出前館データアナリスト面接体験記：SQL・Python・ビジネスインサイト・A/Bテストの完全評価

背景紹介

データ分析の経験が2年あります。以前はEC企業でユーザーグロース方向のデータ分析に携わっていました。出前館のデータアナリストポジションは私が非常に志望していたものです。出前館のデータ駆動文化は業界全体で有名で、ボタンの色さえA/Bテストで決定すると言われています。データアナリストポジションに応募し、面接プロセス全体で約2週半かかりました。ペースは非常に速く、技術面接3回＋HR面接1回で、間に待ち時間はほとんどありませんでした。

面接準備では、SQLウィンドウ関数（以前はあまり得意ではなかった）、Python pandasの高度な使い方、A/Bテストの統計原理、ビジネスケースの分析フレームワークの復習に重点を置きました。正直なところ、出前館の面接は非常に実践的で、教科書を暗記するだけでは通りません。すべての質問が実際のビジネスシナリオと密接に結びついています。

面接プロセスの振り返り

一次面接：SQLウィンドウ関数 + Python pandas

一次面接の面接官は女性で、おそらくデータチームのシニアアナリストでした。簡単な自己紹介の後、すぐにSQLを書き始めました。

最初のSQL問題は少し戸惑うものでした：ユーザーの注文テーブルが与えられ、各ユーザーの直近3件の注文の平均金額をウィンドウ関数で求めてください。 ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY order_date DESC)のソリューションを書き、サブクエリでrn <= 3をフィルタリングしてから集計しました。面接官はアプローチは問題ないと言いましたが、ユーザーの注文が3件未満の場合はどうなりますか？ROWS BETWEENとRANGE BETWEENの違いは何ですか？とフォローアップしました。3件未満の場合は自然に処理されること、ROWSは物理的な行オフセット、RANGEは論理的な値オフセットである違いを説明しました。

2番目のSQL問題はさらに難しかったです：毎日の新規ユーザーの次日留存率を1つのSQLで計算してください。 以前似た問題を練習していたので、自己結合＋条件付き集計のアプローチを使いました。まず各ユーザーの初回ログイン日を新規ユーザー日として見つけ、次に翌日のログインレコードをLEFT JOINし、最後に留存率を計算しました。面接官はデータ量が非常に大きい場合、このクエリをどう最適化しますかとフォローアップしました。パーティションテーブル、インデックス最適化、CTEを使ったサブクエリの代替について言及しました。

Pythonセクション：pandasのgroupbyとaggのチェーン操作で、マルチレベル集計をどのように実装しますか？ その場でコードを書き、groupby + aggの使用法をデモンストレーションしました。カスタム集計関数も含みました。面接官は実践的な質問をしました：1億行のデータがあり、pandasで処理できない場合はどうしますか？ チャンク読み込み、Daskによる並列計算、Sparkのソリューションについて言及しました。面接官は満足そうで、DaskとSparkの適用シナリオの比較についてフォローアップしました。

一次面接の最後はオープンな質問：上司が先週のGMVが20%低下した理由を分析するよう依頼した場合、どうアプローチしますか？ 時間、チャネル、カテゴリ、ユーザーの4つの次元からブレークダウンのアプローチを説明し、祝日などの外部要因を除外する必要があることに言及しました。面接官は「思考が明確ですね」と言い、二次面接の機会をくれました。

一次面接は約55分で、SQLが大部分を占め、Pythonは比較的少なかったです。

二次面接：A/Bテスト + ビジネスケース

二次面接の面接官はデータチームのリーダーで、スタイルはよりビジネスディスカッションに近いものでした。開始の質問は緊張するものでした：A/Bテストのp値はどういう意味ですか？p値が0.05未満の場合、実験が確実に有効であることを示しますか？ p値は帰無仮説が真である条件下で現在またはより極端な結果が観察される確率であることを説明し、p < 0.05は統計的に有意であるだけで、必ずしもビジネス的に意味があるとは限らないことを述べました。面接官は統計的検出力（power）とは何ですか？なぜ重要ですか？とフォローアップしました。統計的検出力は第二種過誤を犯さない確率であり、検出力が不足すると偽陰性になると説明しました。

A/Bテスト設計問題：新しいレコメンデーションアルゴリズムをテストする場合、実験をどのように設計しますか？どのような要因を考慮する必要がありますか？ 実験グループ分け（ランダム化、層化）、サンプルサイズ計算（MDEと検出力に基づく）、実験期間（周期効果の考慮）、指標選択（主要指標＋ガードレール指標）のいくつかの側面から詳細に説明しました。面接官は実験群と対照群のサンプルサイズが等しくない場合、どのような影響がありますか？とフォローアップしました。分散の非対称性と、通常は等分が推奨される理由を説明しました。

ビジネスケース：大規模なプロモーションキャンペーンの効果をどのように評価しますか？ 大きな問題でした。3つの次元から分析フレームワークを説明しました：増分効果（DIDまたはPSM手法を使用）、長期影響（ユーザーLTVの変化）、スピルオーバー効果（プロモーション対象外商品への影響）。面接官はPSM部分に興味を持ち、PSMの原理は何ですか？傾向スコアはどのように計算しますか？マッチング方法にはどのようなものがありますか？とフォローアップしました。ロジスティック回帰による傾向スコア計算、最近傍マッチングとカーネルマッチングの方法、バランスチェックの手順について詳しく説明しました。

二次面接では非常に実践的な質問もありました：A/Bテストの結果がビジネスの直感と矛盾する場合、どうしますか？ まず実験設計に問題がないか（ランダム化が成功しているか、スピルオーバー効果がないか）を確認し、次にデータ品質をチェックし、最後に問題がなければデータを尊重しつつ、背後にある理由を理解する必要があると答えました。面接官はこの回答を評価してくれたようでした。

三次面接：データ駆動意思決定 + HR面接

三次面接はクロスチーム面接で、面接官は別のデータチームから来ました。スタイルはよりプロジェクトに焦点を当てたものでした。最も影響力のあった分析プロジェクトについて聞かれました。ユーザーチャーン予測プロジェクトを選び、特徴量エンジニアリングからモデル選定、ビジネス実装までの全プロセスを詳しく説明しました。面接官はこの分析プロジェクトのビジネス価値をどのように測定しますか？とフォローアップしました。介入後の留存率向上による定量化と、A/Bテストによる帰属の方法について説明しました。

データ駆動意思決定の質問：プロダクトマネージャーが機能を提案したが、データ分析の結果、その機能にプラスの効果がない可能性があることを示している場合、どのようにコミュニケーションしますか？ 実際の経験を共有しました。データを使ってPMに機能の中止を説得したことがあります。重要なのは、データ分析の結果をビジネス言語に翻訳することであり、単に数字を投げつけることではないと述べました。面接官は頷きました。

HR面接は比較的標準的で、キャリアプラン、出前館を選んだ理由、希望給与などについて聞かれました。HRはペースが速いことを率直に認めつつ、成長の機会も強調しました。

面接問題まとめ

一次面接：

1. SQLウィンドウ関数：各ユーザーの直近3件の注文の平均金額

2. ROWS BETWEENとRANGE BETWEENの違い

3. SQL：毎日の新規ユーザーの次日留存率

4. 大規模データのSQLクエリ最適化

5. pandasマルチレベル集計のチェーン操作

6. 大規模データでのpandas代替案（Dask vs Spark）

7. オープン質問：GMV 20%低下の分析アプローチ

二次面接：

1. A/Bテストのp値の意味と限界

2. 統計的検出力（power）の概念と重要性

3. レコメンデーションアルゴリズムのA/Bテスト設計

4. 実験群と対照群のサンプルサイズ不均等の影響

5. プロモーションキャンペーンの効果評価

6. PSMの原理、傾向スコア計算、マッチング方法

7. A/Bテスト結果とビジネス直感の矛盾の処理

三次面接：

1. 最も影響力のあった分析プロジェクトの深掘り（ユーザーチャーン予測）

2. 分析プロジェクトのビジネス価値の測定方法

3. データ分析とプロダクトマネージャーのコミュニケーション戦略

4. キャリアプラン、出前館を選んだ理由

学びとアドバイス

1. SQLウィンドウ関数は必須：出前館のデータアナリスト面接では必ずウィンドウ関数がテストされます。単なるROW_NUMBERだけでなく、ROWS/RANGE、スライディングウィンドウ、累積集計などの高度な用法が期待されます。すべてのウィンドウ関数パターンを徹底的に練習してください。

2. A/Bテストの統計原理を理解する：p値の計算方法を知るだけでなく、仮説検定の完全なフレームワーク、統計的検出力、多重比較補正などを理解してください。出前館は実験方法論の理解の深さを重視します。

3. ビジネスケースにはフレームワークを持つ：思いつくままに話すのではなく、構造化された分析フレームワークを使用してください。私がよく使うフレームワーク：問題の定義 → 次元の分解 → 仮説の提示 → 仮説の検証 → 結論の導出。面接官は分析ロジックを重視します。

4. Pythonはpandasで止まらない：日常的にはpandasで十分ですが、面接では大規模データシナリオでの代替案が聞かれます。少なくともDaskとSparkの基本概念は理解しておきましょう。

5. コミュニケーション能力は技術力と同じくらい重要：三次面接とHR面接では、データインサイトを非技術者にどう伝えるかが評価されます。データ分析はSQLを書くだけでなく、データを使って意思決定に影響を与えることです。

FAQ

Q：出前館データアナリスト面接でのSQLの評価はどの程度深いですか？

A：非常に深いです。単純なクエリではなく、ウィンドウ関数と複雑な集計が必ずテストされます。LeetCodeのSQL問題、特にHardレベルを多く練習することをお勧めします。

Q：A/Bテスト経験なしでデータアナリストポジションに応募できますか？

A：難しいです。出前館のデータアナリストはほぼ毎日A/Bテストに携わっており、これはコアコンピテンシーです。実務経験がない場合、少なくとも統計原理はしっかり理解してください。

Q：ビジネスケースはどう準備すればいいですか？

A：実際のインターネットビジネス分析のケースを多く読み、一般的なフレームワーク（AARRR、RFM、アトリビューション分析など）を理解することをお勧めします。面接では急いで答えを出さず、まず問題の境界を確認してください。

Q：面接のペースはどうですか？

A：非常に速いです。全プロセスを2週半で完了します。出前館は非常に効率的で、各ラウンドの後1〜2日で結果が出ます。ペースが速いということは準備時間が短いことを意味するので、事前に十分に準備してください。

Q：出前館データアナリストの仕事の強度はどうですか？

A：HRはペースが速いことを率直に認めました。理解している限り、出前館は確かに残業が多いですが、データアナリストの役割はエンジニアリングよりは比較的マシです。データ駆動文化は本物で、すべての決定がデータに裏付けられています。