Skip to main content
  1. 採用サイトトップ
  2. Yo Tanaka

検索

ビジネスとITの架け橋になり、
テクノロジーでリテール改革をリードするP&G IT

Tanaka Yo

2010年 中途入社
セールスビジネスアナリスト ディレクター ／IT部門 採用マネージャー

Q. 現在の仕事内容を教えてください

主に2つのロールを兼任しています。ひとつはビジネスアナリスト (Business Analyst: BA)として、データ分析の結果を用いて得意先である小売業様とP&Gの売上に貢献するという仕事です。BAの組織はいくつかに分かれていますが、私はセールスとともに小売業様のデータ分析を行うチームを統括しています。ふたつめのロールはP&Gジャパン ITファンクションの採用マネージャーです。P&Gは職種別採用を実施しており、ITファンクションで実際に働く私や社員が前面に立って将来の仲間を探しています。こちらのロールでは社内外における採用イベントでのIT部門の紹介、インターンシップイベント企画、ホームページなどを使ったP&G ITを知ってもらう活動を行っております。特に学生のみなさまには、人事部からではなく将来ともに働くであろう社員の生の言葉や考え方、実際の経験談、文化、雰囲気に触れていただけるよう努力をしています。

Q. P&G ITは普段どのような仕事を行っていますか？

P&G IT内には様々な職種と活躍の場がグローバル規模で存在します。ここでは特にテクノロジーやビッグデータの活用を推進する職種をいくつか紹介します。

ビジネスアナリストは様々なビッグデータを分析し提案や施策を実行していく役割を担っています。日用品や消費者に関するドメイン知識と，消費者の購買データや市場データ、さらには店頭画像や位置情報といったビッグデータを組み合わせています。例えば購買データと店頭画像を分析することで、店頭のどこにどれくらいのスペースで陳列すると売上がどう変動するかといった相関性が見えてきます。また、購買データと位置情報を紐づけ、メディアの効果を最大化する施策も実践しています。まさにデータとビジネス、消費者をどうつなげるかを日々考えています。データ分析だけでなく提案や施策実現まで関わっており、実際に得意先小売企業との商談に同行することも多いです。

データサイエンティストは特定の得意先やカテゴリーを担当している訳ではなく、横断的にデータ分析を行っています。トライアルアンドエラーを繰り返しアルゴリズムの作成や新たな組み合わせでデータを見てみるなどイノベーションを作る役割も担っています。ただ技術的に新しいものを作るのではなく、実際に社内や社外で使われるものを作ることが必要です。具体的なプロジェクト例としては、SK-IIの店舗で使われている肌画像を用いた肌年齢推定機器の開発、購買データと地理的データを統合して商品の売れやすい地域を特定するNeighborhood analysisなどがあります。

マーケティングテクノロジストはデジタルマーケティングエリアとEコマースエリアの２つの領域を主に担当しています。どちらの領域も、「テクノロジーを通じてマーケティングイノベーションをリードすること」をコアバリューとしています。デジタルマーケティングエリアでは、「Pampersすくすくギフトポイントプログラム」や「Whisper公式サイト」、「マイレピ」といった自社サイトを通じて得られる数十万、数百万行のデータを分析し、より効率的なマーケティングプランの提案や、効果的なキャンペーンを実施するためのデジタルプラットフォームの提供を行っています。Eコマースエリアでは、Eコマースサイトでの売上を最大化するために、社内マーケティングチームやセールスチームだけでなくお得意先様と協働して戦略の立案やビジネスKPIの定義、データ分析による施策の改善等を行っています。またEコマースエリアでは一部のマーケティング予算をITチームが自ら管理し、単なる分析や提案にとどまらず施策実施まで責任をもって取り組んでいます。

物流のエリアではサプライチェーンの上流から下流までの幅広いデータを活用したデジタルトランスフォーメーションに取り組んでおり、一つの事例として機械学習を用いた需要予測があります。P&Gを取り巻く生産、在庫等の物流データ、販売計画等の商流データを多角的に活用するとともに、グローバル企業であるスケールメリットを活かし他国での成功モデルを積極的に用いて、需要予測精度を高める施策を行っております。物流のチームとともにこれらデータが可能とするロスのない完璧な生産、モノの流れを目指すパーフェクトフローの実現に取り組んでいます。

工場付きのIT担当では、スマートファクトリ―を目指して日々活動しています。工場におけるビッグデータは製造ラインで取得した温度、圧力、画像、振動などのセンサーデータや、原材料の在庫情報などがあります。前者のセンサーデータを機械学習モデルに取り込み、製造ラインのパーツが故障する傾向をあらかじめつかむことで、ラインを安定して稼働させています。後者の場合は、原材料の拠点間移動・保管の費用を最低限に抑えるためのアルゴリズムを開発して、工場の無駄な経費の削減に貢献しています。