Contenu connexe
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)
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!?
- 2. Page 2Tecnos 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
- 3. Page 3Tecnos Data Science Engineering All Rights Reserved
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
- 4. Page 4Tecnos Data Science Engineering All Rights Reserved
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
- 6. Page 6Tecnos Data Science Engineering All Rights Reserved
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
- 7. Page 7Tecnos Data Science Engineering All Rights Reserved
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
- 9. Page 9Tecnos Data Science Engineering All Rights Reserved
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
- 11. Page 11Tecnos Data Science Engineering All Rights Reserved
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
- 12. Page 12Tecnos Data Science Engineering All Rights Reserved
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
✓ 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
- 13. Page 13Tecnos Data Science Engineering All Rights Reserved
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
✓ 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
応募順で絞込 リクルート活動で魅力訴求
- 14. Page 14Tecnos Data Science Engineering All Rights Reserved
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
応募順で絞込 リクルート活動で魅力訴求
現状フロー
- 16. Page 16Tecnos Data Science Engineering All Rights Reserved
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
応募順で絞込 リクルート活動で魅力訴求
現状フロー
- 19. Page 19Tecnos Data Science Engineering All Rights Reserved
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
- 20. Page 20Tecnos Data Science Engineering All Rights Reserved
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
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
- 21. Page 21Tecnos Data Science Engineering All Rights Reserved
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
- 22. Page 22Tecnos Data Science Engineering All Rights Reserved
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
- 23. Page 23Tecnos Data Science Engineering All Rights Reserved
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
1次面接到達確率は
80%です。
- 24. Page 24Tecnos Data Science Engineering All Rights Reserved
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
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
② ロジスティック回帰
• 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
1次面接到達確率は
80%です。
- 25. Page 25Tecnos Data Science Engineering All Rights Reserved
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
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
② ロジスティック回帰
• 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
顧客担当者の思い
1次面接到達確率は
80%です。
- 26. Page 26Tecnos Data Science Engineering All Rights Reserved
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
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
② ロジスティック回帰
• 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
顧客担当者の思い
1次面接到達確率は
80%です。
なぜならば…
- 28. Page 28Tecnos Data Science Engineering All Rights Reserved
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
- 29. Page 29Tecnos Data Science Engineering All Rights Reserved
2つの方法の特徴あるある
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
ロジスティック
回帰
- 30. Page 30Tecnos Data Science Engineering All Rights Reserved
2つの方法の特徴あるある
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
解釈がし易い
高い予測精度
は出にくい
Deep
Learning
ロジスティック
回帰
- 31. Page 31Tecnos Data Science Engineering All Rights Reserved
2つの方法の特徴あるある
デメリットメリット
高い予測精度
が出やすい
高い予測精度
は出にくい
Deep
Learning
ロジスティック
回帰
- 32. Page 32Tecnos Data Science Engineering All Rights Reserved
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
- 33. Page 33Tecnos Data Science Engineering All Rights Reserved
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
観点①
観点➁
- 38. Page 38Tecnos Data Science Engineering All Rights Reserved
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
- 39. Page 39Tecnos Data Science Engineering All Rights Reserved
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!!
- 41. Page 41Tecnos Data Science Engineering All Rights Reserved
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
- 42. Page 42Tecnos Data Science Engineering All Rights Reserved
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。