人材不足を打開するHR-Techの活かし方

「社員のモチベーションが上がらない」「会社からどんどん若手が辞めていく」、売り手市場と言われる採用難の時代の中で、優秀な人材の採用や育成を行ったり、企業からの離職率を抑えたりするなど、人材の貢献意欲やスキルを高める人事領域に注目が集まってきている。その中でも特に、人事領域にテクノロジーを活用する「HR-Tech」が最近のトレンドとなっている。テクノロジーにより、人間には捉えきれないような機微な情報を捉えて定量的に評価することで、退職者予備群や、パワハラを起こしそうな管理職の兆候を発見するなど、具体的な人事施策に繋げる場合もある。HR-Techを用いた人事領域での活用方法と、それにより検討された施策を現場に導入する上で重要となるポイントを紹介する。

人事領域における昨今の課題

昨今の売り手市場の中では、人手不足が加速傾向にある。2018年に厚生労働省が発表した統計によると、中小企業を中心に5%近い欠員が発生している（※1）。また働き方改革が推進され、社員の働き方は多様化している。こうした背景から、企業の中では優秀な人材確保や多様な人材の生産性向上を経営の最重要課題の一つとする動きも見られる。

具体的なアプローチとしては、採用活動に注力し就活生に対してアピールすることや、企業内部で求心力を持つためにインターナルブランディングをするほか、研修に力を入れて社員のスキルを向上させ、既存の人員でより多くの仕事を回せるよう育成を進めるなどが行われている。

こうした人事の取り組みは、優秀な人材の獲得・維持や、従業員のスキルアップ、社員のエンゲージメントを高めることにも寄与するであろう。エンゲージメントとは、従業員と企業の関係性を示しており、過去の研究ではエンゲージメントの指標であるエンゲージメントスコアが高まると、企業の営業利益率や労働生産性などの指標が向上することが知られている（※2）。これはエンゲージメントが離職を抑制するだけでなく、仕事へのコミットメントを高めることで、業務パフォーマンス向上にも寄与しているためと考えられる。また、エンゲージメント向上が製品・サービス品質を高めるとの研究結果もある（※3）。

人事の取り組みについての意思決定は従来、人事担当者がこれまで培ってきた勘や経験に基づいて行われており、研修実績などの人事データが積極的に利用されることはほとんどなかった。人事領域は、人間関係や性格などの客観的な評価指標を作ることが難しい上に、各従業員に関する多種多様な人事データを一元的に収集し分析する負荷がかかることが、利用を妨げていた一因であろう。結果として、「彼は活躍するだろう」「彼女には挑戦させてあげてもいいかもしれない」という感覚に頼った判断をしており、人事担当者や上司の好き嫌いに近い形で、判断や評価が行われている状態がほとんどである。昔の慣習に従って飲み会や社内イベントを多数開催するなどの施策を実施した結果、最近の新卒社員の傾向に合わず、結果的にエンゲージメントを下げて失敗に終わったとの話もよくある。こうした中では、人事にとってはより一層勘や経験だけに依存するのではなく、客観的な事実にもとづいた判断をすることが重要になってくるだろう。

人事領域で必要とされるHR-Tech

そうした背景もあり、人事領域の重要性が高まってくる中で客観的な指標にもとづき、より再現性のある判断を扱う戦略的な人事を実行するためにHR-Tech技術を導入する企業が近年は増えている。HR-Techとは、クラウドやAI、ビッグデータ解析といった最先端テクノロジーを駆使し、人事業務各種の効率化を目指す領域を指す言葉である。

テクノロジーを活用することにより、データの収集や分析を効率よく行うことが可能になった。各種人事データを用いて、個人のパフォーマンスとの相関性が高くかつ改善する余地が十分にあると考えられる課題を抽出し、重点的に対応していくことで、効果的な戦略を立てることが可能である。また、社員がスマートフォンを職場に持ち込むのが当たり前になったため、アプリケーションを用いて社員がどこにいてもリアルタイムに情報を入力してもらうことが可能となった。例えば、労務管理の入退勤時間の記録や社内アンケートをスマートフォン上で行うことで、即座にかつ個人に紐づいた正確な情報を集めることができる。また、位置情報を取得することも可能であり、外回りの営業の勤怠管理などにも活用されている。

HR-Techのサービスが対応する領域は、大きくタレントマネジメント(個々人のスキルに基づいた人事配置・人材管理)、離職対策、求人・採用管理、健康管理、事務作業の軽減といった領域に分類される。下記にそれぞれの領域とその概要、テクノロジーの活用方法を記した。

タレントマネジメント
自社の抱える優秀な人材のスキルや能力をもとに、企業としてそのパフォーマンスを最大化できるように、戦略的な人員配置やスキル・リテラシーの向上に向けた教育を施すことが求められる。テクノロジーの活用により、人材DBを構築して、人事データを横並びで比較しやすくし、一人一人の従業員についてスキルから過去の業務実績に至るまで正確に把握する他、パフォーマンスが出ている社員の法則をもとに、他の社員の能力向上を促すこともできる。

離職対策
従業員の状況を観察、適宜面談やフォローを入れることにより、個々人の離職を防止することが求められる。テクノロジーを活用することにより、勤怠記録などの詳細な従業員の行動データなどから退職者予備群の社員を特定して早めのフォローを実施し、退職率を低減させることができる。

求人・採用管理
優秀な人材を採用するために、能力の高い求職者にアプローチしたり、集まった求職者が自身の企業に求める基準を満たしているかを、より精度高くかつ手間をかけず評価したりすることが求められる。テクノロジーを活用することで、求職者の持つ趣向や希望条件の情報をもとに求職者をターゲティングし、過去の人材データからパフォーマンスの高い社員や辞めにくい社員の特徴を、企業が必要とする人材要件として明確化できるようになる。

健康管理
健康を害することは、欠員や従業員の生産性低下などに繋がるため、健康診断などで病気の予防を促して従業員を健康に保つことが求められる。テクノロジーを用いることで、毎日のコンディションをスマートフォン上のアプリケーションやウェアラブル端末を通して取得し、健康状態をモニタリング、場合によっては食事などの生活習慣に対してアドバイスすることができる。

事務作業の軽減
人事が普段の事務作業で担当する単純な事務作業の手間を軽減して、より重要な業務に時間をかけることで、効率的に時間を使うことが求められる。RPAなどのテクノロジーの活用により、形式化できる業務を自動化して実行し、人が介在しなくても処理可能にすることができる。
 

このように、様々な人事領域でHR-Techが活用できるようになってきている。こうしたHR-Techの取り組みは多くが外部のパッケージソフトウェアに頼っているものを利用しているが、社内での独自の取り組みを行っているところも少なくない。

人事データ活用に成功した企業事例

企業で行われたHR-Techの取り組みの中でも、独自で人事データの活用に成功した企業4社の事例を紹介する。なお、事例は博報堂コンサルティングが公開情報に基づいて記述したものである。
 
事例１：社内に眠る社員の行動データを、人事施策に繋げる
国内大手マーケティングリサーチ企業のA社では、社員満足度調査の中で、「継続勤務意向」をもとにした退職者予測をしていたが、離脱リスクの高い社員の特定はできていたものの原因が不明確であり、効率的な施策にまでは繋がりにくい状況であった。そこでA社は、社内の「社員の移動記録」や「勤務記録」による分析を行うことで、原因を特定したという。

「社員の移動記録」は、社員の入退館時間や、社内移動時扉の開閉に必要なカードの使用記録をもとにして、社員が一日を通してどのように社内で活動をしているのかを把握し、「勤務記録」としてはサービス内容を工程ごとに分解して、各工程にどの程度の時間がかかっているのかの把握に努めた。もともと「勤務記録」のデータは、社員の各工程で発生する収益管理を行う為に使われていたものであったが、社員の記録を細かく取得できることから分析対象としたそうだ。

これらデータと従業員満足度調査の結果をもとにして、「勤労を続けたい」と思わせる要因を分析した。その結果、グループインタビューを行うリサーチ系担当者や、まじめな性格の人では継続勤務意向が高く、反対に就業時間が不規則な場合や、実績の少ない新規サービスの営業を担当する社員では低い傾向が見られたという。こうした取り組みが分析結果を社内共有して施策を検討した結果、就業時間が不規則になっていることに関しては深夜残業を減らす、在宅勤務制度の導入を検討するなどの具体的な施策に繋がった一例である。
 

事例2：職場環境から社員の成長、パフォーマンスに影響する因子を導き出す
次に紹介するのは、ネット広告企業のB社が提供する人事AIシステムである。同じ仕事、同じチームメンバーであっても、社員の個性が異なれば環境適応の方法は大きく異なる。この会社では、「チームメンバー」と「仕事内容」、新入社員の「個性因子」をそれぞれ定量化し、配属先と新入社員の相性を評価。社員については、入社選考中のデータや研修データの他、各社員に対して数百項目にわたる成長・成果に関わる情報を長年にかけて取得し、「個人のタイプと配属先の上長やメンバー、仕事との相性」を定量化したという。

この定量化したデータの解析結果をもとに、各人の成長やパフォーマンスに影響を与えていると考えられる因子を特定した上で対策を講じるなど、人事施策を検討し、離職防止やマネジメント強化のほか、スキル向上に役立てているとのことだ。パフォーマンスの出ない社員については適切な環境に人事異動などを行うことで改善を図り、よりモチベーションやスキルの向上ができるように繋げ、パフォーマンスの実際の評価値と感覚値のズレについては随時システムが学習することで改善して、より精緻に予測ができるよう修正していくことが可能である。

プロジェクトで「相性の良い人と組む」「あえて違うタイプの上司のもとで働く」などの決定も、データ活用により、人が判断しなくとも再現可能な形で行えるようになったとのことだ。また、このシステムは将来的なパフォーマンスを予想するため、採用面接での活用も期待されており、新卒採用ではデータ解析により推奨された学生のうち95%が最終面接を通過したとの結果も出ているという。
 

事例３：面談記録のコメントを新入社員の離職防止に繋げる
医療関連サービス企業のC社は、AIツールを面談に活用し、新入社員の離職を防ぐ取り組みをしており、新入社員の面談記録のテキストデータについて解析・学習してコメントをスコア化。AIツールでは人間の面接官では見落としがちな、機微な言葉遣いの違いを判別することも可能であり、フォローが必要な対象者をより厳密に抽出できることで、その後のフォロー面談や配置換えに繋げて離職を防止することができるそうだ。

AIにより離職リスクが高いと判断した約100人の新入社員に対して無作為に2グループに分け、片方のグループのみ追加でフォロー面談を実施し、残り半分に対しては特別な措置を何も実施しなかった結果、特別な措置をしなかったグループの離職率は4割程度であったのに対して、フォロー面談を講じたグループでは２割未満に留まり、フォロー面談をしたグループで統計的に有意に離職率の低下が確認されたそうだ。このように、AIを使ってリスク判断をすることで、離職リスクの高い社員に対して有効にアプローチし離職率を下げることに成功したとのことである。
 

事例４：既存のストレスチェックを活用してパワハラリスクを予測する
人事労務サービス企業のD社では、パワーハラスメント(パワハラ)の発生リスクを予測するサービスを開発している。このサービスは、事前に配信した設問への回答結果を分析し、パワハラの発生確率を算出して、アラートを出す機能を持つそうだ。

このシステムでは、従来使われていたストレスチェックに、上司に関する質問を新たに追加して、「上司が部下に信頼して仕事を任せてくれるか」「暴力的な態度を見るか」といった質問への回答を部署ごとに可視化することによって、早期にパワハラが起きそうな部署を特定して対策を考えやすくしたとのことだ。今後、幅広い業種の企業で試験的利用を募り、予測精度の向上を検証していくそうである。

このように、HR-Techを活用し、何をインプットとして、どのような方法で用いるかは様々であるが、自社の従業員データを分析した結果を、人事業務に役立てることができるのは明らかであろう。

データを活用するこれからの人事に必要とされる視点

HR-Techが次々と成果を上げる中、人事担当者はどのようなステップで人事データの活用に取り組んでいけばよいだろうか。前述の事例をもとに、これからのHR-Techを活用する人事担当者に求められる行動を以下に記した。
 

STEP１：取得可能なデータにアンテナを張る
各部署のデータ取得状況に普段から注意を向けることが重要である。効率良く解析に使えるデータを取得し、データから新しく示唆を抽出する手段の助けになるだろう。前述のA社の例では、社員カードの認証システムにより蓄積された移動記録データが有効に活用されていたそうだ。社内では、業務記録や、過去の研修受講履歴、出退勤記録など各社員が利用しているシステムのデータが人事領域に限らず、至るところに存在している。こうした社内で得られるデータの活用は、一からデータ収集をして大規模なプロジェクトを実施するよりもはるかに行いやすい。ただ、適当に入力されているデータも多く、有効な示唆も出せない場合があるので結果の解釈には注意が必要である。社内で導入検討する人事ツールを選ぶ際に、既存の社内データをインプットとして利用できるかを評価基準にしてみるのも有効であろう。
 

STEP2：初めは粗くてよいので小さな成功を狙う
社内ですでに使用されるデータを用いると、どうしても信頼性の低い粗いデータを用いることになりやすい。適当に入力されていたり、登録されているデータが全体の一部でしかなかったりするのがその原因だ。「情報が少なく分析をしても何も言いきれないのではないか」と社内から意見を受けるかもしれないが、簡単な分析からでも始めてみることをお勧めしたい。B社の例では、当初経営陣も半信半疑であったが、テスト運用後の半年から１年の間にシステム予測があたり始めたことで、マネジメントへの活用を考える管理職も次第に増加したそうだ。最初はモデルの精度も低いかもしれないが、試してみないことには何も始まらない。まずは簡単なモデルを構築してプロジェクトを進めつつ、少しずつモデルやデータの取得方法を改善して小さな成功を積み重ねていき、構築したシステムが機能しうることを社内に示しながら拡大していけると良いのではないだろうか。
 

STEP3：データの解析結果の解釈について社内で話し合う場を持つ
データの解析結果は、数値計算した結果を示しているだけであるため、最終的に実際の人事施策に繋げ役立てるためには、そこから示唆を得て人により判断することが必要になる。例えば、前述のA社での解析結果では、「オフィスに向かう際にエレベーターを使わずに階段を使う」ことが継続勤務意向の低下と強い関係性を示していた。しかし、これがなぜ継続勤務意向に影響を与えるのか、因果関係は結果からではわからない。A社では解析結果について社内で話し合い、普段からできるだけ人と関わりたくない人が、利用者の少ない階段を利用しているのではないかという仮説に展開していった。こうした分析結果からの解釈は、人による判断、特に社内の人々の多面的な視点を取り入れた上でないと見当が難しい。データを複数の部署で評価し、現場目線で意味のある施策を検討することが望ましいだろう。
 

STEP４：データの分析結果をもとにした人事施策の検討
データを分析して人事課題の原因を見つけただけでは課題解決できたとは言えない。そこから先は、施策に対して適切にアプローチをしていくことが重要となる。幅広い人事施策について詳しい外部の知見も取り入れながら、どのような施策が自社の風土で受け入れやすいか。逆効果になるような副作用はないかを踏まえて施策を検討していく必要があるだろう。
 

長く課題とされてきた人材不足。地方はもとより首都圏においても顕在化しており、企業業績をも左右しかねない。もちろん就業者・従事者の絶対数が少ないことが要因の一つであるが、日本自動車工業会の豊田章男会長（トヨタ自動車社長）が、2019年5月13日に都内で行なった記者会見にて、終身雇用について述べた言葉が現状の問題点を言い当てている。「雇用を続ける企業などへのインセンティブがもう少し出てこないと、なかなか終身雇用を守っていくのは難しい局面に入ってきた」のである。企業側も雇用される側も、長期的なコミットメントを維持し、経験と知識を身に着けていくことが難しくなっている。

この状況を打開するためにも、いかに社員のスキル向上やノウハウ獲得を促すか、いかにパフォーマンスを高める仕組みを構築するかという「現人材の高付加価値化」が重要な課題となる。つまり前述の通り、感覚に頼らない人事評価、人材の貢献意欲やスキルの向上を「データドリブン」で行う人事制度と仕組みの導入が今後ますます重要になってくる。さらには事業変革を実現する上でも、貢献意欲とスキル・リテラシーをもった人材の適切な配置が、アイディアやビジネスモデル以上に重要であり、その成否を左右するといっても過言ではないのである。