 職種Position |
技術職 (AI・データ)
R&D / Engineer /Technician (AI, Data) |
 会社概要Company profile |
従来の欲しいものを探して買うECサイト・アプリとは異なり、家族や友人、同僚など、気の知れた人とコミュニケーションを取りながらショッピングを楽しむことができるアプリを運営している会社です。
2023年9月にモデルシフトを行い、購入体験の大刷新を行いました。その結果、3ヶ月後に1 日あたりのアクティブユーザー数が3倍、その3ヶ月後にはさらに3倍へと成長しています。
2024年3月には累計アプリDL数が200万を突破し、現在も熱狂的に利用してくださるお客様が増え続けています。
Unlike conventional e-commerce sites and apps where users search for and buy items they want, this company operates an app that lets users enjoy shopping while communicating with people they know well, such as family, friends, and colleagues.
In September 2023, the company made a model shift and completely renewed the purchase experience. As a result, the number of active users per 1 day grew 3 times 3 months later, and grew a further 3 times 3 months after that.
In March 2024, cumulative app downloads surpassed 200万, and the number of passionate customers who continue to use the app keeps increasing. |
 仕事内容Job description |
【お仕事の内容】
## 募集背景
カウシェの経営におけるデータ戦略とそのために必要な設計を構築し、定量責任を担うポジションを募集します。
カウシェは累計800万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。この成長を支えるコア技術がレコメンデーションです。Vertex AI上でTwo-Towerモデルをはじめとした複数のMLモデルが本番稼働しており、導入以来KPIを大きく改善してきました。
これまでの主な成果は商品レコメンドですが、今後はUGC(口コミ投稿)とお客様とのマッチング、商品出品者への改善提案、広告配信の最適化、ダイナミックプライシングなど、ML/LLMを活用できる領域は大きく広がっています。
滞在時間あたりの利益、LTVの最大化、モデルの改善等をKPIとし、経営に直接インパクトのあるデータ戦略の立案・実行を担えるCDO(Chief Data Officer)ポジションを求めています。
## プロダクトの特徴
カウシェは発見型ソーシャル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。
2026年10月に累計800万ダウンロードを突破し、ユーザーは全国にまんべんなく広がっております。特徴的なのは、これまでECをほとんど使ったことがない40〜50代の女性に多く利用いただいてる点です。
「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」という投稿機能など、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、1日平均38分・月20日以上という高い頻度で利用していただい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
カウシェは「日常に楽しさを」をミッションに、「新しい生活圏のカタチ」をつくります。
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。
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。
変化を力に変えてきた私たちは、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、1億人に1億通りの楽しみが巡る生活インフラです。社員100人で企業価値1兆円に挑み、10年後に小売の主役となるべき生活圏を自分たちの手で切り拓きます。
## 業務内容
ML/LLM/データサイエンスを経営・事業戦略に接続し、投資対効果のあるテーマに集中させ、組織的に遂行する責任者。技術ありきではなく、経営課題の解決方法としてdata/技術を捉えて戦略的に推進するポジションです。
- 重点課題に対するAI技術選定、フィージビリティ評価、期待効果に基づく優先順位付け
- 学習構造/技術ロードマップの策定および技術投資方針の立案
- ロードマップ実行に必要な組織・体制の設計、採用戦略の策定
- データ基盤、MLOps/LLMOps、プロダクト実装・運用まで見据えた長期アーキテクチャ方針の主導
- ML/LLM/データサイエンスの知見・経験に基づく立案、組織構築、マネジメントを中心としたリーダーシップの発揮
- 上記戦略の実行のためのデータ組織の確立
## このポジションで向き合う難題
### **レコメンドモデルのアーキテクチャ進化**
現在稼働中のTwo-Towerモデルをベースに、精度・速度・スケーラビリティをどう高めるかを設計・実装します。次世代のアーキテクチャを自ら提案し、プロダクションで検証できる環境があります。
### **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。
### **リアルタイム性の向上**
カウシェにおけるレコメンドユースケースではリアルタイム性の向上が事業インパクトに大きな影響を与えるものが多数あります。そのためのモデル側の最適化に取り組みます。
### **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モデルに組み込むかという構造的な問いに、実装レベルで向き合います。
### **新たなML/LLM活用領域への展開**
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」の新しいモデルを事業インパクトの大きい順に設計・実装していきます。
## 開発環境・技術スタック
- 言語:Go, Swift, Kotlin, Typescript
- UIフレームワーク:SwiftUI, Jetpack Compose
- アーキテクチャ・設計:Clean Architecture, MVVM, Android Architecture Components
- インフラ:Google Cloud (Cloud Run, Cloud Spanner, Pub/Sub, etc)
- 開発環境:Xcode, Android Studio
- 通信:gRPC, Protocol Buffers
- CI/CD:GitHub Actions, Cloud Build, Bitrise
- 構成管理:Terraform
- データ/ML/分析:BigQuery, Dataform, Vertex AI, Looker Studio
- Observability:Datadog, Crashlytics, Cloud Monitoring, Cloud Logging, Cloud Trace
- AI/LLMツール:Claude, Codex, Cursor, Gemini, etc(全員分予算あり)
- その他:GitHub, Slack, Notion, Figma, Maestro
- 開発スタイル:アジャイル開発
## 仕事の魅力
**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、精度の高いモデル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ないデータ戦略全体の構築**
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、モデル実装していくか」の優先順位から自分で設計できる裁量があります。
## 一緒に働く「人」と「開発文化」
### 連携する役員:取締役COO 山田 悠太郎
東工大大学院MOT修了。2012年にドリームインキュベータに新卒で入社、戦略コンサル・買収企業のバリューアップに従事。その後スタートアップ業界へ転身。AnyPayにてブロックチェーン事業立ち上げ、ツクルバにて執行役員として事業開発、事業責任者を歴任しGMV100億円の事業成長を牽引。2023年8月よりカウシェに参画。
### 連携する役員:佐藤 俊輔 執行役員 CXO
1998年生まれ。明治大学在学中から、 Fintech企業でエンジニアインターンやカウシェにて創業期からマーケティングインターンを経験。2022年4月に大学卒業後カウシェに正社員としてジョイン。2023年夏より「カウシェファーム」の企画構想を開始し、開発チームを率いて同年10月にサービスをリリース。
2024年4月より部長に就任し、2026年3月より執行役員CXO(Chief Experience Officer)に就任。
### 連携する役員:高見 隼悟 執行役員 CBO
新卒で建設系コンサルに入社後、独立し広告代理店・物流コンサルを約4年経営。その後、IT知見を求め株式会社サンブリッジに入社し、プリセールスや日本法人立ち上げ責任者を歴任。CRM・SaaS事業の立ち上げを経験。その後、株式会社エス・エム・エス、株式会社ディー・エヌ・エーにて医療・ヘルスケア領域の事業責任者を務める。
2022年にエクサウィザーズに入社。ヘルスケア部門と部門横断での事業企画開発部を2部長兼務した後、2024年度サービス企画開発部(現:事業・サービス企画開発ユニット)を立ち上げ部門執行役兼ユニット長を務める。2026年5月、株式会社カウシェ執行役員CBOに就任。
### 連携する役員:池松 恭平 執行役員 CTO
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カウシェに翌年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。
### 開発文化
- 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30代のシニアメンバーが多数在籍しています。
- DeNA 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。
## 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:現状把握と課題定義**
- 既存のレコメンドモデルのアーキテクチャ・特徴量・評価指標の構成を理解する
- 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
**2ヶ月目:データ戦略仮説構築の自走**
- お客様の滞在時間あたりの利益・LTVを最大化するためのデータの取得・活用戦略についてCOO・CXO・CBOと連携しながら仮説構築
**3ヶ月目:ロードマップ策定と実行プランの構築**
- AI・データ施策の優先順位づけとロードマップを策定する
- 効果検証の仕組みを整え、施策のPDCAを自走で回す
## 選考フロー
お互いのミスマッチを無くすため、技術力とカルチャーの両面を丁寧に確認させていただきます。
- カジュアル面談(まずは気軽にお話ししましょう)
- 一次面接(スキル・カルチャー:COO / 60〜90分)
- 課題選考(CEO・COO・CXO・CBO・CTO/ MAX90分)
- NDAを締結し、弊社から共有した情報を元に課題に取り組んでいただき、ディスカッションを行う形式です。
- 最終面接(対面:CEO・COO / MAX90分)
- 最終面接と課題選考の間に、リファレンスチェックを実施することがあります。
## カウシェをもっと知る
- 採用ページ:https://enjoy-working.kauche.com/
- Company Deck:https://speakerdeck.com/kauche/zhu-shi-hui-she-kausie-company-deck
- 社員インタビュー:https://note.com/kauche
- TechBlog:https://zenn.dev/p/kauche
[Salary]
Expected annual salary: 13,200,000 yen to 27,000,000 yen
# Annual salary
Annual salary: 13,200,000 yen to 27,000,000 yen
# Monthly salary
Monthly salary: 1,100,000 yen to 2,250,000 yen
- Base salary (838,095 yen to 1,714,286 yen)
- Fixed overtime allowance (equivalent to 40 hours, 261,905 yen to 535,714 yen)
- Includes 40 hours of fixed overtime
# Salary notes
Premium wage rates for work outside scheduled hours, late-night work, or on holidays are as follows
- Outside scheduled hours / beyond scheduled hours: 0%
- Beyond statutory hours up to 45 hours per month / beyond the limit hours: 25%
- Beyond statutory hours exceeding 60 hours per month: 50%
- Late-night: 25%
- Statutory holidays: 35%
[Work location]
Tokyo Head Office
〒150-0041 Tokyo-to Shibuya-ku Jinnan 1-12-16 Asia Building 9F
Office attendance frequency: Hybrid attendance (3 days per week in office)
※Scope of change: Head office and branches and sales offices nationwide |
 応募資格Requirement |
【必須要件】
- 経営の立ち位置からデータ戦略を理解・舵取りできること
- 経営・事業課題、業務・データ・システムの現状を理解し、dataと学習モデルで解くべき課題に構造化できること
- 機械学習、データ分析、生成AIの活用領域・導入プロセス・限界を理解し、課題に応じて適切な技術選定ができること
- 複数のML/LLM/データサイエンステーマをリストアップし、評価・優先順位付けできること
- 経営層、事業部門、PdMなど多様な関係者と合意形成し、意思決定・推進をリードできること
- データ戦略を実行できる組織運営をリードできること
- 戦略・中長期ロードマップを策定し、段階的な実行計画に落とし込めること
- KPI設計、効果検証、A/Bテスト等を通じて、施策の成果を評価・改善できること
- 当該領域における組織の設計、採用、育成、評価、組織改善など一連の組織マネジメントができること
- 機械学習、データ分析、LLMの基本概念・活用領域・導入プロセス・限界を理解し、課題に応じた技術選定・実現性判断ができること
- データ基盤、MLOps/LLMOps、プロダクト実装、業務フロー組み込み、評価・監視・運用改善まで見据え、専門家と技術方針を議論できること
- SQL、DB、Pythonの基礎力があり、自身でデータを観察してインサイトを得られること
- 生成AIやデータ活用に伴う品質、セキュリティ、個人情報、説明責任等のリスクを理解し、適切に管理できること
- 日本語でスムーズにコミュニケーションが取れること
【必須要件】
- 経営の立ち位置からデータ戦略を理解・舵取りできること
- 経営・事業課題、業務・データ・システムの現状を理解し、dataと学習モデルで解くべき課題に構造化できること
- 機械学習、データ分析、生成AIの活用領域・導入プロセス・限界を理解し、課題に応じて適切な技術選定ができること
- 複数のML/LLM/データサイエンステーマをリストアップし、評価・優先順位付けできること
- 経営層、事業部門、PdMなど多様な関係者と合意形成し、意思決定・推進をリードできること
- データ戦略を実行できる組織運営をリードできること
- 戦略・中長期ロードマップを策定し、段階的な実行計画に落とし込めること
- KPI設計、効果検証、A/Bテスト等を通じて、施策の成果を評価・改善できること
- 当該領域における組織の設計、採用、育成、評価、組織改善など一連の組織マネジメントができること
- 機械学習、データ分析、LLMの基本概念・活用領域・導入プロセス・限界を理解し、課題に応じた技術選定・実現性判断ができること
- データ基盤、MLOps/LLMOps、プロダクト実装、業務フロー組み込み、評価・監視・運用改善まで見据え、専門家と技術方針を議論できること
- SQL、DB、Pythonの基礎力があり、自身でデータを観察してインサイトを得られること
- 生成AIやデータ活用に伴う品質、セキュリティ、個人情報、説明責任等のリスクを理解し、適切に管理できること
- 日本語でスムーズにコミュニケーションが取れること |
 日本語力Japanese level |
流暢
Fluent |
 雇用形態Employment type |
正社員
Full-time |
 勤務エリアLocation |
東京都
Tokyo |
 勤務時間Working hours |
—
— |
 想定年収Salary |
1,320万円〜2,700万円
JPY 13,200,000 - 27,000,000 |
 条件・待遇Condition |
【給与】
想定年収:1,320万円〜2,700万円
# 年収
年収 1,320万円 〜 2,700万円
# 月給
月給1,100,000円〜2,250,000円
- 基本給(838,095円〜1,714,286円)
- 固定残業手当 (40時間分相当261,905円〜535,714円)
- 固定残業時間として40時間を含む
# 給与備考
所定時間外、深夜または休日の時の割増賃金率は下記の通り
- 所定時間外・所定超:0%
- 法定超月45時間迄・限度時間超:25%
- 法定超月60時間超:50%
- 深夜:25%
- 法定休日:35%
【勤務地】
東京本社
〒150-0041 東京都渋谷区神南1丁目12-16 アジアビル9F
出社頻度:ハイブリッド出社(週3日の出社)
※変更の範囲:本社および全国の支社、営業所
[Salary]
Expected annual salary: 13,200,000 yen to 27,000,000 yen
# Annual salary
Annual salary: 13,200,000 yen to 27,000,000 yen
# Monthly salary
Monthly salary: 1,100,000 yen to 2,250,000 yen
- Base salary (838,095 yen to 1,714,286 yen)
- Fixed overtime allowance (equivalent to 40 hours, 261,905 yen to 535,714 yen)
- Includes 40 hours of fixed overtime
# Salary notes
Premium wage rates for work outside scheduled hours, late-night work, or on holidays are as follows:
- Outside scheduled hours / exceeding scheduled hours: 0%
- Exceeding statutory hours, up to 45 hours per month / exceeding the limit hours: 25%
- Exceeding statutory hours, over 60 hours per month: 50%
- Late-night: 25%
- Statutory holidays: 35%
[Work location]
Tokyo Head Office
〒150-0041 9F Asia Building, 1-12-16 Jinnan, Shibuya-ku, Tokyo
Office attendance frequency: Hybrid attendance (office attendance 3 days per week)
※Scope of change: Head office and branch offices and sales offices nationwide |
 選考についてProcess |
|
