募集背景

カウシェは累計600万ダウンロードを突破しました。2023年の事業転換以降、2年半でGMV30倍、売上総利益252倍、DAU68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。

一方で、モデルの実装・改善・プロダクション化を専任でリードできるMLエンジニアが不在です。現在はData Science / ML領域を業務委託1名体制で運用しており、仮説構築から実装・効果検証まで分業できる体制が整っていません。

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を活用できる領域は大きく広がっています。モデルの設計・実装からプロダクション化・効果検証まで、一気通貫でリードいただけるMLエンジニアを募集します。

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3月に累計600万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、2年半でGMV30倍、売上総利益252倍、DAU68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モデルの設計・実装・改善を通じて、プロダクトの体験と事業成長を直接動かしていただきます。分析や基盤整備だけで終わらず、モデルそのものをプロダクションレベルで動かすことに責任を持つポジションです。

• レコメンドモデルの設計・実装・チューニング（Two-Tower / LightGBM等）
• 特徴量エンジニアリングの実装と、オフライン/オンライン評価の設計
• A/Bテストの設計・実施・効果検証を通じたモデル改善のPDCA
• モデルのプロダクション化（Cloud Run等への実装・最適化）
• ML施策の技術的意思決定とPdM等との連携

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

• 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

仕事の魅力

書いたモデルが、翌日のKPIに直結する
カウシェのレコメンドはプロダクトの中核です。実装したモデルの改善が売上・滞在時間・継続率に直接反映される、解像度の高いフィードバックループの中で開発できます。

現行モデルの次を自分で設計できる
既存モデルはすでに本番稼働中ですが、アーキテクチャの進化余地は大きく残っています。「次世代のレコメンドエンジンをどう設計するか」を自分の技術判断でリードできる環境です。

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ず、ML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、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、一人目ならではの裁量があります。

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。

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。

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。

キャリアパス

カウシェのML Engineerポジションは、モデルの設計から実装・プロダクション化まで一気通貫で担う希少な経験を積める環境です。実績を積んだ後は、ML領域の技術的意思決定をリードするML Lead Engineer、さらにはData Science・MLチーム全体を率いるHead of ML / 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実装経験は、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：プロダクトとコードベースの理解

• 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：最初のモデル改善

• 特徴量の改善提案やモデルのチューニングに着手する
• モデルの改善仮説を立てる

3ヶ月目：アーキテクチャ提案とロードマップ策定

• ML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
• 今後のアーキテクチャ検討・提案や実行を行う

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

• 平日日中の週4（できれば週5以上）以上の稼働
• ビジネス・リーダーシップ
  • ビジネス指標（CTR、CVR、LTVなど）を目標として持ち、改善するためのロードマップの策定と実行経験、そのためのモデル開発や各種実装経験
  • チームまたはプロジェクトのリード経験
• 技術
  • レコメンデーション分野（コンテンツ推薦、商品推薦、パーソナライズド、ランキ ングなど）におけるプロダクト開発の実務経験
  • 目安直近5年で最低2年以上
  • MAUが最低数十万以上の規模、もしくはそれに近いトラフィックやデータ量での経験
  • PoC経験はNG
  • レコメンデーション分野における、モデルを用いた実装、特徴量エンジニアリングや前処理、実運用・モニタリング（MLOps）、精度改善、効果検証の経験
  • CF（Collaborative Filtering: 協調フィルタリング）
  • MF（Matrix Factorization: 行列分解）
  • DNN（Deep Neural Network: ニューラルネット、深層学習）
  • Transformer系（BERTなど）
  • Two-Tower
  • Wide & Deep
  • GNN（グラフニューラルネット）
  • DeepFM

• ECやソーシャルメディア領域でのレコメンド実務経験
• リアルタイム推論環境の開発・運用経験
• データエンジニアリング・インフラ構築の知見（AWS、GCP、Databricks、BigQueryなど）
• MLプロジェクトにおけるビジネスサイド・プロダクトサイドとの協業経験

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
• 「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

挑戦する気持ちをお持ちの方

• 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