Data Scientist

募集背景

1. 1一人目のデータサイエンティストを募集する。
2. 2カウシェは累計700万ダウンロードを突破し、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る。
3. 3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ある。
4. 4これまでの主な成果は商品レコメンドで、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る。

プロダクトの特徴

1. 1カウシェは発見型ソーシャルECアプリで、従来の検索型ECとは真逆に「なんとなく眺めているなかで、ほしいものを発見して買う」体験を提供する。
2. 22026年7月に累計700万ダウンロードを突破し、ユーザーは全国に広がっている。
3. 3これまでECをほとんど使ったことがない40〜50代の女性に多く利用されている。
4. 4「カウシェファーム」という作物育成ゲームや「みんなの投稿」機能など日常的に楽しめる要素が豊富で、1日平均38分・月20日以上という高い頻度で利用されている。

プロダクトの目指す世界

1. 1「日常に楽しさを」をミッションに「新しい生活圏のカタチ」をつくる。
2. 2検索と最適化に寄りがちなECのお買い物体験に、発見や偶然、ほどよいにぎわいといった人間らしい豊かさを取り戻す。
3. 3駅前や商店街のように人が自然と集まり生活のリズムに溶け込む拠点を、ソーシャルとエンタメとコマースの掛け算で形にする。
4. 42023年の事業転換以降、約3年でGMV35倍、売上総利益411倍、DAU81倍を達成した。

業務内容

1. 1データから事業課題を構造化し、仮説を立て、施策の設計・検証までリードする。
2. 2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。
3. 3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。
4. 4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。
5. 5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。
6. 6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。

このポジションで向き合う難題

1. 1ユーザー行動の構造化と施策設計：閲覧→クリック→購入のファネルをセグメント別に分解し、改善余地を特定する。
2. 2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る。
3. 3コールドスタート問題：新規顧客の初期利用期間は購買データが無いため、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・実装する。
4. 4短期CVR vs 長期LTV：短期的な購入率最適化と長期的なお客様価値の両立をデータで仮説を作って検証する。
5. 5新たなML活用領域の探索：UGC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新しい組み合わせを事業インパクトの大きい順に検証する。

開発環境・技術スタック

1. 1データ基盤・分析: BigQuery, Dataform, Python, Looker Studio。
2. 2ML基盤: Google Cloud (Vertex AI, Vertex AI Experiments, Cloud Spanner, etc)。
3. 3AI/LLMツール: Claude Code, Cursor, Codex, GitHub Copilot（全員分予算あり）。
4. 4その他: GitHub, Slack, Notion。

仕事の魅力

1. 1「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。
2. 2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。
3. 3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。
4. 4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。
5. 5AIフル活用が前提の職場で、個人の利用予算も会社が負担する。

開発スタイル

1. 11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う。
2. 2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。
3. 3「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る。

一緒に働く「人」と「技術文化」

1. 1直属上司は執行役員CTOの池松恭平。
2. 2業界トップクラスのエンジニアが集結しており、メガベンチャーやTechスタートアップでテックリード・EM・CTOを経験した30代のシニアメンバーが多数在籍。
3. 3DeNA AI技術開発部との技術連携により、ML領域のアドバイザリーを受けながら開発を進めている。
4. 4AI Nativeな開発スタイルで、コードの大半をAI経由で生成、Pull Requestの80%をAIレビューのみでDeployするなどを実践中。
5. 5事業とお客様に近い距離で開発する文化で、PdMやデザイナーと混成で動き、事業数値やKPIの状況を深くSyncして開発を行っている。

キャリアパス

1. 1Data Scientistポジションは、データ起点で事業全体を動かす希少なポジション。
2. 2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CDO（Chief Data Officer）などへのキャリアパスを想定。
3. 3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する。

入社後3ヶ月のマイルストーン

1. 11ヶ月目：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. 22ヶ月目：ファネル分解・セグメント分析を通じて改善ポイントを特定し、特徴量の改善提案やモデルのチューニングに着手、最初のA/Bテストを設計・実施する。
3. 33ヶ月目：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。

応募資格（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

歓迎する経験

• 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

待遇・福利厚生

• Woman休暇
• クラブ活動支援
• ピアボーナス
• 入社特別休暇
• 完全週休2日制
• 年次有給休暇
• 慶弔休暇
• 社員紹介報奨金制度
• 自己啓発サポート制度

求めるスキル・経験