データで「採用の質」を再定義する：経験則からの脱却
「リファラル（社員紹介）で採用した人は、カルチャーフィットしているから辞めにくい」
採用の現場でよく耳にする言葉ですね。しかし、採用DXの現場では、この「経験則」がいかに脆いものであるかがしばしば議論の的になります。
急成長中の企業が「社員の紹介なら間違いない」と考え、リファラル経由の候補者をほぼ無条件で採用した結果、入社半年での離職率が通常ルートよりも高くなってしまったケースは珍しくありません。
原因をデータで紐解くと、「紹介ボーナス目当ての紹介」や「スキルミスマッチ」が多発していることがよくわかります。紹介者の顔を立てるあまり、選考基準が甘くなってしまうのですね。
経験と勘だけに頼る採用は、時にこうしたリスクを孕みます。特にリファラル採用は人間関係が絡む分、失敗した時の組織へのダメージも深刻になりがちです。
もし、過去の採用データから「どのような紹介パターンだと定着しやすいのか」「逆にどのようなケースでミスマッチが起きやすいのか」を事前に予測できたらどうでしょうか。
この記事では、採用データ分析・可視化の観点から、Pythonを用いた機械学習によってリファラル採用候補者の長期定着率を予測するモデルの構築プロセスを、論理的かつ体系的に解説します。高価なツールを導入してベンダー任せにするのではなく、自社のデータを使って「なぜ」を解明する実践的なアプローチをご紹介します。
なぜリファラル採用でも早期離職が起きるのか
リファラル採用は確かに強力なチャネルですが、決して万能薬ではありません。データサイエンスの視点で分析すると、構造的な課題が浮かび上がってきます。
まず警戒すべきは「類似性のバイアス」です。人間は本能的に自分と似た人を好むため、紹介者は無意識に自分と似たタイプを連れてくる傾向があります。しかし、組織が求めているのが「変革をもたらす異質な人材」だった場合、この類似性はかえって期待値ギャップを生む原因になってしまいます。
次に「関係性の希薄化」も無視できません。SNSで緩く繋がっているだけの知人を紹介する場合など、紹介者自身が候補者のスキルや志向性を深く理解していないケースが増えています。これを従来の「親しい友人からの紹介」と同じように扱っていては、スクリーニングの精度が落ちてしまうのは当然と言えるでしょう。
こうした複雑な要因を、面接官がすべて見抜くのは非常に困難です。だからこそ、多角的なデータを用いた機械学習モデルが、客観的な判断材料として役立つのです。
本記事のゴール：予測精度80%のモデル構築と要因分析
ここで目指すのは、単に「辞めるか辞めないか」を当てるだけのAIを作ることではありません。実務に活かすためのゴールは以下の2点です。
- 予測モデルの構築: 過去の採用・定着データから、候補者の1年以内の離職確率を算出するモデルを作成する。
- 要因の特定: 「なぜその予測になったのか」という根拠（特徴量）を明らかにし、採用基準の改善に活かす。
精度としては、まずは実務で参考値として使えるレベル、AUC（曲線下面積）で0.7〜0.8程度を目指しましょう。完璧な予知能力者を作る必要はありません。あくまで採用担当者の判断を支援し、採用業務を最適化することが目的です。
所要時間と推奨される前提スキル
この取り組みは、短時間で終わるものではありません。データの収集からクレンジング、モデリング、検証まで、順序立てて丁寧に取り組む必要があります。
- 推奨スキル: Pythonの基礎的な文法理解、Pandasライブラリでの基本的なデータ操作（CSV読み込み、集計など）。
- 所要時間: データの準備に約1週間、モデリングと試行錯誤に約2週間。
「プログラミングは少し苦手…」という方も安心してください。コードそのものの複雑さよりも、「どのようなデータを使うべきか」という人事的な視点こそが、モデルの精度を大きく左右します。技術的な実装はエンジニアと協力するとしても、設計図を描くのは現場を知る人事担当者の大切な役割です。
Step 1：HRデータ特有の「地雷」と前処理の作法
機械学習プロジェクトの成否は「データの質」で大きく左右されますが、人事データ（HRデータ）の場合、そこに「倫理」と「構造の複雑さ」という特有の課題が加わります。
一般的な商品売上予測などとは異なり、扱うのは「人の人生」に関わるデータです。予測モデルを作る前に、まずは安全かつ適切なデータセットを準備する作法を押さえておきましょう。
機密性の高い人事データの安全な扱い方
まず絶対に行わなければならないのが、個人情報の匿名化（マスキング）です。氏名、メールアドレス、電話番号といった個人を特定できる情報は、分析には不要ですし、漏洩リスクの温床となります。
実務では、ATS（採用管理システム）から抽出したデータを、社員IDや候補者IDといった識別子（ID）に変換して扱います。PythonのPandasを使えば、特定の列を削除したり、ハッシュ化したりするのは簡単です。しかし、もっと注意すべきは「組み合わせによる特定」のリスクです。
例えば、「2020年入社」「〇〇大学出身」「営業部」という情報が揃えば、社内の誰かを特定できてしまうかもしれません。これを防ぐために、あえてデータを丸める処理も検討すべきです。具体的な出身大学名ではなく『文系/理系』や『偏差値ランク』に変換するのです。これはプライバシー保護だけでなく、モデルの汎用性を高める上でも非常に有効な手段となります。
リファラル特有の変数：紹介者属性と被紹介者属性
リファラル採用の分析が興味深いのは、候補者（被紹介者）のデータだけでなく、紹介者のデータも活用できる点にあります。ここで重要になるのが、二つのデータテーブルをどう論理的に結合するかです。
通常、人事データベースには以下の2種類のテーブルがあるはずです。
- 従業員マスタ: 既存社員（紹介者）の属性、評価、勤続年数など。
- 採用候補者データ: 応募者（被紹介者）の履歴書情報、面接評価、適性検査結果など。
これらを「紹介者ID」をキーにして結合（Merge）します。これにより、「入社3年目の社員であるAさんが紹介した、同年代のBさん」といった文脈を持ったデータセットが完成します。
ここで意識していただきたいのが、「関係性の変数」を作ることです。単にAさんとBさんのデータを横に並べるだけでなく、「出身大学は同じか？」「前職は同じか？」「年齢差はどれくらいか？」といった、二人の関係性を示すフラグを立てていくのです。これが後々、予測精度に大きな影響を与える可能性があります。
不均衡データの処理（離職者は常に少数派）
退職予測モデルを作る際、必ずぶつかる壁が「データの不均衡（Imbalanced Data）」です。
健全な企業であれば、採用した人のうち1年以内に辞める人は少数派（例えば10%以下）でしょう。残りの90%以上は「定着した人」です。このまま機械学習にデータを読み込ませると、AIはこう学習してしまう可能性があります。
「とりあえず全員『辞めない』と予測しておけば、90%以上の確率で正解できるぞ」
これでは何の意味もありませんよね。ここで特定すべきなのは、その希少な「辞めてしまうケース」なのです。
この問題に対処するために、以下のテクニックを用います。
- アンダーサンプリング: 定着した人のデータをランダムに減らし、離職者データと件数を合わせる。
- 重み付け（Class Weight）: 離職者を正しく予測できた場合の「ご褒美（スコア）」を高く設定し、モデルに「少数派を無視するな」と教え込む。
人事データにおいては、人工的にデータを増やすオーバーサンプリングよりも、まずは重み付け（Class Weight）の調整から始めるのが、実務上おすすめのアプローチです。
Step 2：まずは「説明できる」ベースラインモデルから
データが整ったら、いよいよモデル構築です。しかし、いきなり最新のディープラーニングや複雑なアルゴリズムに飛びつくのは避けるべきです。
まずはシンプルで、中身が理解しやすい「ベースライン（基準）モデル」を作りましょう。これが、後の改善の確かな指針となります。
解釈性を重視したロジスティック回帰の導入
最初の一手として推奨するのは「ロジスティック回帰」です。名前は少し堅苦しいですが、仕組みは非常にシンプルです。各データ項目（特徴量）に重み（係数）を掛け合わせ、その合計で確率（0〜1）を算出します。
なぜこれを選ぶのか？ それは「どの項目がプラスに働き、どの項目がマイナスに働いたか」が、係数を見るだけで直感的に理解しやすいからです。
例えば、「紹介者の勤続年数」の係数がプラスであれば、「ベテラン社員の紹介ほど定着しやすい」という仮説が成り立ちます。逆にマイナスなら、「ベテランの紹介ほど辞めやすい（もしかすると、古い企業文化を押し付けてしまっている？）」という示唆が得られます。
まずはScikit-learnなどのライブラリを使って、このシンプルなモデルを動かしてみましょう。ここで得られる「気づき」は、採用業務を改善する上で非常に貴重なものになります。
正解率（Accuracy）の罠と適合率・再現率
モデルの良し悪しを測る時、多くの人が「正解率（Accuracy）」を見がちです。「正解率95%です！」と言われれば、優秀なモデルに聞こえますよね。
しかし、先ほどの不均衡データの話を思い出してください。離職者が全体の5%しかいない場合、全員を「定着する」と予測すれば正解率は95%になります。でも、離職リスクのある人は一人も見つけられていません。これでは現場で役に立たないのです。
人事の退職予測において重要な指標は以下の2つです。
- 再現率（Recall）: 実際に辞めてしまった人のうち、AIがどれだけ「辞める」と見抜けたか。「見逃し」を減らしたい場合に重視します。
- 適合率（Precision）: AIが「辞める」と予測した人のうち、実際に辞めた人の割合。「誤検知」を減らしたい場合に重視します。
この二つはトレードオフの関係にあります。見逃しを減らそうとすれば、誤検知が増えます。
リファラル採用の文脈では「適合率（Precision）」をやや重視すべきだと考えられます。なぜなら、「この候補者は辞めるリスクが高い」という誤った予測に基づいて不採用にしたり、過度な干渉を行ったりすることは、紹介者との信頼関係を損なうリスクがあるからです。
「リスクあり」とアラートが出たとしても、それは「慎重にオンボーディングを設計すべき対象」と捉えるくらいのバランス感覚が、実務では非常に重要になります。
最初のモデルを動かしてみる（ハンズオン）
Python環境がある方は、以下の流れでまずは動かしてみることをお勧めします。コードの詳細は割愛しますが、全体の流れを掴んでみてください。
- データを訓練用（過去データ）とテスト用（直近データ）に分割する。
- ロジスティック回帰モデルをインスタンス化する。
class_weight='balanced'オプションを指定して、不均衡データに対処する。- 訓練用データで学習（
fit）させる。 - テスト用データで予測（
predict）し、混同行列（Confusion Matrix）を出力して、RecallとPrecisionを確認する。
最初から高い精度は出ません。むしろ、精度が低すぎる（あるいは高すぎる）場合に、「データに何が足りないのか？」「リーク（答えが漏れている）していないか？」を論理的に考えるプロセス自体が、データ分析のスキルを高めてくれます。
Step 3：予測精度を左右する「人間関係」の数値化
ベースラインモデルができたら、ここからが本番です。予測精度を上げるための鍵は、アルゴリズムの選択よりも「特徴量（説明変数）」の設計にあります。
「どんなデータがあれば、定着するかどうか判断できるか？」
この問いに対する人事ならではの洞察を、数値データに変換していく作業です。これを「特徴量エンジニアリング」と呼びます。
「関係性の強さ」を数値化するテクニック
リファラル採用において最も重要なのは、紹介者と被紹介者の「関係性」です。これをどうやって数値にするか、実践的なアイデアをいくつか紹介します。
- 部署間距離: 紹介者の所属部署と、候補者の配属予定部署は同じか？（同一部署なら0、隣接部署なら1、全く別なら2、など）。同じ部署への紹介の方が、業務内容の理解度が高い傾向があります。
- 職種の一致: エンジニアがエンジニアを紹介したのか、営業がエンジニアを紹介したのか。職種が異なると、スキルマッチの見極め精度が落ちる可能性があります。
- 社歴の差: 入社1年目の社員からの紹介か、10年選手からの紹介か。あるいは、紹介者と候補者の年齢差はどれくらいか。
こうした「差分」や「距離」を表す変数を追加することで、モデルは「誰が誰を紹介した時にうまくいっているか」を体系的に学習できるようになります。
紹介者の評価・定着実績を説明変数に組み込む
「類は友を呼ぶ」という言葉通り、紹介者自身のパフォーマンスやエンゲージメントは、候補者の将来性を予測する重要なシグナルになり得ます。
- 紹介者の評価ランク: ハイパフォーマーからの紹介は、やはりハイパフォーマーである確率が高いのか？
- 紹介者のエンゲージメントスコア: 会社に満足していない社員からの紹介の場合、候補者にネガティブな情報が伝わっているリスクはないか？
- 過去の紹介実績: この紹介者は過去に何人紹介し、そのうち何人が定着しているか？（「紹介成功率」のような変数を作る）
ただし、これらを扱う際は注意が必要です。「あの人の紹介だからダメだ」というレッテル貼りに繋がらないよう、あくまで客観的な「傾向分析」として扱う誠実さが求められます。
紹介コメントのテキストマイニング基礎（NLP）
リファラル採用では、紹介時に「推薦コメント」を書いてもらうことが一般的です。ここには定性的な情報が豊富に含まれています。
「昔からの友人で、信頼できます」
「以前のプロジェクトで苦楽を共にしました」
「技術力は確かですが、少しコミュニケーションは不器用かも」
こうしたテキストデータを活用するために、自然言語処理（NLP）の技術を少しだけ借りてみましょう。高度なことをしなくても、以下のようなシンプルな特徴量を作るだけで十分な効果があります。
- 文字数: 推薦コメントの長さ。熱量と相関があるかもしれません。
- 具体的キーワードの有無: 「一緒に働いた」「プロジェクト」といった、具体的な協働経験を示唆する単語が含まれているか。
- 感情スコア: ネガティブな表現が含まれていないか（Pythonのライブラリで簡易的な感情分析が可能です）。
「具体的なエピソードがある紹介ほど定着率が高い」という仮説を、実際のデータで検証してみるのです。
Step 4：現場を説得するための「AIの翻訳」
精度の高いモデルができても、現場の採用担当者や部門長が使ってくれなければ意味がありません。彼らが最も嫌うのは「AIがダメだと言っています」という、根拠の不明なフィードバックです。
ここで必要になるのが、XAI（Explainable AI：説明可能なAI）です。AIの判断プロセスを、現場の人間にもわかる言葉に翻訳する作業と言ってもいいでしょう。
SHAP値を使って「なぜその予測か」を説明する
現在、機械学習の解釈においてよく利用されているのが「SHAP（SHapley Additive exPlanations）」という手法です。これは、特定の予測結果に対して「どの特徴量が、どれくらいプラス（またはマイナス）に寄与したか」を数値化してくれるものです。
例えば、特定の候補者の離職リスクが高いと予測された場合、SHAP値を見れば以下のような内訳が分かります。
- 紹介者との職種不一致：リスクを大きく押し上げた（+0.3）
- 通勤時間の長さ：リスクを少し押し上げた（+0.1）
- 適性検査のスコア：リスクを下げた（-0.2）
これがあれば、「AIがダメと言っている」ではなく、「職種が異なる紹介で、かつ通勤時間が長いことがリスク要因として検知されています。面接では、業務理解度と通勤の負担について重点的に確認してください」という、論理的で建設的なアドバイスが可能になります。
採用担当者へのフィードバックレポート作成
分析結果は、Pythonの画面（Jupyter Notebookなど）をそのまま見せるのではなく、現場が見慣れたフォーマットに落とし込むべきです。
各候補者のエントリーシートに、「定着予測スコア」と共に「確認すべき懸念ポイント」を追記する。あるいは、面接官用の評価シートにアラートを表示する。RPAを活用して、ATS上の候補者データに自動でスコアを反映させる仕組みを作るのも効果的です。
予測モデルは「合否を決めるマシン」ではなく、「リスクを照らす懐中電灯」として機能させるデザインが、実務定着の鍵となります。
モデルの公平性とバイアスチェック
最後に、コンサルタントとして非常に重要な警告をしておきます。作成したモデルが「不当な差別」をしていないか、必ずチェックしてください。
もし、過去の離職データに「特定の性別や年齢層が辞めやすい」という偏りがあった場合、AIはそれを学習し、「女性だから」「高齢だから」という理由でリスクスコアを高く算出してしまう可能性があります。
これはコンプライアンス上も、企業の倫理としても決して許されるものではありません。
特徴量エンジニアリングの段階で性別や年齢をモデルに入れない、あるいはモデル完成後に「性別を変えたダミーデータ」を入力しても予測結果が変わらないかテストするなど、公平性を担保する手続きは必須です。これを怠ると、プロジェクト自体が頓挫する恐れがあります。
学習リソースと次のステップ
ここまで、リファラル採用における予測モデル構築の道のりを解説してきました。着手することで得られる知見は、組織にとって非常に価値のあるものです。
「完璧なデータがないからできない」と諦めるのではなく、まずは手元にあるExcelデータから始めてみてください。小さな相関を見つけるだけでも、採用の質は確実に変わっていきます。
継続学習のための信頼できる情報源
さらに深く学びたい方のために、実務に役立つリソースを紹介します。
- 書籍: 『人事データ分析入門』、『PythonによるAI・機械学習・深層学習アプリのつくり方』（実装の参考に）
- Web: Scikit-learnの公式ドキュメント、KaggleのHR Analytics関連のカーネル（世界中のデータサイエンティストが人事データをどう料理しているかが見られます）。
KaggleのHR関連データセット活用法
自社のデータがまだ整備されていない、あるいは実験的に試したい場合は、データ分析コンペティションサイト「Kaggle」にある「HR Analytics: Job Change of Data Scientists」などの公開データセットを利用するのがお勧めです。
これらのデータを使って、「前処理→モデル構築→評価」のパイプラインを一度通してみることで、自社データを使う際のリハーサルになります。
社内プロジェクトとして提案するための資料構成
この取り組みを個人の実験で終わらせず、会社のプロジェクトとして承認を得るには、論理的なROI（投資対効果）の提示が必要です。
「AIで予測できます」と技術をアピールするのではなく、「早期離職を減らすことで、採用コストと育成コストがこれだけ削減できます。そのために、まずはスモールスタートで検証させてください」と誠実に提案しましょう。
予測モデルは、あくまで手段に過ぎません。目的は、紹介してくれた社員も、入社してくれた仲間も、そして会社も幸せになる採用を実現することです。データを武器に、その理想に一歩近づいてみませんか？
コメント