【正社員】シニアデータエンジニア

【正社員】シニアデータエンジニア — 80億レコードの企業データ基盤×アーキテクチャ設計｜データチームの技術的な方向を決めるテクニカルリード｜フルリモート・フルフレックス

仕事概要

＜SalesNowについて＞

SalesNowは「誰もが活躍できる仕組みをつくる。」を掲げ、働き方を根本から変える挑戦をしています。働き手が減る日本で、1人が生み出せる価値をどこまで増やせるか。企業データとAIで、BtoBの仕事の進め方そのものを組み替えることが、SalesNowの事業です。

その土台が、1,600万件超の法人・組織データベースです。企業・組織・拠点・部署までをユニークに構造化し、レコード数は80億。企業データベース収録件数No.1です（2025年10月期・日本マーケティングリサーチ機構調べ）。

この規模と粒度は、Webを集めるだけでは組み上がりません。SalesNowは独自の収集網「SalesNow Data Network」を3つのルートで持っています。1つめは、Web情報をAIで日次更新するデジタルの基盤で、数百万件規模のタスクをLLMを含む技術で処理します。2つめは、数万人規模のデータリサーチャーのパートナーネットワークと社内の体制によるアナログな収集で、実地調査から紙の資料の読み取りまで、検索では出てこない情報を取りに行きます。3つめは、月間700万PVの自社メディア（企業版Wikipedia）に集まるユーザー投稿で、このユーザーのネットワークもアナログな収集の一部を担います。出所も更新方法も異なる3つのルートを、同じ企業へ正しく結び付ける。その統合の設計が、シニアデータエンジニアの仕事の中心です。

データそのものにも独自性があります。独自のJCコードは、本社・工場・支社支店・店舗まで拠点ごとに一意のIDを振る体系で、多拠点やグループ会社を正確に串刺しできます。組織図と750万件超の部署連絡先では、どの部署にどの直通番号を結び付けるか、その照合基準を設計します。営業担当者が代表電話を経由せず狙う部署につながれるよう、データの整合性を設計から支えます。

法人番号・社名・住所・電話・URL・メールの多角キーを15段階の優先度で照合して1社に収斂させます。確定しなかった企業は、AIワークフローを使って最新のWebから補完します。50項目超の付与情報について、何を根拠に採用し、どう品質を確かめるかの設計が可能です。

大業界30件〜・小業界400件〜・事業内容3,000件〜という3層の分類を扱います。粒度の異なる情報をどう整合させるかは、あなたの判断で決まります。データソースは100万件以上。月次で追う従業員数の時系列も含め、変化する企業情報の品質を継続して保つ仕組みをつくれます。シニアデータエンジニアは、これらの情報の整合性と更新時の品質を、基盤全体の設計から支えます。

AIの出力の品質は、参照するデータの品質で決まります。SalesNowは、AIと営業システムにデータを供給する、AI時代の企業データインフラです。

担当者は『SalesNow』の画面や、Salesforce・HubSpot・kintoneとの連携を通じて企業データを利用できます。Data APIはベータ版として、Company・News・Recruit・Organization の4種別を提供しています。SalesNow MCPを通じて、Claude・CursorなどのAIエージェントからも直接参照できます。同じデータが営業の担当者とAIエージェントの両方に届くので、基盤の設計1つが、届け先すべての品質を決めます。営業戦略コンサルティング、データ基盤の構築、AI実装、営業BPOまで一社で提供しています。顧客の窓口は営業出身のコンサルタントとアカウントマネジメントで、その背後でデータチームが分析と実装を支えます。顧客が実際にどう使っているかが、基盤を設計する側に届く体制です。

プロダクト『SalesNow』が扱うのは営業の領域です。会社が企業データとAIで組み替えようとしている仕事は、営業に限りません。あなたが設計する基盤は、特定の1プロダクトの裏側ではなく、会社が扱う範囲そのもののデータインフラです。

ヤマト運輸、パナソニック、LINEヤフー、SMBC日興証券、パーソルキャリア、JCB、GMOペイメントゲートウェイなどへの導入実績があります。あなたが設計する基盤が、こうした大手企業に届けるデータの品質を決めます。営業の専門性・データ基盤・AIの先進性が揃うSalesNowでは、顧客が必要とする情報から逆算して基盤を設計できます。

＜募集背景＞

*\人を増やした分だけ売上が伸びる時代は、終わりました。\* SalesNowはバリューの1つに「AIネイティブ」を掲げ、2025年11月を起点に、社員1人あたりARRを3年で10倍にする目標を置いています。データ基盤の設計は、その目標の前提です。あなたが担うのは、80億レコードの収集・名寄せ・品質検証の進め方を設計し、チームの1人ひとりが扱える仕事の範囲を広げることです。

企業データの提供は、『SalesNow』の画面に加えてData APIとSalesNow MCPへ広がっています。そのなかで、バッチ処理の安定化、APIのスケール対応、コストを意識した性能最適化を、個別の改善ではなく基盤全体の設計として解く段階に来ています。このデータ基盤のアーキテクチャ設計と運用をリードし、データチームの技術的な方向を決めるシニアデータエンジニアを募集します。構築・改善を担うメンバー層も採用しており、これまでの技術リード経験を、80億レコードの基盤全体とチームの開発方針を決める役割へ広げられます。設計レビューとメンタリングを通じて、自分の設計判断をチーム共通の品質基準に落とし込めます。

＜ミッション＞

デジタル・アナログな収集・ユーザー投稿という性質の違う3つのルートから届く情報を、根拠のある1つの企業像として束ね続けることです。何を集め、どの条件なら使えるデータとみなすか。その基準を決め、チームの誰が開発しても同じ品質で動く仕組みにします。基準が決まるほど、80億レコードは人の目視ではなく設計で守れるようになり、メンバーは新しい収集ルートの設計に時間を使うことも可能です。

＜お任せしたい業務内容＞

• 数十TB・80億レコード規模の企業データ基盤のアーキテクチャ設計・最適化
• 日次で更新するデータ収集パイプライン（Webクローリングを含む）の設計・運用・改善
• Spark on Databricksを活用した大規模データ処理・変換の設計
• データ品質管理基盤の設計・構築（クレンジング・エンリッチメント・名寄せの設計方針を含む）、品質モニタリング環境の構築・改善
• Elasticsearch / OpenSearchの検索インデックス設計・チューニング
• インフラ・ガバナンス・コスト最適化の方針決定
• 将来のデータサイエンス活用に向け、データ基盤に必要な構成と品質基準を決める
• データチームのテクニカルリード、メンバーの設計レビューと技術的メンタリング
• 上記すべてについて、技術選定と運用の方針を決める

入社後に取り組む課題の例

• Databricks＋Delta Lakeで生データ→クレンジング→提供用の3層を運用し、提供用のデータをPostgreSQLへUpsertしています。ジョブ定義はModel Servingのエンドポイントまで含めてTerraformで管理しています。この構成を、データ量と用途（画面・Data API・SalesNow MCP）の広がりに合わせてどう進化させるか。層の切り方からジョブ管理の方式まで、技術選定を自分の判断で決められます。
• 根拠の足りない企業特定を、仕組みで止める。フリーランス求人から常駐先の企業を推定するロジックを別のAIで独立に検証したところ、100件のうち根拠を確認して特定できたのは12件でした。これを受けてロジックを直し、根拠が足りない案件は「特定不可」と出すようにしています。この考え方を品質基準に反映するのが、このポジションの仕事です。
• 求人の停止は、営業が使うシグナルの1つです。その掲載終了を検知するロジックが3系統に割れ、媒体によって挙動が揃っていません。個別の修正を重ねるのではなく、判定の共通設計と媒体ごとの例外の持ち方を決め、メンバーが同じ設計で実装できる状態にします。
• 会社概要やサービス情報を新しく保つため、全企業のWebサイトの情報を取得し、更新の差分を追い続ける工程を設計します。

※従事すべき業務の変更の範囲：有り

＜利用するツール・技術＞

• データ収集: Python（Scrapy）、AWS Fargate for Amazon ECS、Amazon Managed Workflows for Apache Airflow
• データストア: Amazon S3、Amazon Aurora PostgreSQL
• データトランスフォーム: Apache Spark on Databricks（Delta Lake）
• 言語: Python（FastAPI）、TypeScript（Next.js）、SQL、Scala
• ミドルウェア: PostgreSQL、Elasticsearch / OpenSearch
• インフラ: AWS、GCP、Fastly、Terraform
• AI/LLM: Amazon Bedrock、Azure OpenAI、Claude、Gemini
• 開発ツール: Claude Code、Codex、Cursor、GitHub Copilot、CodeRabbit、n8n
• デザイン: Figma
• コミュニケーション: Slack、GitHub、Notion、Asana、Google Workspace

＜AIを前提にした働き方＞

• Claude・Geminiは全員が使え、Codexも併用し、用途でモデルを使い分けます。
• 成果物は複数のLLMにレビューを依頼し、採否は人が根拠を確認して決めます。LLM as a Judgeによるデータ判定も、判定の基準は人が定めます。
• 目的と予算を合意したあとは、担当者が進め方を決めます。コストが読めない処理は、小さくつくってから見積もります。
• 職種を問わず、AIで自分の仕事を組み替えることを求めています。経営陣もコードを書きます。経営陣と直接連携し、事業の要求をデータ基盤の技術選定や設計方針につなげる経験を積めます。

＜ポジションの魅力＞

① 80億レコードの企業データ基盤の、アーキテクチャに責任を持つ

数十TB・80億レコード規模の基盤で、技術選定から運用方針までを決め、データチームの技術的な方向を示します。扱うのはWebから取れるデータだけではありません。数万人規模の調査網と社内の体制がアナログに集めた情報も、自社メディアへのユーザー投稿も統合します。出所も更新方法も異なる3つのルートの情報を、同じ企業へ正しく結び付けるアーキテクチャを、稼働中の基盤で設計し直せます。

② 自分が決めた品質基準が、人とAIが使うデータ全体に効く

JCコードによる拠点ごとの一意なID、組織図と部署の直通番号、50項目超の付与情報について、照合の根拠と品質基準を決めます。80億レコードの基盤で定めた基準を『SalesNow』の画面・CRM連携・Data API・SalesNow MCPに共通で適用し、人とAIエージェントが同じ企業を正しく識別できる状態をつくれます。

③ LLMを本番のデータ品質管理に組み込む

フリーランス求人から常駐先の企業を推定する処理のように、ルールでは書き切れない判定があります。合意した目的と予算のもと、LLMを使う工程を選びます。本番データで検証し、出力を採用する条件と「特定不可」とする基準を設計できます。さらに、設計レビューとメンタリングを通じて、メンバーがその基準を実装できる状態までつくれます。精度と1件あたりの処理費用の両方を本番で検証し、品質と継続運用のコストを両立させるところまでが担当範囲です。

④ AI前提で組み替えた開発組織で、データ基盤の進め方そのものを設計する

SalesNowは2025年11月を起点に、社員1人あたりARRを3年で10倍にする目標を置いています。AIツールへの支出は1人あたり月平均10万円以上で、経営陣もコードを書きます。複数のLLMを使う設計レビューの進め方と、指摘を採用する品質基準をあなたが決めます。80億レコードの収集・名寄せ・品質検証で、どこにAIを組み込むかを自分で設計することが可能です。レビューとメンタリングを通じて、その方法と品質基準をチームに定着させ、1人が扱える仕事の範囲を広げられます。

数年後、AIを使えることは当たり前になります。*\差がつくのは、AI前提で仕事と組織を設計し直せるかどうかです。\* SalesNowでは、それを毎日の開発で実践しています。

＜選考プロセス＞

1. 書類選考
2. 面接（複数回）
3. リファレンスチェック
4. オファー面談

＜参考リンク＞

• 採用サイト：

必須スキル

＜SalesNowについて＞

SalesNowは「誰もが活躍できる仕組みをつくる。」を掲げ、働き方を根本から変える挑戦をしています。働き手が減る日本で、1人が生み出せる価値をどこまで増やせるか。企業データとAIで、BtoBの仕事の進め方そのものを組み替えることが、SalesNowの事業です。

その土台が、1,600万件超の法人・組織データベースです。企業・組織・拠点・部署までをユニークに構造化し、レコード数は80億。企業データベース収録件数No.1です（2025年10月期・日本マーケティングリサーチ機構調べ）。

この規模と粒度は、Webを集めるだけでは組み上がりません。SalesNowは独自の収集網「SalesNow Data Network」を3つのルートで持っています。1つめは、Web情報をAIで日次更新するデジタルの基盤で、数百万件規模のタスクをLLMを含む技術で処理します。2つめは、数万人規模のデータリサーチャーのパートナーネットワークと社内の体制によるアナログな収集で、実地調査から紙の資料の読み取りまで、検索では出てこない情報を取りに行きます。3つめは、月間700万PVの自社メディア（企業版Wikipedia）に集まるユーザー投稿で、このユーザーのネットワークもアナログな収集の一部を担います。出所も更新方法も異なる3つのルートを、同じ企業へ正しく結び付ける。その統合の設計が、シニアデータエンジニアの仕事の中心です。

データそのものにも独自性があります。独自のJCコードは、本社・工場・支社支店・店舗まで拠点ごとに一意のIDを振る体系で、多拠点やグループ会社を正確に串刺しできます。組織図と750万件超の部署連絡先では、どの部署にどの直通番号を結び付けるか、その照合基準を設計します。営業担当者が代表電話を経由せず狙う部署につながれるよう、データの整合性を設計から支えます。

法人番号・社名・住所・電話・URL・メールの多角キーを15段階の優先度で照合して1社に収斂させます。確定しなかった企業は、AIワークフローを使って最新のWebから補完します。50項目超の付与情報について、何を根拠に採用し、どう品質を確かめるかの設計が可能です。

大業界30件〜・小業界400件〜・事業内容3,000件〜という3層の分類を扱います。粒度の異なる情報をどう整合させるかは、あなたの判断で決まります。データソースは100万件以上。月次で追う従業員数の時系列も含め、変化する企業情報の品質を継続して保つ仕組みをつくれます。シニアデータエンジニアは、これらの情報の整合性と更新時の品質を、基盤全体の設計から支えます。

AIの出力の品質は、参照するデータの品質で決まります。SalesNowは、AIと営業システムにデータを供給する、AI時代の企業データインフラです。

担当者は『SalesNow』の画面や、Salesforce・HubSpot・kintoneとの連携を通じて企業データを利用できます。Data APIはベータ版として、Company・News・Recruit・Organization の4種別を提供しています。SalesNow MCPを通じて、Claude・CursorなどのAIエージェントからも直接参照できます。同じデータが営業の担当者とAIエージェントの両方に届くので、基盤の設計1つが、届け先すべての品質を決めます。営業戦略コンサルティング、データ基盤の構築、AI実装、営業BPOまで一社で提供しています。顧客の窓口は営業出身のコンサルタントとアカウントマネジメントで、その背後でデータチームが分析と実装を支えます。顧客が実際にどう使っているかが、基盤を設計する側に届く体制です。

プロダクト『SalesNow』が扱うのは営業の領域です。会社が企業データとAIで組み替えようとしている仕事は、営業に限りません。あなたが設計する基盤は、特定の1プロダクトの裏側ではなく、会社が扱う範囲そのもののデータインフラです。

ヤマト運輸、パナソニック、LINEヤフー、SMBC日興証券、パーソルキャリア、JCB、GMOペイメントゲートウェイなどへの導入実績があります。あなたが設計する基盤が、こうした大手企業に届けるデータの品質を決めます。営業の専門性・データ基盤・AIの先進性が揃うSalesNowでは、顧客が必要とする情報から逆算して基盤を設計できます。

＜募集背景＞

*\人を増やした分だけ売上が伸びる時代は、終わりました。\* SalesNowはバリューの1つに「AIネイティブ」を掲げ、2025年11月を起点に、社員1人あたりARRを3年で10倍にする目標を置いています。データ基盤の設計は、その目標の前提です。あなたが担うのは、80億レコードの収集・名寄せ・品質検証の進め方を設計し、チームの1人ひとりが扱える仕事の範囲を広げることです。

企業データの提供は、『SalesNow』の画面に加えてData APIとSalesNow MCPへ広がっています。そのなかで、バッチ処理の安定化、APIのスケール対応、コストを意識した性能最適化を、個別の改善ではなく基盤全体の設計として解く段階に来ています。このデータ基盤のアーキテクチャ設計と運用をリードし、データチームの技術的な方向を決めるシニアデータエンジニアを募集します。構築・改善を担うメンバー層も採用しており、これまでの技術リード経験を、80億レコードの基盤全体とチームの開発方針を決める役割へ広げられます。設計レビューとメンタリングを通じて、自分の設計判断をチーム共通の品質基準に落とし込めます。

＜ミッション＞

デジタル・アナログな収集・ユーザー投稿という性質の違う3つのルートから届く情報を、根拠のある1つの企業像として束ね続けることです。何を集め、どの条件なら使えるデータとみなすか。その基準を決め、チームの誰が開発しても同じ品質で動く仕組みにします。基準が決まるほど、80億レコードは人の目視ではなく設計で守れるようになり、メンバーは新しい収集ルートの設計に時間を使うことも可能です。

＜お任せしたい業務内容＞

• 数十TB・80億レコード規模の企業データ基盤のアーキテクチャ設計・最適化
• 日次で更新するデータ収集パイプライン（Webクローリングを含む）の設計・運用・改善
• Spark on Databricksを活用した大規模データ処理・変換の設計
• データ品質管理基盤の設計・構築（クレンジング・エンリッチメント・名寄せの設計方針を含む）、品質モニタリング環境の構築・改善
• Elasticsearch / OpenSearchの検索インデックス設計・チューニング
• インフラ・ガバナンス・コスト最適化の方針決定
• 将来のデータサイエンス活用に向け、データ基盤に必要な構成と品質基準を決める
• データチームのテクニカルリード、メンバーの設計レビューと技術的メンタリング
• 上記すべてについて、技術選定と運用の方針を決める

入社後に取り組む課題の例

• Databricks＋Delta Lakeで生データ→クレンジング→提供用の3層を運用し、提供用のデータをPostgreSQLへUpsertしています。ジョブ定義はModel Servingのエンドポイントまで含めてTerraformで管理しています。この構成を、データ量と用途（画面・Data API・SalesNow MCP）の広がりに合わせてどう進化させるか。層の切り方からジョブ管理の方式まで、技術選定を自分の判断で決められます。
• 根拠の足りない企業特定を、仕組みで止める。フリーランス求人から常駐先の企業を推定するロジックを別のAIで独立に検証したところ、100件のうち根拠を確認して特定できたのは12件でした。これを受けてロジックを直し、根拠が足りない案件は「特定不可」と出すようにしています。この考え方を品質基準に反映するのが、このポジションの仕事です。
• 求人の停止は、営業が使うシグナルの1つです。その掲載終了を検知するロジックが3系統に割れ、媒体によって挙動が揃っていません。個別の修正を重ねるのではなく、判定の共通設計と媒体ごとの例外の持ち方を決め、メンバーが同じ設計で実装できる状態にします。
• 会社概要やサービス情報を新しく保つため、全企業のWebサイトの情報を取得し、更新の差分を追い続ける工程を設計します。

※従事すべき業務の変更の範囲：有り

＜利用するツール・技術＞

• データ収集: Python（Scrapy）、AWS Fargate for Amazon ECS、Amazon Managed Workflows for Apache Airflow
• データストア: Amazon S3、Amazon Aurora PostgreSQL
• データトランスフォーム: Apache Spark on Databricks（Delta Lake）
• 言語: Python（FastAPI）、TypeScript（Next.js）、SQL、Scala
• ミドルウェア: PostgreSQL、Elasticsearch / OpenSearch
• インフラ: AWS、GCP、Fastly、Terraform
• AI/LLM: Amazon Bedrock、Azure OpenAI、Claude、Gemini
• 開発ツール: Claude Code、Codex、Cursor、GitHub Copilot、CodeRabbit、n8n
• デザイン: Figma
• コミュニケーション: Slack、GitHub、Notion、Asana、Google Workspace

＜AIを前提にした働き方＞

• Claude・Geminiは全員が使え、Codexも併用し、用途でモデルを使い分けます。
• 成果物は複数のLLMにレビューを依頼し、採否は人が根拠を確認して決めます。LLM as a Judgeによるデータ判定も、判定の基準は人が定めます。
• 目的と予算を合意したあとは、担当者が進め方を決めます。コストが読めない処理は、小さくつくってから見積もります。
• 職種を問わず、AIで自分の仕事を組み替えることを求めています。経営陣もコードを書きます。経営陣と直接連携し、事業の要求をデータ基盤の技術選定や設計方針につなげる経験を積めます。

＜ポジションの魅力＞

① 80億レコードの企業データ基盤の、アーキテクチャに責任を持つ

数十TB・80億レコード規模の基盤で、技術選定から運用方針までを決め、データチームの技術的な方向を示します。扱うのはWebから取れるデータだけではありません。数万人規模の調査網と社内の体制がアナログに集めた情報も、自社メディアへのユーザー投稿も統合します。出所も更新方法も異なる3つのルートの情報を、同じ企業へ正しく結び付けるアーキテクチャを、稼働中の基盤で設計し直せます。

② 自分が決めた品質基準が、人とAIが使うデータ全体に効く

JCコードによる拠点ごとの一意なID、組織図と部署の直通番号、50項目超の付与情報について、照合の根拠と品質基準を決めます。80億レコードの基盤で定めた基準を『SalesNow』の画面・CRM連携・Data API・SalesNow MCPに共通で適用し、人とAIエージェントが同じ企業を正しく識別できる状態をつくれます。

③ LLMを本番のデータ品質管理に組み込む

フリーランス求人から常駐先の企業を推定する処理のように、ルールでは書き切れない判定があります。合意した目的と予算のもと、LLMを使う工程を選びます。本番データで検証し、出力を採用する条件と「特定不可」とする基準を設計できます。さらに、設計レビューとメンタリングを通じて、メンバーがその基準を実装できる状態までつくれます。精度と1件あたりの処理費用の両方を本番で検証し、品質と継続運用のコストを両立させるところまでが担当範囲です。

④ AI前提で組み替えた開発組織で、データ基盤の進め方そのものを設計する

SalesNowは2025年11月を起点に、社員1人あたりARRを3年で10倍にする目標を置いています。AIツールへの支出は1人あたり月平均10万円以上で、経営陣もコードを書きます。複数のLLMを使う設計レビューの進め方と、指摘を採用する品質基準をあなたが決めます。80億レコードの収集・名寄せ・品質検証で、どこにAIを組み込むかを自分で設計することが可能です。レビューとメンタリングを通じて、その方法と品質基準をチームに定着させ、1人が扱える仕事の範囲を広げられます。

数年後、AIを使えることは当たり前になります。*\差がつくのは、AI前提で仕事と組織を設計し直せるかどうかです。\* SalesNowでは、それを毎日の開発で実践しています。

＜選考プロセス＞

1. 書類選考
2. 面接（複数回）
3. リファレンスチェック
4. オファー面談

＜参考リンク＞

• 採用サイト：

歓迎スキル

• Databricks / AWS Analytics系サービスの設計・運用経験
• Elasticsearch / OpenSearchの設計・チューニング経験
• LLMを活用したデータ品質管理・データクレンジングの経験
• Apache Spark（PySpark含む）を用いた大規模データ処理の設計経験
• データマネジメント・データガバナンスの仕組みを設計した経験
• Git / GitHubを用いたチーム開発の経験
• DataOpsの考え方への共感
• テックリードとして、メンバーの設計レビューや育成を担った経験

求める人物像

• ミッション・バリュー（AIネイティブ・コト志向・最高品質）に共感し、AIを使いこなす意志がある方
• シリーズB目前のスタートアップならではのスピード感を楽しみ、変化の中でも目的から考えて課題を発見し、解決に導ける方
• 誠実さとオーナーシップを持って、チームや顧客に向き合える方
• 新しい技術を自ら試し、前提を疑い、アーキテクチャの本質的な設計判断ができる方
• データの品質に対して妥協せず、品質を担保する仕組みをチームに定着させられる方
• 顧客やビジネス職の要求を技術の優先順位に落とし、チームの技術的な方向を示せる方

※詳しくはカルチャーデックをご覧ください。

応募概要

給与

年収800〜1,500万円

勤務地

渋谷オフィス（リモートワーク可）
※就業場所の変更の範囲：無し

雇用形態

正社員

勤務体系

勤務形態

• フルリモート勤務
• 東京近郊：月1回の出社推奨日あり
• 地方在住：年1〜2回の全社イベント出席のみ
• ※就業場所の変更の範囲：無し

勤務時間

• フルフレックスタイム制（コアタイムなし）
• 1日の標準労働時間：8時間

休日・休暇

• 完全週休2日制（土日祝）
• 年末年始休暇
• 夏季休暇
• 有給休暇（入社6ヶ月後10日付与、最大20日まで繰り越し可）
• female休暇（年5日）
• 慶弔休暇
• 産前産後休暇・育児休業
• 介護休業

試用期間

あり（3ヶ月）

福利厚生

各種手当

• 交通費全額支給
• 読書支援手当（上限5,000円／月）
• スキルアップ・生産性向上支援（上限10,000円／月）
• 飲みニケーション手当
• リファラル採用手当

健康・安心サポート

• 社会保険完備（健康保険・厚生年金・労災保険・雇用保険）
• ベビーシッター補助制度
• 人間ドック（隔年／40歳以上対象）

その他

• ストックオプション制度
• AIツールへの支出は、1人あたり月平均10万円以上（会社負担）