AIBR プレミアム
拓海先生、最近うちの若手が辞める話が増えておりまして、部門長から「AIで予測できないか」と言われました。正直、AIって何から手を付ければいいのか分かりません。これって要するに何をやると人が辞めにくくなるかを予測するということでしょうか？
素晴らしい着眼点ですね！大丈夫、一緒に整理すればできますよ。今回扱う論文は従業員の離職（ターンオーバー）を機械学習で予測するものですから、要するに過去のデータから「辞めそうな人」を割り出して、早めに手を打てるようにする研究です。
なるほど。しかし、現実的にうちの会社で使えるのでしょうか。データはどれだけ要るのか、現場の抵抗やコストはどう見積もればよいのかが心配です。
素晴らしい問いです。まず押さえるべきは三点です。データの質と量、使うアルゴリズムの性質、そして現場で受け入れられる形での運用設計です。これらを順に説明しますよ。
データの質と量、ですか。具体的にはどのようなデータが必要なのか、そしてどれくらいの量が現実的か教えてください。
良い質問ですね。論文では三十の特徴量を使っています。勤続年数や評価、残業時間、給与の変化など、人事記録にある項目が中心です。量はケースにもよりますが、数百件から千件程度の履歴があれば実用的なモデルが作れますよ。
アルゴリズムの話も出ましたが、どんな手法を使うのが良いのですか。社内にデータサイエンティストはいないのですが、外注で何を頼めばよいかが分かりません。
論文では三つの教師あり学習（Supervised Learning）手法を比較しています。具体的にはAdaBoost、Support Vector Machine（SVM）およびRandomForestです。これらはそれぞれ特徴があり、外注する際は「説明性」「精度」「過学習の抑制」のどれを重視するかを伝えれば見積もりが取りやすくなります。
これって要するに、過去のデータから辞める可能性が高い人を早めに見つけて、手を打つためのスコアを出せるということですね。コスト対効果を考えると、まずはそのスコアの精度が重要だと理解しました。
その理解で正しいですよ。最後に運用面ですが、HR現場で受け入れられるには「理由の説明」と「小さく始める」ことが鍵です。まずはパイロットで限られた部署に導入し、管理職が使えるダッシュボードを用意する運用設計が重要です。
分かりました。まずはデータを集めて、パイロットで試してみる。これなら現場に負担をかけずに検証ができそうです。自分の言葉でまとめると、過去の30項目ほどの人事データを使い、AdaBoostやSVM、RandomForestなどで辞める可能性を点数化して、パイロット運用で効果を測るということですね。
