Scraps 最終更新 2026/11/16 11:20

#データ分析

@oddgai /

AI時代のデータサイエンティストは専門性を武器に越境しよう

  • データサイエンティストは生成AIによってデータサイエンスに強いフルスタックエンジニアになる
  • データサイエンスの専門性とエンジニアリングのスキルを併せ持つことが求められる、バックエンドやフロントエンドの境界を越えた開発が増える
  • 現場にデータの価値を届けるためにはプロダクト開発まで含む幅広いスキルが必要で、専門性を活かすには越境する姿勢が重要

@kohei /

日本の全法令を git の履歴にしてみた

  • 日本の法令を git の履歴として管理するリポジトリが作られた
  • 改正ごとに1つのコミットにし、diff で変更点を確認できる。法令は markdown ファイルで保存し、メタデータに施行日や改正法情報を含む
  • 1970年以前の施行日はコミット日を1970-01-02に統一し、実際の日付は frontmatter に記載している

@Dominic-Madori Davis /

データセンターは今や中間選挙の重要なテーマに

  • データセンターとAIが中間選挙で重要なテーマとなり、地域の反発が選挙結果に影響している
  • データセンターの建設が地域の反発を引き起こし、選挙で投票行動に影響している、地域の環境や健康リスクへの懸念が高まっている
  • データセンターの建設は地域の環境や健康リスクを懸念する人々の投票行動に直接影響している

@eigogakuto /

Power Apps の DataGrid を使うとデータの一括更新が楽になった

  • Power Appsのデータグリッドを使うと複数レコードの一括更新が簡単にできる
  • データグリッドのSelectedItemsプロパティで選択レコードを取得し、ForAll関数で一括更新、コンボボックスのItemsにDistinct関数を使う
  • 大量のレコードを更新するときはForAll関数の制限とネットワーク状況に注意し、10件前後でPower Automateと併用する

@taichiterada /

プロダクトの情報を「浴びるように」見られる場所を作った話

  • プロダクトの状況を一画面に集めたコックピットを作った
  • ビジネスの数字、顧客の声、開発の状況、オペレーション、競合と業界の情報を取りまとめた
  • AIを使ってデータを自動収集し、毎日見ることで自然と気づきが生まれるように設計している

@しんや /

Golden Analyticsは日本語でどこまで使える?ロケール設定と日本語データの扱いを確認してみた(2026年10月時点)

  • Golden Analyticsは日本語のロケール設定で大部分のUIが日本語表示される
  • ロケール設定で日本語が選べるがメニューは英語、日本語データの表示は問題ない
  • メニューは英語のみで、AI生成の一部の文章は英語のまま残る

@keeeeen /

S3 Tables + Snowflake を使用した Lakehouse 統合

  • S3 Tables と Snowflake を組み合わせた Lakehouse 構成を導入し、データの保護とコスト削減を実現した
  • S3 Tables で Iceberg テーブルを管理し、Snowflake から直接アクセスする。Vended Credentials で認証し、データのタイムトラベルとコンパクションで効率化
  • Snowflake から S3 Tables にアクセスする際は手動リフレッシュが必要で、リフレッシュ間隔はカタログ統合で設定可能

@こくら /

競馬AIを作り込んだら、市場の粗いコピーになった ── お金としての価値は前日にしかない

  • 競馬AIは前日の時点では市場の答えをかなり言い当てるが、確定オッズが出たあとは価値がない
  • 前日のモデルは単勝的中率22.3%、オッズ順位相関0.763、締切までに市場が予測を上書きする
  • 前日の情報は締切までに市場に吸収されるため、AIの予測の価値は前日に限られる

@gensan64311466 /

美容室チェーンの社長ヒアリングから学ぶドメイン駆動設計

  • AIを社長役にしたヒアリングで美容室チェーンの業務をコア・支援・汎用に分類した
  • コアに従業員定着率を含めたが、実際は再来率の評価ルールがドメイン、育成は支援に分類すべき
  • ドメインはルールに基づく判断活動で、結果やデータはドメインではないと学んだ

@ktdatascience /

Anthropic公式の「データアナリスト用スキル」を読んで、分析の進め方を5段に整理してみた

  • データアナリスト向けプラグインは分析を5段階で進める設計
  • 問いの重さを3段階に分ける、データを疑う3つのポイント、検証の5点チェック、グラフのタイトルに洞察を書く
  • 検証は2回行われ、それぞれの段階で確認すべき項目が具体的に定義されている

@ktdatascience /

エラーは出ないのに数字が間違っている——データ分析で間違えやすい8つのポイントと見つけ方

  • データ分析でよく起きる8つの間違いのパターンとその見つけ方を紹介している
  • JOINで行が増える、月の途中と丸1か月を比べる、平均の平均を出す、タイムゾーンのずれ、結果で切ったグループを比べる、全体と内訳で逆になる
  • 集計の前後に行数を比べたり、同じ指標を2通りで計算したりすることで間違いを防げる

@yo.shinojima /

【イベント参加レポート】現場で使える「データの出口」とは|Squadbase Community Meetup #0

  • データの出口を現場の業務に直接つなぐ設計が重要だと説明された
  • データの定義や運用、現場の判断に合わせた出口設計、API連携による業務との連携
  • データを現場の判断に結びつけるには、出口の設計を業務に合わせて行う必要がある

@Google AI /

We are working with Voltus to build a 1-gigawatt virtual power plant.

  • GoogleとVoltusが1ギガワット規模の仮想発電所を建設すると発表した
  • スマートエアコンや蓄電池、産業資産を活用しピーク時の電力需要を削減する仕組みと、参加者への経済的還元
  • ピーク時の電力需要削減に参加することで電気代節約や現金還元が得られる仕組みで、地域の電力網安定に貢献する

@YUKI /

データを可視化するだけでは伝わらない? Tableauで学んだコミュニケーション

  • Tableauでデータを可視化するだけでは伝わらないと指摘
  • ランキング図の順位だけでは実際の数値の差や理由が分からない、コンバージョン率のパフォーマンスを比較する際には他のグラフと組み合わせる必要がある
  • 順位付けの根拠を示し、行動につなげる前提条件を明確にすることが重要

@yushibats /

【Oracle × Snowflake】Data Transformsで ADB の表を AICAT 管理の Iceberg テーブルに全量・差分ロードする

  • Oracle ADB の表を Data Transforms で Apache Iceberg テーブルに全量・差分ロードできる
  • 全量ロードは append スナップショット、差分ロードは増分追加と増分マージで処理、Iceberg REST カタログ経由でデータを管理
  • 増分列に TIMESTAMP を使うと秒未満の値が処理に影響し、スナップショットの上限値が切り捨てられる

@sakottishfold /

「どう作るか」から「何を作るか」へ。バックエンドを学び始めた、その後の話

  • バックエンドの学びを通じてデータ分析から改善案を試作するプロセスを紹介
  • AIに質問してSQLを組み立て、発話量の減少を追跡し、LLMで回答の具体性を評価
  • データの傾向を把握するだけでなく、使う人の次の行動につながる見せ方を試行