見出し画像

【続】ピープル・アナリティクス不要論

 「声なき声」を地道に集め、自分なりの視点も加えて整理した。
 もともとの「ピープル・アナリティクス不要論」には大きな反響があり、多くの有識者の方々から様々な意見を頂くことが出来たため、「続編」としてまとめた。


企業人事サイド(CHRO)からのコメント

 世の中の技術の潮流や可能性については理解しておきたいところだが、費用対効果や、現時点で自社の人事部がどのステージにあるか、ということも考えなければいけないため、いきなりHRテクノロジーを使いこなすのは難しいと感じる。人事の体制・プロセスが未完成の状態にあるとき、何を優先するのかの判断はクリティカルな問題だ。さらに、企業規模がそれほど大きくない場合においては、「ビッグデータ分析」というのは正直なところ費用対効果が合わないことが多いと感じる。
 本社・カンパニーの人事機能の充実度に対して部門付きのHRBPがリソース的にも能力的にも弱いような場合には、まずはしっかりと人事の体制を作り、ローテクでもよいのできちんとタレマネ(どんな社員がいるのかしっかり把握する)ができる状態を作るのが先決である。
 外資系企業等で、すでにHRBPがしっかりと機能していて社員の顔が見えている場合は、たとえばHRテクノロジーの活用やピープル・アナリティクスの手法による簡単な離職予測などは、HRBPの業務を補助する意味で便利であろう。逆に人事のプロが育っていない組織でHRテクノロジーを導入したりピープル・アナリティクスを始めてみようとするのは危険である。その前に、まずはしっかりしたHRBPの体制を整えるのが先ではないか。

 「まずはしっかりと人事の体制を作り、ローテクでもよいのできちんとタレマネ(どんな社員がいるのかしっかり把握する)ができる状態を作るのが先決である。」ということこそ、私も皆様に訴えかけたいポイントである。
テクノロジーというのはそのあとの話なのだ。
 とはいえ、すべての(HRテクノロジーの)領域で先送りしすぎるのもリスクがあるといえ、ROI的に見合った、始めやすいところから実験を開始する、ということになるのだろう。

 「ピープル・アナリティクス不要論」とは、少し極端ではないかと感じた。時代は急速に変化しているためゆっくりデータを集めて分析していたのではあまり役に立たないと思うが、それなりにスピード感を持って必要な切り口、大量のデータから洞察が得られれば有益である。
 特にリーダーに必要なコンピテンシー、能力は時代が大きく変わっても共通なものが多々あるため、どのような人物がリーダーシップポジションに必須か、どう見極めるか、どう育てるか、についての洞察を得るためにはピープル・アナリティクスは有益である。
 ただし、現実的に使いこなせる人が少数派であるという観点からすると、「(当面は)不要」と言わざるを得ないのかもしれない。

 「スピードを持って必要な切り口から大量のデータから洞察」を得るというのは、きっと誰もがやりたいことであろう。
 ただ、人の能力のほうが追い付いていないためこれまで言われていたような「ピープル・アナリティクス」では現実的に難しいと思われる。
 そこで、おそらく解決策は2つ。
①大げさなことはやらずに、ダッシュボートツールによる可視化でそれなりのインサイトを得る。
②テクノロジーの力を借りて、誰でもそれなりの分析が出来るようにする。

 ①は、データを集めたり綺麗にするところの課題は付いて回る。
 ②も同様のことは言えるが、データ収集とクレンジング自体もテクノロジーの力を借りることが可能である。②の課題は、「では、そんなに都合の良いソリューションがあるのか?」ということであろう。
 数年前まで我が国でも、「人事データが格納されたExcelシートを読み込ませるだけで相関関係分析等の簡単な分析がワンクリックで可能」という触れ込みのIBM Watson Talent Insightsというソリューションが展開されていた。

 そして、データの取り込みと加工についてはDatawatch Monarchを上記のソリューションと組み合わせることでかなり簡略化することは出来た。

 それでもやはり、「必要なデータ」が存在していなければ「収集・加工」に値するデータもないということになり、結局は分析結果から得られるインサイトも大して中身のないものになってしまうのである。

企業人事サイド(人事担当者、HRテクノロジー/ピープルアナリティクス担当者)からのコメント

 「ピープル・アナリティクス」の定義について不明確に感じつつも、イメージしていたことは「機械学習」ではなく「統計解析」程度のものであったため、そのレベルの分析はすべきであると考える。
 従業員スキルのデータがないとできないこともたくさんあるが、他方でスキルのデータがなくても分析できる部分はあるのではないか。
 今あるデータを分析するのではなく、課題を検証するためにデータを準備し分析するというのが王道のやり方だと考えており、スキルに関する課題があれば、やはりスキルデータを集めるしかないのだろう。

 私自身も、「ピープル・アナリティクス」という言葉の定義をしっかりと出来ているわけではないが。。。。ただ、イメージとしては、専門的な知識がないと出来ず、コンサルに頼らないと出来ないくらいの高度で本格的な分析、ということになろうか。
 実際のところは私も、「人事系のデータ分析」そのものは必要だと考えている。(「統計解析」となると、私のイメージとしては十分に高度な分析の類に入ってしまうが。)
 分析の高度さを求めるよりも、必要なデータをしっかりと揃えていくほうが早道で費用対効果も高いと考える。その観点からは、「スキルのデータがなくても分析できることはたくさんある」のも確かであろうが、「その先」をやろうとすると「スキル」や「特性」のデータが必要になること明らかである。そのことに後で気づくと、結果的に「手戻り」が多く発生することになるのである。

・データはあるけど、データ量が少ない(適性検査データが一部の人の分しかない)
・データがそもそもない(スキルデータが定義もされてなければ、蓄積もされていない)
 このような状態であったとしてもまずは「自力」でやれる範囲で分析をやってみないことには、「高度な分析」を行うためには上記のようなデータが必要なのだ、ということにも気づくことが出来ない。

 これは確かにごもっともである。コンサル等のプロに頼らずに事業会社の人事内で試行錯誤してやるなら、「やっぱりやってみてから気づくよね」で良いだろう。
 しかしながら、しっかりと人事コンサル的な「プロ」が関与しているにも関わらず(というよりも、「だからこそ」なのかもしれないが)いきなり「高度な分析 ≒ ピープルアナリティクス」やらせようとしたりするケースをが散見されるため、警笛を鳴らすために「ピープル・アナリティクス不要論」を公開した次第である。

 (現在は担当から離れたが)担当時代にかすかに抱いていた違和感というか、もやもやとした部分をまさに書かれており素直に受け止められた。
 自社でもハイパフォーマー分析等は取り組んでいたが、「本当にこんなの意味あるんだろうか…」と思っていたのは正直なところである。点在するデータから正しいかどうか曖昧な基準に沿って、ある意味恣意的にデータを抽出しているような感覚で、見落としている気付き・相関関係が多くあったに違いないと感じている。
 人事から営業に立場を変えて、「優秀な人材とは」(採用や最適配置、育成等)に関して思うのは、今のやり方やデータ分析では中々正解らしきものには辿りつけないのではないか、ということである。

 このような「声なき声」は実は色々なところに埋もれていて、にも関わらず成果を強調したい人たちの声にかき消されて表に出てきていないのだろうと推察する。

●「人事部門で高度な分析を行うことに疑問」との主張について
 ・何を目的にしてアナリティクスを行うか、によるのではないか?
 ・目的を持たずに大きな期待だけを持って取り組むとこういう問題にも直面するのかもしれないが、少なくとも「長きに亘って人事部に在籍している社員の頭の中に入っている判断基準やモノサシを見える化する」ことを目的としていたため、分析は可能と考えて取り組んでいた。
 ・「この社員は活躍する可能性が高い」というベテラン社員の経験と勘に基づく判断を人事部門の素人でも同じ判断が出来るようにするための材料提供をすること程度を目的として取り組んでいたが、この程度の目的であれば「分析は可能」と言える範囲にあるのではないか。
 ・期待しすぎないレベルの目標であるかどうかの問題ではないか、と感じる。

●スキルデータが存在しないとピープルアナリティクスの目的は達成できないのか?
 ・正直ここは分からない。率直にいえば、自組織では、未だ保有する(貯めている)データ量が少なくて、データ分析を実施することろまで到達していないため検証が出来ていない、というのが実情だ。
 ・元々、目標としていたのは「活躍の可能性の高い人材の発掘」、「離職の可能性が高い人材の発見」であった。
 ・確かに、より深掘り分析をしようと思えばジョブの定義が必要になるとは思うが、このメッシュの細かさをどこまで行うか、の問題ではないか。
 ・また、上記の2つの目標を実現しようとした場合、ジョブ以外のデータで分析が出来ないのかどうかについて、まだ知見がない。
 ・既に行った取組みレベルでいえば、何十年にも亘る健康診断の結果を基に、「健康診断の結果に応じて、xxさんがxx年後に高血圧になる確率はxx%」というトライアルは行っている。過去に高血圧になった社員の健康診断データを基に予想をはじき出す運用だが、これについてはそのビッグデータを基にした予想が確からしいものかどうかを産業医にも見ていただいて、信ぴょう性がある旨のコメントをいただいて実施したものである。これくらいのデータが揃ったものについては実施に移しているが、その他の目標(活躍人材の予想、離職予想)については「これから」という段階だ。

●「深くて斬新な洞察が得られると期待するのは見当違い」との指摘
 ・「どこまで期待をしてトライするのか」次第ではないか。
 ・あくまでも人間が判断を行うサポート資料とする、くらいの位置づけであればこのようなショックは起こらないと予想する。
 ・社内にはビッグデータ分析を専門に扱う部署があるが、一昔前そこのスタッフに初めて相談を持ち掛けた時、「あくまでも基礎資料ですよ」と釘を刺されたことを覚えている。

 確かに、初めの期待値設定次第、ということであろう。
 また、「あくまでも人間が判断を行うサポート資料とする」といったスタンスが健全であろう。

1)データの量と質、密度
 データの量自体では、マーケティングなど他のアナリティクスの領域と比べて少ないのは間違いない。また個社内で単独で行う分析と比較して、例えばエンゲージメントサーベイやLinkedInのように人事業界のプラットフォームベンダーが持っているデータの量が圧倒的に多く、データ量では個社人事の分析では価値を出す機会が相対的に小さくなる。

2)データの種類(質と密度)
 人材データとしては、これまでの人事では属性情報しか持っていなかった。今後はデータの種類が拡大していくことでビジネスにとっても社員本人にとってもより有益な分析とインサイトを提供できると思っている。
特性・性質データ (スキル、コンピテンシー、さまざまな性格検査データ)
意見・意識データ (各種調査アンケートでの回答結果)
行動データ (誰と何をどこで話して、どういう行動をしたかどうか)

3)経験・観察から得られる仮説と知見
 データだけでは価値はゼロだ。そもそも解決したい課題が特定でき、データから何を読み取るか、その結果どう介入(施策やアクションを実行)して変化を生み、それを計測していくかという経験と観察がとても重要になる。それは個社の人事しか持ち合わせていないものであり、データの量や質が足りなくてもその課題設定さえ合致していれば、大きな価値を生み出せる。

4)データの利活用が進まない原因
 現在の人事業界では経験・観察とデータを結びつけて考えられる人材が圧倒的に不足している。自社内でもHR Techチーム(実態はPeople Analyticsチーム)と他の人事メンバーの間には大きな谷があるため、その谷を埋めることに日々四苦八苦している。
 People Analyticsの業界の数年先をいくMarketing Analytics/Intelligenceの業界でも、数年前まではデータ分析チームはマーケティングの1つのマイナーチームの仕事だったものがDigital MarketingやMarketing Automationといったデータの利活用を軸に圧倒的に違う付加価値を出せるオペレーションに代わってきており、データチームの役割が辺境から中央に変わってきている
 その結果、マーケティング領域で求める人材スキルにデータ利活用の重要性が大きく上がった。こうした変化が人事業界にも起こるのは数年かかると考えている。

 データの種類(質と密度)が充実してきて、はじめて本来のピープル・アナリティクスの取り組みを始めることが出来る、始める意味がある、ということであろう。

 現在、導入したタレマネシステムの有効活用を検討している。パッケージ製品であるため基本的には誰でも扱えるシステムではあるが、そのシステムでカバーできない部分をBI等で補完できないかと検討している。自分はBIの使用経験者であるということもあり、補完といいながらも、そこの部分を強化していきたいと考えている。
 まさしく、「タレマネシステムを導入したから、取り敢えず何かやってみようか」という状態にある。明確な目標(到着点)がはっきりしておらず、出たとこ勝負的なところがあり、システムを使ったところで効果が出るのだろうか、全社展開できるのであろうかという不安を持っている。
 この不安の原因としては、
①経営層が求めているものと合致しているかはっきりしない。
②設立されてまもないということもあり、そもそも分析に必要なサンプルが不足しているのではないか。
③現在データ整備段階で、分析に必要なデータが揃うか、もしくはそのデータ媒体(電子であれば使えるが、紙の場合もある)はどうなのかはっきりしない部分がある。
等が挙げられる。

 どの企業も圧倒的に足りていない情報が
・ジョブ定義の情報
・スキルコンピテンシーの情報
・性格、特性情報

である。これらを愚直に揃えていくことを始めるだけでも、「不安」はだいぶ解消されるはずである。何をやるにしても、これらの情報を切り口として深掘り分析していくこと必至だからだ。

人事コンサルサイドからのコメント

 不要とまではまだ言い切れないが、不急であること、導入した仕組みも目的不在のままでは結局上手くいかないとの認識だ。
 ピープル・アナリティクスについては、今の状況において不急だという認識の企業が多い。今の人事システムの中で、主要メンバーはデータを使わなくても把握できるし、何とかなっている状況だ。外国人、若手、中途採用メンバーを中核に据えてくる世界が来ないと今のままでもなんとかなっているとうのが現状である。
 したがって、本来人に紐づくデータとして必要になる、能力、経験、志向性等のデータを収集してすることが求められるが、そこに時間とお金をかけて蓄積しようという気運にはまだなっていない。今行われているピープル・アナリティクスというものは、今あるデータに少しアセスメントデータを追加してなんとか体裁を揃えたぐらいのものであり、経営に寄与できるものにはなってない。その主要因として、ピープル・アナリティクス、HRテクノロジー、その他のシステム導入を行う際の目的が曖昧であること、また、経営、人事が企業をこういう風に変えたいという方向性が曖昧であることが挙げられる。手段だけが入っても機能してないのだろうと推察する。

 将来的には必要となっていくが、今の状況では「不急」と言わざるを得ない。現時点では不要という意味の「不要論」である。

 まったく同感である。
 そもそも、多くの企業に「適所適材」の思想がないために、分析できるデータ量もなければ、メンテする仕組みもなく、結局データが陳腐化していることが現実である。
 単に、「埋もれた人財の発掘のため」というケースが多いのであり、データ化というよりはテキスト化(昨今であれば、映像化)すればいいレベルの話がほとんどである。目的なきピープル・アナリティクスは不要であるというのは大賛成だ。
 求められているのは、まさにVisualizationなのである。

 まずは簡単は可視化(ビジュアライゼーション)から入ってデータから「インサイト」を得ることの有用性に気づくこと。そこから良い意味の「欲」が出てきてどのようなデータを拡充すべきかが見えてくる。そのあとにデータ拡充、整備の作業が入り、少なくとも本格的な分析(ピープル・アナリティクス)はそのあとである。

 そして以下は、FacebookグループHRC / Human Resource Communityにおける2020年5月9日17:00の私の投稿に対して、「HRテクノロジーで人事が変わる」の共著者でもある酒井雄平さんから頂いたコメント(とそれに対する私の返信という一連のやり取り)を本旨は損なわない形で一部抜粋、改変し、引用したものである。

ジョブ定義とスキル情報蓄積の有用性は同意するが、
①ジョブ定義に類似する概念として、職種・等級別の人材要件定義(職能をベースにしつつも、期待役割やテクニカルスキルも含むもの)はすでに存在する。
②人材のスキル情報を蓄積することは、費用対効果が見えない・あるいは悪いと思われがち。
という二点が、多くの企業がなかなか踏み切るに至らない理由と考える。
 ①については労政時報の特集などに譲るとして、②については、スキル情報が「中途半端」に映りがちな点が課題だ。例えば異動の検討を例にとっても、異動を手厚く検討する企業ほど、スキル以外にも性格・過去の経験・異動先上司との相性・様々な身上情報などを考慮する。それらに対する膨大な暗黙知情報があることが、スキルを定量的に管理する必要性を下げているのが実情である。(そしてそれは、企業にとって合理的な判断といえる。)
 また、スキル情報の蓄積には評価者の工数を要するので協力を得る大義名分が必要だし、注力事業の転換等によって人材要件が変わる際の情報陳腐化のリスクや、集まったスキル情報自体が「結論ありきの帳尻合わせ」になるリスクもある。
 クライアントの課題解決に従事している者として、どのような課題にジョブ定義やスキル情報の蓄積が有用か、という視点で述べると、
・異動や育成手段の検討に要する工数を削減したい
・事業の変化やDXの推進に伴い人材要件を再定義するにあたり、既存人材のスキルや適性を棚卸ししたい
・多拠点・多国家に存在する人材の資質を暗黙知・経験で把握しきれておらず、埋もれている有為な人材を活用できるようにしたい
といったケースが該当すると考える。そういったケースではジョブの再定義やスキル情報の蓄積を提案するが、その際も、スキル情報だけでなく、適性・業務経験・プロジェクト経験情報とセットで扱うようにしたり、蓄積対象者を一部に絞るようにしている。
 情報は、まず活用目的・期待成果があって、そのうえで蓄積・活用・メンテナンスを通じて信頼度が高まると加速度的に使われるものであり、そうした浸透サイクルの先にスキルを軸としたピープルアナリティクスが確立するのではないかと考える。

 「①職種・等級別の人材要件定義」すらもきちんと出来ていない企業のほうが圧倒的に多いはずだ。
 「スキル以外にも性格・過去の経験・異動先上司との相性・様々な身上情報などを考慮する」ということであるが、果たしてそれらの「暗黙知」寄りの情報をそこまで重視して良いのか、という問題もあるのではないか。
 「スキル情報の蓄積には評価者の工数を要するので協力を得る大義名分が必要だ」という点についての解決策として、私は「セルフジョブ定義」を提唱している。すなわち、現場のメンバー自身が、自らのキャリアビルディングのためにスキルの棚卸しをする。その結果としての自らのジョブ定義を行うということだ。他方で、「大義名分」というのも確実に存在する。それは、「スキル情報が蓄積されていないとworkdayやSuccessFactorsのような人事ソリューションの大半の機能が使い物にならない」ということだ。
 「情報陳腐化」のリスクも、この「セルフジョブ定義」方式で収集された情報を1on1のネタとしていくことで高頻度でブラッシュアップ可能となり、ほぼ解決される。
 「スキル情報だけでなく、適性・業務経験・プロジェクト経験情報とセットで扱う」という点についてであるが、昨今はこれらすべて含んで「広義のスキル」として扱われる。
 最後に、「浸透サイクルの先にスキルを軸としたピープルアナリティクスが確立する」という表現についてであるが、人事領域においてスキルを軸としない分析を行ったところでほとんど意味をなさない、というのが私の持論である。したがって、スキルの情報がない状態ではそもそも「ピープル・アナリティクス」は成立しえない、と理解すべきであろう。

 なお、元々の酒井さんとのやり取りにおいて、酒井さんのコメントとして「日本企業の多くは、相応の歴史・検討経緯があって現在の『役割型』的運用をしているのである。」という点が含まれていた。ただ単に無策であり、上記のようなことに何もチャレンジしてこなかったわけではない、ということであろう。その先人の知恵も活かしつつ、「役割型」を軸としつつも少し「ジョブ型」に寄せてみる、あるいは「ジョブ型」への移行を目指しながらも「役割型」の良い点は残す、といったあたりが落としどころなのだろう。
 この点についてはこちらの記事も併せて一読いただきたい。

人事ソリューションのベンダーサイドからのコメント

 概ねその通りであると賛同する。
 人事界隈では、大層な分析技術やツールは不要なケースが多数だと思われる。そこに注力するなら、現場や経営戦略など自社への理解を深めた方が、価値が高いことが大半であろう。
 現在、ピープル・アナリティスクが小難しい話になっているのは、ご指摘の通り、コンサル関係者がピープル・アナリティクスを商材にしようとするから、小難しいものにしてしまったということが大きく影響しているだろう。
 さらに、人事界隈のヒトたち特有の性質として、人事コミュニティの中でマウント取りたがる性質もあると考えている。簡単でマネしやすい内容だとマウント取れないため、難しそうに見せるということである。
 したがって「先駆者」の罪は重いと思うが、「簡単でいいよ」とは言えないポジションにいる彼らに自浄作用は無いだろう。
 ただ、最近は人事データ分析を難しく見せない、という工夫やその事例記事なども出てきているし、そのあたり分かっている人も増えてきた感覚がある。
 段々と良い方向に向かうのではないか。

 人事領域におけるデータ分析は、何か特殊な技能や知見を持ったような限られた人たちだけのもの、であってはならない。幸いにして最近のSaaS系人事ソリューションには、誰でも簡単に使える「分析・ダッシュボード機能」が備わっているものが多い。(自前で用意しているケースもあれば、汎用的な BI ツールを組み込んでいるケースもある。)
 まずはここから何らかのインサイトを得て、そこから段々と「欲」が出てきて「足りないデータが何なのか」が見えてくる、という自然の流れに任せても良い。
 ただ、性格・特性情報、スキル・コンピテンシーの情報が絶対的に必要であることに、ある時点で必ず気づくはずだ。それが初めから分かっているのであれば、かなり手前の段階からそれらの情報、データを優先的に拡充させていくという発想を持っても良いのではないか。
 性格・特性情報の充実のためには各種アセスメントの活用を、スキル・コンピテンシー情報の充実のためにはLMS(ラーニング・マネジメント・システム)の活用をお勧めする。(※タレントマネジメントシステムからではない、という点がポイントである。)

★今後も、「ピープル・アナリティクス不要論」に対するご意見を頂くたびにこちらの記事に反映させていきます。


この記事が気に入ったらサポートをしてみませんか?