ピープルアナリティクス入門｜データで組織を変えるHRテック活用ガイド

ピープルアナリティクスとは

ピープルアナリティクス（People Analytics）とは、従業員・組織に関するデータを収集・分析・活用して、組織の意思決定の質を高める体系的なアプローチのことです。 HR（人事）アナリティクス、ワークフォースアナリティクスとも呼ばれます。

従来、組織の人に関する意思決定は「勘」「経験」「感情」に依存してきました。「あの人はリーダーに向いているか」「このチームがなぜ業績が高いか」「なぜ優秀な人が辞めるのか」——こうした問いへの答えは長らく「わからない」か「マネージャーの直感」でした。

ピープルアナリティクスは、これらの問いをデータで答えようとします。感情や経験値を否定するのではなく、データを加えることで意思決定の精度を高めるアプローチです。

ピープルアナリティクスの代表事例

Googleの「プロジェクト・オキシジェン」（2008）

Googleが「マネージャーの存在は本当に必要か？」という問いを立てたとき、答えはデータから出てきました。

10,000以上のパフォーマンスレビュー・フィードバックサーベイ・離職者データを分析した結果、優れたマネージャーには8つの共通行動があることが判明しました（後に10項目に拡張）。その中で最重要とされたのが「コーチである（Be a good coach）」でした。

この発見をもとにGoogleはマネージャー向けの研修を設計し直し、マネージャーのパフォーマンスが向上、チームの生産性と離職率の改善につながりました。「直感でわかっていたこと」がデータで証明されたことで、組織全体の優先度が変わりました。

Googleの「プロジェクト・アリストテレス」（2012〜2016）

同じくGoogleが「なぜあるチームは高い成果を出し、他のチームは出さないのか」をデータで明らかにしたプロジェクトです。180以上のチームを対象に、チームの構成・スキル・経験・コミュニケーションパターン・チームの規範などのデータを分析した結果、最も重要な要因として心理的安全性が特定されました。

この発見は「心理的安全性」を世界的な経営課題に引き上げました。単なる理念ではなく、データで実証されたことで多くの企業の優先事項になったのです。

GEの離職予測モデル

GEは早期離職リスクのある従業員を特定するための予測モデルを構築しました。採用時のデータ・パフォーマンスレビューの推移・1on1の頻度・プロジェクトへの関与度などのデータを組み合わせることで、3〜6ヶ月前に離職リスクを予測し、先手を打った対話・ポジション変更・キャリア支援につなげました。

ピープルアナリティクスの主要活用領域

採用・選考

• 採用ソース分析：どの採用チャネル（媒体・リファラル・エージェント）が、入社後の活躍と定着率が高いかを追跡する
• 選考バイアスの特定：面接官ごとの評価傾向を分析し、特定の面接官が特定の属性に高評価を与えるバイアスを可視化する
• 採用予測：応募者のデータから入社後のパフォーマンスを予測するモデルの構築（倫理的運用に注意）

オンボーディング・育成

• オンボーディング効果の測定：入社後3・6・12ヶ月時点での業績・エンゲージメント・定着率を入社プログラム別に比較する
• 学習効果の追跡：研修参加後の行動変容と業績変化の相関を測定し、投資対効果を算出する
• ハイパフォーマーの行動分析：トップセールスの活動パターン・スキル・コンピテンシーを分析し、育成プログラムに反映する

エンゲージメント・定着

• 離職リスク予測：パフォーマンス変化・1on1欠席率・サーベイスコア低下などを組み合わせた離職先行指標の構築
• エンゲージメントドライバーの特定：どの要因がエンゲージメントと最も相関しているかを分析し、投資対効果の高い施策を優先する
• 退職者インタビュー分析：退職理由を構造化して蓄積し、傾向と根本原因を特定する

チーム設計・組織設計

• 組織ネットワーク分析（ONA）：誰が誰にどのくらい相談しているかをマッピングし、情報流通の構造と課題を可視化する
• チーム構成の最適化：スキル・性格特性・経験の組み合わせと業績の相関を分析する
• マネージャーの影響測定：特定のマネージャーの下でチームの業績・エンゲージメント・離職率がどう変化するかを追跡する

営業組織へのピープルアナリティクス適用

営業パフォーマンスの予測指標を特定する

多くの営業組織が「結果指標（受注数・売上）」だけを見ていますが、ピープルアナリティクスは結果を予測する「先行指標」の特定に力を発揮します。

例えば以下のような先行指標を設計・追跡します。

• 1週間の商談数と最終受注の相関
• デモから提案書提出までの所要日数と受注率の関係
• 初回接触からの返信率と最終受注の関係
• 1on1の実施頻度とメンバーのエンゲージメントスコアの相関

これらの先行指標が早期に変化を検知することで、手遅れになる前に介入できます。

ハイパフォーマーの行動を解析する

トップセールスはなぜ成果を出しているのか——感覚ではなく、データで答えを探すことがピープルアナリティクスの出番です。

• メール・電話の頻度と成約率の関係
• ヒアリング時間と提案の通過率の相関
• 商談の長さと案件の進捗速度
• どのセグメント・顧客規模での勝率が高いか

こうした分析から得られた「勝ちパターン」を標準化し、チーム全体の活動設計に組み込むことで、属人的だったノウハウが組織的な強みになります。

離職リスクの早期検知

営業職の離職は組織に大きなコストをもたらします（採用・引き継ぎコストは年収の50〜200%と推定されます）。

以下のシグナルを定期的にモニタリングすることで、離職の3〜6ヶ月前に兆候を捉えられます。

• エンゲージメントサーベイのスコア低下
• 1on1の欠席・短縮が増える
• 成果指標の急変（上昇・下降どちらも）
• SlackやメールなどCommunication量の変化
• 年次面談での異動・変化への言及

早期に検知できれば、マネージャーが対話を増やし、ポジションや担当の変更、キャリアパスの明確化など先手の対策が打てます。

ピープルアナリティクスの落とし穴

落とし穴1：監視ツールになる

最大のリスクは、ピープルアナリティクスが「監視」として機能することです。「メンバーのSlack利用時間を分析する」「誰がいつ出社しているかをトラッキングする」という活用は、信頼を損なう最短経路です。

データ活用の目的は「支援と改善」であり「監視と評価」ではないことを、設計段階で明確にする必要があります。

落とし穴2：相関を因果と誤読する

「残業時間が長いチームほど業績が高い」という相関があっても、「残業が業績を高めている」とは言えません。両方に影響する第三の要因（高い目標設定・人員不足など）がある可能性があります。

相関から施策を設計する際には、「なぜその相関があるのか」の定性的な確認が不可欠です。

落とし穴3：データリテラシーの過信

分析ツールが高度になっても、データを読む側のリテラシーが低ければ誤った判断につながります。特に、サンプルサイズが小さい場合に統計的な信頼性が低い結果を「真実」として扱うリスクに注意が必要です。

落とし穴4：プライバシーと倫理の軽視

従業員データの活用には、個人情報保護法（GDPR・個人情報保護法）への準拠と、データ収集・利用の目的についての透明な説明が必要です。特に離職予測や採用スクリーニングへのAI活用は、法的・倫理的リスクを慎重に評価してから進める必要があります。

小規模組織が今日から始められること

大規模なデータ基盤がなくても、以下の3ステップからピープルアナリティクスを始められます。

Step1：退職者インタビューをデータ化する 退職者との面談内容をフォーマット化して記録し、理由をカテゴリ分類します。年に数人の退職でも、1〜2年蓄積すれば傾向が見えます。

Step2：エンゲージメントサーベイを定点観測する 月次のパルスサーベイ（3〜5問）を同じ設問で継続することで、組織状態の変化がグラフで可視化されます。組織サーベイの設計で具体的な方法を解説しています。

Step3：ハイパフォーマーの行動を記録する トップセールスの活動パターン（訪問数・商談時間・フォロー頻度など）を記録し、標準的なメンバーとの比較を試みます。この分析が育成プログラムの改善に直結します。

まとめ

ピープルアナリティクスは、「人に関する意思決定をデータで支援する」アプローチです。Googleの大規模研究から、小規模組織のサーベイ定点観測まで、そのスケールは問いません。

最も重要なのは、データを「人を評価・管理するため」ではなく「人が最大限に活躍できる環境を設計するため」に使うという哲学です。その哲学が守られるとき、ピープルアナリティクスは組織の信頼を高めながら継続的な改善を生み出すエンジンになります。