追跡する価値のある基本指標
人事指標の恩恵を受けるために、データサイエンスチームは必要ありません。従業員数、離職率、欠勤率、採用までの時間、そして場合によってはエンゲージメント指標といった、厳選した少数の数値で、早期に傾向を把握するために必要な多くの情報が得られます。まずは小さく始め、各指標がどの判断に資するのかが分かってから追加してください。
すべての指標には、明確で一貫した定義が必要です。「離職率」はさまざまな方法で測定でき、「欠勤率」には予定休暇を含める場合と含めない場合がありますので、定義を一度合意したらそれを守ってください。不一致な定義は、人事データが信頼されなくなる最も一般的な原因です。
過去を示す指標と、将来を示唆する指標を区別してください。離職率や欠勤率は主として遅行指標であり、エンゲージメントスコアや初期在籍フィードバックの方が先行指標として、問題が固定化する前に行動する機会を与えます。
離職率の理解
離職率は、人が退職する割合を示し、通常は一定期間の退職者数を平均在籍人数で割って表します。原因と対処法がかなり異なるため、自発的離職と非自発的離職、さらに regreted と non-regretted の退職に分ける価値があります。
文脈は非常に重要です。高い数値が自動的に悪いわけではありません――ある程度の入れ替わりは健全です――し、低い数値が自動的に良いわけでもありません。低さの理由が成果不振者の保持である可能性があるからです。自社の過去と比較し、業界標準とも慎重に比べつつ、恣意的な目標を追わないでください。
離職率に懸念がある場合は、その傾向を詳しく見てください。特定のチーム、勤続区分、または上司に集中していますか。初期在籍離職は採用やオンボーディングの問題を示すことが多く、長期勤続者の離職は昇進や報酬に関する問題を示すかもしれません。
欠勤の理解
欠勤データは、ウェルビーイングと業務能力の両方を理解する助けになります。一般的な指標には、欠勤率（利用可能時間に対する損失時間の割合）と頻度（欠勤がどれだけ発生するか）があります。両方を追跡することで、長期の少数事例と短期欠勤の広範な発生を区別でき、それぞれ異なる対応が必要になります。
欠勤は機微な情報です。病気データはGDPR上の特別カテゴリ健康データであるため、特に慎重に扱い、安全に保管し、知る必要のある者に厳格に限定して共有しなければなりません。可能な限り個人ではなく集計レベルで分析してください。
欠勤データは、懲罰ではなく支援のために使ってください。傾向は、健康、業務量、勤務体制に関して支援が必要な人を示すことがあり、また非現実的な人員配置などのより広範な問題を明らかにすることもあります。欠勤数を強圧的に扱うと信頼を損ね、基礎疾患が関わる場合には障害差別のリスクを高めることがあります。
有用なダッシュボードの作成
ダッシュボードは、単に数字を表示するのではなく、問いに答えるべきです。作成前に、誰が使うのか、どの判断を支援すべきかを定め、その判断に関係する指標だけを表示してください。誰も読まない煩雑なダッシュボードは、1枚の適切なグラフより劣ります。
単一のスナップショットではなく、時間の経過による傾向を示してください。1か月分の数字ではほとんど分かりませんが、12か月の折れ線は方向性と季節性を明らかにします。数字の意味と、必要なら何をすべきかが分かるよう、平易な解説を加えてください。
ダッシュボードは正直でなければなりません。好都合な数字だけを選択的に示したり、相関から因果を示唆したりする誘惑に抗ってください。HRデータは判断を導くものであり、判断に取って代わるものではありません。数字が示す内容を誇張すると信頼性が損なわれます。
データ品質とGDPR
レポートの質は、基礎データの質次第です。記録が不完全または不整合であれば、いかに可視化しても結論は信頼できません。きれいで一貫して入力されたデータ――できれば散在するスプレッドシートではなく単一システム由来のもの――に投資することは、作成するあらゆるレポートで報われます。
報告はデータ保護原則を尊重しなければなりません。必要最小限の個人データのみを用い、可能な限り集計・匿名化し、真に必要とする人にアクセスを制限し、データがどのように意思決定に用いられるかを従業員に透明にしてください。適法な根拠と明確な正当化なく個人を静かにプロファイリングする分析には、実際のGDPRリスクがあります。
