人事分析の新時代を拓くHEARTCOUNT Analytics（ピープルアナリティクス）
HEARTCOUNT Analyticsを用いた人事分析/People Analyticsの手法とその利点を説明します。このブログはHEARTCOUNT AnalyticsのオフィシャルパートナーであるCOKOOZ合同会社の東（あずま）がご説明します。
データドリブンでの人事分析の重要性
人材マネジメントのデータ化
現代のビジネス環境において、データに基づいた人材マネジメントは、組織の成功に不可欠です。従来の感覚や経験に頼る方法ではなく、データを活用して客観的かつ正確な判断を行うことで、より効果的な人材マネジメントが可能になります。
人材データには実際にデータ化されているような取得資格、勤務年数、所属部署、年齢、過去の実績など数値化されたもの。さらにはケイパビリティ・思考傾向など、内面的なものをアンケートとして取得したものがあり、これらのものを活用することが多くなります。
人事分析（ピープルアナリティクス）のデータ化利点：
正確なパフォーマンス評価：従業員の業績やスキルをデータに基づいて評価することで、公平かつ正確な評価が可能です。
採用プロセスの最適化：データに基づいて適切な人材を採用・配属し、離職率を低減することができます。
従業員満足度の向上：データを活用して従業員のニーズや不満を早期に把握し、適切な対応を行うことができます。
このような利点がありながらも、注意点があります。実際の業務では、同じような部署であっても難しい課題に対応している人材がいます。そういう人材は結果が出づらかったり、困難な仕事のためにモチベーションが落ち込んでいるため、不当な評価を受ける場合があります。
よって、データだけでは判断せず、現実の実務状況などを把握した結果として判断をする必要があります。
データドリブンによる組織のパフォーマンス向上
データに基づく人事分析は、組織全体のパフォーマンス向上に直結します。具体的には、従業員のスキルギャップを特定し、適切なトレーニングを提供することで、組織の競争力を高めることができます。また、データを活用することで、リーダーシップの効果やチームのダイナミクスを分析し、最適なチーム編成を行うことが可能です。
仕事に向き合う場合、多くの人が意思・意志や価値観といった人によって異なる面の影響が大きいということです。これらをデータとして表現し、可視化をすることで問題点、改善点が見つかります。
データドリブンでの人事分析例
退職者分析
HEARTCOUNT Analyticsは、退職者分析においても活用ができるツールです。従業員のデータを詳細に解析することで、離職の傾向や原因を特定し、予防策を講じることができます。
具体的な機能：
離職リスクの予測：過去のデータに基づいて、従業員が離職する可能性が高いパターンを見つけます。
原因分析：離職の主な原因を特定し、対策を講じるためのインサイト・洞察を獲得します。
改善策の提案：データに基づいて、離職率を低減するための具体的なアクションプランを提案します。
以下のようにHEARTCOUNT AnalyticsのPremium版に含まれるセグメンテーション分析（決定木）を使うことで、退職に関連する要因は「残業」、「エンゲージ」、「スコア：コミュニケーション」であると発見できます。
退職は「残業」「エンゲージメントスコア」「コミュニケーションスコア」が影響
「残業が多く」「スコア：エンゲージメントが低い」というのは退職に影響しているのは理解できますが、「コミュニケーションが高い」という人も退職しているという結果が出ています。
「コミュニケーションが高い従業員は、対人関係も良く、うまくやっていけるのでは？」と思います。ただしこれは「色々な人とコミュニケーションを取りたい人が孤立しており、不満が高いかもしれない」といった仮説・洞察が得られ、その観点での調査をすべきという結果が得られます。
決定木で見つけた「残業」「スコア：エンゲージメント」を以下のようにプロットして可視化します。オレンジ色のプロットが退職者で、青いプロットが既存社員だとすると、明らかに左上の「残業時間が長く、エンゲージが低い人」が退職している傾向にあります。
同じ残業時間でも企業へのエンゲージの高さで結果が変わります。よって、「残業時間のみで見たらいけない」「残業を減らせという指示が必ずしも妥当ではない」ということも理解できます。
左上に固まり特徴として残業時間が長く、エンゲージが低い傾向が高いことがわかる
こうなると左上のゾーンにいる青色の社員は何かしら退職リスクがあるためにフォローが必要な人材だと判断ができるでしょう。また重点的にヒアリングして、不満点や職場環境の問題点を洗い出すこともできます。
「予測」と「理解」により異なる分析方法
ここで重要なことは決定木の手法を使うことが「予測をする」ことではなく、「理解する」ために活用するということです。決して「退職者予測」をするのではなく、「退職者に共通する状況の理解」をすることが重要です。
機械学習で退職者予測をすると、「その人が退職しそうなのはもうわかってる」といった結果になることが多くなります。
「残業」「エンゲージメント」が影響しているというのは当たり前に思えます。しかしながら、それを実際に可視化し、定量的に見せることで、多くの人が一見して「確かに問題だ」という認識を得ることができます。この共通認識がないと、上司・関連部署を説得し、実際の対策といった次のステップに進めません。
ここで重要なのは「ビックデータを活用した機械学習のアルゴリズムの精密さや豊富さではなく、まわりを動かすわかりやすいアウトプット」となります。
データドリブンでの人材育成の効果測定
人材育成プログラムの効果を正確に測定することは、組織の成長にとって非常に重要です。HEARTCOUNT Analyticsは、人材育成の効果を定量的に評価し、プログラムの改善に役立てることができます。具体的なユースケースは以下のようなものです。
トレーニング効果の測定：トレーニング前後のパフォーマンスを比較し、効果を定量的に評価します。
スキルギャップの特定：従業員のスキルレベルを評価し、必要なトレーニングを特定します。
長期的な成長の追跡：従業員の成長を長期的に追跡し、キャリアパスの設計に役立てます。
実際の活用事例
人事データ分析でのユースケース
HEARTCOUNT Analyticsを導入した企業の成功事例を紹介します。ある企業では、離職率が高いことが課題でしたが、HEARTCOUNT Analyticsを活用して原因を特定し、具体的な対策を講じた結果、採用段階から採用条件の工夫し、勤務期間を長期化し離職リスクを低減することができました。
また、別の企業では、従業員の傾向分析・特性分析を通じて各営業担当の特徴を把握して、セールスプロセスを変えることで営業活動のパフォーマンスが向上したという結果も得られています。
導入プロセスとポイント
HEARTCOUNT Analyticsによる分析は、主に以下のステップで進めることが効果的です。
目標設定：人事分析の目的と目標を明確にします。例えば、離職率の低減や人材育成プログラムの効果測定など。
データ収集：必要なデータを収集し、HEARTCOUNT Analyticsに取り込みます。従業員のパフォーマンスデータやトレーニング履歴、属性・経歴などが含まれます。
分析と仮説立て：データを分析し、離職の原因やトレーニングの効果について仮説を立てます。
改善策の実行：仮説に基づいて具体的な改善策を実行し、結果を測定します。人材の場合は中期・長期での確認が必要になると想定されます。
評価とフィードバック：実行した改善策の効果を評価し、必要に応じてフィードバックを行い、さらに改善を図ります。
まとめ
HEARTCOUNT Analyticsは、人事データを分析を進化させるための強力なツールです。離職率の分析や人材育成の効果測定において、その真価を発揮します。データに基づく人事分析を導入することで、組織のパフォーマンスを向上させ、持続的な成長を実現しましょう。
役に立つブログを続けていきたいので、「フォロー」「スキ」を押してもらうと大変励みになります！
この記事が気に入ったらサポートをしてみませんか？