ピープルアナリティクスの実務

6.1K Views

March 22, 25

スライド概要

2025年3月22日開催された、一般社団法人ピープルアナリティクス&HRテクノロジー協会主催の「学生のためのピープルアナリティクス講座2025」で登壇したときの資料です。ピープルアナリティクスに関心のある学生や人事担当者の方に向けて、ピープルアナリティクスのプロジェクトのイメージをお伝えしました。事例も交えながら分析現場の様子を解説しています。

profile-image

データドリブンHRコンサルタント/データサイエンティスト。富士通で人事ソリューション開発やデータサイエンティストを経験した後、2018年にHR分野のデータ活用チームを立ち上げ。採用、配置、育成、ジョブ型移行など幅広い領域で実績を積む。2023年よりクニラボを立ち上げ独立し、ピープルアナリティスク支援やDX人材育成を展開。現在、一般社団法人ピープルアナリティクス&HRテクノロジー協会の上席研究員および早稲田大学組織経済実証研究所の招聘研究員としても活動中。 ニュースレター https://ku2t-lab-pa.theletter.jp/ note https://note.com/ LinkedIn https://www.linkedin.com/in/ku2t/ 事務所サイト https://ku2t-lab.com/

シェア

またはPlayer版

埋め込む »CMSなどでJSが使えない場合

関連スライド

各ページのテキスト
1.

クニラボ 学生のためのピープルアナリティクス講座2025 ピープルアナリティクスの実務 2025年3月22日 一般社団法人ピープルアナリティクス&HRテクノロジー協会 上席研究員 クニラボ代表 武田邦敬 ©2025 クニラボ

2.

ピープルアナリティクスをざっくりというと… 会社で働く人たちのことを人事データを使って分析し、 社員が力を発揮できるような工夫をすること。 ©2025 クニラボ

3.

日本国内でも徐々に導入が進んでいる わからない 31% ピープルアナリティクス 国内導入状況 ※1 何らかの形で導入している 44.3% 国際比較 ※2 ・欧州 約6割 ・米国 約7割 導入したくない 9.7% 今後導入したい 15% ※1 株式会社アッテル「日本企業のピープルアナリティクス現状アンケート調査2022」結果を基に作成 ※2 SD Worx社 調査プレスリリース「Six out of ten European companies use HR and people analytics」 Bersin by Deloitte “High-Impact People Analytics” スタディ結果 ©2025 クニラボ

4.

ピープルアナリティクスは これから伸びていく! ©2025 クニラボ

5.

データドリブンHRコンサルタント/ クニラボ代表 武田 邦敬 (たけだ くにひろ) 成城大学 データサイエンス教育研究センター 非常勤講師 早稲田大学 組織経済実証研究所 招聘研究員 一般社団法人ピープルアナリティクス&HRテクノロジー協会上席研究員 富士通 富士通研究所 富士通 富士通 クニラボ 人事系アプリ SE/PdM データサイエ ンティスト AIサービス (多業種) ピープルアナリ ティクス実践 ピープルアナリ ティクス支援 2003- 2011- 2016- 2018- 2023©2025 クニラボ

6.

黎明期ならではの悩み 「興味はあるけど情報が少なくて困っています」 「なんとなくやってみたけど思うような結果がでません」 「他分野のデータ分析と違うことが多く戸惑います」 ©2025 クニラボ

7.

本セッションの目的: ピープルアナリティクスの実務経験談から プロジェクトのイメージをつかんでいただくこと。 ©2025 クニラボ

8.

ピープルアナリティクス プロジェクトのイメージ ©2025 クニラボ

9.

「人事」という仕事 人事戦略に基づき人材像と人事制度を定め、管理プロセスを回す 確保 配置 育成 処遇 (採用・退出) (異動・昇進) (仕事内外) (評価・報酬) ※図出典: 「人事管理」平野光俊・江夏幾太郎,有斐閣 (図4.1を参考に作成) ©2025 クニラボ

10.

人事データアナリストは、データ分析で人事担当者 のこんな問いに日々応えています。 これからどんな人が会社に必要になるのだろう? それぞれの職場でどんな人が活躍しているのだろう? みんなが楽しく働けるようにするには? ©2025 クニラボ

11.

みんなが楽しく働ける ようにするには? これからどんな人が会社に 必要になるのだろう? 確保 配置 育成 処遇 (採用・退出) (異動・昇進) (仕事内外) (評価・報酬) それぞれの職場でどんな人 が活躍しているのだろう? ※図出典: 「人事管理」平野光俊・江夏幾太郎,有斐閣 (図4.1を参考に作成) ©2025 クニラボ

12.

最近取り組んだピープルアナリティクスプロジェクト 男女賃金格差の要因分析 ハイパフォーマーの特徴分析 人材成長ドライバー分析 男女賃金格差の実態を把握し 戦略的な人材育成施策を考え 従業員の成長と組織マネジメ た上でその背景を様々な角度 るために、異動パータンを整 ントや風土の関係を明らかに で分析し、格差解消に向けて 理してハイパフォーマーがど し、人材・組織の継続的な成 取り組むべき人事課題を明確 のような経験をしてきたか分 長を促すための施策を検討す にするプロジェクト。 析するプロジェクト。 るプロジェクト。 ©2025 クニラボ

13.

プロジェクトの流れ(教科書的) 分析テーマ を決定 データ入手 データ加工 モデリング 評価 報告・ 意思決定 データを元に分析 していく作業 ©2025 クニラボ

14.

男女賃金格差分析の例を当てはめると… 男女賃金格差の要因が育児や残業(時間外)に あるかどうか分析し、報告してほしい。 分析テーマ を決定 データ入手 データ: ・賃金データ ・人事基本データ ・育休実績データ ・時間外実績データ データ加工 仮説検証・考察 モデリング 評価 報告・ 意思決定 前処理: モデリング・評価: ・データ結合 ・回帰分析による考察 ・データクリーニング (例:ミンサー型賃金関数) ・特徴量化 ©2025 クニラボ

15.

ピープルアナリティクスのねらいって… 勘や経験に頼るのでなく、 データを基に人事施策を考えること? で け だ 字 数 部 全 ? の う ゃ 決めち ©2025 クニラボ

16.

ピープルアナリティクスのねらい △勘や経験に頼るのでなく、 データを基に人事施策を考える…? ○勘や経験だけを頼るのでなく、 データも活用して人事施策を考えよう! ©2025 クニラボ

17.

人事データアナリストの役割: 人事の疑問やアイデアをデータ分析によって 客観的に確かめ、人事施策の改善や組織全体 のパフォーマンス向上に貢献すること。 ©2025 クニラボ

18.

よくあるプロジェクトの「始まり方」 人事担当者 (依頼者) 男女賃金格差の原因をデータでパッと出せる? (検証のための仮説が欲しいな) 格差を生んでいる原因に心当たりある? データアナリスト 育児だと思う。 残業を良しとする文化じゃない? 業績評価にバイアスがあるとか。 職種とか役割の違いでは? じゃあ、仮に総合的に分析した結果、 「育児が原因」ってわかったらどうするの? 育児をサポートしなくちゃね。 上司の考え方も影響しそう。 育児だけの問題かな…世代の影響は? (まずは探索して議論の材料を出そう) じゃあ、いろいろな角度で分析してみるよ。 ©2025 クニラボ

19.

プロジェクトの流れ(日常) 仮説の種 データ入手 分析の方向 性が概ね 固まる モデリング 評価 レポーティ ング ここが大切 ディスカッ ション データ加工 初期分析 ©2025 クニラボ

20.

事例から学ぶ ピープルアナリティクス ©2025 クニラボ

21.

最近取り組んだピープルアナリティクスプロジェクト ピックアップ 男女賃金格差の要因分析 ハイパフォーマーの特徴分析 人材成長ドライバー分析 男女賃金格差の実態を把握し 戦略的な人材育成施策を考え 従業員の成長と組織マネジメ た上でその背景を様々な角度 るために、異動パータンを整 ントや風土の関係を明らかに で分析し、格差解消に向けて 理してハイパフォーマーがど し、人材・組織の継続的な成 取り組むべき人事課題を明確 のような経験をしてきたか分 長を促すための施策を検討す にするプロジェクト。 析するプロジェクト。 るプロジェクト。 ©2025 クニラボ

22.

「ハイパフォーマー分析」って実は難しい セミナー「人事データ分析ダンジョンの攻略法」にて失敗事例を紹介 ⇒ドクセルで公開中 ©2025 クニラボ

23.

どう定義するの? 高業績を上げ続けている人? 上司から推薦された人? 昇格スピードが速い人? ハイパフォーマーの特徴を分析する 採用、配置、育成など 何のために分析 したいの? ©2025 クニラボ

24.

今回の事例は… どう定義するの? 高業績を上げ続けている人? 上司から推薦された人? 昇格スピードが速い人 ハイパフォーマーの特徴を分析する 採用、配置+育成 何のために分析 したいの? ©2025 クニラボ

25.

事例: ハイパフォーマーの異動パータン分析 キャリアパス・職場経験 この事例での人事部門の関心 昇格スピードが速い人は、どのような異動経験をしてきたのか。 固有のキャリアパスがあれば配置戦略を検討し、人材育成に活用 したい。 ©2025 クニラボ

26.

異動とは? 組織が従業員の職場配置や勤務条件、地位などを変更すること。 Aさん 製造システム 開発部 Bさん 首都圏 第二営業部 流通システム 開発部 AI技術 統括部 DXビジネス 推進部 関西営業部 マーケティン グ企画部 首都圏 第一営業部 ©2025 クニラボ

27.

「異動」をどうやって計量し、パターン化するの? 異動履歴データ 従業員ID 適用年月日 Aさん 製造システ ム開発部 流通システ ム開発部 AI技術 統括部 DXビジネス 推進部 30112 2024/4/1 DXビジ推進部 30112 2020/10/1 AI技術統括部 30112 2018/4/1 流通シス開発部 … Bさん 首都圏 第二営業部 関西営業部 Cさん ・・・・・・・・・ マーケティ ング企画部 首都圏 第一営業部 所属 … … 40551 2022/10/1 法人第一営業部 40551 2019/4/1 マーケ企画部 40551 2015/10/1 関西営業部 … 53651 … … … 2023/4/1 人事部 … … ©2025 クニラボ

28.

異動パターン抽出のイメージ 異動履歴データ 異動経験マトリックス 異動パターンの抽出 (次元削減+クラスタリング) 従業員ID 適用年月日 所属 従業員ID 所属1 所属2 所属3 … 所属M 30112 2024/4/1 DXビジ推進部 23876 1 0 0 … 1 30112 2020/10/1 AI技術統括部 29101 1 2 0 … 0 30112 2018/4/1 流通シス開発部 30112 0 0 1 … 0 … 32223 0 0 0 … 0 40551 2022/10/1 法人第一営業部 35766 0 1 0 … 0 40551 2019/4/1 マーケ企画部 40551 0 0 0 … 2 40551 2015/10/1 関西営業部 53651 1 0 0 … 0 … … … … … … … … 53651 … … … … 2023/4/1 人事部 … … ※分析例は例題・サンプルデータによるイメージです。 ©2025 クニラボ

29.

分析のアプトプットイメージ 部門 営業部門 異動パターン ハイパフォーマー比率 クラスターA 62% クラスターB 33% データ分析のアウトプット 定量・定性両面から クラスターの特徴を考察 ・ライン型 or 複線型 キャリア ・・・ ・必ず通るパス(部署)はあるか 開発部門 クラスターF 78% クラスターG 15% 人事施策の検討 ・・・ コーポレート 部門 クラスターM XX% クラスターN XX% ・・・ 求める人材像、各部門の人材要件、 全社キーポジション要件と比較しな がら、人事課題を再検討。 ©2025 クニラボ

30.

最後に ©2025 クニラボ

31.

ピープルアナリティクスの面白さ データ分析分野のホワイトスペース 唯一の正解を探すのでなく、人と組織の可能 性を広げる仕事 対話のきっかけをつくるためのデータ分析 ©2025 クニラボ

32.

ピープルアナリティクスという可能性にダイブしよう! ©2025 クニラボ

33.

クニラボ https://ku2t-lab.com ©2025 クニラボ