JP2019125299A - 採用活動支援装置および採用活動支援プログラム - Google Patents
採用活動支援装置および採用活動支援プログラム Download PDFInfo
- Publication number
- JP2019125299A JP2019125299A JP2018007129A JP2018007129A JP2019125299A JP 2019125299 A JP2019125299 A JP 2019125299A JP 2018007129 A JP2018007129 A JP 2018007129A JP 2018007129 A JP2018007129 A JP 2018007129A JP 2019125299 A JP2019125299 A JP 2019125299A
- Authority
- JP
- Japan
- Prior art keywords
- job seeker
- degree
- analysis logic
- information
- desire
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000000694 effects Effects 0.000 title claims abstract description 67
- 238000003058 natural language processing Methods 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 230000007115 recruitment Effects 0.000 claims description 39
- 238000006243 chemical reaction Methods 0.000 description 21
- 230000005540 biological transmission Effects 0.000 description 13
- 238000012216 screening Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000003066 decision tree Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】求人企業に対して効率的な採用活動を支援する。【解決手段】前求職者履歴情報に含まれる文字情報を数値化する自然言語処理部103と、自然言語処理部103により数値化された前求職者履歴情報を教師データとした機械学習により、マッチング度と志望度とを算出ための分析ロジックを生成する分析ロジック生成部104と、生成された分析ロジックを記憶する分析ロジック記憶部205と、自然言語処理部103に求職者の属性情報に含まれる文字情報を数値化させ、数値化された求職者の属性情報と、分析ロジックとに基づいて、求職者のマッチング度および志望度を算出する予測算出部105と、予測算出部105により算出されたマッチング度および志望度を支援情報として求人企業端末3に出力する出力部106とを備えている。【選択図】 図1
Description
本発明は、求人企業に対して効率的な採用活動を支援する採用活動支援装置および採用活動支援プログラムに関する。
従来、求職者の就転職活動と求人企業の採用活動を支援するための仲介サイトが一般的に良く知られている。
仲介サイトでは、登録された求職者の履歴書情報から求人企業の求人条件に合うものを抽出し、求職者に対して抽出した求人企業の求人条件を送付したり、求人企業に対して求人条件を満たす登録者のリストを送付したりする。
しかしながら、従来の技術ではできるだけ多くの登録者から応募を募るために、求人条件を低く設定することがあり、必ずしも適切にマッチングできるとは限らなかった。
特許文献1には、求人毎の書類選考基準を登録する選考基準データベースと、各求人に以前応募した者の書類選考結果の履歴を記録する選考結果履歴記憶手段と、求職者が書類選考に通過する可能性を判定する判定手段とを備えたマッチング装置が開示されている。
マッチング装置では、判定手段は、求人毎に、求職者のレジュメが、選考基準データベースに登録された書類選考基準を満たしているか否かを判定し、書類選考基準を満たしている求人について、選考結果履歴記憶手段に記録された履歴を基に、過去の書類選考通過割合を算出し、求人毎に、書類選考基準を満たしているか否か、及び、書類選考基準を満たしている場合には当該求人の過去の書類選考通過割合を表示させる。この書類選考通過割合は、書類選考基準を満たした者で、求人に過去実際に応募したもののうち、実際に書類選考を通過して次の段階に進むことができた者の割合として算出される。
ここで、求職者は、それぞれ独自の属性を有している。そのため、それぞれの属性を有する求職者毎に書類選考を通過する可能性は異なるはずである。
しかしながら、上述したように、特許文献1に記載のマッチング装置では、書類選考基準を満たした者で、求人に過去実際に応募したものうち、実際に書類選考を通過して次の段階に進むことができた者の割合として算出された書類選考通過割合を表示するので、個々の求職者毎に、どの程度求人企業にマッチしているのか(マッチング度)を提示することは困難であった。
また、求人企業にとって、マッチング度が高い求職者であっても、どの程度その企業に就転職する意思があるのか(志望度)を提出することは非常に困難である。
求人企業は、例えば、マッチング度が高いが志望度が低い求職者に対して、志望度が高くなるように、その求職者に対してセミナー案内などのアプローチを行いたいが、特許文献1の技術では、就転職する意思が高くない(志望度が低い)求職者に対して、効率的にアプローチする対策を立てることが困難であった。
本発明は、上記問題点に鑑みてなされたものであり、求職者ごとに、マッチング度および志望度を提示することにより、求人企業に対して効率的な採用活動を支援する採用活動支援装置および採用活動支援プログラムを提供することを目的とする。
上記目的を解決するため、本発明に係る採用活動支援装置の第1の特徴は、
端末とネットワークを介して接続され、前記端末に求人企業の採用活動を支援するための支援情報を提供する採用活動支援装置であって、
前記求人企業ごとに、採用不採用が確定した前求職者の属性情報とエントリーシートの提出履歴と前記エントリーシートに基づいた合否結果とを関連付けて、前求職者履歴情報として記憶する前求職者履歴情報記憶手段と、
前記前求職者履歴情報に含まれる文字情報を数値化する自然言語処理手段と、
前記自然言語処理手段により数値化された前求職者履歴情報を教師データとした機械学習により、前記求人企業とのマッチング度と前記求人企業への就転職する意思の強度を示す志望度とを算出ための分析ロジックを生成する分析ロジック生成手段と、
前記分析ロジック生成手段により生成された分析ロジックを記憶する分析ロジック記憶手段と、
前記自然言語処理手段に採用不採用が確定していない求職者の属性情報に含まれる文字情報を数値化させ、該数値化された前記求職者の属性情報と、前記分析ロジックとに基づいて、前記求職者の前記マッチング度および前記志望度を算出する予測算出手段と、
前記予測算出手段により算出された前記マッチング度および前記志望度を前記支援情報として前記端末に出力する出力手段と、
を備えたことにある。
端末とネットワークを介して接続され、前記端末に求人企業の採用活動を支援するための支援情報を提供する採用活動支援装置であって、
前記求人企業ごとに、採用不採用が確定した前求職者の属性情報とエントリーシートの提出履歴と前記エントリーシートに基づいた合否結果とを関連付けて、前求職者履歴情報として記憶する前求職者履歴情報記憶手段と、
前記前求職者履歴情報に含まれる文字情報を数値化する自然言語処理手段と、
前記自然言語処理手段により数値化された前求職者履歴情報を教師データとした機械学習により、前記求人企業とのマッチング度と前記求人企業への就転職する意思の強度を示す志望度とを算出ための分析ロジックを生成する分析ロジック生成手段と、
前記分析ロジック生成手段により生成された分析ロジックを記憶する分析ロジック記憶手段と、
前記自然言語処理手段に採用不採用が確定していない求職者の属性情報に含まれる文字情報を数値化させ、該数値化された前記求職者の属性情報と、前記分析ロジックとに基づいて、前記求職者の前記マッチング度および前記志望度を算出する予測算出手段と、
前記予測算出手段により算出された前記マッチング度および前記志望度を前記支援情報として前記端末に出力する出力手段と、
を備えたことにある。
上記目的を解決するため、本発明に係る採用活動支援装置の第2の特徴は、
前記自然言語処理手段が、前記前求職者履歴情報に含まれる文字情報から前記属性情報の項目ごとにキーワードを抽出し、前記抽出されたキーワード同士の意味が近いものほど距離が短くなるように前記抽出されたキーワードをマッピングし、マッピングされたキーワードのベクトルデータとして数値化することにある。
前記自然言語処理手段が、前記前求職者履歴情報に含まれる文字情報から前記属性情報の項目ごとにキーワードを抽出し、前記抽出されたキーワード同士の意味が近いものほど距離が短くなるように前記抽出されたキーワードをマッピングし、マッピングされたキーワードのベクトルデータとして数値化することにある。
上記目的を解決するため、本発明に係る採用活動支援装置の第3の特徴は、
前記分析ロジック生成手段が、
前記自然言語処理手段により数値化された前求職者履歴情報を教師データとした機械学習により、前記前求職者の属性情報および前記エントリーシートの提出履歴に基づいて前記志望度に影響する前記属性情報の項目および影響度を調整することにより前記志望度を算出するための前記分析ロジックを志望度分析ロジックとして生成すると共に、前記前求職者の属性情報および前記エントリーシートに基づいた合否結果に基づいて前記マッチング度に影響する前記属性情報の項目および影響度を調整することにより前記マッチング度を算出するための前記分析ロジックをマッチング度分析ロジックとして生成することにある。
前記分析ロジック生成手段が、
前記自然言語処理手段により数値化された前求職者履歴情報を教師データとした機械学習により、前記前求職者の属性情報および前記エントリーシートの提出履歴に基づいて前記志望度に影響する前記属性情報の項目および影響度を調整することにより前記志望度を算出するための前記分析ロジックを志望度分析ロジックとして生成すると共に、前記前求職者の属性情報および前記エントリーシートに基づいた合否結果に基づいて前記マッチング度に影響する前記属性情報の項目および影響度を調整することにより前記マッチング度を算出するための前記分析ロジックをマッチング度分析ロジックとして生成することにある。
上記目的を解決するため、本発明に係る採用活動支援装置の第4の特徴は、
前記出力手段が、
前記予測算出手段により算出された前記求職者の前記マッチング度および前記志望度を、x−y平面にプロットして表示手段に表示させることにある。
前記出力手段が、
前記予測算出手段により算出された前記求職者の前記マッチング度および前記志望度を、x−y平面にプロットして表示手段に表示させることにある。
上記目的を解決するため、本発明に係る採用活動支援装置の第5の特徴は、
前記出力手段が、
前記予測算出手段により算出された前記求職者の前記マッチング度が所定のマッチング度閾値以上か否か、および前記志望度が所定の志望度閾値以上か否かにより分類し、分類ごとの前記求職者のリストを出力することにある。
前記出力手段が、
前記予測算出手段により算出された前記求職者の前記マッチング度が所定のマッチング度閾値以上か否か、および前記志望度が所定の志望度閾値以上か否かにより分類し、分類ごとの前記求職者のリストを出力することにある。
上記目的を解決するため、本発明に係る採用活動支援装置の第6の特徴は、
前記予測算出手段が、さらに、
所定の間隔で、新たな求職者の属性情報を取得し、前記自然言語処理手段に前記求職者の属性情報に含まれる文字情報を数値化させ、該数値化された前記求職者の属性情報と、前記分析ロジックとに基づいて、前記求職者の前記マッチング度および前記志望度を算出することにある。
前記予測算出手段が、さらに、
所定の間隔で、新たな求職者の属性情報を取得し、前記自然言語処理手段に前記求職者の属性情報に含まれる文字情報を数値化させ、該数値化された前記求職者の属性情報と、前記分析ロジックとに基づいて、前記求職者の前記マッチング度および前記志望度を算出することにある。
上記目的を解決するため、本発明に係る採用活動支援プログラムの第1の特徴は、
端末とネットワークを介して接続され、前記端末に求人企業の採用活動を支援するための支援情報を提供する採用活動支援装置により実行される採用活動支援プログラムであって、
前記求人企業ごとに、採用不採用が確定した前求職者の属性情報とエントリーシートの提出履歴と前記エントリーシートに基づいた合否結果とを関連付けて、前求職者履歴情報として前求職者履歴情報記憶手段に記憶させる前求職者履歴情報記憶制御ステップと、
前記前求職者履歴情報に含まれる文字情報を数値化する自然言語処理ステップと、
前記自然言語処理ステップにより数値化された前求職者履歴情報を教師データとした機械学習により、前記求人企業とのマッチング度と前記求人企業への就転職する意思の強度を示す志望度とを算出ための分析ロジックを生成する分析ロジック生成ステップと、
前記分析ロジック生成ステップにより生成された分析ロジックを析ロジック記憶手段に記憶させる分析ロジック記憶ステップと、
前記自然言語処理ステップにより採用不採用が確定していない求職者の属性情報に含まれる文字情報を数値化されると、該数値化された前記求職者の属性情報と、前記分析ロジックとに基づいて、前記求職者の前記マッチング度および前記志望度を算出する予測算出ステップと、
前記予測算出ステップにより算出された前記マッチング度および前記志望度を前記支援情報として前記端末に出力する出力ステップと、を有することにある。
端末とネットワークを介して接続され、前記端末に求人企業の採用活動を支援するための支援情報を提供する採用活動支援装置により実行される採用活動支援プログラムであって、
前記求人企業ごとに、採用不採用が確定した前求職者の属性情報とエントリーシートの提出履歴と前記エントリーシートに基づいた合否結果とを関連付けて、前求職者履歴情報として前求職者履歴情報記憶手段に記憶させる前求職者履歴情報記憶制御ステップと、
前記前求職者履歴情報に含まれる文字情報を数値化する自然言語処理ステップと、
前記自然言語処理ステップにより数値化された前求職者履歴情報を教師データとした機械学習により、前記求人企業とのマッチング度と前記求人企業への就転職する意思の強度を示す志望度とを算出ための分析ロジックを生成する分析ロジック生成ステップと、
前記分析ロジック生成ステップにより生成された分析ロジックを析ロジック記憶手段に記憶させる分析ロジック記憶ステップと、
前記自然言語処理ステップにより採用不採用が確定していない求職者の属性情報に含まれる文字情報を数値化されると、該数値化された前記求職者の属性情報と、前記分析ロジックとに基づいて、前記求職者の前記マッチング度および前記志望度を算出する予測算出ステップと、
前記予測算出ステップにより算出された前記マッチング度および前記志望度を前記支援情報として前記端末に出力する出力ステップと、を有することにある。
本発明に係る採用活動支援装置、および採用活動支援プログラムによれば、求人企業に対して効率的な採用活動を支援することができる。
以下、本発明を実施するための形態について図面を参照して説明する。
<採用活動支援装置1の構成>
図1は、本発明の一実施形態である採用活動支援装置の概略構成を示した概略構成図である。
図1は、本発明の一実施形態である採用活動支援装置の概略構成を示した概略構成図である。
図1に示すように、採用活動支援装置1は、ネットワーク5を介して、求職者が利用する求職者端末2と、求人企業が利用する求人企業端末3A,3Bとが接続されている。
求職者端末2は、求職者により入力されたプレエントリーシートやエントリーシートなどをネットワーク5を介して採用活動支援装置1へ送信する。
プレエントリーシートは、求人企業の採用応募前の求職者登録用のシートであり、例えば、求職者を一意に識別する応募者CDや、四大・短大・高専などの学校区分や、ゼミ・研究室名や、クラブ・サークル名などの属性情報が含まれている。
エントリーシートは、求人企業への採用応募時に提出するシートであり、例えば、応募者CDや、やってみたい仕事や、学校での研究テーマや、趣味などのより詳細な属性情報が含まれている。これらプレエントリーシートやエントリーシートの属性情報には、数値情報と文字情報とが含まれており、文字情報は後述するように自然言語処理部により数値化される。
求人企業端末3A,3Bは、採用活動支援装置1から支援情報を受信し、支援情報を表示画面に表示する。支援情報には、求職者がどの程度その求人企業に就転職する意思があるのかを示す志望度と、求職者がどの程度求人企業にマッチしているのかを示すマッチング度とが含まれている。
採用活動支援装置1は、送受信部101と、履歴管理部102と、自然言語処理部103と、分析ロジック生成部104と、予測算出部105と、出力部106と、前求職者履歴情報記憶部201と、求職者履歴情報記憶部202と、変換後求職者履歴情報記憶部203と、変換後前求職者履歴情報記憶部204と、分析ロジック記憶部205と、支援情報記憶部206とを備えている。
送受信部101は、ネットワーク5を介して接続された求職者端末2から送信されたプレエントリーシートやエントリーシートを受信したり、求人企業端末3A,3Bへ支援情報を送信して、送信した支援情報を表示画面に表示したりする。
履歴管理部102は、前求職者履歴情報記憶部201に記憶された前求職者履歴情報や、求職者履歴情報記憶部202に記憶された求職者履歴情報を管理する。例えば、履歴管理部102は、未だ来年度の採用不採用が確定していない求職者のプレエントリーシートやエントリーシートを送受信部101から受信すると、求職者のプレエントリーシートやエントリーシートに含まれる属性情報を、求職者履歴情報記憶部202に記憶する。また、履歴管理部102は、エントリーシートが提出されると、求職者履歴情報に含まれるエントリーシートの提出履歴に提出済みであるフラグを記憶し、エントリーシートに基づいた合否結果が入力されると、求職者履歴情報に含まれるエントリーシートに基づいた合否結果を記憶させる。
さらに、履歴管理部102は、求人企業ごとに、来年度の採用予定の求職者の採用活動が終了すると、求職者履歴情報記憶部202に記憶された求職者履歴情報を前求職者履歴情報として、前求職者履歴情報記憶部201へ移管する。
自然言語処理部103は、例えば、python(登録商標)などのプログラミング言語を用いて構築された自然言語処理を実行することにより、前求職者履歴情報に含まれる文字情報を数値化する。そして、自然言語処理部103は、前求職者履歴情報に含まれる数値情報と文字情報が数値化された情報とを合わせて変換後前求職者履歴情報として、変換後前求職者履歴情報記憶部204に記憶させる。
また、自然言語処理部103は、求職者履歴情報に含まれる文字情報を数値化し、求職者履歴情報に含まれる数値情報と、文字情報が数値化された情報とを合わせて、変換後求職者履歴情報として、変換後求職者履歴情報記憶部203に記憶させる。
分析ロジック生成部104は、自然言語処理部103により数値化された前求職者履歴情報(変換後前求職者履歴情報)を教師データとした機械学習により、前求職者の属性情報およびエントリーシートの提出履歴に基づいて志望度に影響する属性情報の項目および影響度を調整することにより、プレエントリーシートおよびエントリーシートごとに志望度を算出するための分析ロジックを志望度分析ロジックとして生成する。
また、分析ロジック生成部104は、前求職者の属性情報およびエントリーシートに基づいた合否結果に基づいてマッチング度に影響する属性情報の項目および影響度を調整することにより、プレエントリーシートおよびエントリーシートごとにマッチング度を算出するための分析ロジックをマッチング度分析ロジックとして生成する。
予測算出部105は、求人企業端末3から支援情報の要求があった場合に、自然言語処理部103に求職者の属性情報に含まれる文字情報を数値化させ、数値化された求職者の属性情報と、分析ロジック生成部104により生成された分析ロジックとに基づいて、プレエントリーシートおよびエントリーシートごとに求職者のマッチング度および志望度を算出する。
出力部106は、求人企業端末3A,3Bのいずれかから、支援情報の送信要求があると、予測算出部105により算出されたプレエントリーシートおよびエントリーシートごとの求職者のマッチング度および志望度を支援情報として、送信要求があった求人企業端末3へ送信する。そして、出力部106は、送信要求があった求人企業端末3の表示画面に、求職者のマッチング度および志望度をx−y平面にプロットして表示させる。
前求職者履歴情報記憶部201は、求人企業ごとに、採用不採用が確定した、すなわち、本年度までの過去の求職者である前求職者の属性情報とエントリーシートの提出履歴とエントリーシートに基づいた合否結果とを関連付けて、前求職者履歴情報として記憶する。
図2は、本発明の一実施形態である採用活動支援装置1が備える前求職者履歴情報記憶部201に記憶された前求職者履歴情報の一例を示した図である。
図2に示すように、前求職者履歴情報は、求職者を一意に識別するための応募者CDごとに、「プレエントリー年月日」、「大学区分」、「クラブ・サークル(自由記述)」などの項目が入力されたプレエントリーシート301と、求職者がウェブ上で受験した適性検査の結果が記憶されたウェブ適性検査303と、イベントなどへの出欠結果が記憶されるイベント305と、エントリーシートの提出履歴(ES提出履歴)、やりたい仕事、エントリーシートに基づいた合否結果(ES合否)などが記憶されるエントリーシート307とが関連付けられて記憶されている。これらの情報のうち、エントリーシート307に含まれるエントリーシートの提出履歴(ES提出履歴)およびエントリーシートに基づいた合否結果(ES合否)以外の情報を属性情報という。
また、図2では、分析ロジック生成部104の機械学習により参照されるプレエントリーシートおよびエントリーシートごとの教師データを示している。プレエントリー321は、プレエントリーシートの情報に基づいて志望度分析ロジックおよびマッチング度分析ロジックを生成するための情報を示しており、エントリー322は、エントリーシートの情報に基づいて志望度分析ロジックおよびマッチング度分析ロジックを生成するための情報を示している。“○”示した項目は、前求職者の属性情報であり、“◎”は、結果として参照される情報である。このように、エントリーシートの情報に基づいて志望度分析ロジックおよびマッチング度分析ロジックを生成する際には、エントリーシートの項目だけでなく、プレエントリーシート、ウェブ適性検査、およびイベントへの出欠結果が参照される。
その一方、プレエントリーシートの情報に基づいて志望度分析ロジックおよびマッチング度分析ロジックを生成する際、前求職者の属性情報としては、プレエントリーシートのみが参照される。
例えば、分析ロジック生成部104により、前求職者の属性情報としてプレエントリーシート301の属性情報と、エントリーシート307のエントリーシートの提出履歴(ES提出履歴)とに基づいて、プレエントリーシートに基づいた志望度分析ロジックが生成される。
これら前求職者履歴情報の属性情報には、数値情報と文字情報とが含まれている。例えば、「プレエントリー年月日」は、数値情報であり、「クラブ・サークル(自由記述)」には、前求職者が自身のアピールとしてクラブ・サークルでの活動内容が記載されている。
求職者履歴情報記憶部202は、来年度の採用不採用が確定していない求職者の属性情報とエントリーシートの提出履歴とエントリーシートに基づいた合否結果とを関連付けて、求職者履歴情報として記憶する。求職者履歴情報の項目は、図2に示した前求職者履歴情報の項目と同一である。ただし、求職者は、来年度の採用不採用が確定していない、すなわち就転職活動中であるので、属性情報が一部未入力であることもあるし、未だエントリーシートの提出履歴とエントリーシートに基づいた合否結果が入力されていないこともある。
求職者履歴情報は、予測算出部105によって、プレエントリー321の属性情報が参照されてプレエントリーシートにおける求職者のマッチング度および志望度が算出される。また、予測算出部105によって、エントリー322の属性情報が参照されてエントリーシートにおける求職者のマッチング度および志望度が算出される。
変換後求職者履歴情報記憶部203は、自然言語処理部103により、文字情報が数値化された情報と、求職者履歴情報に含まれる数値情報とを合わせて変換後求職者履歴情報として記憶する。
変換後前求職者履歴情報記憶部204は、自然言語処理部103により、文字情報が数値化された情報と、前求職者履歴情報に含まれる数値情報とを合わせて前変換後求職者履歴情報として記憶する。
分析ロジック記憶部205は、分析ロジック生成部104により生成された、プレエントリーシートおよびエントリーシートごとに、求人企業とのマッチング度と求人企業への就転職する意思の強度を示す志望度とを算出ための分析ロジックを記憶する。
支援情報記憶部206は、予測算出部105により算出されたプレエントリーシートおよびエントリーシートごとのマッチング度および志望度を支援情報として記憶する。
<採用活動支援装置1の作用>
次に、本発明の一実施形態である採用活動支援装置1の作用について説明する。
次に、本発明の一実施形態である採用活動支援装置1の作用について説明する。
本発明の一実施形態である採用活動支援装置1は、主に分析ロジック生成処理と、支援情報生成処理とを行う。そのため、各々の処理について以下に詳細に説明する。
≪分析ロジック生成処理≫
図3は、本発明の一実施形態である採用活動支援装置1における分析ロジック生成処理の処理内容を示した説明図である。
図3は、本発明の一実施形態である採用活動支援装置1における分析ロジック生成処理の処理内容を示した説明図である。
図3に示すように、前求職者履歴情報記憶部201には、求人企業ごとに、前求職者の属性情報とエントリーシートの提出履歴とエントリーシートに基づいた合否結果とを関連付けて、前求職者履歴情報として記憶されている。
上述したように、前求職者履歴情報には、数値情報と文字情報とが含まれている。
そこで、自然言語処理部103は、前求職者履歴情報に含まれる文字情報を項目ごとに数値化する。
例えば、大学区分の項目は、「四大」、「短大」、「高専」の3つのカテゴリに区分されているとする。大学区分の項目には項目コードが割り当てられており、「四大」、「短大」、「高専」のカテゴリそれぞれにカテゴリコードが割り当てられている。求職者は、プレエントリーシートを提出する際に、大学区分についていずれかのカテゴリを選択する。自然言語処理部103は、前求職者履歴情報に含まれる大学区分の項目と大学区分のカテゴリを、項目コードとカテゴリコードに変換することにより数値化する。
また、前求職者履歴情報には、「クラブ・サークル(自由記述)」の項目のように、文章として入力される項目もある。
このように文章として入力されている場合、自然言語処理部103は、例えば、python(登録商標)などのプログラミング言語を用いて構築された自然言語処理を実行することにより、入力された文章からキーワードを抽出し、抽出されたキーワード同士の意味が近いものほど距離が短くなるように抽出されたキーワードを、例えば3次元空間にマッピングする。
図3に示した例では、自然言語処理部103は、前求職者履歴情報に含まれる「クラブ・サークル(自由記述)」から特徴となるキーワードとして「協調性」、「リーダーシップ」、「キャプテン」が抽出している。ここで、「リーダーシップ」と「キャプテン」とは意味が類似しているので、3次元空間上の互いに近い場所にマッピングされている。一方、「協調性」は、「リーダーシップ」、「キャプテン」と意味が類似していないので、3次元空間上、遠い位置にマッピングされている。
そして、自然言語処理部103は、このマッピングされたキーワード「協調性」、「リーダーシップ」、「キャプテン」それぞれのベクトルデータとして数値化する。
そして、自然言語処理部103は、前求職者履歴情報に含まれる、予め数値で入力されている例えば「プレエントリー年月日」のような数値情報と、「大学区分」、「クラブ・サークル(自由記述)」のような文字情報を数値化した情報とを併せて、変換後前求職者履歴情報として、変換後前求職者履歴情報記憶部204に記憶させる。
次に、分析ロジック生成部104は、自然言語処理部103により数値化された前求職者履歴情報を教師データとして、例えば、ランダムフォレスト(登録商標)などを用いた機械学習により、プレエントリーシートおよびエントリーシートごとに前求職者の属性情報およびエントリーシートの提出履歴に基づいて志望度に影響する属性情報の項目および影響度を調整することにより志望度を算出するための分析ロジックを志望度分析ロジックとして生成する。
ここで、ランダムフォレストとは、機械学習のアルゴリズムのひとつであり、決定木による複数の弱学習器を統合させて汎化能力を向上させる集団学習アルゴリズムである。また、ここでの影響度とは、項目がどの程度志望度に影響しているかを示している。
具体的には、図3に示すように、分析ロジック生成部104は、前求職者履歴情報を教師データとして、入力をランダムに選択することにより、決定木を多数生成する(ステップS101)。そして、分析ロジック生成部104は、この生成した多数の決定木を用いて、決定木ごとに志望度に最も影響している項目を抽出する(ステップS103)。
分析ロジック生成部104は、決定木ごとに抽出した項目の多数決を行うことにより、志望度に対して影響度の高い順に項目を並べ替える(ステップS105)。
図4(a)は、本発明の一実施形態である採用活動支援装置1において志望度に対して影響度の高い順に項目を並べ替えた一覧の一例を示した図である。
図4(a)に示すように、順位づけされた結果として、1位:学校区分、2位:興味を持っている職種:B、3位:アクセス内容・・・・となっており、高い順位の項目ほど志望度への影響度が高くなるように影響度が数値化されて設定されている。
分析ロジック生成部104は、この図4(a)に示した順位づけされた結果に基づいて、プレエントリーシートおよびエントリーシートごとに、高い順位の項目ほど志望度への影響度が高くなるように、志望度を算出するための分析ロジックを志望度分析ロジックとして生成する。
また、分析ロジック生成部104は、自然言語処理部103により数値化された前求職者履歴情報を教師データとして、例えば、ランダムフォレストなどを用いた機械学習により、プレエントリーシートおよびエントリーシートごとに前求職者の属性情報およびエントリーシートの提出履歴に基づいてマッチング度に影響する属性情報の項目および影響度を調整することによりマッチング度を算出するための分析ロジックをマッチング度分析ロジックとして生成する。
図4(b)は、本発明の一実施形態である採用活動支援装置1においてマッチング度に対して影響度の高い順に項目を並べ替えた一覧の一例を示した図である。
図4(b)に示すように、順位づけされた結果として、1位:きっかけ:A、2位:学校区分、3位:きかっけ:Bからの情報・・・・となっており、高い順位の項目ほどマッチング度への影響度が高くなるように影響度が数値化されて設定されている。
分析ロジック生成部104は、この図4(b)に示した順位づけされた結果に基づいて、プレエントリーシートおよびエントリーシートごとに、高い順位の項目ほどマッチング度への影響度が高くなるように、マッチング度を算出するための分析ロジックをマッチング度分析ロジックとして生成する。
そして、分析ロジック記憶部205は、分析ロジック生成部104により生成されたプレエントリーシートおよびエントリーシートごとの志望度分析ロジックとマッチング度分析ロジックとを分析ロジックとして記憶する。
≪支援情報生成処理≫
図5は、本発明の一実施形態である採用活動支援装置1における支援情報生成処理の処理内容を示した説明図である。
図5は、本発明の一実施形態である採用活動支援装置1における支援情報生成処理の処理内容を示した説明図である。
図5に示すように、求職者履歴情報記憶部202には、求人企業ごとに、求職者の属性情報が求職者履歴情報として記憶されている。
求職者履歴情報には、前求職者履歴情報と同様に数値情報と文字情報とが含まれている。
そこで、自然言語処理部103は、前求職者履歴情報と同様に求職者履歴情報に含まれる文字情報を項目ごとに数値化する。
そして、自然言語処理部103は、求職者履歴情報に含まれる、予め数値で入力されている例えば「プレエントリー年月日」のような数値情報と、「大学区分」、「クラブ・サークル(自由記述)」のような文字情報を数値化した情報とを併せて、変換後求職者履歴情報として、変換後求職者履歴情報記憶部203に記憶させる。
次に、予測算出部105は、分析ロジック記憶部205から、プレエントリーシートおよびエントリーシートごとの志望度分析ロジックとマッチング度分析ロジックとを読み込む。
そして、予測算出部105は、変換後求職者履歴情報記憶部203に記憶された変換後求職者履歴情報と、分析ロジック記憶部205に記憶されたプレエントリーシートおよびエントリーシートごとの志望度分析ロジックとに基づいて、プレエントリーシートおよびエントリーシートごとの求職者の志望度を算出とともに、変換後求職者履歴情報記憶部203に記憶された変換後求職者履歴情報と、分析ロジック記憶部205に記憶されたプレエントリーシートおよびエントリーシートごとのマッチング度分析ロジックとに基づいて、プレエントリーシートおよびエントリーシートごとの求職者のマッチング度を算出する。
図5に示すように、志望度分析ロジックおよびマッチング度分析ロジックは、それぞれ複数の決定木を有しており、この決定木を用いることにより、企業ごとに、求職者の志望度およびマッチング度を算出することができる。本図では、符号601として、プレエントリーシートに対応する志望度分析ロジックとマッチング度分析ロジックを算出ための志望度分析ロジックおよびマッチング度分析ロジックを示しており、符号602に、エントリーシートに対応する志望度分析ロジックとマッチング度分析ロジックを算出ための志望度分析ロジックおよびマッチング度分析ロジックを示している。
そして、支援情報記憶部206は、予測算出部105により算出されたマッチング度および志望度を支援情報として記憶する。
図6は、本発明の一実施形態である採用活動支援装置1が備える支援情報記憶部206に記憶された支援情報の一例を示した図である。
図6に示すように、支援情報は、求職者を一意に識別する応募者CD401と、マッチング度および志望度が算出された算出年月日402と、プレエントリーシートに対応するマッチング度403と、プレエントリーシートに対応する志望度404と、エントリーシートに対応するマッチング度405と、プレエントリーシートに対応する志望度406とが関連付けられて、支援情報として記憶されている。
マッチング度403および志望度404は、プレエントリーシートが提出されると、予測算出部105により算出可能であるが、マッチング度405および志望度406は、エントリーシートが提出されるまで算出できない。そのため、例えば、応募者CDが“AAA002”、“AAA004”、“BBB001”の求職者のマッチング度405および志望度406は未だ算出されていない。
なお、予測算出部105によりマッチング度および志望度が算出されるタイミングは、求人企業端末3から支援情報の送信が要求されたときでもよいし、例えば、10日などの所定の期間ごとに算出するようにしてもよい。
次に、出力部106は、求人企業端末3A,3Bのいずれかから、支援情報の送信要求があると、予測算出部105により算出されたプレエントリーシートおよびエントリーシートごとの求職者のマッチング度および志望度を支援情報として送信要求があった求人企業端末3へ送信する。そして、出力部106は、送信要求があった求人企業端末3の表示画面に、求職者のマッチング度および志望度をx−y平面にプロットして表示させる。
図7は、求人企業端末3Aに表示された支援情報表示画面の一例を示した図である。ここでは、求人企業端末3Aから支援情報の送信要求があったとする。ここでは、求人企業端末3AからABC商事のアカウントでログインされており、ABC商事のアカウントから支援情報の送信要求があったとする。
ABC商事のアカウントから支援情報の送信要求があったので、図7に示すように、表示画面の企業名501には、「ABC商事」が表示されている。
そして、表示画面上には、プレエントリーシートに対応する求職者のマッチング度および志望度を示したプレエントリー支援情報グラフ502と、エントリーシートに対応する求職者のマッチング度および志望度を示したエントリー支援情報グラフ503とが表示されている。
プレエントリー支援情報グラフ502およびエントリー支援情報グラフ503は共に、x軸をマッチング度、y軸を志望度として、求職者のマッチング度と志望度とをプロットしている。
そして、出力部106は、予測算出部105により算出された求職者のマッチング度が所定のマッチング度閾値以上か否か、および志望度が所定の志望度閾値以上か否かにより分類(タイプ分け)する。ここでは、マッチング度閾値、志望度閾値ともに、50(%)としている。
それぞれのグラフは、マッチング度および志望度がともに50(%)以上であるゾーンをAタイプとし、マッチング度が50(%)以上であり、かつ志望度が50(%)未満であるゾーンをBタイプ、マッチング度が50(%)未満であり、かつ志望度が50(%)以上であるゾーンをCタイプ、マッチング度および志望度がともに50(%)未満であるゾーンをDタイプとしている。
例えば、Aタイプに属する求職者は、マッチング度および志望度がともに高いので、採用の可能性が高いといえる。そのため、求人企業としては、このAタイプに属する求職者に対しては、他の企業に目移りしないよう、例えば定期的に連絡するなど継続的なフォローが必要であることがわかる。
また、Bタイプに属する求職者は、マッチング度は高いが志望度は低い。すなわち、ABC商事にエントリーシートを提出する可能性は低いが、ABC商事にエントリーシートを提出すれば合格する確率は高い求職者ということになる。
求人企業としては、このようなBタイプに属するABC商事へ就転職する意思が低い求職者に対して志望度を上げる、すなわち、就転職する意思を強く持ってもらうようなアプローチを行うことが採用活動を行う上で効果的であることがわかる。
Cタイプに属する求職者は、マッチング度は低いが志望度は高い。そのため、エントリーシートが提出されても採用の可能性は低いが、AタイプやBタイプの求職者が少ない場合、このタイプの求職者へも積極的にアプローチする必要があることがわかる。
Dタイプに属する求職者は、マッチング度、志望度共に低いことがわかる。
このように、x軸をマッチング度、y軸を志望度として、求職者のマッチング度と志望度とをプロットし、A〜Dの4つのタイプに分類することによって、それぞれのタイプに分類された求職者に対してどのようにアプローチする必要があるかが一目でわかることになる。そのため、求人企業に対して効率的な採用活動を支援することができる。なお、ここでは、x軸をマッチング度、y軸を志望度として表示したが、これに限らずx軸を志望度、y軸をマッチング度として表示するようにしてもよい。
また、表示画面上には、予測算出部105によりA〜Dの各タイプに分類された求職者の集計結果を表示している。具体的には、プレエントリーシートにおける各タイプに分類された求職者の集計結果504と、エントリーシートにおける各タイプに分類された求職者の集計結果505とを表示している。
さらに、出力部106は、予測算出部105により分類されたA〜Dタイプの分類ごとの求職者のリストを出力するようにしてもよい。
これにより、求人企業は、それぞれのタイプに分類された求職者に対して、タイプに応じた効率的なアプローチを行い易くなる。
また、出力部106は、求人企業ごと、求職者ごとに、それぞれのグラフを表示させることもできる。
図8は、求人企業端末3Aに表示された支援情報表示画面の一例を示した図である。
求人企業端末3Aから応募者CDとして「AAA002」が指定されると、図8に示すように、表示画面の応募者CD511には、「AAA002」が表示されている。
プレエントリー支援情報グラフ512には、応募者CDが「AAA002」である求職者のプレエントリーシートに対応する志望度とマッチング度とがプロットされている。エントリー支援情報グラフ513には、応募者CDが「AAA002」である求職者のエントリーシートに対応する志望度とマッチング度とがプロットされている。
それぞれのグラフの下方には、プレエントリーシートにおける属するタイプの経時的な変動を示したタイプ変動履歴514と、エントリーシートにおける属するタイプの経時的な変動を示したタイプ変動履歴515とが表示されている。
例えば、タイプ変動履歴514では、「2017/03/10」,「2017/03/20」,「2017/03/30」,「2017/04/10」時点におけるプレエントリーシートにおけるタイプ、マッチング度、および志望度が表示されている。また、タイプ変動履歴515では、「2017/03/10」,「2017/03/20」,「2017/03/30」,「2017/04/10」時点におけるエントリーシートにおけるタイプ、マッチング度、および志望度が表示されている。
プレエントリー支援情報グラフ512は、タイプ変動履歴514に基づいて描画されており、エントリー支援情報グラフ513は、タイプ変動履歴515に基づいて描画されている。
このように、経時的なタイプの変動が見える化されることにより、求職者の志望度やマッチング度がどのように変動しているかが一目でわかる。
以上のように、本発明の一実施形態である採用活動支援装置1によれば、前求職者履歴情報に含まれる文字情報を数値化する自然言語処理部103と、自然言語処理部103により数値化された前求職者履歴情報を教師データとした機械学習により、求人企業とのマッチング度と求人企業への就転職する意思の強度を示す志望度とを算出ための分析ロジックを生成する分析ロジック生成部104と、分析ロジック生成部104により生成された分析ロジックを記憶する分析ロジック記憶部205と、求人企業端末3A,3Bから支援情報の要求があった場合に、自然言語処理部103に求職者の属性情報に含まれる文字情報を数値化させ、数値化された求職者の属性情報と、分析ロジックとに基づいて、求職者のマッチング度および志望度を算出する予測算出部105と、予測算出部105により算出されたマッチング度および志望度を支援情報として求人企業端末3に出力する出力部106とを備えている。
そのため、求職者ごとに、マッチング度および志望度を提示することにより、求人企業に対して効率的な採用活動を支援することができる。
また、上述した実施形態は、コンピュータにインストールした採用活動支援プログラムを実行させることにより実現することもできる。
1 採用活動支援装置
2 求職者端末
3(3A,3B) 求人企業端末
5 ネットワーク
101 送受信部
102 履歴管理部
103 自然言語処理部
104 分析ロジック生成部
105 予測算出部
106 出力部
201 前求職者履歴情報記憶部
202 求職者履歴情報記憶部
203 変換後求職者履歴情報記憶部
204 変換後前求職者履歴情報記憶部
205 分析ロジック記憶部
206 支援情報記憶部
2 求職者端末
3(3A,3B) 求人企業端末
5 ネットワーク
101 送受信部
102 履歴管理部
103 自然言語処理部
104 分析ロジック生成部
105 予測算出部
106 出力部
201 前求職者履歴情報記憶部
202 求職者履歴情報記憶部
203 変換後求職者履歴情報記憶部
204 変換後前求職者履歴情報記憶部
205 分析ロジック記憶部
206 支援情報記憶部
Claims (7)
- 端末とネットワークを介して接続され、前記端末に求人企業の採用活動を支援するための支援情報を提供する採用活動支援装置であって、
前記求人企業ごとに、採用不採用が確定した前求職者の属性情報とエントリーシートの提出履歴と前記エントリーシートに基づいた合否結果とを関連付けて、前求職者履歴情報として記憶する前求職者履歴情報記憶手段と、
前記前求職者履歴情報に含まれる文字情報を数値化する自然言語処理手段と、
前記自然言語処理手段により数値化された前求職者履歴情報を教師データとした機械学習により、前記求人企業とのマッチング度と前記求人企業への就転職する意思の強度を示す志望度とを算出ための分析ロジックを生成する分析ロジック生成手段と、
前記分析ロジック生成手段により生成された分析ロジックを記憶する分析ロジック記憶手段と、
前記自然言語処理手段に採用不採用が確定していない求職者の属性情報に含まれる文字情報を数値化させ、該数値化された前記求職者の属性情報と、前記分析ロジックとに基づいて、前記求職者の前記マッチング度および前記志望度を算出する予測算出手段と、
前記予測算出手段により算出された前記マッチング度および前記志望度を前記支援情報として前記端末に出力する出力手段と、
を備えたことを特徴とする採用活動支援装置。 - 前記自然言語処理手段は、
前記前求職者履歴情報に含まれる文字情報から前記属性情報の項目ごとにキーワードを抽出し、前記抽出されたキーワード同士の意味が近いものほど距離が短くなるように前記抽出されたキーワードをマッピングし、マッピングされたキーワードのベクトルデータとして数値化する
ことを特徴とする請求項1記載の採用活動支援装置。 - 前記分析ロジック生成手段は、
前記自然言語処理手段により数値化された前求職者履歴情報を教師データとした機械学習により、前記前求職者の属性情報および前記エントリーシートの提出履歴に基づいて前記志望度に影響する前記属性情報の項目および影響度を調整することにより前記志望度を算出するための前記分析ロジックを志望度分析ロジックとして生成すると共に、前記前求職者の属性情報および前記エントリーシートに基づいた合否結果に基づいて前記マッチング度に影響する前記属性情報の項目および影響度を調整することにより前記マッチング度を算出するための前記分析ロジックをマッチング度分析ロジックとして生成する
ことを特徴とする請求項1または2記載の採用活動支援装置。 - 前記出力手段は、
前記予測算出手段により算出された前記求職者の前記マッチング度および前記志望度を、x−y平面にプロットして表示手段に表示させる
ことを特徴とする請求項1〜3のいずれか1項記載の採用活動支援装置。 - 前記出力手段は、
前記予測算出手段により算出された前記求職者の前記マッチング度が所定のマッチング度閾値以上か否か、および前記志望度が所定の志望度閾値以上か否かにより分類し、分類ごとの前記求職者のリストを出力する
ことを特徴とする請求項1〜4のいずれか1項記載の採用活動支援装置。 - 前記予測算出手段は、さらに、
所定の間隔で、新たな求職者の属性情報を取得し、前記自然言語処理手段に前記求職者の属性情報に含まれる文字情報を数値化させ、該数値化された前記求職者の属性情報と、前記分析ロジックとに基づいて、前記求職者の前記マッチング度および前記志望度を算出する
ことを特徴とする請求項1〜5のいずれか1項記載の採用活動支援装置。 - 端末とネットワークを介して接続され、前記端末に求人企業の採用活動を支援するための支援情報を提供する採用活動支援装置により実行される採用活動支援プログラムであって、
前記求人企業ごとに、採用不採用が確定した前求職者の属性情報とエントリーシートの提出履歴と前記エントリーシートに基づいた合否結果とを関連付けて、前求職者履歴情報として前求職者履歴情報記憶手段に記憶させる前求職者履歴情報記憶制御ステップと、
前記前求職者履歴情報に含まれる文字情報を数値化する自然言語処理ステップと、
前記自然言語処理ステップにより数値化された前求職者履歴情報を教師データとした機械学習により、前記求人企業とのマッチング度と前記求人企業への就転職する意思の強度を示す志望度とを算出ための分析ロジックを生成する分析ロジック生成ステップと、
前記分析ロジック生成ステップにより生成された分析ロジックを分析ロジック記憶手段に記憶させる分析ロジック記憶ステップと、
前記自然言語処理ステップにより採用不採用が確定していない求職者の属性情報に含まれる文字情報を数値化されると、該数値化された前記求職者の属性情報と、前記分析ロジックとに基づいて、前記求職者の前記マッチング度および前記志望度を算出する予測算出ステップと、
前記予測算出ステップにより算出された前記マッチング度および前記志望度を前記支援情報として前記端末に出力する出力ステップと、
を有することを特徴とする採用活動支援プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018007129A JP2019125299A (ja) | 2018-01-19 | 2018-01-19 | 採用活動支援装置および採用活動支援プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018007129A JP2019125299A (ja) | 2018-01-19 | 2018-01-19 | 採用活動支援装置および採用活動支援プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2019125299A true JP2019125299A (ja) | 2019-07-25 |
Family
ID=67398898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018007129A Pending JP2019125299A (ja) | 2018-01-19 | 2018-01-19 | 採用活動支援装置および採用活動支援プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2019125299A (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021118190A1 (ko) * | 2019-12-10 | 2021-06-17 | 주식회사 우경정보기술 | 매칭 장치 및 매칭 방법 |
WO2021176984A1 (ja) | 2020-03-03 | 2021-09-10 | オムロン株式会社 | モデル生成装置、推定装置、モデル生成方法、及びモデル生成プログラム |
JP7022401B1 (ja) | 2021-10-04 | 2022-02-18 | 株式会社フジヨシ | 人材マッチング装置及び人材マッチングプログラム |
JP2023060984A (ja) * | 2021-10-19 | 2023-05-01 | セカンドサイトアナリティカ株式会社 | 情報処理装置および情報処理方法 |
JP7507525B1 (ja) | 2023-09-29 | 2024-06-28 | 株式会社Value market | 採用応募書類レコメンドシステム、採用応募書類レコメンド方法及びプログラム |
JP7525696B1 (ja) | 2023-06-19 | 2024-07-30 | PayPay株式会社 | 情報処理システム、情報処理方法、およびプログラム |
-
2018
- 2018-01-19 JP JP2018007129A patent/JP2019125299A/ja active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021118190A1 (ko) * | 2019-12-10 | 2021-06-17 | 주식회사 우경정보기술 | 매칭 장치 및 매칭 방법 |
KR20210073346A (ko) * | 2019-12-10 | 2021-06-18 | 주식회사우경정보기술 | 매칭 장치 및 매칭 방법 |
KR102335005B1 (ko) * | 2019-12-10 | 2021-12-03 | 주식회사우경정보기술 | 매칭 장치 및 매칭 방법 |
WO2021176984A1 (ja) | 2020-03-03 | 2021-09-10 | オムロン株式会社 | モデル生成装置、推定装置、モデル生成方法、及びモデル生成プログラム |
JP7022401B1 (ja) | 2021-10-04 | 2022-02-18 | 株式会社フジヨシ | 人材マッチング装置及び人材マッチングプログラム |
JP2023054726A (ja) * | 2021-10-04 | 2023-04-14 | 株式会社フジヨシ | 人材マッチング装置及び人材マッチングプログラム |
JP2023060984A (ja) * | 2021-10-19 | 2023-05-01 | セカンドサイトアナリティカ株式会社 | 情報処理装置および情報処理方法 |
JP7333368B2 (ja) | 2021-10-19 | 2023-08-24 | セカンドサイトアナリティカ株式会社 | 情報処理装置および情報処理方法 |
JP7525696B1 (ja) | 2023-06-19 | 2024-07-30 | PayPay株式会社 | 情報処理システム、情報処理方法、およびプログラム |
JP7507525B1 (ja) | 2023-09-29 | 2024-06-28 | 株式会社Value market | 採用応募書類レコメンドシステム、採用応募書類レコメンド方法及びプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2019125299A (ja) | 採用活動支援装置および採用活動支援プログラム | |
CN108415921B (zh) | 供应商推荐方法、装置及计算机可读存储介质 | |
Ekrot et al. | Retaining and satisfying project managers–antecedents and outcomes of project managers’ perceived organizational support | |
US20180365616A1 (en) | Systems and methods for management of inventory audits | |
KR101914620B1 (ko) | 빅데이터 및 기계학습을 이용한 자동 분개 수행 방법 및 이를 실현하는 서버 | |
de Andrade et al. | World Class Manufacturing performance measurement using a maturity model and the FlowSort method | |
US20200364282A1 (en) | Job prospect and applicant information processing | |
Gorraiz et al. | Individual bibliometric assessment@ University of Vienna: from numbers to multidimensional profiles | |
Song et al. | The robust machine availability problem–bin packing under uncertainty | |
Kose et al. | An Interval valued Pythagorean Fuzzy AHP–TOPSIS integrated model for ergonomic assessment of setup process under SMED | |
Ahmed et al. | Enhancing product manufacturing through smart virtual product development (SVPD) for Industry 4.0 | |
Shipley et al. | A fuzzy approach for selecting project membership to achieve cognitive style goals | |
Gödri | Improving Delivery Performance in High-Mix Low-Volume Manufacturing by Model-Based and Data-Driven Methods | |
Gustafsson et al. | Boundary work, hybrid practices, and portable representations: an analysis of global and national coproductions of red lists | |
Santos et al. | HP enterprise services uses optimization for resource planning | |
Mwaro et al. | Applicability of naïve Bayes model for automatic resume classification | |
McCormack et al. | Using systems thinking-based risk assessment methods to assess hazardous manual tasks: a comparison of Net-HARMS, EAST-BL, FRAM and STPA | |
Samath et al. | Collabcrew—an intelligent tool for dynamic task allocation within a software development team | |
Montes et al. | Interpretation of statistical preference in terms of location parameters | |
Li et al. | A lever concept integrated with simple rules for flow shop scheduling | |
Uk et al. | Weighted Interpretive Structural Modeling for Supply Chain Risk Management: An Application to Logistics Service Providers in Turkey | |
Harlé et al. | Innovative design on the shop floor of the Saint-Nazaire Airbus factory | |
Godinho et al. | Some issues about the application of the analytic hierarchy process to R&D project selection | |
Arrilucea et al. | Innovation policies and big data: opportunities and challenges | |
Nikulina et al. | Application of Intelligent Technologies in Solving the Innovative Projects Problems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20180208 |