※この記事は、2019/7/17に参加した「人事ごった煮会」（ピープルアナリティクス編）に参加した際のメモです。
目次
人事ごった煮会（ピープルアナリティクス）
会の目的
- 人事のつながりをつくる
- お互いのアウトプットをインプットにしあう
- 次のアクションを見つける
- ピープルアナリティクスは新しい人が出てこない（顔ぶれが同じで固定化してしまっている）→新しい血を入れたい
今回のテーマ
「ピープルアナリティクス」
さまざまな分析手法
ハイパフォーマー分析
関係性分析
組織フェーズ毎分析
採用プロセス
離職率予測
研修効果検証
マネジメント効果測定
研修をABテストする
- 研修は検証しやすい
- 研修を受けた人と受けなかった人をABに分ける
- 受講前後の360度評価の差分を比較する
- 研修を受けなかったBパターンはあとから受講する
人事の課題
- 人事はPLにコミットしづらい
- ディープラーニング（ブラックボックス）では説明がつかない
HR Techとは？
①HR Analytics（人材戦略立案のデータ活用）
②People Analytics（パーソナライズされた最適配置、リスク予測）
ソフトバンク社の例
ハイパフォーマー分析
- 樹形図モデル
- 特性、スキル、日々のデータ、経験でカテゴリ分け（特性はデータが取りやすい）
- グローバルでは取得してはいけない個人情報があるので注意
分析の手順
- 過去のサーベイ結果から退職者を抽出、最新サーベイで類似者を抽出
- クラスタリング（k-means）、高中低で分類
ハイパフォーマーの退職は難しい
ハイパフォーマー分析からはハイパフォーマーはあたらない
ローパフォーマー分析からはローパフォーマーをあてやすい
→ローパフォーマーにさせない
エンプロイージャーニーマップ
採用→配置→育成→選抜→抜擢→キャリア→退職
データの収集と整備が最も大変
使えそうなデータ（ブレストで出たもの）
- SPI
- アセスメント
- 面接
- 採用チャネル
- 年齢
- 性別
- 学歴
- 専門分野
- 履歴書
- 性格テスト
- 前職会社
- 転職会社
- 転職時期
- 経験社数
- 面接者
- 前職年収
- キャリア感
- 活力
- 勤怠
- 残業時間
- 容姿
- 表情
- 査定結果
- 異動履歴
- 居住地
- 家族構成
- 1on1データ
- 評価
セグメントの切り方
- 時期：採用前、採用中、採用後
- 経験：新卒・中途
注意点
- 目的によってアプローチの仕方が異なる
同じ「最適配置」でも、従業員満足度なのか、退職率低下なのか、パフォーマンス最大化なのか - 誰を幸せにするのかの意識
参考資料
映画「マネーボール」（アメリカの野球の採用に指標を用いる様子を描いた映画）
セイバーメトリクスを全員が使いはじめるとお金の戦いになってしまう
└トレード…ピーク時の輸出
└再生プロジェクト…ピーク前の輸入
『人が育つ会社をつくる』…欧米は研修に40時間もかけている
『「権力」を握る人の法則』
用語
- AIの4つのレベル
- 機械学習と深層学習
- シンプソンのパラドクス
- 統計的因果推論
- ベイズモデリング
- 項目反応理論（点数式のアンケートで有効）
