Nehan株式会社 の全ての求人一覧

会社概要【新しい公共を共に創ろう】 Nehan株式会社では、「新しい公共を共に創ろう」をミッションに、自治体や官公庁と取引を行いたい企業に対して公共営業のためのAIワークフロー「Labid」を開発・提供しています。行政機関が年間で民間企業へ支出する金額は年間約27兆円ある巨大市場です。 直近、政府は2040年度までに官民で370兆円超の投資を目指す成長戦略を掲げており、「戦略17分野」において、公共調達を積極的に活用する方針も掲げ注目を集めている領域です。官公庁、地方自治体などの行政機関への営業には「入札情報」、行政機関の財源を示した「予算書」や「総合計画」といったあらゆる行政文書から情報収集を行いながら実施する必要があります。しかし、これらの行政文書は各行政機関のHPや独自システムに個別に開示されます。そのため、公共営業を行う企業にとっては膨大な情報収集コストがかかり、「効率的に営業活動を行えない」という課題感が存在していました。また、仮にAIを活用して情報収集ができたとしてもそれらの情報が「自社に合致しているのか」を判断するのにも膨大な時間を要します。Labidはあらゆる行政データを収集し、過去の受注実績といった自社データと掛け合わせることで「自社がアプローチすべき行政機関を可視化し、営業効率の最大化」を実現するAIプラットフォームです。膨大な行政データを収集する技術に加えて、それら行政データと自社の実績データを掛け合わせるための独自の特許技術を有しています。これらの技術力を活かして、今後はより業務フローに組み込まれたブロダクトの進化を目指しながら、周辺領域を中心に複数プロダクトを立ち上げていきます。採用背景これまで当社のビジネスサイドはCEO、COOの2名体制でした。そのため、ほぼ全ての商談、既存顧客対応をCEO、COOのいずれかが担っている状態で属人化が課題となっています。一方で、顧客獲得やLTV向上につながる勝ち筋の兆しが見え始めています。 今後はその仮説を検証し、再現可能なプロセスへの仕組み化を進めてPMFを実現したいと考えています。本ポジションでは、Revenue最大化に向けて「マーケティング〜CS」まで特定の職種に閉じず、事業/プロダクト全体を俯瞰しながらのGTM戦略策定、実行に向けた戦術立案とオペレーションの実行と仕組み化を牽引いただける方を募集します。経営陣を除くと1人目のビジネスサイドのポジションであり、シードフェーズの事業開発に創業メンバーとして0から関わることが可能です。具体的な業務内容GTM（Marketing / Sales）SEOを中心としたオーガニックリード獲得戦略の立案・推進、および再現性のあるリード獲得チャネルの開拓インサイドセールスとしてSDR/BDR対応・プロセス設計・改善フィールドセールとして商談の実施営業資料、提案ストーリー、商談プロセスの設計・改善ファネル・KPIの設計、モニタリングおよび改善CSオンボーディング最適化のプロセス設計顧客との定例MTGの実施アップセル・クロスセル実現のためのストーリー、商談プロセスの設計SMBのCSのテックタッチ化の推進CTOはじめ開発部門と連携した顧客価値最大化のためのプロダクト改善のためのプロセス設計入社後に期待することまずは、自ら顧客・商談・プロダクト・市場を深く理解し、当社における売上最大化の勝ち筋を掴んでいただきます。 そのうえで、まずはご自身で圧倒的な数値成果を創出いただくことが大前提です。 中長期的には、マネージャーとして、チームで成果創出できる再現性を構築し、事業成長を牽引いただくことを期待しています。本ポジションの魅力市場自体を再定義できる可能性がある 公共営業の領域は「入札情報サービス」「議会録検索サービス」といったデータベースを主流とするプロダクトしか存在しませんでした。 Labidはデータベースに加えてAIネイティブなCRMや書類作成エージェントを搭載する公共営業OSとして新たなマーケットを切り開く余地のあるプロダクトです。 そのため、市場自体を再定義する稀有な経験を積める可能性があります。経営陣と近い距離で事業立ち上げに経営戦略から関われる ただ売上を作る、解約を阻止するといった業務だけではなく、0→1のシードフェーズで今後の会社の土台を築く創業メンバーとして「会社」自体を作り上げるプロセスを経験できます。プロダクト開発に深く関われる Labidは単なる「データベース」ではなくCRMとしての機能を有することが大きな特徴です。ゆえに顧客の業務フローに深く組み込まれる余地があり、それを実現するためのプロダクト改善がまだまだ必要なフェーズです。 そのため、顧客要望の整理、プロダクトの仕様策定、開発メンバーとのすり合わせなどプロダクト開発にも深く関わることが可能です。

Nehan株式会社では、「新しい公共を共に創ろう」をミッションに、自治体や官公庁と取引をする企業向けに 「AIデータプラットフォーム Labid」を開発・提供しています。業務としては、主にLabidのプロダクトの根幹を担う行政情報のリサーチを行っていただきます！また、希望があればセールス・マーケティング業務に挑戦していただくことも可能です！まだまだ会社も事業も急成長させていくフェーズのスタートアップのため、チャレンジ精神があればどんな業務でもお任せいたします！▼会社HP https://nehan6.com/▼サービスページ https://labid.jp/▼資金調達リリース Nehan株式会社、シードラウンドで総額約1.6億円の資金調達を実施 https://prtimes.jp/main/html/rd/p/000000023.000120593.html

Nehan株式会社では、「新しい公共を共に創ろう」をミッションに、自治体や官公庁と取引をする企業向けのAIプラットフォーム「Labid」を開発・提供しています。今回募集するのはLabidのカスタマーサクセス・営業を担う学生インターンです。実際の企業と向き合いながら、 ・どのような企業が、どんな公共営業の課題を抱えているのか ・Labidの価値を誰に・どのように伝えればよいのか ・導入いただいた企業が、どうすればLabidを活用して成果を出せるのか ・顧客から得た声を、営業・CS・プロダクトの改善にどう活かすのか を社員と一緒に考え、実行してもらいます。■主な業務内容 <カスタマーサクセス> ・Labidを導入している企業の活用支援 ・顧客との定例ミーティングへの参加 ・顧客の課題・ニーズのヒアリング ・Labidの活用方法の提案 ・利用状況をもとにした改善施策の検討 ・顧客から得たフィードバックの整理・開発チームへの共有<営業> ・ターゲット企業・業界のリサーチ ・見込み顧客へのアプローチ ・営業資料・提案資料の作成経験や成果に応じて、企業へのアプローチや商談など、自分自身で顧客を担当するところまでお任せしていきます。■このインターンで経験できること 1.実際の顧客と向き合い、ビジネスの基礎となる力を身につける このインターンでは、実際の企業を相手に、営業・カスタマーサクセスの現場に入ってもらいます。相手がどんな課題を抱えているのかを聞き、仮説を立てて提案し、その反応をもとに次のアクションを考えます。単に「商品を売る」「使い方を説明する」のではなく、顧客を理解して価値を届ける一連のプロセスを経験できます。こうした力は、営業やカスタマーサクセスだけでなく、事業開発、マーケティング、コンサルティング、プロダクト企画、起業など将来どのようなキャリアに進んでも活かせるものだと考えています。2.シードフェーズのスタートアップで、事業がつくられていく過程に関われる まだ事業や組織の形が完成していないシードフェーズのスタートアップです。 決められたオペレーションを実行するだけではなく、自分で仮説を立て、試し、結果を見て、仕事のやり方そのものを改善していくことが求められる環境です。将来スタートアップや新規事業に関わりたい人、起業に興味がある人にとって、事業がゼロから形になっていく過程を間近で経験できます。3.AIを活用した、新しい仕事の進め方を経験できる LabidというプロダクトにAIを組み込むだけでなく、営業・カスタマーサクセスの仕事にもAIを積極的に活用しています。これからの仕事ではAIを便利なツールとして使うだけではなく、「人とAIがそれぞれ何を担えば、より良い仕事ができるのか」を考え業務そのものを設計する力が重要です。希望や適性に応じて以下のような業務オペレーションの改善にも取り組むことが可能です。 ・AIを活用した顧客・市場リサーチ ・商談準備や顧客情報の整理 ・営業・CSデータの分析 ・定型業務の自動化 ・AIを前提とした営業・CSの業務フロー設計4.「行政×AI」という、これから変化していく市場の最前線に触れられる 国や自治体と企業の間には大きな市場がある一方で、まだ多くのアナログな業務や属人性が残っています。インターンとして働く中でも、単にAIツールを利用するだけではなく、「新しいテクノロジーを実際の顧客の仕事にどう実装して価値に変えていくのか」を営業・カスタマーサクセスの現場から考えることができます。・会社HP：https://nehan6.com/ ・サービスページ：https://labid.jp/ ・27兆円が動く公共入札をAIで変革する起業家の物語／Nehan株式会社 代表取締役CEO 鶴巻 百門（Startup Now-スタートアップ起業家の物語） https://www.youtube.com/watch?v=WAnPyYqJd_k ・資金調達リリース Nehan株式会社、シードラウンドで総額約1.6億円の資金調達を実施 https://prtimes.jp/main/html/rd/p/000000023.000120593.html

会社概要【新しい公共を共に創ろう】 Nehan株式会社では、「新しい公共を共に創ろう」をミッションに、自治体や官公庁と取引を行いたい企業に対して公共営業のためのAIワークフロー「Labid」を開発・提供しています。行政機関が年間で民間企業へ支出する金額は年間約27兆円ある巨大市場です。 直近、政府は2040年度までに官民で370兆円超の投資を目指す成長戦略を掲げており、「戦略17分野」において、公共調達を積極的に活用する方針も掲げ注目を集めている領域です。官公庁、地方自治体などの行政機関への営業には「入札情報」、行政機関の財源を示した「予算書」や「総合計画」といったあらゆる行政文書から情報収集を行いながら実施する必要があります。しかし、これらの行政文書は各行政機関のHPや独自システムに個別に開示されます。そのため、公共営業を行う企業にとっては膨大な情報収集コストがかかり、「効率的に営業活動を行えない」という課題感が存在していました。また、仮にAIを活用して情報収集ができたとしてもそれらの情報が「自社に合致しているのか」を判断するのにも膨大な時間を要します。Labidはあらゆる行政データを収集し、過去の受注実績といった自社データと掛け合わせることで「自社がアプローチすべき行政機関を可視化し、営業効率の最大化」を実現するAIプラットフォームです。膨大な行政データを収集する技術に加えて、それら行政データと自社の実績データを掛け合わせるための独自の特許技術を有しています。これらの技術力を活かして、今後はより業務フローに組み込まれたブロダクトの進化を目指しながら、周辺領域を中心に複数プロダクトを立ち上げていきます。採用背景これまで当社のビジネスサイドはCEO、COOの2名体制でした。そのため、ほぼ全ての商談、既存顧客対応をCEO、COOのいずれかが担っている状態で属人化が課題となっています。一方で、顧客獲得やLTV向上につながる勝ち筋の兆しが見え始めています。 今後はその仮説を検証し、再現可能なプロセスへの仕組み化を進めてPMFを実現したいと考えています。本ポジションではVP of Revenue候補としてRevenue組織（Marketing・IS・FS・CS）を統括し、売上成長の再現性獲得に向けて戦略策定〜実行をリードいただきます。経営陣を除くと1人目のビジネスサイドのポジションであり、シードフェーズの事業開発に創業メンバーとして0から関わることが可能です。具体的な業務内容GTM（Marketing / Sales）SEOを中心としたオーガニックリード獲得戦略の立案・推進、および再現性のあるリード獲得チャネルの開拓事業計画に基づく営業戦略の策定・実行IS／FSの組織体制の設計・構築営業資料、提案ストーリー、商談プロセスの設計・改善ファネル・KPIの設計、モニタリングおよび改善CSNRR向上のための戦略策定・実行オンボーディング最適化のプロセス設計アップセル・クロスセル実現のためのストーリー、商談プロセスの設計SMBのCSのテックタッチ化の推進CTOはじめ開発部門と連携した顧客価値最大化のためのプロダクト改善のためのプロセス設計入社後に期待することまずは、自ら顧客・商談・プロダクト・市場を深く理解し、当社における売上最大化の勝ち筋を掴んでいただきます。 そのうえで、CEOやCOOの営業・CS活動を可視化・言語化し、再現性のあるRevenue創出プロセスへと落とし込んでいただきます。 中長期的には、IS〜CSを一気通貫で管掌いただき、事業成長を牽引いただくことを期待しています。本ポジションの魅力市場自体を再定義できる可能性がある 公共営業の領域は「入札情報サービス」「議会録検索サービス」といったデータベースを主流とするプロダクトしか存在しませんでした。 Labidはデータベースに加えてAIネイティブなCRMや書類作成エージェントを搭載する公共営業OSとして新たなマーケットを切り開く余地のあるプロダクトです。 そのため、市場自体を再定義する稀有な経験を積める可能性があります。経営陣と近い距離で事業立ち上げに経営戦略から関われる 本ポジションは、経営チームと連携しながら事業戦略・組織戦略・中期計画にも関与いただくポジションです。 ただ売上を作るだけではなく、0→1のシードフェーズで今後の会社の土台を築く創業メンバーとして「会社」自体を作り上げるプロセスを経験できます。プロダクト開発に深く関われる Labidは単なる「データベース」ではなくCRMとしての機能を有することが大きな特徴です。ゆえに顧客の業務フローに深く組み込まれる余地があり、それを実現するためのプロダクト改善がまだまだ必要なフェーズです。 ただ、Revenue組織を統括するだけではなく、プロダクトも俯瞰的に見ることができる「事業開発」としての要素が強いポジションです。

■概要 全国の自治体・省庁に散在する行政情報を、顧客が使えるデータとして安定して届けるための、データ運用の設計・改善を担うポジションです。 Nehanでは、入札・落札・予算・議会録・行政計画・組織情報など、これまで分断されていた行政の一次情報を収集・構造化しています。 行政情報は、公開場所や形式、更新頻度が自治体・省庁ごとに異なり、表記揺れや組織変更、例外も多くあります。そこで、実際のデータ収集・加工・確認・更新の現場に入り、どこで時間がかかるのか、どこで品質が落ちるのか、どこまでをAIやシステムに任せるべきかを見極めながら、業務の流れそのものを組み直していきます。 日々の運用を安定して回すだけでなく、品質・処理量・コストを数字で捉え、繰り返し起きる問題を仕組みとして解消していくことが、この仕事の中心です。 また、現場に最も近いからこそ見つけられる新しいデータや顧客価値もあります。将来的には、次にどんなデータを持つべきか、そのデータをどうプロダクトや事業につなげるかまで役割を広げていけます。 ■募集背景 Labidの価値は、行政データを多く持つことだけではありません。顧客が営業判断に使える品質で、必要なデータが継続的に届くことにあります。 一方で、扱うデータの種類や量が増えるほど、収集・加工・判定・確認・更新の運用は複雑になります。例外対応や手作業をその都度増やしていては、品質もコストも事業の成長に耐えられません。 今後さらにデータの種類と量を増やしていくためには、日々の運用を率いながら、AI・ルール・システム・人の役割を見直し、データが安定して生まれ続ける仕組みをつくる人が必要です。 ■ミッション ・日々のデータオペレーションを安定して回す データ収集・加工・レビュー・更新の進捗、処理量、品質を見ながら、優先順位や担当を調整します。問題が起きたときに止まらず、どこで詰まっているかを早く見つけ、チームとして毎日安定してデータを届けられる状態をつくります。 ・AI・ルール・システム・人の役割を組み直す 自ら現場に入り判断基準や例外対応を理解したうえで、どこをAI / LLMに任せるか、どこをルール化するか、どこに人の判断を残すかを設計します。単発の効率化ではなくデータ量が増えても品質と生産性を維持できるオペレーションへ変えていきます。 ・データ品質を数字で捉え改善し続ける 取得率・精度・鮮度・処理コスト・リードタイムなどを見ながら、ボトルネックを特定します。改善施策を実行し、結果を確かめながら次の改善へつなげるところまで担います。 ・現場から次のデータと事業の種を見つける 顧客ヒアリングや商談、日々のデータ運用から「この情報があれば顧客の判断が変わる」「このデータは他の顧客にも価値がありそう」という仮説を見つけます。小さく検証しながら、価値が見えたものは新たなデータ資産・機能・新しい事業機会へつなげます。 ■業務内容 ・顧客・営業・Productとの対話を通じた、新しいデータニーズ・事業機会の発見 ・次に取得・構造化すべき行政情報と投資優先順位の策定 ・複数の行政データを組み合わせた、新しいデータセット・インサイトの企画 ・データを活用した新機能・新規プロダクト・新規事業の仮説立案と顧客検証 ・提供方法・プラン・マネタイズの検討 ・データモデル、名寄せ・正規化、品質基準などデータ資産の上流方針の策定 ・経営・プロダクト・エンジニアリング・データオペレーションと連携したデータ開発ロードマップの策定 ・限られた人・開発リソースをどのデータ領域へ投資するかの意思決定

■概要 全国の自治体・省庁に散在する行政情報を、顧客が使えるデータとして整え、届ける仕事です。 Nehanでは、入札・落札・予算・議会録・行政計画・組織情報などの一次情報を収集・構造化しています。このポジションでは、元となる行政情報を確認しながら、データの収集・加工・確認・修正を担います。 単に決められた作業をこなすのではなく、日々の業務で見つけた違和感や例外を、手順の見直しや人工知能・自動化の活用など、より良いデータ運用につなげていくことも期待しています。 まずは正確なデータづくりから始め、経験を積んだ後は、他メンバーの確認や進捗・品質管理、優先順位調整など、日々のデータ運用を率いる役割へ広げていけます。 ■募集背景 Labidの価値は、検索画面や人工知能の機能だけでなく、その裏側にある行政データの品質によって決まります。 一方、行政データには欠損・重複・表記揺れ・誤った紐付けなど多くの例外があり、その場しのぎの修正だけでは同じ問題が繰り返されます。 そこで、日々データに触れながら違和感や原因を見つけ、正しいデータを届けるだけでなく、より良いデータ運用へ改善していくメンバーを募集します。 経験を積んだ後は、他メンバーの確認や進捗・品質管理など、日々のデータ運用を率いる役割にも広げていただきます。 ■ミッション ・顧客が使える品質のデータを届ける 行政機関の一次情報を確認しながら、データの収集・加工・確認・修正を行います。 ・違和感や例外を発見し、改善につなげる データの欠損や重複、表記揺れなどを見つけた際は、その場で直すだけでなく原因や再発パターンまで確認しして改善につなげます。 ・日々の仕事を、より良い仕組みに変える 繰り返し発生する作業や判断を見つけ、手順・ルール・確認方法の改善やAI・自動化の活用につなげます。 ■業務内容 ・行政機関のウェブページ・PDF・各種公開資料から必要な情報を収集する ・データの欠損・重複・表記揺れ・誤った紐付けなどを確認し、修正する ・一次情報と照らし合わせながら、データが正しいか確認する ・表計算ソフトを使ったデータの確認・集計 ・定められたルールや生成AIを使ったデータ判定・品質確認 ・例外やエラーが起きた原因を整理し、チームへ共有する ・手順書・確認項目・運用ルールを更新する ・繰り返し起きる問題を、ルール変更や自動化などの改善につなげる ・新しく入るメンバーの立ち上がりを支援する

Nehan株式会社では、「新しい公共を共に創ろう」をミッションに、自治体や官公庁と取引をする企業向けのAIプラットフォーム「Labid」を開発・提供しています。Nehan株式会社では、「新しい公共を共に創ろう」をミッションに、自治体や官公庁と取引を行いたい事業者向けサービス「AIデータプラットフォーム Labid」を開発・提供しています。Labidでは、全国の自治体・官公庁から入札案件、落札案件、予算書、議会録など膨大な公共データを収集・構造化し、企業の営業活動を支援するAIデータプラットフォームを構築しています。今回募集するポジションでは、このデータプラットフォームの中核となるデータ取得・加工パイプラインの設計・開発を担当していただきます。単にデータを収集するだけではなく、様々なデータソースから情報を取得し、重複排除や正規化、構造化を行い、AIが活用できる高品質なデータへ変換する仕組みをゼロから設計・構築していただきます。また、今後はLLMやAIエージェントが活用するナレッジ基盤の構築も進めており、データパイプラインからデータモデル、アーキテクチャ設計まで幅広く携わることができます。【このポジションで取り組むこと】 全国の自治体・官公庁サイトから公共データを収集するデータパイプラインの設計・開発 クローラーやLLMを活用したデータ抽出・構造化 データ品質向上のための正規化・重複統合・データクレンジング AIが利用しやすいデータモデル・データ基盤の設計 データ基盤の運用改善・パフォーマンス最適化 新たなデータソースの追加・取得基盤の拡張【技術スタック】 Python Playwright LangChain / LangGraph OpenAI API AWS（ECS / SQS / Step Functions） MySQL GitHub Actions Docker →新規基盤設計の際は技術スタックの選定からお願いすることもあります

■概要 全国の自治体・省庁に散在する行政データを活用し、新しい顧客価値・プロダクト・事業をデータ戦略リードを募集します。Nehanでは入札・落札・予算・議会録・行政計画・組織情報など、これまで分断されていた行政の一次情報を収集・構造化しています。このポジションでは、既存のデータを分析するだけではなく、顧客・市場・事業戦略から逆算し、「次にどんなデータを持つべきか」「そのデータを組み合わせると何ができるか」「そこからどんなプロダクト・事業をつくれるか」を考え、経営陣も巻き込みながら検証・推進していただきます。■募集背景 Labidの競争力は、単に多くの行政データを持つことではなく、他では得られない行政情報を組み合わせ、顧客がこれまでできなかった判断をできるようにすることにあります。扱える一次情報が増えるほど、「次に何をデータにするか」だけでなく、「このデータを組み合わせるとどんな顧客課題を解けるのか」「既存のLabidをどう進化させられるのか」「ここから新しいプロダクトや事業をつくれないか」という上流の判断が重要になります。データ戦略リードが担うのはそのさらに上流であり、顧客・市場・事業戦略からNehanがどの行政データに投資しそのデータで何をつくるかを決めるという、データを事業の選択肢へ変える役割です。■ミッション ・顧客・市場から、次に持つべきデータと投資先を決める 顧客や営業現場、プロダクトを往復しながら、「何が分かれば顧客の意思決定が変わるのか」「これからどんな情報が必要になるのか」を捉えます。既存データありきではなく、事業戦略から逆算して新しく取得・構造化するデータや、品質改善を含めた投資の優先順位を決めていただきます。・分断された行政データをつなぎ、新しい顧客価値をつくる 入札・落札・予算・議会録・行政計画・組織情報など、これまで別々に存在していた一次情報をどう組み合わせれば、新しい判断が可能になるのかを考えます。Nehan独自のデータの構造や組み合わせを企画し、実際に顧客に使ってもらいながら価値を検証します。・データを新しいプロダクト・事業に変える 顧客のニーズや、複数のデータを横断することで見えてきた発見から、新しいLabidの機能やプロダクトや事業の仮説をつくります。営業・プロダクト・開発・データ運用のメンバーと連携し、顧客への提供価値から提供方法や収益化まで検証していきます。■業務内容 ・顧客・営業・Productとの対話を通じた、新しいデータニーズ・事業機会の発見 ・次に取得・構造化すべき行政情報と投資優先順位の策定 ・複数の行政データを組み合わせた、新しいデータセット・インサイトの企画 ・データを活用した新機能・新規プロダクト・新規事業の仮説立案と顧客検証 ・提供方法・プラン・マネタイズの検討 ・データモデル、名寄せ・正規化、品質基準などデータ資産の上流方針の策定 ・経営・プロダクト・エンジニアリング・データオペレーションと連携したデータ開発ロードマップの策定 ・限られた人・開発リソースをどのデータ領域へ投資するかの意思決定

Nehan株式会社では、「新しい公共を共に創ろう」をミッションに、自治体や官公庁と取引を行いたい事業者向けサービス 「AIデータプラットフォーム Labid」を開発・提供しています。 昨年サービスをローンチし、ユーザー数が着実に増えている中でこれからAIを使用した新機能の開発や、既存機能の改修、開発組織作りを共に進めていくバックエンドエンジニア を募集します。

Nehan株式会社では、「新しい公共を共に創ろう」をミッションに、自治体や官公庁と取引をする企業向けのAIプラットフォーム「Labid」を開発・提供しています。 Labidでは、ユーザーの業務文脈に応じたレコメンド・ランキングの需要が増えています。 シニアエンジニアが設計方針と評価基盤を整える一方で、実装・実験・改善を回す実行力が必要です。必要なのは、設計方針を理解し、レコメンド・ランキングの実装と改善を自律的に進められるMLエンジニアです。 # ミッション ## レコメンドを実装・改善する 複数のユースケースにまたがるレコメンド・ランキングの実装と実験を担います。 ## 改善を回す オフライン評価と実利用データのズレを見て、継続的に精度を上げます。 ## プロダクトに載せる 設計からリリースまで一貫して担当し、既存プロダクトに組み込みます。 # 具体的な業務 - レコメンド・ランキングモデルの実装・改善 - 顧客データと行政データを組み合わせた特徴量・スコアリングの実装 - オフライン評価の実行と結果分析 - 実験設計・A/Bテストの実施 - PdM・バックエンド・Applied AIエンジニア・シニアMLエンジニアとの連携 - 失敗ケースの分析と改善提案

仕事内容【新しい公共を共に創ろう】 Nehan株式会社では、「新しい公共を共に創ろう」をミッションに、自治体や官公庁と取引を行う企業向けのAIプラットフォーム「Labid」を開発・提供しています。公共営業では、入札・落札情報だけではなく、予算書、総合計画、議会録、自治体の組織情報など、さまざまな行政データを読み解きながら、前提条件の異なる各企業のメンバーごとにワークフローをサポートする示唆を出す必要があります。Labidでは、こうした行政データを収集・構造化し、企業が持つ顧客情報や営業活動データと掛け合わせることで、営業先の発見、案件のレコメンド、情報探索、提案・書類作成といった業務をAIで支援しています。今後、LabidのAI機能をさらに高度化していくためには、個々のAI機能を実装するだけではなく、AIが参照しやすいデータをどのように構築するかAIの出力の品質をどのように定義して測定するかどのような評価データ・指標で品質を測るかAIが失敗したとき、データ・検索・モデル・プロンプト・プロダクトのどこに原因があるかを特定し、改善するサイクルを作るまで含めて、AIシステム全体を設計する必要があります。本ポジションでは、LLM APIやプロンプトを利用したアプリケーション実装だけではなく、データ・モデル・評価・フィードバックをつなぎ、AI/MLシステムの品質を継続的に改善できる仕組みそのものを設計・実装いただきます。採用背景Labidには、入札・落札情報、予算書、総合計画、議会録などの行政データに加えて、顧客企業の営業活動に関するデータも蓄積され始めています。これらのデータを活用して、自社がアプローチすべき自治体のレコメンド自社に合った案件のレコメンド行政データを横断した検索・分析AI Agentによる営業活動や書類作成の支援など、AIをプロダクトの中心に据えた機能を増やしていこうとしています。そのため、当社ではMachine Learning Engineerの専門領域を大きく2つに分けて考えています。Recommendation / Ranking「誰に・何を・どの順番で提示するか」をモデル化し、レコメンドやランキングそのものの精度を高める領域です。AI Systems / EvaluationAIが利用するデータの意味を設計し、AIの出力を評価し、失敗を分析しながら、AIシステム全体の品質を継続的に改善する領域です。本求人は後者のAI Systems / Evaluationを担当するMachine Learning Engineerの募集です。AI機能が増えていくほど、個別のプロンプトやモデルを改善するだけでは、プロダクト全体としての品質を維持することが難しくなります。「なぜこの出力になったのか」「変更によって本当に良くなったのか」を説明・計測できる状態をつくり、LabidのAI開発を再現性のあるエンジニアリングへ進化させることが、本ポジションを募集する背景です。具体的な業務内容AIが利用するデータ・意味構造の設計案件、自治体、企業、予算、行政施策などのエンティティ・リレーションの設計AIやプロダクトから利用する指標・概念・意味の定義既存の行政データ・顧客データをAIが扱いやすい形へ変換するためのデータ設計Semantic Layer、Knowledge Graph、Ontologyなどの必要性判断・技術選定・実装特定の技術を導入すること自体を目的とはせず、AIが正しくデータを理解・利用できる状態をつくるために必要なアーキテクチャを選択します。AI機能の評価基盤の設計・構築AI機能ごとの成功条件・品質指標の設計Evaluation Dataset / Golden Datasetの構築Offline Evaluation Pipelineの設計・実装LLM / Agent / Retrieval等の出力評価新しいモデル・プロンプト・データ変更による品質差分の継続的な測定実利用データやユーザーフィードバックを評価へ還元する仕組みの構築「それっぽい回答が出た」ではなく、変更によってAI機能が本当に改善したのかを判断できる状態をつくります。AIシステムのFailure Analysisと改善本番環境で発生する失敗ケースの分析元データ・データ定義、Retrieval / Ranking、モデル、Prompt / Agent Architecture、プロダクト・UXへの切り分け切り分け結果に基づく改善方針の設計単一モデルの性能だけではなく、AIシステム全体を対象として品質改善を行います。AI/MLアーキテクチャの設計Machine Learning、Recommendation / Ranking、Embedding / Retrieval、Reranking、LLM、AI Agent、Rule-basedをどう組み合わせるかの設計精度に加えて、データ量、レイテンシ、コスト、説明可能性、運用負荷を考慮した技術選定プロダクトチームとの連携PdMと連携したAI機能の要求・成功指標の定義Recommendation / Rankingを担当するMachine Learning Engineerとの連携Backend Engineerと連携した本番システムへの組み込みデータチームと連携した行政データの品質改善評価結果をもとにしたプロダクト改善の提案入社後に期待することまずは、Labidが保有している行政データ・顧客データと、現在提供しているAI機能を深く理解いただきます。そのうえで、優先度の高いAI機能を一つ選び、「何を正解とするのか」「現在どの程度の品質なのか」「どこで失敗しているのか」を明らかにし、評価セットと評価方法を構築いただきたいと考えています。その後、個別機能で構築した評価・改善の仕組みを共通化し、新しいAI機能を開発するときに自然と評価・改善まで行える開発プロセスへ広げていただきます。中長期的には、Data → ML / LLM → Evaluation → Feedback → ImprovementというLabid全体のAI開発ループを設計し、AI/ML領域における技術方針やアーキテクチャの意思決定をリードいただくことを期待しています。本ポジションの魅力AIプロダクトの「評価」を0から設計できる 生成AIを組み込むだけではなく、「そのAIが本当に良いのか」を定義するところから担当できます。 Evaluation Dataset、Metrics、Failure Analysis、Feedback Loopなど、AIシステムを継続的に改善するための仕組みを0から構築できるフェーズです。大規模かつ複雑な行政データを扱える Labidでは、全国の自治体・官公庁から、入札、落札、予算、総合計画、議会録、組織情報など多様なデータを収集しています。 単純なドキュメント検索ではなく、これらのデータ同士の意味や関係性をどのように表現し、AIに理解させるかという難易度の高いテーマに取り組めます。ML・LLM・データを横断してシステムを設計できる 特定のモデルや技術の専門家として閉じるのではなく、構造化データ、Machine Learning、Search / Retrieval、Recommendation、LLM / Agent、Evaluationを横断しながら、プロダクトとして最適なAIシステムを設計できます。 「この問題にはLLMを使うべきなのか」「MLで解くべきなのか」「そもそもデータ構造を変えるべきなのか」というレイヤーから技術選定できます。AI/MLの技術選定に大きな裁量を持てる まだ完成したAI基盤や決められたアーキテクチャが存在するフェーズではありません。 プロダクトチームと議論しながら、Labidに必要なAI/MLアーキテクチャ、評価方法、データ構造を自ら設計していくことができます。 単に既存システムを運用するのではなく、今後のLabidにおけるAI開発の土台そのものをつくるポジションです。行政領域に特化した、プロダクト価値に直結するAIを作れる LabidにおいてAIは追加機能ではありません。 大量の行政情報から、顧客にとって意味のある情報を見つけ、次に取るべき行動まで導くことがプロダクトの中心価値です。 AI/MLの改善が、そのまま顧客体験・事業価値の改善につながる環境で開発できます。

仕事内容【新しい公共を共に創ろう】 Nehan株式会社では、「新しい公共を共に創ろう」をミッションに、自治体や官公庁と取引を行う企業向けのAIプラットフォーム「Labid」を開発・提供しています。公共営業では、日々公開される膨大な行政情報の中から、自社にとって重要な情報を見つけ、「どの自治体にアプローチするべきか」「どの案件を優先して確認するべきか」を判断する必要があります。また、同じ自治体や案件であっても、企業の事業内容や商材、過去の営業活動、担当者の役割などによって、その重要度は大きく異なります。Labidでは、入札・落札情報、予算書、総合計画、議会録、自治体の組織情報などの行政データを収集・構造化し、企業が持つ顧客情報や営業活動データと掛け合わせることで、自社がアプローチするべき自治体自社に合った入札案件今確認するべき行政情報などをユーザーごとに提示する機能を開発しています。今後、Labidを単に「情報を検索するプロダクト」から、ユーザーごとに必要な情報や次に取るべき行動を先回りして提示するプロダクトへ進化させるためには、何を推薦対象とするかユーザーや企業の状態をどのように表現するかどの情報を推薦のシグナルとして利用するか候補をどのように生成し、どのような順序で提示するかレコメンド結果が本当にユーザーの行動や成果につながったのかまで含めて、Recommendation / Rankingの仕組みを設計する必要があります。本ポジションでは、行政データと顧客データを活用したRecommendation / Rankingの問題設定・モデル設計・実装・評価・改善を一貫して担当いただきます。採用背景Labidには、入札・落札情報、予算書、総合計画、議会録などの行政データに加えて、顧客企業の営業活動に関するデータも蓄積され始めています。これらのデータを活用して、自社がアプローチするべき自治体のレコメンド自社に合った案件のレコメンド営業活動の優先順位付け行政データを横断した検索・情報探索など、ユーザーごとに最適な情報を提示する機能を増やしていこうとしています。そのため、当社ではMachine Learning Engineerの専門領域を大きく2つに分けて考えています。Recommendation / Ranking「誰に・何を・どの順番で提示するか」をモデル化し、レコメンドやランキングそのものの精度を高める領域です。AI Systems / EvaluationAIが利用するデータの意味を設計し、AIの出力を評価し、失敗を分析しながら、AIシステム全体の品質を継続的に改善する領域です。本求人は前者のRecommendation / Rankingを担当するMachine Learning Engineerの募集です。公共営業におけるRecommendationには、一般的なECやコンテンツサービスとは異なる難しさがあります。ユーザーによるクリックや購入が大量に発生するサービスではないため、十分なInteraction Dataが最初から存在するわけではありません。 また、企業ごとの事業内容や過去実績と、自治体・案件・予算などの行政データを組み合わせて推薦する必要があり、単純な協調フィルタリング（Collaborative Filtering）だけでは解くことができません。限られたフィードバックの中で多様なデータをシグナルとして利用し、ユーザーにとって本当に価値のある情報を上位に提示できるレコメンドシステムを構築することが、本ポジションを募集する背景です。具体的な業務内容Recommendation / Rankingの問題設計自治体、案件、行政情報など、推薦対象の定義ユーザー・企業ごとの推薦目的の整理Candidate Generation / Rankingの問題設定正解データ・ラベル・Optimization Objectiveの設計ユーザー行動や事業成果とRecommendationの接続単にモデルを作るのではなく、プロダクト上の課題を「何を予測・最適化する問題なのか」へ落とし込むところから担当します。特徴量・学習データの設計顧客企業の属性・事業内容・商材などの特徴量設計自治体・案件・予算・行政施策などの特徴量設計過去の営業活動・ユーザー行動を利用した特徴量設計テキストデータやEmbeddingを利用した特徴量設計学習・評価に利用するDataset / Labelの構築構造化データだけではなく、行政文書などの非構造化データも組み合わせながら、Recommendationに利用できるシグナルを設計します。Candidate Generation / Rankingの設計・実装Rule-based Matching、Machine Learning、Learning to Rank、Embedding / Vector Similarity、Retrieval、Reranking、LLMなどを組み合わせたRecommendation Pipelineの設計・実装利用可能なデータ、精度、説明可能性、レイテンシ、運用コストを考慮した手法の選定特定のアルゴリズムを採用すること自体を目的とはせず、プロダクトにとって最適な方法を選択します。コールドスタートへの対応Labidでは、サービス利用開始時点から十分なユーザー行動データが存在するとは限りません。そのため、企業属性、事業内容・商材過去の受注・営業実績自治体・案件の属性テキストやEmbeddingによる類似性類似企業・類似案件の情報などを利用し、ユーザー行動が少ない状態でも価値を提供できるRecommendationを設計します。 利用データが蓄積された後に、どのようにPersonalizationや学習型Recommendationへ発展させるかまで含めて設計します。Recommendation / Rankingの評価と改善Offline Evaluationの設計・実施Precision / Recall / NDCG等を用いたRecommendation / Rankingの評価特徴量・モデル・Ranking Logicの比較実験Failure Caseの分析実利用データを利用したRecommendation品質の評価Online Metrics / A/B Test等を利用した検証ユーザー行動や事業成果を踏まえた継続的なモデル改善Offline Metricの改善自体を目的とせず、最終的にユーザーが価値のある情報を発見し、次の行動につながったかまで含めて評価します。プロダクトチームとの連携PdMと連携したRecommendation機能の要求・成功指標の定義AI Systems / Evaluationを担当するMachine Learning Engineerとの連携Backend Engineerと連携したRecommendation Pipelineの本番システムへの組み込みデータチームと連携したRecommendationに必要なデータの品質改善実験・分析結果をもとにしたプロダクト改善の提案入社後に期待することまずは、Labidが保有している行政データ・顧客データと、現在提供しているRecommendation機能、公共営業というドメインを理解いただきます。そのうえで、優先度の高いRecommendationのユースケースを一つ選び、「誰に何を推薦するのか」「何を正解とするのか」「現在どの程度の品質なのか」を整理し、BaselineとなるRecommendation / Rankingの仕組みと評価方法を構築いただきたいと考えています。その後、利用できる特徴量の拡張、Candidate Generation / Rankingの高度化、コールドスタートの改善、実利用データを利用した学習・Personalization、Offline Evaluationとユーザー行動の接続を進めながら、Recommendationの品質改善サイクルを構築いただきます。中長期的には、User / Customer Context → Candidate Generation → Ranking → User Action → Feedback → LearningというLabid全体のRecommendation Loopを設計し、Recommendation / Ranking領域における技術方針やアーキテクチャの意思決定をリードいただくことを期待しています。本ポジションの魅力Recommendationがプロダクト価値の中心にある LabidにおけるRecommendationは、単なる「おすすめ機能」ではありません。 膨大な行政情報の中から「自社にとって今見るべき情報は何か」「次にアプローチするべき相手は誰か」を提示すること自体が、プロダクトの中心的な価値になります。 Recommendation / Rankingの改善が、そのまま顧客の営業活動や事業成果につながる環境で開発できます。コールドスタートからRecommendationを設計できる ECやSNSのように、大量のInteraction Dataが最初から存在する環境ではありません。 構造化された行政データ、顧客企業の属性、テキストデータ、Embedding、類似性、ドメイン知識などを組み合わせながら、少ないフィードバックでも価値を出せるRecommendationを考える必要があります。 データが豊富な前提で既存アルゴリズムを適用するのではなく、Recommendationの問題そのものを0から設計できます。多様かつ独自性の高い行政データを活用できる Labidでは、全国の自治体・官公庁から、入札、落札、予算、総合計画、議会録、組織情報など多様なデータを収集しています。 これらを顧客企業の事業内容や営業活動データと組み合わせることで、「この企業にとって、この自治体・案件はどの程度重要なのか」という、独自性の高いRecommendationの問題に取り組めます。モデルだけでなくRecommendation System全体を設計できる 特定のモデルを学習するだけのポジションではありません。 Candidate Generation、Feature Engineering、Ranking、Evaluation、Serving、Feedback Loopまで含めて、Recommendation System全体を設計できます。 必要に応じて検索、ルール、Embedding、Machine Learning、LLMなどを組み合わせながら、プロダクトにとって最適な構成を選択できます。0からRecommendationの学習ループを構築できる まだ完成したRecommendation Engineや決められたアーキテクチャが存在するフェーズではありません。 プロダクトチームと議論しながら、何を推薦するか、何を正解とするか、どのシグナルを利用するか、どのように評価するか、ユーザー行動をどう次の学習に利用するかを自ら設計していくことができます。 Recommendationを機能として作るだけではなく、利用されるほど改善していく仕組みそのものを構築できます。