people-analytics

ピープルアナリティクス

エージェントはシニアのピープルアナリティクスパートナーとして、統計モデリング、セグメンテーション分析、データガバナンスのベストプラクティスを活用し、人材データを実行可能なインサイトへと変換します。

まず確認する

分析を生成する前に、次の情報を確認してください。不明または曖昧な項目があれば、推測せずに質問してください。

• ビジネス上の質問と成功指標 — 分析全体の枠組みを定めます（ステップ 1）。質問が曖昧だと、焦点の定まらない結果になります
• 分析の種類（記述、離職リスク、賃金の公平性、またはエンゲージメント要因） — 手法と適用するスクリプトを選びます
• 利用可能なデータソースと、その品質・完全性 — 実施可能な手法を決定します（ステップ 2）
• セグメントとプライバシーのしきい値（最小グループサイズ） — セグメンテーションと適用する匿名化・集計方法を決定します

中断ルール：結果に最も大きく影響する 2～3 項目だけを質問してください。ユーザーが「とりあえず草案を作って」と言った場合は、そのまま進め、成果物の冒頭に前提を列挙してください。

ワークフロー

1. 質問の枠組みを定める -- HR またはビジネスの関係者と、ビジネス上の質問を明確にします。例：「営業部門の離職率が全社平均の 2 倍なのはなぜか？」や「性別を問わず公平な賃金を支払っているか？」などです。分析の成功指標を定義します。
2. データの準備状況を評価する -- 必要なデータソース（HRIS、ATS、アンケートプラットフォーム、給与データ）を特定します。完全性、最新性、品質を確認します。先に進む前に、不足があれば指摘します。
3. 分析する -- アナリティクスツールキットから適切な手法（記述統計、回帰、分類、セグメンテーション）を適用します。前提と制約を文書化します。
4. 調査結果を検証する -- 分野の専門家（HRBP、マネージャー）と結果の妥当性を確認します。統計的有意性と実務的有意性を検証します。予測モデルにおいて、保護対象グループ間でバイアスがないか確認します。
5. 提案する -- 調査結果を、期待される効果とコストを含む、具体的で実行可能な 2～3 件の提案にまとめます。
6. 提示してモニタリングする -- ダッシュボードのフレームワークを使ってインサイトを提示します。主要指標にしきい値アラートを設定し、継続的にモニタリングします。

チェックポイント：ステップ 2 の後、分析開始前に、プライバシーポリシーに準拠するよう、すべてのデータが匿名化または集計されていることを確認してください。

アナリティクス成熟度モデル

レベル	名称	能力	代表的な質問
1	オペレーショナルレポーティング	従業員数、コンプライアンス、アドホッククエリ	「従業員は何人いますか？」
2	高度なレポーティング	ダッシュボード、傾向、ベンチマーキング、セグメンテーション	「四半期ごとに離職率はどう変化していますか？」
3	アナリティクス	統計分析、相関、根本原因	「営業部門の離職を引き起こす要因は何ですか？」
4	予測	離職予測、パフォーマンスモデリング、リスクスコアリング	「今後 6 か月以内に退職する可能性が高いのは誰ですか？」
5	処方的分析	自動化された提案、リアルタイムの介入	「この人を引き留めるには、何をすべきですか？」

人事の主要指標

人材指標

指標	計算式	ベンチマーク
離職率	(離職者数 / 平均従業員数) x 100	10-15%
定着率	(在籍継続者数 / 期首従業員数) x 100	85-90%
採用充足期間	求人開始から内定承諾までの日数	30-45 days
採用コスト	採用総コスト / 採用人数	$3-5K
残念な離職	残念な離職者数 / 離職者総数	< 30%

パフォーマンス指標

指標	計算式	ベンチマーク
ハイパフォーマー	上位評価者の割合	15-20%
目標達成率	達成した目標 / 設定した目標	80%+
昇進率	昇進者数 / 従業員数	8-12%

エンゲージメント指標

指標	計算式	ベンチマーク
eNPS	推奨者の割合 % - 批判者の割合 %	20-40
エンゲージメントスコア	アンケートの合成スコア（1-100）	70%+
欠勤率	欠勤日数 / 勤務日数	< 3%

離職予測モデル

import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report

def build_turnover_model(employee_data: pd.DataFrame) -> dict:
    """
    Build and evaluate a turnover prediction model.

    Input: DataFrame with columns for features + 'left_company' (0/1).
    Output: dict with model, feature importance, and evaluation metrics.
    """
    features = [
        'tenure_months', 'salary_ratio_to_market', 'performance_rating',
        'months_since_last_promotion', 'manager_tenure', 'team_size',
        'engagement_score', 'training_hours_ytd', 'projects_completed'
    ]

    X = employee_data[features]
    y = employee_data['left_company']

    X_train, X_test, y_train, y_test = train_test_split(
        X, y, test_size=0.2, random_state=42, stratify=y
    )

    model = RandomForestClassifier(n_estimators=100, random_state=42)
    model.fit(X_train, y_train)

    y_pred = model.predict(X_test)
    report = classification_report(y_test, y_pred, output_dict=True)

    importance = (
        pd.DataFrame({'feature': features, 'importance': model.feature_importances_})
        .sort_values('importance', ascending=False)
    )

    return {'model': model, 'importance': importance, 'evaluation': report}


def score_flight_risk(model, current_employees: pd.DataFrame) -> pd.DataFrame:
    """
    Score current employees for flight risk.

    Returns DataFrame with employee_id, flight_risk_score (0-1), and risk_level.
    """
    probabilities = model.predict_proba(current_employees[model.feature_names_in_])[:, 1]

    risk_levels = pd.cut(
        probabilities,
        bins=[0, 0.25, 0.50, 0.75, 1.0],
        labels=['Low', 'Medium', 'High', 'Critical']
    )

    return pd.DataFrame({
        'employee_id': current_employees['employee_id'],
        'flight_risk_score': probabilities.round(3),
        'risk_level': risk_levels
    }).sort_values('flight_risk_score', ascending=False)

例：営業部門の離職に関する根本原因分析

QUESTION
  Sales voluntary turnover is 22% vs 12% company average. Why?

DATA
  Source: HRIS + engagement survey + exit interviews (n=45 exits, trailing 12 mo)

ANALYSIS
  Segmentation by tenure band:
    < 1 yr: 35% of exits (onboarding/ramp issues)
    1-2 yr: 40% of exits (comp dissatisfaction + career path)
    2+ yr: 25% of exits (manager relationship)

  Regression on exit survey scores (n=38 respondents):
    Top drivers of intent-to-leave:
      1. "I am paid fairly" (beta = -0.42, p < 0.01)
      2. "I see a career path here" (beta = -0.31, p < 0.01)
      3. "My manager supports my development" (beta = -0.28, p < 0.05)

  Compensation benchmark:
    Sales IC3 compa-ratio: 0.88 (12% below midpoint)
    Sales IC2 compa-ratio: 0.91 (9% below midpoint)
    Rest of company average: 0.98

FINDINGS
  1. Sales comp is significantly below market, especially at IC2-IC3
  2. No defined career ladder for Sales ICs beyond IC3
  3. New hires (< 1 yr) leaving due to unrealistic ramp expectations

RECOMMENDATIONS
  1. Market adjustment: Bring Sales IC2-IC3 to 95th percentile compa-ratio ($180K budget)
  2. Publish a Sales career ladder through IC5 with clear promotion criteria
  3. Redesign onboarding: extend ramp period from 30 to 90 days with milestone targets

EXPECTED IMPACT
  Reduce Sales attrition from 22% to 14-16% within 12 months
  ROI: $180K adjustment saves ~$450K in replacement costs (10 fewer exits x $45K/hire)

賃金の公平性分析

import pandas as pd
import statsmodels.api as sm

def analyze_pay_equity(employee_data: pd.DataFrame) -> dict:
    """
    Conduct pay equity analysis controlling for legitimate pay factors.

    Returns raw gap, adjusted gap, model fit, and employees flagged for review.
    """
    # Raw gap
    avg_by_gender = employee_data.groupby('gender')['salary'].mean()
    raw_gap = (avg_by_gender['Female'] - avg_by_gender['Male']) / avg_by_gender['Male']

    # Adjusted gap (control for level, tenure, performance, location)
    controls = pd.get_dummies(
        employee_data[['job_level', 'tenure_years', 'performance_rating', 'department', 'location']],
        drop_first=True
    )
    controls = sm.add_constant(controls)
    controls['is_female'] = (employee_data['gender'] == 'Female').astype(int)

    model = sm.OLS(employee_data['salary'], controls).fit()
    adjusted_gap = model.params['is_female']

    # Flag outliers (residual > 2 std dev)
    employee_data['predicted'] = model.predict(controls)
    employee_data['residual'] = employee_data['salary'] - employee_data['predicted']
    threshold = 2 * employee_data['residual'].std()
    flagged = employee_data[abs(employee_data['residual']) > threshold]

    return {
        'raw_gap_pct': round(raw_gap * 100, 1),
        'adjusted_gap_usd': round(adjusted_gap, 0),
        'model_r_squared': round(model.rsquared, 3),
        'employees_flagged': len(flagged),
        'flagged_details': flagged[['employee_id', 'salary', 'predicted', 'residual']]
    }

エンゲージメント調査の分析

1. 回答率を算出する -- 統計的な妥当性を確保するため、80％以上を目標にします。60％未満の部門にはフラグを付けます。
2. カテゴリ別スコアを算出する -- カテゴリ（マネージャー、成長、文化、報酬）ごとにリッカート尺度の回答を平均します。前回の調査期間と比較します。
3. ドライバー分析を実施する -- カテゴリ別スコアを全体的なエンゲージメントに対して回帰分析し、エンゲージメントへの影響が最も大きいカテゴリを特定します。
4. セグメント化する -- 部門、職位、勤続年数の区分、勤務地別に結果を分類します。スコアが会社平均から最も乖離している箇所を特定します。
5. 優先順位を付ける -- カテゴリを2×2マトリックス（影響度とスコア）にプロットします。「影響度が高く、スコアが低い」象限を優先的な対応領域とします。

チェックポイント：匿名性を保護するため、回答者が5人未満のセグメントの結果は表示しないでください。

DEI 指標のフレームワーク

領域	指標	データソース
人員構成	職位別の性別／民族構成	HRIS
賃金の公平性	未調整の格差、調整後の格差（統制変数を用いた回帰分析）	給与システム＋HRIS
昇進	属性グループ別の昇進率	HRIS
採用	属性グループ別の内定率と承諾率	ATS
インクルージョン	インクルージョン指数、帰属意識スコア、心理的安全性	調査

データガバナンスのチェックリスト

人材分析プロジェクトを開始する前に、以下を確認してください。

• ビジネス上の問いと目的が明確に文書化されている
• データの最小化を適用している（必要なデータのみを収集する）
• プライバシー影響評価が完了している
• 可能な場合は匿名化または集計を適用している
• 予測モデルについて、保護対象グループ間のバイアスをテストしている
• 役割ベースのアクセス制御を実装している
• データ保持ポリシーを定めている
• 従業員への情報提供を計画している（透明性の原則）

スクリプト

# Analyze engagement survey results with driver analysis
python scripts/survey_analyzer.py --file survey_results.csv
python scripts/survey_analyzer.py --file survey_results.csv --prior prior_survey.csv --json

# Score attrition risk from employee data
python scripts/attrition_predictor.py --file employees.csv
python scripts/attrition_predictor.py --file employees.csv --threshold 0.7 --json

# Workforce headcount planning calculations
python scripts/headcount_planner.py --file workforce.csv --growth 0.15 --attrition 0.12
python scripts/headcount_planner.py --file workforce.csv --growth 0.15 --attrition 0.12 --json

トラブルシューティング

問題	根本原因	解決策
調査の回答率が低い（< 70%）	調査疲れ、匿名性への不信感、または過去の調査結果に対する目に見える対応がない	調査を最大15～20問に短縮します。匿名性を守る措置を明確に伝えます。次の調査を開始する前に、前回の調査で得られた上位3つの結果を公開し、それに基づいて対応します
離職予測モデルで偽陽性が多すぎる	過去のデータへの過学習、重要な特徴量の欠落、またはクラス不均衡	正則化を追加します。不均衡にはSMOTEまたはクラス重みを使用します。訓練データとテストデータの分割だけでなく、交差検証で検証します。マネージャーの質と報酬比率を特徴量に含めます
ステークホルダーが分析結果を信頼しない	結果が実体験と矛盾している、または手法が不透明	分析手法を透明性をもって説明します。公開前に人事ビジネスパートナーと結果を検証します。点推定ではなく信頼区間を使用します。予測分析の前に記述分析から始め、信頼を築きます
HRIS のデータソース間でデータ品質に問題がある	コードの不統一、フィールドの欠落、古いレコード、または重複エントリー	データガバナンス評議会を設置します。各フィールドのデータ所有者を定めます。四半期ごとにデータ品質監査を実施します。データ取り込み時に自動検証チェックを構築します
プライバシー上の懸念により分析が進まない	匿名化が不十分、同意の枠組みがない、または法規制への対応に不備がある	k-匿名性（グループの最小人数を5人とする）を適用します。各プロジェクトの前にプライバシー影響評価を実施します。早い段階で法務部門に相談します。個人単位のデータが不要な場合は集計データを使用します
施策を実施してもエンゲージメントスコアが横ばい	測定しているドライバーが適切でない、アクションプランが実行されていない、または調査が一般的すぎる	ドライバー分析を実施し、影響度が高くスコアが低い領域を特定します。四半期ごとの確認を含め、対応責任者を割り当てます。部門や職能に応じて調査項目を調整します
経営陣が知見に基づいて行動しない	知見が学術的すぎる、ビジネス上の説明が不足している、または提供が遅すぎる	まずビジネスへの影響（収益、コスト、リスク）を示します。責任者と期限を明確にした提言を2～3件に絞ります。データ収集から2週間以内に知見を提供します

成功基準

項目	指標	目標	測定方法
データ品質	HRIS データの完全性	必須フィールドの 95% 超が入力済み	四半期ごとのデータ監査レポート
データ品質	データの鮮度	すべてのレコードが 30 日以内に更新済み	HRIS の最終更新日時
導入状況	ダッシュボードの関係者による利用	HRBP と VP の 70% 超が毎月アクセス	ダッシュボードの分析／ログイン追跡
導入状況	インサイトからアクションへの移行率	推奨事項の 60% 超が施策につながる	推奨事項の成果を四半期ごとに追跡
精度	離職予測の適合率	再現率 50% で適合率 70% 超	実績値に対するモデル評価（6 か月の遅延）
精度	アンケート要因分析の妥当性	上位 3 要因を定性的データで検証	退職時インタビューやフォーカスグループとの照合
効果	後悔を伴う離職の削減	介入から 12 か月以内に 10～20% 削減	HRIS の自己都合退職データ、後悔を伴う離職のフラグ
効果	質問からインサイトを得るまでの期間	標準的な分析で 2 週間未満	リクエストから納品までの追跡
コンプライアンス	プライバシーインシデント	匿名性のしきい値の侵害ゼロ	すべてのクエリの監査ログ、最小グループサイズの適用
成熟度	分析成熟度レベルの進捗	12～18 か月ごとに 1 レベル向上	Analytics Maturity Model に照らした自己評価

対象範囲と制限事項

対象範囲：

• 人員構成に関する記述的分析：従業員数、離職率、定着率、人口統計、勤続期間の分布
• エンゲージメント調査の設計、分析、要因の特定、ベンチマーク
• ルールベースおよび統計的手法による離職リスクのスコアリング（標準ライブラリのみ）
• 賃金公平性分析：未調整格差、調整済み格差、外れ値のフラグ付け
• DEI 指標：構成比、昇進率、採用ファネルの公平性
• 人員計画：従業員数の予測、シナリオモデリング、ギャップ分析
• ダッシュボード設計と KPI フレームワークの推奨

対象範囲外：

• ML フレームワーク（scikit-learn、TensorFlow）を必要とするリアルタイム予測モデル -- スクリプトでは移植性を高めるため、ルールベースのスコアリングを使用します
• 自由記述式のアンケート回答の感情分析（NLP ライブラリが必要です）
• 従業員個人のプロファイリングや監視 -- すべての分析で集計データまたは匿名化データを使用します
• HRIS システム管理、データパイプラインエンジニアリング、ETL 開発
• 賃金公平性に関する調査結果の法的解釈（雇用法の弁護士が必要です）
• メール／カレンダーのメタデータを必要とする組織ネットワーク分析

既知の制限事項：

• スクリプトでの離職リスクのスコアリングには、学習済み ML モデルではなく重み付きヒューリスティックを使用します。精度は特徴量の品質と重みの調整に左右されます
• SKILL.md の例での賃金公平性分析には statsmodels が必要です（外部依存関係）。スクリプトでは標準ライブラリによる近似を使用します
• アンケート分析では、リッカート尺度（1～5）の回答を想定しています。それ以外の形式では前処理が必要です
• 人数の少ないセグメント（30 人未満）では統計結果の信頼性が低くなるため、レポートでフラグを付けてください
• 過去データのバイアス（例：偏りのある業績評価）は、対処しない場合、予測モデルにも引き継がれます

統合ポイント

システム／スキル	統合内容	データフロー
HRIS（Workday、BambooHR、HiBob）	従業員のマスターデータ、勤続年数、報酬、業績評価	HRIS -> 分析データレイク；分析インサイト -> HRBP の人員計画
ATS（Greenhouse、Lever）	採用ファネルデータ、採用経路、採用までの期間	ATS -> 採用分析；採用の質のスコアリングを TA 戦略にフィードバック
アンケートプラットフォーム（Culture Amp、Qualtrics、Lattice）	エンゲージメント調査の回答、eNPS、パルスチェックデータ	アンケートプラットフォーム -> survey_analyzer.py；要因分析 -> アクションプランニング
タレントアクイジションスキル	採用ファネル指標、採用経路の有効性、採用の質	TA パイプラインデータ -> 分析モデル；分析インサイト -> 採用経路の最適化
HR ビジネスパートナースキル	人員計画の入力情報、組織の健全性スコア、定着戦略	分析インサイト -> HRBP の提案；HRBP の質問 -> 分析プロジェクト
オペレーションマネージャースキル	人員数の予測、キャパシティプランニング、生産性指標	オペレーション需要予測 -> headcount_planner.py；人員指標 -> オペレーションのキャパシティモデル
ファイナンススキル	報酬予算、コストモデリング、人員数の予算と実績	ファイナンスの報酬データ -> ペイエクイティ分析；人員計画 -> ファイナンス予算モデル
給与計算（ADP、Gusto）	報酬の実績、ボーナス支給、時間外労働データ	給与計算 -> 報酬分析；ペイエクイティの調査結果 -> 報酬調整の提案
BI プラットフォーム（Tableau、Looker、Power BI）	ダッシュボードのホスティング、セルフサービス分析、定期レポート	分析結果 -> BI ダッシュボード；BI 利用指標 -> 導入状況の追跡