人事コンサルタントの視点

選抜、任用、配置、能力開発などの様々な人事施策において、根本となる適切な基準が必要です。前回のコラムでは、インタビュー手法を用いた基準作成について解説しました。今回はデータ分析を用いた要件定義について取り上げます。前編では、人材要件定義の際によく用いられる分析手法をご紹介します。

人材要件定義とは

　前回のコラムのおさらいとなりますが、人事施策に関わる基準作成を人材要件定義、またはコンピテンシーモデリングと呼びます。コンピテンシーとは優れた職務遂行につながる行動群です。各職種、階層に求められるコンピテンシーを整理することで、人事施策における様々な判断を適切かつ合理的に行えます。
　当社では、人材要件定義を数多く手掛けており、毎年100件を超えるアセスメントデータを用いた基準作成支援を行っています。前回ご紹介したインタビュー手法と比較して、アセスメントによる統計分析は、全社員など大規模な集団を対象に簡便に調査が行える点、数値化や統計分析による客観性がメリットです。

準備するデータ

　知的能力やパーソナリティ検査などのアセスメントデータと業務におけるパフォーマンスの関係性を分析することで、職務遂行につながる優れた行動群や必要な能力を定義することができます。よって、この「パフォーマンス」を評価する指標が必要となります。評価指標は、業績評価、営業の売上数字、行動評価など、職務や組織によって異なります。ここで用いる評価指標は分析結果自体の妥当性にも関わるため、その職務を果たすために必要な指標とは何か、それをいかに客観的かつ定量的に測定するか、がとても重要です。言い換えれば、各職務におけるKPIを明確化しておくことが要件定義を行う絶対条件であるといえます。

データ分析でよく用いられる手法

　要件定義を行う際によく用いられる手法をご紹介します。ここでは詳細の計算方法などは割愛し、あくまでも手法の概念をお伝えします。

1. 相関分析
　2つの変数間の関係に関する統計です。関係性の強さは相関係数と呼ばれる数値で表されます。相関係数は－１から1の間におさまり、記号がプラスの場合は正相関（一方が高ければ高いほど他方も高い）、マイナスの場合は負相関（一方が高ければ高いほど他方は低い）を意味します。さらに絶対値が大きいほど強い関係があります。アセスメントの各項目と評価指標の関係性を数値で端的に示すことができます。



2. t検定
　2つの互いに独立する母集団から抽出したサンプル集団の平均の差から、2つの母集団の平均に統計的に意味のある差があるかを分析します。例えば、母集団=社内すべての高業績群と要努力者群とした場合、サンプル集団＝実際にアセスメントデータを持っている一部の高業績群と要努力者群を分析して、有意差のある項目から高業績群の特徴を調査します。相関分析と異なり、集団の平均値が分かるため、特定の能力が「全体的に皆高いが、より高い必要がある」、「全体的に皆低いが、あまり低すぎないほうがパフォーマンスがよい」といった解釈が可能となります。



3.重回帰分析
　ある変数（例：予測したい評価指標）を、複数の説明変数の値（アセスメントデータ）の一次式で予測する手法です。重回帰分析で得られた式にアセスメントデータを当てはめることで、当該業務の未経験者でも評価予測が可能になります。予測される評価指標が１つの尺度で表されるため、選抜場面の序列化に向いています。

4.データマイニング
　もともとはマーケティングの分野で発達した手法で、大量に集積されたデータを採掘（マイニング）して、宝物（情報、知識、仮説など）を見つける手法の総称です。当社では、データマイニングの中で「決定木（Decision Tree）」と呼ばれる手法をアセスメントデータの分析に活用しています。ターゲットとなる集団（例：高業績群）が、その他集団と比較してどのアセスメントの尺度のどの得点域により多く含まれるか、全データの全組み合わせにあたって、帰納的に発見するものです。対象人数が比較的少ない場合でもこの手法を用いることができる点、パフォーマンスに関わるアセスメントの尺度だけでなく、得点域まで示唆することができる点が特徴です。また、場合によっては複数のパターンが抽出されることもあります。



　次回後編は、データ分析による人材要件定義のよくある課題について解説します。