人事データ分析の手法とは？数値化しただけで終わらせないデータの活用方法を紹介

これまで日本の多くの企業では、採用や配置、評価といった人事施策において、担当者の経験則にもとづく判断が重視されることも少なくありませんでした。しかし、主観に頼った判断は、評価のばらつきやミスマッチを引き起こすリスクを抱えています。従業員が納得できる公正な評価を行い、一人ひとりの能力を最大限に引き出すためには、客観的な基準が必要なのです。そこで役立つのが、客観的な事実であるデータを活用した、人事データ分析の手法です。定量的なデータにもとづいて分析を行うことで、これまで見えていなかった組織の課題や、従業員の適性を把握できる可能性が高まるでしょう。データという共通言語で、経営層と現場の認識のズレを防ぐ効果も期待できます。

人事データ分析が注目されるもう一つの大きな背景には、企業を取巻く社会的な要請の急激な変化があります。近年、人材を「資本」と捉え、価値を最大限に引き出し中長期的な企業価値向上をめざす「人的資本経営」が重要視されるようになりました。特に上場企業においては、人的資本に関する情報開示が義務化されています。投資家などのステークホルダーに対して、透明性の高い情報提供が求められるようになったのです。人的資本の状況を正確に把握し、適切に開示するためには、客観的な人事データの収集と分析が必要になります。また、ビジネス全体でデジタル技術を活用するDXが推進される中、人事部門の業務効率化と高度化が求められています。企業が激しい競争を生き残り、持続的な成長を遂げるためには、人事データ分析の手法の導入が必要なのです。

• 参考:

  内閣官房・金融庁・経済産業省「人的資本可視化指針の見直しについて～強い日本経済の実現に向けた、人的資本投資の強化～」 

• 参考:

  金融庁「『人的資本可視化指針（改訂版）』の公表について」

人事データ分析を取入れると、客観的な事実にもとづいて判断を下す助けとなります。従来の人事評価や採用活動では、担当者の主観や経験則が影響しやすい傾向がありました。勤怠情報や評価スコアといった定量データを加えることで、公平性の高い基準を設けられると考えられます。たとえば、ある部署で残業時間が増加している場合、感覚的に「忙しいためだ」と片付けるのではなく、データを見ることで人員不足なのか業務フローに問題があるのかを分析できるでしょう。

従業員一人ひとりの能力を最大限に引き出す適材適所の配置も、データ分析で改善される傾向にあります。それぞれのスキルや過去の経験、キャリアの希望などを統合して把握できるのが助けとなります。新しく立ち上げるプロジェクトのメンバーを選ぶ際、感覚でアサインするのではなく、過去の類似プロジェクトで高い成果を出した人材の特性をデータから抽出してマッチングさせましょう。データにもとづく配置が個人の成長を促し従業員のエンゲージメント向上にもつながると考えられます。

人事データを活用して適切な施策を打つことができれば、課題の根本原因を特定できるため組織全体の生産性向上が期待できます。たとえば、エンゲージメントサーベイの結果と部門別の業績データを比較して、結果が良好な部署のマネジメント手法を分析し、他の部署に横展開して会社全体の底上げを図れるのです。一部の成功事例をデータによって言語化し、組織全体に波及させることが生産性向上の鍵となります。

相関分析を用いることで、従業員が退職する要因を客観的に特定できると考えられます。2つの事象の間にどの程度の関係性があるかを数値で示すのが目的です。たとえば、毎月の残業時間と離職率のデータを用いて相関分析を行った結果、強い正の相関が見られたとします。この場合、残業時間が増えるほど離職する確率が高まると判断できるため、労働時間の是正が急務であると経営層に説明できるでしょう。憶測で語られがちな退職の理由をデータで裏付けることで、的確な離職防止策を打てるようになるはずです。

組織の現状や課題を細かく把握したい場合には、クロス集計が役立ちます。全体のデータだけでは見えにくい偏りを、属性ごとに切りわけて確認できます。従業員満足度調査の結果を全体で見るだけでなく、「部署」と「役職」で掛け合わせて集計してみましょう。特定の部署の中堅層だけが極端に低いスコアを出している、といった具体的な課題などを発見できる可能性が高まります。大まかな傾向を深掘りして、ピンポイントで対策を打つべきターゲットを見つけられる手助けになるはずです。

人材育成の取組みがどれだけの効果をもたらしたかを測るには、時系列分析がおすすめです。過去から現在までのデータの推移を追い、施策の前後に起きた変化を確認しましょう。たとえば、新任の管理職向けにマネジメント研修を実施した場合、研修の受講前と受講後半年間の部下のエンゲージメントスコア推移を追跡します。スコアが上昇傾向にあれば、研修の内容が実務に活きていると判断できるでしょう。教育への投資対効果を定量的に示せれば、次回のプログラム改善につなげられる材料になるはずです。

分析をはじめる前に、必ず仮説と検証目的を定めましょう。経営層から「若手の離職を防ぎたい」という課題が与えられた場合、「入社後のフォローアップ面談が不足しているため、帰属意識が低下しているのではないか」という仮説を立てます。仮説が正しいかどうかを検証することが、分析の目的になります。最初に方向を決めることで、集めるべきデータや使うべき手法が決まってくるのです。

目的が定まったら、検証に必要なデータを集めて統合しましょう。異なる形式のデータをそのまま比較はできないため、分析できる状態に整える必要があります。先ほどの若手の離職に関する仮説を検証する場合、人事システムから入社年次と退職のデータを、スケジュール管理ツールから面談の実施回数を抽出します。表記の揺れや欠損値を修正し、一つの表にまとめる作業が必要です。準備段階を丁寧に行うことが、最終的な分析結果の信頼性担保の基盤となるでしょう。

データが整ったら、適切な分析手法を選んで結果を可視化しましょう。数字の羅列では傾向を掴みにくいため、グラフなどを用いて直感的に理解できるようにする必要があります。若手の退職率と面談実施回数の関係を見るのであれば、相関分析を用いて散布図を作成しましょう。面談の回数が多いほど退職率が低いという傾向があれば、視覚的に明らかになります。ここでのポイントは、グラフを作ることではなく、立てた仮説の真偽を誰もが理解できる形で表現することです。

最後に、分析結果から導き出された具体策を経営層に提言しましょう。データはあくまで現状を示すものであるため、それを使ってどう行動するかが重要です。グラフを示して「面談が少ないと辞めやすいです」と報告するだけでは不十分と言えます。「データから面談の重要性が裏付けられました。つきましては、入社後半年間は月に一度の1on1面談を必須とする制度の導入を提案します」と、具体的なアクションまで踏み込みます。データという根拠を添えて解決策を提示することで、経営層も自信を持って決断できるようになるでしょう。

データの可視化をゴールにするのは避けましょう。立派なダッシュボードが完成しても、それを見て行動を変えなければ組織の課題は解決しない可能性が高いです。経営層にグラフを提出して「現在の離職率はこうなっています」と報告するだけでは、分析の価値を半分も引き出せていないと考えられます。重要なのは「次に何をするのか」というアクションプランをセットで提示することです。可視化はあくまで現状を把握するためのスタートラインであると認識しておきましょう。

人事データには機微な個人情報が多く含まれるため、取扱いには細心の配慮が求められます。従業員の同意を得ずにデータを目的外で利用すると、法的なリスクだけでなく会社への不信感を招く恐れもあります。たとえば、個人の評価やストレスチェックの結果を、本人が特定できる形で関係のない部署の管理職に共有するのは絶対に避けましょう。分析を行う際はデータを匿名化したり、アクセス権限を厳密に管理したりする仕組みが求められます。

人事部門だけで分析を完結させず、現場の管理職と密に連携することが成功の秘訣です。管理職は現場の業務プロセスやメンバーの状況を俯瞰して把握しており、データには表れない「特有の事情」を知るキーパーソンです。データに表れる数字の背景には、現場で起きているさまざまな条件や事情が影響を与えています。残業時間が多い部署を見つけた際、数字だけを見て「早く帰らせるように」と通達を出すと、現場が反発する可能性もあります。実際に管理職へヒアリングを行えば、特定の顧客対応に追われているなどの実態が見えてくるでしょう。データによる客観的な視点と現場のリアルな声とをすり合わせることで、実効性のある施策を生み出せるはずです。