Share
Embed
データ問い合わせエージェントと 求人推薦システムから見る、 当社のデータ活用事例
https://findy-inc.connpass.com/event/406197/
こちらのイベントでの発表資料になります。
kazuyama88
October 05, 2026
Transcript
23 slides
-
⾃⼰紹介 受託のデータサイエンティストを経て、事業会社へ ⼭家 ⼀樹(やまが かずき) ファインディ株式会社 プロダクトマネジメント室 GenAI Enablement 前職:
受託分析のデータサイエンティスト いま: 事業会社のGenAI Enablement MLモデルの構築や、営業職向けのデータ集計ツールの開発に 2025年11⽉にファインディ⼊社。AI‧データを使って、事業部 従事。様々な案件を回る中で、仕組みを作ることに魅⼒を感じ の業務改善を進めている(転職事業部担当) るようになった 作った仕組みが事業を動かすところまで⾒たかった © Findy Inc. 2 -
今⽇話すこと 本発表で伝えたいこと AI‧データが事業に効くかどうかは、 作り込みの深さと同程度以上に、業務のどこに置くかで決まる 今⽇の進め⽅ 事例① 事例② 最後に 求⼈推薦システム データ問い合わせエージェント
共通する話と、これからの話 ⼈の判断を助ける ⼈の時間を空ける 2つやってもなお⾜りていないところ © Findy Inc. 3 -
課題設定 過去にもトライはした。ただ、仕組みを「⽤意する」だけでは変わらなかった やったこと 類似ユーザーを探しやすくするための検索ページを作った 結果 使われなかった。⼈は、これまで通りのやり⽅で探し続けた ⽤意するだけでは、⼈のやり⽅は変わらない 業務フローの外側に置いた機能は、よほどニーズが⾼くない限り使われない ▼ 事例①
求⼈推薦システム ⼈の判断を助ける 事例② データ問い合わせエージェント ⼈の時間を空ける © Findy Inc. 7 -
事例① 求⼈推薦システム USが⾯談後にユーザーに紹介する求⼈候補を、⾃動で出⼒する仕組みを作った Before US⾯談 ▶ After US⾯談 ▶ 担当者が求⼈を探す
記憶と経験をたどって 候補が⾃動で出る ▶ 候補者に紹介 ▶ 候補者に紹介 USは選別から始められる 探すのに時間がかかるうえ、掲載求⼈が増えるほど⼈の探索が追いつかなくなっていた。 最後に選択するのは⼈のまま、探す⼿間だけを引き取った © Findy Inc. 9 -
事例① 求⼈推薦システム 仕組み ── 求⼈票とUS⾯談メモを埋め込んで、近いものを出す 使っているデータ 求⼈票 US⾯談メモ 処理 ▶
Embedding テキストをベクトル化 処理 ▶ 類似度で求⼈を並べる &フィルタ 出⼒ ▶ 候補者ごとの 推薦求⼈リスト 全体をBigQuery上のバッチで回している。⼿法そのものは、こってりしたものではない © Findy Inc. 10 -
事例① 求⼈推薦システム 現場にどう載せたか ── 業務フローの中に組み込む いつ 業務のどの瞬間に必要になるかから逆算して、推薦を出すタイミングを決めた ⾯談の準備 ▶ 候補者と⾯談する
▶ ⾯談メモを書く 推薦求⼈の探索 ▶ 紹介する求⼈を選ぶ ▶ 候補者に紹介する ここで推薦が出る 求⼈を選ぶ直前に、すでに候補が並んでいる状態を作る。USは「探しにいく」必要がなくなる どこに Salesforce上に出す USがユーザー情報を管理する画⾯がSalesforceにある。新しいツールを増やさず、すでに業務が起きている場所に置いた どう 観点ごとに出し分ける 観点① 観点② 観点③ ⼀本のランキングではなく、観点を分けて並べる。USが選ぶ理由を持てる形にした。現場の意⾒を反映した形 © Findy Inc. 11 -
事例① 求⼈推薦システム 結果 ── ⼀度使って終わりではなく、継続して使われている 実際の求⼈紹介 求⼈探索にかかっていた⼯数 レコメンド経由での 40 %
紹介が毎⽇⽣まれている ⼀定数が、出した候補の中から選ばれている 弱 削減 探す時間が、候補者と向き合う時間に回る 求⼈検索ページのときと差がついたのは、作り込みの深さ以上に、業務のどこに置いたか © Findy Inc. 12 -
事例① 求⼈推薦システム ただし、「使われて良かったね」で終わりではない 候補者に紹介される求⼈は、どこから出てきているか CS経由 US経由 紹介求⼈の⼤半はこちら 速くなったのはここ 企業を担当するカスタマーサクセス(以下、CS)から「この求⼈を出してほし USが⾃分で求⼈を探して紹介する部分
い」と渡されるもの。今回の推薦システムは、ここには触れていない USの中だけで閉じている限り、全体のマッチの効率化は実現しない マッチを⽣む社内フロー全体を⾒直す必要がある © Findy Inc. 13 -
事例② データ問い合わせエージェント 出発点 ── 標準の会話分析機能でも使われていた。ただ、伸び代もあり 最初に話した「知りたいことは、結局詳しい⼈に聞きにいく」のほう。ここが「配れない」にあたる 伸び代 01 エージェントが複数あり、聞きたいことに応じて使い分ける必要がある(添付図参照) 02
聞くたびにLookerのWeb画⾯をわざわざ開きにいく必要がある 03 ログが取れない。事業部が何を知りたがっているのか、回答にどう反応したのかが分からない © Findy Inc. 16 -
事例② データ問い合わせエージェント 作ったもの ── 複数のエージェントを束ねて、質問を適切な先に振り分けるSlack Bot Lookerの会話分析エージェント Slackでの質問 「先⽉の◦◦はどう なってる?」
振り分け ▶ どのエージェントに聞く 分析対象 A ▶ 分析対象 B べきかを判断する 分析対象 C 聞く側は、どこに何があるかを知らなくていい。「詳しい⼈に聞く」のと同じ⼊⼝にする ※権限:OAuthで、質問した本⼈の権限のまま問い合わせる エージェントが強い権限を代理で持つ作りにはしない。本⼈に⾒えないデータは、エージェント越しでも⾒えない。地味だが、社内に広げるなら外せない © Findy Inc. 17 -
事例② データ問い合わせエージェント どこに置いたか ── Slackに置いて、ログを残す Slackに置く ログを残す ⽇常的に使⽤するSlackに着⽬ どんな使われ⽅をしているかが⾒えるようになった ⼈に聞くときと同じ場所、同じ聞き⽅にする。新しいツールを開い
誰が、何を、どう聞いているか。 てもらう必要も⾃分でエージェントを選ぶ必要もない 次に何を直すかが、ここから決まる 事例①のSalesforceと同様、すでに業務が起きている場所に置く © Findy Inc. 17 -
事例② データ問い合わせエージェント PoCで狙い通りの反応。いまは全社展開へ 完了 いま PoC ⼀部のチームで使ってもらい、意⾒を回 収。Lookerの画⾯を開きにいくよりアクセ スしやすいなど、狙い通りの反応が得られ この先
全社展開へ ▶ 対象を広げるための整備を進めている 半定型業務を任せる ▶ 定例の準備に必要なデータ確認や分析な ど、半定型の仕事を⾃律的にこなすエー ジェントに育てたい た © Findy Inc. 18 -
共通する話 まだまだ業務フローに⼊り込んで、⼤きなインパクトを作りにいく いまの限界 USの求⼈探索は速くなった。でも紹介求⼈の⼤半はCS経由のまま。部分だけでは事業の数字は⼤きく動かない ▼ なぜ今か いまの業務は、会社が少数⼈の頃に確⽴したフローで組まれている。事業も従業員も拡⼤する中で過去の運⽤が ベストではなくなってきた やっていること 特定の役割だけでなく、事業部全体にヒアリングして業務フローと課題を洗い出している。全体が⾒えないと、
どこを変えると効くかが決められない 業務フローを変えるのは事業部側の意思決定。現場に⼊り込んで、巻き込んで、合意を取るところまでが仕事になる ここはまだ勝っていない。これからやるところです © Findy Inc. 21 -
GenAI Enablement ⼀緒にやる仲間を募集しています GenAI Enablementの業務内容 AI‧データを使った業務改善 プロダクトへのAI‧ML機能の実装 今⽇話した2つの事例はこちら側 社内だけでなく、お客様が触る側も 募集している求⼈
データサイエンティスト LLMエンジニア GenAI Enablement GenAI Enablement このあとの懇親会にいます。気になった⽅は声をかけてください © Findy Inc. 22