この一年でHRテクノロジー・アナリティクスは何が変わったのか【セミナーレポート】

HRテクノロジーに領域に対する企業の対応状況（PwCコンサルティング合同会社 土橋氏）

ピープルアナリティクスに関する日立の取組み（株式会社日立製作所　中村氏）

HRテクノロジーをどう活用し、人事の武器にするか（パネルディスカッション）

近年、採用や教育、組織開発などにおいて、ピープルアナリティクスといった「HRテクノロジー（HR Tech）」を耳にする機会が増えています。導入を検討している企業も少なからずあると考えられますが、そもそも「HRテクノロジー／HR Tech」とは、一体何を指しているのでしょうか。また、国内の企業ではどのくらい導入・活用が進んでいるのでしょうか。その実態をレポートします。

HRテクノロジーに領域に対する企業の対応状況（PwCコンサルティング合同会社 土橋氏）

“HRテクノロジー元年”と言われている中で、国内の企業の現状はどうなっているのか。当社が行っているサーベイの結果をもとに、企業のHRテクノロジーに対する対応状況について、4つのポイントでお話していきたいと思います。

Employee Experience（EX）領域への注目度が高まる

ここ数年HRテクノロジーに関する関心が高まり、様々なツールも開発されてきています。しかしながら、全体像の整理はあまりできていないと思っています。HRテクノロジーは「3つのE」という観点から整理することが出来ると考えています。

1つ目（上）の“Employee Experience”は、「従業員が企業組織の中で体験・経験することの価値」を指します。つまり、ITツールやモバイル端末などを活用して従業員が企業組織で体験することの質を高め、エンゲージメントを向上させるという取り組みです。2つ目（左下）にある、“HR Effeiency”とは人事関連業務の効率性を高める取り組みで、具体的にはRPA（Robotic Process Automation）によって定例業務を自動化することなどが挙げられます。そして3つ目（右下）は、“HR Effectiveness”。これは人材データの分析を通じて人材マネジメントにおける意思決定の精度をあげていこうとするものです（ピープルアナリティクス）。下2つは数年前から注目を集めていましたが、ここ1、2年でEmployee Experienceという言葉が日本でも取り上げられるようになりました。PwCのサーベイ（エンプロイー・エクスペリエンス・サーベイ2018）では約半数の企業がEmployee Experienceについて知っていると回答しており、従業員規模5,000名以上の大企業では10％がEX向上のための施策をすでに検討・実施していると回答しています。日本企業においてもEXをいかに向上させていくかが人事部門の課題として認識されつつあります。

経営層のピープルアナリティクスへの関心が高まる

冒頭でお話ししたように元々人事部門の中での関心が高かったピープルアナリティクスですが、経営層からの注目も集めるようになっています。人材データ活用に関する経営層の関心度合いや課題感について聞いた質問に対して5,000名以上の大企業では2016年が70％、2018年は85％と興味関心割合が高まっています（ピープルアナリティクス・サーベイ2018）。実際、人事部門の方とお話をすると経営層から導入・活用を指示されたという声をよく聞きます。

では、ここでピープルアナリティクスについて少し前提を整理します。

ピープルアナリティクスとは、人材データを活用し、要因分析（なぜ退職するか等）、予測分析（3年後にどの程度改善が見られるか等）を行うことを指しています。図でいうとレベル4・レベル5の部分をピープルアナリティクス領域と定義しています。
では、データ分析・活用で具体的にどういうことができるのか。大きく分けて2点になります。1つが「何かを予測すること」、もう1つが「似たもの同士で分けること」です。

「何かを予測する」というのは、例えば、“Aさんが退職する確立・可能性は▲％”、“Bさんが営業部門でハイパフォーマーになる可能性は▲％”といった、過去の統計データを入れて、将来起こることを予測するというものです。一方、「似たもの同士で分ける」についてですが、“今年の応募者、内定者はリーダータイプが▲％”などと、SPIなど適性試験のデータや属性情報等を踏まえて人材をタイプ分けして、応募者や内定者のポートフォリオを把握することなどを可能にしています。

このようにデータにすることで、これまで人事・採用担当者が感覚的に判断（勘と経験）やっていたことを、リスクや機会の可視化をすることで、対応策の早期化へとつなげられるようになります。データを収集して分析し、分析結果に基づいて作成したモデルを踏まえてプロセスを変えていく…というのがアナリティクスの流れになるわけです。

大企業の約8割がピープルアナリティクスを実施または実施予定

大企業（従業員5,000人以上）ではピープルアナリティクスを44％が実施済み、35％が今後取り組む予定という結果になっています。『取り組む予定も関心もない』と答えた企業はゼロでした。上でも述べた通り経営層の高い関心を背景にピープルアナリティクスに着手する企業が増えています。この2年で実施または実施済みが15ポイントほどアップしており、今後も導入は進む一方と予測されます。

分析に使用するツールは依然としてExcelが主力だが…

分析のツールとしては、Excelを使用すると回答（複数選択可）した企業（従業員規模1,000人以上）が全体の約9割を占めました。この状況はここ3年で大きな変化は見られません。やはり誰しもが使えるツールをベースにはじめる、という動きがみられるようです。

一方で、専門的な分析ツールを使う企業も増えており、ピープルアナリティクスの取り組みの成熟度に比例し、ツールも高度化する様子がうかがえました。さらに、専門の外部ベンダーのツールを活用する企業も一定数存在しているようです。

調査結果に表われている通り、人事部門において、ますますHRテクノロジーの重要性は上がっていくと考えられます。特に今注目を集めているEmployee Experienceは取り組みに着手する企業が増加していくと考えています。

ピープルアナリティクスに関する日立の取組み（株式会社日立製作所　中村氏）

私はずっと人事畑におりましたが、2017年にピープルアナリティクスを専門に手がける部署を立ち上げました。現在は採用領域だけでなく、生産性、配置のフィット感など個人を活かすための分析・活用を行っています。本日は、日立におけるピープルアナリティクスの活用について、事例を交えながらお話していきます。

「People Analytics Lab」設立の背景

今後、HR領域で予見されることは、「モノからコトへ」というビジネス環境の変化。および、少子化・生産人口激減による「高生産性の実現」。そして、マスマネジメントから「One for One」という個ごとのマネジメント体制へと変わっていくことが考えられます。今までのような十分なマネジメントができなってくる。そこで、社員情報だけではなくアンケートやコンピテンシーなどのデータを用いて分析し、人材の可視化に向けて動き出したわけです。
つまり、データとAIを利用することで人材を可視化し、KKD(勘・経験・度胸)のマネジメントから脱して「組織の課題解決に積極的に寄与する人事を目指す」という思いが背景にありました。

HRテクノロジーのコアとなるのは、“人を分析する”ということです。ピープルアナリティクスは（土橋さんの資料にもありましたが）何よりもレベル4の要因分析部分が大事になります。「今年は何人退職したのか」「これまでと比べてどうだったのか」というところから、「なぜ辞めていくのか」を可視化していく。その上で、予測する（レベル5）ことができるのです。よく「どうすれば予測までできますか？」と聞かれることがありますが、そのためには、レベル4の要因分析に力を入れるべきですね。辞めるのはどのような要素があるのか、傾向はあるのか…など、データを読み解いていくとどういうタイプが辞めていくのかが見えてくる。それをもとに、機械学習（AI）をすることでより精度高く、また人事部の目に留まっていなかった部分が見えるようになります。必ず「データを読み解く（要因分析）」ということが重要になります。
こういうことを日立でもやっていこうと、システム＆サービスビジネス統括本部の中にPeople Analytics Labという組織を立ち上げました。データはどうしてもマイナス要素に目がいきがちですが、「ポジティブにデータを使っていく」ということを組織の約束にしています。今後、事業化も検討しており、外販に向けた開発をしていこうと考えています。

日立のピープルアナリティクス活用事例ー新卒人材（人財）ポートフォリオの検討ー

では、採用における実際の取り組み事例について説明していきます。
採用担当者のあるあるだと思うんですが、「優秀な人材を採用しようって言われるが、優秀の定義ってなんだろう？」「面接官ってみんな共通認識を持っているんだろうか？」「選考の仕方はこれで正しいのか？」など。自社が求める人材の選考基準について悩まれる方も多いのではないでしょうか。
当社でもそのような経緯があり、新卒採用について見直しを図ることにしました。これから必要となる人材を適切に採用することを目的に、ピープルアナリティクスの積極的活用を開始したんですね。ここでのポイントは「人事施策(運用)まで落とし込む」ということです。ピープルアナリティクス活用で有名なのは、サイバーエージェントさんやセプテーニさんなどですが、いずれの企業も分析後の「運用方法まで決めて実施」されています。これがとても大切なんですね。作った人（企画した人）にしか分からないというのではなく、誰もが運用ができる状態を作ることを意識しなければなりません。

これまでの新卒採用の傾向をデータに基づき分析したところ、応募者・内定者とも一つのタイプに集中し、大きな偏りがあることが明らかになりました。仮にABCDタイプとすると、Dタイプの人材が突出して多くなっています。一方、今後を見据えると、他のタイプにも必要な人材は存在します。そこで、より幅広い人材を求め、採用する人材について偏りを緩和することを試みました。

人材要件の策定をし、選考方法を大きく変える

次に行ったのは、データとインタビューをもとに、ABCDそれぞれのタイプでハイパフォーマーの特性・要素をまとめ、「人材要件」を作成することです。その上で、選考で「見るべきポイント」を明確にし、面接における質問スクリプトなどを作り上げました。新卒採用はどうしてもポテンシャル要素が強く、面接官の主観で選考を行ってしまいがちですが、個人の感覚で判断しないためにも、“変わらない・変わりにくい能力”を見極めることが重要だと考えたからです。

例えば、特徴的なこととして、「面接官が変わるたびに同じ質問をするのは意味がないため、選考別に質問を変える」、「入社前に強いエンゲージメントを求めないので志望動機に重きをおかない」などがあります。ですから、当部門の理系人材の新卒選考において同じ種類の選考は実施していません。作文、グループディスカッション、集団面接、個人面接…など種類を変えて多角的に見るようにしました。また、面接の時間は長めに取るようにしています、最終選考では60分を設定。十分に時間をかけ人材を見極めることを重視しました。
結果、応募者のタイプは例年通りの比率だったものの、内定者のタイプの偏りは緩和。具体的には、Dタイプが20ポイント減少し、ACタイプの人材比率が上昇しました。また、2016年度と比較して、内定者は設定した「人材要件」で高い結果が出ています。

ピープルアナリティクスを採用以外の領域でも活用

現在は採用を中心にデータ活用を実施していますが、今後は「人材配置」や「生産性の向上」にも活かしていきたいですね。最終的には「個人レベル」にまで分析を落とし込み、意識（内面）と行動（外面）から、その人に何が起こっているか、今後どのようなことが起こり得るかを把握し、離職の予防などに役立てることができると思っています。私は、テクノロジーの進化によって、これからの人事は人材の才能を活かすことが役割となると思っています。
AIなど技術進化が激しい中で、テクノロジーを使う側になるか、使われる側になるかの岐路に立っているとも言えるのではないでしょうか。テクノロジーについてわからないことが多いからこそ、倦厭している方もいると思いますが、まずは使ってみるという姿勢が大事だと思います。今、会社にある人事データでまずはやってみる。無理して新しいデータを使ってみようとすると大変なことになってしまいますから。大事なのは「目的を何にするのか」と言うこと。目的がちゃんと設定されていれば分析結果にある程度仮説を持つことができます。スモールスタートでまずはやってみることからはじめてはどうでしょうか。

HRテクノロジーをどう活用し、人事の武器にするか（パネルディスカッション）

HRテクノロジーは魔法の杖ではない。まずは触ってみることが大事

中村氏：
多くの問い合わせは寄せられるのですが、年を経るにつれ質問内容が具体的になってきているんですよね。2016年には、「どういうものか教えて」「意見を聞かせて」という内容。それが2017年には「ツール導入の予算はどれぐらい？」「ベンダーはどこにお願いしてる？」といったコストに関する内容に変化しました。そして、2018年には「具体的にやりたい」「上司から導入を指示されている」と詳細まで相談いただく機会が増えたように思います。しかし、実際突っ込んで聞いてみると、まだ「何を実現したいのかがふわっとしている」企業が多いように感じています。でも、私はそれでもいいと思っていまして、どんな状態でもまずはやってみることが大事。日本企業の場合、稟議を通して…など手続きで二の足を踏んでしまうことも多いですから。

土橋氏：
私も、現在の国内におけるHRテクノロジーの盛り上がりをポジティブに捉えています。当社の調査でもデータサイエンティストやデータアナリティストを人事部内に配置して分析を行っている企業は増えていることが確認できています。
ただし、注意したいのは、「HRテクノロジーは魔法の杖ではない」ということ。期待値が高まり過ぎているがゆえ、AIを使えばハイパフォーマーが誕生する…という誤解をされている方も多いように思います。適切な期待値を持つためにも中村さんがおっしゃるように、まずはスモールスタートでも一度やってみるということだと思います。社内のデータが一元管理できていなくても分析できることはありますし、一度分析することでどういったデータを整備すべきか、足りないのかも見えてきます。1年間データ整備に費やして、次の年に分析を開始して…だと、取り組みの効果を実感できずに途中で息切れしてしまう可能性がありますからね。

データを武器とするために重要な、4つの能力

中村氏：
どうすれば人材が育つか、離職を防げるか、ということはデータによって「見える化」されます。逆に言えばデータがないと経験や勘が頼りとなり、結局、長く人事をしている人の意見が正しいとなってしまうわけです。分析・解析することで、経験や勘が裏付けされ、自分たちの行動に納得感が生まれる。人事部としてもきちんと数値データを持つことは、武器となります。

土橋氏：
そうですね。ただどうしても数字は一人歩きしてしまいがちなので、データを出して終わりではなく、運用まで設計しないといけません。ピープルアナリティクスにおいて4点の能力が必要だと言われています。

ですが、特に重要なのは、1と4です。仮説立て、出た数値をもとにどう運用するか考えることですね。

【まとめ】

本セッションを通じ、HRテクノロジー（HR Tech）という言葉は知っていたものの、現状や事例などより深く理解できた人事・採用担当者の方も多いのではないでしょうか。特にアナリティクスとは、「今までの経験や勘の見える化である」ことがクリアになったのはおおきいはずです。登壇した土橋氏、中村氏、碇氏は、いずれもHRテクノロジーの盛り上がりをポジティブに捉えており、また、スモールスタートによる早期の着手を推奨します。中村氏が指摘するように、テクノロジーは未知の部分が多いからこそ、いち早く使ってみることが重要ですし、採用競合よりも先んじて手を打てるかもしれません。導入を迷っているのなら、機を逃さずにスタートを切するのがよいのではないでしょうか。

（文／中谷 藤士、撮影／石山 慎治、編集／齋藤 裕美子）