転職求人

37,761 件

## 募集背景
同社は累計ダウンロード数を突破し、事業転換以降、急成長を達成しています。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、同社のゲーム機能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、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足しています。
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。

## プロダクトの特徴
発見型ソーシャルECアプリです。
発見型ECとは、従来の「ほしいものを検索して買う」検索型ECとは真逆で、「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」という体験を提供するECを指します。
セール商品との偶然の出会いや、レビュー・クエストなどの参加型機能を通じて、買い物が「単なる購入」を超えて感情を動かす体験になる場をつくっています。
累計ダウンロード数を突破し、ユーザーは全国にまんべんなく広がっています。特徴的なのは、これまでECをほとんど使ったことがない層に多く利用いただいている点です。
同社の作物育成ゲームや投稿機能など、日常的に楽しめる要素が豊富にあることが強みとなっており、高い頻度で利用しているユーザーが多く、これまでのECユーザーとはまったく異なる行動が生まれています。

## プロダクトの目指す世界
「日常に楽しさを」をミッションに、「新しい生活圏のカタチ」をつくることを目指しています。
検索と最適化に寄りがちなECでのお買い物体験に、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ことが狙いです。ふらっと立ち寄れば気になるものが見つかり、知人の姿に安心し、つい滞在したくなる。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します。情報収集も遊びも買い物も同じ動線の中でゆるやかにつながり、作業となってしまっていたお買い物はいつしか楽しみへと変わります。
事業転換以降、急成長を達成しています。
変化を力に変えてきた企業です。人数に依存しない運営モデルで常識を更新し続けます。目指す姿は、生活インフラです。小売の主役となるべき生活圏を切り拓きます。

## 業務概要
データから事業課題を構造化し、仮説を立て、施策の設計・検証までリードします。モデルの検討・実装・改善までトータルで関わるポジションです。

## 具体的な業務
- 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

## 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。ゲーム内行動やアプリ内行動など、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。

## ポジションの魅力
- 「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ます。
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、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、レコメンデーション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ります。
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。
- レコメンデーションにとどまらずデータ活用の今後を自分で描けます。
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、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」の優先順位からご自身で設計できます。
- 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です。
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です。
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。特定の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。