ピープルアナリティクスとAI：人事レポートから予測へ

著者: Kevin Kim · 更新日: 2026年10月11日

AIを用いたピープルアナリティクスとは、従業員データに統計モデルや機械学習モデルを適用し、人事を「何が起きたか」の報告から、「何が起きそうか」の予測と「何をすべきか」の提案へと進めることです。 従業員数のダッシュボードは、前四半期の離職率が14%だったと教えてくれます。予測モデルは、次の四半期にどのチームで人が辞めそうか、その要因は何かを教えてくれます。処方的な層は、報酬の調整やマネージャーとの対話といった行動を提案し、その効果を見積もります。

本ガイドは、すでにダッシュボードを持ち、その次のステップが実際には何を伴うのかを知りたいCHRO、人事部長、人事マネージャーに向けたものです。段階、必要なスキル、3つの具体的なユースケース、そして予測を根拠に行動して安全かどうかを左右する限界を扱います。人事全体のAIの全体像は、基幹ガイドの人事におけるAIから始めてください。

重要なポイント

• 最もよく知られたピープルアナリティクスの成熟度モデルは、Deloitte ConsultingのBersinによる2017年のもので、4つのレベルがあります。調査対象の組織の分布は、レベル1が14%、レベル2が69%、レベル3が約15%、レベル4が2%と報告されています（Lumen Learning、Bersin/DeloitteのPeople Analytics Maturity Modelを引用）。
• このモデルのレベル4は、ピープルアナリティクスが事業、人事、経営の意思決定に不可欠となった、リアルタイムでAIが支援するツールによって定義されます（同じ出典）。
• 米国連邦の選考ガイドラインでは、いずれかの人種、性別、民族グループの選考通過率が最も高いグループの率の5分の4（80%）を下回る場合、一般にアドバースインパクトの証拠とみなされ、少数のデータは信頼できないことがあります（29 CFR 1607.4）。
• ニューヨーク市では、自動化された雇用判断ツールを使う雇用主は、使用前1年以内のバイアス監査、結果の公開要約、候補者と従業員への事前通知が必要です（NYC DCWP）。
• EUの賃金透明性指令は、報告で、雇用主が客観的でジェンダーに中立な基準によって正当化できず、6か月以内に是正もしていない、ある労働者区分での男女間の平均賃金格差が5%以上と示された場合、共同の賃金評価を求めています（Directive (EU) 2023/970、第10条）。

アナリティクスが答えられる4つの問い

ピープルアナリティクスのツールはすべて、4つの問いのいずれかに答えます。AIは、どの問いに手が届くかを変えます。

ほとんどの人事チームは最初の行に強く、3行目と4行目が手薄です。これは人材の失敗ではありません。予測の作業にはシステムをまたぐきれいな履歴が必要で、処方の作業にはどの施策が実際に成果を変えたかの証拠が必要ですが、ほとんどの組織はそれを記録してこなかったからです。基礎となる手法は、用語集の予測分析で扱っています。ここでは、それを人のデータにどう適用するかに焦点を当てます。

AIが従来の分析ツールキットに加えるもの

人事のアナリストは何十年も回帰分析を行ってきました。AIはその作業に取って代わるものではなく、4つの点で拡張します。

**より多くのデータ形式。**従来の分析は、勤続年数、等級、給与、評価といった構造化された項目に依存していました。最新のモデルは、エンゲージメントサーベイのコメント、退職面談のメモ、職務記述書といったテキストも使え、それを利用可能な特徴量に変換できます。これにより、非構造化のフィードバックを数えられるようになります。

**より多くの変数を同時に扱う。**10個の入力を持つロジスティック回帰は説明が簡単です。勾配ブースティングモデルは、相互に作用する何百ものシグナルを比較検討でき、予測精度が高いことも多い一方、解釈が難しくなります。

**より速い更新。**年に一度の調査の代わりに、モデルは毎月または毎週従業員全体を再スコアリングでき、マネージャーは辞表が出る前にリスクの変化を知ることができます。

**自然言語によるアクセス。**マネージャーは普通の言葉で質問し、グラフを得られるため、データを使う人の範囲が広がります。これは予測の層の上に載る生成の層ですが、自信満々に間違える回答という固有のリスクも伴います。

ACE Frameworkの用語でいえば、ピープルアナリティクスは、分析（ダッシュボードと診断）から、予測（予測値とスコア）へと進み、適切なケースを適切な担当者に送るスコアリングとルーティングのパターンを備えます。

引用できる成熟度モデル

最も広く引用されている枠組みは、Josh BersinとDeloitte Consultingが2017年に発表したピープルアナリティクスの成熟度モデルです。4つのレベルと、Bersinが報告した調査対象組織の各レベルの割合は、Lumen Learningにまとめられています。そこでは母集団とサンプルサイズが示されていないため、この割合は現在のベンチマークではなく、分布のおおまかな姿として扱ってください。

このモデルには2つの有用な点があります。第1に、成熟度を技術的な洗練度だけでなく、事業との統合として捉えています。レベル4のチームとは、最も凝ったアルゴリズムを持つチームではなく、その分析が人事の外にある意思決定を変えるチームです。第2に、AIを最上位の段階にはっきり置いており、基盤（レベル2と3）は任意のウォームアップではなく、前提条件であることを意味します。

自分の位置を見極める実践的な方法は次のとおりです。

• リーダーが毎月同じレポートを求めるのに誰も行動に移さないなら、保有するソフトウェアにかかわらずレベル2です。
• 手作業のプロジェクトなしに、人事データを売上、顧客、オペレーションのデータと結合できるなら、レベル3に移りつつあります。
• モデルの出力が今週のマネージャーの行動を変え、それが効果的だったかを追跡しているなら、レベル4に近づいています。

その下にあるデータの質が、どこまで登れるかを決めます。だからこそ、どんなモデルの作業よりも前に、姉妹ガイドのAIのための人事データ基盤が重要です。

3つの具体例

これらは説明のための仮のシナリオです。数字はロジックを示すために作ったものであり、実在の企業から引いたものではありません。

例1：離職リスク

**目標。**今後6か月で、惜しまれる離職が起こりそうな場所を、手を打てる早さで見つけること。

**データ。**勤続年数、前回の昇進からの経過期間、給与レンジ内での位置、マネージャーの交代、エンゲージメントサーベイのスコア、社内異動の履歴、一部のチームでは業務負荷の指標。

**モデル。**過去の退職者と在籍者で学習した分類器が、個人ごと、より安全には、チームごとのリスク確率を出力します。最初に役立つ出力は、スコアそのものであることはまれです。要因の一覧です。たとえば「過去1年にマネージャーが交代し、30か月間昇進していないチームで、退職率が最も高い」といったものです。

**どう活用するか。**チーム単位のリスクは、会話と予算の優先順位づけに使い、個人にレッテルを貼るためには使いません。チームのモデル上のリスクが高ければ、スキップレベル面談と、レンジの中央値より下にいる人の報酬見直しが、妥当な最初の手になります。そのうえで測定します。施策を行わなかった比較可能なチームと比べて、リスクや実際の退職は減ったでしょうか。この最後の段階が、予測を処方に変えます。

**注意点。**マネージャーに共有されたスコアは、自己成就的予言になりえます。「離職リスクが高い」と聞いたマネージャーがその人への投資をやめれば、辞める可能性はさらに高まります。個人のスコアは人事の中にとどめるか、集計してください。

例2：採用ファネル

**目標。**ファネルのどこで優秀な候補者を失っているかを把握し、充足所要日数を予測すること。

**データ。**応募経路、段階ごとのタイムスタンプ、採用担当者、面接の日程調整の空白、内定の結果、採用担当マネージャーのフィードバック。

**モデル。**大きな成果は、記述的分析だけで見つかることがよくあります。候補者が日程の枠のために9日待たされる段階がある、といったものです。そのうえで予測モデルが、職種と勤務地ごとの充足所要日数を予測したり、停滞しそうな採用要件を推定したりします。これにより、遅れそうなものはソーシングを前倒しできます。

**どう活用するか。**停滞している段階を直し、採用担当者の負荷を調整し、単一の日付ではなく予測の幅を使って、経理と人員計画のタイミングを決めます。

**注意点。**モデルで候補者をランク付けしたりスコアリングしたりするなら、規制の対象領域に入っています。米国の5分の4ガイドラインを基本的なチェックとして使い、各段階でグループ間の選考通過率を比較します。たとえば、あるグループの40%が次に進み、別のグループは25%だとします。比率は0.625で、0.8を大きく下回っており、調査を始めるシグナルですが、連邦のガイダンスは、少数のデータに基づく結果は信頼できない場合があるとも述べています（29 CFR 1607.4）。ニューヨーク市では、採用や昇進の判断に使う自動化ツールに、バイアス監査、公開要約、事前通知が必要です（NYC DCWP）。

例3：賃金の公平性

**目標。**職務、等級、勤務地、業績、勤続年数では説明できない賃金の差を見つけること。

**データ。**基本給、賞与、等級、職種グループ、勤務地、勤続年数、パフォーマンス評価、法的に保有が認められている場合の属性項目。

**モデル。**回帰が正当な要因から賃金を予測し、その残差をグループ別に見ます。同じ職種グループ、等級、勤務地の女性が、平均してモデルの予測より数%低く支払われているなら、その残差が説明のつかない格差です。機械学習は、組織再編後に1つの地域にだけ現れる格差のように、単純なモデルが見逃す相互作用を見つけて価値を加えられます。

**どう活用するか。**処方的分析が自然な次のステップです。フラグが立った格差を、さまざまなルール（レンジの中央値まで、モデルの予測値まで、2回の評価サイクルをかけて）で埋めるコストをモデル化し、経理とともに1つを選びます。

**注意点。**規制により、これは望ましい実務から義務へと移りつつあります。EUでは、雇用主は規模に応じた予定で男女の賃金格差を報告しなければならず、正当化されず、6か月以内に是正もされない労働者区分での5%以上の格差は、共同の賃金評価の引き金になります（Directive (EU) 2023/970）。労働者区分は慎重に定義する必要があります。前職の給与のような偏った入力を黙って使うモデルは、見つけるべき格差を再現してしまいます。

最も重要な限界

人事における予測は、機械や在庫に関する予測よりもリスクが大きくなります。スコアの対象が人だからです。

**小さなサンプル。**従業員400人の会社では、年間の退職者は40人ほどかもしれません。それを部門、等級、理由で分けると、セルごとに数件しかありません。小さなサンプルで学習したモデルは過学習を起こし、自信ありげなノイズを生みます。連邦の選考ガイドラインも、アドバースインパクトの検定について同じ点を指摘しており、少数のデータに基づく差は統計的に意味がない場合があります（29 CFR 1607.4）。実践的な対策は、数年分をまとめる、チームやセグメントの単位で予測する、幅を示して報告する、そして「データが足りない」と言う勇気を持つことです。

**保護対象の属性の代理変数。**データから性別、人種、年齢を取り除いても、モデルからは取り除かれません。郵便番号は民族性の、キャリアの空白は性別や介護の、卒業年は年齢の代わりになりえます。それらの項目が学習から除外されていても、出力をグループ別に検証し、何を検証したかを記録してください。この概念はAIにおけるバイアスで扱っています。

**説明可能性。**人事責任者は、従業員、労使協議会、規制当局に、ある人がなぜフラグを立てられたのかを説明しなければならないことがあります。「モデルがそう言った」では通用しません。どの要因がスコアを左右したかを示せるモデルやツールを選び、そのスコアで何ができて何ができないかを文書化してください。選択肢は、用語集の説明可能なAIで解説しています。

**規制上の分類。**EU AI Actでは、採用や選考、また労働関係の管理を目的とするAIシステムは、附属書IIIで高リスクとして列挙されています。欧州委員会のAI Act Service Deskは、職務マッチングとランク付けのツールを例に挙げ、プロファイリングを行うシステムは第6条(3)の例外に頼れないと述べています（EU AI Act Service Desk）。退職者を数えるだけのダッシュボードと、昇進の候補者をランク付けするモデルは別物です。自社が運用しているのがどちらかを把握してください。

**フィードバックループ。**モデルが、それ自体が偏っていた過去の昇進から学習すると、同じものをさらに推奨します。モデルのコードだけでなく、学習に使うラベルも見直してください。

**人が必要な意思決定。**スコアは入力の1つです。誰かの報酬、役割、雇用に影響する判断には、責任を負う人間を置き、その人の理由を記録してください。このパターンはヒューマン・イン・ザ・ループで説明されており、2023年1月26日に公開されたNISTのAI Risk Management Frameworkは、こうしたリスクを管理するための任意の構造（Govern、Map、Measure、Manage）を提供しています（NIST AI RMF）。方針の所管はAIガバナンスの下に置きます。

ピープルアナリティクスのチームに必要なスキル

始めるのにデータサイエンスのラボは必要ありませんが、さまざまなスキルの組み合わせは必要です。

最後の行は、組織が飛ばしがちなものです。確率と予測の違いが分からないマネージャーは、その両方を誤用します。HRビジネスパートナーとピープルマネージャーのためのAIリテラシーを育てることは、アナリストを採用することと同じくらい重要です。

レポートから予測へ進む現実的な道筋

1. **まず記述的な層を直します。**従業員数、離職、充足所要日数について、人事、経理、事業部で合意した定義を1つ持ちます。一貫しない定義の上に作った予測は、その不一致を増幅します。
2. **価値が高くリスクが低い問いを1つ選びます。**チーム単位の離職要因や、採用ファネルのタイミングは、始めやすいテーマです。ガバナンスが整うまでは、法的な影響を伴う個人単位の意思決定は避けてください。
3. **シンプルに始めます。**マネージャーが理解できる透明なモデルは、彼らが無視するブラックボックスに勝ります。複雑さは、測定できる改善が得られるときにだけ加えます。
4. **導入前に公平性を検証します。**グループ間で結果を比較し、代理変数を確認し、結果を記録します。
5. **スコアを作る前に、行動を決めます。**スコアが変わっても誰も何も変えないなら、作らないでください。
6. **効果を測定します。**施策を行ったグループと行わなかったグループを比較し、モデルの精度だけでなく事業上の成果を追跡します。
7. **定期的に見直します。**従業員構成、労働市場、自社の方針が変わると、モデルはドリフトします。

よくある落とし穴

• **データを整える前に予測ツールを買う。**モデルは流暢で、しかも間違っています。
• **チームで足りるのに個人をスコアリングする。**集計は、小さなサンプルでより正確で、より安全でもあります。
• **相関をてことみなす。**リモートワーカーの退職が少ないからといって、リモートワークを強制すれば離職が減るわけではありません。
• **事業部のパートナーを飛ばす。**人事が気に入っても事業部が無視する分析は、レベル4の衣装をまとったレベル2の仕事です。
• **従業員が対象であることを忘れる。**どんなデータを、なぜ、いつまで保管するのかを明確にしてください。