ピープルアナリティクスを「難しそう」で終わらせない人事の第一歩
目次
- ピープルアナリティクスで何ができるのか
- 「勘と経験」をデータで補強する
- ピープルアナリティクスの活用例
- ピープルアナリティクスの始め方
- ステップ1：「問い」を先に立てる
- ステップ2：「すでに持っているデータ」を棚卸しする
- ステップ3：Excelで「集計・比較」から始める
- プロの人事はこう考える：ピープルアナリティクスの実践
- 「分析の目的」を常に意識する
- 「定量データ」と「定性データ」を組み合わせる
- プライバシーへの配慮を忘れない
- 明日からできる3つのこと
- 1. 「離職率の部署別比較」を計算してみる（所要時間：1〜2時間）
- 2. 「採用チャネル別の定着率」を調べる（所要時間：2〜3時間）
- 3. 「一つの問い」に答える分析をしてみる（所要時間：2〜3時間）
- まとめ：ピープルアナリティクスは「人事の洞察力」を高める
- もっと深く学びたい方へ
ピープルアナリティクスを「難しそう」で終わらせない人事の第一歩
「ピープルアナリティクスをやってみたいが、データがなくて」「データはあるが、どう分析すればいいかわからない」「分析できても、経営にどう伝えればいいかわからない」——ピープルアナリティクス（People Analytics：データを使った組織・人材の分析）への関心は高まっていますが、「難しそう」という印象で第一歩を踏み出せていない人事担当者も多いです。
ピープルアナリティクスは、高度な統計分析や機械学習の知識がなくても始められます。今日は、ピープルアナリティクスの実践的な始め方について一緒に考えてみたいと思います。
ピープルアナリティクスで何ができるのか
「勘と経験」をデータで補強する
ピープルアナリティクスの目的は、「勘と経験を否定すること」ではなく、「勘と経験をデータで補強・検証すること」です。
「あの部署は最近雰囲気が悪い気がする（勘）→エンゲージメントスコアを見ると、確かに先月比5%低下している（データ）→何が原因かをさらに深掘りする」という流れが、ピープルアナリティクスの実践です。
データは「答え」を出してくれるのではなく、「問いの精度を上げる」ものです。
ピープルアナリティクスの活用例
ピープルアナリティクスで実際に行われている分析の例をいくつか挙げます：
- 離職予測：過去の離職者の属性（部署・役職・評価・在籍年数・残業時間）のパターンを分析し、「離職リスクが高い社員」を早期に特定する
- 採用の質分析：採用チャネル別・面接官別に「入社後の活躍度・定着率」を比較し、「採用の質が高いチャネル・面接官」を特定する
- パフォーマンスドライバー分析：「高い業績を出している社員の特徴」を分析し、採用基準・育成施策に反映する
- エンゲージメントの要因分析：「エンゲージメントが高い部署と低い部署の違い」を分析し、改善の優先事項を特定する
ピープルアナリティクスの始め方
ステップ1：「問い」を先に立てる
ピープルアナリティクスの出発点は、「データ収集」ではなく「問いを立てること」です。
「なぜ特定の部署の離職率が高いのか？」「採用した社員の定着率を高めるために、採用段階で何を見るべきか？」「エンゲージメントが低い部署の共通点は何か？」——こういった「答えを知りたい問い」を先に立てることで、「何のデータが必要か」が明確になります。
ステップ2：「すでに持っているデータ」を棚卸しする
多くの企業では、「分析に使えるデータがすでにある」のに「それをデータとして意識していない」ことが多いです。
- 人事マスタ（入社日、部署、役職、等級、給与）
- 退職者データ（退職日、退職理由、在籍年数）
- 評価データ（半期・年次の評価スコア）
- 勤怠データ（残業時間、休暇取得日数）
- 採用データ（応募チャネル、面接官、選考期間）
これらを「分析に使えるデータ」として整理するだけで、ピープルアナリティクスを始められます。
ステップ3：Excelで「集計・比較」から始める
ピープルアナリティクスは、最初から高度なツールや統計手法は必要ありません。Excelでの「集計・比較・可視化」から始められます。
「部署別の離職率を棒グラフで比較する」「採用チャネル別の定着率を表で比較する」「評価スコアと残業時間の相関をグラフで見る」——これらは、Excelの基本機能でできます。
「経年変化を眺める→アイディア→人事施策→費用対効果→選択」という5ステップがあります。データを眺めることで「アイディア（仮説）」が生まれ、それが施策につながります。
プロの人事はこう考える：ピープルアナリティクスの実践
「分析の目的」を常に意識する
ピープルアナリティクスで陥りやすいのが、「データを分析すること」が目的になってしまうことです。
「このデータから何がわかりますか？」という問いではなく、「この問いに答えるために、どのデータが必要か？」という問いの順番で考えることが重要です。分析結果を「どう使うか（意思決定・施策）」まで考えることで、ピープルアナリティクスが「面白いデータを眺めるだけ」で終わらなくなります。
「定量データ」と「定性データ」を組み合わせる
ピープルアナリティクスでは、定量データ（数字）だけでなく、定性データ（声・エピソード）も重要です。
「離職率が高い部署がわかった（定量）→その部署の社員にヒアリングして、なぜ離職が多いのかを聞く（定性）」という組み合わせで、「何が起きているか」と「なぜ起きているか」の両方が見えます。
プライバシーへの配慮を忘れない
ピープルアナリティクスでは、「個人データを扱うこと」への倫理的・法的な配慮が必要です。
特定の個人が誰かわかるような形でのデータ活用・公開は、プライバシーの侵害につながる可能性があります。「データは統計的に扱う」「個人が特定される形での活用は行わない」という原則を守ることが重要です。
明日からできる3つのこと
1. 「離職率の部署別比較」を計算してみる（所要時間：1〜2時間）
まず最もシンプルな分析として、「部署別の離職率（過去1〜2年）」を計算してみましょう。「どの部署の離職率が高いか」を把握することが、「なぜ高いのか」を深掘りするための出発点になります。
2. 「採用チャネル別の定着率」を調べる（所要時間：2〜3時間）
直近2〜3年に採用した社員について、「採用チャネル別（転職媒体A・エージェントB・リファラルなど）の入社後1年定着率」を計算してみましょう。「どのチャネルから来た人の定着率が高いか」がわかると、採用投資の最適化につながります。
3. 「一つの問い」に答える分析をしてみる（所要時間：2〜3時間）
「なぜ最近、〇〇部署の残業時間が増えているのか」「新入社員の3ヶ月後定着率が低い傾向があるが、何が原因か」——一つの具体的な問いを選んで、持っているデータでその問いに迫る分析をしてみましょう。最初から完璧な分析でなくていい。「問いを立てて、データで考える」習慣を作ることが大切です。
まとめ：ピープルアナリティクスは「人事の洞察力」を高める
ピープルアナリティクスは、データサイエンティストのための高度な技術ではなく、「データを使って人事の意思決定の質を上げるための実践的なスキル」です。
「人事の仕事の質の7〜8割は"知る"の質で決まる」という言葉があります。ピープルアナリティクスは、「組織・人材について、より深く知るための手段」です。高度な分析ツールがなくても、「問いを立て、データで考える」習慣を持つことで、人事の洞察力は確実に高まります。
もっと深く学びたい方へ
データ活用と人事分析を体系的に学びたい方には、「人事のプロ実践講座」がお役に立てるかもしれません。
▼ 人事のプロ実践講座（詳細・申込み） 人事図書館の詳細・入会はこちら
人事の仲間と学び合える「人事図書館」へのご参加もお待ちしています。
▼ 人事図書館（詳細・入会申込み） 人事図書館の詳細・入会はこちら
関連記事
HR Tech導入で失敗しない人事が、事前に必ず確認すること
採用管理システムを入れたが、現場が使ってくれない人事システムの移行で大混乱が起きたベンダーに言われるままに高額なシステムを契約したが、使い勝手が悪い——HR Techの導入失敗事例は、残念ながら珍しくありません。
LGBTQフレンドリーな職場を作るとき、人事が最初にやるべきこと
LGBTQの社員への配慮が必要だとわかっているが、何から始めればいいかわからないセクシュアリティに関する問題が起きた際の対応が不安制度を整えたいが、どこまでやるべきか——LGBTQに関する職場の問題について、こういった悩みを持つ人事担当者が増えています。
労基対応を「怖いもの」にしない人事のための基本の考え方
残業代の計算が合っているか不安で労働基準監督署に何かを言われたらどうしよう法律のことがよくわからなくて、コンプライアンス対応に自信がない——労務コンプライアンスへの不安を抱えている人事の方は少なくないと思います。
「良い質問」が「良い採用」を作る——面接質問設計の考え方
面接で何を聞けばいいかわからない面接官によって聞くことがバラバラで、候補者の比較ができない質問への回答が表面的で、その人の本質が見えてこない——採用面接の質問設計に悩んでいる人事担当者・採用担当者は多いのではないでしょうか。