jinbay無料で相談する

職務経歴書の記入例

データサイエンティストの職務経歴書 記入例

データサイエンティストの書類でよくあるのは、作ったモデルや使った手法を並べて終わってしまう書き方です。読み手が知りたいのは、その分析で何が決まり、事業の数字がどう変わったかです。経済学の修士を出て、食品の定期宅配の会社で3年半働いた人の記入例で解説します。

更新日 2026年11月16日 / 書いた人 上田 英介(ジンベイ株式会社 代表取締役/職業紹介責任者)

記入例の人物:経済学(計量経済学)の修士を出て、食品の定期宅配 EC の会社でデータサイエンティストとして3年半。28歳。
人物・会社・数字はすべて架空です。

職務経歴書

2026年11月16日現在

氏名 高橋 美咲

■ 職務要約

経済学研究科の修士課程(計量経済学)を修了後、食品の定期宅配 EC を運営する株式会社〇〇にデータサイエンティストとして入社し、3年半にわたり解約防止、A/B テストの運用、顧客の声の分析を担当してきました。アップリフトモデルを使ったクーポン配布では、解約率を1.4ポイント下げつつ費用を全員配布の約4割に抑え、年間約9,000万円の売上の維持につなげました。

■ 活かせる経験・知識・技術

  • 因果推論(A/B テスト、アップリフトモデル、差の差分析)を使った施策の効果の検証
  • A/B テストの設計(サンプル数・期間の見積もり)と、社内の運用ルールづくり
  • LLM を使った自由記述の分類と、人手のラベルとの照合による確かめ
  • SQL・dbt でのデータ整備から、モデルのスコアを毎日配信するところまでの実装

■ テクニカルスキル

言語Python(3年2か月)、SQL(3年2か月)、R
フレームワーク・ライブラリpandas(1年)
機械学習・生成AI商用LLMのAPI(1年8か月)、LightGBM(1年)、scikit-learn(1年)、EconML(1年)、statsmodels(1年)、PyMC
データベースBigQuery(3年2か月)
OS・クラウド・インフラGoogle Cloud(2年8か月)
ツールdbt(1年6か月)、Looker Studio(1年)

■ 職務経歴

株式会社〇〇(2023年4月〜現在)

事業内容:ミールキット・食材の定期宅配 EC(会員約25万人) 従業員数:約300名 雇用形態:正社員

所属・役職:データ戦略部 データサイエンスグループ

2023年10月〜2024年9月

アップリフトモデルによる解約防止クーポンの配布最適化

全員に配っていた解約防止のクーポンを、効果が見込める会員だけに配る形に変えるため、クーポンの効果を会員ごとに予測するモデルを開発。マーケティング部と共同で進めた。

【役割】分析・モデル開発の主担当 【規模】チーム3名(マーケティング部2名を含む)

【担当工程】要件定義、データ整備、モデル開発・評価、実装・単体テスト、保守・運用

【取り組み】

  • 過去のクーポン配布のうち、無作為に配った期間のデータを使い、配った群と配らなかった群の差から効果を学習した
  • 効果の大きい順に会員を並べ、上位から配った場合の効果を曲線(Qini 曲線)で確かめて、配る割合を決めた
  • スコアを毎日 BigQuery に書き出し、配信ツールから使えるテーブルを dbt で整備した
  • 本番の配布を A/B テストで検証し、全員配布・配布なしと比べた

【成果】

  • 全員配布と比べて解約率は同水準(差は0.1ポイント以内)のまま、クーポンの費用を約6割削減
  • 配布なしと比べて解約率を1.4ポイント改善し、年間約9,000万円の売上の維持につながると試算

【使用技術】Python、SQL、pandas、LightGBM、scikit-learn、EconML、BigQuery、Google Cloud、dbt

2024年4月〜2025年3月

A/B テストの設計テンプレートと運用ルールの整備

各部署がばらばらに行っていた A/B テスト(年間約60本)について、設計と判定のルールを統一し、結果を一覧で見られるようにした。

【役割】リーダー 【規模】チーム2名/関係部署5部

【担当工程】要件定義、基本設計、実装・単体テスト、保守・運用

【取り組み】

  • 見たい効果の大きさから、必要なサンプル数と期間を出すテンプレートを作り、テスト前に主な指標を1つ決めることをルールにした
  • 途中で結果を見て止める運用をやめ、期間を決めて最後に判定するようにした
  • 過去に「効果あり」とした施策のうち、効果が小さかったものを再テストした

【成果】

  • テスト前の設計書の作成率を約2割から9割以上に引き上げ
  • 過去に効果ありとした施策のうち3本が再テストで効果を確認できず、運用コストの高い1本を廃止

【使用技術】Python、SQL、statsmodels、BigQuery、dbt、Looker Studio

2025年4月〜現在

LLM を使った解約理由の分類と分析

解約時の自由記述アンケート(月約4,000件)を、LLM で解約理由に分類し、毎月の報告と商品・サービスの改善の材料にする。

【役割】主担当 【規模】チーム2名

【担当工程】要件定義、データ整備、モデル開発・評価、実装・単体テスト、保守・運用

【取り組み】

  • カスタマーサポートの担当者と12の解約理由を定義し、500件に人手でラベルを付けて確かめ用のデータにした
  • 分類の指示と例を調整し、人手のラベルとの一致率が85%を超えてから本番に使った。毎月50件を抜き出して再確認している
  • 「その他」に入る回答が増えたら、理由の定義を見直す流れにした

【成果】

  • 人手のラベルとの一致率87%で、月約4,000件の分類を自動化(人手で月約30時間かかっていた作業)
  • 「配送日を選べない」が2番目に多い解約理由だと分かり、配送日の指定機能の追加が決定

【使用技術】Python、SQL、商用LLMのAPI、BigQuery、Google Cloud

■ 資格

  • 2020年11月 統計検定 2級
  • 2025年2月 Google Cloud Professional Data Engineer

■ 社外での活動

  • 修士論文「定期購買サービスにおける価格変更が解約に与える影響(差の差分析)」
  • Kaggle の表形式データのコンペで銅メダル(2022年)

■ URL

  • GitHub:https://github.com/example
  • 技術記事:https://zenn.dev/example

■ 自己PR

分析は、施策の判断を変えてはじめて価値があると考えています。A/B テストの運用ルールを整えた際、過去に効果ありとされた施策を再テストし、そのうち3本で効果を確認できませんでした。担当部署にとっては受け入れにくい結果でしたが、テストの設計と数字を丁寧に共有し、運用コストの高い施策を1本やめる判断につなげました。

大学院で学んだ因果推論を、実務の施策の検証に使える形にすることを強みにしています。今後は、分析にとどまらず、モデルを使ったプロダクトの機能づくりにも関わりたいと考えています。

以上

ダウンロードは登録なしで使えます。経験年数は、各プロジェクトの期間から自動で計算しています。

データサイエンティストの職務経歴書で、見られる点

  1. 01

    分析が施策と意思決定につながったか

    「解約予測モデルを作った」だけでは、そのあと何が起きたかが分かりません。モデルを使ってどんな施策を打ち、A/B テストでどれだけ効いたか、または分析の結果どの施策をやめたかまで書くと、仕事の価値が伝わります。

  2. 02

    相関と因果を区別しているか

    「クーポンを使った人は解約しにくい」は、クーポンが効いた証拠にはなりません。A/B テスト、アップリフトモデル、差の差分析など、因果を確かめる方法を使い分けた経験は、データサイエンティストとして強い材料になります。

  3. 03

    A/B テストを正しく運用できるか

    必要なサンプル数を事前に出す、途中で結果を見て止めない、複数の指標を見すぎないなど、A/B テストには落とし穴が多くあります。テストの設計や運用のルールを整えた経験があれば、本数とあわせて書きます。

  4. 04

    自分で手を動かして形にできるか

    スタートアップや SaaS の AI 部門では、分析だけでなく、SQL でのデータ整備や、モデルを毎日動かすところまで任されることがよくあります。dbt でのテーブル整備、バッチでのスコア配信など、自分で作ったものを書いておくと担当できる範囲が伝わります。

欄ごとの書き方

職務要約
経験年数が短い場合は、扱ったテーマ(解約、価格、需要など)と、一番大きな成果を具体的に書きます。年数の短さは、成果の具体性で補えます。
活かせる経験・知識・技術
統計・因果推論、機械学習、データ基盤の3つに分けて書きます。大学院で学んだ計量経済学などの手法は、実務でどう使ったかと結びつけて書くと活きてきます。
職務経歴
1つのテーマを「問い → 分析 → 施策 → 結果」の順で書くと読みやすくなります。誰と一緒に進めたか(マーケティング部、商品部など)も書くと、事業側と協力できる人だと伝わります。
自己PR
分析の結果、施策を止めた・見送った経験は、データサイエンティストならではの成果です。言いにくい結果をどう伝えたかを書くと、仕事の姿勢が伝わります。

よくある書き方を、こう直す

よくある書き方

解約予測モデルを構築(AUC 0.82)。

直した書き方

解約しそうな人ではなく「クーポンを渡すと解約をやめる人」を見つけるアップリフトモデルを作り、A/B テストで解約率を1.4ポイント下げつつ、クーポンの費用を全員に配る場合の約4割に抑えた。

解約しそうな人に配っても、クーポンがなくても続けた人や、渡しても辞める人が多く含まれます。施策に効く問いを立てたことが伝わります。

よくある書き方

A/B テストの分析を担当。

直した書き方

年間約60本の A/B テストについて、事前に必要なサンプル数と期間を出すテンプレートを作り、途中で結果を見て止める運用をやめた。過去に「効果あり」とした施策のうち3本が、再テストで効果を確認できなかった。

テストを回した本数より、テストの信頼性を上げたことのほうが評価されます。

よくある書き方

LLM を活用して顧客の声を分析。

直した書き方

解約時の自由記述アンケート(月約4,000件)を、LLM で12の解約理由に分類。人手で付けた500件と照らして一致率87%を確かめてから使い、「配送日を選べない」が2番目に多い理由だと分かったことで配送日の指定機能の追加が決まった。

LLM の出力を確かめずに使うと、分析の信頼性が下がります。確かめ方と、それで何が決まったかを書きます。

あわせて読みたい