株式会社出前館の求人一覧

機械学習エンジニア

※この求人はギークニアによる求人紹介案件です。応募情報はギークニアに送信されます。
　ご推薦可能な場合、面談後に推薦をさせて頂きます。

雇用形態	正社員
給与	800万円〜1300万円（年収 8,000,000 円 - 13,000,000円 ※年俸制月額666,700円－1,083,400円＋業績連動賞与+各種手当の金額です。 ※163,300円－257,800円の業務手当を含む。所定外労働 10.5 時間+時間外労働 30 時間に相当（ただし実際の時間外労働は月20時間程度です）・評価制度あり（年2回））
勤務地	東京都,大阪府
勤務地詳細	東京都渋谷区千駄ケ谷５丁目２７－５　リンクスクエア新宿　11階大阪府大阪市北区曽根崎新地1－13－22 御堂筋フロントタワー株式会社出前館【アクセス】新宿本社 JR/東京メトロ各線「新宿駅」徒歩5分 JR各線/都営大江戸線「代々木駅」徒歩5分東京メトロ丸の内線/副都心線「新宿三丁目駅」徒歩1分 ※勤務地の変更の範囲：会社（出向先の会社を含む）の定める事業所・場所【アクセス】大阪オフィス JR/「大阪駅」南口より徒歩5分阪急電車/「大阪梅田駅」2階中央改札口より徒歩5分阪神電車/「大阪梅田駅」東改札口より徒歩3分地下鉄/御堂筋線「梅田駅」南改札口より徒歩3分　　　谷町線「東梅田駅」北東改札口より徒歩1分
職種	データサイエンティスト機械学習エンジニア機械学習エンジニア企画・マーケ
業種	フードサービス・飲食インターネット関連 IT通信インターネット
勤務時間	■勤務時間フレックスタイム制度適用（コアタイム無）（フレキシブルタイム 7：00－22：00）

業務内容

募集背景
当社は、2020年のLINE株式会社との資本業務提携による大型の資金調達を皮切りに、コロナ禍による非対面の流れの追い風もあり、MAU約800万人、加盟店10万店超と事業規模を拡大させてきました。
現在、「再成長フェーズ」と位置付け、さらなるフードデリバリーの基盤強化を行いながら市場・トップラインの成長を追求し、クイックコマースプラットフォームとして、フードデリバリーサービスからライフインフラへ、大きな変革期を迎えています。
"レガシー脱却、更なる拡張性の高いシステムへ"
事業の急拡大に伴い、配送効率の向上、販促コストの最適化、ユーザー体験のパーソナライズが経営上の最優先事項となっています。データサイエンスを駆使して、複雑なビジネス課題を解決し、実世界のオペレーションを最適化する「攻め」のエンジニアを募集します。
仕事内容
プロダクトの成長を牽引する、以下の4つの主要ドメインにおけるMLモデルの設計・開発・運用を担当します。
クーポン配布の最適化（Uplift Modeling）
ユーザーごとの反応率を予測し、ROI（投資対効果）を最大化するパーソナライズされたクーポン配布戦略の構築。
配達報酬の最適化（ダイナミック価格設定）
エリアごとの需給バランスに基づき、配達員への報酬をリアルタイムに最適化するアルゴリズムの開発。
レコメンドエンジンの開発・改善
数万件の加盟店の中から、時間・場所・嗜好に合わせた最適な店舗・メニューの提案ロジックの実装。
マーケティング施策の最適化（LTV/離脱予測）
ユーザーのLTV予測や離脱予兆検知モデルを構築し、マーケティングオートメーション（MA）と連携した施策実行。
※業務の変更の範囲：会社の定めるすべての業務（在籍出向を含む）
<参考情報>

＜代表取締役／矢野インタビュー記事＞
「デリバリーこそ、テックジャイアントに勝てる領域だ」出前館の新代表・矢野氏が語る、業界No.1を狙う経営哲学

＜取締役／経営企画本部本部長安岡インタビュー＞

【デリバリー大戦争】「5円の攻防」に賭けた出前館の逆襲──黒船襲来で大混戦のなかV字回復なるか！？
経験・スキル
<下記は

求人詳細

■職種 / 募集ポジション
機械学習エンジニア

■求人タイトル
機械学習エンジニア

■雇用形態
正社員

■給与
年収 8,000,000 円 - 13,000,000円
※年俸制
月額666,700円－1,083,400円＋業績連動賞与+各種手当の金額です。
※163,300円－257,800円の業務手当を含む。
所定外労働 10.5 時間+時間外労働 30 時間に相当（ただし実際の時間外労働は月20時間程度です）

評価制度あり（年2回）

■勤務地
東京都渋谷区千駄ケ谷５丁目２７－５　リンクスクエア新宿　11階
大阪府大阪市北区曽根崎新地1－13－22 御堂筋フロントタワー株式会社出前館

■勤務時間
フレックスタイム制度適用（コアタイム無）
（フレキシブルタイム 7：00－22：00）

■休日

完全週休2日制（土日）
祝日
年次有給休暇（10日－最大20日）
年末年始休暇（12/30-1/4）
Deホリデー（特別休暇）
慶弔休暇
誕生日休暇
リフレッシュ休暇(勤続10年で5日間)
産休、育休制度※取得実績多数

■福利厚生

各種社会保険完備
通勤手当（実費支給/月4万円まで）
在宅勤務制度（週2日程度）
在宅手当（250円/日）
メンター制度
チームビルディング費支援制度
お誕生日休暇
リフレッシュ休暇(勤続10年で5日間)
社員割引クーポン
定期健康診断
従業員持株会

■勤務地備考

【アクセス】新宿本社
JR/東京メトロ各線「新宿駅」徒歩5分
JR各線/都営大江戸線「代々木駅」徒歩5分
東京メトロ丸の内線/副都心線「新宿三丁目駅」徒歩1分
※勤務地の変更の範囲：会社（出向先の会社を含む）の定める事業所・場所

【アクセス】大阪オフィス
JR/「大阪駅」南口より徒歩5分
阪急電車/「大阪梅田駅」2階中央改札口より徒歩5分
阪神電車/「大阪梅田駅」東改札口より徒歩3分
地下鉄/御堂筋線「梅田駅」南改札口より徒歩3分
　　　谷町線「東梅田駅」北東改札口より徒歩1分

■その他要件

■育児支援制度※適用条件あり

短時間勤務制度（小学校就学の始期に達するまでの子が対象）
子育て一時退出制度
子の看護休暇（中学校就学の始期に達するまでの子が対象）

■オフィス備考

原則禁煙（オフィスによりビル内に喫煙所有）

■仕事についての詳細

【募集背景】
当社は、2020年のLINE株式会社との資本業務提携による大型の資金調達を皮切りに、コロナ禍による非対面の流れの追い風もあり、MAU約800万人、加盟店10万店超と事業規模を拡大させてきました。
現在、「再成長フェーズ」と位置付け、さらなるフードデリバリーの基盤強化を行いながら市場・トップラインの成長を追求し、クイックコマースプラットフォームとして、フードデリバリーサービスからライフインフラへ、大きな変革期を迎えています。
"レガシー脱却、更なる拡張性の高いシステムへ"
事業の急拡大に伴い、配送効率の向上、販促コストの最適化、ユーザー体験のパーソナライズが経営上の最優先事項となっています。データサイエンスを駆使して、複雑なビジネス課題を解決し、実世界のオペレーションを最適化する「攻め」のエンジニアを募集します。

【仕事内容】
プロダクトの成長を牽引する、以下の4つの主要ドメインにおけるMLモデルの設計・開発・運用を担当します。
クーポン配布の最適化（Uplift Modeling）
ユーザーごとの反応率を予測し、ROI（投資対効果）を最大化するパーソナライズされたクーポン配布戦略の構築。
配達報酬の最適化（ダイナミック価格設定）
エリアごとの需給バランスに基づき、配達員への報酬をリアルタイムに最適化するアルゴリズムの開発。
レコメンドエンジンの開発・改善
数万件の加盟店の中から、時間・場所・嗜好に合わせた最適な店舗・メニューの提案ロジックの実装。
マーケティング施策の最適化（LTV/離脱予測）
ユーザーのLTV予測や離脱予兆検知モデルを構築し、マーケティングオートメーション（MA）と連携した施策実行。
※業務の変更の範囲：会社の定めるすべての業務（在籍出向を含む）
<参考情報>

＜取締役／経営企画本部本部長安岡インタビュー＞

【デリバリー大戦争】「5円の攻防」に賭けた出前館の逆襲──黒船襲来で大混戦のなかV字回復なるか！？
経験・スキル
<下記は必須>
機械学習、統計学、または数学に関する専門的知識。
Pythonを用いた機械学習モデルの実装・評価経験（実務3年以上）。
SQLを用いた大規模データ（BigQuery等）の抽出・加工・分析経験。
ビジネスサイドと協力し、課題定義から実装・効果検証までを主導した経験。

＜歓迎スキル＞
経済学（因果推論、メカニズムデザイン）の知見を用いた最適化経験。
組合せ最適化、強化学習、またはバンディットアルゴリズムの実務適用経験。
MLOps（Vertex AI / SageMaker等）を用いたモデルの安定運用経験。
大規模トラフィックが発生するシステムでのバックエンド開発経験。
使用するテクノロジー・ツール
言語: Python, SQL
ML基盤: GCP (BigQuery, Vertex AI), AWS (SageMaker)
ライブラリ: Scikit-learn, LightGBM, XGBoost, PyTorch/TensorFlow
ワークフロー: Airflow, Kubeflow, GitHub, Docker

＜求める人物像＞
技術スキルと同等に、以下のマインドセットを重視します。
ビジネス・トランスレーターとしての能力
業務部門（マーケ、営業、オペレーション等）と密にコミュニケーションを取り、抽象的なビジネスニーズを、機械学習で解くべき具体的な技術課題へと構造化・定義できること。
現場・実数値へのこだわり
モデルの精度（AUC等）の向上のみを目的とせず、それが「実際の注文数」や「配送コスト」にどう寄与したかというビジネス成果（KPI）に責任を持てること。
仮説検証のスピード感
完璧なモデルを時間をかけて作るよりも、まずはプロトタイプを現場に投入し、フィードバックを得て高速に改善サイクルを回せること。

■エンジニアブログ
https://techblog.demae-can.co.jp/

■会社紹介資料
https://speakerdeck.com/demaecan/hui-she-shuo-ming-zi-liao-202211-bc3f861b-1973-45f0-af97-198e202a31d5

機械学習エンジニア