リクルートデータアナリスト面接体験シェア：SQL、ビジネス分析、統計学を完全網羅

背景紹介

本人は2年のデータ分析経験があり、統計学の学士号とビジネスアナリティクスの修士号を取得しています。現在はEC企業でユーザーグロースアナリストとして働き、主にSQL + Python + Tableauを使用しています。リクルートに応募したのは今年3月で、採用ページから直接データアナリストポジションに応募しました。正直に言うと、リクルートのデータアナリスト面接は想像以上に難しかったです。単にSQLを書くだけでなく、ビジネス理解と統計的思考も深く問われます。

準備期間は約3週間で、SQLウィンドウ関数、A/Bテスト、指標体系設計、確率論、仮説検定に重点を置きました。また、リクルートのビジネスシナリオ問題も特別に練習しました。例えば、ホットペッパービューティーの予約分析や、じゃらんのキャンペーンデータレビューなどです。応募後8日で1次面接の通知を受け取り、全プロセスで約2週間かかりました。

第1ラウンド：技術面接（ビデオ面接、約60分）

3月20日午前10時、リクルートのビデオ面接。面接官はデータアナリティクスチームのリードで、30代前半の印象で、話すペースが速かったです。自己紹介から始まり、すぐに技術とビジネスの質問に入りました。

1. 自己紹介

学歴と職務経歴を簡潔に説明し、ユーザーグロース分析のコアプロジェクトである新規ユーザー活性化率改善実験に重点を置きました。約3分。

2. SQL：各カテゴリで売上上位3つの商品を見つけるクエリを書け

ウィンドウ関数ROW_NUMBER() OVER(PARTITION BY category ORDER BY sales DESC)を使用し、WHERE rn <= 3としました。面接官が売上が同額の場合の処理を深掘りし、ROW_NUMBER()の代わりにRANK()を使うと、同額の売上には同じ順位が付くと答えました。さらにRANKとDENSE_RANKの違いを聞かれ、RANKは番号を飛ばす（1,1,3）、DENSE_RANKは飛ばさない（1,1,2）と答えました。

3. SQL：ユーザーの翌日リテンション率と7日リテンション率を計算せよ

自己結合を使用：まず各ユーザーの初回ログイン日を見つけ、初回ログイン日+1日と+7日でログインテーブルと結合しました。面接官がデータ量が大きい場合の最適化方法を深掘りし、サブクエリで時間範囲をフィルタリングして結合データ量を減らし、ユーザーIDとログイン日に複合インデックスを作成すると答えました。

4. A/Bテスト：新しい推薦アルゴリズムの効果を検証するA/Bテストをどう設計するか

いくつかのステップに分けました：1）実験指標の定義：CTR、コンバージョン率、売上；2）サンプルサイズの決定：最小検出可能効果と有意水準に基づいて計算；3）トラフィック配分：ランダム分割で実験群と対照群のユーザー特性が一致するようにする；4）実験期間：少なくとも1つの完全なユーザー行動サイクル（7日間）；5）結果分析：t検定またはカイ二乗検定で差が有意かどうかを判断。面接官が結果が有意でない場合どうするかを深掘りし、サンプルサイズが十分か、指標が適切か、新奇効果がないかを確認すると答えました。

5. 指標体系：ホットペッパービューティーの指標体系をどう設計するか

3つの層に整理しました：1）ノーススター指標：月間予約数；2）1次指標：DAU、コンバージョン率、客単価、リテンション率；3）2次指標：各カテゴリの利用率、各プランのコンバージョン率、検索CTR。面接官がDAUが低下した場合の調査方法を深掘りし、まず次元で分割（新規/既存ユーザー、チャネル、バージョン）し、どの次元に問題があるかを特定し、さらに原因を深掘りすると答えました。

6. 統計学：p値の意味は何か

p値は、帰無仮説が真であるという前提で、現在またはより極端な結果が観察される確率です。p値が小さいほど、帰無仮説を棄却する証拠が強い。面接官がp値0.05の意味を深掘りし、帰無仮説が真の場合、現在の結果が観察される確率は5%しかないため、95%の信頼度で帰無仮説を棄却できると答えました。ただし、p値は帰無仮説が偽である確率とは等しくないことも付け加えました。

7. Python：pandasのmergeとjoinの違いは何か

mergeは汎用的な結合メソッドで、on、left_on、right_onなどのパラメータを指定でき、inner/outer/left/rightの4つの結合方式をサポート；joinはインデックスベースの結合で、デフォルトはleft join。面接官が2つのDataFrameに同名の列がある場合の処理を深掘りし、mergeは自動的に_xと_yのサフィックスを追加し、suffixesパラメータでカスタマイズも可能だと答えました。

8. ビジネス問題：ホットペッパービューティーのリピート率が5%低下した、どう分析するか

いくつかのステップに分けました：1）データの正確性を確認し、測定基準の変更を排除；2）次元で分割：新規/既存ユーザー、利用カテゴリ、登録チャネル；3）仮説検証：機能の魅力低下、競合への乗り換え、価格感度の変化の可能性；4）定量分析：リピート率低下グループの行動特性を比較し、共通点を探す。面接官が機能の魅力低下が判明した場合の提案を深掘りし、限定特典の追加（例：限定割引デー、優先サポート）と、ユーザーリサーチで最も望ましい機能を把握すると答えました。

1次面接終了後4日で2次面接の通知を受け取りました。

第2ラウンド：ビジネス面接（ビデオ面接、約55分）

3月25日午後3時、このラウンドの面接官はビジネス部門の責任者で、質問はビジネス理解と分析的思考に重点を置いていました。

1. データ分析の価値をどう理解しているか

3つのレベルで説明しました：1）記述的分析 — 何が起きたか、データでビジネスの現状を再構築する；2）診断的分析 — なぜ起きたか、問題の根本原因を見つける；3）予測的分析 — これからどうなるか、ビジネスの意思決定を導く。データ分析の究極の価値はレポートを作成することではなく、ビジネスの成長を牽引することです。

2. 大型キャンペーンの効果を評価する分析フレームワークを設計せよ

いくつかの次元に整理しました：1）全体次元：売上、ユーザー数、ARPUの前年同期比・前月比；2）トラフィック次元：UV、コンバージョンファネル、トラフィックソース構成；3）ユーザー次元：新規/既存比率、リテンション率、LTV；4）商品次元：人気商品分析、カテゴリ構成変化；5）効率次元：ROI、顧客獲得コスト、マーケティング費用率。面接官がROIが低下した場合の分析方法を深掘りし、まず収益側とコスト側に分解し、収益成長の鈍化かコストの急増かを確認し、それぞれ深掘りすると答えました。

3. 指標が異常かどうかをどう判断するか

いくつかの方法を説明しました：1）前年同期比・前月比で比較し、正常な変動範囲を超えているかを確認；2）管理図法で、平均値プラスマイナス3標準偏差を上限/下限とする；3）時系列分解で、トレンド、季節性、残差に分けて残差が異常かを確認。面試官が指標が毎日変動している場合の異常の定義方法を深掘りし、移動平均 + 標準偏差の方法や、ARIMAモデルで期待値を予測し、実際値が期待値から閾値以上逸脱したら異常とする方法を答えました。

4. 最も価値のある分析プロジェクトは何か

新規ユーザー活性化率改善プロジェクトについて説明しました。ファネル分析で、新規ユーザーの登録後3日以内の初回購入完了率が15%に過ぎないことを発見。さらに分析すると、初回購入のハードルが高すぎる（100円引きクーポンの利用率が低い）ことが判明。初回購入ハードルを下げることを提案し、A/Bテストの結果、活性化率が15%から22%に向上し、LTVも8%改善しました。面接官がA/Bテストのサンプルサイズの計算方法を深掘りし、検出力0.8、有意水準0.05、最小検出可能効果2ポイントで功效分析を行ったと答えました。

5. SQL：各ユーザーのRFM値を計算するクエリを書け

R（Recency）：最終購入からの日数；F（Frequency）：過去90日間の購入回数；M（Monetary）：過去90日間の購入金額。サブクエリ + 集計関数を使用し、まず各ユーザーのR/F/Mの生の値を計算し、その後五分位でスコアリングしました。面接官はロジックに問題ないと言いました。

6. 推薦アルゴリズムの良し悪しをどう評価するか

オフライン指標とオンライン指標を説明：オフライン指標には適合率、再現率、NDCG；オンライン指標にはCTR、コンバージョン率、ユーザー滞在時間。面接官がオフライン指標が良いのにオンライン指標が悪い場合の原因を深掘りし、オフラインデータの分布が本番と異なる可能性や、推薦結果の多様性と新規性が不足してユーザーの飽きを招いている可能性を答えました。

7. 逆質問コーナー

チームの現在のコア分析課題は何かと質問しました。面接官は、データでリクルートの自社プロダクトの成長を牽引することだと言いました。この回答でチームの方向性がより明確になりました。

第3ラウンド：HR面接（ビデオ面接、約20分）

3月28日午前11時、HR面接は比較的リラックスしていました。

1. なぜリクルートを選んだのか

リクルートのビジネス規模は業界最大級で、求人、不動産、旅行など各事業が独自のデータ課題を持っており、データアナリストの成長に大きく役立つと答えました。また、リクルートのデータ文化は強く、意思決定が高度にデータ駆動であることも理由です。

2. キャリアプラン

最初の2年間でビジネス分析スキルを深め、独立して1つのビジネスラインのデータ分析を担当できるようにする。3〜5年で小さなチームを率い、分析から意思決定へと移行したいと答えました。

3. 希望給与

希望を述べ、HRは等級決定後に具体的なパッケージを提示すると回答しました。

4. 何か質問はありますか

入社後の研修制度について質問しました。HRは1ヶ月のオンボーディング期間があり、ビジネス研修とメンターの1対1指導が含まれると回答しました。

面接問題まとめ

1. SQLウィンドウ関数ランキング — SQL — 中

2. SQLリテンション率計算 — SQL — 中

3. A/Bテスト設計 — 実験設計 — 難

4. ホットペッパービューティー指標体系設計 — 指標体系 — 難

5. p値の意味 — 統計学 — 中

6. pandas mergeとjoinの違い — Python — 簡単

7. リピート率分析 — ビジネス分析 — 難

8. データ分析の価値理解 — キャリア認識 — 簡単

9. キャンペーン効果評価フレームワーク — ビジネス分析 — 難

10. 指標異常検知方法 — データ分析 — 中

11. SQL RFM値計算 — SQL — 中

12. 推薦アルゴリズム評価 — アルゴリズム評価 — 中

13. 新規ユーザー活性化率改善プロジェクト — プロジェクト — 難

感想とアドバイス

1. SQLは基本、ウィンドウ関数は必須：リクルートのデータアナリスト面接はほぼ毎ラウンドでSQLをテストし、ウィンドウ関数は高頻度トピックです。ROW_NUMBER、RANK、DENSE_RANKの違いを理解し、リテンション率の計算をその場で書けるようにしましょう。

2. A/Bテストは最重要：実験を設計するだけでなく、サンプルサイズの計算方法、結果が有意でない場合の対応、新奇効果の扱いなど、様々なフォローアップに答えられる必要があります。A/Bテストの完全なプロセスを最初から最後まで整理することをお勧めします。

3. ビジネス理解は技術より重要：リクルートの面接官が最も重視するのは、SQLがどれほど派手かではなく、データでビジネスの問題を解決できるかどうかです。リピート率分析のような問題では、計算ではなく分析アプローチが重要です。次元の分割、仮説の立て方、提案の仕方を考えましょう。

4. 統計学の基礎を忘れない：p値、仮説検定、信頼区間 — これらの基本概念を明確に説明できる必要があります。面接官は公式をテストしているのではなく、理解をテストしています。

最終結果：4月2日にオファーを受け取りました。等級はG6、勤務地は東京。応募からオファー獲得まで合計13日。全体的に良い体験で、面接官は皆プロフェッショナルでした。

FAQ

Q：リクルートのデータアナリスト面接は通常何ラウンドありますか？
A：通常3ラウンド：技術面接、ビジネス面接、HR面接。一部のポジションはクロス面接がある場合も。

Q：リクルートのデータアナリスト面接の重点は何ですか？
A：SQL、A/Bテスト、指標体系、ビジネス分析は必須トピック。統計学基礎も高頻度トピックです。

Q：リクルートのデータアナリストにPythonの要件は高いですか？
A：中程度で、主にpandasとnumpyの基本操作をテストし、機械学習アルゴリズムの実装は問われません。

Q：IT業界の経験がなくてもリクルートのデータアナリストになれますか？
A：はい、但しビジネスドメインの理解が必要です。面接前にリクルートのコアビジネス指標を調べることをお勧めします。

Q：リクルートのデータアナリストの給与はどれくらいですか？
A：G6等級で年収約500〜650万円（ボーナス含む）、等級と交渉によって異なります。