《後編》ピープル・アナリティクス = 人財のための財務諸表【2】

人財資源を最大活用する“科学された人事”が目指すデータ活用の未来

ピープル・アナリティクス(以下PA)とは、従業員に関わるあらゆるデータを活用してより良い人事意思決定をおこなうことで従業員の幸福度を上げ、それにより経営効果の向上を促す様々な施策の総称です。2017年時点でのPwCによる調査結果では、人事担当者の79%がPAに関心があると答えている一方で、現在でも「重要度は高いが緊急度は高くない」、「何から始めれば良いか分からない」、「いろいろ試してはいるが悪戦苦闘している」という声がよく聞こえます。
そこで本稿では、PAを組織内で推進していく上で、以下の2点を前・後編に分けてお話しできればと思います。
前編:(これまでは)なぜ、うまくいかなかったのか?
後編:技術的・意識的な課題を乗り越えるポイント
なお、本稿を担当するトランは BCG(ボストン コンサルティング グループ)、リクルート、Googleといった企業において、事業開発・経営企画・マーケティングなどの領域で「アナリティクスやアナリストを、いかに経営や現場にとって役立つ武器にするか」に腐心していましたので、人事以外の領域でのアナリティクス活用に際する反省や学びも交えて考察していきます。

技術的・意識的な課題を乗り越えるポイント

前編ではこれまでPAの推進を困難にしていた要因と打開策について考察しました。対処方針を要約すると「PAをヒト資源の最大活用のためのインフラと捉え、リスク管理の観点からも、人員・システムの先行投資を行うべし」となりますが、留意点を改めて話したいと思います。

a. 初めから関係各所を巻き込む
前編で記述した通り、PA推進のゴールは「企業においては経営や現場にとって役に立ったかどうか」、「意思決定の質が向上したか」です。それには、人事・経営・現場がそれぞれの利益相反を乗り越え、一枚岩となって推進していくことが不可欠です。そのため PA チームを組成する際は、少なくともアナリスト(データ分析官)の役割の他に、組織全体に対して取り組みを積極的に喧伝してくれるインフルエンサー(プロジェクトスポンサー=役員クラスが望ましい)や、人事の業務プロセスを熟知している専門家、さらに、IT部門(HRシステムの導入に伴う業務設計の全体最適化のため)や、インサイトの提供・実行の旗頭を担える現場マネージャーを巻き込むことを推奨します。

これは単なる業務分担の観点だけではなく、役に立つインサイトの発掘と実効性を担保する意味でも重要な役割分担です。「データは事実だが、真実ではない」という格言がありますが、コップの半分に水が入っているのを見て、ある人は「半分も入っている」と言い、別の人は「半分しか入っていない」と言う。同じ事象に対しても異なる解釈をするものであり、また、同じ人間の場合であっても、空腹時と満腹時といったようにその人のコンディションによっては解釈を変える可能性もあります。つまり、複数のステークホルダーが関与し、意思決定を推進することが重要なのです。

これを人事文脈に置き換えてみましょう。
アナリストが机上の分析結果を基に「新規事業部門の離職率が15%に上がっている。数年前は基本給を上げて食い止めることができたから、今回も同じように上げましょう!」と提言したとします。しかし現場からは「今回の高い離職率の大半はインドネシアだが、現地水準で15%はむしろ低い」、「事業転換にともなう一時的な新陳代謝であり、数ヵ月先の業績データと照らして評価すべき」、「今年に入って何度か基本給を上げたが、成績の悪い社員ばかり居着いてしまい、むしろ拠点の生産性は悪化した」といった声や実情を進言しました。この場合はどちらを優先すべきでしょうか。

当然ながら、現場からの声を看過しては、役に立つインサイトを提供したとは言い難いでしょう。データはあくまで経営・現場の意思決定をサポートするものですので(※4)、立派なモデリングや分析手法を駆使するよりも、最終受益者にとっての納得性・有用性を最優先すべきでしょう。現場で起きている真実(インサイト)をよりリアルタイムかつ正確に捉えて信頼を獲得するには、現場への働きかけや巻き込みは必要不可欠なのです。

※4:データを過信し誤用すると、事実だけでなく民意すらも歪曲する恐れがあります。近年は人事の領域でも AI や機械学習が台頭し始めていますが、これらが弾き出した結論を業務プロセスや意思決定でむやみに採用することの弊害は、第9回でお話しします。

b. 目的・ゴールを設定する
PAを推進するからには、なんらかの具体的な問題意識を持ち、何の指標がどうなれば「成功」といえるのかといったゴールを設定すべきでしょう。問題意識や指標自体は状況に応じて進化したり変化したりしますので、必要以上に計画や設計に時間をかける必要はありませんし、仮説でも十分です。

ゴールを設定しないと、しばしば「手段の目的化」を誘発してしまいます。
例えば、ピアボーナス制度や、1on1など、「周囲が始めたようだからなんとなく真似てみたが、どんな効果改善が得られたかはよく分からない」という声を聞きます。こうした人事施策は、問題意識がまず先に存在し、それを打開するための手段であるべきです。エンゲージメントサーベイに関しても、定点観測する普遍的な基礎項目と、組織の実情に合わせて臨機応変に入れ替える項目に分けられますので、「いつ、何を、なぜ入れ替えたか」というプロセスが最も価値のあるものです。そうした文脈を看過し、うわべだけを真似てプロセスから学んだことを生かさないのでは、結果に結びつかず、非常にもったいないことなのです。

c. スモールスタート、そしてQuick Winを目指す
ゴールや指標は性質上、進化するものですから、小さく始めること、そして早く失敗して、そこからの学びをすぐに生かすことを推奨します。「ゴールと指標を議論しつくしてから、取得すべきデータを定義したうえできれいに整備してからPAを始めたい」という声も聞きますが、ゴールや指標は変化するもので、変化にともなって取得すべきデータも変わります。データが完璧にきれいに整うのを待っていては何ヵ月も、場合によっては何年も経ってしまいます。ですから、まずは今使える手持ちのデータや材料から順番に示唆を積み上げていく方が、より実効性が高いでしょう。

これに合わせて意識的に設計したいのが 「Quick Win(小さな勝利)」です。人事に限らず、どのようなジャンルの施策に対しても言えることですが、効果が現れるまでに時間を要するようなプロジェクトでは、着実に前進していることが分かりやすく可視化できないと、モチベーションや期待値の低下を引き起こしかねません。

例えば、「面接回数を闇雲に増やしても採用の質は飽和することが分かったので、これまで平均7回だったのを一律4回に減らし、面接官の面接業務時間を40%以上削減した」というように、収益や生産性に直結するインパクトが分かりやすく効果として現れるものであれば御の字です。「エンゲージメントサーベイにより従業員満足度を低下させている23個の小項目を特定したが、特に1年以内の離職率に起因している2つの項目に対してのみ有用性の高い3つの改善案を実行した」といった小さなアクションの変化でも、立派な Quick Win といえるでしょう。

繰り返しになりますが、データ分析における勝利=成功とは、「経営や現場にとって役に立ったかどうか」、「意思決定の質が向上したか」であり、つまりは「既存の非効率な業務や不合理な慣行が、より価値のあるものに是正された」といえるでしょう。

終わりに

PAをスモールスタートで推進することのアップサイドとして、「可視化されるほど、何が分かっていないのかが分かるようになった」、「あとで分析に役立てられるように、ちゃんとデータ入力をしようと意識が変わった」、「単純な比較だけで、自組織の状態を客観的に評価でき、これまでいかにバイアスにまみれていたかを自覚した」といった声が、人事・現場の双方から聞かれます。こうした小さな態度変容の積み重ねが、やがて大きな行動変革をもたらします。是非ともライトに、ただし「課題を乗り越えるポイント」には留意しつつ、 PA に取り組み始める企業が増えれば幸いに思います。
  • 1

著者プロフィール

パナリット・ジャパン 共同創業者/COO トラン・チー

新卒でBoston Consulting Groupに入社後、Recruit Holdings、Googleなどで、新規事業開発・DX(デジタル・トランスフォーメーション)・組織の意思決定支援システムに関わるコンサルティングや事業・営業推進に従事。現在はピープル・アナリティクス専門のBIソリューション、Panalyt(パナリット )の日本法人COOを務める。

パナリットは既存の人事システムやデータファイルに連携するだけで、企業に眠る人データを活用し課題の本質へと導く “組織の人間ドック”です。

《日本語版HP》
《パナリットのピープル・アナリティクスブログ》

人手不足でお困りの企業ご担当者様に<最短1日>で派遣スタッフをご紹介!(リクルートスタッフィング)

関連リンク