データサイエンティストに「育成枠採用」される人が備える素養　採用担当者が語る、応募者に「伸びしろ」を感じるポイント

人事担当者が、データサイエンスを学んだきっかけ

立川裕之氏（以下、立川）：まずは、内野さんがデータサイエンスを学ぼうと思ったきっかけについて、おうかがいしてもよろしいでしょうか。

内野氏（以下、内野）：私はデータ分析コンサルティングの会社の人事で採用を中心にやっていますが、採用業務をもう少しデータドリブンにアップデートしたいと思ったのがきっかけです。恥ずかしながら、弊社はExcelやOutlook、OneNoteなどのツールをバラバラに使いながらけっこうアナログに対応しており、私自身がデータを使ってもっと業務を変えていきたいと考え、受講させていただきました。

立川：具体的にはどんな業務を変えようと思っていたのでしょうか？

内野：応募数や採用人数を増やすための施策を実施していますが、けっこう感覚値で行っていたので、応募者の属性や、さまざまな要因を仮説のデータを用いて検証したいと思っていました。

立川：そうしたお考えがあってdatamixを選んでいただいたと。スクールやそれ以外の面も含めて、他にも検討されたものはありますか？

内野：いくつか探したんですが、実は会社の同僚のデータサイエンティストに勧められたんですよね。

立川：そうでしたか。卒業生の方ですか？

内野：卒業生でも、受講していたわけでもないんですけど、「リサーチする中で、datamixの考え方が良かった」という話を聞いて興味を持って、「受けてみよう」となりました。

立川：ありがとうございます。本題ではないんですが、せっかくなので、具体的にどんな点を評価いただいたかをお聞きできますか？

内野：実はそこはあまり深く聞けてないんですよね。ただ、私が受講した感想だと7ヶ月の期間に、扱う理論や実践が凝縮されていて、とても濃かったなと。特に実務周りでどう考えたらいいのかという話が組み込まれていたのが良く、同僚もそういった点を評価していたのだと思います。

データサイエンスを学んで、役立ったこと

立川：実際に今、業務に役立っていることがあればおうかがいしたいんですが。人事の仕事をデータで変えていきたいというところについて、どのように役立ちましたか？

内野：大きく2つほどあります。1つは先ほどお話したように、データサイエンスやプログラミングを使って、施策の検証ができるようになったことですね。もう1つは採用担当として、応募者のデータサイエンティストの方と、一定のコミュニケーションが取れるようになったことが大きいです。

立川：1つ目の採用施策の検証ですが、どんなことをやられたのでしょうか？

内野：求人サイトの中で自社の求人情報をどうやって上位表示させるかを、datamixで学んだ機械学習を用いて試したり、実際に業務に落とし込んで使ったり。また、これまでに何千枚と溜まった選考シートや評価シートをPythonでプログラミングをかけて、データを集めて集計したり。あるいグラフや表というかたちで可視化して、経営陣や現場メンバーとディスカッションができるようになりました。

立川：けっこういろいろとやられていますね。

内野：そうですね（笑）。私はdatamixの最初の入学試験も1回落ちたくらいなんですが、正直、受講中はプログラミングができなくて、卒業までがんばって本当に良かったと思っています。

立川：内野さんのクラスはかなりできるメンバーが多くて、私が過去のクラスと比較してもけっこうできるほうと言いますか、エンジニアリングが強い受講生が特別多かったですね。実は私は、内野さんが「自分は遅れているんじゃないか」と思ってしまうのではないかと心配していたんですけど。

内野：そうなんですよ。みなさんすごいアウトプットを出してくるので、「いやぁ、待ってよ」と思いながら、必死で付いていった感じでしたね。

立川：でも最後の卒業課題は、しっかりコーディングをするタイプのプロジェクトを自分で選択されて、ちゃんとやりきっていましたよね。

内野：データの見方から、ググる時はどういう考えで、どんなワードでググったらいいかというところまで教えてもらったので、なんとか自走してがんばれたかなという感じですね（笑）。

立川：本当にお疲れさまでした。

応募者に与える印象の変化

立川：もう1個の「応募者と一定の会話ができるようになった」というお話はちょっとイメージが湧くんですが、ここも詳しくうかがってもいいですか？

内野：転職の際は、みなさん職務経歴書や履歴書、自己PRなどを提出し、人事が見ていきます。その中で、今までだと解像度が粗く、「すごそう」「すごくなさそう」ぐらいでしかわからなかったところが、受講後は「この方はけっこう統計解析が得意だな」とか「機械学習でエンジニアリング、モデルを作るのが得意なんだ」とか、もうちょっと解像度高くわかるようになりましたね。

カジュアル面談などを含めてデータサイエンティストの方とお話ししますが、私がそれなりに会話ができるので、応募者の方から「わりと話が通じる人事の人だ」と思ってもらえると、そのあとの話がうまくいったり、会社としてもブランディングになるのかなと思いますね。

立川：それは絶対にあると思いますね。会社のカルチャーみたいなものを肌で感じると、応募者は安心感を得られると思いますし、専門家以外の周りのメンバーもデータサイエンスをわかっているというのは、プロジェクトを進める時も安心するでしょうし。

内野：そう言っていただけるとうれしいですね。

「人事」がデータ分析に参加するメリット

立川：今後、他にデータ分析でやってみたいことはありますか？

内野：人事として自社の社員のエンゲージメントを定量化して、離職防止や満足度の向上に向けた検証ができたらいいなと思っています。

立川：いいですね。最近は人的資本経営みたいなものもけっこうトピックに上がっていますし。データサイエンスの専門家ではなく、そこを理解した人事が（データ分析に）参加することは、すごく意義が大きそうだなと率直に思いました。

内野：課題感は現場である私たち人事が持っているので、データサイエンティストに一部分だけ切り出しても、あまり全体の背景が理解されないというか、うまくいかないことも多いのかなと思います。あと氏名、現住所、年収といった人事の情報はコンフィデンシャルな扱いをしなければならず、「ここまでしか見せられない」ということもあるので、その点でも難しいところがあると思います。

また分析から示唆出しして最終的に社員にフィードバックするわけですが、伝え方から逆算してどう分析を組んでいけばいいかを、人事がわかっていたほうが良いのかなと思っています。

立川：確かに社内の分析官とはいえ、他のメンバーのサラリーが見えちゃうのはちょっと……。

内野：そうですよね（笑）。「あいつこんなに貰っているんだ」みたいに、ちょっとギスギスしそうですよね。

立川：フィードバックも「○○というところがあなたは良くないようです」みたいなことを無神経に伝えられないので、分析の方法論を逆算するというのは、そういうことですよね。

内野：そうですね。最終的に経営陣に報告し、社員、現場にも伝えていくとなった時に、バランスを取って伝えていくようにどう設計するかが必要かなと思います。

立川：これは、けっこう今日の大事なポイントになりそうな感じがしました。課題や周辺の状況によって手法そのものに制約があったり、前後の接続がとても重要なので、データ分析の専門家ではなく、人事の内野さんがデータ分析を身に付けることに価値があるのかなと思いました。

内野：ありがとうございます。

未経験者でも上昇傾向にある、データサイエンティストの年収

立川：この話をもう少し掘り下げたいところですが、もう1つの今日の重要なテーマである「採用動向」についてお聞きしたいと思います。経験者と未経験者できっと状況は違うと思うので、別々にうかがいたいと思います。まず、経験者の採用動向についてうかがえますか？

内野：もしかしたらみなさんもいろいろニュースで耳にしているかもしれませんが、企業目線で言うと、IT人材全般がすごく採用が難しい状況があります。その傾向はデータサイエンティストもまったく同じで、経験者は本当に難しいですね。実務経験者は転職市場にぜんぜん出て来ないというのが実情で、我々人事もすごく苦戦しています。

立川：そもそも転職をしようという人の数自体が、あまり多くないということですね。

内野：そうですね。すごく少ないですね。

立川：みなさんが一番気になるであろう、質問ですが、提示年収にはどんな変化があるのかなと。みなさん聞きたいですよね（笑）。

内野：気になりますよね（笑）。けっこう時間を掛けて調査したことがあり、具体的なことは言えないんですが、年収の水準は間違いなく上がっています。100万円単位で上っているというのが感覚値であります。

未経験者についても、一定の素養、ポテンシャルがあれば、全般的に年収が上がっているかなという状況です。というのも、これまで採用して来なかったような業界。例えば、メーカーさんとかも含めて採用を拡大しているので、その分が年収に反映される傾向にあると考えています。

データサイエンティストの「実務経験」とは？

立川：未経験者の「一定の素養」というのは、あとで掘り下げさせていただくとして。

内野：わかりました（笑）。

立川：これはぜひ聞きたいのですが、経験者と言っても、具体的にどんな経験が実務経験と見なされるのでしょうか？

内野：弊社の場合、実務経験は「3年以上のデータサイエンス、データ分析の経験がある方」と定義しています。

立川：例えば、スキルとか実際にやっていることで言うと、どんな経験を指しますか？

内野：データサイエンティストは広義な言葉かと思いますが、弊社では、なぜやるのかという目的のところから、仮説を立て、分析し、検証し、示唆出しして、ビジネス側の実際の課題解決につなげていくという全体を任せられる方。その経験が2〜3年くらいある方をイメージしています。

立川：なかなかハードルが高そうな気もしますが、逆に例えば課題感をデータ分析の方法に落とし込むとか、もしくは分析の結果を使って提案したり、うまく人を動かすみたいなところがない。要するに「理論とか実装は強いです」という方は、どういう位置付けになりますか？

内野：学生時代に統計とか機械学習を学んだ方だと、弊社の場合は育成枠になります。ポテンシャル枠と位置付けて採用しています。

立川：そういう人材でも、今は採用は難しいですか？

内野：難しいですね。先ほどお伝えしたような実務が2～3年あるような経験者に比べれば、スキル感や要件を下げるので、パイは拡大して比較的採用しやすくはなるんですが、とは言え、難しいのは変わりません。

データサイエンティストとデータアナリストの違い

内野：実は、時間があったので、さっき某スカウトサービスでざっと検索してみたんですけど……。

立川：ありがとうございます！

内野：（笑）。CMも打っている、会員が150万人くらいいるスカウトサービスで、データサイエンティストが経歴に含まれている方を全数検索したんですけど、3,000人に満たないぐらいで。

たぶん、実務3年とかで削っていったら1,000人とかそういう世界観になると思うので、かなり厳しいと思いますね。

立川：ありがとうございます。ちょっとここまでのお話をまとめると、少なくとも内野さんの会社においては、実務経験というのは3年程度で、かつデータサイエンティスト枠と言った場合は、課題設定やプロジェクトを推進したりなど、分析の周辺も含めた能力が必要になる。こういう方を、データサイエンティストとして実務経験3年と見なしている。

内野：はい。

立川：裏を返すとそういう能力を養えると、人材として価値が高いと考えられる。

内野：おっしゃるとおりですね。やはりただ「統計学や機械学習の理論を理解している」「データを扱うコーディングスキルがある」だけですと、うちの会社では単なるアナリストという位置付けになるので。分析だけでなく、課題設定やプロジェクトを推進できるスキルまで身に付けられている方は価値が高いですし、実際必要としているターゲットになりますね。

立川：高度な理論とか実装に加えてということですよね。

内野：そうですね。おっしゃるとおりです。

採用される未経験者が備える「一定の素養」

立川：残り時間もありますので、未経験者の採用動向についてもおうかがいしたいと思います。先ほど、未経験者についても「一定の素養があれば」というお話があったと思いますが、具体的にはどんなことを指してらっしゃいますか？

内野：当然各社違いはあると思うんですが、弊社の場合ですと、特に重要なところで言えば、新しい技術を自らキャッチアップできるのか。あとは自分なりに学んでいくことができるのか。学習意欲ですとか、好奇心に基づいてしっかりと新しいところを自らインプットしていけるかを見ています。

チームで動く際に俯瞰的に動けるかや、チームメンバーと共有しながら、課題に取り組んでいけるか。あとはデータサイエンスをやっていきたいということに対して、具体的な目的ないし目標があるか。なんとなくではなく、「こういうことをやってみたい」「こういう課題を解決したいからやってみたいです」というようなモチベーション、動機みたいなところは特に見させていただいていますね。

立川：「伸びしろがありそう」みたいなことだったり、あるいはコミュニケーションと言いますか、チームとしてうまく動いていけるかみたいなところを、けっこう見ているという感じですかね。「コーチャブル」というか、いったん過去の経験を忘れながら謙虚に学べるかなど。

内野：おっしゃるとおり、伸びしろという面で大事なのはそういった視点ですかね。弊社の面接の評価項目の中にも「素直さ」「謙虚さ」という項目があるので。

立川：ちなみに、事前にこのセミナーの打ち合わせをさせていただいた時に、データサイエンティストの方に採用をより魅力的に思ってもらうために、「学びやすい環境もアピールポイントにしている」みたいな話があったと思うんです。

内野：そうですね。

立川：これって、ちょっと意地悪な言い方をすると、「自分なりに学べるのか」みたいな論点と若干矛盾する感じもあると思うんですが。

内野：そうですね。やっぱり会社としてもなんとか採用したいので、「こんなすごい環境があるんですよ」みたいなことをたくさんアピールしているのは事実です。

ただ、教えてくれるのを待っているような受け身の方を採用するのは難しく、学ぶためのリソースやアセット、環境はちゃんと準備するので、それを自分なりに活かして主体的に勉強していただける方を求めています。面接では、そういった自主的に学ぶ姿勢があるかを各現場のメンバーで見極めさせていただいていますね。

立川：ありがとうございます。よく理解できました。

学習意欲が高い人の質問の仕方

立川：ここまでのポイントを整理させていただくと、まず大前提として、未経験者でも需要は拡大している。ただし、一定の素養が必要で、少なくとも内野さんの会社の場合は、例えば学習意欲や、チームと上手くやっていくコミュニケーション能力などが必要であるということですよね。

内野：おっしゃるとおりですね。

立川：その学習意欲のところを少し掘り下げると、例えば、自分なりに具体的なゴールを設定して、そのための学習計画を立てて遂行していくような能力が必要であると。これは非常に重要だと思うんですが、正直けっこう難しいかなと思っていて。と言うのは、実際何を学ぶべきかは、やってみないとわからない部分がどうしてもあると思うんです。

内野：そうですね。

立川：とは言え、わからないならわからないなりに、仮説立てをして進めてみる力が必要だと思うんです。例えばちょっと言い方が悪いですけど、「何を勉強したらいいですか？」とか「どこまで理解すればいいですか？」みたいなことを人に聞いちゃうのは、素養としては不十分ということなのかなと。

内野：そうですね（笑）。質問するにしても、「こういったふうに自分は考えたんですけどどうでしょうか」「ここまではわかったんですけど、これって認識合っていますか」みたいに、仮説立てしてから聞けるような方は、すごくおっしゃるような素養に近いのかなと。私もそこは同感ですね。

立川：見極めるポイントとしては率直に筋がいいかなと思ったんですが、この営みは「けっこうデータ分析と同じだな」と思って。

内野：あ、そうですね！

立川：データ分析って、やってみないとわからないからやってみるというか、知らないことを知りたくてやると思うんですけど。

これは私の所感ですけど、データを取って適当な手法を当てはめてから、初めて仮説を考え始めるというプロセスで進める方が、けっこう多いと感じるんです。でも本来、まず限られた情報だけでいったん仮説立てをする力というか、そういう習慣がデータ分析にはすごく必要だと私は思っていまして。先ほどの勉強の姿勢と同じだなと思いました。

内野：本当にそうですね。

立川：そういう姿勢は、データ分析にも出ちゃうと思うので。

内野：（笑）。

立川：そういったものを見定めるには、かなりいいポイントを掴んでいるのかなと、お話をうかがっていて感じたところです。

内野：そうですね。そういった日々の学習習慣というか、ビジネスの習慣が身に付いている方はやっぱり強いですし、立川先生がおっしゃるように、そういった方が分析にも向いているところが大きいのかもしれませんね。

データサイエンティストに求められる「コミュニケーション力」

立川：あと周りとのコミュニケーションも、アルゴリズム開発とか研究に近い世界はちょっと別だと思いますが、ビジネスに活かせる示唆出しをするデータ分析は、最終的には意思決定をして、人に動いてもらうことがゴールになると思うんです。

もちろん厳密なゴールはちゃんと成果を出すことだと思うんですけど、基本的には周りの状態を俯瞰的に見ることは、めちゃくちゃ重要なスキル、素養になる気がしますね。なんとなくそういう基準で選んでいるのかなと、勝手に想像しています。

内野：おっしゃるとおりですね。弊社の場合、分析する課題も大きいので、基本的に複数人で分析を行います。なので、チームメンバーの中でちゃんと意思疎通を取れる能力は最低限必要です。それ（示唆出し）は課題解決にも用いるので、アウトプットをしっかり説明して、意思決定者に動いていただくというコミュニケーション力ですね。

最終的にどうしたら相手が動くかを、「鳥の目」的に見るような力があるかは重要だと思いますし、我々もそこを見ています。

立川：ふと気付いたんですけど、今おっしゃったような要素はある日突然身に付かないというか……。

内野：そうですね（笑）。

立川：だから、少なくとも内野さんの会社で未経験での採用を希望するなら、ふだんからそういう行動を意識することが重要ということですかね。

内野：おっしゃるとおりですね。長い期間蓄積して身に付けた志向は、今後も当然活きていくと思います。

テクニカルなスキルは弊社で覚えたり、学べる環境はあるので、がんばってキャッチアップしてもらうというのが、ポテンシャル採用の考え方ですね。なので、筋がいい方や素養がある方を採用して、テクニカルな部分は最悪あとからがんばっていただこうと考えています。

立川：これはこれで「行ける」という方も、「そのほうが難しい」という方もきっといると思いますが、なかなか大きなヒントになる気がしました。ありがとうございます。

「人事」がデータサイエンスを学ぶ意義

立川：最後にあらためて内野さんにうかがいたいことがあります。採用動向とは少し違うお話ですが、いわゆる文系職種である人事の方が、わざわざ7ヶ月間かけて統計や機械学習などのデータサイエンスを学ぶ意義はどこにあると思いますか？

内野：これは完全に私の感想になりますが、人事として組織をより良くしたい、より強くしたい、より働く人を幸せにしたいという思いがある中で、分析する力を身に付けることが、1つの大きな武器になると思います。

ビジネス側はビジネスだけを見て、データサイエンティストに任せればいいじゃんという発想も当然あるとは思いますが、実際、ある程度簡単なことは自分でできたほうがビジネス全体もPDCAも早く回ります。けっこう深い問題や難しい問題については、データサイエンティストを巻き込みながら、いわゆるビジネストランスレーターという立場で関わっていくことができると思いました。

実際に私がdatamixを卒業し、知識もある程度得て、がんばってある程度自分でコードが書けるようになり、それなりのクオリティではありますがアウトプットも出せるようになったことで、現場のデータサイエンティストと話せる関係性ができたり、比較的信頼を得やすくなったというのはありますね。

共通言語を持てますし、例えば「最初のクレンジングだとかすごい大変だよね」みたいな共感もできたりするので、関係性を築くスピードがすごく早まったというのがあります。このあたりはdatamixで7ヶ月がんばって良かったなと思う部分ですね。

立川：ありがとうございます。データサイエンスの専門家とのコミュニケーションや、データ分析を扱うプロジェクトをオーナーシップを持ってリードしようと思った時に、自分でもある程度できたほうがいいんじゃないかと。

もう1つ、意外と重要かなと思ったのは、先ほどクレンジングの話がポロッと出たんですけど、「具体的にどんなデータであるべきか」とか、「こういう分析をやろうと思ったら、こういうデータじゃなきゃ駄目だよね」とか、あるいは「このデータだとちょっとこういうリスクがありそうだな」とか。そういった自分で手を動かしたからこそわかる、分析の解像度に対する勘がわりと働くようになった気がしました。

内野：「勘が働く」はおっしゃるとおりで、いい表現だと思いました（笑）。