ピープルアナリティクスとは：仕組みと日本のデータからわかること

ピープルアナリティクスとは、働く人に関するデータを使って、人に関する意思決定をより良いものにする取り組みです。 誰を採用したか、どのような成果を上げているか、いくら支払っているか、いつ辞めたかといった、組織がすでに持っている情報を統計的に分析し、経営上の問いに答えます。たとえば、どの採用チャネルから入った人が定着するのか、属性の異なるグループ間で報酬は公正か、チームを失いやすい管理職は誰か、組織再編にどれだけのコストがかかるか、といった問いです。日本ではHRアナリティクスや人事データ分析とも呼ばれ、英語圏ではworkforce analyticsやtalent analyticsという言葉もほぼ同じ意味で使われます。

定義は短くても、うまく実践するのは簡単ではありません。ピープルアナリティクスがつまずく理由は、たいてい同じいくつかに集約されます。問いがあいまいだった、データが別のものを測っていた、あるいは単なるパターンを因果関係と読み違えた、というものです。本ガイドでは、ピープルアナリティクスの定義と成り立ち、重要な指標、チームの成熟の段階を説明したうえで、日本の全上場企業の人的資本開示データを使った実例を取り上げます。そこには、このデータを素朴に分析したときに陥る誤りも含まれます。

ピープルアナリティクスとは何か、何ではないか

ピープルアナリティクスは人事レポーティングの上に成り立ちますが、両者は同じものではありません。

アナリティクスとレポーティングを分けるものは三つあります。第一に、たまたま手元にあるデータからではなく、誰かが下さなければならない意思決定から出発すること。第二に、グループ同士を比較して数字に意味を持たせること（離職率14%が高いか低いかは、何かと比べて初めてわかります）。第三に、因果関係と偶然の一致を見分けようとすることで、難しさの大半はここにあります。

呼び方には重なりがあります。HRアナリティクスは通常、人事部門が人事部門のために行う分析を指します。ピープルアナリティクスは2010年代により一般的な言葉になりました。Googleが自社のチームをそう名付けたことも一因で、問いが人事だけでなく事業全体に属することを示しています。workforce analyticsは人員数、コスト、要員計画に重心があります。実務上、行う作業は同じです。

ピープルアナリティクスの歴史

ピープルアナリティクスは、考え方としては古く、名前としては新しいものです。

開示ルールがこの分野を変えました。その歴史の大半において、ピープルアナリティクスは社内のツールでした。米国では2020年以降、日本では2023年以降、一部の人材指標が公開され、財務諸表とともに監査され、企業間で比較できるようになりました。これにより、一社だけでなく市場全体を分析できるようになっています。後述の分析例はまさにそれを行うものです。人事の変遷年表では、これらの年と、同じ時期に人事が取り入れたモデルを並べて示しています。

ピープルアナリティクスが答える問い

有益なプロジェクトのほとんどは、次の六種類の問いのいずれかに答えるものです。

ピープルアナリティクスで重要な指標

人事の指標は何百とありますが、ほとんどの意思決定は少数の指標でまかなえます。その多くは、ISO 30414の推奨指標か日本の開示ルールに含まれています。

ピープルアナリティクスのプロジェクトの進め方

1. 意思決定から始める。 「離職を見てみよう」よりも「人材紹介会社Xの利用をやめるべきか」のほうが良い問いです。データを見る前に、答えごとに自分たちが何を変えるのかを書き出しておきます。
2. データを見つけ、それが何を測っているかを確かめる。 人事評価は、本人の成果と同じくらい上司の判断を測っています。退職面談で挙がる退職理由は、人が口にしてもよいと思うことを測っています。
3. 条件をそろえて比較する。 あらゆる知見は比較です。何かを分析する前に、どのグループを比べ、何を一定に保つか（職務、等級、勤務地、勤続年数）を決めます。
4. 因果関係と偶然の一致を見分ける。 グループ間でほかに何が違うのかを問います。最も強い根拠になるのは、実験や、一方のグループにだけ影響した変化です。
5. 意思決定を行い、その結果を測る。 どのような結果が出れば施策が効いたと言えるのかを事前に合意し、確認します。

ピープルアナリティクスの成熟度

チームは通常、四つの段階を経て成熟します。以下は、ジョシュ・バーシンの調査会社が2012年に公表した、予測分析を最終段階とする4段階モデルに沿ったものです。段階の名称はバージョンによって異なります。

ほとんどの組織は第1段階と第2段階にとどまっており、それは失敗ではありません。重要な問いに年に三つ確実に答えるチームのほうが、誰も信用しない予測モデルよりも多くの価値を生みます。

分析例：日本の開示データからわかること

2023年3月期以降、日本で有価証券報告書を提出するすべての企業は、女性活躍推進法と育児・介護休業法に基づいて公表が義務付けられている場合、三つの人材指標を報告しなければならなくなりました。女性管理職比率、男性の育児休業取得率、男女の賃金の差異です。従来から記載が求められていた従業員数、平均年齢、平均勤続年数、平均年間給与と合わせると、株式市場全体をカバーする、公開されたピープルアナリティクスのデータセットになります。The Hardest Marketは、提出企業3,789社すべての最新の数値を保有しており、そのうち2,539社は新たな三指標をすべて報告しています。

まずは全体の数字です。上場企業の中央値では、女性管理職比率は9.1%です（この数値を報告しているのは3,035社で、そのうち111社が0%、277社が30%以上）。女性の平均賃金は、中央値の企業で男性の70.2%です。男性の育児休業取得率の中央値は82%で、881社が100%以上を報告しています（法定の算出方法では100%を超えることがあります。当年度に取得した休業が前年度に生まれた子に関するものである場合があるためです）。

問う価値のある問い： 男性の育児休業取得率が高い企業ほど、女性管理職比率も高いのでしょうか。これはもっともらしい考えです。男性が育児を分担すれば、女性のキャリアが中断されにくくなるからです。

素朴に問うと、答えは劇的に見えます。

上位のグループは15.1%と突出しており、ほかのグループの2倍以上です。しかし、これはほぼ見かけ上の結果にすぎません。対象となる男性が2人の企業では、1人が取得すれば50%、2人なら100%になります。育児休業の指標の両極端には小規模な企業が集まりやすく、しかも小規模な企業は、育児休業とは関係のない理由で女性管理職比率が高い傾向があります。

そこで、条件をそろえて比較します。比率の背後に意味のある人数がいる従業員1,000人以上の企業に限ると、パターンは小さくなりますが、一貫しています。

女性管理職比率は、大企業のうち男性の育児休業取得率が最も低い四分の一の企業群で4.9%、最も高い四分の一で8.9%と上昇します。これは実在する関連であり、比較可能な企業群の中でも成り立っています。それでも、育児休業が昇進をもたらすことの証明にはなりません。 両者が第三の要因から生じている可能性があります。たとえば、女性を多く採用する業種であることや、両方を推し進める経営陣がいることです。とりわけ業種の影響は、ほかのほとんどの要因を圧倒します。

サービス業の中央値の企業では女性管理職比率は19.1%、鉄鋼業の中央値の企業では2.8%です。業種を無視した企業間の比較は、ほとんど業種の違いを測っているにすぎません。

最後に、直観に反する結果です。女性管理職が増えても、会社全体の男女の賃金の差異はほとんど動きません。

女性管理職が最も少ない企業群と最も多い企業群の間で、男性に対する女性の平均賃金は67.3%から72.0%にしか上がりません。日本の賃金の差異を生んでいるのは、管理職よりも、誰がどの職務に就き、どの雇用形態で、何年働いているかです。差異を縮めたい企業は、管理職の人数だけでなく、等級やキャリアコースに目を向ける必要があります。

この分析例から学べること。 上で述べた方法のすべての手順が意味を持ちました。問いは具体的でした。データは確認が必要でした（対象となる男性が1人しかいない企業の取得率100%にはほとんど意味がありません）。比較では、まず企業規模を、次に業種をそろえる必要がありました。そして誠実な結論は、公表すべき因果関係ではなく、社内で検証する価値のある関連だということです。本サイトの企業ページでは、上場企業ごとにこれらの数値を業種比較とともに掲載しています。

日本におけるピープルアナリティクス

日本では、ピープルアナリティクスはHRテクノロジーよりも開示を通じて広がってきました。経済産業省の人材版伊藤レポート（2020年9月、2022年5月に改訂）と内閣官房の人的資本可視化指針（2022年8月、2026年3月に改訂）が、人材を投資の対象として扱い、それについて報告するよう企業を後押ししました。その後、2023年の開示ルールにより、上場企業には三つの指標の開示が義務付けられました。

日本での取り組みを形づくる特徴が三つあります。

• メンバーシップ型雇用。 多くの大企業は今も、職務に対して人を採用するのではなく、新卒者を会社の一員として採用し、さまざまな職務を異動させています（ジョブ型雇用とメンバーシップ型雇用）。職位、等級、報酬が職務と対応していないことが多く、ジョブ型の制度に比べて職務間の比較が難しくなります。
• 個人情報に関する法律。 従業員データは個人情報保護法上の個人情報に当たります。健康情報は要配慮個人情報であり、取得には原則として本人の同意が必要です。何を収集し、なぜ収集するのかを従業員に伝えましょう。
• 小さなグループ。 外資系企業の日本法人には、従業員数百人規模のところが多くあります。性別、年齢、等級で分けると、すぐに分析するには小さすぎるグループや、個人を特定せずには報告できないグループが生じます。集計の単位を大きくするか、データが蓄積されるのを待ちましょう。

ピープルアナリティクスの落とし穴

• 少ない人数。 少人数を母数とする比率は、男性の育児休業取得率に見られるように大きく振れます。比率と並べて人数も示しましょう。
• 相関と因果の混同。 先の分析例は典型的な落とし穴です。グループ間でほかに何が違うのかを問いましょう。
• 測りやすいものを測る。 採用までの日数は測りやすく、操作もしやすい指標です。採用の質は測りにくいものの、より重要です。
• 偏った過去のデータ。 過去の判断で学習したモデルは、過去の偏りも学習します。2018年10月、ロイターは、Amazonが試験的に開発していた採用ツールを廃止したと報じました。女性の団体に言及した履歴書の評価を下げるよう学習してしまったためです。
• 監視。 従業員が監視と受け止める分析は、分析の前提となる信頼を損ないます。明確で、かつ開示された理由がない限り、個人ではなくグループを分析しましょう。
• 目標になった指標。 数値が賞与に結び付くと、人はその数値を管理するようになります。一部の指標は学習のためだけに使いましょう。

ピープルアナリティクスの始め方

1. 今年重要な意思決定を一つ選び、それにしっかり答える。たとえば、どこで採用するか、入社1年目の離職をどう減らすか、報酬は公正か、といったものです。
2. データの基本を整える。 一人につき一レコード、一貫した職務コードと等級コード、正確な入社日と退職日。ピープルアナリティクスの労力の大半はここに費やされます。
3. 社外と比較する。 自社の離職率、男女の賃金の差異、女性管理職比率を、同規模・同業種の企業と比べます。日本では有価証券報告書により、どの上場企業とも比較できます。
4. アナリストを事業の近くに置く。 優れたピープルアナリストは、データだけでなく意思決定を理解しています。
5. 数値だけでなく方法も公開する。 経営層は、筋道を追える分析を信頼します。

関連するガイド

著者：Yan Sen Lu（Makana Partners 代表、The Hardest Market 編集長）。

誤りのご指摘や、掲載のご希望はこちらへ：訂正を送る · 掲載を希望する · 編集部への問い合わせ