データアナリスト(TypeScript)の求人・転職情報

AI×データ テクニカルプロデューサーとして、定量データ分析を起点に、課題発見・仮説立案・施策提案・可視化・業務改善まで幅広く担っていただきます。 また、生成AIを活用した分析業務の効率化や、AIエージェント化・自動化にも取り組み、データ活用とAI活用の両面から事業推進を支援していただきます。 主な業務内容は以下の通りです。 ・膨大なデータからのデータ抽出、集計、加工、分析 ・SQL、Pythonなどを用いた定量データ分析 ・分析結果からの傾向把握、課題抽出、仮説立案 ・データに基づく施策考案、改善提案、事業推進支援 ・分析結果の可視化、レポート作成、ダッシュボード化 ・分析目的・KPI・集計ロジックなどのデータ分析設計 ・生成AIを活用した分析業務の効率化、自動化 ・Codex、Claude Code、ChatGPTなどを活用したコード生成、分析支援、プロトタイプ開発 ・AIエージェントや生成AIツールを活用した業務改善・新しい分析手法の検討 ・データ分析・生成AI活用を通じた新規事業やプロダクト開発の支援 ～分析・レポーティングだけでなく“創れる”人材へ～ 顧客の課題を発掘し、目的設定→運用設計→データ分析→改善提案まで一気通貫。さらにAI・ツール・DBで、レポーティングや業務を自動化し、事業の自走化を後押しします。そこから新規事業を共創する中心メンバーを募集。 ～新規事業立上げ×チーム作りを通し起業家に～ 弊社のミッションは「新規事業を生み出すこと」「CXOを輩出すること」です。 大手企業をクライアントとした事業立上げプロジェクト及びプロジェクトからカーブアウトする自社事業の立上げを行い、一定の実力がつくと即自分の組織・チーム・新ビジネスモデルを創っていきます。 上記過程を通し、起業家に必要な修羅場経験(失敗しながら成功の道を見出すハッチング)、チーム組成し率いる真のリーダーシップ形成、実務と直結した営業・マーケティング・財務・法務等の生きた知識習得などを行っていきます。また、直近の全社戦略的として、AI技術を新規事業に組み込むことと、AIを活用したビジネスモデル創出を重視しています。 社員一人一人が事業立上げを通じ、泥臭い現場経験や修羅場を潜り抜ける経験を積み、チーム一丸を作り出せる”起業家”の集団となることを目指しています。 困難な課題、厳しい意思決定の瞬間、経験したことのない修羅場を乗り越える中で自分の強みを伸ばし(強み=CxOの”x”要素)、正解がわからない状況を仲間とともに乗り越え、強い事業立上げチームを作ることに全社員が取り組んでいます。 【入社～1年後の成長ステップイメージ】 社員の多くは元々新規事業立上げ未経験者ですが、採用面接から成長工程を意識しており、 下記ステップを着実に進めることで素早い成長を目指します。 (1)採用面接:面接官が応募者の強みを掘り起こし、長期目標や成長に向けたロードマップのすり合わせ (2)新人研修:成長を実現のための考え方・事業創出/成長プロセスについて学び、ロードマップをアップデート (3)強み磨き:クライアントの事業立上げ支援案件に携わるにあたり、どのように価値を提供するのか、その中でどう成長するのか仮説を考え、上司・同僚とともに案件を遂行する中で、事業立上げに役立つ強みを磨く (4)クライアントの期待値越え:クライアントの期待値を越え続けることで、自社事業立ち上げに協力してくれる信頼関係を構築。信頼関係構築が見えてきたら、自身の部下を採用する権利を獲得し、事業立上げに向けたチーム作りを開始。

データサイエンスグループでは主に「マッチング体験の向上」「プラットフォームの信頼性・安全性向上」「それらを支えるML/LLM基盤の構築・運用」の3つの領域に注力しています。 本ポジションの主戦場は、マッチング領域およびTrust & Safety(信頼性・安全性)領域におけるAI/MLのプロダクト実装・運用です。社内のML/LLM基盤を活用しながら、データサイエンティスト・ソフトウェアエンジニア・MLOpsエンジニアなどと連携し、課題設定から実装、リリース後の改善までを推進していただきます。 課題設定や改善テーマの探索はデータサイエンティストや事業・プロダクト側と連携しながら進め、プロダクトへの実装はソフトウェアエンジニアと協働して推進します。MLOpsエンジニアはML/LLM基盤・推論基盤・開発環境の構築・運用を担い、本ポジションはそれらを活用しながら、マッチング機能やTrust & Safety機能の価値実装、評価、運用設計を担います。将来的には、事業課題に応じて担当領域を広げていただくことを期待しています。 1.マッチング体験の向上 ・マッチングロジックの実装・運用 :ワーカーと求人の最適なマッチングを実現するために、マッチングに必要なモデル・ロジック・業務ルールをプロダクト要件に合わせて実装し、安定運用と継続的な改善を担う ・マッチングに必要なデータ・特徴量の設計と実装 :マッチング機能の精度と運用を支えるために、特徴量やモデル入力データを設計し、Feature Store等の基盤も活用しながら実装・運用する ・ML基盤上での機能実装・運用 :Vertex AI Pipelines等の基盤を活用し、マッチング機能に必要なモデル・ロジックの実装、評価、運用、およびRecommend API周辺のプロダクト実装・安定運用を担う ・LLMを活用した自律的な改善ループの構築 :LLMを活用し、マッチング機能における評価、改善候補の生成、モデリングの見直し、比較検証までを含む継続的な改善ループを構築する 2. プラットフォームの信頼性・安全性向上 ・AI機能の安全性実装 :LLM等の基盤モデルを活用し、事実整合性の確保、防御的プロンプト設計、ガードレール実装などを通じて、安全性に配慮したAI機能を実装・改善する ・運用を踏まえたリスク制御の設計 :AI/MLによる判定だけでなく、業務ルールや現場オペレーション、人による確認フローも組み合わせながら、実運用で機能する安全性担保の仕組みを設計・運用する ・リスク予測・異常検知モデルの開発 :構造化データから、プラットフォームの信頼性を損なうパターンを特定する高精度な分類・回帰モデルの構築、および特徴量エンジニアリング ・データセット設計・品質改善 :多様なリスクを網羅するデータの設計・収集、高度なアノテーション管理、合成データの生成によるモデルの堅牢性強化 3. 共通基盤を活用した実装・改善 ・LLMOps/評価基盤の活用と改善提案:実験の追跡と管理、プロンプトのバージョン管理、「AI as a Judge」等を用いた自動評価パイプラインの活用・改善 ・品質・コスト・レイテンシーの継続的な可視化:モデルやAI機能の品質、レイテンシー、コストを継続的に計測し、ユーザー行動やモデル挙動の変化を捉えながら改善サイクルを回す 技術スタック(主要な部分の抜粋) ●クラウド Google Cloud ●開発言語 Python ●データ基盤 BigQuery / Fivetran / dbt Cloud ●ML / LLM基盤 Vertex AI / MLflow / LiteLLM / Datadog LLM Observability ●BIツール Looker / Looker Studio ●IaC Terraform ●開発環境・ツール Visual Studio Code / Cursor / Claude Code / GitHub Copilot / Devin / GAS etc 【扱っているデータ】 以下のようなデータを扱っています ・アプリユーザーのアクセスログ、募集内容に関する情報 ・マッチングに関する情報 ・レビューや評価情報や、アプリインストールなどの広告効果に関わるデータ ・問い合わせに関するデータ ・営業活動情報のデータ