【デジタルテクノロジー統括部】データサイエンティスト

• 事業企画

・プロジェクト例
—キャリアアドバイザーと求職者のマッチングと日程調整—
当社では求職者の方にキャリアアドバイザー(CA)が担当に付き様々なサービスを提供します。担当するCAはいずれも当社規定の基準を満たしている者ですが、それでも、担当するCAにより、転職成功率が異なります。
一人一人により良いご支援が出来るように、どの求職者様にどのCAが担当すればよいかモデリングしていきます。
求職者様は職種や年収等の属性情報を登録していただいているので、その属性データをそのまま使います。
CAは属性データがほぼ存在しませんが、過去にどのような求職者様をどのような求人に支援してきたか(あるいは支援できなかったか)の協調やグラフ構造のデータが存在するのでそれを使います。
それらのデータを元に、(求職者様,CA)の組の転職成功率を予測し、成功率の高いCAが担当になるようにしていきます。
一方で、経験豊富なCAであればどのような候補者を担当しても概ね成功率が高くなりますが、一人のCAが担当できる工数には限りがあります。 また、登録してからカウンセリング日程が早ければ早いほど支援成功率が高くなるので早い日程でカウンセリングを行う事が望ましい、等の要素も考慮する必要があります。
それら諸々のことを考慮した上で、当社全体としての転職成功数の総和の期待値が最も高くなる様に(求職者,CA,カウンセリング日程)の組合せ最適化を行います。

—アジアパシフィック(APAC)領域の求人・求職者検索エンジン作成—
グループでは日本のみならずAPAC領域で人材サービスを展開しています。APAC領域では文化として転職が日本以上に一般的で求人数求職者数も多く、一人一人の求職者に対してカウンセリングをするといったサービスは極少数です。代わりに一人の担当者がメールやチャットなどで多くの企業や求職者と連絡を取り、求人案内、人材案内を行っています。その際に必要となる求人や求職者を検索するエンジンを作成します。
検索クエリは年収、スキル、学歴などの属性データから求人/求職者を検索するパターンと、求職者自身をクエリとしてマッチした求人を検索する、またはある求人自体をクエリとしてマッチした求職者を検索するパターンがあります。
データ構造に関しては日本と異なり、テーブルデータが殆ど存在せずに自然言語のデータが中心となるので、自然言語から各種の属性情報を抽出して条件検索出来る形式にしたり、自然言語をベクトル化して検索出来る形式にしたりします。また、担当者が連絡を取る際になぜマッチしていると判断したのかを説明するので、知識ベースや知識グラフを元にしたマッチしていると判断した説明も合わせて出力出来るようにしていきます。