Slide 1

Slide 1 text

研究開発部 メンバーの働き方 Sansan技術本部

Slide 2

Slide 2 text

- 会社概要 | Sansanのカタチ - 企業理念 - 提供サービス - 組織 - 研究開発部について - キャリアパス - DevOps/MLOpsエンジニア - データエンジニア/アナリティクスエンジニア/データプロダクトマネジャー - 研究開発プロジェクト紹介 - 社内制度 目次

Slide 3

Slide 3 text

© Sansan, Inc. 出会いから イノベーションを生み出す いつの時代も、世界を動かしてきたのは出会いです。 人と人、企業と企業、 その出会いの連鎖が社会を前進させます。 私たちは出会いが持つ可能性を再発見し、 未来につなげることでビジネスを変えていきます。 イノベーションにつながる新しい出会いを生み出す。 出会いの力でビジネスの課題にイノベーションを起こす。 そして、ビジネスの出会い、そのもののあり方を変えていきます。 Mission 会社概要 | Sansanのカタチ - 企業理念

Slide 4

Slide 4 text

働き方を変えるDXサービス 提供サービス Sansanは、名刺というアナログ情報をデジタル化してデータとして 活用できるようにすることで、 企業の課題解決を支援してきました。 これからは、名刺管理という分野に限らず、 営業、経理、契約といった より幅広い領域でサービスを展開していくことで、 DXを推進し、働き方を変えていきます。 Sansanの働き方を変えるDXサービスが、 企業とビジネスパーソンの課題解決を後押しします。

Slide 5

Slide 5 text

© Sansan, Inc. 働き方を変えるDXサービス サービス 請求 人や企業との出会いをビジネスチャンスにつなげる「働き方を変えるDXサービス」を提供し、 ビジネスフローにおけるさまざまな分野でサービスを展開しています。 名刺管理 名刺DX 営業 営業DX 契約 契約DX 経理DX 個人向けDX 法人向けDX 必要な情報を すぐに見つけられる 情報の管理がしやすく すぐに共有できる 情報を分析・活用しやすく データに基づいた判断ができる SansanのDXサービスの活用で変わる働き方

Slide 6

Slide 6 text

組織構成の概要 組織 Contract One Unit 4つの主軸プロダクトごとにフロント&プロダクト機能を集約。 PR、ブランディング、 AI トランスフォーメーション、グローバルビジネス推進 など その他の部門 エンジニア、研究開発(R&D)、 システム管理、CSIRT など 技術本部 Sansan事業部 マーケティング、 インサイドセールス、営業、 カスタマーサクセス ブランディング など Bill One事業部 マーケティング、 インサイドセールス、営業、 カスタマーサクセス ブランディング など Eight事業部 マーケティング、 インサイドセールス、営業 カスタマーサクセス ブランディング など マーケティング、営業 など COO室 ※COO=Chief Operating Officer 総務・法務、財務・経理など コーポレート本部 採用、労務、育成、制度設計・運用など 人事本部

Slide 7

Slide 7 text

技術本部 組織 技術本部 各事業部・プロダクトユニットと連携するEngineering Unitと、サービスの根幹技術を担う組織が存在。 Sansan Engineering Unit Contract One Engineering Unit Bill One Engineering Unit Quality Assurance Engineering Unit Digitization部 研究開発部(R&D) データアライアンス部 VPoE室 情報セキュリティ部 コーポレートシステム部 海外開発拠点支援室 Eight Engineering Unit Platform Engineering Unit

Slide 8

Slide 8 text

研究開発から事業へのアプリケーション提供・運用までを手掛ける 研究開発部について アカデミア 活動 中長期的な施策 ・研究開発 コア技術の 開発 アプリケーション・ APIのリリース・ 運用 共同研究 論文投稿 学会協賛 勉強会主催・参加 各種サービスのデータ 構造化 A/Bテスト 社内データ分析 新規サービス検証 OCR技術 名寄せ技術 データ化のための各種 API Sansan Labs データ基盤 デプロイ基盤 帳票からの 情報抽出技術

Slide 9

Slide 9 text

各R&Dテーマの事業領域における位置付け 研究開発部について 画像処理・画像認識 自然言語処理 機械学習 データサイエンス 因果推論 データ可視化 プロダクトマネジメント 新規事業 営業/CS (社内課題) 解約阻止・利用促進(カスタマーサクセス部門) 営業効率化(営業) SceneText Recognition Object Detection 入力の自動化 OCR/項目分割など 超解像 特徴語判定 会社 キーワード 固有表現抽出 メール署名 取り込み 固有表現抽出 ニュース 配信 文書分類 ResNet 企業ロゴ 抽出 Graph Embedding レコメンデ ーション ラベル 予測 名寄せ RCT ABテスト 効果検証 パネルデータ 分析 Sansan Labs (新機能開発) 固有表現抽出 帳票のデータ化 Graph Neural Network Vision Language Model Vision Language Model

Slide 10

Slide 10 text

研究開発部内のメンバー構成 研究開発部について 研究員 / データサイエンティスト MLOps / DevOps エンジニア データエンジニア / アナリティクスエンジニア プロダクトマネジャー プロダクト組織 主に名刺や帳票の高精度なデータ化や蓄積 されたデータからプロダクトの価値を高め るデータを活用した機能の研究開発から サービスリリースまで担う サービスの品質・可用性・セキュリ ティー・オブザーバビリティーを担保 また研究員による試行錯誤を増やし、継続 的に素早くリリースするためのデプロイ基 盤を構築・推進 研究開発部や全社で利用する分析基盤の設 計・開発をリード 自社のプロダクトから生まれるさまざまな ログやデータ連携パートナー企業などから のデータを、活用しやすい形で社内に提供 プロダクト組織と連携し、各プロダクトを 連続的・非連続的に成長させる機能開発・ 検証をリード

Slide 11

Slide 11 text

データ活用を後押しする環境 研究開発部について オペレーターと協働できる体制により、 高品質な学習データの作成が可能 学習データ オペレーター 学習モデル ビジネスデータを集約した データ分析基盤でデータ活用を推進 データ 分析基盤 プレスリリース 財務情報 名 刺 企業情報 発行物 ニュース ニュース配信 ABテスト Data Science Report レコメンデーション ネットワーク分析

Slide 12

Slide 12 text

プロジェクトの進め方 研究開発部について ⁃ 3カ月に一度、全社でOKRを策定する ⁃ トップダウン/ボトムアップ両方で策定し、 相互に連携しあう ⁃ OKRは漸進的な進歩ではなく、 飛躍のための目標 ⁃ 研究開発部では全てを達成することは 期待しない野心的なOKRと コミットするOKRに分ける → 大きなチャレンジに取り組めるようにしている OKR例: Sansanの30%グロースのためにプロダクトの価値を高める → 営業DXを実現するために メール署名取り込みの品質を向上させる ⁃ X月末までにYアルゴリズムの精度(Precision)をZ%にする ⁃ … → Sansan Labsをスケールさせ、 営業DXをリードする機能を生み出す ⁃ X月末までに開発のリードタイムを前Q比でYY%削減する ⁃ X月末までにアプリケーションをY件リリースする ⁃ … OKRの達成のために プロジェクトとして取り組む 壮大な目標を伝え、測定し、達成するために使う 目標と主要な結果(OKR)

Slide 13

Slide 13 text

リーダーの育成 組織の拡大 権限の移譲 フラットな組織に スモール開発 研究開発部について 研究開発部のメンバーは 1チーム2〜4人で計15チームに分かれている(2025/1時点) - 専門領域などで厳密に分かれているものでなく、 関連するプロジェクトに取り組みやすいようにチームを組んでいる - チーム編成の見直しは都度行っている

Slide 14

Slide 14 text

技術スタックと開発フロー 研究開発部について 主な利用言語 Python、R、C#、C++ クラウド AWS、GCP(Google Cloud Platform) ソースコード管理 Github 使用するライブラリや フレームワーク テーマに合わせて自由に選択 サービス本番環境への 実装 Dockerコンテナ技術や AWS(Batch、Lambda、SageMakerなど)、 GCP(Cloud Run、Kubernetesなど) PC Windows PC、Macbookから選択。 AWSやGCPのインスタンスを使用可能。 データ 収集 サービス 構築 評価 リリース 学習 A/B テスト 前処理 推論 機械学習システム ワークフロー

Slide 15

Slide 15 text

働く上で大切にしている価値観 研究開発部について Product First 知行合一 ⁃ ユーザーの課題を解決することで事業に貢献する ⁃ 技術を磨くことが目的になるのではなく、課題解決に向きあう ⁃ 本当の知は実践を伴わなければならない ⁃ 小さく速く課題解決に取り組んでいく姿勢を重視する 1 2 Respect ⁃ それぞれのメンバーがプロフェッショナルである自負をもち、相互に尊敬・信頼する ⁃ プロフェッショナルなメンバーに裁量を与える 3

Slide 16

Slide 16 text

定期開催イベント 研究開発部について OKR 進捗会議 部長へ2週間に一度、 進捗状況のみをクイックに 共有 Monthly Review - チームごとに月1回部長へ 取り組み状況を共有 - 誰でもどのチームの Monthly Reviewに出ること ができる テックトーク (他部署からの参加歓迎!) 週1回、有志で各自取り組ん でいることや技術紹介のLTを している 論文読み会 2週間に1度、有志で読んだ論 文の内容を共有する 勉強会 月に1回、持ち回りで各自が 取り組んでいることや技術紹 介のLTをしている

Slide 17

Slide 17 text

キャリアパス 成長機会 ミッショングレード(役割等級制)を導入。各グレードごとに期待される役割や難易度が変わります ミッショングレードが上がるほど、影響範囲が広がる 例)個人→チーム→グループ→部→会社と変化 社内との調整だけでなく、社外との調整も担当 など 各グレードごとの給与設定 アシスタント グループマネジャー (MS以上) グループマネジャー (M1以上) 副部長(M3以上) 部長(M4以上) 事業部長 / 本部長 ※上記は基本的なキャリアパス

Slide 18

Slide 18 text

DevOps/MLOpsエンジニア

Slide 19

Slide 19 text

DevOps/MLOpsエンジニア - 研究員と協力して、開発や運用における課題に対する技術的な解決の推進 - データ化の自動化を支え、推進するための取り組み - 高精度・低コスト・大量のスループット全てを満たすデータ化システムの 設計・構築・運用 - 研究員が開発したアルゴリズムや機械学習モデルを本番環境で稼働させる ためのサービス品質・可用性・セキュリティ・オブザーバビリティの担保 - 研究開発部内の生産性向上への取り組み 期待/役割

Slide 20

Slide 20 text

名刺データ入力の自動化 DevOps/MLOpsエンジニア | データ化の自動化 解決策 名刺データ化システム「GEES」 - 高速・低コスト・セキュアなデータ化用に細分化されたマイクロタスクの集合体 画像処理技術による自動化 - NineOCR:名刺に特化した独自OCRエンジン - スマートキャプチャー:On-device名刺検出+OCRエンジンによる即時納品 - 言語・手書き文字判定:文字情報によらない名刺の属性判定 結果 - 名刺データ入力コストの削減 - ユーザーが即時に使える一次納品のデータ化精度向上 ビジネス課題 100%に近い精度を実現しながら、データ化にかかるコストの最小化と納品スピードの向上 言語判定 文字情報によらない名刺の属性判定 スマートキャプチャー On-device名刺検出+OCRエンジンによる 即時納品 NineOCR 名刺に特化した独自OCRエンジン

Slide 21

Slide 21 text

請求書データ入力の自動化 DevOps/MLOpsエンジニア | データ化の自動化 請求書画像入力/ データ化システム 入力 データ化 自動化エンジン オペレーター 名刺データ化ノウハウを活かした、請求書データ化システム 請求書画像 請求書データ ユーザ企業 Bill One Entry

Slide 22

Slide 22 text

請求書データ入力の自動化アーキテクチャ DevOps/MLOpsエンジニア | データ化の自動化 https://cloud.google.com/blog/ja/topics/customers/sansan-digitizing-the-analog-invoice-process

Slide 23

Slide 23 text

機械学習(ML)開発フロー DevOps/MLOpsエンジニア | 機械学習(ML)開発 データ 収集 サービス 構築 評価 リリース 学習 A/B テスト 前処理 推論 機械学習システム ワークフロー データエンジニア 研究員 DevOpsエンジニア 機械学習モデル開発 A/Bテストの設計 推論結果をモデルにフィードバック 研究員が作った機械学習モデルを 本番環境のサービスに載せる MLモデル開発が終わったら エンジニアにサービス化を依頼する

Slide 24

Slide 24 text

機械学習(ML)開発フローの課題 DevOps/MLOpsエンジニア | 機械学習(ML)開発 毎回ゼロから サービス構築するため ボトルネックになりがち 研究員が安全にセルフサービスで リリースできる環境を 整えることによって 仮説検証スピードが向上し、 爆速でサービスリリースできる データ 収集 サービス 構築 評価 リリース 学習 A/B テスト 前処理 推論 機械学習システム ワークフロー

Slide 25

Slide 25 text

DevOps/MLOpsエンジニア | 機械学習(ML)開発 研究員が、セルフサービスで安全に本番クラウド環境にアプリケーションを リリースできる基盤 - Kubernetesを利用したコンテナプラットフォーム - ワークロードに応じたKubernetesリソーステンプレートを提供 - ボタンひとつでテンプレートを生成し、GitHubへのPull Requestを 作成するGithub Actionsを提供 アプリケーション基盤:Circuit R&Dのアプリケーション基盤 “Circuit”について https://speakerdeck.com/sansan_randd/about-circuit-r-and-ds-application-platform

Slide 26

Slide 26 text

- R&D 共通の Actions を作成し、各リポジトリから参照する仕組み - reusable workflow - composite action - 共通 Actions を管理するレポジトリを運用 - 参照元を修正すればすべてのリポジトリに反映 - 設定ファイルのメンテナンスコスト削減 - 共通 Actions の例 - 単体テスト - リンター - コンテナイメージのビルド/プッシュ GitHub ActionsによるCI/CDの導入 DevOps/MLOpsエンジニア | 機械学習(ML)開発

Slide 27

Slide 27 text

- 開発時の負荷低減 - 開発を始める際に悩まなくてよい - フレームワーク、ログ、ディレクトリ構成、... - テンプレを用意することでコードベースが同じ - レビューがしやすい - 開発に自身がなくても一通り揃った状態からロジックを埋めれば良い - 用意しているテンプレ例 - web app - web api - batch - k8s yaml サービス開発時のテンプレート作成 DevOps/MLOpsエンジニア | 機械学習(ML)開発

Slide 28

Slide 28 text

やりがい DevOps/MLOpsエンジニア 成果が見えやすい 処理の高精度化等のシステム改修 は、ユーザ体験向上やコスト削減 等のかたちですぐ成果が見えやす いです。 データ化という当社の価値の根源 を受け持ち、責任は大きいものの、 成果もまたインパクトの大きなも のになります。必要とされる仕事 だという実感を常に持てます。 研究員と距離が近い 新規開発・モダナイズに 携われる 研究員と組織上一体化したり、 定例会議を設けるなど、密なチャ ネルを持つようにしています。 新規施策の話、業務での困りごと や改善プランなど、研究員と互い にそういったトピックをすぐ拾い 上げて実行に移せる体制づくりを しています。 新規サービスを作ることも、古参 サービスの運用やモダナイズをす ることもあり、様々な業務に携わ ります。 マイクロサービスが多いため、 一つ一つの開発・運用は比較的 難易度低く、かつ大きな裁量で 行えます。

Slide 29

Slide 29 text

データエンジニア アナリティクスエンジニア データプロダクトマネジャー

Slide 30

Slide 30 text

データエンジニア/アナリティクスエンジニア/データプロダクトマネジャー - データに基づく意思決定をするためには、データそのものだけでは不十分 - データを継続的に収集、蓄積して活用しやすいように整備する基盤が必要 - 各部署でデータ基盤は整備されているが、データが分散している状態 (データのサイロ化) 全社横断データ基盤の必要性と課題 データを使った意思決定を5分で行える世界の実現を目指しており、 その実現にはデータ基盤の構築、ノウハウ・知見を貯めるための環境づくり、 および意思決定をリードする活動が重要

Slide 31

Slide 31 text

- 各プロダクトのデータオーナーと連携し、データ収集パイプラインの設計・構築 - Google Cloud上での分析基盤構築及び運用業務 - メタデータ管理システム構築、運用 - データガバナンスシステム構築、運用 - 各プロダクトへのデータ利活用支援 データエンジニアの主な役割 データエンジニア/アナリティクスエンジニア/データプロダクトマネジャー データ意思決定を支えるデータインフラ及びデータパイプラインの構築

Slide 32

Slide 32 text

- データアナリストと協力し、各プロダクトのデータを分析することでの、データを使った 意思決定の推進 - アプリ開発者と協力してのデータプロダクト構築支援 - データエンジニアと協力し、データマートやDWHの設計・構築・運用 - メタデータ整備 - BIツールの利用ルール浸透や権限整備 - データガバナンスの整備 アナリティクスエンジニアの主な役割 データエンジニア/アナリティクスエンジニア/データプロダクトマネジャー 基盤利用者、データエンジニアと協力して、データを使った意思決定の促進のための エンジニアリング業務

Slide 33

Slide 33 text

- 全社横断データ基盤構築のリード - データレイク・データウェアハウス・データマートの設計、構築リード - 全社横断データ基盤を用いたデータ活用の普及・促進 - 全社にわたるデータガバナンス・データリネージ・データ品質に関する取り組みのリード - データ活用を加速させるための技術選定や導入 - 社内データ活用・Sansan Labs アプリケーションのリード - 社内の各部門と連携して、データ活用の仮説検証や課題解決 - 仮説検証、全社横断データ基盤を用いたソリューション構築、導入 データプロダクトマネジャーの主な役割 データエンジニア/アナリティクスエンジニア/データプロダクトマネジャー 社内のビジネス課題を解決するための新機能のプロダクトマネジメント、 データ活用を加速するためのデータ基盤構築のリード

Slide 34

Slide 34 text

権限と責務 データエンジニア/アナリティクスエンジニア/データプロダクトマネジャー データ基盤 データソース DB ログ ファイル データ所有者 BigQuery Cloud Composer (Apache Airflow) データ レイク DWH データ マート メタデータ データ 収集 エンドユーザー PdM、開発者 Looker データ 活用 データ基盤利用者 データアナリスト アプリ開発者 データプロダクトマネジャー アナリティクスエンジニア データエンジニア Amazon EKS

Slide 35

Slide 35 text

データ基盤アーキテクチャ データエンジニア/アナリティクスエンジニア/データプロダクトマネジャー Cloud Storage Amazon S3 Amazon Aurora Storage Transfer Service Cloud SQL Logging Cloud Composer Project データ基盤 Data lake BigQuery Project データ分析A BigQuery DWH BigQuery Data mart BigQuery Project データ分析B BigQuery Group A Group B データ基盤エンジニア その他 AWSリソース Azure Blob Storage Salesforce

Slide 36

Slide 36 text

やりがい データエンジニア/アナリティクスエンジニア/データプロダクトマネジャー 多種多様なデータや モダンなシステムに携われる 扱うデータは、その量と独自性で 他に類を見ません。 膨大なデータに向き合うことも、 データ一つひとつに泥臭く向き合 うこともあります。 データベースの多くはGoogle Cloud上に構築されており、 Modern Data Stackやサーバーレ スアーキテクチャ、並列分散処理 などを用いたモダンなシステム開 発を担当できます。 さまざまな部署のメンバーと 切磋琢磨できる インパクトの大きい プロジェクトをリードできる データ×テクノロジー×オペレー ション(人力)を最大限に活用 したプロダクトに携われます。 どれかを偏重するのではなく、 プロダクト側やデータアナリスト とも連携しながら開発を進めてい きます。 また、少人数のチームを組むため 一人一人の裁量は大きく、自分の アイデアを存分に生かせます。 データプロダクトマネジャーは 「営業DXをドライブする機能を 生み出す」「データ活用で社内の ビジネス課題を解決する」という 2つのミッションの実現を目指し、 プロジェクトを推進できるポジ ションです。 ユーザーや社内の他部門へのヒア リングを通じて課題を特定し、課 題解決を形にするところまで一気 通貫で携わることができます。

Slide 37

Slide 37 text

「データを使った意思決定を5分で行える世界」を実現するための活動 今後の展開 データエンジニア/アナリティクスエンジニア/データプロダクトマネジャー - データを活用した意思決定を高速化する - 社内のデータ活用事例を創出する - データアナリスト・データサイエンティストのデータ分析に要する時間を短縮する - 各プロダクトのドメイン知識を蓄積 - データウェアハウス上のデータ整備 - データソース追加に要する開発工数の短縮化 既存データ基盤の統合 - データのサイロ化を解消し、データ管理の運用負荷とコストを削減する

Slide 38

Slide 38 text

研究開発プロジェクト紹介

Slide 39

Slide 39 text

内製のVision-Language Model 「Viola」 文書のデータ化 × Vision-Language Model 解決策 事前学習を通して汎用的な文字認識能力を持つモデルを作成し、 Fine-Tuningで各プロダクトのデータ化結果を直接学習する 結果 複雑なルールをモデルで学習可能となり、いくつかのタスクで既存エンジンの精度を上回る ビジネス課題 名刺や請求書、契約書のデータ化精度を向上させる 文字認識に特化した 事前学習 データ化ルールを Fine-Tuning 文書 Viola 請求書特化 Viola 名刺特化 Viola システム 契約書特化 Viola

Slide 40

Slide 40 text

グラフ機械学習を活用した検索・レコメンデーション Eight × Graph Embedding 解決策 企業間名刺交換ネットワークにGraph Embedding(node2vec)を 適用して、各企業をベクトル形式の特徴量で表現し、 埋め込み空間上で企業間類似度を計算 結果 - Eight Career Designの候補者検索において、 特定企業に類似している企業で勤めている候補者が検索可能 - ニュース配信のレコメンデーションに活用し、 同業他社の動向を自動で取得可能 ※Eightの利用規約の許諾範囲内で 匿名化したデータを統計的に利用しています。 A社: (0.4, 0.2, 0.1, …, 0.8)T B社: (0.1, 0.5, 0.1, …, 0.2)T F社: (0.5, 0.1, 0.7, …, 0.5)T G社: (0.6, 0.7, 0.8, …, 0.6)T ビジネス課題 企業間名刺交換 Eight ネットワーク A社 D社 B社 C社 E社 F社 G社 … 特定の企業と同業界・同業態の企業を検索したり、 ニュースを配信する体験をつくる

Slide 41

Slide 41 text

レイアウトを考慮した帳票からの情報抽出 帳票データ × 自然言語処理 & Graph Neural Network 解決策 テキストとそのレイアウトを特徴とするモデルによる情報抽出 結果 既存システムからの自動化率の向上 1. 構造化 2. グラフ化 3. GNN 4. タグ予測 請求金額 10,000 ビジネス課題 スケーリングを目的とした、請求書や契約書のデータ化の自動化

Slide 42

Slide 42 text

メール署名取り込み Sansan メール署名取り込み × 自然言語処理 解決策 メールから名刺相当の構造化された顧客情報を自然言語処理 (固有表現抽出や構文解析、辞書などによるスコアリング)を活用 することで抽出する 結果 メールでのつながりの情報を企業の資産として蓄積し、 営業力を強化するというコンセプトを プロダクト上で実現できた 図:メール署名取り込みのイメージ図 ビジネス課題 メールだけでやりとりをしていて名刺交換できていない相手の連絡先を、 メールの署名から抽出し企業の資産として蓄積する

Slide 43

Slide 43 text

モバイルアプリ内での効果的な利用訴求メッセージの特定 Sansan × 因果推論(RCT) 解決策 ABテストで複数の訴求メッセージの中から 効果的なものを特定 結果 - 目標値を上回る利用実績を実現 - 利用訴求メッセージの違いを定量的に判断でき、 カスタマーサクセスのメッセージ作成にも 知見が蓄積された 商談前に、つながりを検索。 相手と同僚との接点を確認しよう スマホで人脈をサクサク検索。 商談相手とのつながりを事前に把握しよう A案 B案 Sansanモバイルアプリ上で 特定の機能を使用したことがないユーザーに対し、 効果的に利用促進するメッセージを特定する ビジネス課題

Slide 44

Slide 44 text

社内制度

Slide 45

Slide 45 text

© Sansan, Inc. 生産性を高め、さらに仕事に向き合うために。 Sansanの社内制度は、事業成長を加速するために存在しています。 単純な生活支援・福利厚生ではなく、生産性を高めるための支障・困難を軽減・緩和するための施策であり、 社員一人ひとりが全力で仕事に向き合い、ミッション・ビジョンを実現するために設計されたものです。 社内制度は事業フェーズ、そして組織のあり方によってアップデートし、 新たな社内制度についてもこの考え方に基づき意思と意図を持って設計します。 Sansanの社内制度 社内制度 © Sansan, Inc.

Slide 46

Slide 46 text

© Sansan, Inc. Sansanの社内制度 社内制度 コミュニケーションの促進 上長、役員との交流 ・カタチサロン ・カタチバ ・代表の寺田と語るSansanのカタチ 部門を越えた交流 ・ヨリアイ ・ななはち 業務効率向上 妊娠中・育児中のメンバー ・OYACO ・H2O ・M2O(新卒メンバー向け) 通勤による負担を軽減 ・チャージ休暇 ・どに〜ちょ ・社会人博士課程支援制度 スキルアップ 強みを活かす 個 人 ・Jump! ・強マッチ ・コーチャ ・コーチャ for マネジメント 組 織 ・コーチャチーム ・見つカッチ ・Sansanファミリーデー ・フィット その他 ・マイミャク ヨリアイ 代表の寺田と語るSansanのカタチ 社内部活動 ・よいこ よいこ「Sansan BBC」

Slide 47

Slide 47 text

© Sansan, Inc. コミュニケーションの促進 社内制度 ・ヨリアイ 終業後にアルコールを含むドリンクや軽食が提供され、 部署内外を問わず、気軽にコミュニケーションが取れる ・ななはち 新入社員が配属部門以外のメンバーと交流し、 他部署の業務やメンバーを知ることができる ・カタチサロン 「Sansanのカタチ」について、役員とざっくばらんに話せる

Slide 48

Slide 48 text

© Sansan, Inc. 通勤による負担を軽減 社内制度 ・H2O 自宅の最寄り駅が本社近隣の対象駅*の場合に、 家賃にかかる費用の一部が補助される *対象駅(渋谷駅から2駅以内。ただし、JR埼京線・湘南新宿ラインを除く): 渋谷、表参道、中目黒、代官山、三軒茶屋、池尻大橋、駒場東大前、神泉、広尾、恵比寿、 目黒、原宿、代々木、代々木公園、明治神宮前、北参道、乃木坂、外苑前、青山一丁目 ・M2O(新卒社員向け) 新卒入社時に勤務地近隣の指定エリアに引っ越した場合に、 新生活を始めるための費用として一定額が支給される

Slide 49

Slide 49 text

© Sansan, Inc. 業務効率の向上(妊娠中・育児中のメンバー) 社内制度 ・OYACO 小学校6年生までの子どもがいるメンバーが仕事と子育てを 両立できるように、育児をサポートするさまざまなサービスの 利用に対して補助が受けられる

Slide 50

Slide 50 text

© Sansan, Inc. 強みを活かす社内制度 社内制度 ・コーチャ 希望する社員が、1対1でコーチングを受けることができる コーチングの認定資格を取得した社員が本制度の運用と実施を担当 ・強マッチ エニアグラムやストレングスファインダーを実施し、一人ひとりの 「強み」を部門内で発表 ・Jump! 社内公募やキャリアのアドバイスを通して、 自身の「強み」を活かした新たな業務へのチャレンジができる

Slide 51

Slide 51 text

© Sansan, Inc. イベントの様子 人事施策 Tech道場 Sansanファミリーデー 創業記念パーティー 33 (Sansan)の日 よいこ

Slide 52

Slide 52 text

研究開発部の採用情報 各種募集ポジションや関連記事などを Notionにまとめています 研究開発部のメンバー紹介 所属するメンバーのバックグラウンドや これまでの発表掲載実績などをまとめています https://media.sansan-engineering.com/randd https://sansan-engineering.notion.site/0afd3852e1d84695aff717be048e5062

Slide 53

Slide 53 text

No content