人事コンサルタントの視点

人材データを分析・活用して勘と経験に頼らない意思決定をしようという動きが一般的になってきましたが、実際にデータを分析する段階になると戸惑われる方も多くいらっしゃると思います。デジタル技術が進歩して、様々な情報を収集・分析できる状態になってしまったが故に、どの情報をどう分析すればよいのか迷いやすくなっています。苦労して導入したタレントマネジメントシステムに入ったデータを有効活用し、有効なピープルアナリティクスを進める為に気を付けておきたい3つのポイントをご紹介します。なお本コラムのポイントは、クラスター分析に代表されるような可視化を目的とした分析は対象としていません。

ポイント1．目的変数を設定しよう

人事関連のデータは、収集し始めると膨大なデータが集まります。勤続年数、学歴、研修履歴、異動歴、勤怠、業績評価、コンピテンシー評価、スキル情報、サーベイ結果、アセスメント結果、その他個人情報などです。
多くの場合、まずは平均値を算出する、分布を見てみるなどの基礎分析に取り組みます。データの性質を理解する為には有用なステップですが、いつの間にかあらゆるデータを集計する事が目的化してしまいます。私もやってしまうのですが、いま目の前にあるデータをどう分析するかに執着し、何を明らかにしたいのかが抜け落ちてしまいます。
そんな時は、統計学で使われる「目的変数」という言葉を思い出してください。目的変数は、予測したい事象を表す変数です。データ分析によって明らかにしたい事（目的）を決めないと、目的変数は設定できません。ピープルアナリティクスにおいては多くの場合、事業戦略の実現や生産性の向上、組織の活性化などに関する指標が目的変数として設定されます。具体的には、業績そのものやKPI、エンゲージメントスコア、退職率などがよく用いられます。
目的変数を設定すれば、あとは何によってその事象が引き起こされているか、もしくは相関関係があるか、を明らかにしていきます。目的変数を説明するために用いる変数の事を「説明変数」と呼びます。なお、説明変数は複数の場合もあります。目的変数と説明変数の関係性を明らかにしていく事が重要であると考えれば、ピープルアナリティクスも身近に感じられるかもしれません。

ポイント2．「差」に注目しよう

ハイパフォーマー（以下、HP）分析という言葉が人事担当者の口からよく聞かれます。しかし、HPの特徴を明らかにするために、HPのデータだけを分析しているケースが散見されます。仮にバスケ選手のHPを分析した結果として、HPの95%は身長180cm以上であったという結果が出たとして、何を感じるでしょうか。バスケ選手なのだから身長が高くて当たり前、と思うのではないでしょうか。
HPの特徴を明確化するためには、HPとその他集団の「差」が何によって生まれているかを明らかにすることが重要です。先ほどのバスケ選手の例で言えば、身長はいずれの集団も高いが滞空時間に差があった場合、滞空時間がパフォーマンスと関連していると考えられます。
このようにピープルアナリティクスにおいては、集団間の「差」に価値あるものが表れやすいという事を念頭に置いて分析を進めてみてください。

ポイント3．比較対象は慎重に吟味しよう

「差」に着目する事が重要と書きましたが、比較する集団を誤ってしまうと適切な結果が得られなくなります。先ほどのバスケ選手のHP分析を例にとると、走り幅跳びの選手と比較する分析を行った場合どのような結果が出るでしょうか。滞空時間に差は無く、身長に差が出てくるかもしれません。この事からお伝えしたいのは、説明変数以外の変数は揃える必要があるという点です。バスケ選手という属性は揃える必要がありますし、年齢や所属（実業団なのか大学なのか、高校なのか）なども揃える必要があります。
ピープルアナリティクスでは、職種や階層を分けずに分析するようなケースを目にする事があります。総合職としての活躍人材を明らかにしたい場合など、必ずしも誤った分析とは言い切れませんが、明確な結果を得にくい分析である事は念頭において解釈する必要があります。別の例で言えば、退職者を分析する際にも早期離職と中堅層の離職は要因が異なる可能性があり、注意が必要です。この場合も、分析対象の集団の年次を揃える事で狙った結果を得やすくなります。このように、どの集団間で比較を行うかを慎重に検討することで、分析結果が明確になったり、結果を活用しやすくなったりします。

終わりに

適切なデータ分析を行うために注意すべきポイントを解説してきましたが、得られた分析結果を活用する前に留意した方がよい点があります。分析結果そのものを鵜呑みにしない、という点です。データは何らかの事実を指し示していますが、その解釈にあたってはその仕事に従事している人たちの実感が反映されているか、特定の属性を差別するような結論になっていないかなどをチェックする必要があります。
より具体的な分析結果の例を見たい方や、適性検査を使った分析にご関心がある方は、ぜひ人材データ分析のダウンロード資料も合わせてご参照ください。