Data Scientist

必須

• データ分析から仮説構築・施策提案までを自走した実務経験が3年以上（PoCや社内向けサービスなどは含めずに）
• ビジネス文脈を踏まえた特徴量の設計・選定経験
• A/Bテストの設計・実施・検証や、オフライン評価の設計
• Pythonによる機械学習モデルの実装経験（分析だけでなく、自らモデルを書いて動かせること）
• SQLやPythonによるデータ分析と統計解析の経験
• PdM等と連携し、施策の優先順位づけや意思決定を主導できる力

歓迎

• EC、ソーシャルメディア、ゲーム領域でのデータ分析・パーソナライズの実務経験
• MAU数百万規模のプロダクションでビジネスKPIを改善した経験
• レコメンデーションモデルの設計・チューニング経験
• コールドスタート問題への対処経験（新規ユーザー・新規アイテム）
• チームメンバーの育成やメンタリング経験

求める人物像

• 「日常に楽しさを」「新しい生活圏のカタチをつくる」への共感
• 「変化を愛す」「追い風をおこせ」「成果でつなげ」「好きを大事に」への共感
• ECの体験には可能性があると少しでも感じる方
• 0→1, 1→10, 10→100,1000 の目まぐるしく変化する環境で挑戦したい方
• 10兆円を超える、他に類を見ない巨大市場にてチャレンジしたい方
• ソフトウェアを軸に大きなチャレンジを行いたい方
• 分析して終わりではなく、責任を持って提言し施策の実行まで関わる方
• 「なぜそのデータから見るのか」仮説を持ってデータに向き合える方
• プロダクトを1ユーザーとして深く理解し、ドメイン知識を武器にできる方

使用ツール

募集背景

• 一人目のデータサイエンティストを募集します。
• カウシェは累計700万ダウンロードを突破しました。2023年の事業転換以降、約3年でGMV35倍、売上総利益411倍、DAU81倍を達成して急成長しています。お客様の多くが「買いたいもの」を決めて来店するのではなく、カウシェファームなどを起点として偶然商品に出会い購入に至る、という従来のECとは根本的に異なる行動が生まれており、この独自のデータを活用したレコメンデーションを中心としたデータ施策が事業成長を大きく牽引してきました。
• 一方で、現在Data Science / ML領域は業務委託1名体制で運用しており、データ分析から仮説構築・特徴量設計・精度改善・効果検証までを一気通貫でリードできるデータサイエンティストが不在です。
• これまでの主な成果は商品レコメンドですが、直近ではUGCとお客様とのマッチングや商品出品者への改善提案にも取り組み始めています。今後は広告配信の最適化、ダイナミックプライシング、UI自体の出し分けなど、この領域でのやりたいことは大きく広がっています。分析・仮説構築から実装・効果検証まで一気通貫でリードいただけるデータサイエンティストを募集します。

業務内容

• データから事業課題を構造化し、仮説を立て、施策の設計・検証までリードしていただきます。モデルの検討・実装・改善までトータルで関わっていただくポジションです。
• ユーザー行動データ・購買データの分析を通じた事業課題の発見と構造化
• 課題に対する施策仮説の構築と、検証可能な実験（A/Bテスト等）の設計
• 特徴量の設計・選定と、レコメンドモデルの実装・チューニング
• オフライン評価とオンライン結果の乖離分析、施策の効果検証
• 分析結果に基づく施策の優先順位づけ。PdM等と連携した意思決定
• 今後チームを拡大していく予定があり、採用や育成にも関わっていただけると嬉しいですが、まずは上記領域に専念いただきます。

ユーザー行動の構造化と施策設計

• お客様は「買いたいもの」が決まっていない状態で商品に出会います。閲覧→クリック→購入のファネルをセグメント別に分解し、どこにインパクトの大きい改善余地があるかを特定する——曖昧な課題を自ら構造化する力が問われます。

レコメンド精度の改善

• カテゴリ別購入傾向・行動タイムスタンプ・価格感度などの特徴量設計を通じて、パーソナライズ精度を向上させます。モデルの実装・チューニングからオフライン/オンライン評価の設計まで、一気通貫で担います。

コールドスタート問題

• 新規お客様の初期利用期間は購買データが基本的にありません。ファーム内行動やアプリ内行動など、カウシェ固有のシグナルから嗜好を推定するモデルを設計・実装します。

短期CVR vs 長期LTV

• レコメンドが短期的な購入率に最適化されすぎていないか、長期的なお客様価値との両立をどう設計するかという構造的な問いに、データで仮説を作って検証していきます。

新たなML活用領域の探索

• UGC（口コミ）のパーソナライズ、広告配信の最適化、ダイナミックプライシングなど、「何のデータをインプットに、何をアウトプットするか」の新しい組み合わせを事業インパクトの大きい順に検証していきます。

開発環境・技術スタック

• データ基盤・分析: BigQuery, Dataform, Python, Looker Studio
• ML基盤: Google Cloud (Vertex AI, Vertex AI Experiments, Cloud Spanner, etc)
• AI/LLMツール: Claude Code, Cursor, Codex, GitHub Copilot（全員分予算あり）
• その他: GitHub, Slack, Notion

「買いたいものが決まっていない」という、ECにしかない難問に向き合える

• 検索型ECなら「何が売れるか」はある程度予測できます。しかしカウシェでは、お客様自身も来店時点では何を買うか決まっていません。この独自の行動パターンをデータで解き明かし、レコメンドに変えていくという、他のECプラットフォームでは経験できない、発見型ECならではの知的挑戦があります。

月20日以上・1日38分という、ECとしては異例の高密度データが武器になる

• 一般的なECアプリの滞在時間は数分程度です。カウシェはゲーム要素を持つ独自の設計により、お客様が日常的に開くアプリになっています。この高頻度・高密度な行動ログは、精度の高い特徴量設計と実験を可能にする、他社にはないデータ資産です。

レコメンドにとどまらずデータ活用の今後を自分で描ける

• 現在の主戦場は商品レコメンデーションですが、UGCパーソナライズ・広告配信最適化・ダイナミックプライシング・UI出し分けなど、カウシェにおけるデータ・ML活用の余白は広大です。「次に何をデータで解くか」の優先順位から自分で設計できる、一人目ならではの裁量があります。

分析して終わりではなく、施策の実行まで責任を持てる環境

• カウシェでは、データサイエンティストが仮説構築からモデル実装・効果検証まで一気通貫で担います。「レポートを作って渡すだけ」ではなく、自分の分析がKPIに直結するフィードバックループの中で、DSとしての腕を磨ける環境です。

AIフル活用が前提の職場

• DS含む全エンジニアにAIフル活用を義務化しており、個人の利用予算も会社が負担します。Claude Code・Cursor・Codexを使い、コードの大半をAI経由で生成。少人数でスピードと品質を両立するスタイルです。

開発スタイル

• 1チームあたり4〜10名のPM、デザイナー、エンジニア、QAなどの職能混合チームで開発を行います。
• 要件定義からリリースまで、チーム全員が主体的に関わるスタイルです。
• 「品質を上げるからこそ速く作れる」という哲学のもと、品質を重視した開発を徹底しています。

キャリアパス

• カウシェのData Scientistポジションは、「分析だけ」でも「実装だけ」でもなく、データ起点で事業全体を動かす希少なポジションです。
• 実績を積んだ後は、Data Science・ML領域のテックリード・チームビルディングを担うマネージャー、さらにはData Science・MLチーム全体を率いるCDO（Chief Data Officer）などへのキャリアパスを想定しています。レコメンド・パーソナライズ・広告最適化という複数ドメインを横断した経験は、市場における希少価値に直結します。

入社後3ヶ月のマイルストーン

• 入社直後から「放置」することはありません。明確なマイルストーンと共に、チーム全体で立ち上がりをサポートします。

1ヶ月目：プロダクトとデータの理解

• ユーザー行動データ・購買データを探索し、データの全体像や顧客像を把握する
• 既存のレコメンドロジックと評価指標の構成を理解し、施策に着手し始める

2ヶ月目：分析と仮説構築

• ファネル分解・セグメント分析を通じて、インパクトの大きい改善ポイントを特定する
• 特徴量の改善提案やモデルのチューニングに着手する
• 最初のA/Bテストを設計・実施する

3ヶ月目：施策のリード

• 分析結果に基づくML施策の優先順位づけとロードマップ策定
• 効果検証の仕組みを整え、施策のPDCAを自走で回す