人材データを課題解決に繋げる、データの読み解き方と4つのポイントを解説

「可視化によって、今まで見えなかったものが見えるようになった！」というのは、人材データ活用の第一歩です。前回のコラムでもご紹介したように、可視化したデータを定点観測することで、“状態”のわずかな変化や変化のトレンド、傾向など、注目すべきポイントが明らかになってきます。

そして、「データをどのように読み解くか」の視点が多様で幅広いほど、課題解決に向けた様々なアイデアが生まれる可能性が高まります。そこで今回は、可視化したデータを分析する上での、一歩踏み込んだポイントを解説していきます。
既に分析の経験がある方はご自身の取り組みの点検に、これから分析に取り組まれる方は、ぜひご参考としてみてください。

前回のコラムでご紹介したような、事前に設定した目的や指標、仮説に沿ってデータを読み解くことに加えて、可視化したデータから新たな示唆が得られたり、別の視点でデータを分析することを着想し課題解決に繋がることもあります。ここでは、そのような場面でデータ分析のポイントをご紹介します。

（1）データの特性把握

まず、分析を行う上での基本としてデータの概要を把握します。改めて、データの種類（勤怠のデータなのか、評価のデータなのか等）、データの期間（何年分か、等）、データの件数（全社分なのか、特定の組織の分なのか/対象は社員のみか否か等）といった基礎情報は必ず押さえましょう。
そのうえで、データの揺らぎがどのような状態を示唆するのか、仮説を立て、意図性を持って見てみます。たとえば、勤怠のデータから、従業員の業務繁忙、肉体的精神的な負荷の状態、あるいは、メンタル不調の兆候が勤怠データに現れるとしたらどのように表出するかを想定してみるなどです。

（2）複数の視座でデータを見てみる

ここでは「大きな数値」→「小さな数値」を見るということがひとつのポイントとなります。データの見方の基本スタンスです。
データを分析する際には様々な切り口がありますが、最初から細かすぎる粒度の分析に閉じてしまうと、課題解決のインパクトが小さくなってしまったり、重要ではない課題を誤って重要と捉えてしまったり、全体の傾向を掴みづらくなってしまうのです。

この2点について、以降で紹介するポイントの前に、必ず押さえるようにしましょう。

データの分析において、よく使われるのは様々な軸での比較です。例えば、可視化したデータを用いて、「採用媒体ごとの入社人数」や、「年度ごとの評価」のように、項目を軸に比較を行い、その結果から考察を得ていきます。
これは多くの方が馴染みのある方法だと思います。では、少し踏み込んで、分析データが元々保有しているデータ項目を、「時間」「場所」「人」「こと」に分類してみましょう。以下のようなイメージです。

このように4つの切り口で整理することで、課題解決に繋がりそうな観点で新たにどんな比較分析が可能かを認識することができます。例えば、採用データは、「流入経路（採用媒体）」ごとの入社人数がわかるだけでなく、「説明会参加有無」を軸にして各選考フェーズの結果を分析することで、採用において説明会参加の有無でその後の動きに変化がみられるか明らかになるかもしれません。

また、勤怠データは「こと」に該当するデータの項目は持っていないことや、学習データは「部署」までの情報のため部門単位での分析は単体データでは難しいことがわかります。必要に応じて他のデータと結合した分析といったことも考えられるでしょう。

このように改めてデータ項目を整理することで、新たな視点や、他のデータも活用した新たな分析に繋がり、課題解決の幅が広がります。

「比較」は存在するデータ項目を活用してデータを読み解く方法ですが、データの中から似ている情報をグルーピングして分析する手法もあります。

データを散布図等で分析・可視化した結果から、傾向が似ているものや、共通の特性をもつまとまりごとにわけて、データを読み解いていくのです。

例えば、中途の採用活動において、「採用時の選考点数」と「年齢」「性別」等の属性をかけあわせたグループを作成し、各グループが入社後にどのように活躍するかを定点観測する仕組みができると、採用活動における1つの指標となるかもしれません。

これは、クラスター分析と呼ばれる分析手法です。ある程度の分類分けは、可視化したデータから高度な分析スキルがなくとも可能です。そこから更に分析を深めたい場合も、昨今ではBIツールがデータをもとにグループを探すサポートをしてくれたり、分析しやすい環境が整備されてきています。

③で触れた散布図で可視化すると発生することがありますが、他のデータと比較して極端に大きい、または小さい値は外れ値と呼ばれます。外れ値は、測定ミス、記録ミス、データの異常、偏りなどの要因によって発生すると言われています。

もし、平均を使用するデータに外れ値が含まれている場合、本来の平均値よりも小さく、または大きく算出されてしまうことがあるため注意が必要です。しかし、外れ値だからと安易に除外するのではなく、分析の精度を高めるためには、外れ値の除外、外れ値も含めた分析、どちらが適切かを判断する必要があります。

例えば、次年度の育成重点施策の検討を目的に、社員のパフォーマンスデータを分析する中で、他の社員より突出して顧客との折衝回数が少ない社員がいたとします。この場合、もし「顧客との折衝回数が全体平均回数より高い社員から特徴を見いだし、施策に反映したい」、という目的があった場合には、「外れ値」とみなされてしまうかもしれません。

しかし、ここで「営業成績」のデータを見てみると、その社員が高い営業成績を保っていることがわかりました。顧客との折衝回数が少ないにも関わらず、活躍しているということは、生産性高く業務遂行できていることの裏付けになります。この場合には、個別に該当の社員にヒアリングをして次年度施策に反映するといったアクションに繋がりうるので、「外れ値」ではあるものの、分析からは除外しない方が適切といえるでしょう。

以上、可視化したデータをより踏み込んで読み解いていく際のポイントを解説しました。 これらの観点を活用して得られた示唆をもとに、課題解決に向けたアクションプランを策定・実行し、データが更新されるタイミングで、再度、定点観測を行ってみましょう。また、可視化した結果を個人ではなくチームで確認することも、様々な観点から要因の特定や課題解決策の立案に繋げることができます。

このようなサイクルをまわすことで、人材データの可視化をそれだけで終わらせることなく、課題解決に繋げていけるでしょう。