ピープル・アナリティクス
People Analytics
ピープル・アナリティクスとは?
- 人事・組織データで人に関わる意思決定
- 教育効果・離職の兆候・エンゲージメントを根拠で確認
- 個人情報・倫理が必須の前提
ピープル・アナリティクスが入ると、真っ先に変わるのは会議室での説明責任の向きです。それまでは「教育予算をなぜこれだけ使うのか」という問いにHRDが定性的に言い訳するしかなかったのが、今では離職率・成果の分布・エンゲージメントスコアという共通言語のもとで、現場の役員と同じテーブルに座れるようになります。重要なのは分析ツールではなく、答えが出たら何かを変えるという問いを先に立てることです。問いなしに集めたデータはダッシュボード画面を増やすだけです。
実務では三つの層に分けると整理しやすくなります。何が起きたかを数える記述分析(離職率、研修受講率)、なぜそうなったのかを探る診断分析(離職者と残留者の条件の差)、そしてこれからどうなるかを見る予測分析です。国内企業の多くは一つ目の層にとどまっていますが、現状の集計とアナリティクスは違います。前者は数字を示し、後者は仮説を検証します。また、分析の単位が小さくなるほど結論は不安定になります。全社1,000名のデータから出た傾向を12名のチームにそのまま当てはめると、統計ではなく印象論になってしまいます。
教育効果を測るときには、もう一つ落とし穴があります。自発的に研修へ申し込んだ人は、もともと意欲や成果が高いことが多いため、受講者の成果が良いという結果は研修の力ではなく選抜効果である可能性があります。そのため、受講グループと条件の似た非受講グループを組み合わせて比較するか、同じ人の研修前後の指標変化を追跡する設計が必要です。相関を因果に変えるのはデータではなく設計です。
現場で食い違うポイントは、たいてい二つです。一つ目は、ソリューションの導入から始めてしまうケースです。評価等級がBに80%集中し、職務記述書が5年間そのままの会社では、どれほど優れた分析ツールを使っても、ゴミを精緻に要約するだけです。二つ目は、離職リスクのスコアをそのままチーム長に流すことです。「離職確率68%」という数字が付いた瞬間、その社員は去る人として扱われ、重要な仕事から外され、予測は自ら当たっていきます。社内システムのデータを結合する際、収集目的と同意の範囲を確認しなければ、法的問題にも発展します。分析結果は人に貼るレッテルではなく、制度を改善する手がかりとして使う必要があります。
HRにデータ分析を取り入れる流れの中で2010年代に広がり、Googleなど企業の「データで人事をする」事例が知られてから一般化しました。
架空の事例で見てみましょう。国内の中堅化学素材企業A社は、役職員1,400名、年間売上高4,200億ウォン(約5,022,782万円)規模です。3年連続で営業職の新入社員の離職率が34%まで上がり、採用とオンボーディングに使った費用が年間6億ウォン(約7,175万円)以上流出していました。経営陣は「オンボーディング教育をもっと増やそう」と言いましたが、HRDチームは原因が本当に教育にあるのかさえ確信が持てませんでした。
- HRDチーム長が「教育を増やす前に、何が離職を分けているのかをまず見よう」と提案し、直近3年間の入社者412名の記録を一つにまとめる作業から始めました。
- 人事チームとITチームが2カ月間一緒に作業し、入社経路、オンボーディング修了率、最初の配属部署、6カ月目の面談回数、直属の上司の勤続年数など11項目を匿名IDで結びつけました。
- 分析したところ、オンボーディングの修了率は離職とほぼ差がなく、代わりに入社6カ月以内に上司との面談が3回未満の集団の離職率が2.4倍高く出ました。
- 人事担当役員が「それなら面談をさせればいいだろう」と言うと、担当課長は「忙しいチームほど面談が少ないものです。業務量も一緒に見るべきです」と述べ、部署ごとの一人当たり受注件数を追加で入れました。
- A社はオンボーディング集合研修を16時間減らす代わりに、新入社員の入社後6カ月間の面談3回をチーム長の必須チェックリストに入れ、チーム長62名に1on1コーチング実習を行いました。
- 1年後、営業職の新入社員の離職率は34%から21%に下がり、再募集・再教育にかかる費用2億3千万ウォンを節約しました。経営会議の議題が「教育を増やそう」から「面談を設計しよう」に変わったことが最大の変化でした。
キム・フィ
金鍾赫