PythonやC++などをガリガリ書くような、
データサイエンス/データサイエンティストは、
AIエンジニアや機械学習エンジニアにシフトしていった。
プログラミング言語は、
あくまで手段にすぎないと気づいたためだ。
多くの人がイメージする「データサイエンティスト」は、
少なくとも「データ分析から予測を行う統計家やデータアナリスト」だろう。
これらの人材は、
TableauやPower BIなどのBI(ビジネスインテリジェンス)ツールや、
R言語やSPSSやSASなどの統計ツールを扱うことが元から主流だ。
ツールを使う分野は、今となっては、
「ローコード」「ノーコード」と呼ばれている。
この傾向は、
「行動を変え、価値を創る」という、
分析に本質から言って、必然的だ。
現実解。
データ分析の本質は、
動向の予測を行ったり、
差異の背景を知ったりして、
「行動を変え、価値を創る」
ために行うと言い切れる
そこにサイエンスの要素もあれば、
本音を描写するための、
アーツの要素もある。
追記。
コードをガリガリ書くことそのものは、
分析の本質ではないと気づくことで、
データ分析分野は活性化しやすくなる。
ハードルが下がることで、
経理・財務、FP&A、財務モデリング、原価計算、SCM、マーケティング、だけでなく、
数理統計学を多用するOR、経営工学、土木計画学、都市工学から、
自然科学全般（物理学、化学、生物学、地球科学）や、
疫学、経済学、心理学・行動分析学、認知科学、
政治学、社会学、言語学、文献学など、
多岐に渡るプレイヤーが、
データ分析を通じて異分野に移住できることは、
実は大きなメリットなんだよね。
boxcox.net、遠藤武。