ＧＡ　ｔｅｃｈｎｏｌｏｇｉｅｓのインターンシップ選考対策・内定直結・優遇・募集情報

午前にインターンの概要の説明とデータ分析の知識の座学を行い、午後に実際にPythonでデータ分析をする練習を行なった。既にコードがある程度用意されており、順次実行してけば流れが分かる仕組みだった。その日は時間に余裕ができたので、2日目からやるはずの課題も少し始められた。課題のデータ分析作業をおこなった。途中1時間ほど、社長自らが会社説明を行う時間を設けてくださった。チームで情報共有やアイデア出しを行い、確実に予測精度をあげていった。発表に向けての追い込みの分析と、発表用の資料作りを行なった。これまでの分析の道のりを辿り、考察をまとめる形で資料を作った。最後に発表があり、他チームの学生や見学にきた社員から質問やフィードバックをもらう。特に競争を掻き立てるような雰囲気ではなく、和気藹々としていた。発表終了後、オフィス見学と夕食を兼ねた懇親会が開かれた。

IT業界やスタートアップについての話があったのちに、GA technologies自体のケーススタディを行った。最後には発表、フィードバックの後に懇親会があったが自身は欠席した。

1日目は主に午前に会社説明、社長のあいさつが行われ、午後に新規事業の企画を行った。ランチは弁当が出て、社員さんと交流の場も与えられていた。終了は18時でお店で懇親会があった。2日目は1日目の企画をブラッシュアップしていき、更にどのようにその企画を実装するかということについて考えた。インターンではこの工程を開発と呼んでいた。終了後は1日目と同様にお店で懇親会があった。3日目はお客様に伝えるという設定でパワーポイントで資料作りを行った。この工程は営業と呼ばれていた。最後に発表を行い優勝したチームはその成績によって賞金を得られた。この日も懇親会があった。

午前中はRenosyの説明からのワーク開始。お昼は社員の方とお弁当（牛角）。 午後からはマーケットの選定をチームで行う。その後、チームで発表。 day1のテーマは「企画」だったので、それに基づきあくまでアイデアベースでの立案まで。午前中は社長の講演会。社長は熱血漢で、非常に刺激になった。 引き続き発表準備。午後からは２度目のプレゼンテーション day２は「立案」というテーマのもと、前日に企画した内容を詰めていく。 現地での実現可能性を考えるのと、今回は他の取締役や営業マネージャーからのフィードバックもあった。 day3は「営業」編だった。 営業では２日間かけて作った施策をプレゼンテーション形式で発表することが求められる。 その対象者はリアルなお客さんという設定。ただし、取締役レベルのツッコミが入る。 そのため、自分がやりたいことをただ伝えるのではなく、客観的に見てこの事業に投資したいか？？本当にできるか？？を見られるのでかなり高難易度だった。チームの総合力がないとこれはまとめ上げることが難しく、最終的な評価では「チームビルディング力」も入っているらしいことがわかった。

製品の企画を行った。主に自社製品の強みを生かして、いったいどのような課題を解決できるか、またどのように解決するかを議論した。途中で社員からFBをもらい、その日の最後に社員に企画内容のプレゼンを行った。製品の開発を行った。具体的にどのような製品にするのか（アプリなのかどうか）や、UI、UXの観点からブラッシュアップを行った。この日も途中で開発担当の社員からFBをもらい、その日の最後に開発担当の社員にプレゼンを行った。営業戦略を考えた。二日目までにチームで考えた製品を実際に顧客に売るためにはどのように自社製品をアピールすればよいか、一日かけて考えた。同時に発表用のスライド作成も行った。この日も途中で営業担当の社員からFBをもらい、その日の最後に営業担当の社員に最終プレゼンを行った。

オリエンテーションから始まり、事業内容や「Renosy」のサービス概要をレクチャーしていただいた。その後チームごとに別れて、初日のテーマである「企画」に沿って新規事業の立案をしていった。フィードバックは夕方頃の中間発表と夜の最終発表の2回行われる。2日目は「開発」フェーズで、1日目に企画した案を実際に実行する際に必要なリソースの洗い出しなどを行った。この日もフィードバックは2回受けられ、エンジニアの方から専門的な知識を補ってもらえる。3日目は「営業」フェーズ。まず冒頭に社長の講演が1時間ほどある。その後ワークを再開し、最後は役員や社員を顧客と仮定して実際に営業のプレゼンを行った。その後結果発表やフィードバックがあり、豪華な懇親会が行われた。

データ分析の基礎や，Pythonの操作の基礎を教授された。夕方から簡単な予測モデルを作り，初日の終わりに全チームそれぞれ1度は送信して現時点でのスコアを全体で共有した。データの特徴を目視あるいは相関係数や変数重要度などで確認していき，それを参考にして分析に用いる変数を選択していった。とはいえ相関係数や変数重要度が高いものをモデルに投入すれば予測精度が上がるというわけでもないため，苦労した。変数選択だけでなく外れ値の処理によっても予測精度が異なり，また外れ値を除外しすぎても予測精度が落ちてしまって悩ましかった。この日も一日の最後に順位を共有した。特徴量選択やデータの洗浄などを試行錯誤し，高度な分析手法も試したが，結局線形回帰が最もか学習しにくく予測精度が高かった。夕方からプレゼンを行い，結果を共有した。