R+Inovation Blog R+イノベーションブログ

使いやすさを実感してください!

R+イノベーションマガジン

資料請求

弊社の業務・商品内容に関して、
下記のフォームにて資料請求を
お願い申し上げます。

御社名 (必須)

ご担当者名 (必須)

ご役職

メールアドレス (必須)

お電話番号 (必須)

お問い合わせ商品 (必須)




お問い合わせ種別 (必須)



お問い合わせ内容 (必須)

上記の個人情報保護方針に
同意した上で送信ボタンを
押してください

R+イノベーションブログ

マーケティング新潮流 (3)

※以下の文章は、「月刊人材ビジネス」2009年3月号掲載の連載「マーケティング新潮流」から記事を現在の市況に合わせて書き直ししたものを掲載しています。 

 前回までの「マーケティング新潮流」では、求人手法の歴史的なトレンド、マスアプローチから個へのアプローチへと変化を遂げてきており、求職者の行動履歴をマーケティングへと利用する行動ターゲティングについて説明をしてきました。最終回の今月号では、限られた求人案件数の中で稼動者数を上げる為のデータベース活用法、RFM分析、協力フィルタリングを説明します。


まずは基本に立ちかえってみる

 基本的な派遣ビジネスの構造として、営業施策・募集施策・定着施策は戦術面として最も大切な要件となりますが、景況感が悪化する前までは、顧客接点数を増やし、案件数が多くなればなるほど、求職者も集まりやすくなり、収益につながるという構造でした。
例えば、自社HPに100件しか掲載されていない人材派遣会社と自社HPに1,000件掲載されている派遣会社では、圧倒的に求人情報の掲載件数が多い企業が当然有利になります。同一のプロモーション費用をかけたとしても、網の目のようにはられた求人情報に、求職者のニーズがなにがしかひっかかり、稼動へと結びつくというスケールメリットの効能です。
 
 ランディングページ最適化(LPO)やリスティング広告の精緻化なども、基本はあくまで自社の派遣サイトへ効率的に誘導することを主眼としており、いかに最初の閲覧時にWEB登録まで誘導させるのかというところにミッションがおかれていました。求人件数のスケールメリットを利用した戦略であり、求職者ひとりひとりのニーズや行動に注意を払わなくても、WEB登録者は増加し、来社登録者も増加していきました。つまり、求人情報件数の力>求職者の数の時代にはこの戦略が有効でした。
 
 しかし、景況感が悪くなると、求人情報件数は減少に転じ、圧倒的に求職者の数が多くなります。また、現在の派遣契約の終了時に備え、様々な派遣会社に登録する動きが広がり、結果として、求人情報件数の力<求職者の数となり、WEB登録単価、来社登録単価ともに減少していきます。このような状況になると、少ない求人情報に対して、求職者の方が圧倒的に多くなりますので、マッチング精度の向上が以前にもまして最重要課題となります。マッチング精度を向上させる為には、「来社登録者」「WEB登録者」「潜在的な求職者」の事をより詳細に知る必要があります。

マッチング精度向上の為にやるべきデータベース活用

 一つの求人案件をマッチングさせるときに、求職者のマッチング元としては(1)来社登録者DB(2)WEB登録者DB(3)潜在的な求職者の3通りあります。
 来社登録者DB(非稼動)からのマッチングは、大前提として、来社登録者DBの何割が「生きているデータ」であるかを把握しなくてはなりません。メールアドレスのアクティブ率調査は必須です。来社登録者全員に希望エリア、職種の求人情報をURL付でメールを配信します。大切なのは、URLをユーザごとに振り出すことにより、どのユーザが何の情報を閲覧したのかを把握することです。
この結果、(1)メール未達ユーザ(2)メール無視ユーザ(3)閲覧レスポンスユーザ(どの求人情報を閲覧したのか)に大きく分類されます。(2)及び(3)は、求職者の環境によって、毎回変わりますので、メール無視ユーザだからといって、切り捨てる必要はありません。閲覧レスポンスユーザにアップグレードするまで続けることが大切です。最も稼動へと結びつきやすい優先的ユーザ層を限定してから、コーディネーション業務を実施します。WEB登録DBの優先的ユーザの発掘は、来社登録DBとほぼ同じ方法で可能です。全ての登録データは同じ緊急度・収益性をもっていません。緊急性が高く、収益性の高い登録者を判別し、優先順位の高いものからコーディネーションを行うことが重要になります。 
 上記の二つのDBから、最適な求職者が発掘できなかった場合には、潜在的な求職者層にPRしていく必要があります。この場合、求人案件ごとのサーチエンジン最適化やリスティング広告を実施することにより、ターゲットとする母集団は小さいですが、きわめて高い訴求力で求職者にPRすることが可能になります。

データベース情報のランク付け:RFM分析

 RFM分析とは、「よりよい顧客を見つける為」のデータベースマーケティングの手法です。消費者向けマーケティングの世界では、古くから利用されています。ショップ、百貨店など、消費者向けビジネスを行っている会社であれば、よりよい顧客セグメントを発見し、適切なプロモーションを実施することにより、収益を伸ばそうとします(R:Recency(最新購買日)、F(Frequency):購買頻度、M(Monetary):購買金額)

 マッチングを高める為のレコメンデーションメールを定期的に実施する場合にも、このRFM分析は有効です。R:最新サイトアクセス日、F:アクセス頻度、M:アクセス時間(回数)。R、F、Mをそれぞれ5段階評価することにより、RFMが555となっているユーザセグメントは明らかに、求職活動を本格化させています。一方で、RFMが111となっているユーザセグメントは求職活動をしていません。RFM分析はコーディネーションの優先順位・登録者の収益性を決めるための一つの有効ツールです。

価値観が同じ人の嗜好を推薦する協調フィルタリング

 パソコンやモバイルの大変有名な事例として、インターネット書籍販売の「アマゾン」の事例があります。アマゾンでは、古くから「あなたへのお勧め」という、いくつかの書籍を推薦してくれるレコメンデーション機能がありました。また、書籍を一つ購入する際に、会計をする前に別な書籍を薦められて、ついつい購入してしまったという経験をお持ちの方も多いかと思います。
 
  「アマゾン」のレコメンデーションは協調フィルタリングという技術を土台にしています。協調フィルタリングとは、多くのユーザの嗜好情報をデータベースに蓄積し、あるユーザと嗜好情報の類似しているその他のユーザの嗜好情報を用いて自動的に推論を行う方法です。知らない他人ではありますが、ある特定の範囲の中で価値観の似ている人は、別な範囲においても価値観が似ているであろうという推論になります。

 昨今では協調フィルタリングの技術は広く普及し、大手のインターネットショッピングサイト、DVDレンタルサイト、旅行サイト等で導入されています。協調フィルタリング技術は、人の嗜好がどの程度似ているのか(相関があるのか)を点数にして判断します。
海外の求人サイトでは、ある求人情報に応募した求職者Aの行動履歴と、まだ応募していない求職者Bの行動履歴を比較し、Bに対してAが応募した求人情報と最も似ている求人情報を自動推薦することにより、稼動率を高めるという工夫が始まっているようです。

まとめ

 連載3回を通して、行動ターゲティング、DBマーケティング(RFM分析)、レコメンデーション等を簡単に紹介してきましたが、共通するのは、求職者ひとりひとりの「登録データ」ではなく「行動データ」を大切に扱うということです。マッチングの場合、「仕事を探しているときに、探している仕事が、すぐに見つかる」という目的を達成する為には、仕事を探しているタイミングに合わせて、最適な情報を提供するということが大切になります。インターネットは、求職者のニーズを汲み取るには最も適したツールです。従来の業務フローを、更に高みにもっていくにはどうしたらいいのか、という観点でもう一度見直してみてはいかがでしょうか。

(了)

2010年01月31日

プライバシーポリシー 

情報セキュリティ基本方針 

ITサービスマネジメント基本方針 

サイトマップ 

c2004- ZEKU CORPORATION ALL RIGHTS RESERVED