【データ利活用部】データサイエンティスト／ミドル

以下のいずれかの経験・スキルが求められます。

• Pythonを用いたデータ分析・機械学習モデル構築経験
• SQLによるデータ抽出・加工・集計経験
• BIツール（Tableau等）を使ったダッシュボード作成・可視化経験
• データ基盤の構築・管理経験
• 顧客へのデータ分析結果のレポーティング・提案経験

• 顧客課題への共感力:
  クライアントに寄り添い、表面的な要望の背後にある本質的な課題を発見・整理できるコミュニケーション能力が求められます。
• 自律的な学習姿勢:
  使用技術は顧客・案件により異なるため、業務上必要なスキルを能動的にキャッチアップし続ける自主学習の姿勢が重要です。
• 論理的思考力・分析設計力:
  課題に対して適切な分析設計を行い、得られたデータから意味ある示唆を導き出すための論理的思考力が必要です。
• プロジェクト推進力:
  要件定義からKPI設定・施策立案・報告まで、案件全体を主体的に推進できるプロジェクトドライブ力が求められます。
• チームマネジメント・育成意欲:
  若手データサイエンティストの育成サポートやチームマネジメントも担うため、人材育成に関心があり、周囲を巻き込む力を持つ方が歓迎されます。

• 統計解析・機械学習の実務経験:
  統計解析や機械学習モデルの設計・チューニングなど、データサイエンス領域の実務経験があると即戦力として活躍できます。
• ビッグデータ基盤・クラウド利用経験:
  AWS・GCPなどのクラウドサービスを活用したデータ基盤構築経験があると、幅広い案件に対応しやすくなります。
• kaggle等のデータ分析コンペ参加経験:
  部門によってはkaggle等のコンペ参画実績に対して手当を支給しているケースもあり、実践的な分析スキルのアピールになります。
• 上流工程（要件定義・RFP対応）の経験:
  クライアントとの要件定義や提案活動の経験があると、よりビジネス貢献度の高い案件を担当できます。

• 多業界横断のデータ分析実践スキル:
  鉄道・教育・消費財・ゲームなど多様な業界のクライアント案件を通じて、汎用性の高いデータ分析スキルと業界知見を同時に習得できます。
• データサイエンス全工程のエンド・ツー・エンド経験:
  データ収集・前処理からモデル構築・可視化・施策立案・報告まで、一気通貫でプロジェクトに関与することで、上流から下流まで対応できる総合力が身につきます。
• プロジェクトマネジメント・ビジネスコンサルティング力:
  顧客課題の整理から契約調整・KPI設計まで担当することで、エンジニアリングを超えたビジネス視点のマネジメントスキルが養われます。
• 若手育成・メンタリングスキル:
  若手データサイエンティストの育成サポートを通じて、人材マネジメントや教育設計のスキルも自然に習得できます。
• Python・SQL・BIツールの実務レベルの習熟:
  入社研修から実案件参画まで一貫した学習機会が提供され、データサイエンティストの標準的なツールセットを体系的にマスターできます。