人材紹介のマッチング精度を上げることは、成約率の向上・早期退職の防止・企業からの信頼獲得につながります。データの整備、AIによる照合、面談ヒアリングの深掘り、推薦後の結果を次に生かすフィードバックループの4つの手法を、指標の定義と実践の手順つきで紹介します。
人材紹介のマッチング精度が事業に与えるインパクト
マッチング精度の向上は、売上の増加とコストの削減の両面で、人材紹介会社の収益を改善します。 L reach編集部が取材で聞く範囲でも、企業が紹介会社を評価するときに、候補者の質とマッチングの精度を重視する声は多く、精度はリピートの依頼にも関わります。矢野経済研究所によると、2024年度のホワイトカラー職種の人材紹介市場は4,490億円(前年度比12.0%増)で(矢野経済研究所)、比べられる紹介会社どうしの品質の競争は続いています。
- 成約率の向上 — 推薦した候補者の通過率が上がり、CA1人あたりの売上が増える
- 早期退職の減少 — 入社後のミスマッチが減り、返金(リファンド)のリスクが下がる
- 企業からの信頼 — 推薦の質が評価され、次の求人の依頼や手数料の交渉に有利になる
マッチング精度はどの率で見るか(推薦→書類通過→内定→入社)
「マッチング精度が上がった」と言うときは、どの段階の率で見たのかを決めておきます。段階によって、分かることも改善の打ち手も違います。
| 指標 | 計算式(分子÷分母) | 何が分かるか |
|---|---|---|
| 推薦率 | 推薦した人数 ÷ 面談した人数 | 面談で、求人と合う人を見つけられているか |
| 書類通過率 | 書類選考を通過した推薦件数 ÷ 結果が出た推薦件数 | 推薦の段階で、企業の基準に合っているか |
| 面接→内定率 | 内定の件数 ÷ 面接に進んだ件数 | 面接の対策と、求人の理解が足りているか |
| 内定承諾率 | 承諾の件数 ÷ 内定の件数 | 候補者の希望と求人が合っているか |
| 入社率 | 入社した人数 ÷ 内定を承諾した人数 | 入社前の辞退を防げているか |
| 早期退職率 | 一定期間内に退職した人数 ÷ 入社した人数 | 入社後に定着しているか(返金規定とあわせて見る) |
結果が出ていない推薦(選考中・保留)を分母に入れるかどうかを決め、職種や求人企業ごとにも分けて見ます。数字が良くなっても、難しい候補者を支援の対象から外した結果なら、精度が上がったとは言えません。
マッチング精度と事業KPIの関係
→ 表は横にスクロールできます
| マッチング精度の指標 | 編集部が取材で聞く目安 | 改善後の目標の例 | 事業インパクト |
|---|---|---|---|
| 書類選考通過率 | 20〜30% | 40〜50% | 推薦の工数の削減、企業からの信頼の向上 |
| 面接→内定率 | 15〜25% | 30〜40% | 成約件数の増加、CAの生産性の向上 |
| 内定承諾率 | 60〜70% | 80〜90% | 成約1件あたりの工数の削減 |
| 入社3ヶ月以内の早期退職率 | 10〜15% | 5%以下 | 返金リスクの低下、企業の満足度の向上 |
目安はL reach編集部が取材・支援の中で聞いた範囲で、統計ではありません。職種・年収帯・求人企業で大きく変わるため、自社の実績と比べる参考値として使ってください。
手法①:データとAIで人材紹介のマッチング精度を上げるデータドリブンアプローチ
ここでは、AIを使う前の土台になるデータの整備と分析を扱います。AIによる照合は、手法②で分けて説明します。記録の項目がそろっていないままAIに任せても、照合の結果は使いにくくなります。
過去データの分析で「成約パターン」を発見する
最初の一歩は、過去の成約データを整理して、「どのような候補者が、どのような求人で成約したか」の傾向をつかむことです。
成約データを一覧化する
直近1〜2年の成約案件について、候補者の属性(年齢、経歴、スキル、転職回数、希望条件)と、求人の属性(業界、職種、年収帯、企業規模、社風)を、同じ項目・同じ書き方で一覧にします。記録の日付と、求人がまだ募集中かも残しておきます。
面談の量の確保(面談率)とセットで改善すると、効果が出やすくなります(面談率とは|業界平均と上げる7つの方法参照)。
成約パターンを特定する
整理したデータから、成約しやすい組み合わせ(候補者の属性×求人の属性)の傾向を探します。たとえば「第二新卒×IT・Web業界の営業職」「販売経験者×SaaS企業のカスタマーサクセス」のような形で整理すると、提案の出発点になります。ただし過去の成約は、その時期の求人・景気・担当者の影響も受けています。傾向として使い、目の前の候補者に合うかどうかは、本人の希望と現在の求人条件を確かめてから判断します。
不成約の理由を分類する
書類不通過・面接不通過・内定辞退・早期退職の各段階で、うまくいかなかった理由を分類します。「スキル不足」「社風が合わない」「条件の不一致」「タイミング」などに分けると、改善すべき点がはっきりします。企業や本人が実際に述べた理由と、CAの推測は分けて記録してください。
マッチングスコアカードの活用
過去データの分析をもとに、マッチングの判断を点数にするスコアカードを作ります。
| 評価項目 | 配点 | 評価基準 |
|---|---|---|
| スキル適合度 | 30点 | 求人の必須スキルとの一致度 |
| 経験適合度 | 20点 | 業界・職種の経験年数 |
| 条件適合度 | 20点 | 年収・勤務地・勤務形態の一致度 |
| カルチャーフィット | 15点 | 企業文化・社風との相性 |
| 転職意欲・タイミング | 15点 | 転職時期の具体性、意思決定の段階 |
「合計70点以上を優先して推薦する」といった基準を設けると、判断のばらつきを減らせます。ただし点数は推薦の優先順位を決める材料で、点数が高くても、本人の希望と現在の求人条件を確かめてから推薦します。CAごとに点数のつけ方を比べると、指導のポイントも見つけやすくなります。KPIの設計は人材紹介KPIテンプレート完全版2026を参考にしてください。
手法②:AIツールを活用したマッチング
AIマッチングの仕組み
AIマッチングは、求人情報と候補者情報を自然言語処理や機械学習で解析し、合いそうな組み合わせを点数にして提案する仕組みです。手法①で整えたデータが、そのまま照合の材料になります。
| AIの活用領域 | 具体的な機能 | 人が確認すること |
|---|---|---|
| 候補者レジュメ解析 | レジュメからスキル・経験・強みを抜き出す | 抜き出しの誤りや漏れがないか |
| 求人要件の構造化 | 求人票から必須(MUST)と歓迎(WANT)の条件を分ける | 分け方が企業の実際の基準と合っているか |
| マッチングスコアリング | 候補者×求人の適合度を点数にする | 点数の根拠になった項目と元データ |
| 類似候補者の検索 | 成約した候補者と似たプロフィールの人を探す | 「似ている」ことと「合う」ことは別。本人の希望を確かめる |
2026年のAIマッチング動向|LLMによるセマンティックマッチング
2026年時点のマッチングAIは、キーワードの一致を見る方式から、LLM(大規模言語モデル)で意味を理解する方式へ移りつつあります。「営業経験3年」という文字列だけでなく、「顧客との折衝・目標の達成・提案の業務」といった経験の近さで、求人と候補者を突き合わせられるようになってきました。
自社の過去の成約データ(成約した組み合わせ・辞退した組み合わせ)をAIに参照させ、自社の判断基準に近い提案をさせる使い方もあります。企業向けプラン(ChatGPT Business、Claude Teamなど。標準席は1ユーザー月額20〜25ドル)で、個人を特定できる情報を除いて試せます。ただし過去の成約データには、その時期の求人や担当者の傾向が含まれています。AIが過去の成約者に似た人を高く評価しても、今の求人と本人の希望に合うとは限らないため、人が確認してから提案します。
汎用AIを活用した低コスト実践法
専用のAIマッチングツールを導入しなくても、ChatGPTやClaudeなどの汎用AIで、照合の作業を補助できます。候補者の情報を入力する範囲や、学習に使われない設定の確認などの運用ルールは、人材紹介のAI活用で業務効率化で整理しています。
活用例1: 求人要件と候補者の適合度分析
求人票と、氏名などを除いた候補者のレジュメをAIに読み込ませ、「この候補者がこの求人に合う度合いを100点満点で評価し、合う点と懸念点、根拠にした記載を挙げてください」と指示すると、適合度の分析の下書きが得られます。点数と理由は、担当CAが経歴の事実と照らして確認します。
活用例2: 推薦文の最適化
AIに、求人企業の採用基準と候補者の強みを入力し、「この企業の基準に沿った推薦文の下書きを作ってください」と指示すると、企業ごとに書き分けた推薦文の下書きが作れます。企業に送る前に、書かれた経験や成果が本人の確認した事実かを確かめてください。
活用例3: 面接対策の質問リスト生成
求人の要件と候補者の経歴をAIに入力し、「この面接で聞かれそうな質問と、回答のポイントを挙げてください」と指示すると、面接対策の準備を効率化できます。
手法③:面談ヒアリングの深化で人材紹介のマッチング精度を上げる
マッチング精度を上げるうえでは、成約率そのものの改善も大切です。成約率の改善策は人材紹介の成約率を上げる7施策で扱っています。
表面的な条件の先にある「本音」を引き出す
マッチングがうまくいかない原因の多くは、候補者の「本当の希望」を面談でつかみきれていないことにあります。候補者自身が言葉にできていない価値観や不安を引き出すことが、精度を上げる出発点です。
ヒアリングの深堀り質問テンプレート
| 把握すべき情報 | 表面的な質問(NG) | 深堀り質問(OK) |
|---|---|---|
| 転職理由 | なぜ転職したいですか? | 今の職場で「これさえなければ辞めない」と思う点は何ですか? |
| 希望条件 | 希望年収はいくらですか? | 年収以外で、転職先を決める際に最も重視する条件は何ですか? |
| キャリアビジョン | 将来どうなりたいですか? | 3年後に「転職してよかった」と感じるのは、どんな状態のときですか? |
| 企業文化の好み | どんな会社がいいですか? | 過去に「この会社の雰囲気は自分に合っている」と感じた経験はありますか? |
| 意思決定の基準 | 内定が出たら入社しますか? | 最終的に入社を決める際、家族や周囲の人の意見はどの程度影響しますか? |
候補者の本音は、最初の面談では出てこないことがあります。2回目以降の面談で、本人が話せる範囲で、転居の可否や通勤、家族との相談の状況など、意思決定に影響する事情を確かめておくと、内定辞退を事前に防ぎやすくなります。推薦に必要ない個人的な事情は、企業に伝えたり記録に残したりしないようにします。辞退を防ぐ具体策は人材紹介の内定辞退防止7つの施策で紹介しています。
プレ面談で面談ヒアリングの準備をする: L reachでは、全件にオペレーターが15分のプレ面談を行い、転職意欲と希望条件を事前に確認してから面談を設定しています。CAはその内容を踏まえて本面談に臨めるため、基本的な条件の確認にかける時間を減らし、転職理由や意思決定の基準の深掘りに時間を使えます。
企業側のヒアリング深化
マッチングの精度は、候補者の理解だけでなく、企業側の理解にも左右されます。求人票に書かれていない「実際の採用基準」をつかむことが大切です。
- 直近の不採用の理由を5件ほど聞く: 「なぜこの候補者を不採用にしたのか」を聞くと、言葉になっていない基準が見えてくる
- 入社後に活躍している社員の共通点を聞く: スキルだけでなく、仕事の進め方や行動の特徴の共通点をつかむ
- 面接官ごとの評価の観点を把握する: 面接官によって見るポイントが違う場合がある。担当者の好みではなく、職務に必要な条件として説明できるかを確かめる
把握した採用基準を推薦状に反映する方法は、人材紹介の推薦状の書き方で解説しています。
手法④:フィードバックループの構築
「推薦して終わり」にしない仕組み
マッチング精度を上げ続けるには、「推薦→結果の確認→改善」のフィードバックループを回す必要があります。
推薦ごとに結果を記録する
すべての推薦について、「書類通過/不通過」「面接通過/不通過」「内定/不内定」「承諾/辞退」「入社後の定着/早期退職」の各段階の結果を記録します。CRMやスプレッドシートに、決まった形式の入力欄を用意します。
不通過・不成約の理由をカテゴリ分けする
不通過・不成約の理由を「スキル不足」「社風が合わない」「条件の不一致」「タイミング」「他社の内定」などに分けます。月ごとに集計すると、改善すべき点が数字で見えてきます。企業から聞いた理由と、CAの推測は分けて残します。
月次振り返りミーティングを実施する
CAのチーム全体で月に1回、マッチング精度の指標(書類通過率、内定承諾率、早期退職率など)を振り返るミーティングを開きます(進め方は人材紹介の月次レビュー会議テンプレ参照)。うまくいった例とうまくいかなかった例を共有し、チーム全体の判断の基準をそろえていきます。
マッチング基準を継続的に更新する
蓄積した結果をもとに、スコアカードの配点や評価の基準を四半期ごとに見直します。市場や企業の採用基準は変わるため、マッチングの基準も定期的に更新します。
送客サービスを使っている場合は、面談や選考の結果を送客側と共有すると、次に送客してもらう候補者の条件をすり合わせやすくなります。
入社後フォローからのフィードバック
入社後1か月・3か月・6か月の時点で、候補者と企業の双方に状況を確かめ、「マッチングは適切だったか」を振り返ります。早期退職の時期は、返金規定の区切り(人材紹介の返金規定(リファンド)相場)とあわせて見ておくと、事業への影響も把握しやすくなります。
| フォロー時期 | 候補者への確認事項 | 企業への確認事項 |
|---|---|---|
| 入社1ヶ月 | 職場環境・業務内容は面談時のイメージと合っているか | 候補者の実務パフォーマンスは期待通りか |
| 入社3ヶ月 | 人間関係・カルチャーに馴染めているか | 継続的に活躍が期待できるか |
| 入社6ヶ月 | キャリアの方向性は面談時に話した内容と合致しているか | 次の採用ニーズはあるか |
マッチング精度向上の前提条件:候補者の質
どれだけマッチングの手法を磨いても、そもそも候補者との面談の数と質が足りなければ、マッチング精度は上がりません。マッチングの起点になる候補者を確保する方法の1つが、事前の確認を済ませた候補者を紹介する求職者送客サービスです。L reach(エルリーチ)は、プレ面談で転職意欲と希望条件を確認した候補者を送客します。
- 初期費用・月額費用0円の着座課金(1.5万〜3.5万円/着座・税別、職種・エリアで変動)
- 全件にオペレーターが15分のプレ面談を実施し、転職意欲と希望条件を確認
- 平均年齢24.7歳、20代比率95.7%の若手が中心
- 重複候補者・要件不一致・無断キャンセルは非課金
マッチング精度に関するよくある質問(FAQ)
マッチング精度の改善、AI活用と人の面談スキルの両輪が必要です。
L reachは、CAの工数を増やさずに面談数を増やすための送客サービスです。業務改善と並行して使えます。
相談前に整理できること
- 面談数の入口を改善
- 対応工数を削減
- KPI改善に必要な母集団を補完
まとめ|マッチング精度の向上は人材紹介ビジネスの最重要課題
人材紹介のマッチング精度を上げるには、「データの整備と分析」「AIによる照合」「面談ヒアリングの深掘り」「フィードバックループ」の4つを組み合わせます。まず精度をどの段階の率で見るかを決め、同じ定義で月ごとに測りながら改善を回すと、成約率の向上と早期退職の減少を両方ねらえます。過去の実績やAIの点数は判断の材料として使い、最後は本人の希望と現在の求人条件を確かめてから推薦してください。マッチングの起点になる候補者を確保する手段として、プレ面談つきの送客サービスも選択肢になります。運用の全体像はLINE・CRM活用で面談率・成約率を改善する運用ガイドにまとめています。
L reach編集部
人材紹介事業ナレッジ編集チームforesma株式会社が運営する求職者送客サービス『L reach』編集部。人材紹介会社の支援実績をもとに、集客・CV・運用ノウハウを発信しています。
業務フローを改善して歩留まりが上がっても、面談の母数が足りなければKPIの伸びはすぐに止まります。
初期費用・月額費用なし/契約期間の縛りなし



