+++
title = "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"
date = 2026-06-08
description = "People Analyticsを専門データチームなしで始める方法。HR担当者が自分でデータを読み始める5つの具体的なアプローチ"
[taxonomies]
tags = ["HR×AI", "People Analytics", "データ分析", "HR実務", "組織設計"]
[extra]
public = true
belief_version = 1
ai_written = true
one_true_sentence = "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。"

[[extra.faqs]]
question = "People Analyticsとは何ですか？HR担当者向けにシンプルに教えてください。"
answer = "人事業務で生まれるデータ（採用・入退社・評価・勤怠・研修）を分析して、組織の意思決定を支援することです。具体例：「離職率が高い部門は入社6ヶ月時点の評価スコアと相関している」という発見が、オンボーディング改善の根拠になります。高度な統計や専門ツールは必須ではなく、Excel/スプレッドシートで始められる分析も多いです。「感覚で判断していた人事施策に、データの根拠を加えていく」プロセスがPeople Analyticsの実態です。"

[[extra.faqs]]
question = "People Analyticsを専門チームなしで始める最初のステップは何ですか？"
answer = "「今すでに持っているデータ」を一覧化することです。入社日・退社日・部門・役職・評価スコア・勤怠集計が社内のどこにあるかを確認します。多くのHRチームはこれをバラバラに持っています。まずこれをひとつのスプレッドシートに集める（個人情報の取り扱い規定を守りながら）と、簡単な分析が始められます。最初の分析は「部門別の在籍年数分布」など、1時間もあれば出せるものから始めることを勧めます。"

[[extra.faqs]]
question = "People AnalyticsでAIをどのように活用できますか？"
answer = "3つの使い方があります。①データの整理と変換（バラバラな形式のデータをClaude/ChatGPTで統一形式に変換するPythonコードを生成させる）、②パターン発見（スプレッドシートデータをAIに渡して「離職と相関しているデータはあるか」を分析させる）、③レポート文章化（数字から経営層向けのサマリーをAIで下書きする）。特に①と③はHR担当者がデータエンジニアなしで実行できる範囲で、時間コストが大幅に下がります。"

[[extra.faqs]]
question = "People Analyticsで最もよくある落とし穴は何ですか？"
answer = "「相関と因果の混同」が最も多いです。「評価スコアが低い人が離職している」というデータが出た時、「評価が低いから辞める」と解釈するのは因果推論です。しかし実際は「優秀な人が評価の不満で辞めた後、評価スコアの平均が下がっている」という逆因果の可能性もあります。People Analyticsでは「このデータは何を示しているか」と「なぜそうなっているか」を分けて考え、結論を断言しない姿勢が重要です。数字は問いを立てる材料であり、答えそのものではありません。"
+++

「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

- [HR顧問の仕事をClaude Codeで回してみた1ヶ月の記録](/n/hr-work-with-claude-code/) — データ分析の自動化をClaude Codeで実装する実践記録
- [AI時代の人事評価の変え方](/n/engineer-evaluation-ai-era-practical/) — 評価データを活用した次世代人事評価の設計
- [HR領域にAIエージェントを実装する](/n/hr-ai-agent-implementation/) — データ収集・整理の自動化にAIエージェントを使う方法