テキサス州のデータサイエンティスト履歴書ガイド（2025）
BLSはテキサス州で23,420人のデータサイエンティストが働いていると分類しています。これは全米で2番目に大きい州レベルの雇用プールですが、IndeedやLinkedInの求人を分析すると、応募者の履歴書の大半がモデル評価指標、本番MLフレームワーク、分析のビジネスインパクトに言及していません。これはCapital One、USAA、Dell Technologies、ExxonMobilといったテキサス州の雇用主の採用担当者がまず確認するシグナルです [1] [5] [6]。
重要ポイント
- データサイエンティスト履歴書の特徴： 採用担当者は定量的なモデル成果のポートフォリオ（AUC-ROC改善、レイテンシ削減、収益インパクト）と具体的な技術スタックを期待しています [7]。
- テキサス州の採用担当者が重視する3つの要素： 本番レベルのML経験、テキサス州の主要産業（エネルギー、フィンテック、ヘルスケア、防衛）に合った分野の専門知識、非技術系の関係者への結果伝達能力 [3] [4]。
- 最も避けるべき間違い： インポートしたすべてのPythonライブラリを列挙すること。問題定義からデプロイ・モニタリングまでのエンドツーエンドのプロジェクト管理を示すべきです [7]。
- テキサス州の給与： 中央値106,540ドル/年、全国中央値を24.4%下回りますが、90パーセンタイルは169,310ドルに達します [1]。
採用担当者が確認するポイント
基本を超えた技術的深さ。 Indeed（オースティン）、AT&T（ダラス）、Phillips 66（ヒューストン）の採用担当者は、高度な統計モデリングの証拠を求めています。具体的なアルゴリズム（XGBoost、LightGBM、Transformerアーキテクチャ）、最適化した評価指標、デプロイフレームワーク（MLflow、SageMaker、Kubeflow）です [4] [7]。
本番ML経験。 CI/CD for ML、モデルモニタリング、フィーチャーストア、A/Bテストインフラ、パイプラインオーケストレーション（Airflow、Prefect、Dagster）といったキーワードが求められます [5] [6]。
テキサス州産業との整合性。 エネルギー（上流分析、貯留層モデリング、予知保全）、フィンテック（不正検知、信用リスク、アルゴリズム取引）、ヘルスケア（臨床NLP、請求分析）、防衛・航空宇宙（センサー融合、異常検知）[3] [5]。
最適な履歴書フォーマット
逆時系列フォーマット：2年以上の経験に最適 [12]。コンビネーションフォーマット：キャリアチェンジに適しています [3]。機能別フォーマット：ほとんど適しません [11] [13]。
主要スキル
テクニカルスキル
- Python（NumPy、pandas、scikit-learn、PyTorch/TensorFlow） [4]
- SQL（複雑な結合、ウィンドウ関数、CTE） [5]
- 統計モデリング [4]
- 機械学習 [7]
- ディープラーニング（CNN、RNN/LSTM、Transformer） [4]
- MLOpsとデプロイ（Docker、Kubernetes、MLflow、SageMaker、Vertex AI） [1] [6]
- ビッグデータツール（Spark/PySpark、Databricks） [5]
- データ可視化（Matplotlib、Seaborn、Plotly、Tableau、Power BI） [4]
- クラウドプラットフォーム（AWS、GCP、Azure） [6]
- バージョン管理（Git、GitHub/GitLab、DVC） [7]
ソフトスキル
- 関係者とのコミュニケーション [3] [6]
- 問題の枠組み設定 [4]
- 部門横断的な協力 — テキサス州のエネルギーセクターでは地球科学者や掘削エンジニアとの協力を意味することが多いです [3]
- 知的好奇心と自律学習 [4]
職歴の箇条書き（XYZ公式）
入門レベル（0〜2年）
- クリックストリームデータから23の行動特徴量を設計しLightGBM分類器を訓練して、顧客解約予測誤差を18%削減（RMSEを0.42から0.34に）[7]。
- BigQueryに接続したTableauダッシュボードを構築し、12名のマーケティングチームの週次KPIレポートを自動化、週6時間のExcel手作業を排除 [4]。
- pandasとファジーマッチングで4つのソースシステムから230万件の患者記録を整理・標準化、ヒューストンの医療分析スタートアップで96.5%のエンティティ解決精度を達成 [5]。
- Python（PyMC3）のベイズ仮説検定で6か月間に14のA/Bテストを設計・分析、ユーザーアクティベーションを9%向上させる製品判断に直接貢献 [7]。
- spaCyとscikit-learnでテキスト分類パイプラインを構築、50,000件以上のサポートチケットを8つの問題タイプに91%マクロF1で分類、平均ルーティング時間を4.2時間から45分に短縮 [4]。
中堅レベル（3〜7年）
- テキサス州のフィンテック企業でリアルタイム不正検知モデル（XGBoostアンサンブル）を開発、日次120万件の取引を処理し、12か月で470万ドルの不正活動を検出、偽陽性率0.3%未満 [5] [7]。
- 6つのバッチMLパイプラインをオンプレミスHadoopからAWS SageMakerへ移行を主導、モデル再訓練時間を8時間から47分に短縮、インフラコストを62%（年間34万ドル）削減 [6]。
- ProphetとLSTMアンサンブルで200店舗の小売チェーン向け需要予測システムを構築、在庫配分精度を24%向上、品切れを年間210万ドル削減 [7]。
- フィーチャーストアアーキテクチャ（Feast + Redis）を設計、3つのプロダクトチームの15の本番モデルにサービス提供、特徴量計算の重複を70%削減 [4]。
- 四半期ごとのモデルレビューセッションで4名のジュニアデータサイエンティストを指導、チーム初のモデルドキュメント標準（Model Cards）を確立 [3]。
シニアレベル（8年以上）
- ダラスのSaaS企業で5,000万ドルの収益プロダクトライン向けML戦略を策定、8名のチームを構築し、新規収益成長の31%を担う3つの本番モデルを提供 [6]。
- エンドツーエンドMLOpsプラットフォーム（Kubeflow + MLflow + Airflow）を構築、40以上の本番モデルをサポート、平均デプロイ時間を6週間から4日に短縮 [7]。
- 観察的医療データの因果推論手法に関する査読付き論文3本を発表（NeurIPSワークショップ、AAAI）[3]。
- 280万ドルの年間クラウドコンピューティング予算（AWS）を管理、スポットインスタンス戦略とモデル圧縮技術で推論コストを44%削減 [5]。
- Chief Data Officerと協力して企業のResponsible AIフレームワークを確立 [4] [7]。
職務要約の例
入門レベル
UT Austinの統計学修士号を持ち、Python（scikit-learn、XGBoost）での教師あり学習モデル構築とAWSでのバッチ推論パイプラインデプロイに1.5年の経験があります。AUC-ROC 0.87のチャーン予測モデルを含む3つのエンドツーエンドMLプロジェクトを完了。オースティン在住 [1] [3]。
中堅レベル
フィンテックとECでのML構築・デプロイに5年の経験。テキサス州の決済企業で120万件の日次予測をサブ50msレイテンシで提供するリアルタイム取引スコアリングモデルを構築、年間470万ドルの詐欺損失を防止。AWS Certified Machine Learning – Specialty保有 [1] [5]。
シニアレベル
MLチーム構築に10年以上の経験を持つスタッフデータサイエンティスト。ダラスのSaaS企業で8名のチームを構築・拡大、5,000万ドルプロダクトラインの新規収益成長31%を担うモデルを提供。因果推論、ベイズ最適化、MLOpsアーキテクチャの専門知識と3本の査読付き論文 [1] [6]。
学歴と認定資格
学士号以上が必要、修士・博士号が優遇 [2] [8]。UT Austin、Texas A&M、Rice University、SMUが主な参考校。
認定資格 [6] [8]：AWS Certified Machine Learning – Specialty、Google Professional Machine Learning Engineer、Databricks Certified Machine Learning Professional、TensorFlow Developer Certificate、Microsoft Certified: Azure Data Scientist Associate。
ATSキーワード
テクニカルスキル
Machine learning、Deep learning、自然言語処理（NLP）、コンピュータビジョン、統計モデリング、予測分析、時系列予測、特徴量エンジニアリング、A/Bテスト、因果推論
ツール・ソフトウェア
Python、R、SQL、TensorFlow、PyTorch、scikit-learn、Spark/PySpark、Databricks、SageMaker、MLflow、Airflow、Tableau、Docker
業界用語
モデルデプロイ、モデルモニタリング、MLOps、データパイプライン、フィーチャーストア、実験トラッキング、モデルガバナンス、Responsible AI
重要ポイント
履歴書は技術的深さ、本番の成熟度、ビジネスインパクトを示す必要があります。テキサス州は23,420人のデータサイエンティストを雇用し、中央値給与106,540ドル、90パーセンタイル169,310ドルです [1]。テキサス州の主要産業に合わせて履歴書を調整し、XYZ公式を使い、GitHubやプロジェクトのリンクを含めてください。Resume GeniでATS最適化された履歴書を作成しましょう。まずはお試しください。
よくある質問
履歴書の適切な長さは？
入門〜中堅レベルは1ページ。シニアで発表実績等がある場合のみ2ページ [11] [13]。
GitHubリンクを含めるべきですか？
はい。リポジトリが整理され、ドキュメントがあり、関連性があることを確認してください [6]。
テキサス州の予想給与は？
中央値年106,540ドル、10パーセンタイル61,230ドル、90パーセンタイル169,310ドル [1]。テキサス州には州所得税がありません。
修士号は必要ですか？
強く優遇されますが、普遍的に必須ではありません [2] [8]。学士号に3年以上の経験、ポートフォリオ、認定資格があれば採用されています [5] [6]。
テキサス州のエネルギー企業向けの履歴書調整法は？
ヒューストンのExxonMobil、Chevron、ConocoPhillips、Baker Hughesは時系列分析、地理空間データ処理、センサー異常検知、不確実性下の最適化を重視します。業界固有の用語を使用してください：「生産予測」「貯留層シミュレーション」「回転機器の予知保全」「地震データ解釈」 [3] [5]。