HR×AIというと、既に転職市場にマッチングサービスが登場している。しかし、HRのもう少し広い領域を舞台に情報の定量化を行おうという取り組みが進んでいる。人材活用を支援するサービス「アッテル」を開発・提供する、株式会社アッテルの塚本鋭氏に聞く。
知りたいのは「自社で活躍してくれるかどうか」
従来、担当者の経験や勘によるところが大きい人事の領域も、DXやデータドリブンといったキーワードで語られるようになってきた。転職市場にはマッチングサービスが導入されているし、人事部門の業務の効率化を行うサービスも幾つか出ている。いわゆる「HRテクノロジー」の分野だ。その中でも人事部門のDXは今、大きく進化しようとしている。
その要因の1つに、「ピープルアナリティクス」と呼ばれる人材マネジメントの手法がAIの活用により、誰もが使えるレベルにまできているということが挙げられる。ピープルアナリティクスとは、組織内のメンバーの情報を定量化することで、組織の強み／弱みを数値化し、戦略的に人事施策を打っていくというもの。もちろん、それだけではなく、採用計画、人材育成、将来的な事業戦略にも生かすことができる。
「アッテル」はまさにピープルアナリティクスをもって人事領域の課題を解決しようとするベンチャー企業だ。コンセプトは、これまでの勘と経験だけの人事から、データを正しく使うことで人事部門、経営者の意思決定の精度を高めていくこと、だ。
塚本 アッテルが提供するのは人材情報を定量化すること。どういう人材なのかを数値化する。そして、それを分析するサービス、さらに予測という部分で機械学習を使ったり、シミュレーションの機能を提供します。それが打ち手につながって、実際、どれだけ改善されたのかとPDCAを図る。これらの機能をクラウド上でワンストップで提供しています。
具体的には、アッテルのサービスを使うとなった場合、社員が定量化に向けた適性検査を受けるという形になる。もちろん、一部門からスタートする場合もある。また、既に定量化されているデータがあれば分析から入ることもある。ただ、適性検査から、その後の分析、それをどう活用するかという部分まで、一連の流れを通して提供するところが他社との違いになる。
起業の背景にあったのは、塚本氏自身がマネジメントの現場で感じていた違和感だ。前職のクラウドワークス時代、5年間でおおよそ100人に及ぶスタッフのマネジメントを手掛けた。しかし、自身が面接を担当し採用した人が活躍しなかったり、すぐに辞めてしまうということが起きてしまう。そこで適性検査のデータを見ていくと、これはちょっとおかしいなと感じた。というのは、現場が知りたいのは「この人がどういう人か」ではなく、あくまで「この人が自社で活躍（定着）してくれるのか」ということ。それが、これまでの適性検査では分からない。
塚本 適性検査が使われるようになって50年くらいになりますが、この問題は以前からあったはずなんです。1つ大きな課題は、人事において適性検査のスコアと入社後に活躍・定着したのかをひも付けてみるべきという考え方が、そもそもあまりなかったことだと思います。
取り組み始めたのは5年くらい前からだったというが、根底には、単純に自分のチームで活躍してくれるのはどんな人かを知りたかったというのと、不幸なミスマッチをなくしたいという思いがあった。採用担当の意思決定のミスは自社だけでなく、応募者にとっても不幸な結果になる。実際、塚本氏自身、何としても採用したいと採用した人が、後から考えると、スタートアップよりも大企業で活躍するタイプだったことがあり、その人の数年のキャリアを無駄にしてしまったなという後悔があった。そうしてミスマッチを減らしたい、採用に関する意思決定の精度を高めたいと調べていくと、自分だけ精度を上げても解決できないということが分かってくる。
実際、塚本氏の調査では、ほとんどの適性検査が入社後の活躍や定着に関係なかったという事実がデータとして見えてきたという。
＜「JBpress World」大好評開催中（11/8-12/17）＞
DXや働き方改革、サステナブル経営をテーマに、70名以上のプロフェッショナルが登壇するオンラインセミナーと、30社以上が出展するバーチャル展示会で展開する日本最大級のオンラインイベント
適性検査で分かること
適性検査についての塚本氏の分析はこうだ。日本で使われている適性検査は150種類程度あるが、まず、それらは3つに大別できるとする。
①学力テスト的なもの
②性格、価値観を見るもの（優劣有）
③性格、価値観を見るもの（優劣無）
塚本 弊社が「優劣有」と呼ぶのは、リーダーシップとかストレス耐性のように性質を判断する問いに対し、最終的に点数がつくもの。それに対し、優劣無は、外向／内向とか、拡散／保全のように、その人の価値観がどちらに寄っているかを見るもの。一見、違いはなさそうなのですが、実はこの2つを比較すると、入社後の活躍（定着）予測の精度が大きく違うという結果が出ています。優劣有のテストはほとんど入社後の活躍や定着に関係がありません。実は、150種類の適性検査のほとんどが優劣有のタイプになっているので、過去の適性検査は実はほとんど当たらないというのが、弊社の主張です。
そこで指摘するのは、最終的にスコアを作ろうとすると必ず選択肢のどこかに答えを設定せざるを得ないという点だ。受験者側にするとその答えを見つけさえすれば点数を上げることができる。それが、これまでの適性検査の結果となる。例えば、ストレス耐性を測る質問「すぐに気分が落ち込む」に対し、「当てはまる」と「当てはまらない」の選択肢があると、当然「当てはまる」を選択するとスコアが下がると考える。となれば、「当てはまる」をチェックする人は少ないと容易に推測できるわけだ。
実際のデータを元に検証したところ、某社の場合、適性検査の結果、ストレス耐性が高いとされた人の方がむしろすぐ辞めていたという例もあったという。
塚本 その会社で議論させていただいたのは、むしろ「自分は完璧である」と言っている人の方が辞めている。「ちょっと自分って疲れているときがあるよね」と、率直に書いている人の方が定着していた。今まで信じられていたこともデータで検証すると実は間違えているということが分かる。
弊社のやり方としては、まず自社の従業員に適性検査を受けてもらって、自社で活躍できている人がどんな人で、活躍できていない人がどんな人かを定量的に明らかにして、それを応募者の適性検査の結果に当てはめることで、自社における活躍可能性を割り出していくという流れになります。
既存のデータを定量化し、それを新規のデータに当てはめることで予測する。このフレーム自体はデータ分析としては一般的な形式だが、それを人事の領域で使えるようにしたこと、この一連のフレームに適した適性検査、および分析手法を最適化するというのがアッテルの取り組みということになる。
具体的には、定量化のモデルは汎用化したものを用いて、そこから自社の「ハイパフォーマー」および「ローパフォーマー」がどういう性質を持つ人なのかを割り出す。非常にシンプルな流れだが、これが一番強力だということが分かっていると塚本氏。
活躍している人の平均値（赤の線）、活躍できていない人の平均値（青の線）を示したもの拡大画像表示
上の図の場合、赤の線に近い、「達成意欲」や「自信」といった項目に高いスコアを持つ人であればハイパフォーマーになりやすいということになる。ただ、適切な採用（配置）基準を作るには、自社におけるハイパフォーマーの特徴を知ることより、ハイパフォーマーとローパフォーマーの違いを知ることが重要になる。また、会社・業界ごとにハイパフォーマーの定義は当然異なり、分析のフレームは共通のものだが、会社ごとに独自の基準ができるという。
塚本 何がハードルになるかというと、誰をハイパフォーマー、誰をローパフォーマーとするかという最初のステップです。本人には返さない、公開しないデータですが、そこが一番のネックになります。逆に言うと、今までの人事では自社で誰がいい採用だったか、誰が悪い採用だったかという振り返りがされていないということなんです。当然、PDCAが回せず、改善されてこなかったというのが数十年続いてきた。人に対してABCと評価を付けにくいとは思いますが、それをきちんと付けることが改善の第一歩なのかなと思います。イメージとしては、自社でもう一度採用したいという人をハイに、もう1回来たら採用を悩むという人はローにしてくださいとお伝えしています。
とはいえ、これまでは活躍したが今後の戦略において活躍しなそうな人はローパフォーマーになってしまう可能性もある。そこは、やはり戦略にひも付くものという考え方だ。また、利用目的を間違えないようにすること。あくまで確率論であって、ハイパフォーマーのスコアを持っていてもローパフォーマーになる人もいる（逆も然り）。1つの目安として使うということ。
1つ面白いのは、ひも付けて見せない工夫はしているが、データとしては個人を特定しておくこと。特に、数百人規模の会社では「誰と似ている（似ていない）のか」は貴重なデータになる、と。ただ、性別は入れない。データの観点ではフラットにするというのが基本になっている。例えば、女性の割合を増やしたいというニーズに対応して性別を入れる場合もあるが、それは「濁った使い方」なのだと塚本氏は言う。サービスの根幹として、データの扱いに関して非常にクリアな設計がされていることが分かる。
＜「JBpress World」大好評開催中（11/8-12/17）＞
DXや働き方改革、サステナブル経営をテーマに、70名以上のプロフェッショナルが登壇するオンラインセミナーと、30社以上が出展するバーチャル展示会で展開する日本最大級のオンラインイベント
最適配置からチームバランスの設計まで
アッテルのサービスを使う目的としては、採用の基準に使う場合と、異動対象者をどこに異動させると一番活躍する確率が高まるかという最適配置の設計、また、上司との相性を定量化してミスマッチを防ぐような使い方、日々のマネジメントの主に4つ使い方で利用されている。
例えば、上司と部下の相性は活躍しやすさに影響があることはデータとしても分かっている。下の図は、ある会社のもので横軸に上司と部下の類似度（どれくらい価値観が似ているか）、縦軸に部下の評価の平均を示したものだ。右側の若手の場合は上司と似ている方が評価が高まりやすい一方、上司との価値観が一定以上離れてしまうとガクッと評価が落ちるという結果が出ている。中堅以上の場合は、むしろ上司と似過ぎていても駄目で、実はちょっとずれているくらいのところが一番パフォーマンスが上がる。
こうしたデータを使って、上司と部下の最適な組み合わせを作ることもできる。これを拡張していくと、チームのバランスをデータで可視化することも可能だ。
「上司」と「部下」の相性を類似度で可視化拡大画像表示
また、次の図は属性（部署・職種）ごとに活躍・定着人材を分析したものだが、自我／共感の軸で見ると、営業系では自我が強い方が活躍しやすく、共感が強い人は活躍しにくいことが分かる。
属性（部署・職種）ごとの活躍・定着人材の分析拡大画像表示
最適配置では、例えば、下の図のように、新卒をどの部署に配置すると全社的な貢献度合いが高くなるか、それぞれの部署でのハイパフォーマーとどれくらい似ているのかという分析をして活躍確率のようなものを算出するという形で考えることも可能になる。
配属先候補ごとに新卒の活躍確率を定量化拡大画像表示
塚本 これまでは、まさに感覚で「この人はここがいいんじゃない」と、そういう感じで決めていたところを、「この人がここにいくと活躍確率が何％くらいある」というところから配置の案を作っていくということになります。もちろん、本人の希望やスキルの関係もありますので、そういう点は調整いただいています。ただ、やはり、それをデータをもとに話せるというところが大きい。これまではほとんどそうしたソリューションがなかったので、クライアントの企業の方には非常に喜んでいただいている感じかなと思います。
日本の大手企業の場合、新卒で採った社員を何年かごとに部署異動させて、最終的にジェネラリスト育成を目指すという流れがある。塚本氏によると、こうしたローテーションはやはり一定で発生しているものの、その最初のローテーションまで待たずに辞めてしまう社員がいると相談を受けることがあるという。ローテーション前提で最初の配属を比較的ざっくりしておいて、うまくいかなくても最悪3年目のローテーションで動かせばいいという発想ではもはや太刀打ちできない事態になっているのだ。
塚本 最初のところでなるべくミスマッチを減らした配属にしてあげたい。人によって強み・弱みは全然違うので、まずは活躍させてあげたい。例えば、100人を採用したときに、100人全員が金太郎飴ではなく、それぞれに個々の資質に合った育成をしていった方が会社としてもいいパフォーマンスが出せるというイメージになってきているのだと思います。
一方で、弊社がデータを取っていると、実はローテーションで動かした方がパフォーマンスが上がりやすい人、動かさない方がパフォーマンスが上がりやすい人がいることが分かってきています。経営人材としてはやはりローテーションしていた方が出現率が高かったりするので、そういう場合は当然ローテーションをした方がいい。あるいはスペシャリスト人材みたいな、1つの専門性を高める人材であれば、むしろローテーションがキャリア上、マイナスになってしまうこともある。
弊社としては、一律にローテーションするのではなく、その人の活躍確率が一番高まるためにローテーションを使っていきましょうという提案をしています。
もちろん、使用目的はその会社ごとに多少違ってくるが、キャリアデザインをサポートするといった使い方も可能になってくるということだ。
＜「JBpress World」大好評開催中（11/8-12/17）＞
DXや働き方改革、サステナブル経営をテーマに、70名以上のプロフェッショナルが登壇するオンラインセミナーと、30社以上が出展するバーチャル展示会で展開する日本最大級のオンラインイベント
AI×ピープルアナリティクスが可能にするもの
塚本氏自身は、前述のようにデータアナリストとしてアカデミアにいた。そこからデータとビジネスの利活用、どうつないでいくかというところでデータを扱ってきた。しかし、企業の人事情報にふれることはなかなか難しい。そもそもクローズにされるべき情報で、外から容易に触らせてもらえるものでもない。
アッテルというサービス自体のリリースは2019年7月だが、実は創業は約1年前の2018年4月。約1年空いているわけで、その1年間でいろいろな企業と共同研究というような形でデータ分析していったという。
塚本 コンサルティングのような形で入らせていただき、大量のデータを分析させていただきました。データ分析によって何が言えて何が言えないのか、そこで選別させていただきました。100社さんくらいお手伝いさせていただく中で、おそらくこれは世の中で共通に言えることで、このアプローチでいけば解決できるのではないか、というものをプロダクトに落とし込んだという感じです。
定量化のモデルはかなり作りきったものになっている。分析の精度には連続性といった部分も重要になるため、一度出してしまうと変えにくいのだ。逆に、出すまでにどれだけ精度を上げられるかというところが勝負になる。ただ、その人がどういう資質なのか、自社でどのくらい活躍しやすいのかという分析であったり、会社ごとのアルゴリズムは年々チューニングしてきているという。
実際、アッテルを利用することで採用基準を変えて成功した企業も多い。例えば、営業の人材として、いわゆる外向的なコミュニケーション能力が高い人を採用していた会社がデータ分析をした。すると、実は定着している人はそれとは真逆であることが分かり、採用基準を変えたところ、半年以内の退職者がゼロになった。
また、上司との相性も含めて分析することで、課題となっていた退職率を下げることができた会社もある。辞めやすい人たちのタイプを割り出し、彼らを何とか定着させることができないかという発想の下、相性のいい上司にアサインした結果、4分の1ほど退職率が下がった。データを使うことでこうした成功事例が出てきている。
ただ、いずれも、まず自社の状況やカルチャーを知ることが最初のステップになっていることは注目しておきたい。例えば、よく言われるT型人材。個人の資質として見ると非常に良いT型人材だが、T型人材が本当にパフォーマンスを発揮するためには組織との相性が重要だということ。これもデータから分かってきたと塚本氏は指摘する。
塚本 スキルマッチとカルチャーマッチという軸があると思っています。よく話題になるのは縦軸のスキルマッチです。スキルが高ければ活躍する、T型人材いいよねということなんですが、実は横軸として「組織と合うか」どうかを検証する必要がある。当然、その両方が伴う人は活躍します。じゃあスキルはすごく高いけどカルチャーと合っていない人は活躍しているんですかということです。逆に、スキルは高くないけれどカルチャーがすごく合っている人はどうか。どちらが活躍しているかをお聞きすると、実はほとんどが後者です。実際データで分析すると、カルチャーにマッチしているかどうかの方が入社後に活躍しているかどうかへの影響が大きいという結果が出ています。
弊社としても、まず事実を押さえにいくということをお勧めしていますね。こうなりたいではなく、今、活躍している人は誰だ、と。まずはそこから取り組んでほしいと思います。
ここで見てきたように、人事の分野でもデータ分析で可能になることは多いが、ピープルアナリティクスには大量のデータを元にした分析が必要だ。中小規模の企業が自社で取り組むにはちょっとハードルが高い。そもそも、人事の検証の難しさはデータ数が圧倒的に少ないことに起因するわけで、そういう意味でも、AIをベースに提供されるこうしたサービスが期待されるところだ。
＜「JBpress World」大好評開催中（11/8-12/17）＞
DXや働き方改革、サステナブル経営をテーマに、70名以上のプロフェッショナルが登壇するオンラインセミナーと、30社以上が出展するバーチャル展示会で展開する日本最大級のオンラインイベント
