Sansan Builders Box

Sansanのものづくりを支える技術やデザイン、プロダクトマネジメントの情報を発信

「ビッグデータ時代における新しい社会科学のカタチ」: 行動経済学会第 12 回大会サテライト・ワークショップ

f:id:sansan_nissy:20181221191849j:plain
こんにちは、DSOC 研究員の西田です!
一気に寒くなってきて困りますね。最近は、ジャケットの上からニットを着ると意外と暖かいことに気づき、ニューラルネットのように多層レイヤードを楽しんでいます。ジャケットの上からニットを着ていても、「着る順番間違っていますよ」とはくれぐれも言わないで、そっとしておいてください。ルックにもある正式な着方なのです。


さて、今回は行動経済学会第 12 回大会の前日に行われた「行動経済学会第 12 回大会サテライト・ワークショップ」に登壇してきましたので、そちらの様子を皆さんにお届けします!

ワークショップのテーマは、「“行動経済学は実務に活用できる”とはどういうことか?」でした。
⿊川 博⽂さん(同志社大学・日本学術振興会特別研究員 PD) と私から、まずは企業とアカデミアの共同研究について報告し、そのあとで「どうすれば、より共同研究がスムーズに進み、かつお互いが求めているものになるのか」についてディスカッションさせていただきました!


残業は伝染するのか?

f:id:sansan_nissy:20181221191833j:plain
まずは、黒川さんの発表についてご紹介したいと思います。黒川さんの発表タイトルは「企業を蝕むバイアス:行動経済学的特性の把握のススメ」でした。
黒川さんは、ある企業と人事データを活用した共同研究をされており、同時に働き方改革の効果検証に取り組まれています。具体的には、「どういった人が残業をしているのか?」や「残業は伝染するのか?」という研究をされています。


まず、「どういった人が残業をしているのか?」という研究では、残業時間のデータを扱い、どういった特徴を持つ社員が残業をするのかを分析し、下記のようなことがわかったといいます。

残業時間が長い人の特徴
  • 子どものころ、夏休みの宿題を後回しにしていた人ほど深夜残業時間が長い
  • 平等主義者の総残業時間は長い

つまり、「物事を先送りにしがちな人」と「人より得することも損することも嫌う人」ほど、残業をする傾向にあるというのです。

この結果には、「たしかに!」と感じられる方も多いのではないでしょうか?
「あの仕事は明日やることにしよう」と先延ばしにしてしまうと、気づけば締め切りの直前になり、遅くまで残業しなければならなくなったというのは、身に覚えのある方も少なくないでしょう。
さらに、平等主義者は人より得することも損することも嫌うため,できるだけ他人と労働時間を合わす傾向にあると考えられます。周りの人を気にかけて帰りづらいと感じることもよく聞く話です。私自身も新卒社員として入社したばかりの頃は、先輩の目が気になり帰れなかったことがあります。(現在は、仕事が終われば光の速さで帰ります。というより、R&Dメンバーの大半が定時になると当たり前のように帰っていきます。最高の職場ですね!)

前述のような結果を踏まえて、黒川さんたちは以下のふたつのソリューションを提言しています。

  1. 自分で立てた計画を守るように、後回しを防ぐようなコミットメントをする
  2. 「残業しているあなたは少数派」というメッセージの送付

特に、ふたつ目の「じつはあなたしか残業していないですよ」と気づかせる観点は面白いと思いました。


私がさらに興味をひかれたのは、もうひとつの「残業は伝染するのか?」という研究です。
この研究では「同僚が長時間労働だと、自分の労働時間も長くなりやすいか?」「同僚の長時間労働は、自分の幸福度にどのように影響するか?」というふたつの問いを分析されています。この研究は現在進行形とのことですが、現時点での結果は下記のようになっているそうです。

残業は伝染するのか?

Q1.同僚が長時間労働だと、労働時間が長くなりやすいか?
A. Yes
Q2.同僚の長時間労働は、幸福度に影響するか?
A.同僚が長時間労働だと、幸福度が低い。同僚よりも長く働いている人ほど、幸福度が高い。

意外な結果だと思いませんか?
なんと、「同僚よりも長く働いている人ほど、幸福度が高い」というのです! 通常、残業をするとその分だけ余暇を楽しむ時間が減るので幸福度は下がるというメカニズムが考えられます。さらに、仕事が終わらないことでほかの人よりも仕事ができないのではないかという劣等感を持ってしまうことも考えられます。しかし、今回得られた結果からは、周囲の人よりも長時間働くことで、自分は会社に貢献している人間だと思い、幸福を感じてしまう人がいることがわかります。さらに、そのような考え方を持つ人がいるくらい、長時間労働が現状の日本社会に文化として根付いていることが示唆されます。

また、今回の研究では、「同僚の長時間労働が伝染する」という結果も得られています。別の研究ではありますが、長時間労働がメンタルヘルスの悪化につながるという報告もあり、このふたつが掛け合わさると、自分が残業することで同僚の残業を誘発してしまい、その結果同僚のメンタルを悪化させる可能性もあるということがいえます。黒川さんたちは、ともすれば、あるひとりの残業が思わぬところで周りに迷惑をかけることになるとして、それを防ぐために何らかの介入が必要という結論を導き出しています。

長時間労働によって体調を崩したり、時には命を落としたりするようなことがなくなって欲しいというのは、共通の願いのはずです。それでも長時間労働が文化として根付いているので、介入策を取るにしても工夫が必要で一筋縄にはいかないのだとわかりました。
一方で、アカデミアと企業が協力し、黒川さんたちが行ったような実証研究が積み重なれば、このハードルをきっと超えられるだろうと思わされる素晴らしい報告でした。

ビッグデータ時代における新しい社会科学のカタチ

f:id:sansan_nissy:20181221191842j:plain

続いて、私のプレゼンテーションでは、「ビッグデータ時代における新しい社会科学のカタチ」と題し、社会科学分野出身者が企業のデータサイエンティストとして求められる役割と、アカデミアとの共同研究プラットフォームである Sansan Data Discovery について紹介しました。
このレポートでは Sansan Data Discovery については割愛しますが、11月に開催された弊社テックカンファレンスでも紹介したので、そちらの登壇レポートをご覧ください。

社会科学系データサイエンティストの強み

社会科学分野出身のデータサイエンティストを意図的に採用していることは、DSOC R&D Group の特色のひとつです。社会科学というと、経済学、経営学、社会学、心理学などの社会における人間の行動を科学的に研究する学問分野であり、一言でいってしまうならいわゆる文系学部ということになります。どうして一般的には R&D らしからぬ社会科学分野のデータサイエンティストを採用しているのか、社会科学分野出身者が期待されているところは何なのか、詳しく説明していきたいと思います。

分析結果を解釈する力

今、ビッグデータ解析というと、主にAIや機械学習という技術が想定されます。これらの技術が得意とする領域には「予測」と「分類」の2つがあります。たとえば、「予測」は、ECサイトでこの人は次に何を買うのか? というタスクが挙げられ、「分類」は、ECサイトで生活必需品をよく買うユーザー群や書籍をよく買うユーザー群など、ユーザーをクラスタリングすることが挙げられます。
こういった「予測」や「分類」を機械学習は得意とします。しかし、なぜそういった予測結果や分類結果になるのかについて、詳細なメカニズムを説明するのにはあまり向いていません。たとえば、機械学習の分析結果を現場の社員が聞くと納得しづらいというケースは少なくないはずです。そういったことがどうしてしばしば起こるかというと、結果の解釈においては、ユーザーの行動や心理を考えた上で分析結果を読み解く必要があるからです。そして、そういった点と向き合ってきたのが、社会科学分野の学問です。
そこで DSOC R&D Group では、社会科学の知見を活用しながら結果の解釈をし、データ活用のプロジェクトを推進していくことを期待して、社会科学分野出身者を意図的に採用することに至りました。

「良き問い」を立てる力

私たちは、データサイエンスをビジネスに応用するには大きく3ステップあると考えています。それは、Question → Solution → Presentation です。
f:id:sansan_nissy:20181221191900j:plain

最初のステップである「Question」こそが、もうひとつの社会科学分野出身のデータサイエンティストが期待されていることです。

その理由をお伝えする前に、まずはその3ステップについて紹介します。

最初は「Question」です。
元となるデータから「そもそも何がわかりうるのか?」を考えていき、明らかになったことをもとに解決策を考えたり、分析自体をサービスにできないか検証したりします。ここが、研究でもビジネスにおけるデータサイエンスでも、もっとも難しく、かつ大事なことだと思います。私も、業務を行う上で、どうしたら「良き問い」を立てられるようになるのか日々考えています。

次に「Solution」です。
Question」をどういう分析手法で解いていくのかを考えます。このプロセスでは「解釈可能な分析になるのか?」という視点を重視しています。
例を挙げます。ECサイトでのご自身の購買プロセスを思い出してください。「この商品どうですか?」となんの説明もなくレコメンドされるよりも「Aという商品を購入した方はこの商品にも興味を持っています」という方が受け入れやすいはずです。したがって、どんな分析でも、分析手法に明るくない方に対して分析結果を提示することも考慮し、なるべく解釈可能な分析手法を考えることが必要です。誰にでもわかりやすくしておくことがビジネスに応用する時のポイントだと思います。

最後に「Presentation」。
分析結果をどう報告するかということです。プレゼンテーション次第で分析結果が活用されるか否かが決まることもあり、このプロセスも非常に大事になってくると考えています。
プレゼンテーションといえば「Why → How → What」の順番で話しをするのが良い! というゴールデンサークル理論が有名ですが、私の実体験においては、データ分析における How を現場の人に説明すると、悲しいことに聞いている人の集中力がどこかにいってしまうケースが少なくなかったのです。それでも、How を伝えないとやはり納得されにくいというジレンマもあります。そういった中で、私が今のところうまくいっていると感じている、ゴールデンサークル理論のアレンジ手法「オレオレ・ゴールデンサークル理論」があるのですが、こちらはまた機会があればご紹介します(笑)。

それでは、話を戻します。
上記で紹介した3ステップのうち、もっとも社会科学分野出身のデータサイエンティストが期待されていることは「Question」、つまり「問いを立てる」ことです。

問いの立て方には、「ビジネスに直結する課題から考える方法」と「分析手法から考える方法」のふたつがあります。
まず「ビジネスに直結する課題から考える方法」においては、分析手法云々よりも、そもそも何が課題なのか、現場へのヒアリングなどを通して明らかにしていきます。その上で、そのビジネス自体についてしっかりと把握することが重要になります。
次に、「分析手法から考える方法」です。こちらは、技術書や論文などで数多ある分析手法を学んでいき、その際にどう応用できるのかその応用事例までしっかり理解することが必要です。この方法で「良き問い」を立てられるようになるためには、日々知識をインプットし、同時に応用方法を考えるという訓練を継続することが大切だと思います。

こういった「問いを立てる」思考が得意な方は分野に関わらずいるかと思いますが、その中でも社会科学をバックグラウンドに持っている人は、常に人間の行動の本質は何かということを考え、どうすれば社会が豊かになるのかということを研究してきたため、「何が課題で、その課題をどう特定し解決するか」ということを考えるのに長けているのではないかと思います。

社会科学系データサイエンティストのお仕事

ここからは具体的な業務の内容についてご紹介します。弊社の社会科学分野のデータサイエンティストの仕事は主に以下のようなものが挙げられます。

Sansan Labs

Sansan Labs とは Sansan サービスで取り込まれた名刺データを解析して開発した、営業戦略や組織戦略に役立つアプリケーションのことです。このアプリケーションの開発が私たちの仕事です。詳細はこちらよりご覧ください。

f:id:sansan_nissy:20181221191856p:plain

ここでは、アプリケーションのひとつである「バーチャル組織図」について、簡単にご紹介したいと思います。

一般の組織図は、部署ごとに社員がチーム分けされているものですが、人によっては実際に仕事をするのは他部署の方ばかりという人もいるはずです。そのような場合、本当の仕事仲間は一般的な組織図ではわかりません。私たちは組織図には表されない「真のチーム」を見つけたいと考え、一緒に仕事をしている人同士は、同じ企業の名刺を持っているのではないかという点に着目しました。そこで、各社員について、それぞれが保有している名刺データを元にクラスタリング(チーム分け)し、組織図のように可視化してみました。これがバーチャル組織図というアプリケーションです。

弊社の例を挙げると、R&Dメンバーが、人事や広報のメンバーと同じチームに属する結果になりました。一見全く違う仕事をしている部署ですが、人事部は採用目的で、広報はブランディング目的で、R&Dメンバーは研究発表・情報収集目的で学会に行き、それぞれ大学教授の方々と名刺交換をしています。部署間で必要に応じて連携もしています。まさに組織図ではわからない「チーム」だといえます。ちなみに、今回のワークショップも広報メンバーに同行をお願いしました!

「バーチャル組織図」というアプリケーションを使うことで、社内での情報共有の効率化を進め、新しいプロジェクトチームの立ち上げなどに新しい視点を取り込むことができます。

他事業部と連携したデータ分析

他事業部と連携したデータ分析も行います。プロダクトに関するデータだけではなく、マーケティング部の持つリードデータや、人事部が持つ採用・人事データにも、R&D グループの知見を活かしています。
マーケティング部と連携したもののひとつに、「冬眠人脈」があります。これは、名刺一枚の経済的な価値を試算し、眠っている名刺を活用することで企業の生産性向上につながる可能性を浮き彫りにしました。詳細はこちらをご覧ください。また、人事部のデータに関するプロジェクトでは、部署横断プロジェクトを立ち上げ、採用を後押しする分析を行っています!

f:id:sansan_nissy:20181221191913j:plain

DSOC Data Science Report

重要な仕事のひとつが「DSOC Data Science Report」の執筆です。DSOCが扱う名刺交換の履歴である「出会いのデータベース」を解析し、社会課題を解決する目的でレポートを執筆しています。
私が書いたレポートでは、都道府県間の「ビジネスの出会い」の法則を明らかにすべく、重力モデルを用いて分析しました。ほかにも、営業パーソンの名刺交換傾向の分析や、データサイエンティストの名刺交換の特徴を明らかにしているレポートなどをこちらで公開しています!

f:id:sansan_nissy:20181221191908j:plain

そのほかのお仕事

上記以外にも、このブログ「Sansan Builders Box」で社会科学分野の研究を紹介する連載を持ったりしています。これらの連載も含め、社会科学分野の研究について、互いに知見を共有し、プロダクトに反映すべく学んでいます。

つながりに効くネットワーク小話
R&D 社会科学班の論文読み会

アカデミアと企業の共同研究を加速させるには?

最後に、黒川さんと私でお互いの報告についての討論を行いました。
私からは、どうすればアカデミアと企業の共同研究がスムーズに行われ、両者にとって有意義なものになるのかという観点から、黒川さんに質問をさせていただきました。データ分析を、社内のデータサイエンティストが行う場合と社外の人にお願いする場合では何が異なるのかを考えた時、プロジェクトの期間における報告の頻度に差異がありそうだと感じました。弊社の場合であれば、数ヶ月単位のプロジェクトに対し、1〜2週間単位で分析結果をレポートするものが多いのですが、報告の頻度とプロジェクト期間に差があれば、スムーズに進行しないのではないかと考えたからです。
アカデミアと企業の共同研究の進め方について、黒川さんから大変参考になるお話を聞くことができたため、以下にディスカッションの一部を記します。

西田:今回発表いただいた研究では、企業の担当者の方へのレポートの頻度はどのくらいだったのでしょうか?


黒川:2〜3ヶ月に一度のペースで報告を行いました。理想としては、もっと短いスパンでの報告が望ましいと思います。今回の場合は、私たちは関西で共同研究先の企業が関東と地理的に離れていたこともあり、そういったペースとなりました。
さらにほかの要因として、論文を執筆することを考えると、しっかりと分析しなければいけないと思い、時間がかかりがちでした。分析が進んでなかったとしても、月1回の定例報告を開催すれば企業の方も進捗が見えますし、しっかりと情報共有ができていいのかもしれません。


西田:一般的に共同研究のプロジェクト期間はどのくらいなのでしょうか? また、プロジェクトに取り組んでいる最中に、モチベーションが下がってしまう時期などはあるのでしょうか?


黒川:期間はプロジェクトに応じて様々あり、具体的に期限を決めないケースもあります。とりあえず1年間のプロジェクトとし、必要に応じて分析の時間が不足していれば延長するという形です。企業によっては、プロジェクト開始前から研究計画の見通しをつけ、3〜4年間のプロジェクトとする場合もありました。アカデミアの立場からすると、共同研究の内容を論文にしたいと考えています。経済学の場合、論文として公開されるまでに5〜10年かかるケースも少なくないので、企業の方にそこまで待ってもらえるのかという不安はあります。
モチベーションについては、研究が思うように進まないことがあってやる気がなくなってしまう時もあります(笑)。研究のモチベーションが湧く時は、たとえば扱えるデータが増えた場合などがあります。そういう意味でも、企業の方とのコミュニケーションを増やし、必要なデータなどについて話し合う機会があるといいのかもしれません。


西田:なるほど、勉強になります! 今回の研究からわかったことやインプリケーション・解決策(メッセージの送付など)に関する効果検証まで分析されたのでしょうか?


黒川:残業の研究に関しては、効果検証までできませんでした。効果検証する価値はありましたが、従業員数がそこまで多くないこともあり、RCT(ランダム化比較実験)で検証することが難しく断念しました。今後は効果検証まで取り組んでみたいです。実際に研究で明らかになったことが、企業にとって役立つことを伝えたいと思います。


西田:研究で明らかになったことが実社会にとって役立つかは気になりますよね。企業としても、当然解決策に期待するところはあるので、そこまで見据えた研究計画を考えていきたいですね。


黒川:アカデミアの立場からすると、企業の方は何を求めているかが気になります。Sansan Data Discoveryではどのようなことをアカデミアに期待しているのでしょうか?


西田:私たちとしては、学術的に意味があり、社会課題を解決するような研究も期待していますが、やはり研究内容を何かしらビジネスに応用できるものが望ましいです。また、研究結果だけではなく、社外のアカデミアの方が、名刺交換や出会いのデータベースをどう捉えるのかという視点そのものにも期待しています。私のこれまでの経験の中でも、アカデミアの方とディスカッションしている中でアイデアを思いつくことがしばしばありました。

黒川さんとのディスカッションにより、これから共同研究を推進していく上で、企業として気をつけるべきポイントが明らかになりました。アカデミアと企業の共同研究に限らない話ですが、コミュニケーションを充分にとり、相手のことを知ることから始めていきたいと思いました。

アカデミアとの共同研究を加速させるポイント
  1. 月1回の定例など、定期的に研究について報告・ディスカッションする機会を設け、必要に応じて新しいデータの提供などを検討する
  2. プロジェクトの期間は、共同研究の内容に応じて定めれば良いが、研究内容が論文として公開されることを考慮する
  3. 研究結果から導いた解決策の効果検証に協力する

長くなりましたが、イベントレポートは以上です。
大学院生の頃、行動経済学会のようなカンファレンスの運営を手伝いながら、いつか登壇する側になりたいと夢見ていたので、登壇のお話いただいたことはとても嬉しかったです! このような貴重な機会をくださった佐々木周作さん(京都大学)に心から感謝申し上げます。ご参加いただいた方々もありがとうございました。

f:id:sansan_nissy:20181221191839j:plain

最後にお知らせがあります。
このブログを読んでくださっている文系の方の中には「文系の学問は役に立たない」と言われたことのある方もいらっしゃるかもしれません。私も悔しい思いをしたことがあります。しかし、本ブログでも紹介してきたとおり、全くそんなことはなく、社会に役立つ知見もたくさんあります。
そのことを世に広く知っていただき、アカデミア以外でも社会科学の研究ができるようなキャリアを当たり前にしていくために「SocSci」を立ち上げました! 「SocSci」は、社会科学がAI時代にどのような価値を生み出せるのかを考えるコミュニティです。
第1回目の勉強会は2019年1月8日に弊社で行います。ご都合のつく方は、ぜひお申し込みください。一緒に社会科学を盛り上げましょう!
sansan.connpass.com

© Sansan, Inc.