Data Platform Engineer (GlobalENS)

必須

• データエンジニアリング/大規模データパイプライン・DWH設計構築運用の実務経験
• リレーショナルデータベースの実務経験（実行プラン分析、インデックス設計、大規模データのバッチ処理など）
• コードと実データを突き合わせた根本原因調査の実務経験（障害調査、データ不整合の解明、パフォーマンス問題の特定など）
• 技術的な設計や調査結果を文書化し、それをもとに合意形成した経験（設計ドキュメント、調査レポート、ADRなど）
• バックエンド言語での開発実務経験
• 日本語での業務遂行能力（ネイティブレベル）

歓迎

• 英語での読み書き・コミュニケーション（グローバルチームとの協働があります。翻訳サポートの体制はあります）
• LLM・RAG・検索システムなど、AIプロダクトのデータ供給側に関わった経験
• マスタデータ管理（MDM）、名寄せ・レコードリンケージ、データ品質管理の経験
• 複数データソースの統合・マスターデータ基盤の構築プロジェクトをリードした経験（スキーマ統合、ID体系の設計、strangler方式などによる無停止での段階的移行、参照システムの切り替え計画）
• 分散システム間のデータ同期（イベント駆動とバッチの併存環境）での開発・デバッグ経験
• 決済・医療・認証・コンプライアンスなど、正しさが強く要求されるドメインでの設計経験
• SQL Server / Azure（AKS, Data Factory）/ GCP（BigQuery, Cloud SQL）の経験
• レガシーシステムの調査・段階的移行の経験

求める人物像

• 実データと向き合い、答えのない設計判断を楽しめる方
• 表面的な動作確認では満足せず、データの矛盾や違和感を最後まで追いかけて根本原因に到達し、教科書に正解がない中でも実測データに基づいて仮説を立て、意思決定できる方
• 技術と事業をつなげて考えられる方
• データ品質の改善を、マッチング率やコンプライアンスリスクという事業の言葉で語れる方
• 仕組みとして品質を維持する発想を持てる方
• 一度きりの対応で終わらせず、データが増え続ける中でも機能し続ける「機構」として設計できる方
• 意思決定者を巻き込みながら進められる方
• 設計や調査結果を文書化し、CTOやグローバルチームを含めたメンバーとの合意形成を自ら主導できる

使用ツール

募集背景

• 当社は「知見と、挑戦をつなぐ」をミッションに、世界190カ国・80万人超の知見をつなぐナレッジプラットフォームを運営しています。
• 中でもグローバルENS（エキスパートネットワークサービス）事業は、コンサルティングファームや金融機関などのプロフェッショナルな顧客層に向けて、地域・言語の壁を超えた高精度な知見マッチングを提供しています。現在はWeb上の公開情報では捉えきれない一次情報のマッチングを自動化する自律型AIエージェントの開発が進んでおり、日本語データへの対応や、日本・海外のエキスパート間で生じるデータ構造の差異の解消が急務となっています。
• 生成AIの普及により公知情報の収集が容易になった今、Webでは到達できない個人の体験や未言語化の情報、すなわち「一次情報」の価値は相対的に高まっており、複数プロダクト・複数クラウド（Azure/GCP）にまたがるデータが日々蓄積され続けています。
• しかし、AIの精度はその土台となるデータの品質で決まります。企業マスタの同一性、職歴データの正確さ、コンプライアンス判定の信頼性——ここが揺らげば、どれだけモデルやプロンプトを磨いてもAIエージェントの判断は揺らいでしまいます。
• 現在は既存構造の上での段階的な品質改善を進めていますが、その先には複数のデータソースを束ねた統一マスターデータ基盤への再構築という選択肢も見据えており、この意思決定と設計の中心を担う人材が必要です。
• そこで、AIが安心して立脚できる「正しいデータ」を作るためのデータ基盤アーキテクチャを設計し、答えのない設計判断を実測データに基づいて積み重ねていただけるData Platform Engineerを募集します。

主な業務内容

• 検索・分析・コンプライアンス判定といった多様な用途を支えるデータ基盤についてアーキテクチャ設計から、エンティティ解決（名寄せ）を含むデータクレンジング、そして品質を維持し続ける仕組みづくりまでの一連のフェーズをリードいただきます。

データ基盤のアーキテクチャ設計

• 複数プロダクトおよび複数クラウド（Azure/GCP）にまたがるデータを、AIプロダクト・検索・分析・コンプライアンス判定のそれぞれが信頼して使える形に整備する設計
• 信頼できる唯一の情報源（SSOT）をどこに置くか、信頼度（confidence）のデータモデルへの組み込みなど、実測データに基づく設計判断

エンティティ解決とデータクレンジングの実装・運用

• 決定的キーによる照合、スコアリング、人手レビューを組み合わせた多段構成での名寄せパイプラインの設計・実装
• 同じ処理を何度実行しても結果が変わらない設計（冪等性）や、問題が起きた際に元の状態に戻せる設計を含む、品質を維持し続ける仕組みとしてのデータクレンジングの構築
• パイプラインの安定稼働のための監視体制構築、およびエラー・異常検知時の対応

データ品質の調査と改善提案

• データ品質問題の調査と根本原因の特定
• 事業インパクトに基づく解決策の立案

技術的意思決定とステークホルダー折衝

• 設計や調査結果の文書化（設計ドキュメント、調査レポート、ADR等）
• CTO・プロダクトチーム・グローバルチームとの合意形成の主導

ENS開発共通

• プログラミング言語: C#, Python, Typescript
• バックエンドフレームワーク: ASP.NET Core, FastAPI
• フロントエンドフレームワーク: Angular
• インフラ：Microsoft Azure, Google Cloud Platform
• データベース：SQL Server, Cosmos DB
• コミュニケーション: Slack, Google meet,Jira
• ドキュメント管理: esa, Confluence,
• AIツール: Claude Code, Devin, ChatGPT

Data Platform Engineer

• Azure Data Factory
• Microsoft Power BI
• BigQuery

本ポジションの魅力

• AIプロダクトの精度を根本から引き上げる手応えを感じられるポジションです
• ビザスクでは、80万人のエキスパートネットワークと数十億円の売上規模という既存の大きなアセットを持ちながら、そのプロダクトをAIベースで作り替えようとしています。しかし、モデルやプロンプトの工夫だけでは越えられない精度の壁は、データの品質にあります。自動リサーチAIエージェントの精度を、モデルの工夫以上に左右するデータ基盤の質を、根本から引き上げる役割を担うことができます。
• 課題の発見から設計、CTOとの意思決定、実装まで一貫して携わることができます
• ゼロから理想的な基盤を作れるわけではなく、既存のデータや仕組みと向き合いながら進める難しさはありますが、だからこそ一つひとつの設計判断が実際のプロダクトに直結します。調査から実測、設計、CTOとの意思決定、実装まで、分業せずに一気通貫で関わることができ、裁量を持って業務に取り組むことができます。
• データ品質の改善が事業インパクトとして数字で見える環境で働くことができます
• 企業マスタや職歴データの精度が上がれば、マッチング率という売上に直結する数字が動きます。逆にコンプライアンス判定の精度が甘ければ、見過ごしてはならないリスクとして経営に直接跳ね返ります。データ品質の改善という仕事が、事業の成長とリスク管理の両方に直結することを、日々の数字で確認しながら働くことができます。
• 買収・統合を経た複雑な環境に挑む、他では味わえない問題設定に取り組むことができます
• グローバルENS事業は、2021年の海外企業（Coleman）買収を経て、日本発のプロダクトとグローバルのプロダクトという、技術基盤もデータ構造も異なる2つの環境を統合しながら成長してきました。買収・統合という経緯があるからこそ生まれる、複数クラウド・複数データソースが絡み合うスケールの大きな問題設定に取り組むことができます。