職務経歴書の書き方

データサイエンティストの職務経歴書の見本と書き方

データサイエンティストの職務経歴書の見本と、書き方のポイント 3 つです。分析が誰のどの判断に使われたか、手法を選んだ理由と評価の指標、自分の担当と確認された結果を分けて書きます。当サイトの求人 595 件で必須の条件に多い経験と、アクセス解析・広告の分析から応募する人の見本と、自己PR の例文も載せました。

公開 2026年11月16日 · PREVIO 編集部

この記事で分かること

  • ・分析の結果を、誰のどの判断に使ったかまで書く
  • ・手法を選んだ理由と、評価の指標・検証の方法を書く
  • ・自分が担当したことと、その後に確認された結果を分けて書く
目次開く
  1. 01データサイエンティストの職務経歴書の見本
  2. 02書き方のポイント 3 つ
  3. 03求人の必須の条件で多い経験
  4. 04Web マーケティングの分析(アナリスト)から応募する人の見本
  5. 05自己PR の書き方と例文
  6. 06よくある質問
  7. 07集計について

データサイエンティストの職務経歴書の見本

サブスク型 EC の事業会社で 5 年半データサイエンティストとして働き、同じ職種で別の会社に応募する人の見本です。

職務経歴書

2026年11月1日現在

氏名 ○○ ○○

■職務要約

サブスクリプション型の EC サービスを運営する会社で 5 年半、データサイエンティストとして会員の購買・解約の分析に携わってきました。入社から 3 年は購買データの分析と KPI の可視化を担当し、直近 2 年半は解約予測モデルの作成と、その結果を使った施策の効果検証を担当しています。分析の結果は、マーケティング部 CRM チームが施策の対象者を選ぶ時と、商品企画の会議で判断する時に使われています。

■職務経歴

2021年4月〜現在 株式会社○○データ戦略部

正社員
2024年4月〜現在

ポジション・役職:データサイエンティスト

解約予測モデルの作成と、引き止め施策の効果検証(会員 80 万人のサブスク EC)

  • 1解約しそうだと予測した上位 10% の会員(約 8 万人)を毎月、CRM チーム(4 名)が翌月の引き止めメールの送付先に使用
  • 2手法:ロジスティック回帰(施策の担当者に解約の要因を説明するため。勾配ブースティングとの AUC の差は 0.01)/評価:時系列で分けた検証データで AUC 0.78、上位 10% の再現率 31%
  • 環境:Python(pandas・scikit-learn)、BigQuery(会員の購買履歴 1.2 億行)、Looker
  • 3担当:対象者の抽出基準の設計と、上位 10% のうち送付群・非送付群(各約 4 万人)への無作為の振り分け。確認された結果:翌月の解約率は非送付群 6.2% に対し送付群 5.4%(差 0.8 ポイント)。メールの文面と送付の運用は CRM チームの担当
2021年4月〜2024年3月

ポジション・役職:アナリスト → データサイエンティスト

購買データの分析と KPI ダッシュボードの整備

  • 部署ごとに違っていた「継続率」の定義を、マーケティング部・商品企画部と協議して 1 つに統一
  • SQL で購買履歴を集計し、Looker の週次ダッシュボード 12 本を作成。マーケティング部・商品企画部の約 30 名が週次の会議で利用
  • 2023年からは、会員の 2 回目の購入までの日数を分析し、初回購入から 7 日以内のメール配信を商品企画部に提案

■活かせる能力・スキル

  • 予測モデルの作成と評価:ロジスティック回帰、勾配ブースティング、時系列での検証(Python、2.5 年)
  • 施策の効果検証:無作為の振り分けによる比較の設計と、結果の報告
  • 分析・集計:SQL(BigQuery、5 年半)、Looker によるダッシュボードの作成
  • 業界:サブスクリプション型の EC

■資格

統計検定 2 級、Kaggle(コンペ参加 3 回、最高は上位 12%)

■自己PR

私の強みは、分析の結果を、施策を決める人が使える形にして渡すところです。解約予測モデルでは、施策の担当者に要因を説明できるロジスティック回帰を選び、上位 10% の対象者を CRM チームのメール施策に使ってもらいました。施策の効果を比べるために、送らない会員を無作為に選んで残し、解約率の差が 0.8 ポイントだったことを部内で共有しています。今後も、分析して終わりにせず、施策の判断から効果の確認まで関われる事業会社で働きたいと考えています。

以上

PREVIO かんたん履歴書作成

データサイエンティストの職務経歴書を、AI でかんたんに作れます

  • 職務要約・自己PR を AI が下書き
  • 今の職務経歴書を読み込んで続きから
  • 登録なし・無料で PDF に
AI で職務経歴書を作る(無料)

書き方のポイント 3 つ

見本の 1 2 3 の所を、順に説明します。

分析の結果が、誰のどの判断に使われたかを書く

モデルの精度や分析の件数だけでは、その分析が仕事で使われたのかが分かりません。使った部署と人数、何の判断に使ったか(送付先の選定、商品企画の会議など)を書きます。数字が無い分析でも、指標の定義を統一したことや、会議の判断に使われたことを書けます。

✕ よくある書き方

解約予測モデルを作成し、精度 78% を達成

○ 見本の書き方

解約しそうだと予測した上位 10% の会員(約 8 万人)を毎月、CRM チーム(4 名)が翌月の引き止めメールの送付先に使用

手法を選んだ理由と、評価の指標・検証の方法を書く

手法の名前を並べるだけでは、なぜその手法を選んだのかが読み手に伝わりません。説明のしやすさ・精度・運用の手間のうち何を優先したかと、評価の指標を書きます。検証データの分け方(時系列で分ける、など)も書きます。使った手法は、案件の 1 つにつき 1〜2 つに絞ります。

✕ よくある書き方

機械学習(ロジスティック回帰、勾配ブースティング)を使用

○ 見本の書き方

手法:ロジスティック回帰(施策の担当者に解約の要因を説明するため。勾配ブースティングとの AUC の差は 0.01)/評価:時系列で分けた検証データで AUC 0.78、上位 10% の再現率 31%

自分が担当したことと、その後に確認された結果を分けて書く

事業の指標は、分析した人だけで動くものではありません。自分が担当した範囲(対象の設計、比較の設計、分析)と、その後に確認された数字を別々に書きます。比較対照群を置いた効果検証なら、比べ方も 1 文で書きます。

✕ よくある書き方

解約率を 0.8 ポイント改善

○ 見本の書き方

担当:対象者の抽出基準の設計と、上位 10% のうち送付群・非送付群(各約 4 万人)への無作為の振り分け。確認された結果:翌月の解約率は非送付群 6.2% に対し送付群 5.4%(差 0.8 ポイント)。メールの文面と送付の運用は CRM チームの担当

求人の必須の条件で多い経験

当サイトに載っているデータサイエンティストの求人のうち、タイトルに「データサイエンティスト」「データ分析」などを含む 595 件(247 社)で、応募資格の必須の部分に多く出てくる経験です(1 社ごとの割合を 247 社で平均)。

  • データ分析の経験66%

    職務要約の 1 文目に、分析で支えた業務と年数を書く

  • Python の経験53%

    案件の環境の行に、ライブラリと使った工程を書く

  • 機械学習・予測モデルの経験51%

    手法を選んだ理由と評価の指標を書く(ポイント 2)

  • ビジネス課題・施策の提案の経験46%

    分析が誰のどの判断に使われたかを書く(ポイント 1)

  • SQL の経験45%

    環境の行に、DWH の名前とデータの行数を書く

年数の条件を書く求人では、「3 年以上」が 43%、「2 年以上」が 23% です(多い順の上位 5 つの年数の合計 250 件に対する、求人の件数で数えた割合)。

Web マーケティングの分析(アナリスト)から応募する人の見本

分析の経験と、エンジニア・開発・マーケティングの経験を「いずれか」で並べる求人が、1 割台後半(17%)あります(求人の件数で数えた割合)。アクセス解析や広告のデータ分析をしてきた人は、分析の経験として書けます。予測モデルの経験が少ない時は、分析の結果で何が変わったかと、使った統計の手法を書きます。書くのは、実際にやっていたことだけです。

職務経歴書

2026年11月1日現在

氏名 ○○ ○○

■職務要約

広告会社で 4 年半、Web マーケティングのアクセス解析と広告のデータ分析に携わってきました。小売業の EC サイトで広告を運用する案件では、流入経路ごとの購入率を SQL と Python で分析し、広告費の配分の見直しを広告運用チームに提案しました。

■職務経歴

2022年4月〜現在 株式会社○○アドデータ分析部

正社員
2022年4月〜現在

ポジション・役職:アナリスト

小売業の EC サイトにおける広告の効果分析と、広告費の配分の見直し(月の広告費 3,000 万円)

  • アクセス解析のデータ(GA4、BigQuery)で、広告の種類・流入経路ごとの購入率と顧客 1 人あたりの獲得費用を分析
  • 購入率の低い 3 つの経路の広告費 450 万円(月の広告費の 15%)を、購入率の高い経路に移す案を、広告運用チーム(5 名)の定例で提案し、採用された
  • 確認された結果:移した翌月の獲得費用は 4,200 円から 3,500 円に。広告の入札と配信の設定は広告運用チームの担当
  • 経路ごとの購入率の差が偶然の差でないことを、カイ二乗検定で確かめてから提案した

以上

自己PR の書き方と例文

データサイエンティストの自己PR は、分析した案件を 1 つ選び、どの判断のために分析し、その結果がどう使われたかを書きます。次に、自分が担当した範囲と確認された結果を分けて書きます。最後に、応募先で扱いたいデータや課題につなげます。「分析力」「論理的思考力」のような力の名前だけで終わらせず、その力を使った場面を書きます。

現役のデータサイエンティストの自己PR(見本と同じもの)

私の強みは、分析の結果を、施策を決める人が使える形にして渡すところです。解約予測モデルでは、施策の担当者に要因を説明できるロジスティック回帰を選び、上位 10% の対象者を CRM チームのメール施策に使ってもらいました。施策の効果を比べるために、送らない会員を無作為に選んで残し、解約率の差が 0.8 ポイントだったことを部内で共有しています。今後も、分析して終わりにせず、施策の判断から効果の確認まで関われる事業会社で働きたいと考えています。

Web マーケティングの分析から応募する人の自己PR

私の強みは、数字の差が偶然の差でないことを確かめて、施策の判断に使える提案にするところです。EC サイトの広告では、経路ごとの購入率の差をカイ二乗検定で確かめ、購入率の低い 3 つの経路の広告費 450 万円を移す案を広告運用チームに提案しました。移した翌月の獲得費用は 4,200 円から 3,500 円になっています。今後は、広告に限らず、事業全体のデータから予測モデルを作る仕事にも担当を広げたいと考えています。

PREVIO かんたん履歴書作成

自己PR も、質問に答えるだけで AI が下書きします

  • 職務要約・自己PR を AI が下書き
  • 今の職務経歴書を読み込んで続きから
  • 登録なし・無料で PDF に
AI で職務経歴書を作る(無料)

よくある質問

社内のデータや数字は、どこまで書いていいですか

会員数・売上・モデルの精度などは、そのまま書かず、「会員 80 万人規模」「上位 10%」のように規模や割合にして書く方法があります。データの項目名や社内の呼び名は、一般的な言い方に直します。書いてよい範囲は契約や社内の規定で決まるので、迷う時は先に確かめます。

施策の効果が出なかった、または確認できていません

効果が確認できていない時は、「確認できていない」と書き、そこまでに自分が担当した範囲(対象の設計、モデルの評価の結果)を書きます。効果が出なかった分析でも、何を比べて何が分かったか、次に何を変えたかを書けば、分析の経験として読まれます。確認していない数字を、成果として書くことは避けます。

使った手法や案件が多くて書ききれません

直近 2〜3 年の案件と、応募先の仕事に近い案件を詳しく書き、それより前は見本の 2 つ目のように、定義の統一や提案した分析を 1〜3 行にまとめます。手法は案件ごとに 1〜2 つに絞り、残りは「活かせる能力・スキル」に年数とあわせて書きます。Kaggle のコンペのような実務の外の経験は、実務の案件と分け、資格か「活かせる能力・スキル」に 1 行で書きます。

集計について

2026 年 11 月 16 日時点で当サイトに載っているデータサイエンティストの求人のうち、タイトルに「データサイエンティスト」「データ分析」「data scien」「分析官」「アナリティクス」のいずれかを含む 595 件(247 社)の応募資格の欄を数えました。AI エンジニア・生成 AI の開発・クラウドの求人が混じらないよう、タイトルで絞っています。「歓迎」「尚可」「望ましい」などの見出しより前を必須の部分とし、見出しが無い求人は欄の全体を必須の部分として数えています。語で数えたので、言い換えた書き方は拾えていないことがあります。求人票の書き方を数えたもので、選考で何が重視されたかを示すものではありません。

データサイエンティストの働き方が気になる時は「データサイエンティストを辞めたい?分析が使われないのは会社のせいか」にまとめています。

✨ AI でかんたん|登録なし・無料AI で作る