特集：人事にAIを活かす。HRTechの事例

HRTechという言葉をよく聞くようになりました。これは人事・人材（Human Resources）とテクノロジー（Technology）とを掛け合わせた造語です。テクノロジーの具体的な中身として、AIやデータ解析といった要素が加わってきます。

人事業務を例えば「採用、配属、評価（昇格・降格）、離職予防」といった業務の中身で分類をしたとして、この業務分類それぞれにどのようにテクノロジーを活かせるでしょうか。この特集では、テクノロジーの一例として、データ解析や、AIといった技術にフォーカスしてご紹介します。

例えば採用活動にどのようにデータ解析、AIといったテクノロジーを適用できるかを考えてみましょう。大手企業となれば、数万人のエントリーシートが応募されるそうです。限られた人事部の要員で、しかも短期間に数万人のエントリーシートをチェックし、どの応募者が自社にとって長期間活躍できる人材かを見抜くのは非常に困難な業務です。もちろんベテランの採用担当者ともなれば、チェックすべき項目にもノウハウがあるのでしょうが、最初の1名と1万人目を同じようにチェックするのは至難の技です（人間は疲れますし、まったく同じにチェックできるとは言い切れません）。その点、機械（プログラム）は数万人のエントリーシートを文句も言わず、チェックしてくれます。
データ解析においては、例えば入社後に活躍する確率が高い上位100人を面接に進めるといったことを「スコアリング（あることが発生する確率を付与する）」と呼ばれる解析手法で行うことができます。逆に、離職しそうな人上位100名を絞り込むということも同じく、スコアリングを使って示唆を得られます。

また別の例として、離職予防ということを考えてみましょう。そもそもどのような「兆し」がある人が離職してしまいそうでしょうか。欠勤が増えている、月曜日の有休取得が多い、あるいは半年間営業成績が下がっている、などでしょうか。この指標はまさに各社の経験則として、属人的に蓄積されているものといえそうです。ある会社では10個の指標をつかって社員を定点観測して、離職の兆しの有無を判断していたとします。本当にこの10個以外にみるべき指標はないのでしょうか？またこの10個の指標は、直近の離職を適切に捉えられているのでしょうか。このように、離職するという兆しと強い相関がある変数を常に最新のものにし続けることは重要な人事業務といえそうです。データ解析においては、このような指標を「特徴度」と呼ぶことがあります。例えばむこう半年間に離職するという知りたい内容と強い相関関係がある指標は何か？を知りたい場合に「特徴度解析」という手法がとられます。これによって、今までの社内で培ったノウハウと合致する指標（説明変数とよびます）を再確認もできますし、いままで想定していなかった要素を新発見できる場合もあります。

この特集では、上記の説明に関連する実際の事例や、解析を行うための商品・サービスなどをご紹介しています。

スコアリング分析とは、過去のデータから正解（あり）/不正解（なし）を判定できる状況において、新しいデータのその結果が得られる可能性・確率を予測する手法です。
例えば、過去商品を購入したお客様のデータから、新しくコンタクトをしたお客様が商品を購入する可能性・確率を分析できます。
より可能性の高いお客様に情報を提供するなど、ビジネスや営業活動の効率化を推進します。
営業のほかにも採用、DM送付、消費量予測など多様多種の予測に使われています。
bodaisでは、データマイニングに多変量解析という手法を用いており、顧客に紐づく様々なデータ（年齢や性別などの顧客属性、購買に関する指標など）をもと に、どのデータ項目が正解率にどの程度影響しているかを定量的に可視化することができます。
その結果、新しい個別のデータが持つ情報からそのデータがどれだけ正解に近いかをスコアリングにて判定できるようにしています。

特徴度解析では、目的変数（従属変数）と呼ばれる、予測したい変数、つまり採用するとか、採用しないといった物事の結果に対する原因が何で、その原因がどのように結果である目的変数に効いているのかを数値で表します。
ここで原因は、説明変数（独立変数）と呼ばれば、左図にあるように多くの説明変数が、1つの目的変数に対応することが多くあります。
特徴度解析では、これまでの業務経験に照らして、例えば採用可否に影響がしていると考えられている指標が解析の結果からも適当であることを確認したり、あるいは、今まで想定していなかったような説明変数を発見する場合もあります。

「働き方」の関するデータは様々です。
出退勤データメールの送信時刻のデータ。残業時間、有休取得実績などがその一例です。働き方を改善するためのには、現状がどのようになっているかを定量的に把握した上で、何を、どのように変化をさせることで、組織としてありたい働く環境にできるかが重要となります。
このサービスでは、貴社の働き方を定量的に分析します。

採用時のSPIと退職者のデータとを用いて、所定の期間内に退職する傾向の強い人を予測することを実現するサービスです。
人材毎の早期退職の可能性を解析スコアで算出し、どのような人材が貴社において早期退職をする傾向があるかを解析することで、貴社に最適な人事計画を考えることができます。

スコアリングを用いた退職予防策検討の事例です。
顧客企業の背景には、
・仕事の引継ぎなど退職などによる無駄な業務時間を減らしたかった
・中途採用などの無駄な経費を減らしたかった
・自社で育てた有能な人材を長く使用したかった
・退職が少なくすることで、より有能な新入社員へのアピールにつなげたかった
・退職につながる原因を解消したかった
といった要望がありました。
そこで過去10年分の、入社時の個人属性情報や、入社試験成績などのデータを解析し、社員ごとの退職確率を予測。解析結果から、退職する確率を高めている特徴も明らかになり、この解析結果をもとに退職を予防する対策の検討が開始されました。

特徴度解析を用いた退職傾向の可視化事例です。
顧客企業の背景には、退職者の発生に伴う人事コストや作業の停滞を解消したいというニーズがあり、社内アンケートなどのデータを用いて可視化を行い、採用や施策策定のデータ活用が行えるようになった事例です。