データサイエンス教育プロジェクト

イノベーション創出型データサイエンティスト育成教育プログラム

経営学学位プログラムでは、経営学・データサイエンス・数理科学・情報科学・人工知能の各分野の組み合わせからなる「イノベーション創出型データサイエンティスト育成教育プログラム」を提案しています。

データサイエンス・人工知能の波は経営の最前線に到達し、ビジネスの現場に蓄積したデータは、その有効活用が強く求められています。一方、これらのデータを処理する個別技術を身に付けるだけでは、本来の経営課題を解決することは困難です。データを有効利用してビジネスチャンスを発見できる人材は、統計分析・データマイニング・シミュレーションといった最先端のデータ分析が可能な先進的データサイエンティストの能力に加えて、分析されたデータを読み解く能力と、意思決定のために予測評価モデルを構築し経営戦略を立案する能力を備えていなければなりません。

そこで、グローバルなビジネス環境で戦える先進的なデータサイエンティストを育成するため、本プログラムでは、

先進的なデータ分析技術を身につけたデータサイエンティストの育成
データを活用したグローバルなマーケティングや経営戦略策定を行える人材育成

を目的とした教育プログラムを構築しています。このプログラムにより、個別の技術を習得するばかりでなく、社会的価値のある課題を発見する能力を持ち、それを解決するためのデータ活用能力を身に付けることができます。

講義一覧と履修例

基礎科目

経営基礎
会計基礎
ビジネス数理
ビジネスと情報
プログラミング基礎

専門科目

ビジネスゲーム
消費者行動
マーケティングリサーチ
マーケティングサイエンス
ファイナンス工学
計量経済学
会計情報分析
データ解析I, II
時系列分析
応用統計
共分散構造分析
オペレーションズ・リサーチ
人工知能とビジネス情報分析
データマイニング
インターネットとビジネス情報分析
テキストマイニング
社会シミュレーション

高度専門職業人養成機能強化促進委託事業

有職社会人を対象とした
「社会科学型データサイエンティスト育成プログラム」

筑波大学大学院ビジネス科学研究科

1 本事業の背景・目的

1.1 事業の趣旨・目的・必要性

ビジネスを取り囲む環境は，データの質・量の側面で大きく変化している．WEB技術が高度化されアクセスログデータに代表されるストリーミングデータを取得できるようになり，また，IoTの進展によりセンサーデータとして個人の行動をトラッキングできるようになった．加えて，インターネット調査が安価に実施できるようになり，個人の内面に迫るクロスセクショナル型の態度データの蓄積も進んでいる．企業が，これら異種・多次元・大規模データを上手に活用できれば，企業の競争優位の源泉となりうる．

ビジネス分野では，前段のデータを高度に活用できる経営人材は著しく不足しており，一種の社会問題化となっている．ただし，単にデータ処理できるだけの人材では，当該分野では役に立たない．実務に内在する課題を的確に把握し，社会科学分野の基礎的理論を十分に備えた上で，データを高度に活用できる技術（統計，機械学習等）を有した人材が求められているのである．すなわち，社会的要請として前述の人材教育プログラム開発が望まれているといえる．しかし，日本国内を見渡した場合，「実務」，「分野」，「データ」，「解析」に必要な能力を総合的に教育する社会科学型データサイエンティスト育成プログラムは存在していない．

本事業では，有職社会人を対象とした上記データサイエンティスト育成のための教育プログラムの開発を行う．なお，本事業で提案するプログラムは，後述するように，経営学領域と数理・情報技術領域との融合だけでなく，法律領域とも知の融合を図る．それにより，必要な法制度や社会システムに関する知識を有し，個人情報を的確に処理できるとともに，開発した技術やビジネスシステムを資産化できるような能力の育成も可能となる．

1.2 本事業の実施体制

本提案は，有職社会人を対象とした「社会科学型データサイエンティスト育成プログラム」を開発することを狙いとしている．本事業は，図 1に示す体制で実施する．本事業のプログラム開発・実施主体は，筑波大学，特に，社会人大学院であるビジネス科学研究科に属する3専攻（国際プロフェッショナル専攻（以下，国プロ），経営システム科学専攻（以下，経シス），企業法学専攻（以下，企法）である．

図1 事業実施体制

2 教育プログラムの開発

2.1 プログラムの全体骨格

図 3には，提案する教育プログラムの柱（実務，分野，データ，解析）とそれぞれの主たる教育項目を示す．提案プログラムでは，それぞれの柱を独立に教育するだけではなく，それぞれ相互依存的な形式で教育することで社会科学型データサイエンティストを効果的に育成する．

「実務」では，ビジネスに内在する課題発見に必要な法制度や社会・経済システムに関する知識を教育する．特に，異種・多次元・大規模データを扱うデータサイエンティストに必要な法制度（個人情報保護法や知的財産法等）を学ぶことにより，個人情報を的確に処理したり，開発した技術やビジネスシステムを資産化したりできるような能力の育成を目指す．「分野」では，経営戦略，マーケティング，消費者行動等の社会科学分野に属する各領域の基本的な知識を，実務課題に即した形式で教育する．「データ」では，社会科学分野にあるデータのタイプ，形式等の理解を促すとともに，それらデータの基本的な扱い方を教育する．「解析」では，社会科学分野に内在するデータを解析するために必要となる解析技術（統計モデル，機械学習，人工知能，データマイニング等）の基礎を教育する．

図3 教育プログラムの骨格

2.2 養成したい人材像

既に紹介したように，社会科学の基礎となるビジネス分野において，異種・多次元・大規模データを単に処理できるだけの人材では不十分である．社会は，ビジネスに内在する課題を適切に把握し，分野の基礎理論でビジネス現象に解釈を与え，それに確認・検証するためのデータ処理および解析を実現できる総合的な能力を有する人材を求めている．総合的な能力を有するデータサイエンティストは，すなわち社会科学分野における課題発見から課題解決，実践までを一気通貫で履行しうる人材である．換言すれば，「マネジメントができるデータサイエンティスト」や「データや解析を高度活用できるマネジメント人材」等がそのイメージになる．

図 4には，上記を総括的に整理し，本教育プログラムで育成したい人材像を概念的に示した．図 3に示した個々の柱ごとの教育を実施することで，①実務力（課題の把握，関連法の理解），②分野力（現象を説明できる知識），③データ力（活用可能なデータは何か，どう処理すればよいか），④解析力（データを高度に解析するには），といった能力をそれぞれ高めることが可能である．さらに，個々の柱を相互依存的に教育することで，本プログラムの学習成果として，①～④の個々の能力の向上に加え，それら能力の総合的活用能力も身につく．すなわち，本教育プログラムを実現できれば，上述した人材を社会に還元できると考えている．

図4 養成したい人材像

2.3 開発したプログラムの概要

本委託事業では「マーケティング分野のデータサイエンティスト育成」を対象とし，図 5に示す領域および科目でプログラムを構成した．個々の科目の詳細は，3.1項で後述する．今回の委託事業では，時間的，施設的制約により基本的には構成したプログラムを講義形式で試行する．

図5 開発教育プログラムの構造

以下の表には，個々の項目の詳細を示す．

表3 本プログラムの概要

講義名称	本プログラムの概要
講義の狙い	本講義では，データサイエンスを取り囲む周辺的状況を紹介するとともに，社会に求められるデータサイエンティスト像を理解してもらうことを狙いとして実施する．本講義では，特に社会に散在するデータの構造等に関して，以降の講義に先立って紹介する．
講義項目	・データとデータサイエンティストとして求められていること・データサイエンティスト周辺の社会的課題・企業のデータサイエンティストの現況（アンケート調査結果に基づく現状の整理）・有職社会人向けデータサイエンティストプログラムの概要
講義の到達目標	以降に続く講義における基礎的知見として，社会が求められるデータサイエンティスト像を理解すること．
時間	1時間
担当	佐藤忠彦（筑波大学ビジネスサイエンス系・教授）

表4 関連法1：個人情報保護法

講義名称	関連法１：個人情報保護法
講義の狙い	本講義では、企業のデータ利活用について、改正個人情報保護法の観点から知っておくべき基本事項、注意事項を解説する。
講義項目	・ビッグデータの様々な用途・プライバシーとは・個人情報保護法改正のポイントと課題
講義の到達目標	データサイエンティスト養成に必要な基本的知見として、個人情報の適正な取扱いを法的観点から理解すること
時間	1時間
担当	石井夏生利（筑波大学図書館情報メディア系・准教授）

表5 分野リテラシー１：第4次産業革命とデータサイエンス

講義名称	分野リテラシー１：第4次産業革命とデータサイエンス
講義の狙い	本講義では，第４次産業革命に伴う産業構造の変化をビジネスエコシステムの視点から紹介するとともに、企業の事業戦略上のデータサイエンスの意義について理解してもらうことを狙いとして実施する．本講義では，さらにIoT/BigData/AIの事業戦略上の意義について，以降の講義に先立って紹介する．
講義項目	・マクロ的な産業トレンドの理解・ビジネスエコシステムなどの産業構造変化についての理解・事業戦略上のデータサイエンスの意義についての理解・IoT/BigData/AIの事業戦略上の意義についての理解
講義の到達目標	以降に続く講義における基礎的知見として，経営戦略の視点から求められるデータサイエンティスト像を理解すること．
時間	2時間
担当	立本博文（筑波大学ビジネスサイエンス系・教授）

表6 統計基礎１：統計基礎とデータサイエンスへの招待

講義名称	統計基礎１：統計基礎とデータサイエンスへの招待
講義の狙い	本講義では，データサイエンスで必要となる統計基礎と回帰分析を紹介するとともに，ビジネスにおける科学の方法を理解してもらうことを狙いとして実施する．本講義では，上場企業財務データを用いて基礎統計量，可視化の方法，そして回帰分析の適用例を示し，ビジネスにおける科学の方法を紹介する．
講義項目	・データサイエンスでは，データボリュームだけでなく科学的思考必要性・データ記述統計量（1変量の特徴量および2変量間の特徴量）・データ可視化の方法・単回帰分析と重回帰分析・ビジネス科学の定義とビジネスにおける科学的思考
講義の到達目標	以降に続く講義における基礎的知見として，1変量と2変量間の統計量の概念とその利用法，可視化の方法，そして回帰分析を理解すること．
時間	3時間
担当	領家美奈（筑波大学ビジネスサイエンス系・准教授）

表7 分野リテラシー２：消費者行動概論

講義名称	分野リテラシー２：消費者行動概論
講義の狙い	本講義では、データデータサイエンティストが消費者データを分析する上で必要な消費者行動の特徴について概説する。具体的には、企業や組織のマーケティング戦略上の諸課題との関連性を意識しつつ、市場を構成する消費者の選好構造や購買意思決定プロセスに関する代表的な理論やモデルを学習する。
講義項目	・消費者行動分析とマーケティング・マネジメント・外部環境要因と個人差要因・消費者購買意思決定プロセスの特徴
講義の到達目標	消費者行動についての基礎的な知識を修得し、消費者データの分析においてその知見を応用できること。
時間	2時間
担当	西尾チヅル（筑波大学ビジネスサイエンス系・教授）

表8 実務リテラシー：データサイエンス実務とデータサイエンティストに求められるスキル

講義名称	実務リテラシー：データサイエンス実務とデータサイエンティストに求められるスキル
講義の狙い	本講義では、実務におけるデータデータサイエンティストの実情を説明し，データサイエンススキルに関して概説する。また，データサイエンティスト協会が策定した，データサイエンティストスキルチェックリストを提示し，さらにはユースケースの紹介も行う。
講義項目	・データサイエンティストの定義・スキルセット・スキルレベル・スキル表・スキル領域・データサイエンティストの実務紹介
講義の到達目標	実務におけるデータサイエンティストの定義を知り，また求められるスキルに関して理解すること．講義内容を自身のスキルアップに向けた羅針盤として活用しうる知見を獲得すること。
時間	1時間
担当	菅由紀子（株式会社Rejoui　代表取締役）

表9 関連法2：データサイエンティストのための知的財産法

講義名称	関連法2：データサイエンティストのための知的財産法
講義の狙い	本講義では，データサイエンティストが研究や業務を進めていくに際して法的問題として直面することが多いと考えられる知的財産法領域について、その基本的な考え方を把握するとともに、データサイエンスにおける情報と知的財産法との関係についての基礎知識を得て、データサイエンティストが注意すべき知的財産法上のポイントについて、テータサイエンスにおける各フェーズに沿って具体的なイメージを持てる能力を涵養することを狙いとして実施する．
講義項目	・知的財産法のアウトライン・データサイエンスと知的財産・データサイエンティストが注意すべき知的財産法のポイント－各フェーズに沿って
講義の到達目標	データサイエンティストが、データサイエンス分野の各研究・開発に取り組むに際して直面する法的注意点、特に知的財産法における注意点について、基本的な事項についての知識を体得するととともに、法的な課題の存在を認識しうる感覚を獲得する。
時間	1時間
担当	平嶋竜太（筑波大学ビジネスサイエンス系・教授）

表10 統計基礎2：多変量解析と共分散構造分析

講義名称	統計基礎2：多変量解析と共分散構造分析
講義の狙い	本講義では，統計基礎（１）の続編として，共分散構造分析を含む多変量解析について適用例を交えた解説を行い，受講者にこれらの手法のイメージを持ってもらうことを狙いとする．
講義項目	・統計基礎（１）の復習・主成分分析・因子分析・共分散構造分析
講義の到達目標	データサイエンスの基本的手法である多変量解析について，その目的と適用場面についてイメージを持ってもらうこと．
時間	3時間
担当	尾崎幸謙（筑波大学ビジネスサイエンス系・准教授）

表11 データマイニングと機械学習１：テキストマイニング

講義名称	データマイニングと機械学習１：テキストマイニング
講義の狙い	本講義では，テキストマイニングを取り囲む周辺的状況を紹介するととともに，テキストマイニングの基本技術である自然言語処理を理解してもらうことを目的に解説する．そのうえで，テキストマイニングをビジネスに適用した事例を紹介する．
講義項目	・言葉のあいまい性に関する解説・テキストマイニングの基本的なロジックの紹介・自然言語処理技術の概要解説・テキストマイニングのビジネスへの適用事例の紹介
講義の到達目標	テキストマイニング技術の基本的なロジックと，その適用事例を知ることで，テキストマイニング技術を理解すること．
時間	1時間
担当	津田和彦（筑波大学ビジネスサイエンス系・教授）

表12 データマイニングと機械学習2：データから戦略立案へ

講義名称	データマイニングと機械学習2：データから戦略立案へ
講義の狙い	本講義では，データサイエンスから得られる知見をベースに，それを戦略立案や政策評価に結びつける手法について紹介する。加えて，データ自身の不完全性や，モデルの不完全性についての理解を深め，データサイエンティストに求められる実問題への取り組みの課題について議論する。
講義項目	・データやモデルの不完全性・データからモデルへの展開方法・社会科学におけるエージェントモデル・エージェントモデルの事例紹介
講義の到達目標	データ自身に内在する不完全性への理解を深め，帰納法と演繹法の科学的アプローチの重要性を学び，データから戦略モデル作成への基礎的なスキルを獲得すること
時間	1時間
担当	倉橋節也（筑波大学ビジネスサイエンス系・教授）

表13 統計モデル1：統計的モデリングの基本

講義名称	統計モデル1：統計的モデリングの基本
講義の狙い	本講義では，以降に続く統計モデルの講義で必要となる基本事項を概説し，自身で統計モデルを構成する際の基本的事項を理解してもらうことを狙いとして実施する．
講義項目	・論理的推論・統計モデルの必要性・統計モデルとは何か？・統計モデルの手順・確率分布に関する整理・最尤法の整理
講義の到達目標	統計モデルの必要性，統計モデルの手順，確率分布等をきちんと理解したうえで，特に重要な最尤法の原理を把握すること．
時間	2時間
担当	佐藤忠彦（筑波大学ビジネスサイエンス系・教授）

表14 統計モデル2：時系列データの分析

講義名称	統計モデル2：時系列データの分析
講義の狙い	時系列データには他の一般的なデータとは異なるいくつかの特性がある．本講義では，そうした特性を理解した上で，時系列データ分析の基本的な処理から，基礎的な時系列モデルを用いた分析までをいくつかの分析例を交えて体験的に講義する．
講義項目	・はじめに・時系列データの基本統計・定常時系列と非定常時系列・自己回帰モデル・多変量時系列・状態空間モデル
講義の到達目標	時系列データの処理方法やその際に留意すべき点を理解する．また基本的な時系列モデルを通して時系列分析のフレームワークを理解する．
時間	3時間
担当	牧本直樹（筑波大学ビジネスサイエンス系・教授）

表15 データマイニングと機械学習3：機械学習

講義名称	データマイニングと機械学習3：機械学習
講義の狙い	本講義では，データマイニングや機械学習の基本的な機能と、その限界について紹介する．受講者が、データサイエンスに過剰な期待をもたず、実用には何が必要であるかの理解を得る事を狙いとする。
講義項目	・機械学習・パターン判別とは？・線型判別・Neural Network ・深層学習・分類木学習システム
講義の到達目標	機械学習の基本的な機能とその限界を理解する事
時間	1時間
担当	吉田健一（筑波大学ビジネスサイエンス系・教授）

表16 データマイニングと機械学習4：情報技術とビジネス

講義名称	データマイニングと機械学習4：情報技術とビジネス
講義の狙い	本講義では，データマイニングやテキストマイニング、人工知能技術が、実ビジネスにどう応用可能であるかの理解を得る事を、実例を中心に紹介する。
講義項目	・インターネット時代のマーケティング・インターネット時代の金融・マイニング技術を使ったネットワーク管理
講義の到達目標	人工知能など情報技術とビジネスの関係を理解する事
時間	1時間
担当	吉田健一（筑波大学ビジネスサイエンス系・教授）

表17 統計モデル3：離散選択データの分析

講義名称	統計モデル3：離散選択データの分析
講義の狙い	本講義では，通常の線形回帰モデルを適用することが妥当ではない，離散選択データの分析について解説する．離散選択モデルの背景にある効用の概念について概説するとともに，ロジットモデル・プロビットモデルの特性について，データとモデルが描くグラフとの対応やパネルデータへの適用例を示すことで直感的な理解を目指す．
講義項目	・データの測定尺度と統計モデルについて・離散選択モデルの背景にある効用理論とモデルの構成について・ロジットモデル・プロビットモデルの特性について・パネルデータの構造と特徴について・ID付きPOSデータに階層ベイズプロビットモデルを適用した分析事例
講義の到達目標	離散選択モデル構成の背景にある効用概念と，ロジットモデル・プロビットモデルの直感的な理解．
時間	3時間
担当	伴正隆（筑波大学ビジネスサイエンス系・准教授）

表18 統計モデル4：様々な統計モデル

講義名称	統計モデル4：様々な統計モデル
講義の狙い	本講義では，時系列モデル，離散選択モデル以外の統計モデルに焦点を当て，モデルの構造を概説することで，様々な社会科学現象をモデル化する際の糧としてもらうことを狙いとして実施する．
講義項目	・線形回帰モデル（復習）・ポアソン回帰モデル・生存期間モデル・ロジスティック回帰モデル・さらに進んだ統計的モデリングに向けて
講義の到達目標	線形回帰モデルの構造をきちんと理解した上で，他の統計モデルの構造を把握し，データ及び現象に即した統計的モデリングができるようになること．
時間	2時間
担当	佐藤忠彦（筑波大学ビジネスサイエンス系・教授）

大学院概要