Contents
Findy が提供するスキル偏差値の概要と目的
Findy の スキル偏差値 は、GitHub に公開された実績データを機械学習で数値化し、エンジニアが自分の技術レベルを客観的に把握できる指標です。転職やキャリアチェンジの際に「実績ベースの根拠」として提示できる点が大きな特徴です。本セクションでは、スキル偏差値の概念と、実務上での活用イメージを簡潔に説明します。
スキル偏差値とは何か
スキル偏差値は、全エンジニアの生スコア分布を標準化した数値で、平均が 50、標準偏差が 10 と定義されます。個々人のスコアがどれだけ母集団と離れているかを示すため、相対的な実力評価に適しています。
キャリアでの活用例
- 面接やポートフォリオに 数値として提示 できるので、採用担当者への説明がスムーズになります。
- 自己分析の材料として「強み・弱み」を可視化し、次の学習目標を設定しやすくなります。
スキル可視化と転職活動への活用
このセクションでは、取得したスコアを実際の採用プロセスでどのように活かせるかを解説します。数値だけでなく、評価された技術スタックや貢献内容も合わせて提示できる点がポイントです。
採用担当者の関心を高める要素
スキル偏差値は 「実績に裏付けられた」 指標として認識されやすく、応募者情報に加えることで書類選考の通過率が上がるケースがあります（Findy の利用者アンケート結果による傾向）。ただし具体的なオファー率は個々の案件条件に左右されます。
技術スタックと評価項目の提示方法
スコアとともに、以下の情報を併記するとミスマッチ防止につながります。
- 評価対象となったプログラミング言語やフレームワーク
- コミット・PR・レビューなど、具体的な貢献活動の概要
GitHub 公開リポジトリから取得するデータ項目
Findy は GitHub API を利用し、エンジニアの実績を多面的に収集します。本章では取得対象と評価への結びつきを整理し、スコア算出の基盤となる情報を把握できるようにします。
取得対象データの全体像
GitHub 上で公開されている以下のメトリクスを自動取得し、数値化・正規化して特徴量として扱います。
- コミット数・コミット頻度
- PR 作成数、マージ件数、マージ率
- Issue の作成・解決件数
- コードレビューの回数とコメント長さ
- リポジトリへのスター数・フォロワー数
- 言語別行数やファイル数
- 直近 3 か月間の活動比率
各項目と評価要素の関係（例）
| データ項目 | 評価要素へのマッピング |
|---|---|
| コミット数 | 実装力・継続的貢献度 |
| PR 作成・マージ件数・マージ率 | 共同開発能力・コード品質 |
| Issue 作成・クローズ件数 | 問題解決力・プロジェクト管理 |
| コードレビュー回数・コメント長さ | フィードバック提供力 |
| スター数・フォロワー数 | 技術的影響範囲 |
| 使用言語別行数/ファイル数 | 専門スキルの深度 |
| 直近3か月の活動比率 | アクティブさ（時間加重） |
上記のマッピングは、Findy の内部実験で有用性が確認された指標に基づいています。
2024 年 12 月リリース スキル偏差値 ver.3 の主な変更点と新要素
ver.3 では評価精度の向上と、現場で重視される協調性・最新技術適応力を反映した指標が追加されています。以下に主要な改良ポイントをまとめます。
新規指標の概要
- コードレビュー品質スコア – コメント文字数と指摘件数から 0〜5 の評価を算出し、チーム貢献度を測ります。
- 時間加重 – 直近 3 か月の活動比率に 1.5 倍のウェイトを掛け、過去の古いコミットの影響を減衰させます。
母集団拡大と正規化の見直し
2023 年末までに約 30 万人 のエンジニアデータが蓄積され、正規化基準が再計算されています。これによりスコア分布がより安定し、極端な外れ値の影響が抑制されています。
アルゴリズム改善ポイント
- 学習モデルを Gradient Boosting から LightGBM に置き換え、学習速度と予測精度を向上させました。
- 特徴量重要度は SHAP 値 で可視化し、各指標がスコアに与える寄与を明示しています。
- 正規化手法に Winsorizing（上下1%のトリミング） を導入し、外れ値による歪みを低減しました。
※公式情報は Findy の開発者向けページ（Findy Design）をご参照ください。
機械学習アルゴリズムと AI による評価フロー
スキル偏差値の算出は、データ取得から最終的な数値化まで一連の自動プロセスで実行されます。本章では、主要ステップを概観し、各段階で行われる処理内容を説明します。
フロー全体像
評価フローは 5 つの段階 に分かれます。
- 特徴量抽出 – GitHub 取得データを数値指標（例：コミット頻度、レビュー品質）へ変換。
- 前処理・正規化 – 対数変換＋Min‑Max スケーリングで 0〜1 に統一し、Winsorizing で外れ値を除去。
- 重み付け（LightGBM） – 学習済みモデルが各特徴量に最適な重みを割り当て、SHAP 値で寄与度を可視化。
- 生スコア合計 – 重み付き特徴量を加算し 0〜100 の「生スコア」を生成。
- 偏差値変換 – 全エンジニアの生スコア分布から平均 μ と標準偏差 σ を算出し、以下の式で偏差値に変換する。
[
偏差値 = \frac{（生スコア-μ）}{σ} \times 10 + 50
]
各ステップの詳細
- 特徴量抽出：12 種類以上の数値指標を作成し、モデルが扱いやすい形に整えます。
- 正規化：対数変換で大きな差異を緩和し、Min‑Max スケーリングでスケールを統一します。
- 重み付け：LightGBM が学習したパラメータに基づき、SHAP 値で「どの指標がどれだけスコアに寄与したか」を明示します。
具体的な計算例とスコア向上のための実践プラン
ここでは架空のエンジニア（A さん）を例に、スコア算出プロセスと改善策を示します。数値はイメージであり、実際の結果は個々のデータに依存します。
計算例（仮想データ）
以下は正規化後の特徴量と、モデルが付与した重みです。
| 項目 | 正規化値 (0‑1) | 重み |
|---|---|---|
| コミット数 | 0.68 | 0.20 |
| PR 作成・マージ率 | 0.55 | 0.25 |
| コードレビュー品質スコア | 0.62 | 0.30 |
| スター数 | 0.45 | 0.15 |
| 最近3か月の活動比率 | 0.70 | 0.10 |
生スコアは各項目を重みで加算した結果 0.58、100 点満点換算で 58 点。母集団平均 μ＝50、標準偏差 σ＝10 と仮定すると、偏差値は 58 となります。この数値は全体の上位約20％に相当するイメージです。
スコア改善チェックリスト
| 項目 | 推奨アクション | 想定効果 |
|---|---|---|
| リポジトリ活性化 | 週5回以上小規模コミットを継続 | コミット正規化値が上昇しやすくなる |
| オープンソース貢献 | 人気プロジェクトへの PR を増やし、マージ率80％以上を維持 | PR とレビューの重みが高まる |
| コードレビュー取得 | 他者からフィードバックを受け、コメント長と指摘数で品質スコアを向上 | レビュー品質スコアが最大化 |
| スター・フォロワー獲得 | README を充実させ、SNS でプロジェクトを紹介 | スター正規化値が改善 |
| 最新活動の維持 | 直近3か月の貢献比率を0.8以上に保つため、定期的にリファクタリングや CI 設定更新を実施 | 時間加重が高評価 |
上記アクションを計画的に実行すると、特徴量の数値が向上し LightGBM の重み付け効果で偏差値も段階的に伸びます。
まとめ
- スキル偏差値 は GitHub 実績を機械学習で評価し、エンジニア全体との相対比較が可能な指標です。
- 取得データ はコミット・PR・レビュー・スターなど多角的に収集され、各項目は評価要素へマッピングされています。
- ver.3 の主な変更点 はコードレビュー品質スコア、時間加重、母集団拡大、LightGBM へのモデル更新です。
- 評価フロー は特徴量抽出 → 正規化 → 重み付け → 生スコア → 偏差値変換の 5 段階で構成され、SHAP 値により透明性が確保されています。
- スコア向上策 としてはリポジトリ活性化、オープンソース貢献、レビュー取得、スター獲得、最新活動維持の5つを実践することが効果的です。
これらのポイントを踏まえて自身の GitHub 活動を見直すことで、Findy のスキル偏差値を着実に高め、転職やキャリアアップに活かすことができます。