STAGE 1 研究開発部 SocSciグループ SESSION TAG ⾅井翔平 Talent Flow Networkの活⽤

⼯学博⼠ 個⼈情報保護⼠ 専⾨分野 • 計算社会科学 • 複雑ネットワーク科学 ⾅井 翔平 技術本部 DSOC 研究開発部 SocSciグループ シニアリサーチャー

名刺交換ネットワークは⼈をノード、名刺交換をエッジ ノードには、所属企業/職種/役職/地域/業種等の様々な属性情報がある Talent Flow Networkの活⽤ 名刺交換の複雑ネットワーク 地域・業種 ※分析にあたっては、Eightのデータについて個⼈を匿名化し、2015年~2020年にEightのユーザーによって登録された名刺の情報を、 Eightの利⽤規約で許諾を得ている範囲で使⽤した

⼈材に関する問題を 技術で解決しようという取り組み HR Techとはなにか Talent Flow Networkの活⽤ Human Resource Technology 主な領域 採⽤・⼈材育成・労務管理・福利厚⽣等 技術とデータを使ってキャリア形成を⽀援する

Eight Career Design - Eightを通したダイレクトリク ルーティング - Eightで転職意向度を設定すると、 スカウトを受けることができる サービス Talent Flow Networkの活⽤

名刺からキャリアパスを知る Talent Flow Networkの活⽤ Sansan株式会社 研究開発部 リサーチャー Sansan株式会社 研究職 ⼀般クラス 正規化 名刺を⽤いたHR tech Sansan株式会社 研究開発部 チーフリサーチャー 正規化 Sansan株式会社 研究職 課⻑クラス Yonyon株式会社 研究所 研究課⻑ 正規化 Yonyon株式会社 研究職 課⻑クラス

Talent Flow Networkの活⽤ 名刺交換からキャリアパスのネットワークへ Sansan株式会社 研究職 ⼀般クラス Yonyon株式会社 研究職 課⻑クラス Yonyon株式会社 研究職 ⼀般クラス 1⼈ 2⼈ 「企業」+「職種」+「職位」が⼀つのノード - e.q. 「Sansan株式会社 研究職 メンバー」 エッジは⼈材の流動 - 該当ノードの移動⼈数 - 「Sansan株式会社 研究職 メンバー」 →「Yonyon株式会社 研究職 マネージャー」

技能がどのように流動していくかを ⽰したネットワーク - Node数 : 1,015,772 - Edge数 : 1,867,238 Talent Flow Networkの活⽤ Talent Flow Network

各ノードに何⼈が⼊ってきているか - 少⼈数が⼊ってくる多数のノードと 多⼈数が⼊ってくる少数のノードが存在 ⾊々な切り取り⽅が可能 - 他社への移動 : 542,717件 - 同社内での昇進 : 179,976件 - 異職種への移動 : 594,792件 キャリアパスを包括的に追うことができる Talent Flow Networkの活⽤ Talent Flow Network ⼊ってくる⼈数 ノード数

ユーザーの職種の変更に着⽬ - 職種の隆盛を知る - 職種間の関係性を知る 企業間の移動に着⽬ - 近年ホットな業界はどこにあるのか - 流動性の⾼い/低い業界、成⻑している業界はどこか 組織内での移動/昇進に着⽬ - どういう⼈材が昇進していくのか Talent Flow Networkの活⽤ Talent Flow Networkに期待すること

- 年毎に (その職種になった⼈ / その職種ではなくなった⼈) を計算 Talent Flow Networkの活⽤ 職種の隆盛を知る 2018年 取締役・役員 内部統制・内部監査 IR マーケティング お客様相談 ⼈事 品質管理・品質保証 法務 コンサル系専⾨部⾨ 経営企画・事業企画 2020年 内部統制・内部監査 取締役・役員 経理・財務・管理会計 品質管理・品質保証 海外⽀店 IR マーケティング お客様相談 総務 ⼈事 2016年 取締役・役員 IR 物流ロジスティクス コンサル系専⾨部⾨ ⼈事 マーケティング 購買 内部統制・内部監査 広報 法務

職種間の距離を定義 - jaccard係数 = 2職種を移動したユーザー数 (and) / 2職種の経験ユーザー数 (or) 研究職と関連性が⾼い職種 - 開発 - 経営企画・事業企画 - IT系専⾨職 Talent Flow Networkの活⽤ 職種間の関係性を知る

Talent Flow Networkから異なる企業への移動のみを抽出 2020年の1年間に絞って、企業間の移動の数をプロット - 多い企業間で100⼈以上が移動している → 転職ではなく、グループ企業への出向の可能性を検討 年間2⼈以上移動している企業はほとんどが 何らかの関係を持っている Talent Flow Networkの活⽤ 転職に関するネットワーク 移動する⼈数 企業間の数

- ⼈流ネットワークをみていくと関連している企業が ⾒えてくる - 名前からはわからないような関係まで⾒える - 関連企業確率を計算可能 →同業他社の推定に活⽤ - 関連企業は取り除く 関連企業のネットワーク Talent Flow Networkの活⽤

- エンジニアの業種移動に着⽬ - 今⼈を集めている業種がどこなのか 業種の移動に着⽬ (エンジニア) Talent Flow Networkの活⽤

ユーザー数 : 257,057 /エッジ数 : 447,418 / 企業数 : 243,215 転職先企業で集計 - べき分布になることを確認 → ⼈気のある少数の企業が存在 どこの企業が⼈気あるの？ - 流⼊量が⾼い企業についてみてみる - 流出も考慮しなければ代謝が⾼いだけかもしれない 転職ネットワークの次数分布 企業の数 Talent Flow Networkの活⽤ ⼊ってくる⼈数

スポーツやゲーム分野での「⼒」の数値化を応⽤ 仮定：チームAとチームBが試合をした時、統計的にはそれぞれの実⼒を反映したスコアとなる - チームA vs チームB = 2 vs 3 → (2 - 3) = （チームAの実⼒）-（チームBの実⼒） +（誤差） 全チームに対して複数回の試合を⾏い、最適なレートを学習する チームの⼒はオフェンス(得点の多さ)とディフェンス(被得点の少なさ)の総合で決まる 企業の「⼒」を図る⽅法 Talent Flow Networkの活⽤

企業での⼈材の引っ張り合いでは、魅⼒の⾼い企業がより⼈材を引っ張ることができる 企業Aから企業Bに3⼈、企業Bから企業Aに2⼈移動した場合、 スポーツレーティングの応⽤ Talent Flow Networkの活⽤ 企業におけるオフェンス⼒とディフェンス⼒ : 2 vs 3 企業A vs 企業B オフェンス⼒ 採⽤⼒ ディフェンス⼒ リテンション⼒

採⽤⼒とリテンション⼒は基本的には強い負の相関を⽰す - 採⽤⼒もリテンション⼒も⾼い企業はほとんど存在しない → リテンション⼒の⾼い企業は強く採⽤を⾏う必要がない 採⽤⼒が⾼くリテンション⼒が低い企業 → 惹きつける魅⼒があり、⼈材が循環している リテンション⼒が⾼く採⽤⼒が低い企業 → 留める魅⼒があり、安定している 採⽤⼒とリテンション⼒の関係 流動的 成⻑ Talent Flow Networkの活⽤

流動している業界 → 総合コンサルティング/ 保険 安定している業界・流動している業界 Talent Flow Networkの活⽤ 安定している業界 →空調機器 / 保険代理店 ⼤きく成⻑している業界 →クラウド・フィンテック

⼈材の移動を予測する

Link predictionをすることによって、あるノードからあるノードへの移動確率を推定する - 「企業」+「職種」+「職位」が⼀つのノード - エッジは⼈材の流動 Talent Flow NetworkのLink prediction Gogo株式会社 研究職 ⼀般クラス 求⼈ ？ Talent Flow Networkの活⽤ Sansan株式会社 研究職 ⼀般クラス Yonyon株式会社 研究職 課⻑クラス Yonyon株式会社 研究職 ⼀般クラス 1⼈ 2⼈ このEdgeが存在する確率を推定する

(𝑆𝑎𝑛𝑠𝑎𝑛株式会社の特徴, 研究職, 𝐼𝑇業界, 東京都, ⼀般クラス) (𝑌𝑜𝑛𝑦𝑜𝑛株式会社の特徴, 研究職, 𝐼𝑇業界, 東京都, 課⻑クラス) 𝑓 = (企業間の距離, 職種間の距離, 業種間の距離, 都道府県間の距離, タイトル間距離, ⼈数) 特徴作成 Talent Flow Networkから特徴量を作成 Sansan株式会社 研究職 ⼀般クラス Yonyon株式会社 研究職 課⻑クラス 転職 Talent Flow Networkの活⽤

𝑓 = (企業間の距離, 職種間の距離, 業種間の距離, 都道府県間の距離, タイトル間距離, ⼈数) Talent Flow Learning Talent Flow Network内の全ての転職Edgeを特徴量に変換 XGBoostを⽤いて、実際の企業間移動データを学習 Edgeを⼀部削除して予測実験をする XGBoost Talent Flow Networkの活⽤ 𝑓 = (企業間の距離, 職種間の距離, 業種間の距離, 都道府県間の距離, タイトル間距離, ⼈数) 𝑓 = (企業間の距離, 職種間の距離, 業種間の距離, 都道府県間の距離, タイトル間距離, ⼈数) AI

不正解データとして、転職先企業・転職先職種をシャッフルしたものを正解データと同数⽤意する Cross validationで、8割を学習データとして学習 2割をテストデータとして判定 推定確率0.7以上を正解、推定確率0.3以下を不正解とする 学習⽅法 Talent Flow Networkの活⽤

- 0.7以上の確率で推定されたもののうち 82%は実際に転職しているデータ - 0.3以下の確率で推定されたもののうち 84%は実際に転職してないデータ 学習結果 正解ラベル 推定ラベル Talent Flow Networkの活⽤

Talent Flow Networkの設計と利⽤価値について - 職種間の隆盛や関係性について考察 - 職種毎の⼈材の流れを考察 - 業界の流動性 / 安定性 / 成⻑について考察 - Link predictionを⽤いた⼈材移動予測モデル まとめ Talent Flow Networkの活⽤

研究開発部 SocSciグループ Twitter @talerabel Virtual Card ⾅井 翔平