これはカンム Advent Calendar 2023 12日目の記事です。 昨日はyuichicoさんの日本酒愛溢れる記事でした。 自分は飲食に対する興味が低いんですが、熱量高い人にはちょっと憧れます。 私はデータアナリストとしてアプリログ分析やアンケート調査などをメインに担当していますが、収益計画の予実管理も一部担当しています。 カンムでは収益計画を毎月更新しているのですが、時間をかけ過ぎることなく精度の高い予測を行うよう心がけています。 ここでは簡単なTips「KPI
以下のような理由で、データアナリストとしてのキャリアの方向性を改めて考えた。 世界的な不況の影響か、データ関連職種のビジネス価値について書かれたブログ記事を多く見るようになった ChatGPTを始めとするAIの普及により、キャリアの見直しの必要性が高まっている 自分がデータアナリストとして転職する 以下にデータアナリストのキャリアに関する調査メモを簡単にまとめる。 データアナリストのビジネス価値世界的な不況も影響してるのか、データアナリストのビジネス価値についてのブ
転職活動における自己分析などは、第三者からの意見をもらいながら行いたい。 今回、第三者としてChatGPTから意見をもらってみた。 少ないコストで、何より気軽に、それなりに有益な情報を得られたように思う。 活用例①自己分析入力情報 StrengthFinder結果、16Personalities結果 出力情報 強み、弱み 向いている職種、向いていない職種 働きやすく価値を出しやすい職場環境、働きにくく価値を出しにくい職場環境 大企業、メガベンチャー、スタートア
背景結婚することになり、将来をもう少しちゃんと考える必要が出てきた。 やったことざっくりだがライフプランを作って、生涯のお金周りについてシミュレーションした。 今のところ自分は、結婚式をしない・家を買わない・保険に入らない・車を買わない・複雑な投資はしないので、けっこうシンプルなものになっていると思う。 誰かテンプレを公開してくれていないか探したけど、いい感じのがあまり見つからなかったので公開してみる。 思ったこと大きな支出として、いつ・何で・どれだけありそうか、おおよ
データ活用により、ユーザーやプロダクトや事業に関する解像度を高め、意思決定の質と効率を上げようとしている企業が増えていると思うが、そもそもKPI設計がいい感じに出来ていないとデータ活用は厳しい。 ただ、KPI設計はとても難しい。 よくあるKPI設計の悩みどころとして以下が言われている。 KGI（売上など）の分解になっていて、ビジョンや顧客にとっての価値を含めるのが難しい ツリーモデルになっていて、エコシステムの複雑さを表すのが難しい 一つの解決案は以下かなと思ってい
2年と少しの間、受託データ分析会社に所属したが、データ分析PJTの多くが本番導入前のPoC（概念実証）段階で頓挫するのを見聞きしてきた。 PoCで頓挫する原因は広範囲にわたり、一人で全体を対処出来る人材は極めて稀。 その解決策として、「ビジネスモデルキャンバス」のデータ分析版である「データ分析PJTキャンバス」を使うのが有効ではないかと思っている。 という話を以前LTで発表した際の資料を掲載する。 参考資料
1. 書き方1.1. 要点why ・自社のことを読者からどのように思ってもらいたいか who ・対象読者 ・読者の悩み what ・記載しないこと ・記事で示すこと（=悩みの解決策） ・記事を読むメリット how ・記事の信頼性 ・キーワード（1~3つ。タイトルに使用） 1.2. アウトラインタイトル 導入 本文 さいごに --- 2. 実例上記を意識して書いた記事が以下。 2.1. 要点 why ・自社のことを読者からどのように思ってもらいたいか 情報の
自社が toC のスタートアップ（社員~20名、データ分析チーム2名）なので、そこに寄ったまとめになっていると思う。 データ分析については、樫田さん（デジタル庁）、平野さん（Retty）、奥村さん（エウレカ）を特に参考にしている。 Retty メルカリnote Sansan ミラティブ エウレカ Voicy dely hey リブセンス ラクスル Gunosy Ubie SmartHR ミクシィ 自社上記を参考に、本ページの役割ごとに設定。 Data Analytics
自社が toC のスタートアップ（社員~20名、データ分析チーム2名）なので、そこに寄ったまとめになっていると思う。 データ分析については、樫田さん（デジタル庁）、平野さん（Retty）、奥村さん（エウレカ）を特に参考にしている。 Retty エウレカ エムスリー エアークローゼット 一休 heyメルカリ Voicy 自社上記を参考に、本ページの役割ごとに設定。
自社が toC のスタートアップ（社員~20名、データ分析チーム2名）なので、そこに寄ったまとめになっていると思う。 データ分析については、樫田さん（デジタル庁）、平野さん（Retty）、奥村さん（エウレカ）を特に参考にしている。 Retty エウレカ メルカリ heyマネーフォワード リブセンス エムスリー Sansan 自社上記を参考にミッションを設定。 Data Analytics データを活用し、ユーザー/プロダクト/事業/エコシステムの解像度を高め、意思決定の
2021/5/23、KindleハイライトをNotionに出力するPythonパッケージが公開されたので試してみました。 これまで以下を参考にKindleハイライトのデータベース化をしていましたが、けっこう面倒な手作業も多く、なんだかなという感じでした。 結論↓の①②③を併用することで、若干改善は出来るが、まだまだ面倒も多いし仕上がりも微妙。 ①https://github.com/paperboi/kindle2notion ・「出版社が設定した制限の1%をn%超え
前回、Bradley-Terryというモデルを使って、力士の強さを数値化しましたが、大相撲好きとしてはやはり、大相撲の特徴を捉えた強さ判定モデルを自分で考えて数値化したいところです。 ということで今回、ベイズ推定やらコーシー分布やらによって、力士の強さを数値化してみました。 2001〜2018 強い力士トップ20data { int N; int M; int<lower=1, upper=N> Id[M, 2];}parameters { vector[
2018年7月場所、御嶽海が初優勝を果たしました。関脇の優勝は、2015年5月場所の照ノ富士以来３年ぶりです。 しかし、3横綱と新大関の栃ノ心が休場、残る大関の豪栄道が10勝、高安が9勝と、上位陣大崩れな中での優勝でした。 御嶽海は本当に強いんでしょうか？ 2001〜2018年の全取組結果から各力士の強さを可視化してみました。 強さの判定力士の強さを判定するには色んな難しさがあります。 まず、幕内力士42人に対して1場所で各力士15回の取組しかありません。全員と対戦す
