ピープルアナリティクス(People Analytics)とは？
ピープルアナリティクス(People Analytics)は「人的資源管理(HRM)に数学/科学を適用したもの」と(大雑把に)定義することができます。
もう少し詳しく定義すると、ピープルアナリティクスは「行動科学、統計学、機械学習、データ視覚化技術を人的資源データに適用し、従業員に関連する主要な問題について確率と客観性に基づいた意思決定を行い、最終的により良いビジネス成果を達成できるようにする方法であり、ツールである」(はい、すべての良い定義は、その精巧さと厳密さのために見る人を怒らせます)。
確率的判断とは、結局、自分が下した決定が正しい日もあれば、そうでない日もあるということである。しかし、長期的な観点から見ると、過去(無原則)と比較して、より正しく、より良い決定をより頻繁に行うようになるでしょう。
ピープルアナリティクスを行う理由(目的)は、自分のビジネスの成功に実質的な貢献をする人々の属性(才能/態度/経験/行動)の違いを発見し、その違いを新たに作り出し、またその違いを守っていくことです。
ピープルアナリティクスは、HR問題を解決するために存在するものではありません。ビジネスの問題を解決するために人に関連してより良い意思決定を行い、人に関連した政策/制度/システムを最適化するためのツールであり、方法です。People Dataで発見された、意味があり明白ではないパターンに頼って、人(従業員)を従来の「無原則(直感/感覚)」や「決定論的」な枠組みではなく、「科学的(客観/証拠)」で「確率的」な枠組みで見て管理しようということです。
直感や経験から得た知識(Heuristics)に頼った決定が、必ずしも客観と確率による判断より劣っているわけではありません。消防士、軍人、パイロットの場合、経験から得た知識/直観に基づいて与えられた業務で高い成果を出すことができます。(一般化すると、学習の機会を提供する予測可能な状況では、直観がうまく機能します)。
「workforce analytics」「talent analytics」「HR analytics」という用語も、話者がどのような文脈でどのような意図を持って使用するかの違いであり、少し時代遅れに見えるとしても、本質的に「people analytics」と同じ概念です。
ピープルアナリティクスの基本的な仮定
ところで、人の行動は予測可能なのでしょうか？ より具体的には、データを通じて人(従業員)の望ましい(またはそうでない)行動を理解し、予測することができるのでしょうか？
まず、過去のデータから繰り返される明白でないパターン(Signal)を見つけることができれば、そのパターンを言語で記述してパターンを理解し、また、発見したパターンでモデルを作り、未来を予測することができるでしょう。つまり、データから意味のあるパターンを見つけることができれば、人の行為について(確率的に)理解し、予測することができます。
ここで理解するというのは、因果関係を理解するということではなく、データ間の関連性を理解するということです。
また、人の行動は予測可能でしょうか？ 個人(人)の行動は予測するのが難しいです。個人の行動を予測するには、ジェーン・グドールがチンパンジーを研究したように、一人の人間を長く詳しく見て(thick data分析)、その人の本質を理解しなければなりません。
一方、個人ではなく、個人の集合である人々の場合は - 個々の自由意志にもかかわらず、似たような環境の中で似たような動機を持って似たような行動(=仕事)を行う場合 - その人々のデータを見ると(big data分析)、予測可能なパターンが存在します。もちろん、パターンの精度と価値は、分析対象となる People Data の種類、量、質、そしてデータが生成・収集された環境によって異なります。
もしパターンが存在しなければ、そのような人(従業員)が集まった集団は、本当に混沌としたランダムな空間でしょう。
人事データ
人事データは、それが客観的か主観的か、また、理解しようとする行動/状態か、その行動/状態と関連する要因かによって、以下の図のように分けることができます。
(学歴/資格、性格のように簡単には変化しない静的なデータ、残業時間、評価結果のように定期的/非定期的にイベントが発生するデータに分けることもできます)。
ピープルアナリティクスでは、人事データの多寡、変化の速度、種類の多様性は重要ではありません。結局、データは現実のサンプリングであり、抽象化です。量よりも私たちが理解し、予測しようとする現実/行動との関連性が重要です。人事データは、ビジネスの成功のために、人と関連した重要な質問に答えることができなければなりません。
ピープルアナリティクスの手法
データ分析の手法には大まかに下記のように6つの種類があり、データを通じて理解したいこと - データに聞きたい質問の種類 - に応じてデータ分析方法を決めなければなりません。
- 記述/記述分析: 人口調査のようにデータの要約が必要な場合。
- 探索的分析: 仮説構築、パターン発見などを目的として、データの形状、変数間の関係などをざっくりと調べたい場合。
- 推論分析: 観察されたパターン/関係を定量的分析によって母集団レベルで一般化しようとする場合(大気汚染と寿命の関係など)。
- 予測分析: 変数/属性の部分集合(feature)を使用して(母集団ではなく)具体的な個人の特定の変数/属性値を予測しようとする場合。
- 因果分析: 変数間の因果関係を把握しようとする場合(喫煙と肺がんとの関係など)
- 機械(論)的分析: Aという変化が常に、そして排他的にBという変化をもたらす決定論的関係を分析しようとする場合(人に対する分析の場合、ほとんど該当しません)
以下の図に示すように、これらの6つの分析手法のうち、ピープルアナリティクスの文脈では - 記述分析、探索的分析、予測分析 - この3つが意味があると考えています。
- 記述/記述分析: 現在、ほとんどの企業の分析レベルで「人員数/人件費などに対する単純集計/報告」を行う一種の衛生要因(やらない方がいいが、やりすぎても意味がない)と考えることができます。
- 探索的分析: パターン/視点を発見するために、最近、視覚化ツールなどを使用しているが、明らかなパターン(Obvious Pattern)を発見することに留まっています。これは、既存の探索的/発見的分析ツールがHR領域に特化されていない汎用的なツールであるため、人事データの特性と問題にふさわしいパターンを発見し、視覚化するのに適していないためです。
- 予測分析: コールセンター/サービス職種など、業務に応じて従業員の行動(離職/高い成果など)を安定的に予測できるパターンが存在し、実際に海外で有意義な事例が多く出てきています。事例がサービス、コールセンター、病院、営業職など同質的な業務を遂行し、成果を客観的に測定できる業種(Volume Jobs)に限られているのは、現在の予測的なピープルアナリティクスの限界と思われます。限られた成功事例の原因には、複雑な業務の特性上、予測の精度を担保できない場合と、機械の予測結果を実際の業務に活用することに対する意思決定者の抵抗(algorithm avoidance)の2つの側面があります。
- 推論分析: 人事データはそれ自体がまさに母集団であるため、サンプルに対する分析結果を母集団に一般化する目的で推論分析を行うよりも、データから発見した集団間の統計的な差異や変数間の関係性が偶然の結果ではなく、統計的に有意な差異/関係性であるかを確認することに価値があると考えます。
- 因果分析: 人に関するデータは因果密度(Causal Density)の問題(原因と結果が複雑に絡み合っている)で因果関係の把握が現実的に難しい。因果関係は一旦諦めましょう。
- 機械(論)的分析: ビリヤード台の上のビリヤードボールのように、人は物理法則によって動くわけではないので、人に対する分析の場合には該当しません。
ピープルアナリティクスの現在と未来
現代企業の発展の歴史を振り返ってみると、会計機能(accounting function)が誕生してからしばらくして財務機能(finance function)が導入され、ビジネスのパラダイムを変え、販売機能(sales function)が誕生してからしばらくしてマーケティング機能(marketing function)が誕生し、販売(sales)を変革させてきました。
結局、どの部門が戦略的であるかということは、過去に起こったことを報告するのではなく、科学的な方法でデータを分析して未来について話すことです。
今、ピープルアナリティクスというツールを使って、HR機能が新しいビジネスパラダイムの変化を主導する時期だと思います。
今後も相当期間、最終的な決定は、人々が自分の主観/幻想/偏見/感覚を持って決定することになるでしょう。変化するには、客観と科学で主観と感覚に偏っていた意思決定を補完/補強(Augment)しなければならなりません。マーケティング/ファイナンスのベストプラクティスはありますが、すべての企業に適用される人に関する普遍的なベストプラクティスはありません。ピープルアナリティクスを先に始めた企業は、そうでない企業に比べ、人に対するより正確で洗練された理解を通じて競争優位性を享受することができるでしょう。今回は他人が先にやるのを待っても無駄です。
