お約束
本コンテンツは労務SEARCHが独自に制作しており、公正・正確・有益な情報発信の提供に努めています。
詳しくはコンテンツ制作ポリシーをご覧ください。
もし誤った情報が掲載されている場合は報告フォームよりご連絡ください。
少子高齢化が進む近年、企業には組織の生産性を向上させるための人事戦略が必要不可欠となっています。
そのような中、人事領域における「ピープル・アナリティクス」と呼ばれるデータ収集・分析方法が注目を集めています。
今回は、ピープル・アナリティクスの目的や導入のメリット、活用できる場面、実行手順をまとめて解説します。
目次
近年急速に広まっているピープル・アナリティクスとは、「ピープル（People）＝人事領域」を「アナリティクス（Analytics）＝分析・活用」して生産性を向上させるデータ活用手法のことです。
ピープル・アナリティクスの目的は、最新のテクノロジーを活用し、社内のビッグデータを収集・分析することで、企業の利益向上を後押しすることです。
Googleによると、ピープル・アナリティクスは「人事に関する業務、プログラム、プロセスなどをデータに基づいて理解すること」を目的とし、従業員を採用、育成、定着させるための基盤として活用されています。
【出典】ピープルアナリティクス- Google re:Work
ピープル・アナリティクスは、Googleやマイクロソフトなどの大企業をはじめ、日本の企業にも近年急速に浸透し、注目されています。
その理由は、社会構造の変化にあります。働き方の多様化が進む中で、従業員の採用や育成、労働力の向上といった人事戦略は、従来のように人事担当の経験や知識に基づいた判断で実施するといった、属人的な対応だけでは限界があります。そのため、企業には客観的なデータ分析を活用した対応が求められています。
ピープル・アナリティクスを導入することで、企業がどのようなメリットを得られるのか紹介します。
ピープル・アナリティクスの最大のメリットは、人事データ、デジタルデータ、インフラデータ、行動データなどの社内人事のビッグデータを分析することで、定量的かつ客観的な判断ができる点です。
また、これまで見落としてきた問題の発見につながることもあります。問題の原因となるデータを分析することで、今まで勘や経験に頼っていた部分が定量化され、より公正で適切な判断につながります。
たとえば、自社の離職率が上昇している問題に対しては、「離職の職種」や「勤怠状況」などを確認することで、どのような人材に離職のリスクが高まっているのか把握でき、適切なフォローをすることにつながります。
人事領域の主な業務であり、これまで属人的な対応が求められてきた「採用」や「育成」の分野においても、ピープル・アナリティクスの導入メリットが得られます。
ピープル・アナリティクスは、企業に蓄積された膨大な人事データを解析し、その目的に合わせて活用することができるため、大幅な業務率化が期待できるでしょう。
ピープル・アナリティクスは「採用」「教育・育成」「組織構築」など、人事分野のあらゆる場面で活用されています。
企業事例を交えて、ピープル・アナリティクスの具体的な活用場面を紹介します。
採用分野では、AI（人工知能）を利用し、就職エージェントや就職情報サイトの中から募集条件にマッチした候補者を抽出することで、企業が求める人材を素早く採用することが可能です。
日立製作所では、新卒採用においてピープル・アナリティクスの手法を取り入れました。「優秀」と言われる人材データを集め、どのような特徴があるのかを洗い出すと、採用すべき人材要件や選考基準が定義され、内定者のタイプが大きく変化しました。
社内に蓄積された人事考課や面談、アンケート結果といった個人データをもとに、従業員個人の能力に合ったキャリア形成やモチベーションアップなどを行う際にもこの手法が役立ちます。
セプテーニ・ホールディングスは、採用だけでなく育成分野でもその手法を活用しています。主力事業であるネットマーケティングをはじめ、メディアコンテンツ事業の競争力に欠かせない人的リソースの底上げを行うため、ピープル・アナリティクスに関する研究に取り組んできました。その研究の結果、配属の相性が従業員のパフォーマンスに大きく影響を与えることが分かりました。
ピープル・アナリティクスの手法は、企業の組織構築を行ううえでもその役割を発揮します。企業の組織構築を行うためには、自社の現状を把握し、何が問題となっているのかを分析することが重要です。
LINE株式会社は、「従業員向けパルスサーベイ」と「人間関係の診断サーベイ」という従業員に対するアンケートを行いました。このふたつのアンケートを同時に運用した結果、自社の現状を早期に認識し、その課題に対する具体的な解決策を考えやすくなりました。
それでは、ピープル・アナリティクスの実行手順を考えてみましょう。
まずは、社内で行ったアンケート結果や面談内容、メールでの投書など、さまざまなデータから解決すべき問題を把握し、課題を設定します。このように、ピープル・アナリティクスを実行するために、前段階として自社の課題を明らかにすることが必要不可欠です。
自社の課題を発見し問題設定をしたら、その問題を解決するための仮説の設定をしましょう。そして、大量な人事データから必要なデータを抽出し、その仮説を実証します。
次に、分析に必要なデータの収集をしましょう。
ピープル・アナリティクスで活用する主なデータは、次の4種類に分類されます。
人事データとは、従業員に関するすべてのデータのことです。氏名や住所、年齢といった個人情報から、勤怠データや人事考課の結果など、入社から現在までのデータが含まれます。人事データは、ピープル・アナリティクスの最も基本的なデータとなります。
従業員が利用したパソコンの利用状況、インターネットの利用履歴や電子メールでのやり取りなどをデジタルデータと言います。
水道光熱費やミーティングスペースなどの利用状況をはじめとする、施設の利用データを蓄積したものがインフラデータにあたります。
行動データは、従業員がどのような行動をとっているのかを計測したデータです。
必要なデータの収集ができたら、いよいよデータの分析・仮説検証に進みます。
ピープル・アナリティクスでは、ビッグデータを取り扱います。分析と一言で言っても「記述的分析」、「診断的分析」、「予測的分析」、「処方的分析」の4種類に分けられます。
記述的分析は、「過去に起きた物事を明らかにする」分析です。過去のデータを可視化し、状況を把握することで今後の対策を検討します。たとえば、離職した人材の属性を確認することで「自社の離職者状況」を把握することができます。
記述的分析によって見えた現状を、これまで蓄積されたデータをもとに関係性を見出すことによって「なぜ起きたのか」を分析します。たとえば、「なぜ離職者が増加したのか」など、その事象が起きた要因を明らかにし、それに応じた対策を講じることができます。
予測的分析は、「将来的に起こるリスク」を予測する分析です。たとえば、「どのような人材に離職リスクが高まっているのか」を発見することで、その人材に対して早めに対策を行うことができます。
また、過去のデータにより、そのリスクがどの程度の確率で起きるのかも分析することが可能です。予測的分析にはAI（人工知能）が活用されるケースも増えてきました。
処方的分析では、記述的分析、診断的分析、予測的分析から得られた分析結果を組み合わせ、「離職するリスクが高い人材に対して、どのタイミングでどのような行動を起こせばよいのか」など「次にどのような行動をすべきか」を予測します。処方的分析においても、AI（人工知能）が用いられるケースが増えています。分析を繰り返すことで、次にとるべき最適な行動の考察が期待されています。
ピープル・アナリティクスの活用によって得られた結果は、結果を得て満足するだけでなく、十分に考察することが大切です。検証方法は適切だったか？別の方法で検証した場合に異なる結果にならないか？重大な要因を見落としていないか？など、得られた結果に対して慎重に議論する必要があります。
結果の考察が完了したら、同じ問題に対して上記の分析を繰り返すことも重要です。その際、新たな課題や別の仮説を設定することで、ますます分析結果の精度を高めることができるでしょう。
ソビア社会保険労務士事務所の創業者兼顧問。税理士事務所勤務時代に社労士事務所を立ち上げ、人事労務設計の改善サポートに取り組む。開業4年で顧問先300社以上、売上2億円超達成。近年では企業の人を軸とした経営改善や働き方改革に取り組んでいる。
詳しいプロフィールはこちら
