データサイエンティスト

Webサイト等の改善施策が本当に成果につながったのかを検証し、そこで得た知見を自社AI「Propagate AI」に反映して、より成果につながる提案ができる仕組みをつくる仕事です。効果検証、データ品質改善、予測・スコアリング、AIの学習ループ設計まで担当します。

データアナリストがデータの可視化や現状把握を中心に担うのに対し、データサイエンティストは因果推論や機械学習などを使い、効果検証、予測、意思決定ロジックの設計まで行います。プロパゲートでは、分析結果をPropagate AIへ実装するところまで関わります。

データエンジニアは、データを取得・蓄積・利用するためのデータ基盤やパイプラインを主に構築します。データサイエンティストは、そのデータを使って仮説検証、因果推論、予測、スコアリングを行い、意思決定へつなげます。

Webサイトの改善前後のCVR、改善施策の承認率・実装率、業種、サイト規模、流入チャネルなどを分析します。その結果から、どのようなサイトにどの改善提案を出すべきかというロジックを設計します。

改善施策の前後で数字が変化した場合に、それが本当に施策によるものなのかを判断するために使います。単純な前後比較だけでなく、DiDや時系列分析も検討し、交絡やバイアスを考慮しながら検証します。

使います。CVが発生しやすいサイトの分類、解約リスク予測、SEO伸長余地の予測、異常検知、スコアリングなどへの活用を想定しています。

現在の募集では必須ではありませんが、GA4、GSC、GTMなどのWeb計測知識を歓迎条件としています。Webサイトや広告の成果を扱うため、入社後もWebマーケティングへの理解は重要になります。

SQLやPythonによるデータ処理、探索分析、モデル実装などをAIに支援させます。ただし、AIが出した分析結果をそのまま採用せず、手法や前提、結果の妥当性を人が検証することを重視しています。

現在の募集では、LLMを評価・活用できる知見を必須条件としています。Propagate AI自体がAIプロダクトであるため、AIの出力をどのように評価し、改善するかという視点が必要です。

小サンプルや欠損がある場合でも、どこまでなら判断できるのかを整理して意思決定を支援します。CV数が少ないサイトに対する判断ルールの設計も、データサイエンティストの仕事です。

研究だけを行うポジションではありません。統計や機械学習の知見を使いますが、最終的な目的は顧客成果とPropagate AIの改善です。分析結果をプロダクトや事業へ実装するところまで関わります。

数字をそのまま受け入れず、「本当にそう言えるのか」を考えることが好きな人に向いています。統計や機械学習を、研究だけではなく実際の事業やプロダクトの意思決定に使いたい人との相性が良い仕事です。

一人目のデータサイエンティストとして、まずはPropagate AIの効果検証と学習ループ設計を担います。その後は、分析組織の立ち上げ、データ戦略、AIプロダクトの意思決定、複数事業を横断したデータ活用へ役割を広げられます。