イントロダクション：なぜ今、退職者の「データ」に注目すべきなのか
人事会議で「退職者が戻ってきてくれるのではないか」という期待が語られることはありませんか？ アルムナイ（退職者）採用が企業の重要な採用チャネルとして定着しつつある今、多くの現場では依然として、担当者の経験や主観に基づいたアプローチが行われていることがあります。
しかし、人間の記憶は都合よく書き換えられる可能性があり、「円満退職」という認識は、企業側の希望的観測に過ぎない場合もあります。
労働人口が減少し、新規採用の難易度が上がっている現在、過去に接点のあった人材――すなわちアルムナイ――は、再発掘可能な「資産」です。しかし、多数の退職者リストの中から、誰が「戻る可能性」を秘めているのか、誰にアプローチすれば最も効果的なのかを、経験だけで判断するのは限界があります。
そこで、データサイエンスと機械学習のアプローチが役立ちます。退職時に残されたデータ、在籍時のパフォーマンス、そして退職後の行動ログなどを分析することで、「未来の再入社候補」を予測できる可能性があります。
本記事では、感情論を排した「再雇用予測アルゴリズム」について解説します。データが示す事実は、時に直感に反するかもしれません。しかし、それこそが戦略的人事への第一歩となります。
専門家紹介：HRデータサイエンスの視点から見る「退職」
ゲスト：宮崎（AIコンサルタント）
国内の大学で情報工学を専攻後、IT企業での基幹システム開発を経て、現在はAIコンサルタントとして活躍。AI導入支援、データ分析、業務プロセス自動化を専門とし、現場の課題に寄り添った実効性の高いソリューション提案を得意とする。開発の全工程において運用のしやすさと保守性を重視し、企業のデータ活用とビジネス成長を支援している。
――宮崎さん、本日はよろしくお願いします。まず、AIコンサルタントである宮崎さんが、なぜ「退職データ」や「アルムナイ採用」に関心を持たれているのでしょうか？
宮崎： よろしくお願いします。退職というのはネガティブなイベント、あるいはシステムにおける「離脱（Churn）」と捉えられがちです。しかし、データサイエンスの視点で見ると、退職は非常に多くの情報を含んだ「データポイント」となります。
その人がなぜ組織を去ったのか、在籍中にどのようなパフォーマンスを発揮し、組織ネットワークの中でどのような位置にいたのか。これらはすべて、その人と組織の「適合度（Fit）」を表す変数となります。
この「離脱データ」を解析することで、逆に「再結合（Re-engagement）」の可能性を予測できるという点は、データ分析の観点から非常に興味深いテーマです。ECサイトで一度離脱したユーザーにリターゲティング広告を出すのと似ていますが、人間のキャリアはもっと複雑で、感情やタイミングが絡み合います。そこに、機械学習を適用する面白さと難しさがあります。
多くの企業は、退職データを「過去の記録」として保管しています。しかし、それを「未来の予測因子」として捉え直すことが重要だと考えられます。本日は、その具体的なロジックについてお話しできればと思います。
Q1: 「戻ってくる人」は退職時にシグナルを出しているのか？
――では早速ですが、本題に入りましょう。将来的に戻ってくる可能性が高い人は、退職する時点で何か特有の「シグナル」を出しているものなのでしょうか？
宮崎： 非常に鋭い質問ですね。結論から言うと、イエスでもあり、ノーでもあります。人間が目視で気づけるような分かりやすいシグナル――例えば「また戻ってきたいです」という言葉――は、実はあまり当てにならないことがあります。
データ分析の結果から、「言葉」よりも「行動ログ」の方が重要であると考えられます。
例えば、一般的なデータ分析の事例において、退職理由として「キャリアアップ」や「家庭の事情」を挙げた人たちの再雇用率に大きな差はありませんでした。これらは一般的な理由として使われやすいからです。
一方で、以下のような行動データには相関が見られました。
社内Wikiやドキュメントへの貢献度：
退職直前までナレッジの共有やドキュメントの更新を行っていた人は、組織へのエンゲージメントが高く、再雇用される確率が高い傾向にありました。彼らにとって仕事は「タスク」ではなく「資産づくり」であると考えられます。コミュニケーションのネットワーク構造：
特定の部署だけでなく、部署を横断して多様な同僚とチャットやメールでやり取りしていた「ハブ人材」は、退職後もアルムナイネットワークに留まりやすく、結果として戻ってくる確率が高くなります。退職3ヶ月前の「非言語的」な変化：
Slackの返信速度、会議への参加姿勢、残業時間の推移などに急激な変化が見られず、業務を遂行して退職した人の方が、数年後に戻ってくるケースが多いと考えられます。
――なるほど。「立つ鳥跡を濁さず」を地で行くような行動パターンが、データとして現れるわけですね。
宮崎： その通りです。逆に、退職直前にエンゲージメントスコアが急落したり、特定のキーワード（不満を示唆する言葉）が急増したりした場合は、組織に対する「拒絶」のシグナルとして残ります。これは数年経っても解消されないことが多い傾向にあります。
重要なのは、これらのシグナルは、個々の人事担当者が感覚的に覚えているものではなく、ログデータとして蓄積され、比較検証されて初めて「パターン」として認識できるということです。
Q2: 機械学習はどうやって「復職確率」を算出しているのか？
――そうしたパターンを、AIはどのように学習し、予測しているのでしょうか？ 専門外の方にも分かるように、アルゴリズムの仕組みを教えていただけますか？
宮崎： もちろんです。基本的には「過去の事例からの学習」と「パターンの適用」です。
実務の現場でよく用いられるのは、「決定木（Decision Tree）」や、それを複数組み合わせた「ランダムフォレスト（Random Forest）」、あるいは「勾配ブースティング（Gradient Boosting）」といった手法です。
イメージしやすいように、単純化した例でお話ししましょう。
まず、過去に退職した人のデータを用意します。そのうち、何人かが実際に再入社（カムバック）したとします。このデータを「教師データ」としてAIに読み込ませます。
AIは、このデータを様々な切り口（特徴量）で分析し、再入社した人に共通するルールを見つけ出そうとします。
例えば、AIは次のような「条件分岐」を自動的に生成していくイメージです。
- 分岐A：在籍期間は3年以上か？
- YES → 次へ
- NO → 再雇用確率 低
- 分岐B：退職時の評価ランクはSまたはAか？
- YES → 次へ
- NO → 再雇用確率 中
- 分岐C：退職後の転職先は競合他社か？
- YES → 再雇用確率 低（引き抜き防止契約などの影響）
- NO → 再雇用確率 高
これは非常に単純な例ですが、実際のモデルでは、「入社時の適性検査スコア」「在籍中の異動回数」「上司との相性スコア」「退職時の年齢」「最終出社日までの有給消化率」など、多くの変数を組み合わせます。
――人間では思いつかない変数、というのは面白いですね。具体的に驚くような事例はありますか？
宮崎： ええ、あります。実際のデータ分析の事例では、「在籍中に社内勉強会を主催した回数」が、退職時の役職や給与よりも高い予測重要度（Feature Importance）を示したことがありました。
これは、「自律的に組織に貢献しようとするマインドセット」を持つ人材は、一度外に出ても、その企業文化（カルチャー）との親和性が高いため、他社に行くと物足りなさを感じて戻ってくる可能性がある、という仮説が立てられます。
また、「退職から再アプローチまでの期間」も重要な変数です。データを見ると「18ヶ月〜24ヶ月」のゾーンで再雇用率がピークになる、といった関係性が見つかることもあります。これを「他社で一通りの経験をして、古巣の良さを再認識する期間」と解釈することもできますね。
AIはこうした複雑なパターンを数式化し、各退職者に対して「再雇用スコア（0.0〜1.0）」を算出します。人事は、このスコアが高い順にリストアップし、アプローチの優先順位を決めることができます。
Q3: アルゴリズムは「人の感情」や「タイミング」を理解できるか？
――非常に合理的ですね。しかし、ここで疑問が湧きます。AIが「確率は高い」と判定しても、実際には戻らないケースも多いと思います。AIは、人の複雑な感情や、結婚・出産といったライフイベントのタイミングまで理解できるのでしょうか？
宮崎： そこがまさに、現在のAIの限界であり、人間が介入すべき重要な領域です。AIは意思決定の強力な支援ツールであり、最終的な決定者ではないという前提が重要です。
アルゴリズムは、あくまで「過去のデータの延長線上」にある未来しか予測できません。例えば、退職後にその人が結婚して地方に移住したとか、親の介護でフルタイム勤務が難しくなった、あるいは自分で起業して成功した、といった「構造化データに含まれていない外部変数」は、モデルの視界には入っていません。
一般的に、モデルが「再雇用確率が高い」と判断した候補者にコンタクトを取っても、復帰を断られるケースは珍しくありません。
その背景としてよくあるのが、退職の際に上司と交わした「口頭でのやり取り」で深く傷ついていた、といったケースです。このような情報は人事のデータベースには残っておらず、単に「自己都合退職」とだけ記録されています。AIは「感情」そのものを直接理解することはできません。テキストや数値データとして表現されていない感情の機微は、計算の対象外なのです。
――なるほど。データ化されていない「文脈」がボトルネックになるわけですね。
宮崎： そうです。だからこそ、「Human-in-the-Loop（人間がループに入ること）」の設計が強く推奨されます。
AIが弾き出したスコアリストを絶対的な答えとして鵜呑みにするのではなく、人事担当者はそのリストを「有望な手がかり」として活用します。「スコアが高いこの人は、今どんなキャリアを描いているだろう？」とSNSの公開情報を確認したり、カジュアルに連絡を取ってみたりする。そこで初めて「今は起業準備中で正社員としては戻れないけれど、業務委託や副業の形なら手伝えるかもしれない」といった、リアルタイムかつ定性的な情報が得られるのです。
また、このプロセスにおいて「説明可能なAI（XAI：Explainable AI）」の導入も極めて重要です。単にブラックボックスとしてスコアを提示するのではなく、「なぜこの候補者の予測スコアが高いのか」という論理的な理由（例えば、在籍時のパフォーマンス評価が上位10%であり、かつ退職理由が競合への転職ではなくスキルアップのための留学であったため、等）を可視化する仕組みです。
これにより、人事担当者はAIの判断根拠を深く理解し、自身の経験や現場の肌感覚と照らし合わせて、個別のアプローチ方法を適切に判断できるようになります。AIは膨大なデータから候補出しを効率化し、人間は複雑な文脈の読み取りや情緒的なコミュニケーションを担う。この明確な役割分担こそが、再雇用アプローチを成功に導く鍵となります。
Q4: 導入を検討する企業がまず整備すべき「データ基盤」とは
――読者の中には、AIによる予測に魅力を感じつつも、「うちはまだそこまでデータが整っていない」と尻込みする方も多いと思います。将来的にこうしたモデルを活用するために、企業は「今」から何をしておくべきでしょうか？
宮崎： おっしゃる通り、精度の高いモデルを作るには、質の高いデータが不可欠です。「Garbage In, Garbage Out（ゴミを入れればゴミが出る）」という言葉があるように、データの質が悪ければ、どんなに高度なアルゴリズムも役に立ちません。
多くの企業でよく見られるのが、退職理由がExcelのセルに「一身上の都合」とだけ書かれている、あるいは面談記録が担当者の手書きメモのまま散逸している、といった状況です。これでは分析のしようがありません。
今日から始められる「データ資産化」のアクションとして、以下の3つが挙げられます。
退職理由の構造化と詳細化：
「一身上の都合」を禁止するわけにはいきませんが、社内管理用にはもっと細かいタグ付けを行ってください。例えば、「給与」「人間関係」「キャリアパス」「家庭の事情」といった大分類に加え、「評価への納得感」「ロールモデル不在」といった詳細フラグを設定します。できれば、退職者アンケートをデジタル化し、本人の言葉（テキストデータ）と選択肢データをセットで保存してください。従業員ID（ユニークID）の永続管理：
意外と盲点なのがこれです。退職すると社員IDを削除してしまうシステムが多いのですが、これだと再入社した際に「別人」として登録されてしまい、過去のデータと紐付けられなくなります。退職後もIDを保持し、アルムナイとしてのステータスを管理できるマスタ構成にしておくことが重要です。オフボーディング（退職手続き）時の定性データの記録：
退職時の面談（Exit Interview）は貴重な情報源です。ここで語られた内容を、可能な限りテキストデータとして残してください。最近では、音声認識AIを使って面談内容を自動で文字起こしし、要約してデータベースに格納するソリューションもあります。
まずは、これらを「貯める」ことから始めてください。データさえあれば、後からAIを導入することはいつでも可能です。しかし、過ぎ去った時間は取り戻せません。今日退職する社員のデータは、今日記録しなければ永遠に失われてしまうのです。
編集後記：データは「過去」ではなく「未来」をつなぐ架け橋
インタビューを通じて見えてきたのは、退職データを分析することの真の価値は、単なる「出戻り予測」にとどまらないという点でした。
宮崎さんは最後にこう締めくくりました。
「再雇用予測モデルを作ると、結果的に『なぜ人は辞めるのか』という離職予測モデルの精度も上がります。そして、『どんな人が自社で活躍し続けるのか』という採用要件の定義もシャープになります。退職データは、組織の健康状態を映す鏡であり、未来のタレントマネジメントを最適化するための羅針盤なのです」
退職を「関係の終わり」にするか、「長期的な関係のフェーズ転換」と捉えるか。テクノロジーはその視点の転換を後押ししてくれます。
もし、あなたの会社に眠っている退職データが、将来の優秀な人材プールに変わるとしたら？ あるいは、勘と経験頼みのアルムナイ採用に限界を感じているとしたら？
まずは自社のデータ環境で何が可能かを探ることから始めてみてはいかがでしょうか。AI導入の第一歩は、大規模なシステム投資ではなく、小さな「気づき」から始まります。
コメント