定量的な効果を「翻訳」して伝える

古川: 御園生さんは、今回の取り組みではどのようなところでご苦労なさいましたか。

御園生: データを収集する際に、社員の理解と齟齬(そご)が発生しないように留意しました。「このような使われ方をされると思わなかった」と感じられてしまうことを避けるためです。会社全体を良くするためのアセスメントだと納得してもらえるようなメッセージになるように心がけました。それとセキュリティですね。特に、新卒採用で活用する場合は、まだ社員になってない方の個人情報を集めるわけですから、法務部門やセキュリティ部門と密に連携して準備を進めました。

ソフトバンク 人事総務統括 人事本部 戦略企画統括部 人材戦略部 人材戦略課 御園生 銀平 氏(撮影:編集部、稲垣純也)

古川: 人事部門の他の方は、お二人ほどテクノロジーや統計に詳しいわけではないと思います。このギャップでご苦労されたことはありませんでしたか。

御園生: 今回の取り組みでは、ミツカリの結果の解釈や、統計知識、プログラミング知識など、複数の専門知識を必要とします。大神田が相手であればミツカリの項目への理解や統計知識を前提に議論できますが、他のメンバーと会話をする場合はそうはいきません。例えば、分析結果に基づいて最終的に意思決定する相手に合わせて、身近な言葉に翻訳するという作業が必要です。個人的には、専門用語を用いずに内容を説明するのは苦労しました。HRBPなど、人事と各事業部門の両方をよく理解している人とコミュニケーションを多くとり、徐々に意思決定者の身近な言葉に翻訳していきました。

大神田: 苦労した点というわけではないのですが、アナログによる定性的な判断とデジタルによる定量的な判断をどう使い分けるかという運用面の検討事項もあると思います。ピープルアナリティクスでとても良い分析結果が出たからといって、デジタルだけで決めるのが適切な判断とは限りません。「ピープルアナリティクスはこういう領域では有用だけど、こういうことは人が判断するようにしよう」といった具合にデジタルを使う領域を整理する必要があると考えています。

古川: 今回の分析結果はどのように検証しているのでしょうか。

御園生: 定量的な効果は、新卒採用した人材の活躍度で判断できると思います。教師データからは外していたテストデータで確認したところ、特に非活躍層の予測精度が高いことを確認していますが、実際に配属を行った方の検証に関しては、採用から1年も経っていないので、効果を測定するまでにあと1~2年は必要でしょう。定性的な効果としては、「採用の判断の足並みがそろえられる」「これまで曖昧だったものが言語化できたため、共通認識ができた」といった意見をもらっており、一定の効果が発揮できていると確認しています。

[画像のクリックで拡大表示]
ソフトバンクが採用プロセスで活用するピープルアナリティクスなどのHRテック。今回グランプリを受賞したのは、中途採用の通常面接と新卒採用の配属調整における「ピープルアナリティクスによる意思決定サポート」(出所:ソフトバンク)