ピープルアナリティクスという言葉を、聞く機会が増えているのではないでしょうか。情報技術の著しい進歩により、IoTを使ってさまざまなデータを取得し、クラウド上に蓄積することができるようになりました。そうして企業の中に出来上がったビッグデータの活用は、どの業界においても注目が集まるところであり、HR業界も例外ではありません。そんなHR業界におけるビックデータの活用方法として、現在注目を集めているのがピープルアナリティクスです。今回はこのピープルアナリティクスについて、どのような効果と成果が得られ、どのようなデータが必要なのかをご紹介します。
ピープルアナリティクスとは、最先端のテクノロジーを駆使して従業員の行動や能力のデータを収集し、集まったデータを分析することで、職場やチームの生産性を高め、満足度の高い働き方を提案するための分析技術のことです。
ピープルアナリティクスという言葉は、GoogleのHR部門の組織名が、「ピープルオペレーション」と名付けられたことに由来しています。「ピープルオペレーションによるアナリティクス」という意味で「ピープルアナリティクス」と呼ばれるようになりました。
では、ピープルアナリティクスの「アナリティクス」とはそもそもなんでしょうか？簡単に説明すると、「データの中に意味のあるパターンを見出し、伝えること」ですが、より詳しく理解するために、4つのアナリティクスについてご紹介します。4つのアナリティクスとは、「記述的アナリティクス」「診断的アナリティクス」「予測的アナリティクス」「処方的アナリティクス」のことです。
記述的アナリティクスとは、過去に起こったことを解明するための分析です。サイトのアクセス数や記事のPV数を見える化する分析がこれに当たります。
診断的アナリティクスとは、なぜその現象が起こったのかを解明する分析です。「なぜ先週からPV数が伸びたのか？」などの問いに答える分析がこれに当たります。
予測的アナリティクスとは、将来何がどのくらいの確率で起こるのかを解明する分析です。円高や円安などの分析などがこれに当たります。
処方的アナリティクスとは、予測的アナリティクスの1歩先をいく分析です。何がどのくらいの確率で起きるかを特定した後に、その事態に対してどんな施策を実行すると、どんな結果になるのかを解明します。「2年後の不況に備えた今の最善策は何か？」というような分析がこれに当たります。4つの分析の中で最も高度な分析であり、今最も注目を集めているのがこの処方的アナリティクスです。
ピープルアナリティクスにおいても、4つのアナリティクスを目的に合わせて使い分けます。そして、このような分析を行うにはさまざまな種類のデータが必要となります。そこで、ピープルアナリティクスに必要なデータの種類についてご紹介します。
ピープルアナリティクスで使用するデータは、主に「人事データ」「デジタルデータ」「施設データ」「行動データ」の4種類に分類されます。
ピープルアナリティクスにおいて最も基本的なデータがこの「人事データ」です。従業員の性別や、年齢、住所、業績、評価、アンケート結果、健康診断の結果などがこれに当たります。
IT技術の進歩により収集が可能になった「デジタルデータ」には、メールのデータやカレンダーのデータ、チャットの記録、コンピュータの使用記録などがあります。ただ、プライバシーを侵害する可能性も高く、後述の行動データと同様に注意が必要です。
住宅での電気の使用量をデバイスで管理できるようになったように、企業においても電気や水道の使用量をデータとして活用し始めています。また、エレベーターの稼働率や、会議室の入室データも管理できるようになり、労働環境の最適化にこの「施設データ」が活用されています。
現在最も注目を集めているのが、従業員の「行動データ」です。従業員の位置情報や誰と会っているか、会話のスピードやトーン、心拍や体温の計測も行われています。これらの計測はセンサーバッジやスマートウォッチなどのウェアラブル端末によって行われるのも大きな特徴です。GoogleやFacebookなどが先陣を切って取り組んでおり、注目されています。
ピープルアナリティクスでは、この4種類のデータを活用して分析を行います。これによって得られるのは、これまで一部のハイパフォーマーが持っていた経験による勘をデータとして明らかにし、ハイパフォーマンスの再現性を高めます。
先ほど紹介したように、ピープルアナリティクスで行われる分析には多くのデータが必要であり、そのデータを使った分析方法もまた多種多様です。今回はピープルアナリティクスの中でも、採用や育成・最適配置に大きな効果を持つハイパフォーマー分析についてご紹介します。
ハイパフォーマー分析とは、パフォーマンスの高い社員の行動特性や能力特性を分析することで、パフォーマンスの高い人材の共通点を割り出します。その分析結果を利用することで、パフォーマンスの低い社員を育成するときに、どのような能力を身につければいいのか明示できるほか、就職希望者の中から高いパフォーマンスを出す素質のある人材を抽出することができます。
ピープルアナリティクスを利用した採用の強化に必要なデータは、ハイパフォーマーを特定するための人事データと、特定したハイパフォーマーの入社当時の人事データです。まず、人事評価のデータを基に誰がハイパフォーマーかを特定します。この時によく使うのが「実績」と「昇進」のデータです。どれだけの成果を出しているか、そしてどんな役職についているかを掛け合わせて、ハイパフォーマーを定義します。次に定義したハイパフォーマーに該当する従業員の入社当時のデータを分析し、共通点を抽出します。これによりハイパフォーマーとなりうる人材を判別するための指標を作ることができます。
ピープルアナリティクスを利用した育成の強化に必要なデータは、ハイパフォーマーを特定するための人事データと、従業員の能力を評価したデータです。まず、採用強化のときと同様に、人事評価のデータを基にハイパフォーマーを特定します。そして、定義したハイパフォーマーに該当する従業員の能力を評価したデータを分析することで、ハイパフォーマーに共通する能力を抽出することができます。その能力を成果を出すための必須能力であると仮定して、育成や研修を組むことができます。これによりパフォーマンスの低い社員が成果を出すための基礎をつけることができます。また、パフォーマンスを上げるにはどのような能力をつければいいかが明確になれば、従業員の能力開発への意欲も高まるでしょう。
ピープルアナリティクスを利用してより理想的な最適配置を実現するためには、ハイパフォーマーを特定するための人事データ、従業員の能力や性格的特徴、思考傾向を分析するためのデータが必要となります。ハイパフォーマーを特定し、共通する能力を抽出するところまでは育成を強化するときと同様です。そしてそこから、最適配置を実現するために考えるべきことが2つあります。それは、「誰をどのチームに配置すれば能力を十分に発揮できるか」「チームのパフォーマンスを上げるためには、現在どんな人材が必要とされているか」です。最適配置では、個人のパフォーマンスが発揮されることだけでなく、チームとしてのパフォーマンスにどのような影響を与えるかを考える必要があります。配置する人材が新卒なのか、若手、中堅なのかによっても考えることは変わってくるため、採用と育成に比べて難易度がぐんと上がります。
ピープルアナリティクスの実施には、様々な分野における専門的な知識を持った人材との協力が必要となります。データを収集するためにはエンジニアが必要ですし、分析にはデータサイエンティストが必要ですし、分析結果を施策につなげるには経営や心理学の専門家の協力が必要となります。これらの人々をつなぎ合わせるためには、それぞれにおいて最低限のリテラシーを持っている必要があります。つまり、今後求められる知識や能力の基準は、技術の進歩とともに今後より一層高まっていきます。読者の皆さんが幅広い知識を身に付けるにあたって、この記事を通して力になれたら幸いです。
そのマインドセットへのアプローチ、間違っていませんか？ アチーブメントHRソリューションズでは、人の行動の根源である「マインドセット」に着目し、個人の「内発的な動機付け」に基づくアプローチによって、人財育成や組織開発を成功に導きます。
正しく研修に取り入れた企業様では「社員の離職率が30%減った」「売上が昨年対比160%を実現した」といった成果を生み出し、進化を続けています。 専門コンサルタントがプロの視点であなたの問題を解決する道筋を示しますので、真に価値のある教育施策を共に考えていきませんか？
