「データサイエンスを通して事業をスケールさせたい」
経済学を活かしたビジネス価値創出への挑戦

技術・デザイン

昨今のAIブームに対して「一過性のブームでなく持続的な価値をもたらすために、『データサイエンスでビジネス貢献すること』を意識しています」そう話すのは、新卒2年目から広告配信プロダクト「Dynalyst」でデータサイエンスチームのリーダーを務める藤田。
経済学を研究後、サイバーエージェントに入社し多方面で活躍をする彼に、ビジネス貢献するためのデータサイエンスチーム作りの工夫や、プロダクトへの向き合い方について、聞いてみました。

Profile

  • 藤田光明
    サイバーエージェント AI事業本部 アドテクDiv Re-Engagement Unit Dynalyst DataScientist
    東京大学経済学研究科の若森ゼミにて実証産業組織論と計量経済学を学び、2018年サイバーエージェントに入社。データサイエンティストとして「Dynalyst」にて広告配信アルゴリズムの開発に従事している。現在は、Dynalystデータサイエンティストチーム兼データサイエンスセンターアドテクDivのリーダーを担当。

事業的に価値のあることを、辿り着いたのは経済学の知見を用いたプロダクト作り

――学んだ経済学の活用先として、サイバーエージェントを選んだのはなぜだったのでしょうか。

学生時代は、東京大学経済学研究科の若森ゼミで実証産業組織論と計量経済学の研究を通して経済学を学び、データを正しく分析することでできる意思決定の価値や楽しさに気が付くようになりました。研究者としての道も考えましたが、経済学などアカデミアの知見をビジネス現場へ応用することが、ビジネス的な価値やお金を生み出すことに興味が沸き、企業への就職を選択しました。
その中でもデータ分析だけではなく、アルゴリズムの開発からシステム導入まで全て自分の手でやってみたいと思い、エンジニアという働き方を考えるようになりました。当時、経済学出身のエンジニアを募集していたサイバーエージェントに興味を持ち、話を聞いたところ、アドテクスタジオ(現AI事業本部)では、分析やアルゴリズムのシステム導入などにおいて経済学の知見がビジネス価値に繋げられそうなイメージが湧き入社を決めました。現在は、ダイナミックリターゲティング広告のDSP(※1)である「Dynalyst」でデータサイエンティストとして働いています。

(※1)Demand-Side Platformの略で、オンライン広告において広告主の広告効果の最大化を支援するツール

――システム開発が未経験の中、エンジニアとしての新しい挑戦はどのように始まったのでしょうか?

システム開発は未経験だったのですが、約2か月の全社エンジニア研修やAI事業本部の独自研修で「ひとりDSP研修」を経験できたのが良い勉強になりました。

「Dynalyst」配属後の初仕事は、広告クリエイティブ選択ロジックへのバンディットアルゴリズムの導入でした。プロダクト実装にも挑戦することになり、初めての経験で時間もかかりましたが、トレーナーの川瀬にサポートしてもらいながらプロダクトで動く状態に仕上げることができました。導入したアルゴリズムは、結果的に既存のものよりKPIを改善させることが出来、自ら作ったものでビジネス貢献できるという実感を初めて得ることができました。

――ビジネス貢献を実感した最初の経験だったのですね。現在の業務について詳しく教えてください

現在は、A/Bテストを用いた意思決定の正確さやサイクルの速さをアップデートするための施策を進めています。
機械学習ロジックのオフラインの性能とオンラインのビジネスKPIは完全に相関するとは言い難い研究結果や、事前に想定できない挙動が起こることもあるため、Dynalystでは新しい機械学習ロジックを導入する際にはA/Bテストを行ない、その評価をもとにの本格導入の意思決定をしていました。
ただ、回数を重ねるうちに、正確なA/Bテストの難しさを感じるようになりました。簡単そうに見えて、バイアスを含まないテストの設計や評価は困難です。この設計や評価を行なう中で、経済学を勉強することで鍛えられた「バイアスに気づく能力」が活かされたと感じています。

また、責任者のみで行うDynalyst開発計画会議にデータサイエンティストの参加を提案しました。データサイエンスタスクの工数や実現可能性、想定できる事業インパクトなどを同時に計画することで、よりスムーズに開発が進むと考えたからです。この提案がきっかけとなり、新卒2年目の途中からDynalystのデータサイエンスチームのリーダーを担当しています。

「データサイエンスでビジネス貢献する」チームを作りたい

――データサイエンスチームのリーダーとして意識していることはありますか?

昨今のAIブームでは、とりあえずデータサイエンスチームを作ってみて、とりあえずAIっぽいことをやっているケースもあると思います。ブーム中はそれで営業トークになったり様々な評価が上がったりするかもしれませんが、ブーム終了と同時に終わってしまうでしょう。なので、一過性のブームでなく持続的な価値をもたらすために、「データサイエンスでビジネス貢献すること」を意識しています。特に重視しているのは、ビジネス貢献を実現するための強力なツールであるA/Bテストです。ビジネスKPIとの関係が明確なOEC(※2) を設定し、機械学習モデルの導入による介入効果が有意に正であることが計測できれば、ビジネス貢献できたといえます。
また、長期的にプロダクトのコアな機能となる部分にもAIを導入し、ビジネスチャンスを広げられるようなチームにしたいと考えています。

(※2)Overall Evaluation Criteriaの略で、 実験の目的を計測する値のこと。
 Trustworthy Online Controlled Experiments : A Practical Guide to A/B Testing 参照


――プロダクトに属しているデータサイエンティストならではのチーム作りの特徴もあるのでしょうか。

Dynalystのデータサイエンスチームには、データサイエンティスト・機械学習エンジニアが所属しています。チームのパフォーマンスを最大化するために、意識して行なっているポイントが3つあります。

「たくさんの機械学習施策を高速に試すための工夫」「長期的なプロダクトのコア機能開発ができる環境づくり」「人数が増えたときのプロジェクトの回し方の工夫」です。
 

DSでビジネス貢献するチーム作りの工夫
  1. たくさんの機械学習施策を高速に試す
  2. 長期的なプロダクトのコア機能開発ができる環境づくり
    • アカデミアとビジネス両方の世の中の流れにあった領域を攻めること
    • チャレンジングなタスクに取り組めるような環境
    • 研究組織との協業のやりやすさ
    • 人数的な余裕
  3. 人数が増えたときどうプロジェクトを回すか
    • 共有・議論の工夫

また、こうしたリーダーとしての経験を活かして、新卒採用にも関わっているのですが、
「データサイエンスの技術を通してビジネス価値があることをやりたい」
「自分の行なった施策がうまく行ったように見えても、それを疑り深く評価できる」

そんなデータサイエンティストと一緒に働きたいと思っています。

自らAI Labに研究プロジェクトを提案。アカデミックとプロダクトの垣根がない環境が生み出した成果

――論文採択にも貢献されていたと聞いています。どのように研究に関わっていたのでしょうか?

普段から同じ部署のAI研究開発組織「AI Lab」の研究者とは近くで議論を交わしていて、AI Labが考案した手法をDynalystで導入するといった取り組みにもチャレンジしていました。過去には、慶応義塾大学 星野崇宏教授との共同研究でバンディットアルゴリズムのアップデートを進めたことがありましたが、この際はプロダクト固有の問題に当たってしまい、導入に大変苦労しました。粘り強くモデルをアップデートし導入を進めたことで、その結果を示した研究論文がWSDMのワークショップに採択されましたが、この経験はとても学びが大きく、「共同研究においては実際にモデルを導入するプロダクト側の人間が、プロダクト固有の問題やプロダクトとしてのインセンティブマッチを担保すべきである」ということを強く学びました。

――共同研究から得た強い学びがあったのですね。

はい、実際に取り組まないと分からない学びでした。この経験を生かし、今回プロダクトへの導入に成功したのがWWWで採択された「遅れCVモデル」に関する研究です。
元々AI Labで、因果推論と機械学習の融合に関する知見を元に提案した手法「遅れCV」についての研究をしていることは知っていたので、Dynalystで新規プロダクトを作っていくにあたり、その技術が使えそうだと思い、DynalystからAI Labに話を持ちかけました。そこからDynalystでの実験を前提とした研究プロジェクトがスタートしました。

――自ら提案された今回の研究プロジェクトは、どのように進めたのですか?

私が担当したのは、DynalystでのA/Bテストの設計と遅れCVモデルをプロダクトで動かすための実装です。特にA/Bテストの設計は、研究側とプロダクト側で実験したいものは必ずしも一致しているわけではないため、プロダクト側のデータサイエンティストである自分が中心となって設計することが重要であると考えていました。

例えば、研究側はできるだけ論文になりやすいものを、プロダクト側は売上や利益に直結したり、既存システムの資産がそのまま使えるもの、実験終了後もメンテナンスしやすいものを実験したいと考えます。これらをすり合わせずに研究プロジェクトが進んでしまうと、論文は書けるけどプロダクトでは使えなかったり、その逆が出来上がる可能性が高いです。だからこそ、プロダクト側のデータサイエンティストはビジネスモデルやシステム構造の理解、そして最新の研究内容のキャッチアップをすることが大事だと考えています。

また、実装部分でも事前にプロダクトのバックエンドエンジニアや、AI Labのリサーチエンジニアである芝田と一緒に進めていくことで、プロジェクトを成し遂げることができました。

――横断の研究で強み活かすことが出来たのですね!最後に、今後のビジョンについて教えてください。

AI事業本部にはデータサイエンティストの横断組織「データサイエンスセンター」があり、責任者の1人として所属しているのですが、この活動を通して、データサイエンティストの採用・育成や組織の在り方について模索していきたいと思っています。特に、横断組織ではなくプロダクト開発チームにデータサイエンティストが所属しているという、AI事業本部ならではの面白さがあるので、メリット・デメリットを見極めながら、それぞれを補完できる仕組みをつくりたいと考えています。

「真にデータサイエンスでビジネス貢献できるチーム作り」また、データサイエンスでできることが長期的なプロダクトの戦略になっていくような、「データサイエンスドリブンなプロダクト作り」をやりたいと思っています。

僕個人としては、経済学・因果推論の知見を応用したプロダクトの改善や新しいプロダクト作りを経験したいと思っています。例えば、サイバーエージェントで力をいれている広告クリエイティブの評価などでは親和性が高いと考えているので、知見を応用することでプロダクトの価値を上げ、ビジネスに大きなインパクトを与え、さらにアカデミックにも価値のあるようなことを実現していけたら面白いなと思ってます。
 

この記事をシェア

オフィシャルブログを見る

記事ランキング

Activity Understanding(行動理解)研究の挑戦

技術・デザイン

ー実世界でのニーズに応えるAIやロボティクス技術の開発とはー

インターネット上だけでなく、私たちが生活するリアルな実世界において、AIサービスを実現するための基盤研究に取り組むAI LabのActivity Understanding(行動理解)チーム。2023年から始まった研究領域ですが、既に当社が展開するリテールメディア事業において実装が進んでいます。

多様な専門性のあるメンバーが、事業と連携し垣根を超えて生み出す新たな価値とはー?
Activity Understandingチーム立ち上げ当初から研究を行う3名のコメントを交えながら、紹介します。

Page Top