データエンジニア

以下のいずれかの経験・知見が求められます。

• データ基盤（DWH）の設計・構築・運用経験
• ETLパイプライン（データ抽出・加工・書き出し）の実装経験
• BigQuery・Airflow等のクラウドデータ処理ツールの利用経験
• GCPまたはAWSを用いたインフラ構築・運用経験
• Python・Rubyによるデータ処理スクリプトの開発経験
• Embulk・Digdag・Fluentdなどのデータ転送ツールの利用経験
• MySQLをはじめとするRDBの設計・クエリチューニング経験
• ElasticSearchなど検索エンジンとのデータ連携経験

• データドリブンな思考力:
  KPI分析やBI環境へのデータ連携など、データを活用して事業上の意思決定を支援するための論理的・定量的な思考が求められます。
• クロスファンクショナルなコミュニケーション能力:
  データサイエンス・プロダクト・CS・インフラなど複数の部門と連携するため、技術的な内容を非エンジニアにもわかりやすく伝えられるコミュニケーション力が必要です。
• オーナーシップと自律的な推進力:
  ベンチャー的な文化の中で、自分でミッションを定義し推進できる主体性が重視されます。曖昧な課題に対しても自ら仮説を立て行動できる姿勢が求められます。
• 品質への高い意識:
  データ収集基盤のSLO・SLIを定義・保守するなど、信頼性の高いデータを安定的に提供するための品質管理意識が必要です。
• 変化への適応力:
  スタートアップ的な組織文化の中で、事業の方向転換や優先順位の変化に柔軟に対応できるアダプタビリティが求められます。

• 検索エンジン（ElasticSearch）の実運用経験:
  今回のミッションの核となる検索システム基盤の構築・運用において、ElasticSearchの実務経験があると即戦力として活躍できます。
• 機械学習基盤・MLOpsの構築経験:
  レコメンドシステムや不正検知アルゴリズムの基盤設計において、機械学習パイプラインやMLOpsの経験があると業務範囲がさらに広がります。
• DOMAやRedashなどのBIツール管理経験:
  DOMOをはじめとするデータ分析ツールの管理・運用経験があれば、データアナリティクスグループとの協業がよりスムーズになります。
• マイクロサービスアーキテクチャの設計・実装経験:
  検索基盤のマイクロサービス化を推進するうえで、マイクロサービスの設計・実装経験は大きな強みになります。

• 大規模プロダクトのデータエンジニアリングスキル:
  500万人超のユーザーを抱えるスキルマーケットのデータ基盤を担当することで、高トラフィック環境ならではのデータ設計・チューニング・安定運用スキルを習得できます。
• 検索・レコメンド・不正検知の横断的な技術知識:
  検索システム・推薦システム・不正検知システムという異なるドメインの基盤設計に携わることで、機械学習を組み合わせた実践的なシステム設計力が身につきます。
• GCP・AWSを活用したクラウドインフラスキル:
  GCPおよびAWSを用いた機械学習基盤・データ基盤の構築・運用を通じて、マルチクラウド環境での実務スキルを強化できます。
• データ品質管理・SLO設計の実践スキル:
  データ収集基盤のSLO・SLIの定義・保守を担うことで、エンタープライズレベルのデータ品質管理とSRE的な思考・設計スキルを習得できます。
• クロスファンクショナルなプロジェクトマネジメント力:
  複数部門との協業プロジェクトを推進する中で、技術と事業をつなぐデータエンジニアとしてのプロジェクトリードスキルが磨かれます。