データエンジニア

必須

• ＜経験＞

  • 大規模データの収集・蓄積・加工（ETL/ELT）基盤の設計・構築経験
  • Python/SQLを用いたデータ処理の実務経験（目安：3年以上）
  • AWS/GCP等のパブリッククラウドを活用したデータパイプラインの構築経験

歓迎

• ＜経験＞

  • GCP（BigQuery, Cloud Run 等）を中核に、dbt core（または Dataform）・Airflow・Fivetran 等のモダンデータスタックツールを用いたELTパイプラインの設計・構築・オーケストレーション経験
  • Salesforce・Amazon Aurora・Redshift・S3 等、多様な社内外データソースからのデータ連携・統合経験
  • Google Cloudのデータカタログ関連サービスや OpenMetadata / DataHub 等を用いたデータガバナンス基盤の導入・運用経験
  • グラフデータ、イベントソーシング、BOM/CADデータモデルのいずれかの設計・運用経験
  • 生成AI／AIエージェント向けデータ供給（RAG・エージェント連携）や、LLMを用いた非構造データ（文書・図面・会話ログ等）からの情報抽出・構造化の経験
  • Claude Code、GitHub Copilot、Codex、Antigravity 等を活用した開発経験、または業務での活用意欲

• ＜知識、スキル＞

  • モダンデータスタック（Modern Data Stack）に関する最新の知見
  • AI Readyなデータ整備（生成AI・AIエージェントが扱いやすいデータ設計）に関する知見
  • データ品質（Data Quality）やデータリネージの可視化に関する知識
  • Infrastructure as Code (Terraform) によるGCPインフラ管理スキル
  • ビジネスレベルの英語力（ドキュメント読解等）

求める人物像

• 「データはAIの燃料である」と理解し、その燃料をいかに効率よく、高品質に供給し続けるかに情熱を持てる方。
• AI/MLモデルやAIエージェントが「そのまま使える」AI Readyなデータを、自ら設計し整備することにやりがいを感じられる方。
• 生成AI・AIエージェントツールを自身の業務にも積極的に活用し、現状の泥臭いデータ加工作業を「仕方ない」と諦めず、「どうすれば自動化できるか？」「どうすればプロセスを最適化できるか？」を常に考え、実行できる方。

使用ツール

②チームミッション

• 年間11億PV、5億回のサイト内検索があり、内製のベクトル検索は検索クリック率20%向上、商品探索時間18%改善を実現しました。検索エンジンは2022年末に本稼働し、2024年に基盤刷新済みです。このデータ資産と各ものづくりサービスを接続し、設計から購買までの状態と来歴を引き継げる統合体験へ発展させます。

③自組織の強み・事業責任者からのコメント等

• 商品・カタログ情報、3D CAD、検索・購買行動データに加え、設計意図、BOMの親子関係、変換履歴、会話・操作・ハンドオフ履歴を対象に、データモデル、パイプライン、品質基準、メタデータ、リネージを整備します。AI/MLモデルとAIエージェントへ安全に供給できる状態を維持し、Context Graphを含む担当データプロダクトの品質と安定運用に責任を持ちます。難易度は高くチャレンジングな反面、完全に新規なプロダクトのデータ基盤をゼロから設計できる裁量があり、整備したデータがそのままAIエージェントの精度や事業貢献に直結する点が、この仕事の醍醐味です。

募集背景

• 新プロダクト開発における増員です。
• AIを使って世の中にまだ見ぬサービスを作り、事業貢献を体感したい方を募集します。

組織情報

• ディレクター1名、リーダー3名、メンバー10名、合計14名
• 30代前半が多い、若いチームです。

①担当業務内容

• AI Readyデータ・Context Graphの構築とパイプライン設計（60%）：AI/MLモデルとAIエージェントが「そのまま使える」高品質なデータを、BigQueryを中核に作り・整備して供給する基盤を構築します。データ収集・統合（AWS S3・Redshift・Salesforce・Amazon Aurora等からBigQueryへ集約するETL/ELTパイプラインの設計・構築、Fivetran／Airflow／dbt core）。サービス横断コンテキスト連携、Context Graph（BOM/CADの親子関係・設計変換の来歴・判断根拠と確信度を追跡できるグラフ・イベントモデル）の設計。非構造データからのナレッジ抽出、AI Ready化（データモデリング・データカタログ整備）、データ品質管理
• データ管理プロセスの最適化および自動化（30%）：属人化しがちなデータ抽出・加工作業を排除し、自動化されたワークフローを確立します。Airflow・dbt coreによるデータ運用の自動化・コード化（IaC）、Cloud Run等でのAIエージェント基盤へのデータAPI／連携整備、Context Graph APIの整備、データカタログによるメタデータ管理
• 改善・技術検証（10%）：モダンデータスタックや新技術のキャッチアップと検証。データパイプラインの改善提案、コードレビューへの参加

②仕事のやりがい（面白さ）

• ゼロから設計するデータ基盤が、そのまま複数のAIエージェントの精度を左右します。
• あなたが整備したContext Graphが、設計から購買までの統合体験を裏側から支えます。

③3～5年後の想定されるキャリアパス

• データ基盤組織を率いる「データエンジニアリングマネージャー」
• Context Graphやデータ品質を極める「データアーキテクト」
• AIエージェント連携に強みを持つ「MLOps／AI Platformエンジニア」

④業務上の課題

• 商品・CAD・会話履歴など多様なデータをAI Readyな形に整える設計判断が求められる
• Context Graphのように社内に前例のないデータモデルをゼロから作る実行力が必要
• 技術進化と事業状況の変化に応じて、データ基盤の優先順位をタイムリーに見直す必要がある

⑤使用ツール

• 使用アプリケーション： MS Teams, GitHub Projects, GitHub Issues
• 開発環境： Python, SQL／Google Cloud Platform (GCP) を主軸にAWSとハイブリッド構成／BigQuery, dbt core, Airflow, Cloud Run, Fivetran（試験導入中）／Cloud Functions／Terraform, GitHub Actions
• その他： AIエージェント連携: Google CloudのマネージドAIサービス／Context Graph（検証候補）: グラフデータベース, Event Store, PostgreSQL, Redis／連携データソース: AWS S3, Amazon Redshift, Salesforce, SANSAN, Amazon Aurora