データを味方につけて組織を変える！　成果を出すPA（People Analytics)ドリブン人事 - 第6回・完　これからピープルアナリティクスを始める皆さんへ　～はじめの一歩～

　これまで本連載では、ピープルアナリティクスの概要とその具体的な取り組み方法について解説してきた。最終回となる今回は、これまでの各回の内容を振り返るとともに、ピープルアナリティクスに初めて取り組む場合の進め方、ピープルアナリティクスにおけるつまずきがちなポイントと対処法について触れることで、これからピープルアナリティクスに取り組む読者の挑戦を後押しする内容としたい。

1．これまでの連載内容の振り返り

　本連載では、［図表1］のとおりピープルアナリティクスとその重要性、そしてピープルアナリティクスの課題階層（第2回：ピープルアナリティクス活用モデルを参照）ごとに具体的な取り組みのケースを紹介してきた。

［図表1］各連載回コンテンツ

　改めておさらいをすると、ピープルアナリティクスとは“人や組織に関する意思決定を支援するデータ分析やその結果を活用した取り組み”のことである。特に近年、DX、人的資本開示、人材の流動性・多様性の高まり等のさまざまなトレンドが発生しているが、ピープルアナリティクスでは、これらが複雑に絡み合う人事の意思決定を支援する（第1回）。

　さらに、ピープルアナリティクスでは、その取り組みを継続的に推進することにより従業員個人や組織、ひいては事業に対しても価値を提供することが可能となる。第2回では、ピープルアナリティクス活用モデルを掲示し、その貢献範囲別にピープルアナリティクスの取り組みを個別人事機能レベル、人事戦略レベル、事業戦略レベルの3階層に整理した。そして、第3回、第4回、第5回では、この3階層それぞれに該当する課題について、ケースを取り上げ具体的な取り組みの進め方を解説してきた。

　主人公である丸の内メディカル技研の松本太郎は、ケースを追うごとに、ピープルアナリティクスの実績を積み上げ、社内でピープルアナリティクス領域の第一人者としての立ち位置を確立してきた。しかし、現実には松本のようにスムーズに社内でピープルアナリティクスの認知を得ることは難しいかもしれない。なぜなら、初めてピープルアナリティクスに取り組む際には、目的の設定から施策の実行に至るまでにさまざまな成果創出の壁が立ちはだかるからである。しかし、多くのケースにおいて要点は共通しており、それをあらかじめ理解しておくことで、初めて取り組む場合でも着実に成果へとつなげることが可能となる。ここからは、「初めて取り組む場合の進め方」「つまずきがちなポイントと対処法」について説明していく中で、はじめの一歩を踏み出す際に押さえておくべきポイントを解説する。

2．初めて取り組む場合の進め方

　第2回で紹介したピープルアナリティクス活用モデルのうち、第3回、第4回、第5回にかけて松本太郎は異なる課題階層のピープルアナリティクスを順繰りに取り組み、徐々にその貢献の幅を広げてきた。しかし、現実には、取り組むべき課題が必ずしも一番下の階層からスタートするわけではない。繰り返しになるが、ピープルアナリティクスは課題（目的）起点で行うことが成果を創出するための要であり、その課題は組織によってさまざまである。そのため、まずは自身の組織・事業の環境、また過去のピープルアナリティクスの経験等を考慮し、ピープルアナリティクスで取り組むべき課題を見極めるところからスタートしてほしい。

　また、もしあなたがこれから初めてピープルアナリティクスに取り組む場合には、まずは小さな課題から着手するのがよいだろう。取り組みに必要なデータや影響範囲が小さな課題から取り組むことで、リスクや投入工数を押さえつつ、早急にピープルアナリティクスを開始することが可能となる。その点では、課題階層1の個別人事課題は対象とするデータ範囲や施策の影響範囲が狭いため、最初に取り組む課題として焦点を当てるのも一法である。しかし、課題階層3の事業課題だとしても一部の組織に対象を絞って試験的に実施するなど、小さく開始する余地はある。そのため、自組織における課題（目的）、その取り組みやすさ、対応優先度等を一覧化して、その中から取り組みやすく対応優先度の高い課題を選ぶのがよいだろう。

　一方で、たとえスモールスタートで実施するとしても、取り組みごとに学びを得ることが継続的な成長を促し、将来的によりインパクトの大きい課題に取り組むことへとつながる。そのためには、取り組みを進めるごとに必ず改善点（取り組みの質や効率を下げる要因）の振り返りを行い、新たに発見した改善点を次回の取り組みに反映することが肝心となる。例えば、振り返りの結果、分析のアウトプットから得た示唆によって施策につなげづらかったという点が挙がったとしよう。そして、その要因として事前設計時に考えていた施策インプットの解像度が低かったという改善点が特定されるかもしれない。この場合、次回取り組む際には事前設計の段階で、施策立案時に必要な情報を具体的に検討するというプロセスをアップデートする必要がある。

　特に初めて取り組む場合は、上記のような多くの改善点が抽出されるため、振り返りは非常に重要なプロセスとなる。しかし、きちんとこのプロセスを踏めば、ピープルアナリティクスを進めていくにつれて抽出される改善点は減少していき、取り組みの効率化、高品質化が実現可能となる。そして、この過程を経る中でピープルアナリティクスの実績が徐々に積み上がって、その価値が組織に浸透すると、ピープルアナリティクスを通してより貢献度の大きい課題に取り組むチャンスが得られるだろう。

3．つまずきがちなポイントと対処法

　ここからは、ピープルアナリティクスに取り組む際につまずきがちなポイントを取り上げるので、成功するための要点、対処法について理解を深めてもらいたい。これまで連載で紹介してきたピープルアナリティクスの基本STEPに沿って陥りがちなNGケースを紹介するので、ピープルアナリティクスの各STEPに着手する前はもちろん、取り組みを進めている途中でも、これらの落とし穴にはまっていないかを確認するとよいだろう［図表2］。

［図表2］ピープルアナリティクスの基本STEP別NGケースと対処法

STEP①課題の明確化におけるつまずきポイント
　ピープルアナリティクスは、いついかなる時もその目的（課題）の設定が取り組みの最初の一歩となる。本連載でも何度もこの点を強調しているが、この最初の一歩を誤ってしまうと、後続の分析や施策の実行段階における努力が無駄になりかねない。よくあるNGケースとして、目的は設定しているものの、その内容が的確でないケースがある。ここでは、その具体的なNGケースを参照しつつ、あるべき目的の設定について理解を深めてもらいたい。

STEP①－A：手段と目的を取り違えてしまうケース－システムに蓄積された人事データを使用してAIを構築・導入する
　成果につながらないケースの一つとして、“手段”を“目的”として設定してしまうことが実際には多くある。例えば、何か先進的な取り組みをしたいと考える経営層から、“データ活用”や“AI”といったキーワードレベルでの取り組み課題が与えられ、上記のような目的が設定されるような場合である。このようなケースでは課題が取り組みの起点とならないうちに動き出しをしてしまいがちだが、本来であれば、以下のような流れがあるべき進め方である。
❶ 解決したい課題を設定する
❷ 課題の解決に必要な手段（分析・テクノロジー導入）を検討する
❸ ❷を実行することで❶の課題の解決を図る

　しかし、このケースでは“AIを構築・導入する”という点に主眼が置かれており、本来手段であるべきテクノロジーが目的化してしまっているのである。確かに、AIというワードは近未来的で魅力的な言葉ではあるが、AI自体は目的にはなり得ない。このようなケースは、“高度な分析・テクノロジー導入”にとどまり、その後の施策や事業課題の解決につなげられなかったり、または“実験的位置づけ”や“お試し感覚”での取り組みにしかならなかったりすることも散見される。課題解決に資するという本来の目的に立ち返ると、上記は解決したい課題が明確でないことが分かるだろう。裏を返せば、きちんと目的に向けて設計された内容であれば、たとえ簡易な集計分析だとしても、目的の解像度が低い状態で高度なテクノロジーを導入するよりも実効性は高まる可能性がある。

　このケースのように、システム上のデータ活用が主眼の場合においても、まずは解決すべき課題を一覧化し、その課題に対して手持ちのデータの中から活用できるものを選定して分析するという進め方がよいだろう。また、事の発端となる経営層に対しても、上記の課題の一覧を基に議論することが必要となる。経営層に対しては課題が明確でない中で高度な分析・テクノロジーを導入するリスクを掲示した上で、課題の一覧を提示し、AI導入で解決すべき課題について議論するとよいだろう。

　いずれにおいても、ピープルアナリティクスは本来、課題解決に資するために実行されるべき取り組みであり、データや各種分析手法を含むテクノロジーは目的実現のための材料やツールに過ぎないという共通認識の下、取り組みを推進する必要がある。

STEP①－B：目的の解像度が低いケース－データを活用して採用に関する意思決定の精度を高める
　目的は一見よさそうに見えるが、目的の解像度が低いケースである。ここで例に挙げた“採用”というワードは、採用の応募者数、採用後の活躍度、採用後のリテンションなどさまざまな課題を含み得るテーマであるが、上記の例は採用における課題の所在を具体化しきれていない。目的の解像度が低いまま取り組みを進めると、行うべき分析や分析結果がぼやけてしまい、本来解決したい課題の解決につながらないことがある。例えば、採用後の活躍度が低いのであれば人事評価のデータを含めて分析する必要があり、リテンションが低ければ退職に関するデータを含めて分析する必要があるなど、課題の所在によって必要なデータやアプローチが異なる。
　そのため、目的を十分に具体化した上で設定する必要があるが、目的の具体性が十分かどうかを判断するためには、設定した目的に対して“なぜ”の問いを繰り返し、その要因を分析した上で演繹(えんえき)的に明らかにすべき課題（目的）を特定するアプローチが有効だろう。上記の採用の例でいうと、下記のような構造となる。

　上記のように、分析内容と必要となるデータが具体的にイメージできるレベルまで解像度を高めることができれば、その後の分析の事前設計（事前に取り組み全工程の作業を洗い出し、全体の流れや工程間のつながりを俯瞰(ふかん)してみる作業）や実際の分析がスムーズに開始できるだろう。

STEP②仮説の立案と分析の実行におけるつまずきポイント
STEP②－A：データが足りないことを理由に取り組みを開始しないケース
　さて、目的の設定が完了したら、次は分析を設計・実行するフェーズとなるが、このフェーズに入ると分析のソースとなるデータが足りないことで取り組みを諦めてしまうケースがある。確かに、既に必要なデータがそろっていればスムーズに取り組みが開始できる。さらに豊富なデータベースがあれば、それだけ複雑で手の込んだ追加の分析も可能になるだろう。しかし、万全にデータが整っている状態は極めてまれである。前述のとおり、ピープルアナリティクスに取り組む際には新たに目的を設定した上で、必要なデータ分析を設計していくことになるため、その分析にフィットするデータは、分析を設計する時点でようやく明らかとなってくる。そのため、あらゆるデータ分析に耐えられる統合的なデータベースを事前にそろえるというのは非常に難しく、さまざまなデータを分析して統合的に管理したいデータが明らかとなった後に、必要な投資を行ってデータベースを構築していくというプロセスを踏むことが望ましい。また、もし統合的なデータベースを構築する場合には、その後もデータ種類を増やすニーズが生まれる可能性が高いため、管理データの拡張性を意識しておくことも重要である。

　一方で、ピープルアナリティクスに初めて取り組む際や、新しいテーマを分析する際には、まずは小さいスケールで分析していくことが望ましい。いきなり大規模なデータを分析しようとすると、データの所管組織との各種コミュニケーションやデータの統合・正規化等の処理に多くの時間を取られてしまったり、膨大なデータに対する解釈が求められたりすることで、労力に対して得られる成果が少なくなってしまうこともある。その点においても、まずは手元で扱える範囲のデータのみで分析する、または分析に向けてサーベイを設計・展開し、その結果を分析するだけでも一定の示唆が得られるであろう。そして、その分析結果を踏まえて、追加で必要なデータを特定した上で、徐々に分析対象データを追加したり、新たなデータ収集を推進したりすればよいのである。

STEP②－B：分析の事前設計をないがしろにするケース
　また、分析フェーズでは分析の事前設計が非常に重要なステップとなるが、これをないがしろにしてしまうケースもよく見受けられる。分析を設計する際には、目的を起点として必要な要素を洗い出し、それらを設計に組み込むことが肝要となる。そのためには、分析の設計段階で目的の実現に向けて、必要な施策についても考えを巡らせておくとよいだろう。例えば、活躍人材の獲得拡大に向けて活躍人材の能力・スキル・性格特性を特定し、これらを採用時の選考要素として取り組むなど施策の解像度を高めることで、課題に対する施策の意思決定に必要な情報やデータの解像度を高めることが可能となり、分析計画の具体性・実効性を高められる。そして、これら一連の設計をするためには第3回で紹介したような企画書を作成することが有効だろう［図表3］。企画書を書き上げる中で、分析後の施策立案・実行までの流れがイメージでき、目的の実現に向けて必要な要件やその過程における課題についても考えを深めることができる。結果として、分析から施策実行までの一連の取り組みをスムーズに推進することが可能となるのだ。

［図表3］企画書（丸の内メディカル技研の事例　※詳細は第3回を参照）

　上記のパターンにおいても、課題の解決というゴールから取り組み全体を俯瞰する視点で振り返ることが対処のポイントとなる。分析フェーズであっても常に目的を意識して取り組むことが成果創出の要であることを忘れてはならない。

STEP③分析結果からの施策立案におけるつまずきポイント
STEP③－A：分析結果の解釈を分析担当者だけで進めてしまうケース
　分析終了後は、いよいよ施策の検討・実行フェーズになる。このフェーズに入ると当初設計していた分析が終わり、ピープルアナリティクスの取り組みも終盤に差し掛かるが、このフェーズでも気を付けなければいけない点がある。このフェーズでよく見られるNGケースは、課題に関連する業務の実務担当者を巻き込まずにデータ分析を終えてしまったり、施策検討を進めてしまったりするケースである。

　施策の検討フェーズにおいても、施策の方向性を見定めるに当たり、既存のデータによる分析結果から得られる示唆が不足する場合は追加の分析を行うこともある。その際には、どのような分析を追加すれば、施策効果の確認やより効果的な施策にするための示唆が得られるのかを見定める必要がある。そこで重要となるのが、課題に近い距離で仕事をしている実務担当者の意見である。実務担当者から分析結果の背景となる情報を得ることで、立案する施策の確度を高めるために必要な情報（追加分析の観点）の特定が可能となる。

　さらに、その後のプロセスを進める上でも実務担当者を巻き込むメリットは大きい。分析結果からの示唆の抽出や施策を企画する過程から関連業務の担当者を巻き込むことにより、各業務の実態を踏まえた現実的な施策の立案が可能となる。また、関連業務の担当者としても納得感が高まることに加え、当該担当者との連携を深めることで、その後の施策実行スピードを加速させることにもつながっていく。

STEP③－B：施策の実行後に効果測定／施策改善をしないケース
　施策の立案・実行後に、きちんと効果測定や施策改善をしないことも効果を低下させてしまう要因となる。本連載で紹介してきたピープルアナリティクスの基本STEPは“STEP③分析結果からの施策立案”が最後のステップとなり、STEP③が完了すると課題解決という目的に対する打ち手（施策）が明らかとなるため、一連の取り組みは一段落する。しかし、苦労して立案した打ち手を最大限に活かし、その効果を高めるためには、その後に続く“施策の効果測定／改善”という追加のSTEP④を踏むことが必要となる。このSTEP④では、打ち出した施策が期待した効果を発揮できているかどうかを検証し、必要に応じて施策をブラッシュアップする。そして、これらを行うためには施策を立案・実行する段階で、効果測定と施策改善の手段を組み込む必要があり、この際にも効果測定～施策反映までの全体像を俯瞰して、そのプロセスを具体的に設計することが重要となる。ここまでで既に気づいた読者もいるかもしれないが、このSTEP④は、“施策の効果が見込めない”という課題を想定した際の新しいピープルアナリティクスのサイクル（ピールアナリティクスの基本STEP①～③）でもある。そのため、この施策改善の場面においても、これまでSTEP①～③別に解説したポイントを参考に、次のピープルアナリティクスの企画書を作成することが有効となるだろう。

3．最後に

　本連載では6回にわたってピープルアナリティクスの概要と実践ケースについて紹介してきた。連載に向けて企画開始時から執筆チームでは、読者の皆さんにとって取り組みをスタートする契機になればという願いの下、“手触り感を持ってピープルアナリティクスを体感いただくこと”をコンセプトに内容を練ってきた。そして、第6回でも上記の実現に向けてピープルアナリティクスの実践時につまずきがちな点を紹介したが、最大のつまずきは何も着手しないことである。もし、本連載を通して“ピープルアナリティクスに取り組めそう”や“ピープルアナリティクスで成果を出せそう”という感覚を持ってもらえたのであれば、簡単な集計分析からでもピープルアナリティクスに挑戦してもらいたい。たとえ最初は小さなスタートに見えても長期的な視点で見れば0から1の一歩は大きな意義があり、一歩を踏み出せればあなたも松本太郎のようなピープルアナリティクスの第一人者になれる可能性があるのだ。

	岩崎乃莉子　いわさき のりこ デロイト トーマツ コンサルティング合同会社 コンサルタント 自然言語処理や深層学習の医療データ応用に関する研究へ従事した後にデロイト トーマツ コンサルティングへ入社する。入社後も、情報×人のデータというバックグラウンドを活かしピープルアナリティクスの領域を担当する。エンゲージメントサーベイを含む各種人事データの分析・施策立案や、サーベイ分析サービスの設計、人事データ活用構想策定など、一貫して人事データ活用に関するコンサルティングに携わる。
	松井和人　まつい かずと デロイト トーマツ コンサルティング合同会社 シニアマネジャー 10年以上にわたり、一貫して「組織・人事」関連のコンサルティング業務に従事。近年は、ピープルアナリティクス領域に注力しており、最適配置に向けたデータ分析や組織内ネットワーク分析、エンゲージメント分析、幹部開発等の人材育成に向けた分析等、幅広い実績を有している。 特に直近は、AIを活用した異動配置検討をサポートするツール・サービスである“Talent Matching”の開発・提供に尽力している。
	山本奈々　やまもと なな デロイト トーマツ コンサルティング合同会社 執行役員 パートナー 人事中計の策定、要員・人件費計画の策定（Workforce Planning）および最適化マネジメント、要員・人件費計画策定プロセスの高度化、人材のトランジション実行支援、組織・人事戦略策定、同一労働同一賃金、DEI（Diversity, Equity & Inclusion）推進支援、ピープルアナリティクス、人事制度設計等、組織・人事関連のコンサルティングに幅広く従事している。 共著書に『要員・人件費の戦略的マネジメント ～7つのストーリーから読み解く』『"未来型"要員・人件費マネジメントのデザイン』（ともに労務行政）