Wantedly Visitの検索基盤チームの一條です。普段はData EngineerやMLOpsに取り組んでいます。

Wantedlyではユーザーと企業のマッチングをより良いものにするために募集検索やスカウトでのユーザーの検索を日々改善しています。
手段としては機械学習などを用いることで、マッチングの改善を行っています。

そのマッチング改善するのがMatching Squadというチームなのですが、ここにはデータサイエンティストと推薦基盤チームが存在します。

推薦基盤チームが必要な理由としては次の3つがあります。

1. 推薦の施策を打つための実装
2. データサイエンティストの生産性を上げるための仕組み・ツールづくり
3. データ周りについて、社内特有の事情を理解した人が必要

それぞれ過去のストーリーなどを踏まえて説明します。それによって推薦基盤チームの必要性を理解してもらえると嬉しいです。

推薦の施策を打つための実装

データサイエンティストによる成果を具体的なプロダクト組み込むためには、バックエンドのスキルを持つエンジニアが必要です。例えば私たちの普段の業務内容だと以下のようなものがあります。

• データサイエンティストによる成果のプロダクト実装
• プロダクトの継続的な開発のための環境整備
• 分析やロジック改善のためのログ基盤の整備

例えばそもそも推薦の施策を打ちづらい環境から打ちやすい環境にするためにマイクロサービス化したり、見落としがちな速度についてもできるだけ立ち向かうための戦略を建てたりしています。

データサイエンティストの生産性を上げるためのツールづくり

例えば、Argo WorkflowsやBigQueryの機能、gRPCといったすでに世の中にあるものや、すでに社内にあるものををデータサイエンティストも扱いやすい形に整える、といったことにも取り組んでいます。

Argoの依存管理に関しては今ではデータサイエンティストに変更してもらう、というフローがチーム内でできつつあったり、BigQueryのクエリの分散問題に対しても、データサイエンティストがviewを管理しやすい形になっています。

データ周りについて、社内特有の事情を理解する

検索に手を入れるため、ある程度社内のドメイン知識や歴史的経緯などが身につきます。これによりデータサイエンティストにとって重要なことですが、ドメイン知識・歴史的背景説明することであったり、それを元に不明なロジックやデータを調査する、といったことができます。
これは実装していた人などでもできますが、データサイエンティストにとってはある程度相互理解している人が説明することでコミュニケーションロスが減らせると考えています。

これについてはストーリーにはしていないですが、社内で一つの単語に対して複数の意味づけがあったものに対して調査・整理し、ドキュメントにまとめる、といったこともしていたりします。

最後に

そもそもこういったことは、ある程度データサイエンティストと推薦基盤チームが密に連携が取れていることで実現できていることなのかなと思います。

これからも、こういったことは取り組んでいきますし、また基盤としては現在必要なものは揃えられたと思いますが、問題は問題を解決するたびに湧いてくるもので、かつそれはコスパが高いものでした。今後は問題を問題と認識される前に倒し、よりデータサイエンティストの生産性を伸ばすことでプロダクトの成長を支えたいと思っています。