KKGご支援事例紹介 - 人材紹介企業様

Transcript

1. 1 ⽀援例①: ⼈材紹介企業様において、転職候補×求⼈企業マッチングAIを構築 し、従来取りこぼしていたような案件創出による利益拡⼤を実現した ⼈材紹介会社様に向けて実施したPoCの概要 課題・プロジェクトの背景 Ÿ 以下の理由から転職候補⼈材の 選出・紹介に時間がかかり、依頼 を捌ききれていない — ⼈材DBが10万⼈規模に拡⼤ しており、営業マンによる全体 像把握が困難 — DBの⼈材概要には⾯談時の メモが構造化されずに⼊ってい るケースもあり、単純なフィル ター検索ができない場合が存在 — ⼈材抽出後も、顧客企業の⽂脈 に合わせて推薦⽂を書くのに またひと⼿間がかかる Ÿ 上記を解決するべく、⼤量のデー タ処理、⽂脈を踏まえた提案を得 意とする⽣成AIを活⽤したシステ ム開発PJを開始 (6⽉) ご⽀援の概要 Ÿ 過去の制約事例等を学習し、5-6万社の求 ⼈企業×求職登録者3-4万⼈のAIマッチン グアルゴリズムを構築。ユースケースに合 わせて2つのインターフェイスを作成 — 求⼈企業起点: 必ずしも構造化されてい ない⾯談記録を学習し、求⼈要件に合 致した求職者をチャット形式で特定 — 求職者起点: 毎⽇新規登録される200- 300⼈の求職者のニーズやスキルに合 致する求⼈企業を⾃動特定し、各顧客 企業担当者にメールを⽇次で配信 Ÿ 各マッチングについて、内部向けの抽出根 拠⽂、顧客企業/求職者向けの推薦⽂を⽣ 成 現在の進捗 Ÿ 従来埋もれてしまっていたよう な⼈材についても⾃動で提案が ⽣まれたことで売上の取りこぼ しが50% 程度減少したとの声を頂戴した Ÿ 現在も、FBデータを収集し、ア ルゴリズムを修正してマッチン グ精度を向上中 1. GPT-4モデルに500⼈の⼈材データを直接読み込ませることはコスト・速度の⾯から難しく、まずは読み込ませるに値する関連性を有する⼈材を絞り込んでから読み込ませる必要性がある 1a 1b 詳細後述 2
2. 2 【求⼈企業起点の検索】 単語合致ではなく⼈材紹介の⽂脈に合わせたベクトル 検索を実⾏し、求⼈要件に真に合致する企業を抽出 求⼈企業→転職⼈材マッチングの例 顧客の求⼈要件・検索の流れ ⼈材DBからの抽出結果 (それぞれトップヒットした⼈材のみを抜粋) KKGモデルによるベクトル検索 →GPT-4 汎⽤型Open AIモデルによる ベクトル検索→GPT-4 Ÿ 顧客の求⼈要件 — 事業拡⼤にあたり、トップ営業 のできる⼈材を中途で獲得した い。業種は問わないので、経営 者への営業経験の深い⼈材が獲 得したいと考えている Ÿ 営業マンの検索の流れ — 「経営者への営業経験」という フラグは存在しないので、単純 なフィルター検索だと少し⾯倒 そうなので、AI検索を活⽤して みよう 検索クエリ: 経営者への直接 営業経験に強みを持つ⼈材を教 えてください 抽出 された ⼈材概要 依頼との 合致度 家具営業7年⽬の担当者で、製造業で の法⼈営業経験も持つ。家具ディー ラーや流通業者を対象に定期訪問を中 ⼼とした営業を⾏っている。新規取り 組みとしての⽅法は直接アプローチで、 個⼈売上は1億8千万円、粗利は28％。 営業対象は社⻑、部⻑、担当営業等で、 活動地域は名古屋、岐⾩。労働時間や オフィスの環境に関する改善を求めて おり、転職⾃体は積極的に考えていな いが、条件が良ければ再評価する考え。 企画部⾨の経験を背景に、現在は営業 として活躍する候補者。⼊社5年⽬以 降は経理や社内ルール策定業務が主軸 で、IT資産の管理、新規事業戦略の⽴ 案、資⾦管理も担当している。⼤学在 学時は研究者を⽬指していたが、現在 の会社に⼊社。所属企業に対する⼤き な不満はないが、経営⽅針が頻繁に変 わることに対する懸念がある。未来に はコンサルティングファームでのキャ リアを検討している 社⻑を含めた営業経験を7年ほ ど持つ候補者が抽出された 「営業」「経営」という単語レ ベルの⼀致に留まり、経営者へ の営業経験はない △ 〇 ⼈材紹介に特化したベクトル検索モデルを構築 1a
3. 3 【⼈材起点の検索】 新規登録された候補者情報からベクトル検索を応⽤してフィッ トする求⼈企業をDBから抽出し、その企業の営業担当者に通知メールを配信 転職⼈材→求⼈企業マッチングの例 1b 佐藤 優花 様 昨⽇更新された候補者の中で、以下の⽅をスカウト候補者としてXX社様に紹介することを推薦します。 なお、本メールアドレスは送信専⽤アドレスとなっています。 推薦結果 候補者情報 候補者閲覧⽤URL https://example.com/candidate-viewing/18b850ede6395886 候補者情報要約(AI⽣成) 医療機器メーカーでの提案営業経験を持つ候補者は、売上予算の達成はもちろん、粗利実績では100名中3位という⾼い成果を上げています。現在はヘルス ケア株式会社の⼤阪⽀店に所属し、主に医療⽤インプラントの販売を担当しています。年間売上は1.2億円で、⼤阪⽀店全体の売上の約15%を占めています。 また、関⻄地⽅の全てでの営業経験があり、現在は京都府を担当しています。法⼈営業対象は主に病院で、30病院以上の顧客を持っています。新規営業は全 体の10%、ルート営業は90%を占めています。転職回数は0回で、転勤は不可能とのことです。経営者のビジョンの明確さと収⼊の向上を重視しており、現 在の年収は600万円です。また、彼の強みは顧客との信頼関係の構築で、⾃社商品よりも他社商品の⽅が顧客に適していると判断した場合、素直に他社を紹 介するという誠実さを持っています。 推薦先企業 株式会社 ⻘空テクノロジー 要件 医療・介護・福祉業界向けの法⼈営業経験3年以上 企業への推薦⽂ドラフト(AI⽣成) この度ご紹介する候補者は、医療機器メーカーでの提案営業経験を持つ、成果を出すことに⻑けたプロフェッショナルです。彼の売上予算達成能⼒はもちろ ん、粗利実績では100名中3位という⾼い成果を上げています。また、関⻄地⽅全てでの営業経験があり、現在は京都府を担当しています。法⼈営業対象は 主に病院で、30病院以上の顧客を持っています。彼の強みは顧客との信頼関係の構築で、⾃社商品よりも他社商品の⽅が顧客に適していると判断した場合、 素直に他社を紹介するという誠実さを持っています。これらの経験とスキルは、医療・介護・福祉業界向けの法⼈営業経験が求められる企業にとって、⼤き な価値を提供できると思います。ぜひご検討ください。 • 企業担当者ごとにメール配信する ことで、各担当者は候補者全体に ⽬を通す必要がなくなり業務効率 化 • 候補者情報のうち、求⼈要件に合 致するポイントを要約。なぜその ⼈材を紹介するべきかが⼀⽬で分 かる • 顧客企業にそのまま送ることので きる推薦⽂もドラフトし、タイム リーな営業が可能に 配信メールの例 メール配信による業務への貢献 1 2 3 1 2 3
4. 4 顧客のニーズに合わせた依頼⽂を候補者の強みをベースに個別に作成可能で あることも実証 候補者推薦⽂の例 当候補者は家具営業において7年の経験を持ち、製造業 での法⼈営業の実績も有しています。その中で、家具デ ィーラーや流通業者を対象として、定期訪問を中⼼とし た営業活動を⾏っており、社⻑や部⻑、担当営業といっ た経営層との営業経験を有しています。売上の実績や粗 利率を⾒ても、その成果は確かです。企業からの要件に 「経営者への営業経験を持つ」という点が挙げられてお り、この候補者はその要件を満たす最適な⼈物と判断さ れました。 この度ご紹介する候補者は、家具営業のフィールドで堅 実に実績を上げてきた経験豊富なプロフェッショナルで す。7年のキャリアの中で製造業をはじめとした法⼈営業 の経験も積んでおり、特に経営層をターゲットとした営 業においては、その交渉⼒と戦略的な思考が光ります。 名古屋や岐⾩といった地域での活動経験も有しているた め、地域性に合わせたアプローチも得意としています。 彼の過去の実績や粗利率は、その能⼒を如実に⽰してい ます。貴社の要件に合致すると考えられますので、ぜひ ご検討ください。 2 選定の理由づけ (内部向け) 顧客向けの候補者推薦⽂
5. 5 ご参照) ⾔語モデルを活⽤することで⾃然⾔語のテキストを数値ベクトルに変換する処理を「ベ クトル化」といい、ベクトル同⼠の類似度に基づいてクエリと関連するテキストを検索する処理 を「ベクトル検索」という ⽂章のベクトル化・ベクトル検索の仕組み ⽂章のベクトル化 • ⾃然⾔語のテキストを、その意味を表す数値ベクトルに変換 • ベクトル間の類似度はテキスト同⼠の関連性を表す • 「こんにちは」と「おはようございます」はベクトル 同⼠の類似度が⼤きい • 「こんにちは」と「トマト」はベクトル同⼠の 類似度が⼩さい ベクトル検索 候補者DB • 包装資材の若⼿営業マ ンで、... • 現在は横浜営業所で法 ⼈営業を... • 総務業務の経験とキャ リアコンサルタントの 資格を持つ候補者... ベクトル化 • [0.012, -0.043, ...] • [0.053, 0.002, ...] • [-0.023, 0.071, ...] クエリ(検索ワード) 経営者への営業 経験を持つ ベクトル化 [0.037,0.005, .. .] 類似度が⼤きいベクトルを 検索する 汎⽤型のOpen AIモデルをそのまま活⽤する場合、⼈ 材紹介のコンテクストとは外れた結果が⼀部出てしま い、カスタマイズが必要