインの作業員の評価よりもはるかに複雑です。組立ラインの作業員は、年齢、身分証明書、教育レベルなど、いくつかの簡単な項目を検査するだけで、作業スキルも標準化された作業評価に合格できます。マネージャーの場合、状況ははるかに複雑で、「リーダーに好かれているかどうか」など、非常に個人的かつ定量化できない評価ポイントもあります。だからここで止まるわけにはいかないのです。さらなる定義が必要です。

2. 各省・市の労働力データが欠落しています。

注: 現在人事部門が受け取っている履歴書から適切なものを選別することと、膨大な人材の中からより多くの人材がどこにいるかを特定することは、まったく別の問題です。なぜなら、受け取ったデータは数えられるが、膨大な人の海に対しては全くデータがないからだ。何も考えずに仕事を始めると、誤った判断につながる可能性が高くなります。

3. 部門全体の雇用コストと採用効率は、2つの基本的な問題です。

部門全体の人件費には、新規採用のほか、継続的な賃金や福利厚生、退職者への補償などが含まれます。部門全体のコスト管理を目標とする場合は、どの部分の総額が最も高いのか、どの部分の割合が最も大きいのか、どの部分が余剰なのか、どの部分が最も急速に成長しているのかを事前に明確に分析する必要があります。解決方法を見てみましょう。

この時点で、少なくとも 5 つのタスクを細分化できます。

1. 管理職の「適性」を定義します (適性を定義するには、コンピテンシー モデルなどの別のビジネス モデルを構築する必要がある場合があります)。
2. 過去の面接データをもとに、モデリングの準備として管理職の「適性」をマークします。
3. さまざまな地域の労働市場データ（労働市場から公開されている情報、仲介業者から提供される情報など）を収集します。
4. これまでの採用活動と合わせて、地域別採用の合理性を検証する（求職者は内陸省出身者であっても、沿岸省まで職探しに行くため、地域分けにそれほど意味がない可能性もある。これらの仮定は検証する必要がある）。
5. 全体的な人件費構造と傾向を分析して、コスト管理の重要なポイントを見つけます。

これら5つのタスクは主にデータ分析作業です。データ分析により現状が明らかになり、後続のアルゴリズムをより的確に行えるようにデータが収集されます。例えば：

1. 管理職の適性・不適性ラベルが既に存在する場合、履歴書情報、ヘッドハンター提供情報、採用チャネル情報をもとに面接対象者に対して分類予測モデル（ロジスティック回帰・決定木）を構築し、「適性」の確率を予測します。

2. 全体的な人件費構造、成長理由、開発傾向に関するデータがすでにある場合は、予測モデル（時系列/多変量回帰）を構築して、人件費が予想を上回るかどうかを判断し、意思決定に介入します（短期的な人員不足のために大量採用を行わず、残業代と新規従業員の追加によるコストの差を比較します）。

もちろん、協力の3つ目のポイントは、仕事で課題が生じたときに、一緒に取り組むことです。

V.典型的な協力シナリオ3

「なぜモデルは不正確なのか？」という究極の質問に答えるには、全員が協力しなければなりません。最初に排除すべきことは、外部要因、予期せぬ変動、積極的なビジネス行動の影響です。問題があるからといって、モデルを非難しないでください。

たとえば、上級管理職の突然の交代により、管理職の採用要件が変わるなどです。採用元で伝染病が発生し、従業員が退職できなくなる。業界をリードする企業が突然給与を引き上げ、業界全体のコストが上昇する。当初の採用計画がさまざまな理由で延期され、期待に応えられなかったため、新しいチャネル/新しい方法を追加する必要があります。これらすべての要因により、当初設計されたモデルは無効になったり、その有効性が低下したりすることになります。こうした変化に対応するには、データ分析が最前線になければなりません。データを毎日監視することで、問題を早期に発見し、ビジネスリスクを警告し、全員に変更に注意を払うよう通知することができます。ビジネスがあなたのところに来るのを待ってからあなたと議論するのではなく。

VI.まとめ

アルゴリズムと分析の作業の性質の違いは、両者が協力して作業を分担する場合、当然焦点が異なることを意味します。理想的な協力方法は、ビジネス上の障害を解消するための分析と、効率を向上させるためのアルゴリズムです。一緒に成果を達成しましょう。

実際、十分に長く働き、ビジネスと十分に接触していれば、ビジネスから直接もたらされる「モデル構築」要件のほとんどが、データの欠落や目標の不明確さのせいで信頼できないものであることに気付くでしょう。特に予測問題に関してはそうです（分類問題は比較的優れています）。データアナリストによって変換された要求は、はるかに信頼性が高くなります。

著者: 地に足のついた教師チェン

WeChat公式アカウント：「地に足のついた陳先生」