マーケティングリサーチャー → データサイエンティスト
データサイエンティスト: データを活用してビジネス課題を発見・解決し、統計学・機械学習を駆使して意思決定を支援する専門職。分析から可視化まで一貫して担当する。
完全プランを見る消費財メーカーのマーケティングリサーチ部門に7年間在籍し、定量アンケート設計・消費者調査の集計分析・競合分析レポート作成を担ってきた。SPSSを使った基本集計・クロス集計・多変量解析の経験があり、Excelでの高度なデータ加工にも長けている。「消費者の行動や態度を数字で捉える」ことへの情熱は強いが、近年のデジタルマーケティング領域ではPythonを使った行動データ分析・予測モデルの活用が当たり前になってきており、自分のスキルの陳腐化を危惧している。特に、広告効果測定でA/Bテストの設計を担当するようになったが、統計的有意性の解釈や検定力の計算に自信が持てない。機械学習・因果推論・データ可視化の技術をマーケティングリサーチに組み合わせ、より高度なデータサイエンティストとして活躍したい。
「マーケティングリサーチで培った消費者理解と業務ドメイン知識を活かしながら、Pythonによる機械学習・A/Bテスト設計・因果推論を習得したい。消費者行動データを深く分析してマーケティング施策の意思決定を科学的に支援できるデータサイエンティストへとステップアップすることを目標としている。」
坂本 奈々さん本人の学習設計の語り
リサーチャーとしての「仮説設定と検証」の思考習慣を活かし、まず「データ分析の力」と「仮説思考」でビジネス因果推論の体系を整理する。次に「FACTFULNESS」でデータリテラシーをアップグレードし、数字の見せ方・解釈の罠を体系的に理解する。「A/Bテスト実践ガイド」でA/Bテストの設計から分析まで実践力を養い、業務で即活用できる状態を作る。第2フェーズでは機械学習の全体像と組織でのデータ活用論を学び、分析の幅を大幅に広げる。
現在のスキル水準とデータサイエンティストに必要な水準を並べ、何を伸ばすべきかを可視化しています。
迷ったらこの順番で読むのが推奨。基礎 → 実践 → 視座を上げる、という流れで構成されています。
なぜこの本か
リサーチャーとして培ってきた「観察から相関を見つける」技術を、ビジネスで活用できる因果推論へアップグレードするための最良書。RCT・差分の差・回帰不連続などの手法をビジネス事例で学べる。
因果推論のビジネス応用、データリテラシーの深化、A/Bテスト設計・統計的検定の実践習得
機械学習の全体像把握、データ分析人材の組織内役割理解、データドリブンマーケティングの実践論
このキャリア遷移を目指す坂本 奈々さんが活用を検討しやすい転職サービスをまとめました。
マーケティングリサーチャーからデータサイエンティストへのキャリアチェンジ支援に実績があり、ドメイン知識を活かした転職先の選定に強い
※ サービス選びの参考情報。利用は各自の判断で。
消費財・リテール・マーケティング領域のデータサイエンティスト求人が豊富で、業界知識を持つ人材へのニーズが高い
※ サービス選びの参考情報。利用は各自の判断で。
同じ職種・近いレベル感を目指す他のペルソナです。学習プランや読む順番のバリエーションとして参考にしてください。
坂本 奈々さんの学習プランは「データサイエンティスト」を目指す一例です。 職種全体のロードマップ・必要スキル・代表的な書籍は専用ページで体系的に確認できます。
データサイエンティストのロードマップを見る →
