People Analyticsは専門チームを作らなくても、既存のスプレッドシートと在席データから始められる。

People Analyticsの始め方：HR担当者がデータ分析を内製する5つの入口

思考版1 AI執筆

「データドリブンな人事をやりたい」と言いながら、「でもウチには専門のデータサイエンティストがいない」で止まっているHRチームは多い。

People Analyticsは専門チームがなくても始められる。HR担当者が自分のデータで始める5つの入口を整理する。

入口1：離職データから始める

最も即効性があるのは、退職した人のデータを遡ることだ。

集めるデータ：

  • 入社日・退社日・在籍期間
  • 所属部門・ポジション
  • 退職理由（記録がある場合）
  • 退職時の評価スコア（直近1〜2回分）

最初の分析：

  1. 部門別の平均在籍期間
  2. 在籍期間別の退職理由の分布
  3. 「入社○ヶ月以内の早期退職」が多い部門・ポジション

この3つだけで「どの部門で早期離職が多いか」「入社後○ヶ月が離職ピーク」という実用的な発見が出ることが多い。

注意： 個人を特定できる形では扱わない。部門・ポジション・在籍期間の集計として扱う。

入口2：採用データから始める

採用は「人事が最も記録を持っている業務」だ。

集めるデータ：

  • 応募経路（媒体/エージェント/リファラル）
  • 応募から採用までの日数
  • 選考通過率（各ステージ）
  • 採用した人の現在のパフォーマンス（評価スコア）

最初の分析：

  1. 採用経路別の内定承諾率
  2. 採用に最も時間がかかっているポジション・ステージ
  3. 「採用経路」と「入社後の早期退職率」の相関

「リファラル採用は定着率が高い」「このポジションの一次面接通過率が極端に低い（評価基準が不明確）」などの発見が出やすい。

入口3：勤怠データから始める

勤怠データは多くの企業が電子化しており、加工しやすい。

集めるデータ：

  • 部門別の平均残業時間（月次）
  • 有給取得率（部門別・個人別）
  • 欠勤率の推移

最初の分析：

  1. 残業時間が増加している部門の特定
  2. 有給取得率が低い部門の特定
  3. 「残業時間が急増した翌月」に離職が増えているかの確認

勤怠データは「組織の負荷状態」を見る指標として機能する。ただし「残業が多い=悪い」という単純な解釈は避ける。繁忙期の構造的な問題と、マネジメント問題による残業は原因が異なる。

入口4：研修・育成データから始める

集めるデータ：

  • 研修受講率（部門別・ポジション別）
  • 入社後のオンボーディング完了率
  • 資格取得・スキル習得の記録

最初の分析：

  1. 研修受講率が低い部門の特定（参加しにくい理由を探る）
  2. オンボーディング未完了者の、3ヶ月後の定着率
  3. 育成プログラムへの参加と、評価スコアの相関

研修データは「組織が人材育成にどれくらい投資しているか」と「その投資が機能しているか」を見る入口になる。

入口5：エンゲージメントサーベイから始める

定期的なサーベイを実施している企業なら、時系列データが蓄積している。

最初の分析：

  1. 設問別スコアの部門差
  2. スコアの時系列変化（改善/悪化している部門）
  3. 「エンゲージメントスコアが下がった翌四半期」の離職率変化

エンゲージメントサーベイのデータは「問題が顕在化する前の先行指標」として機能する可能性がある。スコアと離職の相関が確認できれば、早期に介入できる。

AIを使った分析の加速

各入口のデータをCSVに落とし、ChatGPT/Claudeに渡すことで、データエンジニアなしでも次のことができる。

Excelでは難しい集計をAIに依頼する：

このCSV（採用データ）から、採用経路別の「入社後6ヶ月定着率」を計算してください。
「経路」「内定数」「6ヶ月在籍数」「定着率」の表にしてください。

パターンを発見させる：

このデータで、離職と相関しているカラムを教えてください。
数値が高い/低い場合に離職率が変わっているものがあれば、具体的に教えてください。

経営層向けサマリーを作る：

この分析結果を、経営会議向けの1ページサマリーに変換してください。
数字の解釈と、次のアクション案を含めてください。

AIは「分析の下準備」と「結果の文章化」を高速化する。ただし解釈の最終判断は、組織の文脈を知る人間が行う。

始める前の注意事項

個人情報の取り扱い： 分析は「個人を特定しない集計データ」で行う。特定の個人のデータを解析する場合、就業規則・プライバシーポリシーで許容されているか確認する。

データの品質を過信しない： HR系のデータは入力漏れ・入力ミスが多い。「データにそう書いてある」と「実態がそうだ」は別の話。数値の背景を知る担当者と確認しながら解釈する。

相関と因果を混同しない： 「評価スコアが低い人が離職している」は相関であり、「評価スコアを上げれば離職が止まる」という因果ではない。データは仮説の起点であり、答えではない。

People Analyticsの具体的な分析設計について相談したい場合は kenny@atsume.io まで。

関連記事