「人材の獲得」は近年最も注目されるHR分野の議題だ。市場の変化、国際大手メーカーの競争、人材の世代断絶など、従業員の離職率の上昇だけでなく、適した人材を見つけることもより困難となり、従業員の定着については言うまでもなくなった。従業員の離職は、人材募集や訓練のコストが増加するだけでなく、社内で蓄積した経験と知識の流出にもつながる。米国人材マネジメント協会（SHRM）の統計によれば、新たに従業員1人を雇用する場合、離職した従業員の年棒の3分の2のコストがかかるという。また、アメリカ進歩センター（CAP）の研究報告によれば、ベテランあるいは高い技術を持つ従業員が離職した場合は、コストは彼らの年棒の213％に達するという。幸いなことに、企業のデジタルトランスフォーメーションが成熟し、AI技術も日進月歩の発展を遂げている。「AutoML（自動化機械学習）」技術によって、この新時代の難題に新たな解決方法がもたらされた。本文では2つの具体的な応用例で、Profet AIがいかにAutoMLを利用してHRチームをサポートし、人材の募集や定着などの問題を解決できるかを紹介する。
HR部門におけるAutoMLの応用と効果
HR部門におけるAutoMLの応用と効果について、以下に簡単にまとめた：
人材募集と人材定着：HR部門はAIで従業員の定着率と定着日数を予測、あるいは角度を変えて従業員と職種の適合度、ベテラン従業員の離職率などを予測することで、どのような人材を定着させるか、人材が適所に配属されているかなどを把握して、人材計画の再構築に活かすことができる。
訓練：AIで重要人材や引き継ぎ人材の予測と要因分析を行うことが可能だ。例えば、モデルによって従業員が重要人材あるいは引き継ぎ人材となる重要因子や能力は何かを把握し、その能力や業務、または定着率の高い従業員に対して適した訓練を行い、新たな能力を育てることができる。
データドリブンによる意思決定：HR部門は経験に頼って意思決定を行うことが多かったが、AutoMLはデータによる意思決定をサポートできる。影響する重要因子を見つけ出し、意思決定の過程を最適化し続けることが可能だ。
機密情報：HR部門が扱う情報は多くが機密である。かつてツールがなかった時は、HR関連の情報を外部企業に委託してモデルを構築することは困難だったが、AutoMLならこの問題をHR部門で解決することができる。
例1：新人の「定着率分析」
工場のHR部門が現場従業員を募集する時、最もよく直面する難題は、人材募集の情報を公開し、資料を審査して面接と訓練を終えた後、新人がすぐに離職してしまうことだ。このため、同じフローをまた繰り返さなければならない。HR部門が人材を募集する際、あらかじめ応募者の定着率または定着日数が分かれば、新人が短期間で離職することによって増加するコストを大幅に削減することができる。Profet AIのバーチャルデータサイエンティストプラットフォームを利用すれば、HR部門はシンプルなデータと表を用意し、何回かマウスでクリックするだけで欲しい結果が手に入る。ここでAutoMLによる問題解決について簡単な例を紹介する。
1.問題の定義：AutoMLによるモデル構築と問題解決の前に最も重要なことは、解決したい問題を定義することである。この例では、以下の通り定義する。
問題：「従業員の定着率を向上させる」
解決方法：「定着率を予測し、定着率が高い応募者を採用する」
2.データの準備：Profet AIは「データを構造化」する自動モデル構築プラットフォームだ。HR部門には、例えば応募者の基本データ（年齢、性別、通勤距離など）と応募職種（工場、部門、製造プロセスなど）などに加えて、従業員が「試用期間後定着したか」や「離職するまでの定着日数」などの過去のデータがある。これらのデータをひとつのシンプルな表にまとめるだけで、AutoMLのツールが自動でモデル構築と分析を開始する。
定着率予測のデータ見本（以下は参考例、データは増減可能）：
3.AutoMLの自動モデル構築：Profet AIプラットフォームで統計やデータサイエンスの知識がなくても、マウスでクリックするだけで一般のデータサイエンティストと同様のモデルが構築できる。
4.結果の応用：AIであれモデルであれ、最も重要なことは「いかに応用するか」だ。モデル構築完了後、採用したい応募者のデータを表に入力すると、システムが定着率を自動で算出する。以下の例の場合、この従業員は採用後80％の確率で使用期間後も定着することを意味する。
例2：従業員の「離職率分析」
HR部門が直面するもうひとつの難題は、ベテランあるいは高い技術を持つ従業員の離職だ。重要な従業員の育成には数年かかるが、技術が成熟した後大企業にヘッドハンティングされ、一般企業は大企業の人材育成の場となってしまう。AutoMLでモデルを構築し、どの従業員が離職またはヘッドハンティングされやすいかを知り、早めの対策を講じることはできないだろうか？これについても、上記のステップで解決できる。
1.問題の定義：
問題：「従業員の離職率を低下させる」
解決方法：「離職率が高い従業員を予測し、早めの対策を講じる」
2.データの準備：関連データを準備する。例は以下の通りだ。
3.AutoMLの自動モデル構築：Profet AIプラットフォームで統計やデータサイエンスの知識がなくても、マウスでクリックするだけで一般のデータサイエンティストと同様のモデルが構築できる。
4.結果の応用：モデル構築完了後、従業員のデータを表に入力すると、システムが離職率を自動で算出する。通常、HR部門はこれらのデータを定期的にアップデートして関連データを取得し、離職率が高い従業員には面談やその他の方法で定着を図る。
モデル運用が成熟すれば、新たな特徴を追加していくことが可能だ。例えば「給与」の場合、絶対値の高低だけでなく、市場の同業種の給与も重要な参考指標となる。その他の特徴をどのように追加していけばよいか不明な場合は、Profet AIが提供する販売後のコンサルティングサービスを利用して、ニーズに合わせた使い方ができる。
では自社ではどう始めればよいのだろうか？
上記の例を直接企業の現場に応用するためには、まだいくつかの困難があるが、心配は無用だ。Profet AIはワークショップ形式で学べる「AIハッカソン」で、プロのコンサルタントによるAIの基礎教育、テーマの探索、モデル構築の実習などのプログラムを提供している。コンサルタントとの交流を通じ、従業員はAIとは何か、どのような応用ケースがあるのかをすばやく理解する。より重要なことは「デジタル応用」の概念を育成できる点だ。予測モデルを応用し、AIとデータドリブンによって意思決定を行う文化が社内に根付く。そして、デジタルトランスフォーメーションの成果が実を結ぶこととなるのだ。