総合人事データ活用で 結果を出すための5つの要点（前編）
これまで3回の連載の中では、人事データの活用が今後の人材マネジメントのあり方を変えるということ、さらには、その具体的な事例として、外資系企業での取り組みについて紹介してきた。今回と次回の2回に分けて、実際に日系企業がこうした人事データ活用を進めていくにあたりに直面している課題と、その解決例について紹介していきたい。
人事データ活用に向けた5つのポイント
データを基軸にした分析や意思決定を行うにあたっては、データ項目の整備から、多変量解析などの統計学にまつわるスキルの問題、さらにはそうした分析を進めるための仮説設定力など、さまざまな課題を解決していく必要性がある。
一般的にデータサイエンティストと呼ばれる職種には「コンサルティングスキル」「ＩＴスキル」「統計解析スキル」の3つの要素が必要になるといわれているが、人事の世界におけるデータ活用には、こうしたスキル面での話に加えて、さらにいくつかの乗り越えなければならない要素が存在する。
【図表1】に示される内容は、データ分析の世界的な権威でもある米バブソン大学のトーマス・Ｈ・ダベンポート教授が提唱する「DELTAモデル」というデータ分析を成功させるために必要となる5つの要素のまとめたものであるが、この要素になぞらえて、日系企業が抱える人事データ活用に向けた課題とその解説例について紹介していきたい。
ポイント 其の壱
Data（データ）: 他社にはない自社独自のデータを創り出す
企業がデータ分析を活用して競争力を生み出していくにあたっては、質の高いデータが求められる。他社とは違う観点でのデータを保有しているからこそ、それが独自の視点やアイデアを生み出す源泉となり得る。
人材マネジメントの世界で考えれば、2000年初頭からＥＲＰを中心とした、いわゆる「標準パッケージ」を活用した管理モデルが日系企業の間でも広く普及し、その機能を利用することで従来のシステムでは課題とされていたデータの標準化や履歴管理を実現してきた。
しかし一方で、この「標準」という形にデータ管理を強く当てはめすぎ、多くの企業で自社独自のデータを管理するという発想を低減させている負の側面も生み出してきているのである。どの企業も個人の基本的な属性データから始まり、異動歴やスキル、評価、給与情報など、人事オペレーションを運営していくために必要となる基本的なデータはきちんと整備して管理している。しかし、新たな視点や判断基準を生み出すような切り口のオリジナリティの高いデータを管理しているケースは多くはない。
連載第3回で紹介したグーグルを例にとるならば、採用時に「コンピュータに関心を持ち始めた年齢」「非営利団体の参加・創設経験」といった、他社ではあまり例を見ないデータを収集し分析しているが、これによりグーグルという会社で高いパフォーマンスを発揮する人材を獲得するための独自の分析基準を創り出し、人材獲得の精度という観点において他社との差別化を図る要素の1つを生み出している。自社が人材マネジメント上の新たな観点を獲得していくためには、新たな視点を持ったデータの設計、もしくはその組み合わせについて検討し、自社だけが持つデータの重要性を再考することが早期に求められている。
ポイント 其の弐
Enterprise（エンタープライズ）：人事の枠を超えてデータを分析する
次に挙げられるのは企業の全体管理の視点である。単純に言えば人事システムの中だけで分析を行うのではなく、財務システムや営業管理システムなどの、ビジネスに直結する情報との関連性を見ることで、人材マネジメントが真にビジネスに寄与しているかを判断できるようにするというものである。
組織別売上と従業員満足度や育成投資費用などの関係性の分析などが分かりやすい例であろうが、実際の現場では、こうした分析を躊躇しがちな傾向がある。多くの企業では良くも悪くもそれぞれのデータ項目に関して、所管する組織の職務内容に照らしあわせ正確な権限管理を行っている。
そのため、売上という財務.経理部門で管理されている情報と、育成投資や従業員満足度という人事部門で管理されている情報を組み合わせて分析するためには、部門をまたいだ調整が必要になることもあり、たとえそれが有用な分析であったとしても、結果として着手を後回しにしてしまう傾向がある。
こうした状況を打開するためには、各組織が自主的に連携するような何らかのインセンティブを与えるのも1つの手かもしれないが、日々の業務に奔走する業務担当者にこういった要求を求めることはなかなか容易ではない。
1つの有効な手立てとして考えられているのは、独立した人事データの専門分析組織を立てることである。これはグーグルをはじめとする人事データ分析を先進的に進める企業で多く採用されている手法でもあり、間接部門全体の中などで、独立したデータ分析専門の組織を設置し、あらゆるデータへの参照権限を与えることにより、部門の壁にとらわれることなく、俯瞰した観点から新たな分析視点を見出すことを可能にする。
ポイント 其の参
Leadership（リーダーシップ）：人事のデータ分析を推進する強いリーダーシップ
人事のデータ分析を推し進めていくにあたり、最も重要な要素となるのが、データアナリティクスという概念を牽引するリーダーの存在であろう。
データ分析の世界は言うなれば試行錯誤の繰り返しであり、単純に明瞭な結果が出るものでもない。さまざまなデータを組み合わせ何度も分析することにより、はじめて優位性のある示唆を得ることができる。
しかしながら、データ分析に対する一定の仮説や期待値をリーダーとなるものが明確に持たなければ、その費やした分析時間に対して的確な評価をすることができず、ただ冗長な作業を繰りかえすだけに終わってしまい、さらには周囲からは費用対効果が悪いと評されるような結果を招いてしまう。
データ分析を牽引していくリーダーには、求められるプロセスの効率性を判断するための分析手段に対する知識と経験、意思決定能力、さらには分析結果を活用する周囲のステークホルダー（経営者など）に対して、的確な期待値のコントロールを行うというさまざまな要素が求められるのである。
こうした人材を人事部門の中から育成していくのは容易な話ではないが、一方で会社全体を見渡せば、人事という専門領域の知識を除けば要件を満たしている人材は一定の規模で存在する可能性が高い。
近年、日系製造業でもよく見受ける話であるが、開発部門にいる研究者やデータアナリストを人事部門に異動させ、こうした業務のリーダーに据えるケースが増えてきている。当然ながら不足する人材マネジメントに関する知識などは周囲の人事専門家が補完する必要性があるが、求められるスキルセットを早期に調達するという観点に立てば、有効な打ち手の1つといえるであろう。
次回の第5回は、残りのポイントである「Targets（ターゲット）」「Analysts（アナリスト）」という観点について、解説を加えていきたい。