【エンジニア】データエンジニア

以下のいずれかの経験・知識が求められます。

• BigQueryなどのデータウェアハウスを用いたデータ基盤の設計・開発・運用経験
• データパイプライン（ETL/ELT）の構築・運用経験
• Python / SQLを用いたデータ処理・加工の実務経験
• GCP / AWSなどのクラウドプラットフォームの利用経験
• Terraformなどを用いたインフラのコード管理（IaC）経験
• Looker / Tableau / Redashなど、BIツールを用いたデータ可視化経験

• ビジネス要件を技術に落とし込む力:
  ビジネスチームの要件ヒアリングを踏まえたデータモデリングを自ら行える力が求められます。エンジニアとしての技術力とビジネス理解の両立が重要です。
• スケーラビリティを意識した設計思考:
  増大するデータ量・利用者の変化に対応できる、拡張性・可用性を意識したアーキテクチャ設計ができることが求められます。
• 自律的な課題解決力:
  自ら手を動かしてデータパイプラインや各種アプリケーションを開発し、データを用いたビジネス価値の創出を推進できる主体性が必要です。
• クロスファンクショナルなコミュニケーション能力:
  AI・機械学習チームや事業部など、多様な組織と協調しながらプロジェクトを進める力が求められます。
• データ品質への高い意識:
  データ品質担保のための戦略検討やツール導入を自発的に提案・推進できる姿勢が必要です。

• Digdag / Embulk / Fluentdなどのデータ連携ツール経験:
  求人票の技術スタックに挙げられているOSSデータ連携ツールの実務経験があると、即戦力としてより活躍できます。
• LookML / Looker開発経験:
  BIツールとしてLookerを採用しており、LookMLでのダッシュボード開発経験があると、データの可視化・提供フェーズにも早期から貢献できます。
• 医療・ヘルスケアドメインの知識:
  医療業界の業務フローや医療データの特性に関する知識があると、ドメイン固有の要件理解が深まり、より高い価値を発揮できます。
• データガバナンス・データマネジメントの知識・実践経験:
  データカタログやデータ品質管理ツールの導入・運用経験は、チームのデータマネジメント強化に直結します。
• AI / 機械学習基盤との連携経験:
  MLパイプラインやフィーチャーストアなど、AIチームとのデータ連携に関わる経験があると、新規プロダクト開発への貢献度が高まります。

• 大規模医療データを扱うデータモデリング・アーキテクチャ設計スキル:
  数億円規模のマネタイズに直結するデータ基盤のアーキテクチャ策定に携わることで、スケーラブルな設計経験を実務レベルで習得できます。
• GCP（BigQuery・Dataflow等）を活用したクラウドデータ基盤の実践的な構築・運用スキル:
  最新のクラウドネイティブ技術を用いたデータ基盤全体の開発・運用経験を通じて、市場価値の高いクラウドスキルを体系的に習得できます。
• データドリブンな意思決定支援の実践経験:
  ビジネスサイドへのデータ提供・分析支援を通じて、データをビジネス価値に変換する能力を高められます。
• データ品質管理・データマネジメントの実務経験:
  データ品質戦略の策定やツール導入を主導することで、データガバナンスの実践的なノウハウを習得できます。
• 医療×ITドメインの専門知識:
  医療業界特有のデータ（カルテ・処方データ等）を扱うことで、医療DX領域における高い専門性を身につけることができます。