「データを制する者がビジネスを制する」そう言われて久しい昨今、あらゆる経営判断にデータ分析は取り入れられています。その反面、経営4大資源「ヒト・モノ・カネ・情報」のうち、こと「ヒト（従業員）」の領域は様々な理由でデータの活用や、データに基づく意思決定が相対的に進んでいません。そうした状況を改善するために編み出されたフレームワークがピープル・アナリティクスです。
欧米諸国をはじめ先進企業で普及が進んでいるピープル・アナリティクス。これを活用することでどのような経営効果が得られるのか、また初めの一歩を踏み出す上で大切にした方が良いポイントなどを、パナリット 創業メンバーの小川およびトランが全10回の連載でお届けします。
目次
データを俯瞰的に捉えることが最善の判断につながる。アップルにおけるリスク回避の事例
第1回を担当する私（小川）は、かれこれ十数年間、日系企業／外資企業のそれぞれで採用・人材開発・人事戦略など、様々な人事領域の業務に携わってきました。中でも最も長かったGoogle 本社の人事戦略室（People Strategy & Effectiveness）では、人事データとそれを使った組織全体のチェンジマネジメントについて多くを学びました。そうした経験を踏まえて、データ・ドリブン（得られた各種データから、課題解決・未来予測・意思決定などに役立てる取り組み）な人事のあり方がこれからどのように企業を、そして人事という仕事を変えていくかを、私たちの視点でお話ししていきたいと思います。
ピープル・アナリティクスとは、従業員に関わるあらゆるデータを活用しより良い人事意思決定を行うことで従業員の幸福度を上げ、それにより経営効果の向上を促す様々な施策の総称です。いち企業と従業員の関係は、採用・研修・社内異動・評価・エンゲージメント・昇給・離職…と、書き出してみると分かりますが、本当に多くの連続的な接点により形成されています。これらの接点を一本に繋げたものを、従業員ライフサイクルと呼びます。
なぜ従業員ライフサイクルを俯瞰的に捉えることが重要なのか？
部分的にデータを捉え“木を見て森を見ず”な判断をすると、本質的な課題を見落とすことがあるから…というのがシンプルな答えですが、概念的な話だけだとピンと来ないと思うので、実例をあげましょう。米アップル社が、給与・人事・評価・エンゲージメントの4点のデータを結んだことで、一斉退職と従業員満足度の低下を予防した例です。
アップルは2003年頃、業績が低迷し株価も1ドルあたりをさまよっていた時期にキャッシュがなかったため、一部社員のボーナスや給与を（4年間で徐々に売却権が与えられる）ストックオプションで支払っていました。幸いにして2006年までの間に事業は多くの変革・成長を遂げ、同時に株価も23倍上昇しました。一見、何の問題も無いように見えますが、実はここにはあるリスクが潜んでいました。2003年の低迷当時にストックオプションで給与を支払われた社員のうち、何と数百人が、2006年内にストックオプションを全てVest（株を売却する権利が確定）する予定でだったのです（！）。シリコンバレーではストックオプションが全てVestするのを待ってから社員が一斉に辞めるということも珍しくありません。もし急成長を支えてきた彼らが、23倍の利ザヤを動機に一斉に株を売却して退職していたら、会社に与える影響は甚大です。
そこで人事部は、Vestする見込みの対象社員が仮に一斉退職をした場合のインパクトを予測するため、彼らが会社のなかでどういった立ち位置かを把握するべく、人事データと評価データを参照しました。すると、勤続年数の長いこれらの社員はチームの中でも最も重要なメンバーで、また会社の文化醸成にも貢献していることがわかりました。そこで、最新のエンゲージメントサーベイの結果を参照し、これらの優秀なベテラン社員がどうしたら今後も会社に残ってくれるかヒントを探しました。彼らは既に報酬には満足しており、やりがいの感じられる仕事にもついていました。ただし彼らの多くは会社の急拡大の弊害として、（昔に比べて）承認プロセスが長引いたりペーパーワークが増えるなどの“大企業らしさ”に不満を感じていることが分かりました。
その結果を元に、承認プロセスを簡潔化して理不尽な書類作業を減らすことに注力した人事制度改革を全社的に行いました。この効果もあってか、結果的に懸念されていたVestの対象社員の一斉退職は避けられ、また会社全体の満足度を底上げすることにも貢献しました。これはひとえに、財務・人事・評価・エンゲージメントなどを単体では捉えず、俯瞰的に分析し、すぐにアクションできたからこそのサクセスストーリーでしょう。
難しい分析でなくてもインパクトは出せる
データ・ドリブンな人事と聞くと、もしかしたら高度な離職予測モデルや、機械学習を用いた最適な給与額の算出…など難しい分析が必要と思うかもしれません。もちろんそれらができるに越したことはないですが、私は然るべきデータを然るべき人に届けることの方が、もっと重要なことだと感じています。経営効果を出すのに高度な分析技術は必ずしも重要ではありません。大事なのは、最も大きな機会やリスクがどこにあるか気づき、実際に意思決定をする人にデータを届けることです。
私が12年前にGoogle アジアパシフィック圏の採用アナリストをしていた時に初めて行ったプロジェクトも、難しい分析ではありませんでしたが大きな経営効果をもたらしました。
当時、Google はリファラル採用（社員による紹介経由での採用制度）にとても力を入れていて、毎月のリードジェネレーション（採用候補者の母集団形成）や、そのうちリファラルが占める割合などをレポーティングしていました。ある時ふと気になって、国別の従業員数とリファラルの数から、従業員1人当たりの年間リファラル数を比較してみました。すると、日本の1人当たりのリファラル数はアジアのなかで最も少なく、インドやシンガポールの5分の1、その他諸国と比較しても3分の1に過ぎないことがわかりました。単純なリファラル数だけを見るとオフィスの規模が大きいぶん健全に見えていましたが、1人当たりの数に換算すると明らかな差がありました。
すると次に気になるのは「なぜ」それほどの差があるのか？ということになります。
リファラル採用制度を知らないから？以前にリファラルに関して嫌な経験をしたからもう紹介したくない？それとも、日本オフィスの従業員は…友達が…少ない？
原因を解明するために採用チーム全体で、社員紹介制度を利用した人、しなかった人それぞれにインタビューを行いました。すると見えてきたのは「紹介しても受からない可能性が高いので、その後の人間関係に響くのではないか不安」「募集要項が不明瞭で、どの職種に紹介すればいいのか分からない」というのが最も大きな懸念だということが分かりました。そこで、採用チーム全体でこの不安を払拭するキャンペーンに乗り出したところ、前年度は達成までに半年かかったリファラル紹介数をわずか1週間で上回り、その結果より多くの採用に繋げることができました。
このように、必ずしも難しい分析手法を用いる必要はなく、実際に業務を行なっている人や意思決定をする人が、チャンスに気づけるようデータが身近にあることが重要だと考えます。
第1回目は人事データを俯瞰的に捉える重要性と、難しい分析でなくてもインパクトは出せるというポイントについて紹介しましたが、次回は「データ・ドリブン人事はただのトレンド？それとも…」というタイトルで、ピープル・アナリティクスに恒常的に取り組むべき理由とその方法論について紹介します。
