この職種で評価される実績
IT・SaaS業界のデータエンジニアでは、担当業務を並べるだけでなく、業界課題に対してどの実績を出したかを明確にする必要があります。 以下の観点で数値化すると、採用担当者が再現性を判断しやすくなります。
データパイプライン構築
IT・SaaS業界のデータエンジニアでは、データパイプライン構築を「担当範囲・判断・成果」の順に書くと評価されます。
改善率で補強ETL設計
IT・SaaS業界のデータエンジニアでは、ETL設計を「担当範囲・判断・成果」の順に書くと評価されます。
担当規模で補強データウェアハウス設計
IT・SaaS業界のデータエンジニアでは、データウェアハウス設計を「担当範囲・判断・成果」の順に書くと評価されます。
達成率で補強データ品質管理
IT・SaaS業界のデータエンジニアでは、データ品質管理を「担当範囲・判断・成果」の順に書くと評価されます。
短縮期間で補強STAR形式での書き方例
実績は「状況・課題・行動・結果」の順に分解すると、データエンジニアとしての判断力と成果が伝わります。抽象的な表現を、数字と役割が見える表現へ置き換えます。
Before
データパイプライン構築を担当し、チームに貢献しました。Pythonを使って業務改善を行いました。
After
エンジニアに関する課題に対し、データパイプライン構築を主導。Python・SQLを活用して 3か月で主要KPIを18%改善し、関係部門5名との運用定着まで推進しました。
Situation
IT・SaaS特有の背景
Task
ETL設計の課題
Action
Pythonを使った行動
Result
数値で示せる成果
よくあるNG例
担当業務だけで終わっている
データパイプライン構築を「何人・どの範囲・どんな成果」まで分解して記載します。
業界文脈が薄い
エンジニア・プロダクトなど、IT・SaaS業界で評価される言葉に接続します。
スキル名だけを羅列している
Python・SQL・Sparkは、活用場面と成果をセットで書きます。
業界×職種別頻出キーワード
ATSや採用担当者の検索で拾われやすいよう、実績の文脈に自然に入れます。単語だけを詰め込むより、 成果文の中に含める方が読みやすくなります。
エンジニアプロダクトアジャイルスクラムPythonSQLSparkAirflowBigQuerySnowflake
補足ガイド
## IT・SaaS データエンジニアの転職市場と職務経歴書のキモ
データ活用を事業戦略の中核に置くSaaS企業が増加する中、データパイプラインの設計・運用を担うデータエンジニアの市場価値は急上昇しています。BigQuery・Snowflake・dbt・Airflowなどのモダンデータスタックを実務で扱った経験者は特に引き合いが強く、年収600〜850万円レンジでの求人が多い状況です。
職務経歴書で採用担当者が最も確認するのは「データの信頼性をどう担保したか」と「ビジネス意思決定にどう貢献したか」の2点です。パイプラインを構築しただけでなく、そのデータが実際にどのような意思決定に使われ、どんな事業インパクトを生んだかまで記述できることが高評価につながります。
---
## 書き方のポイント5選
**1. 扱ったデータ規模を示す**
「大量データを処理」ではなく「日次1.2億レコード・月次処理量3.5TBのイベントデータを管理」のように規模感を具体的に記述する。DAGの本数・テーブル数・データソース数も規模を示す指標になる。
**2. データ品質への取り組みを記述する**
データ品質チェック（Great Expectations・dbt test等）の導入、SLAの設定、インシデント対応のプロセスを記載する。「データ誤りによるレポートの手戻りを月平均8時間から0時間に削減」のような実績が特に評価される。
**3. コスト最適化の実績を示す**
クラウドDWHのコストは事業課題になりやすい。クラスタリング設定・パーティショニング・マテリアライズドビューの活用などでBigQueryやSnowflakeのコストを削減した実績は高く評価される。
**4. データを使った意思決定への貢献を示す**
「セールスチームの訪問優先順位付けに使われるリードスコアリングモデルのデータ基盤を構築」のように、誰が何に使うデータを提供したかを記述する。データエンジニアがビジネス価値に直接貢献していることを示す。
**5. モダンデータスタックの経験を明記する**
dbt・Airflow（またはPrefect・Dagster）・Fivetran・DataHub等のモダンスタック経験は求人票に明記されるケースが多い。使用したバージョンと具体的なユースケースを記載する。
---
## STAR形式 例文：SaaSデータ基盤のリプレイスプロジェクト
**プロジェクト：レガシーBIシステムからモダンデータスタックへの移行（データエンジニアとしてリード）**
**Situation（状況）**
自社のSaaSプロダクト（MAU45万人）では、スプレッドシートとSQLサーバーを組み合わせた手作業中心のデータ集計フローを使っていた。毎月末の経営報告作成に4名・約80時間が費やされ、数値の誤りによる修正が月2〜3回発生していた。また、プロダクトグロースチームが必要とする日次ファネル分析データの提供に最大3日のリードタイムが生じていた。
**Task（課題）**
データエンジニア（社内初採用）として、BigQuery + dbt + Airflow + Lookerによるモダンデータスタックへの移行を6ヶ月でリードするミッションを担当した。予算はクラウドコストを含め月35万円以内という制約があった。
**Action（行動）**
① 既存の集計ロジック（スプレッドシート40シート・SQLクエリ120本）を棚卸しし、優先度付きでBigQueryへの移行ロードマップを策定。② dbtによるデータモデリングでシングルソースオブトゥルース（SSOT）を実現。データソース（Salesforce・Stripe・プロダクトDB）ごとのステージングレイヤーを整備。③ Airflowを自社k8sクラスタ上に構築し、60本のDAGで日次・週次・月次の集計フローを自動化。④ Great Expectationsによるデータ品質チェックを全テーブルに実装し、Slackへのアラート通知も整備。⑤ Lookerダッシュボード12本を整備し、セールス・CS・経営の各チームが自力でデータ確認できる環境を構築した。
**Result（結果）**
月末経営報告の作業時間が80時間から12時間に85%削減。プロダクトチームへのファネル分析データ提供リードタイムが3日からリアルタイム（最大4時間）に短縮。データ誤りゼロを6ヶ月連続で維持。BigQueryのクエリコストは最適化により月28万円（当初見積もり43万円）に抑制できた。
---
## NG パターン3選
**NG1：ツール名だけ羅列してユースケースを書かない**
「BigQuery, Airflow, dbt, Spark, Kafka経験あり」という記載だけでは実力が不明。それぞれのツールをどんな規模・課題に対して使ったかを1文でも添えることが必須。
**NG2：ETL作業の細部だけ記述して全体像を書かない**
「データの変換処理を担当した」という記述では、そのパイプラインが何のためのデータを作っているのかが見えない。データの下流（誰が何に使うか）まで記述することでビジネス貢献度が伝わる。
**NG3：「分析も担当」という曖昧なアピール**
データエンジニアとデータアナリストは別職種。分析担当者が使いやすい基盤を作る役割であることを明確にした上で、分析ロジックの実装補助程度なら「アナリストとの協働」として記述する方が正確。
---
## IT・SaaS データエンジニアの差別化ポイント
他業界（金融・製造）のデータエンジニアとの差別化は「プロダクトデータの特性理解」にあります。SaaSプロダクトのイベントトラッキング設計（Segment・Rudderstack等）の経験、マルチテナントデータの扱い、A/Bテスト基盤とのデータ連携など、SaaS固有のデータ課題への対応実績は特に評価されます。また、MLエンジニアやアナリストとのコラボレーション経験（Feature Store・ML Pipeline連携等）があれば、ML基盤にも対応できるデータエンジニアとして付加価値が高まります。
---
## FAQ
**Q1. データエンジニアとデータアナリストの違いを面接で聞かれる場合、職務経歴書でどう区別して書けばよいですか？**
A. データエンジニアの本質は「データを安定的・効率的に届けるインフラ整備」にあります。職務経歴書では「〇〇チームが意思決定に使うデータを信頼性高く届けるパイプラインを構築・運用した」という視点で記述し、SQL分析・ダッシュボード作成は「整備したデータの動作確認・ユーザーサポート目的」として位置付けてください。
**Q2. ストリーム処理（Kafka・Flink等）の経験がないと不利ですか？**
A. バッチ処理のパイプライン設計・運用経験が十分にあれば、ストリーミング未経験でも選考を通過できるケースは多いです。ただし、リアルタイムデータを重視するfintechやAd-Tech寄りのSaaS企業では必須になる場合があります。学習中であれば「Kafka学習中、PoC実施経験あり」と正直に記載してください。
**Q3. データエンジニアとして転職する際、ポートフォリオは必要ですか？**
A. GitHubにdbtプロジェクトのサンプル・Airflow DAGのコードを公開しておくと採用担当者が技術力を確認しやすくなります。実務コードが公開できない場合でも、個人プロジェクト（公開データセットを使ったパイプライン構築等）を整備してURLを職務経歴書に記載することを推奨します。
---
## IT・SaaS×データエンジニア・データサイエンティストの採用市場データ（2026年）
データエンジニア・データサイエンティストの求人数はAIブームを背景に2024年比で55%増。書類通過率は25〜35%と厳しく、Kaggle実績やOSS貢献がある候補者が優遇されます。MLOps経験者は特に希少で、求人倍率が8倍を超える職種です。選考期間は4〜8週間と長く、技術試験・ケーススタディが課されることが多いです。
---
## STAR形式 追加例文：IT・SaaSでの実績
### 例文2（応用）：部門横断プロジェクトのリード
**Situation（状況）**
IT・SaaSの市場環境変化により、既存の業務プロセスに課題が生じ、複数部門にまたがる改善プロジェクトが発足した。プロジェクトの複雑性と関係者の多さから、推進体制の確立が急務となっていた。
**Task（課題）**
データエンジニア・データサイエンティストとして、部門横断チーム（8名）のリードを担当。6ヶ月以内に定量的な改善成果を出すことがミッションとして設定された。
**Action（行動）**
① 現状分析（As-Is分析）で課題の根本原因を特定し、改善優先度を可視化。② 週次進捗レビューと隔週のステアリングコミッティで意思決定速度を向上。③ パイロット部門での先行実施と効果測定により、全社展開のリスクを低減。④ KPIダッシュボードで成果を可視化し、関係者のエンゲージメントを維持した。
**Result（結果）**
主要KPIを目標値の115%達成。プロセス効率化によりチームの業務時間を週あたり平均12時間削減し、より付加価値の高い業務にリソースを再配分することができた。
---
### 例文3（上級）：事業成長に貢献する戦略的イニシアチブ
**Situation（状況）**
事業の成長フェーズ移行に伴い、従来の手法では対応が困難な規模の課題が発生。IT・SaaS特有の市場環境と規制要件を踏まえた新たなアプローチが求められた。
**Task（課題）**
データエンジニア・データサイエンティストとして戦略立案を担い、経営層への提案から実行推進まで一貫して担当した。予算規模○億円、関係者20名超の大型案件を管理する責任を持った。
**Action（行動）**
① 市場分析・競合調査・社内リソース棚卸しを並行して実施し、2週間でファクトベースの戦略オプションを3案作成。② 外部専門家（弁護士・会計士・業界コンサルタント）と連携し、リスク評価を強化。③ 段階的な実行計画（フェーズ1-3）を設計し、各フェーズでのGoNoGoゲートを設定。④ 社内ステークホルダーとの合意形成会議を5回実施し、反対意見を取り込んで計画を改善した。
**Result（結果）**
提案が役員会で承認され、フェーズ1完了時点で当初目標の130%を達成。IT・SaaS内での事例として業界誌に取り上げられ、採用・ブランディング面での副次効果も生まれた。
---
## 実績を数値化する3つの観点
数値化は職務経歴書の説得力を決定的に左右します。IT・SaaSのデータエンジニア・データサイエンティストとして経験した実績を数値化する際は、以下の3観点で整理してください。
**観点1：インプット数値（規模感）**
自分が関わったシステム・プロジェクト・組織の規模を示します。
- Before: 「大規模プロジェクトを担当」
- After: 「年間予算3億円・関係者50名のプロジェクトを担当」
**観点2：アウトプット数値（行動量・改善量）**
自分の行動が生み出した変化を示します。
- Before: 「業務改善に取り組んだ」
- After: 「業務フローを再設計し、処理時間を従来比40%削減（週8時間→4.8時間）」
**観点3：ビジネスインパクト（金額・率）**
最終的にビジネスにどう貢献したかを示します。
- Before: 「売上向上に貢献した」
- After: 「施策の結果、対象プロダクトの月次売上が+1,800万円、年間ARRで+2.2億円増加」
数値が社外秘の場合は「前年比XX%向上」「業界平均比XX倍」など相対値や匿名化した形で記載できます。
---
## 提出前セルフチェックリスト10項目
職務経歴書提出前に以下10項目を必ずセルフチェックしてください。
- [ ] **1. 数値化の確認**：各実績に少なくとも1つの定量データが含まれている
- [ ] **2. 担当範囲の明確化**：「チームで実施」ではなく「自分が担当した部分」が明記されている
- [ ] **3. 直近重視**：直近2〜3年の実績が全体の60%以上を占めている
- [ ] **4. 専門用語の適切使用**：IT・SaaSで通用する業界固有の用語を正しく使っている
- [ ] **5. スキルと実績の紐付け**：スキルリストが実績の根拠として機能している
- [ ] **6. 誤字・表記統一**：社名・製品名・固有名詞のスペルが正確で表記が統一されている
- [ ] **7. チーム規模の記載**：各プロジェクトのチーム規模と自分の役割が明示されている
- [ ] **8. 読み手への配慮**：採用担当者（業界外の人事）が読んでも理解できる記述になっている
- [ ] **9. PDFの体裁確認**：PDF化した際にレイアウト崩れ・フォント崩れがない
- [ ] **10. NG用語の排除**：「キャリア実績」「転職活動」「転職希望者」「ES」等の用語が一切含まれていない
---
## IT・SaaS×データエンジニア・データサイエンティストの専門用語ガイド
**積極的に使うべき用語**: データパイプライン、ETL/ELT、データレイクハウス、MLOps、フィーチャーストア、A/Bテスト、因果推論、バッチ処理vs.ストリーミング処理、データガバナンス、KPI定義
**避けるべき用語・表現**: 「データ分析を担当した」（分析で何の意思決定が変わったかを記載）、「機械学習モデルを構築した」（精度指標・ビジネスインパクトをセットで記載）
---
## 採用トレンド2026
2026年のIT・SaaS採用では**AIエンジニアリング経験**が新たな差別化要素として台頭しています。LLMとのAPI連携・RAG構築・プロンプトエンジニアリングの実務経験は、バックエンド・フルスタック問わず加点評価されます。また、リモートファーストを維持しつつオーナーシップ文化（自律的な意思決定力）を重視する企業が増加しており、「誰かに指示されなくても動ける」証拠を職務経歴書で示すことが重要です。
データ活用を事業戦略の中核に置くSaaS企業が増加する中、データパイプラインの設計・運用を担うデータエンジニアの市場価値は急上昇しています。BigQuery・Snowflake・dbt・Airflowなどのモダンデータスタックを実務で扱った経験者は特に引き合いが強く、年収600〜850万円レンジでの求人が多い状況です。
職務経歴書で採用担当者が最も確認するのは「データの信頼性をどう担保したか」と「ビジネス意思決定にどう貢献したか」の2点です。パイプラインを構築しただけでなく、そのデータが実際にどのような意思決定に使われ、どんな事業インパクトを生んだかまで記述できることが高評価につながります。
---
## 書き方のポイント5選
**1. 扱ったデータ規模を示す**
「大量データを処理」ではなく「日次1.2億レコード・月次処理量3.5TBのイベントデータを管理」のように規模感を具体的に記述する。DAGの本数・テーブル数・データソース数も規模を示す指標になる。
**2. データ品質への取り組みを記述する**
データ品質チェック（Great Expectations・dbt test等）の導入、SLAの設定、インシデント対応のプロセスを記載する。「データ誤りによるレポートの手戻りを月平均8時間から0時間に削減」のような実績が特に評価される。
**3. コスト最適化の実績を示す**
クラウドDWHのコストは事業課題になりやすい。クラスタリング設定・パーティショニング・マテリアライズドビューの活用などでBigQueryやSnowflakeのコストを削減した実績は高く評価される。
**4. データを使った意思決定への貢献を示す**
「セールスチームの訪問優先順位付けに使われるリードスコアリングモデルのデータ基盤を構築」のように、誰が何に使うデータを提供したかを記述する。データエンジニアがビジネス価値に直接貢献していることを示す。
**5. モダンデータスタックの経験を明記する**
dbt・Airflow（またはPrefect・Dagster）・Fivetran・DataHub等のモダンスタック経験は求人票に明記されるケースが多い。使用したバージョンと具体的なユースケースを記載する。
---
## STAR形式 例文：SaaSデータ基盤のリプレイスプロジェクト
**プロジェクト：レガシーBIシステムからモダンデータスタックへの移行（データエンジニアとしてリード）**
**Situation（状況）**
自社のSaaSプロダクト（MAU45万人）では、スプレッドシートとSQLサーバーを組み合わせた手作業中心のデータ集計フローを使っていた。毎月末の経営報告作成に4名・約80時間が費やされ、数値の誤りによる修正が月2〜3回発生していた。また、プロダクトグロースチームが必要とする日次ファネル分析データの提供に最大3日のリードタイムが生じていた。
**Task（課題）**
データエンジニア（社内初採用）として、BigQuery + dbt + Airflow + Lookerによるモダンデータスタックへの移行を6ヶ月でリードするミッションを担当した。予算はクラウドコストを含め月35万円以内という制約があった。
**Action（行動）**
① 既存の集計ロジック（スプレッドシート40シート・SQLクエリ120本）を棚卸しし、優先度付きでBigQueryへの移行ロードマップを策定。② dbtによるデータモデリングでシングルソースオブトゥルース（SSOT）を実現。データソース（Salesforce・Stripe・プロダクトDB）ごとのステージングレイヤーを整備。③ Airflowを自社k8sクラスタ上に構築し、60本のDAGで日次・週次・月次の集計フローを自動化。④ Great Expectationsによるデータ品質チェックを全テーブルに実装し、Slackへのアラート通知も整備。⑤ Lookerダッシュボード12本を整備し、セールス・CS・経営の各チームが自力でデータ確認できる環境を構築した。
**Result（結果）**
月末経営報告の作業時間が80時間から12時間に85%削減。プロダクトチームへのファネル分析データ提供リードタイムが3日からリアルタイム（最大4時間）に短縮。データ誤りゼロを6ヶ月連続で維持。BigQueryのクエリコストは最適化により月28万円（当初見積もり43万円）に抑制できた。
---
## NG パターン3選
**NG1：ツール名だけ羅列してユースケースを書かない**
「BigQuery, Airflow, dbt, Spark, Kafka経験あり」という記載だけでは実力が不明。それぞれのツールをどんな規模・課題に対して使ったかを1文でも添えることが必須。
**NG2：ETL作業の細部だけ記述して全体像を書かない**
「データの変換処理を担当した」という記述では、そのパイプラインが何のためのデータを作っているのかが見えない。データの下流（誰が何に使うか）まで記述することでビジネス貢献度が伝わる。
**NG3：「分析も担当」という曖昧なアピール**
データエンジニアとデータアナリストは別職種。分析担当者が使いやすい基盤を作る役割であることを明確にした上で、分析ロジックの実装補助程度なら「アナリストとの協働」として記述する方が正確。
---
## IT・SaaS データエンジニアの差別化ポイント
他業界（金融・製造）のデータエンジニアとの差別化は「プロダクトデータの特性理解」にあります。SaaSプロダクトのイベントトラッキング設計（Segment・Rudderstack等）の経験、マルチテナントデータの扱い、A/Bテスト基盤とのデータ連携など、SaaS固有のデータ課題への対応実績は特に評価されます。また、MLエンジニアやアナリストとのコラボレーション経験（Feature Store・ML Pipeline連携等）があれば、ML基盤にも対応できるデータエンジニアとして付加価値が高まります。
---
## FAQ
**Q1. データエンジニアとデータアナリストの違いを面接で聞かれる場合、職務経歴書でどう区別して書けばよいですか？**
A. データエンジニアの本質は「データを安定的・効率的に届けるインフラ整備」にあります。職務経歴書では「〇〇チームが意思決定に使うデータを信頼性高く届けるパイプラインを構築・運用した」という視点で記述し、SQL分析・ダッシュボード作成は「整備したデータの動作確認・ユーザーサポート目的」として位置付けてください。
**Q2. ストリーム処理（Kafka・Flink等）の経験がないと不利ですか？**
A. バッチ処理のパイプライン設計・運用経験が十分にあれば、ストリーミング未経験でも選考を通過できるケースは多いです。ただし、リアルタイムデータを重視するfintechやAd-Tech寄りのSaaS企業では必須になる場合があります。学習中であれば「Kafka学習中、PoC実施経験あり」と正直に記載してください。
**Q3. データエンジニアとして転職する際、ポートフォリオは必要ですか？**
A. GitHubにdbtプロジェクトのサンプル・Airflow DAGのコードを公開しておくと採用担当者が技術力を確認しやすくなります。実務コードが公開できない場合でも、個人プロジェクト（公開データセットを使ったパイプライン構築等）を整備してURLを職務経歴書に記載することを推奨します。
---
## IT・SaaS×データエンジニア・データサイエンティストの採用市場データ（2026年）
データエンジニア・データサイエンティストの求人数はAIブームを背景に2024年比で55%増。書類通過率は25〜35%と厳しく、Kaggle実績やOSS貢献がある候補者が優遇されます。MLOps経験者は特に希少で、求人倍率が8倍を超える職種です。選考期間は4〜8週間と長く、技術試験・ケーススタディが課されることが多いです。
---
## STAR形式 追加例文：IT・SaaSでの実績
### 例文2（応用）：部門横断プロジェクトのリード
**Situation（状況）**
IT・SaaSの市場環境変化により、既存の業務プロセスに課題が生じ、複数部門にまたがる改善プロジェクトが発足した。プロジェクトの複雑性と関係者の多さから、推進体制の確立が急務となっていた。
**Task（課題）**
データエンジニア・データサイエンティストとして、部門横断チーム（8名）のリードを担当。6ヶ月以内に定量的な改善成果を出すことがミッションとして設定された。
**Action（行動）**
① 現状分析（As-Is分析）で課題の根本原因を特定し、改善優先度を可視化。② 週次進捗レビューと隔週のステアリングコミッティで意思決定速度を向上。③ パイロット部門での先行実施と効果測定により、全社展開のリスクを低減。④ KPIダッシュボードで成果を可視化し、関係者のエンゲージメントを維持した。
**Result（結果）**
主要KPIを目標値の115%達成。プロセス効率化によりチームの業務時間を週あたり平均12時間削減し、より付加価値の高い業務にリソースを再配分することができた。
---
### 例文3（上級）：事業成長に貢献する戦略的イニシアチブ
**Situation（状況）**
事業の成長フェーズ移行に伴い、従来の手法では対応が困難な規模の課題が発生。IT・SaaS特有の市場環境と規制要件を踏まえた新たなアプローチが求められた。
**Task（課題）**
データエンジニア・データサイエンティストとして戦略立案を担い、経営層への提案から実行推進まで一貫して担当した。予算規模○億円、関係者20名超の大型案件を管理する責任を持った。
**Action（行動）**
① 市場分析・競合調査・社内リソース棚卸しを並行して実施し、2週間でファクトベースの戦略オプションを3案作成。② 外部専門家（弁護士・会計士・業界コンサルタント）と連携し、リスク評価を強化。③ 段階的な実行計画（フェーズ1-3）を設計し、各フェーズでのGoNoGoゲートを設定。④ 社内ステークホルダーとの合意形成会議を5回実施し、反対意見を取り込んで計画を改善した。
**Result（結果）**
提案が役員会で承認され、フェーズ1完了時点で当初目標の130%を達成。IT・SaaS内での事例として業界誌に取り上げられ、採用・ブランディング面での副次効果も生まれた。
---
## 実績を数値化する3つの観点
数値化は職務経歴書の説得力を決定的に左右します。IT・SaaSのデータエンジニア・データサイエンティストとして経験した実績を数値化する際は、以下の3観点で整理してください。
**観点1：インプット数値（規模感）**
自分が関わったシステム・プロジェクト・組織の規模を示します。
- Before: 「大規模プロジェクトを担当」
- After: 「年間予算3億円・関係者50名のプロジェクトを担当」
**観点2：アウトプット数値（行動量・改善量）**
自分の行動が生み出した変化を示します。
- Before: 「業務改善に取り組んだ」
- After: 「業務フローを再設計し、処理時間を従来比40%削減（週8時間→4.8時間）」
**観点3：ビジネスインパクト（金額・率）**
最終的にビジネスにどう貢献したかを示します。
- Before: 「売上向上に貢献した」
- After: 「施策の結果、対象プロダクトの月次売上が+1,800万円、年間ARRで+2.2億円増加」
数値が社外秘の場合は「前年比XX%向上」「業界平均比XX倍」など相対値や匿名化した形で記載できます。
---
## 提出前セルフチェックリスト10項目
職務経歴書提出前に以下10項目を必ずセルフチェックしてください。
- [ ] **1. 数値化の確認**：各実績に少なくとも1つの定量データが含まれている
- [ ] **2. 担当範囲の明確化**：「チームで実施」ではなく「自分が担当した部分」が明記されている
- [ ] **3. 直近重視**：直近2〜3年の実績が全体の60%以上を占めている
- [ ] **4. 専門用語の適切使用**：IT・SaaSで通用する業界固有の用語を正しく使っている
- [ ] **5. スキルと実績の紐付け**：スキルリストが実績の根拠として機能している
- [ ] **6. 誤字・表記統一**：社名・製品名・固有名詞のスペルが正確で表記が統一されている
- [ ] **7. チーム規模の記載**：各プロジェクトのチーム規模と自分の役割が明示されている
- [ ] **8. 読み手への配慮**：採用担当者（業界外の人事）が読んでも理解できる記述になっている
- [ ] **9. PDFの体裁確認**：PDF化した際にレイアウト崩れ・フォント崩れがない
- [ ] **10. NG用語の排除**：「キャリア実績」「転職活動」「転職希望者」「ES」等の用語が一切含まれていない
---
## IT・SaaS×データエンジニア・データサイエンティストの専門用語ガイド
**積極的に使うべき用語**: データパイプライン、ETL/ELT、データレイクハウス、MLOps、フィーチャーストア、A/Bテスト、因果推論、バッチ処理vs.ストリーミング処理、データガバナンス、KPI定義
**避けるべき用語・表現**: 「データ分析を担当した」（分析で何の意思決定が変わったかを記載）、「機械学習モデルを構築した」（精度指標・ビジネスインパクトをセットで記載）
---
## 採用トレンド2026
2026年のIT・SaaS採用では**AIエンジニアリング経験**が新たな差別化要素として台頭しています。LLMとのAPI連携・RAG構築・プロンプトエンジニアリングの実務経験は、バックエンド・フルスタック問わず加点評価されます。また、リモートファーストを維持しつつオーナーシップ文化（自律的な意思決定力）を重視する企業が増加しており、「誰かに指示されなくても動ける」証拠を職務経歴書で示すことが重要です。