Media > AI活用ユースケース > 人事 > 人材派遣会社が派遣スタッフの就業・面談の記録から、Python で次の契約の更新をスタッフの側から見送る見込みを出し、更新の意向の確認と次の就業の相談を早める順番を決める

人材派遣会社が派遣スタッフの就業・面談の記録から、Python で次の契約の更新をスタッフの側から見送る見込みを出し、更新の意向の確認と次の就業の相談を早める順番を決める

実装ステータス:構成例 技術的に実現可能な構成として設計したもの。自社未検証

2か月後に雇用契約の満了を迎え、派遣先が更新を望んでいるスタッフについて、本人が更新を見送る見込みを確率で出します。見込みの高い人から更新の意向の確認を早め、見送りそうな人とは次の就業の相談を先に始めます。

サマリー
連携・自動化
Python
対象業界
人材/介護/製造
対象部門
人事
対象業務
台帳・マスタ管理/集計・分析
主な課題
判断に時間がかかる/属人化している/期限・対応漏れが起きる
AIで行う処理
予測
主な効果
判断支援/属人化解消/機会損失防止
導入難易度
★★★★☆
実装レベル
本格構成
費用感
個別開発(大)
人間の確認
条件付き
現在工数
60h/月
AI導入後
20h/月
想定削減
67%
年間削減
480h
モデル条件による試算値です。実在企業の実績ではありません。

01導入前 / 導入後の業務フロー

導入前(Before)
  1. 月初に、2か月後に満了を迎える契約の一覧を派遣の管理の仕組みから書き出す
  2. 営業から、派遣先が更新を望んでいるかどうかを聞き、一覧に書き込む
  3. 担当者が、気になるスタッフについて勤怠と面談の記録を開き、様子を確かめる
  4. 気になる人には早めに連絡し、そうでない人には満了の1か月前に一律で意向を確かめる
  5. 見送りの申し出があれば、営業に知らせ、本人の次の就業の希望を聞く
  6. 同じ派遣先に3年に近い人など、雇用の安定の措置が要る人を別に確かめる
導入後(After)
  1. 自動毎月1日の朝、派遣の管理の仕組みから、2か月後に満了を迎える契約と、就業・勤怠・面談の記録を書き出す
  2. 人営業が、派遣先が更新を望んでいるかを一覧に入れる(今の運用のまま)
  3. 自動Python のスクリプトが、派遣先が更新を望んでいる契約について、本人が見送る見込みを確率で出す
  4. 自動同じ組織単位での就業の期間から、雇用の安定の措置が要る人に規則で印を付ける(予測とは別)
  5. 自動担当者ごとに、見込みの高い順の一覧と、見込みの根拠になった事実を書き出す
  6. 人担当者が一覧の上位から、意向の確認を満了の2か月前に早めて連絡する
  7. 人見送りそうな人とは、通勤や業務量の相談、次の就業の希望の聞き取りを先に始める
  8. 人意向の確認の結果(更新・見送り・保留)を記録する
各工程の詳しい説明を読む
  1. 月初に、2か月後に満了を迎える契約の一覧を派遣の管理の仕組みから書き出す
  2. 営業から、派遣先が更新を望んでいるかどうかを聞き、一覧に書き込む
  3. 担当者が、気になるスタッフについて勤怠と面談の記録を開き、様子を確かめる
  4. 気になる人には早めに連絡し、そうでない人には満了の1か月前に一律で意向を確かめる
  5. 見送りの申し出があれば、営業に知らせ、本人の次の就業の希望を聞く
  6. 同じ派遣先に3年に近い人など、雇用の安定の措置が要る人を別に確かめる

(a)意向の確認が満了の直前で一律になる。 1か月前の確認で見送りが分かると、派遣先は代わりの人の受け入れの準備を、本人は次の就業先探しを、1か月で済ませることになります。 どちらにとっても余裕がありません。

(b)誰に先に声をかけるかが担当者の勘に頼る。 3番目の「気になるスタッフ」は、担当者が面談の記録をどれだけ覚えているかで決まります。 担当が替わると、前兆を拾える人数が大きく変わります。

(c)記録を読み返す時間がない。 400件の勤怠と面談の記録を全部開くと、1件数分でも月に何十時間もかかります。読み返すのは、たまたま思い出した人だけになります。

(d)見送りの理由を聞く前に満了が来る。 通勤や業務量の負担のように、早く分かれば派遣先と相談して変えられたかもしれない理由も、満了の直前では次の就業先探しに切り替えるしかありません。

  1. 【自動】 毎月1日の朝、派遣の管理の仕組みから、2か月後に満了を迎える契約と、就業・勤怠・面談の記録を書き出す
  2. 【人】 営業が、派遣先が更新を望んでいるかを一覧に入れる(今の運用のまま)
  3. 【自動】 Python のスクリプトが、派遣先が更新を望んでいる契約について、本人が見送る見込みを確率で出す
  4. 【自動】 同じ組織単位での就業の期間から、雇用の安定の措置が要る人に規則で印を付ける(予測とは別)
  5. 【自動】 担当者ごとに、見込みの高い順の一覧と、見込みの根拠になった事実を書き出す
  6. 【人】 担当者が一覧の上位から、意向の確認を満了の2か月前に早めて連絡する
  7. 【人】 見送りそうな人とは、通勤や業務量の相談、次の就業の希望の聞き取りを先に始める
  8. 【人】 意向の確認の結果(更新・見送り・保留)を記録する

3番目と4番目を分けたのが、この設計の要です。 雇用の安定の措置が要るかどうかは、就業の期間で決まる事実なので、予測に混ぜずに規則で拾います。 予測が外れても、措置の要る人が漏れないようにします。

6番目で担当者が早めるのは、上位の人だけです。 見込みの低い人は、これまでどおり満了の1か月前に一律で確かめます。全員を2か月前に早めると、確認の手間が倍になり、一覧の意味がなくなります。

02今回想定するシステム構成

構成図
派遣の管理の仕組み(契約・就業・勤怠)/面談の記録
   │  毎月1日に CSV で書き出す
   ▼
Python(pandas)
   ├── 学習の表:過去の更新の打診(派遣先が更新を望んだもの)と、本人の応否
   ├── 説明の値:就業の期間・更新の回数・残業と欠勤の変化・通勤・面談の話題のタグ
   ▼
scikit-learn の HistGradientBoostingClassifier + CalibratedClassifierCV
   │   本人が見送る見込み(確率)
   ▼
Python ── 雇用の安定の措置の印(規則)、担当者ごとの一覧、根拠の事実
   ▼
【人】上位から意向の確認を早め、次の就業の相談を始める → 結果を記録
役割想定する製品代替候補
実行環境Python(pandas)R
処理エンジンscikit-learn の HistGradientBoostingClassifier と CalibratedClassifierCVLightGBM、XGBoost
集計Python(雇用の安定の措置の印、担当者ごとの一覧、根拠の事実の書き出し)スプレッドシートの計算式
保管社内のファイルサーバー(書き出した CSV、一覧、予測と結果の記録)-

新しく入れるのは、Python のスクリプトだけです。 派遣の管理の仕組みからは書き出すだけで、見込みを書き戻しません。 仕組みに書き戻すと、スタッフの画面や派遣先への資料に見込みが紛れ込む恐れがあります。

予測の本体は、scikit-learn の HistGradientBoostingClassifier です。 公式ページ(1.9.1 の版)では、欠損値(NaN)にそのまま対応し、学習のときに欠損のあるサンプルを左右どちらの枝に送るかを学ぶとされています。面談をまだ受けていないスタッフ、通勤の情報が登録されていないスタッフも、値を埋めずに学習できます。

出した確率は、CalibratedClassifierCV で補正します。 公式ページでは、分類器の出力を [0, 1] の確率に写す補正を、交差検証を使って偏りのないデータで学ぶとされています。「見込み30%」を「10人に3人くらい」と読めるようにしたいので、並び順だけでなく確率そのものを合わせます。

03どうやって実装するのか

Step1

処理の起点を決める

毎月1日の朝に1回動かします。 2か月後に満了を迎える契約が月単位で決まるので、月1回で足ります。

きっかけ何をするか
毎月1日の6時(タスクスケジューラー等)書き出し、予測、一覧の作成
毎月10日(営業の入力の締め)派遣先の意向が入った契約だけを対象に、一覧を確定する
四半期ごと過去の結果を足してモデルを学ばせ直し、補正を確かめる

派遣先の意向が入るまで、一覧は仮のものとして扱います。 1日の時点では営業の入力が終わっていない契約があり、派遣先が更新を望まない契約まで並ぶと、本人に誤った期待を持たせる連絡になりかねません。 10日の締めで確定します。

学ばせ直しは四半期ごとにします。 1か月で増える結果は数百件で、毎月学ばせ直すと見込みが細かく揺れ、担当者が一覧の上位を信じなくなります。

Step2

入力データを集める

データ中身取得元
契約スタッフの番号、派遣先、組織単位、契約の期間、更新の回数、職種、時給派遣の管理の仕組み
就業の期間同じ派遣先・同じ組織単位での就業の開始日派遣の管理の仕組み
勤怠月ごとの労働時間・残業時間・欠勤と遅刻の回数(直近6か月)派遣の管理の仕組み
面談の記録面談の日、話題のタグ(通勤・業務量・人間関係・家庭の事情・スキルの希望・待遇)、本人の満足の自己申告コーディネーターが入力する面談の記録
過去の更新の打診打診の日、派遣先の意向、本人の応否(更新・見送り)、見送りの理由の区分就業管理課の記録

質を決めるのは、過去の更新の打診の記録です。 派遣先が更新を望んだ打診に本人が応じたか見送ったかが残っていないと、学ばせる答えがありません。 派遣先の都合で終わった契約は、学習から外します。

面談の記録は、話題のタグで受けます。 自由記述をそのまま説明の値にせず、コーディネーターが面談の後にタグを選ぶ形にします。 自由記述の言い回しは書く人で変わり、担当者の書き癖を学んでしまうからです。

派遣先からの評価と、自社の人事の評価は使いません。 「評価の低い人ほど見送る」と学ぶと、一覧が評価の一覧として読まれ、見込みが待遇や更新の判断に流れ込みます。 第13章で理由を書きます。

Step3

データの取得方法を決める

毎月1日に、派遣の管理の仕組みの書き出しの機能で CSV を作ります。

取るものどこから何に使うか
2か月後に満了する契約契約の書き出し予測の対象
過去の更新の打診と応否就業管理課の記録学習の答え
勤怠の直近6か月勤怠の書き出し残業・欠勤の変化
面談の話題のタグ面談の記録の書き出し前兆の手がかり
同じ組織単位の就業の開始日契約の履歴雇用の安定の措置の印

学習の表は、「打診の時点で分かっていたこと」だけで作ります。 過去の打診の2か月前の時点の勤怠と面談のタグを使い、打診の後に起きたこと(見送りの後の面談、終了の手続き)を説明の値に入れません。 入れると検証の成績は良く出ますが、本番では外れます。

検証は、満了の月で区切ります。 古い満了の月で学び、新しい満了の月で測ります。同じスタッフが複数の打診の行になるので、ランダムに分けると、同じ人の別の打診の行が学習と検証の両方に入ります。

Step4

AIへ渡す前に整形する

  1. 対象の絞り込み … 派遣先が更新を望んでいる契約だけを残します
  2. 雇用の安定の措置の印 … 同じ組織単位での就業の期間が、満了の時点で1年以上・3年の見込みかを規則で判定し、予測とは別の列に入れます
  3. 勤怠の変化の計算 … 直近3か月と、その前の3か月の残業時間・欠勤の回数の差を出します
  4. 面談のタグの集計 … 直近6か月の面談の話題のタグを数え、最後の面談からの日数を出します
  5. 使わない項目を外す … 氏名・年齢・性別・国籍・住所、派遣先と自社の評価は、説明の値に入れません
  6. 通勤の目安 … 住所ではなく、登録された通勤の時間(本人の申告)だけを使います
  7. 欠けた値はそのまま … 面談を受けていない人の値は NaN のまま渡します

5番目は、精度のためではなく、使い方を守るためです。 年齢や性別が予測に効いたとしても、それで声をかける順番を変えることは、スタッフの扱いの差になりかねません。 最初から渡しません。

2番目の措置の印は、契約の履歴から「同じ派遣先の同じ組織単位で、いつから続けて働いているか」を出し、満了の後の次の契約の期間を足して判定します。 組織単位の変更(課の異動)が契約の履歴に正しく入っていないと、期間を短く数えてしまいます。印の判定に使った開始日を一覧に書き出し、担当者が契約書と見比べられるようにします。

6番目で住所を使わないのは、住所から地域や家庭の事情を推し量らせないためです。 通勤の負担は、本人が申告した通勤の時間で十分に表せます。

Step5

AIに処理させる

させるのは、派遣先が更新を望んでいる契約1件ごとに、本人が見送る見込みを確率で出すことだけです。

出すものどうやって使い方
見送りの見込みHistGradientBoostingClassifier の predict_proba を CalibratedClassifierCV で補正一覧の並び順と、高・中・低の区分
区分補正した確率を、高(30%以上)・中(15〜30%)・低に分ける意向の確認を早める人(高)を決める
根拠の事実説明の値のうち、前の期間から大きく動いたもの(残業の増加、通勤の話題のタグの回数など)担当者が連絡の前に読む
全体の傾向置き換えの重要度(検証の期間で計算)四半期ごとの振り返り

3行目の根拠は、モデルの中身ではなく「動いた事実」を並べます。 「残業が直近3か月で月20時間増えた」「通勤の話題のタグが2回続いた」のように、担当者が本人との会話の入り口にできる形で書きます。 1人ずつの寄与をモデルから計算して見せると、「あなたは○○だから見送りそう」と読める説明になり、会話の入り口としては使いにくくなります。

4行目の全体の傾向は、置き換えの重要度で見ます。 公式ページでは、1つの特徴の値をでたらめに並べ替えたときの成績の落ち方で測るもので、検証のデータで計算すると汎化に効く特徴が分かるとされています。互いに相関する特徴は両方とも低く出ることがあるので、残業時間と労働時間のような組は一方を残して計ります。

させないこと理由
更新するかどうかの判断見込みは声をかける順番のためだけ
待遇・評価・配置の判断見込みを評価として使わない
見送りの理由の断定理由は本人に聞く。根拠の事実は会話の入り口
年齢・性別などを使った予測扱いの差につながる項目は最初から渡さない
雇用の安定の措置の要否の判定就業の期間で決まる事実。規則で拾う
Step6

指示内容を固定する

生成AIへのプロンプトは使いません。 予測の「指示」に当たるのは、モデルと補正の設定と、守る決まりです。スクリプトの要所を示します。

from sklearn.ensemble import HistGradientBoostingClassifier
from sklearn.calibration import CalibratedClassifierCV
from sklearn.frozen import FrozenEstimator

# 学習の表は満了の月の昇順。古い期間で学び、補正、評価の順に分ける(重ならない3つ)
train = df[df.expiry_month <= T1]
calib = df[(df.expiry_month > T1) & (df.expiry_month <= T2)]
test  = df[df.expiry_month > T2]

FEATURES = ["tenure_months", "renewal_count", "overtime_diff", "absence_diff",
            "commute_minutes", "tag_commute", "tag_workload", "tag_relation",
            "tag_family", "tag_skill", "tag_pay", "days_since_interview", "job_type"]
# 使わない列:氏名・年齢・性別・国籍・住所・派遣先の評価・自社の評価

clf = HistGradientBoostingClassifier(early_stopping=True, random_state=0)
clf.fit(train[FEATURES], train["declined"])        # declined: 本人が見送った=1

# 学習済みのモデルを凍結し、重ならない補正の期間で確率を合わせる
cal = CalibratedClassifierCV(FrozenEstimator(clf), method="sigmoid")
cal.fit(calib[FEATURES], calib["declined"])

# 守ること
# 1. 打診の時点より後の情報を説明の値に入れない
# 2. 派遣先が更新を望んでいない契約は学習にも予測にも入れない
# 3. 見込みは担当者の一覧だけに出す。スタッフ本人・派遣先には出さない
# 4. 雇用の安定の措置の印は、この予測と無関係に規則で付ける

補正を学習と別の期間で行うのは、公式ページの注意に従うためです。 学習済みのモデルを FrozenEstimator で包んで補正する場合、分類器を学ばせたデータと補正のデータが重ならないようにするのは利用者の責任とされています。

補正の方法は sigmoid にします。 公式ページでは、isotonic は約1,000件を超えるデータがあれば sigmoid と同等以上だが小さなデータでは過学習しやすく、sigmoid は小さなデータに向き、並び順(AUC)を変えないとされています。補正の期間の打診は数百〜千件ほどなので sigmoid を選び、一覧の並び順が補正で入れ替わらないようにします。

早期終了を明示しているのは、既定の動きのためです。 公式ページでは、early_stopping="auto" はサンプルが1万を超えるか、X_val と y_val を渡したときだけ有効とされています。学習の表が1万行に届かない会社では、既定のままだと早期終了が効きません。

Step7

出力形式を固定する

担当者ごとの一覧を CSV で出します。1行の列を JSON の形で示すと次のとおりです。

{
  "staff_no": "",
  "assignment_id": "",
  "expiry_date": "",
  "client_wants_renewal": true,
  "decline_probability": 0.0,
  "band": "high | middle | low",
  "facts": [""],
  "stability_measure": "none | effort_1yr | mandatory_3yr",
  "recommended_contact": "early_2months | standard_1month",
  "coordinator": "",
  "result": "renewed | declined | pending",
  "decline_reason_category": ""
}

1つ目の理由は、予測と規則の結果を1行に並べつつ、別の列に置けることです。 decline_probability と band はモデルの出力、stability_measure は就業の期間からの規則の出力です。措置の要る人は、見込みが低くても一覧の上に別の色で出します。

2つ目は、recommended_contact で次にすることが決まることです。 規則は次のとおりです。

条件recommended_contact
band が highearly_2months(満了の2か月前に意向を確かめ、通勤や業務量の相談を始める)
stability_measure が mandatory_3yrearly_2months(見込みにかかわらず、措置の希望を早めに聞く)
それ以外standard_1month(これまでどおり1か月前に確かめる)

3つ目は、result と decline_reason_category を同じ行に書き戻せることです。 担当者が結果を書いた一覧が、次の学ばせ直しの答えと、補正の確かめの材料になります。

Step8

システムへ連携する

つなぎ先方式内容
派遣の管理の仕組み既存の CSV の書き出し契約・就業・勤怠
面談の記録書き出し話題のタグと面談の日
担当者ごとの一覧ファイルサーバーの担当者別のフォルダ見込みと根拠の事実
結果の記録一覧の result の列を回収学ばせ直しの答え

派遣の管理の仕組みへは書き込みません。 仕組みにはスタッフ本人や営業が見る画面があり、見込みが紛れ込むと、本人への扱いや派遣先への説明に流れ込む恐れがあります。

一覧は担当者別のフォルダに置き、見られる人を就業管理課に絞ります。 営業に渡すのは「見送りの申し出があった」という結果だけで、見込みの数字は渡しません。

Step9

人が確認する

担当者が見るのは、自分の担当の一覧の上位と、措置の印の付いた人です。

  1. mandatory_3yr の人を先に確かめる … 同じ組織単位で3年の見込みがある人です。措置の希望を聞く段取りを、見込みにかかわらず組みます
  2. high の人の根拠の事実を読む … 残業の増加や通勤の話題など、連絡のときの会話の入り口にします
  3. 連絡では見込みを伝えない … 「見送りそうなので」ではなく、「次の更新の前に、働き方の様子を聞かせてください」と始めます
  4. 結果と理由の区分を書く … 更新・見送り・保留と、見送りなら理由の区分を一覧に書き戻します
  5. 見込みが外れた人を振り返る … low で見送った人の理由を、四半期ごとに課で読み合わせます

3番目を省かないでください。 見込みを本人に伝えたり、ほのめかしたりすると、「会社が自分を辞めそうな人として見ている」と受け取られます。 見込みは担当者の段取りの道具で、本人との会話の中身ではありません。

目標は、400件をならして1件3分です。 high は全体の1〜2割という想定で、それより多い月は補正がずれているか、対象の絞り込みに派遣先の都合の契約が混ざっています。

Step10

例外に対処する

起きること対応
派遣先の意向が10日までに入らない契約一覧に「意向待ち」と出し、見込みを出さない
面談を一度も受けていないスタッフ値を NaN のまま予測し、根拠の事実に「面談の記録なし」と書く
就業の期間が短く過去の打診がない予測は出すが、根拠の事実に「初めての更新」と書く
同じ組織単位の就業の開始日が欠けている措置の印を付けられないので、担当者が契約の履歴で確かめる
書き出しの CSV が届かない・列が足りない予測を止め、これまでどおり1か月前に一律で確かめる
補正した確率が実際の見送りの割合と大きくずれる区分の閾値を見直し、次の学ばせ直しで補正をやり直す
本人が見込みの扱いについて問い合わせる利用目的と使っている項目を説明する(第13章)
担当者が替わり、前任の連絡の途中だった一覧の result が pending の人を引き継ぎの一覧に出し、新しい担当者が続きから連絡する

4行目の措置の印の欠けは、予測より重く扱います。 見込みは外れても段取りが遅れるだけですが、措置の要る人を拾い損ねると、派遣元の義務に関わります。

Step11

記録を残す

  • 毎月の書き出しの CSV と、作った学習の表
  • 学ばせたモデルと補正の設定、検証の成績、補正の確かめの結果(予測の確率と実際の見送りの割合)
  • 担当者ごとの一覧と、result・decline_reason_category の書き戻し
  • 雇用の安定の措置の印と、措置の希望を聞いた日・内容
  • 本人からの問い合わせと、その説明の記録

2つ目の補正の確かめは、確率の帯ごとの実際の見送りの割合で見ます。 公式ページでは、補正の良し悪しはブライアースコアだけでは判断できず、予測の確率と実際の割合を並べた補正の曲線と合わせて見るよう書かれています。「30%と出た人の実際の見送りが30%前後か」を四半期ごとに確かめます。

4つ目の措置の記録は、予測と関係なく残します。 予測を止めても、措置の希望を聞いた記録は派遣元の業務として要ります。

04実装レベルの3段階

最小構成:過去の打診と勤怠・面談のタグを並べ、単純な規則で見送りを拾えるか試す / 前兆の確かめ
半自動化:単純な規則と措置の印をスクリプトにし、担当者ごとの一覧を毎月作る / 一覧の作成と措置の印
本格構成:上記+HistGradientBoostingClassifier と補正で確率を出し、高・中・低の区分と根拠の事実をつける / 予測・区分・根拠

半自動化で、①の書き出しと③の措置の印の確かめはほぼ無くなります。 ②の記録の読み返しは、規則に当たった人に絞れます。ただ、規則は項目の組み合わせを拾いきれません。 本格構成で②がさらに減り、この段階が本記事の想定です。 担当者は一覧の上位の根拠の事実を読むだけで済みます。差が大きいのは、残業と面談のタグと就業の期間の組み合わせをモデルが拾うからです。 段階を飛ばさないでください。 半自動化を半年回すと、面談のタグの付け方の癖と、result の書き戻しの漏れが分かります。記録が整ってからモデルを入れるほうが、補正が安定します。

05工数削減シミュレーション

前提値(モデル条件)
対象人数
8 名
月間件数
400 件
1件あたり現在時間
9 分
1件あたり導入後時間
3 分
現在  400件 × 9分 ÷ 60 = 60 時間/月
導入後 400件 × 3分 ÷ 60 = 20 時間/月
月間削減時間
40h
削減率
67%
年間削減時間
480h
年間金額換算(時間単価3,000円)
144万円
モデル条件による試算であり、実際の効果は業務内容・運用方法によって異なります。

自社条件で導入効果を整理したい方へ

このユースケースを自社に当てはめた場合の前提値と削減見込みを、業務ヒアリングをもとに整理します。

AI活用について相談する

06向いている企業・向いていない企業

向いている
  1. 事務・製造・介護などの登録型の派遣で、有期で雇用している派遣スタッフが千人以上就業し、毎月数百件の雇用契約が更新の時期を迎える人材派遣会社。更新の意向の確認を満了の1か月前に一律で行っていて、スタッフから更新しないと告げられたときに派遣先への代わりの手配も本人の次の就業の相談も間に合わないことがある場合。就業の記録・勤怠・面談の記録が、スタッフの番号で2年分以上引け、過去の更新の打診に本人が応じたか見送ったかが残っている場合。
向いていない
  1. 就業中のスタッフが百人程度で、担当者が全員と毎月話せている場合。過去の更新の打診の結果が残っておらず、本人が見送ったのか派遣先の都合で終わったのかを後から分けられない場合。無期雇用の派遣が中心で、契約の更新という区切りがない場合。なお、契約を更新するかどうか、雇止め、待遇や評価の判断はこの構成では代替できず、見込みをその判断に使ってはいけません。

07最小構成で試す方法

  1. 過去1年の更新の打診のうち、派遣先が更新を望んでいたものを書き出し、本人が見送ったものに印を付ける
  2. 見送った人と応じた人から50人ずつ選び、打診の2か月前の時点の勤怠と面談のタグを並べる
  3. 「直近3か月の残業の増加」「通勤の話題のタグ」「最後の面談からの日数」など、差が出そうな項目を見比べる
  4. 単純な規則(例:残業が月15時間以上増えた、または通勤のタグが2回以上)で見送りを拾えるかを数える
  5. 当時、担当者が「気になる」と思っていた人とどれだけ重なるかを聞き取る

この試しは、モデルを作る前に必ずやってください。 確かめるのは、記録の中に見送りの前兆が残っているかです。

出てきた内容判断
単純な規則でも見送りの一部を拾え、担当者の勘と重なるモデルを入れて確率と補正をつける段階に進む
項目に差がほとんど出ない面談のタグの付け方が粗い。タグの選び方を決め直す
見送りの印が付けられない過去の打診の結果が残っていない。記録の運用が先

3行目が出る会社は少なくありません。 見送りと派遣先の都合の終了を同じ「終了」で記録していると、学ばせる答えが作れません。 今月から、更新の打診の結果を本人の応否と理由の区分で残すところから始めてください。

08実装時につまずきやすいポイント

問題対策
打診の後の情報が学習に混ざり、検証の成績が良すぎる打診の2か月前の時点の値だけで学習の表を作る
同じスタッフの行が学習と検証の両方に入る満了の月で区切って分ける。ランダムに分けない
派遣先の都合の終了が答えに混ざる派遣先が更新を望んだ打診だけを学習に使う
補正を学習と同じデータで行う重ならない補正の期間を取る(FrozenEstimator の注意)
補正で一覧の並び順が変わるsigmoid を選ぶ。小さなデータで isotonic は過学習しやすい
早期終了が効かないまま学習する1万行未満では "auto" だと無効。True にするか検証のデータを渡す
一覧が評価の資料として回る見られる人を就業管理課に絞り、営業には結果だけを渡す
措置の要る人が予測の低い区分に埋もれる措置の印を規則で付け、見込みにかかわらず上に出す
面談のタグの付け方が人で違うタグの定義と例を決め、四半期ごとに読み合わせる

上の3行が、この構成の失敗のほとんどです。 どれも、学ばせる答えと説明の値の作り方の問題です。検証の成績が良すぎるときは、まずこの3つを疑ってください。

09セキュリティ・AIガバナンス上の注意点

この構成で扱うデータ: 派遣スタッフの就業の記録、勤怠、面談の話題、通勤の時間、過去の更新の応否と理由です。いずれも雇用している労働者の個人情報です。

  1. 必要な範囲で集め、使う … 労働者派遣法は、派遣元事業主が労働者の個人情報を、業務の目的の達成に必要な範囲内で収集し、その収集の目的の範囲内で保管・使用しなければならないとしています(第24条の3)。更新の意向の確認と次の就業の相談の段取りという目的を決め、その目的に要る項目だけを使います
  2. 利用目的を示す … 就業の記録や面談の記録を更新の段取りの見込みに使うことを、スタッフに示す利用目的に含めます。本人から問い合わせがあれば、使っている項目と使い道を説明します
  3. 評価・待遇・雇止めに使わない … 見込みは声をかける順番のためだけです。派遣先の評価と自社の評価は説明の値に入れず、一覧を評価や更新の判断の資料にしません
  4. 扱いの差につながる項目を渡さない … 年齢・性別・国籍・住所は最初から説明の値に入れません
  5. 雇用の安定の措置は予測と切り離す … 労働者派遣法第30条は、同じ組織単位で継続して1年以上の見込みがある有期雇用派遣労働者などに雇用の安定の措置を講ずるよう努めることを定め、3年の見込みがある人については講じなければならないとしています。この判定は予測に任せず、就業の期間から規則で拾います
  6. 相談の機会につなげる … 同法第30条の2第2項は、派遣労働者の求めに応じて職業生活の設計に関する相談の機会を確保するなどの援助を行うよう定めています。見込みの高い人への早めの連絡は、この相談の機会として行います
  7. 見られる人を絞る … 一覧は就業管理課の担当者別のフォルダに置き、営業・派遣先・本人には見込みの数字を渡しません

誤りが起きた場合のリスクは、見込みが評価として扱われ、本人の不利益につながることと、措置の要る人を見落とすことの2つです。 前者は使い方の決まりが無いと、後者は措置を予測に混ぜると起きます。どちらも、使い道を順番に限ることと、措置を規則で拾うことで防ぎます。

10まず何から始めるか

1週目:更新の打診の記録を見直す

過去1年の更新の打診について、派遣先の意向と本人の応否と見送りの理由の区分が残っているかを確かめます。残っていなければ、今月の打診から記録の欄を足します。

2週目:100人で前兆を確かめる

見送った人と応じた人を50人ずつ選び、打診の2か月前の勤怠と面談のタグを並べます。差が出る項目があるか、当時の担当者の勘と重なるかを見ます。

3週目:使い方の決まりを作る

見込みを誰が見て何に使うか、何に使わないか(評価・待遇・雇止め)を課の決まりとして文書にし、スタッフに示す利用目的を見直します。面談のタグの定義と例もここで決めます。

4週目:措置の印と単純な規則の一覧を作る

雇用の安定の措置の印と、単純な規則に当たった人の一覧をスクリプトで毎月作ります。この時点ではモデルを使わず、措置の印が漏れなく付くかを最優先で見ます。

2か月目: HistGradientBoostingClassifier と補正を足し、満了の月で区切って検証します。3か月目以降: 結果の書き戻しを回収して補正を確かめ、1件9分が何分になったかを実測します。補正の曲線が四半期続けて大きくずれず、見送りが2か月前に分かる人が増えた時点で、この構成は完成です。


11関連ユースケース

12この仕組みを理解するための記事

13技術仕様の確認日・参考情報

技術仕様確認日:2026-11-02/最終更新:2026-11-02
確認した内容情報源確認日
HistGradientBoostingClassifier(1.9.1 の版)が欠損値にそのまま対応すること。early_stopping="auto" がサンプル1万超か X_val・y_val を渡したときだけ有効なこと。predict_proba でクラスの確率を返すことscikit-learn: HistGradientBoostingClassifier2026-11-02
CalibratedClassifierCV が交差検証で偏りのないデータを使って補正を学ぶこと。sigmoid が小さなデータに向き並び順を変えず、isotonic は約1,000件を超えると同等以上だが小さなデータで過学習しやすいこと。学習済みのモデルは FrozenEstimator で包み、学習と補正のデータを重ねないのは利用者の責任であること。ブライアースコアだけで補正を判断せず補正の曲線と合わせて見ることscikit-learn: Probability calibration2026-11-02
置き換えの重要度が特徴の値を並べ替えたときの成績の落ち方で測ること、検証のデータで計算すると汎化に効く特徴が分かること、相関する特徴は両方とも低く出ることがあることscikit-learn: Permutation feature importance2026-11-02
派遣元事業主が労働者の個人情報を業務の目的の達成に必要な範囲内で収集し、目的の範囲内で保管・使用すること(第24条の3)。1年以上の見込みがある有期雇用派遣労働者などへの雇用の安定の措置の努力義務と、3年の見込みがある者には講じなければならないこと(第30条第1項・第2項)。求めに応じた職業生活の設計の相談の機会の確保(第30条の2第2項)。2026-10-01 施行の版e-Gov 法令API: 労働者派遣法(360AC0000000088)2026-11-02

雇用の安定の措置の内容、雇止めや待遇の判断、個人情報の利用目的の書き方は、社内の労務の担当と社会保険労務士・弁護士に確かめてください。 本記事は公開されている条文と公開仕様で確認できた範囲だけを扱っています。

実装ステータス:構成例。 公開仕様に基づいて設計した構成であり、当社で実際に構築・検証したものではありません。工数の数値はモデル条件による試算です。

自社の業務に使えるAI活用候補を整理します

このユースケース(UC-2461)についてのご相談はこちらから。

AI活用について相談する
目次