CROSSTALK ARTICLE

  • L.G

    2014年入社

    次世代システム研究室 データ解析・開発グループ

  • S.K

    2017年入社

    次世代システム研究室 データ解析・開発グループ

  • S.T

    2020年入社

    次世代システム研究室 データ解析・開発グループ

  • O.Y

    2020年入社

    次世代システム研究室 データ解析・開発グループ

データサイエンスの力でグループの成長を支える

皆さん様々な経歴をお持ちですが、GMOインターネットに入社した経緯を教えてください。

LG わたしは中国の大学を卒業した後、エンジニアとして就職し、また大学院で研究を行っていました。その当時は大学の教授になるか、事業会社で就職するかの2択だったのですが、より自分がワクワクする方を選びたいと思い、今のキャリアを選択しました。

KS わたしは元々研究者で、かつ情報技術ではなく生物工学分野の研究をしていました。 研究職時代はたくさんの実験を通して、苦労しながら沢山のデータを集めていたのですが、テクノロジーによりデータを活用した仕事がしたいと思うようになり、データサイエンティストにキャリアチェンジしました。研究職は「正確さ」が求められますが、ビジネスの場では「サービスの提供スピード」が何よりも重要になることが大きな違いかと思います。わたしは後者にも魅力を感じて、成長したいと思ったため、転職を決意しました。

OY 前職はコンサルティングファームでお客様のデータ活用のお手伝いをしていたのですが、「自分のサービスを持ちたい」「より最先端のテクノロジーでデータを扱いたい」と思うようになり、その両方が叶うGMOに入社を決めました。

ST わたしは出戻り組(※1)なのですが、GMO入社前はOY同様コンサルティングファームでした。エンタープライズサービスではなかなか最先端テクノロジー実践の場がなく、自社サービスで最先端のテクノロジーに触れられる環境で働きたいと思っていたところ、GMOインターネットでHadoopエンジニアを募集していたため、入社しました。そこからまたコンサルティングファームに転職をしたのですが、やはり自分は顧客の業務改善よりも、実際に手を動かして自社のサービスを改善していきたいと再認識し、戻ってきました。 (※1)当社の「再雇用制度」を利用した再雇用となります。

グループ横断でプロジェクトに参加するデータサイエンスチームですが、現在はどんなプロジェクトを担当していますか?

LG 次世代システム研究室ではフィンテックとアドテクの大きく2種類があり、フィンテックのプロジェクトではFXなど金融商品のトレーディングビジネスを成功に導くため、ビッグデータに基づいた施策を行っています。

ST アドテクの中でも2種類に分かれていて、1つは機械学習を用いて広告配信の効果的なアルゴリズムを考えること、もう1つは位置情報を利用した広告配信システムの仕組みを考えることです。

両プロジェクトともにとても大きなデータを利用していますが、その中でのやりがいはありますか。

KS FX事業は世界No.1のシェアを誇り、大量の取引データを保有しています。扱うデータが多い分考えられる施策も多く、他の会社ではできないことが可能だと思います。その分、大変なこともありますが・・・(笑)

LG 量が多い分データの質も良いですよね。年間1,000兆円を超える取引規模の基盤を支えるダイナミックな仕事に、大きなやりがいを感じています。

ST 量だけではなく、データの種類が豊かなことも特徴です。GMOインターネットグループは金融、広告、インフラ、暗号資産など様々な事業を展開しており、そこに横断的に携わることができるため様々な種類のデータを扱えるのも当社ならではです。

OY 業界の特徴でもありますが、サービスの大部分がインターネットの世界で完結し、サービスが動く度にデータが発生しています。トラディショナルなビジネスだと直接お客様のもとに足を運んでデータを収集する必要がありますが、インターネットビジネスではそこのハードルを1つ超えて、分析・活用に集中できるのがありがたいです。

データサイエンスで課題解決することの難しさはありますか。

KS お客様の笑顔と、会社の収益のバランスをみることが難しいですね。提供金額を高くすれば会社の収益になりますが、お客様の笑顔を考えるとそこは極力安価に提供したい。そのバランスを見ながら適切な数値設定をすることが難しく感じています。

LG データサイエンスは定量で評価することが多いのですが、金融はメカニズムが複雑かつ、マーケットが時代とともに変化するためデータを基にすべてを想定し切ることが難しいです。例えるとすると、今東京都で緊急事態宣言(※2)が出ていますが、どれぐらいの期間宣言を出せば何人感染者が減るか、というのを定量で正確に予測することは難しいですよね。金融も同様で、時代とともに変化し、定常性がなく、色々な要因が絡んでいる。今の問題が解決できたとしても同じやり方でずっと適応できるわけではないため、常に新しいアプローチを考えることが求められます。それが難しくもあり、楽しい部分ですね。「やり切った」というタイミングはなく、常に思考し続けています。 (※2)2021年5月7日時点

OY LGさんが言うように、データを利用すれば全てを想定できるわけではなく、常に不確実性が含まれます。一方でデータサイエンティストはデータに基づいたアクションを提案することを求められているという、不確実な中で判断をしなければならない難しさがあります。特に、最終判断をチームに共有する際には、データサイエンティストでないメンバーが「データ」という単語を聞いた際に「定量的で絶対的に正しい」と感じてしまうようなミスリードをしないことにも気を付けています。

ST わたしは他の3人と違い機械学習エンジニアとしてシステムを作る場面が多々あるのですが、様々なビジネスがある中で最適なシステムをどうカスタマイズして作っていくかを考えるのが難しいですね。例えば今携わっている広告事業では数10msecでのレスポンスという高いパフォーマンスが求められますが、他の事業ではパフォーマンスは求められないものの、必要となるデータ取得・管理の難易度が高かったり。0から色々な業種に携わりシステムを作ることは大変でもありますが、わたしにとってはとても魅力的な環境です。0→1が好きな人は、次世代システム研究室の環境を楽しめるし、活躍できると思います。