人材データ活用HR Navigator

伴走して、人材データを有効的に活用

昨今、企業経営との相関や時代の移り変わりなどから、人的資本経営や組織・人材開発などに注目が集まり、企業の人材にまつわるデータの重要性が高まっています。HR Navigatorは、人と組織に関する多種多様な課題に向き合い、人材データを基に成果創出に向けて伴走するコンサルティングサービスです。
まず、貴社の状況をヒアリングしたうえで、課題やデータに合わせた解決策を提案します。その後弊社のコンサルタントが寄り添いつつ、人事データを「貯める」「分析する」「活用する」、また人事施策を「実行する」「検証する」「根付かせる」といった行動を一気通貫で行います。

「データを貯めていく方法がわからない。」

人材のデータ一元化・活用をしたいけれど、何から手を付ければよいのか分からないということはありませんか？
人材データを活用して成果を出すためには、まずはデータを分析できる状態で「貯める」ことが重要です。特に人事データは、きれいな状態でデータが保存されていることが少なく、データを整理・蓄積していくための仕組みを作ることが難しいです。
アポロでは、課題の優先順位付けをした上で、必要なデータの定義、貯めるための方法、今後のアクションを提案します。既存のSaaS（タレントマネジメントシステム、採用管理システムなど）の選定・導入支援や、独自のデータ基盤の構築なども行っています。

「データを使って分析する方法がわからない。」

タレントマネジメントシステムなどを導入して、データが一元化されても、課題に対してデータを分析するところまでは進んでいないということはありませんか？
人材データに関わらず、データを貯めているだけで、そのデータ活用方法がわからないという課題は散見されます。
アポロでは「採用」「配属」「育成」「評価」「退職」などの人材の課題に対して、多くのプロジェクトを行ってきました。コンサルタントが課題のヒアリングを行い、データサイエンティストがその課題に対して適切な分析を行い、課題解決に導きます。また、ilodoliやSkillAnalyzerなどの人材データを活用したソリューションがあり、クイックに課題を解決することもできます。

「分析をしてもアクションに結びつけることができない。」

データを分析しても、その結果を基にアクション・施策を実施できないということはありませんか？
データを基にアクションを実行するのは、AIではなく人です。分かりやすいように分析結果を可視化・ストーリー化し、その結果を基に改善策を考え、実行するだけでなく結果を検証し、効果があるなら定常的に実行するための仕組みを作ることが大切になります。
アポロでは、分析結果を基に、人材要件定義、採用チャネル選定、広報・ブランディング、研修、育成など、他社パートナーとも連携して施策の実行までトータルでサポートします。ただデータを集めるだけでもなく、ただ分析を行うだけでもなく、ただ施策を実行するだけでもなく、お客様と手を取り合い、人材データを活用した価値を出すための仕組みを共に考えます。

【事例】応募者ポートフォリオ分析

昨年度の応募者のデータ（SPI・経歴書内情報など）を基に、クラスタリング（IDごとのデータからグルーピングする手法）を用いて、セグメンテーションを行いました。クラスタリングの結果から、応募者は5つのセグメントに分かれ、それぞれのセグメント毎にSPIの結果や基本属性を集計することで、それぞれのタイプの特徴を言語化しました。このときに、特徴だけでなく、活躍度合、在籍年数、エンゲージメントなどの「結果変数」となる数値を集計しておくことで、どのセグメントを最も重視して採用していくべきかが明確になります。

また、クラスタリングから導き出された人物像を、何らかの軸でプロットすることで、より解釈が行いやすくなり、今後のアクションを検討しやすくなります。例えばSPIのデータを活用するのであれば、縦軸に「リーダー気質 or メンバー気質」、横軸に「堅実・志向型 or 革新・行動型」という軸を取り、それぞれの人物像をプロットすることで、それぞれの特徴が見えやすくなります。また、似通ったセグメントを抽出したり、全く存在していない特徴の人を見える化することもできるため、今後採用すべき人物像を言語化し、それぞれのセグメント毎のアクションを取ることができます。

【事例】ハイパフォーマー特徴分析

多様な人材データと、パフォーマンス（PF）やエンゲージメント（EG）の関係性をモデル化。PF・EGの高低で人材をプロットし、それぞれの象限での人物の特徴（価値観・スキル・仕事への想い等）を言語化しました。例えば、「PF高EG高」の人の特徴を基に、採用したい人物のペルソナを作成したり、 「PF高EG低」の人が、離職しないような制度・仕組みの構築に活かしたりなどを行うことができます。
また、多様な人材データを基に、社員ごとに部署異動を行った場合の活躍度合いをシミュレーションしました。パフォーマンス・エンゲージメントを目的変数、性別、生年月日、学歴、職務内容、SPI、価値観等を説明変数として予測するモデルを作成しました。そのモデルを基に、部署の変数を変更した場合のエンゲージメント・パフォーマンスを予測し、最適な部署を選択できるようにしました。人材データはどの企業でもある程度似通っている傾向があるため、一定のデータが貯まっていれば、他の会社でも最適配置モデルを構築することができます。

【事例】退職者要因分析

店舗スタッフの中で、働き続けている人と退職した人を比較することで、退職した原因を探るための分析を行いました。目的変数を退職するかどうか、説明変数に属性、職場環境、立地条件、対応するサービスなどをいれて分析を行っています。この分析結果では、まず男女の性別で大きな違いがあることが分かります。女性は属性や就業環境に関する変数が、男性では立地やサービスなどの顧客対応面での要因が上位に来ているため、男女で退職を抑えるための打ち手を変えていくことが必要になることが示唆されています。今回の例では、要因を頭で理解しやすいように「決定木分析」を用いましたが、これらの分析を応用することで、より精度高く退職予兆を事前に把握することもできるようになります。