株式会社renue
renueについて
renueは、AIで業務を実装する会社です
AIコンサルティングから図面AI・広告運用エージェント・コールセンターAIまで、実際に動いているサービスをご覧いただけます。renueが何をしている会社か、まずはサービス一覧からご確認ください。
ピープルアナリティクスとは
ピープルアナリティクスとは、従業員の属性データ・行動データ・エンゲージメントサーベイ結果などを統合的に分析し、データに基づく人事施策の意思決定を支援する手法です。「勘と経験」に頼った人事判断から、「データとAI」に基づく科学的人事へのシフトを実現します。
生成AIや予測分析の人事業務への活用は、例えばIBMの公開説明でも紹介されています。市場規模や他社の採用傾向を自社の導入効果と同一視せず、目的とデータ条件を確認します。
ピープルアナリティクスで扱うデータ
| データ種類 | 例 | 活用目的 |
|---|---|---|
| 属性データ | 年齢・性別・部署・職種・スキル | 人材構成の可視化 |
| 業績データ | 評価結果・売上実績・プロジェクト成果 | ハイパフォーマー特性の把握 |
| 行動データ | 勤怠・残業時間・メール/チャットログ | ワークスタイル分析・離職予兆検知 |
| エンゲージメント | サーベイスコア・eNPS・パルスチェック | 従業員満足度・組織健全性の測定 |
| 採用データ | 応募経路・選考通過率・入社後定着率 | 採用チャネルROI・採用品質の改善 |
| 育成データ | 研修受講歴・資格取得・1on1記録 | 育成効果の測定・キャリアパス設計 |
ピープルアナリティクスの4段階成熟度モデル
| 段階 | 名称 | 内容 | 例 |
|---|---|---|---|
| Level 1 | 記述分析（Descriptive） | 過去の事実を可視化 | 離職率の推移グラフ、部門別人員構成 |
| Level 2 | 診断分析（Diagnostic） | 原因を特定 | 離職率が高い部門の共通要因分析 |
| Level 3 | 予測分析（Predictive） | 将来を予測 | AIによる離職リスクスコアリング |
| Level 4 | 処方分析（Prescriptive） | 具体的なアクションを推奨 | 「このチームにマネージャー研修を実施すると離職率がX%改善する」 |
退職予測の性能は、対象従業員・予測期間・評価指標を明確にし、学習に使っていないデータで検証します。別企業でも同じ精度を得られるとは扱えません。評価指標の参考として、離職者が少ないデータでは全体の正解率だけで性能を判断せず、離職者の見逃しや誤検知、適合率・再現率、期間を分けた検証等を確認します。導入効果は、対象集団・比較期間・交絡要因を確認し、予測の精度とは分けて評価します。
AI×ピープルアナリティクスの主要ユースケース
1. 離職予測・リテンション
エンゲージメントスコア・勤怠履歴・評価推移・異動歴などを、利用目的・閲覧権限・データ品質を確認したうえで分析し、離職リスクの検討を支援します。センチメント分析の利用も、対象データ・評価指標を定めて検証します。AIの出力だけで離職意向を確定せず、本人との対話や人による確認を組み合わせます。
2. 採用最適化
採用チャネルごとの応募数・選考通過率・入社後パフォーマンスを分析し、ROIの高い採用チャネルにリソースを集中させます。
3. エンゲージメント分析
定期的なパルスサーベイとAI分析を組み合わせ、回答の収集周期・対象者・回答率を確認して組織のエンゲージメント傾向を把握します。常にリアルタイムで全従業員の状態を確定できるわけではありません。組織の課題に応じた指標と評価方法を定め、施策の事業上の効果を確認します。
4. 人材育成・キャリアパス設計
各従業員のスキル・実績・成長課題をデータで可視化し、最適な研修プログラムやキャリアパスをAIが提案します。
5. 組織設計・チーム構成の最適化
チームのスキル構成・性格特性・コミュニケーションパターンを分析し、プロジェクトの成功確率を高めるチーム編成をAIが提案します。
人事管理基盤の確認事項とrenueの公開サービス
人事管理基盤を検討する際は、記録・評価・育成・データ利用の目的と運用条件を整理します。公開されている部下マネジメントAIはフィードバックの記録や評価観点の共有を支援し、評価の最終判断はマネージャーが行うと説明しています。
評価項目と評価根拠の確認
評価項目と周期は、対象職務・評価根拠・評価者を確認して定めます。定量化だけで評価の公平性を保証せず、人によるレビューを組み合わせます。
従業員フィードバックシステム
従業員フィードバックを分析する前に、収集目的・対象・頻度・閲覧権限を確認します。施策前後の条件をそろえて効果を検証し、収集・可視化だけで早期発見や改善効果を保証しません。
成長チャレンジシステム
育成施策は、本人の振り返りと業務上の根拠を照らして検討します。自己申告の排除やデータ利用だけで公平性を保証しません。renueのFDE育成支援の公開説明では、利用時間・セッション数だけで能力や成果を判断せず、表示スコアは作業プロセスを改善するための補助指標であり、個人の能力や人事評価を示す点数ではないとしています。
Slack分析による組織コミュニケーション可視化
Slack等のコミュニケーション情報を分析する前に、利用目的・取得範囲・保存期間・閲覧権限・本人への説明を確認します。投稿量や連絡頻度だけで能力・貢献を判定せず、個別ログの利用と人事評価への転用は別に検討します。
導入ステップ
- データ基盤の整備：人事データの一元管理（HRIS・ATS・勤怠システムの統合）
- KPIの定義：測定すべき指標（離職率・エンゲージメントスコア・採用品質等）の選定
- 記述分析から開始：まずダッシュボードでの可視化から始め、組織の現状を把握
- 予測分析の導入：データが蓄積されたら離職予測・パフォーマンス予測に挑戦
- 処方分析への発展：予測に基づくアクション提案を自動化
注意点
- プライバシー保護：人事データは個人情報であり、取り扱いに細心の注意が必要。目的外利用の禁止と従業員への透明な説明が必須
- AIバイアスへの対策：AIの判断が差別・偏見につながるリスクがあるため、公平性の検証が重要
- データの品質管理：分析の精度はデータの品質に依存。入力の正確性と網羅性を担保する仕組みが必要
よくある質問（FAQ）
Q1: 小規模企業でもピープルアナリティクスは有効？
ExcelやGoogleスプレッドシートで、権限と集計範囲を決めた離職率・採用チャネル分析から検討できます。ツールの費用対効果は、人数だけで決めず、対象業務・料金・データ品質・確認作業を含めて試算します。人数だけで判断せず、集計工数・連携費・データ量・小集団での個人特定リスクを確認します。
Q2: どのツールを使えばよい？
HRISとの統合が容易なカオナビ・SmartHR（国内）、Visier・Lattice・Culture Amp（海外）が代表的です。BIツール（Looker・Tableau）との組み合わせも有効です。
Q3: 離職予測の精度はどの程度？
離職予測の性能は、対象者・予測期間・評価指標・検証方法をそろえて確認します。データが多いことだけで高精度は保証されません。予測対象期間、離職イベント数、職種・制度の変化、学習と検証の分離を確認し、正解率に加えて適合率・再現率や誤検知・見逃しを評価します。必要な蓄積期間は自社の用途・データ条件に応じて検討します。
