Ciao！みなさんこんにちは！このブログでは主に
(1)pythonデータ解析,
(2)DTM音楽作成,
(3)お料理,
(4)博士転職
の4つのトピックについて発信していきます。
今回は転職レシピです！
博士が民間企業へ転職する場合、年収を上げたり、やりがいのある職務に就くには、企業が求める能力と研究で培ったスキルのマッチングが重要です(前回記事参照)。
転職活動を始めるにあたって、研究で培われたどのようなスキルを役立てることができるのか、すぐにはピンとこない方も多いのではないでしょうか？
この記事では、私が民間企業のデータサイエンティスト(コンサルタント)として仕事をする上で、役立っている能力を紹介します。
目を通していただくと、研究で培ってきたどのようなスキルが民間企業でも活用できるのか理解を深めていただけます。
あくまで私個人の例を中心にしたお話ではありますが、多くの研究者に共通するものも多いので、
- 民間企業へのキャリアチェンジを考えている研究者
- 優秀なデータサイエンティストやコンサルトを採用したい、民間企業の人事担当者
といった方々に参考にしていただきたい記事です！
Abstract | 研究コアスキルを活用して業務をリードする
博士転職では、研究コアスキルを活用することでプロジェクトの業務をリードすることができます。
研究コアスキルとは、研究で使っていたスキルや学問のうち、ビジネスの現場にも適用できるものです。
例えば、データ分析やプログラミングなどの実践的なスキルに加え、数学、統計学、物理学を研究の現場で使っていた基礎学問も含みます。
企業の大多数を占める学部卒・修士卒のサラリーマンには、第一線の研究で使うレベルの統計学や物理学を使う機会はほとんどありません。
したがって、研究コアスキルをビジネスの現場で使えると同僚との差別化ができます。
民間企業のデータ分析には、「原理や理論的背景はわからないけど、とりあえずこの手法を適用してみた」レベルのものも横行しています。
それで業務が回っている分には良いですが、ときには中身をしっかり理解していないといけない場合があります。
論文を書くレベルの研究でデータ分析を行う際には、通常は自分が使っている分析手法は理解しているはずなので、このような場合に研究者出身のデータサイエンティストは重宝されます。
業務で使えそうな研究コアスキルを洗い出し、それを活用していくと業務をリードする立場になります。
「こういう分析をしたいのだけど、どうしたらいいか教えてほしい」と言った相談を受け、同僚や後輩を助言指導する機会が増えていきます(過去記事参照)。
Background | 専門と一般の狭間にある研究コアスキルで差別化を図る
この記事で研究コアスキルと呼んでいるのは、研究で使っていたスキルや学問のうち、ビジネスの現場にも適用できるものです。
博士転職では、研究コアスキルを活用することでプロジェクトの業務をリードすることができます。
研究コアスキルは、ジェネラルスキルと専門スキルの中間のイメージです。
研究コアスキルには、データ分析やプログラミングなどの実践的なスキルに加え、数学、統計学、物理学を研究の現場で使っていた基礎学問も含みます。
専門スキルとは、天文学の研究で言えば、銀河や天体についての知識、天文学でしか使えないデータ分析(あまりないですが)です。
専門スキルは狭く深いスキルなので、ビジネスの現場で適用できるシーンは限られてしまいます。
逆に、ジェネラルスキルとは、コミニュケーションスキル、論理的思考力などの広いスキルです。
ジェネラルスキルは学部卒・修士卒のサラリーマンでも会社で身につけられるので、博士が転職でここを推しても差別化が難しいです。
ただし、研究の現場での具体的なエピソードを絡めて語ることができれば、差別化に使うことができます。
実際に論理的思考や研究のフレームワークなど、ビジネスの現場でも役立ちます。
研究で使っていた専門的なスキルを少し広く捉えることでビジネスで活用できるシーンがぐっと増えます。
学部卒・修士卒のサラリーマンで、第一線の研究で使うレベルの統計学や物理学を使う機会はほとんどないため、研究コアスキルをビジネスの現場で使えると他との差別化が図れます。
転職活動では、研究で使っていたスキルを幅広く洗い出して広く捉え、応募企業のジョブディスクリプションと見比べて接点を探すと良いでしょう。
Contents | コンサルタント・データサイエンティストとして役立てている研究コアスキル
私自身、天文学の研究で身につけてきた研究コアスキルを、民間企業のデータサイエンティストやコンサルタントとして仕事をする上で役立てています。
私個人の例ではありますが、それらの一端を紹介します。
研究のフレームワーク | 問題提起・解決・そして次の問題提起
ジェネラルスキルに近いですが、まずは研究のフレームワークです。
これはそのままビジネスの現場で役立てることができます。
研究のフレームワークとは一言で言えば、「仮説検証によって、問題提起から問題解決に至る一連の作業」です。
どの分野の研究でも、研究は大まかには以下のようなフレームワークで進められます。
- 現状調査: 論文を読み込んで世界の同種の研究の動向を調査する
- 問題提起: 調査した中から課題を見つけて自分の研究テーマを設定する
- 仮説設定: 提起した問題に対する解決策を考案する
- 仮説検証: 解決策をもとに試行錯誤して何らかの結果を得る
- 示唆提示: 得られた結果から設定した課題や、周辺の研究への影響を議論する
- 将来展望: 次に取り組むべき課題を考える
論文で言えば、1と2は”Introduction”、3は”Method”、4は”Result”、5と6は”Discussion”に書かれます。
ビジネスの現場、殊にコンサルティングにおいては、この研究のフレームワークがそのまま使えます。
コンサルティングでは、クライアント(お客様)の課題解決のお手伝いをすることで報酬をもらいます。
コンサルティングのプロジェクトの大まかな流れは以下のようになっています。
- 現状調査: クライアントの業務や市場や同業他者など、クライアントと世界の現状を調査する
- 問題提起: クライアント(お客様)の問題意識から具体的な課題を設定する
- 仮説設定: 提起した問題に対する解決策を考案する
- 仮説検証: 解決策をもとに試行錯誤して何らかの結果を得る
- 示唆提示: 得られた結果からクライアントの課題や業界への影響を議論する
- 将来展望: クライアントが今後取り組むべき課題を考案・提示する
このように、研究とほとんど同じ流れです。
産業界では、学術研究のように論文というソリッドな形で知識がまとまっていないなど、細かく見ると厄介な違いが多々あることは事実です。
とはいえ、研究とコンサルティングの流れはほとんど同じなのです。
また、コンサルティングでは、クライアントが簡単には解決できない問題を扱うので、4の「試行錯誤」の修行をしていきているというのも研究者の売りです。
コンサルティング業界は年収水準が高く、年功序列が比較的弱いため、博士からの転職で年収を上げやすい業界です。
転職において、産業界の知識がない点が博士にとって不利な点です。
しかし、このように本質的な業務の共通点を認識し、研究者として本質的には同じ業務に取り組んできているために活躍できる可能性は高いです。
この点を推していくと、年収を上げながら転職することを狙えます。
ロジカルシンキング | 論理とストーリーで得られる納得
こちらもジェネラルスキルに近いですが、ロジカルシンキング(論理的思考力)もやはりビジネスの現場でそのまま活用できるものです。
博士であれば、少なくとも学位論文を執筆しており、他にも査読論文などの論理的な文書を作成した経験があるはずです。
さらに、学会での発表など、自分の研究内容を他人に伝えて納得してもらう経験を積んでいます。
論文や研究発表のプレゼンは、研究の内容やその重要性をわかりやすく伝える訓練です。
飛躍のない論理で、問題提起から解決までのストーリーを理路整然と語れることはビジネスの現場でも役立ちます。
特にコンサルティングにおいては、「こんな課題を解決するのでお金をください」とクライアントに提案し、「こんな風に解決できました」と成果報告をします。
こちらが構築した問題提起から解決までのストーリーに飛躍があれば、クライアントが納得することができません。
納得できなければ、お金を出してはくれないし、成果を認めてもらうこともできません。
お金をもらうためには論理的なストーリーを語って納得してもらうことが必要です。
業界は違えど、研究の世界で論文の査読者は学会の人間を納得させてきた経験を活かすことができます。
統計学 | データサイエンティストの必須知識
データサイエンティストとして必須の知識、統計学は研究コアスキルです。
研究の分野にもよるかもしれませんが、統計学を使わない研究は存在しないのではないでしょうか。
天文学では、
- 天体の画像データ解析で用いられるポアソン統計
- 天体検出の統計的有意性の評価
- サンプル比較の統計検定
- モデルのフィッティングやパラメータ推定
- モンテカルロシミュレーション
など、様々な統計学の手法を使います。
ビジネスのデータサイエンスでも統計的な分析手法を用います。
例えば金融では、銀行がお金を貸した相手(債務者)が返済できなくなる(デフォルト)のリスクを評価する業務があります。
このような業務ではデフォルトの数を観測して、デフォルトの発生する確率を予測する統計モデルを作成したりします。
デフォルトの数を観測する部分は天文学の観測とよく似ています。
天文学の観測では、カメラの検出器上にやってくる光子(光を粒子としてとらえた呼び方)の数を数えます。
やってくる光子の数はポアソン分布という統計分布に従います。
天文学ではこのことを利用して様々な分析をしていきます。
一方の金融業務におけるデフォルトの観測では、デフォルトの数が二項分布に従うことを利用して統計モデルを作ったり、様々な分析をします。
参照する統計分布の種類は異なりますが、観測量がある統計分布に従うことを仮定してモデル化するという流れは共通です。
このような共通点をたくさん見つけて、研究で培ってきた専門的な知識を活用する機会を増やすことが、博士や研究者がビジネスの世界で無双するコツです。
また、研究者は統計的な分析手法の理論的背景を知っているといったことも有利な点です。
民間企業だけでデータ分析の腕を磨いてきている人材もたくさんいますが、統計学的な背景などをよく知らずに、とりあえず知っている分析手法を適用しているだけといった場面もよく目にします。
それでクライアントの課題が解決できている間は良いですが、
- 理論的背景を知らないがゆえに間違った解釈を行って、後々問題になる
- ある手法が上手くいかないときに他の方法を思いつかない
- クライアントを納得させられない
といった問題が発生することもままあります。
理論的背景を知った上でデータ分析に取り組んでいる研究出身のデータサイエンティストは同僚に安心感をもたらしたり、指導に当たれるなど重宝されます。
博士からデータサイエンティストとして民間転職するならこの点を推してみても良いでしょう。
転職活動の初期には、統計分析の手法を一度洗い出して整理しておくと役立ちます。
プログラミング | 時間を生み出す最高のツール
プログラミングは民間で働くときに活用できると強い味方になります。
こちらは統計学よりさらに分野による内容ではありますが、研究でプログラミングを使っていたならば、ビジネスでも使わない手はありません。
天文学ではデータ分析のほぼすべての場面でプログラミングを使います。
具体的には、
- 天体の画像データから有益な情報(天体の形や色など)を抽出するところ
- 天体の情報を比較するところ
- 図の作成
などなどです。
画像データの解析では、複雑な処理が必要になるため、プログラミングでしっかり書かないとそもそも話になりません。
また、大量の天体の情報を扱うので、統計分析などで比較するときにはプログラミングを書かいて自動化しないと一生終わりません。
産業界ではプログラミングをまともに書ける人間は希少です。
データ分析も、とりあえずエクセルでほぼ手作業でポチポチやっている現場がほとんどです。
たくさんの時間をかけて頑張って大したことない分析をやっているというのが実際です。
このように、みんなが自分の時間を使ってやっている作業をpythonなどのプログラミングで自動化することで自分の時間を作ることができます。
面倒な作業はプログラミングにまかせて別の作業をする時間に充てるといったことをしていくと、同じ勤務時間で他の人より多くの成果を出すことができます。
すると自然と評価があがって年収も上がっていきます。
もちろん、成果で評価される企業であることが前提です。
なので、博士が転職する際には、転職先が成果で評価される企業なのか、それとも年功序列的な意識が残っているのかをよく見極める必要があります。
主体性 | 従業員のサラリーマンには希少なマインドセット
すごくジェネラルですが、研究者がマインドセットとして持っている主体性は武器になります。
修士はともかく博士論文ともなると、一連の研究の業務は自分で行うことが求められます。
問題設定も自分で考え、仮説の設定・検証、示唆出しなども、自分で行います。
教授や研究室メンバーが助言をくれるとは言え、自分から主体的に取り組んでいないと誰も助けてくれません（というより助けようがないのです）。
企業で従業員としてサラリーマンをやっている人間の多くは受動的です。
企業で働く人間は、経営者と従業員に分けられます。
経営者とは社長や部長などのいわゆる役職者です。
当然、自ら考えて行動しなければ会社が潰れますし、自分の持っている部署が潰れます。
自分で仕事を取りに行かなければ生き死に関わります。
しかし、従業員は上司から言われた業務をやっていれば困ることはありません。
基本的には「与えられた仕事をこなす」というマインドセットであることが多いです。
日曜日に「明日仕事行きたくないな」と口にするサラリーマンは多いのではないでしょうか。
「自分で仕事を見つけて取り組む」というマインドを持っているサラリーマンはかなり少ないでしょう。
どちらかというと経営者のマインドセットなので当然ではあります。
博士を取った研究者は、自分で研究を進めなければ来年の職がなくなるという緊張感で生活しています。
そういう意味では、私の個人的な考えですが、マインドとしては経営者に近いのではないかと思います。
与えられた仕事をこなしていれば、たしかにサラリーマンとして生きていけます。
ただ、成果で評価されるような企業では「期待以上の仕事をしてくれる」ことが昇進の条件であることが多いです。
与えられた仕事をしているだけでは、期待以上の仕事をしてくれているという評価を得ることは難しいです。
「自分で仕事を見つけて取り組む」というのは研究者としてはある意味当然のマインドセットです。
なので、主体性を積極的に評価してくれる企業で働くことができれば、特に頑張らなくても、普通にうやっていれば勝手に評価されて昇進できるでしょう。
私の場合、幸いにして、研究者的な主体性が評価される職場を選ぶことができました。
転職後まもなく、(役職者ではないが)管理職の方から、「キミを従業員として採用したつもりはない。キミが普通に仕事をしてくれれば、きっと自分で考えて期待以上の成果をあげてくれるだろうから、自由にやってくれ」といったことを言われました。
その人はいまだに私が「努力します」と言うと、「いやキミは頑張らなくていいから普通にやってくれ笑」と言われます笑。
博士転職に置いては、このような、研究者としてのマインドセットが評価される職場を選べると活躍できると考えます。
他にも色々 | チームワーク・英語・予算獲得に対するシビアさ
最後に、私が研究で培ってきた能力の中で役立っている、または高い評価を受ける源になっていると感じているものをご紹介します。
チームワーク
研究で人と何かをした、チームワークの経験も推していきましょう。
研究というと、どうしても世間には孤独なイメージがあります。
企業では、何かとチームワークが強調されます。
自分でやれることには限りがあるので、自分と違う能力や特性を持った人と協力して課題に取り組むのは当然です。
研究の世界でも、「自分と違う能力や特性を持った人」を頼る経験や人から頼られる経験は多々あるはずです。
例えば､論文を共著していれば、あるパートは共著者が、あるパートは自分が担当するなどして成果物 = 論文を仕上げていたはずです。
また、修士の学生や後輩の指導をした経験も活用できます。
民間企業に入って活躍すると、部下や部下と言わないまでもなにかを教える立場になります。
他人と協力した経験や、他人に何かを教えて成果を出した具体的なエピソードでチームワークの経験を語れると良いでしょう。
英語
そして英語も活用する機会が多々あります。
研究をしていると、
- 英語で論文を書く
- 国際学会で英語でプレゼンをする
- 他国の研究者と英語で議論する
など、単に英語を教わるのではなくて、英語を道具として使う機会があります。
実戦で英語を使った経験を上手く活用しましょう。
私の場合は、
- クライアントが外国に現地法人を持っており、英語でディスカッションをする必要がある場面
- グループの海外法人とテレビ会議・電話会議をする場面
など、民間企業に入ってからも外部・内部の仕事で英語を使う場面が多くあります。
そもそも部署に外国人が多いので、内部の打ち合わせも半分は英語だったりします。
「英語が大事」と日本で言われ始めて久しいですが、まだまだ英語を道具として使えている人材は少ないです。
なので、英語も博士が差別化を図るチャンスです。
謙遜でも、「英語は得意じゃない」なんて言っていては損です。
予算獲得へのシビアなマインドセット
経営者的なマインドセットと共通しますが、予算獲得へのシビアさも研究者の長所です。
研究活動においては、予算獲得の時間がそれなりの割合を占めているはずです。
博士の学生の頃から、学振DCなどの給与や研究費に加え、海外渡航費用や論文出版費用をどこかのファンドに応募するなどの経験をしているはずです。
当然ポスドクになれば、次の雇われ先に応募していかなければなりません。
また、例えば天文学であれば、望遠鏡を使える時間(観測時間)も競争で取得します。
「こういう成果をあげるので望遠鏡を使わせてください」という観測提案(プロポーザル)を観測所に提出し、ライバルたちのプロポーザルと比較され、審査に通れば晴れて観測を行うことができます。
ちなみに、国立天文台ハワイ観測所のすばる望遠鏡（日本が誇る世界最大クラスの光学望遠鏡。口径は8.2 m）は日本の研究者であれば誰でも応募することができますが、競争は激しいです。
それもそのはずで、一晩の観測で2000万円程度の費用がかかっているからです。
「この観測提案には2000万円の価値があるのだろうか」という厳しい視線で評価されるのです。
このように、誰かを説得してお金や時間をもらった経験はビジネスの世界でもそのまま活かせます。
コンサルに限らず、ビジネスとは誰かの課題を解決する対価として報酬をもらうことで成り立ちます。
課題が解決できそうということを納得できなければ、相手はお金を払ってはくれません。
研究計画を作ってファンドからお金をもらってきた経験や、お金をもらうところまでは行けなくとも、そもそも予算獲得のために文書を書いてきた経験は必ず役に立ちます。
Conclusion | まとめ
最後まで読んでいただきありがとうございました！
企業でも活用できる研究のコアスキルについてお話しました！
ビジネスの経験がなく、転職市場で不利になりがちな博士研究者ですが、研究で培ったスキルを推していくことで差別化ができます。
また、転職後も研究で培ったスキルを活かすチャンスを見つけて活用していくことで、短時間で成果を上げたり、質の高い業務を行っていくことができます。
専門的なスキルからマインドセットまで幅広く活用して無双していきましょう！
以上、「転職レシピ｜博士は研究コアスキルを活かして民間企業で活躍できる」でした！
またお会いしましょう！Ciao！
コメント