ピープルアナリティクス活用を担う人材に必要なのは、人事領域に対する熱意

企業でAIやクラウドなどテクノロジーの導入が進む中、HR領域では、データ活用によって人事課題を解決する手法の1つとして「ピープルアナリティクス」や「HRテクノロジー」が注目を集めている。人事領域におけるデータ活用の活用は今、どこまで進んでいるのか。人事データで企業は何ができるのか。2019年5月13日に一般社団法人ピープルアナリティクス＆HRテクノロジー協会が開催した「People Analytics & HR technology CONFERENCE 2019」では、業界のキーマンが最先端の活用例や、人事データ活用の未来について語った。

これまでの記事はこちら
・【前編】ピープルアナリティクスは「より良い意思決定のため」に使う
・【中編】サイバーエージェントとパーソルHDが実践するピープルアナリティクス活用

登壇者
大湾秀雄…早稲田大学 政治経済学術院 教授／協会理事
向坂真弓…サイバーエージェント 人材科学センター アナリスト／協会上席研究員
山崎涼子…パーソルホールディングス グループ人事本部 人事企画部 タレントマネジメント室 室長／協会上席研究員

モデレーター
古川琢郎…協会上席研究員

【ディスカッション】これから始めるピープルアナリティクス

古川：ありがとうございます。ということで、三者三様の取り組みをお話しいただきました。「これから始めるピープルアナリティクス」ということで、さまざまなタイミングの方々がいらっしゃると思います。例えば、これは案なのでまた変わるとは思うんですが、大湾先生がお話になったガイドラインのお話であったりとか、いろんな先進企業さんの取り組みであったりを聞いててですね、私なりにこんな流れだなと思ったものをまとめたものです。今日は特にこの3つの課題にフォーカスしてみようと思います。

まず、先ほどのお話の中にも出ていましたが、何から始めるか、目的をどうするか、誰と組むかといったようなことですね。
それから、「データの壁」などと呼んでいますが、ガイドラインのところでも話に出ましたが、正確性や偏りですね。バイアスがないかみたいなとこ

また、これは事前にディスカッションしていて「なるほど」と思ったんですが、一元化をそもそも諦めていないか。これは人事に限らず、いろんなところで最近、PoC（Proof of Concept、概念実証）というワードが飛び交っていますが、PoC疲れみたいなことも出てきますからね。

それから、継続していく上で、人と文化みたいなところをどうやって育んでいくかといったところについて、それぞれいろんな意見をお聞きしたいと思います。

スタート時の壁をどう乗り越える？

まず、先ほどの中でも話に出ましたが、第一歩の壁。何から始めるのかというところで、可視化に取り組んだサイバーの向坂さんの場合、最初の時点で経営層からも、すでにやりたいというところがあったんだと思います。ただ、Geppoのデータを使うとなると、社員に説明したりだとか、あとは経営層もある程度の層まで巻き込まないといけなかったりすると思うのですが、その辺の取り組みについて最初はどうだったんでしょうか。

向坂：そうですね、似たような取り組みをされている企業さんとか、これからやりたい方からご質問いただくことがあります。大体皆さん、最初に当たる壁が2つあって、経営陣の理解がないというのと、現場の目的意識とか活用に対する意欲がそこまでないということをよく聞くんですね。

前者に関しては、ありがたいことに、もともとこの部署を立ち上げたのもGeppoを作ったのも、経営陣からの発案だったので、経営層からの理解と期待値はあったんですけど、逆に後者の現場のデータをどう活用して良いかというところでの温度感が最初すごく掴みづらかったですよね。

第一歩に何をやったかというと、私、特に人事だけではなかったので、全社の人事、私の所属している全社部門の人事もそうですし、あと、現場のHRBPのところも全部行脚してですね、とにかく人事課題を拾って歩きました。

その中で、そこに対してデータで分析して何か見えるかもしれないところを、こまめにやり取りしながらという中で、データ活用に比較的意欲の高い部門と組んで、じゃあ採用でこういうことをやってみましょうとか、この広告部門で分析してみましょうというところで、徐々に徐々に理解者を増やしてっていうのはあります。

活躍している社員や部署ごとの特徴は？

古川：特にBPからということなので、事業部やビジネスごとに違いとか、あるいは逆に、やっぱりサイバーはここだよねみたいなところはあったんですか？

向坂：結果的にですね、あんまり部門が違っても変わらなかったです。というのは、当社の方針として全社で一括新卒採用をした後で、あまり部門のこだわりの強すぎる人を採らないという採用をやっているんですね。

とにかくグループ内で適材適所をぐるぐるやっていきたいという思想で採っているので、広告志望で入ってきた子をゲーム部門に配置したりということも頻繁にやっていたので、あまり結果的に各部門で活躍してる社員に際立って特徴のある部門ならではの、そういったものはあまりなかったですね。

最初の周囲の反応は

古川：山崎さんとかはどうだったんですかね。最初の方。

山崎：弊社においては、経営陣の理解というところは、あまりなかったです。なので、組織を作るということに対するハードルがそこそこ高かったです。やってみても良いけど、半年ねと言われて、半年で何か成果が出なかったら辞めようと言われました。

なので、とりあえず何か作らないといけないなと思ったので、最初にやったのはあんまり良くないんですけど、目的もなく、退職予測モデルを作ったんですね。

それを人事役員に見せたら、何かが予測できるというのを思ってもなかったみたいで、すごく反応が良くて。こういうことができるのであれば、もっとやって良いんじゃないかということになり、できるようになりました。

なので、PoCをやりすぎることはあれなんですけど、最初のPoCは結果的には良かったなという風には感じます。

最初はどこまでアウトプットしたか

古川：リクルートさんの話でもありましたが、まずはUI作ってみましょうかというところがあったと思うんですけど、どの辺までアウトプットみたいなものって作ったんですか？

山崎：具体的なアウトプットで言いますと、社員名がエクセルで縦に並んでいて、その横にパーセンテージが出てるみたいなのを作って、現場に持っていくというということをやりました。

ただ、先ほどちょっとお伝えし忘れたんですけど、私は別に統計に詳しくないので、それをできる人が必要でした。最初、1名の無期社員の雇用は認められなかったので、大学時代に統計学をやっていた人事に興味がある人を契約社員で半年くらい採用して、その人と一緒にやっていったという形になりました。

今思えば、業務委託でそういうプロの方に一時的にスポットで入っていただくくらいの予算でできたと思うんですけど、そのときはあまり知恵がなくて、採用で支援に来てもらっていました。その人とやり、8カ月くらいでモデルまでできたという感じでした。

PoCから広げていった？

古川：PoCをいくつかやる中で、PoC疲れじゃないですけど、PoCだけじゃだめだよね、みたいな流れになってきて、ああいう全体的なタレマネ構想みたいなものに広がっていったわけですね。

山崎：まさにおっしゃる通りで、やったのが、そのPoCをいろんな事業部にコバンザメのように入っていって、そこの事業の中でPoCをして成果を出すということをやっていたんですね。

そうすると、退職リスクもそうなんですけど、現場に落ちたときにその結果が占いのように見えてしまうみたいで。何でこの結果なんだとか、どうやって使えば良いんだみたいなことがあんまり上手く説明できなくて、そこで目的なく、いろんなツールやモデルを作っても、結果的にあんまり現場で使われなきゃ意味がないなという風に思って、目的に立ち戻るということをやったという感じになります。

ピープルアナリティクスを始める上での注意点は

古川：まさにそのデータの一元化や目的はタレマネですよね、といった話が出てきた中で、そもそもそのデータは正確なのかという2つ目の課題の話に移ってきていますが。

大湾先生がいろいろな企業の手助けだったり、ご自身が研究する中で、問題意識を感じているところだったり、この辺でよくミスしてるな、みたいなことがありましたら、ぜひこれから始める方々に軽く警鐘を鳴らしていただきたいと思います。

大湾：一番大きなミスをしている問題はですね、我々はセレクションバイアスと呼んでるものなんですね。つまり、分析の結果を応用、使いたい母集団が最初はあると思うんですね。

ところが最初の分析は、サンプルを使ってやりますから、母集団とサンプルのズレが結果にバイアスを生み出すわけです。で、むしろ、ランダムサンプルにすれば問題ないわけですが、通常はそうじゃない。

一番良い例は、どんな人を採用するかを見直すときに、私の研究会でもそういうことをやっていますけど、社員の情報を使って、どういう人たちが活躍しているか。その活躍している人たちの要素、属性みたいなのを拾ってきて、それを持っている人達を採用しようとします。

ここでちょっと注意していただきたいのが、実際にこの結果を使いたいのは、会社に対しての応募者なんですよ。応募してきた人全体に使いたい。でも、分析してるのは社員。

で、社員というのは、既に応募者の中から会社が目的とある程度基準を持って選んできた人なんですね。その社員のサンプルを使って出てきた結果に従って、そういう人達を採用すれば人を採れるかというと、必ずしもそうではない。

バイアスがあるので、じゃあどうするかというと、そのセレクションバイアスについて学んでくるとですね、どういうことを分析するかというと、どういう人を採用しているかという分析を追完的にやって、その結果を使ってセレクションバイアスを補正するということをやるんですね。

よくFacebookなんかで若い世代から、このアンケート調査をやってますと。何か答えて下さい。協力する人いませんか、と頼まれることがあるのではないでしょうか。

あれは本当にまずい方向で、良いですよと言って回答してくれる人と、本当に知りたいと思っている母集団には相当ズレがあると思うんですね。

そのズレがそういうバイアスをもたらすということを理解すること。どうやって補正したら良いかを考えていくことがやっぱり大事じゃないかと思います。

ピープルアナリティクスは誰に任せるのか

古川：ありがとうございます。人事とは若干ずれる話になるんですけど、昨今、デジタル組織だったりとか、あるいは、デジタル領域の新規事業領域を推進する組織を作りたいみたいなお話をけっこういただきます。その中でも話題になるのが、R&Dみたいなテクノロジーを持ってるところにそういう機能を持たせるのか、あるいは、ビジネスをやっている事業側にその機能を持たせるか、ということです。

会社の選択だったり、業種によっていろいろあると思うんですけど、例えばメーカーさんはR&Dのテクノロジーを持ってるところにそういったリノベーション組織を置くのがけっこう主流になっているんですよね。その方が効率的で早いということがあるんだと思うんですけど。

一方で翻って、じゃあ人事領域では人事の人たちに、テクノロジースキルみたいなものをある程度理解してもらって進めていくのが良いのか。あるいは、テクノロジー側、データサイエンティストや、マーケ領域でバリバリやってましたみたいな人に人事的な素養みたいなものを付けていくのか。はたまた両方か、というところをですね、ちょっと最後に、3名皆さんからご意見いただきたいなと思います。では、大湾先生からよろしいですか。

大湾：私から聞かれる質問だと思ってなかったので、山崎さんにお願いします。

古川：では、山崎さん、向坂さん、大湾先生の順番でお願いします。

山崎：悩ましいところだなという風に思うんですけど、やっぱり人事のデータって、特殊ですし、けっこう機微な情報もあるうえに、データ量も全然ビッグデータと言える量じゃないと思うんですね。

なので、一回私、失敗してるんですけど、外から、データサイエンティストバリバリの方に来ていただくと、データ量のスキルの心情の壁みたいなところで、つまらなくなってしまうっていうのがあるみたいで、それで離脱してしまったという方がいました。

なので、その後やってるのは、新卒で大学時代に学んでいて、人事だったり、人っていうものに興味があって、ここの領域でやっていきたいみたいな人であったりとか、社内の人事でももともとエクセルとかに強くって、データ活用というところに興味があるっていう人を後からいろいろセミナーとかに行かせて育成していくという手法の方が今はマッチしているのかなという風には思っています。

古川：向坂さんいかがでしょうか。

向坂：私も山崎さんに近いんですけど、私自身がどっちつかずなので、分析を取るでもないし、人事の経験もないんですけど、今の人事が持ってるデータ量と出てきた結果をどう使うかを考えると、やっぱり人事経験がなくとも、少なくとも人事の勘がある人とか、出てきたデータをどう解釈して、それを社員にどう還元していくかというところをきちんと設計できる人がまずはやるべきかなと思いますね。

で、その先の、それを出すための、どういうデータを、どういう手法を使ってやったら良いかというところは、社内のプロでも良いですけど、当社でいろいろ試した結果、社内のプロの方にお任せした方が、結果的に社員にデータを見せるときに、結構ナーバスになるんですけど、社員の方ならマスキングしてしまえばあとは契約さえきちんとやっていれば、わりと気軽に出せたりするので、そういった形で外部パートナーさんを上手く見つけて手伝っていただくというのも1つの有効な手段なのかなと思います。

古川：大湾先生お願いいたします。

大湾：やはりデータ分析の能力だけではうまくいかないことがあると思うんです。例えば、どういうことかと言うと、やっぱりそこの対象に関する関心がすごくあると。人が好き、人の行動が好き、それからやっぱり組織を愛しているということも大事だと思うんですね。

その組織をどうにかこう、良くしたい。何かビジョンを持ってですね、何か自分が理想とする組織があって、でも現実とはちょっとギャップがある。

そういう理想として持っていきたいという情熱がある人の方が分析することによって、かなり良いものが出てきているというのは、過去の私の研究会のやり取りから感じてきたことなんですね。

ですから、外から採用されてきた人に関しては、その人の中で終わるということ。あるいは、組織の中のソフト情報を解釈に使うという、応召というものを理解してもらうということがまずはひとつ大事ですし、中にいる人には、自分が分析できなくても、きちっと話を聞いて、どういうことをやってるかということを分かっている程度に理解すれば、両社の話が上手く噛み合えるようになるので、そこからお互いのなるべくナレッジとスキルを学んでいって組織全体とか部署全体のケイパビリティが高くなっていくと思うんですけど、そういうことが両方必要なんじゃないかと。

古川：ありがとうございました。ということで、あっという間に過ぎてしまいましたが、パネルディスカッションは一応終わりにしたいと思います。来月以降ラボは続いていくので、そこで皆さん、いろんな講師を招きながらディスカッションしていきたいと思いますので、ぜひご参加いただければなと思います。【文中敬称略】

おわり

【日本の人事を科学する～より良いピープルアナリティクスに向けて～】
・【前編】ピープルアナリティクスは「より良い意思決定のため」に使う
・【中編】サイバーエージェントとパーソルHDが実践するピープルアナリティクス活用
・【後編】ピープルアナリティクス活用を担う人材に必要なのは、人事領域に対する熱意

【編集部より】
HRテクノロジーについての関連記事

• HRテックは本当に必要か？　ミレニアル世代が生きるEmployee ExperienceとPeople Analyticsの未来
• HRテクノロジーの導入は「データをどう経営に生かすか」という視点で
• 価値観や働き方が多様化する時代に、HRTechで社員のつながりを生み出す方法