HR 分析とは？

人事チームにとって有用なデータは、従業員のパフォーマンス、経験、ビジネス成果を測るものです。測定基準としては、パルスサーベイ、感情分析、従業員ネットプロモータースコア、1 対 1 のミーティング、退職/勤続面談などがあります。

投資利益率は、より良い人材に関する意思決定を行うことで得られるビジネス価値を高めます。

満足度が高く、健康的で、エンゲージメントの高い従業員は、欠勤する可能性が低くなります。欠勤率を追跡することで、企業は従業員の健康状態や幸福度を把握することができます。

非自発的離職率では、従業員が企業内の職務から解雇される割合を追跡します。これは、企業内の従業員数に対して、非自発的に解雇された従業員の数を計算することで判明します。また、非自発的離職率から、採用の質を分析するための採用戦略に関する情報を得ることもできます。

採用希望者が内定を受け入れるかどうかは、さまざまな要因によって決まります。しかし、これらの要因の多くは、企業の人材獲得戦略に直接関係するものです。内定受諾率が低い場合は、採用プロセスに重大な問題がある可能性があります。内定受諾率は、正式な内定者数を募集中の人数で割って算出されます。

売上高を企業内の従業員数で割って算出され、従業員 1 人が生み出す平均的な売上高を示す測定基準です。これは業務効率や企業が従業員を通していかに効率的に売上高を生み出しているかを示すものです。

雇用までの時間は、新しい人材を見つけ、雇用するまでにかかる時間を表します。雇用までの期間が長ければ、雇用プロセスに非効率性や障壁がある可能性があり、雇用までの期間が短ければ、将来の従業員により満足できる経験を提供できます。

トレーニングの効率は、トレーニング後のパフォーマンスの向上、従業員の役割の向上、テストのスコアなど、複数のデータポイントの分析によって特定されます。トレーニング効率を測定することで、企業の研修プログラムの有効性をより的確に把握することができます。

研修に費用がかかりすぎることは、効果のない研修と同じぐらい問題です。研修費用の総額を研修に参加した社員数で割ることで、社員 1 人当たりの研修費用を算出することができます。

従業員が仕事を辞めることを選択する割合で、従業員の経験における問題点を特定するのに役立ちます。離職者数を全従業員数で割ることで算出されます。

求人広告を出してから、そのポジションに就く従業員を採用するまでの期間を表します。ポジションが早く埋まれば、企業はメリットを得ることができます。この測定基準は、より効率的なプロセスのための戦略を練るのに役立ちます。

中核的な人事システムには、分析ツール用に人事部門から得られるデータポイントがいくつかあります。測定基準としては、従業員の在職期間、報酬、トレーニング記録、業績評価、従業員の潜在能力と価値、受けた懲戒処分の履歴、報告体制などが考えられます。

これらの測定基準の問題点は、データがばらばらで完全に信頼できるものでない可能性があることです。この点で、散在するデータを整理し、関連するポイントのバケットをグループ化するデータサイエンティストが重要な役割を果たします。

外部データは、企業内の他部門と連携して収集するもので、より広い視野でデータを収集するために不可欠なものです。外部データで重要な測定基準は、一般的に以下のカテゴリーに分類されます。

• 財務データ：従業員 1 人当たりの売上コストや、新規従業員の雇用コストなど。
• 企業固有データ：さまざまな分析を補足するために人事部が必要とする、企業とその中核的な製品やサービスに関するデータです。
• 受動的データ：従業員は、仕事に応募した時点から、常に HRIS にデータを提供しています。ソーシャルメディアへの投稿や共有フィードバックサーベイからのデータも、人事データ分析を導く重要なポイントになります。
• 歴史的：世界経済、環境、政治など、従業員の行動に影響を与える外部要因は数多く存在します。このようなデータは、社内データでは得られないインサイトをもたらすことができます。

HR 分析への道を歩み始めることは、決して難しいことではありません。適切な情報、戦略、人材、そして賛同があれば、企業は人事パフォーマンスとプロセスを最適化するための実用的なインサイトを得ることができるようになります。以下に挙げるベストプラクティスを検討してみてください。

人事部のリーダーは、分析を活用したワークフローに対応するよう、チームや企業の準備を整えることが重要です。分析は運用や数学的な側面よりも前に行われる必要があります。分析の必要性を議論することと、データを扱うチームの準備を整えることは、連動して行う必要のある 2 つの要素です。

データサイエンティストは、徐々に人事チームに不可欠な存在になりつつあります。データサイエンティストは、分析ソリューションとその実行可能性の評価を行い、より堅牢で詳細な予測と統計モデルを保証する重要な役割を担っています。

小規模なプロジェクトを成功させることは、人事アナリティクスがビジネスにとって重要な価値を持つことをステークホルダーに納得させるのに役立ちます。こうした迅速な成功は、短時間に具体的でインパクトのある結果をもたらす可能性があります。

人事チームが収集するデータは、コンプライアンス基準や法律に大部分が管理されています。法的な考慮事項には、次のようなものがあります。

1. 従業員のプライバシー。
2. HR 分析ベンダーの所在地。
3. データ収集の目的の設定。
4. 収集されるデータに関する従業員の同意。
5. サードパーティソフトウェアを使用する際のセキュリティ。

企業によって HR 分析のニーズは異なりますが、効果的な HR 分析ソリューションには一定の共通点がある傾向があります。

1. 経営者レベルの悩みを解決する。
2. 高度なデータサイエンスの経験が不要。
3. オンプレミスではなく、クラウドベースである。
4. 高度な機械学習技術に基づいて構築されている。
5. 予測分析を取り入れ、既存のデータから情報を抽出し、パターンを特定し、イベントを正確に予測する。
6. 複雑なデータを視覚化し、チャートやグラフの形で簡単にアクセスできる。
7. SaaS ソリューションとして提供され、初期費用の削減や、最新のメンテナンスとパッチの確実な適用が可能。

分析は現代のビジネスのほぼすべての側面に革命をもたらしていますが、HR 分析は多くの点でまだ初期段階にあります。つまり、人事プロセスや業務にアナリティクスを完全に取り入れることができる企業は、明白な優位性を享受できる可能性があるということです。書籍『The Practical Guide to HR Analytics: Using Data to Inform, Transform and Empower HR Decisions』の中では、著者は HR 分析の成熟度を 4 つのレベルに分類しています。

HR 分析の最初のレベルは、過去の出来事を振り返り、その出来事がなぜ起こったのかについて結論を導き出すためにデータを使用します。このレベルでは基本的に、すでに利用可能なデータを理解し、最終的にそのデータが企業にとって何を意味するのかを調査します。

このレベルとレベル 1 の違いは、データのレポート頻度です。レベル 2 には、事前対応レポート、定期的なレポート、または自動化されたレポートが含まれます。主な機能は、変数の間にある関係を調べることです。

このレベルは、より徹底した分析が開始される地点です。カジュアルなモデルやデータの関係など多くのものが関わり、それらが結果に及ぼす影響を慎重に評価します。

最後のレベルは、予測分析によって定義されます。レベル 4 では、人事部門はデータを収集し、それを応用して未来を予測し、そのために適切な計画を立てます。

残念ながら、企業内のほとんどの人事部門では、レベル 1 は完全に機能していますが、レベル 2 が機能しているのは 3 分の 1 に過ぎません。しかし、レベル 3 と 4 が機能している人事部門では、効率性の向上、プロセスの改善、ビジネス上の意思決定における役割の拡大が、当然の結果となって現れているのです。