目次
人事データを分析・活用して、組織が抱える課題を解決へと導くための手法を指す「ピープルアナリティクス」。人事担当者による勘や経験だけでなく、AIやビッグデータ分析などのテクノロジーを用いることで、効果的な人事施策を実施できることから注目を集めています。本記事では、株式会社ビズリーチ HRMOS WorkTech研究所所長の友部博教が、ピープルアナリティクスを基礎からお伝えしていきます。
第4回にあたる本記事では、ピープルアナリティクスに関わる人事データの種類や、それらを活用する上で注意するべきポイントについてお伝えしていきます。
友部博教
株式会社ビズリーチ
HRMOS WorkTech 研究所所長
兼 人事本部タレントマネジメント室
ピープルアナリティクスグループ
マネージャー
2004年、東京大学大学院で博士号(情報理工学)を取得後、名古屋大学、産業技術総合研究所で、コンピューターサイエンス領域の学術研究に取り組む。その後、2008年より、東京大学で助教として研究・教育に携わる。2011年4月株式会社DeNA入社。アプリゲームやマーケティングの分析部署の統括を務め、人事領域ではPeople Analytics部門の立ち上げに携わる。2018年10月株式会社メルカリ入社。人材開発部門においてPeople Analyticsに関する施策を担当。その後、2019年11月に株式会社ビズリーチに入社し、HRMOS WorkTech 研究所所長と人事本部タレントマネジメント室ピープルアナリティクスグループ マネージャーを兼任。
HRMOS WorkTech研究所について
株式会社ビズリーチが運営するHRMOSは、2021年3月、WorkTechの活用や、未来の人財活用のあるべき姿を研究し、その情報を発信する研究所として、HRMOS WorkTech研究所を設立しました。
「Work Tech」とは、人事業務のDX実現を目指す従来の「HR Tech」をより大きな枠組みでとらえ、人事業務だけでなく、働く人を取り巻く業務すべてを対象にした「働き方のDX実現」を目指すテクノロジーを指します。働く環境の変化や、働き方の多様化が進むなかで、これからは、従来の「HRTech」だけではなく、働く人一人ひとりの変化に対応し、自律的な活躍を支えるテクノロジーである「WorkTech」の導入が求められると考えられます。
HRMOS WorkTech研究所では、Work Tech領域の調査・研究・開発・学術貢献など幅広い役割を担っており、働き方に対する価値観が多様化する現代において、日本のWorkTech推進を目指していきます。
ピープルアナリティクスにかかわる人事データとは
ピープルアナリティクスにかかわるデータには、利用目的や取得方法によって大きく以下の4つに分けられます。
まずはそれぞれの概要をみていきましょう。
①人事業務にかかわるデータ
普段の人事業務で取得し利用されるデータで、主に従業員の人事データが中心です。客観的、かつ精度の高いデータであることが特徴ですが、従業員数が多くない限り取得できるデータ量は少ない傾向があります。データの正確性が求められるため、日常的、もしくは定期的なデータ管理が必要です。
②従業員の体験にかかわるデータ
従業員の主観にもとづくデータで、いわゆる従業員アンケートやサーベイなどで取得するデータが中心です。従業員の主観にもとづく定性的なデータが収集できることや、収集難易度が低いことが大きなメリットですが、収集できるデータ量は少ない傾向があります。
また、調査方法の設計次第では、データの精度が下がり、分析難易度も高くなる可能性がある、ということにも注意が必要です。
③センサーで取得するデータ
従業員のコミュニケーションやコラボレーションの状況把握などを目的に、従業員の社内での位置情報をセンサーを用いて取得するデータで、近年、新たに利用検討する企業が増えています。
従業員の位置だけでなく、体の向き(誰と話しているのか)や会話の際の声の大きさなども計測することで、誰と誰が会話しているかなど社内のコミュニケーション状態を詳細に分析することが可能です。
特殊な端末を使用するため、データ処理に一定以上の専門知識が必要で、他のデータに比べて分析難易度は高く、導入のためのコストも高くなります。
④日々の業務で蓄積されるデータ
チャットツールやメール、カレンダー、PCログなど、従業員が日々の業務で利用するシステムから取得するデータを指します。データ収集対象となるツールが多く存在するためデータ収集がしやすく、従業員のコミュニケーションやコンディション把握の材料になります。
人事データとしての活用やピープルアナリティクスを目的としたデータではないため、分析難易度は高く、データ量の多さからビッグデータを取り扱うための知識も必要であるのと、利活用に際して十分な配慮も必要です。
まずは「人事業務にかかわるデータ」と「従業員の体験にかかわるデータ」からはじめる
これからピープルアナリティクスに取り組む企業にとっては、センサーで取得するデータや従業員が日々の業務で利用する社内システムのデータなどを活用することはハードルが高く、最初から着手するのは現実的ではないでしょう。
まずは①人事業務にかかわるデータと②従業員の体験にかかわるデータの整備・分析からはじめていきましょう。
両者を組み合わせて分析を行うことで、従業員体験の向上にもつながります。
人事データを取り扱う上で大事なこと
無目的にデータを集め、そのデータの分析結果だけで人事判断をすることは、本質的な人事データ活用とは言えません。
ここからは、ピープルアナリティクスを行ううえで、前提として知っておいていただきたい重要な3つのポイントについて解説します。
ポイント①「目的は組織の課題解決」であるという前提に立つ
ピープルアナリティクスに取り組む際には、課題意識・目的意識を明確に持ったうえでデータを収集することが大切です。ピープルアナリティクスの目的はあくまで、「組織の課題解決につなげること」であり、課題を解決するためにどういったデータが必要で、そのデータを取得したうえで何をするのか、という意図を持ってデータ収集を行わなければいけません。
この目的が曖昧なままピープルアナリティクスに取り組んでしまうと、組織成長につながらないだけでなく、組織や従業員にとっての不利益につながってしまうリスクも考えられます。
その代表的な例として
- 課題解決のために取得したデータを、人事評価に利用してしまう
- システムの予測だけで採用可否や昇進などの意思決定をしてしまう
などがあげられます。
AIなどを活用して、将来的なモチベーションやパフォーマンスの変化を予測したとしても、そのデータはあくまで予測であって、実際の結果ではありません。それだけを理由に人事評価を行うのは、客観的な妥当性に欠けるうえに、従業員側の納得感も得られません。
ピープルアナリティクスの目的を「組織課題の解決」にする場合、集められたデータの分析によって得られた結果は、その目的とは違う人事評価には利用しない、ということが大事です。
ポイント②どのようなデータを / 誰が / 何のために集めるのかを現場に周知する
ピープルアナリティクスに取り組む際には、データの取得目的や意図を周知することが大切です。
先ほどの例の場合、仮にピープルアナリティクスを人事評価に活用するのであれば、事前に目的を人事評価の適正化に定め、そのためにどのような情報が必要であるか、という観点で設計し、それらを全社に共有する必要があります。
客観的にて納得できるものになっているかどうかを意識するようにしましょう。
ポイント③従業員の尊厳やプライバシーに配慮する
従業員のプライバシーに配慮することは、組織の成長以前に、倫理的な問題にもかかわってきます。
ピープルアナリティクスに取り組みはじめると、さまざまな人事データや傾向が可視化されるため、国籍や性別、年齢、在籍年数など、多様な切り口で分析を行うことが可能になります。
ただ、システムの予測によって特定の国籍や性別に何らかの傾向がみられたとしても、それだけを理由に昇進や採用可否などの意思決定をすることは、本質的な意味での組織の成長にはつながりません。当然ながら、本人の納得感も得られないでしょう。
こういった問題は従業員規模があまり大きくない企業に起こりやすく、従業員個人にフォーカスして分析しようとするほど陥ってしまいがちです。
ミクロなレベルでの分析を行う際には細心の注意を払いながらデータを取り扱い、そのうえで、よりその従業員を成長させるための育成プログラムなど、「組織を成長させる」ための取り組みに活かすことが重要です。
現在は、データ活用における法律は厳しく整備されておらず、ピープルアナリティクスに取り組むうえでのガイドラインなどは、一般社団法人ピープルアナリティクス&HRテクノロジー協会が示しています。ピープルアナリティクスを行おうとする企業や人事担当者においては、こういったガイドラインを参考にして適切な判断をすることを心がけましょう。
大切なのは「データをどのように活用するか」
ピープルアナリティクスでは、抽出されたデータをどのように活用するか、ということが非常に重要です。この時にポイントになるのがどのような切り口で分析するかという「軸」を決めることです。時系列を軸に過去と比較して現在の状況を把握したり、従業員の職種や在籍年数などの属性を軸にセグメントに分けて分析したりします。
例えば、人事施策の1つとして朝会を行い、その後、従業員にサーベイを実施したとします。サーベイの結果、朝会の満足度は60%であった、ということがわかったとしても、これだけではそれが良い結果なのか、悪い結果なのかは分かりません。
このような場合に有効なのは「時系列」を軸にした比較です。前月の朝会と比較し、仮に満足度が10%下がっていたのであれば、その原因を探り、改善を図ることが可能です。
また、会社全体の課題だと思われる内容でも、従業員の属性、例えば雇用形態や在籍年数などで細かく分解していくと、実は特定のセグメントで生じている課題であった、ということは少なくありません。
課題が生じているセグメントが明確になると、そのセグメントにフォーカスした施策設計ができるようになり、具体的なセグメントが明確になればなるほど、人事としてのアクションが起こしやすくなります。
分析において重要なのは、無作為に大量のデータを用意することではありません。人事施策の判断をするためにも、分析の軸を設定し必要なデータを絞り込んだうえで、うまく活用していくことが重要です。
分析軸の設定には「目的意識」と「定性的な判断」が必要
データ分析の軸を設定する際にも、「組織のあるべき姿」や「施策の目的」は重要です。これらが明確であれば、その目的にそって考えることで、設定するべき分析軸がみえてきます。
例えば、「営業のパフォーマンスを上げる」ことが目的の人事施策なのであれば、「営業部門」のセグメントに対して分析をする必要がありますし、「早期離職の防止」が目的の人事施策なのであれば、「勤務年数」が1つの軸として考えられます。
このように、解決したい課題や施策の目的によって分析の軸は変わってきます。
また、分析の軸を考えることは、AIやシステムがカバーしづらい範囲でもあります。抽出できたデータをもとに、人事担当者が定性的な判断をする必要も出てくるでしょう。
課題の仮説を立てるためには、これまでの経験や感覚が求められることも多く、現場を経験せずにデータ分析だけをしてきた、という担当者ではハードルが高い部分ともいえます。
人事システムを活用したデータ化・定量化と、人事担当者の経験や感覚をもとにした定性的判断を活用し、組織課題に対しての適切なアクションを起こしていきましょう。
無駄を省き優先順位を決める
人事領域における分析の特徴として、分析後に取れるアクションの選択肢が少ない、ということが挙げられます。さまざまな課題があるなかで、それを解決するためのアクションは、人事異動や採用、コミュニケーション施策などに限られます。ピープルアナリティクスを行ったからといって、「誰もしたことのない新たな人事施策」がみつかることはほとんどありません。
そういった意味でピープルアナリティクスは、新たな人事施策をみつけることよりも、今取り組むべき課題に優先順位をつけ、緊急性・重要性の高い人事施策を明確にすることに活用するのがおすすめです。
人事データはあくまで「データ」でしかありません。
重要なのは、そのデータをもとに組織や人事担当者がどう考察し、どうデータを活用するか。そして、適切なKPIを設計したうえで、どのような状態になった時にアラートを鳴らし、どのようなアクションを起こすかまで設計することです。
次回は、人事データ活用におけるKPIの設定方法について、詳しくお伝えします。