1. 伊藤忠商事グループでデータサイエンスに携わるには？ 本体・ITC BICC・CTCの違い
伊藤忠商事でデータを仕事にしたいとき、最初に区別したい名前が三つあります。伊藤忠商事は採用を行う会社、ITC BICCは同社のデータ活用を支える専門組織、伊藤忠テクノソリューションズ（CTC）は顧客向けにITサービスを手掛け、自社で採用するグループ会社です。同じ事業に関わる場合も、どこに応募するか、誰の判断を支えるかで仕事の見え方は変わります。
商社でデータを扱う人は、何を決めるのか
たとえば、食品卸がメーカーに商品を発注する場面を考えてみましょう。売れ行きがわかっても、それだけで次の発注量は決まりません。倉庫に何ケースあるか、いつ次の便が到着するか、仕入先が何個単位で注文を受けるかを知って、ようやく「今日はいくつ頼むか」を決められます。分析結果を届ける相手は、予測式を評価する研究者とは限りません。注文を確定する担当者や、欠品の責任を負う現場責任者もいます。
伊藤忠商事はAIX（AI×Transformation）という名称で、事業の収益性や顧客のニーズに即したデジタル活用を掲げています。案件の性質に応じて目標を設定し、達成度を追うという考え方です。技術に興味を持った人がこの方針を読むときは、「どのモデルを使うか」に加えて「結果を受け取った人は何を変えられるか」を考えると、商社の事業とのつながりが見えてきます。
伊藤忠商事の中にある分析の仕事
HANABIは基盤、ITC BICCは支援組織
伊藤忠商事が2018年に構築したHANABIは、取引や決算に関わるデータ、外部データなどを扱う全社データ統合基盤です。一方、ITC BICCはデータ活用の相談を受け、必要な情報を集めて蓄積し、集計や帳票の作成、分析まで支援する組織です。データの置き場所と、そこから業務に使える数字を作る人たちを分けて考えると、本体の内製機能が理解しやすくなります。
たとえば部門ごとに「売上」の締め日が違えば、データを一カ所に集めても前年との比較は正しくできません。比較する期間と計上の基準を決め、利用者が同じ定義で数字を読み取れるようにする仕事が必要です。こうした仕事に面白さを感じる人には、予測だけでなく、データの定義をそろえる仕事や、現場が自分で集計できるよう支援する仕事も候補になります。
本体にも分析と実装を支える人がいる
伊藤忠商事がグループ内に展開する「KaKeL by BICC」は、マーケティングのほか、営業、事業管理、社内管理の課題に応じて解決策を提案・提供するサービスです。相談、データ整備、分析の間をつなぐ役割が、本体の機能として公表されています。組織紹介から読み取れるのは支援の範囲までです。そこに出てくるサービス名を、そのまま応募できる職種名と読み替えることはできません。
データ活用と生成AIの開発は、どこが支えるのか
本体の組織図を読むと、全社のデジタル化を支援するIT・デジタル戦略部と、デジタル事業を進める情報・金融カンパニー情報・通信部門がAIXの中心に置かれています。グループ横断の機能としては、ITC BICCのほかに、生成AIの内製開発と利用促進を担う生成AIラボがあります。同じ「AIに関わりたい」という希望でも、分析を現場に定着させたいのか、文章や製品情報を扱う仕組みを開発したいのかで、最初に読む組織紹介は変わります。
CTCを志望するときは、誰がシステムを使うかを見る
伊藤忠商事は、国内の主要子会社の一覧にCTCを掲載しています。CTC自身はシステムの構築や運用を含むITサービスを事業としており、新卒採用もCTCが実施します。伊藤忠商事が発表した案件でCTCの名前を見つけた場合も、CTCに入社して働くことと、伊藤忠商事の社員として同じ案件に関わることは、別のキャリアです。
意味のある違いは「商社かIT企業か」という業種名だけではありません。顧客が毎朝使う画面を設計する仕事なら、表示が遅れる場合の処理や、入力を間違えた場合の修正まで考える必要があります。事業側で同じ画面を導入する仕事なら、どの拠点から使うか、業務手順をどこまでそろえるか、利用の効果をどう測るかが論点になります。どちらの立場にも、事業を聞き取る力と技術への理解が要ります。
一つの発注システムに複数の会社が登場する理由
伊藤忠商事が2021年に発表した食品流通の事例では、日本アクセスがメーカーに出す注文が対象でした。伊藤忠商事、日本アクセス、CTC、当時の協力先ブレインパッドが関わり、小売と卸のデータを用いて需要を予測し、メーカーの取引単位に合わせた推奨値を発注システムへ渡しています。一部拠点での実証を経て導入を広げると発表した事例です。
この発表を企業研究に使うなら、紙に「発注する会社」「商品を売る現場」「システムの開発に参加した会社」と書いてみてください。発表者だけを見ていると、誰の業務が変わったのかを見落とします。逆に参加社の名前だけでは、モデルを設計した個人の所属や、現在の採用部署まではわかりません。特定の役割を希望するなら、事例の次に読む資料は応募先の職務記述です。
「分析したい」を三つの仕事に分けてみる
数字から改善策を提案したいなら、データアナリストや事業企画の仕事内容にある「利用部門への提案」「施策の検証」に注目しましょう。データサイエンスの中でも、将来の数量を予測したり、複数の選択肢の得失を比較したりする仕事に関心があるなら、予測対象と、その結果を使う人を探せます。
一方、正しい数字が毎日届く仕組みを作りたい人には、データエンジニアリングが近い選択肢です。データの取得、形式の変換、障害復旧に責任を持つ役割です。AIを業務システムに組み込みたい人は、AI開発やアプリケーション開発の業務欄で、モデルの評価から画面・外部システムとの接続まで、どこを担当できるかを読みます。ここで挙げた名称は仕事の探し方であり、各社の募集枠は個別に確かめる必要があります。
志望先を比べる一枚を作る
候補ごとに「雇用会社」「結果を使う人」「自分が引き渡したいもの」を一行に書いてみましょう。三つ目は、発注担当者が使う推奨数量、営業担当者が判断に使う集計表、翌朝も動くデータ連携処理など、具体的なものほど志望理由になります。
最後に、その一行のうち資料でわかったところにだけ印を付けてください。空いている箇所が「初期配属の部署はどこまで決まりますか」「この職種は導入後の利用部門とも仕事をしますか」といった次の質問になります。好きな事業と、日々担いたい仕事の両方から応募先を選べます。