
EC:最大セールに先立ち、データ・AIチーム5名を編成
Data Engineer、Data Scientist、AI Engineer、Analytics Engineer、QAをTalent Ecosystemからマッチング。ローンチまで残り10週間。
課題
S.Nのカテゴリーマネージャーは、手作業でエクスポートしたCSVから売上数値を取得しており、あらゆる判断が丸1日遅れていました。経営陣は、10週間後に迫る年間最大のセールまでに、本格的なレコメンデーションエンジンを稼働させたいと考えていました。そのためには5職種を同時に採用する必要がありました。ウェアハウスを構築するData Engineer、レコメンデーションモデルを開発するData ScientistとAI Engineer、カテゴリーマネージャーがセルフサービスで分析できる状態を保つAnalytics Engineer、ピーク時の負荷でも全体の信頼性を保つQA Engineerです。地元の人材紹介会社2社の候補者リストとS.N自身の求人掲載を5職種すべてで並行して進めましたが、集まったのは基本的なレポート用SQLの経験者だけでした。本番環境でのMLやパイプラインの経験者はおらず、探し続ける時間もありませんでした。
ソリューション
S.Nは固定された繁忙期の期限までに5名の採用が必要で、5回の採用活動を順番に進める時間はありませんでした。GTEMASは5職種すべての候補者を、Talent Ecosystemから並行してマッチングしました。各候補者には、そのポジションに必要なスキルそのものを評価した検証済みのSkill Profileが付いており、本番環境でのdbt/Snowflakeやレコメンデーションモデルの経験も含まれていました。S.Nは職種ごとに事前マッチング済みの候補者2–3名と面接し、最終判断はすべてS.N自身が下しました。 オンボーディング:GTEMASは各採用者のオファー交渉と入社までの移行を支援し、その後は手を引きました。5名全員がS.N自身のチームに加わり、S.Nの社員として直接入社しました。
成果と効果
レコメンデーションエンジンはS.Nの年間最大のセールの2週間前に稼働し、その過程でレポートの遅れも丸1日から当日中に縮まりました。S.NのHead of Analyticsは、全候補者のパイプラインとMLの経験が面接の前に検証済みだったため、5職種の並行採用でも対応しきれると感じられたと述べています。面接で話し合ったのは、各採用者がチームとどう働くかであり、ツールを知っているかどうかではありませんでした。
Data Engineer、Data Scientist、AI Engineer、Analytics Engineer、QAを並行してマッチング
ポジションのヒアリングから最初の入社日まで
5職種すべてが入社して稼働を開始、ピークセールに先行