トップ > 導入事例 > 澪標アナリティクス株式会社様
導入事例 澪標アナリティクス株式会社様 澪標アナリティクス株式会社様

最先端の学術知識に基づくコンサルティングサービスを展開している澪標アナリティクスでは、これまで実用例のなかった人材ビジネス用レコメンデーションエンジン開発を、機械学習と最適化パッケージ「Numerical Optimizer」により成功させた。 >印刷用 PDF

Interview
今までなかった、人材ビジネス用のレコメンデーションエンジン 人材紹介レコメンデーションエンジンの開発は難しいと聞きました。

井原様 一般的なレコメンデーションエンジンは、大量の在庫を多数のユーザーにマッチングさせることは得意です。 しかし、人材ビジネスのように 1 案件に対し 1 人の求職者をマッチさせる用途には向いていませんでした。 条件の良い 2 割の求人を 8 割の人に勧めるようなことが起きますし、そうなると売切れが頻発します。 結果、8 割の求人企業にはいつまでたっても求職者が来ない、その一方で、マッチングするのは条件の良い求職者のみ、そのほかは仕事が決まらないといった状況になりがちです。 そこで、この分野でマッチング数を最大化できるようなレコメンデーションエンジンを開発することができないか、という相談をお客様企業からいただきました。

どのような方法で、その課題を解決しようとしたのでしょうか。

井原様 課題解決のアイデアとして、我々が着目したのが最適化の線形計画法です。 求職者情報と求人情報により成約確率を計算し、募集人数に対して紹介する案件数を均等化した上で、成約率の合計値が高まる組合せを計算するロジックを組み立ててはどうか、と考えたのです。 ただし、この手法による実用化例は私が知る限りではありませんでした。

求人のマッチング方法の比較

人材と求人の最適マッチングを線形計画法で実現 数理システムのNumerical Optimizerの選択理由を教えてください。

井原様 先端的な開発だったため、あらゆる困難が予想されました。仕様変更などの試行錯誤があっても、パッケージソフトである Numerical Optimizer であれば柔軟に対応できます。 また、最適化計算は専門性の高い領域ですが、これに関する情報も開発に不可欠です。 その点、数理システムはさまざまなノウハウや経験を豊富に持っており、それが今回の我々のチャレンジの大きな力になってくれると期待しました。

開発作業はどのように進行されたのでしょうか。

笹尾様 当社でロジックや仕様を決め、それをもとに数理システムで開発を行うという役割分担で開発進行しました。 互いにコミュニケーションをとり、またモジュール単位で開発したことなどもあり、スケジュール通りに進みました。 設計通りに解が出るか、そのときの計算時間はどのくらいか、またハードウェアの要件はどうか、そのたびに数理システムのスタッフから明快な回答が迅速に戻ってきて、着実な開発につながりました。

井原様 当社では、お客様に最適化ロジックを理解いただくことにも腐心しました。 最適化、特に線形計画法とは何か、どのような機能や役割があるのか、それを分かっていただかないと導入につながりませんから。 当社が最も注力したのは、この部分かもしれません。

今回のレコメンデーションエンジンの概要を教えてください。

井原様 エンジンは大まかに機械学習と最適化の 2 つのロジックで構成されており、その最適化の部分に Numerical Optimizerによるプログラムを組み込みました。 最適化では「解がない」という結果になることもあり、それは避けられません。 しかし、そうなると求職者にお勧めする案件がなくなってしまいます。 そこで機械学習により、他のマッチング情報を参照するなどして別の解を出す処理をしています。

笹尾様 納品したエンジンは、お客様のスタッフが運用されます。 現場で業務に活かしていただくために、エンジンの作り込みを入念に行いました。 データ入力を間違えると、正しい解が返ってこなくなる恐れがあるため、入力の際のルールを厳格に決めました。 さらに解を出す際、スタッフがお勧めしやすいように機械学習を使ってレコメンドした理由もあわせて提示したり、求職者が以前働いていた企業をレコメンドしたりしないように NG フラグを立てる機能なども実装しています。

最適化によって機械学習の可能性が広がっていく 40人によるマッチング作業が4人で可能になったそうですね。

井原様 お客様では、求人案件と求職者のマッチングを主に人力で行っていました。 約 40 人の専任の担当者が互いに話し合いながら、どの求職者にどの求人を勧めるか随時決めていたのです。 それが今回のレコメンデーションエンジンにより、同じボリュームの案件処理を 4 人の担当者で実行することが可能になりました。 しかも、処理時間は 10 分程度で完了できます。
エンジンの開発期間は約 4 か月ですみ、費用も当初予算から大幅に圧縮できました。 これはパッケージソフトである「Numerical Optimizer」の効果といえるでしょう。

今後の展望についてお聞かせいただけますか。

井原様 お客様からはすでに、このエンジンを他部署の人材ビジネスでも利用したいとご要望をいただいています。 今後さらにエンジンのチューニングが進めば、求職者や求人の情報を入力した時点で、それに最適な案件を紹介できるようになるかもしれません。
今機械学習が注目されていますが、それに最適化のロジックを加えることで、今回のエンジンのように新たな機能の実現が可能になります。 これまで人間が行ってきた業務を、ロジックで置き換えることができるようになるのです。 今後、約 30 兆円規模に広がるといわれている AI マーケットの中で、機械学習をサポートするロジックとして最適化が果たす役割はますます大きくなってくるでしょう。

導入事例の一覧へ