【やめとけ?飽和?】データサイエンティストのつらいこと7選【なくなる?後悔?クオンツからの転職】

こちらもおすすめ

【期間限定】講談社Kindle本が31%ポイント還元やってます【理系専門書も対象】 | Quant College

【2022年1月最新:全部受講】Udemyのおすすめ31選をカテゴリ別に紹介【データサイエンス/機械学習,Python/R/SQLプログラミング】 | Quant College

【厳選】統計学の勉強におすすめの本9選【初心者から上級者まで】 | Quant College

測度論的確率論の独学におすすめの本8選【わかりやすい教科書/参考書】 | Quant College

【初心者から上級者まで】Pythonプログラミング独学におすすめの本6選 (難易度順)【感想あり】 | Quant College

Pythonで金融工学を学べる本おすすめ5選【ファイナンス】 | Quant College

QuantLib-Pythonチュートリアル(導入編)をリリースしました。 | Quant College

関連記事

データサイエンティストとデータアナリストの違い5選 | Quant College

データサイエンティストとデータエンジニアの違い5選 | Quant College

はじめに

最近はクオンツからデータサイエンティストに転身する人も多く、転職してよかったという人もいれば、転職して後悔したという人もいる。管理人の身の回りでも、クオンツからデータサイエンティストになってはみたものの、つらい思いをしている人は少なからずいる。

今回は彼らの話を総合して、データサイエンティストのつらい所を7つ紹介する。なお、以下で書いていくつらい所の多くが、実はクオンツにも当てはまる。
【悲報】クオンツのつまらない所5選【つらい?しんどい?】 | Quant College

しかし大きく違う点として、クオンツは社内向けの仕事が多い一方、データサイエンティストは、社内向けがメインというポジションもあるが、社外の顧客向けがメインというポジションも多い。これはソフトウェアエンジニアでいうと、前者が自社開発、後者が受託開発に対応するだろう。たいてい、受託開発より自社開発のほうが仕事の裁量が大きく、比較的柔軟に仕事ができる傾向にある。

データサイエンティストのつらいこと7選

1.何もわかっていない依頼主の期待値が高すぎる

社内の人か顧客かを問わず、よくあるのは、「どんな課題でも機械学習やAIを使えば解決できる」と思っているケースである。依頼主の期待水準がべらぼうに高く、できもしないことをやってくれと言われ、上席者がそれを引き受けてしまうことがある。そして思うような結果が出ないと、依頼主から苦言を呈される。これは中々つらいといえるだろう。

2.データハンドリングが泥臭くて大変

生データをそのまま分析に使えることはほぼなく、地道な前処理の作業が発生する。必要なデータ変換作業は定型化されておらず、案件や状況ごとにケースバイケースなので、自動化が困難な場合も多い。

サイエンスやエンジニアリングとはほど遠い作業なので、機械学習の理論など数学を深く学んだクオンツ出身の人だと、興味を持って取り組めるとは思えない。

3.分析結果のプレゼンなど、「見せ方」を工夫しないといけない

分析それ自体よりも、分析結果のプレゼンが重要だったりする。しかし専門的な内容を素人に理解してもらうのは容易なことではなく、工夫が必要だ。考え方がエンジニア寄りの人はそもそもプレゼンがあまり好きではなかったり、つまらないと思う人も多い。

機械学習について素人(社内の偉い人、顧客)にわかってもらえるよう説明するのは難しいタスクではあるが、サイエンスやエンジニアリングとはほど遠い作業ということもあり、やる気がそがれてしまう人もいるようだ。

4.必要なデータがないので集めるのがつらい

分析するにあたって必要なデータが手元にない、という状態から始まるプロジェクトも多い。データを取得してシステマティックな形で蓄積していくまでに、たいてい課題が山積みとなる。

部署間の利害などによって、別部署からデータを取得するだけでも説明・交渉・承認が必要なことも多く、それを自分たちでやらないといけない場合、ヒューマンスキルが求められる

5.正解や前例がなく、地道な試行錯誤が大変

どれだけ苦労して成果物を作っても、依頼主が満足しない限りそれは成果として認識されず、やり直しになってしまう。答えがない仕事であり、試行錯誤が不可欠となるため、粘り強く仕事に取り組める人でないと、心身に与えるダメージが大きいだろう。

6.ドメイン知識の習得が大変

様々な業界の顧客を相手にする場合、プロジェクトのたびに異なる業界のドメイン知識にキャッチアップしないといけない。顧客の業務について深く理解したうえで分析・助言することが求められる。

この点についてはコンサルタントにかなり近い。サイエンスやエンジニアリングだけでなく、依頼主のビジネスの理解も必須なので、理系っぽい内容しか興味ない・ビジネスに興味なし、という人には苦しい仕事だろう。

7.社内の偉い人や顧客の方針転換に振り回される

社内政治によって会社の方針がコロコロ変わるのはよくあることである。方針転換があると分析のやり直しが発生するため、末端で作業をしている人は徒労感を覚えるだろう。

まとめ

データサイエンティストのつらいこと7選は以下の通り。

  1. 何もわかっていない依頼主の期待値が高すぎる
  2. データハンドリングが泥臭くて大変
  3. 分析結果のプレゼンなど、「見せ方」を工夫しないといけない
  4. 必要なデータがないので集めるのがつらい
  5. 正解や前例がなく、地道な試行錯誤が大変
  6. ドメイン知識の習得が大変
  7. 社内の偉い人や顧客の方針転換に振り回される

あわせて読みたい

【挫折率90%】初心者がプログラミング独学で挫折する理由/原因/特徴9選【挫折ポイントはどこ?】 | Quant College

【ファイナンス機械学習 解説】著者の解説スライドを日本語でまとめてみる(1/10) | Quant College

GRU (Gated Recurrent Unit)とは【わかりやすく】 | Quant College

LSTM (Long Short-Term Memory) とは【わかりやすく】 | Quant College

主成分分析と因子分析の違いと使い分け【わかりやすく】 | Quant College

第一種過誤/第二種過誤とは?違いと覚え方をわかりやすく | Quant College

再現率/適合率とは?違い/覚え方【わかりやすく】 | Quant College

数学とプログラミングのどちらの能力を伸ばしておくべきか? | Quant College

プログラミングの勉強法 | Quant College

PythonとR言語の違い | Quant College

金融工学の研究/実務で使うプログラミング言語10選 | Quant College

クオンツ業務で必要なプログラミング言語は? | Quant College

クオンツとデータサイエンティストや機械学習エンジニアの違い | Quant College

こちらもおすすめ

【期間限定】講談社Kindle本が31%ポイント還元やってます【理系専門書も対象】 | Quant College

【2022年1月最新:全部受講】Udemyのおすすめ31選をカテゴリ別に紹介【データサイエンス/機械学習,Python/R/SQLプログラミング】 | Quant College

【厳選】統計学の勉強におすすめの本9選【初心者から上級者まで】 | Quant College

測度論的確率論の独学におすすめの本8選【わかりやすい教科書/参考書】 | Quant College

【初心者から上級者まで】Pythonプログラミング独学におすすめの本6選 (難易度順)【感想あり】 | Quant College

Pythonで金融工学を学べる本おすすめ5選【ファイナンス】 | Quant College

QuantLib-Pythonチュートリアル(導入編)をリリースしました。 | Quant College

【感想あり】おすすめのUdemy動画講座:機械学習・データサイエンスに必要な数学とPythonの入門編【随時更新】 | Quant College

【感想あり】おすすめのUdemy動画講座:機械学習編【随時更新】 | Quant College