模擬演習とはいえ、大量のデータにはじめは圧倒されて戸惑いましたが、標準プロセスに沿って進めることで時間内に目標とするレベルまで到達することができました。
「木を見て森を見ず」じゃないですが、ビジネス課題をどのように捉えて、どのように要素分解していくことの重要性を身をもって体験できました。

分析のために、必要なデータを想定しSQLを駆使してデータ抽出することができました。
しかし、当初に想定していた仮説とは方向性が異なる分析結果が得られるなど、最後のとりまとめに苦労しました。
もっと統計分析の知識があれば最善の分析手法を適用できたのでは、と思います。
実際に手と頭を動かしてみて、自身に足りないスキルが統計解析や可視化の領域であることにも気づいたので、今後は統計解析のスキルも磨いていきたいと思いました。

分析作業の経験はある程度持っていると自負していました。
しかし、分析しているデータは「どうやって生成されたのか？（アプリのデータであれば、 アプリ登録してかつアプリ入力されたデータということ）」を意識しなければいけない ということに気付くことができました。

いま自分達が分析しているデータがどのように生成されて、どのような性質を持っているかまで想いを巡らせることは分析業務の前提として非常に重要です。
なぜならば、その特徴を活かす分析ロジックを組んで作業を進めていかなければ、正しい施策に落とし込むことができませんし、なぜその施策に至ったのかという説得力も伴わなくなります。
これまで、分析となるとすぐに手を動かしていましたが、今後は分析担当者から少し目線を上げてデータの生成背景やどんな施策に落としたいのか、というデータ分析・活用の全体像を俯瞰してから作業に着手しようと思いました。

「分析を進める上で、分析設計のロジックがおかしくなったら、ロジックツリーに戻る！」 

グループ演習の中間発表で、作業進捗を講師に報告した時にアドバイスされました。
しかし、データ分析の論理展開がおかしくなったと気付くには、それなりに作業を進めて分析結果を解釈してみなければなりません。
せっかく進めた作業が無駄になってしまい、悲しい気持ちになりました。
ロジックツリーは分析開始時点で書き起こしますが、その際に完璧さを求めて時間を費やす必要はなかったと学びました。
ロジックツリーは分析を進めながら適宜修正を加えていけば良いということです。
つまり、データドリブン進める側面とビジネスロジックを融合させてロジックツリーを作ることで、意思決定のためのストーリー展開やデータに基づく根拠づくりの重要性を、失敗を通じながら学びました。良い失敗の場でした！

データハンドリングで大きくつまづきました！
なかなか機械学習が終わらなくて、焦りました。
学習させる情報量が多すぎたのが原因でした。
例えば、曜日という特徴を捉えるためにはそのまま曜日とするのではなく、平日/休日で分けるなどの工夫が必要でした。
こればっかりはやってみないと分からないな！と思いました。

演習中に、グループで迷子になりました。
データの基礎集計に時間をかけないままモデルを作ってしまい、結果の解釈ができない状態に陥りました。
そこで、分析設計を見直し、データの基礎集計に戻りました。
モデリングで使用するデータも、「動かせるデータ（例えば、「買う」「買わない」などの行動結果）」なのか、「動かせないデータ（例えば、「女性」「東京都在住」などの属性情報）」なのかを意識して再構築し、軌道修正することができました。
機械学習の知識以前に、データを正しく捉えないと前に進めないことを学びました。

予測精度を上げるために、全変数を学習(*1)させてみましたが、精度は上がりませんでした！
何を学習させるか？は人間が考えなければいけない範囲ですね。
そこで分析ロジックを踏襲し、どの情報項目を選択させるかについて、グループメンバー全員で時間をかけて議論しました。
作業中に相談できたりアディアを出し合える仲間がいて、そして結果がどう出るか分からないまま試行錯誤できる環境に感謝しています。
機械学習技術の活用の面白さを体感しました。

グループ演習で実際に画像を学習させる操作ができたことが良かったです。
特徴量の設定で変動する学習の所要時間について、メンバーや講師と意見を交わせたことが理解を深めたと思います。
習ったばかりのCNN（畳み込みニューラルネットワーク）の手法を実践してみたり、それによって計算速度がどの程度変わるのかをみたり、体験型学習ができました。

同じようなフィルタを無意識に並べていたことが、画像学習の邪魔になっていました。
なので、モデルの見直しの際に、自力でこの原因に気付くことが出来なかった。
理論上は分かっていることも、実際に手を動かしてみると、まだまだ活用できるレベルの知識として定着していないことがわかった。
特に、精度向上に向けたパラメータ調整（ハイパーパラメータチューニング）の勘どころが必要だと、思いました。