人事データ分析の進め方5ステップ｜必要な項目と失敗例を解説

勤怠システムには打刻データが残り、評価システムには考課結果が蓄積されています。一方、スキル情報や面談記録は部署ごとのExcelに散らばったままというケースが大半です。経営から「離職率が上がっている要因は何か」と問われた瞬間、集計作業だけで数日を費やす状況が生まれます。人事データ分析は、この分断された状態を解きほぐすところから始まります。

人事データ分析がうまく進まない原因は、分析手法の知識不足にあるとは限りません。多くの場合、つまずきの正体はデータの持ち方そのものです。社員IDがシステムごとに異なり、組織改編で部署コードが毎年入れ替わる状況では、単純な集計すら合いません。手を動かす前に決めておくべき定義が想像以上に多い点が、人事領域の難しさです。

本記事では、人事データ分析の定義と対象データの範囲、進め方の5ステップ、個人情報の取り扱い、そしてよくある失敗と回避策を解説します。組織改編の履歴や在籍ステータスの扱いなど、人事データ特有の論点も具体的な判断基準とともに整理しています。自社のどの意思決定に使うのかを思い浮かべながら、着手できる部分から読み進めてください。

人事データ分析とは：ピープルアナリティクスとの違いと対象範囲

人事データ分析という言葉は、社内で使う人によって指す範囲が変わります。採用実績の集計を指す人もいれば、機械学習による退職予測まで含めて語る人もいるのが実情です。範囲がずれたまま議論を始めると、必要なデータの洗い出しで手戻りが起きます。ここでは定義と関連用語との違い、そして対象となるデータの範囲を順に整理します。

人事データ分析の定義：勤怠・評価・スキルを横断して人事判断の根拠にする取り組み

人事データ分析は、社員に関するデータを複数のシステムから集め、採用や配置、育成、定着といった人事判断の根拠として使う取り組みを指します。給与計算や勤怠集計との違いは、目的が「正確な処理」ではなく「意思決定の材料づくり」にある点です。たとえば毎月の残業時間一覧は処理の産物ですが、その推移と評価結果、退職有無を重ねた表は判断の材料になります。同じ打刻データでも、何と突き合わせるかで位置づけが変わります。出発点になるのは、この突き合わせをどう設計するかという問いです。

実務で線を引くなら、判断基準を1つ持っておくと迷いが減ります。単一システムの中だけで答えが出る集計は業務レポート、2つ以上を突き合わせて初めて答えが出る問いは人事データ分析です。「今月の平均残業時間」は前者、「残業時間の増加が翌年の離職とどう関係するか」は後者にあたります。この線引きができると、着手時に必要な工数の見積もりも現実的になります。前者なら数時間、後者ならデータ整備を含めて2〜3か月を見込む、という具合です。

データ統合とは？統合の目的や初心者向けの進め方を解説

ピープルアナリティクス・HRテックとの違い：分析プロセスか、支援する仕組みか

ピープルアナリティクスは、人と組織に関するデータを分析し、経営や人事の意思決定につなげる活動全体を指す言葉です。人事データ分析とほぼ同じ意味で使われる場面が多く、明確な線引きは存在しません。あえて違いを挙げるなら、ピープルアナリティクスのほうが組織ネットワーク分析や従業員体験まで含む広い概念として語られます。一方のHRテックは、採用管理や労務手続きを効率化するツールやサービスの総称です。分析そのものではなく、分析の材料が貯まる仕組みを提供する側だと捉えると位置づけが整理できます。

社内で用語を使い分ける必要はありませんが、ベンダーとの会話では注意が要ります。「ピープルアナリティクスを導入したい」という依頼に対して提案されるのが、分析支援なのかツール導入なのかで、必要な予算も体制も変わるためです。ツール導入なら初期費用と月額利用料、分析支援なら人月単価での見積もりが中心になります。依頼の前に「何を判断できるようにしたいのか」を1行で書き出しておくと、提案のずれを防げます。見積書の項目を見比べる前に、この1行を社内で合意しておいてください。

分析対象となる人事データの種類：属性・異動履歴・勤怠・評価・スキル・サーベイ

分析対象となる人事データは、大きく6種類に分けて考えると棚卸しが進みます。氏名や生年月日などの属性データ、配属と役職の変遷を記録した異動履歴、打刻や休暇取得を含む勤怠データが基礎です。ここに考課結果や目標達成度を持つ評価データ、保有資格や経験業務を記録したスキルデータが加わります。最後にエンゲージメント調査やストレスチェックなどのサーベイデータが並び、6種類がそろいます。厄介なのは、種類ごとに保管場所も更新頻度も異なる点です。

棚卸しの初回は、6種類すべてをそろえようとしないほうが進みます。目的に直結する2〜3種類に絞り、残りは存在確認だけにとどめるのが現実的です。離職の傾向を見るなら属性・異動履歴・勤怠・サーベイの4種類、配置の妥当性を見るなら属性・異動履歴・評価・スキルの4種類が出発点になります。全種類の統合を初手で目指したチームほど、半年たっても集計に着手できない状態に陥ります。絞り込みの判断は、最初の会議で決め切ってください。

人事データ分析が注目される背景と、取り組みで得られる4つの成果

人事データ分析への関心が高まった背景には、開示規制と人手不足という2つの外圧があります。同時に、取り組んだ企業が得ている成果の輪郭も具体的です。ここでは背景を1つ、得られる成果を3つ取り上げ、それぞれ何が変わるのかを見ていきます。自社でどれから着手するかを考えながら読んでください。

人的資本開示と戦略人事：人事施策を数値で説明する必要性が高まっている

2023年3月期以降、有価証券報告書を提出する企業には人的資本開示が求められています。女性管理職比率、男性の育児休業取得率、男女間賃金差異の3項目は記載が必須です。開示そのものは集計で対応できますが、投資家から「なぜその水準なのか」を問われると話が変わります。数値の背景を説明するには、等級ごとの滞留年数や昇格時の評価分布まで遡る必要が出ます。集計で足りる段階と、説明が求められる段階では、必要なデータの粒度が別物です。

戦略人事という言葉の広がりとともに、施策の効果を数値で説明する場面が増えました。「研修を実施した」で終わらせず、受講者のその後の昇格率や異動先での評価まで追う動きです。効果検証まで設計するなら、施策の実施前に対象者リストと比較対象を確定させておく手順が要ります。実施後に「効果を測ってほしい」と依頼されても、比較対象が作れず検証が成立しない事態が起きます。施策の企画書に測定方法を書き添えておいてください。

採用と配置のミスマッチ削減：評価データと入社後実績を突き合わせる

採用の成否は、内定承諾率や充足率だけでは測れません。入社後1年、3年の評価と定着状況まで追って初めて、採用基準の妥当性が見えてきます。突き合わせに使うのは、応募者管理ツールの選考評価と、評価システムの考課結果です。応募者IDと社員IDをつなぐ変換表を用意しておくと、入社後の追跡が一気に楽になります。この変換表がない企業では、名前と入社年月日で手作業のひも付けが発生します。100名分をひも付けるだけで2〜3人日が必要です。

配置のミスマッチについても、同じ考え方で検証が進められます。異動履歴と異動後の評価、異動から1年以内の退職有無を並べると、うまくいく組み合わせが見えてきます。現場でよくあるつまずきは、異動日と評価期間のずれです。期中に異動した社員の評価は、前部署と新部署のどちらに紐づくのかを先に決めておかないと、集計結果が毎回変わります。「評価対象期間の在籍日数が長いほうに寄せる」といった規則を、集計前に文書化してください。

離職の兆候把握：勤怠の変化とサーベイ結果から早期に察知する

離職の兆候は、本人が退職を申し出るより前にデータへ現れます。上司との面談で表面化するより早く、勤怠とサーベイの数値が動く場合もあります。実務でよく使われる兆候は、次の3つです。3か月移動平均を取り、前年同期と比較する形にすると変化が読み取りやすくなります。単月の増減で判断すると、繁忙期の影響と兆候の区別がつきません。移動平均と前年比較の2軸で見る運用が、現場では扱いやすい形です。兆候が出た部署には、人事面談の優先順位を上げる運用が現実的です。

• 残業時間の急減：直前3か月の平均が前年同期比で20%以上下がっている
• 有給休暇の取得パターン変化：連続取得や月内の分散取得が急に増えている
• サーベイスコアの低下：上司との関係性や役割の納得感を問う設問が2ポイント以上下落

兆候を検知したあとの運用まで決めておかないと、リストが出力されるだけで終わってしまいます。誰に、どの粒度で、どのタイミングで共有するのかが最初の論点です。現場の管理職へ個人名のリストをそのまま渡す運用は、監視と受け取られるリスクを抱えます。人事から本人へ面談を打診する形にとどめる、組織単位のスコアだけを管理職へ返すといった段階設計が安全です。検知精度を上げる前に、検知後の動きを合意しておいてください。

育成投資の再配分：スキルギャップを可視化して研修の対象を絞り込む

研修予算は、前年の実績をベースに配分され続けているケースが目立ちます。スキルデータを整えると、この配分を根拠のある形に組み替えられます。手順は、職種ごとに必要なスキル項目を定義し、現在の保有状況を5段階で棚卸しし、差分の大きい項目を抽出する流れです。定義するスキル項目は、初回は職種あたり10〜15項目に抑えると回ります。30項目を超える設計にすると、現場の入力が終わらず棚卸し自体が頓挫します。粒度の設計が、そのまま運用の成否を分ける要素です。

抽出した差分は、そのまま研修対象者の絞り込みに使えます。全社一律の研修を年2回実施していた企業が、差分の大きい層に絞った研修へ組み替え、同じ予算で受講時間を倍にした例もあります。判断基準としては、保有率が6割を下回る項目を優先、8割を超える項目は対象外とする形が扱いやすいです。全項目を底上げしようとすると、予算がどこにも効かない配分になります。絞り込みの判断基準を先に決めておくことが、育成投資の費用対効果を左右します。

組織開発とは？人材開発や人材育成との違い、手法、成功事例をまとめて紹介

人事データ分析の進め方5ステップ

ここからは、実際に手を動かす手順を5つのステップに分けて解説します。順番の入れ替えが効きにくい点が、人事データ分析の特徴です。特にデータの整備を飛ばして分析から始めると、後工程がすべてやり直しになります。各ステップの所要期間の目安も併せて示します。

STEP1 目的と仮説の設定：どの意思決定に使うかを先に決める

最初に決めるのは、分析結果をどの意思決定に使うのかという1点です。「離職率を下げたい」では粗すぎるため、意思決定の単位まで具体化します。「中途入社者の3年以内離職を減らすために、配属先の決定基準を見直す」という粒度まで落とすと、必要なデータが自動的に決まります。仮説も同じタイミングで立てておくのが定石です。「入社時の業務経験と配属先の業務内容が離れているほど早期離職が多い」といった形で、検証できる文にします。

目的の設定に使う時間は、全体工数の1割程度を見込んでおきます。3か月のプロジェクトなら、最初の2週間を目的と仮説の合意に充てる配分です。この期間に、人事部門の担当者と、結果を使う側の部門長を同席させます。使う側が不在のまま設計すると、出来上がった集計表が誰にも参照されない結果に終わります。合意した目的と仮説は、1枚の資料に残してください。途中でメンバーが交代したときに、立ち返る先があるかどうかで進行速度が変わります。

データ分析の基本とは「目的の明確化」である

STEP2 データの棚卸し：どのシステムに何が保管されているかを洗い出す

棚卸しでは、システム名だけでなく項目レベルまで一覧化します。確認するのは、保管システム、項目名、データ型、更新頻度、保持期間、管理部門の6点です。この一覧はExcelでも構いませんが、列構成を先に固定しておくと後の作業が速くなります。途中で列を足すと、記入済みの行を埋め直す手戻りが発生します。所要期間の目安は、対象システムが3〜5件で2〜3週間です。ヒアリング先の部門が増えるほど、日程調整が律速になります。

• 社員IDはシステム間で一致しているか、変換表が必要か
• 退職者のレコードが削除されず残っているか
• 組織コードの改編履歴を遡って参照できるか
• 個人情報の利用目的に分析利用が含まれているか
• データの保持期間が分析に必要な年数を満たしているか

棚卸しでつまずきやすいのが、「あるはずのデータが実は残っていない」という発見です。退職者のレコードを論理削除ではなく物理削除している運用は、実務でしばしば見つかります。この場合は離職分析そのものが成立しないため、目的の設定に立ち返るのが先決です。代替として、退職手続きの記録や社会保険の喪失データから在籍期間を復元できる場合があります。復元の可否は、必ずSTEP1の目的に照らして判断してください。手間をかけて復元しても、判断に使わないデータであれば工数の無駄になります。

データ収集の重要性と技術的方法&よくある課題と対応策を解説

STEP3 標準化：部署名・役職・スキル名称の表記ゆれをそろえる

標準化は、同じ意味を持つ値を1つの表記にそろえていく作業です。人事データの表記ゆれは、部署名、役職名、スキル名称、雇用区分の4か所に集中します。「営業1部」「営業第一部」「営業一部」が同時に存在する状態では、部署別の集計が分かれてしまいます。対応の基本は、正規の値を定めた対応表を作り、既存の値を結びつける方法です。変換前と変換後を1対1で並べた表を作り、変換ログを残す運用にします。上書きではなく別列に持たせると、誤りに気づいたときに戻せます。

作業量の目安として、社員1,000名規模で部署名と役職名の標準化に3〜5日程度を見込みます。スキル名称は自由記述で入力されている場合が多く、さらに時間が必要です。完全一致による変換で7割前後、残りは目視での判断が必要になると考えておくと計画が崩れません。表記のゆれを機械的に潰す前に、業務上の意味の違いを確認する手順を挟みます。「営業企画部」と「営業推進部」が別組織として存在するなら、安易な統合は誤りのもとです。判断に迷う組み合わせは、人事の担当者に確認してから確定してください。

データクレンジングとは？意味と代表手法を解説！

STEP4 名寄せ：社員IDを軸に複数システムのレコードを突き合わせる

名寄せは、複数のシステムに散らばったレコードを同一人物の単位にまとめる作業です。軸になるのは社員IDですが、システムによって桁数や採番ルールが違う点が障害になります。「0001234」と「1234」のように、ゼロ埋めの有無だけで一致しない状況が典型です。突き合わせの前に、IDの桁数と型を全システムでそろえる前処理を必ず挟みます。数値型で読み込むと先頭のゼロが消えるため、文字列型での取り扱いを既定にしておきます。

社員IDが存在しないシステムでは、氏名と生年月日の組み合わせで突き合わせます。同姓同名が発生する規模では、部署コードや入社年月日を加えた3項目以上の一致が条件です。一致率の目安は、事前の標準化ができていれば9割を超えます。残りの1割は、旧姓の使用や入力誤りが原因である場合がほとんどです。手作業で確認する件数が全体の5%を超えるようなら、前工程の標準化に戻る判断をします。突き合わせの結果は、必ず件数の検算で確認してください。

名寄せとは？正確な顧客データ管理の方法と活用ポイントを徹底解説

STEP5 分析と施策化：結果を人事施策に落とし込み、効果を検証する

統合したデータがそろったら、仮説の検証から着手します。最初の一歩として機械学習のような高度な手法を用意するのは、順序として早すぎる選択です。クロス集計と平均値の比較だけでも、仮説の方向性は判断できます。配属先の業務経験との距離を3段階に分け、3年以内離職率を比べる程度の分析で十分です。統計的な手法を使うのは、施策の効果を厳密に測る段階からで間に合います。施策の方向性を決める段階では、読み手に伝わる単純な比較のほうが有効です。

分析結果を施策に落とし込むときは、実行主体と期限をセットで決めます。「配属前に業務経験の照合を行う」という施策なら、担当は人事の配属担当、開始は次の異動発令からという形です。効果検証のために、施策開始前の数値をスナップショットとして保存しておきます。集計ロジックも同時に保存しておかないと、半年後に同じ数字を再現できません。SQLやワークフローのファイルを、日付付きでバージョン管理しておいてください。検証時に「前回はどう数えたのか」で議論が止まる事態を防げます。

人事データ特有の難所：組織改編と履歴データをどう扱うか

人事データには、他の業務データにはない扱いの難しさがあります。組織が毎年変わり、同じ社員が複数の状態を行き来する点が原因です。ここでは、集計結果が揺らぐ原因になりやすい4つの論点を取り上げます。いずれも、分析を始める前に定義を決めておく必要があるものばかりです。

組織コードの改編履歴：どの時点の組織で集計するかを定義する

組織改編が入ると、過去のデータをどの組織のもとで集計するのかという問題が生じます。判断の選択肢は大きく3つです。経年での比較を重視するなら、現時点の組織へ読み替える方法が扱いやすいです。当時の意思決定を振り返る目的なら、当時の組織のまま集計します。両方を切り替えられるよう、組織コードの改編履歴を親子関係つきで保持しておきます。この切り替えができないのは、改編履歴を持たないマスタデータの典型的な弱点です。

• 現時点の組織に読み替える：最新の組織図で過去分もまとめて再集計する
• 当時の組織のまま集計する：発生時点の組織コードをそのまま使う
• 特定時点に固定する：年度初日など基準日の組織で全期間を集計する

実務では、組織コードの履歴テーブルを別に用意する対応が一般的です。組織コード、名称、上位組織、有効開始日、有効終了日の5項目を持たせます。このテーブルがあれば、任意の基準日で組織階層の復元が可能です。人事基幹システムに履歴が残っていない場合は、過去の組織図のPDFから手作業で起こす作業が発生します。5年分で1〜2週間を見込むため、早い段階で有無を確認してください。確認を後回しにすると、分析の最終盤で工程が止まります。

在籍ステータスの扱い：休職・出向・再雇用をどう数えるかを決める

在籍者数という単純な指標も、定義次第で数字が変わります。休職中の社員、他社への出向者、定年後の再雇用者をどう数えるかで、母数が数%動きます。離職率の分母がずれた状態では、部署間の比較そのものが無意味です。定義は、人事の実務で使っている定義に合わせるのが原則です。社内で公表している在籍者数と分析上の在籍者数が食い違うと、結果の信頼性が疑われます。公表値との差は、あらかじめ説明できる状態にしておきます。

• 休職者：在籍者に含める。ただし勤怠分析の対象からは除外する
• 出向者（送り出し）：在籍者に含める。評価データは出向先の基準のため別集計にする
• 再雇用者：在籍者に含めるが、離職率の計算では契約満了を自己都合退職と区別する
• 派遣・業務委託：在籍者に含めない。人員配置の分析では別枠で把握する

実務では、ステータスごとの扱いを一覧にして関係者の承認を取ります。口頭の合意だけで進めると、担当者が交代したタイミングで定義が揺れます。一覧は、分析の設計書と同じファイルに置いておくのが管理しやすい形です。定義を変更する場合は、変更日と理由を追記する運用にします。過去に出した数字との差を問われたときに、変更履歴があれば説明が数分で終わります。履歴がなければ、当時の集計条件を再現するところからやり直しです。

評価データの更新頻度：年1〜2回の粒度で傾向を読むときの前提条件

評価データは、年1〜2回しか更新されない点が分析上の制約になります。勤怠のような日次データと同じ感覚では扱えない点が、分析設計の前提です。3年分を集めても、社員1人あたりのデータ点は3〜6件にとどまります。この粒度で読めるのは、個人の細かい変動ではなく集団の傾向です。等級別、職種別といった集団単位で平均や分布を見る形が現実的な使い方になります。個人単位の予測に使おうとすると、データ点の少なさが精度の壁になります。

評価制度そのものが改定されている場合は、さらに注意が要ります。5段階評価が7段階に変わった年をまたぐと、単純な平均の比較ができません。対応策は、改定前後で期間を分けて分析するか、換算ルールを定めて統一するかの2つです。換算する場合は、人事制度の担当者と合意したうえで、換算表を文書に残します。分析担当者が独自に決めた換算は、結果の説明時に必ず論点になります。制度改定の履歴も、組織コードと同じく年表の形で整理しておいてください。

分析単位の設計：個人軸・組織軸・時系列軸のどれでデータを保持するか

データの保持形式は、分析単位を決めてから設計します。個人軸は社員1人1行、組織軸は部署1行、時系列軸は社員と年月の組み合わせで1行という形です。迷ったときは、社員IDと年月を主キーにした時系列の形で持つ選択が無難です。この形からは、個人軸への集約も組織軸への集約も後から行えます。逆に、最初から組織軸で集約してしまうと、個人単位の分析に戻れなくなります。保持形式の選択は、あとから変更するほど工数がかさむ設計判断です。

データ量の目安も設計時に確認しておきます。社員5,000名の3年分を月次で保持すると、18万行になります。この規模であれば、ExcelよりもデータベースやBIツールのデータソースとして扱う判断が現実的です。100万行を超える場合は、集計済みのテーブルを別に用意する設計に切り替えます。明細と集計を1つのファイルで兼ねようとすると、更新のたびに処理時間が延びていきます。分析単位ごとの向き不向きは、次の表のとおりです。

人事データ分析で守るべき個人情報の取り扱いと権限設計

人事データは、そのすべてが個人情報にあたります。分析の自由度を上げる前に確認しておきたいのが、法令と社内規程の両面で守るべき線です。論点は4つあり、いずれも着手前の整理が前提になります。社内の法務や情報管理の部門とは、早い段階で共有してください。

利用目的の特定と社内周知：従業員への説明が分析着手の前提になる

個人情報保護法は、個人情報の利用目的をできる限り特定することを求めています。入社時に取得した情報を分析に使うなら、利用目的の範囲に分析が含まれるかの確認が先です。「人事労務管理のため」という記載だけでは、配置や育成の分析まで読み取れない可能性があります。実務では、プライバシーポリシーや社内規程に分析利用を明記する対応を取ります。記載の追加が必要な場合、法務部門との調整に要する期間は2〜4週間が目安です。分析の設計と並行して進めておくと、全体の進行が滞りません。

従業員への周知は、法令対応であると同時に運用上の保険にもなります。何も知らされないまま分析結果が施策に反映されると、現場に不信感が残ります。社内報やイントラネットで、分析の目的と対象データ、結果の使い道を説明する形が一般的です。説明の際は、個人を特定した評価には使わない方針を明示します。サーベイの回答率は、この説明の有無で10ポイント以上変わることもあります。周知の文面は、分析を始める前に用意しておいてください。

要配慮個人情報の切り分け：健康診断結果やストレスチェックの扱い

健康診断の結果や病歴、障害に関する情報は、要配慮個人情報にあたります。取得には本人の同意が必要で、取り扱いにも通常より厳しい制約がかかります。さらに厳しいのがストレスチェックの個人結果です。労働安全衛生法により、本人の同意なく事業者が結果を取得することはできません。分析で使えるのは、集団分析として提供される部署単位の集計結果に限られます。個人結果を人事データと結合する設計は、検討の段階で外すべき選択肢です。

実務での切り分けは、データの保管場所を分けるところから始めます。分析用のデータベースには要配慮個人情報を持ち込まず、産業保健の領域で完結させる構成が安全です。健康関連の指標を分析に使いたい場合は、部署単位で集計済みの数値だけを受け取る形にします。受け渡しの経路も、担当者間のメール添付ではなく、権限管理されたフォルダに限定します。誰がいつアクセスしたかのログが残る仕組みを選んでください。監査で確認を求められたときに、ログの有無が対応時間を大きく左右します。

集計単位の下限設定：少人数組織で個人が特定されるリスクを避ける

部署別の集計では、人数が少ない組織で個人が特定される問題が起きます。3名の部署の平均残業時間を開示すれば、そこから個人の状況が推測できます。対策として、集計単位に人数の下限を設ける運用が一般的です。実務でよく使われる下限は5名で、それを下回る組織は上位階層に合算して表示します。サーベイの結果を扱う場合は、10名を下限とする例も見られます。下限を下回ったときの表示ルールも、同時に決めておくべき論点です。

• 非表示：該当するセルを空欄にする。安全だが空欄が目立つ
• 上位合算：上位の組織にまとめて表示する。見た目は整うが内訳が分からなくなる
• 丸め表示：5名未満を「5名未満」と表記する。人数の存在だけは伝わる

表示方法を選ぶ基準は、閲覧者が誰かという点です。経営層向けの資料では非表示、人事部門内の分析では丸め表示という使い分けが機能します。実務では上位合算を基本としつつ、合算した旨を注記で示す形に落ち着くケースが多く見られます。決めたルールを凡例や注記に明記しておくことが、誤解を防ぐ最後の砦です。閲覧者が数字の意味を取り違える余地を、あらかじめ潰しておいてください。運用開始後にルールを変えると、過去の資料との整合が取れなくなります。

閲覧権限の設計：誰がどの粒度まで見られるかをデータ単位で決める

閲覧権限は、役職ではなくデータの粒度を基準に設計します。「部長だから全部見られる」という設計にすると、他部署の個人データまで参照できてしまいます。基本形は、自組織の配下のみを個人単位で、他組織は集計値のみという2層構成です。人事部門には全社の個人単位を許可し、閲覧ログの取得を条件にします。経営層には、組織単位の集計値と全社傾向のみを提供する形が扱いやすいです。権限の設計は、ダッシュボードを作る前に決めておきます。

権限設計でつまずきやすいのが、兼務者と異動直後の扱いです。兼務している管理職には、どちらの組織の個人データを見せるのかを個別に決める必要が生じます。異動直後は、前組織のデータをいつまで参照できるようにするかが論点になります。引き継ぎ期間として1か月を上限にし、それ以降は自動で権限を外す運用が現実的です。権限の棚卸しは、少なくとも半期に1回は実施してください。異動のたびに手作業で調整していると、権限の付け忘れと外し忘れが積み上がります。

データガバナンスとはデータマネジメントを監督すること

人事データ分析でよくある失敗パターンと回避策

人事データ分析の失敗は、パターンがはっきりしています。手法の選択を誤るより、手前の設計や解釈でつまずく例が圧倒的に多いのが実情です。ここでは5つの典型を取り上げ、それぞれの回避策も併せて示します。着手前に一読しておくと、同じ轍を踏まずに済みます。

目的を決めずにデータを集め、集計だけで終わる

もっとも多い失敗は、データを集めること自体が目的化するパターンです。全システムからデータを抽出し、きれいな一覧表を作った時点で力尽きる例が後を絶ちません。集計表が完成しても、それを見て誰が何を決めるのかは未定のままです。結果として、レポートが数回配信されたあとに更新が止まります。この状態に陥る兆候は、キックオフの議事録で判別できます。「とりあえずデータを可視化してみましょう」という一文が入っていたら、危険信号です。

回避策は、データを抽出する前に意思決定の文を書いてしまうことに尽きます。「この数字がXを下回ったら、Yという施策を実行する」という1行で十分です。1行が書けない段階で抽出に進むと、高い確率で集計止まりに終わります。書けないときは、分析の対象範囲が広すぎるサインです。対象を1つの職種や1つの部門に絞り込み、もう一度書いてみます。絞り込んだ範囲で成果を出してから広げる進め方のほうが、結局は速く着地します。

名寄せ前に集計し、同一人物を二重にカウントする

統合前のデータで集計すると、同じ社員が複数回数えられます。勤怠システムと評価システムの両方に存在する社員が、単純な結合で2行になる現象です。在籍者数が実際より1割多く出ているのに、誰も気づかないまま報告されるケースがあります。検算の手順を1つ挟むだけで、この失敗は防げます。集計結果の総数と、人事部門が公表している在籍者数の突き合わせが検算の基本です。差が生じた場合は、原因を特定するまで次の工程に進みません。

結合方法の選択も、二重カウントを生む原因の1つです。1対多の関係にあるテーブルを内部結合すると、行数が意図せず膨らみます。異動履歴のように1人が複数行を持つデータは、結合前に1行へ集約しておくのが定石です。「最新の1件だけを残す」「期間内の件数を数える」といった集約の方針を先に決めます。結合の前後で行数を記録しておくと、膨らんだ時点で気づけます。行数の記録にかかる手間は、作業ログへ1行書き足す程度です。

退職者データの欠落に気づかず、在籍者だけで傾向を判断する

在籍者のデータだけで傾向を読むと、結論が逆向きになることがあります。残った社員の満足度が高いのは当然で、辞めた社員の情報が抜け落ちているためです。「エンゲージメントスコアは良好」という結論が出た組織で、離職率が全社最悪という事例も起きます。分析の対象期間に在籍していた全員を母数に置く設計が出発点です。退職者を含めた母集団を作れるかどうかが、離職分析の成否を分けます。データの棚卸しの段階で、退職者レコードの保持状況を確認しておきます。

退職者データが残っていても、別の落とし穴があります。サーベイの回答は、退職者分が削除されている場合が少なくありません。調査ツールの仕様で、退職時にアカウントごと削除される運用になっているためです。対策として、サーベイの結果は実施の都度、分析用の領域へ書き出しておきます。月次または四半期でのエクスポートを、運用手順に組み込んでおいてください。過去分の復元は、ツールのベンダーに依頼しても対応できない場合があります。

相関を因果と読み違えたまま人事施策を実行する

相関関係と因果関係の混同は、人事施策で特に大きな損失を生みます。「研修受講者は昇格率が高い」という結果から、研修が昇格をもたらしたと結論づける例が典型です。実際には、昇格候補者が優先的に研修へ送られている可能性が残ります。この場合、研修の対象者を増やしても昇格率が動かないままです。相関が見えた時点で、選抜の仕組みが介在していないかを確認する手順を挟みます。人事データは、施策の対象者が意図的に選ばれている点で偏りを含みやすい性質があります。

実務での回避策は、比較対象を作ることです。研修を受けていない同等級・同職種の社員を抽出し、昇格率を比べます。条件をそろえた比較でも差が残るなら、施策の効果である可能性が高まります。完全な検証には対象者をランダムに割り付ける方法がありますが、人事施策では実施が難しい場面が大半です。次善の策として、実施部署と未実施部署を比べる方法が取られます。因果まで断定できない場合は、報告の際に「相関にとどまる」と明記してください。

相関分析とは？分析初心者でもわかる解説とExcelでのやり方を紹介

ダッシュボードを整備しても現場が使わない状態になる

時間をかけて整備したダッシュボードが、数か月後には誰も開かない状態になる話は珍しくありません。原因の多くは、指標の数と更新頻度、そして提供の導線の設計です。指標を30個並べたダッシュボードは、どこを見ればよいかが分からず放置されます。管理職が毎月見る画面なら、指標は5〜7個に絞ります。残りは詳細画面へ送り、必要なときだけ掘り下げられる構成が扱いやすい形です。表示する指標は、会議で実際に議題になる数字から選びます。

使われる状態にするには、既存の会議体へ組み込む方法が確実です。月次の人事会議の冒頭5分で、決まった画面を全員で見る運用にします。資料を作り直さず、ダッシュボードをそのまま投影する形が定着の近道です。利用状況の確認も、あわせて仕組みに落としておくべき部分です。BIツールの閲覧ログを月次で確認し、閲覧が月5回を下回る画面は統廃合の対象にします。作りっぱなしにせず、使われていない画面を減らしていく運用のほうが結果的に定着します。

人事データ分析の活用事例3選

実際の取り組みがどのように進むのかを、3つの例で見ていきます。いずれも、高度な分析手法よりもデータの整備に時間を割いた事例です。着手の順序と、成果が出るまでの期間に注目すると参考にしやすい内容になっています。自社の状況と重なる部分を探しながら読んでください。

製造業：勤怠と評価データの統合により離職兆候を早期に検知

従業員2,000名規模の製造業で、現場部門の離職率が課題になっていた例を取り上げます。勤怠は工場ごとのシステム、評価は本社の人事システムに分かれて保管されていました。着手したのは、社員IDの桁数統一と、工場ごとに異なる勤務区分名称の標準化です。整備に2か月を要し、分析に入れたのは3か月目でした。残業時間の急減と有給取得パターンの変化を組み合わせた指標を作り、月次で抽出する運用を始めています。抽出された社員に対しては、直属の上長ではなく人事から面談を打診する設計にしました。

効果の検証は、運用開始から1年後に実施しています。抽出対象となった社員のうち、面談を実施した層と未実施の層で6か月後の在籍率を比較しました。数値の改善幅よりも、現場の管理職が勤怠の変化に目を向けるようになった点が成果です。データ整備に費やした2か月が、その後の運用の土台になりました。統合の順序を誤っていれば、指標の精度が上がらないまま運用が始まっていた可能性があります。整備の工数を削らなかった判断が、この事例の分岐点です。

小売業：店舗間で異なる職種名称を標準化し、人員配置の比較を可能に

全国に300店舗を展開する小売業で、店舗間の人員配置を比較したいという要望が出た例です。障害になったのは、同じ業務を指す職種名称が店舗ごとに違っていた点でした。「レジ担当」「チェッカー」「会計担当」が並存し、単純な集計では比較になりません。対応の軸になったのは、業務内容を基準にした12分類への再定義です。既存の名称は約80種類あり、対応表の作成に4週間を要しました。判断に迷った名称は、店舗の運営部門に確認しながら分類を確定させています。

標準化の完了後、店舗規模別の人員構成を比較できるようになりました。同規模の店舗間で、レジ担当の人数に2倍近い差があるという状態でした。差の背景には、立地による来客時間帯の違いという合理的な理由もありました。数字の差をそのまま是正の対象とせず、背景を確認する手順を挟んだ点が運用上の工夫です。現在は、職種名称の新規登録を運営部門の承認制にしています。標準化した状態を維持する仕組みまで作らなければ、名称は再び増えていきます。

IT企業：スキルデータの整備で研修投資の配分を見直し、充足率が改善

従業員500名のIT企業で、研修予算の配分を見直した例を紹介します。従来の配分方法は、各部門からの申請内容に応じて予算を割り当てるという運用でした。職種ごとに必要なスキルを12項目定義し、全社員に自己申告で4段階の入力を依頼しています。上長によるレビューを挟むことで、自己評価の偏りを補正しました。入力の依頼から補正の完了までにかかった期間は、約6週間です。項目数を絞ったことで、入力率は95%を超えました。

可視化の結果、クラウド関連のスキルで保有率が4割を下回る職種が特定されました。既に8割を超えていた項目にも研修予算が配分され続けていた実態も明らかです。予算の配分を保有率の低い項目へ寄せ、翌年度には該当スキルの保有率が2割ほど改善しました。申請ベースの配分では、こうした組み替えは起こりません。スキルデータの整備が、配分の根拠を作った形です。入力の負荷を抑える設計が、この取り組みを成立させた前提になっています。

まとめ：人事データ分析は統合と定義の設計から始まる

人事データ分析でつまずく箇所は、分析手法ではなくデータの持ち方と定義の設計に集中します。目的を1行で書き、データを棚卸しし、表記をそろえたうえで社員IDによる突き合わせへ進む順番です。この順序を守るだけで、集計だけで終わってしまうリスクは大きく下がります。組織改編の履歴や在籍ステータスの定義も、着手前に決めておく論点です。個人情報の取り扱いと閲覧権限の設計は、分析の自由度を決める前提条件になります。手を動かす前の合意形成に、全体工数の1割を充ててください。

• 分析結果をどの意思決定に使うのかを1行で書き出す
• 対象システムと項目を一覧化し、退職者レコードの有無を確認する
• 部署名・役職名・職種名称の表記をそろえる対応表を作る
• 社員IDの桁数と型を統一し、突き合わせ後に件数を検算する
• 個人情報の利用目的と閲覧権限の設計を法務部門と確認する

最初の取り組みは、対象を1つの部門や1つの職種に絞って進めるのが現実的です。全社を一度に扱おうとすると、整備の工程だけで半年が過ぎていきます。成功事例が1つできると、他部門からのデータ提供の協力も得やすくなるためです。小さく成果を出し、その事例を持って対象を広げる進め方のほうが、社内の理解も得やすくなります。着手できる部分から、今日中に1行目を書き始めてください。

「これから人事データの活用に取り組みたいけれど、何から手をつけたらいいかわからない」「人事データ分析の専門家の知見を取り入れたい」という方は、データ領域の実績豊富な弊社、データビズラボにお気軽にご相談ください。

貴社の課題や状況に合わせて、人事データ分析の取り組みをご提案させていただきます。

データビズラボの実績無料相談・お見積り