PM NOTE

記事

← PM NOTE へ戻る

組織づくり

ピープルアナリティクスとは?人と組織のデータを判断に生かす

Be編集部

人や組織の判断を、経験や勘だけでなくデータでも確かめたい。けれど、何のデータを集め、どう使えばよいのか分からない。人と組織のデータを判断に生かすピープルアナリティクスの考え方と、問いから始めて対話と組み合わせる進め方を整理します。

ピープルアナリティクスとは、人材や組織にかかわるデータを集めて分析し、採用、配置、育成、働き方などの判断に生かす取り組みです。これまで経験や勘に頼りがちだった人や組織の判断を、データという手がかりで補うことを目指します。

一方で、人のデータを扱うことには、ほかのデータにはない難しさがあります。数字だけで人を判断してしまう危険、働く人が見張られていると感じる危険、そもそも何を知りたいのかがはっきりしないまま集めてしまう危険です。この記事では、ピープルアナリティクスの考え方と、扱うデータの種類、始める手順、問いの立て方、気をつけること、よくある失敗を紹介します。

扱うデータの種類

  • 基本の情報:所属、役割、入社した時期、勤続の長さなど
  • 働き方の情報:働いた時間、休みの取り方、仕事の量など
  • 採用の情報:応募の経路、選考の進み方、内定を受けたか辞退したかなど
  • 評価と育成の情報:評価の結果、受けた研修、身につけた力など
  • 声の情報:従業員への問いの答え、1on1で聞いた内容の要点など
  • 離れることの情報:退職した時期、理由、離れる前の状態など

どのデータも、それだけでは意味を持ちません。何を知りたいのかという問いと組み合わせて、初めて判断の材料になります。

始める手順

1. 判断したいことから問いを立てる

最初に、データで何を判断したいのかを決めます。ここがいちばん大切です。たとえば、次のような問いです。

  • 入社して一年以内に辞める人が多いのは、どんな部署や時期か
  • 採用の経路によって、入社後の定着に違いはあるか
  • 働く時間が長い人が多いチームには、どんな共通点があるか
  • 評価の結果に、上司によるばらつきはないか

問いが具体的であるほど、集めるデータも、見るべき分析もはっきりします。「とりあえずデータを集めて何か分かるか見てみる」という始め方は、多くの場合うまくいきません。

2. 必要なデータを確かめる

問いに答えるために、どのデータが必要かを決めます。すでに社内にあるデータで足りるのか、新しく集める必要があるのかを確かめます。必要以上のデータは集めないことも大切です。

3. データを整える

人のデータは、部署ごと、道具ごとに散らばっていることがよくあります。同じ人の情報を突き合わせられるように整え、抜けや誤りを直します。この準備に、思った以上に時間がかかることを見込んでおきます。

4. 分析して、仮説を立てる

データを見て、問いに対する仮説を立てます。数字の傾向が見えても、それが原因なのか、たまたまなのかは分かりません。数字は、現場の人と話す手がかりとして使います。

5. 現場と話して、打ち手を決める

数字から立てた仮説を、現場の上司や従業員と話して確かめます。そのうえで打ち手を決め、試したあとにもう一度データで変化を確かめます。

データと対話を組み合わせる

ピープルアナリティクスで大事なのは、数字と、人の声を組み合わせることです。数字は「どこで、何が起きているか」を教えてくれますが、「なぜ起きているか」までは教えてくれません。

たとえば、ある部署で入社一年以内に辞める人が多いと数字で分かっても、その理由は、仕事の量なのか、上司との関わりなのか、入社前に聞いていた仕事と違ったのか、数字だけでは分かりません。理由を知るには、その部署の人や、辞めた人に話を聞く必要があります。数字で場所をしぼり、対話で理由を探る、という順番が基本です。

気をつけること

人を数字だけで判断しない

データは、組織の傾向を知るためのものです。一人ひとりを数字だけで評価したり、処遇を決めたりするために使うと、従業員の信頼を失います。個人の判断には、必ず人の目と対話を入れます。

見張られていると感じさせない

働き方のデータを細かく集めすぎると、従業員は見張られていると感じます。何のために、どのデータを集め、誰が見るのかを、事前にはっきり伝えます。

扱いのルールを決める

人のデータには、個人に関わる大切な情報が含まれます。誰がどこまで見てよいか、どこに保管するか、いつ消すかを、会社のルールに沿って決め、守ります。分析の結果を共有するときは、個人が特定されない形にします。

分析の結果をまとめる形

分析の結果は、経営陣や現場の上司が判断に使える形でまとめます。次のような項目で一枚にすると、伝わりやすくなります。

  • 問い:何を知りたかったのか
  • 使ったデータ:どのデータを、どの期間について見たのか
  • 分かったこと:数字から見えた傾向。言い切れることと、まだ仮説にとどまることを分けて書く
  • 現場で聞いたこと:数字の裏にある理由として、現場から聞けた声
  • 打ち手の案:次に試すことと、担当
  • 確かめ方:打ち手の効果を、いつ、どのデータで確かめるか

「言い切れること」と「まだ仮説にとどまること」を分けて書くのが大切です。数字の傾向を確かな事実のように伝えると、誤った判断につながるおそれがあります。

担う体制

ピープルアナリティクスは、人事の部署が中心になることが多いですが、人事だけでは進みません。データを整えるには、勤怠や給与、採用の道具を扱う部署の協力が要ります。分析の結果を打ち手に結びつけるには、経営陣と現場の上司の関わりが欠かせません。次のような役割を決めておくと進めやすくなります。

  • 問いを決める人:何を判断したいのかを決める経営陣や人事の責任者
  • データを整え、分析する人:データを集め、突き合わせ、傾向を読む人
  • 現場とつなぐ人:分析の結果をもとに、現場の上司や従業員と話す人
  • 扱いのルールを見る人:データの扱いが決まりどおりかを確かめる人

小さく始めるには

専用の道具がなくても、ピープルアナリティクスは始められます。たとえば、過去一年に辞めた人と、続けている人の配属先、入社した時期、採用の経路を表計算にまとめて見比べるだけでも、気づくことはあります。大がかりな仕組みをつくる前に、一つの問いについて手元のデータで試し、役に立つと分かってから広げます。

始めるかどうかの判断の基準

  • データで答えたい、具体的な問いがあるか
  • その問いに答えたら、実際に判断や打ち手が変わるか
  • 必要なデータが、ある程度そろっているか、集められるか
  • データの扱いについて、従業員に説明できるルールを用意できるか
  • 分析の結果をもとに、現場と話せる体制があるか

従業員の数が少ない会社では、数字から傾向を読み取るのが難しいこともあります。その場合は、大がかりな分析より、一人ひとりとの対話を記録して整理するところから始めるほうが役に立ちます。

場面の例:若手の離職が気になる場合

たとえば、ここ最近、入社して間もない人が辞めることが続いているとします。まず、問いを「入社一年以内に辞めた人には、どんな共通点があるか」と決めます。辞めた人と続けている人の、配属先、採用の経路、入社後の最初の数か月の働き方などを比べます。

比べてみると、ある部署に配属された人に多いことが分かったとします。そこで、その部署の上司や、続けている若手に話を聞きます。すると、入社後の最初の数か月に相談できる人が決まっていなかったことが分かりました。打ち手として、入社したばかりの人に相談役の先輩をつけることにし、その後の定着の変化をデータで確かめます。

よくある失敗

集めることが目的になる

問いがないままデータを集め、分析の画面をつくって満足してしまいます。判断したいことから始めます。

数字だけで結論を出す

数字の傾向を、そのまま原因だと考えてしまいます。現場と話して確かめます。

従業員に説明しない

データを何に使うかを説明しないまま集めると、不信感が生まれます。目的と扱いのルールを先に伝えます。

結果を共有しない

分析の結果を人事の中だけにとどめると、現場は何も変わりません。打ち手にかかわる上司や部署と、分かったことを共有します。

一度の分析で終わる

打ち手を試したあとに変化を確かめなければ、効いたのかどうかが分かりません。決めた時期に、同じ問いで見直します。

データは、対話のきっかけ

ピープルアナリティクスは、人や組織の判断を、データで補う取り組みです。数字は答えではなく、どこに目を向け、誰と話すべきかを教えてくれるきっかけです。働く人の状態の見方はウェルビーイングとは?会社が取り組む意味でも紹介しています。まずは、組織について一つ、データで答えたい問いを書き出すところから始めてみてください。


おまかせPMは、社内に進める人がいないプロジェクトを、進める役割ごとお引き受けするサービスです。組織の課題の整理から相談したいときは、どこから手をつけるかの整理から、ご相談ください。

数字で場所をしぼり、対話で理由を探る、という順番が基本です。
おまかせPM