Share
Embed
データサイエンティスト紹介資料‗エムスリー株式会社
エムスリーのデータサイエンティストは、エムスリーおよびエムスリーグループのビジネス課題解決を通じて、全ビジネス・組織の成長にコミットするプロフェッショナル集団です。このスライドでは組織や仕事内容、環境、キャリアなどを説明します。
m3
April 16, 2025
Transcript
48 slides
-
エムスリー株式会社 データサイエンティスト職 説明資料 1.エムスリーについて P01-08 2.データ分析グループについて P09-13 3.データ分析グループで働く魅力 P14-21 4.求める人材
P22-26 5.働く環境 P27-29 6.受け入れ・人材育成 体制 P30-35 7.データ分析グループのスキル定義 P36-40 8.キャリアパス P41-45 9.まとめ P46-47 -
医療分野において独自の事業を展開するプラットフォーマー 主に医療従事者に対してアプローチしながら、同時にその先の一般の方々に対しても情報・サービスを幅広く提供 製薬会社 リサーチ 一般の方向け オンライン診療 MRのオンライン化 電子カルテ 医療機関キャッシュレス支払い Web講演会
医療・臨床ニュース 医師・薬剤師 患者 医師相談サイト 医師/薬剤師の 病院/クリニックの 転職・採用支援 開業・継承 医療機関 4 -
医療分野において、エムスリーは総合力で競合他社がいない状態 医師会員 33 万人以上 9 割以上 日本の医師の 薬剤師会員 25 万人以上
7 割以上 日本の薬剤師の 医師が日常的に使うサイトとして、Google・Amazonを超える 国内外で650 万人の会員基盤 全世界の医師の合計 50 %以上をカ バー 医師が「有益と考える医薬品情報源」1 位 5 -
プラットフォームを活用したシナジーが成長戦略の重点テーマ プラットフォーマーとしての変遷 2000 年 インターネット サービス インターネット特化 2010 年〜 e
× リアル オペレーション e × リアル 2020 年〜 エコシステム・ シナジー シナジー 6 -
領域拡大と成長ポテンシャル 2010 国 3 事業タイプ数 6 展開事業数 10 (タイプ×国) 売上
(億円) 146 2015 8 (2.5倍) 15 (2.5倍) 24 (2.5倍) 647 (4.5倍) 2020 11 (3.5倍) 35 (6.0倍) 56 (5.5倍) 1,691 (12.0倍) 2023 17 (5.5倍) 38 (6.0倍) 71 (7.0倍) 2,308 (15.0倍) 7 -
データ分析グループの位置づけ 各部門が保有するデータを活用する、部門横断のグループ 製薬企業/医療機関など ビジネス(コンサルタント/営業) データ分析グループ プラットフォーム | m3.com(プロダクトマネージャー/マーケティングプロデューサー) m3.com会員(医師 /
薬剤師 /...) 製薬マーケ ティング リサーチ 転職事業 開業・継承 サイトプロ モーション 全体最適 11 -
データ分析グループの役割と機能 分析・実装だけ担うのではなく、各部門の機能まで横断して 包括的に事業インパクト創出にコミット ビジネス ソリューション 分析 コンサル タント コンサルDS データ分析
グループ イノベーション プロダクト マネージャー 機械学習 エンジニア 12 -
働く魅力一覧 環境・カルチャー ① データの収集と打ち手が豊富な稀有なプラットフォームがあること ② データドリブンなカルチャーがあること 業務スタイル ③ 事業成長に主体的な関与とコミットができること ④
本質的な課題解決に集中できること 成長機会 ⑤ 多種多様なプロジェクトを数多く経験できること ⑥ 経営陣から直接学びが得られること 15 -
環境・カルチャー データの収集と打ち手が豊富な 魅力 ① 稀有なプラットフォームがあること M3のプラットフォーム データ データをひとつに集約(BigQuery)しているため 抽出コストが低く、必要なデータを自分で取得可能 保有データ例
・m3.com行動ログデータ(属性/行動/実態・考え方) M3データ分析 グループ 打ち手 医師・製薬企業・患者・病院・リアル・Webなど 約70の事業を通じた多様なタッチポイントが活用可能 プラットフォームで得た膨大なデータを収集し 多種多様な分析と打ち手を企画・推進 ・大規模調査データ ・リアルワールドデータ あらゆるデータを取得・分析し、あらゆるタッチポイントを用いた 最適な打ち手を追求できる環境があります 16 -
環境・カルチャー 魅力 ② データドリブンなカルチャーがあること 定量的・ファクトベース の意思決定と評価 ミニマムな承認プロセス とチーム編成 ▪会社全体でROIを重要視しており、想定ROIをベースにプロジェクトの優 先順位が決定
▪プロジェクトの是非は、有意差検定を含む効果検証結果をベースに判断 ▪成果はファクトベースで定量的に評価 データ/分析リテラシーの 高いメンバー ▪グループ内と当該サービスチームで最小限の承認が取れればOK ▪データ分析グループに限らず、非分析者も含めて分析の素養が高い ▪プロジェクトメンバーは少数精鋭(5名程度)を基本としており、 ▪数値をベースにしたロジカルな主張が通りやすい スピード感を持ってプロジェクトを進められる データサイエンティストが ストレスなく働けて実力を発揮できるカルチャーがあります 17 -
業務スタイル 魅力 ③ 事業成長に主体的な関与とコミットができること 事業PDCA 見つける(課題発見 定式化) 解く(データ取得 実装) 使ってもらう(判断
展開) プロジェクトマネージャー 上流工程から PdM外も参加 エンジニア 施策の効果があったかどうかまで関われる 分析者として 立案提案できる データサイエンティスト 繰り返し ただの作業者(分析だけする人)としてプロジェクトの一部分に 関わるのではなく、一気通貫で事業PDCAに携われます 18 -
業務スタイル 魅力 ④ 本質的な課題解決に集中できること 「見つける」フェーズを最重要視 問題設定を誤ると、その後のプロセスをいかにうまくやっても成果は出ないため、 データ分析グループでは「見つける」フェーズに多くの時間を割いている 事業PDCA 最重要 多くの時間を割く
見つける 課題発見 定式化 ヒアリング・ログ解析 分析課題への落とし込み 解く 使ってもらう データ取得 実装 判断 展開 繰り返し 本当に解決すべき課題を解決するために、 データサイエンティストが問題設定・課題発見をリードしています 19 -
成長機会 魅力 ⑤ 多種多様なプロジェクトを数多く経験できること 得られるスキル データ分析グループの1人あたり 年間貢献プロジェクト数 平均 28.5 ビジネス力
課題背景を理解した上で、 ビジネス課題を整理し、 解決する力 データサイエンス力 情報処理、人工知能、 統計学などの 情報科学系 の知恵を理解し、使う力 データエンジニアリング力 データサイエンスを意味のある形に使える ようにし実装、運用できるようにする力 ※データサイエンティスト協会より引用 多様なプロジェクト経験を通じて 市場価値の高いデータサイエンティストへと成長できます 3大スキルである「ビジネス力」「データサイエンス力」「データエンジニアリング力」のスキルが修練できます 20 -
成長機会 魅力 ⑥ 経営判断に密接関与、経営陣から学びを得られること ミニマムな組織階層のため経営陣と距離が近い 確認・承認・意思決定スピードが超高速 定例MTGの場に代表取締役も参加、全社最適の視点で議論 事業の方向性を決定づける 経営判断に関与 担当施策について直接FB
経営陣からのFBや経営判断に関する議論を通じて 「経営思考」や「経営者視点の意思決定能力」を身につけられます 代表取締役が定例MTGに参加する部門は社内でも限られており、貴重な成長機会です 21 -
働き方例 ① マーケティングコンサルタント 担当業務 「m3.com」のログデータと分析技術を用い、 製薬企業向けソリューション提供をリード ・分析を用いた担当クライアントの課題解決 ・大型分析プロジェクトのリード ・分析ソリューションプロダクトの開発 ・組織と個人の成長を支えるための人財開発や分析基盤開発等のテーマ推進
入社事例 ・コンサルティングファームのデータサイエンティストとして、クライアント向けに 分析プロジェクトを実施してきた。 ・コンサルタント(非分析者)として、プロジェクトをリードしてきた。学生時代には 分析経験がある。 24 -
働き方例 ② グロースハッカー 担当業務 「m3.com」展開中の事業改善・プロダクト開発をリード ・分析を用いた担当事業の企画立案や仮説検証 ・統計技術を活用したコンテンツのレコメンドエンジン開発 ・複雑な条件下において因果効果を考慮したプロモーション実施後の効果測定 ・事業目標(KGI)の達成に向けたKPI設計、事業成長に必要なDWH /
ダッシュボード作成 入社事例 ・コンサルティングファームのデータサイエンティストとして、クライアント向けに 分析プロジェクトを実施してきた。 ・機械学習の経験はないが、事業会社のデータアナリストとして、データマート作成や 各種施策立案を実施してきた。 25 -
働き方例 ③ サービス横断最適化 担当業務 「m3.com」展開中のサービスを横断した 全体最適化のための企画・開発 ・ユーザー調査・ログ/データ解析などを通じた企画立案・仮説検証 ・機械学習等の統計技術を活用した「m3.com」上のバナーレコメンドエンジンやメルマガ等の 配信頻度ロジックの開発 ・複雑な条件下において因果効果を考慮したプロモーション実施後の効果測定
・LTV最大化を実現するための適切な中間指標の設定 入社事例 ・クオンツ/アクチュアリーを主業務として行い、データ分析プロジェクトでは機械学習を 扱っていた。 ・Kaggle等のデータ分析コンペで入賞経験がある。 26 -
データ分析グループのメンバー構成 平均年齢29.5歳 中途/新卒の 割合 メンバーのキャリアは多種多様。 分析のプロフェッショナルもジェネラリストも在籍しています。 入社前の 職種 出身業界の 割合
中途(58%) ITエンジニア(43%) IT(Sler)(43%) 新卒(42%) クオンツ・トレーダー(29%) 金融(29%) データサイエンティスト(14%) コンサルティング(14%) コンサルティング(14%) 自動車(14%) 28 -
働く環境 在宅勤務がメイン 個人のライフスタイルに合わせて融通しやすい環境。 週一回の出社日にはチームメンバーで ランチ会や交流会なども。 データベースはBigQueryにほぼ集約 残業少なめ・休みも取りやすい 開発言語 : Python3.x,
SQL 部署の平均残業時間:27.5時間/月 データベース : BigQueryほか 有休:初年度17日~最大24日 インフラ : オンプレミスサーバー, AWS, GCP 入社月に応じて入社日より付与、毎年勤続年数に応じた日数設定。 29 -
入社受け入れ〜人材育成 全体像 入社1年目 OJT プロジェクト キャッチアップ スキル向上 入社2年目〜 上位ロール プロジェクトの実戦経験を積むことが中心
※作業自体は1人で行う必要はあるが、チームで進める仕事です ※何をどう進めるかはグループ内外のMTGの場で相談 フォロー研修 メンター制度 勉強会 ケイパビリティ開発会 事例共有会、よもやま相談 キャリア形成 上長との月次1on1 第二領域ミーティング スキル評価 ジュニア データサイエンティスト スキル評価 シニア データサイエンティスト その他にも、データサイエンティスト個人の成長を促進させる取り組みが充実 ※オフサイトミーティング、スキル獲得支援(書籍・資格研修)など 32 -
新しいメンバーの受け入れ体制 実装などハード面のスキルに不安がある場合でも、手厚くサポート フォロー研修 メンター制度 入社1ヶ月を目安にスタートダッシュ研修を実施。 ビデオ講義や研修タスク演習を通じて 分析/エンジニアリング/製薬業界のキャッチアップを行います。 ドメイン知識 ビジネス 技術
エムスリーの各事業概要 データ分析グループ ルール ビジネススキル研修 Excel、議事録、生産性、論点思考 コミュニケーションガイドライン SQL研修 メンターによる日次1on1で 手厚いフォロー 典型タスク研修 MRFサービスの売上効果検証、コードレビュー、レコメンドロジック開発 33 -
勉強会 (ケイパビリティ開発会) 戦略的に獲得すべきスキルを設定し、興味のあるテーマに取り組んでいます 生成AI LargeLanguageModels ・活用環境の構築 ・データ分析グループ外への展開 ・ユースケースの模索 機械学習 MachineLearning
・アルゴリズム理解 ・導入事例の作成/検証 プロダクトマネジメント ・マーケティング理論 ・データプロダクト事例 データ基盤 ・基盤の効率化/仕組み化 ・開発オペレーション 34 -
上長との月次1on1 (第二領域ミーティング) 直属の上長と月次で1on1のミーティングを実施 個人の困りごと、目標へのアクション、キャリアパス等を議論します 参考:第二領域とは?一流のリーダーが考える最も効果の高い時間の使い方 https://biz-farm.jp/media/skill/post-528 緊急度 高 高 重
要 度 低 低 第一領域:問題課題の領域 第二領域:質の高い領域 すぐに実行しなければ、大きな損失が発生 将来に向けた備になること ・エラー対応 ・締切が近いタスク ・人間関係構築 ・スキル向上 第三領域:見せかけの領域 第四領域:無駄な領域 価値は低いが、やらなければならないこと 楽しいだけであとには何も残らないこと ・周囲からの問い合わせ対応 ・意義の低い会議への参加 ・SNS ・暇つぶし 35 -
データ分析グループの スキル定義と成長イメージ データサイエンティストに求められる、5つのスキルレベルを独自に定義 ① ② ビジネス力 分析力 ③ プロジェクト推進力 (コンサルティング)
④ ⑤ (プロダクト) 組織貢献力 イノベーション推進力 ※データサイエンティスト協会のスキルチェックリストを参考に定義 37 -
配属の考え方 本人のWILLを踏まえ、 相談しながら配属チームを決定 1. 採用選考を通して本人のWillを確認 2. マネジメントチームで配属先を提案 3. 本人と相談して配属先を決定 配属後も1on1などで状況を確認。
本人の成長に合わせて兼任・異動を推進。 兼任・異動はおおよそ1年~2年程度 42 -
キャリアパス スペシャリスト • Principal Data Scientist(PD) • Executive Data Scientist(ED)
このほか、 本人の志向や適性に 応じた幅広い キャリアパス マネジメント • Analytics Director(AD) • Analytics Manager(AM) ・データサイエンティスト ・プロダクトマネージャー ・データエンジニア ・事業開発 43