データサイエンティストを雇っても、ビッグデータの半分しか活用していない

ビッグメディアの探索と活用で言われているように、ビッグデータの利用方法には２種類ある

１つは、分析、学習などにビッグデータを利用する方法。
分析をすると、統計を利用することになるので、
一般的には、平均値が得られる。
学習の場合も、基本的に、まれにしか起こらないものは学習されない。

なので、結果

　　夏にはサンダルが売れ、冬には、ブーツが売れる

という結果になる。


もう一つは、蓄積して、探索する方法
異常値があったとき、同じ事例を探す。
たとえば、

　　夏にはサンダルが売れ、冬には、ブーツが売れる
　　けど、
　　夏にブーツが売れるケース、冬にサンダルが売れるケースは？

と検索し、その特殊ケースの特徴を探る。

前者の「分析・学習」に、データサイエンティストを利用するわけだが、
もともと、統計学を利用するなら、データを多量にあつめなくても、
全数調査しなくてもいいわけだ。
学習も、当たり前のことなら、わかっているので、ロジックで組んだほうが早い

一方、「蓄積して、探索する」場合は、例外的なことを探すので、
大量にデータを集めないと、例外が集まらない。
なので、データを多量に集めることには意義がある。

データサイエンティストを雇って・・・というのは
「分析・学習」をさせる方法であり、
「蓄積して、探索する」ほうを使っていない
（「蓄積して、探索する」方法は、例外事象を検索するだけだから、
　検索知識さえあれば、BIでできる）
そして、「分析・学習」では、ビッグデータを集めても、
そこまでしなくても得られる統計上の知識しか得られない。
→特殊な事例こそ、お金になりやすいので、あまり役立たない。
　　　例：「夏にはサンダルが売れ、冬には、ブーツが売れる」
　　　という情報より、夏にブーツが売れるわけのほうが重要

ということは、

データサイエンティストを雇っても、ビッグデータの半分
（分析・学習）しか活用していないことになる。