深層学習モデルと統計モデルHR現場で適切だったのはどっち！？

テクノスデータサイエンス・エンジニアリング株式会社
〒163-1427 東京都新宿区西新宿3-20-2東京オペラシティタワー27階
TEL：03(6383)3261 FAX:03(6383)3262
DLLAB２周年イベント：
ディープラーニングの社会実装を阻むものは何か？
深層学習モデルと統計モデル
HR現場で適切だったのはどっち！？
2019年6月8日

Tecnos Data Science Engineering All Rights Reserved
目次
大手顧客企業における採用最適化事例の概要1
大手顧客企業の採用フローの現状と課題2
課題解決のために提示した２つの方法3
適切だった方法はどっち？4
この事例での学び5

会社紹介
テクノスデータサイエンス・エンジニアリング（略称：TDSE）は、
企業の課題やニーズに対してデータサイエンスの力でビジネスに役立つ価値を引き出し
お客さまの事業競争力を高めるご支援をします。
名称
テクノスデータサイエンス・エンジニアリング
株式会社
所在地
東京都新宿区西新宿3-20-2
東京オペラシティタワー27階
設立 2013年10月17日
代表者代表取締役城谷直彦
資本金 8億3,318万円
上場東証マザーズ（証券コード7046）
従業員数 101名（2018年4月時点）
主要株主
株式会社テクノスジャパン
株式会社エヌ・ティ・ティ・データ
あいおいニッセイ同和損害保険株式会社
最先端研究所で研究実績のあるメンバーを中心に構成
データサイエンティスト在籍数（2018年4月現在）
総勢
67名
理系修士以上
63名
理系博士号取得者
28名
データ活用
サービス
AIサービ
ス共同開発
プロダクト
提供
事業内容
トータルサポート体制でお客さまを支援
組織組成支援
欧州原子核研究機構（CERN）、ブルックヘブン
国立研究所（BNL）、フェルミ国立加速器研究所
（FNAL）、理化学研究所
素粒子物理学、地球科学、情報工学、物性物理、
数学、理論化学、複雑系科学、計量経済学
主な研究機関主な出身分野

自己紹介
◼脇坂隆之 (わきさかたかゆき)
～2012年：大学院で素粒子物理学 (高エネルギー物理学) に関する研究
～2019年：ビジネス分野におけるデータアナリティクス業務に従事
～2012年～2019年
分析分野
• 金融業
• 製造業
• デジタルマーケティング
• ヒューマンリソース(HR)
etc

はじめに

お伝えしたいこと
ビジネス課題を理解し
ビジネス価値が生れる
AI技術を活用する

お伝えしたいこと
✓ 昨今、多くの企業で採用や配属などのHR業
務の効率化や最適化にAI技術の活用シーン
が増えてきています
✓ しかし、AI技術と一口に言っても様々あり、
それぞれに特徴(精度、解釈性、etc)があり
ます
✓ すなわち、ひとつのAI技術がすべての業務
に活用できません
✓ 弊社の大手顧客企業の採用最適化事例から
適切なAI技術の活用についてお伝えいたし
ます

1. 大手顧客企業における採用最適化事例の概要

事例概要
【業種】製造業
【従業員数】数万人
顧客企業
テーマ
課題
施策
効果
顧客企業の１部署における新卒採用活動のAI技
術を使った効率化
新卒応募者全員から優秀な人財を効率的に採用
したい
応募時の採用データ※1から１次面接到達確度の
高い応募者を抽出して、その応募者に対して魅
力訴求を行う ※1 エントリデータ／SPIデータ
応募者の１次面接到達確率を統計モデルで見え
る化(定量化)して、魅力訴求にフィードバック
することで採用活動の効率化ができた

2. 大手顧客企業の採用フローの現状と課題

新卒採用の現状フロー
エ
ン
ト
リ
ー
一
次
面
接
最
終
面
接
内
々
定
入
社
初
期
母
集
団
会
社
説
明
会
一
次
リ
ク
ル
ー
ト
二
次
リ
ク
ル
ー
ト
現状フロー

エ
ン
ト
リ
ー
一
次
面
接
最
終
面
接
内
々
定
入
社
初
期
母
集
団
会
社
説
明
会
一
次
リ
ク
ル
ー
ト
二
次
リ
ク
ル
ー
ト
✓ 採用フローのステップが多く、応募者全員をフローに流せない
✓ 応募者順の上位に絞り込んで、採用フローに流している
現状フロー
応募順で絞込リクルート活動で魅力訴求

エ
ン
ト
リ
ー
一
次
面
接
最
終
面
接
内
々
定
入
社
初
期
母
集
団
会
社
説
明
会
一
次
リ
ク
ル
ー
ト
二
次
リ
ク
ル
ー
ト
✓ 採用フローのステップが多く、応募者全員をフローに流せない
✓ 応募者順の上位に絞り込んで、採用フローに流している
✓ 採用確度の低い応募者にも、機会均等に魅力訴求していて非効率！！
✓ 採用確度の高い応募者には、機会損失が発生している！！
現状フロー

現状フローの課題
エ
ン
ト
リ
ー
一
次
面
接
最
終
面
接
内
々
定
入
社
初
期
母
集
団
会
社
説
明
会
一
次
リ
ク
ル
ー
ト
二
次
リ
ク
ル
ー
ト
現状フロー

3. 課題解決のために提示した２つの方法

新卒採用フローのAI化
エ
ン
ト
リ
ー
一
次
面
接
最
終
面
接
内
々
定
入
社
初
期
母
集
団
会
社
説
明
会
一
次
リ
ク
ル
ー
ト
二
次
リ
ク
ル
ー
ト
現状フロー

現状フロー

エ
ン
ト
リ
ー
一
次
面
接
最
終
面
接
内
々
定
入
社
初
期
母
集
団
会
社
説
明
会
一
次
リ
ク
ル
ー
ト
二
次
リ
ク
ル
ー
ト

エ
ン
ト
リ
ー
一
次
面
接
最
終
面
接
内
々
定
入
社
エ
ン
ト
リ
ー
一
次
面
接
最
終
面
接
内
々
定
入
社
初
期
母
集
団
初
期
母
集
団
会
社
説
明
会
一
次
リ
ク
ル
ー
ト
二
次
リ
ク
ル
ー
ト
リ
ク
ル
ー
ト
AI化

課題解決の２つの方法
エ
ン
ト
リ
ー
一
次
面
接
最
終
面
接
内
々
定
入
社
初
期
母
集
団
リ
ク
ル
ー
ト
✓ 応募時の採用データから１次面接到達確率をAIモデルで算出し、
確率の高い応募者を抽出して、その応募者に対して魅力訴求を行う
• 採用データ：エントリーデータ、SPIデータ
• AIモデル：2値分類モデル
① Deep Learning
② ロジスティック回帰
課題解決方法

エ
ン
ト
リ
ー
一
次
面
接
最
終
面
接
内
々
定
入
社
初
期
母
集
団
リ
ク
ル
ー
ト
✓ 応募時の採用データから１次面接到達確率をAIモデルで算出し、
確率の高い応募者を抽出して、その応募者に対して魅力訴求を行う
• 採用データ：エントリーデータ、SPIデータ
• AIモデル：2値分類モデル
① Deep Learning
課題解決方法
１次面接到達確率は
80%です。

エ
ン
ト
リ
ー
一
次
面
接
最
終
面
接
内
々
定
入
社
初
期
母
集
団
リ
ク
ル
ー
ト
① Deep Learning
• 「１次面接到達確率の高い応募者を抽出する」という観点で選択
• 課題には、「採用確度の高い応募者の抽出」と「効率的な魅力訴
求を行う」という２つの観点がある
• それらを実現するために「解釈性のある予測モデル」を選択
課題解決方法
80%です。

エ
ン
ト
リ
ー
一
次
面
接
最
終
面
接
内
々
定
入
社
初
期
母
集
団
リ
ク
ル
ー
ト
① Deep Learning
課題解決方法
顧客担当者の思い
80%です。

エ
ン
ト
リ
ー
一
次
面
接
最
終
面
接
内
々
定
入
社
初
期
母
集
団
リ
ク
ル
ー
ト
① Deep Learning
課題解決方法
顧客担当者の思い
80%です。
なぜならば…

4. 適切だった方法はどっち？

２つの方法の特徴あるある
Deep
Learning
ロジスティック
回帰
デメリットメリット

高い予測精度
が出やすい
解釈が難しい
Deep
Learning
回帰

高い予測精度
が出やすい
解釈が難しい
解釈がし易い
高い予測精度
は出にくい
Deep
Learning
回帰

高い予測精度
が出やすい
高い予測精度
は出にくい
Deep
Learning
回帰

そもそも、課題は何だっけ？
課題新卒応募者全員から優秀な人財を効率的に採用
したい

課題新卒応募者全員から優秀な人財を効率的に採用
したい
観点①
観点➁

観点①
観点➁

観点①
観点➁
すなわち

5. この事例での学び

繰り返しになりますが
ビジネス課題を理解し
ビジネス価値が生れる
AI技術を活用する

学び
✓ 顧客は、AI(技術)は得体の知れないモノだが、魔法
の杖のように何でもやってくれると夢想している
✓ (少なくとも)2019年6月時点では、魔法の杖は存在
しない
(人が、AI／DL技術によって構築されたモデルを理解できるようになればもしかして…）
✓ ビジネス課題に対して、それに合ったデータ分析技
術を活用しなければ、ビジネス価値は生まれない
✓ それは、集計でも良いし、統計モデルでも良いし、
機械学習モデルでも良いし、Deep Learningでも良
い。とにかく合ったヤツを選ぶ！！

最後に

TDSEサービス紹介
ビジョン策定から運用まで提供
データサイエンスで、ビジョン策定、データ分析・最適化、AI を活用した
運用しくみづくり、分析活用基盤の構築など、データ分析・活用を軸にお
客様のニーズや課題にあったサービスをご提供致します。
企業の意思決定の軸を
経験と勘からデータとITへ変革
DXコンサルティング
成果につながる
分析チームの内製化を支援
データサイエンティスト
育成支援
データサイエンティストによる
分析コンサルティング
アナリティクス
コンサルティング
集めたデータを価値ある
情報へ変換
IoTデータ活用支援
顧客の「本音」を抽出、分析
SNS分析サービス
分析の目的に応じた最適な
システム基盤構築
分析基盤構築

AIビジネス活用を成功させるには“組織”としての対応が必要であるため、
TDSEではワンストップでAIビジネス成功へ向けた教育トレーニングを展開
しております。
成果につながる分析チームの内製化を支援
データサイエンティスト育成支援サービス
データサイエンティスト育成講座は
経産省「第四次産業革命スキル習得講座」に
認定されています。

ご清聴ありがとうございました。

●お問い合わせ
この文書は、著作権法及び不正競争防止法上の保護を受けております。
文書の一部或いは全てについて、テクノスデータサイエンス・エンジ
ニアリング株式会社から許諾を得ずに、いかなる方法においても無断
で複写、複製、転記、転載、ノウハウの使用、企業秘密の開示等を行
うことは禁じられております。
本文記載の社名・製品名・ロゴは各社の商標または登録商標です。
テクノスデータサイエンス・エンジニアリング株式会社
TEL：03-6383-3261 FAX：03-6383-3262
Page 44Tecnos Data Science Engineering All Rights Reserved

深層学習モデルと統計モデルHR現場で適切だったのはどっち！？

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

Similaire à 深層学習モデルと統計モデルHR現場で適切だったのはどっち！？

Similaire à 深層学習モデルと統計モデルHR現場で適切だったのはどっち！？ (20)

Plus de Deep Learning Lab（ディープラーニング・ラボ）

Plus de Deep Learning Lab（ディープラーニング・ラボ） (20)

Dernier

Dernier (8)

深層学習モデルと統計モデルHR現場で適切だったのはどっち！？