年収
550万円
国内事業会社（小売業・従業員500名）
データアナリスト（マーケティング分析担当）
年収
+49%820万円
国内AIスタートアップ（シリーズB・従業員80名）
MLエンジニア（推薦システム担当）
課題
転職前に越える必要があった壁
- データ分析（SQL・BIツール）とML開発（Python・モデル構築・デプロイ）のスキルギャップが大きかった
- 業務でMLモデルを本番環境にデプロイした経験がなく、MLエンジニアを名乗る根拠が弱かった
- AI系スタートアップのエンジニア採用では技術面接（コーディングテスト・システム設計）が厳しいと聞いていた
- アナリストからエンジニアへの転換は「格下げ」と見られないか不安だった
- 在職中の学習時間確保が難しく、スキルアップのスピードを上げる方法がわからなかった
取り組みプロセス
Week 1
アナリスト時代の実績整理
購買データ分析によるキャンペーン効果測定（ROI+28%）・顧客セグメント分析（5セグメント→12セグメントへ精緻化）・データパイプライン構築経験を整理。ML学習ロードマップを策定
Week 2
Python・scikit-learn・pandas の実践学習を集...
Kaggleで二値分類コンペに参加し、上位20%のスコアを達成。GitHubにポートフォリオリポジトリを作成
Week 3
個人プロジェクトとして購買データを用いた推薦モデル（協調フィルタリン...
FastAPIでAPIエンドポイントを作成し、Herokuにデプロイ。GitHubにコードを公開
Week 4
MLエンジニア職の求人研究（15件）
推薦システム・CTR予測・異常検知が主要タスクと把握。職務経歴書にGitHubポートフォリオURLを掲載し、技術的な実績として提示
Week 5
AI系スタートアップ5社に応募
コーディングテストを2社で受験。LeetCodeのMediumレベルを20問解いて準備した結果、2社とも通過
Week 6
技術面接（システム設計・ML設計）2社通過
「推薦システムの設計方法」について、個人プロジェクトでの実装経験をベースに具体的に回答できたことが高評価
Week 7
最終面接2社
CTO・MLチームリーダーとの対話。アナリストからMLへの転換動機と、学習への自己投資姿勢が評価される。内定2件（年収750万円・800万円）を獲得
Week 8
第一志望のAIスタートアップから820万円のオファーで内定承諾
交渉では「推薦システムの実装経験」という希少性とポートフォリオの質を根拠に提示
学び
- MLエンジニアへの転換では「学習している」より「実装した」ことを証明することが鍵。GitHubポートフォリオは必須
- Kaggleコンペは技術力の証明として書類選考で有効に機能する。上位20%以内のスコアがあれば採用担当者の目に留まる
- コーディングテスト対策（LeetCode Medium 20問以上）は必須。AIスタートアップのエンジニア採用では技術スクリーニングが厳しい
- アナリスト経験は「データの扱い方とビジネス課題の理解」として MLエンジニア職でも強みになる
- MLモデルのAPIデプロイ経験（FastAPI + Heroku等）は、「ビジネスで使えるML」の証明として採用側に刺さる
ご本人コメント
「データアナリストとMLエンジニアは別職種」と思っていましたが、SQL・統計の基礎があると機械学習の学習がかなりスムーズでした。一番効いたのはKaggleの成績とGitHubポートフォリオで、「やってみました」という証拠を見せると面接の会話が全然違いました。学習の2ヶ月間は大変でしたが、その質が年収交渉の根拠になりました。