データサイエンティストの採用要件の作り方｜必須と歓迎を分ける基準

データサイエンティストの求人票の必須要件には、「統計の知識」「機械学習の実務経験」「データ基盤の構築経験」「修士以上」「特定の言語と可視化ツール」「事業への貢献の実績」「経験三年以上」が並びがちです。全部を満たす人は市場にほとんどおらず、いても複数の会社から声がかかっています。結論を先に書くと、データサイエンティストの採用要件は、先に分析・モデル・基盤のどの役割を採るかを決め、必須を「入社初日に自社の問いとデータで業務が成り立つか」で三つ以内に絞り、学位と経験年数は必須にせず、経験の中身（扱ったデータの種類、解いた問い、実運用に乗ったか）で書くと、母集団が生まれ、面接で見る点も定まります。役割を決めずに要件を積むと、三つの役割の要件が混ざり、誰にも当てはまらなくなります。開発エンジニアの要件はエンジニアの採用要件の作り方に、代行に出す工程の線はデータサイエンティスト採用を代行に出す判断基準にまとめています。

データ職で要件が膨らむ理由

他の職種と共通する理由（現場の希望を全部書く、前任者を基準にする、失敗を避けたい）に加えて、データ職に特有の理由があります。

一つ目は、三つの役割を一人で求めることです。分析で意思決定を支え、モデルを作ってプロダクトに組み込み、データ基盤も整える。三つは別の職種に近く、全部を深く経験した人は少ない。一人目の採用で三つを求めると、誰もいません。

二つ目は、学位を必須にすることです。修士以上、博士。研究の経験は、モデル寄りの役割では活きますが、分析寄りや基盤寄りでは、学位より事業の課題を扱った経験のほうが効きます。学位を必須にすると、事業会社で分析をしてきた人を弾きます。

三つ目は、手法とツールを並べることです。統計の手法、機械学習の手法、言語、可視化ツール、基盤の技術。並べるほど、全部を使った人を探すことになります。手法とツールは、自社の問いとデータに必要なものだけが要り、他は入社後に覚えられます。

四つ目は、「事業への貢献の実績」を求めることです。分析の結果が事業の数字にどう結びついたかは、本人の力量だけでなく、前職の会社が結果を使う体制を持っていたかで決まります。実績を必須にすると、体制の無い会社にいた優秀な人を弾きます。

五つ目は、年数です。データ職は比較的新しく、年数で測ると母数が減り、年数と分析力は一致しません。

必須と歓迎を分ける基準

基準は「入社初日に、自社の問いとデータで業務が成り立つか」です。データ職では「自社の問いとデータで」を添えます。自社の問いが分析寄りなら、モデルの実運用の経験は初日には要りません。自社のデータが整っていないなら、整える経験が要ります。

基準の要点は、「学位・ツール・実績・年数を必須にしない」ことです。この四つは書きやすいので必須に入りがちですが、どれも「初日に自社の問いとデータで業務が成り立つか」とは直接関係しません。

エラベルの見解

相談で多いのは、「修士以上で、機械学習の実務があって、基盤も分かって、事業に貢献した実績がある人」というご要望です。この要件で市場を見ると、数える程度で、その人たちは既に条件の良い会社にいます。要件を一つずつ「初日に自社の問いとデータで成り立つか」で問うと、学位は要らず、基盤は別に持て、実績は前職の体制の問題で、残るのは「自社のデータと近い種類を扱った経験」と「自社の問いに近い問いを解いた経験」の二つくらいです。

見ていて差がつくのは、「自社の最初の問いから、必須を逆算しているか」です。「解約の予兆を見つけたい」なら、顧客の行動データを扱った経験と、予兆や予測の問いを解いた経験が必須で、それ以外は歓迎。問いから逆算すると、必須は自然に二〜三つになります。問いが無い状態で要件を議論すると、データ職の概念に含まれる全部が並びます。エラベルでは、データ職の要件を整理するとき、依頼側に最初の問いを先に決めていただき、そこから必須を逆算しています。

必須を三つに絞る手順

データ職向けに、絞る手順を番号付きで整理します。

1. 役割を決める。 分析・モデル・基盤のどれか。一人目なら、最も困っていることに近い役割。
2. 最初の問いを決める。 「何を知りたいか」を一つ。データサイエンティスト採用を代行に出す判断基準で扱った問い。
3. 問いに使うデータの種類と状態を書き出す。 顧客の行動か、購買か、テキストか。整っているか、整えるところからか。
4. 現場（結果を使う事業責任者、分析の分かる人がいればその人）の希望を全部書き出す。 ここでは絞らない。
5. 一つずつ、「初日に自社の問いとデータで業務が成り立つか」を問う。 成り立たないものだけ残す。
6. 残ったものが三つを超えたら、「入社後に自社で覚えられるか」「別の担当や外部が持てるか」を問う。 ツール、言語、基盤の一部、他の役割は歓迎へ。
7. 学位・ツール・実績・年数を、経験の中身に書き換える。 「修士以上」ではなく「〇〇の種類のデータで〇〇の問いを解いた経験」。「実績」ではなく「分析の結果が判断に使われた経験」。
8. 歓迎に回したものを、優先順位を付けて三〜五つ書く。 面接で見る点になる。
9. 事業責任者・分析の分かる人（外部でも）・人事・経営で確認する。 「この三つがあれば、他は入社後に補える」と言えるか。

手順の要点は、「二と三を先にやる」ことです。問いとデータが決まれば、必須はそこから逆算でき、役割も自然に定まります。

経歴で確かめられる要件と、面接でしか分からない要件

データ職では、経歴の手法の名前が実態を表さないことが多く、確かめ方の区別がとくに重要です。

分け方の要点は、「面接で、自社の最初の問いを題材に、候補者の取り組み方を見る」ことです。問いへの取り組み方（何を確かめるか、どんなデータが要るか、どう伝えるか）は、分析の分かる人がいなくても、結果を使う人が判断できる部分があります。構造化面接も参考になります。

転向層を母集団に入れる要件の書き方

データ職の経験者は少なく、転向層を母集団に入れる要件の書き方が、採用の現実性を決めます。

書き方の要点は、「役割ごとに、合う転向元が違う」ことです。分析寄りなら事業側からの転向、モデル寄りなら研究者、基盤寄りならエンジニア。役割を決めれば、どの転向元を母集団に入れるかが決まり、要件の書き方も定まります。

要件が決まらないときの原因

原因の要点は、「最初の問いが無い」ことが最も多い点です。問いがあれば、役割もデータも必須も決まります。問いが無い状態で要件を議論すると、概念の全部が並びます。

代行に出せる工程

分け方の要点は、「最初の問いは、経営と事業責任者が決める」ことです。代行は問いを作る打ち合わせを進行できますが、問いそのものは社内の課題からしか出ません。

エラベルの見解

担当する側から見ると、データ職の要件で最も時間がかかるのは、依頼側の最初の問いを引き出すことです。「データを活用したい」から「解約の予兆を見つけたい」まで具体化するには、経営と事業責任者が「いま勘で決めていること」を書き出す時間が要ります。この時間を取らずに要件を議論すると、「修士以上で機械学習も基盤も」という要件になり、誰もいません。

エラベルでは、データ職の案件で要件が整理されていない場合、担当者の最初の仕事を「問いを作る打ち合わせの進行」にすることをお勧めしています。募集が始まるのは数週間遅れますが、問いから逆算した要件で募集を始めると、母集団が生まれ、面接で問いを題材にした評価ができます。飛ばして「データを活用できる人」を待つと、数か月が過ぎます。

まとめ

• データ職の必須要件は、先に役割を決め、最初の問いとデータの状態から逆算し、「入社初日に自社の問いとデータで業務が成り立つか」で三つ以内に
• 要件が膨らむデータ職特有の理由は三つの役割を一人で求める・学位を必須にする・手法とツールを並べる・実績を求める・年数で書く
• 学位・ツール・実績・年数は必須にしない。経験の中身（データの種類、解いた問い、結果が使われたか）で書く
• 絞る手順は役割→最初の問い→データの状態→全部書き出す→初日に成り立つか→覚えられるか・別の担当が持てるか→中身に書き換え→歓迎に優先順位→四者で確認
• 面接では自社の最初の問いを題材に、取り組み方を見る。結果を使う人でも判断できる部分がある
• 転向層（事業側の分析担当、研究者、エンジニア）は役割ごとに合う転向元が違う。役割を決めれば要件の書き方が定まる
• 決まらない原因の多くは最初の問いが無いこと

よくある質問

修士や博士を必須にしないと、手法の深さが担保されませんか

学位は、研究の経験の目安にはなりますが、自社の問いとデータで業務が成り立つかとは直接関係しません。モデル寄りで、新しい手法の研究が必要な役割なら、研究の経験を歓迎に置き、「〇〇の手法を使った研究・実務の経験」と経験の中身で書きます。分析寄りや基盤寄りなら、学位より、事業の課題を扱った経験や基盤の構築の経験のほうが効きます。学位を必須にすると、事業会社で分析をしてきた人や、エンジニアから転向した人を弾き、母集団が狭まります。手法の深さは、面接で自社の問いを題材に、分析の分かる人が確かめます。

「事業への貢献の実績」を必須にしないと、分析だけで終わる人を採ってしまいませんか

実績は、本人の力量だけでなく、前職の会社が結果を使う体制を持っていたかで決まります。体制の無い会社にいた優秀な人は、実績が無く、体制のある会社にいた人は、周りのおかげで実績があることもあります。実績を必須にすると、前者を弾きます。「分析の結果が判断に使われた経験」を歓迎に置き、面接で「結果をどう伝え、どう使われたか」を聞けば、事業に結びつける姿勢は分かります。分析だけで終わるかどうかは、本人の姿勢と、自社が結果を使う体制を持っているかの両方で決まり、後者は自社の側の問題です。

自社の分析環境と言語を必須にしてよいですか

歓迎にとどめます。言語も環境も、同種のものを使った経験があれば、数か月で移行できます。必須にすると、別の言語や環境で同じ分析をしてきた人を弾きます。「同種の分析環境での経験」「いずれかの分析用の言語での経験」のように、種類で書き、自社の環境は「使用しているのは〇〇」と情報として求人票に書きます。候補者は、自分の経験で移行できるかを判断できます。データ職の市場は狭く、言語や環境で絞ると、さらに狭くなります。