人事データを活用して課題解決を行うための運用体制づくり-前編-

労働人口の減少やITの急速な進化など企業を取り巻く外部環境の変化が激しいなか、人事データを活用した問題解決の必要性と需要が高まっています。人事データを活用して人事や組織の課題を解決するためには、ただデータを収集するだけではなく、データから課題を読み解き、改善し続ける運用体制を作ることが大切です。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データ活用と運用体制づくりについてお伝えします。

第5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。

人事データから課題を読み解き、改善しつづける運用体制づくりが大切

人事課題に対して、その都度必要なデータを取得し、その場その場で対応してきた担当者の方も多いのではないでしょうか?本質的な課題解決のためには、施策の結果をモニタリングして、長期的視点でPDCAサイクルを回しつづけることが必要です。そのためには、データを活用した運用を続けられる体制をつくる事が重要。そのためには、次の4ステップが必要です。

本記事では、
1.あるべき姿を具体化し、KPIを設定する
2.データを収集して整える

についてご紹介します。

3.データから課題を読み解く
4.KPIをウォッチしながらPDCAサイクルを回す

については後編でお伝えします。

①あるべき姿を具体化し、KPIを設定する

課題解決のための施策がうまく作用しているか定量的に確認する手段として、KPI(Key Performance Indicator)を用います。理想のあるべき姿に向けての現状とのギャップを測るためにも、KPIの設定が重要です。目的の達成につながるKPIを設定できれば、その後のアクションを迅速に行うことができます。

施策によってどのような姿になるかまで落とし込んで考える

KPIを設定するときのポイントは、まず「あるべき姿」のイメージを具体化し、「施策によってどのような姿になるか」まで落とし込んでから考えることです。

例えば、従業員や組織の活性化を促すことや、従業員自身が自身のキャリアの可能性を広げることを目的に、社内公募制度(社内異動を従業員自身の希望にもとづいて行う制度)の導入を行うとしましょう。異動に関する施策ですので、まずはKPIを「従業員の流動率」とおくとよいかもしれません。この場合は、「異動がどれくらい起こったのか」をデータとして収集すれば良いことになります。

一方で、この施策には「従業員が自身のキャリアの可能性を広げる」という側面もあるため、「キャリア相談」「上司への相談」「各部署の業務紹介の資料閲覧」といった行動が従業員にみられるはずです。よって「期間中の社内のキャリア相談の件数」、「上司への相談回数」、「各部署の業務紹介の資料閲覧数」といったKPIが施策の評価に活用できます。

このように、施策によって従業員が具体的にどういう姿になるのかまでを関わるメンバーの間ですり合わせることで、次のデータづくりが簡単になります。

ここまであるべき姿を具体化して、KPIを設定する理由としては、人事施策は明確な数字による効果がみえにくいためです。効果を測定するためにも目的を明確にしておくことで、施策の良し悪しを評価する事が可能です。

言語化してメンバーの認識をすり合わせておく

人事施策を実施する上で重要なのは、あるべき姿を言語化して、施策に関わるメンバーの認識をすり合わせておくこと。目的は何か、ターゲットは誰か、何をするのか、何を期待するのか、を明確に残すことで、新しいメンバーが入った時にも目的を見失わずに運用を続ける事ができます。言語化することで、施策の実施において的確な判断にもつながるでしょう。

そして、あるべき姿が達成された状態では何が起こっているかを想像して、数字で表現します。数字で設定する事で、効果測定を行う際に明確な基準による判断が可能になります。

②データを収集して整える

KPI設定の次に必要なステップとして、必要なデータを正しく収集することが重要になります。
人事データを取り扱う上で困ることとして、主に以下のようなものがあるでしょう。

  • データ同士を紐づけるためのキーがない
  • 表現の違い(表記のゆれ)によって同じ内容のデータが別物として扱われる
  • データの欠損(一部の従業員のみしかない、一部項目しかない、など)
  • データが更新されておらず、有効期限が切れている

これはどのような人事データ収集に使用されるツールでも起こりうることです。大切なことは、自分の収集するデータが他のデータソースと組み合わせて使われる可能性があることを意識して、必要なデータを正しく収集すること。「何をキーにして他のデータと連携されるのか」を意識してデータ収集を行うことがポイントです。

例えば、従業員情報のなかで従業員一人ひとりに固有なデータ(従業員番号やメールアドレスなど)と連携させることで、他のデータとの紐づけもしやすくなります。

データ収集に使えるツール メリット・デメリット

人事データ収集と可視化に使用される主なツールとして、

  1. 「Excel」、「Googleスプレッドシート」などの表計算ツール
  2. 「Tableau」、「Metabase」などのBIツール
  3. 人事業務に特化したタレントマネジメントシステム(人事管理システム)

の3つがあります。

それぞれのデータ収集ツールのメリット・デメリットについてご説明します。

1.「Excel」、「Googleスプレッドシート」などの表計算ツール

1.の「Excel」や「Googleスプレッドシート」は、一般的に人事で最も多く使用されているツールでしょう。データをグラフに直感的に可視化できるので分析に使いやすく、使い慣れている担当者も多いのではないでしょうか。

導入コストも低く済むメリットもありますが、データが煩雑になりやすく、データの正確性などが低くなる傾向があるなどのデメリットもあります。人事全体のデータや「PA(ピープルアナリティクス)」の基盤を作るには難易度が高いです。

2.「Tableau」、「Metabase」などのBIツール

2.の「Tableau」、「Metabase」などのBIツールは、データの一貫性を保つ事ができるため、エクセルなどと比較してデータクレンジング作業の煩雑さが少ないことがメリットです。一度、データ構造を作っておけば、データ量が増えても計算時間や作業時間が短く済みます。エンジニアに手伝ってもらうことで、データベースの蓄積とデータの取り扱いを楽にする事ができるでしょう。

一方で、人事だけでこれらのツールを活用することは難しく、データベース構築・運用のためにエンジニアのリソースが必要になるというデメリットもあります。

3.人事業務に特化したタレントマネジメントシステム(人事管理システム)

3.のタレントマネジメントシステム(人事管理システム)は、人事業務に特化しており、データ構造やデータの組み合わせなどを考える必要がありません。使い方さえ分かれば、データを入れて分析することが可能です。

ただし、導入にあたってのコストやデータ移行などの人的なリソースがかかることがデメリットになります。

人事データを整えるクレンジング作業の必要性

収集した人事データを分析に活かすためには、データの「クレンジング」が必要になります。クレンジングとは、分析内容の質を上げるためにデータの品質を高める前処理の一種のことです。データを手入力する場合は、表記のゆれや重複などのヒューマンエラーは0にはできません。こうした分析や集計に障害となるデータをあらかじめ整えておくことで、分析作業の工数を下げることにもつながります。

分析の質を高めるために行う人事データのクレンジングのポイントは、主に以下の3つです。

  1. 表記のゆれなどを整える
  2. 重複するデータを削除してデータを軽くする
  3. 必須データを定めて欠損データがないか確認する

表記のルールを決めても、複数データソースから情報を収集すると、表記のゆれや似たような情報が重複することがあります。データの量が増えれば集計にも時間がかかるため、必要最小限にして集計に必要なデータを軽くしましょう。また、分析の目的に応じて「必須データ」を定め、欠損がないかもチェックが必要です。

人事データのクレンジングを行う2つの方法

人事データのクレンジングを行う方法としては、次の2つがあります。

  1. エンジニアがいる場合は、プログラムを書いて実行する
  2. Excelなどで、グラフによる可視化や関数で異常値を探す

2.のExcelなどのグラフや関数を使った方法は、プログラム等に精通していない一般的な人事の方でも取り入れる事ができるでしょう。簡単な集計を行い、数字に異常がないかを確かめることでクレンジングができます。クレンジングも手作業にはなりますが、分析結果に大きな影響があるものを事前に取り除くことが目的です。

正しい分析結果を出すためには人事データを正しく収集することからはじめる

ここまで、データの収集から整える工程までを説明してきました。人事データを活用するためには、必要な情報を整えるクレンジング作業を行うことが大切です。正しい分析結果を出すためには、データを正しく収集し、分析できる状態に整えることが重要になります。

後編では、

3.データから課題を読み解く
4.KPIを設定してPDCAサイクルを回す

についてお伝えします。

続きはこちら
人事データを活用して課題解決を行うための運用体制づくり-後編-