Data Scientist/お買い物アプリ運営企業の求人

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。

このポジションで向き合う難題:
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。独自の機能内行動やアプリ内行動など、同社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。

仕事の魅力:
「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。しかし同社では、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。

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。同社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、同社におけるデータ・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
同社では、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。AIツールを使い、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。

一緒に働く「人」と「技術文化」:
直属上司：執行役員 CTO 池松 恭平
東京工業大学大学院にて計算工学を修了後、2014年にDeNA入社。バックエンドエンジニア、エンジニアリングマネージャーとして、EC、SNS、ヘルスケアなどのプロダクト開発に従事。
2020年から複業として参画していた同社に翌年5月に入社。バックエンドエンジニア、エンジニアリングマネージャー、プロダクトマネージャーを経て2023年10月より現職。

技術文化:
- 業界トップクラスのエンジニアが集結
- 正社員・業務委託メンバー共に、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を経験したシニアメンバーが多数在籍しています。
- グループ会社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ます。
- AI Nativeな開発スタイル
- 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。少数でスピードと品質を両立しています。
- 事業とお客様に近い距離で開発する文化
- PdMやデザイナーと混成で動き、事業数値やチームで追っているKPIの状況、対応方針などを深くSyncして開発を行っています。
- 定量数値と定性（使用感・お問い合わせ・SNS投稿・レビューなど）を重視し、お客様の文脈に常に触れながら開発し、リリース後には定性・定量の変化を確認して次の施策に繋げていきます。toCならではのFBを元にした速い開発サイクルが特徴です。

キャリアパス:
同社の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

【必須スキル】
- 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

【歓迎スキル】
- 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
- 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】
同じ志を抱ける方
- 「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
- 企業理念への共感
- ECの体験には可能性があると少しでも感じる方

挑戦する気持ちをお持ちの方
- 目まぐるしく変化する環境で挑戦したい方
- 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

データサイエンティストとしての姿勢
- 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

お買い物アプリ運営企業